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 2393 篇文献，本页显示第 821 - 840 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 821 | 2026-02-26 |
Multimodal skin lesion classification for early cancer diagnosis using deep learning
2026, Frontiers in physiology
IF:3.2Q2
DOI:10.3389/fphys.2026.1717517
PMID:41736951
|
研究论文 | 本文利用深度卷积神经网络（DenseNet 201、VGG16和InceptionV3）构建集成模型，对皮肤镜图像进行皮肤病变分类，以实现早期癌症诊断 | 提出两种微调方法（重新训练顶层和半层并添加额外层），并将基础模型集成，结合超参数调优和Grad-CAM增强模型可解释性 | 未提及模型在外部验证集或临床环境中的泛化能力，也未讨论数据集的潜在偏差或样本多样性限制 | 通过深度学习技术实现皮肤病变的自动分类，以辅助早期皮肤癌诊断 | 皮肤镜图像中的皮肤病变 | 计算机视觉 | 皮肤癌 | 皮肤镜成像 | CNN | 图像 | HAM10000数据集，分为训练集和测试集 | 未明确指定，但可能基于TensorFlow或PyTorch | DenseNet 201, VGG16, InceptionV3 | 准确率, F1分数, 召回率, 精确率 | 未提及 |
| 822 | 2026-02-26 |
Dosimetric Discrepancy Between Whole-Lung and Lobe-Specific Metrics in Lung Stereotactic Body Radiotherapy and Its Implications for Regional Dose Assessment
2026-Jan, Cureus
DOI:10.7759/cureus.102180
PMID:41737079
|
研究论文 | 本研究定量评估了肺癌立体定向体部放疗中传统全肺剂量学指标与肺叶特异性剂量学之间的差异 | 揭示了传统全肺剂量指标因体积稀释效应而显著低估肿瘤所在肺叶的辐射剂量浓度，并提出了基于肺叶的解剖学框架来更精确地描述区域剂量分布 | 回顾性研究，样本量较小（仅10例患者），且仅针对特定分期（T1-T2N0M0）和非小细胞肺癌的特定放疗方案（42 Gy/4次） | 评估肺癌立体定向体部放疗中全肺与肺叶特异性剂量学指标的差异及其对区域剂量评估的意义 | 早期非小细胞肺癌患者 | 数字病理学 | 肺癌 | 立体定向体部放疗 | 深度学习 | 医学影像 | 10例T1-T2N0M0期非小细胞肺癌患者 | NA | NA | Wilcoxon符号秩检验，Spearman等级相关系数 | NA |
| 823 | 2026-02-26 |
Use of Artificial Intelligence in Preoperative Planning in Surgery: A Narrative Review
2026-Jan, Cureus
DOI:10.7759/cureus.102187
PMID:41737108
|
综述 | 本文是一篇叙事性综述，评估了人工智能（AI）在手术术前规划中的应用、有效性和局限性 | 综合了2020年至2025年的最新研究，特别关注了整形与重建外科等专科中AI的应用实例，并探讨了AI与3D打印、虚拟现实等新兴技术结合的潜力 | 数据异质性、发表偏倚以及大规模前瞻性多中心临床研究数量有限是其更广泛实施的主要障碍 | 评估AI在手术术前规划中的应用、有效性和局限性 | 手术术前规划，特别是整形与重建外科等外科专科 | 机器学习 | NA | 机器学习、深度学习、三维建模、预测分析 | NA | NA | NA | NA | NA | NA | NA |
| 824 | 2026-02-26 |
Deep learning radiomics models based on contrast-enhanced transrectal ultrasound for predicting distant metastasis in rectal cancer
2026, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2026.1671887
PMID:41737487
|
研究论文 | 本研究开发了一种基于对比增强经直肠超声的深度学习放射组学模型，用于预测直肠癌患者的远处转移 | 首次结合对比增强经直肠超声成像与预训练的DenseNet201模型提取深度学习放射组学特征，构建集成临床与影像特征的预测模型 | 研究为回顾性单中心设计，需要进一步多中心前瞻性验证以确认临床适用性 | 预测直肠癌患者的远处转移，以辅助制定治疗策略 | 直肠癌患者 | 数字病理 | 直肠癌 | 对比增强经直肠超声成像 | 深度学习 | 超声图像 | 878名直肠癌患者 | NA | DenseNet201 | AUC | NA |
| 825 | 2026-02-26 |
OpthaNet: Attention-Integrated Architecture for High-Precision Multi-Class Ophthalmic Image Classification
2026 Jan-Dec, Healthcare technology letters
IF:2.8Q3
DOI:10.1049/htl2.70067
PMID:41737479
|
研究论文 | 本研究评估了预训练深度学习模型在眼底图像上进行多类眼科疾病分类的效果，并提出了注意力增强的架构优化 | 通过注意力增强特征细化模块和自定义分类器优化了EfficientNetB3和MobileNetV2，并采用META定制优化了视觉Transformer，针对眼科迁移学习中特征选择性不足和过拟合问题提出了解决方案 | 研究可能受限于训练数据规模，且未在更广泛的外部数据集上进行验证 | 开发高精度、计算高效的多类眼科疾病分类模型，以支持早期检测和临床决策 | 眼底图像中的白内障、糖尿病视网膜病变和青光眼 | 计算机视觉 | 眼科疾病 | 深度学习 | CNN, Transformer | 图像 | NA | NA | EfficientNetB3, MobileNetV2, vision Transformer | 准确率 | NA |
| 826 | 2026-02-26 |
An attention-augmented lightweight convolutional framework for fine-grained plant leaf disease classification
2026, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2026.1762956
PMID:41738049
|
研究论文 | 本文提出了一种名为ALNet的新型轻量级CNN模型，用于细粒度植物叶片病害分类，旨在实现高分类精度同时减少参数数量 | 提出了一种结合注意力机制的轻量级卷积框架ALNet，其核心分类器受ResNet、SENet、EfficientNet、SqueezeNet和ShuffleNet等预训练模型启发，参数数量仅为0.17百万，比最轻量模型SqueezeNet少18倍 | 未明确提及模型在更广泛植物病害数据集或实际田间环境中的泛化能力测试 | 开发一个高精度、轻量化的模型，用于植物叶片病害的细粒度分类，便于在云平台和边缘设备上部署 | 植物叶片病害图像，具体包括葡萄、苹果和樱桃的病害叶片 | 计算机视觉 | 植物病害 | 深度学习，图像分类 | CNN | 图像 | 使用了三个不同的数据集，具体样本数量未在摘要中明确说明 | 未明确提及，推断可能为PyTorch或TensorFlow | ALNet（自定义架构，包含stem、core和head三个主要模块） | 准确率 | 未明确提及具体GPU或云平台，但提到模型易于部署在云平台和边缘设备 |
| 827 | 2026-02-25 |
Bayesian Inference of Gene Regulatory Networks at Stochastic Steady State
2026-Jan-12, bioRxiv : the preprint server for biology
DOI:10.64898/2026.01.10.698684
PMID:41659677
|
研究论文 | 本文提出了一种基于化学朗之万方程和贝叶斯推断的新方法，用于在随机稳态下推断基因调控网络的结构和动力学参数 | 该方法首次将化学朗之万方程作为基因表达动力学模型，结合正则化马蹄先验，在无需观测瞬态动力学的情况下推断调控网络 | 方法仅在合成基因表达数据上进行了评估，尚未在真实生物数据上验证 | 推断基因调控网络的结构和动力学参数，以理解生物系统和设计靶向疗法 | 基因调控网络 | 机器学习 | NA | NA | 贝叶斯模型 | 合成基因表达数据 | NA | NA | NA | NA | NA |
| 828 | 2026-02-25 |
Seizure detection using ultra-long-term subcutaneous electroencephalography: A deep learning CNN-BiLSTM approach
2026-Jan, Epilepsia
IF:6.6Q1
DOI:10.1111/epi.18652
PMID:41056137
|
研究论文 | 本研究开发并验证了一种用于双通道皮下脑电图记录的深度学习癫痫发作检测算法 | 采用CNN-BiLSTM混合算法处理超长期皮下脑电图数据，实现了高灵敏度与低误报率的癫痫自动检测 | 研究样本量较小（16名患者），且数据来自三个中心可能存在异质性 | 开发适用于超长期皮下脑电图监测的自动癫痫发作检测算法 | 癫痫患者的皮下脑电图记录 | 机器学习 | 癫痫 | 皮下脑电图记录 | CNN, BiLSTM | 脑电图信号 | 16名患者的皮下脑电图数据，中位记录时间63天 | NA | CNN-BiLSTM混合架构（九层网络） | AUROC, AUPRC, 灵敏度, 每日误报次数 | NA |
| 829 | 2026-02-25 |
Quantitative analysis of studies that use artificial intelligence on spinal diseases: A bibliometric analysis
2026 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076261415846
PMID:41732181
|
综述 | 本文通过文献计量学分析评估了人工智能在脊柱疾病领域的研究进展与未来方向 | 首次对2006年至2025年间人工智能在脊柱疾病领域的文献进行全面计量分析，识别出研究热点和合作网络 | 分析基于Web of Science数据库，可能未涵盖所有相关文献；且主要依赖定量分析，缺乏对研究质量的深度评估 | 评估人工智能在脊柱疾病领域的研究现状、热点及未来发展方向 | 734篇关于脊柱疾病与人工智能的学术论文 | 机器学习 | 脊柱疾病 | 文献计量分析 | NA | 文献元数据 | 734篇论文 | CiteSpace, VOSviewer, Bibliometrix Online Analysis Platform | NA | NA | NA |
| 830 | 2026-02-24 |
CyclicMPNN: Stable Cyclic Peptide Sequence Generation
2026-Jan-31, bioRxiv : the preprint server for biology
DOI:10.64898/2026.01.31.702993
PMID:41659625
|
研究论文 | 本文提出了一种名为CyclicMPNN的深度学习模型，用于设计能量稳定的环肽序列 | 通过微调ProteinMPNN模型，结合X射线晶体结构和生成的环肽数据，提升了环肽序列设计的成功率 | 仅使用标准氨基酸，可能未考虑非标准氨基酸或复杂修饰的影响 | 开发一种高效设计能量稳定环肽序列的方法，以加速治疗性环肽的研发 | 环肽序列及其三维结构 | 机器学习 | NA | X射线晶体结构分析 | 深度学习模型 | 蛋白质结构数据 | 结合了Protein Data Bank的X射线晶体结构和生成的环肽数据 | NA | ProteinMPNN | 折叠成功率 | NA |
| 831 | 2026-02-24 |
Predicting functional topography of the human visual cortex from cortical anatomy at scale
2026-Jan-30, bioRxiv : the preprint server for biology
DOI:10.1101/2025.11.27.690210
PMID:41394692
|
研究论文 | 本研究开发了一种基于深度学习的应用，仅从皮层解剖结构预测人类视觉皮层的功能地形组织 | 首次提出仅依靠皮层解剖结构即可预测个体特异性功能地形图的方法，克服了传统功能神经成像资源密集或群体图谱个体精度不足的局限 | 未明确说明模型在不同病理状态或异常解剖结构下的泛化能力 | 开发可扩展的、基于解剖学的功能性脑图谱绘制方法 | 人类视觉皮层 | 机器学习 | NA | 深度学习 | 深度学习模型 | 解剖扫描图像 | 11,060例解剖扫描 | NA | NA | NA | NA |
| 832 | 2026-02-24 |
BEACON: predicting side effects and therapeutics outcomes to drugs by Bridging knowlEdge grAph with CONtextual language model
2026-Jan-30, bioRxiv : the preprint server for biology
DOI:10.64898/2026.01.29.702277
PMID:41659468
|
研究论文 | 本文提出了一种名为BEACON的框架，通过将知识图谱转化为可被语言模型处理的上下文句子表示，以预测药物的副作用和治疗效果 | BEACON将生物医学知识图谱转化为上下文句子表示，通过可见性矩阵确保注意力模式尊重图谱拓扑结构，并引入基于扰动的评估模块以增强可解释性 | 未明确提及 | 预测药物的副作用和治疗效果，提升生物医学知识图谱在预测任务中的准确性和可解释性 | 药物、蛋白质、通路、疾病及其相互关系 | 自然语言处理 | 癌症 | 知识图谱、语言模型 | 语言模型 | 结构化知识图谱数据 | 未明确提及 | 未明确提及 | 未明确提及 | AUROC, Spearman ρ | 未明确提及 |
| 833 | 2026-02-24 |
Gene-centered representation of coding and regulatory variation enables outcome prediction
2026-Jan-29, bioRxiv : the preprint server for biology
DOI:10.64898/2026.01.27.701808
PMID:41659682
|
研究论文 | 本文介绍了一个名为Volaria的计算框架，用于整合编码和调控遗传变异，以基因中心表示预测疾病结局 | Volaria框架首次将编码和非编码变异整合为统一的、细胞类型特异性的基因中心表示，用于全基因组测序的疾病结局预测，超越了传统的群体多基因风险评分和非结构化表示 | NA | 开发一个计算框架，整合编码和调控遗传变异，以预测罕见肾小球疾病的个体结局 | 罕见肾小球疾病患者的全基因组测序数据 | 功能基因组学 | 肾小球疾病 | 全基因组测序 | 深度学习模型 | 基因组序列数据 | NA | NA | NA | NA | NA |
| 834 | 2026-02-24 |
Unraveling heterogeneity in LUAD via multi-omics integration: molecular classification and therapeutic implications
2026-Jan-29, Discover oncology
IF:2.8Q2
DOI:10.1007/s12672-026-04498-z
PMID:41609946
|
研究论文 | 本研究通过整合多组学数据对肺腺癌进行分子分型，并开发基于病理图像的深度学习模型进行预测 | 采用十种聚类算法整合多组学数据，识别出三种具有显著生物学异质性的分子亚型，并首次结合病理图像与深度学习技术开发快速、经济的多实例预测模型 | 研究基于特定数据库（CPTAC、TCGA-LUAD、GSE50081）的数据，可能无法完全代表所有肺腺癌人群的异质性，且深度学习模型的临床适用性仍需进一步外部验证 | 系统阐明肺腺癌的分子异质性，建立临床相关的分子分类系统，并为个性化治疗提供理论基础 | 肺腺癌（LUAD）患者的多组学数据（基因组、转录组、蛋白质组）及病理图像 | 数字病理学 | 肺癌 | 质谱蛋白质组学、多组学整合分析 | 深度学习模型 | 多组学数据（基因组、转录组、蛋白质组）、病理图像 | 来自CPTAC、TCGA-LUAD和GSE50081队列的肺腺癌样本 | NA | NA | NA | NA |
| 835 | 2026-02-22 |
Prediction of oil yield in sunflower using deep learning regression algorithm under normal and drought stress conditions
2026-Jan-29, BMC plant biology
IF:4.3Q1
DOI:10.1186/s12870-026-08110-y
PMID:41612187
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 836 | 2026-02-22 |
Multimodal deep learning using preoperative CT and ultrasound for recurrence risk prediction in high-grade serous ovarian carcinoma
2026-Jan-29, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-026-02192-8
PMID:41612257
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 837 | 2026-02-24 |
Connectome of a human foveal retina
2026-Jan-28, bioRxiv : the preprint server for biology
DOI:10.1101/2025.04.05.647403
PMID:40799563
|
研究论文 | 本研究利用基于深度学习的分割技术，在纳米级分辨率下重建了人类中央凹视网膜的所有细胞和突触连接，揭示了其独特的神经环路特征 | 首次通过深度学习分割技术，在纳米级分辨率下重建了人类中央凹视网膜的完整连接组，发现了非人类灵长类动物中不存在的突触通路，并识别出仅11种视觉通路，其中5种高密度视网膜神经节细胞通路占中央凹输出的95%以上 | 研究仅基于一个人类中央凹视网膜样本，可能无法完全代表所有个体或种群的变异 | 获取人类中枢神经系统结构的第一个完整连接组，以理解人类视觉处理的基础神经环路 | 人类中央凹视网膜的细胞和突触连接 | 计算机视觉 | NA | 深度学习分割 | NA | 图像 | 一个人类中央凹视网膜样本，包含约3,000个细胞 | NA | NA | NA | NA |
| 838 | 2026-02-24 |
A deep learning radiopathomic signature predicts recurrence risk of hepatocellular carcinoma after hepatectomy
2026-Jan-22, Communications biology
IF:5.2Q1
DOI:10.1038/s42003-026-09571-5
PMID:41571762
|
研究论文 | 本研究开发了一种深度学习放射病理学特征，融合CT图像和病理全切片图像的深度特征，用于预测肝细胞癌患者肝切除术后复发风险 | 首次提出深度学习放射病理学特征，融合多模态影像与病理数据，显著提升复发风险预测性能，并揭示了其与Wnt/β-catenin信号通路和肿瘤免疫浸润的生物学关联 | 样本量相对有限，外部验证队列来自单一数据库，未涉及多中心前瞻性验证 | 预测肝细胞癌患者肝切除术后复发风险，以促进个体化精准治疗 | 肝细胞癌患者 | 数字病理 | 肝细胞癌 | CT成像，全切片图像分析 | 深度学习模型 | 图像 | 599名患者（训练队列272人，内部测试120人，外部测试174人，TCGA队列33人） | NA | NA | C-index | NA |
| 839 | 2026-02-24 |
Homogenization of Northern Belgian landscapes through centuries of reclamation, agricultural transition, and urbanization
2026-Jan-21, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-68594-y
PMID:41565659
|
研究论文 | 本研究利用深度学习图像分割技术量化了比利时北部1774年至2022年的历史土地利用变化，识别了景观转型的三个主要驱动因素 | 首次将GeoAI（地理人工智能）应用于历史地图的瓦片分割，生成高分辨率、全覆盖的历史土地利用地图，以量化长期景观转型的幅度和速率 | 研究仅聚焦于比利时北部地区（13,800平方公里），可能无法代表其他地理或文化背景下的景观变化模式 | 量化长期历史土地利用变化，识别景观转型的驱动因素，并评估景观同质化过程 | 比利时北部地区的土地利用变化，包括森林、荒地、沼泽、潮间带、草地、果园、耕地和城市用地 | 计算机视觉 | NA | 深度学习图像分割 | NA | 历史地图瓦片图像 | 覆盖比利时北部13,800平方公里的历史地图瓦片数据 | NA | NA | NA | NA |
| 840 | 2026-02-24 |
Quality assessment of RNA 3D structure models using deep learning and intermediate 2D maps
2026-Jan-21, Communications biology
IF:5.2Q1
DOI:10.1038/s42003-026-09582-2
PMID:41565789
|
研究论文 | 本文提出了一种基于深度学习的RNA三维结构模型质量评估方法RNArank，通过预测中间二维图谱来评估局部和全局准确性 | 首次将Y形残差神经网络与多模态特征提取相结合，通过预测核苷酸间接触图和距离偏差图这两个中间二维图谱来进行RNA 3D结构质量评估 | 未明确说明方法在计算资源消耗方面的具体表现，也未讨论对非常规RNA结构的适用性 | 开发准确评估预测RNA三维结构模型质量的深度学习方法 | RNA三维结构模型 | 计算生物学，结构生物信息学 | NA | RNA三维结构预测，深度学习质量评估 | 深度学习，残差神经网络 | RNA三维结构坐标，多模态特征 | CASP15和CASP16实验目标的结构模型 | NA | Y形残差神经网络 | 局部准确性，全局准确性 | NA |