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 7804 篇文献，本页显示第 2741 - 2760 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2741 | 2026-04-19 |
Spinal disease image segmentation technology integrating U-ResNet and shape-aware attention
2026-Mar-13, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-42870-9
PMID:41820475
|
研究论文 | 本研究提出了一种集成U-ResNet和形状感知注意力的深度学习模型，用于脊柱疾病图像的自动分割，以提高诊断效率和准确性 | 设计了三个核心优化模块：定制化的U-ResNet主干网络、形状感知注意力模块和动态加权组合损失函数，以增强对脊柱形态变化的捕捉能力并抑制背景干扰 | 未明确提及模型在更广泛数据集或实际临床环境中的泛化能力验证 | 开发一种端到端的深度学习模型，用于脊柱疾病医学图像的自动分割和测量，以支持早期准确诊断 | 脊柱疾病图像，特别是腰椎MRI和VerSe数据集中的图像 | 数字病理 | 脊柱疾病 | 深度学习图像分割 | CNN | 医学图像 | 使用了Lumbar Spine MRI和VerSe数据集，具体样本数量未明确说明 | 未明确提及 | U-ResNet | 分类、分割和椎间盘退变分级任务的性能指标，具体指标未明确列出 | 未明确提及 |
| 2742 | 2026-03-13 |
Amyloid PET quantification with deep learning segmentation models without MRI
2026-Mar-11, EJNMMI physics
IF:3.0Q2
DOI:10.1186/s40658-026-00854-8
PMID:41811594
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2743 | 2026-04-18 |
AI-powered surveillance of bronchiolitis in the Nirsevimab era: comparative performance of machine learning, deep learning, and large language models on free-text ED records
2026-Mar-10, BMC emergency medicine
IF:2.3Q1
DOI:10.1186/s12873-025-01468-6
PMID:41807959
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2744 | 2026-03-11 |
HyperDeepTAD: a topologically associated domains detection method based on multiway chromatin interaction data and deep learning
2026-Mar-09, BMC genomics
IF:3.5Q2
DOI:10.1186/s12864-026-12738-3
PMID:41803713
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2745 | 2026-04-19 |
Enhancing trustworthiness of Arabic online health information quality evaluation using an enhanced BERT architecture with PCA and ICA feature weighting
2026-Mar-06, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-43158-8
PMID:41792455
|
研究论文 | 本研究提出了一种结合增强型阿拉伯语BERT、PCA与ICA特征加权及信息熵损失函数的深度学习模型，用于评估阿拉伯语在线健康信息的质量 | 首次将PCA和ICA特征加权与增强型阿拉伯语BERT结合，并引入信息熵改进损失函数，提升模型在文档分类中的确定性和校准能力 | 研究仅针对阿拉伯语健康信息，未验证在其他语言或信息类型的泛化能力 | 评估在线健康信息的质量，提升其可信度 | 阿拉伯语在线健康信息 | 自然语言处理 | NA | 深度学习 | BERT | 文本 | NA | NA | 增强型阿拉伯语BERT | 准确率 | NA |
| 2746 | 2026-04-19 |
High-resolution Annotated Dataset of Girvanella Boundstone Microfacies from the Xiannüdong Formation, China
2026-Mar-05, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-026-06958-1
PMID:41786785
|
研究论文 | 本研究提供了一个高分辨率的数据集，用于基于深度学习的碳酸盐岩微相分类，该数据集通过分割大型板状图像并自动标注微相组分构建 | 首次为寒武系仙女洞组中的Girvanella粘结岩微相提供了高分辨率、自动标注的数据集，支持深度学习在古海洋生态系统研究中的应用 | 数据集仅基于特定地质层位和微相类型，可能无法泛化到其他碳酸盐岩环境或时代 | 研究古代海洋生态系统演化及早期碳酸盐岩台地结构 | 寒武系仙女洞组中的Girvanella粘结岩微相 | 计算机视觉 | NA | 点计数自动标注 | 深度学习分类模型 | 图像 | 大型板状图像分割为114×114像素的图块 | NA | NA | NA | NA |
| 2747 | 2026-03-07 |
Deep learning-driven automated detection of canine cardiac murmurs via digital wireless stethoscope auscultation
2026-Mar-03, Veterinary research communications
IF:1.8Q2
DOI:10.1007/s11259-026-11131-5
PMID:41774252
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2748 | 2026-04-19 |
A review on integrated machine learning and deep learning driven artificial intelligence models for pharmacokinetics and toxicokinetics predictions, and their application
2026-Mar, Drug metabolism and disposition: the biological fate of chemicals
DOI:10.1016/j.dmd.2026.100240
PMID:41763192
|
综述 | 本文综述了集成机器学习和深度学习驱动的AI模型在药代动力学和毒代动力学预测中的应用 | 探讨了从传统ML/DL向混合学习AI模型的转变趋势，强调混合模型在提高预测准确性和加速药物发现方面的优势 | NA | 评估AI模型在ADMET属性预测中的进展与应用 | ADMET软件、药代动力学-药效学预测模型 | 机器学习 | NA | 混合人工智能、多模型技术 | 机器学习、深度学习、混合模型 | NA | NA | NA | NA | 准确性 | NA |
| 2749 | 2026-04-19 |
Clinical and economic impact of deep learning-enhanced opportunistic osteoporosis screening using chest radiographs with and without the osteoporosis self-assessment tool for Asians (OSTA)
2026-Mar, Osteoporosis international : a journal established as result of cooperation between the European Foundation for Osteoporosis and the National Osteoporosis Foundation of the USA
IF:4.2Q1
DOI:10.1007/s00198-026-07858-1
PMID:41563407
|
研究论文 | 本研究评估了在新加坡50岁及以上女性中，利用深度学习增强的胸部X光片机会性骨质疏松筛查的临床和经济效益 | 首次结合深度学习与OSTA工具进行骨质疏松筛查的成本效益分析 | 研究仅针对新加坡50岁及以上女性，可能不适用于其他人群或地区 | 评估深度学习增强的骨质疏松筛查方法的临床效果和经济影响 | 新加坡50岁及以上的女性 | 数字病理学 | 骨质疏松症 | 深度学习 | NA | 胸部X光图像 | NA | NA | NA | 骨折减少率, 质量调整生命年 | NA |
| 2750 | 2026-04-19 |
DuaST: an integrated deep learning framework for spatial transcriptomics with cross-branch interaction
2026-Mar-01, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbag174
PMID:41985058
|
研究论文 | 本文提出了一种名为DuaST的集成深度学习框架，用于处理空间转录组学数据，通过双分支学习整合空间与非空间信息 | 设计了一个双分支学习框架，分别建模邻域依赖和拓扑无关特征，并采用局部-全局对比学习、对抗对齐和基于注意力的融合机制来整合互补表示，同时通过可学习权重矩阵重建基因表达以识别空间可变基因，并支持从单组学到多组学分析的无缝扩展 | 未在摘要中明确提及具体限制 | 开发一个通用的计算方法，以利用空间转录组学数据中的基因表达和空间信息，并整合空间与非空间信息 | 空间转录组学数据 | 机器学习 | NA | 空间转录组学 | 深度学习框架 | 基因表达和空间信息数据 | NA | NA | 双分支学习框架 | NA | NA |
| 2751 | 2026-04-19 |
Prediction of minimum inhibitory concentration of antibacterial peptides using geometric graph networks and dynamic loss functions
2026-Mar-01, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbag170
PMID:41985057
|
研究论文 | 提出一种名为GGN-ABPMIC的几何图网络模型，用于预测抗菌肽的最小抑菌浓度 | 整合了原子和残基尺度的多尺度结构特征与肽序列特征，并引入了结合MSE、Huber损失和对比学习损失的多阶段动态权重混合损失函数 | 模型仅在10种细菌物种的数据集上进行了验证，覆盖的物种范围仍有扩展空间 | 开发一种深度学习模型以更准确地预测抗菌肽的最小抑菌浓度 | 抗菌肽 | 机器学习 | NA | NA | 几何图网络 | 序列数据, 结构特征 | 跨越10种细菌物种的数据集 | NA | 几何图网络, 几何向量感知机 | 均方误差, R², 皮尔逊相关系数 | NA |
| 2752 | 2026-04-19 |
A bio-inspired computational pipeline for antibody screening and repurposing
2026-Mar-01, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbag183
PMID:41985061
|
研究论文 | 本文提出了一种受体内免疫选择关键原理启发的多尺度计算筛选流程，用于抗体筛选和再利用 | 整合了基于结构的对接、基于图神经网络的相互作用预测以及加速分子动力学与元动力学自由能分析，实现了高通量计算机优先筛选结构解析的抗体 | 研究侧重于筛选和再利用阶段，而非完整的迭代亲和力成熟过程，亲和力成熟被定位为未来的扩展方向 | 加速结构引导的抗体筛选和再利用 | 抗体结构，特别是针对与纤维化、肿瘤学和肌肉消耗性疾病相关的多效性细胞因子Activin A的抗体 | 机器学习 | 进行性骨化性纤维发育不良 | 结构对接，分子动力学模拟，自由能分析 | 图神经网络 | 结构数据 | 约5000个抗体结构 | NA | NA | 亲和力，中和活性 | NA |
| 2753 | 2026-04-19 |
CRESCENT: a deep learning framework with multi-scale attention for detecting recurrent copy number alterations
2026-Mar-01, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbag167
PMID:41996576
|
研究论文 | 本文提出了一种名为CRESCENT的深度学习框架，通过整合多尺度采样、卷积神经网络和自注意力机制，用于检测肿瘤中的复发拷贝数变异 | CRESCENT框架首次将多尺度采样与卷积神经网络及自注意力机制相结合，以平衡检测局部、片段和臂水平拷贝数变异的敏感性，相比现有方法（如GISTIC2和RUBIC）在检测广度和深度上表现更优 | 研究主要基于TCGA数据集，虽然扩展到非TCGA队列（如CGCI和TARGET），但可能仍存在数据来源的局限性，且模型在泛化到其他癌症类型或更小样本量时需进一步验证 | 开发一种高灵敏度、泛化能力强的深度学习框架，以可靠地检测肿瘤中的复发拷贝数变异，并识别关键的致癌驱动因子和预后标志物 | 来自20个TCGA癌症项目的7689例肿瘤样本的拷贝数谱，以及模拟数据集和独立非TCGA癌症队列（CGCI和TARGET） | 机器学习 | 癌症 | 拷贝数变异分析 | CNN, 自注意力机制 | 拷贝数谱数据 | 7689例肿瘤样本（来自20个TCGA癌症项目），外加模拟数据集和独立非TCGA队列 | NA | NA | AUC | NA |
| 2754 | 2026-04-19 |
scGPD: single-cell informed gene panel design for targeted spatial transcriptomics
2026-Mar-01, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbag160
PMID:41996577
|
研究论文 | 本文提出了一种基于深度学习的单细胞RNA-seq数据驱动的基因面板设计框架scGPD，用于优化靶向空间转录组学中的基因选择 | 引入基因-基因相关性感知的门控机制，从单细胞数据中提取信息特征，鼓励所选基因的多样性并消除冗余，从而设计紧凑、非冗余的基因集 | 未明确提及具体的数据集规模限制或计算效率问题 | 为靶向空间转录组学技术设计高效、信息丰富的基因面板，以捕获组织内的细胞和空间异质性 | 单细胞RNA-seq数据和空间转录组学数据 | 生物信息学 | NA | 单细胞RNA-seq, 空间转录组学 | 深度学习 | 基因表达数据 | NA | NA | NA | 转录组范围表达恢复能力, 细胞类型分类性能 | NA |
| 2755 | 2026-04-19 |
AI Models to Reduce Surgical Complications Through Intraoperative Video Analysis: Protocol for a Prospective Cohort Study
2026-Feb-26, JMIR research protocols
IF:1.4Q3
DOI:10.2196/62734
PMID:41769985
|
研究论文 | 本研究旨在开发和验证深度学习模型，通过术中视频分析预测腹部手术后的并发症 | 首次提出利用术中视频和术后结果构建开源数据集，并采用基于视觉Transformer架构的微调手术视频基础模型与外科医生定义的预测因子并行方法进行深度学习算法开发 | 研究仅针对特定腹部手术（阑尾切除术、胆囊切除术和结直肠切除术），且数据收集时间有限（2024-2025年） | 开发并验证深度学习模型以准确预测术后并发症，并构建共享开源数据集 | 接受微创腹部手术的1200名患者，包括阑尾切除术、胆囊切除术和结直肠切除术 | 计算机视觉 | NA | 术中视频分析 | 深度学习模型 | 视频 | 1200名患者 | NA | Vision Transformer | 灵敏度, 特异性, 阳性预测值, 阴性预测值, AUC | NA |
| 2756 | 2026-04-19 |
Digital watermarking for virtual physically unclonable function data concealment and authentication
2026-Feb-25, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-35159-4
PMID:41741498
|
研究论文 | 本文提出了一种新颖的数字水印方法，用于增强基于分割学习的虚拟物理不可克隆功能的安全性 | 提出了一种结合深度学习与Jake's Model模拟瑞利衰落的数字水印框架，为VPUF响应提供双重认证机制，在资源受限的物联网网络中实现安全性与计算效率的平衡 | 未明确说明水印嵌入对VPUF响应延迟的具体影响，以及在不同物联网设备异构环境中的普适性验证 | 提升物联网网络中基于分割学习的虚拟物理不可克隆功能的安全性，防止窃听和重放攻击 | 物联网网络中的虚拟物理不可克隆功能响应数据 | 机器学习 | NA | 数字水印技术 | 自编码器 | 隐表示数据 | NA | NA | 自编码器 | 保真度, 可靠性, 不可伪造性 | NA |
| 2757 | 2026-04-19 |
Deep learning framework with interpretable feature selection for accurate SUMOylation site prediction
2026-Feb-25, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-41489-0
PMID:41741563
|
研究论文 | 本研究提出了一种名为Hybrid-Sumo的深度学习模型，通过整合蛋白质结构和序列特征来预测SUMOylation位点 | 结合了三种先进的特征提取技术（HSE、PSSM-DWT和BERT），并利用SHAP算法进行最优特征选择，显著提高了预测准确性 | 未明确提及模型在更广泛或更复杂数据集上的泛化能力，以及计算资源需求的具体细节 | 开发一个准确预测SUMOylation位点的计算工具，以加速蛋白质功能和修饰分析的研究 | 蛋白质的SUMOylation位点 | 机器学习 | NA | NA | DNN | 蛋白质序列和结构特征 | 基准数据集和独立数据集（平衡与不平衡） | NA | Deep Neural Network | 准确率 | NA |
| 2758 | 2026-02-28 |
Global solar energy potential forecasting through machine learning and deep learning models
2026-Feb-25, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-41357-x
PMID:41741590
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2759 | 2026-04-19 |
Deep residual and hybrid CNN models for confidence-aware real-world waste classification for sustainable waste management
2026-Feb-25, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-41001-8
PMID:41741626
|
研究论文 | 本文提出了一种基于深度学习的多类别废物分类系统，用于处理真实世界中的混合、变形和污染废物，以促进可持续废物管理 | 引入了混合模型（如ResNet101与InceptionV3结合）以提高复杂类别（如纺织品和杂项垃圾）的分类精度，并提出了置信度评分评估策略来评估模型可靠性 | NA | 开发一个稳健且可扩展的智能废物分类系统，用于真实世界、可持续性驱动的环境 | 真实世界废物流中的混合、变形和污染物品 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | 使用RealWaste数据集 | NA | InceptionV3, ResNet101, DenseNet, VGG, EfficientNet, MobileNet | 验证准确率, 损失, F1分数 | NA |
| 2760 | 2026-02-25 |
Clinical accuracy of cephalometric analysis using deep learning-based automated landmark identification on CBCT in class I and class II malocclusions
2026-Feb-24, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-41408-3
PMID:41730989
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |