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 799 篇文献，本页显示第 181 - 200 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 181 | 2026-05-31 |
Dual-attention residual U-Net with Huber loss for robust and efficient porosity prediction from well logs
2026-May-28, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-55558-x
PMID:42209649
|
研究论文 | 提出了一种结合双注意力机制的残差U-Net架构，使用Huber损失函数，从测井数据中高效、稳健地预测孔隙度 | 首次将1D U-Net架构与ResNet块、双注意力机制及Huber损失相结合，实现了对测井噪声的鲁棒处理和多尺度特征的保留，解决了LSTM的顺序瓶颈和CNN-Transformer模型多尺度表示不足的问题 | 未提及在非碳酸盐岩储层或不同地质条件下的通用性验证，且Huber损失中δ值的校准依赖训练残差的经验分布，可能需针对新数据集重新调整 | 提高从测井数据预测孔隙度的准确性和效率，解决现有深度学习方法在计算效率和多尺度特征捕获方面的局限性 | 碳酸盐岩储层的测井数据 | 机器学习 | NA | NA | U-Net | 测井数据 | NA | PyTorch | ResNet, U-Net | R², RMSE | NA |
| 182 | 2026-05-31 |
Cross-material catalyst discovery via deep learning
2026-May-28, Nature materials
IF:37.2Q1
DOI:10.1038/s41563-026-02622-6
PMID:42209792
|
研究论文 | 展示一种跨材料催化剂发现的深度学习方法，通过整合不同实验数据集构建统一预测模型 | 提出跨育种神经网络（CBNN），实现不同催化剂家族间的知识迁移，突破传统单一材料类别的限制 | 仅基于两种实验数据集（碳基单原子催化剂和钙钛矿氧化物催化剂）进行验证，泛化到其他材料体系需进一步实验支持 | 开发跨材料催化剂发现方法，加速高性能催化剂设计 | 碳基单原子催化剂和钙钛矿氧化物催化剂 | 机器学习 | 不适用 | 机器学习、自然语言分析 | 跨育种神经网络 | 实验数据集 | 两个实验数据集：碳基单原子催化剂和钙钛矿氧化物催化剂 | 不适用 | 跨育种神经网络 | 过电位 | 不适用 |
| 183 | 2026-05-31 |
VMAM-NET: A Model Agnostic Meta-Learning Network for Rare De Novo Glioblastoma Diagnosis
2026-May-28, Journal of imaging informatics in medicine
DOI:10.1007/s10278-026-02027-6
PMID:42209815
|
研究论文 | 提出VMAM-NET混合深度元学习模型，用于罕见新发胶质母细胞瘤诊断 | 结合VGG-16特征提取与模型无关元学习(MAML)框架，在数据稀缺环境下实现快速自适应小样本学习，并通过Grad-CAM提高模型可解释性 | 未提及模型的泛化能力验证及外部数据集测试，且仅针对胶质母细胞瘤单一病种 | 解决罕见新发胶质母细胞瘤在数据稀缺和肿瘤异质性下的诊断难题 | IV级脑肿瘤（新发胶质母细胞瘤） | 机器学习 | 胶质母细胞瘤 | NA | 混合深度元学习模型（VGG-16 + MAML） | MRI图像 | 四个可靠MRI数据集，包含星形细胞瘤和胶质母细胞瘤样本 | NA | VGG-16 | 准确率，F1分数 | NA |
| 184 | 2026-05-31 |
Artificial intelligence in cancer immunotherapy: current trends in predicting response and personalizing treatment
2026-May-28, Journal of the Egyptian National Cancer Institute
IF:2.1Q3
DOI:10.1186/s43046-026-00371-w
PMID:42209845
|
综述 | 综述了人工智能在癌症免疫治疗中预测反应和个性化治疗的当前趋势 | 总结了结合基因组学、转录组学、放射组学、数字病理学、循环生物标志物和临床证据的多模态AI模型，这些模型能创建具有显著更高判别价值的复合预测特征 | 前瞻性和多中心验证稀缺，外部验证常出现性能下降；临床实施受数据异质性、偏倚、纵向验证不足、可重复性有限和大部分模型缺乏透明度阻碍 | 探讨人工智能如何通过更准确预测治疗反应、发现特定生物标志物和制定个性化治疗方案，推动癌症免疫治疗的发展 | 癌症免疫治疗中的AI应用，包括预测反应、CAR-T细胞治疗优化及临床实施挑战 | 机器学习 | 癌症 | NA | 深度学习、集成模型 | 全切片图像、CT/MRI/PET放射组学、空间和单细胞组学、多组学融合数据、循环生物标志物、临床证据 | NA | NA | NA | AUC | NA |
| 185 | 2026-05-31 |
Please follow the rules: surgical workflow recognition constrained by linear temporal logic
2026-May-28, International journal of computer assisted radiology and surgery
IF:2.3Q2
DOI:10.1007/s11548-026-03724-x
PMID:42209907
|
研究论文 | 利用可微时间逻辑定义手术流程约束，提高手术工作流识别的时间一致性 | 提出使用可微时间逻辑（DTL）和Allen区间代数（AIA）算子定义手术动作的程序性约束，并在训练中引导网络遵循这些约束，增强时间一致性和可解释性 | 帧级准确率提升有限，仅在部分条件下存在显著差异 | 通过引入逻辑规则约束手术工作流识别模型，提升预测的时间一致性和鲁棒性 | 三种手术数据集：机器人辅助子宫切除术内部数据集、AutoLaparo和Cholec80公开数据集 | 计算机视觉, 机器学习 | NA | NA | 双向LSTM, MS-TCN, Transformer | 视频 | 三种数据集：内部子宫切除术数据集、AutoLaparo、Cholec80（具体数量未提供） | PyTorch | Bi-LSTM, MS-TCN, ASFormer | 准确率, Edit分数, 分段F1分数 | NA |
| 186 | 2026-05-31 |
KRASG12V/A146T mutations are associated with nCRT resistance via enhanced DNA double-strand break repair and support a deep learning prediction framework in LARC
2026-May-28, Cellular & molecular biology letters
IF:9.2Q1
DOI:10.1186/s11658-026-00947-3
PMID:42210090
|
研究论文 | 鉴定KRAS G12V/A146T突变与局部晚期直肠癌新辅助放化疗耐药相关并构建多模态深度学习预测框架 | 首次将KRAS G12V/A146T突变与DNA双链断裂修复增强及nCRT耐药相关联，并开发整合基因组与病理全切片图像的多模态深度学习融合模型 | 单中心回顾性研究，突变携带者数量有限，无法进行多变量校正，模型需在更大规模多中心前瞻性队列中验证 | 识别与nCRT反应相关的分子事件并开发治疗前预测框架 | 局部晚期直肠癌（LARC）患者 | 数字病理学, 机器学习 | 直肠癌 | 全外显子测序（WES）, 多组学分析, 功能性实验（细胞系与小鼠模型） | 多模态深度学习融合模型 | 全外显子测序数据, 组织病理全切片图像（WSI） | 89例患者（67例最初测序+22例已发表数据），106张WSI | PyTorch | 弱监督多模态融合框架 | AUC | NA |
| 187 | 2026-05-31 |
AutoCumulus: an automated mammographic density measure created using artificial intelligence
2026-May-28, BMC cancer
IF:3.4Q2
DOI:10.1186/s12885-026-16264-z
PMID:42210110
|
研究论文 | 提出一种基于深度学习的自动乳腺密度测量方法AutoCumulus，并在大规模人群中验证其性能 | 利用深度学习从半自动CUMULUS软件测量中学习，创建全自动且高精度的乳腺密度测量方法 | 需进一步临床验证才能投入实际应用 | 开发并评估一种自动化的乳腺密度测量方法，作为可扩展的乳腺癌风险指标 | 乳腺密度测量方法 | 计算机视觉 | 乳腺癌 | 深度学习 | CNN | 乳腺X线图像 | 9,057名女性（BRAIx项目）及独立测试集（CSAW-CC数据集） | PyTorch | ConvNeXtSmall | 相关系数, 特异性, AUC | NA |
| 188 | 2026-05-31 |
Deep learning for early detection of guava fruit anthracnose and fruit fly infestation
2026-May-28, BMC plant biology
IF:4.3Q1
DOI:10.1186/s12870-026-09125-1
PMID:42210111
|
研究论文 | 基于深度学习对番石榴果实炭疽病和果蝇侵染进行早期检测 | 利用对比度受限自适应直方图均衡化和反锐化掩膜预处理，结合迁移学习和边缘部署可行性分析，实现高精度早期检测 | 数据集仅包含473张经标注的孟加拉国番石榴图像，样本量较小，可能限制模型泛化能力 | 开发深度学习分类系统，实现番石榴炭疽病和果蝇侵染的早期检测 | 番石榴果实图像，包含炭疽病和果蝇侵染的早期症状（病灶<2mm和细微刺痕） | 计算机视觉 | 植物病害（炭疽病和果蝇侵染） | 图像预处理（反锐化掩膜和CLAHE）、数据增强、迁移学习 | EfficientNetB3 | 图像 | 473张经标注的番石榴果实图像 | PyTorch | EfficientNetB3、ResNet50、DenseNet121、Vision Transformer | 准确率、精确率、召回率、F1分数、ROC-AUC | Raspberry Pi 4B（边缘部署推理），量化后模型大小13MB，参数数量12.3百万 |
| 189 | 2026-05-31 |
Cardiac arrhythmia detection via PQRST analyzed data using an optimized hierarchical fused fuzzy deep reinforcement learning
2026-May-28, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-026-03564-4
PMID:42210277
|
研究论文 | 提出一种基于优化分层融合模糊深度强化学习的心律失常检测方法 | 将分层融合模糊深度强化学习应用于心律失常预测，并利用SHAP、LIME等工具分析模型可解释性 | 未提及具体局限性 | 实现非窦性心律的早期预测，预防心脏疾病 | 采用12导联心电图数据集，共10,646名患者 | 机器学习 | 心律失常 | NA | 优化分层融合模糊深度强化学习 | 心电图信号 | 10,646名患者 | NA | NA | 准确率, ROC曲线下面积 | NA |
| 190 | 2026-05-31 |
Rapid Generation of Subject-Specific Human Models With Detailed Tissue Structures for Timely Individualized SAR Assessment
2026-May-28, Magnetic resonance in medicine
IF:3.0Q2
DOI:10.1002/mrm.70409
PMID:42210642
|
研究论文 | 提出一种混合框架，结合超快MRI、深度数据扫描和深度学习，快速生成个体化人体模型，用于MRI中局部比吸收率的实时评估 | 通过半监督教师-学生学习和部分类别标注策略训练深度学习模型，实现MRI图像中主要组织类型的自动分割，并将MRI解剖分割与摄像头外部几何数据融合，生成无缝的个体化人体模型 | NA | 实现个体化全身解剖模型的快速生成，用于MRI中患者特异性的躯干局部比吸收率预测 | 人体模型生成和SAR评估 | 数字病理学 | NA | MRI, 深度数据扫描 | 深度学习模型 | 图像 | 20名志愿者 | NA | NA | 峰值SAR10g误差, 归一化均方根误差 | NA |
| 191 | 2026-05-31 |
Machine Learning Model Using Pre-Cancer Therapy Cardiac Magnetic Resonance Images to Predict Cancer Therapy-Related Cardiac Dysfunction
2026-May-28, JACC. Cardiovascular imaging
DOI:10.1016/j.jcmg.2026.04.007
PMID:42212994
|
研究论文 | 使用治疗前心脏磁共振图像通过深度学习模型预测癌症治疗相关心脏功能障碍 | 首次利用治疗前CMR图像通过深度卷积神经网络预测CTRCD，并与临床和传统成像模型进行比较，显示出更高的预测性能 | 样本量相对较小（229名患者），且仅包括HER2+乳腺癌女性患者，可能限制了模型的泛化性 | 评估使用治疗前CMR图像的深度学习模型预测CTRCD的能力，并与临床和传统成像模型进行比较 | HER2+乳腺癌女性患者 | 计算机视觉 | 乳腺癌相关心脏功能障碍 | 心脏磁共振成像 | 深度卷积神经网络 | 图像 | 229名患者（176名内部验证，53名外部验证） | NA | 深度卷积神经网络 | AUC, F1分数 | NA |
| 192 | 2026-05-31 |
Advances in multispectral and hyperspectral inversion for soil heavy metal contamination: Mechanisms, machine learning algorithms, and future perspectives
2026-May-28, Journal of hazardous materials
IF:12.2Q1
DOI:10.1016/j.jhazmat.2026.142542
PMID:42214863
|
综述 | 综述了多光谱和高光谱反演土壤重金属污染的机理、机器学习算法及未来展望 | 结合文献计量分析与方法学进展，系统梳理了从传统线性回归到深度学习的模型演变，并构建了大规模高精度反演的综合框架 | 空间尺度扩展和卫星观测引入的混合像素、水分干扰及样本稀缺等问题限制了模型鲁棒性和跨区域泛化能力 | 为大规模、高精度的土壤重金属光谱反演提供技术发展全面框架和未来方向指导 | 土壤重金属污染物，特别是铜、铅和锌 | 机器学习 | NA | 多光谱遥感、高光谱遥感 | 机器学习、深度学习 | 光谱数据 | NA | NA | CNN, Transformer, XGBoost | NA | NA |
| 193 | 2026-05-31 |
Multimodal GPT-5 for Predicting Poor Functional Outcomes After Intracerebral Hemorrhage in the Emergency Department: Validation Study
2026-May-27, JMIR AI
DOI:10.2196/87062
PMID:42202259
|
研究论文 | 本研究评估了GPT-4.1和GPT-5模型在急诊科利用多模态数据预测脑出血患者不良功能结局的表现，并与传统机器学习模型进行了比较 | 首次系统评估多模态GPT-5在急诊科脑出血预后预测中的应用，包括零样本预测和提示增强策略，并与传统机器学习模型进行全面比较 | GPT模型校准性差，倾向于低估预测概率，整体预测准确性不如传统机器学习模型，仅在较高阈值概率下展示临床净收益 | 评估基于GPT的大型语言模型在急诊科利用常规可获取的多模态数据预测脑出血后不良功能结局的性能和临床效用 | 脑出血患者 | 自然语言处理 | 脑出血 | 多模态数据分析，非对比CT成像 | GPT，逻辑回归 | 临床数据，CT图像 | 一所三级医院的脑出血患者，具体数量未说明 | Azure OpenAI Service | GPT-4.1，GPT-5 | AUROC，校准Brier评分，Nagelkerke R²，组内相关系数，决策曲线分析 | NA |
| 194 | 2026-05-31 |
A hybrid transformer-zero-shot learning framework with Muon optimization for intelligent channel estimation in MIMO wireless systems
2026-May-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-33791-0
PMID:42204164
|
研究论文 | 提出一种结合Transformer、零样本学习和Muon优化器的混合框架，用于MIMO无线系统的智能信道估计 | 首次将零样本学习与Transformer架构及Muon优化器结合，实现在未知信噪比和衰落条件下的精准信道估计而无需重新训练 | 仅在仿真环境下验证，未在真实无线通信系统中测试；Muon优化器的实际硬件实现复杂性待评估 | 开发一种能泛化到未知信道条件、无需重复训练的智能MIMO信道估计方法 | MIMO无线系统中的信道估计问题 | 自然语言处理 | NA | NA | Transformer、零样本学习、Muon优化器 | NA | NA | NA | Transformer | 均方误差(MSE) | NA |
| 195 | 2026-05-31 |
Tocotrienol as a multi-target inhibitor of ICAM-1, VCAM-1, and E-selectin: Comparison using AutoDock and GNINA docking with molecular dynamics simulation
2026-May-27, Computational biology and chemistry
IF:2.6Q2
|
研究论文 | 本研究通过分子对接和分子动力学模拟，比较评估了生育三烯醇异构体对ICAM-1、VCAM-1和E-selectin的多靶点抑制能力 | 首次基于计算证据对生育三烯醇异构体在靶向炎症和血管相关通路中的多靶点效力进行全面区分，并比较了传统分子对接工具AutoDock Vina与基于深度学习的AI辅助对接工具GNINA的性能差异 | AI辅助对接工具GNINA因受体模型结构限制未能生成对VCAM-1的对接结果；研究结果仍需进一步的实验验证来确认这些计算预测及其生物学意义 | 评估生育三烯醇异构体对E-selectin、ICAM-1和VCAM-1的分子结合亲和力和相互作用特征，揭示其在抗动脉粥样硬化中的潜在作用 | α-、β-、γ-和δ-生育三烯醇异构体以及E-selectin、ICAM-1和VCAM-1蛋白受体 | 计算机辅助药物设计 | 动脉粥样硬化 | 分子对接 | 卷积神经网络 | 蛋白质结构数据和配体分子结构 | 4种生育三烯醇异构体和3种蛋白受体 | AutoDock Vina, GNINA | NA | 结合亲和力（kcal/mol）、氢键相互作用、疏水相互作用、范德华力 | NA |
| 196 | 2026-05-31 |
A Systematic Survey and Benchmark of Deep Learning for Molecular Property Prediction in the Foundation Model Era
2026-May-26, Journal of chemical theory and computation
IF:5.7Q1
DOI:10.1021/acs.jctc.5c02081
PMID:42096352
|
综述 | 系统综述和基准测试了基础模型时代深度学习在分子性质预测中的应用 | 提出了统一分类法，连接分子表征、模型架构和跨学科应用，并提出了三个前瞻性方向（嵌入量子一致性、可信推理、整合计算与实验数据） | 基准设计中存在数据拆分不一致、立体化学不一致、分析来源异质以及随机或定义不明拆分下的可重复性限制 | 梳理分子性质预测中深度学习的四种互补范式并评估当前基准设计，推动更透明、时间-支架意识的现代化方法 | 深度学习模型在分子性质预测中的性能与基准设计 | 机器学习 | NA | NA | NA | 数据 | 涵盖广泛使用的数据集及反映工业视角的数据集 | NA | NA | NA | NA |
| 197 | 2026-05-31 |
Distance-Restraint-Guided Diffusion Models for Sampling Protein Conformational Changes and Ligand Dissociation Pathways
2026-May-26, Journal of chemical theory and computation
IF:5.7Q1
DOI:10.1021/acs.jctc.6c00199
PMID:42096314
|
研究论文 | 提出了一种基于距离约束引导的扩散模型方法，用于采样蛋白质构象变化和配体解离路径 | 在反向扩散过程中引入原子组质心距离约束，无需模型重新训练即可沿反应坐标系统采样，同时结合深度学习结构预测与物理模拟，实现自由能景观构建 | NA | 开发高效策略，系统采样蛋白质构象动态和配体结合过程，定量表征生物分子热力学特性 | 三种经历开-闭构象转变的模型蛋白质及一个蛋白质-肽解离路径 | 机器学习 | NA | 扩散模型 | 扩散模型（类似AlphaFold3架构） | 蛋白质结构数据 | 三种模型蛋白质及一个蛋白质-肽体系 | Boltz-2 | 扩散模型网络结构 | 基于学习的置信度指标、立体化学验证指标、构象空间覆盖均匀性 | NA |
| 198 | 2026-05-27 |
Correction to "Quantifying Multi-pollutant Co-exposure via Deep Learning-Based Simultaneous Prediction Using Geostationary Satellite Data"
2026-May-26, Environmental science & technology
IF:10.8Q1
DOI:10.1021/acs.est.6c05436
PMID:42113025
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 199 | 2026-05-31 |
Magnetic susceptibility source separation (χ-separation) in quantitative susceptibility mapping
2026-May-26, Magnetic resonance imaging
IF:2.1Q2
DOI:10.1016/j.mri.2026.110708
PMID:42203157
|
综述 | 梳理定量磁化率成像中磁化率源分离方法，比较多序列与仅梯度回波技术的优劣 | 全面分类磁化率源分离方法为多序列方法和仅梯度回波方法，并评估深度学习框架如χ-sepnet，指出简化采集协议的趋势 | 弛豫常数准确测定和静态去相假设仍存生物物理难题，缺乏体内金标准影响准确性评估 | 综述磁化率源分离技术，区分亚体素磁源以定量铁和髓鞘生物标志物 | 磁化率源分离方法，包括多序列方法（如SEMI-TWInS, APART-QSM）、仅梯度回波技术（如DECOMPOSE-QSM, QSM-ARCS）和深度学习框架（如χ-sepnet） | 机器学习 | NA | 磁共振成像 | 深度学习 | 磁共振图像 | NA | NA | χ-sepnet | NA | NA |
| 200 | 2026-05-31 |
AI for the assessment and discovery of morphological-molecular biomarker relationships in hematologic malignancies
2026-May-26, Blood reviews
IF:6.9Q1
DOI:10.1016/j.blre.2026.101398
PMID:42215353
|
综述 | 总结人工智能在血液恶性肿瘤形态学分析中的最新进展，揭示形态-分子生物标志物关联，并探讨其临床整合潜力 | 通过深度学习模型实现自动化细胞分类、疾病特征检测及遗传变异预测，首次系统整合虚拟染色和可解释性方法以支持临床转化 | 数据异质性、缺乏前瞻性验证、跨学科协作需求仍是主要挑战 | 推动人工智能驱动的可解释形态学分析在血液肿瘤精准医学中的应用 | 髓系和淋巴系肿瘤（包括急性白血病、淋巴瘤等）的血涂片和骨髓涂片图像 | 计算机视觉 | 血液恶性肿瘤（髓系/淋巴系肿瘤） | 深度学习、多实例学习、虚拟染色 | 深度神经网络 | 图像（血涂片、骨髓涂片） | 未明确提及 | 未明确提及 | 多实例学习架构 | 未明确提及 | NA |