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 1154 篇文献，本页显示第 161 - 180 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 161 | 2026-07-28 |
Smart ICUs: The Role of Artificial Intelligence in Modern Intensive Care Units
2026-Apr, Cureus
DOI:10.7759/cureus.106934
PMID:41982373
|
综述 | 探讨人工智能在重症监护室中当前和新兴的应用，包括败血症预测、机械通气管理、急性肾损伤预测、血流动力学监测和预后判断 | 系统性地综述了人工智能在重症监护室中从败血症预测到机械通气管理等多领域应用，并强调了模型在实际临床验证中的潜力与挑战 | 模型可解释性有限、数据整合限制、以及缺乏前瞻性验证，阻碍了广泛临床采纳 | 总结人工智能在重症监护医学中的应用现状、优势及挑战 | 重症监护室中生成的复杂临床数据及相关人工智能模型 | 自然语言处理 | 重症疾病 | NA | 机器学习、深度学习 | 临床数据（结构化数据） | NA | NA | NA | 预测准确性 | NA |
| 162 | 2026-07-26 |
An AI Workflow Combining Bidirectional Encoder Representations from Transformers (BERT) and Graph Neural Networks (GNNs) for Knowledge Retrieval in Digital Enterprises
2026-04-28, Journal of visualized experiments : JoVE
DOI:10.3791/70045
PMID:42149883
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 163 | 2026-07-26 |
TabTransformer-based In-hospital Classification of Osteoporosis in Adults Undergoing Spinal Neurosurgical Procedures
2026-04-14, Journal of visualized experiments : JoVE
DOI:10.3791/71119
PMID:42113842
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 164 | 2026-07-26 |
Region guided mask R-CNN with Haralick ResNet fusion for accurate coronary artery disease detection in computed tomography angiography images
2026-Apr-13, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-43951-5
PMID:41974778
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 165 | 2026-07-26 |
Unsupervised multimodal deep learning for galaxy morphology taxonomy: integrating ConvNeXtEmbeddings and morphological parameters for scalable survey science
2026-Apr-11, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-45369-5
PMID:41965424
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 166 | 2026-04-17 |
Helixer: ab initio prediction of primary eukaryotic gene models combining deep learning and a hidden Markov model
2026-Apr, Nature methods
IF:36.1Q1
DOI:10.1038/s41592-025-02939-1
PMID:41286201
|
研究论文 | 本文介绍了Helixer，一种基于人工智能的从头基因预测工具，用于准确预测真核生物基因模型 | 结合深度学习和隐马尔可夫模型，无需RNA测序等额外实验数据，即可跨真菌、植物、脊椎动物和无脊椎动物基因组实现高精度基因预测 | NA | 开发一种广泛适用于多种物种的高精度从头基因预测工具 | 真菌、植物、脊椎动物和无脊椎动物的基因组 | 机器学习 | NA | 从头基因预测 | 深度学习, 隐马尔可夫模型 | 基因组序列数据 | NA | NA | NA | 多种评估指标 | NA |
| 167 | 2026-03-19 |
YOLO11-based deep learning and machine vision framework for automated detection and counting of Rhopalosiphum padi (Hemiptera: Aphididae)
2026-04-01, Journal of economic entomology
IF:2.2Q1
DOI:10.1093/jee/toag048
PMID:41843770
|
研究论文 | 本研究开发了一个基于YOLO11的深度学习框架，用于自动检测和计数谷物害虫禾谷缢管蚜 | 在YOLO11n基线模型基础上，集成了ADown下采样模块、Triplet Attention和Focusing Diffusion Pyramid Network模块，以提升小目标检测能力并控制计算开销 | 模型在受控温室条件下使用智能手机图像进行训练和评估，未来需评估跨场景鲁棒性和实际部署性能 | 开发一种快速、自动化的图像监测方法，以替代劳动密集型且不一致的人工巡查，用于禾谷缢管蚜的检测与计数 | 禾谷缢管蚜（Rhopalosiphum padi），一种主要的谷物害虫和大麦黄矮病毒复合体的传播媒介 | 计算机视觉 | NA | 深度学习，机器视觉 | CNN | 图像 | 在受控温室条件下采集的智能手机图像数据集 | Ultralytics YOLO11 | YOLO11n, ADown, Triplet Attention, Focusing Diffusion Pyramid Network | mAP50, 平均绝对误差, 均方根误差 | NA |
| 168 | 2026-04-01 |
Integration of alternative fragmentation techniques into standard LC-MS workflows using a single deep learning model enhances proteome coverage
2026-Apr, Nature methods
IF:36.1Q1
DOI:10.1038/s41592-026-03042-9
PMID:41872372
|
研究论文 | 本文开发了一个集成质谱平台，通过深度学习模型整合多种碎片化技术，以增强蛋白质组覆盖范围 | 开发了一个统一的Prosit深度学习模型，能够预测所有解离方法的谱图，并集成到FragPipe的MSBooster模块中，平均提高蛋白质鉴定率超过10% | 未明确说明模型在处理特定复杂样本或极端条件下的局限性 | 增强蛋白质组学中碎片化技术的整合与应用，提高蛋白质鉴定效率和覆盖范围 | 蛋白质组学中的肽段序列和蛋白质鉴定 | 质谱分析, 深度学习 | NA | 碰撞诱导解离(CID), 电子诱导解离, 紫外光解离, 质谱技术 | 深度学习模型 | 质谱数据 | NA | NA | Prosit | 蛋白质鉴定率, 序列覆盖范围 | NA |
| 169 | 2026-07-22 |
Deep learning for histopathological diagnosis of esophageal squamous cell carcinoma in biopsies: A multicenter analysis
2026-04, Digestive and liver disease : official journal of the Italian Society of Gastroenterology and the Italian Association for the Study of the Liver
IF:4.0Q1
DOI:10.1016/j.dld.2026.01.230
PMID:41692642
|
研究论文 | 开发基于深度学习的AI系统用于食管鳞状细胞癌活检组织病理诊断的多中心研究 | 利用iPad注释系统和DeepLab-v3模型，首次在多中心验证中证明AI系统在食管鳞癌活检诊断中可匹配初级病理医生准确率并缩短诊断时间 | 研究主要基于食管活检标本，且样本来自亚洲人群，可能限制在其他区域的应用；手术切除和ESD标本的AUC较低 | 开发并验证AI辅助诊断系统用于食管鳞状细胞癌活检的组织病理诊断 | 食管活检组织病理切片 | 数字病理学 | 食管鳞状细胞癌 | H&E染色全切片成像 | DeepLab-v3 | 全切片图像 | 训练集515张WSI，验证集50张WSI，内部测试集539张WSI，外部验证集945张WSI，手术切除和ESD标本173张WSI | PyTorch | DeepLab-v3, ResNet-50 | AUC, 准确率, 敏感度, 特异度 | NA |
| 170 | 2026-07-22 |
Interpretable MRI-Based Machine Learning Model for Noninvasive Prediction of Axillary Lymph Node Metastasis After Neoadjuvant Chemotherapy in Breast Cancer
2026-Apr, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2026.01.018
PMID:41633888
|
研究论文 | 开发一种可解释的机器学习模型，整合MRI影像组学、深度学习特征和Node-RADS评分，用于乳腺癌新辅助化疗后腋窝淋巴结转移的无创预测 | 首次将MRI影像组学、深度学习特征和Node-RADS评分整合到可解释的机器学习模型中，用于预测乳腺癌新辅助化疗后腋窝淋巴结转移 | 多中心回顾性研究设计，样本量有限，且模型在外部验证队列中的AUC值低于内部验证 | 开发一种可解释的机器学习模型，实现乳腺癌新辅助化疗后腋窝淋巴结转移的无创预测 | 641例经病理确诊的乳腺癌患者 | 机器学习 | 乳腺癌 | MRI影像组学, 深度学习特征提取 | 机器学习算法 | 影像数据, 临床病理数据 | 641例患者，分为训练队列397例、内部验证队列99例、两个外部验证队列90例和55例 | NA | ResNet50 | AUC, 校准曲线, 决策曲线分析 | NA |
| 171 | 2026-07-18 |
Measurement uncertainty in laboratory medicine: a comprehensive review of frameworks, analytical performance specifications, and emerging technologies
2026-Apr-03, Laboratory medicine
IF:1.0Q4
DOI:10.1093/labmed/lmag032
PMID:42204811
|
综述 | 全面回顾了实验室医学中测量不确定性的框架、分析性能规范及新兴技术 | 整合了传统总允许误差概念与现代测量不确定性框架，并探讨了人工智能与机器学习在患者实时质量控制中的应用 | 未提及具体实验验证或量化不同方法的比较结果 | 总结测量不确定性的方法论框架、分析性能规范和实际实施策略 | 医学实验室中的测量不确定性评估与质量控制 | 自然语言处理 | NA | ISO 15189, CLSI, 生物变异分析, 六西格玛度量, 人工智能, 机器学习 | 深度学习, 异常检测 | NA | NA | NA | NA | 总允许误差, 六西格玛度量 | NA |
| 172 | 2026-07-17 |
Mitral regurgitation detection and central/eccentric classification using transformer-based deep learning in multi-view echocardiography
2026-Apr, Journal of applied clinical medical physics
IF:2.0Q3
DOI:10.1002/acm2.70584
PMID:42003287
|
研究论文 | 提出了一种基于Transformer的深度学习框架，用于在多视角超声心动图中自动检测二尖瓣反流并区分中心性与偏心性反流 | 首次使用Transformer深度学习模型实现多视角超声心动图的二尖瓣反流全自动检测与分类，且性能优于单一视角（胸骨旁长轴或心尖四腔） | 仅作为可行性研究，未说明模型在真实临床环境中的泛化性或对不同超声设备、操作者的适应性 | 开发全自动化超声心动图诊断工具，提高二尖瓣反流筛查与分类效率 | 二尖瓣反流患者的多视角超声心动视频 | 计算机视觉 | 二尖瓣反流 | 多普勒超声心动图 | Transformer | 视频 | 回顾性研究使用回顾性选择的数据集，前瞻性测试集包含217名患者 | NA | Transformer | 准确率、AUC | NA |
| 173 | 2026-07-15 |
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，结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HS-AFM图像的去噪和构象状态估计，通过模拟真实噪声和扫描滞后效应训练模型，并利用注意力机制聚焦蛋白质大尺度域运动区域 | 依赖分子动力学模拟生成训练数据，可能无法完全覆盖所有实验噪声类型；方法在膜蛋白SecYAEG-纳米盘复合物上验证，泛化性需进一步评估 | 开发一种深度学习辅助分析策略，以可靠地从噪声HS-AFM图像中估计蛋白质构象状态 | 膜蛋白SecYAEG-纳米盘复合物中SecA的闭合与开放构象状态 | 机器学习, 计算生物学 | 不适用 | 高速原子力显微镜, 分子动力学模拟 | 卷积神经网络, 注意力机制 | 图像 | 来自分子动力学模拟快照的模拟AFM图像数据集，具体数量未提供 | PyTorch | 卷积神经网络, 注意力机制 | 去噪效果, 构象状态估计准确度 | NA |
| 174 | 2026-07-15 |
Diagnostic performance of artificial intelligence versus conventional imaging for differentiating G2/G3 from G1 pancreatic neuroendocrine tumors: a systematic review and meta-analysis
2026-04-16, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-026-02347-7
PMID:41992154
|
系统综述与荟萃分析 | 通过系统回顾和荟萃分析对比人工智能与传统影像学在区分胰腺神经内分泌肿瘤G2/G3与G1分级中的诊断性能 | 首次系统比较机器学习/深度学习算法与传统专家判读在胰腺神经内分泌肿瘤分级中的诊断性能，并提出理论上的序贯诊断策略 | 纳入研究存在异质性，且部分研究验证策略不同可能影响结果；未明确给出ML/DL模型的具体架构类型 | 评估不同影像学方法（特别是人工智能算法）对胰腺神经内分泌肿瘤术前分级的诊断准确性 | 胰腺神经内分泌肿瘤（PanNETs）患者，共17项研究，928名患者 | 机器学习， 系统综述与荟萃分析 | 胰腺神经内分泌肿瘤 | 计算机断层扫描（CT）、磁共振成像（MRI）、内镜超声（EUS） | 机器学习/深度学习模型 | 医学影像 | 17项研究，928名患者 | NA | NA | 敏感度， 特异度， AUC（曲线下面积） | NA |
| 175 | 2026-07-15 |
An integrated deep learning framework for effective management of surgical instruments tables based on videos
2026-Apr-13, Health care management science
IF:2.3Q2
DOI:10.1007/s10729-026-09761-x
PMID:41973177
|
研究论文 | 提出一种基于视觉的深度学习框架，通过实时监测手术器械的存在和使用情况，支持标准化的手术器械台管理 | 集成器械台分割、器械识别和手部活动追踪三个专用模块，实现对术中视频流的连续分析，显著优于现有方法 | 仅在简化模拟环境下使用四种代表性器械进行评估，尚未在真实手术场景中验证 | 开发基于计算机视觉的辅助工具，减少手术团队手工计数负担，提高手术器械管理安全性和效率 | 手术器械台视频流中的手术器械及其使用状态 | 计算机视觉 | NA | NA | 卷积神经网络 | 视频 | 四种常用手术器械（手术剪、镊子、敷料、弯盘）的模拟环境数据 | NA | NA | 准确率、交并比、精确率 | NA |
| 176 | 2026-07-15 |
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 | 提出一种基于大型语言模型多智能体系统的舆论传播模拟框架，整合宏观扩散模式与微观个体认知，解决传统模拟中真实感不足、行为同质化和建模成本高的问题 | 首次将LLM作为认知核心，结合行为概率分布模型和全局信息共享池，实现零样本冷启动的高保真舆论模拟，表现出跨场景鲁棒性并显著降低计算成本 | NA | 构建低开销、高保真的舆论传播模拟系统，支持危机管理 | 舆论传播过程中的智能体行为与语义内容生成 | 自然语言处理 | NA | NA | 大型语言模型（LLM） | 文本 | 两个场景数据（公共政策和食品安全） | NA | NA | 行为分布熵、Distinct-2指标 | NA |
| 177 | 2026-07-15 |
Synthetic data-augmented machine learning for 30-day readmission prediction in patients with chronic conditions: a retrospective real-world study
2026-Apr-03, BMJ open
IF:2.4Q1
DOI:10.1136/bmjopen-2025-108273
PMID:41932702
|
研究论文 | 提出一种结合合成数据生成的机器学习框架，用于预测慢性阻塞性肺疾病、心力衰竭和2型糖尿病患者的30天非计划再入院 | 利用高级重采样和深度学习技术生成合成数据来解决结果不平衡问题，并将其与可解释性分析相结合用于再入院预测 | NA | 开发并评估结合合成数据生成的可解释机器学习框架，预测慢性疾病患者的30天再入院风险，并识别关键预测因子 | 慢性阻塞性肺疾病、心力衰竭和2型糖尿病患者 | 机器学习 | 慢性阻塞性肺疾病、心力衰竭、2型糖尿病 | 电子健康记录数据处理、合成数据生成 | 集成学习模型 | 结构化数据和临床文本数据 | COPD患者14050例，HF患者7097例，T2DM患者12735例 | NA | NA | 区分度 | NA |
| 178 | 2026-07-15 |
Single-channel EEG-based seizure prediction using deep learning
2026-Apr-03, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-44670-7
PMID:41932974
|
研究论文 | 开发了一种基于单通道脑电图的超轻量深度学习模型，用于癫痫发作预测，并在临床可用性标准下验证其性能 | 首次证明单通道脑电图可在临床有意义的预警时间窗内支持可靠的癫痫发作预测 | NA | 开发并验证基于单通道脑电图的轻量级深度学习模型，实现临床可行的癫痫发作预测 | 单通道脑电图信号 | 机器学习 | 癫痫 | 脑电图 | 深度学习模型 | 单通道脑电图频谱图 | SNUH和CHB-MIT两个数据集 | NA | MobileNet派生架构 | 准确率、假阳性率、敏感性 | NA |
| 179 | 2026-07-15 |
Predicting repurchase behavior and optimizing marketing for e-commerce users with genetic algorithms and deep learning
2026-Apr-03, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-45903-5
PMID:41933056
|
研究论文 | 提出一种结合深度学习与遗传算法的框架，用于预测电商用户复购行为并优化精准营销策略 | 首次将动态遗传算法与增强型香草记忆网络（DGA-EVMN）结合，实现复购预测与营销优化的端到端框架 | 未具体说明，但隐含依赖于特定电商数据集，可能影响泛化性 | 提升电商用户复购行为预测准确性并优化个性化营销资源分配 | 电商平台用户的复购行为模式及营销干预策略 | 机器学习 | NA | NA | 增强型香草记忆网络（EVMN）、动态遗传算法（DGA） | 电商用户行为数据 | 真实世界电商数据集（具体样本量未提及） | Python | DGA-EVMN（动态遗传算法-增强型香草记忆网络） | F1值、AUC-ROC、召回率、精确率、准确率 | 未明确提及，但实现基于Python |
| 180 | 2026-07-15 |
A deep learning approach to assess transendothelial cell trafficking performance
2026-Apr-03, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-46045-4
PMID:41933074
|
研究论文 | 本研究将流动粘附实验与基于Keras/TensorFlow的深度学习模型相结合，用于自动化评估和分类细胞跨内皮迁移阶段 | 首次将流动粘附实验与AI分析结合，利用深度学习实现对T细胞跨内皮迁移阶段的自动分类，提供标准化、可扩展的活细胞成像工具 | 仅在健康供体和胰腺癌患者来源的T细胞上训练，可能限制在其他疾病模型中的泛化能力，且未提及在不同内皮细胞类型或剪切应力条件下的全面验证 | 开发一种结合流动粘附实验和深度学习分析的方法，实现跨内皮细胞运输性能的快速、标准化评估 | 健康供体和胰腺癌患者来源的T细胞 | 机器学习 | 胰腺癌 | 流动粘附实验, 活细胞成像 | 深度学习模型 | 图像 | 健康供体T细胞和胰腺癌患者T细胞的样本，但未给出具体数量 | Keras, TensorFlow | NA | 准确率 | NA |