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 1071 篇文献，本页显示第 241 - 260 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 241 | 2026-02-17 |
Multicenter Clinical Validation of an Artificial Intelligence Diagnostic Classification Model for Laryngoscopy Images
2026-Feb-16, Otolaryngology--head and neck surgery : official journal of American Academy of Otolaryngology-Head and Neck Surgery
DOI:10.1002/ohn.70153
PMID:41696998
|
研究论文 | 本研究开发并外部验证了一个基于人工智能的计算机辅助诊断模型，用于从喉镜图像中对喉部病变进行高风险与低风险分类 | 进行了大规模、多中心的临床验证，证明了模型在不同外部数据集上的泛化能力，并与不同专业水平的医生及ChatGPT-4o进行了性能比较 | 研究为回顾性设计，需要前瞻性临床试验来评估真实世界的临床实施效果 | 开发并验证一个用于喉镜图像分类的AI辅助诊断模型，以区分高风险和低风险喉部病变 | 来自喉镜检查的超过20,000张图像，这些图像根据组织病理学或专家共识进行了标注 | 计算机视觉 | 喉部病变 | 喉镜检查 | 深度学习模型 | 图像 | 超过20,000张喉镜图像 | NA | NA | 准确率, 精确率, 召回率, F1分数, AUC | NA |
| 242 | 2026-02-17 |
Hybrid deep learning novel framework for classification of parkinson's disease
2026-Feb-15, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-37553-4
PMID:41692894
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 243 | 2026-02-17 |
IgPose: A Generative Data-Augmented Pipeline for Robust Immunoglobulin-Antigen Binding Prediction
2026-Feb-15, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btag076
PMID:41692975
|
研究论文 | 本文介绍了一种名为IgPose的生成式数据增强框架，用于免疫球蛋白-抗原结合预测和评分 | 通过构建结构免疫球蛋白诱饵数据库（SIDD）缓解数据稀缺问题，并整合等变图神经网络、ESM-2嵌入和门控循环单元来协同捕获几何和进化特征 | 未在摘要中明确说明 | 开发一个通用框架，用于免疫球蛋白-抗原结合姿态识别和评分，以支持高通量抗体发现 | 免疫球蛋白-抗原复合物 | 机器学习 | NA | 生成式数据增强 | 等变图神经网络, 门控循环单元 | 结构数据, 序列数据 | 未在摘要中明确说明 | 未在摘要中明确说明 | 未在摘要中明确说明 | DockQ分数 | 未在摘要中明确说明 |
| 244 | 2026-02-17 |
stDyer-image improves clustering analysis of spatially resolved transcriptomics and proteomics with morphological images
2026-Feb-15, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btag071
PMID:41692960
|
研究论文 | 本文介绍了一种名为stDyer-image的深度学习框架，旨在利用形态学图像提升空间转录组学和蛋白质组学数据的聚类分析性能 | stDyer-image直接将图像特征与聚类标签关联，而非仅用图像补充基因表达数据，模仿病理学家仅凭形态学图像识别细胞类型或肿瘤区域的能力 | NA | 开发一个端到端的深度学习框架，以增强空间转录组学和蛋白质组学数据（结合形态学图像）的聚类分析 | 空间转录组学和空间蛋白质组学数据集及其对应的形态学图像 | 数字病理学 | NA | 空间转录组学, 空间蛋白质组学 | 深度学习 | 图像, 基因表达数据, 蛋白质丰度数据 | NA | NA | NA | 聚类性能 | NA |
| 245 | 2026-02-17 |
Research Progress in Machine Learning Techniques for Metal-Organic Framework Screening
2026-Feb-15, ACS applied materials & interfaces
IF:8.3Q1
DOI:10.1021/acsami.5c21454
PMID:41693125
|
综述 | 本文综述了机器学习技术在金属有机框架筛选领域的研究进展 | 分析了机器学习在MOF筛选中的应用现状，评估了主流MOF数据库的局限性，并强调了数据真实性和更新频率对模型可靠性的影响 | 当前MOF数据库存在数据真实性和更新频率问题，可能影响模型可靠性 | 探讨机器学习技术在金属有机框架筛选中的应用与发展 | 金属有机框架材料 | 机器学习 | NA | 机器学习 | 图神经网络, Transformer | 材料结构数据 | NA | NA | 图神经网络, Transformer | NA | NA |
| 246 | 2026-02-17 |
Bi-directional YOLOv10 with average convolution for brain tumor detection in MRI
2026-Feb-14, Brain research bulletin
IF:3.5Q2
|
研究论文 | 本研究通过集成平均卷积模块和双向路径来增强YOLOv10模型，以提高MRI图像中脑肿瘤的检测精度 | 提出了两个创新模块：AvConv（平均卷积）模块和Bidirectional Pathway（双向路径），以提升YOLOv10模型在脑肿瘤检测中的性能 | 使用的数据集规模相对较小（分别为1116张和153张图像），可能限制了模型的泛化能力 | 开发一种更准确的自动化脑肿瘤检测方法，以辅助医学诊断 | MRI图像中的脑肿瘤 | 计算机视觉 | 脑肿瘤 | MRI | YOLO | 图像 | 两个Kaggle数据集：数据集1包含1116张图像，数据集2包含153张图像 | NA | YOLOv10 | mAP50, mAP50-95 | NA |
| 247 | 2026-02-17 |
Real-time intraoperative depth estimation in transsphenoidal surgery using deep learning: A feasibility study
2026-Feb-14, Journal of clinical neuroscience : official journal of the Neurosurgical Society of Australasia
IF:1.9Q4
DOI:10.1016/j.jocn.2026.111910
PMID:41691750
|
研究论文 | 本研究探索了使用预训练的深度学习模型DINOv2在经蝶窦内镜手术中实时估计深度的可行性 | 首次将DINOv2模型应用于经蝶窦内镜手术视频，实现基于深度学习的实时深度估计，无需特殊内镜设备 | 深度预测与手动分割的阈值未标准化，半定量结果需谨慎解释，且深度图质量有待提升 | 评估深度学习在神经外科内镜手术中增强深度感知的潜力，以改善术中定位 | 经蝶窦内镜手术视频，包括垂体腺瘤、颅咽管瘤、脊索瘤或脑膜瘤等病变 | 计算机视觉 | 神经外科疾病 | 内镜视频分析 | 深度学习模型 | 视频, 图像 | 8例经蝶窦内镜手术视频，从中随机选取488张图像 | NA | DINOv2 | DICE相似性指数 | NA |
| 248 | 2026-02-17 |
Deep learning-based object detection of dental implant systems in panoramic and periapical radiographs
2026-Feb-14, The Journal of prosthetic dentistry
IF:4.3Q1
DOI:10.1016/j.prosdent.2026.01.029
PMID:41692618
|
研究论文 | 本研究开发并评估了一种基于深度学习的模型，用于在口腔全景X光片和根尖周X光片中自动识别7种牙种植体系统，旨在提高诊断效率并支持修复治疗的临床决策 | 首次将YOLOv10架构应用于牙种植体系统的自动检测，通过多尺度特征融合优化实时检测性能，并利用迁移学习处理类别不平衡问题 | 数据集存在类别不平衡问题（如Nobel种植体样本较少），且模型性能可能受到类似放射密度模式的影响，未来需要结合3D成像和异质数据集进行改进 | 开发自动化工具以解决牙种植体系统手动识别耗时、依赖操作者且易出错的问题，提升修复治疗的临床决策支持 | 7种牙种植体系统（Adin, Dentium, Dionavi, Make It Simple (MIS), Nobel, Noris, Osstem）在口腔X光片中的检测 | 计算机视觉 | NA | X光成像（全景和根尖周放射影像） | CNN | 图像 | 4677张匿名X光图像，包含8189个种植体 | PyTorch | YOLOv10, CSPDarknet, PANet | 精确率, 召回率, F1分数, 平均精度均值(mAP) | NVIDIA T4 GPU |
| 249 | 2026-02-17 |
Deep learning for histopathological diagnosis of esophageal squamous cell carcinoma in biopsies: A multicenter analysis
2026-Feb-14, Digestive and liver disease : official journal of the Italian Society of Gastroenterology and the Italian Association for the Study of the Liver
IF:4.0Q1
DOI:10.1016/j.dld.2026.01.230
PMID:41692642
|
研究论文 | 本文开发了一种基于深度学习的食管鳞状细胞癌活检诊断系统，并在多中心数据集上进行了验证 | 开发了首个用于食管鳞状细胞癌活检诊断的AI系统，并在多中心外部验证中展示了高准确性和泛化能力，同时显著减少了病理医生的诊断时间 | 模型在手术切除和内镜黏膜下剥离标本上的性能（AUC=0.827）略低于活检标本，可能受样本类型差异影响 | 开发并验证一种AI辅助诊断系统，以提高食管鳞状细胞癌活检标本的组织病理学诊断准确性和效率 | 食管活检、手术切除及内镜黏膜下剥离标本的H&E染色全切片图像 | 数字病理学 | 食管鳞状细胞癌 | H&E染色，全切片图像扫描 | CNN | 图像 | 训练集515张WSI（含226例恶性），验证集50张WSI（22例恶性），内部测试集539张WSI（149例恶性），外部多中心验证945张WSI（351例恶性），手术/ESD标本173张WSI（131例恶性） | NA | DeepLab-v3, ResNet-50 | AUC, 准确率, 灵敏度, 特异性 | NA |
| 250 | 2026-02-17 |
Corrigendum to "Deep learning in fetal, infant, and toddler neuroimaging research"[Dev. Cognit. Neurosci. (2026), 101680]
2026-Feb-14, Developmental cognitive neuroscience
IF:4.6Q1
DOI:10.1016/j.dcn.2026.101694
PMID:41692673
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 251 | 2026-02-17 |
Identification of a type 1 diabetes-associated T cell receptor repertoire signature from the human peripheral blood
2026-Feb-13, Science advances
IF:11.7Q1
DOI:10.1126/sciadv.adx7448
PMID:41686902
|
研究论文 | 本研究通过分析2250名参与者的T细胞受体β链序列，结合深度学习识别出与1型糖尿病相关的TCR基序，揭示了HLA风险等位基因对TCR库的限制作用 | 首次在大规模跨队列研究中，利用深度学习识别出T1D相关的TCR基序，并验证其在胰腺引流淋巴结中的存在，为基于TCR的诊断和治疗提供了新思路 | 研究为横断面设计，无法确定TCR基序与疾病进展的因果关系；样本主要来自外周血，可能未完全反映局部免疫反应 | 识别与1型糖尿病相关的T细胞受体特征，探索HLA等位基因对TCR库的影响 | 2250名HLA分型的参与者，包括1型糖尿病患者、健康相关及无关对照 | 机器学习 | 1型糖尿病 | T细胞受体β链测序 | 深度学习 | 序列数据 | 2250名参与者 | NA | NA | NA | NA |
| 252 | 2026-02-17 |
Detection of prostate cancer in 3D pathology datasets via generative immunolabeling
2026-Feb-13, Modern pathology : an official journal of the United States and Canadian Academy of Pathology, Inc
IF:7.1Q1
DOI:10.1016/j.modpat.2026.100975
PMID:41692323
|
研究论文 | 本文开发了一种名为SIGHT的3D计算流程，用于自动化和改进3D病理数据集中良性区域与前列腺癌富集区域的划分 | 利用深度学习驱动的3D图像转换模型，将H&E模拟的3D病理数据集转换为多路复用的3D免疫荧光数据集，从而生成可解释的癌症富集区域热图 | 研究依赖于有限的样本量（75名患者）进行初步验证，且需要进一步的外部验证以确认其泛化能力 | 自动化并改进3D病理数据集中良性区域与前列腺癌富集区域的划分，以支持基于3D病理的前列腺癌风险分层 | 前列腺组织样本的3D病理数据集 | 数字病理 | 前列腺癌 | 3D病理学、免疫荧光标记 | 深度学习图像转换模型 | 3D图像 | 75名患者 | NA | NA | F1分数、Kaplan-Meier风险比 | NA |
| 253 | 2026-02-17 |
Recurrent neural network long short term memory model to detect the pile toe using raw data of pile integrity test
2026-Feb-12, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-36732-7
PMID:41680218
|
研究论文 | 本文提出了一种使用RNN-LSTM模型自动生成桩身完整性测试速度反射图的新方法 | 首次将RNN-LSTM模型应用于桩身完整性测试的原始加速度数据，以自动生成速度反射图，减少对专家经验的依赖 | 研究数据仅来自埃及的打入桩项目，模型在其他类型桩基或地质条件下的泛化能力有待验证 | 开发一种人工智能系统，通过学习加速度输入中的波传播行为，准确生成能捕捉桩端位置的反射图 | 桩身完整性测试（LSIT）的原始加速度数据 | 机器学习 | NA | 低应变完整性测试（LSIT） | RNN-LSTM | 时间序列数据（加速度信号转换的速度-时间序列） | 来自埃及多个打入桩项目的LSIT数据（具体数量未在摘要中说明） | NA | 六层、32个神经元的LSTM模型 | 决定系数（R）、计算开销、反射图视觉检查 | NA |
| 254 | 2026-02-17 |
eccDNA2Ca: an ensemble deep learning framework for interpretable prediction of cancer-associated extrachromosomal circular DNA
2026-Feb-12, Journal of advanced research
IF:11.4Q1
DOI:10.1016/j.jare.2026.02.014
PMID:41687774
|
研究论文 | 本研究开发了一个名为eccDNA2Ca的可解释集成深度学习框架，用于直接从原始序列预测与癌症相关的染色体外环状DNA | 首次提出一个专门设计用于基于序列特征优先考虑癌症相关eccDNA的可解释、公开可用的计算框架，整合了XGBoost与深度神经网络（CNN和LSTM） | 未明确提及具体局限性 | 预测与癌症相关的染色体外环状DNA（eccDNA），并评估其功能或临床意义 | 人类染色体外环状DNA（eccDNA） | 机器学习 | 癌症 | NA | XGBoost, CNN, LSTM | 序列 | 来自21项研究的465个经实验验证的人类eccDNA，涵盖16种癌症类型 | XGBoost, TensorFlow或PyTorch（未明确指定，但基于深度学习框架） | 集成框架（XGBoost, CNN, LSTM） | AUC, AUPR | NA |
| 255 | 2026-02-17 |
Retinal Biomarkers for Cardiovascular Disease Prediction: A Review Focused on CHD AHD Valvular Disorders and Cardiomyopathies
2026-Feb-12, Current cardiology reviews
IF:2.4Q2
|
综述 | 本文综述了利用视网膜眼底成像作为非侵入性生物标志物预测心血管疾病（特别是先天性心脏病、获得性心脏病、瓣膜病和心肌病）的研究进展 | 系统性地聚焦于视网膜眼底成像在结构性心脏病预测中的应用，并探讨了深度学习、机器学习模型（包括新兴的Transformer和SAM模型）在此领域的潜力 | 数据集不平衡、纵向验证有限、AI模型的黑箱性质以及不同研究间性能比较的挑战 | 评估视网膜成像作为心血管疾病预测工具的可行性与准确性 | 先天性心脏病、获得性心脏病、瓣膜病和心肌病患者 | 数字病理学 | 心血管疾病 | 视网膜眼底成像 | 深度学习, 机器学习 | 图像 | NA | NA | 卷积神经网络, Transformer, Segment Anything Model | AUC, 敏感性 | NA |
| 256 | 2026-02-17 |
Harnessing angular geometry in deep learning for protein-ligand binding affinity prediction
2026-Feb-12, Computer methods and programs in biomedicine
IF:4.9Q1
DOI:10.1016/j.cmpb.2026.109282
PMID:41691876
|
研究论文 | 本文提出了一种利用角几何特征进行蛋白质-配体结合亲和力预测的深度学习方法 | 引入七种蛋白质与配体原子间的二面角作为描述结合相互作用的关键几何特征，替代了传统计算密集的3D网格或体素化表示 | 未明确讨论角特征对某些特殊结合构象或柔性区域的适用性限制 | 开发更高效且准确的蛋白质-配体结合亲和力预测方法，以支持基于结构的药物设计 | 蛋白质-配体复合物 | 机器学习 | NA | 角几何特征提取 | 全连接神经网络 | 结构特征（角几何特征） | 基于CASF-2016基准数据集及其他四个基准数据集 | NA | Angle-Aware Predictor (AAP) | 相关系数 (R), 均方根误差 (RMSE), 平均绝对误差 (MAE), 标准差 (SD), 一致性指数 (CI) | NA |
| 257 | 2026-02-17 |
Integrative profiling of condensation-prone RNAs during early development
2026-Feb-11, Cell genomics
IF:11.1Q1
DOI:10.1016/j.xgen.2025.101065
PMID:41265448
|
研究论文 | 本研究通过整合转录组学分析，识别了一类在早期发育中易于凝聚的RNA，并利用可解释深度学习框架揭示了其序列特征与相分离的关联 | 首次识别并命名了一类新型发育凝聚倾向RNA（smOOPs），并利用可解释深度学习框架系统揭示了其序列组成、折叠特性及RNA结合蛋白结合模式在相分离中的作用 | 研究主要关注早期发育阶段，其他发育阶段或病理条件下的适用性尚未验证；深度学习模型的可解释性虽被强调，但具体生物学机制仍需进一步实验验证 | 探究RNA特征如何影响生物分子凝聚体的形成，特别是在早期发育过程中的作用 | 早期发育过程中易于凝聚的RNA（smOOPs）及其编码的蛋白质 | 机器学习 | NA | 转录组学分析 | 深度学习 | RNA序列数据 | NA | NA | NA | NA | NA |
| 258 | 2026-02-17 |
Near- and Mid-Infrared Spectroscopy for the Rapid and Non-Destructive Analysis of Wheat Flour and Wheat-Based Products: A Review
2026-Feb-11, Food chemistry
IF:8.5Q1
DOI:10.1016/j.foodchem.2026.148379
PMID:41691843
|
综述 | 本文综述了近红外和中红外光谱技术在小麦面粉及其制品快速、无损分析中的应用进展 | 整合光谱技术与化学计量学及机器学习方法，提升了预测精度与鲁棒性，支持实时原位分析 | NA | 优化小麦面粉的质量控制与安全评估，为食品工业提供快速、可靠且可持续的分析系统 | 小麦面粉及其衍生产品 | 机器学习 | NA | 近红外光谱，中红外光谱 | 深度学习 | 光谱数据 | NA | NA | NA | 预测准确性，鲁棒性 | NA |
| 259 | 2026-02-17 |
L2G-Net: Local-to-global feature enhancement via cluster tokens for 3D place recognition
2026-Feb-10, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2026.108700
PMID:41691827
|
研究论文 | 本文提出了一种名为L2G-Net的新型网络，用于通过聚类令牌增强局部到全局特征，以提升3D点云地点识别的性能 | 设计了Point Feature Enhancement模块以增强局部特征，并引入Cluster Tokens Mamba和Cluster Tokens Cross Attention模块，通过聚类令牌有效捕获点云上下文信息并将局部特征一致性传递到全局描述符 | 未明确提及具体局限性 | 提升在GPS缺失环境下的3D点云地点识别性能，以支持长期SLAM和自主定位 | 3D点云数据 | 计算机视觉 | NA | 深度学习 | CNN | 3D点云 | 多个公开3D点云地点识别数据集 | NA | L2G-Net | 地点识别性能 | NA |
| 260 | 2026-02-17 |
Transforming tabular data into images for deep learning models
2026-Feb-10, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2026.108715
PMID:41691829
|
研究论文 | 本研究提出了一种将数值表格数据转换为灰度图像表示的新方法，以促进卷积神经网络等深度学习模型在传统数值数据集上的应用 | 提出了一种将缺乏空间结构的数值表格数据转换为图像表示的新颖方法，从而能够利用为图像数据设计的深度学习架构（如CNN）来处理表格数据 | 未明确讨论转换方法对数据原始特征的潜在信息损失或扭曲，以及该方法在极高维表格数据上的可扩展性 | 探索如何将深度学习技术有效应用于数值表格数据分类任务 | 四个公开可用的数值表格数据集：Rice MSC Dataset (RMSCD)、Optical Recognition of Handwritten Digits (Optdigits)、TUNADROMD和Spambase | 机器学习 | NA | NA | CNN, DAG-Net | 表格数据（转换后为图像） | 四个公开数据集（具体样本数未在摘要中提供） | NA | ResNet-18, DAG-Net | 准确率 | NA |