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 1501 - 1520 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1501 | 2026-01-19 |
Benchmarking Machine Learning Algorithms for Microbial Electromethanogenesis: A Comprehensive Assessment with SHapley Additive exPlanation-Based Insights
2026-Jan-12, ACS sustainable chemistry & engineering
IF:7.1Q1
DOI:10.1021/acssuschemeng.5c09770
PMID:41541636
|
研究论文 | 本文系统比较了七种监督机器学习算法在微生物电产甲烷过程中的预测性能，并利用SHAP进行特征重要性分析 | 首次将1D-CNN应用于微生物电产甲烷的预测，并结合SHAP解释模型以揭示影响生物甲烷生产的关键因素 | 未提及模型在外部验证集上的泛化能力或数据集的规模限制 | 评估机器学习算法在预测微生物电产甲烷性能方面的能力，并提供机制性见解 | 微生物电产甲烷生物电化学系统 | 机器学习 | NA | 实验数据收集 | 1D-CNN, MLP, GBR, AdaBoost, stacking regressors, kNN | 数值数据（操作参数） | NA | NA | 1D-CNN | R² | NA |
| 1502 | 2026-01-19 |
On scientific foundation models: Rigorous definitions, key applications, and a comprehensive survey
2026-Jan-11, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2026.108567
PMID:41547123
|
综述 | 本文对科学基础模型进行了严格定义、分类，并对其在各个科学领域的应用进行了全面调研 | 首次为科学基础模型提出了包含充分条件和必要条件的严格定义，并基于模型架构、学习目标和训练策略提出了分类法 | 模型在极端条件下的物理一致性、可解释性和鲁棒性仍面临挑战，计算需求大且缺乏标准化基准 | 定义科学基础模型并调研其在多科学领域的应用、挑战及未来研究方向 | 科学基础模型 | 机器学习 | NA | 大规模预训练、深度学习 | 基础模型 | 多领域科学数据 | NA | NA | NA | NA | NA |
| 1503 | 2026-01-19 |
A comparative study of loss functions and attention mechanisms in landslide semantic segmentation using U-Net
2026-Jan-07, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-31789-2
PMID:41501220
|
研究论文 | 本研究通过比较不同损失函数和注意力机制，探索了基于U-Net的滑坡语义分割方法，利用多模态数据提升滑坡检测性能 | 在U-Net基线模型中引入注意力机制以优化像素级预测，并系统评估多种损失函数对性能的影响 | 研究仅使用单一数据集（Bijie滑坡数据集），未在其他地理区域或不同分辨率数据上进行验证 | 改进滑坡检测的识别精度和分割性能 | 滑坡区域 | 计算机视觉 | NA | 卫星影像分析，数字高程模型（DEM） | CNN | 图像，多模态数据（卫星图像、DEM数据、真实掩码） | Bijie滑坡数据集（具体样本数量未说明） | NA | U-Net | 精确率，召回率，F1分数，准确率，平均交并比（mIoU），曲线下面积（AUC） | NA |
| 1504 | 2026-01-19 |
A comprehensive survey of genome language models in bioinformatics
2026-Jan-07, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf724
PMID:41537311
|
综述 | 本文全面综述了基因组语言模型在生物信息学中的发展、架构、训练策略、评估方法、下游任务及未来挑战 | 将DNA和RNA序列概念化为生物文本，利用大语言模型技术识别复杂基因组语法和远距离调控相互作用，克服传统深度学习方法在基因组序列表征上的局限性 | 面临数据稀缺性、模型可解释性以及基因组建模的计算需求高等挑战 | 综述基因组语言模型在生物信息学领域的应用、方法学及未来发展方向 | DNA和RNA序列 | 自然语言处理, 生物信息学 | NA | 基因组语言模型 | Transformer, Hyena卷积, 状态空间模型 | 基因组序列 | NA | NA | Transformer, Hyena, 状态空间模型 | 监督学习, 零样本学习, 少样本学习 | NA |
| 1505 | 2026-01-19 |
Artificial intelligence in mitotic checkpoint modeling: transforming our understanding of cellular division through machine learning and predictive biology
2026-Jan-07, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbaf729
PMID:41537307
|
综述 | 本文综述了人工智能在细胞有丝分裂检查点建模中的应用，通过机器学习和预测生物学方法，改变了我们对细胞分裂的理解 | 利用Transformer架构预测纺锤体组装检查点参与度准确率超过95%，图神经网络在亚像素分辨率解码动粒-微管动力学，以及混合AI-机制模型揭示隐藏反馈回路 | NA | 通过人工智能方法，提升对有丝分裂检查点复杂非线性动力学的理解，并推动其在癌症等增殖性疾病精准医疗中的应用 | 细胞有丝分裂检查点网络，包括纺锤体组装检查点和动粒-微管动力学 | 机器学习和预测生物学 | 癌症等增殖性疾病 | 多组学数据整合 | Transformer, 图神经网络, 混合AI-机制模型 | 多组学数据 | NA | NA | Transformer, 图神经网络 | 准确率 | NA |
| 1506 | 2026-01-19 |
DynaRepo: the repository of macromolecular conformational dynamics
2026-Jan-06, Nucleic acids research
IF:16.6Q1
DOI:10.1093/nar/gkaf1130
PMID:41231767
|
研究论文 | 本文介绍了DynaRepo，一个包含约450个复合物和约270个单链蛋白质的分子构象动力学数据库，旨在支持基于动力学的深度学习研究 | 通过整合PDBbind、SAbDab和基准数据集，提供大规模分子动力学模拟数据，弥补了静态结构研究方法的不足，为动态行为分析提供了数据基础 | NA | 构建一个用于研究大分子构象动力学的数据库，以支持数据驱动的深度学习框架开发 | 蛋白质、RNA和DNA及其复合物，包括抗体-抗原识别、内在无序蛋白质和蛋白质-核酸结合等动态相互作用 | 计算生物学 | NA | 分子动力学模拟 | NA | 分子动力学模拟数据 | 约450个复合物和约270个单链蛋白质，每个复合物进行三次500纳秒模拟，总计超过1100微秒数据 | NA | NA | NA | NA |
| 1507 | 2026-01-19 |
Neurosymbolic AI Framework for Explainable Retinal Disease Classification From OCT Images
2026-Jan-05, Translational vision science & technology
IF:2.6Q2
DOI:10.1167/tvst.15.1.6
PMID:41533847
|
研究论文 | 提出了一种神经符号AI框架，用于从OCT图像中解释性分类视网膜疾病 | 将卷积神经网络与基于专家临床规则的符号推理层相结合，提高了诊断性能并提供了透明、临床可解释的决策 | 未明确提及 | 提高视网膜疾病分类的准确性和可解释性，以支持有效的治疗和临床决策 | 视网膜疾病，包括干性年龄相关性黄斑变性、湿性AMD、视网膜前膜、全层黄斑裂孔、板层黄斑裂孔和中心性浆液性脉络膜视网膜病变 | 计算机视觉 | 视网膜疾病 | 光学相干断层扫描 | CNN | 图像 | 10,846张OCT图像 | NA | CNN | 宏精确率, 召回率, F1分数 | NA |
| 1508 | 2026-01-19 |
Artificial intelligence-enabled electrocardiography from scientific research to clinical application
2026-Jan, EMBO molecular medicine
IF:9.0Q1
DOI:10.1038/s44321-025-00351-y
PMID:41326714
|
综述 | 本文综述了人工智能在心电图分析中的革命性应用，从科学研究到临床实践的转变 | AI-ECG能够直接从原始信号处理复杂高维数据，揭示传统方法常遗漏的模式，如无症状低射血分数和阵发性心房颤动的迹象 | NA | 探讨人工智能如何改进心电图在心血管诊断中的应用，包括诊断、风险分层和社区筛查 | 心电图数据及其在心血管疾病诊断中的应用 | 机器学习 | 心血管疾病 | 心电图 | 深度学习 | 信号数据 | NA | NA | NA | NA | NA |
| 1509 | 2026-01-19 |
Automated detection of chewing movements in videofluoroscopic swallowing studies using deep learning for landmark detection and motion analysis
2026-Jan-01, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2025.111361
PMID:41330067
|
研究论文 | 本研究提出首个全自动分析视频荧光吞咽研究中咀嚼相关下颌运动的流程 | 首次开发了用于视频荧光吞咽研究中咀嚼运动自动检测的全流程系统，整合了关键解剖点检测、视频分割和运动分类三个模块 | 未明确提及具体的数据集规模限制或算法在特定人群中的泛化性能 | 开发自动化工具以评估咀嚼功能，并支持将咀嚼分析整合到标准临床协议中 | 健康参与者和吞咽困难患者的视频荧光吞咽研究数据 | 计算机视觉 | 吞咽障碍 | 视频荧光吞咽研究 | 深度学习 | 视频 | 来自多项临床研究的数据集，包含健康参与者和吞咽困难患者 | NA | NA | NA | NA |
| 1510 | 2026-01-19 |
Clinical decisions in Orthodontics using x-ray-based images and artificial intelligence approaches: a scoping review
2026, Dental press journal of orthodontics
|
综述 | 本文是一篇范围综述，探讨了基于X射线图像和人工智能方法在正畸临床决策中的应用 | 系统性地回顾了AI在正畸诊断和治疗规划中的应用，特别是聚焦于X射线成像，并识别了AI在颞下颌关节骨关节炎、骨骼成熟度分类、阻塞性睡眠呼吸暂停和正颌手术需求等关键领域的最佳应用 | 仅纳入了截至2021年10月的英文文献，可能遗漏了最新研究或非英语文献 | 审查AI模型何时能增强正畸诊断和治疗规划中的临床决策过程 | 正畸领域的临床决策，特别是基于X射线图像的诊断和治疗规划 | 计算机视觉 | 正畸相关疾病 | X射线成像 | 深度学习 | X射线图像 | NA | NA | NA | NA | NA |
| 1511 | 2026-01-18 |
Recognition of Normal Fetal Echocardiograms Based on an Explainable Denoising Deep Learning Model
2026-Jan-17, Journal of clinical ultrasound : JCU
IF:1.2Q3
DOI:10.1002/jcu.70183
PMID:41546466
|
研究论文 | 本研究提出了一种基于可解释去噪深度学习模型GSCAViT，用于分类正常胎儿超声心动图 | 提出了新颖的去噪引导GSCA模块，结合Vision Transformer架构，提升了图像质量和模型可解释性 | 研究为回顾性研究，样本量相对有限（358例检查），未在外部验证集上广泛测试 | 评估GSCAViT模型在分类正常胎儿超声心动图方面的性能 | 胎儿心脏超声检查图像 | 计算机视觉 | 心血管疾病 | 超声心动图 | Vision Transformer | 图像 | 358例胎儿心脏超声检查，共2501张图像 | NA | GSCAViT (Grouped Shared Convolutional Attention Vision Transformer) | 准确率, 精确率, 召回率, F1分数, 对比噪声比, 峰值信噪比 | NA |
| 1512 | 2026-01-18 |
Bathymetry of the Philippine sea with convolution neural network from multisource marine geodetic data
2026-Jan-16, iScience
IF:4.6Q1
DOI:10.1016/j.isci.2025.114285
PMID:41541674
|
研究论文 | 本研究开发了一种基于深度学习的菲律宾海高分辨率水深预测方法，旨在利用多源海洋大地测量数据提高海底深度估计的准确性 | 通过整合多种辅助特征（如重力异常、海底坡度等）并采用卷积神经网络，显著提升了水深预测的精度，展示了深度学习在大规模、低成本海底测绘中的潜力 | NA | 提高菲律宾海高分辨率水深预测的准确性 | 菲律宾海的海底深度 | 计算机视觉 | NA | 多源海洋大地测量数据整合 | CNN | 地理坐标与多源地球物理数据 | 基于8×8弧分区域提取的训练点数据 | NA | 卷积神经网络 | 预测精度 | NA |
| 1513 | 2026-01-18 |
Order-Aware Deep Learning for Drug Combination Benefit Prediction in Cancer Cell Lines
2026-Jan-16, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2026.3650933
PMID:41543946
|
研究论文 | 本文提出了一种名为OrderCombo的新型顺序感知深度学习模型，用于预测癌症细胞系中药物的组合效益 | 提出了一种新颖的顺序感知深度学习模型，通过结合预训练的化学语言模型、组学导向的线性网络和混合编码器来提取药物和细胞系表征，并设计了顺序对比损失来促进判别性嵌入空间并保持类别顺序性 | NA | 加速治疗性药物组合的发现，预测癌症细胞系中药物的组合效益 | 药物组合和癌症细胞系 | 机器学习 | 癌症 | NA | 深度学习 | 化学数据、组学数据 | 大规模组合效益数据集 | NA | 混合编码器（结合基于连接和基于注意力的交互） | 预测准确率 | NA |
| 1514 | 2026-01-18 |
Highly Undersampled MRI Reconstruction via a Single Posterior Sampling of Diffusion Models
2026-Jan-16, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2026.3654585
PMID:41543953
|
研究论文 | 提出一种基于单步扩散模型的快速MRI重建框架SSDM-MRI，用于从高度欠采样的k空间数据中恢复图像 | 通过迭代选择性蒸馏算法和捷径反向采样策略，将扩散模型蒸馏为单步推理模型，显著缩短了重建时间 | 未明确说明模型在更广泛数据集或更高加速因子下的泛化能力 | 解决高加速因子下MRI图像重建质量下降和扩散模型推理时间长的问题 | MRI图像 | 医学影像重建 | NA | 扩散模型 | 条件扩散模型 | MRI图像 | 公开fastMRI脑部和膝盖图像数据集，以及内部多回波GRE（QSM）受试者数据 | NA | U-net | PSNR, SSIM | NA |
| 1515 | 2026-01-18 |
Learning-Based Multi-View Stereo: A Survey
2026-Jan-16, IEEE transactions on pattern analysis and machine intelligence
IF:20.8Q1
DOI:10.1109/TPAMI.2026.3654665
PMID:41543950
|
综述 | 本文对基于学习的多视图立体视觉（MVS）方法进行了全面综述 | 系统性地将基于学习的MVS方法分类为基于深度图、基于体素、基于NeRF、基于3D高斯泼溅和大规模前馈方法，并重点分析了主流方法 | 作为综述文章，不涉及具体实验验证，主要依赖现有文献和基准测试结果 | 综述基于学习的多视图立体视觉方法的研究进展、性能比较和未来方向 | 多视图立体视觉算法及其在3D重建中的应用 | 计算机视觉 | NA | 多视图立体视觉 | 深度学习 | 多视角图像 | NA | NA | NA | 基准测试性能 | NA |
| 1516 | 2026-01-18 |
Institution-specific pre-treatment quality assurance control and specification limits: a tool to implement a new formalism and criteria optimization using statistical process control and heuristic methods
2026-Jan-16, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ae399f
PMID:41544384
|
研究论文 | 本研究开发了一种基于统计过程控制和启发式方法的新形式化工具，用于优化VMAT预治疗质量保证的控制和规格限 | 提出了一种结合统计过程控制与启发式方法的新形式化框架，用于确定机构特定的控制和规格限，并开发了开源软件工具以促进临床实施 | 研究基于回顾性数据，可能未涵盖所有临床场景；高复杂度计划的严格标准临床可接受性需进一步验证 | 优化VMAT预治疗质量保证流程，通过建立机构特定的控制和规格限来提高计划复杂度的管理效率 | 350个VMAT治疗计划，涵盖脑部、前列腺、盆腔和头颈部等不同复杂度的治疗部位 | 医学物理与放射治疗 | NA | VMAT预治疗质量保证，伽马指数分析 | NA | 放射治疗计划数据 | 350个VMAT计划 | 自定义软件（基于统计过程控制和启发式方法） | NA | 伽马指数通过率，平均伽马指数 | NA |
| 1517 | 2026-01-18 |
Deep learning algorithm for semiquantification of spinal inflammation in axial spondyloarthritis
2026-Jan-16, RMD open
IF:5.1Q1
DOI:10.1136/rmdopen-2025-006403
PMID:41545311
|
研究论文 | 本研究开发了一种基于注意力U-Net的深度学习算法，用于对中轴型脊柱关节炎患者脊柱炎症进行半定量评估 | 利用注意力U-Net模型实现脊柱炎症的自动识别和定位，首次将深度学习应用于SPARCC评分的半定量分析 | 研究仅基于330名患者数据，未在外部验证集上测试模型泛化能力 | 开发深度学习算法对中轴型脊柱关节炎的脊柱炎症进行半定量评估 | 中轴型脊柱关节炎患者的脊柱MRI图像 | 数字病理学 | 脊柱关节炎 | MRI STIR序列 | CNN | 图像 | 330名参与者 | NA | 注意力U-Net | 灵敏度, 特异性, 准确率, Dice系数, ICC, Pearson系数 | NA |
| 1518 | 2026-01-18 |
Less Noise, More Confidence: Deep Learning Denoising Algorithm for Coronary Stenosis Assessment in pre-TAVI CT Imaging
2026-Jan-15, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.12.052
PMID:41545257
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1519 | 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 |
| 1520 | 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 |