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 1474 篇文献，本页显示第 321 - 340 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 321 | 2026-04-14 |
Research on enhancing short-term wind power forecasting through feature fusion in a hybrid deep learning framework
2026-Feb-20, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-40689-y
PMID:41714723
|
研究论文 | 本文研究了一种混合深度学习模型TCN-SENet-BiGRU-Global Attention，通过特征融合提升短期风电功率预测的准确性 | 提出了一种结合TCN、SENet、BiGRU和全局注意力机制的多层次特征提取架构，以更好地捕捉风电的非线性和复杂时间特性 | NA | 提高短期风电功率预测的准确性，以支持电网稳定和可持续运行 | 风电功率数据 | 机器学习 | NA | NA | TCN, SENet, BiGRU, Global Attention | 时间序列数据 | 来自风电场的多个真实世界数据集 | NA | TCN-SENet-BiGRU-Global Attention | 预测误差 | NA |
| 322 | 2026-04-14 |
Characterising processing conditions that artifactually bias human brain tissue transcriptomes
2026-Feb-17, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-68872-9
PMID:41702898
|
研究论文 | 本研究通过分析不同死后处理时间的人脑组织转录组，鉴定并表征了因处理条件（时间和温度）引入的人工假象基因，并开发了一个深度学习工具来预测这种假象信号 | 首次系统性地鉴定了人脑组织在死后处理过程中产生的人工假象基因（BAGs），并揭示了不同细胞类型（谷氨酸能神经元和少突胶质细胞）对假象的响应时序差异，进而开发了可量化假象程度的深度学习预测工具TTRUTH | 研究主要基于成人脑组织，未涵盖发育中或衰老脑组织；假象基因的鉴定依赖于“立即提取”组织作为金标准，其获取本身具有挑战性；深度学习模型的泛化能力需要在更多独立数据集中验证 | 表征和量化人脑组织在死后处理过程中因时间和温度条件引入的转录组假象，以提高脑转录组数据的标准化和解释能力 | 成人人脑组织 | 计算生物学 | NA | RNA-seq, 单核RNA测序 | 深度学习 | 转录组测序数据 | 涉及立即提取（<0小时）、短死后间隔（~6小时）和长死后间隔（~36小时）的人脑组织样本 | NA | NA | NA | NA |
| 323 | 2026-04-14 |
Risk Prediction of Chronic Kidney Disease Progression in Type 2 Diabetes Mellitus Across Diverse Populations
2026-Feb-16, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-026-02439-2
PMID:41699026
|
研究论文 | 本研究开发了基于深度学习的预后模型，用于预测2型糖尿病患者慢性肾病进展的风险 | 利用大规模纵向电子健康记录数据，构建了适用于亚洲人群的深度学习预后模型，并通过外部验证证实了其泛化能力 | 模型主要基于香港地区数据开发，尽管进行了外部验证，但在其他种族或地区的适用性仍需进一步研究 | 开发个体化的慢性肾病进展风险预测工具，以支持早期风险分层和个性化干预 | 2型糖尿病患者的慢性肾病进展 | 机器学习 | 慢性肾病 | 电子健康记录分析 | 深度学习 | 临床数据、生化数据、处方历史数据 | 569,680名个体（来自香港165家公共医疗机构），并在UK Biobank和CHARLS队列中进行外部验证 | NA | NA | AUC | NA |
| 324 | 2026-04-14 |
A deep learning model integrating structured data and clinical text for predicting atrial fibrillation recurrence
2026-Feb-16, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-026-02436-5
PMID:41699044
|
研究论文 | 本研究开发了一种整合结构化数据和临床文本的双分支深度学习模型，用于预测心房颤动消融术后的复发风险 | 首次提出一种结合1D ResNet处理结构化数据和多种大型语言模型（LLaMA-7B, Phi2-2.7B, Mistral-7B, MedGemma-27B）编码临床文本的双分支深度学习框架，用于预测AF复发，其中采用MedGemma提取文本特征的模型表现最佳 | 研究为多中心回顾性研究，可能存在选择偏倚；未在外部独立队列中进行验证；未详细说明模型的可解释性 | 开发并验证一个整合多模态围手术期数据的深度学习模型，以预测心房颤动消融术后的复发风险 | 接受心房颤动消融术的患者 | 自然语言处理, 机器学习 | 心血管疾病 | NA | 深度学习, 大型语言模型 | 结构化数据, 临床文本 | 2508名来自中国五家医疗中心的患者（训练队列、验证队列和测试队列） | NA | 1D ResNet, LLaMA-7B, Phi2-2.7B, Mistral-7B, MedGemma-27B | AUC | NA |
| 325 | 2026-04-12 |
A device-invariant multi-modal learning framework for respiratory disease classification
2026-Feb-26, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-026-02445-4
PMID:41748911
|
研究论文 | 本文提出了一种设备无关的多模态深度学习框架，用于联合分析咳嗽声学、人口统计学数据和症状描述，以实现成人呼吸系统疾病的多标签分类 | 提出了一种嵌入对抗分支的音频编码器以实现设备无关的特征学习，并结合不变风险最小化增强损失以提高对非结构性偏移的鲁棒性 | NA | 开发一种可扩展且可转移的基于AI的咳嗽驱动呼吸系统筛查方法，以推进临床适用性 | 成人呼吸系统疾病 | 机器学习 | 呼吸系统疾病 | 咳嗽声分析 | 深度学习 | 音频, 人口统计学数据, 文本 | 超过10,000个病例，涵盖七种主要呼吸系统疾病 | NA | NA | AUROC | NA |
| 326 | 2026-04-12 |
Explainable deep learning framework incorporating medical knowledge for insulin titration in diabetes
2026-Feb-26, Communications medicine
IF:5.4Q1
DOI:10.1038/s43856-026-01449-1
PMID:41748914
|
研究论文 | 本文提出了一种结合医学知识的可解释深度学习框架，用于糖尿病胰岛素剂量调整 | 引入专家引导的可解释人工智能框架，结合Shapley Taylor交互指数捕获特征交互影响，并通过医生在环过程编码临床约束以对齐医学专业知识 | 研究主要基于两个电子健康记录队列，样本量相对有限，且外部验证数据集规模较小 | 提高深度学习模型在糖尿病胰岛素剂量调整中的透明度和可信度 | 2型糖尿病住院患者 | 机器学习 | 糖尿病 | 电子健康记录分析 | 深度学习模型 | 电子健康记录 | 内部数据集1,275名住院患者，外部数据集292名患者 | NA | NA | 胰岛素剂量调整准确性 | NA |
| 327 | 2026-02-26 |
Performance comparison and future perspectives of deep learning and classical machine learning in bone tumor applications: a systematic review (2019-2025)
2026-Feb-24, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-026-03401-8
PMID:41735994
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 328 | 2026-04-12 |
DynMoCo: a Novel AI Framework to Reveal Modular Substructures of Protein From Molecular Dynamics
2026-Feb-10, bioRxiv : the preprint server for biology
DOI:10.64898/2026.02.08.704355
PMID:41727081
|
研究论文 | 提出了一种名为DynMoCo的新型深度学习框架，用于从分子动力学模拟数据中识别蛋白质的动态模块化亚结构 | 将社交网络科学中的动态社区检测方法引入分子动力学分析，首次结合图卷积网络与循环模型进行端到端的动态社区检测 | 方法目前仅在整合素系统上进行了验证，需要进一步扩展到更多蛋白质体系 | 开发能够揭示蛋白质动态模块化亚结构的AI分析框架 | 蛋白质分子动力学模拟数据 | 机器学习 | NA | 分子动力学模拟 | 图卷积网络, 循环模型 | 分子图数据 | 三个整合素系统的力拉伸和力钳制引导分子动力学模拟 | NA | DynMoCo | NA | NA |
| 329 | 2026-04-12 |
Development of deep learning model to screen for primary open-angle glaucoma in African ancestry individuals
2026-Feb-06, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-025-02318-2
PMID:41652030
|
研究论文 | 本研究开发了一种深度学习模型，用于筛查非洲裔人群中的原发性开角型青光眼（POAG） | 针对非洲裔人群开发了首个基于深度学习的POAG筛查模型，并成功在亚洲裔数据集上进行跨种族验证 | 模型在非洲裔人群中的训练数据可能仍存在代表性不足的问题，且跨种族验证仅在一个外部数据集上进行 | 开发一种人工智能模型，用于在非洲裔人群中筛查原发性开角型青光眼 | 非洲裔人群中的POAG患者和健康对照者 | 计算机视觉 | 青光眼 | 眼底摄影 | 深度学习 | 图像 | 64,129张图像（来自1,782例病例和682例对照） | NA | Vision-Transformer | AUC | NA |
| 330 | 2026-04-11 |
Design and implementation of a deep learning framework for automated crop classification and health diagnosis in precision agriculture
2026-Feb-28, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-42151-5
PMID:41764261
|
研究论文 | 本文提出了一种用于精准农业中自动化作物分类与健康诊断的三阶段深度学习框架 | 开发了一种融合宏观卫星影像与微观无人机及物联网传感器数据的多模态深度学习架构，以提高诊断可靠性 | NA | 实现作物健康状态的自动化分类与诊断，支持精准农业决策 | 玉米、马铃薯、小麦等农作物 | 计算机视觉 | NA | 多模态数据采集（无人机、卫星、传感器） | CNN | 图像（卫星影像、无人机图像）、传感器数据 | 多源农业数据集（采用70%训练、15%验证、15%测试的划分协议） | NA | CNN | 准确率 | NA |
| 331 | 2026-04-11 |
Future-aware blood glucose forecasting using knowledge distillation with transformer-based sequence-to-sequence models
2026-Feb-28, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-41787-7
PMID:41764313
|
研究论文 | 本研究提出了一种利用知识蒸馏和Transformer序列到序列模型的未来感知血糖预测框架，以解决传统方法无法利用未来扰动信息的问题 | 提出了一个未来感知学习框架，在训练时利用特权信息（未来扰动），通过知识蒸馏使学生模型在推理时仅基于历史数据就能近似教师模型的性能，从而在保持部署可行性的同时提升预测准确性 | 未明确讨论模型在不同类型糖尿病患者或不同临床场景下的泛化能力，也未详细分析计算复杂度和实时推理延迟 | 开发一种能够在现实部署约束下（无法获取未来扰动信息）实现准确多步血糖预测的深度学习框架 | 1型糖尿病患者的连续血糖监测数据及相关扰动信息（胰岛素输送和进食） | 机器学习 | 糖尿病 | 连续血糖监测 | Transformer, 序列到序列模型 | 时间序列数据 | 基于公开数据集OhioT1DM和AZT1D（具体样本数量未在摘要中说明） | 未明确说明 | Transformer | 均方根误差, 平均绝对误差, Clarke误差网格分析 | 未明确说明 |
| 332 | 2026-04-11 |
metaRLK 2.0: An updated database of plant receptor-like kinases developed with structure- and deep learning-based functional annotation and classification
2026-Feb-24, Plant communications
IF:9.4Q1
DOI:10.1016/j.xplc.2026.101781
PMID:41742654
|
研究论文 | 本文介绍了metaRLK 2.0，一个基于结构和深度学习功能注释与分类的植物受体样激酶更新数据库 | 整合大规模结构注释、折叠分类、网络分析和语义功能推断，识别了677种不同结构域类型，新增了70个RLK家族，并预测了50个与植物细胞壁相关过程关联的家族 | 未明确提及具体局限性，但可能包括数据覆盖范围或深度学习模型的泛化能力限制 | 开发一个结构增强的植物受体样激酶资源，以探索RLK多样性、进化和结构-功能关系 | 植物受体样激酶（RLKs），涵盖508个植物物种的311,581个RLK | 机器学习 | NA | 结构注释、深度学习 | NA | 结构数据、序列数据 | 311,581个RLK来自508个植物物种 | NA | NA | NA | NA |
| 333 | 2026-01-17 |
Correction: Quality assessment of colour fundus and fluorescein angiography images using deep learning
2026-Feb-19, The British journal of ophthalmology
DOI:10.1136/bjo-2022-321963corr1
PMID:41535099
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 334 | 2026-04-11 |
Drug-Target Interaction Prediction with PIGLET
2026-Feb-18, bioRxiv : the preprint server for biology
DOI:10.64898/2026.02.18.706530
PMID:41756919
|
研究论文 | 本文提出了一种名为PIGLET的新型图变换器方法，用于预测药物-靶点相互作用，该方法基于蛋白质组范围内的知识图谱进行操作 | 创新点在于使用图变换器方法处理结合口袋相似性、蛋白质-蛋白质相互作用、药物相似性和已知结合关系的知识图谱，而非传统的一维或三维表示嵌入方法 | NA | 预测药物-靶点相互作用以辅助计算药物开发 | 药物和靶点蛋白质 | 机器学习 | NA | 图变换器方法 | Transformer | 图数据（知识图谱） | Human数据集 | NA | 图变换器 | NA | NA |
| 335 | 2026-04-11 |
Enhancing Fluorescence Lifetime Imaging With Differential Transformer
2026-Feb, Journal of biophotonics
IF:2.0Q3
DOI:10.1002/jbio.70231
PMID:41622407
|
研究论文 | 本文提出了一种基于差分Transformer的深度学习框架MFliNet，用于增强荧光寿命成像，通过联合处理时间荧光衰减和仪器响应函数来校正光子到达分布中的地形畸变 | 引入了MFliNet框架，采用差分Transformer编码器-解码器架构，结合光子飞行时间反卷积物理原理，实现了对复杂生物或体内成像中多指数衰减参数的准确估计 | 未明确提及在更广泛临床环境或不同成像条件下的泛化能力验证 | 开发一种能够准确估计荧光寿命成像中多指数衰减参数的深度学习框架，以应对宏观尺度下仪器响应函数的空间变异性和时间偏移 | 组织模拟体模和临床前肿瘤模型 | 计算机视觉 | 肿瘤 | 荧光寿命成像 | Transformer | 时间序列数据 | 未明确指定具体样本数量，但涉及组织模拟体模和临床前肿瘤模型 | 未明确指定，可能为PyTorch或TensorFlow | 差分Transformer编码器-解码器 | 未明确指定具体指标，但提及了鲁棒性和精度 | 未明确指定 |
| 336 | 2026-04-10 |
Deep learning-assisted tumor radiomic dynamics on MRI predict pathological complete response in HCC undergoing immune-based therapy followed by hepatectomy
2026-Feb-26, Hepatology (Baltimore, Md.)
DOI:10.1097/HEP.0000000000001724
PMID:41746634
|
研究论文 | 本研究开发并验证了一个整合临床病理和影像组学特征的模型，用于预测不可切除肝细胞癌在转化治疗后达到病理完全缓解 | 首次将基于MRI的时间动态影像组学特征与血清AFP反应相结合，构建预测模型，显著提高了预测性能 | 研究为回顾性多中心设计，样本量相对有限，需前瞻性研究进一步验证 | 预测不可切除肝细胞癌在免疫联合治疗后行肝切除术的病理完全缓解 | 不可切除肝细胞癌患者 | 数字病理 | 肝癌 | MRI影像分析 | 机器学习模型 | MRI图像 | 训练集78例，内部测试集32例，独立验证集44例 | Scikit-learn | 随机森林 | AUC, NPV, PPV, 敏感性, 特异性 | NA |
| 337 | 2026-02-25 |
An open-source deep learning-based toolbox for automated auditory brainstem response analyses (ABRA)
2026-Feb-19, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-38045-1
PMID:41714716
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 338 | 2026-02-15 |
Multi-institutional deep learning for GTV segmentation and survival prediction in nasopharyngeal carcinoma
2026-Feb-13, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-026-02195-5
PMID:41688962
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 339 | 2026-04-06 |
Multicenter clinicopathological study of odontogenic myxoma spectrum lesions using quantitative pathology
2026-Feb-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-42019-8
PMID:41760729
|
研究论文 | 本研究利用AI辅助数字病理学定量评估牙源性粘液瘤谱系病变中的纤维组织比例，并探讨其与临床病理特征的相关性 | 首次在多中心研究中应用AI辅助数字病理学定量分析牙源性粘液瘤谱系病变的纤维组织比例，揭示了诊断的机构间变异性 | 样本量相对有限（100例），且仅基于Masson三色染色切片，可能未涵盖所有病理特征 | 通过定量病理学方法提高牙源性粘液瘤谱系病变病理评估的客观性和可重复性 | 牙源性粘液瘤（OM）和牙源性粘液纤维瘤（OMF）的手术标本 | 数字病理学 | 牙源性肿瘤 | Masson三色染色，全切片图像分析 | 深度学习 | 图像 | 来自34家机构的143个手术标本，经集中病理审查后纳入100例 | NA | 多阶段深度学习流程 | 专家评估与定量测量的一致性 | 统一的数字病理学平台 |
| 340 | 2026-04-06 |
IntelliScheduler: an edge-cloud computing environment hybrid deep learning framework for task scheduling based on learning
2026-Feb-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-41330-8
PMID:41760833
|
研究论文 | 提出了一种基于混合深度强化学习的边缘-云计算任务调度框架IntelliScheduler，以优化任务执行延迟 | 提出了一种结合运行时感知状态表示与基于学习的决策机制的混合演员-评论家深度强化学习框架，并开发了基于学习的最优任务调度算法，通过延迟感知奖励建模优化资源部署 | 当前评估基于仿真，未在实际动态边缘-云调度场景中进行验证 | 优化边缘-云计算环境中异构工作负载的任务调度，以最小化任务执行延迟并提高服务质量 | 边缘-云计算环境中的任务调度问题 | 机器学习 | NA | 深度强化学习 | 演员-评论家模型 | 仿真数据 | 在不同工作负载下进行的广泛仿真实验 | NA | 混合演员-评论家深度强化学习框架 | 归一化奖励、训练损失、运营成本、拒绝率、体验质量 | NA |