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 6073 篇文献，本页显示第 4061 - 4080 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 4061 | 2026-02-11 |
First deep learning framework for enhanced positron annihilation interaction-transmission imaging system precision
2026-Feb, Medical physics
IF:3.2Q1
DOI:10.1002/mp.70320
PMID:41665546
|
研究论文 | 本文提出了首个深度学习框架DeepPAITI，用于提高正电子湮没相互作用-透射成像系统在提取次级图像时的精度 | 首次将深度学习应用于PAITI系统，显著提高了次级图像提取的准确性，特别是在极低剂量条件下提升了电子密度分解的置信度 | NA | 提高正电子湮没相互作用-透射成像系统的精度，以支持临床应用，如离子治疗计划 | 正电子湮没相互作用-透射成像系统生成的次级图像（相互作用、沉积能量、衰减和电子密度） | 医学影像 | NA | 正电子湮没相互作用-透射成像 | 深度学习 | 图像 | NA | NA | 多分支、多输入、多输出框架 | 平均相对误差 | NA |
| 4062 | 2026-02-11 |
Leveraging Pretrained Vision Transformers for classifying Alcohol Use Disorder using Raw Resting-State EEG
2026-Jan-15, bioRxiv : the preprint server for biology
DOI:10.64898/2026.01.14.699473
PMID:41648298
|
研究论文 | 本研究利用预训练的Vision Transformer模型，直接从原始静息态脑电图数据中分类酒精使用障碍 | 首次将预训练的Vision Transformer模型应用于原始脑电图数据，以端到端方式对酒精使用障碍进行分类，并验证了模型在其他物质使用障碍上的泛化能力 | 分类准确率相对较低（约56%），模型性能受时间间隔影响，且样本经过人口统计学匹配和欠采样处理 | 开发基于深度学习的客观神经生理学工具，用于酒精使用障碍的临床诊断 | 酒精使用障碍、大麻使用障碍和阿片类药物使用障碍患者 | 机器学习 | 酒精使用障碍 | 静息态脑电图 | Vision Transformer, CNN | 原始脑电图信号 | 来自2,710名参与者（年龄12-83岁，平均24岁；1,338名男性，1,372名女性）的5,402条记录 | NA | EEGViT（结合卷积补丁嵌入和预训练Vision Transformer的混合架构） | 准确率 | NA |
| 4063 | 2026-02-11 |
Unifying phylogenetic traversal and deep learning to guide tree exploration
2026-Jan-14, bioRxiv : the preprint server for biology
DOI:10.64898/2026.01.14.699358
PMID:41648436
|
研究论文 | 提出一种结合深度学习与系统发育动态程序的新方法，用于指导树探索并预测最大简约树中的边 | 将深度学习算法与系统发育动态程序的输出相结合，而非直接处理原始序列比对，从而学习能指导局部树搜索的特征 | NA | 通过深度学习提高系统发育推断的效率，并预测树中边是否属于最大简约树 | 模拟和实证数据集中的系统发育树 | 机器学习 | NA | 系统发育动态程序 | 循环神经网络 | 序列比对处理后的特征数据 | NA | NA | RNN | NA | NA |
| 4064 | 2026-02-11 |
The Pathway-Informed Deep Learning Models in Cancer Research: A Survey
2026 Jan-Feb, IEEE transactions on computational biology and bioinformatics
DOI:10.1109/TCBBIO.2025.3635014
PMID:41264457
|
综述 | 本文综述了癌症研究中基于生物通路的深度学习模型，重点分析了通路信息的应用策略 | 首次系统性地将通路信息在深度学习模型中的应用策略进行分类，并总结了各类模型的优缺点 | NA | 综述癌症研究中通路信息如何整合到深度学习模型中，以提升模型的可解释性和性能 | 癌症研究中的通路信息与深度学习模型 | 机器学习 | 癌症 | NA | 深度学习模型 | NA | NA | NA | NA | NA | NA |
| 4065 | 2026-02-11 |
HypoChainer: A Collaborative System Combining LLMs and Knowledge Graphs for Hypothesis-Driven Scientific Discovery
2026-Jan, IEEE transactions on visualization and computer graphics
IF:4.7Q1
DOI:10.1109/TVCG.2025.3633887
PMID:41336152
|
研究论文 | 本文提出了HypoChainer，一个结合LLMs和知识图谱的协作可视化框架，用于增强假设驱动的科学发现 | 提出了一种整合人类专业知识、LLM驱动推理和知识图谱的协作可视化框架，通过三个阶段（情境探索、假设构建和验证选择）来优化假设链，以解决传统假设驱动研究中的认知限制和知识复杂性挑战 | NA | 增强假设驱动的科学发现，特别是在生物学领域，通过整合人类、LLMs和知识图谱来探索新知识 | 科学发现过程，特别是假设构建和验证 | 自然语言处理, 机器学习 | NA | 检索增强生成（RAGs）, 图神经网络（GNNs） | LLMs, GNNs | 文本, 知识图谱 | NA | NA | NA | NA | NA |
| 4066 | 2026-02-11 |
EmbryoProfiler: A Visual Clinical Decision Support System for IVF
2026-Jan, IEEE transactions on visualization and computer graphics
IF:4.7Q1
DOI:10.1109/TVCG.2025.3634780
PMID:41348784
|
研究论文 | 本文介绍了EmbryoProfiler，一个用于辅助IVF胚胎选择的可视化临床决策支持系统 | 开发了一个结合可视化分析和可解释机器学习分类器的系统，以透明方式辅助胚胎评估，解决了现有自动化方法依赖大量手动标注或模型不透明的问题 | 未明确提及系统在广泛临床环境中的验证或长期成功率影响 | 提高IVF治疗中胚胎选择的效率和准确性，以改善临床结果 | IVF治疗中的胚胎，基于延时显微镜图像 | 数字病理学 | 不孕症 | 延时显微镜成像 | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 4067 | 2026-02-11 |
SynAnno: Interactive Guided Proofreading of Synaptic Annotations
2026-Jan, IEEE transactions on visualization and computer graphics
IF:4.7Q1
DOI:10.1109/TVCG.2025.3634824
PMID:41396767
|
研究论文 | 本文介绍了一个名为SynAnno的交互式工具，旨在简化和增强大规模连接组数据集中突触注释的校对工作 | 提出了一个集成了结构化工作流程、优化遍历路径、3D迷你地图以及微调机器学习模型的交互式校对工具，以解决神经元复杂空间分支带来的挑战 | NA | 开发一个工具来加速和改善连接组学数据集中突触注释的校对过程 | 大规模连接组数据集中的突触注释 | 连接组学 | NA | 深度学习，机器学习 | NA | 3D图像数据 | 涉及七位神经科学专家的用户和案例研究 | PyTorch | NA | 校对速度，认知负荷，注释错误 | NA |
| 4068 | 2026-02-11 |
Deep G-PCC Geometry Preprocessing via Joint Optimization With a Differentiable Codec Surrogate for Enhanced Compression Efficiency
2026, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society
IF:10.8Q1
DOI:10.1109/TIP.2026.3655187
PMID:41605149
|
研究论文 | 本文提出了一种与可微分G-PCC代理模型联合优化的点云体素化网络，以提升标准G-PCC的压缩效率 | 首次提出了与可微分G-PCC代理模型联合优化的压缩导向点云体素化网络，通过端到端梯度传播，在不牺牲互操作性或计算灵活性的情况下提升G-PCC效率 | 未明确说明 | 提升几何点云压缩（G-PCC）标准的压缩效率，同时保持其互操作性和计算灵活性 | 点云数据 | 计算机视觉 | NA | 深度学习 | 神经网络 | 点云 | NA | NA | 体素化网络 | BD-rate | NA |
| 4069 | 2026-02-11 |
Deep Learning-Based Joint Geometry and Attribute Up-Sampling for Large-Scale Colored Point Clouds
2026, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society
IF:10.8Q1
DOI:10.1109/TIP.2026.3657214
PMID:41610351
|
研究论文 | 本文提出了一种基于深度学习的联合几何与属性上采样方法，用于生成大规模、高密度的彩色点云 | 首次提出联合几何与属性上采样的深度学习框架，并构建并发布了大规模彩色点云上采样数据集SYSU-PCUD | 未明确说明方法在极端复杂几何或属性场景下的性能限制，也未讨论计算效率与实时性 | 提高大规模彩色点云的上采样质量，实现几何与属性的联合优化 | 彩色点云（包含几何坐标与颜色属性） | 计算机视觉 | NA | 深度学习 | 神经网络 | 点云数据 | 121个大规模彩色点云，涵盖6个类别和4种采样率 | 未明确指定（代码已开源） | 几何上采样网络、属性上采样网络、属性增强模块 | 峰值信噪比（PSNR） | 未明确说明 |
| 4070 | 2026-02-11 |
SACMark: Spatial-Angle Consistency Watermarking Network for Light Field Image Copyright Protection
2026, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society
IF:10.8Q1
DOI:10.1109/TIP.2026.3657635
PMID:41610350
|
研究论文 | 本文提出了一种用于光场图像版权保护的深度学习水印网络SACMark | 提出首个针对光场图像设计的深度学习水印网络，通过空间-角度特征提取模块和一致性匹配融合策略解决高维数据挑战 | 未明确说明计算资源需求和具体数据集规模 | 开发适用于光场图像的鲁棒水印技术以实现版权保护 | 光场图像 | 计算机视觉 | NA | 深度学习 | 编码器-噪声-解码器架构 | 光场图像 | NA | NA | SACMark网络 | 视觉质量，深度估计影响，抗噪性 | NA |
| 4071 | 2026-02-11 |
Detection of Implant Brands Using Artificial Intelligence and Deep Learning Modeling Based on Orthopantomogram Images: A Review of the Literature
2026, Journal of long-term effects of medical implants
|
综述 | 本文综述了基于人工智能和深度学习模型（特别是卷积神经网络）利用全景X光片图像识别牙科种植体品牌的研究现状 | 系统性地探讨了AI在全景X光片图像中自动识别牙科种植体品牌的应用潜力，并详细阐述了图像预处理、分割和特征提取等关键步骤对提高识别准确性的重要性 | 需要大量高质量标注数据集，存在数据隐私和AI模型可解释性等伦理挑战 | 探索人工智能在牙科种植体品牌自动识别中的应用，以提高临床诊断效率和准确性 | 全景X光片图像中的牙科种植体 | 计算机视觉 | NA | 全景X光成像 | CNN | 图像 | NA | NA | NA | NA | NA |
| 4072 | 2026-02-10 |
Optimized cortical EEG modeling for Parkinson disease diagnosis with snow Shepherd Stride tuning mechanism
2026-Dec, Cognitive neurodynamics
IF:3.1Q2
DOI:10.1007/s11571-025-10406-y
PMID:41657964
|
研究论文 | 本文提出了一种结合堆叠自编码器和MobileNet卷积块的CortiMoS-Net模型，用于从脑电图信号中准确诊断帕金森病，并引入了雪牧羊人步幅配置调优优化技术 | 提出CortiMoS-Net模型，结合堆叠自编码器和MobileNet卷积块进行深度皮层建模，并引入S3C-Tune混合优化技术以提升模型收敛性和参数优化 | 未明确说明模型在不同临床环境或多样化患者群体中的泛化能力，以及计算资源需求的具体细节 | 开发一种基于脑电图的帕金森病诊断模型，提高诊断准确性和鲁棒性 | 帕金森病患者的脑电图信号 | 数字病理学 | 帕金森病 | 脑电图分析 | 堆叠自编码器, CNN | 脑电图信号 | NA | NA | 堆叠自编码器, MobileNet | 准确率, 精确率, 召回率, F1分数, 错误率, 损失值 | NA |
| 4073 | 2026-02-10 |
Deep learning for automated 3D assessment of rotator cuff muscle atrophy and fat infiltration prior to total shoulder arthroplasty
2026-Mar, Journal of shoulder and elbow surgery
IF:2.9Q1
DOI:10.1016/j.jse.2025.07.025
PMID:40902715
|
研究论文 | 本研究开发了一种基于深度学习的模型，用于在肩部CT扫描上自动分割肩袖肌肉，并提出了体积肌肉萎缩的T评分分类方法 | 首次利用深度学习实现肩袖肌肉的自动三维分割，并引入T评分系统量化肌肉萎缩，同时定义了独特的萎缩表型、三维脂肪浸润百分比及前后平衡指标 | 研究样本主要来自特定患者群体（aTSA和rTSA），可能限制了结果的普适性；深度学习模型的性能依赖于CT图像质量 | 开发自动化工具以可靠评估肩袖肌肉萎缩和脂肪浸润，改善全肩关节置换术前的病理评估 | 肩袖肌肉（冈上肌、肩胛下肌、冈下肌、小圆肌） | 数字病理学 | 肩关节疾病 | 计算机断层扫描（CT） | 深度学习模型 | 三维CT图像 | 952例肩部CT扫描（762例健康对照，103例aTSA患者，87例rTSA患者） | NA | NA | T评分分类，三维脂肪浸润百分比，前后肌肉体积比，统计显著性（P值） | NA |
| 4074 | 2026-02-10 |
Artificial Intelligence and Machine Learning for Osteoarthritis and Cartilage Assessment
2026-Mar, Radiologic clinics of North America
IF:2.1Q2
DOI:10.1016/j.rcl.2025.09.001
PMID:41656050
|
综述 | 本文评估了人工智能和机器学习在骨关节炎和软骨评估中的应用，特别是在X光片和磁共振成像分析中的进展 | 综述了AI在骨关节炎诊断和管理中的最新应用，包括X光片分级与分割以及MRI序列优化、快速采集、去噪、软骨测量和评分系统等多个任务 | NA | 评估人工智能和机器学习在骨关节炎和软骨评估中的应用，以应对其复杂的病理生理学带来的诊断和管理挑战 | 骨关节炎患者的X光片和磁共振成像数据 | 数字病理学 | 骨关节炎 | X光成像, 磁共振成像 | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 4075 | 2026-02-10 |
High-Resolution MR Imaging of Elbow Ligament Injuries and Associated Impingement and Instability Syndromes
2026-Mar, Radiologic clinics of North America
IF:2.1Q2
DOI:10.1016/j.rcl.2025.09.005
PMID:41656056
|
综述 | 本文详细阐述了用于评估肘关节韧带损伤及相关撞击与不稳定综合征的高分辨率磁共振成像技术 | 强调了高场强磁体、专用表面线圈、三维成像和深度学习重建等先进技术在增强韧带结构可视化方面的应用 | NA | 评估肘关节韧带病变及相关不稳定和撞击综合征 | 肘关节韧带（内侧和外侧韧带复合体）及相关病理状态 | 数字病理学 | NA | 高分辨率磁共振成像，三维成像，深度学习重建 | NA | 磁共振图像 | NA | NA | NA | NA | NA |
| 4076 | 2026-02-10 |
Corrigendum to "Geometric evaluation of a deep learning method for segmentation of urinary OARs on magnetic resonance imaging for prostate cancer radiotherapy". [Clin. Transl. Radiat. Oncol. 56 (2026) 101091]
2026-Mar, Clinical and translational radiation oncology
IF:2.7Q2
DOI:10.1016/j.ctro.2025.101103
PMID:41657361
|
correction | 本文是对一篇关于深度学习在MRI图像中分割前列腺癌放疗相关危及器官（OARs）的几何评估研究的更正 | NA | NA | NA | NA | digital pathology | prostate cancer | magnetic resonance imaging | deep learning | image | NA | NA | NA | NA | NA |
| 4077 | 2026-02-10 |
DeepDBPI: DNA-Binding Protein Identifier Using a Deep Learning Model with Transformed Denoised Features
2026-Feb-09, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c02637
PMID:41566703
|
研究论文 | 本文提出了一种名为DeepDBPI的深度学习模型，用于预测DNA结合蛋白，通过结合多种新型描述符和去噪技术提升预测性能 | 开发了结合CC-PSSM、BP-PSSM、TRG-PSSM和FEGS等新型描述符的深度学习模型，并应用小波去噪算法处理序列特征，提高了DNA结合蛋白的预测准确性 | 未明确提及模型在更广泛数据集上的泛化能力或计算效率的具体限制 | 开发高效的深度学习模型以预测DNA结合蛋白，替代传统昂贵且耗时的湿实验方法 | DNA结合蛋白（DBPs） | 生物信息学 | NA | 小波去噪（WD）算法 | ResNet, LSTM, BiLSTM, RNN, BiRNN, BiGRU | 蛋白质序列数据 | NA | NA | ResNet, LSTM, BiLSTM, RNN, BiRNN, BiGRU | 准确率（ACC）、灵敏度（SN）、特异度（SP）、马修斯相关系数（MCC） | NA |
| 4078 | 2026-02-10 |
Attention-Guided Multiview Deep Learning Framework Uncovers miRNA-Drug Associations for Therapeutic Discovery
2026-Feb-09, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c02839
PMID:41592800
|
研究论文 | 本文提出了一种注意力引导的多视图深度学习框架（DLMVF），用于预测miRNA-药物关联，以促进治疗发现 | 该框架首次全面整合了miRNA和药物的多源信息，而非仅依赖已知的相互作用图数据，并通过视图级注意力机制自适应学习不同特征的重要性 | NA | 预测miRNA-药物关联，以支持基于miRNA的治疗方法开发 | miRNA和药物 | 机器学习 | 癌症 | 深度学习 | 注意力机制 | 多源信息（包括属性数据和相互作用数据） | 基于最新数据库手动构建的实验基准数据集 | NA | DLMVF（包含miRNA属性视图编码器、药物属性视图编码器和miRNA-药物相互作用编码器模块） | AUROC, AUPRC | NA |
| 4079 | 2026-02-10 |
CompBind: Complex Guided Pretraining-Based Structure-Free Protein-Ligand Affinity Prediction
2026-Feb-09, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c02451
PMID:41562952
|
研究论文 | 提出了一种名为CompBind的新型框架，用于仅使用蛋白质和配体序列预测结合亲和力，无需依赖实验解析的3D复合物结构 | 通过结合双向交叉注意力和双目标预训练策略，从现有复合物结构中学习潜在相互作用模式，实现仅从序列推断结合亲和力，解决了结构数据稀缺性问题 | 未明确说明模型对新型蛋白质-配体对或高度变异序列的泛化能力，也未讨论计算效率的具体数据 | 开发一种不依赖3D结构输入的蛋白质-配体结合亲和力预测方法，以加速药物发现流程 | 蛋白质-配体复合物及其结合亲和力 | 机器学习 | NA | 深度学习预训练 | 基于注意力机制的深度学习模型 | 蛋白质序列、配体序列、3D复合物结构（仅预训练用） | NA | NA | 双向交叉注意力架构 | 排名准确性（案例研究中） | NA |
| 4080 | 2026-02-10 |
NeuroTDPi: Interpretable Deep Learning Models with Multimodal Fusion for Identifying Neurotoxic Compounds
2026-Feb-09, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c02639
PMID:41609193
|
研究论文 | 本研究开发了一个名为NeuroTDPi的多层全连接深度神经网络模型，用于识别神经毒性化合物 | 采用多模态融合策略，整合分子表征与针对三个特定神经毒性终点的特征表示，并利用SHAP方法增强模型可解释性 | 未明确说明模型在外部验证集上的泛化性能或对未知化合物的预测能力 | 开发可解释的深度学习模型，用于早期预测化学神经毒性 | 神经毒性化合物 | 机器学习 | NA | 分子表征，多模态融合 | 深度神经网络 | 分子特征数据 | 未明确说明 | 未明确说明 | 多层全连接神经网络 | AUC | 未明确说明 |