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 42805 篇文献，本页显示第 2421 - 2440 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2421 | 2026-03-06 |
Data-efficient learning for accurate identification of MAPK1 inhibitors using an active meta-deep learning framework
2026-Feb-03, Journal of cheminformatics
IF:7.1Q1
DOI:10.1186/s13321-026-01159-9
PMID:41634737
|
研究论文 | 本研究提出了一种数据高效的活动元深度学习框架，用于预测MAPK1抑制剂，以解决药物发现中实验数据有限的问题 | 结合主动学习与一个由四种深度学习架构组成的元模型，显著提升了在有限训练数据下的预测性能 | NA | 开发一种数据高效的框架，用于准确识别MAPK1抑制剂，以加速癌症相关药物发现 | MAPK1抑制剂分子 | 机器学习 | 癌症 | 分子对接 | CNN, 注意力机制, GCN, GNN-注意力 | 分子描述符, 图表示 | NA | NA | 卷积神经网络, 注意力机制, 图卷积网络, 图神经网络-注意力 | AUPRC, MCC, 平衡准确度 | NA |
| 2422 | 2026-03-06 |
Integrating deep learning and radiomics for precise identification of luminal A/B breast cancer subtypes on dynamic contrast-enhanced MRI
2026-Feb-03, Cancer imaging : the official publication of the International Cancer Imaging Society
IF:3.5Q1
DOI:10.1186/s40644-026-00996-z
PMID:41634854
|
研究论文 | 本研究开发了一种结合放射组学和深度学习特征的混合模型，用于基于动态对比增强磁共振成像（DCE-MRI）无创区分乳腺浸润癌的Luminal A和B亚型 | 提出了一种结合放射组学特征和深度学习特征的混合模型，通过堆叠集成方法整合两种方法，显著提高了分类性能，并利用SHAP和Grad-CAM技术增强模型可解释性 | 研究为回顾性设计，未来需要前瞻性验证，并计划整合基因组和临床数据以进一步提升模型在精准肿瘤学框架内的应用 | 开发并验证一种基于DCE-MRI的非侵入性成像方法，用于准确区分乳腺浸润癌的Luminal A和B亚型，以辅助治疗策略选择 | 来自中国、俄罗斯和保加利亚的312名经免疫组化（IHC）确认的乳腺浸润癌Luminal亚型女性患者 | 医学影像分析 | 乳腺癌 | 动态对比增强磁共振成像（DCE-MRI），免疫组化（IHC）分析 | 卷积神经网络（CNN），集成学习 | 医学影像（DCE-MRI） | 312名患者（训练/测试集）及148名患者的外部验证队列 | PyRadiomics, 未明确指定深度学习框架（可能为PyTorch或TensorFlow） | 3D ResNet-50 | AUC, 敏感性, 特异性 | NA |
| 2423 | 2026-03-06 |
Predicting Traumatic Brain Injury Post-Trauma Using Temporal Attention on Sleep-Wake Data
2026-Feb, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3592009
PMID:40705576
|
研究论文 | 本研究利用深度学习模型分析创伤后7天内的睡眠/觉醒数据，以预测创伤性脑损伤 | 首次将时间注意力机制应用于创伤后睡眠/觉醒数据，并确定了创伤后7天为识别TBI的最佳时间窗口 | 模型特异性较低（7天数据仅25%），样本量虽大但仅限于急诊科患者 | 探索睡眠/觉醒行为作为创伤性脑损伤生物标志物的潜力，并确定最佳监测时间窗口 | 2000多名急诊科患者（包括GFAP生物标志物确诊的TBI阳性与阴性病例） | 机器学习 | 创伤性脑损伤 | 睡眠/觉醒行为监测，血液生物标志物检测（GFAP） | 深度学习模型（含时间注意力机制） | 时间序列数据（每日纵向睡眠/觉醒记录） | 超过2000名急诊科患者 | 未明确说明 | 未明确说明具体架构，但包含时间注意力机制 | 灵敏度，特异性，F1分数 | NA |
| 2424 | 2026-03-06 |
Diagnostic performance of deep learning for predicting glioma isocitrate dehydrogenase and 1p/19q co-deletion in MRI: a systematic review and meta-analysis
2026-Feb, European radiology
IF:4.7Q1
DOI:10.1007/s00330-025-11898-2
PMID:40817944
|
系统综述与荟萃分析 | 本文通过系统综述和荟萃分析，评估了基于深度学习的影像组学模型利用MRI序列无创预测胶质瘤患者IDH突变和1p/19q共缺失状态的诊断性能，并识别了影响准确性和泛化性的方法学因素 | 首次对基于深度学习的MRI影像组学模型在预测胶质瘤IDH突变和1p/19q共缺失状态方面的诊断性能进行了全面的系统综述和荟萃分析，并识别了肿瘤分割方法和深度学习在影像组学流程中的整合程度是研究间异质性的重要来源 | 研究纳入的文献存在异质性，临床转化仍需多中心数据协调、标准化自动分割、广泛的外部验证和前瞻性临床验证等关键步骤 | 评估基于深度学习的影像组学模型在胶质瘤分子分类中的诊断性能，并探讨影响其准确性的方法学因素 | 胶质瘤患者的MRI影像数据 | 数字病理学 | 胶质瘤 | MRI | 深度学习模型 | 医学影像（MRI） | 来自1517篇独特出版物，其中104篇用于定性综合，72篇用于荟萃分析 | NA | NA | 敏感性, 特异性 | NA |
| 2425 | 2026-03-06 |
Deep learning-based radiomics does not improve residual cancer burden prediction post-chemotherapy in LIMA breast MRI trial
2026-Feb, European radiology
IF:4.7Q1
DOI:10.1007/s00330-025-11801-z
PMID:40770139
|
研究论文 | 本研究评估了基于深度学习的放射组学在预测局部晚期乳腺癌新辅助化疗后残留癌症负担方面的附加价值，并与标准预测因子（肿瘤体积和亚型）进行比较 | 首次在LIMA试验中比较了三种深度学习网络（nnU-Net、Attention U-net和向量量化编码器-解码器）提取的深度放射组学特征与肿瘤体积和亚型在预测残留癌症负担方面的性能 | 研究为回顾性设计，样本量有限（训练集105例，测试集41例），且未观察到深度学习模型与标准预测因子之间存在统计学显著差异 | 评估深度放射组学在预测乳腺癌新辅助化疗后残留癌症负担方面的潜在附加价值 | 局部晚期乳腺癌患者在新辅助化疗后但手术前的MRI影像 | 数字病理学 | 乳腺癌 | DCE-MRI（动态对比增强磁共振成像） | CNN | 医学影像（MRI） | 训练集105例（单机构），测试集41例（三机构外部验证） | PyTorch | nnU-Net, Attention U-net, 向量量化编码器-解码器 | AUC（曲线下面积）, Spearman相关系数 | NA |
| 2426 | 2026-03-06 |
Scanner-integrated reconstruction versus post-processing deep learning for low-count 18F-FDG PET/CT: a comparative clinical evaluation
2026-Jan-31, EJNMMI physics
IF:3.0Q2
DOI:10.1186/s40658-026-00841-z
PMID:41619102
|
研究论文 | 本研究比较了两种用于低计数18F-FDG PET/CT的深度学习方法：扫描仪集成的重建级方法（DPR）和图像域后处理增强方法（POST），评估了它们在图像质量、病灶检测和扫描时间减少方面的表现 | 首次在临床环境中直接比较了扫描仪集成重建与后处理深度学习两种低计数PET/CT方法的性能，并预设了非劣效性边界进行定量评估 | 研究样本量有限（67例患者），且仅针对18F-FDG PET/CT，未涵盖其他示踪剂或更广泛的临床场景 | 评估和比较两种深度学习方法在低计数PET/CT中的图像质量和诊断性能，以实现扫描时间减少 | 67例接受全身18F-FDG PET/CT检查的患者 | 医学影像分析 | 癌症（未特指具体类型） | 18F-FDG PET/CT成像，有序子集期望最大化（OSEM）重建 | 深度学习 | PET/CT图像 | 67例患者 | NA | 深度渐进重建（DPR），RaDynPET（POST） | Likert量表评分，信噪比（SNR），肿瘤背景比（TBR），对比噪声比（CNR），Lin一致性相关系数（CCC），Bland-Altman分析 | NA |
| 2427 | 2026-03-06 |
A Comprehensive X-ray Dataset for Pediatric Ulna and Radius Fractures Analysis
2026-Jan-28, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-026-06666-w
PMID:41605965
|
研究论文 | 本文介绍了首个公开的儿科尺骨和桡骨骨折X射线数据集PediURF，并提出了一个双视图分类模型URFNet用于骨折分类 | 创建了首个公开的儿科尺骨和桡骨骨折X射线数据集PediURF，包含超过10,000张去标识化图像，并提出了一个集成前后位和侧位视角的双视图分类模型URFNet | 未明确说明数据集的多样性或模型在外部验证集上的性能 | 为儿科尺骨和桡骨骨折的人工智能研究提供标准化数据集，并开发深度学习模型进行骨折分类 | 儿科尺骨和桡骨骨折的X射线图像 | 计算机视觉 | 儿科骨折 | X射线成像 | 深度学习分类模型 | 图像 | 超过10,000张去标识化X射线图像 | NA | URFNet | NA | NA |
| 2428 | 2026-03-06 |
Systematic evaluation of mitochondrial morphology regulators for amelioration of neuronal α-synucleinopathy
2026-Jan-27, NPJ Parkinson's disease
DOI:10.1038/s41531-026-01277-z
PMID:41593075
|
研究论文 | 本研究系统评估了线粒体形态调节因子在神经元α-突触核蛋白病模型中的治疗潜力，并利用深度学习工具MitoVis进行快速分析 | 首次在α-突触核蛋白病模型中系统比较线粒体融合/分裂关键调节因子，并开发基于深度学习的线粒体图像分析工具MitoVis实现区室特异性形态分析 | 研究仅针对α-突触核蛋白病模型，未验证其他神经退行性疾病；干预效果可能受模型特异性限制 | 评估线粒体形态调节因子作为神经退行性疾病治疗靶点的潜力 | 神经元线粒体（树突与轴突区室） | 数字病理学 | 帕金森病 | 深度学习图像分析 | CNN | 图像 | NA | NA | NA | NA | NA |
| 2429 | 2026-01-30 |
Deep Learning-Based Instance-Level Segmentation of Kidney and Liver Cysts in Computed Tomography Images of Patients Affected by Polycystic Kidney Disease
2026-Jan-01, Kidney360
IF:3.2Q1
DOI:10.34067/KID.0000000924
PMID:40811034
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2430 | 2026-03-06 |
Predicting Stereotactic Body Radiation Therapy Response Using an AI-Based Tumor Vessel Biomarker
2026 Jan-Dec, Technology in cancer research & treatment
IF:2.7Q3
DOI:10.1177/15330338261428377
PMID:41761492
|
研究论文 | 本文提出了一种基于深度学习的成像生物标志物Vessel Risk Score（VRS），用于从增强CT扫描中量化肿瘤血管异常，以预测非小细胞肺癌患者对立体定向放射治疗的反应和预后 | 开发了一种新的AI驱动的肿瘤血管生物标志物VRS，能够非侵入性地量化血管异常，相比传统的血管密度指标，能更准确地预测放疗反应和预后 | 研究主要基于非小细胞肺癌患者，且样本量有限（训练集126例，外部验证集128例），需要进一步在其他癌症类型和大规模队列中验证其普适性 | 预测非小细胞肺癌患者对立体定向放射治疗（SBRT）的反应和预后 | 非小细胞肺癌（NSCLC）患者 | 数字病理学 | 肺癌 | 对比增强CT扫描 | 深度学习模型 | 图像 | 训练集：126例NSCLC患者（接受大分割放疗）；外部验证集：128例早期NSCLC患者（接受SBRT） | NA | NA | VRS值（置信区间），PFS（无进展生存期），Cox多变量分析p值 | NA |
| 2431 | 2026-03-06 |
Multi-view deep learning of highly multiplexed imaging data improves association of cell states with clinical outcomes
2026, Bioinformatics advances
IF:2.4Q2
DOI:10.1093/bioadv/vbag010
PMID:41782683
|
研究论文 | 本文提出了一种多模态变分自编码器方法，用于从高度多重成像数据中整合细胞的多个视图，以改善细胞状态与临床结果的关联 | 首次探索了多模态变分自编码器在整合高度多重成像数据中细胞的多个视图（包括平均表达、形态学、亚细胞蛋白共定位和空间细胞上下文）方面的能力，并展示了整合后的潜在空间与患者特异性临床结果更强的关联性 | 未明确说明模型在处理大规模数据集时的计算效率或可扩展性限制 | 研究多模态深度学习模型在整合高度多重成像数据中细胞的多视图信息方面的能力，以改善细胞状态与临床结果的关联 | 从高度多重成像数据中量化的单个细胞，包括其平均表达、形态学、亚细胞蛋白共定位和空间细胞上下文 | 数字病理学 | NA | 高度多重成像 | 变分自编码器 | 图像 | NA | Python | 变分自编码器 | NA | NA |
| 2432 | 2026-03-06 |
Performance evaluation of deep learning models for overbite classification on cephalometric radiographs
2026, European oral research
IF:0.9Q3
DOI:10.26650/eor.20251689033
PMID:41782781
|
研究论文 | 本研究评估并比较了不同深度学习算法在基于侧位头颅X光片对覆合进行分类的效果 | 首次系统评估了包括ResNet101、DenseNet201、EfficientNetV2-B0、ConvNetBase、EfficientNet-B0及混合模型在内的六种深度学习模型在头颅X光片覆合分类任务上的性能，并利用Grad-CAM可视化技术解释模型决策过程 | 研究样本量相对有限（1062名患者），且仅基于侧位头颅X光片，未考虑其他影像或临床数据 | 评估深度学习模型在头颅X光片覆合分类中的有效性和可靠性 | 1062名患者的侧位头颅X光片 | 计算机视觉 | 口腔正畸 | 侧位头颅X光摄影 | CNN | 图像 | 1062名患者的侧位头颅X光片 | NA | ResNet101, DenseNet201, EfficientNetV2-B0, ConvNetBase, EfficientNet-B0, Hybrid Model | F1分数, 准确率, 精确率, 召回率, 平均绝对误差, Cohen's Kappa系数, AUC-ROC | NA |
| 2433 | 2026-03-06 |
Leveraging Artificial Intelligence to Advance Bioinformatics in Africa: Opportunities, Challenges, and Ethical Considerations in Combating Antimicrobial Resistance
2026, Bioinformatics and biology insights
IF:2.3Q3
DOI:10.1177/11779322261427123
PMID:41782801
|
综述 | 本文探讨了人工智能与生物信息学在非洲协同应用以应对抗菌素耐药性的机遇、挑战与伦理考量 | 系统性地阐述了AI（特别是ML、DL及LLMs）在非洲AMR基因组数据分析、耐药性预测与传播建模中的创新应用潜力，并提出了针对非洲情境的三大优先行动 | 非洲地区存在基础设施不足、数据共享壁垒、伦理规范缺失等挑战，可能限制AI技术的实际部署与效果 | 推动人工智能与生物信息学在非洲的整合，以提升抗菌素耐药性的监测、预测与防控能力 | 非洲地区的抗菌素耐药性感染及相关病原体基因组数据 | 生物信息学 | 感染性疾病（抗菌素耐药性） | 全基因组测序 | 机器学习, 深度学习, 大语言模型 | 基因组序列数据 | NA | NA | 卷积神经网络, 支持向量机 | NA | NA |
| 2434 | 2026-03-06 |
AMSA-Net: attention-based multi-scale feature aggregation network for single image dehazing
2026, Frontiers in neurorobotics
IF:2.6Q3
DOI:10.3389/fnbot.2026.1698100
PMID:41783049
|
研究论文 | 提出一种基于注意力的多尺度特征聚合网络（AMSA-Net）用于单幅图像去雾 | 设计了多尺度混合注意力特征聚合模块（MSHA-FAM），能够感知雾霾密度和空间分布信息，通过尺度感知坐标残差模块（SCRM）和多尺度特征细化残差模块（MSFRRM）协同工作，显著提升去雾效果 | 未在摘要中明确说明 | 提升单幅图像去雾性能 | 有雾图像 | 计算机视觉 | NA | 深度学习 | 编码器-解码器结构 | 图像 | 未在摘要中明确说明 | 未在摘要中明确说明 | AMSA-Net, MSHA-FAM, SCRM, MSFRRM | 去雾质量（未指定具体指标） | 未在摘要中明确说明 |
| 2435 | 2026-03-06 |
A digital twin-driven deep learning framework for online quality inspection in tobacco transplanting
2026, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2026.1716046
PMID:41783105
|
研究论文 | 本文提出了一种基于数字孪生和深度学习的烟草移栽在线质量检测框架，用于实时检测和评估移栽状态 | 结合数字孪生与深度学习，提出轻量级改进YAN-YOLO11算法，实现虚拟-现实交互闭环的在线质量检测系统 | 未明确说明系统在不同环境条件（如光照、土壤类型）下的泛化能力或长期稳定性 | 提高烟草移栽质量检测的自动化、数字化和精细化管理水平 | 烟草移栽过程中的幼苗状态（正常、露根、埋苗）及种植间距 | 计算机视觉 | NA | 多传感器数据融合（GNSS定位与视觉检测） | CNN | 图像, 传感器数据 | 未明确说明具体样本数量，仅通过田间实验验证 | 未明确说明，可能基于PyTorch或TensorFlow（因YOLO系列常用） | YAN-YOLO11（改进的YOLO11轻量版） | 精确率, 召回率, mAP@50, mAP@0.5:0.95, 整体识别准确率, FPS | 未明确说明，但系统实现30 FPS实时性能，暗示使用GPU或嵌入式设备 |
| 2436 | 2026-03-06 |
Correction: A digital twin-driven deep learning framework for online quality inspection in tobacco transplanting
2026, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2026.1804394
PMID:41783104
|
correction | 本文是对先前发表的一篇关于数字孪生驱动深度学习框架用于烟草移栽在线质量检测文章的更正 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2437 | 2026-03-06 |
The forecasting of pediatric asthma clinic visits: A comparative analysis of time-series models under varying training set sizes
2026 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076261430219
PMID:41783292
|
研究论文 | 本研究比较了四种时间序列模型在预测儿科哮喘日就诊量方面的性能，并探讨了不同训练集大小对模型表现的影响 | 整合机器学习模型和深度学习模型，结合自适应训练策略，为医院提供数据驱动的儿科哮喘就诊量预测框架 | 研究仅基于单一大型三级儿童医院的数据，可能限制了结果的普遍适用性 | 识别最优时间序列模型和训练策略，以预测儿科哮喘日就诊量，为临床资源分配提供数据驱动框架 | 儿科哮喘日就诊数据 | 机器学习 | 哮喘 | 时间序列分析 | ARIMA, Prophet, XGBoost, BiLSTM | 时间序列数据 | 2015年7月1日至2019年6月30日的儿科哮喘日就诊数据 | NA | ARIMA, Prophet, XGBoost, BiLSTM | R2, 平均绝对误差, 均方根误差, 超过误差阈值的天数 | NA |
| 2438 | 2026-03-06 |
Explainable Machine Learning for Prediction of Early Postoperative Nausea and Vomiting After General Anesthesia
2026, Journal of multidisciplinary healthcare
IF:2.7Q2
DOI:10.2147/JMDH.S572550
PMID:41783600
|
研究论文 | 本研究探讨了利用机器学习模型基于常规非侵入性临床指标预测全身麻醉后早期术后恶心呕吐风险的可行性，并应用可解释人工智能技术识别关键预测因子 | 首次将可解释人工智能技术（SHAP分析）与多种机器学习模型结合，专门针对早期PONV风险预测，识别出包括地塞米松使用在内的关键临床预测因子 | 研究为单中心回顾性设计，样本量有限（927例），仅使用非侵入性指标，可能未涵盖所有相关风险因素 | 预测全身麻醉后早期术后恶心呕吐风险，并提高临床决策的可解释性 | 接受全身麻醉手术的患者 | 机器学习 | 术后并发症 | NA | 随机森林, 逻辑回归, 深度学习, 集成学习 | 临床指标数据 | 927例患者病例 | NA | NA | 准确率, 精确率, 召回率, AUC | NA |
| 2439 | 2026-03-06 |
Commentary: Deep learning in obsessive-compulsive disorder: a narrative review
2026, Frontiers in psychiatry
IF:3.2Q2
DOI:10.3389/fpsyt.2026.1776019
PMID:41783732
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2440 | 2026-03-06 |
Encoding functional edges in graphs to model spatially varying relationships in the tumor microenvironment
2026, NPJ artificial intelligence
DOI:10.1038/s44387-026-00075-5
PMID:41783808
|
研究论文 | 本文提出了一种名为SPIFEE的灵活图深度学习框架，用于建模肿瘤微环境并揭示跨多个生物组织层次的空间洞察 | 通过直接在图的边中编码空间变化的功能向量，增强了基于图的表示的表达能力，并采用模态无关的通用框架实现跨模态整合 | 未在摘要中明确提及具体限制 | 旨在全面表征肿瘤微环境，以理解癌症进展并开发有效的患者特异性疗法 | 肿瘤微环境中的细胞类型、表型簇和分子通路等实体 | 数字病理学 | 癌症 | 多重免疫荧光、H&E组织病理学、空间转录组学 | 图深度学习 | 图像、空间转录组数据 | NA | NA | 图注意力机制 | NA | NA |