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 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 | 2026-04-24 |
Deep learning for predicting stem cell efficiency for use in beta cell differentiation
2026-Mar-09, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-42830-3
PMID:41803201
|
研究论文 | 提出基于图像深度学习模型，预测干细胞克隆效率，用于β细胞分化指导 | 利用无标记相位差成像与深度学习（EfficientNet-V2-S）相结合，实现分化的早期预测（53小时），克隆级准确率达96.7%，并通过层相关性传播和傅立叶分析解释模型特征 | 本研究仅为概念验证，且未提及模型在更大样本或不同干细胞系上的泛化能力 | 开发基于图像的深度学习模型，早期预测干细胞克隆在β细胞分化中的效率，以降低细胞生产成本 | 患者来源的干细胞克隆（高效与低效克隆） | 计算机视觉, 数字病理学 | 糖尿病 | 相位差成像 | 卷积神经网络（EfficientNet-V2-S） | 图像（相位差成像） | 干细胞克隆样本（具体数量未给出） | NA | EfficientNet-V2-S | 准确率（96.7%） | NA |
| 602 | 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 |
| 603 | 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 |
| 604 | 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 |
| 605 | 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 |
| 606 | 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 |
| 607 | 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 |
| 608 | 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 |
| 609 | 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 |
| 610 | 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 |
| 611 | 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 |
| 612 | 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 |
| 613 | 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 |
| 614 | 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 |
| 615 | 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 |
| 616 | 2026-04-22 |
Enhanced Visualization: Transforming Non-Contrast into Contrast-Enhanced Computed Tomography Images Through Advanced Generative Adversarial Networks
2026-Mar-13, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics16060861
PMID:41897594
|
研究论文 | 本研究利用生成对抗网络（GAN）从非对比增强CT图像生成合成对比增强CT图像，以辅助禁忌使用碘对比剂患者的纵隔和淋巴结评估 | 提出了一种基于GAN的模型，能够在不注射对比剂的情况下，从NCCT生成sCECT，为有禁忌症的患者提供了一种替代可视化方案 | 合成增强是基于学习的强度变换，而非真实的碘基衰减，可能无法完全模拟真实的生理性对比增强效果 | 开发一种深度学习方法来生成合成对比增强CT图像，以克服部分患者无法接受碘对比剂注射的临床限制 | 淋巴瘤或转移性淋巴结病患者 | 计算机视觉 | 淋巴瘤 | CT扫描 | GAN | 医学图像（CT） | 训练集：400例CECT扫描（2024年3月至7月采集）；测试集：20例患者（2025年1月至7月诊断，仅使用NCCT扫描） | NA | NA | MAE, RMSE, PSNR, SSIM, PCC, SNR, CNR | NA |
| 617 | 2026-04-22 |
Lightweight Deep Learning for Automated Dental Caries Screening from Pediatric Oral Photographs
2026-Mar-13, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics16060862
PMID:41897595
|
研究论文 | 本研究探讨了使用轻量级卷积神经网络从儿童口腔照片中自动筛查龋齿的可行性 | 证明了轻量级深度学习模型在龋齿筛查任务中可以达到临床意义的性能，并进行了可解释性分析以验证模型决策的临床相关性 | 数据集规模相对较小（435张图像），且仅针对儿童龋齿筛查，可能限制了模型的泛化能力 | 开发适用于社区和移动环境的自动化龋齿筛查系统 | 3-14岁儿童的口腔照片 | 计算机视觉 | 龋齿 | 口腔摄影 | CNN | 图像 | 435张来自儿童的口腔内图像 | PyTorch, TensorFlow | ResNet-18, MobileNetV3-Small, EfficientNet-B0 | 灵敏度, 特异性, 平衡准确率, ROC-AUC, PR-AUC, 加权F1分数 | NA |
| 618 | 2026-04-22 |
Artificial Intelligence Applications in Gastric Cancer Surgery: Bridging Early Diagnosis and Responsible Precision Medicine
2026-Mar-13, Journal of clinical medicine
IF:3.0Q1
DOI:10.3390/jcm15062208
PMID:41899133
|
综述 | 本文是一篇关于人工智能在胃癌手术中应用的叙述性综述，涵盖了从早期诊断到围手术期风险预测等多个领域 | 系统性地将人工智能在胃癌手术中的应用归纳为五个主题领域，并整合了伦理与监管考量，为未来研究提供了结构化框架 | 证据主要基于小型、异质性数据集，缺乏充分的外部验证，且在数据隐私、算法可解释性和法律责任方面存在未解决的问题 | 综述人工智能在胃癌手术领域的最新应用、潜力与挑战，以促进其负责任地融入精准医疗 | 聚焦于胃癌手术过程，包括早期诊断、术中引导和围手术期管理 | 数字病理学 | 胃癌 | AI辅助内窥镜检测、拉曼光谱、计算机视觉、深度学习 | 深度学习算法 | 医学图像、临床数据 | NA | NA | NA | NA | NA |
| 619 | 2026-03-13 |
A novel multimodal framework integrating pathomics, deep learning, and machine learning for breast cancer histological grades classification
2026-Mar-12, Diagnostic pathology
IF:2.4Q2
DOI:10.1186/s13000-026-01769-9
PMID:41814294
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 620 | 2026-04-22 |
AI-powered biomechanical modeling for ACL-reconstructed knees: predicting knee joint contact forces via computer vision and deep learning
2026-Mar-11, Journal of neuroengineering and rehabilitation
IF:5.2Q1
DOI:10.1186/s12984-026-01939-2
PMID:41814442
|
研究论文 | 本研究开发并验证了一个结合计算机视觉和深度学习的非侵入式框架，用于预测前交叉韧带重建患者在日常活动中的膝关节接触力 | 将增强的肌肉骨骼模型与结合时空注意力的深度学习架构相结合，以提高跨多种运动任务的预测准确性，实现了从静态实验室分析到动态实时监测的范式转变 | NA | 开发并验证一个集成的、非侵入式的框架，用于准确预测前交叉韧带重建患者在日常活动中的膝关节接触力 | 29名前交叉韧带重建术后患者 | 计算机视觉, 机器学习 | 前交叉韧带损伤 | 肌肉骨骼建模, 运动捕捉 | CNN, BiGRU, 自注意力机制 | 运动轨迹, 运动学数据 | 29名患者 | NA | CNN-BiGRU-Attention | R² | NA |