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 44481 篇文献，本页显示第 2101 - 2120 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2101 | 2026-04-24 |
Image Quality and Diagnostic Performance of Accelerated T2-weighted Imaging of Prostate with Deep Learning Reconstruction: A Comparative Study
2026-Apr-22, Magnetic resonance in medical sciences : MRMS : an official journal of Japan Society of Magnetic Resonance in Medicine
IF:2.5Q2
DOI:10.2463/mrms.mp.2025-0210
PMID:42021109
|
研究论文 | 比较了基于深度学习重建的加速T2加权成像与传统T2加权成像在前列腺MRI中的图像质量和诊断性能 | 首次系统评估基于深度学习重建的加速T2加权涡轮自旋回波成像在保持图像质量和诊断性能的同时将采集时间缩短约60% | 单中心回顾性研究，样本量较小（60名患者） | 评估加速T2加权成像结合深度学习重建的图像质量和PI-RADS v2.1 T2评分诊断性能 | 前列腺MRI患者及三种T2加权图像序列 | 计算机视觉 | 前列腺癌 | MRI | 深度学习重建模型 | 图像 | 60名患者的三种T2加权图像集 | NA | NA | 定性Likert评分、表观信噪比、表观对比噪声比、对比度比率、ROC曲线下面积、敏感性、特异性、准确性、加权kappa统计量 | NA |
| 2102 | 2026-04-24 |
Protein and ligand novelty in drug-target interaction prediction: a dual-encoder fusion strategy for more interpretable and generalizable modeling
2026-Apr-22, BMC bioinformatics
IF:2.9Q1
DOI:10.1186/s12859-026-06457-5
PMID:42021142
|
research paper | 提出了一种双编码器融合框架，用于药物-靶点相互作用预测，该框架结合预训练ESM蛋白质嵌入和两种互补配体表示，并通过决策级融合提升可解释性和泛化能力 | 提出决策级双编码器融合策略，结合蛋白质ESM嵌入与ChemBERTa分子语言编码器及图结构编码器；引入新颖性感知评估协议，系统分离配体新颖性、蛋白质新颖性及其联合场景 | 外部验证集Davis和KIBA上AUC仅0.60-0.64，表明生化域转移下性能仍有下降；蛋白质新颖性成为主要泛化瓶颈，双冷条件下降幅最大 | 实现鲁棒且可解释的药物-靶点相互作用预测，解决实际虚拟筛选和药物重定位中的新颖性泛化问题 | 药物-靶点相互作用预测任务中的蛋白质和配体分子 | machine learning | NA | ESM蛋白嵌入、ChemBERTa分子语言模型、图结构编码 | 双编码器融合模型（决策级融合） | 文本（分子序列、蛋白质序列）、图结构（分子图） | BindingDB大规模数据集；外部验证使用Davis和KIBA数据集 | PyTorch | ESM、ChemBERTa、图神经网络 | F1分数、AUC、召回率 | NA |
| 2103 | 2026-04-24 |
Deep learning prediction of contrast extravasation versus intracranial hemorrhage after thrombectomy in patients with acute stroke
2026-Apr-22, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-026-02298-z
PMID:42021187
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2104 | 2026-04-24 |
Dysfunction of the neurovascular unit as a temporal driver in Alzheimer's pathogenesis
2026-Apr-22, Translational neurodegeneration
IF:10.8Q1
DOI:10.1186/s40035-026-00548-2
PMID:42021347
|
综述 | 系统综述了阿尔茨海默病进程中神经血管单元功能障碍的作用及空间转录组学与类器官技术的应用 | 首次将神经血管单元功能障碍作为阿尔茨海默病发病的时间驱动因素，并整合了三维类器官、空间转录组学和人工智能技术的研究进展 | NA | 探讨神经血管单元功能障碍在阿尔茨海默病发病中的时间驱动作用及相关技术应用 | 神经血管单元功能障碍及阿尔茨海默病的病理机制 | 机器学习 | 阿尔茨海默病 | 空间转录组学、类器官技术 | NA | NA | NA | NA | NA | NA | NA |
| 2105 | 2026-04-24 |
A Simulation-Free Radiation Therapy Workflow Using Synthetic Computed Tomography Generated from Diagnostic Magnetic Resonance Imaging for Personalized Hippocampal-Sparing Whole-Brain Treatment
2026-Apr-22, Practical radiation oncology
IF:3.4Q1
DOI:10.1016/j.prro.2025.12.016
PMID:42024055
|
研究论文 | 开发一种基于诊断性磁共振成像生成合成CT的无模拟放疗工作流，用于个性化海马保护全脑治疗 | 提出了一种无模拟、仅基于磁共振成像的工作流，通过深度学习生成合成CT图像，并结合混合拼接方法解决诊断性磁共振视野有限的问题，从而加速治疗启动并维持剂量质量 | 未提及 | 开发一种无模拟、仅基于磁共振成像的放疗工作流，以加速海马保护全脑放疗的治疗启动并维持剂量质量 | 5例回顾性模拟病例和5例前瞻性患者 | 机器学习和数字病理学 | 全脑放疗相关疾病 | 磁共振成像 | 深度学习 | 图像 | 10例（5例回顾性模拟病例、5例前瞻性患者） | NA | 深度学习 | 协议依从性、二次质量保证≥95%（3%/2毫米）、无错误数据传输 | NA |
| 2106 | 2026-04-24 |
Automated identification of Retinogeniculate Visual Pathway based on Multiscale Point Cloud Fusion Model Network (MSPF-Net)
2026-Apr-21, NeuroImage
IF:4.7Q1
DOI:10.1016/j.neuroimage.2026.121924
PMID:42019196
|
研究论文 | 提出一种基于多尺度点云融合网络（MSPF-Net）的自动识别视网膜丘脑视觉通路的方法 | 提出多尺度点云融合网络（MSPF-Net），集成特征拼接模块、局部特征提取模块和全局特征提取模块，以解决传统方法忽略的受试者间RGVP轨迹变异问题 | 未明确提及限制，但可能依赖于扩散磁共振成像数据的质量与样本量 | 实现视网膜丘脑视觉通路的自动、准确和完整识别 | 视觉信号传递的主要神经通路——视网膜丘脑视觉通路（RGVP） | 机器学习 | NA | 扩散磁共振成像（dMRI）纤维束成像 | 多尺度点云融合网络（MSPF-Net） | 扩散磁共振成像纤维束数据（点云） | HCP和CHCP两个数据集 | NA | MSPF-Net（含特征拼接模块、局部特征提取模块、全局特征提取模块） | 识别准确率 | NA |
| 2107 | 2026-04-24 |
Accelerating Leigh syndrome drug discovery through deep learning screening in brain organoids
2026-Apr-20, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-71391-2
PMID:42009687
|
研究论文 | 通过深度学习筛选脑类器官，加速Leigh综合征药物发现 | 首次将深度学习算法与脑类器官结合用于Leigh综合征的细胞类型特异性药物重筛选，并独立验证于酵母模型，发现了唑类化合物的治疗潜力 | NA | 利用深度学习筛查脑类器官，寻找Leigh综合征的潜在治疗药物 | Leigh综合征患者衍生的脑类器官及酵母模型 | 机器学习 | 线粒体疾病 | 类器官培养、深度学习筛选 | 深度学习模型 | 图像 | 未明确 | NA | NA | NA | NA |
| 2108 | 2026-04-24 |
Retraction Note: Hybrid deep learning framework for cardiovascular disease diagnosis and prognosis using GAN, LSTM, GRU, VARMA, and deep DynaQ network
2026-Apr-20, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-49102-0
PMID:42009846
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2109 | 2026-04-24 |
Interpretable predictions from whole-body FDG-PET/CT using parameters associated with clinical outcome
2026-Apr-20, Communications medicine
IF:5.4Q1
DOI:10.1038/s43856-026-01567-w
PMID:42010056
|
研究论文 | 利用全身FDG-PET/CT的组织投影进行可解释的临床结果预测 | 提出基于组织投影的深度学习框架，首次将全身PET/CT影像分解为骨、瘦组织、脂肪组织和空气等特定组织的投影，并用于预测与临床结果相关的参数 | 仅作为概念验证研究，未直接预测临床结局，且样本量相对较小（1014例） | 评估基于深度学习的组织投影方法在预测与临床结局相关参数中的可行性 | FDG-PET/CT影像及其对应的临床参数（TMTV、病灶计数、年龄、性别、诊断状态） | 计算机视觉 | 癌症 | FDG-PET/CT | 深度回归和分类框架 | 医学影像 | 1014次FDG-PET/CT检查 | NA | NA | MAE, R², AUC | NA |
| 2110 | 2026-04-24 |
Predicting biomolecular interactions via a dual-stream graph neural network with motif constraint and diffusion-based regularization
2026-Apr-20, Computational biology and chemistry
IF:2.6Q2
|
研究论文 | 提出一种双流图神经网络框架DSG-BIP，结合可学习模体约束和扩散正则化，用于预测RNA-蛋白质和蛋白质-蛋白质相互作用 | 引入可学习模体约束，动态优化序列保守性和网络上下文信息，增强生物可解释性并缓解数据稀疏性；改进扩散正则化项稳定表示学习，处理稀疏和噪声数据 | 未明确讨论在更复杂生物网络或大规模数据集上的可扩展性，也未与其他前沿方法进行跨领域泛化性比较 | 提高生物分子相互作用预测的准确性、可解释性和泛化能力，解决数据稀疏和噪声敏感问题 | RNA-蛋白质相互作用和蛋白质-蛋白质相互作用 | 机器学习 | NA | NA | 图神经网络 | 图数据 | 多个基准数据集的RPI和PPI数据 | PyTorch | 双流图神经网络 | 预测性能（与现有方法相当，但未明确具体指标） | NA |
| 2111 | 2026-04-24 |
Feature Mapping of Native Oxygenation-Sensitive CMR Images for Classifying Cardiomyopathies
2026-Apr-20, Journal of cardiovascular magnetic resonance : official journal of the Society for Cardiovascular Magnetic Resonance
IF:4.2Q1
DOI:10.1016/j.jocmr.2026.102734
PMID:42019569
|
研究论文 | 本研究利用氧敏感心血管磁共振成像结合深度学习，对心肌病理进行分类，并验证了AI生成的特征图与专家定义病灶的空间一致性 | 首次将氧敏感心血管磁共振成像与深度学习结合，用于心肌病无创分类，并通过层激活图可视化提供可解释性，识别出潜在的表型特异性信息 | 未明确提及局限性 | 探索氧敏感心血管磁共振成像与深度学习集成，用于心肌病理分类，并评估其诊断性能 | 心肌病例，包括缺血性、非缺血性、炎症/水肿和健康心肌四种类型 | 计算机视觉, 数字病理学 | 心血管疾病 | 氧敏感心血管磁共振成像 | 卷积神经网络（含残差学习） | 图像 | 共190例：缺血性42例，非缺血性33例，炎症/水肿47例，健康心肌68例 | NA | 含蒙特卡洛丢弃层和残差学习的卷积神经网络 | AUC值, Dice系数 | NA |
| 2112 | 2026-04-24 |
Diagnosis of Leukemia from Bone Marrow Flow Cytometry Data using Deep Learning and Explainable AI
2026-Apr-20, The American journal of pathology
DOI:10.1016/j.ajpath.2026.03.011
PMID:42019815
|
研究论文 | 利用深度学习和可解释人工智能从骨髓流式细胞术数据诊断白血病 | 提出结合注意力增强的VGG19卷积网络模型，并通过可解释人工智能技术提升模型透明度 | 仅针对高肿瘤负荷的新诊断骨髓样本，可能无法推广至低疾病状态或微小残留病场景 | 开发自动化诊断系统，加速白血病诊断并减少人为错误 | 骨髓流式细胞术样本 | 计算机视觉 | 白血病 | 流式细胞术 | 递归网络、图网络、注意力增强卷积网络 | 图像 | 超过2000份样本（包括白血病患者和健康个体） | NA | 注意力增强VGG19 | 准确率 | NA |
| 2113 | 2026-04-24 |
Deep Learning-Assisted identification and quantification of cell-associated microplastics using darkfield hyperspectral imaging
2026-Apr-19, Talanta
IF:5.6Q1
DOI:10.1016/j.talanta.2026.129864
PMID:42019285
|
研究论文 | 结合暗场高光谱成像与深度学习自动检测和量化细胞关联的微塑料 | 开发了结合暗场高光谱成像与深度学习管道的自动化策略，实现了单细胞水平上细胞关联微塑料的检测与量化 | 该方法可能需针对其他颗粒类型和细胞系进行重新训练和验证 | 开发一种自动化的策略，用于检测和量化细胞关联的聚苯乙烯微塑料 | Caco-2细胞与聚苯乙烯微塑料的相互作用 | 计算机视觉、数字病理学 | 微塑料毒性相关疾病 | 暗场高光谱成像 | Mask R-CNN, 最小二乘支持向量机, 圆形霍夫变换 | 图像 | Caco-2细胞样本，具体数量未说明 | NA | Mask R-CNN, 最小二乘支持向量机, 圆形霍夫变换 | 精确度、准确率 | NA |
| 2114 | 2026-04-24 |
Deep learning-based identification of visually similar foliar diseases in field-grown barley
2026-Apr-18, Plant methods
IF:4.7Q1
DOI:10.1186/s13007-026-01532-7
PMID:42001137
|
研究论文 | 评估多类分割模型同时检测和区分田间大麦两种视觉相似叶部病害的能力 | 首次证明多类分割模型在田间自然共感染条件下，能同时分割视觉相似的叶部病害并优于特异性二元模型 | 仅针对两种真菌病害，未验证在更多病害或更广泛作物品种上的可扩展性 | 开发可扩展的大田大麦叶部病害自动分割方法，支持育种程序中的抗性评估 | 田间生长的感染褐锈病和柱隔孢叶斑病的大麦叶片 | 计算机视觉 | 大麦褐锈病，大麦柱隔孢叶斑病 | 深度学习 | U-Net | 图像 | 336张高分辨率田间扫描叶片 | NA | U-Net | Dice系数 | NA |
| 2115 | 2026-04-24 |
TransUNet for automated segmentation of intracranial aneurysms in digital subtraction angiography: A dual-center validation study
2026-Apr-18, European journal of radiology
IF:3.2Q1
DOI:10.1016/j.ejrad.2026.112882
PMID:42019376
|
研究论文 | 本研究系统评估五种深度学习模型在数字减影血管造影中自动分割颅内动脉瘤的一致性，并验证其用于临床形态学和定量血流动力学生物标志物的可靠性 | 首次在双中心大样本中验证TransUNet在动脉瘤分割中结合局部精确性和全局上下文的优势，并全面评估其用于形态学和血流动力学参数（如脑血流量、脑血容量）的一致性 | 未明确提及限制 | 评估深度学习模型在自动分割颅内动脉瘤并导出临床相关生物标志物中的表现与可靠性 | DSA图像中的颅内动脉瘤分割及形态学和血流动力学参数提取 | 计算机视觉 | 颅内动脉瘤 | 数字减影血管造影 | 深度学习模型（UNet, VNet, DeepLabV3, SwinUNet, TransUNet） | 图像（DSA图像） | 2777张图像，1539名患者（内部队列1212图像，外部队列327图像） | NA | UNet, VNet, DeepLabV3, SwinUNet, TransUNet | Dice系数, 组内相关系数 | NA |
| 2116 | 2026-04-24 |
A protocol for single-sequence protein-RNA complex structure prediction using ProRNA3D-single
2026-Apr-17, STAR protocols
IF:1.3Q4
DOI:10.1016/j.xpro.2026.104502
PMID:42001425
|
研究论文 | 提出一种使用深度学习方法ProRNA3D-single从序列预测蛋白质-RNA复合物三维结构的协议 | 利用预训练语言模型预测蛋白质-RNA相互作用图谱，并通过优化技术从预测的相互作用生成复合物结构 | NA | 开发从序列预测蛋白质-RNA复合物三维结构的协议 | 蛋白质与RNA的相互作用及复合物结构 | 机器学习 | NA | NA | 深度学习模型 | 序列 | NA | NA | NA | NA | NA |
| 2117 | 2026-04-24 |
Automatic selection of optical coherence tomography images for prognostic prediction models in age-related macular degeneration
2026-Apr-17, Computer methods and programs in biomedicine
IF:4.9Q1
DOI:10.1016/j.cmpb.2026.109384
PMID:42019353
|
研究论文 | 提出一个自动化深度学习框架，从电子病历中的大量OCT报告中选择合适图像，用于年龄相关性黄斑变性预后预测模型 | 首次利用基于Vision Transformer的自动化框架替代人工图像选择，并融合红外与OCT图像特征，提升下游预后预测准确性 | 未明确提及局限性，但可能涉及数据来源单一、模型泛化性需验证 | 开发一种自动化深度学习框架，减少对眼科医生手动图像选择的依赖，优化AMD长期治疗结果的早期预测 | 年龄相关性黄斑变性患者的OCT图像和红外眼底图像 | 计算机视觉 | 年龄相关性黄斑变性 | OCT成像 | Vision Transformer (ViT) | 图像 | 未明确说明样本量 | NA | Vision Transformer | 准确率、置信度 | NA |
| 2118 | 2026-04-24 |
Uncertainty-aware AI for tumor subtyping with histology and immunohistochemistry: A multi-center study in Renal Cell Carcinoma
2026-Apr-17, Computer methods and programs in biomedicine
IF:4.9Q1
DOI:10.1016/j.cmpb.2026.109373
PMID:42019354
|
研究论文 | 提出一种不确定性感知的AI框架，整合组织学与免疫组织化学数据，用于肾细胞癌亚型分类，并通过多中心研究验证其性能 | 创新性地将不确定性估计引入肾细胞癌亚型分类，利用高置信度直接接受组织学预测、低置信度自动触发免疫组化分析的两级策略，并结合CycleGAN染色转移模块消除实验室间染色变异 | 未明确说明局限性，但免疫组化模块仅在低置信度情况下激活，可能遗漏部分不确定性评估中的细微误差 | 开发一个不确定性感知的AI框架，整合组织学与免疫组化数据，提高肾细胞癌亚型分类的准确性和实验室操作流程效率 | 肾细胞癌亚型分类，涉及多中心数据集中的组织学和免疫组化病理图像 | 数字病理学 | 肾细胞癌 | HE组织学染色, 免疫组化 | 深度学习模型, 机器学习算法 | 图像 | 多中心数据集，涵盖不同染色协议，具体样本量未提供 | PyTorch | CycleGAN, 深度学习分类网络（具体架构未明确） | 准确率, 患者级别准确率 | NA |
| 2119 | 2026-04-24 |
ASCENT: an active transfer learning paradigm for efficient drug-target interaction prediction
2026-Apr-17, Science China. Life sciences
DOI:10.1007/s11427-025-3234-6
PMID:42024183
|
研究论文 | 提出一种名为ASCENT的主动迁移学习框架，用于高效预测药物-靶标相互作用 | 结合自适应主动学习策略和基于熵的对抗性方法，动态选择和标注最具代表性和不确定性的样本，同时对齐源域与目标域的特征空间，以20%的标注成本实现高预测性能 | 未明确讨论在极低数据量或极端化学空间稀疏情况下的表现，可能仍需进一步验证其跨域泛化能力 | 开发一种能有效探索化学多样性、降低标注成本并提升药物-靶标相互作用预测准确性的方法 | 药物-靶标相互作用预测任务中的跨领域样本 | 机器学习 | 不适用 | 不适用 | 不适用 | 不适用 | 不适用 | 不适用 | 不适用 | 不适用 | 不适用 |
| 2120 | 2026-04-24 |
Cognitive prototype learning: Towards self-supervised and semantic-aware few-shot open-set sound recognition
2026-Apr-16, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2026.109008
PMID:42019217
|
研究论文 | 提出一种结合自监督学习和语义知识引导的认知原型学习框架，用于少样本开放集声音识别 | 首次将认知原型学习与自监督和语义先验知识相结合，解决少样本开放集识别中的数据稀缺和类别开放性问题 | 仅在ESC-50数据集上验证，未在更大规模或更多样化的声音数据集上测试其泛化能力 | 构建能够模拟人类认知能力（模式发现和语义推理）的计算模型，提升少样本开放集声音识别性能 | 环境声音类别，如ESC-50数据集中的50类环境声音 | 机器学习 | NA | NA | 原型网络（Prototype Network） | 音频 | ESC-50数据集中的50类环境声音，每类40个样本，共2000个音频样本 | PyTorch | 对比学习网络、预训练语言模型、语义原型生成模块 | 准确率、AUROC | NA |