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 891 篇文献，本页显示第 281 - 300 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 281 | 2026-05-02 |
VerteRo: A Fully Automated Deep Neural Network Tool for Estimating Axial Vertebral Body Rotation in Adolescent Idiopathic Scoliosis
2026-Apr-28, Global spine journal
IF:2.6Q1
DOI:10.1177/21925682261448826
PMID:42049289
|
研究论文 | 开发并验证了VerteRo，一种基于深度学习的全自动工具，用于从标准PA脊柱侧弯X光片中高精度估计轴向椎体旋转，克服了分类分级系统的局限性 | 提出了一种全自动、端到端的深度学习解决方案，用于从PA X光片中定量评估轴向旋转，相比分类分级方法提高了客观性 | 这是一项初步研究，需进一步验证才能应用于临床决策支持 | 开发并验证一种全自动深度学习工具，用于估计青少年特发性脊柱侧弯的轴向椎体旋转 | 青少年特发性脊柱侧弯患者的椎体旋转 | 计算机视觉 | 青少年特发性脊柱侧弯 | X光片 | 卷积神经网络 | 图像 | 97例AIS X光片 | NA | Faster R-CNN, YOLOv11 L, YOLOv12 L | 平均绝对误差, F1分数, 等级一致性 | NA |
| 282 | 2026-05-02 |
Correction: Clinically significant prostate cancer detection with deep learning in a multi-center magnetic resonance imaging study
2026-Apr-28, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-50501-6
PMID:42050081
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 283 | 2026-05-02 |
Retraction Note: A novel approach integrating topological deep learning from EEG Data in Alzheimer's disease
2026-Apr-28, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-50185-y
PMID:42050120
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 284 | 2026-05-02 |
Estimating Protein Conformational States from High-Speed AFM Images with Molecular Dynamics and Deep Learning
2026-Apr-27, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.6c00142
PMID:41934646
|
研究论文 | 提出DeepAFM框架，整合深度学习与分子动力学模拟，从高速原子力显微镜图像中估计蛋白质构象状态并去噪 | 首次将深度学习与分子动力学模拟结合，用于解析噪声大、分辨率低的HS-AFM图像中的蛋白质构象状态，模型关注大尺度结构域运动区域，增强对噪声的鲁棒性 | 研究仅以膜蛋白SecYAEG-纳米盘复合物为案例，可能需进一步验证对其他蛋白质的通用性 | 开发一种能有效去噪并准确估计蛋白质构象状态的深度学习辅助分析策略 | 膜蛋白SecYAEG-纳米盘复合物中SecA的闭合与开放构象状态 | 计算机视觉 | 未提及 | 高速原子力显微镜， 分子动力学模拟 | 深度学习 | 图像 | 未提及 | PyTorch | 未提及 | 未提及 | 未提及 |
| 285 | 2026-05-02 |
Deep Learning for Cardiac Image Analysis: Unveiling Advances in Deep Learning Architectures
2026-Apr-24, JACC. Cardiovascular imaging
DOI:10.1016/j.jcmg.2026.03.007
PMID:42065698
|
综述 | 讨论深度学习在心脏图像分析中的进展，包括图神经网络、Transformer、隐式神经表示、生成对抗网络和基础模型等新方法 | 系统综述了深度学习心脏图像分析中的多种新兴架构，如非欧几里得数据表示、动态成像序列建模与连续空间重建 | 未涵盖临床验证试验的实证结果，且未对不同架构进行直接性能对比 | 总结深度学习在心脏图像分析方法上的创新及其挑战与未来方向 | 心脏图像分析中的深度学习架构 | 计算机视觉 | 心血管疾病 | NA | 图神经网络、Transformer、隐式神经表示、生成对抗网络、基础模型 | 图像 | NA | NA | 图神经网络、Transformer、隐式神经表示、生成对抗网络、基础模型 | NA | NA |
| 286 | 2026-05-02 |
Deep learning-enabled ratiometric signal transduction for portable and intelligent colorimetric LAMP biosensing of Vibrio vulnificus
2026-Apr-22, Analytical biochemistry
IF:2.6Q2
DOI:10.1016/j.ab.2026.116136
PMID:42031193
|
研究论文 | 报道了一种结合深度学习比率信号转导策略的智能生物传感平台，用于自动检测创伤弧菌 | 首次将深度学习增强的比率信号转导与环介导等温扩增结合，通过自定义底部照明光学模块和绿蓝通道比率分析，有效抑制环境光噪声，将分析灵敏度比传统凝胶电泳提高一个数量级 | 未提及 | 开发便携式、智能化的病原体现场分子诊断平台 | 创伤弧菌 | 机器学习, 数字病理学 | 创伤弧菌感染 | 环介导等温扩增 (LAMP) | 卷积神经网络 (CNN) | 图像 | 5 μL 样品 | NA | CNN | 精确率, 召回率, 检测限, 相关系数 | NA |
| 287 | 2026-05-02 |
Future cardiovascular events prediction from invasive coronary angiography: A graph representation learning perspective
2026-Apr-22, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2026.104079
PMID:42061118
|
研究论文 | 提出基于图神经网络的AngioGraphCAD框架，利用侵入性冠状动脉造影预测未来心血管事件 | 首次从图表示学习视角处理冠状动脉造影数据，通过几何图表示和掩码注意力机制实现病变级和患者级预测 | 未明确说明局限性，但可能包括样本量有限（仅两个队列共646名患者）、AUC值尚需提升（最高0.73） | 利用冠状动脉造影几何信息改进冠心病患者未来心血管事件的风险分层 | 冠心病患者的侵入性冠状动脉造影图像和临床数据 | 机器学习 | 冠心病 | 侵入性冠状动脉造影 | 图神经网络 | 图像和临床数据 | 两个队列：FAME2 563名患者、1551处狭窄；FCL 83名患者、382处狭窄 | NA | 图神经网络、掩码注意力机制 | AUC | NA |
| 288 | 2026-05-02 |
Docking-based virtual screening: Past, present, and future
2026-Apr-15, Biophysical journal
IF:3.2Q2
DOI:10.1016/j.bpj.2026.04.011
PMID:41992616
|
综述 | 综述了基于分子对接的虚拟筛选的过去、现在和未来 | 系统总结了基于模板的方法、深度学习对接与打分函数、大规模和超大规模对接战役等最新进展 | 讨论了当前挑战，如方法准确性、计算资源需求及实际应用中的限制 | 回顾DBVS方法的发展历程，总结最新进展，并展望未来方向以提升早期药物发现的实际影响 | DBVS工作流程的主要组成部分（配体结合位点识别、化学库准备、分子对接方法）及其改进策略 | 计算机辅助药物设计 | NA | 分子对接、虚拟筛选 | 深度学习模型（如用于对接和打分） | 分子结构数据 | NA | NA | NA | NA | NA |
| 289 | 2026-05-02 |
ANNalog: generation of MedChem-similar molecules
2026-Apr-15, Journal of cheminformatics
IF:7.1Q1
DOI:10.1186/s13321-026-01186-6
PMID:41987312
|
研究论文 | 提出了一种基于Transformer的序列到序列生成模型ANNalog，用于生成与药物化学相似的分子类似物 | 使用同一生物活性测定中的分子对训练生成模型，能同时生成结构相似类似物和进行骨架跃迁，并采用编辑距离引导的对齐预处理提升性能 | NA | 生成兼具结构相似性和骨架跃迁能力的药物化学类似物 | 从ChEMBL33数据库中提取的同一生物活性测定中的分子对 | 机器学习 | NA | NA | Transformer | SMILES字符串 | 使用ChEMBL33数据库中的分子对，具体数量未提及 | NA | Transformer | NA | NA |
| 290 | 2026-05-02 |
Altered chromatin accessibility and nucleosome positioning landscape upon HDAC and LSD1 inhibition in cancer cell
2026-Apr-11, bioRxiv : the preprint server for biology
DOI:10.64898/2026.04.08.717275
PMID:41993470
|
研究论文 | 介绍了一种结合深度学习自动分析染色质可及性图谱的多模态平台，用于研究HDAC和LSD1抑制对癌细胞中染色质可及性和核小体定位的影响 | 首次整合NicE-viewSeq与自动化深度学习空间分辨染色质可及性分析，揭示了单药与双药抑制策略的比较效果及CoREST-RUNX调控轴机制 | NA | 探索HDAC和LSD1抑制对癌细胞染色质可及性和核小体定位的影响及机制，优化组合表观遗传治疗策略 | 癌细胞 | 机器学习 | 癌症 | NicE-viewSeq | 深度学习 | 测序数据 | NA | NA | NA | NA | NA |
| 291 | 2026-05-02 |
Machine Learning and Artificial Intelligence in Nutrition Research: Analytical Methods, Applications, and Key Considerations
2026-Apr-09, The Journal of nutrition
IF:3.7Q2
DOI:10.1016/j.tjnut.2026.101528
PMID:41966331
|
综述 | 本文综述了机器学习与人工智能在营养研究中的应用，涵盖数据处理、降维、监督/无监督学习及深度学习等方法，并讨论了模型验证与实践考量 | 系统梳理了从数据预处理到模型验证的完整分析流程，强调了多组学整合方法和深度学习在处理非结构化数据中的优势，并提供了可复现性和通用性的实用指导 | 未系统性评估不同方法在具体营养数据上的性能差异，且对样本量限制和过拟合问题的讨论较为概括，缺乏实证案例对比 | 为营养研究中的机器学习应用提供框架性指导，促进方法学的负责任实施 | 营养研究中的高维数据（如多组学、多模态数据）以及文本、序列等非结构化数据 | 机器学习 | NA | NA | CNN, RNN, LSTM, Transformer, 大语言模型, 随机森林, 梯度提升回归, LASSO, 支持向量机, k近邻 | 高维数据, 非结构化数据, 序列数据, 文本数据, 多组学数据 | NA | NA | 随机森林, 梯度提升回归, LASSO, 支持向量机, k近邻, CNN, RNN, LSTM, 大语言模型 | NA | NA |
| 292 | 2026-05-02 |
FunctionaL Assigning Sequence Homing (FLASH) maps phenotype to sequence with deep and machine learning
2026-Apr-07, bioRxiv : the preprint server for biology
DOI:10.64898/2026.04.04.715981
PMID:41993257
|
研究论文 | 提出一种基于深度和机器学习的新型框架FLASH，能够直接从原始测序读段预测表型，并在超过35,000个细菌、真菌和病毒分离株中实现高精度预测 | FLASH是可解释的、基于统计的深度学习框架，能直接操作原始测序读段，预测从未在训练中见过的变异，识别从头药物靶标和跨物种毒力预测因子，并完成GWAS无法实现的任务（如预测噬菌体的细菌宿主范围） | 未明确提及，但可能受限于测序数据质量和计算资源需求 | 开发一种能够克服GWAS局限性的新型深度学习方法，实现直接从原始测序数据预测表型 | 细菌、真菌和病毒分离株（超过35,000个） | 机器学习 | 感染性疾病 | 原始测序读段分析 | 深度学习模型 | 测序数据 | 超过35,000个细菌、真菌和病毒分离株 | NA | NA | 准确率 | NA |
| 293 | 2026-05-02 |
Graph transformer for ancient ancestry inference
2026-Apr-07, bioRxiv : the preprint server for biology
DOI:10.64898/2026.04.05.714076
PMID:41993422
|
研究论文 | 利用图变换器从古代祖先的基因重组图中推断局部祖先 | 将图变换器引入古代祖先推断框架，利用深度学习改进基于古代DNA参考的局部祖先推断准确性 | NA（摘要未提及局限性） | 开发一种基于图变换器（ARGMix）的方法，利用古代DNA样本作为参考，提高混合人群中局部祖先推断的准确性和鲁棒性 | 古代和现代欧洲人群的DNA样本 | 机器学习 | NA | 古代DNA测序 | 图变换器 | 基因序列数据 | NA（摘要未明确样本数量） | PyTorch | 图变换器 | 准确率, 鲁棒性 | NA（摘要未提及） |
| 294 | 2026-05-02 |
GAZE2REPORT: RADIOLOGY REPORT GENERATION VIA VISUAL-GAZE PROMPT TUNING OF LLMS
2026-Apr-07, ArXiv
PMID:41994171
|
研究论文 | 提出GAZE2REPORT框架，通过扫描路径预测模块和图神经网络生成视觉-注视联合令牌，结合指令和报告令牌微调大语言模型的LoRA层，实现无注视输入的放射学报告自动生成 | 首次将眼动注视数据作为医学先验知识融入放射学报告生成流程，提出扫描路径预测模块实现在推理阶段无需真实眼动数据，通过视觉-注视联合令牌与指令令牌的多模态提示微调大语言模型 | 多模态数据融合的复杂性、眼动数据获取成本高、推理阶段缺乏真实注视输入的实用性限制 | 提升放射学报告生成质量与可解释性，实现医生视觉注意力与AI决策过程的对齐 | 放射学报告生成任务中的医学影像与眼动注视数据 | 自然语言处理、计算机视觉、数字病理学 | 未明确指定具体疾病类别 | 眼动追踪、扫描路径预测 | 大语言模型（LLM）、图神经网络（GNN） | 医学影像、眼动注视数据、文本报告 | 未在摘要中说明样本数量 | PyTorch | LoRA微调的大语言模型、图神经网络、扫描路径预测模块 | 未在摘要中说明评估指标 | NA |
| 295 | 2026-05-02 |
Monotherapy cancer drug-blind response prediction is limited to intraclass generalization
2026-Apr, PLoS computational biology
IF:3.8Q1
DOI:10.1371/journal.pcbi.1013232
PMID:42018603
|
研究论文 | 本文量化了单药癌症药物反应预测模型在药物盲测中的泛化能力，发现其受限于药物间机制重叠，并揭示了数据集行为是性能瓶颈而非模型本身 | 首次量化了药物盲测泛化能力对药物机制重叠的依赖，并证明单一机制训练可显著提升特定机制的预测性能 | 研究仅基于现有大型药基因组学数据集，无法预先确定克服药物盲测失败所需的数据量，且未涉及新数据采集的实验验证 | 阐明单药癌症药物反应预测模型在药物盲测中失败的根本原因，并评估模型泛化能力的真实来源 | 多种深度学习模型架构和多个大型药基因组学数据集中的细胞系药物反应 | 机器学习 | 癌症 | NA | 深度学习模型（多种架构） | 药基因组学数据 | 多个大型药基因组学数据集中的细胞系和药物，具体数量未明确 | NA | NA（文中提及多种架构但未具体列出） | NA（文中提及性能评估但未明确具体指标） | NA |
| 296 | 2026-05-02 |
Artificial Intelligence-Based Exosome Analysis for Improving Diagnostic Performance of Breast Lesions on Ultrasound: Protocol of a Prospective, Multicenter Cohort Study
2026-Apr, Journal of breast cancer
IF:2.2Q3
DOI:10.4048/jbc.2025.0206
PMID:41918185
|
研究论文 | 一项前瞻性多中心队列研究，评估基于外泌体的表面增强拉曼光谱与人工智能平台（exosome-SERS-AI）对超声诊断可疑乳腺病变的增效作用 | 首次在临床试验中系统评估外泌体SERS-AI技术联合超声对BI-RADS 3-5级乳腺病变的诊断性能提升效果 | 该研究为方案描述，尚未完成数据采集和分析，结果需待2026年揭晓 | 评估exosome-SERS-AI能否提高超声对可疑乳腺病变的诊断准确性 | 乳腺病变患者的血浆外泌体样本及超声影像数据 | 机器学习 | 乳腺癌 | 表面增强拉曼光谱（SERS）、外泌体分离技术 | 深度学习模型（未指定具体类型） | 拉曼光谱信号、超声影像、组织病理数据 | 500名40岁以上女性患者（各250例良性和恶性病变） | NA | NA | 敏感性、特异性、阳性预测值、阴性预测值、受试者工作特征曲线下面积 | NA |
| 297 | 2026-05-02 |
Transfer Learning From Hand-Trained Deep Learning Models to Estimate Bone Age From Knee Radiographs
2026-Apr, Orthopaedic journal of sports medicine
IF:2.4Q2
DOI:10.1177/23259671261424923
PMID:42063486
|
research paper | 基于膝关节X光片，利用迁移学习从手工训练的深度学习模型估算骨骼年龄 | 首次利用膝关节X光片通过深度学习模型进行骨骼年龄估算，避免了传统方法需额外手部X光片的辐射暴露，且模型性能优于现有方法 | 需要外部验证和模型优化才能应用于日常临床实践 | 开发基于膝关节X光片的深度学习模型用于骨骼年龄估算 | 18岁及以下骨科患者的膝关节X光片 | computer vision, machine learning | geriatric disease | NA | ConvNeXT | image | 2374张裁剪后的膝关节图像 | NA | ConvNeXT | mean absolute error, Bland-Altman analysis, saliency maps | NA |
| 298 | 2026-04-30 |
Multiclass Arrhythmia Classification Using Multimodal Smartwatch Photoplethysmography Signals Collected in Real-Life Settings
2026-Apr, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3613471
PMID:40986597
|
研究论文 | 利用真实环境中收集的多模态智能手表光电容积描记信号进行多类心律失常分类 | 采用轻量级双向门控循环单元深度学习模型，结合多模态输入（1D PPG、加速度计和心率数据），在真实环境下实现了对房颤与房性/室性早搏的高精度区分，尤其在PAC/PVC检测上达到83%的敏感性，且计算效率提升14倍 | 高密度脂蛋白相关分类（PAC/PVC）的敏感性仍有提升空间，且研究基于单一临床试验数据，外部数据集虽验证了泛化性但样本类型有限 | 开发一种能准确区分心房颤动与房性/室性早搏的轻量级深度学习方法，以减少假阳性检测 | 利用Pulsewatch临床试验中106名受试者超过两周的智能手表光电容积描记数据 | 机器学习 | 心律失常（心房颤动、房性/室性早搏） | 光电容积描记（PPG） | 双向门控循环单元（Bi-GRU） | 信号数据（PPG、加速度计、心率） | 106名受试者超过两周的监测数据 | NA | 1D双向GRU | 敏感性、准确率、AUROC | NA |
| 299 | 2026-04-29 |
Satellite On-Orbit Chip-Level Deep Learning Model for Real-Time Dust Storm Monitoring
2026-Apr-28, Environmental science & technology
IF:10.8Q1
DOI:10.1021/acs.est.5c14697
PMID:41855461
|
研究论文 | 提出一种星上芯片级深度学习模型，用于实时沙尘暴监测，将沙尘检测与定量反演直接部署在卫星上，显著缩短数据处理延迟 | 首次将级联轻量事件门与多任务反演器集成到星上芯片级框架中，并采用尾感知损失函数优化极端浓度下的预测精度，实现分钟级的延迟降低 | 未提及该模型在不同卫星平台或不同气溶胶类型下的泛化能力，且模拟部署环境与实际星上计算条件可能存在差异 | 实现沙尘暴的实时、星上监测，将产品生成延迟从小时级降至分钟级，支持实时暴露评估与预警 | 沙尘暴事件及其相关的PM₂.₅和PM₁₀浓度 | 计算机视觉 | NA | 多光谱成像 | 级联深度学习模型 | 卫星遥感图像 | 未明确样本数量，但案例研究涉及2023年5月19-20日和2025年4月15日的沙尘暴事件 | Pytorch | 级联轻量事件门与多任务反演器 | RMSE、推理延迟、功耗、内存占用 | NVIDIA Jetson AGX Orin平台，功耗约10W，内存小于3GB |
| 300 | 2026-04-29 |
Deep learning-based framework for comprehensive quantification of thigh and calf muscles and adipose tissues from MRI
2026-Apr, Magma (New York, N.Y.)
DOI:10.1007/s10334-025-01308-5
PMID:41342972
|
研究论文 | 提出一个基于深度学习的框架，用于从MRI中全面量化大腿和小腿肌肉及脂肪组织 | 提出3D Attention-Res-V-Net管道，实现个体肌肉、皮下脂肪、肌间和肌内脂肪的精细量化，并公开高质量专家标注数据集 | 样本量较小（25名参与者），且肌内脂肪误差范围较大（17.4%-58.8%） | 开发自动化方法以全面分析下肢肌肉和脂肪组织，助力神经肌肉、肌肉骨骼和代谢疾病研究 | 下肢肌肉（13块大腿肌肉和9块小腿肌肉）、皮下脂肪、肌间脂肪和肌内脂肪 | 计算机视觉 | 神经肌肉疾病、肌肉骨骼疾病、代谢疾病 | MRI（两点Dixon序列） | 3D Attention-Res-V-Net | 图像（MRI轴向切片） | 25名参与者（平均年龄40.5±5.86岁，64%男性） | NA | Attention-Res-V-Net | Dice相似系数（DSC）、相对误差 | NA |