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 2949 篇文献，本页显示第 1821 - 1840 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1821 | 2026-02-14 |
Validation of histopathology-based deep learning algorithms for detection of actionable non-small cell lung cancer biomarkers
2026-Jan-20, NPJ precision oncology
IF:6.8Q1
DOI:10.1038/s41698-025-01267-z
PMID:41554849
|
研究论文 | 本研究验证了基于组织病理学图像和深度学习算法检测非小细胞肺癌中EGFR、ALK、BRAF和MET等可操作生物标志物的性能 | 利用数字病理基础模型CanvOI 1.1直接从H&E染色组织切片中识别多种NSCLC生物标志物，特别是识别无EGFR或ALK驱动基因改变的肿瘤 | 研究未详细讨论模型在临床实践中的整合挑战或外部验证的广泛性 | 开发并验证深度学习工具以辅助NSCLC生物标志物检测，支持更明智的临床决策 | 非小细胞肺癌患者的H&E染色组织切片 | 数字病理 | 肺癌 | H&E染色组织病理学 | 深度学习分类器 | 图像 | 968个NSCLC样本的独立验证数据集 | NA | CanvOI 1.1（数字病理基础模型） | AUC | NA |
| 1822 | 2026-02-14 |
Deep learning analysis of particle content in extracted slow-release morphine: longer boiling reduces large fragments while retaining morphine extraction
2026-Jan-19, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-35870-2
PMID:41554914
|
研究论文 | 本研究评估了不同方法从缓释吗啡片中提取吗啡的效率及滤液中颗粒物含量，旨在为减少注射相关危害提供证据 | 首次结合深度学习和图像分析技术，系统量化了不同提取方法对滤液中颗粒物大小和密度的影响 | 研究仅针对特定品牌（Dolcontin）的60 mg片剂，未涵盖其他药物或剂量，且样本量有限 | 评估注射吸毒者常用的吗啡提取方法对颗粒物污染的影响，以支持减少危害的服务设计 | 从缓释吗啡片（Dolcontin 60 mg）提取的滤液 | 数字病理学 | NA | LC-MS/MS, 玻片扫描, 深度学习分割, QuPath图像分析 | 深度学习 | 图像 | 四种提取方法（A、B、C、D）的滤液样本 | NA | NA | 吗啡回收率, 颗粒物密度（按大小分类） | NA |
| 1823 | 2026-02-14 |
Integrating multiomics data using a correlation based graph attention network for subtype classification in lower grade glioma
2026-Jan-16, Discover oncology
IF:2.8Q2
DOI:10.1007/s12672-026-04428-z
PMID:41543639
|
研究论文 | 本研究提出了一种名为BioGAT-LGG的深度学习框架，通过基于相关性的图注意力网络整合多组学数据，用于低级别胶质瘤亚型分类和生物标志物发现 | BioGAT-LGG构建基因驱动的相关性图，无需依赖外部生物先验知识，能够学习有生物学意义的分子相互作用，提高了特征可解释性 | 未明确提及具体局限性 | 开发一个深度学习框架，整合多组学数据进行低级别胶质瘤亚型分类和生物标志物发现 | 低级别胶质瘤（LGG） | 机器学习 | 胶质瘤 | mRNA测序, miRNA测序, DNA甲基化测序 | GATv2 | 多组学数据 | 未明确提及具体样本数量 | 未明确提及 | GATv2 | 准确率, 精确率, 召回率, F1分数 | 未明确提及 |
| 1824 | 2026-01-18 |
Automated detection of giant cell arteritis from temporal artery biopsy specimens using deep learning approaches
2026-Jan-16, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-34962-9
PMID:41545410
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1825 | 2026-02-14 |
The peak shifting electricity consumption management and influencing factors of smart grid from recurrent neural network model and deep learning
2026-Jan-16, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-35754-5
PMID:41545555
|
研究论文 | 本研究利用循环神经网络模型和电力消耗管理模型，对智能电网中的峰谷转移电力消耗进行有效管理及影响因素分析 | 提出了一种基于循环神经网络的峰谷转移电力消耗管理方法，该方法在智能电网的应用与研究中具有突破性效果 | NA | 实现智能电网中峰谷转移电力消耗的有效管理并分析其影响因素 | 智能电网的电力消耗数据 | 机器学习 | NA | NA | RNN | 时间序列数据 | NA | NA | RNN | MSE, MAE, MAPE | NA |
| 1826 | 2026-01-18 |
Multiparametric MRI-based habitat analysis integrating deep learning and radiomics for predicting preoperative Ki-67 expression level in breast cancer
2026-Jan-16, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-026-02151-3
PMID:41545974
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1827 | 2026-02-14 |
Prospective study assessing the validity of accelerated 2D Fast Spin Echo (2D FSE) based high-resolution knee MRI and T2 mapping using deep learning reconstruction
2026-Jan-15, BMC musculoskeletal disorders
IF:2.2Q3
DOI:10.1186/s12891-025-09482-2
PMID:41540386
|
研究论文 | 本研究评估了使用深度学习重建的加速高分辨率2D快速自旋回波膝关节MRI和T2映射序列的图像质量与诊断性能 | 首次将深度学习重建技术应用于加速的2D FSE膝关节MRI协议，并结合T2映射序列，以在临床可行扫描时间内提供更高质量的图像和定量数据 | 样本量相对较小（92例患者），且为单中心研究，需要更大规模的多中心验证 | 评估深度学习重建加速的膝关节MRI协议在检测软骨病变方面的诊断性能 | 膝关节MRI图像，特别是软骨病变 | 医学影像分析 | 膝关节损伤 | 2D快速自旋回波MRI，T2映射序列，深度学习重建 | 深度学习重建模型 | MRI图像 | 92例患者，其中39例接受了T2映射和关节镜检查 | NA | NA | AUC, SNR, CNR, Cohen's κ, 受试者工作特征曲线 | 3.0T MRI扫描仪 |
| 1828 | 2026-02-14 |
DeBCR: a sparsity-efficient framework for image enhancement through a deep-learning-based solution to inverse problems
2026-Jan-12, Communications engineering
DOI:10.1038/s44172-025-00582-4
PMID:41526706
|
研究论文 | 本文提出了一种名为DeBCR的稀疏高效神经网络框架，用于解决显微成像中的逆问题，实现图像增强 | DeBCR框架通过稀疏高效的神经网络设计，在减少参数数量的同时，在去噪和解卷积任务中表现出更鲁棒的性能，并提供了模块化Python库和用户友好的Napari插件以提升可访问性 | NA | 开发一种计算效率高的深度学习解决方案，用于显微图像增强，以促进生物学发现 | 显微图像数据，涵盖先进光学显微镜的关键模态 | 计算机视觉 | NA | 深度学习 | 神经网络 | 图像 | 四个公开可用的数据集 | Python | NA | 去噪性能、解卷积性能 | NA |
| 1829 | 2026-02-14 |
Very-large-scale mimetic optogenetic synapses for physical reservoir computing
2026-Jan-10, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-68229-8
PMID:41519787
|
研究论文 | 本研究提出了一种利用自组织亚毫米级二硫化钨纳米管簇作为三维超大规模物理储层进行计算的方法 | 采用自组织二硫化钨纳米管簇构建超大规模物理储层，其尺寸和密度匹配果蝇大脑的突触数量，并模拟光遗传学突触连接，实现从单模态到多模态任务的广泛计算能力 | NA | 解决深度学习扩展定律带来的效率和可持续性挑战，开发面向下一代节能人工智能的先进计算架构 | 自组织亚毫米级二硫化钨纳米管簇作为物理储层 | 机器学习 | NA | 物理储层计算 | 物理储层 | 语音、图像、医学图像 | NA | NA | 三维超大规模物理储层 | NA | NA |
| 1830 | 2026-02-14 |
Phenotypic feature-based identification of tea geographical origin using lightweight deep learning
2026-Jan-09, NPJ science of food
IF:6.3Q1
DOI:10.1038/s41538-025-00690-7
PMID:41513663
|
研究论文 | 本研究提出了一种名为Origin-Tea的轻量级卷积神经网络，用于基于表型特征准确识别茶叶的地理来源 | 创新性地结合了深度可分离卷积与挤压-激励注意力机制，在高效捕捉细微表型变化的同时显著降低了计算成本 | 研究主要基于云南地区的云抗10号茶叶图像，模型在其他茶叶品种或更广泛地理区域的泛化能力有待进一步验证 | 开发一种高效、可解释的轻量级深度学习模型，用于茶叶地理来源的智能识别与溯源 | 云南七个不同地区采集的云抗10号茶叶的高分辨率RGB图像 | 计算机视觉 | NA | 高分辨率RGB图像采集 | CNN | 图像 | 900张训练图像（来自七个地区）和1788张独立测试图像（来自四个村庄） | NA | Origin-Tea（结合深度可分离卷积和SE注意力机制的自定义轻量架构） | 总体准确率, Kappa系数 | NA |
| 1831 | 2026-02-14 |
Automated video-based differentiation of sleep-related hypermotor epilepsy and parasomnia episodes
2026-Jan-08, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-025-02326-2
PMID:41507468
|
研究论文 | 本研究评估了基于SlowFast深度学习模型，利用视频记录自动区分睡眠相关运动性癫痫、觉醒障碍和快速眼动睡眠行为障碍 | 首次应用SlowFast深度学习模型于视频数据，实现睡眠相关运动事件的自动化分类，为临床评估提供辅助工具 | 研究样本量相对较小（167人），模型性能有待在更大数据集上验证，且未提及跨中心或外部验证结果 | 开发自动化工具以辅助临床医生区分睡眠相关运动性癫痫与异态睡眠（如觉醒障碍、快速眼动睡眠行为障碍） | 167名个体的视频记录，涵盖睡眠相关运动性癫痫、觉醒障碍和快速眼动睡眠行为障碍患者 | 计算机视觉 | 癫痫 | 视频记录分析 | 深度学习 | 视频 | 167名个体 | PyTorch | SlowFast | 准确率 | NA |
| 1832 | 2026-02-14 |
Labeled photovoltaic installations for orthographic aerial imagery in Queens, New York
2026-Jan-06, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-025-06523-2
PMID:41495074
|
研究论文 | 本文提供了一个在纽约皇后区2018年航拍图像中手动标注的光伏安装位置数据集，用于支持计算机视觉研究和城市光伏部署分析 | 该数据集针对密集城市环境，包含四通道（三色加红外）图像，且由于纽约州定期更新源数据，可用于时间序列研究 | 数据集仅覆盖纽约皇后区特定年份，可能无法直接推广到其他地区或时间点 | 为能源研究人员提供标注数据，以训练深度学习模型识别光伏安装，并研究城市环境中的光伏部署 | 纽约皇后区2018年航拍图像中的光伏安装位置 | 计算机视觉 | NA | 航拍图像分析 | 深度学习模型 | 图像 | 约5,500个独立安装，对应14,000个多边形标注 | NA | NA | NA | NA |
| 1833 | 2026-02-14 |
Role of machine learning segmentation method based on CT images in preoperative staging of oral cavity cancer
2026-Jan, European archives of oto-rhino-laryngology : official journal of the European Federation of Oto-Rhino-Laryngological Societies (EUFOS) : affiliated with the German Society for Oto-Rhino-Laryngology - Head and Neck Surgery
IF:1.9Q2
DOI:10.1007/s00405-025-09824-9
PMID:41222634
|
研究论文 | 本文探讨了基于CT图像的机器学习分割方法在口腔癌术前分期中的应用 | 采用定制化的U-Net深度学习架构进行肿瘤块和淋巴结转移的分割，并生成全面的肿瘤映射图，以预测T和N分期 | 研究样本量相对较小（共179张CT图像），且依赖放射科医生作为参考标准，可能引入主观偏差 | 评估机器学习分割方法在口腔鳞状细胞癌术前分期中的准确性 | 口腔鳞状细胞癌患者的CT图像 | 计算机视觉 | 口腔癌 | 对比增强计算机断层扫描 | CNN | 图像 | 179张对比增强CT图像 | NA | U-Net | 准确率 | NA |
| 1834 | 2026-02-14 |
Graph Attention Networks for Detecting Epilepsy From EEG Signals Using Accessible Hardware in Low-Resource Settings
2026, IEEE open journal of engineering in medicine and biology
IF:2.7Q3
DOI:10.1109/OJEMB.2025.3642070
PMID:41669279
|
研究论文 | 本文提出了一种基于图注意力网络的深度学习框架，用于从低成本脑电图硬件中检测癫痫，并在低资源环境下实现公平、可访问的自动评估 | 将脑电图信号建模为时空图，并调整原本关注节点的图注意力网络以分析边关系，从而强调连接性生物标志物；设计了适用于低保真度记录的信号预处理方法和轻量级图注意力网络架构 | 研究仅在尼日利亚和几内亚比绍的脑电图记录上进行测试，样本来源和规模可能有限 | 为低收入国家提供可负担、可访问的癫痫自动诊断支持工具 | 来自尼日利亚和几内亚比绍的脑电图信号记录 | 机器学习 | 癫痫 | 脑电图 | 图注意力网络 | 脑电图信号 | 来自尼日利亚和几内亚比绍的脑电图记录（具体数量未明确说明） | PyTorch | 图注意力网络 | 准确率, 鲁棒性 | Google Colab, RaspberryPi设备 |
| 1835 | 2026-02-14 |
Deep Learning-Based Decoding and Feature Visualization of Motor Imagery Speeds From EEG Signals
2026, IEEE open journal of engineering in medicine and biology
IF:2.7Q3
DOI:10.1109/OJEMB.2025.3645617
PMID:41669281
|
研究论文 | 本研究利用深度学习探究了运动想象速度解码的神经动力学 | 采用EEGConformer模型结合可解释人工智能技术，可视化解码EEG信号中与运动想象速度相关的时空模式 | 分类准确率有限，仅对少数参与者表现出较高性能 | 解码和可视化运动想象速度的EEG信号模式 | EEG信号中与不同运动想象速度相关的神经动力学特征 | 机器学习 | NA | 脑电图 | Transformer | EEG信号 | NA | NA | EEGConformer | 分类准确率 | NA |
| 1836 | 2026-02-14 |
Current role of artificial intelligence and machine learning: is their application feasible in pediatric upper airway obstructive disorders?
2026-Jan, European archives of oto-rhino-laryngology : official journal of the European Federation of Oto-Rhino-Laryngological Societies (EUFOS) : affiliated with the German Society for Oto-Rhino-Laryngology - Head and Neck Surgery
IF:1.9Q2
DOI:10.1007/s00405-025-09592-6
PMID:40775390
|
综述 | 本文通过系统综述评估了人工智能和机器学习在儿童上气道阻塞性疾病的诊断、管理和潜在治疗中的作用与可靠性 | 首次系统性地综述了AI/ML在儿童上气道阻塞性疾病中的应用，并识别了当前研究主要集中在阻塞性睡眠呼吸暂停的诊断上，揭示了输入数据模态的分布和模型性能的差异 | 现有研究存在患者群体异质性、样本量小、主要聚焦于阻塞性睡眠呼吸暂停等问题，可能限制研究结果的普适性；且尚无研究涉及治疗或监测，数据多样性、验证和可行性方面仍存在挑战 | 评估人工智能和机器学习在儿童上气道阻塞性疾病的诊断、管理和潜在治疗中的角色与可靠性 | 儿童上气道阻塞性疾病患者（年龄≤18岁） | 机器学习 | 儿童上气道阻塞性疾病 | NA | CNN, XGBoost, SVM | 生理信号（如夜间血氧饱和度信号、心电图）、临床参数、多导睡眠图数据 | NA | NA | 卷积神经网络 | 准确率, 灵敏度 | NA |
| 1837 | 2026-02-13 |
Machine Learning-Assisted Ultraelastic and Vibration-Resolvable Microwebs
2026-Jan-29, Advanced materials (Deerfield Beach, Fla.)
DOI:10.1002/adma.202519941
PMID:41608850
|
研究论文 | 本文提出了一种结合机器学习和剪纸微纳加工技术开发超弹性微网的方法，用于增强微结构的机械性能和功能 | 利用数据驱动优化将自然结构转化为具有超高弹性的人工设计，实现了极低的刚度（约0.188 nN/nm），并首次展示了微网在质量传感和信息加密中的应用 | 未明确讨论微网在大规模生产或长期稳定性方面的限制 | 开发具有超弹性和振动可分辨性的微网结构，以提升微纳尺度机械性能 | 蜘蛛网启发的微结构，通过优化设计实现人工微网 | 机器学习 | NA | 剪纸微纳加工技术 | 深度学习 | NA | NA | NA | NA | 刚度（约0.188 nN/nm）、质量传感灵敏度（-0.801 kHz/pg） | NA |
| 1838 | 2026-02-13 |
Metadata driven malicious URL detection using RoBERTa large and multi source network threat intelligence
2026-Jan-29, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-34790-x
PMID:41611764
|
研究论文 | 本研究提出了一种基于RoBERTa-Large变换器模型和元数据驱动的恶意URL检测方法，旨在提高检测准确性和可解释性 | 结合了RoBERTa-Large变换器的上下文子词嵌入与轻量级元数据信号，通过注意力层实现双机制检测，显著提升了恶意URL检测的性能和透明度 | 未明确说明模型对新型对抗性攻击的鲁棒性，且数据集可能未覆盖所有类型的恶意URL变体 | 检测恶意URL，以应对网络钓鱼、恶意软件攻击和网站篡改等安全挑战 | 恶意URL，包括良性、篡改、钓鱼和恶意软件类别的链接 | 自然语言处理 | NA | NA | Transformer | 文本 | 平衡数据集，包含良性、篡改、钓鱼和恶意软件URL，具体数量未明确 | NA | RoBERTa-Large | 准确率 | NA |
| 1839 | 2026-02-13 |
A deep reinforcement learning approach to dance movement analysis
2026-Jan-23, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-35311-0
PMID:41577743
|
研究论文 | 本文提出了一种基于深度强化学习的舞蹈动作分析框架RATS，通过序列决策过程优化视频帧采样，提高分类效率与准确性 | 提出RATS框架，将舞蹈分类建模为序列决策过程，结合3DCNN特征提取、DQN代理与BiLSTM记忆，实现关键帧聚焦并降低计算复杂度 | 未明确讨论模型在更广泛舞蹈数据集或实时应用中的泛化能力与计算资源需求 | 开发高效且准确的视频舞蹈风格分类方法 | 舞蹈视频数据 | 计算机视觉 | NA | 视频分析 | 深度强化学习, 3DCNN, BiLSTM | 视频 | 基于Let's Dance数据集（具体样本数未提供） | NA | 3DCNN, DQN, BiLSTM | 准确率, F-measure | NA |
| 1840 | 2026-02-13 |
Proteolysis-targeting Chimera efficacy prediction using a deep-learning-QSP model
2026-Jan-12, Journal of cheminformatics
IF:7.1Q1
DOI:10.1186/s13321-026-01152-2
PMID:41521293
|
研究论文 | 本研究提出了一种结合深度学习和定量系统药理学的集成计算建模框架，用于预测PROTAC分子的疗效 | 首次将基于卷积神经网络的深度学习模型DeepCalici与机制性QSP Hook模型相结合，以预测PROTAC的关键药效参数，并通过补充深度神经网络基于化学和生化特征调整模型参数以提高预测准确性 | 对最大降解的预测准确性较低，可能反映了当前数据集中未捕获的实验条件变异性 | 开发一种计算模型以预测PROTAC分子的疗效，加速其发现和优化 | PROTAC分子及其与蛋白质靶点和E3连接酶的结合亲和力 | 机器学习 | NA | 定量系统药理学，深度学习 | 卷积神经网络，深度神经网络 | 化学和生化特征数据，实验验证的PROTAC-DB数据 | NA | NA | DeepCalici，Hook模型 | 预测准确性 | NA |