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 1515 篇文献，本页显示第 281 - 300 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 281 | 2026-03-10 |
Artificial intelligence in urological malignancy diagnosis and prognosis: current status and future prospects
2026-Feb-28, The Canadian journal of urology
DOI:10.32604/cju.2026.076084
PMID:41800500
|
综述 | 本文综述了人工智能在泌尿系统恶性肿瘤（包括前列腺癌、膀胱癌和肾细胞癌）诊断与预后中的当前应用、技术创新及面临的临床挑战与未来机遇 | 整合影像学、病理学和分子数据，提升肿瘤检测、分级和风险分层的精确性与可重复性，并探索了AI在实时病变分割、非侵入性生物标志物预测及个性化治疗支持方面的应用 | 面临数据标准化、模型泛化性、可解释性以及监管合规性等挑战，阻碍了AI的临床转化 | 概述人工智能在泌尿系统癌症诊断与预后领域的现状、技术创新及未来临床挑战与机遇 | 泌尿系统恶性肿瘤，包括前列腺癌、膀胱癌和肾细胞癌 | 数字病理学 | 前列腺癌 | 多参数磁共振成像、数字病理系统、深度学习、放射组学、多组学数据 | 深度学习 | 影像、病理、分子数据 | NA | NA | NA | NA | NA |
| 282 | 2026-03-10 |
Imaging-Derived Coronary Fractional Flow Reserve: Advances in Physics-Based, Machine Learning, and Physics-Informed Methods
2026-Feb-17, ArXiv
PMID:41757284
|
综述 | 本文综述了基于成像的冠状动脉血流储备分数（FFR）的最新进展，重点关注物理基础、机器学习以及物理信息方法 | 强调了新兴的物理信息神经网络和神经算子（PINNs和PINOs）在提高泛化能力和减少对密集监督依赖方面的创新应用 | 机器学习/深度学习方法在真实世界中的性能和泛化能力可能因多中心异质性、可解释性挑战以及采集协议和图像质量的差异而存在波动 | 旨在快速、无导丝且可扩展地进行冠状动脉狭窄的功能评估 | 基于CT和血管造影的冠状动脉血流储备分数（FFR） | 医学影像分析 | 心血管疾病 | 计算流体动力学（CFD）、机器学习（ML）、深度学习（DL） | 物理信息神经网络（PINNs）、神经算子（PINOs） | CT图像、血管造影图像 | NA | NA | NA | 校准、不确定性量化、质量控制 | NA |
| 283 | 2026-03-10 |
Parameter-free representations outperform single-cell foundation models on downstream benchmarks
2026-Feb-13, bioRxiv : the preprint server for biology
DOI:10.64898/2026.02.11.705358
PMID:41727141
|
研究论文 | 本文探讨了在单细胞RNA测序数据分析中，无需复杂深度学习模型，仅通过简单线性方法即可实现与现有基础模型相媲美甚至更优的下游任务性能 | 展示了简单、可解释的线性方法在多个单细胞下游基准测试中达到或超越基于Transformer的基础模型性能，特别是在涉及训练数据中未见的新细胞类型和生物体的分布外任务上表现更优 | 未详细讨论线性方法在更复杂或大规模数据集上的可扩展性，以及可能存在的特定生物学场景适应性限制 | 评估并比较基于深度学习的单细胞基础模型与简单线性方法在下游任务中的性能表现 | 单细胞RNA测序数据及其在细胞类型分类、疾病状态预测和跨物种学习等下游任务中的应用 | 机器学习 | NA | 单细胞RNA测序 | 线性模型, Transformer | 基因表达数据 | NA | NA | Transformer | NA | NA |
| 284 | 2026-03-10 |
A two-stage deep learning framework for kidney disease detection using modified specular-free imaging and EfficientNetB2
2026-Feb-11, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-04606-z
PMID:41673036
|
研究论文 | 本文提出了一种用于肾脏疾病检测的两阶段深度学习框架，结合改进的无镜面反射成像技术和EfficientNetB2分类模型 | 提出了一种新颖的改进无镜面反射技术来增强肾脏图像质量，并结合EfficientNet-B2架构构建两阶段诊断模型，在肾脏疾病检测中实现了98.27%的高准确率 | 未明确说明数据集的规模和多样性限制，也未讨论模型在临床实际应用中的验证情况 | 提高各种肾脏病理的检测准确率 | 肾脏图像（包括正常肾脏、肿瘤、肾结石和囊肿） | 数字病理学 | 肾脏疾病 | 改进的无镜面反射成像技术 | CNN | 图像 | NA | NA | EfficientNet-B2, VGG16, ResNet50, VGG19, DenseNet121, DenseNet169, DenseNet201, EfficientNet-B0, EfficientNet-B1, EfficientNet-B3 | 准确率 | NA |
| 285 | 2026-03-10 |
Automated cone photoreceptor detection using synthetic data and deep learning in confocal adaptive optics scanning laser ophthalmoscope images
2026-Feb-11, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-39570-9
PMID:41673253
|
研究论文 | 本研究提出了一种基于合成数据和深度学习的方法，用于在自适应光学扫描激光检眼镜图像中自动检测视锥细胞 | 利用合成数据（ERICA生成）结合少量真实数据训练U-Net模型，解决了标注数据不足的问题，并在独立数据集上验证了方法的泛化能力 | 未明确说明合成数据与真实数据的分布差异对模型性能的具体影响，也未讨论模型在不同疾病状态下的适用性 | 开发一种自动化的视锥细胞检测方法，以替代耗时且主观的人工标注 | 自适应光学扫描激光检眼镜图像中的视锥细胞 | 计算机视觉 | 视网膜疾病 | 自适应光学扫描激光检眼镜成像 | CNN | 图像 | 大型合成数据集（ERICA生成）配合较小真实数据集（密尔沃基数据集），并在独立真实数据集（牛津数据集）上测试 | NA | U-Net | Dice系数 | NA |
| 286 | 2026-03-10 |
Interpretable Feature-Transformer Framework for Cross-Subject MCI Detection Using Nonlinear Dynamical and Graph-Theoretic EEG Features
2026-Feb-11, Research square
DOI:10.21203/rs.3.rs-8744978/v1
PMID:41727576
|
研究论文 | 本研究提出了一种可解释的特征-Transformer框架，利用非线性动力学和图论EEG特征进行跨被试的轻度认知障碍检测 | 结合手工设计的非线性动力学与图论连通性特征与基于注意力的Transformer建模，并利用SHAP分析提供模型可解释性 | 样本量相对有限（183名参与者），且仅使用静息态闭眼EEG数据，未探索其他任务状态或更长时程数据 | 早期准确检测轻度认知障碍，以预防其向阿尔茨海默病发展 | 183名参与者（127名健康对照，56名MCI患者）的静息态闭眼EEG记录 | 机器学习 | 阿尔茨海默病 | EEG信号处理，非线性动力学分析，图论分析 | Transformer, EEGNet | EEG信号 | 183名参与者（127名健康对照，56名MCI患者） | 未明确提及 | Transformer, EEGNet | 准确率 | NA |
| 287 | 2026-03-10 |
Design and Implementation of an Automated Drosophila Locomotor Assay Using Computer Vision Tracking
2026-Feb-11, Research square
DOI:10.21203/rs.3.rs-8769384/v1
PMID:41727580
|
研究论文 | 本文介绍了一种基于计算机视觉跟踪的自动化果蝇运动行为检测系统的设计与实现 | 开发了一个集成的硬件-软件平台，实现自动化、高分辨率的果蝇运动分析，相比手动评分处理速度提高2.8倍，数据密度提高约800倍 | NA | 开发自动化果蝇运动行为检测系统，以克服传统方法的主观评分、通量限制和可重复性挑战 | 果蝇（Drosophila） | 计算机视觉 | NA | 计算机视觉跟踪 | 深度学习 | 视频 | NA | Python | NA | IoU | Raspberry Pi |
| 288 | 2026-03-10 |
Deep Learning-Based Automated Echocardiographic Measurements in Pediatric and Congenital Heart Disease
2026-Feb-09, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.02.06.26345782
PMID:41728295
|
研究论文 | 本研究开发了一个名为EchoFocus-Measure的AI平台，用于自动从儿科和先天性心脏病患者的超声心动图研究中提取定量和定性参数 | 扩展了多任务、视图无关的PanEcho架构，并引入了研究级Transformer来优先处理具有诊断信息的视图，从而在儿科和先天性心脏病超声心动图的全面自动化测量方面取得了进展 | 外部验证中定性指标的AUROC表现相对一般（0.73-0.86），且研究主要基于特定医院的数据，可能在不同医疗环境中的泛化能力有待进一步验证 | 开发一个AI平台，以在全球范围内提供专家级别的超声心动图测量精度和标准化，特别是在资源有限和农村地区 | 儿科和先天性心脏病患者的超声心动图研究 | 计算机视觉 | 先天性心脏病 | 超声心动图 | Transformer, 深度学习模型 | 视频 | 内部队列包括来自217,435次超声心动图的1,140万段视频（60,269名患者），外部验证包括来自3,096次超声心动图的289,613段视频（2,506名患者） | NA | PanEcho, Transformer | 中位绝对误差, AUROC | NA |
| 289 | 2026-03-10 |
Technological Advancements in Cranial and Spinal Navigation in the Past 30 Years: A Detailed Patent Bibliometric Analysis
2026-Feb, World neurosurgery
IF:1.9Q2
DOI:10.1016/j.wneu.2025.124779
PMID:41482266
|
研究论文 | 本文通过专利文献计量学分析，系统回顾了过去30年颅脑和脊柱导航技术的技术发展历程 | 首次采用专利文献计量学框架系统探索颅脑和脊柱导航领域的技术发展，并量化科学出版物对专利的影响 | 研究主要基于前向引用次数筛选专利，可能忽略其他重要但引用较少的专利；数据来源限于Lens数据库 | 评估颅脑和脊柱导航领域的技术创新趋势和知识产权发展 | 颅脑和脊柱导航技术相关的专利和科学出版物 | 医学工程 | 神经系统疾病 | 专利文献计量学分析 | NA | 专利记录和科学出版物 | 714项相关专利，其中100项高引用专利；近15,000篇科学出版物，其中1,107篇被专利引用 | NA | NA | 前向引用次数 | NA |
| 290 | 2026-03-10 |
Ab initio prediction of RNA structure ensembles with RNAnneal
2026-Feb-01, bioRxiv : the preprint server for biology
DOI:10.64898/2026.02.01.703098
PMID:41659490
|
研究论文 | 介绍了一种名为RNAnneal的方法，用于预测RNA结构集合，该方法结合了生成式深度学习、统计物理学和分子动力学建模 | RNAnneal首次将生成式深度学习与统计物理学和分子动力学建模无缝集成，用于RNA结构集合的从头预测，并引入了交互熵作为构象异质性的度量 | 对于包含假结（PK-comprising）的结构，性能仍有改进空间 | 预测RNA结构集合，以加速RNA靶向药物发现和功能性RNA分子设计 | RNA分子，特别是核糖开关RNA的实验解析构象 | 机器学习 | NA | 生成式深度学习，统计物理学，分子动力学建模 | 深度学习模型 | RNA序列 | 16个实验解析的核糖开关RNA构象 | NA | NA | RNAnneal评分，Rosetta评分，RNA力场分类性能 | NA |
| 291 | 2026-03-09 |
A deep learning framework for comprehensive prediction of human RNA G-quadruplex-binding proteins
2026-Feb-28, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btag088
PMID:41712756
|
研究论文 | 本文提出了一种深度学习框架，用于预测人类RNA G-四链体结合蛋白，并开发了G4REP网络服务器 | 整合了多种编码策略和神经网络架构，特别是结合了ESM-2蛋白质语言模型嵌入和LSTM架构，实现了高精度的RG4BP预测 | NA | 预测人类RNA G-四链体结合蛋白，以探索其在RNA代谢和应激反应中的作用 | 人类蛋白质组中的RNA G-四链体结合蛋白候选者 | 生物信息学 | NA | 深度学习 | LSTM | 蛋白质序列数据 | NA | NA | LSTM | 准确率 | NA |
| 292 | 2026-03-09 |
Machine Learning in Left Ventricular Hypertrophy Detection: Systematic Review and Meta-Analysis
2026-Feb-27, Journal of medical Internet research
IF:5.8Q1
DOI:10.2196/76637
PMID:41773691
|
系统综述与荟萃分析 | 本文系统评估了机器学习方法在检测左心室肥厚中的诊断准确性，并进行了荟萃分析 | 首次通过系统综述与荟萃分析，全面比较了基于不同建模变量（如心电图、临床特征和超声心动图）和不同机器学习模型类型在左心室肥厚检测中的诊断性能 | 结论基于有限的证据，且荟萃分析中报告的极端异质性需要更审慎的解释，当前关于模型准确性的结论应谨慎看待 | 系统评估机器学习方法在左心室肥厚检测中的诊断准确性，为人工智能工具的开发提供信息 | 左心室肥厚 | 机器学习 | 心血管疾病 | 机器学习 | 深度学习, 其他机器学习模型 | 心电图, 临床特征, 超声心动图 | 基于25项研究 | NA | NA | 灵敏度, 特异度 | NA |
| 293 | 2026-03-09 |
Generative Modeling of Entangled Polymers with a Distance-Based Variational Autoencoder
2026-Feb-26, Journal of chemical theory and computation
IF:5.7Q1
DOI:10.1021/acs.jctc.5c01953
PMID:41744221
|
研究论文 | 本文提出了一种基于距离矩阵的变分自编码器框架，用于学习和生成结构化聚合物球体的构型 | 结合卷积层和注意力层，将距离矩阵的结构模式编码为具有旋转平移不变性的低维潜空间，并通过后处理流程恢复具有物理意义的构型 | 解码器原始输出存在微小差异，需要分子动力学弛豫后处理 | 开发一种能够高效生成聚合物构型的生成模型 | 结构化聚合物球体（以聚乙烯为例） | 机器学习 | NA | 粗粒度分子动力学 | VAE | 距离矩阵 | NA | NA | 结合卷积和注意力层的变分自编码器 | 能量、尺寸、缠结度等关键观测量的复现 | NA |
| 294 | 2026-03-09 |
Deep Learning-Assisted Intelligent Liquid Crystal Elastomer Grippers Based on Autonomous Triboelectric Sensing
2026-Feb-26, ACS applied materials & interfaces
IF:8.3Q1
DOI:10.1021/acsami.5c23348
PMID:41744968
|
研究论文 | 本文报道了一种集成双模式摩擦纳米发电机的液晶弹性体抓手，用于自供电目标识别，结合深度学习实现高精度材料分类 | 通过融合接触起电物理与深度学习，利用双模式摩擦纳米发电机实现自供电感知，克服了传统软抓手易受环境干扰的局限性 | NA | 开发具有自主感知能力的智能软抓手系统，用于目标识别与分类 | 液晶弹性体抓手与摩擦纳米发电机集成的软体机器人系统 | 机器人与智能感知 | NA | 摩擦纳米发电机，深度学习 | CNN, LSTM | 电压信号（摩擦电/静电特征） | NA | NA | 混合卷积神经网络-长短期记忆网络架构 | 分类准确率 | NA |
| 295 | 2026-03-09 |
Knowledge-guided graph machine learning for spatially distributed prediction of daily discharge and nitrogen export dynamics
2026-Feb-23, Water research
IF:11.4Q1
DOI:10.1016/j.watres.2026.125613
PMID:41793808
|
研究论文 | 提出了一种名为HydroGraphNet的知识引导图机器学习框架，用于空间分布式预测日径流和氮输出动态 | 将过程知识和显式空间学习整合到时间建模中，通过有向图拓扑编码流域连通性和上游流入，并利用质量平衡约束提高物理一致性 | 在数据稀缺条件下的空间泛化能力受限，需要依赖合成数据进行预训练 | 实现农业流域的精准管理，通过空间分布式预测支持水质管理 | 流域的日径流和氮输出动态 | 机器学习 | NA | SWAT+模拟 | LSTM, 图机器学习 | 合成数据, 监测数据 | 44个HUC-12子流域（2001-2020年） | NA | HydroGraphNet | NSE, KGE | NA |
| 296 | 2026-03-09 |
Exploring Global Aerosol Size Dynamics from 2001 to 2024 Using the Pretrained Remote sensing pIxel-based Spatial-teMporal Deep Neural Network
2026-Feb-21, Environmental science & technology
IF:10.8Q1
DOI:10.1021/acs.est.5c13469
PMID:41721765
|
研究论文 | 本研究提出了一种名为PRISM-DNN的深度学习框架，用于从2001年至2024年全球范围内反演细模态和粗模态气溶胶光学厚度 | 结合了在大量无标签卫星数据上的无监督预训练与基于地面测量的有监督微调，显著提升了气溶胶组分反演的精度和稳健性 | 未明确提及模型在特定极端环境或数据稀缺区域的泛化能力限制 | 通过深度学习改进全球气溶胶粒径分布的长期监测和理解 | 全球范围内的细模态气溶胶光学深度和粗模态气溶胶光学深度 | 遥感，地球系统科学 | NA | 卫星遥感，深度学习 | 深度神经网络 | 卫星遥感数据，地面测量数据 | 2001年至2024年的全球卫星数据及AERONET等地面网络测量数据 | NA | Pretrained Remote sensing pIxel-based Spatial-teMporal Deep Neural Network | 相关系数 | NA |
| 297 | 2026-03-09 |
Efficient self-supervised Barlow Twins from limited tissue slide cohorts for colonic pathology diagnostics
2026-Feb-21, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2026.104004
PMID:41793844
|
研究论文 | 本文提出了一种优化的Barlow Twins自监督学习框架，用于结直肠息肉筛查，通过调整超参数、增强策略和编码器以适应病理数据特性，并探讨了最佳视野范围 | 针对结直肠息肉筛查优化了Barlow Twins框架，提出新的增强策略和编码器适配，并构建了包含四种息肉类型和正常组织的基准数据集 | 研究基于有限的组织切片队列，可能影响模型的泛化能力；自监督学习在病理数据中的应用仍处于探索阶段 | 开发高效的计算模型以辅助病理学家筛查结直肠息肉活检，改善工作流程并引导关注关键区域 | 结直肠息肉活检的病理切片图像，包括四种息肉类型和正常组织 | 数字病理学 | 结直肠癌 | 全切片图像分析 | 自监督学习, Transformer | 图像 | 基于MHIST和NCT-CRC-7K数据集构建的基准数据集，具体样本数量未明确说明 | PyTorch | Swin Transformer | NA | NA |
| 298 | 2026-03-09 |
Assessment of Predictive Factors That Shorten Duration of Treatment in Patients With Multiple Myeloma Using AI: Real-World Longitudinal Study Using Data From Medical Data Vision Claims Database
2026-Feb-19, JMIR cancer
IF:3.3Q2
DOI:10.2196/75586
PMID:41711382
|
研究论文 | 本研究利用机器学习技术，从日本医疗数据视觉索赔数据库中识别影响多发性骨髓瘤患者治疗持续时间缩短的预测因素 | 首次应用可解释的深度学习模型和点状线性模型，结合聚类分析，从真实世界数据中识别多发性骨髓瘤治疗持续时间缩短的关键因素 | 研究基于回顾性索赔数据，可能存在数据完整性和准确性的限制，且结果主要适用于日本患者群体 | 识别多发性骨髓瘤患者治疗持续时间缩短的预测因素 | 日本多发性骨髓瘤患者，包括移植不合格的新诊断患者以及复发或难治性患者 | 机器学习 | 多发性骨髓瘤 | 索赔数据分析，机器学习算法 | 深度学习模型，弹性网络，极端梯度提升 | 结构化医疗索赔数据 | 2762名患者（4848个个体样本） | NA | 点状线性模型 | 曲线下面积 | NA |
| 299 | 2026-03-09 |
Machine Learning for Predicting Stroke Risk Stratification Using Multiomics Data: Systematic Review
2026-Feb-19, Journal of medical Internet research
IF:5.8Q1
DOI:10.2196/85654
PMID:41711384
|
系统综述 | 本文系统评估了使用多组学数据和机器学习模型进行卒中风险分层的预测准确性、整合策略及验证报告实践 | 首次对多组学数据结合机器学习在卒中风险分层中的应用进行系统性综述，总结了整合策略、性能表现及方法学局限性 | 纳入研究数量有限（仅7项），样本量小，设计异质性高，报告不完整，阻碍了模型的可重复性和泛化性 | 评估多组学数据结合机器学习模型在卒中风险分层中的预测性能、整合方法及验证实践，为未来方法学发展提供信息 | 以缺血性、出血性或未指定类型卒中为预测目标的成年患者 | 机器学习 | 卒中 | 多组学技术（如代谢组学-蛋白质组学、代谢组学-脂质组学等） | 支持向量机, 树集成模型, 广义线性模型, 深度学习 | 多组学数据 | 40,274名参与者（来自7项研究） | NA | NA | 受试者工作特征曲线下面积 | NA |
| 300 | 2026-03-09 |
A CNN-RNN Siamese framework with multi-level aggregation for video-based person re-identification
2026-Feb-11, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-39277-x
PMID:41673086
|
研究论文 | 本研究提出了一种结合CNN和RNN的紧凑型孪生网络框架，用于视频行人重识别，通过多级聚合有效融合空间和时间特征 | 提出了一种紧凑的CNN-GRU孪生网络框架，避免了基于Transformer的主干网络的深度和计算需求，同时通过多级相似性聚合有效结合了细粒度空间线索和长程时间模式 | 未明确说明在极端遮挡或视角变化下的性能，也未与其他最先进的Transformer方法进行详细比较 | 开发一种准确且资源高效的视频行人重识别方法，适用于现实世界中资源受限的环境 | 视频序列中的行人 | 计算机视觉 | NA | NA | CNN, RNN, Siamese network | 视频 | NA | NA | CNN-GRU | NA | NA |