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 512 篇文献，本页显示第 181 - 200 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 181 | 2026-04-10 |
Estimating Protein Conformational States from High-Speed AFM Images with Molecular Dynamics and Deep Learning
2026-Apr-04, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.6c00142
PMID:41934646
|
研究论文 | 本文提出了一种结合深度学习与分子动力学模拟的框架DeepAFM，用于从高速原子力显微镜图像中估计蛋白质构象状态并去噪 | 将深度学习与分子动力学模拟结合，通过模拟AFM图像训练模型，提高对噪声的鲁棒性，优于传统的刚性和柔性拟合方法 | 方法基于模拟数据训练，可能受模拟与实验条件差异影响；仅以SecYAEG-nanodisc复合物为案例研究，泛化性需进一步验证 | 开发一种框架以从噪声高、分辨率有限的高速原子力显微镜图像中可靠识别蛋白质构象状态 | 蛋白质构象状态，特别是膜蛋白SecYAEG-nanodisc复合物中SecA的构象转变 | 计算机视觉 | NA | 高速原子力显微镜，分子动力学模拟 | 深度学习模型 | 图像 | 基于分子动力学快照生成的模拟AFM图像，具体样本数量未明确 | 未明确指定，但提及深度学习框架 | 未明确指定具体架构 | 未明确指定，但提及与独立实验观察的一致性 | 未明确指定 |
| 182 | 2026-04-10 |
An artificial intelligence model for accurate drug-target affinity prediction in medicinal chemistry
2026-Apr-03, European journal of medicinal chemistry
IF:6.0Q1
DOI:10.1016/j.ejmech.2026.118840
PMID:41950652
|
研究论文 | 提出一种结合进化蛋白质表征与多模态配体分析的新型人工智能模型，用于高精度预测药物-靶点亲和力 | 融合ESM-2蛋白质特征向量的PCA降噪与CNN局部基序提取，整合分子图与多种化学描述符，并引入分阶段交叉/自注意力机制模拟动态分子识别 | 未明确说明模型对非标准结合模式或罕见靶点类型的泛化能力 | 提高药物-靶点亲和力预测精度以加速药物发现 | 药物分子与蛋白质靶点 | 计算化学/药物发现 | NA | 进化序列分析、分子图表示、化学描述符计算 | 深度学习 | 蛋白质序列、分子结构、化学描述符 | 基于Davis和KIBA基准数据集 | PyTorch | CNN, 注意力机制 | 亲和力预测精度 | NA |
| 183 | 2026-04-10 |
Monitoring systemic ventriculoarterial coupling after cardiac surgery using continuous transoesophageal echocardiography and deep learning
2026-Apr, Journal of clinical monitoring and computing
IF:2.0Q2
DOI:10.1007/s10877-025-01328-5
PMID:40676456
|
研究论文 | 本研究开发了一种结合经食管超声心动图和深度学习的新工具autoMAPSE，用于术后连续监测左心室功能和系统心室动脉耦联 | 首次将经食管超声心动图与深度学习结合，实现自动测量二尖瓣环平面收缩期位移，用于连续监测心室动脉耦联 | 样本量较小（仅50例患者），监测时间仅限于术后2小时，且为单中心研究 | 评估autoMAPSE工具在监测心脏术后系统心室动脉耦联及检测术后心脏生物标志物变化方面的有效性 | 接受心脏手术的50例患者 | 数字病理学 | 心血管疾病 | 经食管超声心动图 | 深度学习 | 超声图像 | 50例心脏手术患者 | NA | NA | 相关系数 | NA |
| 184 | 2026-04-10 |
Brain Myelin in Children With Attention-Deficit/Hyperactivity Disorder: A Longitudinal T1-Weighted/T2-Weighted Ratio Study
2026-Apr, Biological psychiatry. Cognitive neuroscience and neuroimaging
DOI:10.1016/j.bpsc.2025.07.012
PMID:40789484
|
研究论文 | 本研究通过纵向T1加权/T2加权比值分析，探讨了注意力缺陷/多动障碍（ADHD）儿童脑白质髓鞘发育轨迹 | 首次在纵向社区儿科队列中，使用T1w/T2w比值结合深度学习自动纤维束追踪方法，系统评估ADHD儿童脑白质髓鞘发育模式 | 研究未发现ADHD组与对照组在髓鞘发育上的显著差异，可能受样本特征或方法灵敏度限制，且未考虑纤维结构等其他白质特性 | 探究ADHD儿童脑白质髓鞘的发育轨迹及其与疾病的关系 | 9-14岁儿童（包括195名ADHD患者及205名对照） | 神经影像学 | 注意力缺陷/多动障碍 | T1加权/T2加权比值成像、扩散加权成像 | 深度学习 | 神经影像数据（T1w、T2w、DWI） | 400次扫描（195名ADHD儿童，年龄范围9-14岁，3个时间点） | NA | NA | NA | NA |
| 185 | 2026-04-10 |
Graph-based deep learning approach for high-throughput protein-DNA interaction scoring
2026-Apr, Acta pharmacologica Sinica
IF:6.9Q1
DOI:10.1038/s41401-025-01688-3
PMID:41326808
|
研究论文 | 本文提出了一种基于图深度学习的蛋白质-DNA相互作用评分方法PDIScore，用于准确量化蛋白质-DNA相互作用 | 开发了PDIScore这一新型深度学习评分函数，采用全面的图表示捕获核苷酸灵活性，结合可扩展的GraphGPS架构与BigBird线性全局注意力处理大相互作用界面，并利用混合密度网络建模残基-核苷酸距离分布 | NA | 开发可靠的蛋白质-DNA相互作用评分函数以促进生物学过程理解和药物设计 | 蛋白质-DNA相互作用 | 机器学习 | NA | 深度学习 | 图神经网络 | 蛋白质-核酸复合物结构 | 约7000个蛋白质-核酸复合物结构 | NA | GraphGPS, BigBird, 混合密度网络 | 富集因子, AUROC, 对接成功率, 皮尔逊相关系数 | NA |
| 186 | 2026-04-10 |
Horizontal nystagmus identification with joint SAM segmentation and time series classification
2026-Apr, European archives of oto-rhino-laryngology : official journal of the European Federation of Oto-Rhino-Laryngological Societies (EUFOS) : affiliated with the German Society for Oto-Rhino-Laryngology - Head and Neck Surgery
IF:1.9Q2
DOI:10.1007/s00405-025-09950-4
PMID:41663530
|
研究论文 | 本文提出了一种结合SAM分割和时间序列分类的水平眼震检测模型 | 联合使用SAM分割和时空注意力机制进行眼震检测，提高了诊断准确性 | NA | 开发一种高效的水平眼震自动检测方法 | 水平眼震患者的眼球运动视频 | 计算机视觉 | 前庭系统疾病 | 视频分析 | CNN | 视频 | 临床收集的水平眼震视频数据集 | NA | SAM, 一维时间序列卷积分类器 | 准确率, 精确率 | NA |
| 187 | 2026-04-10 |
Deep Learning and Fluid Dynamics On-Site CT-FFR Solution Compared to Off-Site FFRct and Invasive FFR
2026-Apr, JACC. Cardiovascular imaging
DOI:10.1016/j.jcmg.2025.11.011
PMID:41758106
|
研究论文 | 本研究评估了基于深度学习和流体动力学的现场CT-FFR算法（xFFR）在冠状动脉疾病评估中的诊断性能，并与场外FFRct和有创FFR进行了比较 | 开发并验证了一种现场、快速（平均8分钟）的CT-FFR算法，结合了深度学习和流体动力学，作为场外FFRct解决方案的替代方案 | 单中心研究，需要进一步研究以确认其普适性并优化实施 | 评估现场CT-FFR算法在冠状动脉疾病诊断中的性能 | 250名有症状的中高风险冠状动脉疾病患者 | 数字病理学 | 心血管疾病 | 冠状动脉计算机断层扫描血管造影 | 深度学习 | 医学影像 | 250名患者 | NA | NA | AUC, 敏感性, 特异性, 准确性, Spearman相关系数, Cohen's κ | NA |
| 188 | 2026-04-10 |
An educational machine learning demonstration framework for plastic surgeons using open datasets
2026-Apr, Journal of plastic, reconstructive & aesthetic surgery : JPRAS
DOI:10.1016/j.bjps.2026.02.010
PMID:41762764
|
研究论文 | 本文介绍了一个名为DermAI-Melanoma的教育性机器学习演示框架，旨在帮助整形外科医生利用开放数据集进行黑色素瘤分类的深度学习模型训练与部署 | 开发了一个专门针对整形外科医生的开源数据演示框架，使用公开数据集进行可重复的深度学习模型训练和浏览器部署，特别优化了轻量级模型以适应智能手机应用 | 框架主要基于单一公开数据集（SIIM-ISIC 2020），且模型性能虽与文献中皮肤科医生基准相当，但未在临床环境中进行大规模验证 | 通过教育性演示框架促进整形外科医生参与数据科学，利用开放数据集构建透明、可部署的人工智能工具 | 黑色素瘤皮肤病变图像 | 机器学习 | 黑色素瘤 | 深度学习 | CNN | 图像 | SIIM-ISIC 2020黑色素瘤数据集中的图像，具体数量未在摘要中明确说明 | TensorFlow.js | EfficientNet-B3, MobileNetV3-Small | 准确率, AUC-ROC, F1分数 | 标准智能手机，具体GPU或云平台资源未在摘要中明确说明 |
| 189 | 2026-04-10 |
Automated Brain Tumor Detection Using Convolutional Neural Network
2026-Apr, Biotechnology and applied biochemistry
IF:3.2Q2
DOI:10.1002/bab.70060
PMID:41076544
|
研究论文 | 本研究探讨了使用卷积神经网络（U-Net和SSD）进行脑肿瘤自动检测的效能，以提高早期诊断的准确性 | 结合了用于医学图像分割的U-Net模型和用于目标检测的SSD模型，评估并比较了它们在脑肿瘤检测中的性能，强调了U-Net在精确分割方面的优势 | SSD模型的准确率相对较低（58%），表明其在某些场景下可能仅作为辅助工具，且研究未详细说明数据集的具体规模和多样性 | 通过深度学习技术提升脑肿瘤的早期检测能力，以支持及时的医疗干预 | 脑肿瘤的检测与定位 | 计算机视觉 | 脑肿瘤 | 医学图像分析 | CNN | 医学影像 | NA | NA | U-Net, SSD | 准确率 | NA |
| 190 | 2026-04-10 |
Artificial intelligence for single-omics in ovarian cancer: a methodological review
2026-Apr, International journal of gynecological cancer : official journal of the International Gynecological Cancer Society
IF:4.1Q2
DOI:10.1016/j.ijgc.2025.104452
PMID:41617590
|
综述 | 本文对2021年至2024年间发表的14项研究进行了叙述性综述，总结了人工智能在卵巢癌单组学数据分析中的应用现状、方法学及挑战 | 首次系统性地综述了人工智能在卵巢癌基因组、转录组、代谢组、微生物组和表观基因组等单组学数据中的应用，并强调了数据预处理、归一化和特征选择等关键方法学考虑对模型性能的影响 | 纳入的研究存在样本量小、回顾性设计、单中心研究以及验证数据集使用不一致等显著局限性 | 综述人工智能在卵巢癌单组学数据分析中的应用，以提升该疾病的诊断、预后和治疗 | 上皮性卵巢癌患者 | 机器学习 | 卵巢癌 | 基因组学、转录组学、代谢组学、微生物组学、表观基因组学 | 深度学习, 随机森林, 支持向量机 | 组学数据 | NA | NA | NA | 分类准确率, AUC | NA |
| 191 | 2026-04-10 |
Large Language Models and Otolaryngology: A Review
2026-Apr-01, JAMA otolaryngology-- head & neck surgery
DOI:10.1001/jamaoto.2025.5335
PMID:41642593
|
综述 | 本文回顾了大型语言模型（LLMs）在耳鼻喉科学中的应用现状、潜力与挑战 | 强调了LLMs在耳鼻喉科学这一依赖多模态数据的专科中作为强大但未充分利用工具的潜力，并借鉴其他专科的广泛方法学应用 | 耳鼻喉科学领域的大多数研究仍局限于可行性评估，且多使用闭源模型，限制了其临床效用和转化潜力 | 为耳鼻喉科医生提供一个基础，以推进LLMs技术在其领域的应用，并促进其从可行性研究向临床验证和实施研究发展 | 大型语言模型（LLMs）及其在耳鼻喉科学中的应用 | 自然语言处理 | NA | NA | 大型语言模型（LLMs） | 多模态数据（文本、影像、电生理学、视频） | NA | NA | NA | NA | NA |
| 192 | 2026-04-10 |
New Directions in Digital Pathology
2026-Apr, Dermatologic clinics
IF:2.2Q2
DOI:10.1016/j.det.2026.01.012
PMID:41951334
|
综述 | 本文回顾了数字皮肤病理学的现状与未来方向，重点介绍了全切片成像和人工智能的作用 | 强调了AI工具在诊断、分诊和预后方面的应用，其准确性可与专家病理学家相媲美 | 实施成本高、图像质量存在变异性以及算法学习中的偏见 | 探讨数字病理学在临床实践中的整合与未来发展方向 | 数字皮肤病理学中的全切片成像和人工智能工具 | 数字病理学 | NA | 全切片成像 | 深度学习, 卷积神经网络 | 图像 | NA | NA | NA | 准确性 | NA |
| 193 | 2026-04-07 |
Deep Learning Model for Histologic Diagnosis of Dysplastic Barrett's Esophagus: Multisite Cohort External Validation
2026-Apr-01, The American journal of gastroenterology
DOI:10.14309/ajg.0000000000003495
PMID:40267276
|
研究论文 | 本研究通过外部验证一个深度学习模型，用于基于全切片图像诊断巴雷特食管发育不良的等级 | 在多个外部学术中心对先前交叉验证的深度学习模型进行外部验证，并采用循环生成对抗网络进行染色归一化，结合YOLO和ResNet101的集成方法 | 研究样本主要来自学术中心，可能无法完全代表社区病理学家的诊断环境；模型性能虽高，但仍有提升空间 | 提高巴雷特食管发育不良的诊断准确性，减少观察者间变异性和过度诊断 | 巴雷特食管患者的组织学切片，包括非发育不良、低级别发育不良和高级别发育不良 | 数字病理学 | 巴雷特食管 | 全切片图像数字化，染色归一化 | 深度学习模型 | 图像 | 489个全切片图像 | NA | YOLO, ResNet101 | 灵敏度, 特异度, F1分数 | NA |
| 194 | 2026-04-06 |
Developing an artificial intelligence tool for detecting fractures of child abuse: preliminary findings
2026-Apr-04, European radiology
IF:4.7Q1
DOI:10.1007/s00330-026-12513-8
PMID:41934493
|
研究论文 | 本研究旨在开发和评估一种基于深度学习的AI工具（BoneView），用于检测儿童虐待导致的骨折，通过初步训练提升了模型性能 | 首次将商业可用的深度学习算法应用于儿童虐待骨折的自动检测，并通过针对性的放射影像数据重新训练，初步验证了其性能提升的潜力 | 研究为单中心回顾性试点研究，样本量相对有限（1740名患者），且参考标准依赖于放射学报告和单一观察者的回顾性审查，可能存在偏差 | 开发并评估一种人工智能工具，以提高儿童虐待所致骨折的诊断准确性，辅助临床决策 | 5岁以下因疑似身体虐待接受骨骼检查的儿童及其放射影像 | 数字病理学 | 儿童虐待 | 放射影像学检查（骨骼检查） | 深度学习模型 | 图像（放射影像） | 1740名患者（平均年龄8.77个月，1026名男性），其中1227项阳性研究中329项被标注用于训练 | NA | BoneView | AUC, 灵敏度, 特异性 | NA |
| 195 | 2026-04-06 |
Application of transformer-enhanced convolutional neural network: multicenter MRI assessment of muscle invasion in bladder cancer
2026-Apr-04, European radiology
IF:4.7Q1
DOI:10.1007/s00330-026-12497-5
PMID:41934494
|
研究论文 | 本研究开发了一种基于Transformer增强卷积神经网络的深度学习模型，用于多中心MRI评估膀胱癌的肌层浸润情况 | 通过深度学习模型克服了传统MRI解读中因病灶形态（带蒂与无蒂）导致的诊断偏差，特别是在无蒂病灶中显著提高了特异性 | 研究未明确说明模型在其他类型病灶或不同MRI设备上的泛化能力，且样本量虽为多中心但可能仍存在选择偏倚 | 准确评估膀胱癌的肌层浸润情况，以指导治疗选择 | 膀胱癌患者 | 数字病理学 | 膀胱癌 | MRI | CNN, Transformer | 图像 | 1374名患者 | PyTorch | nnU-Net, ConvNeXt-tiny | Dice系数, AUC, 准确率, 灵敏度, 特异性 | NA |
| 196 | 2026-04-06 |
Public opinion dissemination simulation based on large language model multi-agent systems
2026-Apr-04, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-44206-z
PMID:41935064
|
研究论文 | 本研究开发了一个基于大语言模型多智能体系统的公共舆论传播模拟框架，结合宏观扩散模式和微观个体认知，以提高模拟的真实性和效率 | 提出一个结合宏观行为概率分布（基于真实社交媒体数据校准）和微观动态语义生成（通过LLM认知核心）的统一多智能体框架，支持零样本冷启动并显著降低领域适应计算成本 | 未明确说明模拟系统在更复杂或大规模社会网络中的可扩展性，以及LLM生成内容可能存在的偏见对模拟结果的影响 | 开发一个高保真、低成本的公共舆论传播模拟系统，用于舆论危机管理 | 公共舆论在社交媒体上的形成与扩散过程 | 自然语言处理 | NA | 大语言模型（LLM），多智能体模拟 | 多智能体系统 | 文本（社交媒体数据） | NA | NA | NA | 归一化智能体行为分布熵，Distinct-2指标 | NA |
| 197 | 2026-04-06 |
A deep learning-based multimodal model with automated body composition analysis predicts prognosis in advanced clear cell renal cell carcinoma
2026-Apr-04, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-46515-9
PMID:41935094
|
研究论文 | 本研究开发了一种基于深度学习的多模态预测模型，通过整合自动化的身体成分分析与临床病理特征，用于预测晚期透明细胞肾细胞癌的预后 | 首次将深度学习自动化的身体成分分析（Comp2Comp模型）与临床病理特征结合，构建了可解释的多模态预测模型，并通过转录组学分析探索了关键成像特征的生物学基础 | 研究为回顾性多中心设计，存在潜在的选择偏倚；初步外部验证队列规模可能有限，需要进一步前瞻性验证 | 开发自动化、可解释的预测模型，以评估晚期透明细胞肾细胞癌的预后并探索其潜在机制 | 接受根治性肾切除术的晚期透明细胞肾细胞癌患者 | 数字病理学 | 肾细胞癌 | CT成像，转录组学分析，免疫组织化学 | 深度学习，机器学习 | CT图像，临床病理数据，转录组数据 | 未在摘要中明确指定患者数量，但涉及多中心回顾性队列和独立外部验证队列 | 未在摘要中明确指定，但提及了深度学习模型（Comp2Comp）和机器学习模型 | Comp2Comp（用于身体成分分析），MLP（多层感知器），SVC（支持向量分类器） | AUC（曲线下面积），校准和区分度指标 | 未在摘要中明确指定 |
| 198 | 2026-04-06 |
Transformer augmented hybrid deep learning for explainable multi class pest classification
2026-Apr-04, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-41248-1
PMID:41935133
|
研究论文 | 本文通过图像级分类对19种害虫进行多类别分类，全面评估了多种深度学习架构，包括经典CNN、复合缩放模型、残差架构、自动化NAS模型以及新型混合CNN-Transformer设计 | 提出并评估了多种注意力增强的混合CNN-Transformer模型，如Hybrid EfficientNetV2-S + Transformer，结合卷积特征层次与全局自注意力机制，在害虫分类任务中显著优于传统CNN | NA | 实现早期准确的害虫识别，以支持有效的害虫管理和智能精准农业系统开发 | 19种害虫物种的图像数据 | 计算机视觉 | NA | 图像分割预处理（GrabCut, Watershed, SLIC, Felzenszwalb） | CNN, Transformer | 图像 | NA | NA | MobileNetV2, VGG16, EfficientNetB0/B3, EfficientNetV2-B0, ResNet50, Xception, NASNetLarge, Hybrid InceptionResNetV2, Hybrid ResNet50 + CBAM, Hybrid EffNet-Transformer, Hybrid EfficientNetV2-S + Transformer | 验证准确率, 宏F1分数, 验证损失 | NA |
| 199 | 2026-04-06 |
Integrating tumor habitat heterogeneity with a hybrid deep learning architecture for ultrasound radiomics: a dual-center study on non-invasive prediction of PD-L1 expression in triple-negative breast cancer
2026-Apr-04, Breast cancer research : BCR
IF:6.1Q1
DOI:10.1186/s13058-026-02275-y
PMID:41935256
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 200 | 2026-04-06 |
Deep learning‑based ultra-high-resolution CT imaging of viral pneumonia at admission and after discharge
2026-Apr-04, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-026-02320-4
PMID:41935266
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |