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 1484 篇文献，本页显示第 161 - 180 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 161 | 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 |
| 162 | 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） |
| 163 | 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 |
| 164 | 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 |
| 165 | 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 |
| 166 | 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 |
| 167 | 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 |
| 168 | 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 |
| 169 | 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 |
| 170 | 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 |
| 171 | 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 |
| 172 | 2026-02-28 |
Clinically interpretable deep learning for pediatric dental age estimation with explainable AI
2026-Feb-26, BMC oral health
IF:2.6Q1
DOI:10.1186/s12903-026-07961-z
PMID:41742153
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 173 | 2026-04-04 |
BiToxNet: a deep learning framework integrating multimodal features for accurate identification of neurotoxic peptides and proteins
2026-Feb-26, BMC biology
IF:4.4Q1
DOI:10.1186/s12915-026-02508-8
PMID:41749211
|
研究论文 | 本研究提出了一种名为BiToxNet的深度学习框架，通过整合来自蛋白质大语言模型的进化嵌入和十种手工生化描述符，利用双线性注意力网络实现多模态特征融合，用于准确识别神经毒性肽和蛋白质 | BiToxNet通过双线性注意力网络（BAN）有效整合进化嵌入和手工生化特征，实现了跨模态交互和残基级依赖性的建模，显著提升了神经毒性预测的准确性和泛化能力 | 未明确提及具体局限性，但现有计算方法通常受限于浅层特征工程和多模态融合策略的不足 | 开发一个准确预测肽和蛋白质神经毒性的计算框架，以支持蛋白质治疗药物的安全性评估和蛋白质药物开发 | 神经毒性肽和蛋白质 | 自然语言处理 | NA | 蛋白质大语言模型 | 深度学习 | 序列数据 | 三个不同序列长度的数据集：蛋白质数据集、肽数据集和组合数据集，以及一个外部不平衡数据集 | NA | 双线性注意力网络（BAN） | 准确率 | NA |
| 174 | 2026-04-04 |
Decoding cardiovascular risk in Chinese middle-aged and elderly adults: a 9-year prospective study integrating machine learning with explainable AI based on CHARLS cohort
2026-Feb-26, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-026-03389-1
PMID:41749231
|
研究论文 | 本研究基于中国健康与养老追踪调查队列数据，结合机器学习与可解释人工智能技术，开发并验证了一个针对中国中老年人群的心血管疾病长期风险预测模型 | 首次将可解释人工智能技术（SHAP）与机器学习算法（梯度提升机）相结合，针对中国中老年人群开发心血管疾病风险预测模型，实现了预测准确性与临床可解释性的平衡 | 模型重要性分析反映的是统计贡献而非因果关系，且需要独立队列的外部验证才能确立普适性 | 开发并验证一个针对中国中老年人群的心血管疾病长期风险预测模型 | 中国中老年人群（年龄≥45岁） | 机器学习 | 心血管疾病 | 队列研究，机器学习 | 梯度提升机，以及包含线性、非线性、集成学习和深度学习在内的12种算法 | 纵向队列数据 | 8080名参与者完成9年随访，其中训练队列5699人 | 未明确说明 | 未明确说明 | AUC，特异性，阳性预测值，敏感性 | NA |
| 175 | 2026-04-04 |
Integration of fairness-awareness into clinical language processing models
2026-Feb-24, Communications medicine
IF:5.4Q1
DOI:10.1038/s43856-026-01433-9
PMID:41731014
|
研究论文 | 本研究评估了从临床文本预测种族时模型的性能和公平性，并探讨了将公平性意识整合到临床语言处理模型中的方法 | 提出了一种两阶段主动学习框架来指导注释，并应用公平性感知损失函数以减轻不同种族群体间的差异，同时比较了多种深度学习模型在公平性优化下的表现 | 公平性干预措施高度依赖于模型类型，某些模型在应用公平性约束后性能下降或倾向于多数预测，且种族、性别和年龄间的持续差异表明算法偏见反映了上游文档记录的不平等 | 评估临床人工智能系统在预测种族时的模型性能和公平性，以促进其在多样化患者群体中的公平部署 | 临床文本数据，特别是来自初级保健数据库的电子健康记录 | 自然语言处理 | NA | 深度学习，主动学习 | transformer-based deep learning models, hierarchical convolutional neural network | 文本 | NA | NA | transformer, hierarchical convolutional neural network | macro F1, accuracy, performance equity | NA |
| 176 | 2026-02-26 |
Deep learning models for pulmonary embolism segmentation on dual-energy CT: performance analysis and image quality correlation
2026-Feb-24, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-026-02221-6
PMID:41735881
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 177 | 2026-04-04 |
Universal framework for efficient estimation of stability in multi-principal element alloys
2026-Feb-23, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-69585-9
PMID:41730879
|
研究论文 | 本文提出了一种通用框架，用于高效预测多主元合金的稳定性 | 通过物理模型将多主元合金的总能量表示为低维子系统能量的线性组合，实现了在广泛成分和结构空间中的可合成性预测，其准确性可与最先进的深度学习模型相媲美，同时保持了通过团簇展开理论的可解释性 | NA | 预测多主元合金在全球化学空间中的合成可及性 | 多主元合金 | 机器学习 | NA | 密度泛函理论 | 物理模型 | 计算数据集 | 135,791个多主元合金，涵盖28种金属和最多十个组分 | NA | NA | 平均绝对误差 | NA |
| 178 | 2026-04-04 |
Normative growth trajectories of fetal brain regions validated by satisfactory maturation of neurodevelopmental domains at 2 years of age
2026-Feb-23, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-69657-w
PMID:41730874
|
研究论文 | 本研究利用深度学习分析胎儿大脑超声扫描数据，建立了与2岁时神经发育评分相关的16个大脑结构的标准化生长轨迹 | 首次通过深度学习量化了胎儿大脑16个结构的生长轨迹，提出了反映大脑区域异步成熟的rILV/rPLV比值，并创建了量化生物年龄与时间年龄偏差的胎儿大脑成熟指数 | 研究仅覆盖18-27孕周的胎儿数据，未包含更早期或更晚期的发育阶段 | 建立与正常神经发育结果相关的胎儿大脑区域标准化生长参考轨迹 | 4205例18-27孕周的健康胎儿大脑超声扫描数据 | 医学影像分析 | NA | 3D超声成像 | 深度学习 | 3D超声图像 | 4205例胎儿大脑扫描（来自多国健康队列） | NA | NA | 方差解释百分比 | NA |
| 179 | 2026-04-04 |
Sign4all: a Spanish Sign Language dataset
2026-Feb-23, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-026-06872-6
PMID:41730896
|
研究论文 | 本文介绍了Sign4all数据集，这是一个专为西班牙手语孤立词识别设计的高密度、手势平衡数据集 | 提出首个针对西班牙手语的高密度数据集，提供左右手平衡的样本表示，并包含视频和骨骼关键点两种数据格式 | 词汇量仅涵盖24个与餐饮领域相关的日常活动手势，未涉及连续手语识别 | 解决手语识别中数据稀疏性和右手偏向问题，促进包容性人机交互技术发展 | 西班牙手语(LSE)的孤立手势 | 计算机视觉 | NA | 视频录制、骨骼关键点提取 | Transformer, 骨骼模型 | 视频, 骨骼关键点 | 7,756个高分辨率RGB视频样本，平均每个手势323个样本 | TensorFlow, PyTorch | Transformer | NA | NA |
| 180 | 2026-04-04 |
A multi-modal approach for recognizing fake news and influential nodes in spreading them using deep learning and network analysis
2026-Feb-18, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-35342-7
PMID:41708655
|
研究论文 | 本文提出了一种结合深度学习和网络分析的多模态方法，用于识别社交媒体上的假新闻及其传播中的关键节点 | 创新点在于将深度学习与基于图的聚类技术相结合，有效检测谣言源头并预测传播路径，采用GloVe技术描述内容特征，并引入新的聚类方法识别社区结构 | NA | 研究目标是减少社交媒体上谣言的危害，通过检测谣言源头和识别传播中的关键节点 | 研究对象是社交媒体网络中的谣言传播内容和用户节点 | 自然语言处理, 机器学习 | NA | GloVe技术, 深度神经网络, 图聚类 | 深度神经网络 | 文本, 网络图数据 | 使用了真实社交网络数据库 | NA | NA | 准确率, 精确率, 处理时间 | NA |