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 1920 篇文献，本页显示第 1161 - 1180 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1161 | 2026-01-18 |
Comment on "Deep Learning Denoising Algorithm for Improved Assessment of Coronary Arteries in Transcatheter Aortic Valve Implantation CT Imaging"
2026-Jan-15, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.12.053
PMID:41545256
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1162 | 2026-01-18 |
Automated Gross Tumor Volume (GTV) Contouring in High-Grade Gliomas Using a Deep Learning Approach
2026-Jan-15, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.12.046
PMID:41545259
|
研究论文 | 本研究提出了一种基于深度学习的自动分割方法，用于高分级胶质瘤的肿瘤大体靶区勾画 | 采用改进的3D U-Net架构，并利用多序列磁共振成像数据进行训练，以实现高精度、自动化的肿瘤靶区勾画 | 研究数据来源于特定公开挑战赛数据集，可能无法完全代表所有临床场景的多样性 | 开发一种自动、准确的肿瘤大体靶区勾画方法，以支持放射治疗规划并提高临床工作效率 | 高分级胶质瘤患者的磁共振成像数据 | 数字病理学 | 脑肿瘤 | 多序列磁共振成像 | CNN | 图像 | 469名受试者 | NA | 3D U-Net | Dice相似系数, 95百分位Hausdorff距离 | NA |
| 1163 | 2026-01-18 |
Joint processing technology of laser radar and optical image for power distribution
2026-Jan-14, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-31565-2
PMID:41530215
|
研究论文 | 本文提出了一种结合激光雷达和光学图像的多模态深度特征混合深度学习模型，用于配电网络中的故障识别与定位 | 创新点在于整合了激光雷达、光学图像和传感器数据，并采用卡尔曼滤波增强特征融合，结合决策树优化分类结果，实现了高精度和低计算复杂度的故障管理 | NA | 研究目的是提高配电网络中故障识别与定位的准确性和效率 | 研究对象是配电网络中的故障 | 机器学习 | NA | 激光雷达、光学成像 | 深度学习 | 图像、传感器数据 | NA | Python | 多模态深度特征混合深度学习模型 | 准确率、精确率、召回率、F1分数、推理时间 | NA |
| 1164 | 2026-01-18 |
Pixel-level Radiomics and Deep Learning for Predicting Ki-67 Expression in Breast Cancer Based on Dual-modal Ultrasound Images
2026-Jan-14, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.12.047
PMID:41539915
|
研究论文 | 本研究开发了一种基于双模态超声图像和像素级放射组学特征的深度学习模型，用于预测乳腺癌中Ki-67的表达水平 | 提出了一种结合像素级放射组学特征图和Vision-Mamba深度学习架构的新方法，用于从二维超声和应变弹性成像图像中预测Ki-67表达，并整合了临床数据以提高预测性能 | 未明确说明模型在更广泛人群或不同设备采集图像上的泛化能力，以及计算资源需求的具体细节 | 开发一个深度学习模型，以预测乳腺癌中的Ki-67表达，辅助临床个体化治疗决策 | 乳腺癌患者 | 数字病理学 | 乳腺癌 | 二维超声成像，应变弹性成像 | 深度学习 | 图像 | 1031名乳腺癌患者（训练集616，内部验证集265，外部测试集150），外加63名前瞻性验证患者 | NA | Vision-Mamba | AUC，校准曲线，决策曲线分析 | NA |
| 1165 | 2026-01-18 |
Single-shot matrix-matrix photonic processor based on spatial-spectral hypermultiplexed parallel diffraction
2026-Jan-13, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-68452-x
PMID:41530160
|
研究论文 | 本文介绍了一种基于空间-光谱超多路复用的并行衍射单次矩阵-矩阵光子处理器，用于高效光学计算 | 提出了一种空间-波长-时间超多路复用的光学神经网络处理器，支持高三维数据、高O(N)计算并行性，并实现了大规模单次矩阵-矩阵乘法 | 未在摘要中明确提及 | 开发高速、高能效的大规模光学计算硬件，以加速卷积神经网络和深度神经网络 | 光学神经网络处理器及其在图像识别中的应用 | 机器学习 | NA | 并行衍射光束路由 | CNN, DNN | 图像 | NA | NA | NA | 分类准确率 | NA |
| 1166 | 2026-01-18 |
Improving rectal tumor segmentation with anomaly fusion derived from anatomical inpainting: a multicenter study
2026-Jan-13, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-14265-9
PMID:41530192
|
研究论文 | 本研究通过引入基于解剖修复的异常图融合，改进了直肠肿瘤的MRI分割，并在多中心数据集上验证了其有效性 | 提出了一种利用解剖修复生成异常图的方法，并将其作为额外输入通道融合到肿瘤分割任务中，以提高分割精度和模型鲁棒性 | 研究主要基于T2加权图像，未探索其他MRI序列或模态，且异常图的生成依赖于特定训练数据 | 改进直肠肿瘤的自动分割精度，并增强模型在多中心数据上的泛化能力 | 直肠肿瘤区域及其周围的直肠解剖结构（如直肠和直肠系膜） | 数字病理 | 直肠癌 | 磁共振成像（MRI），具体为T2加权成像（T2WI） | U-Net, nnUNet | 图像 | 705例术前T2WI多中心数据集 | NA | U-Net, nnUNet | NA | NA |
| 1167 | 2026-01-18 |
SegJointGene: joint cell segmentation and spatial gene prioritization by information entropy guided convolutional neural networks
2026-Jan-13, bioRxiv : the preprint server for biology
DOI:10.64898/2026.01.08.698474
PMID:41542426
|
研究论文 | 提出了一种名为SegJointGene的深度学习框架，通过整合细胞核图像与空间基因/蛋白表达数据，联合执行细胞分割和空间基因优先级排序 | 开发了信息熵引导的卷积神经网络和计算信息丢弃评分机制，能够识别对细胞类型特异性分割重要的基因，并迭代优化基因优先级和细胞边界 | 未明确说明模型在极低分辨率或噪声极高数据上的性能，也未讨论计算复杂度对大规模数据集的应用限制 | 提高复杂组织中细胞分割的准确性，并识别与空间组织相关的关键基因 | 小鼠海马体、全脑不同区域的空间转录组数据，以及人类扁桃体的空间蛋白质组数据 | 数字病理学 | NA | 空间转录组学, 空间蛋白质组学 | CNN | 图像, 基因表达数据, 蛋白质表达数据 | 多个真实空间数据集（具体数量未明确说明） | NA | 信息熵引导的卷积神经网络 | 分子信号分配到细胞边界的准确率 | NA |
| 1168 | 2026-01-18 |
A Comparative Study of Deep Learning and Classical Modeling Approaches for Protein-Ligand Binding Pose and Affinity Prediction in Coronavirus Main Proteases
2026-Jan-12, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c02481
PMID:41429653
|
研究论文 | 本研究比较了深度学习和经典建模方法在冠状病毒主要蛋白酶中蛋白质-配体结合构象和亲和力预测方面的性能 | 首次系统评估了多种结合构象生成策略（包括分子对接、配体叠加和深度学习建模）在冠状病毒主要蛋白酶上的表现，并开发了一种结合分子力学能量分解与机器学习算法的结合亲和力评分方法LRIP-SF | 研究主要针对SARS-CoV-2和MERS-CoV的主要蛋白酶，可能无法直接推广到其他病毒靶点；深度学习模型的计算成本较高 | 比较不同方法在蛋白质-配体结合构象和亲和力预测中的准确性，并开发更精确的亲和力预测模型 | SARS-CoV-2和MERS-CoV的主要蛋白酶（Mpro）及其配体 | 机器学习 | 冠状病毒感染 | 分子对接、配体叠加、深度学习建模、分子力学广义玻恩表面积能量分解 | 深度学习模型、机器学习算法 | 蛋白质-配体复合物结构数据 | 来自ASAP Antiviral Challenge 2025的数据集，具体样本数量未明确说明 | NA | AlphaFold3, Boltz-2, DiffDock, Gnina | 成功率、配体均方根偏差、平均绝对误差、均方根误差 | NA |
| 1169 | 2026-01-18 |
An online forecasting-based fine-tuning pipeline for time-series anomaly prediction
2026-Jan-10, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2026.108568
PMID:41544494
|
研究论文 | 本文提出了一种基于在线预测的微调管道，用于时间序列异常预测，旨在同时预测异常的发生和演变 | 引入了时间序列异常预测（TSAP）概念，提出了一种新颖的基于示例的预训练和微调管道，无需依赖真实标签数据 | 未明确说明在极端或罕见异常模式下的泛化能力，以及计算复杂度可能较高 | 解决现有方法无法预测未来异常的问题，专注于时间序列异常预测任务 | 时间序列数据 | 机器学习 | NA | 在线时间序列预测技术 | 深度学习模型 | 时间序列数据 | NA | NA | NA | F1分数，均方误差（MSE） | NA |
| 1170 | 2026-01-18 |
Point-Deeponet: Predicting nonlinear fields on non-Parametric geometries under variable load conditions
2026-Jan-09, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2026.108560
PMID:41544498
|
研究论文 | 本文提出了一种名为Point-DeepONet的算子学习代理模型，用于预测非参数几何体在可变载荷条件下的非线性物理响应场 | 将PointNet集成到DeepONet框架中，直接从原始点云学习几何表示，无需手动参数化，实现了对复杂非参数三维几何和方向变化载荷的高精度预测 | 未明确说明模型对极端几何形状或载荷条件的泛化能力，以及训练数据规模和多样性可能存在的限制 | 开发一种快速、高保真的结构分析代理模型，以替代耗时的有限元仿真，用于设计优化和实时控制 | 非线性结构分析中的三维位移和von Mises应力场 | 机器学习 | NA | NA | PointNet, DeepONet | 点云数据 | 大规模数据集（具体数量未明确说明） | NA | PointNet, DeepONet | 决定系数（R²） | NA |
| 1171 | 2026-01-18 |
Drug-target Affinity Prediction Based on Graph Transformer and Selfattention Mechanism Kinase-specific Drug-target Affinity Prediction with Graph Transformer and Self-Attention Fusion
2026-Jan-08, Current computer-aided drug design
IF:1.5Q3
|
研究论文 | 本研究提出了一种基于图Transformer和自注意力机制的新型深度学习框架GTDDTA，用于预测激酶特异性药物-靶标结合亲和力 | 首次将图Transformer与自注意力解码器结合，用于捕获药物和靶标图的全局拓扑依赖关系并动态加权关键相互作用特征，在激酶特异性DTA预测中实现了最先进的性能 | 2D图描述符无法编码立体化学信息（影响Davis数据集中32%的手性配体），显著增加了新支架的预测误差，且模型在化学空间泛化方面存在限制 | 解决激酶靶向药物-靶标结合亲和力预测中的特征整合不足和立体化学表示限制问题 | 激酶抑制剂药物分子及其靶标蛋白质 | 机器学习 | NA | 图结构转换（RDKit）、蛋白质接触图构建（Biopython、Pconsc4预测） | 图Transformer、自注意力机制 | 图结构数据（药物分子图、蛋白质接触图） | 激酶特异性数据集（Davis和KIBA），采用五折交叉验证 | NA | 图Transformer层、自注意力解码器 | MSE, CI, Pearson相关系数, r²m | NA |
| 1172 | 2026-01-18 |
Fold-switching proteins push the boundaries of conformational ensemble prediction
2026-Jan-08, ArXiv
PMID:41542156
|
研究论文 | 本文探讨了深度学习模型在预测蛋白质构象集合，特别是折叠转换蛋白方面的应用与局限性 | 聚焦于折叠转换蛋白作为测试案例，揭示了深度学习模型通过关联训练集结构来预测构象集合的局限性，并提出了方法成功或失败的使用场景 | 深度学习模型在预测构象集合时往往依赖于训练集结构，限制了其泛化能力，特别是在处理折叠转换蛋白时 | 开发计算方法来建模蛋白质构象集合，并识别新的折叠转换蛋白 | 折叠转换蛋白，这些蛋白质在细胞刺激下重塑其二级和/或三级结构并改变功能 | 机器学习 | NA | 深度学习 | 深度学习模型 | 蛋白质结构数据 | NA | NA | NA | NA | NA |
| 1173 | 2026-01-18 |
Simulation-based inference with deep learning suggests speed climbers combine innovation and copying to improve performance
2026-Jan-07, Proceedings. Biological sciences
DOI:10.1098/rspb.2025.1433
PMID:41537974
|
研究论文 | 本研究使用基于模拟的推断和深度学习，分析了速度攀岩运动中运动员如何结合创新与模仿来提升表现 | 首次将基于模拟的推断和基于智能体的模型应用于速度攀岩领域，量化了创新与模仿在运动表现演化中的相对贡献 | 模型可能未完全捕捉影响攀岩表现的所有因素，如运动员的心理状态和训练方法 | 探究速度攀岩运动中文化累积演化过程，特别是创新与模仿策略对表现提升的作用 | 速度攀岩运动员在标准化路线上的表现数据 | 机器学习 | NA | 基于模拟的推断，基于智能体的建模 | 深度学习模型 | 时间序列数据（比赛成绩），路线序列数据 | 2007年至2019年共12年的比赛时间数据，以及2012年至2019年世界锦标赛的真实路线序列 | NA | NA | NA | NA |
| 1174 | 2026-01-18 |
MegaPlantTF: a machine learning framework for comprehensive identification and classification of plant transcription factors
2026-Jan-02, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btaf678
PMID:41450215
|
研究论文 | 本文提出了一个名为MegaPlantTF的机器学习框架，用于植物转录因子的全面识别和家族级分类 | 首个结合k-mer蛋白质表示、深度前馈神经网络和堆叠集成分类器的两阶段架构，为大规模植物转录因子识别与分类提供了统一且可复现的框架 | 未明确说明框架在跨物种泛化能力或处理极罕见转录因子家族时的具体限制 | 开发一个高性能的机器学习框架，以解决植物转录因子检测和分类的挑战 | 植物转录因子 | 机器学习 | NA | k-mer蛋白质表示 | 深度前馈神经网络, 集成分类器 | 蛋白质序列数据 | NA | NA | 深度前馈神经网络, 堆叠集成 | 准确率, 精确率, 微平均, 宏平均, 加权平均 | NA |
| 1175 | 2026-01-18 |
Predicting Immunotherapy Outcomes in NSCLC Using RNA and Pathology from Multicenter Clinical Trials
2026-Jan, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202502037
PMID:41159493
|
研究论文 | 本研究开发了一个名为LIRA的基于RNA的模型，用于预测非小细胞肺癌患者的免疫治疗结果，并整合了病理图像分析 | 开发了新的多组学预测模型LIRA，其预测性能优于PD-L1表达和肿瘤突变负荷，并能识别与免疫治疗结果相关的关键基因（如LRP8和HDAC4）及病理图像中的关键区域 | 研究基于回顾性多中心临床试验数据，未来需要在前瞻性研究中进一步验证 | 预测非小细胞肺癌患者对免疫治疗的响应，识别可能无法获益的患者并探索联合治疗策略 | 晚期非小细胞肺癌患者 | 数字病理学 | 肺癌 | bulk RNA-seq, scRNA-seq | 随机森林, 深度学习模型 | 转录组数据, 全切片病理图像 | 1127名晚期NSCLC患者（来自OAK、POPLAR、ORIENT-11多中心随机临床试验及内部队列） | NA | NA | 风险比, 95%置信区间 | NA |
| 1176 | 2026-01-18 |
Super Time-Resolved Tomography
2026-Jan, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202511933
PMID:41164925
|
研究论文 | 本文介绍了一种名为超时间分辨断层扫描（STRT）的新方法，旨在通过深度学习算法提升X射线断层扫描的时间分辨率 | STRT利用4D深度学习重建算法，从显著减少的角范围（几度）中重建高保真3D图像，相比传统断层扫描的0-180°，时间分辨率提升至少一个数量级 | 未在摘要中明确提及具体限制 | 提升X射线时间分辨断层扫描（断层摄影术）的时间分辨率，以支持原位和操作中的4D表征 | 液滴碰撞模拟和增材制造过程 | 计算机视觉 | NA | X射线时间分辨断层扫描（断层摄影术） | 深度学习 | X射线断层扫描图像 | NA | NA | NA | NA | NA |
| 1177 | 2026-01-18 |
BoneVisionNet: A deep learning approach for the classification of bone tumours from radiographs using a triple fusion attention network of transformer and CNNs with XAI visualizations
2026-Jan, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society
IF:5.4Q1
|
研究论文 | 本文提出了一种名为BoneVisionNet的深度学习架构，用于从X射线图像中自动分类骨肿瘤 | 首次应用三重融合注意力网络（结合Transformer和CNN）进行骨肿瘤分类，并集成了XAI可视化技术以增强模型决策的透明度 | NA | 开发一个准确且自动化的深度学习模型，以辅助医疗专业人员诊断骨肿瘤 | 骨肿瘤的X射线图像 | 计算机视觉 | 骨肿瘤 | X射线成像 | CNN, Transformer | 图像 | BTXRD数据集 | NA | Convolution-Enhanced Image Transformer, Global Context Block, Attention Boosted Mid-Level Feature Extraction Network, DenseNet-169, Efficient Channel Attention | 准确率 | NA |
| 1178 | 2026-01-18 |
Machine learning and deep learning in clinical practice: Advancing neurodegenerative disease diagnosis with multimodal markers
2026-Jan, Brain research bulletin
IF:3.5Q2
|
综述 | 本文综述了机器学习和深度学习在利用多模态生物标志物诊断和管理神经退行性疾病方面的当前应用、优势、局限性及未来方向 | 系统性地探讨了将ML应用于神经影像学、电生理学、行为功能、言语与笔迹分析及分子生物标志物等多模态数据以提升诊断准确性的新机遇，并展望了多模态融合、联邦学习、可解释AI和大语言模型等新兴方向 | 面临数据异质性、模型可解释性不足、人群多样性有限以及患者隐私相关的伦理问题等挑战 | 旨在审查ML在神经退行性疾病诊断与管理中的当前应用，并讨论其在临床实践中的未来方向 | 神经退行性疾病，包括阿尔茨海默病、帕金森病、亨廷顿病和多发性硬化症 | 机器学习 | 神经退行性疾病 | NA | NA | 多模态数据（神经影像、电生理、行为功能、言语与笔迹分析、分子生物标志物） | NA | NA | NA | NA | NA |
| 1179 | 2026-01-18 |
Beyond convolutions and supervised learning with transformers and representation learning for retinal image analysis
2026-Jan, Progress in retinal and eye research
IF:18.6Q1
DOI:10.1016/j.preteyeres.2025.101419
PMID:41352580
|
综述 | 本文综述了视网膜图像分析领域从卷积神经网络和全监督学习向无标签表示学习及视觉Transformer转变的最新进展 | 聚焦于无标签表示学习方法和视觉Transformer在视网膜图像分析中的应用，超越了传统卷积神经网络和全监督学习的局限 | 作为综述文章，未提出新的实验方法或模型，主要依赖现有文献进行总结 | 总结视网膜图像分析领域从监督学习向无标签表示学习及视觉Transformer转变的技术进展 | 视网膜图像分析技术 | 计算机视觉 | 视网膜疾病 | NA | Transformer, CNN | 图像 | NA | NA | 视觉Transformer | NA | NA |
| 1180 | 2026-01-18 |
Simultaneous attenuation and scatter correction of PET data in the image: quantitative and clinical assessment of image-to-image deep learning models
2026-Jan, Physica medica : PM : an international journal devoted to the applications of physics to medicine and biology : official journal of the Italian Association of Biomedical Physics (AIFB)
DOI:10.1016/j.ejmp.2025.105683
PMID:41353875
|
研究论文 | 本研究使用深度学习模型（UNET和CGAN）将脑部PET/CT图像中的非衰减散射校正图像转换为测量衰减散射校正图像，以定量和临床评估其性能 | 首次在脑部PET图像中应用图像到图像的深度学习模型（UNET和CGAN）直接进行同时的衰减和散射校正，无需CT数据，并进行了全面的定量（包括放射组学特征）和临床评估 | 研究仅针对癫痫患者的脑部18F-FDG PET/CT图像，样本量为125例，可能限制了模型的泛化能力；未明确提及计算资源的具体配置 | 开发并评估深度学习模型，用于脑部PET图像的衰减和散射校正，以在CT不可用时提高图像质量 | 125名被诊断为癫痫障碍患者的脑部PET/CT（18F-FDG）图像 | 医学影像分析 | 癫痫 | PET/CT成像，18F-FDG示踪剂 | CNN, GAN | 图像 | 125例患者 | NA | UNET, CGAN | 峰值信噪比, 结构相似性指数, 均方根误差 | NA |