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 621 - 640 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 621 | 2026-02-11 |
Evaluation of deep learning models for segmentation of hippocampus volumes from MRI images in Alzheimer's disease
2026-Feb-09, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-38220-4
PMID:41663727
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 622 | 2026-03-06 |
Data-efficient learning for accurate identification of MAPK1 inhibitors using an active meta-deep learning framework
2026-Feb-03, Journal of cheminformatics
IF:7.1Q1
DOI:10.1186/s13321-026-01159-9
PMID:41634737
|
研究论文 | 本研究提出了一种数据高效的活动元深度学习框架，用于预测MAPK1抑制剂，以解决药物发现中实验数据有限的问题 | 结合主动学习与一个由四种深度学习架构组成的元模型，显著提升了在有限训练数据下的预测性能 | NA | 开发一种数据高效的框架，用于准确识别MAPK1抑制剂，以加速癌症相关药物发现 | MAPK1抑制剂分子 | 机器学习 | 癌症 | 分子对接 | CNN, 注意力机制, GCN, GNN-注意力 | 分子描述符, 图表示 | NA | NA | 卷积神经网络, 注意力机制, 图卷积网络, 图神经网络-注意力 | AUPRC, MCC, 平衡准确度 | NA |
| 623 | 2026-03-06 |
Predicting Traumatic Brain Injury Post-Trauma Using Temporal Attention on Sleep-Wake Data
2026-Feb, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3592009
PMID:40705576
|
研究论文 | 本研究利用深度学习模型分析创伤后7天内的睡眠/觉醒数据，以预测创伤性脑损伤 | 首次将时间注意力机制应用于创伤后睡眠/觉醒数据，并确定了创伤后7天为识别TBI的最佳时间窗口 | 模型特异性较低（7天数据仅25%），样本量虽大但仅限于急诊科患者 | 探索睡眠/觉醒行为作为创伤性脑损伤生物标志物的潜力，并确定最佳监测时间窗口 | 2000多名急诊科患者（包括GFAP生物标志物确诊的TBI阳性与阴性病例） | 机器学习 | 创伤性脑损伤 | 睡眠/觉醒行为监测，血液生物标志物检测（GFAP） | 深度学习模型（含时间注意力机制） | 时间序列数据（每日纵向睡眠/觉醒记录） | 超过2000名急诊科患者 | 未明确说明 | 未明确说明具体架构，但包含时间注意力机制 | 灵敏度，特异性，F1分数 | NA |
| 624 | 2026-03-06 |
Diagnostic performance of deep learning for predicting glioma isocitrate dehydrogenase and 1p/19q co-deletion in MRI: a systematic review and meta-analysis
2026-Feb, European radiology
IF:4.7Q1
DOI:10.1007/s00330-025-11898-2
PMID:40817944
|
系统综述与荟萃分析 | 本文通过系统综述和荟萃分析，评估了基于深度学习的影像组学模型利用MRI序列无创预测胶质瘤患者IDH突变和1p/19q共缺失状态的诊断性能，并识别了影响准确性和泛化性的方法学因素 | 首次对基于深度学习的MRI影像组学模型在预测胶质瘤IDH突变和1p/19q共缺失状态方面的诊断性能进行了全面的系统综述和荟萃分析，并识别了肿瘤分割方法和深度学习在影像组学流程中的整合程度是研究间异质性的重要来源 | 研究纳入的文献存在异质性，临床转化仍需多中心数据协调、标准化自动分割、广泛的外部验证和前瞻性临床验证等关键步骤 | 评估基于深度学习的影像组学模型在胶质瘤分子分类中的诊断性能，并探讨影响其准确性的方法学因素 | 胶质瘤患者的MRI影像数据 | 数字病理学 | 胶质瘤 | MRI | 深度学习模型 | 医学影像（MRI） | 来自1517篇独特出版物，其中104篇用于定性综合，72篇用于荟萃分析 | NA | NA | 敏感性, 特异性 | NA |
| 625 | 2026-03-06 |
Deep learning-based radiomics does not improve residual cancer burden prediction post-chemotherapy in LIMA breast MRI trial
2026-Feb, European radiology
IF:4.7Q1
DOI:10.1007/s00330-025-11801-z
PMID:40770139
|
研究论文 | 本研究评估了基于深度学习的放射组学在预测局部晚期乳腺癌新辅助化疗后残留癌症负担方面的附加价值，并与标准预测因子（肿瘤体积和亚型）进行比较 | 首次在LIMA试验中比较了三种深度学习网络（nnU-Net、Attention U-net和向量量化编码器-解码器）提取的深度放射组学特征与肿瘤体积和亚型在预测残留癌症负担方面的性能 | 研究为回顾性设计，样本量有限（训练集105例，测试集41例），且未观察到深度学习模型与标准预测因子之间存在统计学显著差异 | 评估深度放射组学在预测乳腺癌新辅助化疗后残留癌症负担方面的潜在附加价值 | 局部晚期乳腺癌患者在新辅助化疗后但手术前的MRI影像 | 数字病理学 | 乳腺癌 | DCE-MRI（动态对比增强磁共振成像） | CNN | 医学影像（MRI） | 训练集105例（单机构），测试集41例（三机构外部验证） | PyTorch | nnU-Net, Attention U-net, 向量量化编码器-解码器 | AUC（曲线下面积）, Spearman相关系数 | NA |
| 626 | 2026-03-05 |
A New Framework for Medium- to Long-Term PM2.5 Predictions Using AI-Based High-Resolution Meteorological Forecasts
2026-Feb-26, Chem & bio engineering
DOI:10.1021/cbe.5c00074
PMID:41777303
|
研究论文 | 本研究提出了一种结合AI网格化气象预报与动态图架构的深度学习框架，用于中长期的PM2.5预测 | 通过AI网格化气象预报与动态图架构结合，捕捉污染物传输的时空演化模式，实现更准确的长期预测，相比传统方法显著降低误差 | 未明确说明模型在极端天气或复杂地形条件下的适用性，且依赖于外部气象预报数据的准确性 | 开发一种高效、可操作的中长期PM2.5预测框架，以支持空气质量管理和公共健康保护 | PM2.5浓度预测，特别是在城市和区域环境中的中长期预测 | 机器学习 | NA | 深度学习，动态图架构 | 深度学习模型 | 网格化气象预报数据，PM2.5观测数据 | NA | NA | 动态图架构 | RMSE, MAE | NA |
| 627 | 2026-03-05 |
Adaptive optimization of combined steam and CO2 reforming for hydrogen production from variable biogas feed
2026-Feb-24, Bioresource technology
IF:9.7Q1
DOI:10.1016/j.biortech.2026.134283
PMID:41747899
|
研究论文 | 本研究开发了一种用于沼气制氢过程的自适应优化框架，以应对沼气成分的动态变化 | 提出了一种新颖的多任务数字孪生优化框架，用于基于联合蒸汽和CO2重整的沼气制氢过程的进料自适应操作 | NA | 系统研究沼气成分变化对沼气制氢过程的影响，并开发自适应优化框架以实现高效、可持续的制氢 | 沼气制氢过程，特别是联合蒸汽和CO2重整过程 | 机器学习 | NA | NA | 深度学习代理模型，多任务进化优化算法，K-最近邻分类器 | 工艺参数数据，沼气成分数据，经济与环境指标数据 | NA | NA | NA | 单位氢气生产成本，净CO排放量，氢气生产效率 | NA |
| 628 | 2026-02-12 |
A federated deep learning approach for SDN security with quantum optimized feature selection and hybrid MSDC net architecture
2026-Feb-10, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-37289-1
PMID:41667560
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 629 | 2026-03-05 |
When LLMs speak ZigBee: exploring low-latency and reasoning models for network traffic generation
2026-Feb-10, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-37246-y
PMID:41667632
|
研究论文 | 本文提出了一种利用大型语言模型（如GPT-4.1和GPT-5）生成语义有意义且符合ZigBee协议规范的合成网络流量的新框架 | 首次将大型语言模型应用于ZigBee网络流量生成，结合基于样本的小样本学习、提示工程和人机交互反馈机制，实现了数据驱动的高保真流量生成 | 未明确说明训练数据的具体规模和来源，且仅针对ZigBee协议进行了评估，对其他物联网协议的泛化能力有待验证 | 探索低延迟和推理模型在网络流量生成中的应用，为物联网系统的测试、仿真和安全评估提供更真实的流量数据 | ZigBee网络流量数据包 | 自然语言处理 | NA | NA | LLM, RNN, GAN | 网络流量数据包 | NA | NA | GPT-4.1, GPT-5 | Jensen-Shannon Divergence, 协议合规性, 语义正确性, 时间一致性, 多样性指标 | NA |
| 630 | 2026-03-05 |
A Novel Hybrid Approach To Drought Forecasting: Leveraging Feature Engineering And Ensemble Methods
2026-Feb-09, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-37206-6
PMID:41663599
|
研究论文 | 本文提出了一种结合特征工程与集成方法的混合干旱预测模型，以提高对复杂非线性气候模式的预测准确性 | 通过特征工程创建新特征，并将其与机器学习集成分类器结合，形成一种新颖的混合预测方法 | 未明确提及模型的具体局限性，如对数据质量的依赖或计算资源需求 | 提高干旱预测的准确性，以支持农业可持续性和灾害管理 | 历史气象和环境参数数据集 | 机器学习 | NA | 特征工程，集成学习 | 决策树，支持向量机，深度学习模型 | 气象和环境数据 | NA | NA | NA | 准确率，精确率，F1分数 | NA |
| 631 | 2026-03-05 |
A multimodal AI biomarker PATH-ORACLE improves prediction of recurrence in stage I lung adenocarcinoma
2026-Feb-09, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.01.28.26344973
PMID:41646758
|
研究论文 | 本文介绍了一种名为PATH-ORACLE的多模态AI生物标志物，用于改善I期肺腺癌复发预测 | 结合转录组学评分与组织学切片的多模态深度学习方法，相比单一预测因子（如IASLC分级系统或转录组学特征）提供更高的预后预测能力 | 需要进一步验证以确认其临床适用性，且目前仅针对I期肺腺癌进行研究 | 提高I期肺腺癌复发风险分层准确性，以指导辅助治疗决策 | I期肺腺癌患者 | 数字病理学 | 肺癌 | 转录组学分析，组织学切片处理 | 深度学习 | 图像，转录组学数据 | 在两个独立队列中进行评估，具体样本数量未明确说明 | NA | 基于预训练基础模型的多模态架构 | 准确率 | NA |
| 632 | 2026-03-05 |
Early outcome-prediction with an automated EEG background trend in hypothermia-treated newborns with encephalopathy
2026-Feb, Pediatric research
IF:3.1Q1
DOI:10.1038/s41390-025-04193-9
PMID:40523949
|
研究论文 | 本研究评估了基于深度学习的自动化连续脑电图背景趋势（BSN）在低温治疗的缺氧缺血性脑病新生儿中早期预测预后的准确性 | 首次在完全接受低温治疗的新生儿队列中应用BSN趋势，并证明其在出生后6-12小时即可高度预测长期预后 | 研究样本量相对较小（85名婴儿），且为单区域队列研究 | 评估自动化脑电图背景趋势（BSN）在低温治疗的缺氧缺血性脑病新生儿中的早期预测准确性 | 85名接受低温治疗的疑似缺氧缺血性脑病新生儿 | 数字病理学 | 新生儿缺氧缺血性脑病 | 脑电图（EEG），振幅整合脑电图（aEEG） | 深度学习 | 脑电图信号 | 85名婴儿 | NA | NA | AUC, 阳性预测值 | NA |
| 633 | 2026-02-03 |
Single‑center weakly supervised deep learning prediction of KRAS, NRAS, BRAF, and HER2 status in colorectal cancer from histopathology images using internal cross‑validation
2026-Feb-01, Cancer cell international
IF:5.3Q1
DOI:10.1186/s12935-026-04211-8
PMID:41622176
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 634 | 2026-02-26 |
Correction: Deep learning-based image enhancement for improved black blood imaging in brain metastasis
2026-Feb-24, European radiology
IF:4.7Q1
DOI:10.1007/s00330-026-12348-3
PMID:41733645
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 635 | 2026-03-03 |
Exploration of Novel Chemical Spaces to Discover JAK1 Inhibitors: An Ensemble Docking-Guided Deep Learning Approach
2026-Feb-24, ACS omega
IF:3.7Q2
DOI:10.1021/acsomega.5c10773
PMID:41768660
|
研究论文 | 本研究开发了一种结合集成对接引导的深度学习虚拟筛选框架，用于从大规模化合物库中探索新型化学空间，以发现高选择性的JAK1抑制剂 | 将蛋白质构象多样性（通过八个高分辨率晶体结构捕获）明确整合到可扩展的深度学习虚拟筛选框架中，实现了对超过11亿化合物的高效探索，并发现了大量与已知JAK1抑制剂骨架不同的新型化学型 | 研究主要基于计算虚拟筛选和对接分析，尚未进行实验验证以确认候选化合物的实际活性和选择性 | 克服现有JAK抑制剂（如托法替尼和鲁索替尼）因骨架局限导致的亚型选择性差、JAK3交叉反应性和剂量限制性毒性等问题，通过探索新型化学空间开发更具选择性的JAK1抑制剂 | Janus激酶1（JAK1）的ATP结合口袋及其抑制剂 | 药物发现，计算化学 | 自身免疫性疾病，炎症性疾病，肿瘤 | 集成分子对接，深度学习虚拟筛选 | 深度神经网络（DNN）分类器 | 化合物结构数据（SMILES等），蛋白质晶体结构数据 | 超过11亿个来自ZINC数据库的商业可用化合物 | NA | NA | 对接分数，活性阈值通过率（57%的候选物在所有受体构象中均超过阈值），新型化学型数量（7652个独特骨架） | NA |
| 636 | 2026-03-03 |
Pairwise Neural Networks for Ranking Molecular Structures Based on Properties
2026-Feb-24, ACS omega
IF:3.7Q2
DOI:10.1021/acsomega.6c00717
PMID:41768715
|
研究论文 | 本文开发了一种基于孪生网络和成对学习的深度学习模型，用于根据分子性质对分子结构进行排序 | 采用孪生网络和成对学习进行分子排序，在预测绝对能量性质方面优于标准点回归方法，并验证了该方法在预训练Transformer骨干网络上的鲁棒性 | 对于衍生性质（如HOMO-LUMO能隙）或非能量性质（如偶极矩），传统点回归方法仍更有效 | 加速分子发现与设计，通过机器学习预测分子性质并实现高效筛选 | 分子结构 | 机器学习 | NA | 量子化学计算，机器学习 | 孪生网络，Transformer | 分子结构数据 | QM7x和QO2Mol数据集 | NA | Siamese architecture, Uni-Mol | NA | NA |
| 637 | 2026-03-03 |
How to Train Custom Cell Segmentation Models Using Cell-APP
2026-Feb-20, Bio-protocol
IF:1.0Q3
DOI:10.21769/BioProtoc.5618
PMID:41769259
|
研究论文 | 本文介绍了一种名为Cell-APP的工具，用于自动化生成透射光细胞分割模型的训练数据，并提供了使用该工具训练自定义细胞分割模型的逐步协议 | 开发了Cell-APP工具，通过结合荧光图像和提示式深度学习模型SAM，自动化生成高质量的细胞分割训练数据，解决了手动标注耗时的问题 | 需要配对的透射光和荧光图像，且荧光图像中的每个细胞必须具有完整且空间上独立的信号，这限制了其应用范围 | 自动化生成细胞分割模型的训练数据，以加速细胞生物学中的显微镜分析 | HeLa、U2OS、HT1080和RPE-1细胞 | 数字病理学 | NA | 显微镜成像、荧光成像、透射光成像 | 深度学习模型 | 图像 | HeLa、U2OS、HT1080和RPE-1细胞的延时电影数据 | NA | SAM | 空间和时间一致性 | NA |
| 638 | 2026-03-03 |
Computational approaches for RNA structure prediction and design
2026-Feb-18, Cell reports. Physical science
DOI:10.1016/j.xcrp.2026.103097
PMID:41769665
|
综述 | 本文综述了计算RNA结构预测和设计领域的最新进展，特别是深度学习方法的变革性影响 | 概述了深度学习如何超越传统同源性和建模方法，显著提高RNA结构预测准确性，并介绍了基于多序列比对、无多序列比对以及通用模型等策略 | NA | 综述计算RNA结构预测和设计的方法进展，并探讨当前挑战和未来方向 | RNA的三维结构 | 计算生物学 | NA | 深度学习 | NA | 序列数据（多序列比对、单序列） | NA | NA | NA | NA | NA |
| 639 | 2026-03-03 |
Entropy Production in Non-Gaussian Active Matter: A Unified Fluctuation Theorem and Deep Learning Framework
2026-Feb-13, Physical review letters
IF:8.1Q1
DOI:10.1103/y94p-4qcz
PMID:41765831
|
研究论文 | 本文提出了一个用于推导非高斯活性物质系统中熵产生率的通用理论框架，并引入了基于深度学习的高效计算方法 | 提出了适用于非高斯活性涨落的熵产生分解公式和涨落定理，并创新性地结合深度学习技术（Lévy评分）进行高效计算 | 研究主要基于稳态条件，虽然可扩展至任意初始状态，但未讨论具体非稳态过程的适用性 | 建立活性物质系统中非平衡热力学行为的统一分析框架和计算工具 | 活性物质系统，特别是受非高斯活性涨落驱动的系统 | 机器学习 | NA | 概率流等价技术，深度学习 | 深度学习模型 | 模拟数据 | NA | NA | NA | NA | NA |
| 640 | 2026-03-03 |
UCSF RMaC: University of California San Francisco 3D Multi-Phase Renal Mass CT Dataset with Tumor Segmentations
2026-Feb-12, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.02.11.26346096
PMID:41728332
|
研究论文 | 本文介绍了UCSF RMaC数据集，一个包含831个多期相3D CT检查的肾肿瘤数据集，用于支持深度学习模型在肾肿瘤亚型分类和分级预测中的研究 | 提供了大规模、多样化的多期相3D肾肿瘤CT数据集，包含肿瘤轮廓或边界框标注、病理结果和患者元数据，旨在改善模型性能并强化评估集 | 未提及模型性能的具体限制，但暗示现有方法在肾肿瘤亚型区分和分级预测上效果不一，需要更大数据集来提升 | 通过提供大规模数据集，促进深度学习、放射组学和纹理分析在肾肿瘤亚型分类及分级预测中的应用研究 | 肾肿瘤，特别是良性嗜酸细胞瘤、透明细胞肾细胞癌（RCC）以及低级别与高级别RCC | 数字病理学 | 肾癌 | 多期相3D CT成像 | NA | 3D CT图像 | 831个多期相3D CT检查，每个检查包含最多三个对比增强CT期相 | NA | NA | NA | NA |