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 1493 篇文献，本页显示第 721 - 740 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 721 | 2026-03-18 |
Deep learning-driven immunohistochemical analysis of renal lymphatics for chronic kidney disease: bioinformatic and histopathological study
2026-Mar, Journal of pathology and translational medicine
IF:1.7Q3
DOI:10.4132/jptm.2025.12.15
PMID:41820010
|
研究论文 | 本研究开发了一种基于弱监督、注意力机制的多实例学习框架，用于自动检测和量化肾淋巴管密度，以支持慢性肾脏病和高血压肾病的诊断与风险分层 | 采用聚类约束注意力多实例学习（CLAM）模型，联合执行基于注意力的实例选择和实例级聚类，以区分每个切片内的正负证据，从而生成更具区分性的切片级特征和可解释的注意力图 | 研究仅基于两个独立内部数据集（来自同济医院），样本量相对有限（CKD 198例，HTN 50例），且仅使用D2-40免疫组化染色的全切片图像 | 评估一种自动化框架，用于肾淋巴管密度的检测和量化，以替代缓慢、主观的视觉评估方法 | 慢性肾脏病（CKD）和高血压肾病（HTN）患者的肾活检组织 | 数字病理学 | 慢性肾脏病 | 免疫组化染色（D2-40）、全切片图像数字化 | CNN, 多实例学习 | 图像 | CKD 198例，HTN 50例，总计248例肾活检样本 | NA | CLAM（聚类约束注意力多实例学习模型） | AUC（接收者操作特征曲线下面积） | NA |
| 722 | 2026-03-18 |
Deep learning-based upsampling of 2D detector array measurements for patient plan verification in radiotherapy
2026-Mar, Medical physics
IF:3.2Q1
DOI:10.1002/mp.70358
PMID:41840888
|
研究论文 | 本文提出了一种基于深度学习的上采样方法，用于提高放疗患者计划验证中探测器阵列的空间分辨率 | 利用深度卷积神经网络对探测器阵列测量进行上采样，校正体积平均效应，并在陡峭梯度区域实现比标准双线性插值更好的插值效果 | 训练数据基于蒙特卡洛模拟生成，可能无法完全覆盖所有临床场景；研究主要针对特定型号探测器（OCTAVIUS Detector 1500） | 提高强度调制放射治疗中探测器阵列用于患者计划验证的空间分辨率 | 放疗治疗计划验证中的二维剂量分布测量 | 医学影像分析 | NA | 蒙特卡洛模拟 | CNN | 二维剂量分布图像 | 基于蒙特卡洛模拟生成的合成训练数据，覆盖不同直线加速器设置和射野形状 | PyTorch | 深度卷积架构 | 伽马指数通过率 | NA |
| 723 | 2026-03-17 |
Deep learning predicts and in vitro experiments validates the synergistic anti-liver cancer effect of vincristine and lenvatinib: Mechanism involving apoptosis induction via the TNF-α/Caspase-8 pathway
2026-03-19, Biochemical and biophysical research communications
IF:2.5Q3
DOI:10.1016/j.bbrc.2026.153380
PMID:41637988
|
研究论文 | 本研究利用深度学习模型预测并验证了长春新碱与乐伐替尼在抗肝癌中的协同作用及其通过TNF-α/Caspase-8通路诱导凋亡的机制 | 首次结合深度学习模型（MARSY和MatchMaker）预测药物协同作用，并通过实验验证了长春新碱与乐伐替尼联用能通过ROS介导的TNF-α/Caspase-8通路诱导肝癌细胞凋亡 | 研究仅进行了体外实验验证，缺乏体内动物模型或临床数据的支持 | 开发克服乐伐替尼耐药性的协同药物组合，为肝癌治疗提供新策略 | 肝癌细胞 | 机器学习 | 肝癌 | CCK-8检测、集落形成实验、伤口愈合实验、Transwell实验、流式细胞术、Western blot分析 | 深度学习模型 | 药物相互作用数据、细胞实验数据 | NA | NA | MARSY, MatchMaker | ZIP模型协同指数 | NA |
| 724 | 2026-03-17 |
Comprehensive Multiomics Characterization of Perineural Invasion in Cervical Cancer Reveals Diagnostic Markers, Molecular Drivers, and Therapeutic Strategies
2026-Mar-16, Cancer research
IF:12.5Q1
DOI:10.1158/0008-5472.CAN-25-0149
PMID:41379570
|
研究论文 | 本研究通过多组学分析揭示了宫颈癌神经周围浸润的分子机制，并识别了诊断标志物和潜在治疗策略 | 首次通过整合全外显子、全基因组和RNA测序数据，结合机器学习和深度学习模型，系统性地识别了PNI的基因表达特征、驱动突变及靶向治疗药物 | 样本量相对较小（45例患者），且验证队列规模有限（37例），可能影响结果的普适性 | 阐明宫颈癌神经周围浸润的分子机制，开发诊断标志物和治疗策略 | 宫颈癌患者的肿瘤和匹配正常组织样本 | 机器学习, 深度学习 | 宫颈癌 | 全外显子测序, 全基因组测序, RNA测序 | 机器学习, 深度学习 | 基因组数据, 转录组数据 | 45例患者（23例PNI, 22例非PNI），独立验证队列37例（18例PNI, 19例非PNI） | NA | NA | 准确性 | NA |
| 725 | 2026-03-17 |
Predicting Cerebral Aneurysm Recurrence after Coil Embolization: A Novel Deep Learning Approach Using Time-of-flight Magnetic Resonance Angiography
2026-Mar-15, Neurologia medico-chirurgica
IF:2.4Q2
DOI:10.2176/jns-nmc.2025-0288
PMID:41526250
|
研究论文 | 本研究提出了一种结合机器学习和深度学习技术的新方法，利用时间飞跃磁共振血管成像来预测脑动脉瘤弹簧圈栓塞术后的复发 | 首次将临床数据与3D重建的时间飞跃磁共振血管成像数据结合，构建了融合深度学习的预测模型，并比较了仅使用术前图像与同时使用术前术后图像两种版本的性能 | 研究为回顾性多中心分析，样本量相对有限（154例患者），且模型性能有待在前瞻性研究中进一步验证 | 预测脑动脉瘤在弹簧圈栓塞术后的复发风险 | 接受弹簧圈栓塞术的未破裂脑动脉瘤患者 | 数字病理学 | 脑血管疾病 | 时间飞跃磁共振血管成像 | 逻辑回归, 神经网络, 深度学习 | 图像, 临床数据 | 154例患者 | NA | NA | AUC, 准确率, 灵敏度, 特异性 | NA |
| 726 | 2026-03-17 |
Peptide cheminformatics tools: making computational tasks accessible in peptide drug discovery
2026-Mar, Drug discovery today
IF:6.5Q1
DOI:10.1016/j.drudis.2026.104612
PMID:41577169
|
综述 | 本文综述了肽类药物发现中计算化学信息学工具的当前方法，旨在促进这些工具在药物发现流程中的整合应用 | 系统性地概述了肽类计算研究的不同阶段，包括表示、相似性评估、机器学习/深度学习模型和肽设计，并基于关键特征强调了现有工具 | NA | 促进肽类药物发现中计算工具的应用，加速设计-测试周期并指导候选药物开发 | 肽类分子及其在药物发现中的应用 | 计算化学信息学 | NA | 计算化学信息学工具，机器学习/深度学习 | ML/DL模型 | 肽类分子数据 | NA | NA | NA | NA | NA |
| 727 | 2026-03-17 |
Artificial Intelligence Models Integrating Preoperative Prostate MRI and Clinical Parameters for Predicting Extraprostatic Extension: A Systematic Review and Meta-Analysis
2026-Mar, Journal of surgical oncology
IF:2.0Q2
DOI:10.1002/jso.70167
PMID:41588994
|
系统综述与荟萃分析 | 本文通过系统综述和荟萃分析，评估了整合术前前列腺MRI影像和临床参数的人工智能模型在预测前列腺癌包膜外侵犯方面的诊断性能 | 首次对整合多参数MRI影像组学特征与临床变量（如PSA、Gleason评分）的AI模型进行系统综述和荟萃分析，证实其诊断性能显著优于传统评估方法 | 研究间存在异质性，主要源于MRI协议、分割方法和建模方法的差异，且深度学习与传统机器学习模型的性能差异无统计学显著性 | 评估人工智能模型整合术前前列腺MRI和临床参数预测前列腺癌包膜外侵犯的诊断性能 | 前列腺癌患者 | 数字病理学 | 前列腺癌 | 多参数MRI（如T2加权成像、弥散加权成像） | 深度学习, 传统机器学习 | 图像, 临床参数 | 14项研究，涉及2,131名患者 | NA | NA | 灵敏度, 特异度, 曲线下面积, 诊断比值比 | NA |
| 728 | 2026-03-17 |
Hit identification in ultra large virtual screening: an integrative review and future challenges
2026-Mar, Drug discovery today
IF:6.5Q1
DOI:10.1016/j.drudis.2026.104616
PMID:41611169
|
综述 | 本文综述了超大规模虚拟筛选（ULVS）在药物发现中的策略、平台及未来挑战 | 整合了结构、配体、药效团、片段及混合工作流，并强调了机器学习与深度学习的增强作用 | 在评分准确性、资源效率和泛化能力方面仍存在挑战 | 探讨超大规模虚拟筛选在药物发现中的应用、策略及未来发展方向 | 数百亿至数十亿化合物库，针对G蛋白偶联受体和蛋白质-蛋白质界面等靶点 | 机器学习 | NA | 虚拟筛选，机器学习，深度学习 | NA | 化合物结构数据 | 数百亿至数十亿化合物 | NA | NA | NA | NA |
| 729 | 2026-03-16 |
Beyond whole-image learning: anatomically partitioned deep learning models for superior sinonasal disease classification
2026-Mar-15, European radiology
IF:4.7Q1
DOI:10.1007/s00330-026-12436-4
PMID:41832258
|
研究论文 | 本研究提出了一种基于解剖分区的深度学习模型，用于提升鼻窦疾病的CT诊断准确性 | 通过解剖分区策略替代全图像学习，针对鼻窦解剖异质性设计疾病特异性网络，显著提高了诊断性能 | 研究为回顾性设计，样本量有限（150例手动分割），且仅针对特定解剖区域 | 提升基于CT的鼻窦疾病分类诊断准确性 | 鼻窦CT图像中的13个解剖区域（包括双侧鼻腔、上颌窦、筛窦等） | 数字病理学 | 鼻窦疾病 | CT成像 | 深度学习 | 医学图像（CT） | 2947例CT检查（其中150例用于手动分割） | nnU-Net v2 | nnU-Net | 敏感性, 特异性, AUC, Dice系数 | NA |
| 730 | 2026-03-16 |
Explainable deep learning for early diagnosis of chronic kidney disease from CT images in Bangladeshi patients
2026-Mar-15, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-42654-1
PMID:41832284
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 731 | 2026-03-16 |
Integrative Approaches in Lung Cancer Diagnosis: Bridging Molecular Biomarkers and AI Driven Imaging
2026-Mar-14, Biomarkers : biochemical indicators of exposure, response, and susceptibility to chemicals
IF:2.0Q4
DOI:10.1080/1354750X.2026.2644329
PMID:41830914
|
综述 | 本文综述了分子生物标志物与人工智能驱动的影像学在肺癌诊断中的整合方法 | 分析了将分子生物标志物（如EGFR、ALK、KRAS等）与人工智能（特别是机器学习和深度学习）驱动的影像学（如低剂量CT扫描的影像组学和模式识别）进行整合的潜力，以实现更快、更精确、更具个性化的肺癌诊断 | 面临数据标准化、模型可解释性、临床验证和伦理问题等诸多挑战 | 探讨肺癌诊断领域如何整合分子生物学和计算技术的最新进展 | 肺癌 | 数字病理学 | 肺癌 | 液体活检、循环肿瘤DNA、下一代测序、多组学方法（基因组学、转录组学、蛋白质组学） | 机器学习, 深度学习 | 图像, 分子数据 | NA | NA | NA | NA | NA |
| 732 | 2026-03-16 |
Decoding soil properties from surface cracks using Minkowski functionals, junction crack angle distributions, and AI-based image analysis
2026-Mar-14, The European physical journal. E, Soft matter
DOI:10.1140/epje/s10189-026-00567-x
PMID:41830988
|
研究论文 | 本研究通过Minkowski泛函、裂缝交汇角分布和基于AI的图像分析，解码土壤表面裂缝以识别土壤类型和亚型 | 结合形态学描述符（如Minkowski泛函和裂缝交汇角分布）与卷积神经网络，实现对土壤类型的精确分类，准确率达100% | NA | 通过分析干燥裂缝模式，准确识别土壤类型和亚型，应用于农业土壤评估、行星地形研究等领域 | 不同土壤类型及其亚类（如洪水左岸和非洪水右岸的土壤） | 计算机视觉 | NA | 图像分析 | CNN | 图像 | NA | NA | NA | 准确率 | NA |
| 733 | 2026-03-16 |
Super-resolution deep learning reconstruction enhances visualization of cerebral aneurysms on magnetic resonance angiography
2026-Mar-14, Neuroradiology
IF:2.4Q2
DOI:10.1007/s00234-026-03965-2
PMID:41831007
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 734 | 2026-03-16 |
A multimodal feature disentanglement model for lymphadenopathy diagnosis based on BUS and CDFI ultrasound videos: a retrospective, prospective, multicenter study
2026-Mar-14, European radiology
IF:4.7Q1
DOI:10.1007/s00330-026-12409-7
PMID:41831029
|
研究论文 | 本研究开发并验证了一种基于B超和彩色多普勒血流成像视频的多模态深度学习模型，用于淋巴结病变的诊断 | 提出了一种多模态特征解耦模型，整合了B超和彩色多普勒血流成像视频以及患者临床信息，以提高淋巴结病变的诊断准确性 | NA | 开发并验证一个深度学习模型，用于基于多模态超声视频诊断淋巴结病变 | 淋巴结病变患者 | 计算机视觉 | 淋巴结病变 | B超, 彩色多普勒血流成像 | 深度学习模型 | 视频 | 7371名患者，共提取147,420个关键帧 | NA | 多模态特征解耦模型 | AUC, 准确率, 灵敏度, 特异度, 精确度 | NA |
| 735 | 2026-03-16 |
MyoClass: A modular multimodal auto-classification system for myocardial tissue characterization
2026-Mar-14, The international journal of cardiovascular imaging
DOI:10.1007/s10554-026-03684-y
PMID:41831142
|
研究论文 | 提出了一种名为MyoClass的深度学习框架，用于整合多模态心脏磁共振成像数据和患者元数据，实现心肌组织的自动分类 | 开发了一个模块化的多模态自动分类系统，首次整合了多种CMR序列、左心室形态描述符、T1定量映射和患者元数据，无需手动分割即可实现准确分类 | 研究样本量相对较小（150名患者），需要在更大规模的多中心数据集中进一步验证 | 开发一个自动化系统，用于区分健康心肌、心肌炎和心肌梗死 | 心肌组织 | 数字病理学 | 心血管疾病 | 心脏磁共振成像 | MLP | 图像, 元数据 | 150名患者（每类50名） | NA | 多层感知机 | 准确率 | NA |
| 736 | 2026-03-16 |
ROBUST-MIPS: A Combined Skeletal Pose and Instance Segmentation Dataset for Laparoscopic Surgical Instruments
2026-Mar-14, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-026-06938-5
PMID:41832216
|
研究论文 | 本文介绍了ROBUST-MIPS数据集，该数据集结合了手术工具的姿态和实例分割标注，旨在促进手术工具定位的研究 | 提出了结合手术工具姿态和实例分割的标注数据集，并论证了姿态标注在语义信息丰富性和标注效率之间的平衡优势 | NA | 促进手术工具定位研究，通过提供联合标注数据集支持下游任务比较 | 腹腔镜手术工具 | 计算机视觉 | NA | 深度学习 | NA | 图像 | 基于现有ROBUST-MIS数据集衍生 | NA | NA | NA | NA |
| 737 | 2026-03-16 |
Classification of health product defect reports by deep learning
2026-Mar-14, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-43961-3
PMID:41832296
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 738 | 2026-03-16 |
Interpretable deep learning radiomics from 18F-FDG PET/CT for differentiating diffuse large B-cell lymphoma and follicular lymphoma
2026-Mar-14, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-026-02253-y
PMID:41832418
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 739 | 2026-03-15 |
Correction: Development and validation of a multimodal deep learning model for early esophageal squamous neoplasia detection and invasion depth prediction
2026-Mar-13, Endoscopy
IF:11.5Q1
DOI:10.1055/a-2832-9144
PMID:41825460
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 740 | 2026-03-16 |
Characterizing spatiotemporal trends in PM2.5 component exposures across the western United States using daily 1-km estimates from multi-source data and deep learning
2026-Mar-13, Journal of environmental management
IF:8.0Q1
DOI:10.1016/j.jenvman.2026.129322
PMID:41831362
|
研究论文 | 本研究开发了一个基于深度森林算法的时空建模框架，用于估算美国西部2002年至2019年每日1公里分辨率的PM2.5组分浓度 | 整合了地面化学组分网络、卫星反演PM质量浓度、CMAQ模拟和多种辅助预测因子，首次生成了美国西部长期、高时空分辨率的PM2.5组分（硫酸盐、硝酸盐、有机碳、元素碳、矿物尘）无间隙浓度数据集 | 未明确提及模型在极端气象条件或复杂地形区域的泛化能力，也未讨论模型对新兴污染源的适应性 | 为空气质量管理和健康风险评估提供可靠、长期的细颗粒物（PM2.5）化学成分数据 | 美国西部地区的PM2.5化学成分（硫酸盐、硝酸盐、有机碳、元素碳、矿物尘） | 环境科学, 机器学习 | NA | 深度森林算法, 多源数据融合（地面监测、卫星遥感、CMAQ模拟） | 深度森林 | 时空序列数据, 多源遥感与模拟数据 | 美国西部2002-2019年每日1公里分辨率网格数据 | NA | 深度森林 | 交叉验证R², 均方根误差（RMSE）, 斜率 | NA |