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 959 篇文献，本页显示第 461 - 480 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 461 | 2026-07-30 |
aiSysMet: AI-powered systems metabolomics for biomarker discovery
2026-Jul-02, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btag520
PMID:42458204
|
研究论文 | 介绍了aiSysMet平台，这是一个基于人工智能的系统代谢组学平台，用于生物标志物发现，利用统计、机器学习和深度学习方法处理代谢组学数据、注释代谢物并整合多组学数据 | 开发了一个AI驱动的交互式、模块化网络平台，整合了统计、机器学习和深度学习方法用于代谢组学数据处理、代谢物注释和多组学整合分析，并可通过云端执行 | 背景中提及传统非靶向LC-MS代谢组学中大部分检测峰未注释，且存在峰检测、对齐及同位素/加合物处理的不确定性，这些限制也适用于该平台 | 利用AI技术解决代谢组学数据中的代谢物注释不足和多组学整合问题，促进生物标志物发现 | 代谢组学数据、多组学数据 | 机器学习 | NA | LC-MS（液相色谱-质谱联用） | 统计模型、机器学习模型、深度学习模型 | 代谢组学数据、多组学数据 | NA | NA | NA | NA | 云端计算 |
| 462 | 2026-07-30 |
Virtual Staging of Indoor Panoramic Images via Multitask Learning and Inverse Rendering
2026 Jul-Aug, IEEE computer graphics and applications
IF:1.7Q3
DOI:10.1109/MCG.2025.3605806
PMID:40902042
|
研究论文 | 提出VISPI框架，通过多任务学习和逆渲染从单张室内全景图像实现虚拟布景 | 结合多任务深度学习和实时渲染，从杂乱场景中同时提取几何、语义和材质信息，并支持交互式物体放置和头戴显示探索 | NA | 实现从单张全景图像进行室内场景的交互式虚拟布景 | 室内全景图像 | 计算机视觉 | NA | 逆渲染 | 视觉Transformer | 图像 | 在Structured3D和FutureHouse数据集上评估 | NA | 视觉Transformer | NA | NA |
| 463 | 2026-07-30 |
Deep Learning-Based Eddy Segmentation With Vector Data for Biochemical Analysis in Ocean Simulations
2026 Jul-Aug, IEEE computer graphics and applications
IF:1.7Q3
DOI:10.1109/MCG.2025.3630582
PMID:41201923
|
研究论文 | 研究基于深度学习和矢量数据的大洋环流涡旋分割方法，用于海洋模拟中的生化分析 | 提出双分支注意力U-Net架构，分别编码矢量幅度和方向，以处理海洋速度场矢量输入的复杂性 | 仅聚焦于输入编码策略，未探讨模型泛化性到其他海洋数据或实时应用场景 | 改进海洋模拟数据中涡旋分割的深度学习模型性能 | 海洋环流模拟数据中的涡旋结构 | 计算机视觉 | 不适用 | 不适用 | 注意力U-Net | 矢量场（海洋速度场） | 四个大规模三维海洋模拟数据集 | NA | 双分支注意力U-Net | 四种分割指标（具体名称未列出） | NA |
| 464 | 2026-07-29 |
Plain Radiographs, Smarter Triage: Deep Learning and Clinical Context in Bone Tumor Assessment
2026-Jul, Radiology
IF:12.1Q1
DOI:10.1148/radiol.261857
PMID:42517759
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 465 | 2026-07-30 |
Radiograph-based Deep Learning Algorithm for Assisting Bone Tumor Risk Assessment: A Multicenter Study
2026-Jul, Radiology
IF:12.1Q1
DOI:10.1148/radiol.252921
PMID:42517768
|
研究论文 | 开发并评估一种基于X线影像的深度学习模型（DL-Clinic-RADS）用于骨肿瘤的二分类风险分层（良性 vs 潜在恶性），并与放射科医生和骨报告及数据系统（Bone-RADS）的评估进行比较 | 提出了一种融合图像、临床/语义特征与专家共识的双视图交叉注意视觉Transformer模型（DL-Clinic-RADS），并在多中心数据上验证了其优于Bone-RADS和放射科医生的性能 | 未提及具体的局限性，但可能包括回顾性设计的偏倚或样本分布不均等 | 评估基于X线影像的深度学习模型在骨肿瘤风险分层中的多中心性能，以及与Bone-RADS和放射科医生评估的比较 | 经组织病理学证实的骨肿瘤患者 | 机器学习 | 骨肿瘤 | NA | 视觉Transformer | X线影像 | 回顾性数据集1777名患者，前瞻性测试集152名参与者 | PyTorch | 双视图交叉注意视觉Transformer | AUC, 精确率-召回曲线, 校准曲线, 决策曲线分析, Fleiss κ, 阅读时间, 置信度 | NA |
| 466 | 2026-07-30 |
What every dentist needs to know about the use of artificial intelligence in orthodontic treatment planning
2026 Jul-Aug, General dentistry
PMID:42329610
|
研究论文 | 探讨人工智能如何通过自动化功能简化正畸工作流程，包括头影测量分析、矫治器设计、预测模拟和实时患者监测 | 系统性阐述人工智能在正畸治疗规划中的多种自动化应用及其对诊断准确性、个性化治疗和临床效率的提升作用 | 未讨论AI系统的实际临床验证、数据隐私问题或实施成本等潜在限制 | 为牙科医生提供人工智能在正畸治疗规划中应用的全面知识 | 正畸治疗规划中的人工智能应用 | 机器学习 | 口腔疾病 | NA | 深度学习，监督学习，无监督学习 | NA | NA | NA | NA | NA | NA |
| 467 | 2026-07-30 |
Advancing battery failure diagnosis by knowledge-augmented large language models
2026-Jul, National science review
IF:16.3Q1
DOI:10.1093/nsr/nwag348
PMID:42519668
|
研究论文 | 提出一种知识增强的大语言模型框架，用于电池故障诊断 | 首次构建案例级电池故障知识图谱，并开发知识增强生成方法，结合故障特征感知检索与优化算法，提升大语言模型在电池故障诊断中的推理能力 | 仅基于故障知识图谱进行实验，未涉及不同电池类型及复杂场景下的性能评估 | 解决传统电池故障诊断方法对大量训练数据的依赖、泛化能力差和可解释性不足等问题 | 电池故障诊断系统 | 机器学习 | NA | 知识图谱构建、知识增强生成 | 大语言模型 | 文本（故障知识数据） | 未明确说明 | NA | BattFailScholar | 诊断性能提升率（19.7%）、潜在故障机制识别准确率（86.2%） | NA |
| 468 | 2026-07-30 |
An Introduction to 3-D Sparse CNNs
2026 Jul-Aug, IEEE computer graphics and applications
IF:1.7Q3
DOI:10.1109/MCG.2026.3696340
PMID:42519872
|
研究论文 | 本文介绍了基于体素的稀疏3D卷积神经网络（CNN），重点探讨如何高效处理三维几何数据并应对存储与计算挑战 | 系统阐述了稀疏3D卷积的实现原理及八叉树、哈希表等关键数据结构的实践应用，弥补了3D深度学习在稀疏处理方面的入门指南空白 | 未提供具体实验验证或性能对比分析，可能缺乏对复杂场景下稀疏网络局限性的深入探讨 | 为3D稀疏CNN提供易于理解的入门介绍，涵盖体素卷积、稀疏计算及实现所需的数据结构 | 三维几何数据，包括表面体素、点云占用单元等不规则且大部分为空的空间结构 | 计算机视觉 | 不适用 | 稀疏卷积 | 稀疏CNN | 三维数据（体素、点云） | 不适用 | 不适用 | 稀疏CNN | 不适用 | 不适用 |
| 469 | 2026-07-29 |
A Multitask Deep Learning Model for Pediatric Echocardiography Analysis
2026-Jul-28, Circulation
IF:35.5Q1
|
研究论文 | EchoAI-Peds是一个用于儿科超声心动图分析的多任务深度学习模型，能够同时检测28种先天性心脏缺陷及异常 | 首个基于视频的视觉Transformer多任务儿科超声心动图模型，整合多视图信息，显著优于成人基础模型 | 未在摘要中明确说明局限性 | 开发一个专门适用于儿科人群的多任务深度学习模型，自动解析超声心动图诊断先天性心脏缺陷 | 儿科超声心动图视频，涵盖28种先天性心脏缺陷、结构功能异常、修复及干预 | 计算机视觉 | 先天性心脏缺陷 | 超声心动图 | 视觉Transformer | 视频 | 训练集10,815项研究（>700,000个视频），验证集1,294项研究，内部测试集1,336项研究，外部测试集2,121项研究 | NA | 视觉Transformer | AUROC | NA |
| 470 | 2026-07-29 |
A Unified Molecular Graph and Protein Language Model Framework for Predicting Human Drug-Hormone Receptor Interactions with Structure-Aware Validation
2026-Jul-27, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.6c00806
PMID:42402023
|
研究论文 | 提出一种整合分子图与蛋白质语言模型的统一框架，用于预测药物-激素受体相互作用，并通过结构感知验证评估模型性能 | 首次将预训练的ESM2蛋白质语言模型与图变换器分子特征结合，显式整合激素受体特异性序列信息到深度学习中，实现更可靠的DHRI预测 | 未提及计算资源具体细节；模型泛化性可能受限于数据集大小和受体类型多样性 | 开发受体感知的深度学习框架，准确预测药物与激素受体的相互作用，提升内分泌安全评估和治疗效果 | 药物分子（通过摩根指纹和图变换器特征编码）与激素受体序列（使用ESM2模型编码） | 机器学习 | 内分泌相关疾病 | 蛋白质语言模型（ESM2）、图变换器、分子对接 | 多层神经网络 | 分子结构数据（SMILES、图结构）与蛋白质序列数据 | 独立测试集数量未明确说明，涉及雌激素、雄激素和糖皮质激素受体 | PyTorch | 图变换器（Graph Transformer）、ESM2、多层感知机 | 准确率、灵敏度、特异度、精确率、F1分数、马修斯相关系数 | NA |
| 471 | 2026-07-29 |
Interpretable Dual-Stream EEG-MRI Fusion Uncovers Structure-Function Signatures of Stroke Motor Recovery
2026-Jul-27, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society
IF:4.8Q1
DOI:10.1109/TNSRE.2026.3717334
PMID:42507557
|
研究论文 | 提出一种可解释的双流跨模态融合框架，融合脑电图和结构MRI以预测卒中后运动恢复 | 提出患者自适应双向跨模态注意力机制的可解释深度学习框架，首次将EEG功能连接与结构MRI区域对齐融合 | 样本量小（26人），结果需进一步验证；SHAP归因反映模型行为而非已验证的生物标志物 | 利用多模态神经影像融合预测亚急性缺血性卒中患者的运动恢复 | 26名亚急性缺血性卒中患者在运动想象任务中的脑电图和结构MRI数据 | 机器学习 | 卒中 | 脑电图、结构磁共振成像 | 深度学习双流交叉注意力模型 | 时间序列脑电图信号、结构MRI图像 | 26名受试者，每名执行四种运动想象任务（握力、强力握力、腕伸、腕屈） | NA | 双流跨模态融合（带区域对齐嵌入、双向交叉注意力和患者自适应门控） | 准确率 | NA |
| 472 | 2026-07-29 |
Mapping Machine Learning-Driven Cybersecurity Solutions in Health Care: Scoping Literature Review
2026-Jul-27, Journal of medical Internet research
IF:5.8Q1
DOI:10.2196/93950
PMID:42507996
|
综述 | 系统梳理机器学习在医疗保健网络安全中的应用，并对照最新网络安全框架进行映射分析 | 首次将机器学习驱动的网络安全解决方案系统映射至美国国家标准与技术研究院网络安全框架2.0版全部六项功能（识别、保护、检测、响应、恢复、治理），构建了结构化且具有政策相关性的证据基础 | 存在语言偏倚、方法学异质性，且排除了医疗设备和专有解决方案 | 映射机器学习在医疗保健网络安全中的应用，总结其性能，并识别研究空白和实施考量 | 2019至2025年间基于机器学习的医疗保健组织级网络安全研究 | 自然语言处理 | 不适用 | 机器学习 | 经典机器学习，深度学习，自然语言处理 | 合成数据集，过时基准数据集 | 45项研究（覆盖18个国家），应用80个机器学习模型 | 不适用 | 不适用 | 报告指标不一致 | 不适用 |
| 473 | 2026-07-29 |
Explainable deep learning self-supervised vision transformer for fundus-based myopia classification
2026-Jul-27, Acta ophthalmologica
IF:3.0Q1
DOI:10.1111/aos.70205
PMID:42507991
|
研究论文 | 开发并验证一种基于自监督视觉变压器的近视分类方法，实现对正常眼、高度近视和病理性近视的准确分类 | 采用DINOv2自监督视觉变压器结合两阶段迁移学习协议，并引入双展开注意力机制提供解剖学上可解释的分类结果 | 需要外部和前瞻性验证来确认方法的普适性 | 实现从彩色眼底照片中对高度近视和病理性近视进行准确、稳健且透明的自动分类 | 彩色眼底照片 | 计算机视觉 | 近视 | 眼底照相 | 视觉变压器（ViT） | 图像 | 未明确说明具体样本数量，但使用了10折分层交叉验证和独立测试集 | PyTorch | DINOv2视觉变压器, ResNet-50, VGG-16, EfficientNet-B3 | 准确率, 宏平均F1分数 | 未明确说明 |
| 474 | 2026-07-29 |
Deep Learning for Automated Classification and Dynamic Risk Prediction of Retained Products of Conception on Postpartum Ultrasound
2026-Jul-27, Journal of ultrasound in medicine : official journal of the American Institute of Ultrasound in Medicine
IF:2.1Q2
DOI:10.1002/jum.70394
PMID:42508026
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 475 | 2026-07-29 |
MPLID (Membrane Protein-Lipid Interaction Database): A Large-Scale Experimental Resource of Residue-Level Protein-Lipid Contacts
2026-Jul-27, GigaScience
IF:11.8Q1
DOI:10.1093/gigascience/giag080
PMID:42508035
|
研究论文 | MPLID是一个大规模实验性残基级别蛋白-脂质互作数据库，包含4704个膜蛋白和80439个实验验证的脂质接触注释 | 首次从实验数据角度直接识别蛋白质表面与脂质分子发生物理接触的残基，而非基于计算疏水性预测膜区域，并提供大规模标注数据集用于训练深度学习模型 | 由于纯化和结晶过程中大部分天然脂质相互作用丢失，观察到的接触率仅为下界，非接触类中必然存在假阴性；结构解析的接触仅代表生物学蛋白-脂质互作的子集 | 构建基于实验数据的残基级蛋白-脂质接触数据库，支持脂质介导变构研究、模拟脂质药物设计及脂质结合位点预测模型的训练 | 4704个膜蛋白（813个序列簇），8055325个残基，80439个实验验证脂质接触标注 | 机器学习 | NA | X射线晶体学，冷冻电镜 | 深度学习模型（用于脂质接触预测） | 蛋白质三维结构数据，序列数据，脂质配体注释数据 | 4704个膜蛋白，8055325个残基（包含80439个阳性接触标注） | NA | NA | NA | NA |
| 476 | 2026-07-29 |
NeuroOmics-Net: An interpretable multimodal deep learning framework for Alzheimer's disease diagnosis and progression prediction using neuroimaging, EEG, and genomic data
2026-Jul-27, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2026.111879
PMID:42508236
|
研究论文 | 提出了一种可解释的多模态深度学习框架NeuroOmics-Net，整合神经影像、脑电图和基因组数据用于阿尔茨海默病的诊断和进展预测 | 首次提出结合层级多视角编码器、跨组学注意力融合模块和疾病进展图学习模块的多模态框架，实现跨域生物标志的自适应整合和进展关系建模 | sMRI、EEG和基因表达数据来自独立非配对队列，所有跨模态关联仅反映群体水平的统计对应而非个体内生理耦合，同时公平性分析显示在人口多样化临床场景中准确率可能下降 | 开发整合神经影像、脑电图和基因组数据的多模态深度学习系统，提升阿尔茨海默病的诊断准确性和进展预测能力 | 正常对照、轻度认知障碍和阿尔茨海默病受试者，以及稳定MCI向进展性MCI转化的预测 | 机器学习 | 阿尔茨海默病 | sMRI, EEG, 基因表达测序 | 深度学习多模态融合模型 | 影像、时间序列信号、基因表达数据 | 从ADNI、PhysioNet和GEO仓库获取的1120个诊断对齐样本 | PyTorch | 层级多视角编码器、跨组学注意力融合模块、疾病进展图学习模块 | 准确率、AUC | 未在摘要中明确说明，输出NA |
| 477 | 2026-07-29 |
Artificial Intelligence-Assisted Triage in Emergency Departments: A Scoping Review of Clinical Applications, Outcomes, and Implementation Challenges
2026-Jul-27, Clinical and experimental emergency medicine
IF:1.9Q2
DOI:10.15441/ceem.26.283
PMID:42509625
|
综述 | 系统梳理人工智能辅助急诊分诊的临床应用、效果及实施挑战 | 在急诊分诊领域首次全面整合传统机器学习、深度学习和大型语言模型的应用证据，并关注实施中的安全、公平性和监督机制 | 仅纳入2015-2026年英文文献，前瞻性验证、工作流整合及部署后监测的研究较少，大语言模型证据仍属初步 | 评估人工智能在急诊分诊中的应用现状、临床效果及实施障碍 | 急诊分诊系统及其临床决策支持工具 | 自然语言处理 | 急诊疾病 | 机器学习、深度学习、自然语言处理、人工神经网络、可解释机器学习、大型语言模型 | 人工神经网络、大型语言模型 | 结构化分诊变量和非结构化临床文本 | 27项研究 | NA | NA | 预测性能 | NA |
| 478 | 2026-07-29 |
Automated measurement of hair density and projected apparent width via deep learning-based phototrichogram analysis
2026-Jul-27, International journal of cosmetic science
IF:2.7Q2
DOI:10.1111/ics.70132
PMID:42509711
|
研究论文 | 提出一种基于深度学习的自动化光毛囊镜分析方法，用于测量头发密度和投影表观宽度 | 结合头发实例分割与主成分分析实现头发密度和投影宽度的自动化定量测量 | 主要针对深色头发人群，需在标准化成像条件下使用 | 开发自动化、可重复的光毛囊镜分析流程以替代人工测量 | 92名患者的259张高分辨率光毛囊镜图像（6000×4000像素） | 计算机视觉 | 脱发相关疾病（泛化领域） | 光毛囊镜成像 | 实例分割模型（未具体说明架构） | 图像 | 259张图像来自92名深色头发患者 | NA | NA（实例分割模型架构未指定） | 平均精度（0.914）、召回率（0.870）、相关系数（r=0.732）、平均偏差（-12.08根/cm²） | NA |
| 479 | 2026-07-29 |
Monitoring birds interacting with power lines: a systematic review of detection technologies and the persistent gap in transmission line applications
2026-Jul-25, Environmental monitoring and assessment
IF:2.9Q3
DOI:10.1007/s10661-026-15647-w
PMID:42501132
|
综述 | 系统综述了用于监测鸟类与输电线相互作用的检测技术，并指出在输电线路应用中存在持续性的技术缺口 | 揭示了输电线路鸟类碰撞技术严重滞后于航空和风能领域的现象，强调了人工智能模型在输电线路场景下的领域转移局限性 | 文献和专利主要来自航空和风能领域，直接针对输电线路的研究占比小，人工智能模型面临领域偏移限制 | 评估现有鸟类检测与碰撞缓解技术在输电线路基础设施中的应用现状和差距 | 输电线路基础设施中的鸟类检测与碰撞缓解技术 | 机器学习 | 无特定疾病分类 | 深度学习方法（主要为卷积神经网络） | CNN，YOLO变体 | 图像 | 58篇同行评审文章和86项专利 | NA | YOLO变体 | NA | NA |
| 480 | 2026-07-29 |
Advancing Cerebro-cerebellar Network Imaging with Ultra-high Field (7T) MRI: Progress and Future Challenges
2026-Jul-25, Cerebellum (London, England)
DOI:10.1007/s12311-026-02054-7
PMID:42501259
|
综述 | 综述超高场7T MRI在脑-小脑网络成像中的进展与未来挑战 | 系统梳理了UHF-MRI在小脑功能分区、齿状核可视化和全脑网络整合中的独特优势，并重点分析了小脑特有的技术挑战和方法学空白 | 未能提供系统性验证框架，仅基于现有文献进行定性总结，缺乏定量比较 | 评估UHF-MRI在脑-小脑网络成像中的应用进展与局限性 | 脑-小脑网络的结构与功能成像 | 自然语言处理 | NA | 超高场核磁共振成像 | NA | 成像数据 | NA | NA | NA | NA | NA |