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 361 - 380 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 361 | 2026-03-18 |
Fully automated, deep learning, cardiac CT-based multimodal network for cardiovascular risk stratification in high-risk perioperative patients
2026-Apr, European heart journal. Digital health
DOI:10.1093/ehjdh/ztag037
PMID:41836588
|
研究论文 | 本文开发了一种全自动、基于深度学习的心脏CT多模态网络，用于高风险围手术期患者的心血管风险分层 | 开发了首个全自动多模态深度学习系统，整合患者人口统计学、合并症和冠状动脉CT血管造影结果，以优化围手术期主要不良心脏事件的风险预测 | 研究样本量相对较小（639名患者），且主要针对特定手术类型（骨科、血管等）的高风险患者，可能限制了结果的普适性 | 优化高风险围手术期患者的心血管风险预测，以改善患者预后 | 接受择期非心脏手术并进行冠状动脉CT血管造影作为围手术期风险评估的639名患者 | 数字病理学 | 心血管疾病 | 冠状动脉CT血管造影 | CNN | 图像, 临床数据 | 639名患者（平均年龄70±9岁，56%男性） | NA | 卷积神经网络 | AUROC, 敏感性, 特异性 | NA |
| 362 | 2026-03-16 |
CXCL9 as a key feature for deep learning-based immune subtyping and prediction of immune checkpoint blockade response in triple-negative breast cancer
2026-Apr-15, International immunopharmacology
IF:4.8Q1
DOI:10.1016/j.intimp.2026.116439
PMID:41759266
|
研究论文 | 本研究通过整合多组学数据，利用深度学习驱动的无监督聚类方法识别三阴性乳腺癌的免疫亚型，并发现CXCL9作为关键生物标志物与免疫检查点阻断反应正相关，受IDO1调控 | 开发了一种基于深度学习的无监督聚类方法（AE-K-means）对三阴性乳腺癌进行免疫亚型分类，并首次将CXCL9识别为与免疫检查点阻断反应相关的关键特征，揭示了IDO1可能通过调控CXCL9影响肿瘤微环境 | 研究主要基于公共数据集（GEO、TCGA、GTEx），样本可能缺乏多样性；体外实验初步验证了调控机制，但需进一步体内实验确认；深度学习模型的泛化能力有待更多独立队列验证 | 开发一种新的免疫分类系统，以更准确地预测三阴性乳腺癌患者对免疫检查点阻断疗法的反应，并探索相关的生物标志物和调控机制 | 三阴性乳腺癌患者的多组学数据（包括基因表达、单细胞测序数据）以及体外培养的巨噬细胞 | 机器学习 | 乳腺癌 | 多组学数据整合、单细胞RNA测序（scRNA-seq）、qRT-PCR、Western blotting、免疫荧光、ELISA | 深度学习无监督聚类（AE-K-means）、随机森林（RF）、其他机器学习算法 | 基因表达数据、单细胞测序数据、实验数据 | 来自GEO、TCGA和GTEx数据集的多个三阴性乳腺癌样本，具体数量未明确说明，但涉及训练、测试和验证集 | 未明确指定，但可能涉及TensorFlow或PyTorch（用于深度学习聚类）及Scikit-learn（用于机器学习算法） | 自编码器（AE）与K-means结合的聚类架构，其他模型包括NMF、ConsensusClusterPlus、VAE-GMM | 轮廓系数（Silhouette Coefficient）、戴维斯-布尔丁指数（Davies-Bouldin Index）、AUC（曲线下面积） | 未明确说明，但可能使用GPU进行深度学习模型训练 |
| 363 | 2026-03-16 |
Automated differentiation of caries requiring filling and caries necessitating root canal treatment using machine learning
2026-Apr, Oral radiology
IF:1.6Q3
DOI:10.1007/s11282-025-00874-7
PMID:41175174
|
研究论文 | 本研究提出了一种基于深度学习的创新推荐系统，用于自动区分需要填充和需要根管治疗的龋齿类型，并推荐相应治疗方案 | 引入了一种新颖的推荐系统，结合多种分割方法（YOLOv8、U-Net、Detectron-2）自动检测龋齿类型并推荐治疗方案，是该领域的重大贡献 | 研究仅基于1253张咬翼片图像，样本量相对有限，且未提及模型在更广泛临床环境中的泛化能力 | 开发一个辅助牙医诊断龋齿类型（需填充或需根管治疗）并推荐治疗方案的深度学习系统 | 第一磨牙的龋齿类型（无龋、单一类型龋齿、多种类型龋齿） | 计算机视觉 | 龋齿 | 深度学习图像分割 | CNN | 图像 | 1253张咬翼片图像（经过数据增强） | PyTorch | YOLOv8, U-Net, Detectron-2 | 像素标签准确率, 治疗推荐成功率 | NA |
| 364 | 2026-03-16 |
Applications and clinical translation of artificial intelligence in CBCT-based detection of endodontic lesions: a scoping review
2026-Apr, Oral radiology
IF:1.6Q3
DOI:10.1007/s11282-025-00876-5
PMID:41188594
|
综述 | 本文是关于人工智能在CBCT影像中检测根尖周病变应用与临床转化的范围综述 | 系统梳理了AI（特别是深度学习）在CBCT影像中自动检测、分类和分割根尖周病变的最新应用进展，并评估了其临床转化潜力 | 大多数研究为回顾性，使用小型或同质数据集，缺乏外部验证或标准金标准比较（如组织学相关性） | 评估人工智能在基于CBCT的根尖周病变检测中的应用现状、诊断性能及临床转化前景 | 根尖周病变 | 数字病理 | 牙科疾病 | CBCT成像 | CNN | 图像 | NA | NA | U-Net, DenseNet, PALNet | 灵敏度, AUC | NA |
| 365 | 2026-03-16 |
Diagnostic performance of artificial intelligence for facial fracture detection: a systematic review
2026-Apr, Oral radiology
IF:1.6Q3
DOI:10.1007/s11282-025-00878-3
PMID:41291186
|
系统综述 | 本文系统评估了人工智能模型在CT、CBCT和平片X光上检测面部骨折的诊断性能 | 首次系统综述了AI在面部骨折检测中的诊断性能，涵盖了多种成像模态和AI模型 | 纳入研究主要为回顾性、单中心设计，样本量有限，标注实践不一致，且缺乏外部或前瞻性验证 | 评估人工智能模型在面部骨折检测中的诊断性能 | 用于面部骨折检测的人工智能模型 | 计算机视觉 | 面部骨折 | CT, CBCT, 平片X光 | 目标检测模型, 分类模型, 分割模型, 混合框架 | 图像 | 23项研究（具体样本量未在摘要中明确给出） | NA | YOLOv5, Faster R-CNN, ResNet, Swin Transformer | 敏感性, 特异性, AUC | NA |
| 366 | 2026-03-16 |
Integrating artificial intelligence (AI) into colorectal cancer reporting
2026-Apr, The Journal of pathology
IF:5.6Q1
DOI:10.1002/path.70029
PMID:41588707
|
综述 | 本文综述了人工智能在结直肠癌病理报告标准化及新型预后生物标志物发现中的应用进展 | 提出结合传统病理特征与AI衍生预后指标的协同方法，以优化结直肠癌风险评估 | NA | 探讨人工智能如何提升结直肠癌病理报告的标准化并识别新的预后生物标志物 | 结直肠癌的病理报告和预后生物标志物 | 数字病理学 | 结直肠癌 | 深度学习 | 深度学习模型，视觉语言模型 | 全切片图像 | NA | NA | NA | NA | NA |
| 367 | 2026-03-15 |
Applied immunoinformatics in modern vaccine design: a comprehensive review of available computational tools
2026-Apr-02, Vaccine
IF:4.5Q2
DOI:10.1016/j.vaccine.2026.128392
PMID:41747335
|
综述 | 本文全面综述了现代疫苗设计中可用的免疫信息学计算工具，涵盖了从病原体靶点识别到疫苗候选物优化的全流程 | 系统梳理了超过250种计算工具，并强调了从纯预测模型向生成式框架的范式转变，即利用人工智能和深度学习进行疫苗候选物的理性设计 | 作为综述文章，未提出新的原创工具或算法，主要基于现有文献进行归纳总结 | 为疫苗研发人员提供当前最可靠、高性能的免疫信息学工具资源概览，加速疫苗设计流程 | 疫苗设计流程中的计算工具与算法 | 计算生物学 | NA | 免疫信息学 | 深度学习, 人工智能 | 基因组数据, 结构数据 | NA | NA | NA | NA | NA |
| 368 | 2026-03-15 |
Artificial intelligence and multi-omics convergence in breast cancer: Revolutionizing diagnosis, prognostication, and precision oncology
2026-Apr, Critical reviews in oncology/hematology
DOI:10.1016/j.critrevonc.2026.105160
PMID:41616992
|
综述 | 本文综述了人工智能与多组学在乳腺癌中的融合，旨在革新诊断、预后评估和精准肿瘤学 | 整合多组学数据与影像、病理及临床变量，利用深度学习架构学习共享和模态特异性表示，以提高预测准确性 | 存在跨中心异质性、端点定义不一致、真实世界工作流中模态结构性缺失、跨平台标准化不足、可解释性和可审计性有限以及缺乏前瞻性验证等障碍 | 推动多模态人工智能与多组学整合在乳腺癌管理中的可靠临床部署 | 乳腺癌 | 机器学习 | 乳腺癌 | 多组学分析（包括基因组学、转录组学、表观基因组学、蛋白质组学、代谢组学） | 深度学习 | 多组学数据、影像、病理、临床变量 | NA | NA | NA | NA | NA |
| 369 | 2026-03-15 |
A novel few-shot meta-learning strategy for fault diagnosis of wastewater treatment process
2026-Apr, ISA transactions
IF:6.3Q1
DOI:10.1016/j.isatra.2026.02.016
PMID:41741308
|
研究论文 | 本文提出了一种结合原型网络与增强TimesBlock模块的新型小样本故障诊断框架，用于污水处理过程的故障诊断 | 设计了基于XGBoost重要性分析的Meta-TimesBlock来自适应加权多维时间序列特征，引入了参数高效的MetaLearner模块以降低计算复杂度，并采用辅助损失函数增强原型判别性 | NA | 解决污水处理过程中故障样本有限且多维时间序列数据复杂的问题，实现小样本故障诊断 | 污水处理过程（WWTPs）的故障诊断 | 机器学习 | NA | NA | 原型网络, 元学习 | 多维时间序列数据 | 基于BSM1基准在三种天气场景下进行实验 | NA | Meta-TimesBlock, MetaLearner | 准确率 | NA |
| 370 | 2026-03-15 |
Radiographic Data Segmentation as a Tool in Machine Learning and Deep Learning Artificial Intelligence Algorithms
2026-Apr, Dental clinics of North America
DOI:10.1016/j.cden.2025.11.012
PMID:41825999
|
综述 | 本文综述了牙科领域中作为机器学习和深度学习算法基石的放射影像数据分割技术 | 系统性地总结了卷积神经网络在牙科多种放射影像（如全景片、根尖片、咬翼片和锥形束CT）中分类、检测和像素/体素分割任务的应用，并展示了AI在多项任务中达到或超越临床医生水平的性能指标 | NA | 回顾并强调放射影像数据分割在牙科机器学习和深度学习人工智能算法中的核心作用 | 牙科放射影像数据，包括全景片、根尖片、咬翼片和锥形束CT成像 | 计算机视觉 | NA | 放射影像技术（全景、根尖、咬翼、锥形束CT成像） | CNN | 图像 | NA | NA | NA | NA | NA |
| 371 | 2026-03-15 |
The Science Behind Machine Learning, Deep Learning, and Active Learning
2026-Apr, Dental clinics of North America
DOI:10.1016/j.cden.2025.11.006
PMID:41826000
|
综述 | 本文介绍了机器学习、深度学习和主动学习的核心概念及其在现代牙科中的应用 | 强调了深度学习模型（如卷积神经网络和Transformer）在牙科数据自动分析中的应用，以及主动学习在减少标注负担和结合解剖学规则的知识驱动策略方面的作用 | NA | 介绍机器学习、深度学习和主动学习在牙科诊断、治疗规划和临床决策支持中的应用 | 牙科数据，特别是锥形束计算机断层扫描中的根尖周病变 | 机器学习 | 牙科疾病 | 锥形束计算机断层扫描 | CNN, Transformer | 图像 | NA | NA | 卷积神经网络, Transformer | NA | NA |
| 372 | 2026-03-14 |
Novel Psychoactive Substances: Slaying the Dragon With Artificial Intelligence
2026-Apr-01, Therapeutic drug monitoring
IF:2.8Q2
DOI:10.1097/FTD.0000000000001429
PMID:41413933
|
综述 | 本文综述了人工智能和机器学习在新型精神活性物质识别与表征中的应用，探讨了其如何应对传统分析技术面临的挑战 | 重点介绍了基于人工智能的方法，如深度学习模型、化学语言模型和光谱预测工具，特别是DarkNPS框架和CFM-ID等工具，用于生成大量潜在NPS结构和预测质谱谱图 | NA | 探索人工智能在解决新型精神活性物质识别和表征日益增长挑战中的作用 | 新型精神活性物质 | 机器学习 | NA | 质谱分析 | LSTM, 变换器, 图神经网络 | 化学结构数据, 质谱数据 | NA | NA | NA | 余弦相似度得分, 命中率 | NA |
| 373 | 2026-03-14 |
Development and Validation of an Artificial Intelligence Surgical Video Analysis Model for Predicting Visceral Pleural Invasion in Lung Cancer Surgery: A Multicenter Study
2026-Apr, Annals of surgical oncology
IF:3.4Q1
DOI:10.1245/s10434-025-18863-9
PMID:41428020
|
研究论文 | 本研究开发并验证了一种基于深度学习的胸腔镜视频分析模型（VPI-Net），用于术中预测肺癌手术中的脏层胸膜侵犯。 | 首次开发并验证了一种专门用于胸腔镜视频分析以预测脏层胸膜侵犯的深度学习模型（VPI-Net），并引入了VPI风险评分（VPIscore）作为量化指标，该模型在多个中心验证中显著优于外科医生和放射科医生的判断。 | 研究样本量相对有限（总患者数399名），且外部验证集仅来自另外两家医院，模型的泛化能力需要在更广泛的多中心数据中进行进一步验证。 | 提高视频辅助胸腔镜手术中脏层胸膜侵犯的术中诊断准确性，以指导手术决策。 | 接受视频辅助胸腔镜手术的肺癌患者。 | 数字病理 | 肺癌 | 视频辅助胸腔镜手术 | CNN | 视频，图像 | 总共399名患者（内部数据集346名患者，3367张图像；外部数据集53名患者，1274张图像） | NA | 基于空间Dropout的残差卷积神经网络（VPI-Net） | AUC，准确率，敏感性，特异性，阳性预测值，阴性预测值 | NA |
| 374 | 2026-03-14 |
A Deep Learning-Based Multimodal Clinico-Histology-Genomic Prognostic Model in Prostate Cancer
2026-Apr, Annals of surgical oncology
IF:3.4Q1
DOI:10.1245/s10434-025-18929-8
PMID:41456225
|
研究论文 | 本研究开发了一种基于深度学习的多模态预后模型，整合了基因组特征、全切片成像的组织形态学特征和临床参数，以改善前列腺癌的风险分层和治疗决策 | 通过从组织病理学图像中计算推断基因组特征，消除了对基因组检测的依赖，并显著提高了预后精度，同时细化了现有的NCCN分类 | 研究依赖于两个独立队列（TCGA和PLCO）进行训练和验证，可能受限于这些队列的样本代表性和数据质量 | 开发一个多模态预后模型，以改善前列腺癌的风险分层和治疗决策 | 前列腺癌患者 | 数字病理学 | 前列腺癌 | 全切片成像（WSI）、苏木精-伊红（H&E）染色 | 深度学习 | 图像、基因组数据、临床参数 | 两个独立队列：TCGA（训练）和PLCO试验（外部验证） | NA | NA | C-index、Kaplan-Meier分析、Harrell's concordance index、多变量Cox回归 | NA |
| 375 | 2026-01-20 |
ASO Author Reflections: Multimodal Deep Learning Redefining Precision Prognosis in Prostate Cancer
2026-Apr, Annals of surgical oncology
IF:3.4Q1
DOI:10.1245/s10434-026-19105-2
PMID:41549219
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 376 | 2026-03-14 |
Hierarchical image pyramid transformer framework for automated breast cancer molecular subtyping using tissue microarrays
2026-Apr, The Journal of pathology
IF:5.6Q1
DOI:10.1002/path.70028
PMID:41588712
|
研究论文 | 本文提出了一种名为PBC-HIPT的新型深度学习框架，用于从标准H&E染色图像中自动进行乳腺癌分子分型 | 开发了一种基于多层次Transformer的架构，能够从细胞到组织尺度分层聚合组织病理学特征，以捕获高分辨率图像中的多尺度形态特征和长程依赖关系 | 模型在组织微阵列（TMA）上表现出稳健的模态内泛化能力，但在全切片图像（WSI）的跨模态验证中性能有所下降 | 解决乳腺癌在分子和组织学水平的异质性带来的精确诊断和治疗挑战，实现自动化的分子分型和生物标志物评估 | 乳腺癌组织样本 | 数字病理学 | 乳腺癌 | H&E染色 | Transformer | 图像 | 252例TMA病例和46张独立的WSI | NA | PBC-HIPT（Pathomics Breast Cancer Hierarchical Image Pyramid Transformer） | 准确率, AUC | NA |
| 377 | 2026-02-17 |
Corrigendum to "Deep learning in fetal, infant, and toddler neuroimaging research"[Dev. Cognit. Neurosci. (2026), 101680]
2026-Apr, Developmental cognitive neuroscience
IF:4.6Q1
DOI:10.1016/j.dcn.2026.101694
PMID:41692673
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 378 | 2026-03-14 |
Artificial intelligence revolution in toxicology: Clinical precision, global equity, and the 2030 roadmap
2026-Apr, Toxicology letters
IF:2.9Q2
DOI:10.1016/j.toxlet.2026.111871
PMID:41762830
|
综述 | 本文综述了人工智能在毒理学领域的革命性应用，并提出了2030年发展路线图 | 提出了“ToxAI Pact”路线图，强调协调验证标准、稳健的特征重要性验证协议、生成式输出水印以及针对低资源环境的基础设施投资 | 算法偏见、模型可解释性有限、特征重要性准确性验证挑战、全球数字不平等、预测准确性不等于机制可靠性、AI生成错误信息的风险 | 指导人工智能在毒理学领域的负责任整合，实现更安全、更包容的全球毒理学发展 | 临床毒理学、预测建模、药物警戒、教育培训 | 机器学习 | NA | 深度学习、强化学习、生成式人工智能 | 深度学习模型、强化学习模型、生成式AI模型 | 临床数据、毒理学数据 | NA | NA | NA | 预测准确性、特征重要性准确性 | NA |
| 379 | 2026-03-14 |
ASO Visual Abstract: Deep Learning-Based Multimodal Clinico-Histology-Genomic Prognostic Model in Prostate Cancer
2026-Apr, Annals of surgical oncology
IF:3.4Q1
DOI:10.1245/s10434-026-19136-9
PMID:41644916
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 380 | 2026-03-13 |
Machine learning, docking, or physics for structure prediction of ligand-induced ternary complexes
2026-Apr, Current opinion in structural biology
IF:6.1Q1
DOI:10.1016/j.sbi.2025.103217
PMID:41619702
|
综述 | 本文综述了用于预测配体诱导的三元复合物结构的计算方法，包括多步对接流程和单步深度学习模型 | 系统比较了传统对接方法与深度学习模型在预测三元复合物结构方面的最新进展和工具 | 多步方法受限于采样复杂性、输入结构准确性、评分精度和计算成本；单步方法受限于训练数据稀缺 | 促进在缺乏实验结构的情况下基于结构的设计，以支持靶向蛋白降解剂的理性设计 | 由E3连接酶、配体和靶蛋白形成的三元复合物结构 | 机器学习 | NA | 晶体学、冷冻电镜、计算建模 | 深度学习模型 | 结构数据 | NA | NA | NA | NA | NA |