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 2583 篇文献，本页显示第 1841 - 1860 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1841 | 2026-01-25 |
Machine learning for drug-target interaction prediction: A comprehensive review of models, challenges, and computational strategies
2026, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.1016/j.csbj.2025.12.033
PMID:41568098
|
综述 | 本文全面回顾了人工智能和机器学习在药物-靶点相互作用预测中的应用，包括模型、挑战和计算策略 | 系统性地整合了从特征工程到深度学习模型的各种AI/ML技术，并强调了其在药物发现关键阶段的应用潜力 | NA | 加速药物开发过程，包括先导化合物识别、脱靶分析、药物再利用、多药理学分析和精准医疗的实现 | 药物-靶点相互作用 | 机器学习 | NA | NA | 监督学习, 图神经网络, 深度学习模型, 混合方法 | 药物、靶点及其相互作用的数据表示 | NA | NA | NA | 稳健的评估指标 | NA |
| 1842 | 2026-01-24 |
Deep learning-based radiomics and machine learning for IDH-wild-type glioblastoma after maximal safe surgical resection: a call for prognostic assessment
2026-Jan-01, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000003294
PMID:40844925
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1843 | 2026-01-25 |
Deep learning for prognostic stratification and biomarker exploration in upper tract urothelial carcinoma: a multicenter retrospective cohort study
2026-Jan-01, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000003581
PMID:41056040
|
研究论文 | 本研究开发了一个先验知识引导的深度学习系统，用于上尿路尿路上皮癌的预后分层和生物标志物探索 | 整合了多尺度病理特征，并探索了AI衍生的定量病理生物标志物，如组织分数评分和共定位评分 | NA | 提高上尿路尿路上皮癌的风险分层和患者预后 | 上尿路尿路上皮癌患者 | 数字病理学 | 上尿路尿路上皮癌 | 全切片图像分析 | 深度学习 | 图像 | 805名UTUC患者 | NA | UCSegNet, CONCH, MacroContextNet, PGCA-Net | C-index, AUC, 风险比 | NA |
| 1844 | 2026-01-24 |
Letter to the Editor: Deep learning-driven multi-hierarchical granularity integration for surgical scene understanding: experimental study
2026-Jan-01, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000003532
PMID:41065566
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1845 | 2026-01-25 |
Artificial intelligence in idiopathic pulmonary fibrosis: advances, challenges and future directions
2026-Jan, The European respiratory journal
DOI:10.1183/13993003.01112-2025
PMID:41381227
|
综述 | 本文综述了人工智能在特发性肺纤维化（IPF）管理中的应用进展、挑战及未来方向 | 探讨了AI在IPF诊断、预后评估和药物发现中的创新应用，特别是卷积神经网络在影像分析中的潜力 | 面临数据异质性、模型可解释性不足以及缺乏大规模多中心研究验证等挑战 | 旨在改善IPF的诊断、预后评估和治疗策略 | 特发性肺纤维化（IPF）患者 | 数字病理学 | 肺纤维化 | 高分辨率计算机断层扫描（HRCT）、多组学数据 | 机器学习（ML）、深度学习（DL）、卷积神经网络（CNN） | 临床数据、影像数据、形态学数据、转录组数据 | NA | NA | 卷积神经网络 | NA | NA |
| 1846 | 2026-01-25 |
Fully automated 3D multi-modal deep learning model for preoperative T-stage prediction of colorectal cancer using 18F-FDG PET/CT
2026-Jan, European journal of nuclear medicine and molecular imaging
IF:8.6Q1
DOI:10.1007/s00259-025-07450-5
PMID:40719866
|
研究论文 | 本研究开发了一种全自动3D多模态深度学习模型，利用术前18F-FDG PET/CT预测结直肠癌的T分期，并评估其临床实用性 | 开发了基于3D ResNet18并结合交叉多头注意力机制的全自动多模态深度学习模型，用于结直肠癌T分期预测，性能优于单模态模型和放射科医生评估 | 研究为回顾性设计，样本量有限（474例患者），且仅使用单一外部验证队列 | 预测结直肠癌的术前T分期，以辅助临床决策 | 结直肠癌患者 | 数字病理 | 结直肠癌 | 18F-FDG PET/CT | 深度学习 | 3D医学图像（PET/CT） | 474例结直肠癌患者（内部队列400例，外部队列74例） | PyTorch | 3D ResNet18 | AUC, Dice系数 | NA |
| 1847 | 2026-01-25 |
Deep learning-based non-invasive prediction of PD-L1 status and immunotherapy survival stratification in esophageal cancer using [18F]FDG PET/CT
2026-Jan, European journal of nuclear medicine and molecular imaging
IF:8.6Q1
DOI:10.1007/s00259-025-07463-0
PMID:40810801
|
研究论文 | 本研究开发并验证了基于[18F]FDG PET/CT的深度学习模型，用于预测食管癌患者的PD-L1状态，并评估了模型评分在免疫治疗生存分层中的潜力 | 首次利用[18F]FDG PET/CT结合深度学习（3D ResNet10）非侵入性预测食管癌PD-L1状态，并证明模型评分能有效进行免疫治疗生存分层，优于传统PD-L1评分方法 | 回顾性研究设计，样本量有限（331例患者），且仅50例患者接受免疫治疗随访，需更大规模前瞻性研究验证 | 开发非侵入性方法预测食管癌PD-L1状态，并探索其在免疫治疗生存分层中的应用 | 食管癌患者 | 数字病理学 | 食管癌 | [18F]FDG PET/CT成像 | 深度学习 | 医学影像（PET/CT扫描） | 331例食管癌患者（来自两个中心），其中50例接受免疫治疗随访 | NA | 3D ResNet10 | AUC, 总体生存期, 无进展生存期 | NA |
| 1848 | 2026-01-25 |
Comprehensive analysis of [18F]MFBG biodistribution normal patterns and variability in pediatric patients with neuroblastoma
2026-Jan, European journal of nuclear medicine and molecular imaging
IF:8.6Q1
DOI:10.1007/s00259-025-07490-x
PMID:40815390
|
研究论文 | 本研究系统描述了[18F]MFBG在儿童神经母细胞瘤患者中的生理分布和变异性，为临床图像解读提供参考 | 首次在儿童患者中系统量化[18F]MFBG的生理分布模式，并利用深度学习方法进行自动分割分析 | 研究为回顾性分析，样本量有限（169例），且主要针对儿童神经母细胞瘤患者，结果可能不适用于其他人群或肿瘤类型 | 增强[18F]MFBG PET/CT在儿童神经母细胞瘤中的临床解读准确性，区分正常生理摄取与病理摄取 | 儿童神经母细胞瘤患者 | 数字病理学 | 神经母细胞瘤 | [18F]MFBG PET/CT成像 | 深度学习 | PET/CT图像 | 169例儿童神经母细胞瘤患者（包括20例确认缓解者） | NA | NA | SUVmax, SUVmean | NA |
| 1849 | 2026-01-24 |
A physics-informed long-range polarizable potential based on deep learning
2026-Jan-28, The Journal of chemical physics
IF:3.1Q1
DOI:10.1063/5.0292167
PMID:41574796
|
研究论文 | 本文提出了一种基于深度学习的物理信息长程可极化势，用于改进原子模拟中的长程静电相互作用建模 | 结合了两个等变消息传递神经网络，分别处理短程相互作用和环境依赖性原子偶极子，并通过训练Born有效电荷张量来准确预测场诱导性质 | NA | 开发一种能够准确捕获长程静电相关性的机器学习原子间势，以改进绝缘和极性材料中的集体现象建模 | 离子固体（NaCl）、液态水和卤化物钙钛矿（MAPbI3） | 机器学习 | NA | 深度学习 | 等变消息传递神经网络 | 原子模拟数据 | NA | NA | 等变消息传递神经网络 | 能量预测准确性、力预测准确性、红外吸收光谱预测、LO-TO声子分裂预测 | NA |
| 1850 | 2026-01-24 |
Dental Crowding Categorization Network (DCC-Net): Explainable deep learning system for automatic categorization of dental crowding on intraoral photographs
2026-Jan-25, Korean journal of orthodontics
IF:2.6Q1
DOI:10.4041/kjod25.078
PMID:41572857
|
研究论文 | 本文提出了一种名为DCC-Net的可解释深度学习系统，用于自动分类口腔内照片中的牙齿拥挤程度 | 开发了首个无需空间分析即可自动分类牙齿拥挤水平的深度学习系统，并包含可解释性热图以增强模型透明度 | 模型在颌骨分类的准确率约为72-73%，仍有提升空间，且外部测试集规模较小（100张照片） | 开发自动系统以辅助正畸诊断和拔牙决策 | 口腔内照片中的牙齿拥挤程度 | 计算机视觉 | 牙齿拥挤（正畸疾病） | 深度学习图像分析 | CNN | 图像（口腔内照片） | 训练集：2,160张照片（上颌1,351，下颌1,253），外部测试集：100张照片 | NA | DCC-Net（包含分割、提取和分类模块） | 准确率, 精确率, 召回率, F1分数 | NA |
| 1851 | 2026-01-24 |
Fully Self-Powered Gas Sensor through Fe-Ion Doping Engineering in Ni2P for Ultrasensitive and Visualized NO2 Sensing
2026-Jan-23, ACS sensors
IF:8.2Q1
DOI:10.1021/acssensors.5c03884
PMID:41413943
|
研究论文 | 本研究报道了一种基于锌空气电池的自供电NO2气体传感器，通过Fe掺杂的磷化镍作为气敏材料，并引入深度学习算法以提升传感性能 | 通过Fe离子掺杂工程调控磷化镍的电子结构，增强电荷载流子迁移率和吸附质-基底相互作用，结合InceptionTime模型和小波变换算法实现气体识别与浓度定量，构建了具备远程可视化检测功能的智能传感装置 | 未明确说明传感器在复杂混合气体环境中的交叉敏感性、长期稳定性测试数据以及实际户外环境中的验证结果 | 开发高灵敏度、选择性好且无漂移的自供电气体传感器，用于NO2检测 | NO2气体 | 传感器技术 | NA | Fe离子掺杂工程、电化学传感、深度学习算法 | 深度学习 | 电信号数据（电压响应） | NA | NA | InceptionTime | 响应值（0.22 V @ 20 ppm）、检测限（61.8 ppb/36.9 ppb）、响应时间（14 s）、气体识别准确率、浓度定量精度 | NA |
| 1852 | 2026-01-24 |
Decoding Spikes From Multiunit Data
2026-Jan-22, IEEE reviews in biomedical engineering
IF:17.2Q1
DOI:10.1109/RBME.2025.3647848
PMID:41570095
|
综述 | 本文提供了一个关于从多单元数据中解码尖峰的统一方法论视角，将问题形式化为卷积混合模型下的稀疏源分离任务 | 通过将尖峰解码问题形式化为卷积混合模型下的稀疏源分离任务，提供了一个统一的方法论视角，并跨应用领域和物理记录模态综合比较了不同方法 | 作为一篇综述，本文未提出新的解码方法，主要侧重于现有方法的比较和综合 | 旨在为神经科学、临床诊断和神经接口领域中的多单元数据尖峰解码问题提供方法论指导和路线图 | 多单元数据或信号，即从活跃细胞/源（如神经元和肌肉纤维）发射的波形混合信号 | 信号处理 | NA | 电记录（电极）、光学成像、超声波等多种记录技术 | NA | 多单元数据/信号 | NA | NA | NA | NA | NA |
| 1853 | 2026-01-24 |
A Conditional GAN-based Framework for Sparse sEMG Data Augmentation with Muscle Synergy Prior Constraints
2026-Jan-22, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2026.3656514
PMID:41570105
|
研究论文 | 本文提出了一种基于肌肉协同先验约束的条件GAN框架，用于稀疏表面肌电信号的数据增强 | 提出了一种新颖的图卷积网络生成器架构，专门针对稀疏sEMG信号设计，通过基于图的表示学习捕获复杂通道间关系，并整合肌肉协同先验约束作为动态损失函数，确保生成信号在生理学上合理 | 未明确提及 | 解决高质量表面肌电信号稀缺问题，提升深度学习模型在sEMG分析中的鲁棒性 | 多通道表面肌电信号 | 机器学习 | NA | 表面肌电信号采集 | GAN, GCN | 多通道sEMG信号 | IRASS数据集及公开数据集（NinaPro DB1和DB2） | NA | 图卷积网络, 条件GAN | 信号真实性, 运动学预测精度 | NA |
| 1854 | 2026-01-24 |
Explainable artificial intelligence for molecular design in pharmaceutical research
2026-Jan-21, Chemical science
IF:7.6Q1
DOI:10.1039/d5sc08461j
PMID:41531766
|
综述 | 本文探讨了可解释人工智能在药物研究中分子设计领域的应用、挑战与机遇 | 评估了将领域特定知识融入XAI方法以改进模型、实验设计和假设检验的益处，并讨论了化学语言模型在分子设计中的当前局限性 | 当前化学语言模型在分子设计和药物发现中的结果评估存在局限性 | 研究可解释人工智能在药物研究分子设计中的应用与挑战 | 分子设计中的AI/ML模型，特别是黑盒模型和化学语言模型 | 机器学习 | NA | NA | 深度学习框架，化学语言模型 | 分子数据 | NA | NA | NA | NA | NA |
| 1855 | 2026-01-24 |
Role of MRI radiomics in deep learning-based prediction of intestinal diseases
2026-Jan-20, International journal of colorectal disease
IF:2.5Q1
DOI:10.1007/s00384-026-05083-0
PMID:41559237
|
综述 | 本文综述了基于MRI影像组学和深度学习在肠道疾病预后评估中的应用，重点关注炎症性肠病和结直肠癌 | 系统性地整合了MRI影像组学与深度学习在肠道疾病预后预测中的最新证据，并强调了多模态融合方法的应用潜力 | 大多数研究为回顾性设计，缺乏外部验证，且模型的可解释性和泛化性存在挑战 | 评估MRI影像组学和深度学习在肠道疾病预后评估中的效果与潜力 | 炎症性肠病和结直肠癌患者 | 数字病理学 | 结直肠癌 | MRI | CNN, Vision Transformer | 图像 | NA | NA | 卷积神经网络, 视觉Transformer | NA | NA |
| 1856 | 2026-01-24 |
Semi-Supervised Fatty Liver Classification Using Attention-Based Graph Neural Network Models
2026-Jan-19, Journal of Korean medical science
IF:3.0Q1
DOI:10.3346/jkms.2026.41.e30
PMID:41555799
|
研究论文 | 本研究探讨了基于注意力机制的图神经网络在半监督学习环境下对脂肪肝疾病的预测效果 | 首次将注意力机制图神经网络应用于脂肪肝疾病的半监督分类，并利用GNNExplainer进行特征重要性分析 | 研究仅基于健康检查数据，未考虑更复杂的临床因素 | 开发数据高效的脂肪肝疾病预测模型 | 7,953名个体的临床变量数据 | 机器学习 | 脂肪肝 | 健康检查临床变量分析 | GNN | 临床变量数据 | 7,953名个体 | PyTorch | Graph Attention Network (GAT), Simplified Graph Transformer with Graph Attention | AUC | NA |
| 1857 | 2026-01-24 |
SMGDiff: step mapping generalized diffusion model for efficient noise reduction in cardiac-gated myocardial perfusion SPECT images
2026-Jan-17, EJNMMI physics
IF:3.0Q2
DOI:10.1186/s40658-025-00825-5
PMID:41546843
|
研究论文 | 本文提出了一种名为SMGDiff的轻量级广义扩散模型，用于高效降低心脏门控心肌灌注SPECT图像中的噪声 | 提出了一种新颖的步进映射广义扩散模型（SMGDiff），将心脏门控MP-SPECT图像作为扩散端点而非传统高斯噪声，并引入了一种新的均值保持退化算子，显著减少了采样步骤和推理时间；此外，设计了步进映射和误差优化模块（SMEO），利用上下文信息精确校准步进特征，从而最小化重建过程中的累积误差 | 研究基于回顾性数据集，样本量相对较小（50次扫描，36名患者），且未在外部独立数据集上进行验证 | 开发并评估一种轻量级广义扩散模型，以高效地对心脏门控心肌灌注SPECT图像进行去噪 | 心脏门控心肌灌注单光子发射计算机断层扫描（CG MP-SPECT）图像 | 医学图像处理 | 心血管疾病 | 心脏门控SPECT成像 | 扩散模型 | 医学图像（SPECT图像） | 50次MP-SPECT扫描（来自36名患者），分为8或16个心脏相位，共生成400/800个图像对 | 未明确指定，但提及了与CNN、U-Net、GAN和去噪扩散概率模型的比较 | SMGDiff（步进映射广义扩散模型），包含SMEO模块 | 峰值信噪比（PSNR）、结构相似性（SSIM）、归一化均方误差（NMSE）、联合直方图、线性回归分析、配对双尾t检验、Wilcoxon符号秩检验 | 未明确指定，但SMGDiff-5模型每片处理时间仅为0.024秒，相比1000步扩散模型的4.982秒显著提升效率 |
| 1858 | 2026-01-24 |
Ubiquitous sensing of marine activities via the cooperation of autonomous underwater vehicles
2026-Jan-17, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-29532-y
PMID:41547884
|
研究论文 | 本文提出了一种基于自主水下航行器（AUVs）的海洋活动泛在监测系统，通过深度学习技术估计目标姿态，并利用声纳进行水下目标探测 | 采用AUVs与岸基摄像头协同工作，结合无线通信网络和深度学习技术，实现了低成本、高可靠性的海洋活动智能监测 | NA | 开发一种智能、低成本、高可靠性的海洋活动监测系统 | 海洋活动，包括水面目标（如船只、浮标）和水下目标（如沉船、溺水人员） | 机器视觉 | NA | 深度学习技术，声纳探测 | NA | 图像，声纳数据 | NA | NA | NA | NA | NA |
| 1859 | 2026-01-24 |
Deep generative modeling captures maturation-dependent pairing patterns in human antibodies
2026-Jan-16, iScience
IF:4.6Q1
DOI:10.1016/j.isci.2025.114447
PMID:41561375
|
研究论文 | 本文开发了一个两阶段深度学习框架，通过Transformer语言模型生成与重链配对的轻链序列，以揭示抗体成熟过程中的配对模式 | 首次将Transformer语言模型与序列到序列模型结合，用于生成抗体轻链，并揭示了成熟依赖性配对模式及三模态相似性分布 | 原生轻链恢复率中等，未明确说明模型在特定疾病抗体设计中的泛化能力 | 解码免疫库结构并设计治疗性抗体，通过计算模型理解抗体重链-轻链配对机制 | 人类抗体序列，特别是重链和轻链的配对关系 | 自然语言处理 | NA | 深度学习，序列生成 | Transformer, 序列到序列模型 | 文本序列（抗体重链和轻链的氨基酸序列） | NA | NA | Transformer | 原生轻链恢复率，胚系基因同一性，结构质量，框架和互补决定区覆盖范围 | NA |
| 1860 | 2026-01-24 |
Deep Learning Predicts Cardiac Output from Seismocardiographic Signals in Heart Failure
2026-Jan-15, The American journal of cardiology
DOI:10.1016/j.amjcard.2025.09.037
PMID:41038524
|
研究论文 | 本研究开发并评估了一种深度学习模型，用于直接从心衰患者的心震图、心电图和体重指数中预测心输出量 | 首次将深度学习与可穿戴心震图传感器结合，用于无创估计心输出量，尤其在低输出状态下表现出色 | 需要前瞻性多中心验证以确认普适性并评估临床影响 | 探索心震图作为无创心输出量测定替代方法的潜力 | 心衰患者 | 机器学习 | 心血管疾病 | 心震图, 心电图 | CNN | 信号数据 | 73名心衰患者 | NA | 深度卷积神经网络 | 平均偏差, 一致性界限 | NA |