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 1529 篇文献，本页显示第 241 - 260 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 241 | 2026-04-24 |
Adaptive Logit Fusion for Mitigating Class Imbalance in Multi-Category Sperm Morphology Assessment
2026-Mar-09, Life (Basel, Switzerland)
DOI:10.3390/life16030438
PMID:41900957
|
研究论文 | 提出一种基于深度学习的集成方法，用于对精子细胞进行18类形态学分类，包括1类正常和17类异常 | 通过自适应逻辑融合策略结合EfficientNetV2-S和ResNet50V2两种架构，并优化融合权重以最大化召回率、精确率和F1分数，有效缓解了类别不平衡问题 | 视觉特征不明显的缺陷类型分类性能较低 | 提高多类别精子形态评估中类别不平衡下的分类性能 | 精子细胞，涵盖1个正常和17个异常形态类别 | 计算机视觉 | 男性不育症 | 深度学习 | 卷积神经网络集成模型 | 图像 | 未明确说明样本数量 | TensorFlow, Keras | EfficientNetV2-S, ResNet50V2 | 准确率, 召回率, 精确率, F1分数 | 自动混合精度训练，未明确GPU类型 |
| 242 | 2026-04-24 |
BIBSNet: A deep learning baby image brain segmentation network for MRI scans
2026-Mar-09, Developmental cognitive neuroscience
IF:4.6Q1
DOI:10.1016/j.dcn.2026.101706
PMID:42013743
|
研究论文 | 提出一个名为BIBSNet的深度学习神经网络，用于婴儿磁共振图像的脑组织分割，该模型利用数据增强和大量手动标注图像，具有鲁棒性和泛化能力 | 首次提出开源的婴儿脑分割神经网络BIBSNet，结合真实图像和SynthSeg生成的合成图像进行训练，分割速度比联合标签融合快600倍，可输出与FreeSurfer兼容的分割标签 | 在6-8个月大的婴儿中，iBeat的皮层分割性能显著优于BIBSNet，且BIBSNet未专门针对皮层分割进行优化 | 开发一个鲁棒且泛化能力强的婴儿脑组织分割模型，用于研究典型和非典型的脑发育过程 | 从0到8个月大的婴儿脑组织，包括灰质和白质区域 | 计算机视觉 | 未指定 | 磁共振成像 | 卷积神经网络 | 图像 | 90名0-8个月大的参与者，中位年龄4.6个月 | PyTorch | U-Net | Dice相似系数 | 未指定 |
| 243 | 2026-04-24 |
Performance of breast cancer risk prediction algorithms across mammography systems in the UK screening programme
2026-Mar-08, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-026-02507-7
PMID:41795013
|
研究论文 | 在英国国家筛查项目中，评估多种乳腺癌风险预测算法在不同乳腺摄影系统中的表现 | 首次在完整的国家筛查数据上对四种深度学习算法（Mirai、iCAD、Transpara、Google）进行对比验证，并探讨不同乳腺摄影系统（Philips、GE）对算法性能的影响 | 仅基于英国两个筛查站点和五年随访数据，可能无法推广到其他人群或设备系统；未进行前瞻性测试或算法微调 | 比较并评估不同深度学习风险预测算法在乳腺癌筛查中的判别能力和泛化性能 | 英国NHS乳腺癌筛查项目中的112,621张阴性乳腺摄影图像和1225例未来癌症病例 | 计算机视觉 | 乳腺癌 | 乳腺摄影成像 | 深度学习 | 图像 | 112,621张阴性乳腺摄影图像，来自1225例未来癌症和对照组 | NA | Mirai、iCAD、Transpara、Google | AUC | NA |
| 244 | 2026-04-24 |
Efficient cardiac MRI multi-structure segmentation for cardiovascular assessment with limited annotation by integrating data-level and network-level consistency
2026-Mar-07, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-026-02475-y
PMID:41794927
|
研究论文 | 提出一种集成数据级和网络级一致性的半监督学习框架，以有限标注数据高效分割心脏MRI多结构，用于心血管评估 | 通过整合数据级和网络级一致性构建互集成框架，有效利用有限标注和大量未标注数据，提升心脏MRI多结构分割性能 | NA | 解决心脏MRI分割中标注数据稀缺问题，实现高精度多结构分割 | 心脏MRI中的多个解剖结构 | 计算机视觉 | 心血管疾病 | 心脏MRI | 半监督学习网络 | 图像 | 有限标注数据和大量未标注数据 | NA | 互集成框架 | 分割性能指标（具体未提及） | NA |
| 245 | 2026-04-24 |
EpiExpr: Predicting gene expression using epigenetic data and chromatin interactions
2026-Mar-06, bioRxiv : the preprint server for biology
DOI:10.64898/2026.02.06.704509
PMID:41867859
|
研究论文 | EpiExpr是一个灵活的深度学习框架，利用一维表观遗传数据和三维染色质相互作用预测基因表达 | 整合一维表观遗传图谱和三维染色质相互作用进行基因表达预测，无需序列嵌入即可达到与基于DNA序列的transformer模型相当的性能 | NA | 从表观基因组图谱解码基因表达，捕获远端调控效应 | GM12878和K562细胞 | 机器学习 | NA | CRISPRi-FlowFISH | 残差卷积网络、图神经网络、图注意力模型、图变换器模型 | 表观遗传图谱、染色质相互作用数据 | 两种细胞系（GM12878和K562） | PyTorch | ResNet, GNN, GAT, Graph Transformer | 预测精度、AUC | NA |
| 246 | 2026-04-24 |
Artificial Intelligence-Driven Discovery and Optimization of Antimicrobial Peptides Targeting ESKAPE Pathogens and Multidrug-Resistant Fungi
2026-Mar-06, Microorganisms
IF:4.1Q2
DOI:10.3390/microorganisms14030591
PMID:41900351
|
综述 | 本文综述了人工智能在针对ESKAPE病原体和多重耐药真菌的抗菌肽发现与优化中的应用 | 结合机器学习、深度学习及基于transformer的蛋白质语言模型，以及生成式方法（如变分自编码器、扩散模型和强化学习）实现从头多目标肽设计和病原导向优化 | 尚未有完全由AI设计的抗菌肽获得监管批准，临床转化仍受毒性、稳定性和生产限制 | 评估人工智能在加速下一代抗多重耐药病原体的抗菌肽临床转化中的潜力 | 抗菌肽、ESKAPE病原体、多重耐药真菌 | 机器学习 | 抗微生物耐药性感染 | NA | 机器学习、深度学习、transformer、变分自编码器、扩散模型、强化学习 | 序列数据 | NA | NA | transformer, 变分自编码器, 扩散模型 | NA | NA |
| 247 | 2026-04-24 |
AI-Driven Drug Discovery: Focus on Targets for Solid Tumors
2026-Mar-06, Pharmaceutics
IF:4.9Q1
DOI:10.3390/pharmaceutics18030329
PMID:41900815
|
综述 | 探讨人工智能在实体肿瘤药物靶点发现中的应用进展与挑战 | 系统总结了近三年特别是大语言模型在肿瘤药物发现中的应用，并聚焦于AI辅助靶点识别的最新进展 | 未提及具体实验验证或定量性能比较，且侧重于综述性分析而非技术方法创新 | 综述AI在实体肿瘤药物靶点发现中的应用现状及未来方向 | 实体肿瘤及其药物靶点 | 机器学习 | 实体肿瘤 | NA | 大语言模型 | 多组学生物数据、真实世界证据 | NA | NA | NA | NA | NA |
| 248 | 2026-04-24 |
Integration of radiomics, deep learning, transcriptomics, and metabolomics reveals prognostic risk stratification and underlying biological mechanisms in colorectal cancer
2026-Mar-06, NPJ precision oncology
IF:6.8Q1
DOI:10.1038/s41698-026-01331-2
PMID:41792227
|
研究论文 | 通过整合影像组学、深度学习、转录组学和代谢组学，开发了一种预后风险分层模型，并揭示结直肠癌的潜在生物学机制 | 首次系统评估十种机器学习算法在117种组合中的表现，构建深度学习影像组学模型，并整合多组学数据揭示预后风险分层的生物学基础 | 仅使用静脉期CT图像，未涉及多模态影像数据；研究基于回顾性数据，需前瞻性验证 | 开发结合影像组学和深度学习的预后风险分层模型，并探索其背后的生物学机制 | 结直肠癌患者 | 机器学习, 数字病理学 | 结直肠癌 | CT影像, 转录组测序, 代谢组学分析 | 深度学习, 机器学习 | 影像, 转录组数据, 代谢组数据 | 来自四个中心的1183名患者的静脉期CT图像，以及一个独立公共队列的417名样本 | NA | 深度学习影像组学模型 | 预后风险分层（高风险与低风险组的生存差异） | NA |
| 249 | 2026-04-24 |
Collision-free morgan fingerprints: a principled approach to enhance machine learning performance and interpretability in chemistry
2026-Mar-02, Journal of cheminformatics
IF:7.1Q1
DOI:10.1186/s13321-026-01170-0
PMID:41772717
|
研究论文 | 提出无冲突摩根指纹（CF-MF），通过自适应数据驱动大小机制消除指纹中的位冲突，提升机器学习性能和可解释性 | 首次系统量化摩根指纹位冲突对机器学习性能的影响，并提出一个基于信息论的理论框架，将冲突导致的信息熵损失与性能退化直接关联，同时证明消除冲突可恢复化学有效的SHAP归因 | 未明确讨论在不同数据类型或极端大规模分子数据集上的扩展性，以及计算开销的具体分析 | 解决摩根指纹中位冲突导致的结构-性质关系错乱和可解释性下降问题，建立更可靠的分子表示方法 | 超过5万个分子，涵盖25个多样化数据集 | 机器学习 | NA | 分子指纹（摩根指纹） | 多种机器学习范式（含深度学习） | 分子描述数据（SMILES或分子结构图） | 超过5万个分子样本 | NA | NA | RMSE（回归任务）、准确率（分类任务）、R²（信息论分析） | NA |
| 250 | 2026-04-24 |
MRI-based qualitative, quantitative, and radiomics/deep learning methods for assessing treatment response after neoadjuvant chemoradiotherapy in patients with locally advanced rectal cancer
2026-Mar, Precision radiation oncology
DOI:10.1002/pro6.70055
PMID:42022355
|
综述 | 总结基于MRI的定性、定量、影像组学和深度学习方法在评估局部进展期直肠癌新辅助放化疗疗效中的现状与未来展望 | 综合阐述了功能MRI技术（如弥散加权成像、灌注加权成像等）以及新兴的影像组学和深度学习方法在评估新辅助放化疗后病理完全缓解中的应用 | 未明确提及，但综述性质可能导致缺乏实证对比分析 | 评估新辅助放化疗后病理完全缓解的术前准确评估方法 | 局部进展期直肠癌患者 | 医学影像分析, 机器学习 | 直肠癌 | MRI, 功能MRI, 影像组学, 深度学习 | 深度学习模型（未具体指定） | MRI图像 | NA | NA | NA | NA | NA |
| 251 | 2026-04-24 |
Early Cancer Detection: What's Going on and What's Next
2026-Mar, MedComm
IF:10.7Q1
DOI:10.1002/mco2.70653
PMID:42022539
|
综述 | 本文综述了基于血液的多癌种早期检测技术的现状、挑战与未来方向 | 整合多组学分析与先进分子成像的协同方法，以及风险适应的MCED范式，可能提高检测准确性和肿瘤定位能力 | MCED方法在方法学、临床和实施方面仍面临重大障碍，影响了其广泛应用 | 评估多癌种早期检测技术的发展现状、优势及局限，并探讨人工智能在其中的作用 | 循环游离DNA和循环肿瘤DNA为基础的检测方法 | 机器学习 | 癌症 | 多组学分析、分子成像、循环游离DNA测序、循环肿瘤DNA测序 | 深度学习 | 血液样本中的DNA数据 | NA | NA | NA | 灵敏度、特异性、预测性能 | NA |
| 252 | 2026-04-24 |
Explainable Artificial Intelligence in Healthcare: Current Landscape, Challenges, and Future Directions
2026-Mar, Health science reports
IF:2.1Q3
DOI:10.1002/hsr2.72172
PMID:42022614
|
综述 | 系统综述了可解释人工智能在医疗健康领域的当前状况、挑战与未来方向 | 首次系统性地将可解释人工智能技术与具体医疗领域（如肿瘤学、心脏病学）进行映射分析，并识别出新兴趋势如混合可解释模型和人本设计 | 真实世界验证不足、可解释性指标缺乏标准化、伦理监管框架不完善 | 综合评估可解释人工智能在医疗健康中的应用现状，识别关键挑战并指出未来发展方向 | 2017-2025年间发表的70篇同行评审研究文献 | 机器学习 | 肿瘤学、心脏病学、传染病、神经学 | NA | 深度学习（CNN、RNN、LSTM、Transformer）、树模型（随机森林、XGBoost、决策树） | 文本 | 70篇研究文献 | NA | CNN, RNN, LSTM, Transformer, 随机森林, XGBoost, 决策树 | NA | NA |
| 253 | 2026-04-24 |
Wearable Hybrid Strain-Myoelectric Sensing System for Machine-Learning-Assisted Sarcopenia Screening
2026-Mar, Small science
IF:11.1Q1
DOI:10.1002/smsc.202500582
PMID:42022867
|
研究论文 | 提出一种可穿戴混合应变-肌电传感系统，结合CNN-LSTM深度学习框架，用于机器学习辅助的肌肉减少症早期筛查 | 首次集成表面肌电信号与压电应变传感技术，同时捕捉电生理信号和机械变形信号，结合CNN-LSTM深度学习和特征工程（9种生理相关特征）实现高精度筛查，并利用SHAP可解释性分析揭示神经肌肉退行性变化机制 | 仅在75名老年参与者中验证，样本量较小，且未明确说明该方法在更广泛人群或临床环境中的泛化能力 | 开发一种便携、低成本、无辐射的肌肉减少症早期筛查系统 | 肌肉减少症患者的神经肌肉状态，特别是肌肉收缩时的电生理信号和机械变形信号 | 机器学习 | 老年疾病 | 表面肌电图、压电应变传感 | CNN-LSTM | 信号 | 75名老年参与者 | PyTorch | CNN, LSTM | 准确率, 曲线下面积 | NA |
| 254 | 2026-04-22 |
A deep-learning based biomarker of systemic cellular senescence burden to predict mortality and health outcomes
2026-Mar-24, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.03.20.26348913
PMID:41929337
|
研究论文 | 本研究开发并验证了一种基于深度学习的系统性细胞衰老负荷生物标志物（SASP评分），用于预测死亡率和健康结局 | 首次通过整合大规模人群蛋白质组学数据与半监督深度学习框架，构建了一个综合性的SASP评分，该评分具有增强的可解释性和跨平台实用性 | 研究主要基于UK Biobank数据，外部验证仅在一个独立的随机临床试验队列中进行，可能需要更多样化的队列进行进一步验证 | 开发一种能够量化系统性细胞衰老负荷的生物标志物，以预测死亡风险并评估与衰老相关的慢性疾病 | 人群蛋白质组学数据（来自UK Biobank Pharma Proteomics Project）及独立临床试验队列的纵向数据 | 机器学习 | 老年疾病 | 大规模人群蛋白质组学 | 深度学习 | 蛋白质组学数据 | UK Biobank大规模人群数据及一个独立临床试验队列 | NA | Guided autoencoder with Transformer (GAET) | NA | NA |
| 255 | 2026-04-22 |
Assessing the Performance of BioEmu in Understanding Protein Dynamics
2026-Mar-23, International journal of molecular sciences
IF:4.9Q2
DOI:10.3390/ijms27062896
PMID:41898756
|
研究论文 | 评估BioEmu模型在理解蛋白质动力学方面的性能，包括其生成构象的能力及局限性 | 首次系统评估基于序列的生成模型BioEmu在蛋白质动力学任务中的表现，揭示了其在构象生成和基本性质再现方面的能力，但指出了其在构象分布预测和能量偏好方面的不足 | BioEmu无法预测突变诱导的构象分布变化，在某些情况下偏好高能构象而非低能构象，且生成的构象在集成对接中改进有限 | 评估深度学习模型在蛋白质动力学研究中的应用潜力 | 蛋白质序列及其动态构象 | 机器学习 | NA | 深度学习 | 生成模型 | 序列 | NA | NA | BioEmu | 残基灵活性、运动相关性、局部残基接触、构象分布预测、能量偏好 | NA |
| 256 | 2026-04-22 |
A Systematic Literature Review of You Only Look Once Architectures (v1-v12) in Healthcare Systems
2026-Mar-22, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics16060935
PMID:41897668
|
综述 | 本文对YOLO架构（v1至v12）在医疗系统中的诊断应用进行了系统性文献综述 | 首次系统性回顾了YOLO算法从v1到v12的完整演变历程及其在医疗诊断中的应用，并识别出YOLOv5和YOLOv8是最常用的架构 | 存在可解释性不足、跨机构泛化能力有限以及在边缘设备上部署困难等挑战 | 评估YOLO系列算法在医疗诊断应用中的演变、性能表现及适用性 | 已发表的同行评审科学文章（截至2026年1月1日），这些文章将YOLO模型应用于医学影像任务 | 计算机视觉 | NA | NA | YOLO | 图像 | NA | NA | YOLOv1, YOLOv2, YOLOv3, YOLOv4, YOLOv5, YOLOv6, YOLOv7, YOLOv8, YOLOv9, YOLOv10, YOLOv11, YOLOv12 | 平均精度, 准确率, 推理时间, 计算效率 | NA |
| 257 | 2026-04-22 |
Causal and spatiotemporal deep learning for dengue forecasting and extreme outbreak risk under climate variability: a framework from Vietnam
2026-Mar-20, International journal of biometeorology
IF:3.0Q2
DOI:10.1007/s00484-026-03151-2
PMID:41860701
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 258 | 2026-04-22 |
Molecular Pathology, Artificial Intelligence, and New Technologies in Hematologic Diagnostics: Translational Opportunities and Practical Considerations
2026-Mar-19, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics16060913
PMID:41897649
|
综述 | 本文综述了人工智能、数字形态学平台和自动化技术（如协作机器人）在血液病理学和分子诊断中的应用及其转化潜力 | 系统性地探讨了AI、数字形态学平台、协作机器人及自动化解决方案在血液病诊断中的整合应用，并强调了其在提高诊断准确性和患者护理方面的转化潜力 | 成功转化依赖于疾病特异性验证、开发符合国际分类框架的多模态模型，以及需要保持专家监督的实验室治理 | 评估人工智能、数字技术和自动化在血液病诊断中的应用，以提高诊断准确性和患者护理水平 | 血液病理学和分子诊断技术，包括数字形态学平台、AI辅助的流式细胞术、自动化实验室解决方案和机器学习在分子血液病理学中的应用 | 数字病理学 | 血液系统疾病 | 数字形态学分析，多参数流式细胞术，分子检测 | 深度学习 | 图像，流式细胞术数据，分子数据 | NA | NA | NA | 一致性，性能可比性，吞吐量增益 | NA |
| 259 | 2026-04-22 |
Real-Time Application of Artificial Intelligence for Automatic Detection of High-Grade Squamous Intraepithelial Lesions During High-Resolution Anoscopy
2026-Mar-17, Journal of clinical medicine
IF:3.0Q1
DOI:10.3390/jcm15062268
PMID:41899192
|
研究论文 | 本文首次报道了在肛门癌筛查的高分辨率肛门镜检查中实时应用深度学习技术，用于自动检测高级别鳞状上皮内病变 | 首次实现了在临床高分辨率肛门镜检查过程中实时应用基于YOLO的目标检测模型，以自动识别高级别鳞状上皮内病变，而非仅分析静态图像 | 研究样本量较小（仅三名患者），且需要多中心验证研究来进一步确认其有效性和普适性 | 探索人工智能在高分辨率肛门镜检查中实时辅助检测高级别鳞状上皮内病变的可行性和效果 | 接受肛门癌筛查的高分辨率肛门镜检查患者 | 计算机视觉 | 肛门癌 | 高分辨率肛门镜检查 | 深度学习 | 视频流或实时图像 | 三名患者 | NA | YOLO | 检测准确性（仅对组织学确认的HSIL进行检测，在无病变或仅LSIL时不激活） | NA |
| 260 | 2026-04-22 |
AI-Driven Predictions of Readmission and Mortality for Improved Discharge Decisions in Critical Care: A Retrospective Study
2026-Mar-16, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics16060874
PMID:41897607
|
研究论文 | 本研究利用AI模型预测ICU出院后7天内的再入院或死亡风险，以改善重症监护的出院决策 | 开发了GRU-D++深度学习模型，在内部和外部验证中均优于传统的SWIFT评分，展示了AI在临床决策支持中的潜力 | 研究为回顾性设计，可能受数据质量和选择偏倚影响；模型性能虽优于传统方法，但仍有提升空间 | 识别风险因素并评估AI模型在预测ICU出院后7天内再入院或死亡方面的性能 | ICU出院患者 | 机器学习 | 重症监护 | NA | 深度学习 | 临床数据 | MIMIC-IV数据库（2008-2019年）和KNUH数据库（2016年1月1日至2023年2月28日）的患者数据 | NA | GRU-D++ | AUROC | NA |