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 1520 篇文献，本页显示第 41 - 60 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 41 | 2026-02-28 |
A hybrid model for image forgery detection using deep learning with block and keypoint methods
2026-Feb-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-41473-8
PMID:41748712
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 42 | 2026-04-06 |
A joint CNN-Bi-LSTM-transformer architecture with SHAP explanations for multi-label arrhythmia detection from 12-lead ECGs
2026-Feb-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-40925-5
PMID:41748772
|
研究论文 | 本文提出了一种结合CNN、Bi-LSTM和Transformer层的深度学习架构，用于从12导联心电图中进行多标签心律失常检测，并集成SHAP解释以提高临床可解释性 | 提出了一种新颖的联合CNN-Bi-LSTM-Transformer架构，能够同时提取心电信号的形态、时间和空间模式，并集成SHAP实现案例级可解释性，与临床诊断推理对齐 | 未在标题和摘要中明确说明 | 开发一种可解释的自动化人工智能解决方案，用于准确分类12导联心电图中的心律失常 | 12导联心电图信号 | 机器学习 | 心血管疾病 | NA | CNN, Bi-LSTM, Transformer | 心电图信号 | 超过43,000个多标签心电图记录，涵盖27种心律失常类别 | NA | CNN, Bi-LSTM, Transformer | 准确率, 宏F1分数, ROC曲线下面积 | NA |
| 43 | 2026-04-06 |
Breaking through safety performance stagnation in autonomous vehicles with dense learning
2026-Feb-25, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-69761-x
PMID:41741461
|
研究论文 | 本文提出一种创新的密集学习方法，通过同时关注信息性失败与成功样本，解决自动驾驶车辆安全性能停滞问题 | 提出基于策略梯度贡献和暴露频率的样本选择方法，显著降低学习方差且无偏差，突破现有方法无法处理的任务限制 | 未明确说明方法在极端罕见事件中的泛化能力，实验验证限于特定城市测试场景 | 突破自动驾驶车辆安全性能停滞，实现人类水平的安全性能 | 高度自动化车辆的安全关键驾驶智能体 | 机器学习 | NA | 混合现实技术 | 深度学习 | 驾驶场景数据 | NA | NA | NA | 安全性能提升幅度（数量级） | NA |
| 44 | 2026-04-06 |
Development of a Novel Deep Learning-Based Gaze Estimation Method for Detecting Strabismus
2026-Feb, Cureus
DOI:10.7759/cureus.104035
PMID:41883914
|
研究论文 | 本研究开发并初步验证了一种基于深度学习的视线估计算法，用于通过视频输入定量估计眼球对齐（方向和角度），以检测和量化斜视 | 提出了一种基于深度学习的视线估计新方法，用于非侵入性地定量评估斜视角度，并利用计算机生成的合成眼图像进行模型训练 | 需要进一步针对已建立的临床标准进行验证，且当前数据集有限，未来需纳入多设备数据以提高准确性 | 评估基于深度学习的视线估计算法作为一种检测和量化斜视的新方法 | 眼球位置视频输入，包括无眼科病史个体、已知外斜视诊断患者以及无眼科异常的正常受试者 | 计算机视觉 | 斜视 | 视线估计 | 深度学习模型 | 视频 | 12名受试者（2名病例，10名无眼科异常对照） | NA | NA | 斯皮尔曼相关系数 | NA |
| 45 | 2026-03-02 |
Explainable deep learning and radiomics integration for differentiating insulinomas from NF-PNETs in EUS imaging
2026-Feb-28, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-026-03388-2
PMID:41764459
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 46 | 2026-03-02 |
Deep learning prediction model based on multi-modal transvaginal ultrasound scan images for endometrial cancer
2026-Feb-28, Cancer imaging : the official publication of the International Cancer Imaging Society
IF:3.5Q1
DOI:10.1186/s40644-026-01013-z
PMID:41764582
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 47 | 2026-04-05 |
Attenuation correction of cardiac 82Rb pet using deep learning generated synthetic CT
2026-Feb-26, EJNMMI physics
IF:3.0Q2
DOI:10.1186/s40658-026-00849-5
PMID:41746532
|
研究论文 | 本研究评估了使用深度学习从非衰减校正的Rb-PET图像生成合成CT（sCT）以进行心脏82Rb PET衰减校正的可行性 | 首次引入基于条件生成对抗网络（cGAN）和Attention U-Net生成器的深度学习方法，直接从非衰减校正的Rb-PET图像生成合成CT图像，用于衰减校正，以减少传统CT-AC中的错位和金属伪影 | sCT在心脏区域存在轻微偏差（RME=4.2±7.8%），可能是由于sCT中软组织u-map的均匀高估所致，且结果基于视觉检查的个案分析 | 评估深度学习生成的合成CT在心脏82Rb PET衰减校正中的可行性和性能 | 心脏82Rb PET图像和对应的CT图像 | 医学影像分析 | 缺血性心脏病 | PET/CT心肌灌注成像（MPI），Rubidium-82（Rb）正电子发射断层扫描 | cGAN（条件生成对抗网络） | 图像（PET和CT） | 544次PET/CT MPI扫描 | NA | Attention U-Net | SSIM, PSNR, MAE, ME, RME, RMAE, iTPD, LVEFR | NA |
| 48 | 2026-04-05 |
Predicting concrete compressive strength using optimized deep learning and large language models
2026-Feb-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-41072-7
PMID:41748670
|
研究论文 | 本研究提出了一种结合iHow优化算法与时空图卷积网络的混合框架，用于预测混凝土抗压强度 | 引入iHow优化算法优化STGCN架构，并利用大语言模型进行数据预处理，提高了预测精度 | 需要更多样化的数据集和实际场景验证以评估其泛化能力和实际适用性 | 提高混凝土抗压强度的预测准确性，支持可持续建筑材料设计 | 混凝土混合物成分、外加剂和养护条件 | 机器学习 | NA | 大语言模型驱动的预处理流程 | STGCN | 结构化数据（混凝土成分、养护条件等） | 公共数据集（具体数量未明确） | NA | 时空图卷积网络 | 预测误差，相关系数 | NA |
| 49 | 2026-04-05 |
AI-based intelligent sensing detection of cybersecurity threats using multimodal sensor data in smart devices
2026-Feb-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-40614-3
PMID:41748759
|
研究论文 | 本文提出了一种基于深度学习的多模态感知架构，用于检测智能设备中由传感器数据引发的网络安全威胁 | 提出了一种新的混合CNN-RNN-Transformer架构，能够融合多模态传感器特征并考虑时空交互 | 未明确说明模型在极端或未知攻击场景下的泛化能力 | 开发一种能够实时检测智能设备中网络物理威胁的智能感知系统 | 智能设备中的多模态传感器数据（如加速度计、陀螺仪、麦克风、温度传感器） | 机器学习 | NA | 深度学习 | CNN, RNN, Transformer | 多模态传感器数据 | 使用了一个手动标注的多模态数据集和两个公开基准数据集（CICIDS-2017和IoT-23） | 未明确指定，可能为TensorFlow或PyTorch | 混合CNN-RNN-Transformer架构 | AUC, F1分数, 推理延迟 | 边缘硬件（具体类型未明确说明） |
| 50 | 2026-04-05 |
An explainable deep learning framework for video violence detection using unsupervised keyframe selection and attention-based CNN
2026-Feb-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-40977-7
PMID:41748832
|
研究论文 | 提出了一种用于视频暴力检测的可解释深度学习框架，该框架集成了无监督关键帧选择、注意力机制和基于Grad-CAM++的可视化解释 | 将无监督关键帧选择、注意力驱动的特征学习和基于Grad-CAM++的可解释性集成到一个统一的框架中，以解决视频暴力检测中的冗余性、透明性和泛化性挑战 | 未明确提及，但可能包括对特定场景或数据分布的依赖性 | 开发一种智能、可解释且高效的视频暴力检测系统，适用于监控和公共安全场景 | 视频数据中的暴力行为 | 计算机视觉 | NA | 无监督关键帧选择，注意力机制，Grad-CAM++ | CNN | 视频 | 使用了五个基准数据集：RLVS, Hockey Fight, Violent Flow, ShanghaiTech, UCF-Crime | NA | CNN（具体架构未指定），但提及了注意力模块 | 准确率，F1分数，FPS（每秒帧数），内存使用量 | NA |
| 51 | 2026-04-05 |
TumorSageNet CNN hybrid architecture enables accurate detection of mango leaf pathologies
2026-Feb-25, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-40944-2
PMID:41741529
|
研究论文 | 本研究提出了一种基于深度学习的新型框架，用于芒果叶病理的分类，通过先进的卷积和混合神经网络架构实现高精度检测 | 提出了两种新架构：一个定制的CNN模型和一个结合了EfficientNet-B7、LSTM和注意力机制的混合模型，其中定制CNN模型在多项指标上达到了100%的性能 | 研究仅使用了来自孟加拉国Rajshahi地区的800张芒果叶图像，数据集规模和地理多样性可能有限 | 开发一个可扩展、可解释且高性能的解决方案，用于芒果种植中的实时病害监测，以应对全球粮食安全挑战 | 芒果叶 | 计算机视觉 | 植物病害 | 深度学习，数据增强，颜色空间变换 | CNN, LSTM, 混合模型 | 图像 | 800张高分辨率芒果叶图像 | NA | AlexNet, VGG16, VGG19, EfficientNet-B7, 定制CNN, 混合模型（EfficientNet-B7 + LSTM + 注意力机制） | 准确率, 精确率, 召回率, F1分数 | NA |
| 52 | 2026-02-28 |
Soil microbiome prediction using traditional machine learning and deep learning models
2026-Feb-25, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-39537-w
PMID:41741537
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 53 | 2026-04-05 |
Nondestructive sheet resistance prediction of silver nanowire transparent electrode with convolutional neural network
2026-Feb-25, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-40528-0
PMID:41741570
|
研究论文 | 本文提出了一种结合快速傅里叶变换和颜色度量特征的深度学习技术，用于预测银纳米线网络的薄层电阻 | 首次将原始高分辨率光学显微镜图像、快速傅里叶变换图像和平均颜色表示结合，通过卷积神经网络预测银纳米线透明电极的薄层电阻，并能评估纳米线分布的非均匀性 | 未明确说明模型在更广泛材料或不同制备条件下的泛化能力，以及计算资源需求的具体细节 | 开发一种无损预测银纳米线透明电极薄层电阻的方法，以提升透明导电电极技术在柔性电子等领域的应用 | 银纳米线网络的薄层电阻及其分布非均匀性 | 计算机视觉 | NA | 光学显微镜成像，快速傅里叶变换 | CNN | 图像 | NA | NA | NA | NA | NA |
| 54 | 2026-04-05 |
Improving acute lymphoblastic leukemia diagnosis through CBAM-enhanced VGG19 deep learning
2026-Feb-25, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-40184-4
PMID:41741572
|
研究论文 | 本研究提出了一种结合注意力机制的深度学习框架，用于从骨髓显微图像中自动检测和分型急性淋巴细胞白血病 | 将卷积块注意力模块（CBAM）与VGG19主干网络结合，构建了混合CBAM-VGG19网络，通过空间和通道维度分层增强关键形态学特征，从而提升特征提取能力和分类精度 | 缺乏外部验证且数据集规模较小，限制了其临床适用性 | 开发一种自动化的深度学习方法来改进急性淋巴细胞白血病的诊断和亚型分类 | 骨髓显微图像，包括健康样本和急性淋巴细胞白血病样本 | 数字病理学 | 急性淋巴细胞白血病 | 显微成像 | CNN | 图像 | NA | NA | VGG19, CBAM-VGG19 | 分类准确率 | NA |
| 55 | 2026-02-28 |
Using deep learning to explore the impacts of street-view green space on school myopia prevalence: a multicenter, cross-sectional study
2026-Feb-25, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-40477-8
PMID:41741618
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 56 | 2026-04-05 |
Distinction between primary and metastatic mucinous ovarian carcinoma from histopathology images using deep learning
2026-Feb-24, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-026-02459-y
PMID:41735519
|
研究论文 | 本研究开发并验证了MOCOPM深度学习模型，用于从组织病理学图像中区分原发性与胃肠道转移性黏液性卵巢癌 | 首次开发了专门针对黏液性卵巢癌起源预测的深度学习模型MOCOPM，并在多中心数据中实现了高精度区分 | 样本量相对有限（仅167例患者），且未提及模型在其他类型转移癌或更广泛人群中的泛化能力 | 通过深度学习技术提高原发性与转移性黏液性卵巢癌的鉴别诊断准确性 | 黏液性卵巢癌患者的组织病理学图像 | 数字病理学 | 卵巢癌 | 组织病理学成像 | 深度学习 | 图像 | 167例黏液性卵巢癌患者 | 未明确提及 | 未明确提及具体架构（文中提到训练了三种神经网络） | AUROC | 未提及 |
| 57 | 2026-04-05 |
Novel algorithm for knee localization and diagnosis and grading of knee osteoarthritis based on a priori information: data from OAI
2026-Feb-17, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-026-02235-0
PMID:41703497
|
研究论文 | 本研究开发了一种基于先验信息的深度学习算法，用于膝关节的自动定位、骨关节炎的诊断与分级 | 提出了Anchor-free Knee Probability Calculation Net (AKPCNet)用于膝关节感兴趣区域提取，以及基于注意力池化的低阶特征强化网络(APLFRNet)以提高KL分级准确性 | 仅使用OAI数据库的X射线图像，未在其他独立数据集上验证 | 开发自动膝关节分割和骨关节炎诊断与分级方法 | 膝关节X射线图像 | 计算机视觉 | 骨关节炎 | X射线成像 | 深度学习 | 图像 | 35,000张膝关节X射线图像（前后位视图） | NA | AKPCNet, APLFRNet | ROC AUC, 平衡准确率 | NA |
| 58 | 2026-02-18 |
Exploring deep learning and data requirements through image classification of Erigeron annuus and Erigeron philadelphicus
2026-Feb-16, BMC research notes
IF:1.6Q2
DOI:10.1186/s13104-026-07719-4
PMID:41699726
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 59 | 2026-04-04 |
scDBic: a novel deep learning-based biclustering algorithm for analyzing scRNA-seq data
2026-Feb-28, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btag095
PMID:41746287
|
研究论文 | 本文提出了一种基于深度学习的新型双聚类算法scDBic，用于分析单细胞RNA测序数据，以改善细胞聚类性能并识别关键基因 | 结合深度自编码器捕获基因表达主要信息，并采用反向策略识别细胞群的关键基因，从而提升聚类性能 | 未明确提及算法在高维数据中的计算效率或对大规模数据集的扩展性限制 | 开发一种专门针对scRNA-seq数据的双聚类算法，以更好地捕获细胞异质性并识别关键基因 | 单细胞RNA测序数据 | 机器学习 | NA | 单细胞RNA测序 | 自编码器 | 基因表达数据 | NA | NA | 深度自编码器 | NA | NA |
| 60 | 2026-04-04 |
Graph-based transformer to predict the octanol-water partition coefficient
2026-Feb-27, Journal of cheminformatics
IF:7.1Q1
DOI:10.1186/s13321-026-01160-2
PMID:41761278
|
研究论文 | 本文提出了一种基于微调预训练GraphormerMapper模型的logP预测方法，名为GraphormerLogP，用于准确预测药物分子的亲脂性 | 首次将预训练的GraphormerMapper模型应用于logP预测，并构建了一个包含42,006个独特SMILES-logP对的大型多样化数据集GLP | 未明确提及模型在特定分子类型或复杂结构上的泛化能力限制 | 开发一种高精度的logP预测方法以支持药物发现与开发 | 药物分子的亲脂性（logP值） | 机器学习 | NA | 图基深度学习 | Transformer | 分子图（SMILES表示） | 总计55,694个分子（GLP数据集42,006个，基准数据集13,688个） | PyTorch | GraphormerMapper | 平均绝对误差 | NA |