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 46687 篇文献，本页显示第 221 - 240 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 221 | 2026-06-30 |
MEG-mod: A Multiview Enhanced Graph Neural Network for Knockdown Efficiency Prediction of Chemically Modified siRNA
2026-Jun-11, Journal of medicinal chemistry
IF:6.8Q1
DOI:10.1021/acs.jmedchem.6c00411
PMID:42228641
|
研究论文 | 提出MEG-mod，一种用于预测化学修饰siRNA敲低效率的多视图增强图神经网络框架 | 集成了文献读取代理、人工整理和公共数据库资源构建扩展数据集，联合建模序列上下文、理化性质、化学修饰特征和双链结构关系，采用结构感知的Transformer基图神经网络捕获碱基配对和邻接依赖关系，以及修饰碱基融合模块建模上下文依赖的修饰效应 | 未提及 | 预测化学修饰siRNA的敲低效率，提供合理的siRNA设计工具 | 化学修饰的siRNA | 机器学习 | NA | 深度学习 | 图神经网络 | 序列数据、理化性质、化学修饰特征 | NA | PyTorch | Transformer | 皮尔逊相关系数 | NA |
| 222 | 2026-06-30 |
The nascent transcriptome delineates the regulatory landscape in human health and disease
2026-Jun-09, bioRxiv : the preprint server for biology
DOI:10.1101/2025.09.24.676871
PMID:41040139
|
研究论文 | 利用PRO-cap技术构建高分辨率RNA聚合酶II结合的调控元件图谱，揭示人类健康和疾病中的转录调控景观 | 首次以碱基对分辨率系统描绘人类主要器官系统及发育与疾病状态下的活性调控元件图谱，并整合深度学习模型ProCapNet优先排序非编码变异 | 未明确提及局限性 | 解析转录起始位点的调控结构，揭示组织特异性、进化保守性、转录因子使用及调控连接性，以及疾病中谱系特异性调控程序的变化 | 人类主要器官系统、多种发育与疾病状态（包括转移性癌症）的调控元件 | 自然语言处理 | 转移性癌症 | PRO-cap | 深度学习模型 | 新生RNA测序数据 | 涵盖所有主要人类器官系统及多种发育与疾病状态的广泛样本 | PyTorch | ProCapNet | NA | NA |
| 223 | 2026-06-30 |
Facial iPPG heatmap patterns based on period-aware autoencoder show association with carotid atherosclerosis towards non-contact hemodynamic assessment
2026-Jun-09, Computer methods and programs in biomedicine
IF:4.9Q1
DOI:10.1016/j.cmpb.2026.109508
PMID:42365708
|
研究论文 | 提出基于周期感知自编码器的面部iPPG热图模式分析方法，用于颈动脉粥样硬化的非接触式血液动力学评估 | 首次将周期感知自编码器与双向跨模态注意力机制结合，通过全脸参考信号融合和周期峰值约束实现高保真iPPG信号重建，并建立面部血液动力学热图与颈动脉粥样硬化的关联 | 样本量较小（95人），且颈动脉粥样硬化与热图模式的关联在调整协变量后未达到统计学显著性（校正OR的95%CI跨过1） | 探索非接触式面部成像光电容积描记术在颈动脉粥样硬化风险评估中的应用价值 | 95名中老年参与者的面部iPPG信号和颈动脉/下肢超声数据 | 计算机视觉 | 颈动脉粥样硬化 | iPPG | 周期感知自编码器 | 图像, 时序信号 | 95名中老年参与者 | PyTorch | 周期感知自编码器 | Pearson卡方检验, 比值比 | NA |
| 224 | 2026-06-30 |
A Real-Time Automated Deep Learning Workflow for Non-invasive High-Magnification Imaging of C. elegans
2026-Jun-04, bioRxiv : the preprint server for biology
DOI:10.64898/2026.06.01.729022
PMID:42282531
|
研究论文 | 提出一种实时自动化深度学习工作流，用于非侵入式高倍率成像秀丽隐杆线虫 | 集成深度学习头部检测、图像自动对焦和快速电机级反馈，实现自由移动线虫的高倍率稳定成像，无需额外定制硬件 | 未明确说明局限性，但可能受限于微流体平台及商业显微镜的适用范围 | 实现自由移动线虫的非侵入式高倍率成像，支持寿命和神经生物学纵向表型分析 | 秀丽隐杆线虫（C. elegans） | 数字病理学 | 老年疾病 | NGS | 深度学习 | 图像 | 数百只单独饲养的线虫 | PyTorch | NA | NA | NA |
| 225 | 2026-06-30 |
ORIGAMI: Orientation-Aware Graph Neural Network for Assessing Multimeric Interfaces of Protein Complex Structures
2026-Jun-03, bioRxiv : the preprint server for biology
DOI:10.64898/2026.05.31.729128
PMID:42282808
|
研究论文 | 提出一种面向蛋白质复合物多聚体界面质量评估的取向感知图神经网络 | 首次在图神经网络中融入三维矢量节点表示以保持SO(3)等变性，通过残基间精细取向关系估计界面局部距离差测试（iLDDT）分数 | 未明确说明（标题和摘要中未提及限制条件） | 提高计算预测的多聚体蛋白质结构界面质量评估的准确性和鲁棒性 | 蛋白质复合物多聚体界面结构 | 机器学习 | NA | NA | 图神经网络 | 蛋白质结构数据 | 多个CASP挑战赛轮次中的测试靶标 | PyTorch | ORIGAMI | iLDDT分数、DockQ分数 | NA |
| 226 | 2026-06-30 |
ALyzer3D.AI: a more generalizable deep learning predictor of light chain amyloidogenicity powered by structural and evolutionary Artificial Intelligence
2026-Jun, Amyloid : the international journal of experimental and clinical investigation : the official journal of the International Society of Amyloidosis
IF:5.2Q1
DOI:10.1080/13506129.2025.2605534
PMID:41449923
|
研究论文 | 开发了一种基于结构和进化人工智能的多模态深度学习模型，用于预测免疫球蛋白轻链的淀粉样变性能力 | 整合了ESM-2蛋白质语言模型、ColabFold结构指标和工程化生物物理特征，通过多模态融合显著提高了模型在新数据上的泛化能力 | 未提及具体限制，但可能涉及数据集的多样性和外部验证范围的局限性 | 开发一个泛化性更好的深度学习工具，预测免疫球蛋白轻链在AL淀粉样变性中的淀粉样变性风险 | 免疫球蛋白轻链的淀粉样变性预测 | 机器学习 | AL淀粉样变性 | ESM-2蛋白质语言模型、ColabFold结构预测 | 多模态深度学习架构 | 序列数据、结构度量、生物物理特征 | 5261条免疫球蛋白轻链序列 | PyTorch | ESM-2、ColabFold、SHAP解释模型 | 准确率、AUC | NA |
| 227 | 2026-06-30 |
Deep learning for carotid Doppler spectra classification
2026-Jun, Medical & biological engineering & computing
IF:2.6Q3
DOI:10.1007/s11517-026-03569-1
PMID:41979720
|
研究论文 | 利用深度学习对颈动脉多普勒频谱进行分类，以自动识别颈动脉段 | 首次解决仅基于频谱多普勒波形自动识别颈动脉段的问题，无需解剖背景信息 | 未明确提及局限性 | 实现基于多普勒频谱的颈总动脉、颈内动脉和颈外动脉信号的准确识别，为后续疾病分类奠定基础 | 颈动脉多普勒频谱信号 | 计算机视觉 | 心血管疾病 | 颈动脉多普勒超声 | 卷积神经网络（CNN） | 图像（频谱图像） | 398名参与者（198名健康对照，200名心血管疾病患者） | NA | GoogLeNet | 曲线下面积（AUC）、F1分数 | NA |
| 228 | 2026-06-30 |
Fetal health classification: a deep learning model with enhanced interpretability and lightweight deployment
2026-Jun, Medical & biological engineering & computing
IF:2.6Q3
DOI:10.1007/s11517-026-03525-z
PMID:41940912
|
研究论文 | 提出一种基于前馈神经网络（FNN）并经过超参数优化的深度学习方法，用于胎儿健康分类 | 通过贝叶斯搜索进行超参数优化，获得具有特定神经元数量、L2正则化系数、丢弃率和学习率的最优FNN模型，并与多种传统机器学习分类器进行比较 | 未在真实临床环境中的大规模数据上验证，也未讨论模型的可解释性细节 | 开发一种可解释性强、轻量级部署的深度学习模型，用于胎儿健康分类，以早期检测妊娠并发症 | 基于胎心宫缩图（CTG）记录的胎儿健康状态 | 机器学习 | 妊娠并发症 | NA | 前馈神经网络（FNN） | 表格数据（CTG记录） | NA | NA | FNN | 准确率, 精确率, 召回率, F1分数, AUC-ROC | NA |
| 229 | 2026-06-30 |
Innovative Hybrid CNN-Transformer Deep Learning Models For The Automated Diagnosis Of Monkeypox From Medical Images
2026-May-29, Journal of visualized experiments : JoVE
DOI:10.3791/70533
PMID:42296060
|
研究论文 | 提出一种混合卷积神经网络-Transformer深度学习模型，用于从医学图像中自动诊断猴痘 | 将卷积神经网络和基于Transformer的特征编码器集成到一个混合深度学习模型中，在统一实验流程中自动分类猴痘图像，并与多种基线模型进行系统比较 | InceptionV3出现过拟合现象，ResNetV2未提供足够的验证数据以支持稳健的泛化测试；混合模型并不必然优于所有基线模型 | 验证混合深度学习模型能否自动分类猴痘医学图像 | 猴痘与非猴痘皮肤病变图像 | 计算机视觉 | 猴痘 | 医学图像分析 | 混合卷积神经网络-Transformer模型 | 图像 | 2280张图像（1020张猴痘病变图像和1260张非猴痘病变图像） | NA | 自定义Sequential CNN, InceptionV3, ResNetV2, ResNet50, DenseNet121, 混合CNN-Transformer架构 | 准确率, 损失, 精确率, 召回率, F1分数, AUC | NA |
| 230 | 2026-06-30 |
Deep Learning Prediction of Personalized Peripapillary Retinal Nerve Fiber Layer Thickness Norms from Fundus Images in Glaucoma
2026-May-27, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.05.26.26354081
PMID:42245038
|
研究论文 | 基于眼底图像，利用深度学习预测青光眼患者个体化的视乳头周围视网膜神经纤维层厚度标准值 | 首次利用深度学习从OCT en face眼底图像预测个体化的RNFLT标准值，并结合原始和偏差图提升结构与功能评估 | NA | 预测青光眼患者的个性化RNFLT标准值以改善结构-功能评估 | 青光眼患者的OCT扫描和视野数据 | 机器学习, 数字病理学 | 青光眼 | OCT, 视野检查 | CNN（U-Net, VGG-16） | 图像（眼底图像、RNFLT图、偏差图） | 18,000份OCT扫描和视野记录（10,000份用于训练，8,000份用于评估） | PyTorch | U-Net, VGG-16 | 相关系数（R）、平均绝对误差（MAE）、R² | NA |
| 231 | 2026-06-30 |
Prioritizing peptides for targeted mass spectrometry experiments using deep learning
2026-May-26, bioRxiv : the preprint server for biology
DOI:10.64898/2026.05.21.727053
PMID:42244555
|
研究论文 | 介绍了一种基于Transformer的深度学习模型Bromo，通过分析肽段序列和电荷状态，为靶向质谱实验优先选择响应最佳的肽段前体 | 首次将Transformer架构应用于肽段优先级排序，直接预测相对响应而非间接使用可检测性，考虑电荷状态的影响，且能在实验特定数据上微调以适应不同条件 | 未明确说明局限性，但可能包括对高质量训练数据的依赖、模型解释性不足以及跨物种或极端条件的泛化能力待验证 | 开发一种基于序列的深度学习方法来预测肽段在质谱中的响应强度，以优化靶向质谱实验的肽段选择 | 肽段前体及其在数据非依赖性采集质谱数据中的响应 | 机器学习 | NA | 靶向质谱法（SRM/PRM）、数据非依赖性采集成像质谱 | Transformer | 肽段序列和质谱响应强度数据 | 数百万个标注的肽段对，来自大规模公开DIA质谱数据 | PyTorch | Transformer | 相对响应预测准确率、与现有方法的比较性能 | NA |
| 232 | 2026-06-30 |
Endoscopy-Based Deep Learning Algorithms vs Endoscopists in Early Esophageal Squamous Cell Carcinoma Detection: A Systematic Review and Meta-Analysis
2026-May-26, The American journal of gastroenterology
DOI:10.14309/ajg.0000000000004067
PMID:42189588
|
系统评价与荟萃分析 | 系统评价内镜深度学习算法与不同经验内镜医师在早期食管鳞状细胞癌检测中的诊断性能 | 首次进行系统评价和荟萃分析比较内镜深度学习算法与不同经验内镜医师在早期食管鳞状细胞癌检测中的诊断性能 | 当前证据未显示深度学习超越高年内镜医师，需在不同人群中开展前瞻性多中心研究 | 比较内镜深度学习算法与不同经验内镜医师在早期食管鳞状细胞癌检测中的诊断性能 | 内镜深度学习算法和内镜医师（初级和高级） | 计算机视觉 | 食管鳞状细胞癌 | 内镜成像（白光内镜、图像增强内镜） | 深度学习模型 | 内镜图像 | 14项研究 | NA | NA | 灵敏度、特异度、曲线下面积、诊断优势比 | NA |
| 233 | 2026-06-30 |
Perioperative hypoxaemia early warning based on high-frequency waveform fusion and deep learning
2026-05-19, Physiological measurement
IF:2.3Q3
DOI:10.1088/1361-6579/ae669f
PMID:42055016
|
研究论文 | 本研究利用高频波形数据和深度学习构建围手术期低氧血症早期预警模型，以提高预测准确性和鲁棒性 | 首次将Gramian Angular Summation Field和四象限矩阵方法应用于波形数据转换，构建图像数据集；证明单模态波形模型可满足临床预测需求，同时降低计算成本 | 未明确提及局限性，但可能包括数据来源单一（仅VitalDB数据库）、预测窗口范围有限（1-13分钟）等 | 构建基于高频波形数据和深度学习的低氧血症预测模型，克服传统结构参数模型的不足 | 围手术期患者 | 机器学习 | 低氧血症 | 波形数据提取（呼吸、血氧、心电图波形） | LSTM | 波形数据（数值型与图像型） | NA | NA | LSTM | 准确率（0.932）、AUC（0.953）、最大AUC方差（0.067） | NA |
| 234 | 2026-06-30 |
Deep learning based automated assessment of end-inspiratory pause maneuver reliability in invasive mechanical ventilation
2026-05-15, Physiological measurement
IF:2.3Q3
DOI:10.1088/1361-6579/ae5e16
PMID:41962572
|
研究论文 | 该研究开发了一个基于深度学习的自动化框架，用于评估有创机械通气中吸气末暂停操作（EIPM）的可靠性 | 首次提出利用一维卷积神经网络（1DCNN）从压力、流量和容积波形中自动区分可靠EIPM、不可靠EIPM和非EIPM事件，并进一步基于保持时间进行精细分类 | NA | 开发自动化工具对机械通气中手动吸气末暂停操作的可靠性进行客观评估和质量控制 | 机械通气患者的压力、流量和容积波形数据 | 机器学习 | NA | NA | 一维卷积神经网络（1DCNN） | 时间序列波形数据（压力、流量、容积） | NA | NA | 1DCNN | F1分数 | NA |
| 235 | 2026-06-30 |
A teacher-student deep learning framework for enhanced clinical screening of heart failure from 12-lead electrocardiograms
2026-05-13, Physiological measurement
IF:2.3Q3
DOI:10.1088/1361-6579/ae6750
PMID:42061969
|
研究论文 | 提出一种基于教师-学生深度学习框架CTTSnet，用于从12导联心电图自动筛查心力衰竭 | 创新性地提出教师（Transformer）-学生（CNN）协同框架，融合全局上下文感知与局部特征提取 | 未提及模型在真实临床部署中的计算效率及对不同心电采集设备的鲁棒性限制 | 开发基于深度学习的临床决策支持系统，实现心力衰竭的自动化准确筛查 | 12导联心电图记录 | 深度学习 | 心力衰竭 | 心电图 | 教师-学生网络 | 图像 | 27,018份心电图（临床数据集）及两个外部公共验证集 | NA | Transformer, CNN | AUROC, 准确率, 召回率, 特异性 | NA |
| 236 | 2026-06-30 |
A multimodal fusion network for heart sound abnormality detection and classification
2026-05-07, Physiological measurement
IF:2.3Q3
DOI:10.1088/1361-6579/ae6415
PMID:42025197
|
研究论文 | 本研究提出了一种端到端的多模态深度学习框架HS-MMNet，用于直接从原始心音录音中进行心脏异常检测与分类 | 创新点包括：端到端架构无需心脏周期分割和多通道要求；多假设交叉注意力模块实现跨模态有效融合；在PhysioNet/CinC Challenge 2016和Yaseen数据集上达到新的最优性能 | NA | 开发无需心脏周期分割的端到端深度学习框架，用于心音异常检测与分类 | 心音录音数据 | 机器学习 | 心血管疾病 | 心音信号处理 | 多模态深度学习 | 音频信号 | PhysioNet/CinC Challenge 2016数据集和Yaseen五分类数据集（1000条录音） | PyTorch | 卷积神经网络（含多空洞空间金字塔和通道-空间注意力）、Transformer | 准确率、灵敏度、特异性、精确率、F1分数 | NA |
| 237 | 2026-06-30 |
Transformers for single-cell RNA sequencing: a survey
2026-May-04, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbag332
PMID:42366620
|
综述 | 系统综述Transformer在单细胞RNA测序中的应用，分析其在特定任务和多下游任务中的模型构建与能力 | 首次全面综述Transformer在scRNA-seq中的应用，涵盖特定任务模型和基础模型两个领域，并从性能、计算效率、可解释性和可扩展性多角度分析 | 未提及具体限制，但综述性质可能缺乏对特定模型或方法的深入实验验证 | 总结Transformer在单细胞RNA测序中的研究现状，提供实用资源并推动该领域发展 | Transformer模型在scRNA-seq数据上的应用 | 自然语言处理, 机器学习 | NA | scRNA-seq | Transformer | 基因表达数据 | NA | NA | Transformer | 性能, 计算效率, 可解释性, 可扩展性 | NA |
| 238 | 2026-06-30 |
Hybrid Vi+ECNN framework for advanced ADHD diagnostic accuracy in medical imaging
2026-May-02, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-50791-w
PMID:42069836
|
研究论文 | 开发了一个结合视觉Transformer和增强卷积神经网络的混合深度学习框架，用于提高儿童脑部MRI中ADHD的诊断准确性 | 首次将视觉Transformer与增强卷积神经网络集成到多流预处理策略中，结合原始MRI、相位谱变换和分位数直方图均衡化去噪表示，捕获互补的全局和局部神经解剖特征 | NA | 开发客观、自动化的ADHD诊断工具，提高基于脑部MRI的分类准确性 | 儿童脑部MRI图像中的ADHD相关神经解剖特征 | 计算机视觉, 数字病理学 | 注意缺陷多动障碍 | MRI | 视觉Transformer, 增强卷积神经网络 | 图像 | 分层儿童MRI数据集 | PyTorch | 视觉Transformer, 增强卷积神经网络 | 准确率, 精确率, 召回率, F1分数 | NA |
| 239 | 2026-06-30 |
Leakage-Safe ITS1 Identification of Fasciola hepatica and Fasciola gigantica with Reverse-Complement-Invariant CNN Inference
2026-May-02, Acta parasitologica
IF:1.2Q2
DOI:10.1007/s11686-026-01295-0
PMID:42068429
|
研究论文 | 开发了一种防泄漏的ITS1种类识别流程，用于准确区分肝片吸虫和巨大片吸虫 | 提出了ITSformer-RC，一种紧凑的反向互补不变的一维卷积神经网络，并结合轻量级集成方法，同时引入了簇感知的数据分割策略以防止相似性泄漏 | 仅在小型公共数据集上进行内部验证，需要跨地理区域、时间段和实验室的外部验证才能用于现场部署 | 开发可靠、防泄漏且面向决策的ITS1种类识别流程，用于区分肝片吸虫和巨大片吸虫 | 肝片吸虫和巨大片吸虫的ITS1序列 | 机器学习 | 片吸虫病 | ITS1测序 | 一维卷积神经网络 | DNA序列 | 527条GenBank ITS1序列，其中78条用于测试集 | PyTorch | ITSformer-RC | 准确率, ROC-AUC, 平均精度, 校准误差, 负对数似然, AURC | NA |
| 240 | 2026-06-30 |
Psychological resilience as a selective perceptual amplifier in post-crisis learning: a dual-pathway model of academic motivation, perceived school support, and cognitive engagement - a multi-country study based on PISA 2022
2026-May-01, BMC psychology
IF:2.7Q1
DOI:10.1186/s40359-026-04665-5
PMID:42067959
|
research paper | 本研究基于PISA 2022数据，探讨后疫情时代学生心理韧性作为选择性知觉放大器在学术动机、感知学校支持与认知投入关系中的作用 | 提出心理韧性作为“选择性知觉放大器”的双路径模型，揭示其仅强化动机-感知支持路径而非其他路径的独特机制 | 未报告具体限制信息，可能包括横截面设计无法推断因果关系、自我报告数据偏差等 | 阐明学术动机和感知学校支持如何转化为认知投入策略，并识别调节此转化过程的因素 | 来自80个国家/地区的574,514名PISA 2022参与者 | machine learning | NA | NA | 结构方程模型 | 调查问卷数据 | 574,514名学生 | R, Mplus | 结构方程模型 | β系数、p值、95%置信区间 | NA |