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 2401 - 2420 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2401 | 2026-04-20 |
A novel deep learning-driven framework for improving lncRNA comprehensive annotation with LncADeep 2.0
2026-Apr-07, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btag162
PMID:41923359
|
研究论文 | 本文介绍了一个名为LncADeep 2.0的集成深度学习框架，旨在提高长链非编码RNA的识别和功能注释的准确性 | 在识别模块中引入了新颖的肽特征，并结合序列和结构信息；在功能注释中，利用以lncRNA为中心的相互作用网络和基因本体术语，通过迁移学习策略在有限功能数据下实现稳健的注释性能 | 未在摘要中明确提及 | 提高长链非编码RNA的识别和功能注释的准确性 | 长链非编码RNA | 自然语言处理 | NA | RNA-seq | 深度学习 | 序列数据, 结构信息, 肽特征, 相互作用网络数据 | 未在摘要中明确提及 | 未在摘要中明确提及 | 未在摘要中明确提及 | 未在摘要中明确提及 | 未在摘要中明确提及 |
| 2402 | 2026-04-20 |
Learning curve for fenestrated-branched endovascular aortic repair using machine learning: A prospective national multicenter registry study
2026-04, Journal of vascular surgery
IF:3.9Q1
DOI:10.1016/j.jvs.2025.11.015
PMID:41265585
|
研究论文 | 本研究利用机器学习方法分析复杂腹主动脉瘤和胸腹主动脉瘤治疗中F-BEVAR手术的学习曲线 | 首次应用深度学习神经网络模型量化F-BEVAR手术的学习曲线，并基于医师经验预测手术结果 | 研究基于前瞻性多中心注册数据，可能存在选择偏倚，且未考虑不同医疗机构间的差异 | 分析F-BEVAR手术的学习曲线，为外科医师和机构提供安全有效开展该复杂手术的基准 | 接受三血管和四血管F-BEVAR治疗的复杂腹主动脉瘤和胸腹主动脉瘤患者 | 机器学习 | 心血管疾病 | 深度学习神经网络 | 深度学习神经网络 | 临床注册数据 | 2956名患者（1901名cAAA，1055名TAAA），由539名医师执行 | NA | 深度学习神经网络 | 围手术期死亡率、手术技术成功率、主要不良事件发生率、主动脉再干预率、手术时间、透视时间、失血量、造影剂用量 | NA |
| 2403 | 2026-04-20 |
Bioinspired Cold-Laminated Ultrathin Hydrogels as a Broadly Adaptive Platform for Physiological Monitoring
2026-Apr, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202524317
PMID:41691494
|
研究论文 | 本文开发了一种仿生冷层压超薄水凝胶平台，用于生理监测，具有可调厚度、优异透气性和可逆粘附性 | 提出了一种新颖的冷层压策略，将TPU纳米网机械互锁于温度响应水凝胶网络中，模拟细胞外基质结构，克服了传统超薄薄膜的脆弱性 | NA | 开发一种广泛适应性的水凝胶系统，用于下一代生物电子学，满足不同器官特定需求 | 表皮和植入式应用，如心电图监测和心律失常检测 | 生物电子学 | 心血管疾病 | 冷层压策略 | 深度学习网络 | 生理信号数据 | 小鼠模型 | NA | 双分支深度学习网络 | 分类准确率 | NA |
| 2404 | 2026-04-20 |
STARD3-like protein from golden noble scallop is a carotenoid transfer protein capable of binding various xanthophylls
2026-Apr, International journal of biological macromolecules
IF:7.7Q1
DOI:10.1016/j.ijbiomac.2026.151788
PMID:41932487
|
研究论文 | 本文鉴定了金贵扇贝中的STARD3样蛋白是一种能够结合多种叶黄素的类胡萝卜素转运蛋白 | 首次发现并表征了来自金贵扇贝的STARD3样蛋白（MnSTARD3L）具有水溶性类胡萝卜素结合域，能够选择性结合并转运特定的稀有氧化产物 | NA | 研究海洋无脊椎动物中类胡萝卜素结合与转运的分子机制 | 金贵扇贝（Mimachlamys nobilis）中的STARD3样蛋白（MnSTARD3L） | 生物化学与分子生物学 | NA | 体外重组、在大肠杆菌中表达、结构建模 | 深度学习算法 | 蛋白质序列与结构数据 | NA | NA | NA | NA | NA |
| 2405 | 2026-04-20 |
- Invited Review - Computer vision in precision livestock farming: artificial intelligence-driven technologies and applications for sustainable animal production
2026-Apr, Animal bioscience
IF:2.4Q1
DOI:10.5713/ab.260165
PMID:41882488
|
综述 | 本文综述了计算机视觉在精准畜牧业中的应用，探讨了人工智能驱动技术如何促进可持续动物生产 | 系统性地整合了计算机视觉、物联网和人工智能技术，实现了从群体管理到个体化、非侵入式监测的转变，并提出了可解释AI和福利导向系统设计等未来研究方向 | 高资本投入、数据互操作性挑战以及模型泛化性限制 | 通过精准畜牧业技术提高动物生产效率，同时保障动物福利、环境可持续性和经济可行性 | 畜牧业生产系统，特别是牛生产，并扩展至水产养殖和其他畜牧领域 | 计算机视觉 | NA | 多模态传感器、视觉和环境监测系统 | 机器学习、深度学习 | 视觉数据、环境数据 | NA | NA | NA | NA | NA |
| 2406 | 2026-04-20 |
MM-CPI: A multimodal fusion framework for compound-protein interaction prediction
2026-Apr, International journal of biological macromolecules
IF:7.7Q1
DOI:10.1016/j.ijbiomac.2026.151617
PMID:41921797
|
研究论文 | 提出一个名为MM-CPI的多模态深度学习框架，用于预测化合物-蛋白质相互作用，以加速药物发现和再利用 | 整合了化合物的分子指纹、基于语言模型的表示和GCN结构特征，以及蛋白质的序列、理化性质和蛋白质语言模型特征，通过有效的特征融合和分类学习判别性相互作用模式，在未见实体上表现出鲁棒性能 | 未明确说明框架在更广泛的冷启动场景或不同疾病类型中的泛化能力限制 | 提高化合物-蛋白质相互作用预测的准确性和泛化能力，以加速药物发现和再利用 | 化合物和蛋白质 | 机器学习 | 法布里病 | 分子指纹、语言模型、Graph Convolutional Networks (GCN)、分子对接 | 深度学习 | 分子结构数据、蛋白质序列数据、理化性质数据 | 多个公共数据集（具体数量未说明） | 未明确说明 | GCN | 准确性、鲁棒性、泛化能力 | 未明确说明 |
| 2407 | 2026-04-20 |
Enhancing Pig Behavior Recognition in Complex Environments: A Transfer Learning-Assisted YOLO11 Network with Wavelet Convolution and Synergistic Attention
2026-Mar-19, Animals : an open access journal from MDPI
IF:2.7Q1
DOI:10.3390/ani16060964
PMID:41897941
|
研究论文 | 本文提出了一种基于轻量级YOLO11n的优化模型，用于在复杂环境中增强猪行为识别 | 提出了三项优化：在C3k2层嵌入SCSA-CBAM以增强多尺度特征判别；在颈部引入WFU进行动态跨尺度特征融合；在主干网络中用WTConv替换标准卷积以降低计算开销 | NA | 解决当前深度学习方法在非结构化农业场景中复杂、参数量大或泛化能力不足的问题，以促进在资源有限设备上的部署 | 猪的行为 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | 2480张原始图像，基于公开数据集自建的六类别猪行为数据集，按8:2比例通过分层随机抽样分为训练集和验证集 | PyTorch | YOLO11n | mAP@0.5, mAP@0.5:0.95, FPS | NA |
| 2408 | 2026-04-18 |
Root canal segmentation from cone-beam computed tomography guided by micro-computed tomography based on deep learning
2026-Mar-10, BMC oral health
IF:2.6Q1
DOI:10.1186/s12903-026-07918-2
PMID:41808048
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2409 | 2026-04-20 |
RGReco: a unified framework for automated R-group recognition in chemical publications
2026-Mar-10, Journal of cheminformatics
IF:7.1Q1
DOI:10.1186/s13321-026-01179-5
PMID:41808196
|
研究论文 | 本文提出了RGReco框架，结合深度学习和化学规则，通过多阶段流程从图像和文本中解析和整合化学出版物中的R-基团信息 | 提出了一个结合深度学习和化学规则的新框架，用于自动识别和解析化学出版物中多样化的R-基团信息，包括新的取代基结构识别和文本解析流程 | 未明确提及具体限制，但可能受限于数据集覆盖的R-基团图像类型或真实世界文献的复杂性 | 开发一个精确且全面的自动化工具，以加速化学出版物中R-基团信息的提取，支持数据驱动的AI研究 | 化学出版物中的R-基团信息，包括文本和图像形式 | 自然语言处理 | NA | 深度学习, 化学规则 | NA | 图像, 文本 | 从真实世界科学文献构建的数据集，包含常见类型的R-基团图像 | NA | NA | 精确率, 召回率, F1分数 | NA |
| 2410 | 2026-03-11 |
Harnessing multi-modal deep learning for multi-drone navigation-based trajectory prediction system
2026-Mar-09, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-42180-0
PMID:41803339
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2411 | 2026-03-11 |
A robust and versatile deep learning model for prediction of the arterial input function in dynamic small animal [18F] FDG PET imaging
2026-Mar-09, EJNMMI research
IF:3.1Q1
DOI:10.1186/s13550-026-01398-9
PMID:41803557
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2412 | 2026-03-10 |
Deep learning-enhanced shoreline dynamics and vulnerability assessment in Niger Delta area of Nigeria
2026-Mar-08, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-39405-7
PMID:41796127
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2413 | 2026-04-20 |
BigEye: a clinically interpretable deep learning framework for diabetic retinopathy detection and stage prediction
2026-Mar-08, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-43573-x
PMID:41796249
|
研究论文 | 提出了一种名为BigEye的临床可解释深度学习框架，用于糖尿病视网膜病变的检测和分期预测 | 开发了一个新颖的框架，利用提取的病灶特征来预测ICDR分期，并通过SHAP值分析实现了与临床诊断标准高度一致的可解释性结果 | 未明确说明模型在外部验证集上的泛化性能，也未提及计算效率和实时性方面的评估 | 开发一个能够识别相关病灶并提供可解释结果的深度学习模型，以应对未来糖尿病视网膜病变病例的预期增长 | 糖尿病视网膜病变患者的眼底图像 | 计算机视觉 | 糖尿病视网膜病变 | 眼底摄影 | 深度学习 | 图像 | 来自当地医院和公共数据集的眼底图像数据集，包含分割掩码和DR分期标注 | 未明确说明 | DeepLabV3+ | 精确度, 召回率, F1分数, ROC-AUC, 准确度 | NA |
| 2414 | 2026-03-09 |
Deep learning for high-resolution material texture enhancement in 3D environments
2026-Mar-07, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-42313-5
PMID:41794865
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2415 | 2026-04-20 |
Survival prediction for bladder cancer using multimodal data with quantum neural networks and transformer architectures
2026-Mar-07, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-42047-4
PMID:41794871
|
研究论文 | 本研究提出了一种结合量子计算与经典深度学习的混合诊断模型QTMPN，用于膀胱癌生存预测，通过量子神经网络和Transformer架构处理多模态数据 | 提出QTMPN框架，首次将量子神经网络与Transformer、图神经网络结合，用于多模态医学数据融合，提升生存预测准确性 | 研究为回顾性分析，可能受限于TCGA-BLCA数据集，未在外部验证集上测试，量子计算部分依赖模拟环境 | 开发一个用于膀胱癌生存预测的混合量子-经典深度学习模型，以改善癌症预后准确性并支持精准医疗 | 膀胱癌患者的多模态数据，包括全切片病理图像和临床特征 | 数字病理学 | 膀胱癌 | 量子计算，深度学习，多模态数据融合 | 量子神经网络，Transformer，图神经网络 | 图像，临床数据 | TCGA-BLCA数据集中的膀胱癌患者样本 | PyTorch, TensorFlow Quantum | QTMPN，包括量子特征提取器和Transformer-GNN协作融合模块 | 生存预测准确率 | GPU（具体型号未指定），量子计算模拟环境 |
| 2416 | 2026-03-09 |
Comparative evaluation of deep learning models for cardiovascular disease diagnosis and classification
2026-Mar-07, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-43543-3
PMID:41794983
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2417 | 2026-04-20 |
Rejoining fragmented ancient bamboo slips with physics-driven deep learning
2026-Mar-06, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-70361-y
PMID:41786754
|
研究论文 | 本文提出了一种名为WisePanda的物理驱动深度学习框架，用于自动拼接古代竹简碎片 | 基于断裂和材料劣化的物理原理，自动生成成对的合成训练数据，无需手动配对样本，从而解决了古代文物修复中的数据稀缺问题 | 未在摘要中明确提及 | 开发一种高效的方法来拼接古代竹简碎片，以促进对古代文明内容的理解 | 古代竹简碎片 | 计算机视觉 | NA | 深度学习 | NA | 图像 | NA | NA | NA | 匹配准确率 | NA |
| 2418 | 2026-04-20 |
EEG-TriNet++: A Transformer-Guided Meta-Learning Framework for Robust and Generalizable Motor Imagery Classification
2026-Mar-06, Bioengineering (Basel, Switzerland)
DOI:10.3390/bioengineering13030307
PMID:41899838
|
研究论文 | 本文提出了一种名为EEG-TriNet++的多分支深度学习框架，用于提升基于脑电信号的运动想象分类的准确性和跨被试泛化能力 | 提出了一种结合卷积空间-频谱编码器、双向LSTM和Transformer头的多分支架构，并引入了模型无关的元学习模块以快速适应新用户，同时采用分块标记化策略和神经架构搜索来优化效率与表征能力之间的平衡 | 未明确提及模型的计算复杂度、实时性表现或在更大规模或更多样化数据集上的泛化能力 | 开发一个鲁棒且可泛化的深度学习框架，用于基于脑电信号的运动想象分类，以提升脑机接口的性能 | 脑电信号 | 机器学习 | NA | 脑电图 | CNN, LSTM, Transformer | 时间序列信号 | 两个公开的运动想象数据集 | NA | EEG-TriNet++（多分支架构，包含卷积空间-频谱编码器、双向LSTM、Transformer头） | 准确率 | NA |
| 2419 | 2026-04-20 |
AMR-GNN: a multi-representation graph neural network framework to enable genomic antimicrobial resistance prediction
2026-Mar-06, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-69934-8
PMID:41792137
|
研究论文 | 提出了一种名为AMR-GNN的多表示图神经网络框架，用于从基因组序列数据预测抗菌素耐药性表型 | 首次将多种基因组表示与图神经网络集成，以解决AMR表型预测中的关键问题，包括利用多表示提升性能、减轻克隆关系影响以及识别可解释的生物标志物 | 作为概念验证框架，其在大规模临床应用中的具体表现和泛化能力仍需进一步验证 | 开发一个数据驱动的机器学习框架，以从全基因组测序数据中准确预测抗菌素耐药性表型 | 铜绿假单胞菌（作为概念验证），以及后续验证中涵盖的革兰氏阴性和革兰氏阳性病原体 | 机器学习 | 抗菌素耐药性 | 全基因组测序 | GNN | 基因组序列数据 | NA | NA | AMR-GNN | NA | NA |
| 2420 | 2026-04-20 |
RoentMod: a synthetic chest X-ray modification model to identify and correct image interpretation model shortcuts
2026-Mar-06, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-026-02497-6
PMID:41792409
|
研究论文 | 介绍RoentMod，一种用于生成合成胸部X射线图像的框架，以识别和纠正医学图像解释模型中的捷径学习问题 | 结合开源医学图像生成器与图像到图像修改模型，无需重新训练，生成具有用户指定病理特征的逼真合成胸部X射线图像 | 未提及具体局限性，但可能包括生成图像的多样性或泛化能力 | 提高胸部X射线图像解释模型的鲁棒性和可解释性，通过对抗捷径学习 | 胸部X射线图像及其自动化解释模型 | 计算机视觉 | NA | 深度学习，图像生成与编辑 | 多任务模型，基础模型 | 图像 | 未明确指定样本数量，但涉及内部和外部测试 | 未明确指定，但提及开源医学图像生成器RoentGen | 未明确指定具体架构 | AUC | 未明确指定 |