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 47295 篇文献，本页显示第 2061 - 2080 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2061 | 2026-06-28 |
An interpretable TimeMIL framework for fNIRS: differential diagnosis between schizophrenia and bipolar disorder
2026, Frontiers in psychiatry
IF:3.2Q2
DOI:10.3389/fpsyt.2026.1832221
PMID:42358391
|
研究论文 | 提出一种可解释的TimeMIL框架，用于基于功能近红外光谱（fNIRS）数据的精神分裂症与双相情感障碍的鉴别诊断 | 首次将时间感知多实例学习模型（TimeMIL）应用于fNIRS数据的精神疾病分类，并引入专门的可解释性框架，揭示了前额叶功能异常的区域特异性模式 | 样本量较小，且该模型在临床环境中的进一步验证尚未完成 | 开发一种基于fNIRS的高准确率、鲁棒且可解释的深度学习框架，用于精神分裂症与双相情感障碍的早期筛查和鉴别诊断 | 健康对照（HC）、精神分裂症（SCZ）和双相情感障碍（BD）患者的fNIRS数据 | 机器学习 | 精神分裂症, 双相情感障碍 | 功能近红外光谱（fNIRS） | 时间感知多实例学习模型（TimeMIL） | 时间序列数据 | 共169名参与者：HC 52名，SCZ 50名，BD 67名 | PyTorch | TimeMIL, 1D-CNN, Transformer, TCN | 准确率, AUC | NA |
| 2062 | 2026-06-28 |
DeM-FCN: an ultra-lightweight and purely convolutional framework for edge-native human activity recognition in wearable fitness tracking
2026, Frontiers in sports and active living
IF:2.3Q2
DOI:10.3389/fspor.2026.1858408
PMID:42358506
|
研究论文 | 提出一种超轻量纯卷积框架DeM-FCN，用于可穿戴健身追踪中的边缘原生人体活动识别 | 提出纯卷积架构DeM-FCN，避免循环结构或注意力机制，通过物理感知输入表示（欧拉角三角编码和加速度/陀螺仪幅度特征）和代价敏感焦点损失实现主体无关识别，模型参数仅73.7K、计算量14.84M FLOPs、大小0.29MB | 硬标签日常活动识别因活动多样性、传感器域差异及模态信息缺失比受限抗阻训练识别更具挑战性 | 开发适合资源受限边缘设备的轻量、高效人体活动识别方法，用于可穿戴健身追踪 | 哑铃类抗阻训练活动（四种练习）及公开数据集上的日常活动 | 机器学习 | NA | 惯性测量单元（IMU）传感 | 全卷积网络（FCN） | 惯性测量数据（加速度计、陀螺仪） | 15名受试者收集的定制智能哑铃数据集，以及公开数据集PAMAP2和MHEALTH | NA | 堆叠一维卷积块（含全局最大池化） | 准确率、宏F1分数、宏AUC | NA |
| 2063 | 2026-06-28 |
Artificial intelligence approaches in biological age prediction: current status and challenges
2026, British journal of biomedical science
IF:2.7Q2
DOI:10.3389/bjbs.2026.16141
PMID:42358564
|
综述 | 系统回顾人工智能在生物学年龄预测中的方法现状与挑战 | 强调异步衰老现象并指出AI（特别是深度学习和多模态融合）在捕捉系统特异性衰老模式中的潜力 | 数据异质性、模型泛化性有限、可解释性不足及临床转化障碍 | 评估个体健康状态和衰老轨迹，推动生物学年龄预测的临床转化 | 人工智能驱动的生物学年龄预测方法 | 机器学习 | 老年疾病 | NA | 深度学习、多模态融合 | 多模态生物数据 | NA | NA | 神经网络 | NA | NA |
| 2064 | 2026-06-28 |
Restoration of missing regions in limited field of view computer tomography using an image- and sinogram-based conditional generative adversarial network model
2026-Jan, BJR artificial intelligence
DOI:10.1093/bjrai/ubag010
PMID:42358732
|
研究论文 | 本研究利用基于图像和正弦图的条件生成对抗网络模型，恢复计算机断层扫描中有限视野的缺失区域 | 提出基于正弦图的条件生成对抗网络模型，在恢复有限视野外缺失区域时显著优于基于图像的方法，提高身体轮廓连续性并适应患者个体差异 | NA | 开发并评估基于图像和正弦图的条件生成对抗网络模型，用于恢复有限视野计算机断层扫描中的缺失区域 | 治疗计划CT和锥束CT数据集，共包含119名患者（96例计划CT和23例锥束CT） | 计算机视觉 | NA | 计算机断层扫描 | 条件生成对抗网络 | 图像 | 96例计划CT（64训练、16验证、16内部测试）和23例锥束CT（外部测试） | NA | 条件生成对抗网络 | 平均绝对误差、均方根误差、结构相似性指数 | NA |
| 2065 | 2026-06-28 |
An efficient hybrid CNN-transformer framework for real-time weapon detection and face recognition
2026, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2026.1841848
PMID:42358851
|
研究论文 | 提出一种名为ConViDeTR的混合深度学习框架，用于实时武器检测和人脸识别，整合了CNN、ViT和DETR架构 | 提出深度特征融合层，将局部空间特征、全局上下文特征和对象查询特征集成到共享特征空间，实现武器检测和人脸识别的同步执行 | 未明确指出局限性 | 开发高效、实时的智能监控系统，实现武器检测和人脸识别的准确性与鲁棒性 | 武器检测和人脸识别任务 | 计算机视觉 | NA | NA | 混合CNN-Transformer | 图像 | 使用现有基准数据集 | PyTorch | CNN, Vision Transformer (ViT), Detection Transformer (DETR) | 准确率, 帧率 (FPS), 延迟 | NA |
| 2066 | 2026-06-28 |
Global research trends and hotspots in human immunodeficiency virus-associated cervical cancer (1990-2025): a multi-database bibliometric analysis
2026, Frontiers in immunology
IF:5.7Q1
DOI:10.3389/fimmu.2026.1835957
PMID:42358990
|
综述 | 对人类免疫缺陷病毒相关宫颈癌的研究进行多数据库文献计量分析 | 首次对1990-2025年间HIV相关宫颈癌的全球研究趋势和热点进行多数据库文献计量分析，重点关注HIV与高危型HPV协同致癌的分子和免疫机制 | 未提及具体局限性 | 绘制HIV相关宫颈癌的全球研究景观，识别主要贡献者和合作网络，并描绘知识基础和新兴研究优先级 | 1990年1月1日至2025年12月31日期间发表的关于HIV和宫颈癌的出版物（共6,137篇） | 医学信息学 | 宫颈癌 | 文献计量分析 | NA | 文献数据 | 6,137篇出版物 | R（bibliometrix）、Python、VOSviewer、CiteSpace | NA | NA | NA |
| 2067 | 2026-06-28 |
Editorial: Deep learning in brain-computer interfaces
2026, Frontiers in human neuroscience
IF:2.4Q2
DOI:10.3389/fnhum.2026.1888360
PMID:42359044
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2068 | 2026-06-28 |
Physics-Informed Artificial Intelligence Design of Picomolar Nanobodies Enables Deep Tumor Penetration and High-Contrast Imaging
2026, Research (Washington, D.C.)
DOI:10.34133/research.1325
PMID:42359048
|
研究论文 | 提出一种物理信息引导的人工智能框架，整合AlphaFold 3和分子动力学模拟，设计皮摩尔亲和力的抗CEA纳米抗体，实现深部肿瘤穿透和高对比度成像 | 通过结合几何深度学习与严格物理原理，采用可变介电MM/GBSA分解技术识别热力学次优界面残基，以静电优化、去溶剂化惩罚最小化和范德华堆积改进策略解决亲和力成熟瓶颈，实现306倍亲和力提升 | 未明确讨论方法对其他靶点或不同纳米抗体平台的普适性，体内实验仅局限于结直肠癌异种移植模型 | 克服纳米抗体在实体瘤治疗中快速肾清除与超强亲和力需求之间的生物物理权衡，实现深部肿瘤渗透和长效滞留 | 抗癌胚抗原纳米抗体及其双特异性融合蛋白 | 计算生物学， 机器学习和分子动力学 | 结直肠癌 | 分子动力学模拟， AlphaFold 3， 可变介电MM/GBSA分解 | AlphaFold 3， 几何深度学习模型 | 蛋白质结构数据， 分子动力学模拟轨迹 | 未明确说明样本数量，涉及焦点文库构建和体内结直肠癌异种移植模型 | NA | AlphaFold 3 | 结合阳性率， 亲和力， 热稳定性 | NA |
| 2069 | 2026-06-28 |
PolyMamba-Net: a lightweight and boundary-aware network for real-time polyp segmentation in colonoscopy
2026, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2026.1800666
PMID:42359059
|
研究论文 | 提出一种轻量级且边界感知的息肉分割网络PolyMamba-Net，用于结肠镜中的实时息肉分割 | 创新性地融合状态空间模型（Mamba）的长距离依赖建模与卷积神经网络的局部特征提取能力，并引入边界感知模块和复合损失函数以显式优化息肉边缘分割 | 未提及在真实临床环境中的部署验证及对多样病变类型的适用性 | 实现高精度且实时的结肠镜息肉分割，以减少漏诊率并辅助临床决策 | 结肠镜检查中的腺瘤性息肉图像数据 | 计算机视觉，数字病理学 | 结直肠癌 | 深度学习 | 混合架构（状态空间模型Mamba与卷积神经网络CNN结合） | 图像 | 两个公共基准数据集：Kvasir-SEG和CVC-ClinicDB，以及三个未见过的基准数据集用于跨数据集评估 | PyTorch | PolyMamba-Net（包含双分支编码器、边界感知模块BAM） | Dice系数，并与其他方法如Swin-UNet、PraNet、ADPNet、AAPCNet的性能比较，但未明确列出所有指标（如准确率、精确率等） | 单张NVIDIA RTX 3090 GPU |
| 2070 | 2026-06-28 |
Computer-aided detection of equivocal spinal tuberculosis on X-ray using a YOLOv11-based deep learning model
2026, Frontiers in public health
IF:3.0Q2
DOI:10.3389/fpubh.2026.1780946
PMID:42359154
|
研究论文 | 基于YOLOv11深度学习模型，对X线片上可疑脊柱结核区域进行计算机辅助检测 | 首次将YOLOv11目标检测框架应用于脊柱结核的X线片可疑区域定位，为资源有限地区提供了早期预警和转诊支持的可行性概念验证框架 | 未纳入正常病例和非结核性脊柱疾病对照组，缺乏外部验证和前瞻性评估 | 评估深度学习模型在X线片表现不明确的脊柱结核病例中进行可疑区域定位的能力 | 307例来自三家三级医院的X线片表现不明确但CT确诊的脊柱结核患者 | 计算机视觉 | 脊柱结核 | 计算机断层扫描(CT) | YOLOv11 | X线图像 | 307例患者 | PyTorch | YOLOv11 | mAP@0.5, mAP@0.5:0.95, precision, recall, F1-confidence曲线, precision-recall曲线, confidence-related曲线, 患者级检测率, 漏诊率, 最大交并比(mIoU) | NA |
| 2071 | 2026-06-28 |
Evaluating the diagnostic accuracy of neural network models in detecting oral potentially malignant disorders and oral cancer using mobile photographs: An umbrella review
2026, Dental research journal
DOI:10.4103/drj.drj_172_25
PMID:42359377
|
系统评价与Meta分析 | 本文通过伞状综述评估了神经网络模型在利用手机照片检测口腔潜在恶性疾病和口腔癌中的诊断准确性 | 首次通过伞状综述系统比较了不同人工智能模型在真实世界环境下检测口腔癌和口腔潜在恶性疾病的性能 | 研究间存在显著异质性（I²常大于85%），反映人群、图像采集协议和模型架构的差异 | 评估不同人工智能模型在检测口腔癌和口腔潜在恶性疾病中的比较性能 | 口腔癌和口腔潜在恶性疾病 | 计算机视觉 | 口腔癌 | 手机摄影 | 神经网络 | 图像 | 6项系统综述 | NA | EfficientNet, ResNet, MLSO+SVM | 敏感性, 特异性, 诊断优势比 | NA |
| 2072 | 2026-06-28 |
Detection of leaf miner in sweet potato crops through image analysis using machine learning-based models
2026, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2026.1774493
PMID:42359397
|
研究论文 | 利用基于机器学习的模型通过图像分析检测甘薯作物中的潜叶虫 | 首次构建了标注数据集"camote_minador"并对比评估YOLOv8s和YOLOv11s架构在潜叶虫检测中的性能，证明YOLOv11s的优越性及基于TensorFlow Lite的移动端部署可行性 | 未提及模型在不同环境条件下的泛化能力及实际部署中的计算资源限制 | 自动化检测甘薯作物中的潜叶虫，提高病虫害监测效率 | 甘薯叶片图像中的潜叶虫（Liriomyza huidobrensis） | 计算机视觉 | 农业病害 | 图像分析 | 深度学习模型 | 图像 | 751张来自秘鲁兰巴耶克田野采集的图像 | TensorFlow Lite | YOLOv8s, YOLOv11s | 精确率, 召回率, mAP@50 | 移动端设备（中端） |
| 2073 | 2026-06-28 |
Ensemble based in transfer learning for cytological classification in pleural fluid
2026, Frontiers in digital health
IF:3.2Q2
DOI:10.3389/fdgth.2026.1849898
PMID:42359446
|
研究论文 | 提出一种基于集成迁移学习的深度学习框架，用于胸水细胞学图像分类，区分恶性与良性病变 | 结合ResNet50V2、DenseNet121和InceptionV3三种架构的集成策略，并利用软投票与数据增强优化性能，在本地和外部数据集上均取得高准确率 | 未提及 | 开发自动化胸水细胞学分类系统，提高恶性胸腔积液诊断的准确性和可重复性 | 胸水细胞学图像 | 计算机视觉 | 肺癌 | 细胞学检查 | 集成深度学习模型 | 图像 | 本地数据集1292张图片，外部Kaggle数据集693张图片 | TensorFlow, Keras | ResNet50V2, DenseNet121, InceptionV3 | 准确率, 精确率, 召回率, F1分数 | 未提及 |
| 2074 | 2026-06-28 |
Analysis of artificial intelligence errors in practical medicine and rehabilitation
2026, Wiadomosci lekarskie (Warsaw, Poland : 1960)
DOI:10.36740/WLek/220842
PMID:42359872
|
综述论文 | 分析人工智能在医疗和康复实践中出现的错误类型及其影响，总结最小化错误和提升效能的方法 | 系统性地结构化了AI在医疗诊断、治疗和康复中的错误类型，并评估其对诊断准确性和治疗决策的影响 | 未提供统一解决方案，AI在诊断和预测过程中仍存在大量错误，伦理问题未解决，医疗数据收集和处理缺乏统一标准 | 探索医疗和康复中AI错误的结构化分类，评估其对诊断和治疗的影响，寻找减少错误和提高AI效能的方法 | PubMed、MEDLINE、Web of Science数据库中2021年1月至2025年12月发表的与AI医疗错误相关的出版物 | 机器学习 | NA | NA | 机器学习、深度学习、联邦学习 | 医学文献 | 57篇文章（初始），38篇因资格标准排除，2篇重复，最终17篇纳入 | NA | NA | NA | NA |
| 2075 | 2026-06-28 |
Hybrid deep learning for mental workload classification using EEG with enhanced preprocessing and interpretability
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0352882
PMID:42361081
|
研究论文 | 提出一种集成混合深度学习框架，用于基于脑电图的脑力负荷分类，结合增强的预处理和可解释性 | 整合变分自编码器、卷积块注意力模块和双向长短期记忆网络，并采用留一被试交叉验证和Grad-CAM可视化，提升噪声鲁棒性、特征提取和可解释性 | 未来可探索自适应窗口策略、多模态数据融合、跨数据集基准测试以及与其他架构的对比评估 | 实现鲁棒、可解释的基于脑电图的脑力负荷分类 | 脑电图数据中的脑力负荷水平分类 | 机器学习 | NA | 脑电图（EEG） | 混合深度学习模型（VAE、CBAM、BiLSTM） | 脑电图信号 | 多被试数据集，具体数量未提及 | NA | VAE、CBAM、BiLSTM | 准确率 | NA |
| 2076 | 2026-06-28 |
A multimodal ConvNeXt-Tiny deep learning model for simultaneous prediction of IDH mutation and Ki-67 expression in gliomas
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0351757
PMID:42361071
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2077 | 2026-06-26 |
Signature-aware deep learning reveals distinct driver gene programs and mutational processes in glioblastoma and colon adenocarcinoma
2026-08, Computational biology and chemistry
IF:2.6Q2
|
研究论文 | 提出一种名为ResMLP-GL的残差多层感知机模型，用于癌症驱动基因突变预测，并整合COSMIC SBS签名上下文概率与功能特征 | 首次将COSMIC SBS突变签名上下文概率向量显式整合进残差门控MLP网络，通过特征级门控模块实现突变过程感知的表示学习，并在多癌症类型中实现超越传统方法的预测性能 | 未提及的局限性：依赖TCGA和ICGC数据库的肿瘤外显子数据，可能对罕见突变或非编码区域突变不敏感；模型复杂度较高，可能限制在低资源环境中的部署 | 开发可解释的癌症驱动基因突变预测方法，明确突变过程与驱动基因选择之间的关联 | 胶质母细胞瘤和结肠腺癌的肿瘤外显子突变数据 | 机器学习 | 胶质母细胞瘤, 结肠腺癌 | 全外显子测序 | 残差多层感知机 | 基因突变数据 | TCGA GBM/COAD外显子数据（未明确具体样本数），ICGC独立验证队列 | Optuna, ADASYN, SHAP | ResMLP-GL（含两个投影残差块和特征门控模块） | AUC | NA |
| 2078 | 2026-06-26 |
Enhanced pneumonia prognosis via a hybrid deep learning ensemble: Dense Net, Efficient Net, and VGG16 integration
2026-08, Computational biology and chemistry
IF:2.6Q2
|
研究论文 | 提出一种集成DenseNet、EfficientNet和VGG16的混合深度学习框架，用于肺炎预后增强 | 结合多种深度学习架构与混合特征提取方法（Deep CNN和InceptionV3），并采用贝叶斯优化和粒子群优化的混合超参数调优策略 | 未提及外部数据集验证、临床落地可实现性或计算开销等限制 | 提高肺炎诊断的准确性和可靠性，提供稳健的临床辅助方案 | 肺炎患者胸部影像数据 | 计算机视觉 | 肺炎 | NA | 深度学习集成模型 | 图像 | NA | NA | DenseNet, EfficientNet, VGG16, Deep CNN, InceptionV3 | 准确率、敏感度、特异度 | NA |
| 2079 | 2026-06-26 |
scDCL: A multi-view single-cell RNA sequencing clustering method based on dual contrastive learning
2026-08, Computational biology and chemistry
IF:2.6Q2
|
研究论文 | 提出scDCL框架，结合ZINB掩码自编码器、图神经网络和双对比学习，实现单细胞RNA测序数据的聚类分析 | 首次将ZINB掩码自编码器、图神经网络与双对比学习协同集成，同时捕捉细胞内特征和全局结构特征，通过双重对比损失优化聚类紧凑性和结构一致性 | 未明确说明局限性，但可能包括对大规模数据集的计算复杂度或超参数调优需求 | 解决单细胞RNA测序数据高稀疏性、强非线性和高维度带来的聚类挑战，提高聚类性能 | 单细胞RNA测序数据中的细胞群体和细胞状态 | 机器学习 | NA | 单细胞RNA测序（scRNA-seq） | 图神经网络、对比学习 | 单细胞RNA测序表达数据 | 多个公开数据集（具体数量未指定） | PyTorch | ZINB掩码自编码器、图神经网络 | 聚类性能指标（如ARI、NMI等，具体未指定） | NA |
| 2080 | 2026-06-26 |
Gene Ontology graph embeddings with Dynamic Thresholding based Deep Neural Networks for Multi-label protein subcellular localization prediction
2026-08, Computational biology and chemistry
IF:2.6Q2
|
研究论文 | 提出结合基因本体图嵌入与动态阈值深度神经网络的多标签蛋白质亚细胞定位预测方法 | 首次将基因本体图节点嵌入与动态阈值深度神经网络结合，动态阈值替代固定阈值实现多标签预测，显著提升多定位预测性能 | 未提及计算资源需求或模型泛化性，且仅基于两个特定基准数据集验证 | 利用机器学习与深度学习提升蛋白质亚细胞定位预测的准确性与效率 | 蛋白质亚细胞定位及其多标签分类 | 机器学习 | NA | 基因本体图嵌入 | 深度神经网络 | 基因本体图数据、蛋白质序列数据 | DeepLoc 2.0数据集和Plant-mSubP数据集（具体样本数未提及） | NA | 图嵌入模型、深度神经网络 | 整体实际准确率、松弛准确率 | NA |