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 7692 篇文献，本页显示第 1461 - 1480 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1461 | 2026-05-24 |
Artificial intelligence in drug research and development: a review of methods and applications in drug repurposing
2026-May-04, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbag203
PMID:42166427
|
综述 | 综述人工智能在药物研发中的方法与应用，重点关注药物重定位 | 系统梳理从经典算法到最新AI方法在药物重定位中的应用，涵盖蛋白质结构预测到知识图谱推理的多种技术 | 数据可用性、模型可解释性和结果验证方面存在挑战 | 回顾AI方法在药物重定位中的设计应用，探讨如何加速候选药物的临床重定位 | 药物重定位中使用的AI方法及相关工具 | 机器学习 | NA | NA | 机器学习模型、深度学习模型、生物网络分析模型 | 文本、生物数据 | NA | NA | AlphaFold3, mediKanren, AdaDR, TxGNN | NA | NA |
| 1462 | 2026-05-24 |
Reconstructing cell-cell interaction network in single-cell spatial transcriptomics via directed heterogeneous graph autoencoder
2026-May-03, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btag130
PMID:41999209
|
研究论文 | 提出基于有向异构图自编码器的DualCellChat方法，从单细胞空间转录组数据中重建细胞间相互作用网络 | 首次将有向异构图自编码器引入细胞间相互作用网络重建，能够天然建模细胞相互作用的极性方向 | 未提及具体局限 | 从单细胞空间转录组重建完整准确的细胞间相互作用网络 | 五种来自四种不同技术的单细胞空间数据集 | 数字病理学 | 未指定 | 空间转录组 | 图自编码器 | 单细胞空间转录组数据 | 五个单细胞空间数据集 | PyTorch | 有向异构图自编码器 | 准确度, 精确度, 召回率, F1分数 | 未提及 |
| 1463 | 2026-05-24 |
A systematic review of artificial intelligence applications in oncology nursing surveillance and patient monitoring
2026-May-02, International journal of palliative nursing
IF:0.7Q4
DOI:10.12968/ijpn.2025.0121
PMID:42172076
|
综述 | 系统回顾了人工智能在肿瘤护理监测和患者监控中的应用，识别了关键实施障碍和促进因素 | 首次系统总结了人工智能在肿瘤护理监测中的应用证据，涵盖风险预测、早期预警、放射组学等多领域，并分析了实施的关键障碍与促进因素 | 数据异质性、样本量小且回顾性、外部验证有限、工作流程整合困难、成本高和隐私问题 | 系统回顾人工智能在肿瘤护理监测中的实证证据，评估其对患者安全和护理质量的影响 | 肿瘤护理中的患者监测和预警系统 | 机器学习,自然语言处理 | 肿瘤 | NA | 机器学习,深度学习,自然语言处理 | 临床数据,影像数据,患者报告结果 | 105项研究纳入定性综合 | NA | NA | 准确性 | NA |
| 1464 | 2026-05-24 |
Deep Learning Integration in Optical Microscopy: Advancements and Applications
2026-May, Microscopy research and technique
IF:2.0Q3
DOI:10.1002/jemt.70112
PMID:41486782
|
综述 | 探讨深度学习在光学显微镜中的整合应用，包括图像分类、分割和计算重建 | 系统综述了深度学习如何提升光学显微镜的性能，涵盖多种架构（CNN、U-Net、ResNet、GAN）在不同显微镜模态中的应用 | 依赖于大规模标注数据集、动态样本变异性、模型可解释性差以及潜在的数据偏差 | 推动深度学习在光学显微镜中的融合，以克服传统显微技术的局限性并提升成像质量与分析能力 | 光学显微镜技术与深度学习方法 | 计算机视觉 | NA | NA | CNN, U-Net, ResNet, GAN | 图像 | NA | NA | CNN, U-Net, ResNet, GAN | NA | NA |
| 1465 | 2026-05-24 |
Research Topics and Trends of Artificial Intelligence in Critical Care Nursing: A Bibliometric Analysis
2026-May, Nursing in critical care
IF:3.0Q1
DOI:10.1111/nicc.70468
PMID:42151094
|
文献综述 | 采用文献计量学方法分析过去十年人工智能在重症护理中的应用研究现状、热点和发展趋势 | 通过CiteSpace软件进行文献计量和聚类分析，系统揭示了人工智能在重症护理领域的研究热点（如深度学习、临床决策支持）和趋势，为临床实践和未来研究提供参考 | 未明确提及具体局限性，但可能受限于数据库选择（仅Web of Science核心合集）和分析时间范围（2015-2025年） | 分析人工智能在重症护理中的研究现状、热点和发展趋势，为临床护理和未来研究提供参考 | Web of Science核心合集中2015年1月1日至2025年4月30日发表的关于人工智能在重症护理中应用的研究文章 | 文献计量学、自然语言处理（关键词分析） | 重症护理相关疾病（如心脏骤停） | 文献计量分析（CiteSpace 6.3 R1软件） | 深度学习（DL）模型 | 文本数据（出版文章的关键词、作者、机构等元数据） | 1597篇出版物 | CiteSpace | NA | NA | NA |
| 1466 | 2026-05-24 |
Predicting categorical and continuous Alzheimer's disease outcomes from a single MRI scan
2026-May, Nature aging
IF:17.0Q1
DOI:10.1038/s43587-026-01121-2
PMID:42151377
|
研究论文 | 提出一种多任务深度学习策略，仅使用单次基线MRI扫描预测阿尔茨海默病的分类诊断和连续认知评分 | 结合领域知识与大规模预训练模型，通过定制损失函数和组织分割调优的潜在表示作为正则化特征，无需纵向、多模态或专用神经影像数据即可从单次基线扫描预测当前及未来的认知评分 | NA | 开发一种仅依赖基线MRI和人口统计数据的多任务深度学习框架，用于预测阿尔茨海默病的分类诊断、认知评分及其纵向变化 | 阿尔茨海默病患者及健康对照的认知评估和MRI扫描数据 | 计算机视觉 | 阿尔茨海默病 | MRI | 多任务深度学习模型 | 图像（MRI）和人口统计数据 | NA | PyTorch | 大规模预训练模型 | 诊断准确率、认知评分预测精度 | NA |
| 1467 | 2026-05-24 |
Smart beamforming and deep-learning reader for RFID systems in edge IoT
2026-Apr-19, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-43657-8
PMID:42002557
|
研究论文 | 提出一种结合波束成形与深度学习解码器的新型无芯片RFID系统，用于5G/物联网边缘 | 首次将波束成形技术和深度学习解码器整合到无芯片RFID系统中，通过协同设计标签物理结构、波束成形阅读器和深度学习推理，实现高密度频谱编码与鲁棒解码 | 研究主要基于仿真和暗室测量，实际边缘物联网环境中的性能验证尚未充分；系统对标签弯曲和角度变化的鲁棒性仍需进一步测试 | 开发一种可扩展、频谱高效且鲁棒的无芯片RFID识别系统，适用于5G无线边缘物联网环境 | 无芯片RFID标签（地背T形微带谐振器阵列）、波束成形阅读器（1×4 Tx/Rx波束成形）、深度学习解码器（一维卷积神经网络） | 机器学习, 数字信号处理 | NA | 无芯片RFID, 波束成形, 深度学习, RCS测量 | 一维卷积神经网络 | RCS频谱数据 | 使用全波仿真和双静态RCS测量数据，具体样本量未明确提及 | FPGA/SoC平台, PyTorch（推测用于深度学习模型训练） | 一维卷积神经网络 | 比特级准确率, 全码准确率 | FPGA/SoC边缘平台，波束成形采用窄带数字波束成形 |
| 1468 | 2026-05-24 |
Diagnostic performance of deep learning models on ultrasound images for distinguishing benign from malignant ovarian cysts
2026-Apr-15, Journal of ovarian research
IF:3.8Q1
DOI:10.1186/s13048-026-02090-1
PMID:41987029
|
研究论文 | 评估深度学习模型在超声图像上区分卵巢囊肿良恶性的诊断性能 | 首次比较深度学习模型与资深超声医师及O-RADS分类系统在卵巢囊肿超声图像诊断中的性能，并证明DenseNet121模型具有更优的区分能力 | 未提及具体局限性，但可能包括样本量有限或模型泛化性待验证 | 探索深度学习模型在超声图像中自动准确分类卵巢囊肿良恶性的能力 | 卵巢囊肿的超声图像 | 计算机视觉 | 卵巢囊肿 | 超声成像 | 深度学习模型 | 图像 | 未明确提及样本数量，但涉及超声图像数据集 | NA | DenseNet121 | AUC, 准确率 | NA |
| 1469 | 2026-05-24 |
Differentiation of adrenal metastases and adenomas based on clinical characteristics, deep learning features, and radiomics features derived from ultrasound imaging
2026-Apr-14, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-026-02343-x
PMID:41981403
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1470 | 2026-05-24 |
[Contrast-enhanced CT-based habitat radiomics for analyzing the predictive capability for oral squamous cell carcinoma]
2026-Apr-01, Hua xi kou qiang yi xue za zhi = Huaxi kouqiang yixue zazhi = West China journal of stomatology
DOI:10.7518/hxkq.2026.2025211
PMID:41919548
|
研究论文 | 基于对比增强CT的病灶影像组学分析，预测口腔鳞状细胞癌的颈淋巴结转移和病理亚型 | 将深度学习和病灶分析模型相结合，通过K-means聚类将CT图像分为三个区域，并利用全连接神经网络进行特征选择，构建了临床-病灶联合模型，显著提高了预测性能 | NA | 探索预测口腔鳞状细胞癌颈淋巴结转移和病理亚型的新方法 | 经石蜡病理诊断为口腔鳞状细胞癌的107例患者 | 计算机视觉 | 口腔癌 | 对比增强CT | K-means聚类, 全连接神经网络 | 图像 | 107例患者 | NA | 全连接神经网络 | ROC曲线下面积, 混淆矩阵 | NA |
| 1471 | 2026-05-24 |
Predicting Pharmacological Treatment Response in Migraine Using AI/ML: A Scoping Review of the Evidence and Future Directions
2026-02, Pharmacotherapy
IF:2.9Q2
DOI:10.1002/phar.70085
PMID:41276479
|
综述 | 系统评估了人工智能/机器学习模型预测偏头痛药物治疗反应的证据，并指出了方法学上的关键缺陷及未来方向 | 首次对AI/ML预测偏头痛药物反应的证据进行系统范围综述，揭示大多数研究仅依赖内部验证、缺乏外部验证，以及数据模态不全等核心问题 | 纳入研究存在普遍的方法学弱点，如过度依赖内部验证、患者队列重叠、缺乏生物标志物和遗传数据 | 评估AI/ML模型预测偏头痛急性或预防性药物治疗反应的证据，并提出未来研究方向 | 偏头痛患者的药物治疗反应预测模型 | 机器学习 | 偏头痛 | NA | 支持向量机、深度学习、概率模型 | 临床表型数据和神经影像数据 | 12项符合条件的研究 | NA | 支持向量机、深度学习模型、概率模型 | 预测准确性 | NA |
| 1472 | 2026-05-24 |
Deep learning motion correction of quantitative stress perfusion cardiovascular magnetic resonance
2026-Jan-20, Journal of cardiovascular magnetic resonance : official journal of the Society for Cardiovascular Magnetic Resonance
IF:4.2Q1
DOI:10.1016/j.jocmr.2026.102697
PMID:41571054
|
研究论文 | 开发并评估了基于无监督深度学习的运动校正流程，用于定量压力灌注心血管磁共振成像中的运动伪影校正 | 采用无监督深度学习模型替代传统迭代配准优化，实现单步快速估计运动校正，结合主成分分析抑制动态对比效应，显著提升处理速度和鲁棒性 | NA（摘要未明确提及限制） | 提高定量压力灌注心血管磁共振成像中运动校正的效率和鲁棒性，促进临床广泛应用 | 心脏灌注系列图像及辅助图像，包括低分辨率短饱和准备时间动脉输入函数系列和质子密度加权图像 | 计算机视觉 | 心血管疾病 | 心脏磁共振灌注成像 | 深度学习模型（无监督） | 图像 | 201名患者的多厂商数据用于训练和验证，38名患者数据独立测试 | NA | NA | 时间强度曲线平滑度、Dice系数、定量灌注图标准差、处理时间 | NA |
| 1473 | 2026-05-24 |
Nephrocast-V: A Deep Learning Model for the Prediction of Vancomycin Trough Concentration Using Electronic Health Record Data
2026-01, Pharmacotherapy
IF:2.9Q2
DOI:10.1002/phar.70062
PMID:41025800
|
研究论文 | 利用深度学习模型基于电子健康记录数据预测重症监护病房患者万古霉素谷浓度 | 提出结合长短期记忆网络和多头注意力机制的深度学习模型，提前2天预测万古霉素谷浓度并给出剂量调整建议 | 单中心回顾性研究，样本量有限（2205次住院记录），模型性能与临床药师辅助贝叶斯软件相当但未显著超越 | 验证深度学习模型在重症患者中预测万古霉素谷浓度并优化给药方案的可行性 | 2016年1月至2024年6月入住加州大学圣地亚哥健康系统ICU的成年患者 | 机器学习 | 感染性疾病（革兰阳性菌感染） | 电子健康记录数据提取 | 长短期记忆网络结合多头注意力机制 | 结构化电子健康记录数据 | 2205次住院记录 | NA | LSTM, Multi-Head Attention, Skip Connections | 平均绝对误差（MAE），均方根误差（RMSE） | NA |
| 1474 | 2026-05-24 |
Computational drug design in the artificial intelligence era: A systematic review of molecular representations, generative architectures, and performance assessment
2026-01, Pharmacological reviews
IF:19.3Q1
DOI:10.1016/j.pharmr.2025.100095
PMID:41389438
|
综述 | 系统综述了人工智能时代计算药物设计中分子表征、生成架构和性能评估的现状 | 提出按药物表征优先、生成模型类型其次的分类框架，明确不同模型对特定分子数据类型的适用性 | 文中未明确阐述局限性 | 为人工智能驱动的药物发现提供统一框架，理解表征选择、生成机制和评估范式间的复杂关系 | 计算药物设计中的分子表征策略、生成架构和评估方法 | 机器学习 | NA | 深度学习 | 变分自编码器，生成对抗网络，强化学习系统，扩散模型 | 分子数据 | NA | NA | VAE, GAN, 强化学习, 扩散模型 | NA | NA |
| 1475 | 2026-05-24 |
Deep Learning-Enabled Virtual Multiplexed Immunostaining of Label-Free Tissue for Vascular Invasion Assessment
2026, BME frontiers
IF:5.0Q1
DOI:10.34133/bmef.0226
PMID:41676162
|
研究论文 | 基于深度学习的无标记组织虚拟多重免疫染色方法，用于血管侵犯评估 | 首次利用深度学习实现无标记组织的虚拟多重免疫染色，同时生成ERG、PanCK和H&E图像，避免传统化学染色流程 | 当前未明确提及虚拟染色在复杂组织异质性或罕见病变中的泛化能力，以及临床大规模验证的不足 | 开发并验证一种基于深度学习的虚拟多重免疫染色方法，用于提高血管侵犯评估的准确性和效率 | 甲状腺癌组织切片，评估血管侵犯标志物ERG、PanCK和H&E的表达 | 数字病理学 | 甲状腺癌 | 深度学习的虚拟多重免疫染色（自动荧光成像为基础） | 深度学习模型 | 无标记组织自动荧光图像 | NA（未在标题和摘要中明确样本数量） | NA | NA | 一致性评估（与组织化学染色结果对比，由病理医生盲审） | NA |
| 1476 | 2026-05-24 |
Encoding functional edges in graphs to model spatially varying relationships in the tumor microenvironment
2026, NPJ artificial intelligence
DOI:10.1038/s44387-026-00075-5
PMID:41783808
|
研究论文 | 介绍了一个名为SPIFEE的图深度学习框架，用于模拟肿瘤微环境中多尺度的空间变化关系 | 通过将空间变化的函数向量直接编码到图边中，增强了图表示的表达能力，且框架与模态无关，支持跨模态整合 | 未明确提及，但可能包括对计算资源的需求或处理大规模数据时的可扩展性挑战 | 开发一个灵活的图深度学习框架，以揭示肿瘤微环境中的多级空间洞察 | 肿瘤微环境中的空间关系，包括细胞类型、表型簇和分子通路 | 数字病理学，机器学习 | 癌症 | 多重免疫荧光、H&E组织病理学、空间转录组学 | 图神经网络 | 图像，文本 | 未明确提及（使用了多重免疫荧光、H&E组织病理学和空间转录组学数据集） | PyTorch（根据图神经网络框架推断） | 基于图注意力机制的自定义图神经网络 | 性能指标未明确列出，但提到优于现有空间建模方法 | 未明确提及 |
| 1477 | 2026-05-24 |
Ontogenetic shifts in morphology and ecology of eastern Pacific white sharks revealed by computer vision
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0348174
PMID:42160294
|
研究论文 | 结合无人机和深度学习分析东太平洋白鲨的形态与生态 | 首次利用无人机影像和深度学习流水线远程获取大型海洋捕食者的高分辨率形态测量数据，揭示个体发育驱动的生态结构 | 依赖高分辨率无人机影像质量，且研究区域局限于蒙特雷湾，可能不反映全种群特征 | 探究东太平洋白鲨的形态变化与生态结构，及其与个体发育和性别的关系 | 东太平洋白鲨（Carcharodon carcharias） | 计算机视觉 | NA | 无人机成像 | 深度学习 | 图像 | 东太平洋白鲨个体（具体数量未明确） | NA | UNet, ResNet, Transformer | NA | NA |
| 1478 | 2026-05-24 |
Prediction of cognitive impairment through speech data analysis: A comparative evaluation of deep learning models
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0349412
PMID:42166472
|
研究论文 | 评估多种深度学习模型在通过语音数据分类正常认知、轻度认知障碍和阿尔茨海默病个体中的表现，以识别最有效的基于音频的认知障碍诊断方法 | 系统比较了一维卷积神经网络、音频频谱图变换器和Wav2Vec 2.0三种深度学习架构在认知障碍分类任务中的性能，并采用统计检验确保结果显著性 | 研究仅纳入女性参与者，可能限制结果的普适性；数据集来源单一，需在其他人群验证 | 确定基于语音数据的认知障碍诊断中最有效的深度学习模型 | 认知障碍患者的语音录音数据 | 自然语言处理, 机器学习 | 阿尔茨海默病, 认知障碍 | 语音数据分析 | 卷积神经网络, 变换器, 语音识别模型 | 音频数据 | 320名女性参与者（105名阿尔茨海默病患者、92名轻度认知障碍患者、123名正常认知对照） | PyTorch | 一维卷积神经网络, 音频频谱图变换器, Wav2Vec 2.0 | 准确率, 召回率, 精确率, F1分数, 威尔逊评分95%置信区间 | NA |
| 1479 | 2026-05-24 |
Eigen-guided transformer: A data-driven approach for chronic kidney disease forecasting
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0348886
PMID:42166450
|
研究论文 | 提出一种基于特征值引导的Transformer架构，用于慢性肾病的精准预测 | 通过数据驱动的特征值分析自动确定注意力头数量、特征向量引导的权重初始化及验证驱动的深度优化，提升模型效率与可解释性 | 未提及，但可能受限于MIMIC-IV和eICU数据集的样本代表性 | 实现慢性肾病进展的精准预测并解决深度模型的计算低效与可解释性不足问题 | 慢性肾病患者的纵向临床序列数据 | 机器学习 | 慢性肾病 | NA | Transformer | 序列数据，数值型临床指标 | MIMIC-IV数据集和eICU数据集（每日聚合的纵向序列），具体样本量未在摘要中说明 | PyTorch | Eigen-Guided Transformer | 均方误差（MSE）、平均绝对误差（MAE）、FLOPs/准确率比 | NA（未在摘要中说明） |
| 1480 | 2026-05-23 |
A Hierarchical Multimodal Framework for Sedation Monitoring in ICU Patients
2026-Jun, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3626584
PMID:41150235
|
研究论文 | 提出一种分层多模态融合动态校正框架，整合脑电图与生理信号用于ICU患者镇静水平监测 | 提出分层多模态融合与动态校正机制，通过置信加权方法智能融合脑电图时域特征和频谱特征，实现优于单模态和简单融合方法的镇静状态分类性能 | 未提及 | 开发一种连续、客观的ICU患者镇静水平监测方法，克服传统行为量表的主观性和延迟性 | ICU患者的镇静水平分级（RASS评分从-5到+1的七个等级） | 机器学习 | 重症监护疾病 | 脑电图（EEG）与生理信号采集 | 深度学习多模态融合模型（分层多模态融合动态校正框架） | 时间序列信号（脑电图、血压、心率、血氧饱和度） | 105名ICU患者的2880个标注RASS评估样本 | NA | 双流路径网络（处理原始时域脑电图数据和频谱图的谱特征）、动态校正模块 | 分类准确率（83.8%） | NA |