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 41 - 60 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 41 | 2026-06-04 |
Spatial transcriptional profiling of CHB liver biopsies reveals an undetected population of zonally biased HBV-integrated cells
2026-Apr, JHEP reports : innovation in hepatology
IF:9.5Q1
DOI:10.1016/j.jhepr.2026.101744
PMID:41810427
|
研究论文 | 通过对慢性乙型肝炎患者肝活检组织进行空间转录组分析，发现了之前未被检测到的区域偏向性HBV整合细胞群 | 首次利用空间转录组学方法结合深度学习，发现了HBsAg蛋白阴性但产生高水平病毒RNA的HBV整合细胞群体，并揭示了其肝门静脉周围区域富集的空间分布特征 | NA | 全面评估慢性乙型肝炎患者肝脏中cccDNA和整合DNA的病毒负荷，并揭示未被蛋白质方法检测到的HBV整合细胞群 | 慢性乙型肝炎患者的肝活检组织样本 | 数字病理学, 机器学习 | 慢性乙型肝炎 | 空间转录组学, 单核RNA测序, 显色原位杂交, 多重免疫荧光 | 深度学习 | 空间转录组数据, 单核RNA测序数据, 组织学图像 | 4例商品化HBV阳性活检组织和6例临床试验GS-US-174-0149中的肝活检组织 | NA | NA | NA | NA |
| 42 | 2026-06-03 |
Atomic clarity: how structural biology is shaping blood-stage malaria vaccines
2026-Apr-25, Transactions of the Royal Society of Tropical Medicine and Hygiene
IF:1.9Q2
DOI:10.1093/trstmh/trag039
PMID:42033198
|
综述 | 本文综述了结构生物学如何通过冷冻电镜等技术推动血液阶段疟疾疫苗的开发 | 结合冷冻电镜与人工智能/深度学习技术，对疟原虫血液阶段动态膜相关复合物进行原子级解析，无需结晶处理 | 未提及具体疫苗候选物或临床试验数据，侧重方法学综述 | 阐明结构生物学在合理设计疟疾疫苗中的关键作用 | 疟原虫血液阶段的表面多蛋白复合物及膜相关动态结构 | 结构生物学 | 疟疾 | 冷冻电镜、基因组分析 | NA | 图像、基因组数据 | NA | NA | NA | NA | NA |
| 43 | 2026-06-03 |
SERS-based deep learning approach for early detection of gestational diabetes mellitus
2026-Apr-15, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
DOI:10.1016/j.saa.2026.127472
PMID:41547262
|
研究论文 | 提出了一种基于表面增强拉曼光谱与深度学习融合的早期妊娠期糖尿病诊断新策略 | 首次将表面增强拉曼光谱与PCA-CNN融合模型应用于早期妊娠期糖尿病筛查，实现快速、精准的早期诊断 | NA | 开发一种快速、准确、便捷的早期妊娠期糖尿病筛查方法 | 妊娠期糖尿病患者的血清样本 | 机器学习 | 妊娠期糖尿病 | 表面增强拉曼光谱（SERS） | 卷积神经网络 (CNN) 结合主成分分析 (PCA) | 光谱数据 | NA | NA | PCA-CNN | 准确率、灵敏度、特异度 | NA |
| 44 | 2026-06-03 |
Automatic detection of the fetal brain midsagittal plane on MRI using a deep learning pipeline
2026-Apr-07, American journal of obstetrics & gynecology MFM
IF:3.8Q1
DOI:10.1016/j.ajogmf.2026.101962
PMID:41956321
|
research paper | 开发了一种基于深度学习的自动检测胎儿大脑MRI正中矢状面（MSP）的流程 | 使用多任务2D U-Net检测四个中线结构（胼胝体膝部、压部、小脑蚓部、脑桥）的共现性，并结合LightGBM分类器进行病例级决策 | 研究基于正常胎儿大脑解剖结构，未涉及异常病例或多种MRI序列 | 实现胎儿MRI中正中矢状面的自动检测，以提高图像质量评估和大脑解剖评价的标准化 | 225例18-36周正常胎儿的大脑MRI数据 | 计算机视觉 | NA | MRI（单次激发快速自旋回波T₂加权序列） | U-Net | 图像 | 432个MRI图像堆栈来自225例胎儿（135个含MSP，297个不含） | PyTorch | 2D U-Net | AUC、准确率、灵敏度、特异性、定位准确度 | NA |
| 45 | 2026-06-03 |
DrowsyDG-Phys: Generalizable driver drowsiness estimation in conditional automated vehicles using physiological signals
2026-Apr, Accident; analysis and prevention
DOI:10.1016/j.aap.2026.108407
PMID:41547100
|
研究论文 | 提出了一种名为DrowsyDG-Phys的域泛化框架，用于基于生理信号的驾驶员困倦检测 | 提出了一个显式时频域特征学习的骨干网络，并集成了三种新颖的损失函数：基于先验知识的对比正则化、特征集中化损失和困倦评估标准对齐损失 | 未明确说明局限性 | 提高基于生理信号的驾驶员困倦检测模型的泛化能力和鲁棒性 | 使用心电图、皮肤电活动和呼吸信号三种生理信号进行困倦检测 | 机器学习 | NA | 生理信号采集 | 域泛化框架 | 生理信号（心电图、皮肤电活动、呼吸信号） | 3个公开数据集和1个自采集数据集，包含60名参与者在模拟SAE Level-3驾驶场景下的数据 | PyTorch | DrowsyDG-Phys（时频域特征学习骨干网络） | 准确率（DG协议78.5%，跨被试协议88.4%） | NA |
| 46 | 2026-06-03 |
Deep Learning Analysis Based on Dual-energy CT-Derived Iodine Map for Predicting PD-L1 Expression in Gastric Cancer: A Multicenter Study
2026-Apr, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.12.033
PMID:41547630
|
研究论文 | 基于双能CT碘图深度学习分析预测胃癌PD-L1表达水平的多中心研究 | 首次利用双能CT碘图结合深度学习特征预测胃癌PD-L1表达，并构建可解释性模型，实现非侵入性预测 | NA | 探索基于双能CT碘图的深度学习分析预测胃癌PD-L1表达水平的价值 | 胃癌患者的PD-L1表达水平 | 计算机视觉 | 胃癌 | 双能CT | CNN | CT图像 | 267例胃癌患者（训练集143例，内部验证集60例，外部验证集64例） | PyTorch | ResNet | AUC | NA |
| 47 | 2026-06-03 |
Mitigating data center bias in cancer classification: Transfer bias unlearning and feature size reduction via conflict-of-interest free multi-objective optimization
2026-Apr, Artificial intelligence in medicine
IF:6.1Q1
DOI:10.1016/j.artmed.2026.103351
PMID:41554188
|
research paper | 提出一种基于无冲突多目标优化的去学习方法来减轻深度学习模型在癌症分类中由数据中心引入的偏差 | 首次将无冲突多目标优化应用于偏差去除，通过去除冲突样本和特征降维来缩小内部与外部性能差距，并实现模型无关的通用性 | 研究仅聚焦于癌症特征和数据中心偏差，未验证在其他领域或不同类型偏差上的适用性 | 减轻深度学习模型在癌症分类中因数据中心偏差导致的泛化能力下降问题 | 癌症分类任务中受数据中心偏差影响的深度学习模型 | computer vision | cancer | deep learning | KNN | image | NA | NA | NA | internal accuracy, external accuracy | NA |
| 48 | 2026-06-03 |
Deep learning-guided engineering of pectinase for enhanced catalytic performance in tobacco processing
2026-Apr, Bioresource technology
IF:9.7Q1
DOI:10.1016/j.biortech.2026.134028
PMID:41554444
|
研究论文 | 利用深度学习指导果胶酶工程改造，显著提升其在烟草加工中的催化性能和热稳定性 | 采用ProteinMPNN结合多重序列比对进行残基再设计，成功获得含72个突变的高活性酶变体DS-5，催化活性提高8.9倍，并揭示了表面静电势重塑增强底物结合亲和力的机制 | 未提及大规模工业应用验证及长期稳定性数据 | 开发深度学习引导的高效酶工程方法，提升果胶酶在烟草加工中的催化性能和热稳定性 | 来自果胶酶的DS-5变体及其在苹果汁澄清和烟草降解中的应用效果 | 机器学习, 酶工程 | NA | 蛋白质工程, 分子动力学模拟 | ProteinMPNN | 序列数据, 结构数据 | NA | PyTorch | ProteinMPNN | 催化活性, 热稳定性, 最优温度, pH范围, 感官评价 | NA |
| 49 | 2026-06-03 |
Application of Digital Medicine to the Diagnosis and Treatment of Head and Neck Tumors
2026-Apr, Cancer reports (Hoboken, N.J.)
DOI:10.1002/cnr2.70556
PMID:42019980
|
综述 | 本文总结了数字医学在头颈部肿瘤诊断、治疗及预后评估中的应用现状 | 系统整合了数字影像、人工智能和3D打印等数字医学技术在头颈部肿瘤诊疗中的最新进展 | 综述仅叙述现有研究局限性，未提出具体解决方案或定量分析 | 阐述数字医学在头颈部肿瘤诊疗中的应用并展望其前景 | 头颈部肿瘤的诊断、治疗和预后评估相关数字技术 | 数字病理学 | 头颈部肿瘤 | 数字影像（CT、MRI、超声）、人工智能、3D打印 | 深度学习模型 | 医学影像 | NA | NA | NA | 诊断准确率、治疗效果 | NA |
| 50 | 2026-06-03 |
The role of artificial intelligence in early detection and risk prediction of ischemic heart disease
2026-Apr, Annals of medicine and surgery (2012)
DOI:10.1097/MS9.0000000000004812
PMID:41939092
|
综述 | 探讨人工智能在缺血性心脏病早期检测和风险预测中的作用 | 系统总结了AI在ECG分析、影像学和生物标志物三个主要领域的应用，展示了其超越传统方法的潜力，并强调了多组学和可穿戴设备集成等新兴方向 | 多数研究为回顾性或单中心，缺乏在不同人群和医疗环境中的验证，存在算法偏差、泛化能力不足、监管不确定性和临床医生熟悉度有限等问题 | 评估AI技术在提高缺血性心脏病早期诊断准确性和风险预测个性化方面的潜力 | 缺血性心脏病及相关诊断工具（如ECG、影像学、生物标志物） | 机器学习 | 缺血性心脏病 | NA | 机器学习、深度学习 | NA | NA | NA | NA | NA | NA |
| 51 | 2026-06-02 |
Transcription factor collaboration enables precise T cell state engineering
2026-Apr-22, bioRxiv : the preprint server for biology
DOI:10.64898/2026.04.20.718569
PMID:42079248
|
研究论文 | 通过转录因子筛选和深度学习框架，揭示RUNX作为主合作因子驱动CD8 T细胞状态，并实现精准细胞状态工程 | 首次大规模绘制TF-程序连接图谱，发现RUNX作为'主合作因子'，并通过seq2PRINT框架预测功能性TF互作，实现T细胞状态的理性工程改造 | NA | 研究转录因子协作如何调控CD8 T细胞状态，特别是耗竭状态，并开发细胞状态工程方法 | CD8 T细胞（包括耗竭状态） | 机器学习 | 慢性感染与癌症 | perturb-SHARE-seq、seq2PRINT | 深度学习框架 | 单细胞染色质可及性与基因表达数据 | 702,314个单细胞样本 | PyTorch | seq2PRINT | NA | NA |
| 52 | 2026-06-02 |
Automated detection and classification of maxillary sinus variations using slice-based and full-volume CBCT deep learning models
2026-04-11, BMC oral health
IF:2.6Q1
DOI:10.1186/s12903-026-08205-w
PMID:41965768
|
研究论文 | 开发并比较了基于切片的二维与基于全容积的三维深度学习模型，用于自动检测和分类上颌窦变异 | 首次系统比较了二维切片模型与三维全容积模型在上颌窦变异分类中的性能，并展示了三维模型在空间表征和诊断精度上的优势 | 样本量相对有限（452名患者），且变异类型覆盖可能不完全，三维模型的计算资源需求较高 | 开发并对比两种深度学习模型，用于CBCT图像中上颌窦变异的自动检测与分类 | 上颌窦变异（正常解剖、发育不全、黏膜增厚、息肉样病变、隔膜、窦腔浑浊） | 计算机视觉 | 上颌窦疾病 | 锥形束计算机断层扫描（CBCT） | 卷积神经网络 | 图像 | 452名患者（631个上颌窦），二维模型使用1,880个矢状面切片，三维模型使用全部CBCT容积扫描 | NA | DenseNet-121 | 准确率、敏感度、特异度、精确率、F1分数、AUC | NA |
| 53 | 2026-06-02 |
Domain-Shift AI Technology for Vendor-Agnostic Multiple Macular Disease Detection From 3D OCT Scans
2026-04-01, JAMA ophthalmology
IF:7.8Q1
DOI:10.1001/jamaophthalmol.2026.0029
PMID:41746616
|
研究论文 | 开发了一种与设备无关的深度学习模型，用于从不同供应商的3D OCT扫描中检测多种黄斑疾病 | 提出了一种无监督测试时域适应方法（Test Entropy）来解决不同OCT设备间的域偏移问题，并引入不确定类别处理未见过的黄斑病变，使模型能跨设备泛化 | 未明确提及，但可能包括模型在供应商1和2以外的设备上性能未知，以及不确定类别在某些病例中灵敏度较低 | 开发一种与设备无关的深度学习模型，实现对不同供应商3D OCT扫描的多病种分类 | 来自不同供应商（Spectralis和Cirrus）的3D OCT扫描，以及2D OCT扫描 | 计算机视觉 | 黄斑疾病 | OCT | ResNet 3D | 3D OCT扫描 | 1669名患者的6756次OCT扫描用于模型开发，4336名患者的12236次OCT扫描用于外部测试 | NA | ResNet 3D | AUC, 阳性预测值, 阴性预测值, 临床重要漏诊率 | NA |
| 54 | 2026-02-27 |
Generalizability in OCT Deep Learning-Moving Beyond Single-Disease and Single-Vendor Models
2026-Apr-01, JAMA ophthalmology
IF:7.8Q1
DOI:10.1001/jamaophthalmol.2026.0084
PMID:41746664
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 55 | 2026-06-02 |
AI solutions for evolutionary genomics of nonmodel species
2026-Apr, Evolution letters
IF:3.4Q2
DOI:10.1093/evlett/qrag004
PMID:41938207
|
review | 综述了人工智能在非模式物种进化基因组学中的应用，重点探讨深度学习推断种群历史和自然选择信号的最新趋势 | 提出处理数据缺失与不确定性、在未知基因组和种群参数下推断选择事件、生成可解释预测等创新策略，并通过低样本量实验展示选择性清除检测的原创实现 | 未明确讨论标注数据稀缺、模型泛化性验证等具体技术局限 | 探索AI在非模式物种进化基因组学中的方法创新与应用方向 | 非模式物种的基因组数据 | machine learning | NA | NGS, 测序技术 | 深度神经网络 | 基因组序列数据 | 低样本量（实验设置中未提供具体数字） | NA | 深度神经网络 | NA | NA |
| 56 | 2026-06-02 |
A Robust Computational Framework for Autism Spectrum Disorder Identification Using Optimized Image Processing and Hybrid Learning Models
2026-04, Developmental neurobiology
IF:2.7Q3
DOI:10.1002/dneu.70028
PMID:41880993
|
研究论文 | 提出一种结合优化图像处理与混合学习模型的稳健框架，用于自闭症谱系障碍识别 | 首次结合离散小波变换与高斯滤波核进行鲁棒的图像预处理，并采用基于Walrus优化算法优化的提升式混合学习网络进行分类 | 未提及模型的泛化能力和在实际临床环境中的验证 | 开发高精度的自闭症谱系障碍自动识别方法 | 自闭症谱系障碍患者与健康对照组的脑影像数据 | 计算机视觉, 机器学习 | 自闭症谱系障碍 | NA | CNN, 提升式混合学习网络 | 图像 | AID数据集、ASD筛查数据集、ABIDE数据集 | NA | VGG16, 提升网络 | 准确率, 召回率, 精确率, F1分数 | NA |
| 57 | 2026-06-02 |
Artificial Intelligence (AI) in Computer-Aided Design (CAD): How AI Is Redefining Dental CAD
2026-Apr, Cureus
DOI:10.7759/cureus.107879
PMID:42220742
|
综述 | 本文探讨人工智能在牙科计算机辅助设计中的角色，重点介绍其在数字牙科和修复CAD设计中的整合应用 | 系统阐述AI在牙科多专科领域的应用现状，特别聚焦于AI集成CAD系统在固定修复体设计中的创新实践 | 数据质量问题、伦理考量、算法透明度不足，以及临床监督的必要性仍是当前主要限制 | 阐明AI技术如何支持临床医生和牙科技师提升牙科实践的准确性、效率和一致性 | 牙科数字工作流与修复CAD设计中的AI技术应用 | 数字病理学 | 牙科疾病 | 机器学习 | 深度学习模型 | 数字图像 | NA | NA | NA | NA | NA |
| 58 | 2026-06-02 |
Artificial Intelligence in Clinical Decision-Making: Current Applications, Challenges, and Future Directions in Modern Healthcare
2026-Apr, Cureus
DOI:10.7759/cureus.107847
PMID:42220854
|
综述 | 综述人工智能在临床决策中的应用、挑战与未来方向 | 全面分析了AI在医疗影像、电子健康记录分析、精准医学、风险分层、手术支持和药物发现等多个关键领域的应用，并深入探讨了算法偏见、数据隐私、可解释性等实施障碍及伦理法律问题 | 作为叙述性综述，未进行系统性文献检索或定量分析，且依赖现有文献可能产生选择性偏差 | 系统总结人工智能在临床决策中的作用、应用现状、挑战及未来发展方向 | 现代医疗体系中临床决策的AI应用，涵盖诊断、风险预测、治疗规划和操作效率等场景 | 机器学习、自然语言处理、计算机视觉 | NA | NA | 机器学习、深度学习 | 医疗影像、电子健康记录、文本 | NA | NA | NA | NA | NA |
| 59 | 2026-06-01 |
Realization of Long Axial Field-of-View PET Technology in the Clinic and Research Environment
2026-Apr-27, The British journal of radiology
DOI:10.1093/bjr/tqag096
PMID:42046230
|
综述文章 | 讨论长轴向视野PET技术在临床和研究环境中的实现与应用 | 系统分析了长轴向视野PET技术的临床实现、研究应用及深度学习降噪等前沿发展方向 | 未提及具体实验数据或定量性能对比，缺乏对不同设计方案的详细评估 | 概述长轴向视野PET的技术优势、临床实践考量及未来发展方向 | 长轴向视野PET-CT仪器 | 医学影像 | NA | PET-CT | 深度学习 | 医学影像 | NA | NA | NA | 灵敏度 | NA |
| 60 | 2026-06-01 |
Spatiotemporal deep learning for scar screening in cardiovascular magnetic resonance: Toward selective use of gadolinium
2026-Apr-16, Journal of cardiovascular magnetic resonance : official journal of the Society for Cardiovascular Magnetic Resonance
IF:4.2Q1
DOI:10.1016/j.jocmr.2026.102730
PMID:41999922
|
研究论文 | 开发并评估一种基于时空深度学习的方法，利用无造影剂的心脏电影图像识别无心肌疤痕患者，以选择性使用钆对比剂 | 首次提出利用时空深度学习架构从无对比剂电影图像中提取时空特征，通过因子化卷积和残差注意力机制识别无心肌疤痕患者，避免不必要的对比剂注射 | 研究未提及模型在特定亚组（如心肌疤痕类型或严重程度）中的表现差异，且外部验证人群多种族代表性不足 | 开发深度学习模型仅通过电影图像识别无心肌疤痕患者，减少对比剂使用 | 接受心血管磁共振检查的已知或疑似心血管疾病患者 | 计算机视觉, 深度学习 | 心血管疾病 | 心脏磁共振成像 (CMR) | 时空深度学习模型 | 心脏电影图像 (短轴位) | 训练集3000名患者（1753名男性，平均年龄54±18岁），外部验证集1792名患者 | PyTorch | 因子化卷积 + 残差注意力机制 | AUC, 灵敏度, 特异度 | NA |