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 1560 篇文献，本页显示第 461 - 480 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 461 | 2026-05-26 |
A Deep Learning Model for Absolute Risk Prediction of Alcohol Use Disorder in Adolescents and Young Adults
2026-03, Drug and alcohol review
IF:3.0Q2
DOI:10.1111/dar.70131
PMID:41748155
|
研究论文 | 开发了一种深度学习模型，用于预测青少年和年轻人酒精使用障碍的绝对风险 | 首次提出用于酒精使用障碍绝对风险预测的深度学习模型 | NA | 构建个性化绝对风险预测模型，早期识别高风险青少年和年轻酒精使用者 | 美国青少年至成人健康纵向研究（Add Health）中的青少年和年轻人 | 机器学习 | 酒精使用障碍 | NA | 深度学习模型 | 表格数据（纵向调查数据） | NA | NA | NA | AUC, E/O比率 | NA |
| 462 | 2026-05-25 |
Exploring how deep learning decodes anomalous diffusion via Grad-CAM
2026-Mar-29, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-71229-x
PMID:41904151
|
研究论文 | 利用Grad-CAM探究深度学习如何解码异常扩散机制 | 首次利用Grad-CAM解释深度学习（ResNets）从原始轨迹数据中识别异常扩散模型特征的机制，并发现不同层次网络捕捉不同时空尺度的统计特征 | NA | 理解深度学习在异常扩散分类中的决策过程并提升模型鲁棒性 | 异常扩散轨迹数据及对应的扩散模型分类特征 | 机器学习 | NA | NA | ResNet | 轨迹数据 | NA | PyTorch | ResNet | NA | NA |
| 463 | 2026-05-25 |
Domain specific multimodal large language model for automated endoscopy reporting with multicenter prospective validation
2026-Mar-28, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-026-02569-7
PMID:41904204
|
研究论文 | 开发了基于多模态大语言模型的自动内镜报告生成系统Report-Angel，并在多中心前瞻性验证中评估其性能 | 首次将多模态大语言模型与常规深度学习模型结合，用于上消化道内镜报告的自动生成，并在多中心前瞻性队列中验证其临床可接受性和通用性 | 未提及具体局限性 | 开发并验证能够自动生成高质量内镜报告草案的AI系统，以标准化报告和减轻内镜医生工作量 | 上消化道内镜图像和报告生成 | 计算机视觉、自然语言处理 | 上消化道疾病 | 内镜检查 | 多模态大语言模型、常规深度学习模型 | 图像和文本 | 20,617个图像-文本对用于训练；前瞻性内部队列和外部队列；回顾性图像和前瞻性单中心及多中心视频数据集 | NA | 多模态大语言模型（MLLM） | 临床可接受报告率、报告完整性、报告准确性、处理时间 | NA |
| 464 | 2026-05-25 |
Deep learning characterizes depression and suicidal ideation in young adults from eye movements
2026-Mar-28, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-026-02550-4
PMID:41904340
|
research paper | 利用深度学习分析青年人群的眼球运动特征，识别抑郁和自杀意念 | 首次将深度学习框架应用于眼球运动数据，用于区分抑郁和自杀意念，并考虑了试验内和试验间的变化 | 样本量有限（126名年轻人），且依赖自我报告问卷作为金标准，模型在区分抑郁和自杀个体时准确率中等 | 探究眼球追踪作为抑郁和自杀意念客观生物标记物的潜力 | 126名年轻人对情绪负载语句的眼球运动 | machine learning | 抑郁症、自杀意念 | 眼动追踪 | deep learning framework | 眼球运动序列数据 | 126名年轻人 | NA | NA | AUC | NA |
| 465 | 2026-05-25 |
Multi-scale feature enhancement in multi-task learning for medical image analysis
2026-03, Artificial intelligence in medicine
IF:6.1Q1
DOI:10.1016/j.artmed.2025.103338
PMID:41475079
|
研究论文 | 提出一种基于UNet的多任务学习模型，通过多尺度特征增强同时提升医学图像分割和分类性能 | 创新性地将ResFormer块集成到编码器中，结合卷积局部特征提取与Transformer长程依赖建模，并在跳跃连接中引入膨胀特征增强模块以捕获多尺度信息 | 未明确讨论模型在不同数据集间的泛化能力以及计算开销 | 解决多任务学习中局部与全局特征难以同时捕获的问题，提升医学图像分析和诊断准确性 | 多任务学习模型在医学图像分割和分类任务中的应用 | 计算机视觉 | 未指定 | 深度卷积神经网络与Transformer | UNet | 图像 | 多个医学数据集（具体数量未提及） | PyTorch | ResFormer, UNet | 分类准确率、分割精度（具体指标如Dice系数、精确率、召回率未列出） | 未指定 |
| 466 | 2026-05-25 |
UniStain: A unified and organ-aware virtual H&E staining framework for label-free autofluorescence images
2026-03, Artificial intelligence in medicine
IF:6.1Q1
DOI:10.1016/j.artmed.2025.103335
PMID:41478227
|
研究论文 | 提出一种统一且器官感知的虚拟H&E染色框架UniStain，利用无标记自发荧光成像和基于提示的深度学习，通过单一模型实现多组织染色 | 首次实现通过一个单一模型进行多组织虚拟染色，提出跨补丁自注意力引导机制以保持全切片图像的风格一致性并消除拼接伪影，构建首个多器官AF/H&E数据集 | NA | 开发一种统一的虚拟H&E染色框架，克服传统化学染色流程耗时、有害试剂处理及批次间染色质量差异等限制 | 人类组织样本的自发荧光和H&E染色图像 | 数字病理学 | NA | 自发荧光成像 | 深度学习模型 | 图像 | 多器官人类组织样本构成的数据集，具体样本数量未在摘要中说明 | PyTorch | 跨补丁自注意力引导机制 | 图像质量指标、视觉图灵测试 | NA |
| 467 | 2026-05-25 |
Tackling data scarcity: Synthetic tumour and mask generation to improve image segmentation
2026-03, Artificial intelligence in medicine
IF:6.1Q1
DOI:10.1016/j.artmed.2025.103348
PMID:41494363
|
研究论文 | 研究利用扩散模型在MRI影像中合成3D肝脏肿瘤并生成对应掩模，以改善图像分割效果 | 提出一种基于扩散模型的肿瘤合成方法，结合单纯形变形生成掩模，无需外部数据即可显著提升分割性能 | 未提及具体局限，但可能涉及合成肿瘤的真实性验证或泛化性评估的不足 | 解决医学影像数据稀缺问题，通过生成合成肿瘤增强分割模型性能 | MRI影像中的肝脏肿瘤及其对应分割掩模 | 计算机视觉 | 肝癌 | 扩散模型、MRI影像生成 | 扩散模型 | 3D MRI影像 | 1000个合成肿瘤 | PyTorch | 扩散模型 | Dice系数 | 未提及 |
| 468 | 2026-05-25 |
Smiling difficulties in Alzheimer's disease linked to reduced nucleus accumbens and pallidum brain volume: Deep learning insights
2026-03, Artificial intelligence in medicine
IF:6.1Q1
DOI:10.1016/j.artmed.2025.103347
PMID:41506061
|
研究论文 | 利用深度学习量化阿尔茨海默病患者的微笑能力，发现其受损与伏隔核和苍白球体积减小相关 | 首次使用图像分类AI量化微笑，发现AD患者微笑能力受损与特定脑区体积减小有关，且微笑面孔较中性面孔能更好区分AD与正常认知 | NA | 探究阿尔茨海默病患者微笑能力受损的神经机制 | 阿尔茨海默病患者与正常认知参与者 | 计算机视觉 | 阿尔茨海默病 | 深度学习图像分类 | 图像分类模型 | 面部图像 | NA | NA | NA | 分类准确率 | NA |
| 469 | 2026-05-25 |
Overcoming extrapolation challenges of deep learning by incorporating physics in protein sequence-function modeling
2026-Mar, PLoS computational biology
IF:3.8Q1
DOI:10.1371/journal.pcbi.1013728
PMID:41880461
|
研究论文 | 通过将物理知识融入深度学习，提升蛋白质序列-功能模型的外推能力 | 提出了将生物物理相互作用与动力学建模融入卷积和图卷积神经网络的新方法，以改善位置和突变类型的外推性能 | 数据稀缺仍是挑战，模型依赖训练数据中未见的突变类型和位置的外推能力，且需进一步验证物理模型的普适性 | 解决深度学习在蛋白质序列-功能建模中难以实现准确外推的问题，提升突变功能效应预测的泛化能力 | 蛋白质序列-功能关系，特别是突变效应的外推预测 | 机器学习 | NA | 深度学习（卷积神经网络、图卷积神经网络、Transformer），生物物理建模 | 卷积神经网络（CNN）、图卷积神经网络（GCN） | 蛋白质序列数据，深度突变扫描数据 | NA | NA | 卷积神经网络、图卷积神经网络 | 外推性能（位置外推和突变类型外推的准确性） | NA |
| 470 | 2026-05-20 |
Deep learning-based precision phenotyping of spine curvature identifies novel genetic risk loci for scoliosis in the UK Biobank
2026-Mar-26, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-026-02540-6
PMID:41882318
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 471 | 2026-05-20 |
2D Multimodal Image Collection for Fluorescence Prediction from Transmitted Light Microscopy
2026-Mar-24, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-026-07004-w
PMID:41876523
|
研究论文 | 介绍一个大规模开放存取数据集Light My Cells Database，包含2,574个采集集和56,984张显微镜2D图像，用于从透射光图像预测荧光 | 提供了一个多模态、多中心、标准化的大规模显微镜图像数据集，支持机器学习模型从无标记透射光图像预测荧光信号，并遵循REMBI元数据标准 | 未明确说明研究局限性，但可能面临数据覆盖范围有限、实际应用中的泛化挑战 | 开发用于从透射光显微镜图像预测荧光的机器学习模型 | 生物样品，包括细胞核、线粒体、微管蛋白和肌动蛋白等亚细胞结构 | 计算机视觉, 数字病理学 | NA | 明场显微镜, 相差显微镜, 微分干涉差显微镜, 荧光显微镜 | NA | 图像 | 2,574个采集集，56,984张图像，来自30项独立实验和8个国家成像中心 | NA | NA | NA | NA |
| 472 | 2026-05-20 |
A Sensor based turning dataset for data-driven surface roughness estimation
2026-Mar-24, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-026-07061-1
PMID:41876568
|
研究论文 | 介绍了一种用于车削过程表面粗糙度估计的传感器数据集，特别是在Inconel-625难加工材料上的应用 | 提供了针对难加工合金Inconel-625的公开车削传感数据集，包括振动、力和力矩数据，以及表面粗糙度测量结果，便于开发在线估计模型 | 未提及具体的数据集限制或模型验证结果 | 为基于机器学习和深度学习的数据驱动表面粗糙度估计提供公开数据集，减少材料浪费并提高加工效率 | Inconel-625合金在车削过程中的表面粗糙度与传感器数据的关系 | 机器学习 | 不适用 | 三轴加速度计、测力计、表面粗糙度测试仪 | 尚未指定具体模型类型 | 振动信号、力与力矩数据、表面粗糙度测量值 | 共382,189,197个样本，来自27组数据采集 | 不适用 | 不适用 | 不适用 | Kirloskar Turnmaster 40车床用于加工，Mitutoyo表面粗糙度测试仪用于测量 |
| 473 | 2026-05-20 |
Detection of Structural Glaucoma Progression with Deep Learning on Serial Optic Disc Photographs
2026-Mar-17, Ophthalmology. Glaucoma
DOI:10.1016/j.ogla.2026.03.005
PMID:41856358
|
研究论文 | 使用深度学习模型检测基于眼底照片序列的青光眼结构性进展 | 首次采用孪生卷积神经网络对序列眼底照片进行青光眼进展检测，实现了临床相关精度的自动化分类 | 未在论文标题和摘要中明确说明局限性 | 设计有监督深度学习模型以检测青光眼结构性进展 | 青光眼患者的序列眼底照片 | 计算机视觉 | 青光眼 | NA | 孪生卷积神经网络 | 图像 | 1510只眼（916名患者），每只眼至少2年随访并有2对眼底照片 | NA | 孪生卷积神经网络 | AUC, 准确率, 灵敏度, 特异度 | NA |
| 474 | 2026-05-19 |
Morphology-guided deep learning for nanoparticle agglomeration diagnostic assays
2026-Mar-31, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-45423-2
PMID:41917119
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 475 | 2026-05-19 |
Atlas of predicted protein complex structures across kingdoms
2026-Mar-25, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-70884-4
PMID:41882029
|
研究论文 | 利用AlphaFold2的ColabFold框架预测了110万个蛋白质-蛋白质相互作用结构，构建了跨物种的蛋白质复合物图谱 | 首次大规模跨物种预测蛋白质复合物结构，涵盖细菌、古菌、人类、小鼠、植物和人类-病毒对，并发现跨物种共享的蛋白质复合物结构 | 预测结构依赖计算机模型，实验验证仅针对特定病毒受体，覆盖范围有限 | 系统性地预测和解析跨物种蛋白质复合物的三维结构，揭示进化保守性和功能关系 | 蛋白质复合物的预测结构及蛋白质-蛋白质相互作用 | 机器学习 | NA | AlphaFold2, ColabFold | AlphaFold2 | 蛋白质序列 | 110万个蛋白质-蛋白质相互作用结构，覆盖细菌、古菌、人类、小鼠、植物和人类-病毒对 | ColabFold | AlphaFold2 | 高置信度结构分类标准 | NA |
| 476 | 2026-05-19 |
Assessing the influence of kernel selection on chest computed tomography image quality across varying dose levels using TrueFidelity reconstruction
2026-Mar-13, Radiation protection dosimetry
IF:0.8Q4
DOI:10.1093/rpd/ncaf143
PMID:41821439
|
研究论文 | 评估不同剂量水平下使用不同重建核对胸部CT图像质量的影响 | 首次比较GE Healthcare的TrueFidelity DLIR软件中标准核与肺部核在全剂量和超低剂量胸部CT图像质量上的差异 | 样本量较小（仅25名患者），且对超低剂量协议无法得出可靠结论 | 评估全剂量和超低剂量胸部CT扫描中使用TrueFidelity标准核与肺部核重建的图像质量 | 25名接受胸部CT扫描的患者图像 | 计算机视觉 | 肺部疾病 | CT | 深度学习图像重建（DLIR） | 图像 | 25名患者的胸部CT图像 | NA | TrueFidelity | 视觉分级特征（VGC）曲线下面积（AUCVGC） | NA |
| 477 | 2026-05-19 |
From digital chest tomosynthesis to 3D CT
2026-Mar-13, Radiation protection dosimetry
IF:0.8Q4
DOI:10.1093/rpd/ncaf162
PMID:41821455
|
研究论文 | 提出一种从数字胸部断层合成到三维CT的高效深度学习重建方法 | 提出通过从投影数据的小块中重建矢状CT切片，显著降低内存需求，并采用体素分类（空气、软组织、骨）替代连续HU值预测 | 难以重建精细细节，尚不适合临床应用 | 开发一种低资源需求的断层合成体积成像重建方法 | 数字胸部断层合成投影图像及其对应的CT重建 | 计算机视觉 | NA | 数字胸部断层合成 | 深度学习模型 | 图像 | NA | NA | NA | NA | NA |
| 478 | 2026-05-19 |
Improving visibility of small anatomical details on low and ultra-low dose computed tomography with artificial intelligence-based image reconstructions
2026-Mar-13, Radiation protection dosimetry
IF:0.8Q4
DOI:10.1093/rpd/ncaf171
PMID:41821465
|
研究论文 | 评估人工智能图像重建技术在低剂量和超低剂量CT扫描中提升小解剖结构可见性的效果 | 首次系统评估深度学习图像重建在极低辐射剂量下对胸部小解剖结构诊断质量的影响 | 基于体模和单一肺标本，未包含活体患者数据 | 比较不同CT图像重建技术在不同辐射剂量水平下对诊断图像质量的影响 | PBU-50人体模型和风干人肺标本 | 计算机视觉 | 肺部结节、纤维化、支气管周围病变 | CT扫描 | 深度学习图像重建 | 图像 | 一个PBU-50人体模型（小型成人）和一个风干人肺标本，六个剂量水平 | NA | DLIR-H, ASiR-V, FBP | 描述性统计、视觉分级特征分析 | NA |
| 479 | 2026-05-16 |
A non-intrusive framework using acoustic signals and deep learning for boiling diagnostics in visual-limited environments
2026-Mar-25, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-41757-z
PMID:41882037
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 480 | 2026-05-16 |
Automated detection of physical contact events in youth ice hockey: a player-centric deep learning approach
2026-Mar-25, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-44805-w
PMID:41882050
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |