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 601 - 620 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 601 | 2026-03-07 |
HiCInterpolate: 4D Spatiotemporal Interpolation of Hi-C Data for Genome Architecture Analysis
2026-Feb-09, bioRxiv : the preprint server for biology
DOI:10.64898/2026.02.06.704438
PMID:41726976
|
研究论文 | 本研究开发了HiCInterpolate，一种基于深度学习的4D时空插值架构，用于从两个时间点的Hi-C接触矩阵插值生成高分辨率的中间Hi-C接触矩阵 | 提出首个4D时空插值架构，结合深度学习流预测器和类似U-Net的编码器-解码器结构，实现Hi-C数据的高分辨率插值，并支持下游3D基因组特征分析 | 未明确提及具体限制，但基于方法描述，可能受限于Hi-C数据质量和时间点间隔 | 开发一种简单且成本效益高的方法，用于在两个时间点之间持续生成基因组数据，以克服连续基因组测序的高成本和不可行性限制 | Hi-C接触矩阵，用于研究染色质3D结构的动态变化 | 计算机视觉 | NA | Hi-C协议 | 深度学习 | Hi-C接触矩阵（图像数据） | NA | NA | U-Net | PSNR, SSIM, GenomeDISCO, HiCRep, LPIPS | NA |
| 602 | 2026-03-07 |
Artificial Intelligence (AI) in Detection of Abiotic Stress in Plants: A Review
2026-Feb-09, Sensors (Basel, Switzerland)
DOI:10.3390/s26041122
PMID:41755064
|
综述 | 本文综述了人工智能（特别是机器学习和深度学习算法）结合成像技术与物联网基础设施，在检测植物非生物胁迫方面的应用、优势与挑战 | 不同于以往仅关注单一技术或算法的综述，本文系统性地将非生物胁迫检测作为核心目标，综合评估了AI结合多种协同技术（成像与物联网）在该领域的应用潜力与进展 | 作为一篇综述文章，其局限性在于未提出新的原创性算法或模型，主要基于对现有文献的分析与比较 | 评估人工智能技术在检测植物非生物胁迫方面的应用潜力，并比较其与传统方法的优劣 | 受非生物胁迫影响的植物 | 机器学习 | NA | 成像技术，物联网（IoT）基础设施 | 机器学习，深度学习 | 图像数据，物联网传感器数据 | NA | NA | NA | NA | NA |
| 603 | 2026-03-07 |
Improving Individual-Specific SSVEP-BCI with Adaptive Channel and Subspace Selection in TRCA
2026-Feb-09, Sensors (Basel, Switzerland)
DOI:10.3390/s26041123
PMID:41755066
|
研究论文 | 本研究提出了一种名为AS-TRCA的方法，通过自适应通道和子空间选择来改进个体特异性稳态视觉诱发电位脑机接口的性能 | 首次提出结合最优通道学习与选择和最优子空间选择的AS-TRCA方法，以充分利用个体特异性知识，建立纯粹的个体特异性SSVEP-BCI | 未明确说明方法在跨个体或不同实验条件下的泛化能力，以及计算复杂度可能较高 | 提高个体特异性SSVEP-BCI的解码性能，促进其实际应用 | 基于稳态视觉诱发电位的脑机接口系统 | 机器学习 | NA | 稳态视觉诱发电位 | NA | 脑电信号 | NA | NA | NA | 准确率 | NA |
| 604 | 2026-03-07 |
Lightweight Multi-Scale Framework for Human Pose and Action Classification
2026-Feb-08, Sensors (Basel, Switzerland)
DOI:10.3390/s26041102
PMID:41755045
|
研究论文 | 本文提出了一种基于Swin Transformer的轻量级模块化注意力架构，用于人体姿态和动作分类 | 提出了一种新颖的双重加权交叉注意力模块，并结合空间注意力和上下文感知通道注意力模块，实现了空间和通道线索的有效融合 | 未明确说明模型在更复杂或更大规模数据集上的泛化能力 | 开发一种轻量级且高效的人体姿态和动作分类方法 | 人体姿态和动作 | 计算机视觉 | NA | 深度学习 | Transformer | 图像 | 两个数据集：Yoga-82（6类和20类配置）和Stanford 40 Actions | PyTorch | Swin Transformer | 准确率, 精确率, 召回率, F1分数, 平均精度均值 | NA |
| 605 | 2026-03-07 |
A Vision-Based Deep Learning Framework for Monitoring and Recognition of Chemical Laboratory Operations
2026-Feb-08, Sensors (Basel, Switzerland)
DOI:10.3390/s26041106
PMID:41755048
|
研究论文 | 本研究提出了一种基于视觉的深度学习框架，用于化学实验室移液操作的自动化监测与识别 | 利用时空特征结合YOLO姿态提取与双向LSTM网络，实现对复杂人机交互的实时监测，相比静态或帧级分析具有更强的鲁棒性 | 研究仅针对移液操作，未扩展到其他实验室手动操作；实验环境可能存在光照、遮挡等未明确讨论的干扰因素 | 开发自动化监测系统以提升化学实验室操作的安全性与可重复性 | 化学实验室中的移液操作过程 | 计算机视觉 | NA | 非接触视觉传感 | CNN, LSTM | 视频 | 未明确说明 | YOLO | YOLO, 双向LSTM | 未明确说明 | NA |
| 606 | 2026-03-07 |
Integrated Transcriptomic and Histological Analysis of TP53/CTNNB1 Mutations and Microvascular Invasion in Hepatocellular Carcinoma
2026-Feb-03, Genes
IF:2.8Q2
DOI:10.3390/genes17020190
PMID:41751574
|
研究论文 | 本研究通过整合转录组学和病理学分析，探讨了TP53/CTNNB1突变及微血管侵犯在肝细胞癌中的分子与形态学关联 | 首次结合转录组差异表达与弱监督多任务深度学习模型，从常规H&E染色全切片图像中无空间标注地推断关键风险因子的形态学模式 | 图像模型在不同任务间性能存在差异，且仅基于切片级标签进行训练，缺乏空间注释可能限制形态特征的精确解析 | 探究肝细胞癌中TP53/CTNNB1突变和微血管侵犯的分子效应与肿瘤形态学之间的关系 | 肝细胞癌样本 | 数字病理学 | 肝细胞癌 | RNA测序, 差异表达分析, 机器学习特征选择 | 弱监督多任务深度学习模型 | 转录组数据, H&E染色全切片图像 | 未明确样本数量，但涉及肝细胞癌样本的RNA测序数据和全切片图像 | 未明确指定，可能涉及TensorFlow或PyTorch | 未明确指定具体架构 | 未明确指定具体指标，但提到“高于随机水平的区分能力” | NA |
| 607 | 2026-03-07 |
PON-Del predictor for sequence retaining protein deletions
2026-Feb, PLoS computational biology
IF:3.8Q1
DOI:10.1371/journal.pcbi.1014020
PMID:41739875
|
研究论文 | 开发了一种名为PON-Del的新型预测器，用于预测保留序列的蛋白质缺失变异 | 首个包含意义未明变异（VUSs）的缺失变异解释方法，提供二元和三元预测输出 | 仅适用于短序列（1-10个氨基酸）的保留序列缺失 | 开发蛋白质缺失变异的预测工具 | 保留序列的蛋白质缺失变异 | 生物信息学 | NA | 梯度提升算法 | 梯度提升 | 蛋白质序列特征数据 | 广泛收集的已验证蛋白质缺失数据集 | NA | NA | NA | NA |
| 608 | 2026-03-07 |
From the Clinic, to the Clinic: Improving the Fluorescent Imaging Quality of ICG via Amphiphilic NIR-IIa AIE Probe
2026-Feb-01, Biosensors
DOI:10.3390/bios16020090
PMID:41744708
|
研究论文 | 本研究通过开发一种新型两亲性NIR-IIa AIE探针TCP，并基于深度学习模型将低质量NIR-I ICG图像转换为高分辨率NIR-IIa样图像，以提升临床荧光成像的质量与速度 | 提出了一种结合新型NIR-IIa AIE探针与深度学习模型的“探针+AI”协同范式，显著改善荧光成像的穿透深度、对比度和清晰度 | 未明确提及样本量的具体构成或模型在多样化临床场景中的泛化能力限制 | 提高临床荧光成像的质量和速度，以增强诊断和图像引导手术的效果 | 荧光成像中的ICG图像及新型TCP探针生成的NIR-IIa图像 | 计算机视觉 | NA | 荧光成像，NIR-IIa AIE探针技术 | 深度学习模型 | 图像 | 约200对配准的NIR-I/NIR-IIa图像对 | NA | SwinUnet | 信号背景比 | NA |
| 609 | 2026-03-06 |
Deep learning-based MRI segmentation for substantia nigra in Parkinson's disease with cognitive impairment
2026-Feb-28, Parkinsonism & related disorders
IF:3.1Q2
DOI:10.1016/j.parkreldis.2026.108260
PMID:41780488
|
研究论文 | 本研究开发了一种基于深度学习的自动化方法，用于在神经黑色素敏感MRI上分割帕金森病伴认知障碍患者的黑质致密部，并探索其与临床症状的关联 | 首次将SA-U2Net模型应用于神经黑色素敏感MRI的黑质致密部自动分割，并揭示了黑质致密部面积与帕金森病伴认知障碍患者疲劳严重程度的特异性独立关联 | 研究为单中心横断面设计，样本量有限，其他关联性需要在多中心纵向研究中进一步验证 | 开发可扩展的影像学生物标志物，用于帕金森病伴认知障碍的临床分层 | 帕金森病伴认知障碍患者、帕金森病不伴认知障碍患者和健康对照者 | 数字病理学 | 帕金森病 | 神经黑色素敏感MRI | 深度学习 | MRI图像 | 156名参与者（53名PD-CI, 53名PD-NCI, 50名HC） | NA | SA-U2Net | 与手动分割的一致性 | NA |
| 610 | 2026-03-06 |
Thermal signatures in breast cancer: Deciphering latent biomarkers through deep learning and explainable AI
2026-Feb-26, Journal of thermal biology
IF:2.9Q1
DOI:10.1016/j.jtherbio.2026.104426
PMID:41780328
|
研究论文 | 本研究开发了一种基于卷积神经网络和可解释AI的深度学习模型，用于分析乳腺热成像图像以检测乳腺癌 | 将深度学习与可解释AI（SHAP）相结合应用于乳腺热成像分析，提高了模型诊断性能与决策过程的可解释性 | 热成像在乳腺癌诊断中应用不足，公开数据集有限 | 开发基于机器学习的模型以提高乳腺癌早期检测的准确性和可及性 | 乳腺热成像图像 | 计算机视觉 | 乳腺癌 | 热成像 | CNN | 图像 | Visual DMR数据集中的多视角乳腺热成像图像 | NA | VGG16 | 准确率, AUROC, F1分数, 精确率, 敏感度 | NA |
| 611 | 2026-03-06 |
Scalable physics-informed deep generative model for solving forward and inverse stochastic differential equations
2026-Feb-24, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2026.108770
PMID:41780285
|
研究论文 | 提出一种可扩展的物理信息深度生成模型（sPI-GeM），用于求解具有高维随机和空间空间的随机微分方程的正反问题 | 提出一种结合物理信息基网络（PI-BasisNet）和物理信息深度生成模型（PI-GeM）的可扩展框架，首次解决了现有深度学习模型难以处理高维空间空间随机微分方程的问题 | 未明确说明模型在极端高维情况下的计算效率限制或对特定类型随机过程的适用性边界 | 开发可扩展的深度学习模型以解决高维随机和空间空间的随机微分方程问题 | 随机微分方程的正反问题求解，包括高斯和非高斯随机过程的近似 | 机器学习 | NA | 物理信息深度学习，随机微分方程数值求解 | 深度生成模型 | 数值模拟数据 | NA | NA | PI-BasisNet, PI-GeM | 准确性 | NA |
| 612 | 2026-03-06 |
OPU-NET-DADENA: Optimized deep learning ensemble with u-net segmentation for early detection of diabetic retinopathy
2026-Feb-18, Microvascular research
IF:2.9Q2
DOI:10.1016/j.mvr.2026.104923
PMID:41720334
|
研究论文 | 提出一种基于优化深度学习集成和U-Net分割的新方法，用于糖尿病视网膜病变的早期检测 | 提出了一种名为OPU-NET-DADENA的新方法，集成了优化的U-Net分割、残差注意力EfficientNet特征提取、混合爬行动物搜索算法特征选择以及DarkNet、DenseNet 201和NasNetMobile的集成检测模型 | 未明确说明样本来源、数据集大小或模型计算资源需求 | 开发高效的早期糖尿病视网膜病变诊断系统 | 糖尿病患者的视网膜图像 | 计算机视觉 | 糖尿病视网膜病变 | 深度学习 | CNN, 集成模型 | 图像 | NA | MATLAB | U-Net, EfficientNet, DarkNet, DenseNet, NasNetMobile | 准确率, 精确率, F分数, 特异性, 敏感性, MCC, NPV, FPR, FNR | NA |
| 613 | 2026-02-16 |
Fuel-driven hybrid deep learning model for forecasting finger millet prices
2026-Feb-14, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-34947-8
PMID:41690993
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 614 | 2026-03-06 |
Enhancing Estimation of Fine Particulate Matter Chemical Composition across North America by Including Geophysical A Priori Information in Deep Learning with Uncertainty Quantification
2026-Feb-13, ACS ES&T air
DOI:10.1021/acsestair.5c00251
PMID:41709986
|
研究论文 | 本研究通过结合地球物理先验信息开发深度学习模型，提升了北美地区细颗粒物化学组成的估计精度，并进行了不确定性量化 | 引入地球物理先验信息（如化学传输模型数据）到CNN中，显著提高了模型在偏远地区的性能；提出了BLISCO空间交叉验证方法，以更准确地评估模型外推能力和不确定性 | 传统空间交叉验证可能因地面监测站的空间自相关性而高估性能并低估不确定性；海盐成分的估计性能相对较低（R²=0.37） | 改进北美地区细颗粒物总质量浓度及其化学组成的估计，以支持环境管理和健康影响研究 | 北美地区的细颗粒物（PM）及其化学成分（硫酸盐、硝酸盐、铵盐、有机物、黑碳、粉尘、海盐） | 机器学习 | NA | 卫星遥感、模拟数据和监测站数据整合 | CNN | 多源地球物理数据（卫星、模拟、监测） | 2000年至2023年间的月度数据，覆盖北美地区 | NA | 卷积神经网络 | R²（决定系数） | NA |
| 615 | 2026-03-06 |
Deep learning-based non-invasive profiling of tumor transcriptomes from cell-free DNA for precision oncology
2026-Feb-12, bioRxiv : the preprint server for biology
DOI:10.64898/2026.02.10.705188
PMID:41726945
|
研究论文 | 本文介绍了Triton和Proteus，一种基于深度学习的非侵入性方法，用于从cfDNA中预测肿瘤转录组，以支持精准肿瘤学应用 | 开发了Triton用于cfDNA的片段组学和核小体分析，以及Proteus多模态深度学习框架，能够在标准深度全基因组测序下预测单基因表达，实现转录组范围的分析 | 未明确说明模型在更广泛癌症类型或更大样本中的泛化能力，以及临床验证的深度 | 开发非侵入性工具，从cfDNA中预测肿瘤转录组，用于精准肿瘤学，如癌症监测和治疗指导 | 细胞游离DNA（cfDNA），特别是循环肿瘤DNA（ctDNA），来自患者来源异种移植（PDX）和四个患者队列 | 机器学习 | 癌症 | 全基因组测序（WGS），RNA-Seq | 深度学习 | DNA测序数据 | 涉及患者来源异种移植（PDX）和四个患者队列的cfDNA样本，具体数量未明确 | NA | 多模态深度学习框架（Proteus） | 准确性，基因通路富集分数预测准确性 | NA |
| 616 | 2026-02-12 |
Development and validation of a deep learning model for identifying high-quality laryngoscopic images
2026-Feb-10, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-38252-w
PMID:41667718
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 617 | 2026-03-06 |
Deep learning enabled pseudonymization for preserving data privacy of financial identifiers in public documents in India
2026-Feb-10, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-39309-6
PMID:41667731
|
研究论文 | 本文提出了一种基于全卷积神经网络的伪匿名化框架，用于保护印度公共文档中手写签名的数据隐私 | 首次针对公开文档中的手写签名提出伪匿名化方法，采用集成可微分输出解码的SuperPoint架构，在保护敏感数据的同时保持文档可用性 | 研究仅针对印度PAN卡文档，未涉及其他类型政府文档或不同国家的应用场景 | 开发一种保护公共文档中手写签名隐私的伪匿名化技术，支持可追溯的身份保护 | 印度政府颁发的永久账户号码（PAN）卡中的手写签名 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | 500多张真实世界PAN卡 | NA | SuperPoint | 精确率, 召回率, SSIM, 运行时间效率, 空间开销 | NA |
| 618 | 2026-02-12 |
Integrating deep learning with physics based modeling enables high precision antibody antigen interface prediction
2026-Feb-10, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-39466-8
PMID:41667775
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 619 | 2026-03-06 |
Ninja optimization algorithm based ultra wideband antenna electromagnetic band gap modeling via a generative adversarial network
2026-Feb-09, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-39068-4
PMID:41656364
|
研究论文 | 本文提出了一种集成生成对抗网络与忍者优化算法的智能预测框架，用于精确建模和预测超宽带天线电磁带隙结构的电磁性能 | 将对抗性学习与基于忍者优化算法的优化相结合，以提高天线-电磁带隙系统代理建模的准确性和鲁棒性 | NA | 为超宽带天线电磁带隙结构的设计和优化建立高效、可扩展、高精度的建模途径 | 超宽带天线电磁带隙结构 | 机器学习 | NA | NA | GAN, LSTM, GRU, RNN, ANN | NA | NA | NA | GAN, LSTM, GRU, RNN, ANN | 均方误差, 均方根误差, 决定系数 | NA |
| 620 | 2026-02-11 |
Non-local attention enhanced deep learning for robust cyberattack detection in industrial IoT-based SCADA systems
2026-Feb-09, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-37146-1
PMID:41663554
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |