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 1013 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 | 2026-06-25 |
Impact of Imaging Protocols on Thermal Detection of Pressure Injuries: Threshold versus Deep Learning Across Skin Tones
2026-May-24, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.05.21.26353842
PMID:42238404
|
研究论文 | 系统评估了成像协议变化和受试者肤色对基于红外热成像的压疮早期检测模型性能的影响 | 首次系统比较了阈值法和深度学习法在不同成像条件与肤色群体中的压疮热检测效果，揭示了深度学习模型在多种成像协议和肤色组中的稳健性优于阈值法 | 未提及具体限制，但可能包括样本量有限（35名参与者）以及仅模拟早期压疮温度变化，未涉及真实临床场景 | 评估成像协议变化和肤色对热成像检测压疮模型性能的影响，并比较阈值法与深度学习法的鲁棒性 | 35名不同肤色的参与者，通过受控冷却协议模拟早期压疮温度变化 | 计算机视觉 | 压疮 | 红外热成像 | 深度学习 | 图像 | 1,680张图像来自35名不同肤色的参与者 | NA | MobileNetV2, InceptionNetV3, ResNet50 | 准确率 | NA |
| 162 | 2026-06-25 |
Artificial intelligence in pediatric intensive care units: current applications in sepsis management
2026-May, World journal of pediatrics : WJP
IF:6.1Q1
DOI:10.1007/s12519-026-01052-3
PMID:42265523
|
综述 | 综述人工智能在儿科重症监护病房脓毒症管理中的应用现状 | 系统比较了AI模型与传统儿科评分系统在脓毒症早期预测和风险分层中的性能差异，并强调了可解释人工智能和跨层级医疗基础设施差异对临床应用的关键影响 | 未提及具体局限性，但隐含指出算法黑箱问题、伪阳性率差异和算法公平性等挑战 | 评估人工智能在儿科重症监护病房脓毒症管理中的当前应用，包括预测、风险分层、决策支持和个性化治疗 | AI模型在儿科脓毒症管理中的应用，包括随机森林、LSTM等模型及临床决策支持系统 | 机器学习 | 儿科脓毒症 | NA | 随机森林，长短期记忆网络 | 横断面数据，时间序列生理数据，多组学数据 | NA | NA | 随机森林，长短期记忆网络 | 准确率，伪阳性率 | NA |
| 163 | 2026-06-25 |
Machine Learning for Distal Medium-Vessel Occlusion Detection: Advances, Challenges, and Future Directions
2026 May-Jun, Journal of neuroimaging : official journal of the American Society of Neuroimaging
IF:2.3Q2
DOI:10.1111/jon.70138
PMID:42333707
|
综述 | 本文综述了机器学习在远端中等血管闭塞检测中的应用，涵盖当前成像方法、基于机器学习的检测技术、验证研究及临床证据，并讨论了临床整合的障碍与未来方向 | 系统总结了机器学习与深度学习在远端中等血管闭塞识别中的进展，包括多模态网络和可解释人工智能等新兴算法，并指出了从研究到临床转化的关键障碍 | 缺乏大规模标注数据集和前瞻性临床试验验证，现有研究在敏感性和通用性上仍有局限，且临床整合面临监管审批和技术适配等挑战 | 总结并展望机器学习在远端中等血管闭塞检测中的进展、挑战与未来方向，以推动快速卒中诊疗 | 远端中等血管闭塞患者的多模态影像数据（非增强CT、CT血管成像、MR血管成像、CT灌注、多时相CTA及MRI） | 机器学习 | 脑血管疾病（急性缺血性卒中） | CT血管成像, 磁共振血管成像, CT灌注, 多时相CTA, 磁共振成像 | 机器学习, 深度学习 | 影像 | NA | NA | 多模态网络, 可解释人工智能 | 敏感性 | NA |
| 164 | 2026-06-25 |
Accuracy of Artificial Intelligence-Based Models Versus Conventional Scoring Systems (APACHE, SOFA, and SAPS) in Predicting Mortality Among ICU Patients: A Systematic Review and Meta-Analysis
2026-May, Cureus
DOI:10.7759/cureus.109459
PMID:42338822
|
系统性综述与荟萃分析 | 系统评估基于人工智能的模型与传统评分系统（APACHE、SOFA、SAPS）在预测ICU患者死亡率方面的准确性 | 首次通过荟萃分析系统比较AI模型与传统ICU评分系统的判别性能，并基于模型类型、数据集特征和时间建模进行了亚组分析 | 研究设计、验证方法和报告标准存在显著异质性，且校准报告不统一，无法进行定量综合 | 评估AI模型与传统ICU评分系统在预测住院死亡率方面的性能差异 | 危重症监护病房（ICU）患者 | 机器学习 | 危重症 | NA | 基于树的集成模型、深度学习模型、经典机器学习模型、时间序列模型 | 结构化临床数据 | 约500,000例ICU入院记录，来自10项研究 | NA | NA | AUC, 敏感性, 特异性, 校准度 | NA |
| 165 | 2026-06-24 |
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 | 提出一种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基团间距离约束，无需模型重新训练即可沿反应坐标系统采样，结合深度学习结构预测与物理模拟构建自由能景观 | NA | 高效采样蛋白质构象动态并定量表征热力学性质 | 三种经历开闭构象转变的模型蛋白质及一条蛋白质-多肽解离路径 | 机器学习 | NA | NA | 扩散模型 | 蛋白质结构数据 | 三个模型蛋白质和一个蛋白质-多肽复合体 | NA | AlphaFold3-like 扩散模型（Boltz-2实现） | 基于学习的置信度指标、立体化学验证指标 | NA |
| 166 | 2026-06-24 |
Domain shift analysis of deep learning models for tooth detection in pediatric panoramic radiographs
2026-May-25, Dental materials journal
IF:1.9Q4
DOI:10.4012/dmj.2025-301
PMID:42091502
|
研究论文 | 外部验证深度学习模型在儿科全景X光片上牙齿检测的性能，量化域偏移影响，并比较YOLOv8和YOLOv10 | 首次系统性分析域偏移对儿科全景X光片牙齿检测模型的影响，并比较YOLOv8与YOLOv10在跨机构、跨成像协议场景下的表现 | 数据集规模有限（共392张图像），且仅针对早期混合牙列期，未涵盖其他发育阶段或更广泛的临床变异 | 评估并比较深度学习目标检测模型在儿科全景X光片上综合牙齿检测的域偏移稳健性 | 儿童全景X光片中的牙齿（早期混合牙列） | 计算机视觉 | NA | NA | YOLOv8, YOLOv10 | 图像 | 内部数据集200张图像（无咬合块），外部开源数据集192张图像（带咬合块），共392张 | PyTorch | YOLOv8, YOLOv10 | 平均平均精度 (mAP), 各类别平均精度 (AP), 精确率-召回率曲线, 混淆矩阵 | NA |
| 167 | 2026-06-24 |
BERT-T6: Toward High-Accuracy T6SS Bacterial Toxin Identification Using a Protein Language Model
2026-May-25, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c02744
PMID:42095236
|
研究论文 | 基于蛋白质语言模型BERT-T6实现高精度T6SS细菌毒素识别 | 首次系统评估多种预训练蛋白质语言模型嵌入用于T6SE预测，发现ProtBert嵌入最有效；通过迁移学习和不平衡感知训练微调ProtBert构建BERT-T6预测器，达到最新最佳性能 | 未提及模型的泛化能力限制及潜在的假阳性或假阴性影响 | 开发高精度识别VI型分泌系统效应物的预测方法，辅助理解细菌致病机制 | VI型分泌系统效应物（T6SEs） | 机器学习 | 感染性疾病 | 蛋白质语言模型（ProtBert） | ProtBert | 蛋白质序列 | 未明确说明 | PyTorch | BERT（ProtBert） | 准确率（0.959）、灵敏度（0.909）、特异度（0.973）、精确度（0.905）、F1分数（0.907）、MCC（0.881） | 未明确说明 |
| 168 | 2026-06-24 |
Mechanically Robust Hydrogel Strain Sensor Enabled by a Multicross-Linked Electrospun-Fiber Network for Human Motion Recognition and Interactive Control
2026-May-20, ACS applied materials & interfaces
IF:8.3Q1
DOI:10.1021/acsami.6c03309
PMID:42096647
|
研究论文 | 本研究开发了一种通过多交联静电纺丝纤维网络增强的机械鲁棒水凝胶应变传感器，用于人体运动识别和交互控制 | 通过协同结合双网络交联结构与嵌入静电纺丝纳米纤维，同时实现了水凝胶的强机械性能和优异导电性，并集成深度学习算法实现手势识别和机器人控制 | NA | 开发高性能可穿戴应变传感器，用于医疗保健和人机交互应用 | 机械增强水凝胶的制备及其在应变传感中的应用 | 机器学习, 计算机视觉 | NA | 静电纺丝 | 深度学习模型 | 图像 | 含五个传感器的智能手套 | NA | 深度学习模型 | 灵敏度（应变系数10.8） | NA |
| 169 | 2026-06-24 |
NeuroPred-GMC: a dual-branch deep learning architecture for neuropeptide prediction based on gated dilated convolutional network and multi-scale convolutional network
2026-May-08, Journal of computer-aided molecular design
IF:3.0Q2
DOI:10.1007/s10822-026-00825-2
PMID:42098517
|
研究论文 | 提出一种基于门控扩张卷积网络和多尺度卷积网络的双分支深度学习架构NeuroPred-GMC，用于神经肽预测 | 结合门控扩张卷积网络与ESM-2特征表示、多尺度卷积网络与Prot-T5特征表示，通过双分支结构捕捉多层次上下文信息，提升神经肽预测性能 | 文章未明确提及具体局限性，但从上下文推测可能依赖特征表示的通用性和独立测试集的代表性 | 开发一种高效的计算方法快速预测神经肽，以扩展潜在治疗靶点库，为药物开发提供候选分子 | 神经肽序列 | 自然语言处理、机器学习 | 神经系统疾病 | 深度学习、ESM-2特征表示、Prot-T5特征表示 | 门控扩张卷积网络、多尺度卷积网络 | 序列数据 | NA | PyTorch | 门控扩张卷积网络、多尺度卷积网络 | 准确率、敏感度、特异度、精确率、MCC、auROC | NA |
| 170 | 2026-06-24 |
A multimodal deep learning framework for clinical nursing assessment in lumbar fusion surgery via representation learning and feature extraction
2026-May-07, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-51495-x
PMID:42098353
|
研究论文 | 提出一种多模态深度学习框架，通过表示学习和特征提取，融合医学影像和临床文本，用于腰椎融合手术的临床护理评估 | 采用全局-局部表示学习策略捕捉解剖上下文和细粒度结构信息；引入文本引导注意力机制实现图像区域与文本描述的对齐；联合建模腰椎放射影像和CT扫描与临床报告 | 可视化结果中模型关注的解剖相关区域需谨慎解读；未见明确提及样本多样性或外部验证 | 提出多模态深度学习框架用于腰椎图像解读，整合异质性临床数据以支持临床评估 | 腰椎放射影像、CT扫描及相关临床报告 | 计算机视觉, 自然语言处理 | 腰椎疾病 | 放射影像, CT扫描 | Transformer, CNN | 图像, 文本 | 未提及 | PyTorch | 文本编码器采用Transformer，视觉编码器采用CNN | 准确率, Dice系数 | 未提及 |
| 171 | 2026-06-24 |
Machine learning enhanced optical spectroscopy for breast cancer diagnosis: A review
2026-May-07, Lasers in medical science
IF:2.1Q2
DOI:10.1007/s10103-026-04882-9
PMID:42091742
|
综述论文 | 综述机器学习与深度学习增强光学光谱在乳腺癌诊断中的应用 | 系统总结了2015至2025年间机器学习/深度学习与多种光学光谱技术（拉曼、荧光、扩散光学光谱及光声光谱）的融合进展，并突出其在乳腺癌亚型分类中的高诊断准确率 | 数据变异性大、模型可解释性不足以及临床整合存在障碍 | 评估机器学习/深度学习增强光谱技术在乳腺癌早期诊断中的效用，并展望未来方向 | 乳腺癌组织、光谱生物标志物（如血红蛋白、脂质、胶原蛋白） | 机器学习 | 乳腺癌 | 拉曼光谱、荧光光谱、扩散光学光谱、光声光谱 | 卷积神经网络、支持向量机、逻辑回归 | 光谱数据 | NA | NA | 卷积神经网络、支持向量机、逻辑回归 | 诊断准确率 | NA |
| 172 | 2026-06-24 |
An integrated AI-driven vaccine design process: a systematic review of workflows from generative design to translational prediction
2026-May-07, Immunologic research
IF:3.3Q3
DOI:10.1007/s12026-026-09763-5
PMID:42095951
|
综述 | 系统综述了从抗原发现到临床转化的AI驱动疫苗设计全流程，强调集成化工作流的重要性 | 首次整合了AI疫苗设计中从预测到生成的范式转变，突出了Transformer、蛋白质语言模型及生成式AI在全新抗原设计中的前沿应用 | 基于PRISMA框架分析19篇文献，可能存在样本量有限及研究覆盖不全的局限 | 为疫苗发现和疫情防范提供AI集成工作流的全面路线图 | AI技术在疫苗设计中的应用，包括抗原发现、结构建模、临床验证的全流程 | 机器学习, 自然语言处理 | NA | 深度学习 | Transformer, 蛋白质语言模型, AlphaFold2, 生成式AI | 文本 | 19篇里程碑式文章 | NA | Transformer, AlphaFold2, 蛋白质语言模型 | NA | NA |
| 173 | 2026-06-24 |
Reconstruction algorithms and arm positioning effects on abdominal CT image quality and radiation dose: a phantom study
2026-May-07, European radiology experimental
IF:3.7Q1
DOI:10.1186/s41747-026-00722-1
PMID:42095993
|
研究论文 | 评估手臂位置与重建算法对腹部CT图像质量和辐射剂量的影响 | 系统评估了深度学习重建算法（DLIR）在手臂无法上举情况下对图像质量的改善效果，并比较了不同气垫配置的辅助作用 | 仅使用体模研究，未涉及真实患者数据，且未评估不同体型或疾病状态的影响 | 探究手臂位置和重建算法对腹部CT辐射剂量和图像质量的影响 | 定制体模 | 医学影像 | NA | CT扫描 | 深度学习重建算法（DLIR） | 图像 | 7种手臂位置配置，体模扫描 | NA | DLIR | 图像噪声、信噪比、对比噪声比、锐度、结构相似性 | NA |
| 174 | 2026-06-24 |
Research on depression diagnosis method based on multi-scale analysis of frontal lead EEG
2026-May-07, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-026-03521-1
PMID:42098689
|
研究论文 | 本研究采用双通道额叶脑电图系统，通过多尺度特征提取与机器学习模型实现抑郁症的高精度检测 | 利用双通道额叶脑电图简化数据采集并降低成本，结合多尺度分析技术提取相对功率、模糊熵和互信息等多种特征，提高抑郁症检测准确率 | 需在更大规模、具有临床代表性且经过外部验证的队列中进一步验证后才能实际部署 | 探索基于额叶脑电图多尺度分析的抑郁症诊断方法，以提供更精确、高效的诊断工具 | 抑郁症患者与健康对照组的额叶脑电图信号 | 机器学习 | 抑郁症 | 脑电图（EEG） | 门控循环单元（GRU） | 脑电图信号 | NA | NA | GRU | 准确率 | NA |
| 175 | 2026-06-24 |
Deep learning and attention mechanisms to identify key genes and their implications for the origin of insect wings
2026-May-06, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-49441-y
PMID:42091620
|
研究论文 | 利用深度学习模型DeepWG识别昆虫翅的关键基因，并探讨其与昆虫翅起源的关系 | 构建了基于双向长短期记忆网络和注意力机制的深度学习模型DeepWG，为识别关键基因提供了新方法 | NA | 识别昆虫翅的关键基因并探讨其起源 | 119个物种的蛋白质序列 | 机器学习 | NA | 蛋白质序列分析 | 双向长短期记忆网络（BiLSTM） | 蛋白质序列数据 | 119个物种 | NA | BiLSTM、注意力机制 | 准确率 | NA |
| 176 | 2026-06-24 |
Deep Learning Algorithms Versus Radiologists in Digital Breast Tomosynthesis for Breast Cancer Detection: Systematic Review and Meta-Analysis
2026-May-06, Journal of medical Internet research
IF:5.8Q1
DOI:10.2196/91659
PMID:42090319
|
系统综述与荟萃分析 | 系统比较深度学习算法与放射科医生在数字乳腺断层摄影中检测乳腺癌的诊断表现 | 首次通过荟萃分析系统对比深度学习算法与不同经验水平放射科医生的诊断性能，并评估DL辅助的临床影响 | 纳入研究存在异质性，DL辅助未显著提升放射科医生整体表现，缺乏前瞻性多模态验证 | 比较深度学习算法在数字乳腺断层摄影中检测乳腺癌的诊断性能，评估DL辅助的临床价值 | 38,565名患者的乳腺断层摄影数据 | 计算机视觉 | 乳腺癌 | NA | 深度学习算法 | 图像 | 13项研究共38,565名患者 | NA | NA | 灵敏度,特异性,曲线下面积 | NA |
| 177 | 2026-06-24 |
AI and Internet of Things for Chronic Obstructive Pulmonary Disease Remote Monitoring: Systematic Review of Exacerbation Prediction and Key Physiological Variables
2026-May-06, JMIR medical informatics
IF:3.1Q2
DOI:10.2196/84814
PMID:42090610
|
系统综述 | 本系统综述全面回顾了利用人工智能和物联网技术进行慢性阻塞性肺疾病远程监测以预测急性加重的研究，重点关注关键生理变量和硬件软件解决方案 | 首次系统性地桥接了AI驱动的数据处理与真实世界传感器应用，全面总结了物联网和可穿戴设备在COPD管理中的现状，并分析了从生理和环境变量到机器学习模型的全链条技术 | 大多数研究依赖平衡数据集，无法反映真实世界急性加重模式，且缺乏跨人群的外部验证；只有6项研究使用了可穿戴设备和物联网技术 | 评估AI和物联网在COPD远程监测中用于急性加重预测的潜力，并总结关键生理变量、设备类型和机器学习模型 | 慢性阻塞性肺疾病患者及其急性加重事件 | 机器学习 | 慢性阻塞性肺疾病 | 可穿戴传感器, 物联网传感器 | 随机森林, CatBoost, 决策树, 支持向量机, 深度学习, 基于规则的逻辑, 概率模型 | 心率, 外周血氧饱和度, 症状数据 | 26项研究 | NA | 随机森林, CatBoost, 决策树, 支持向量机, 深度学习 | NA | NA |
| 178 | 2026-06-24 |
Early sepsis prediction using a hybrid LSTM-GAT model: a study on the PhysioNet 2019 dataset
2026-May-06, BMJ health & care informatics
IF:4.1Q2
DOI:10.1136/bmjhci-2025-101762
PMID:42091169
|
研究论文 | 提出一种混合LSTM-GAT深度学习模型，利用PhysioNet 2019数据集中的时间序列和结构信息提前12小时预测脓毒症 | 首次将长短期记忆网络与图注意力网络结合，同时捕捉临床数据的时间动态和变量间结构关系，并能在不同预测时间窗口间良好泛化 | 主要依赖固定时间窗口训练，可能未充分探索模型对更早期或更晚期预测的适用性，且仅基于单一数据集验证 | 通过整合时间与结构信息提升早期脓毒症预测性能，支持重症监护环境中的临床决策 | PhysioNet/计算心脏病学挑战赛2019数据集中40,336名成人ICU患者 | 机器学习 | 脓毒症 | NA | LSTM, GAT | 表格数据（40项临床变量，包括生命体征、实验室结果和人口学信息） | 40,336例成人ICU患者（其中2,932例发生脓毒症） | NA | LSTM, GAT | AUROC, F1分数, 特异性 | NA |
| 179 | 2026-06-24 |
Benchmarking computational methods for multi-omics biomarker discovery in cancer
2026-May-04, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbag200
PMID:42089753
|
研究论文 | 系统性基准测试20种统计、机器学习和深度学习方法在多组学生物标志物发现中的表现 | 首次系统评估多种计算方法在癌症多组学生物标志物识别中的准确性和稳定性，并整合知识图谱与特征交互提升性能 | 仅基于五个真实世界数据集和模拟数据，可能无法完全覆盖所有癌症类型或生物标志物场景 | 评估和比较现有计算方法在癌症多组学生物标志物发现中的可靠性和实用性 | 20种代表性统计、机器学习和深度学习方法，用于预后和治疗生物标志物识别 | 机器学习 | 癌症 | 多组学分析 | DeePathNet, DeepKEGG | 多组学数据（如基因组、转录组、蛋白质组等） | 五个真实世界数据集 | PyTorch, Scikit-learn | DeePathNet, DeepKEGG | 准确率, 稳定性 | NA |
| 180 | 2026-06-24 |
MuRaL-indel: a deep learning framework for building insertion and deletion mutation rate maps
2026-May-03, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbag212
PMID:42089752
|
研究论文 | 提出MuRaL-indel深度学习框架，用于构建插入和缺失突变率图谱 | 首次利用U-Net架构结合长程序列上下文预测种系INDEL突变率，并实现跨物种的高分辨率图谱构建及致病性变异优先排序 | 未明确说明，但可能涉及对长片段INDEL预测能力及非编码区序列特征的依赖 | 构建高分辨率INDEL突变率图谱，揭示突变机制及致病性变异 | 人类、猕猴、果蝇、拟南芥四种物种的种系INDEL突变 | 机器学习 | 遗传病 | 深度神经网络 | U-Net | 基因序列 | 大规模人群队列稀有变异数据（具体数量未说明） | NA | U-Net | 准确性 | NA |