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 1102 篇文献，本页显示第 301 - 320 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 301 | 2026-06-16 |
Machine learning-based models for tumor mutation burden prediction in gastrointestinal cancers: a systematic review and meta-analysis
2026-Apr-18, Discover oncology
IF:2.8Q2
DOI:10.1007/s12672-026-04807-6
PMID:42000933
|
meta分析 | 系统评价和荟萃分析基于机器学习的模型在预测胃肠癌肿瘤突变负荷方面的诊断性能 | 首次对机器学习模型预测胃肠癌TMB的诊断性能进行系统评价和荟萃分析，揭示了图神经网络在性能稳定性方面的优势 | 仅有3/10的研究进行了外部验证，校准指标报告不足，TMB定义不一致，且存在显著的发表偏倚 | 系统评估和荟萃分析基于机器学习的模型在胃肠癌TMB预测中的诊断性能、方法学严谨性和报告质量 | 机器学习或深度学习模型用于预测人类胃肠癌TMB的研究 | 机器学习 | 胃肠癌 | 全外显子测序 | 机器学习, 深度学习, 图神经网络 | 临床数据, 基因组数据 | 纳入10项研究 | NA | 图神经网络, 经典机器学习模型 | AUC, 准确率 | NA |
| 302 | 2026-06-16 |
A comprehensive framework for automated segmentation of perivascular spaces in brain MRI with the nnU-Net
2026-Apr-17, Neuroradiology
IF:2.4Q2
DOI:10.1007/s00234-026-03993-y
PMID:41995815
|
研究论文 | 开发了一种基于nnU-Net的自动化脑MRI血管周围间隙分割框架 | 优化nnU-Net针对血管周围间隙分割，实现了跨MRI扫描仪和模态的鲁棒性能，且结合多模态图像同时分割PVS和WMH | 样本量较小（30个T1加权图像），可能限制泛化性；稀疏标注策略可能导致某些区域偏差 | 优化深度学习框架nnU-Net实现脑MRI中血管周围间隙的自动分割 | 脑血管周围间隙（PVS）的结构分割 | 数字病理学 | 脑小血管病、阿尔茨海默病、帕金森病 | 核磁共振成像（MRI） | CNN（卷积神经网络） | 图像（脑MRI） | 30个T1加权MRI图像（来自三种扫描仪） | nnU-Net | nnU-Net | Dice相似系数（DSC） | NA |
| 303 | 2026-06-16 |
Decoding immunotherapy response through computational modeling
2026-Apr-15, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-71364-5
PMID:41986319
|
综述 | 通过四种汇聚范式（经典机器学习、深度学习、图与网络建模、机制系统生物学）分析免疫疗法反应的计算建模进展 | 首次系统整合四种计算范式并强调从相关特征到表征学习、关系推理及肿瘤免疫动态因果模拟的进化路径 | 未提供具体定量结果或模型比较；缺乏临床验证数据的支撑 | 推动精准免疫肿瘤学实现个性化癌症治疗 | 免疫疗法反应的计算模型与患者分层方法 | 机器学习 | 癌症 | NA | NA | 多组学、影像 | NA | NA | NA | NA | NA |
| 304 | 2026-06-16 |
A Leaf-Level Dataset for Soybean-Cotton Detection and Segmentation
2026-Apr-15, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-026-07092-8
PMID:41986374
|
研究论文 | 该论文介绍了一个用于大豆和棉花叶片检测与分割的数据集，包含640张高分辨率图像和超过12000个叶片实例的标注 | 提供了一个在真实农场条件下采集、涵盖多个生长阶段、杂草压力和光照变化的叶片级数据集，支持检测和分割重叠叶片，填补了现有数据集在复杂田间环境中的不足 | 仅涉及大豆和棉花两种作物，未涵盖其他作物或更广泛的杂草类型；数据集规模可能不足以推广至所有田间场景 | 创建并验证一个用于大豆-棉花叶片检测与分割的数据集，以支持可持续农业管理中的选择性除草和害虫监测等应用 | 大豆和棉花的叶片 | 计算机视觉 | NA | 高分辨率图像采集 | YOLO11（用于检测和分割的目标检测与分割模型） | 图像（高分辨率RGB图像） | 640张图像，包含7,221个大豆叶片和5,190个棉花叶片的实例标注 | NA | YOLO11 | 检测精度、分割精度（未具体列出指标名称，但提到state-of-the-art性能） | NA |
| 305 | 2026-06-16 |
Distinguishing cancer patients' mild and severe symptoms in radiotherapy via zero-shot and few-shot large language model-based probabilistic prompts
2026-Apr-15, BioData mining
IF:4.0Q1
DOI:10.1186/s13040-026-00547-z
PMID:41987285
|
研究论文 | 本研究开发了一种基于少量示例的大语言模型预测框架，利用概率设计的提示语在异常检测框架下区分放疗期间和放疗后癌症患者的轻度和重度症状 | 创新性地将大语言模型与异常检测框架结合，通过六种概率设计的提示语实现少量患者数据下的症状严重程度分类，并提供可解释的推理过程 | 依赖提示语的设计质量，可能对特定症状或数据分布变化敏感；模型性能可能受限于少量示例的标注准确性和代表性 | 探索基于大语言模型的有效提示策略，以区分癌症患者放疗期间和放疗后的轻度和重度症状，实现实时监控和临床决策支持 | 前列腺癌患者在放疗过程中出现的肠道疼痛、抑郁和性功能障碍等症状 | 自然语言处理 | 前列腺癌 | 大语言模型 | 大语言模型 | 文本 | NA | NA | NA | AUC, AUCPR, 精确率, 召回率, F1分数 | NA |
| 306 | 2026-06-16 |
Hi-Compass: a depth-aware deep learning framework for predicting cell-type-specific 3D genome organization from single-cell to spatial resolution
2026-Apr-14, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-71877-z
PMID:41980945
|
研究论文 | Hi-Compass是一种深度感知的深度学习框架，能从单细胞到空间分辨率预测细胞类型特异性三维基因组组织 | 首次提出深度感知框架，仅利用染色质可及性数据即可预测细胞类型特异性染色质组织，并动态适应测序深度变化，支持从稀疏单细胞到高覆盖度批量数据的鲁棒预测 | 依赖染色质可及性数据作为唯一细胞类型特异性输入，可能忽略其他表观遗传修饰的影响 | 预测细胞类型特异性三维基因组组织，解析染色质相互作用与基因调控的关系 | 细胞类型特异性染色质组织 | 机器学习 | NA | Hi-C，染色质可及性测序 | 深度学习 | 染色质可及性数据 | 外周血和胚胎心脏数据集，海马组织空间分辨数据，小鼠系统 | NA | NA | 一致性，高置信度染色质环恢复 | NA |
| 307 | 2026-06-16 |
Sharing a whole-/total-body [18F]FDG-PET/CT dataset with CT-derived segmentations: an ENHANCE.PET initiative
2026-Apr-14, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-026-07218-y
PMID:41980990
|
研究论文 | 提供一个大型全身/全动态[18F]FDG-PET/CT数据集，包含CT-derived分割，用于深度学习训练和多模态图像分析 | 首次公开大规模全身和全动态[18F]FDG-PET/CT双模态数据集，包含1683例PET/CT图像及130个目标区域的CT-derived分割，填补了在临床管理中使用PET/CT数据的重要资源空白 | 个别分割可能由受训医师验证校正，存在主观差异；数据集主要为静止状态图像，缺乏动态或纵向数据 | 为深度学习训练、验证或多模态图像分析提供公开可用的大规模PET/CT数据集，推进PET/CT在临床管理中的应用 | 健康个体及恶性肿瘤和炎症疾病患者的PET/CT图像（包括关节炎、淋巴瘤、黑色素瘤、肺癌、头颈癌、泌尿生殖道癌等） | 数字病理学、医学图像分析 | 肿瘤疾病（肺癌、淋巴瘤、黑色素瘤、头颈癌、泌尿生殖道癌）及炎症性疾病（关节炎） | PET/CT成像 | NA | 图像（PET/CT） | 1683例PET/CT图像 | NA | NA | NA | NA |
| 308 | 2026-06-16 |
CRM-TI: an enhanced pipeline for computationally assigning the target genes of cis-regulatory modules by considering comprehensive long-range regulation mechanisms
2026-Apr-14, BioData mining
IF:4.0Q1
DOI:10.1186/s13040-026-00555-z
PMID:41981661
|
研究论文 | 提出CRM-TI流程，通过整合染色质相互作用和非编码RNA转录相关调控机制，利用深度学习准确预测顺式调控模块的靶基因 | 首次综合考虑染色质相互作用和CRM转录的非编码RNA相关调控，采用染色体分区方案避免过拟合，性能显著优于现有方法 | NA | 开发一种能够准确计算顺式调控模块靶基因的增强流程，解决现有方法忽略长距离作用和替代调控机制的问题 | 顺式调控模块及其靶基因的分配关系 | 机器学习 | NA | 深度学习 | 深度学习 | 基因组数据 | NA | PyTorch | NA | auROC | NA |
| 309 | 2026-06-16 |
SleepPACNet: new convolutional neural network considering phase-amplitude coupling for automatic sleep stage classification using single-channel electroencephalogram
2026-Apr-13, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-48881-w
PMID:41974873
|
研究论文 | 提出了一种名为SleepPACNet的新型卷积神经网络，利用单通道脑电图中的相位-幅度耦合特征进行自动睡眠阶段分类 | 首次将相位-幅度耦合（PAC）特征提取模块集成到卷积神经网络中，通过Hilbert变换提取低频相位信息与高频幅度信息，显著改善了快速眼动睡眠阶段的分类性能 | 仅基于单通道脑电图数据在Dreem数据集上验证，未在多通道或其他临床数据集上进行测试 | 提升单通道脑电图自动睡眠阶段分类系统的性能，特别是通过引入领域特定的PAC特征增强分类准确性 | 睡眠阶段的自动分类，重点是快速眼动睡眠检测 | 机器学习 | NA | 脑电图（EEG） | CNN | 单通道脑电图信号 | 使用Dreem数据集中的单通道（Fp1–Fp2）睡眠脑电图数据 | NA | SleepPACNet，包含PAC特征提取模块的CNN | 分类准确率（75.7%），以及与传统CNN模型（如SleepCNN）的对比 | NA |
| 310 | 2026-06-16 |
Soft multiclass feature augmented deep learning to predict tumor origins using cytology or histology whole slide images
2026-Apr-13, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-026-02604-7
PMID:41974822
|
研究论文 | 提出首个基于深度学习的快速低成本癌症筛查方法，利用细胞学或组织学全切片图像预测肿瘤起源 | 首次提出数据高效的软多类特征增强深度学习框架，直接通过全切片图像识别恶性细胞的原发部位，克服了未知原发癌诊断难题 | NA | 开发一种快速、低成本的深度学习工具，通过全切片图像预测肿瘤原发部位，以指导个体化癌症治疗 | 来源于细胞学涂片、细胞块或组织病理切片的恶性细胞全切片图像 | 数字病理学 | 癌症 | 全切片成像 | 深度学习 | 图像 | 多中心组织学数据集（69个部位，1196张WSI）、CS数据集（260张WSI）和CB数据集（129张WSI） | NA | NA | 准确率 | NA |
| 311 | 2026-06-16 |
Combining structural modeling and deep learning to calculate the E. coli protein interactome and functional networks
2026-Apr-11, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-71166-9
PMID:41965370
|
研究论文 | 整合三种方法在蛋白质组规模上预测蛋白质是否形成二元复合体，包括PrePPI、Topsy-Turvy和ZEPPI，并利用AF3Complex算法预测结构，通过聚类大肠杆菌互作组获得功能子网络 | 首次将基于三维结构信息的PrePPI、基于蛋白质语言模型的Topsy-Turvy和基于进化信息的ZEPPI三种方法整合，提升预测性能，并发现更多高置信度相互作用 | 未明确提及，但可能局限于大肠杆菌蛋白质组，且高置信度相互作用的验证依赖于HINT数据库质量 | 通过整合结构建模和深度学习方法计算大肠杆菌蛋白质互作组和功能网络 | 大肠杆菌蛋白质组中的二元蛋白质相互作用 | 自然语言处理、机器学习 | NA | 蛋白质语言模型、三维结构建模、进化信息评估 | 蛋白质语言模型（Topsy-Turvy）、结构预测模型（PrePPI、ZEPPI、AF3Complex） | 蛋白质序列和结构数据 | 374个蛋白质相互作用对用于结构预测，整个大肠杆菌蛋白质组用于互作组聚类 | NA | PrePPI、Topsy-Turvy、ZEPPI、AF3Complex | HINT数据库上的性能比较，高置信度相互作用识别数量 | NA |
| 312 | 2026-06-16 |
SeqHIVE: a Python package to convert the biological sequences to informative vectors for sequence property predictions
2026-Apr-11, BioData mining
IF:4.0Q1
DOI:10.1186/s13040-026-00534-4
PMID:41964095
|
研究论文 | 介绍了一个将生物序列转换为信息向量的Python包SeqHIVE，用于序列性质预测 | SeqHIVE提供了一个图形用户界面驱动的平台，整合了19种生物序列编码算法、5种特征选择算法和26种分类器，实现了序列到向量的自动转换与预测建模 | 未在文中明确提及本方法的局限性 | 开发一个全面的机器学习和深度学习平台，简化核酸和蛋白质序列预测管线的构建 | DNA、RNA和蛋白质序列的性质预测 | 机器学习, 数字病理学 | NA | 生物序列编码 | 机器学习分类器, 深度学习模型 | 序列数据 | NA | NA | NA | NA | NA |
| 313 | 2026-06-16 |
Accurate prediction of ecDNA in interphase cancer cells using deep neural networks
2026-Apr-11, Communications biology
IF:5.2Q1
DOI:10.1038/s42003-026-09982-4
PMID:41965931
|
research paper | 提出interSeg，一个基于深度学习的工具，用于从间期FISH图像中准确预测癌基因扩增状态（包括染色体外扩增、染色体内扩增和未扩增） | 首次利用深度学习从间期FISH图像准确区分染色体外扩增与染色体内扩增，解决了传统方法在间期细胞中难以辨识扩增类型的问题 | NA | 开发一种从间期癌细胞中准确预测癌基因扩增状态的方法，以替代传统的分裂中期FISH检测 | 间期癌细胞中的染色体外DNA（ecDNA）扩增 | digital pathology | 癌症 | FISH | 深度学习神经网络 | FISH图像 | 训练集652张图像（40,446个细胞核），测试集215张图像（9,733个细胞核），神经母细胞瘤组织验证集67个样本（1,937个细胞核） | NA | interSeg | 准确率 | NA |
| 314 | 2026-06-16 |
Light-XAI: a CADx for explainable cervical cancer detection via attention-based lightweight convolutional neural networks and layer-wise feature fusion
2026-Apr-10, BioData mining
IF:4.0Q1
DOI:10.1186/s13040-026-00540-6
PMID:41963932
|
研究论文 | 提出一种基于注意力轻量级CNN和层间特征融合的可解释宫颈癌CADx系统Light-XAI | 集成自注意力机制到CNN架构，结合Grad-CAM技术实现决策可解释，并从两个深层网络提取特征进行融合，采用特征选择和降维方法优化性能 | 未提及具体局限性，可能包括对数据集依赖性和泛化能力需进一步验证 | 开发高精度可解释的宫颈癌计算机辅助诊断系统，提高巴氏涂片图像分类准确性 | 宫颈癌巴氏涂片图像（来自SIPaKMeD和Mendeley LBC数据集） | 计算机视觉, 数字病理学 | 宫颈癌 | NA | CNN（轻量级卷积神经网络） | 图像 | SIPaKMeD和Mendeley LBC数据集的具体样本数未给出 | NA | 轻量级CNN与自注意力机制结合 | 准确率（Accuracy） | NA |
| 315 | 2026-06-16 |
Improved tumor-only variant calling and mutation burden estimation with VarNet-T
2026-Apr-09, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-71705-4
PMID:41957035
|
研究论文 | 提出VarNet-T，一个不需要匹配正常样本即可从肿瘤测序数据中准确识别体细胞突变的端到端弱监督深度学习框架 | 首次实现无需匹配正常样本的肿瘤-only体细胞突变检测，采用弱监督深度学习框架和端到端训练方式 | 该信息在标题和摘要中未明确说明 | 开发无需匹配正常样本的肿瘤-only体细胞突变检测方法，提高肿瘤突变负荷估计准确性 | 肿瘤测序数据中的体细胞突变和肿瘤突变负荷 | 机器学习 | 癌症 | NGS | 深度学习框架 | 基因组测序数据 | 1000个肿瘤样本，覆盖10种实体癌类型 | NA | VarNet-T | 准确率 | NA |
| 316 | 2026-06-16 |
MRI-based brain tumor detection through an explainable EfficientNetV2 and MLP-mixer attention architecture
2026-Apr-07, Physical and engineering sciences in medicine
IF:2.4Q2
DOI:10.1007/s13246-026-01728-0
PMID:41945251
|
研究论文 | 提出一种基于EfficientNetV2和注意力MLP-Mixer架构的深度学习模型，用于脑肿瘤MRI图像的分类，实现高精度与可解释性 | 首次将注意力机制MLP-Mixer与EfficientNetV2结合用于脑肿瘤分类，并利用Grad-CAM可视化增强模型决策的可解释性 | 仅使用公开的Figshare数据集（3064张T1加权对比增强MRI图像），可能无法全面代表不同扫描协议或肿瘤亚型的多样性 | 开发一种高精度且可解释的深度学习模型，用于脑肿瘤MRI图像的自动分类，以辅助临床诊断 | 脑肿瘤患者的T1加权对比增强MRI图像，包含三种肿瘤类型 | 计算机视觉 | 脑肿瘤 | MRI | EfficientNetV2、MLP-Mixer | 图像 | 3064张T1加权对比增强脑部MRI图像 | NA | EfficientNetV2、注意力MLP-Mixer | 准确率、精确率、召回率、F1分数 | NA |
| 317 | 2026-06-16 |
Benchmarking genomic foundation models for binary classification of gene fusion breakpoints from DNA sequences
2026-Apr-06, BioData mining
IF:4.0Q1
DOI:10.1186/s13040-026-00553-1
PMID:41943075
|
研究论文 | 对四种基于Transformer的基因组基础模型（NT、Evo2、HyenaDNA和DNABERT2）进行基因融合断点二分类性能的基准测试 | 首次系统性比较多种基因组基础模型在基因融合断点分类任务上的表现，发现NT和Evo2生成的嵌入向量显著优于专门设计的深度学习基线，且所需训练数据量大幅减少 | 未提及模型在不同突变类型（如点突变、插入缺失）上的泛化能力，以及在实际临床样本中的验证情况 | 评估基因组基础模型在DNA序列中基因融合断点分类任务上的数据效率和性能 | FusionAI数据集中的约52,000条10千碱基对DNA序列 | 机器学习 | 癌症（基因融合相关） | DNA测序数据，基因融合断点序列提取 | Transformer | DNA序列 | 约52,000条10千碱基对DNA序列 | PyTorch | Nucleotide Transformer, Evo2, HyenaDNA, DNABERT2 | 准确率, F1分数 | 未明确说明，但提及相对于基线模型（FusionAI）需要更少的计算时间 |
| 318 | 2026-06-16 |
Multimodal Machine Learning for Early Prediction of Metastasis in a Swedish Multicancer Cohort
2026-Apr, JCO clinical cancer informatics
IF:3.3Q2
DOI:10.1200/CCI-25-00141
PMID:42269139
|
研究论文 | 提出一种多模态机器学习框架，利用电子健康记录中的结构化与非结构化数据，提前一个月预测多种癌症的转移风险 | 首次在瑞典多癌种队列中整合结构化数据（人口统计、合并症、检验结果、用药记录）与非结构化临床文本，采用中间融合策略和TRIPOD 2a设计进行严格评估，并通过多模态SHAP分析特征重要性 | 结肠癌队列规模最小导致性能最低，表明训练数据量对模型的重要性；研究仅基于单一医院数据，未进行外部验证 | 早期预测癌症转移风险，为临床决策提供个性化治疗依据 | 瑞典卡罗林斯卡大学医院的四种癌症患者（乳腺癌、结肠癌、肺癌、前列腺癌） | 机器学习 | 肺癌, 乳腺癌, 结肠癌, 前列腺癌 | NA | 深度学习分类器 | 结构化数据（人口统计、合并症、检验结果、用药记录）和非结构化临床文本 | 共3,890例：乳腺癌743例，结肠癌387例，肺癌870例，前列腺癌1,890例 | NA | NA | AUROC, 精确率-召回率曲线下面积, F1分数, 灵敏度, 特异度 | NA |
| 319 | 2026-06-16 |
Artificial intelligence-enabled histological analysis in pre-clinical respiratory disease models: a scoping review
2026-Apr, European respiratory review : an official journal of the European Respiratory Society
IF:9.0Q1
DOI:10.1183/16000617.0243-2025
PMID:42270117
|
综述 | 对人工智能在临床前呼吸系统疾病模型组织学分析中的应用进行范围综述，总结现有研究的特点、进展与不足 | 首次系统梳理AI在临床前呼吸系统模型组织学分析中的应用现状，识别了验证、透明性和标准化方面的关键差距 | 大部分研究使用‘黑箱’模型，缺乏可解释性技术；外部验证缺失，数据集和代码共享较少，影响可重复性 | 评估人工智能在临床前呼吸系统疾病模型组织学分析中的应用潜力与当前挑战 | 临床前呼吸系统疾病模型（主要使用小鼠模型）的组织学图像 | 数字病理学 | 肺癌、肺纤维化、结核病 | 组织学染色（苏木精-伊红、胶原或免疫标记物染色） | 卷积神经网络 | 图像 | 29篇符合纳入标准的原始研究（来自6271篇筛选文献） | NA | NA | 准确率（≥90%，7项研究）；其他指标因研究而异 | NA |
| 320 | 2026-06-15 |
Empirical evaluation of variability and multi-institutional generalizability of deep learning survival models: application to renal cancer CT scans
2026-Apr-15, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2026.111603
PMID:41806695
|
研究论文 | 系统评估深度生存模型在肾癌CT影像中的变异性与多机构泛化能力 | 首次系统性分析数据划分、数据顺序、模型初始化和数据增强策略对CT影像深度生存模型泛化性能的影响 | 样本量有限（525名患者），仅针对肾癌CT影像，未探索其他癌症类型或影像模态 | 探究方法论选择如何影响深度生存模型在外部验证队列中的泛化能力 | 肾癌患者的CT影像数据及生存预测 | 计算机视觉,医学影像分析 | 肾癌 | CT扫描 | 3D ResNet-18 | CT影像 | 525名患者，来自9个机构（TCGA-KIRC、TCGA-KICH、TCGA-KIRP和KITS19公共数据集） | NA | 3D ResNet-18 | 一致性指数(C-index),风险比(HR) | NA |