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 1451 篇文献，本页显示第 541 - 560 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 541 | 2026-03-14 |
Serial cascaded hybrid adaptive deep networks-based lyrics text classification using optimization approach
2026-Feb-12, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-38813-z
PMID:41680344
|
研究论文 | 提出了一种基于序列级联混合自适应深度网络（SCHADNet）的歌词文本分类方法，用于根据情感内容对音乐歌词进行分类 | 开发了新型的序列级联混合自适应深度网络（SCHADNet），该网络集成了基于Transformer的双向长短期记忆网络（Trans Bi-LSTM）和门控循环单元（GRU），并使用改进的海洋捕食者算法（IMPA）优化网络参数 | 未在摘要中明确说明 | 开发一种深度学习模型，用于根据情感内容对音乐歌词进行分类，以帮助识别不适宜的音乐 | 音乐歌词文本 | 自然语言处理 | NA | NA | Trans Bi-LSTM, GRU | 文本 | 未在摘要中明确说明 | 未在摘要中明确说明 | 序列级联混合自适应深度网络（SCHADNet），集成Trans Bi-LSTM和GRU | 准确率, 召回率, 净预测值（NPV） | 未在摘要中明确说明 |
| 542 | 2026-03-14 |
OpenEar: an ultra-affordable, high-throughput, and accurate maize ear phenotyping system
2026-Feb-08, Plant methods
IF:4.7Q1
DOI:10.1186/s13007-026-01504-x
PMID:41656271
|
研究论文 | 本文开发了一种名为OpenEar的开源、低成本玉米果穗表型分析系统，该系统结合了DIY成像平台和基于深度学习的端到端表型数据提取流程 | 开发了一种超低成本、高通量且准确的玉米果穗表型分析系统，结合了3D打印DIY成像平台和基于深度学习的端到端分析流程，并公开了标注数据集 | NA | 解决田间作物表型分析在单株分辨率下的高通量、低成本和高精度瓶颈，以促进遗传分析和育种应用 | 玉米果穗 | 计算机视觉 | NA | 360°表面扫描成像 | CNN, YOLOv11 | 图像, 视频 | NA | NA | NA | 相关系数R | NA |
| 543 | 2026-03-14 |
AMP-CapsNet: a multi-view feature fusion approach for antimicrobial peptide prediction using capsule networks
2026-Feb-07, Genomics & informatics
DOI:10.1186/s44342-026-00067-6
PMID:41654884
|
研究论文 | 本文提出了一种名为AMP-CapsNet的新深度学习模型，用于通过胶囊网络和多视图特征融合方法预测抗菌肽 | 首次将胶囊神经网络应用于抗菌肽预测，结合氨基酸组成和二肽组成进行多视图特征融合，提高了预测精度 | 未提及模型在更大或更复杂数据集上的泛化能力，也未讨论计算资源需求 | 开发一种基于深度学习的抗菌肽预测方法，以辅助药物发现 | 抗菌肽（AMPs） | 机器学习 | NA | 氨基酸组成（AAC），二肽组成（DPC） | Capsule Neural Network | 序列数据 | NA | NA | AMP-CapsNet | 准确率，AUC | NA |
| 544 | 2026-03-14 |
Generalisation of automatic tumour segmentation in histopathological whole-slide images across multiple cancer types
2026-Feb-04, NPJ precision oncology
IF:6.8Q1
DOI:10.1038/s41698-026-01311-6
PMID:41634087
|
研究论文 | 开发了一个通用的肿瘤分割模型，用于组织病理学全切片图像，并在多种癌症类型中验证其性能 | 提出了一个单一模型，能够跨癌症类型、患者群体、样本制备和切片扫描仪进行通用肿瘤分割，且性能与针对特定癌症类型的专用模型相当 | 未明确提及模型在非开发集癌症类型或更广泛外部验证中的具体局限性 | 研究深度学习模型在组织病理学图像中肿瘤分割的泛化能力 | 结直肠癌、子宫内膜癌、肺癌和前列腺癌患者的组织病理学全切片图像 | 数字病理学 | 多种癌症 | 组织病理学成像 | 深度学习模型 | 图像 | 开发集：超过4000名患者的20000多张全切片图像；验证集：超过3000名患者的外部队列和超过1500名患者的TCGA队列 | NA | NA | Dice系数 | NA |
| 545 | 2026-03-14 |
Noninvasive prediction of occult pT3a upstaging in localized ccRCC with radiogenomic insights and prognostic relevance
2026-Feb-03, NPJ precision oncology
IF:6.8Q1
DOI:10.1038/s41698-026-01315-2
PMID:41634348
|
研究论文 | 本研究开发并验证了一个名为RENALNet的3D深度学习框架，用于术前无创预测局限性透明细胞肾细胞癌的隐匿性pT3a分期升级 | 首次结合多中心数据和KiTS23数据集，开发了基于肾图期CT的3D深度学习框架，并通过Grad-CAM可视化提高了模型的可解释性，同时将模型风险评分与Ki-67增殖指数和转录组学分析相关联，揭示了其生物学和预后相关性 | 研究为回顾性多中心设计，可能存在选择偏倚；模型仅在特定CT相位（肾图期）进行训练和验证 | 术前无创预测局限性透明细胞肾细胞癌的隐匿性pT3a分期升级，以支持手术决策并推进放射基因组学在精准肿瘤学中的应用 | 局限性透明细胞肾细胞癌患者 | 数字病理学 | 肾细胞癌 | CT成像，转录组学分析 | 深度学习 | 3D CT图像，基因表达数据 | 来自五个机构的1661名患者及KiTS23数据集 | NA | RENALNet | 诊断准确性，5年无进展生存期分层 | NA |
| 546 | 2026-03-14 |
Deep learning framework for bronchoscopic diagnosis of burn inhalation injury
2026-02, Burns : journal of the International Society for Burn Injuries
IF:3.2Q1
DOI:10.1016/j.burns.2025.107770
PMID:41297238
|
研究论文 | 本研究开发了一个基于深度学习框架的支气管镜诊断系统，用于自动评估烧伤吸入性损伤的严重程度 | 首次将预训练的视觉Transformer模型应用于支气管镜图像，通过迁移学习和数据增强技术，实现了高精度的烧伤吸入性损伤自动分级 | 样本量较小（仅36名患者），且数据来自单一医疗中心，可能影响模型的泛化能力 | 开发一个自动化的支气管镜分级系统，以提高烧伤吸入性损伤诊断的准确性和可靠性 | 烧伤吸入性损伤患者的支气管镜图像 | 计算机视觉 | 烧伤吸入性损伤 | 支气管镜检查 | Vision Transformer (ViT) | 图像 | 36名患者的1089张质量控制帧 | PyTorch | Vision Transformer (ViT) | 准确率, 精确率, F1分数, 召回率 | NA |
| 547 | 2026-03-14 |
Deep Learning-based Estimated Pulmonary Biological Age from Chest CT Images in Healthy Adults: a model development and validation study
2026-Feb-01, JMIR aging
IF:5.0Q1
DOI:10.2196/78243
PMID:41622571
|
研究论文 | 本研究利用深度学习模型从健康成人的胸部CT图像中开发并验证了估计肺生物学年龄（ePBA），并探讨了年龄差（ePBA减去实际年龄）与慢性阻塞性肺疾病（COPD）患者肺功能和全因死亡率之间的关联 | 首次基于大规模健康成人多中心胸部CT数据，利用深度学习模型开发并验证了ePBA，并探索了年龄差作为COPD患者临床生物标志物的潜力 | 模型仅在健康成人中训练和验证，可能限制了在疾病人群中的泛化性；COPD患者样本量较小（n=138），需要更大规模研究进一步验证 | 开发并验证基于胸部CT的深度学习模型来估计肺生物学年龄，并评估其在COPD患者中的临床应用价值 | 健康成人的胸部CT图像和COPD患者的临床数据 | 数字病理学 | 慢性阻塞性肺疾病 | 胸部CT成像 | 深度学习模型 | 图像 | 健康成人11,187例胸部CT扫描（来自三个健康管理中心），COPD患者138例 | NA | NA | 相关性分析（rs值）、P值、风险比（HR）及95%置信区间 | NA |
| 548 | 2026-03-14 |
ROFI: a deep learning-based ophthalmic sign-preserving and reversible patient face anonymizer
2026-Feb, Annals of medicine and surgery (2012)
DOI:10.1097/MS9.0000000000004558
PMID:41675764
|
研究论文 | 本文提出了一种基于深度学习的眼科面部图像匿名化框架ROFI，旨在保护患者隐私的同时保留诊断所需的关键眼科体征 | ROFI采用弱监督学习和神经身份转换技术，实现了在匿名化患者面部特征的同时，保留眼部疾病标志物，并确保图像可逆性以供授权临床审查 | 面临数据集多样性不足、外部验证缺乏、潜在偏见以及成本效益问题，特别是在资源有限的环境中 | 开发一种可逆的眼科面部图像匿名化框架，以平衡患者隐私与诊断准确性，促进AI在眼科工作流程中的安全集成 | 患者面部图像，特别是包含眼科疾病（如糖尿病视网膜病变、青光眼、年龄相关性黄斑变性、遗传性视网膜营养不良）的面部图像 | 计算机视觉 | 眼科疾病 | 深度学习，弱监督学习，神经身份转换 | NA | 图像 | NA | NA | NA | 诊断保真度，准确性 | NA |
| 549 | 2026-03-14 |
Artificial intelligence in pharmacovigilance: toward real-time, explainable, and global drug-safety systems
2026-Feb, Annals of medicine and surgery (2012)
DOI:10.1097/MS9.0000000000004699
PMID:41675893
|
评论 | 本文探讨了人工智能在药物警戒领域的应用、挑战及未来发展方向 | 提出利用人工智能整合多源异构数据，实现实时、可解释的全球药物安全监测系统 | 存在算法透明度不足、数据偏见和监管框架不完善等关键问题 | 推动人工智能在药物警戒中的负责任整合与应用 | 上市后药物安全数据与监测系统 | 自然语言处理, 机器学习 | NA | NA | 深度学习 | 电子健康记录、自发报告系统数据、患者生成数据 | NA | NA | NA | NA | NA |
| 550 | 2026-03-13 |
Prediction of bacterial protein-compound interactions with only positive samples
2026-Feb-28, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btag067
PMID:41706651
|
研究论文 | 本文提出了一种名为BIN-PU的新型正样本-未标记学习框架，用于仅使用正样本预测细菌蛋白质-化合物相互作用 | 提出BIN-PU框架，通过从已知正相互作用数据生成伪正负标签，解决了细菌CPI预测中缺乏负样本的问题 | 未明确说明模型在其他类型细菌蛋白质或更广泛化合物库上的泛化能力 | 开发一种仅使用正样本的细菌蛋白质-化合物相互作用预测方法 | 细菌蛋白质（如细胞色素P450）与化合物的相互作用 | 机器学习 | NA | 深度学习 | 深度学习模型 | 相互作用数据 | 使用细菌细胞色素P450数据、文献综述获得的额外细菌蛋白质、人类CYP数据集以及未整理数据进行验证 | NA | NA | NA | NA |
| 551 | 2026-03-13 |
Bridging innovation and clinical reality: Interpreting the comparative study of deep learning models for multi-class upper gastrointestinal disease segmentation
2026-Feb-28, World journal of gastroenterology
IF:4.3Q1
DOI:10.3748/wjg.v32.i8.115297
PMID:41809884
|
评论 | 本文评论了一项关于深度学习模型在上消化道疾病多类别分割中的比较研究，强调其从技术突破向临床验证的关键转变 | 该研究首次进行了最全面的深度学习模型比较，使用了一个新颖的3313张图像、九类临床数据集，并提出了面向临床部署的验证框架 | NA | 加速安全、可泛化且符合伦理的自动化内窥镜辅助系统的临床采用 | 上消化道疾病的多类别分割 | 计算机视觉 | 上消化道疾病 | NA | 深度学习模型 | 图像 | 3313张图像，包含九类临床数据，以及公开的EDD2020基准数据集 | NA | Swin-UMamba-D, SegFormer | 分割准确性 | NA |
| 552 | 2026-03-13 |
Enhanced CT-based deep learning radiomics and biological correlations for predicting immunotherapy efficacy in advanced non-small cell lung cancer
2026-Feb-28, Translational cancer research
IF:1.5Q4
DOI:10.21037/tcr-2025-aw-2287
PMID:41815118
|
研究论文 | 本研究构建了一个结合临床特征、增强CT影像组学和深度学习特征的预测模型，用于评估晚期非小细胞肺癌患者免疫治疗的持久临床获益 | 整合临床特征、增强CT影像组学特征和深度学习特征，并利用放射基因组数据提供预测的生物学解释 | 研究为回顾性分析，样本量有限（201名患者），且数据部分来源于公共数据库 | 预测晚期非小细胞肺癌患者免疫治疗的疗效 | 晚期非小细胞肺癌患者 | 数字病理学 | 肺癌 | 增强CT成像，转录组测序 | 深度学习，影像组学 | CT图像，临床数据，转录组数据 | 201名晚期非小细胞肺癌患者 | PyTorch（推断自ResNet使用），Scikit-learn（推断自LASSO使用） | ResNet-34 | AUC | NA |
| 553 | 2026-03-13 |
Multi-parameter magnetic resonance imaging (MRI) deep learning radiomics predicts complete response after induction immunochemotherapy in locally advanced nasopharyngeal carcinoma
2026-Feb-28, Translational cancer research
IF:1.5Q4
DOI:10.21037/tcr-2025-1945
PMID:41815125
|
研究论文 | 本研究开发并验证了一个多模态融合模型，结合传统MRI影像组学特征与深度学习影像组学特征，用于预测局部晚期鼻咽癌患者在接受诱导免疫化疗后早期达到完全缓解的可能性 | 首次将传统MRI影像组学特征与深度学习影像组学特征进行多模态融合，以预测局部晚期鼻咽癌患者诱导免疫化疗后的完全缓解，为个性化治疗决策提供新工具 | 研究为单中心回顾性分析，样本量相对有限（230例），且缺乏外部验证队列，未来需要多中心前瞻性研究进一步验证模型的泛化能力 | 开发并验证一个能够预测局部晚期鼻咽癌患者在接受诱导免疫化疗后早期达到完全缓解的预测模型 | 局部晚期鼻咽癌患者 | 数字病理学 | 鼻咽癌 | 多参数磁共振成像 | 机器学习算法 | MRI图像 | 230例经活检确诊的局部晚期鼻咽癌患者 | NA | NA | AUC, 95%置信区间, 决策曲线分析 | NA |
| 554 | 2026-03-13 |
Metastatic patterns, prognostic factors, and deep learning model development in primary gastrointestinal melanoma: a retrospective cohort analysis
2026-Feb-28, Translational cancer research
IF:1.5Q4
DOI:10.21037/tcr-2025-1701
PMID:41815154
|
研究论文 | 本研究通过回顾性队列分析，探讨了原发性胃肠道黑色素瘤的转移模式、预后因素，并开发了深度学习模型用于预测生存率 | 首次系统分析了原发性胃肠道黑色素瘤的转移模式和预后因素，并开发了深度学习模型进行生存预测 | 研究基于回顾性数据库（SEER），可能存在选择偏倚，且未详细说明深度学习模型的具体架构 | 调查原发性胃肠道黑色素瘤的转移模式、预后因素，并开发预测总体生存率和癌症特异性生存率的深度学习模型 | 原发性胃肠道黑色素瘤患者 | 数字病理学 | 黑色素瘤 | 回顾性队列分析，Cox回归分析 | 深度学习模型 | 临床数据 | 来自SEER数据库的患者队列，具体数量未明确说明，但分为发现队列（80%）和验证队列（20%） | NA | NA | AUC | NA |
| 555 | 2026-03-13 |
A multimodal fusion model for bone tumor benign and malignant diagnosis: development and validation with clinical text and radiographs
2026-Feb-28, Translational cancer research
IF:1.5Q4
DOI:10.21037/tcr-2025-1832
PMID:41815162
|
研究论文 | 本研究开发并验证了一种融合深度学习与Dempster-Shafer证据理论的多模态模型，用于术前区分良性与中间型/恶性骨肿瘤 | 首次将深度学习与Dempster-Shafer证据理论结合，融合临床文本和X射线图像进行骨肿瘤良恶性诊断，相比单模态方法和其他基线融合模型性能更优 | 单中心回顾性研究，样本量有限（319例），需多中心前瞻性研究进一步验证 | 开发并验证一种精确的术前诊断工具，用于区分良性与中间型/恶性骨肿瘤 | 319例经病理确诊的骨肿瘤患者 | 数字病理 | 骨肿瘤 | 深度学习, Dempster-Shafer证据理论 | 多模态融合模型 | 文本, 图像 | 319例患者（含文本数据和X射线图像） | NA | NA | AUC, 准确率, 精确率, 召回率, F1分数 | NA |
| 556 | 2026-03-13 |
Narrative review: the research advances of artificial intelligence in the prediction of pulmonary nodule growth
2026-Feb-28, Journal of thoracic disease
IF:2.1Q3
DOI:10.21037/jtd-2025-1580
PMID:41816407
|
综述 | 本文是一篇叙述性综述，总结了人工智能在预测CT图像上肺结节生长方面的研究进展、模型性能比较以及临床转化中的关键挑战与未来方向 | 系统综述了AI在肺结节生长预测中的三类工作流程（基线CT模型、纵向CT模型、基于生长相关替代指标的模型），并强调了可解释AI框架在识别关键特征、提升模型可信度方面的新兴作用 | 现有模型多为回顾性、单中心研究，使用异质性协议和非标准化的生长定义，缺乏外部或前瞻性验证，限制了其普适性；同时面临PACS集成、敏感性与特异性平衡、过度诊断和假性进展等实际挑战 | 总结当前基于人工智能的方法在CT上预测肺结节生长的研究，比较模型性能，并讨论临床转化的关键挑战和未来方向 | 肺结节 | 数字病理 | 肺癌 | 动态计算机断层扫描（CT） | 机器学习（ML）、深度学习（DL） | CT图像 | NA | NA | NA | NA | NA |
| 557 | 2026-03-13 |
Narrative review of the ethics of artificial intelligence: are we ready for artificial intelligence in surgery?
2026-Feb-28, Journal of thoracic disease
IF:2.1Q3
DOI:10.21037/jtd-2025-1814
PMID:41816458
|
综述 | 本文探讨了人工智能在手术领域应用中的伦理挑战，并评估了手术界在机构和个人层面应对这些问题的准备情况 | 系统性地回顾了人工智能在手术全流程中的应用及其伴随的伦理问题，强调了算法偏见、透明度、知情同意和责任归属等关键挑战 | 基于有限文献（2018-2025年间14项关键研究）的回顾，可能未涵盖所有最新进展或伦理争议 | 评估手术界对人工智能伦理挑战的准备程度，并探讨其应用中的伦理原则 | 人工智能在手术护理中的应用及其伦理影响 | NA | NA | NA | 深度学习 | NA | NA | NA | NA | NA | NA |
| 558 | 2026-03-13 |
Transforming lung transplantation with artificial intelligence: a narrative review from organ allocation to post-transplant management
2026-Feb-28, Journal of thoracic disease
IF:2.1Q3
DOI:10.21037/jtd-2025-aw-2395
PMID:41816476
|
综述 | 本文综述了人工智能在肺移植全流程中的应用现状、技术机制及未来生态系统，涵盖器官分配、手术辅助、并发症预测和个性化用药管理 | 全面评估AI在肺移植从器官分配到术后管理各阶段的应用潜力，并强调构建基于FAIR原则的数据生态系统以推动临床整合 | 数据质量异质性、模型可解释性不足以及临床整合复杂性是阻碍AI广泛应用的主要障碍 | 评估人工智能在肺移植临床路径中的应用现状、技术机制及未来发展方向 | 肺移植的临床流程，包括器官分配、手术过程及术后管理 | 数字病理学 | 肺移植相关疾病 | NA | 机器学习, 深度学习 | 时间序列数据, 图像数据 | NA | NA | NA | NA | NA |
| 559 | 2026-03-13 |
Balanced deep learning on multi-omics networks identifies molecular subgroups of pathological brain aging
2026-Feb-19, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.02.18.26346567
PMID:41757211
|
研究论文 | 本研究开发了一种网络引导的多组学整合框架，用于识别病理性脑老化的分子亚群 | 结合数据驱动的分子网络与多组学数据，通过图嵌入、特征平衡和自编码器学习，系统识别出与认知和神经病理学显著相关的五个分子亚群 | 研究基于特定队列（ROS/MAP），样本量相对有限，且未在更广泛的外部数据集中验证 | 识别神经退行性疾病（特别是阿尔茨海默病）的分子亚群，以超越临床诊断，揭示疾病异质性 | 来自宗教秩序研究和拉什记忆与衰老项目（ROS/MAP）的356名参与者的脑转录组、蛋白质组和代谢组数据 | 机器学习 | 阿尔茨海默病 | 转录组学、蛋白质组学、代谢组学、图嵌入 | 自编码器 | 多组学网络数据 | 356名参与者（发现队列），327名参与者（验证队列） | NA | 自编码器 | Spearman相关系数 | NA |
| 560 | 2026-03-13 |
Coupling Remote Sensing and Artificial Intelligence: Mapping Hydrological Variables with GEE and Predicting Surface-water Extent with Neural Networks
2026-Feb-18, Environmental management
IF:2.7Q3
DOI:10.1007/s00267-026-02404-5
PMID:41706178
|
研究论文 | 本研究开发了一个名为RSAI的可重复计算工作流，结合Google Earth Engine和深度学习模型，用于绘制水文变量时空趋势并预测月度地表水范围 | 首次将Google Earth Engine与深度学习模型耦合，创建了一个可转移的工作流，用于数据有限地区的水文监测和预测 | 研究仅应用于阿尔及尔沿海盆地一个区域，需要更多地区验证其可转移性 | 开发一个可重复的工作流，用于水资源稀缺地区的水文监测和可靠预测 | 阿尔及尔沿海盆地(02 A)2001-2022期间的水文变量 | 机器学习 | NA | 遥感, 时间序列分析 | ANN, DNN, LSTM | 遥感时间序列数据 | 2001-2022期间月度数据 | Google Earth Engine, 未指定深度学习框架 | 人工神经网络, 深度神经网络, 长短期记忆网络 | 相关系数(R), 平均绝对误差(MAE), 均方根误差(RMSE), 传播因子 | 未明确指定，但使用了Google Earth Engine平台 |