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 12231 篇文献，本页显示第 7201 - 7220 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 7201 | 2026-05-26 |
Quantum dot-DNA microsphere aptamer biosensor with AI-assisted structural modeling for rapid detection of the lung cancer biomarker USE1
2026-Apr-14, Journal of nanobiotechnology
IF:10.6Q1
DOI:10.1186/s12951-026-04384-4
PMID:41981644
|
研究论文 | 开发了一种AI辅助的适配体生物传感平台，用于无抗体检测肺癌生物标志物USE1 | 将AI辅助适配体结构建模与量子点增强的DNA纳米结构相结合，构建无需抗体的生物传感平台 | 尚未在更大规模的临床样本中进行验证，且该平台的长期稳定性和可重复性有待进一步评估 | 开发一种快速、准确、低成本的肺癌诊断方法 | 肺癌生物标志物USE1 | 数字病理学 | 肺癌 | SELEX, 滚环扩增, 量子点标记 | AlphaFold3 | 图像 | 30对组织样本 | NA | AlphaFold3 | AUC, 敏感性, 特异性 | NA |
| 7202 | 2026-04-12 |
Hybrid feature selection for IoMT based intrusion detection system for integrating mutual information filtering with deep learning based accelerated metaheuristic optimization
2026-Apr-10, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-47264-5
PMID:41963437
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 7203 | 2026-04-05 |
Hybrid deep learning techniques for adaptive routing and congestion control in urban VANET for wireless mobile networking
2026-Apr-03, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-33193-2
PMID:41932949
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 7204 | 2026-05-26 |
A unified GRU model for cryptocurrency price prediction and harsh price movement detection using enhanced sentiment analysis
2026-Apr-03, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-46271-w
PMID:41933101
|
研究论文 | 提出一种统一的GRU模型，通过增强情感分析预测加密货币价格并检测剧烈价格波动 | 重点研究情感信号构建、聚合和与价格动态对齐的方式，提出基于PCA的聚合、衰减加权方案和K-means聚类标签方法，显著提升了极端价格变动类别的预测性能 | 未明确提及，但可能包括模型仅基于短期数据（2021年4月至8月）以及情感数据噪声的局限性 | 研究情感表示和价格变动标签对短期比特币价格波动分类的影响，构建稳健的情感驱动金融模型 | 比特币短期价格波动分类 | 机器学习, 自然语言处理 | NA | 情感分析, PCA分析, K-means聚类 | GRU, TCN, LightGBM, 多项逻辑回归 | 文本（推文数据） | 超过110万条比特币相关推文（2021年4月至8月） | NA | RoBERTa, GRU, TCN | 准确率、精确率、召回率、F1分数 | NA |
| 7205 | 2026-05-26 |
Multimodal deep learning for international investment arbitration outcome prediction and bilateral investment agreement negotiation strategy optimization
2026-Apr-03, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-47149-7
PMID:41933170
|
研究论文 | 提出一种多模态深度学习框架，融合文本、数值和视觉数据预测国际投资仲裁结果 | 采用注意力融合架构，通过专用编码器捕捉法律文件、宏观经济指标和视觉证据之间的复杂跨模态依赖关系，显著优于单模态和传统机器学习方法 | 未明确讨论预测模型在实际应用中可能引发的公平性、透明度和可及性等规范性问题 | 开发稳健的仲裁结果预测工具，为投资者、东道国和法律顾问提供战略决策依据 | 国际投资仲裁案件中的投资者与国家争端解决机制 | 机器学习 | NA | 多模态深度学习的注意力融合架构 | 注意力机制融合的多模态深度学习模型 | 文本（法律文件）、数值（宏观经济指标）、视觉（证据图像） | 1,247个仲裁案例，来自主要国际仲裁机构 | NA | 注意力融合架构、专用编码器 | 准确率 | NA |
| 7206 | 2026-05-26 |
The Evolving Role of Artificial Intelligence in Fracture Diagnosis and Surgical Planning in Orthopaedics: Current Insights and Future Directions
2026-Apr, Cureus
DOI:10.7759/cureus.107470
PMID:42181443
|
综述 | 综述了人工智能和机器学习在骨科骨折诊断和手术规划中的应用现状与未来方向 | 系统梳理了2016至2026年间AI/ML在骨折检测和术前规划中的证据，涵盖了CNN和Vision Transformer模型的最新进展 | 多数研究为回顾性分析、数据集缺乏多样性、缺乏前瞻性多中心验证、以及AI/ML在医学影像中应用监管框架的不完善 | 总结AI/ML技术在骨科骨折诊断和手术规划中的临床发现并讨论临床转化挑战 | 针对骨折检测和手术规划的AI/ML相关研究文献 | 机器学习 | 骨科骨折 | 深度学习 | 卷积神经网络（CNN）和视觉Transformer（ViT） | 放射影像和计算机断层扫描（CT）图像 | 24篇同行评审出版物 | NA | CNN和Vision Transformer（ViT） | 受试者工作特征曲线下面积（AUROC） | NA |
| 7207 | 2026-05-26 |
Enhanced corn leaf disease detection using sharpness-aware minimization optimized CNNs
2026-Mar-31, Plant methods
IF:4.7Q1
DOI:10.1186/s13007-026-01514-9
PMID:41917950
|
研究论文 | 提出使用锐度感知最小化（SAM）优化卷积神经网络，用于增强玉米叶片疾病检测 | 首次将锐度感知最小化优化方法应用于玉米叶片疾病检测CNN，通过同时最小化训练损失和损失景观锐度，使模型收敛到更平坦的最小值，显著提高泛化能力 | 未提及在不同作物或更复杂疾病类别上的泛化能力验证，且仅基于单一数据集进行评价 | 解决现有深度学习解决方案因尖锐损失景观导致的泛化能力差问题，推动精准农业中疾病管理的自动化 | 玉米叶片图像（四类：健康及三种疾病类别） | 计算机视觉 | 玉米叶片疾病 | 图像分类 | CNN | 图像 | 60,000张玉米叶片图像样本（增强后四类各15,000张平衡样本） | NA | CNN | 准确率，精确率，F1分数，均方误差，分类错误率 | 树莓派4 |
| 7208 | 2026-05-26 |
A unified deep learning framework for cross-platform harmonization of multi-tracer PET quantification in neurodegenerative disease
2026-Mar-30, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-026-02570-0
PMID:41912831
|
研究论文 | 提出一个统一的深度学习框架，用于跨平台和多示踪剂的PET定量分析在神经退行性疾病中的标准化 | 首次开发统一的、解剖引导的深度学习框架，能够在多种示踪剂和扫描仪制造商之间将PET-MRI定量标准化为PET-CT标准，零样本泛化到未见示踪剂 | 将淀粉样蛋白Centiloid差异从23.6降至4.1，虽接近但略高于PET-CT重测变异，表明仍有改进空间 | 解决PET-MRI和PET-CT之间的系统偏差，实现跨平台诊断阈值和纵向监测的一致性 | 神经退行性疾病患者的PET扫描数据 | 机器学习 | 神经退行性疾病 | PET | 视觉Transformer自编码器 | 图像 | 70例同日配对扫描（F-FDG、F-florbetaben、F-florzolotau）；420例多中心验证（3个站点，4个供应商） | PyTorch | 视觉Transformer自编码器，注意力引导残差校正 | 偏差降低（>80%），淀粉样蛋白Centiloid差异，tau SUVR阈值 | NA |
| 7209 | 2026-05-26 |
A Deep Learning Model for Absolute Risk Prediction of Alcohol Use Disorder in Adolescents and Young Adults
2026-03, Drug and alcohol review
IF:3.0Q2
DOI:10.1111/dar.70131
PMID:41748155
|
研究论文 | 开发了一种深度学习模型，用于预测青少年和年轻人酒精使用障碍的绝对风险 | 首次提出用于酒精使用障碍绝对风险预测的深度学习模型 | NA | 构建个性化绝对风险预测模型，早期识别高风险青少年和年轻酒精使用者 | 美国青少年至成人健康纵向研究（Add Health）中的青少年和年轻人 | 机器学习 | 酒精使用障碍 | NA | 深度学习模型 | 表格数据（纵向调查数据） | NA | NA | NA | AUC, E/O比率 | NA |
| 7210 | 2026-05-26 |
Few-shot learning for highly accelerated 3D time-of-flight MRA reconstruction
2026-02, Magnetic resonance in medicine
IF:3.0Q2
DOI:10.1002/mrm.70072
PMID:40931540
|
研究论文 | 提出一种基于少样本学习的3D时间飞跃法磁共振血管成像重建方法，以极少的实验获取数据实现高质量重建 | 提出了专为3D TOF-MRA设计的3D变分网络，利用模拟多线圈K空间数据进行预训练，仅用两个单层实验数据集进行微调，解决了高分辨率全脑血管成像数据获取耗时的难题 | 未明确提及局限性，但训练数据仅限于模拟和少量实验数据，可能影响极端临床场景的泛化性 | 开发一种深度学习重建方法，实现高度加速的3D TOF-MRA成像，在极有限原始数据下保持高质量重建和鲁棒泛化 | 3D时间飞跃法磁共振血管成像（TOF-MRA）数据 | 计算机视觉 | 脑血管疾病 | 磁共振血管成像（MRA）、K空间模拟 | 变分网络 | 复数多线圈K空间数据、幅度图像 | 5名健康志愿者的回顾性欠采样in vivo数据、2名额外受试者的前瞻性欠采样数据 | PyTorch | 3D变分网络 | 重建质量评估（保留细血管、最小伪影）、加速倍数（8倍） | NA |
| 7211 | 2026-05-26 |
TDD-YOLO: A novel model for precise detection of tomato diseases
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0334989
PMID:42172292
|
研究论文 | 提出了一种基于YOLOv11改进的TDD-YOLO模型，用于在复杂农业环境中精确检测番茄病害 | 添加特征增强模块提升主干网络提取病害斑点纹理的能力；引入联合注意力机制显式建模跨维度依赖以抑制背景干扰；增加特征融合模块保留多尺度病害信息并降低计算成本 | 未明确提及局限性 | 解决现有深度学习模型在提取细微病害特征、抑制复杂背景干扰及处理多尺度病害表示方面的不足 | 番茄叶片上的六种病害 | 计算机视觉 | 番茄病害 | NA | YOLOv11 | 图像 | Tomato-Village数据集（含田间采集的番茄叶片图像，六种病害，复杂背景和光照变化）；Tomato-Disease数据集（更多样化的番茄病害类型及健康叶片样本） | PyTorch | TDD-YOLO（基于YOLOv11改进） | mAP@50, mAP@50:95 | NA |
| 7212 | 2026-05-26 |
Enhancing precision harvesting in smart orchards: a light-weight neural network for apple maturity detection
2026, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2026.1820164
PMID:42179477
|
研究论文 | 提出轻量化神经网络HRLN-YOLO用于智能果园中苹果成熟度检测，在保证精度的同时大幅减少网络参数量与计算量 | 设计了轻量化骨干网络HGBackbone以增强特征提取和加速推理；构建增强型颈部模块RCF_Neck提升遮挡下的多尺度特征融合；开发轻量化检测头LADH-Head以减少任务冲突并降低计算成本；引入NWD-Loss提高小目标定位稳定性 | 未明确讨论模型在不同天气条件、品种或更大规模数据集上的泛化能力，也未提及部署后的实时能耗或硬件兼容性测试 | 实现资源受限边缘设备上的高精度、轻量化苹果成熟度检测，支持智能果园自动化采摘 | 果园环境中的苹果成熟度检测任务 | 计算机视觉 | NA | 深度学习 | YOLO | 图像 | Orchard Apple Maturity Dataset（具体数量未给出） | NA | HRLN-YOLO (HGBackbone, RCF_Neck, LADH-Head) | 平均精度均值 (mAP@0.5), 参数数量, 计算复杂度（FLOPs） | NA |
| 7213 | 2026-05-26 |
Bridging scales: integrated multi-omics and deep phenotyping for climate resilience in crop plants
2026, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2026.1777294
PMID:42179484
|
综述 | 该文综述了深度表型分析与多组学数据相结合，以推动气候适应性作物育种革命的潜力 | 系统性地讨论了深度表型分析与多组学数据整合如何利用关联作图和机器学习框架来识别优良等位基因和调控中枢，从而打通基因型到表型通路，实现从分子到田间性能的预测育种 | 面临数据维度高、基础设施成本高以及需要标准化流程等挑战 | 评估将深度表型与多组学数据结合，开发高通量作物改良策略以应对气候变化和保障粮食安全 | 农作物（多种作物） | 机器学习 | NA | 下一代测序, 多组学, 深度表型分析, 非侵入性成像 | 监督学习, 无监督学习, 深度学习 | 多组学数据（基因组、转录组等）, 图像（表型成像） | NA | NA | NA | NA | NA |
| 7214 | 2026-05-26 |
Detection and classification of lung cancer using sequential hybridization of CNN and RNN type architectures
2026, Frontiers in big data
IF:2.4Q2
DOI:10.3389/fdata.2026.1786859
PMID:42179777
|
研究论文 | 提出一种融合CNN和RNN的深度学习框架用于CT图像肺癌多分类 | 采用DenseNet201提取特征后串联双向门控循环单元（BiGRU）进行序列表示学习，并通过CLAHE增强、形态学分割和结节聚焦掩码优化预处理 | 需在更大规模多中心数据集和临床测试中验证 | 开发自动化可靠的CT图像肺癌分类框架，区分良性、恶性和正常肺组织 | 1,600张CT扫描图像 | 计算机视觉 | 肺癌 | CT成像 | CNN-RNN混合模型 | 图像 | 1,600张CT图像（约70%训练，30%验证） | TensorFlow | DenseNet201, 双向门控循环单元（BiGRU） | 准确率, 精确率, 召回率, F1分数 | NA |
| 7215 | 2026-05-26 |
A patient-aware benchmarking of CNN and transformer architectures for breast cancer histopathology classification
2026, Frontiers in digital health
IF:3.2Q2
DOI:10.3389/fdgth.2026.1752938
PMID:42179815
|
研究论文 | 在乳腺癌组织病理学分类任务中，对CNN和Transformer架构进行患者感知的基准测试 | 采用严格的无数据泄露患者感知交叉验证协议，系统比较了九种深度学习架构在乳腺癌组织病理学分类中的性能，并发现不同架构间的性能差异无统计学显著性 | 仅使用BreaKHis单一数据集，且高倍率（400×）图像因上下文信息不足导致性能下降 | 建立无数据泄露的基准测试框架，评估不同深度学习架构在乳腺癌组织病理学分类中的可靠性 | BreaKHis数据集中82名患者的7909张乳腺癌组织病理学图像 | 数字病理学 | 乳腺癌 | 组织病理学成像 | CNN和Transformer | 图像 | 82名患者的7909张图像 | PyTorch | ResNet50, MobileNetV2, VGG16, DenseNet121, Xception, EfficientNetB0, ConvNeXt, Swin-Small, Swin-Base | 准确率, 精确率, 召回率, F1分数, 配对t检验, 威尔科克森符号秩检验, 邦费罗尼校正 | 未指定（NA） |
| 7216 | 2026-05-26 |
Computational predictive processing models of consciousness: a systematic review of non-invasive brain signal analysis in disorders of consciousness
2026, Frontiers in computational neuroscience
IF:2.1Q3
DOI:10.3389/fncom.2026.1797090
PMID:42179888
|
综述 | 系统综述了近15年计算预测处理模型在意识障碍患者无创脑信号分析中的应用 | 从简单波形平均转向层次预测误差的高维解码，并验证了全局信息共享标记物在区分意识状态中的有效性 | 未详细说明具体计算模型的可解释性及临床转化中的实际部署障碍 | 评估计算PP模型对意识障碍患者的诊断和预后价值，并识别临床转化的方法学挑战 | 意识障碍患者（植物状态/无反应觉醒综合征和最小意识状态） | 机器学习 | 意识障碍 | 无创脑信号分析（如脑电图、脑磁图等，但未明确指定具体技术） | 深度学习和多变量模式分析 | 脑信号（非图像/文本，属于生理信号） | 约2045名参与者 | NA | NA | 特异性和敏感度（用于预测苏醒） | NA |
| 7217 | 2026-05-26 |
Feasibility of multi-class dental caries detection using deep learning-based smartphone images: a pilot prospective study
2026, Frontiers in oral health
IF:3.0Q1
DOI:10.3389/froh.2026.1805448
PMID:42179881
|
研究论文 | 本研究评估了基于深度学习的智能手机图像在多类龋齿检测中的可行性 | 首次将YOLOv6-L6模型应用于智能手机拍摄的多类龋齿检测，并对比了不同分类方案（二类、四类、五类）的性能 | 样本量较小（70名成人），为初步试点研究，且有类不平衡问题导致平均精度（mAP）较低 | 评估深度学习辅助智能手机图像进行多类龋齿检测的可行性及其在患者驱动筛查中的潜力 | 70名成人自拍的6张口内智能手机图像 | 计算机视觉 | 龋齿 | 智能手机成像 | YOLOv6 | 图像 | 70名成人，共420张图像 | PyTorch | YOLOv6-L6 | 灵敏度、特异性、精确率、准确率、F1分数、平均精度 | NA |
| 7218 | 2026-05-26 |
High-throughput Screening of Sequence Elements Associated with RNA Localization
2026, Computational and structural biotechnology journal
IF:4.4Q2
DOI:10.34133/csbj.0107
PMID:42179915
|
研究论文 | 介绍SRLE-seq方法高通量筛选与RNA定位相关的序列元件 | 设计了SRLE-seq技术，通过测序高通量筛选RNA定位功能元件，并结合深度学习模型实现72%的亚细胞定位预测准确率 | 未在论文标题和摘要中明确提及局限性信息 | 开发高效方法识别RNA定位相关功能序列元件 | RNA分子及其亚细胞定位相关的序列元件 | 机器学习, 自然语言处理 | 肺癌 | 高通量测序, SRLE-seq | 深度学习模型 | 序列数据 | 6-mer序列文库，包含110个核滞留相关和49个核输出相关的6-mer | NA | 深度学习模型（具体架构未明确） | 准确率 | NA |
| 7219 | 2026-05-26 |
A deep learning and radiomics fusion model enhances endoscopic ultrasonography diagnosis of gastric tumors
2026, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2026.1718061
PMID:42180041
|
研究论文 | 提出一种融合深度学习与影像组学特征的模型，用于增强超声内镜对胃肿瘤的诊断 | 创新性地将深度学习特征与影像组学特征相结合，通过t检验和LASSO方法进行特征选择，并整合临床特征构建多参数模型，提升胃肿瘤分类性能 | 基于回顾性研究，样本量有限，可能影响模型泛化性 | 开发更准确高效的胃肿瘤分类模型，辅助临床诊断 | 219名患者的4806张超声内镜图像 | 计算机视觉, 数字病理学 | 胃肿瘤 | 超声内镜 | 深度学习模型, 影像组学模型 | 图像 | 219名患者的4806张超声内镜图像 | NA | NA | AUC, 敏感性, 特异性, 阳性预测值, 阴性预测值, 准确率 | NA |
| 7220 | 2026-05-26 |
Hybrid Ant-Baby Optimizer and BiLSTM framework for high-performance IoT intrusion detection
2026, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2026.1795030
PMID:42180302
|
研究论文 | 提出一种结合蚁宝宝优化器与双向长短时记忆网络的混合框架，用于物联网入侵检测 | 首次将蚁宝宝优化器用于特征选择，通过互信息替换低相关特征，再结合双向LSTM捕捉双向时序依赖 | 计算复杂度与数据集限制的相互影响未充分量化 | 解决物联网入侵检测中高维流量数据、类别不平衡和攻击模式多变的问题 | 物联网网络中的入侵检测数据流 | 机器学习 | NA | NA | BiLSTM | 网络流量数据 | CICIoT2023数据集 | NA | BiLSTM | 准确率, 精确率, 召回率, F1值, 推理延迟, 吞吐量 | NA |