深度学习在生物医药领域的应用
本数据库通过收集和整理最新科研文献信息而得，供了解领域前沿进展之用。数据源自 PubMed Data ，每日自动更新（使用关键词“['deep learning']”过滤），已收录文献数量参见 统计表格。表格内容由 GPT 自动整理，可能存在错误或遗漏，请使用时务必注意核实！
如有建议或合作意向，欢迎联系 linlin.yan(AT)bioinfo.app 或 微信 yanlinlin82。本项目遵循 MIT 许可 发布，欢迎下载 源码 自行修改使用。如觉得不错，还请不吝 给我打赏，你的支持是我继续创新的重要动力！
添加微信请说明来意
微信赞赏
除通过在线浏览外，为方便用户离线查阅，本站也提供 付费下载（定价19.9元）。之所以考虑收费，是因为批量扫描这些文献并整理也是有一定成本的，还请理解并多多支持。本站数据会持续更新，而仅需一次付费，未来就可以随时重新下载到最新版本数据。
当前共找到 2202 篇文献，本页显示第 541 - 560 篇。
| 序号 | 推送日期 | 文章 | 类型 | 简述 | 创新点 | 不足 | 研究目的 | 研究对象 | 领域 | 病种 | 技术 | 模型 | 数据类型 | 样本量 | 算法框架 | 模型架构 | 性能指标 | 计算资源 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 541 | 2026-02-19 |
Prognostic value of deep learning-based coronary artery calcium score and quantitative pneumonia burden in patients hospitalized with COVID-19
2026-Jan-24, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-025-02119-9
PMID:41580636
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 542 | 2026-02-20 |
Groundwater depth prediction based on CNN-GRU-attention model
2026-Jan-23, Environmental monitoring and assessment
IF:2.9Q3
DOI:10.1007/s10661-026-14993-z
PMID:41577970
|
研究论文 | 本研究提出了一种结合CNN、GRU和注意力机制的混合深度学习模型（CNN-GRU-Attention），用于预测地下水深度 | 整合了卷积神经网络、门控循环单元和注意力机制，构建了一个新的混合深度学习模型，用于地下水深度预测，并在数据减少和特殊降雨情景下验证了其性能 | NA | 开发一个计算框架以预测地下水位，促进可持续水资源管理 | 中国郑州地区的地下水深度动态 | 机器学习 | NA | 深度学习 | CNN, GRU | 时间序列数据 | NA | NA | CNN-GRU-Attention | MAE, RMSE, R | NA |
| 543 | 2026-02-20 |
Generalizable machine learning models for rapid antimicrobial resistance prediction in unseen health care settings
2026-Jan-21, GigaScience
IF:11.8Q1
DOI:10.1093/gigascience/giaf156
PMID:41553357
|
研究论文 | 本研究开发了基于机器学习的通用模型，用于在未见过的医疗环境中快速预测抗菌素耐药性 | 采用掩码自编码器（MAE）处理MALDI-TOF质谱数据，并结合化学语言模型与SELFIES编码抗菌药物，提升了模型在跨机构与跨时间场景下的泛化能力 | 模型性能在训练数据范围外的医院或时间段仍可能下降，且仅基于4家医疗机构的数据进行交叉验证 | 构建泛化性强的机器学习模型，以加速临床抗菌素耐药性预测 | MALDI-TOF质谱数据与抗菌药物化学信息 | 机器学习 | NA | MALDI-TOF质谱 | 掩码自编码器（MAE）, 化学语言模型 | 质谱数据, 化学字符串 | 来自4家医疗机构的交叉验证数据 | NA | 掩码自编码器（MAE）, Molformer | 精确率-召回率曲线下面积 | NA |
| 544 | 2026-02-20 |
Machine learning pipelines for the design of solid-state electrolytes
2026-Jan-13, Materials horizons
IF:12.2Q1
DOI:10.1039/d5mh01525a
PMID:41358912
|
综述 | 本文系统综述了机器学习在固态电解质设计中的应用，提出了一个将固态电解质发现中的五大挑战与新兴人工智能解决方案相映射的战略框架 | 首次提出了一个系统框架，将固态电解质发现中的五大挑战与新兴AI解决方案相映射，并特别关注了多价导体（如Mg、Ca、Zn、Al）的数据缺口问题，通过迁移学习和主动学习框架提供了具体策略 | NA | 为下一代AI加速的固态电池材料发现提供全面的路线图 | 固态电解质 | 机器学习 | NA | NA | 经典模型, 深度学习架构, 生成模型, Transformer, 图神经网络 | NA | NA | NA | Transformer, 图神经网络 | NA | NA |
| 545 | 2026-02-20 |
Study on the source tracing method of organic pollutants in large shallow eutrophic lakes based on 3D-EEM and Transformer models: A case study of Changdang Lake in China
2026-Jan-07, Environmental monitoring and assessment
IF:2.9Q3
DOI:10.1007/s10661-025-14958-8
PMID:41498835
|
研究论文 | 本研究提出了一种结合三维激发-发射矩阵荧光光谱技术和深度学习模型的方法，用于追踪大型浅水富营养化湖泊中有机污染物的来源，并以中国长荡湖为例进行验证 | 首次将3D-EEM荧光光谱技术与Transformer深度学习模型结合，用于湖泊有机污染源追踪，相比传统依赖Tucker Congruence系数的手动方法，显著提高了识别效率和准确性 | 研究仅针对长荡湖流域，方法在其他湖泊或污染源类型中的普适性有待验证；样本来源限于工业废水、农业和生活污染，未涵盖所有潜在污染源 | 开发一种高效、准确的有机污染源追踪方法，以支持湖泊流域污染控制 | 长荡湖流域的溶解有机物，包括工业废水、农业和生活污染源 | 环境科学 | NA | 三维激发-发射矩阵荧光光谱技术，平行因子分析 | 深度学习模型 | 荧光光谱图像 | 40个荧光组分，来自长荡湖连接河流和湖体的水质样本，以及工业、农业、生活污染源样本 | NA | Transformer, GoogLeNet, VGG, AlexNet | 识别准确率，Tucker Congruence系数 | NA |
| 546 | 2026-02-20 |
3D reconstruction of spatial transcriptomics with spatial pattern enhanced graph convolutional neural network
2026-Jan-07, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbag060
PMID:41686651
|
研究论文 | 本文提出了一种名为Spa3D的方法，利用抗泄漏傅里叶变换和图卷积神经网络从多个二维空间转录组切片重建三维空间结构 | 首次将三维重建思想引入空间转录组数据分析，通过结合抗泄漏傅里叶变换和图卷积神经网络，突破了现有方法仅依赖二维坐标的限制 | 未明确说明方法对数据质量和切片数量的具体要求，也未讨论计算复杂度对大规模数据集的可扩展性 | 开发能够从二维空间转录组数据重建三维空间结构的新方法，以更准确地分析空间域、空间变异基因、细胞通讯和发育轨迹 | 空间分辨转录组数据 | 计算生物学 | NA | 空间分辨转录组技术 | 图卷积神经网络 | 空间转录组数据 | NA | NA | 图卷积神经网络 | NA | NA |
| 547 | 2026-02-20 |
Integrating state-space modeling, parameter estimation, deep learning, and docking techniques in drug repurposing: a case study on COVID-19 cytokine storm
2026-Jan-01, Journal of the American Medical Informatics Association : JAMIA
IF:4.7Q1
DOI:10.1093/jamia/ocaf035
PMID:39965087
|
研究论文 | 本研究通过整合状态空间建模、参数估计、深度学习和分子对接技术，针对COVID-19细胞因子风暴进行药物重定位案例研究 | 结合数学建模与深度学习，利用PID控制器识别关键蛋白质靶点，并应用分子对接分析药物相互作用，为COVID-19治疗提供快速有效的药物重定位策略 | 研究主要针对COVID-19细胞因子风暴，且基于特定蛋白质（如ACE2）的案例，可能不适用于其他病毒变体或疾病机制 | 开发一种综合方法，以加速针对新兴SARS-CoV-2变体的药物重定位和疾病管理 | 正常细胞和病毒感染的细胞中的调控蛋白质，特别是ACE2和AT1R，以及相关药物如Lomefloxacin和Fostamatinib | 机器学习 | COVID-19 | 状态空间建模、参数估计、分子对接 | 深度学习模型 | 蛋白质相互作用数据、药物分子数据 | NA | NA | NA | NA | NA |
| 548 | 2026-02-20 |
Total-Body PET/CT Metabolic Response in Esophageal Squamous Cell Carcinoma
2026-Jan, Seminars in nuclear medicine
IF:4.6Q1
DOI:10.1053/j.semnuclmed.2025.11.010
PMID:41320614
|
综述 | 本文综述了全身PET/CT在食管鳞状细胞癌代谢反应评估中的应用，重点介绍了其技术优势与临床潜力 | 介绍了具有194厘米长轴视野的全身PET/CT系统（uEXPLORER），其灵敏度比传统系统高出68倍，并支持低剂量快速成像、动态全身参数成像及深度学习合成CT技术 | NA | 评估全身PET/CT在食管鳞状细胞癌新辅助治疗反应监测中的可行性和定量能力 | 食管鳞状细胞癌患者 | 数字病理学 | 食管癌 | [F]FDG PET/CT, [F]或[Ga]Ga标记的成纤维细胞活化蛋白抑制剂PET/CT | NA | PET/CT图像 | NA | NA | NA | NA | NA |
| 549 | 2026-02-20 |
Machine learning and deep learning in internal medicine: demystifying concepts
2026-01, Revista clinica espanola
IF:2.3Q2
DOI:10.1016/j.rceng.2025.502412
PMID:41429301
|
综述 | 本文为内科医生提供了关于机器学习和深度学习关键概念的实用且易于理解的介绍，并探讨了其在诊断、预后和临床管理等任务中的应用 | 以面向内科医生的视角，系统性地解构了机器学习与深度学习的基本概念、应用流程及伦理考量，旨在弥合技术理论与临床实践之间的鸿沟 | 文章主要为概念性介绍，未涉及具体算法实现细节或实证研究数据，可能缺乏对最新技术进展的深度探讨 | 旨在向内科医生普及机器学习和深度学习的基本概念及其在临床医学中的应用潜力 | 内科医生及临床医学研究者 | 机器学习 | NA | NA | 神经网络 | NA | NA | NA | NA | NA | NA |
| 550 | 2026-02-20 |
Advancing regulatory variant effect prediction with AlphaGenome
2026-Jan, Nature
IF:50.5Q1
DOI:10.1038/s41586-025-10014-0
PMID:41606153
|
研究论文 | 本文介绍了AlphaGenome，一个统一的DNA序列模型，能够输入1 Mb的DNA序列并预测数千个功能基因组轨迹，涵盖多种模态，以单碱基对分辨率进行预测 | AlphaGenome通过统一模型处理长输入序列（1 Mb）并实现高分辨率预测，突破了现有方法在输入序列长度与预测分辨率之间的权衡限制，在26项变体效应预测评估中，25项匹配或超过最强外部模型 | NA | 推进调控变体效应预测，以解密遗传调控代码 | 人类和小鼠基因组 | 机器学习 | NA | 深度学习 | NA | DNA序列 | NA | NA | AlphaGenome | 变体效应预测评估 | NA |
| 551 | 2026-02-20 |
CGMNet: A Center-Pixel and Gated Mechanism-Based Attention Network for Hyperspectral Change Detection
2026, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society
IF:10.8Q1
DOI:10.1109/TIP.2026.3661851
PMID:41671143
|
研究论文 | 本文提出了一种基于中心像素和门控机制的注意力网络CGMNet，用于高光谱图像变化检测，以提高检测精度和鲁棒性 | 设计了门控中心空间注意力模块和门控光谱注意力模块，以增强相关特征并抑制冗余信息，同时提出了全局变换融合模块来整合全局上下文信息，并创建了一个新的沿海遥感基准数据集HZB | 未明确说明模型在计算效率或处理大规模数据时的性能限制 | 提高高光谱图像变化检测的准确性和鲁棒性 | 高光谱图像 | 计算机视觉 | NA | NA | CNN, 注意力网络 | 高光谱图像 | 三个公开数据集及新创建的HZB数据集 | NA | CGMNet | NA | NA |
| 552 | 2026-02-20 |
Optimizing MRI annotation workflows for high-accuracy deep learning thigh muscle segmentation in athletes
2026-Jan, Radiology advances
DOI:10.1093/radadv/umag005
PMID:41694457
|
研究论文 | 本研究旨在通过优化MRI标注工作流程，利用深度学习模型实现运动员大腿肌肉的高精度分割，并评估训练数据量对分割性能及下游定量指标的影响 | 首次系统性地确定了训练准确深度学习大腿肌肉分割模型所需的最小标注MRI研究数量，并验证了仅需20个标注样本即可达到临床可接受性能，为高效自动化分割提供了数据需求指导 | 研究数据仅来自单一中心的3T GE Premier系统扫描的运动员群体，可能限制了模型对其他扫描设备或普通人群的泛化能力 | 确定训练准确大腿肌肉分割深度学习模型所需的标注MRI研究数量，并评估训练规模对下游定量测量一致性的影响 | 前交叉韧带损伤的竞技运动员和职业足球运动员的大腿肌肉MRI图像 | 数字病理学 | 肌肉骨骼损伤 | MRI, 扩散张量成像 | 深度学习 | MRI图像 | 训练集规模从5到120个受试者不等，固定独立测试集包含41个受试者 | nnU-Net | nnU-Net | Dice相似系数, 相对体积差异, Hausdorff距离, HD95, 平均对称表面距离 | NA |
| 553 | 2026-02-20 |
Preoperative Ternary Classification of Pulmonary Ground-Glass Nodules (AIS/MIA/IAC): ResNet-10 Outperforms Radiomics and Clinicoradiographic Models in Multicenter Study
2026 Jan-Dec, Technology in cancer research & treatment
IF:2.7Q3
DOI:10.1177/15330338261423265
PMID:41697766
|
研究论文 | 本研究通过多中心CT数据集，比较了深度学习、影像组学和临床影像模型在肺磨玻璃结节术前AIS/MIA/IAC三元分类中的性能 | 首次在多中心研究中，将ResNet-10深度学习模型应用于肺磨玻璃结节的三元分类，并证明其性能优于传统的影像组学和临床影像模型 | 研究样本量相对有限（847个结节），且仅基于CT影像，未整合多模态数据 | 术前区分肺磨玻璃结节的腺癌原位癌、微浸润腺癌和浸润性腺癌，以指导临床管理和手术规划 | 术后确诊为肺腺癌的847个肺磨玻璃结节 | 计算机视觉 | 肺癌 | CT影像分析 | CNN | 图像 | 847个肺磨玻璃结节（训练集592个，验证集255个） | NA | DenseNet-121, ResNet-10, ResNet-18, VGG-13 | Macro-AUC, 准确率, F1分数 | NA |
| 554 | 2026-02-19 |
Expression of Concern: Multi-convolutional neural networks for cotton disease detection using synergistic deep learning paradigm
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0343102
PMID:41701686
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 555 | 2026-02-20 |
Image-based machine learning models for customized soil moisture management
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0341904
PMID:41701764
|
研究论文 | 本研究提出了一种结合土壤传感器和图像分析的AI系统，用于支持定制化的土壤水分管理，以移植的野生模拟人参为模型作物 | 开发了一种非侵入性方法，通过RGB图像和传感器数据结合深度学习模型，实现个体植物层面的土壤水分监测，克服了传统智能农业系统统一处理的局限性 | 模型尚未在不同作物和土壤类型中广泛验证，且需要集成更多光谱数据以提高鲁棒性和可扩展性 | 改善智能农业中的资源利用效率和产量，通过定制化土壤水分管理满足个体植物需求 | 移植的野生模拟人参 | 计算机视觉 | NA | 图像分析，土壤传感器数据采集 | 深度学习模型，随机森林回归模型 | 图像，传感器数据 | 未明确指定样本数量，但涉及不同深度（3厘米、10厘米和15厘米）的土壤传感器数据和RGB图像 | 未明确指定，但可能涉及TensorFlow或PyTorch等深度学习框架 | DenseNet121 | R², RMSE | NA |
| 556 | 2026-02-20 |
A Fully Automated 3D CT U-Net Framework for Segmentation and Measurement of the Masseter Muscle, Innovatively Incorporating a Self-Supervised Algorithm to Effectively Reduce Sample Size: A Validation Study in East Asian Populations
2026-Jan, Aesthetic plastic surgery
IF:2.0Q2
DOI:10.1007/s00266-025-05066-6
PMID:40858739
|
研究论文 | 本研究开发并评估了一种基于U-Net的从粗到细学习框架，用于自动分割和测量咬肌体积，并在840名健康东亚志愿者中验证其有效性 | 创新性地结合了自监督算法，有效减少了深度学习所需的样本量 | 研究仅基于健康东亚人群的CT扫描，可能不适用于其他人群或疾病状态 | 开发并评估用于咬肌自动分割和体积测量的深度学习框架 | 840名健康东亚志愿者（253名男性，587名女性）的头部CT扫描 | 数字病理学 | NA | CT扫描 | CNN | 3D CT图像 | 840名健康东亚志愿者，其中15例用于临床验证 | NA | U-Net | 体积准确性，形态学评分，运行时间 | NA |
| 557 | 2026-02-19 |
Incorporating artificial intelligence into imaging for surveillance and diagnosis of liver cancer: Innovations, challenges, and clinical translation
2026-Jan-30, Hepatology (Baltimore, Md.)
DOI:10.1097/HEP.0000000000001698
PMID:41616271
|
综述 | 本文综述了人工智能在肝癌监测与诊断成像中的应用、创新、挑战及临床转化前景 | 探讨了基于深度学习的模型在超声、CT和MRI中提升小肿瘤检测、病灶分割与表征的潜力，以及多模态AI整合影像、病理和分子数据的创新方向 | 面临数据隐私、监管审批、成本可持续性和算法偏见等重大挑战，需大规模前瞻性多中心验证研究确认临床效益与安全性 | 评估人工智能在肝癌全程管理（从监测到诊断）中的变革潜力，推动其临床整合 | 原发性肝癌，主要包括肝细胞癌和肝内胆管癌 | 数字病理学, 计算机视觉 | 肝癌 | 超声, 对比增强CT, MRI, 数字病理 | 深度学习模型 | 图像 | NA | NA | NA | NA | NA |
| 558 | 2026-02-19 |
A deep learning ensemble framework for multi-subtype renal tumor classification using contrast-enhanced CT
2026-Jan-30, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-37283-7
PMID:41617760
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 559 | 2026-02-19 |
Identification of diagnostic and prognostic biomarkers in lung adenocarcinoma through integrated bioinformatics analysis and real time PCR validation
2026-Jan-30, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-35971-y
PMID:41617774
|
研究论文 | 本研究通过整合生物信息学分析和实时PCR验证，识别了肺腺癌的诊断和预后生物标志物 | 结合深度学习算法预测生物标志物，并通过外部数据集和实时PCR进行验证，展示了AI在生物标志物发现中的有效性 | 样本量相对有限，特别是健康对照组仅16例，且外部验证数据集可能未覆盖所有临床亚型 | 发现肺腺癌的早期检测和生物标志物 | 肺腺癌患者和健康对照者 | 生物信息学 | 肺腺癌 | RNA-Seq, 实时PCR | 深度学习 | 基因表达数据 | 522个样本（506例肺腺癌患者，16例健康对照），外加30例患者和30例健康人的血液样本用于PCR验证 | NA | NA | 预测准确率, Brier分数, AUC, 灵敏度 | NA |
| 560 | 2026-02-19 |
A clinically applicable and generalizable deep learning model for anterior mediastinal tumors in CT images across multiple institutions
2026-Jan-30, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-37504-z
PMID:41617892
|
研究论文 | 本文提出了一种基于3D U-Net的深度学习模型，用于在CT图像中分割和检测前纵隔肿瘤，并在多机构数据上验证了其临床适用性和泛化性 | 首次开发并验证了一个针对罕见前纵隔肿瘤的深度学习模型，该模型在来自121个不同机构的CT图像上表现出优异的泛化能力，克服了罕见疾病数据稀缺的挑战 | 研究仅基于CT图像，未整合其他模态数据；模型性能可能受限于训练数据的规模和多样性；未在实时临床环境中进行前瞻性验证 | 开发一个临床适用且泛化能力强的深度学习模型，用于辅助诊断前纵隔肿瘤 | 前纵隔肿瘤，包括胸腺瘤和胸腺癌 | 数字病理 | 胸腺癌 | CT成像 | CNN | CT图像 | 711张CT图像，来自136家医院的136名不同患者（339名男性，372名女性） | NA | 3D U-Net | Dice分数, IoU, 精确率, 召回率, 灵敏度, 假阳性率 | NA |