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 42964 篇文献，本页显示第 261 - 280 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 261 | 2026-04-04 |
Multicenter clinicopathological study of odontogenic myxoma spectrum lesions using quantitative pathology
2026-Feb-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-42019-8
PMID:41760729
|
研究论文 | 本研究利用AI辅助数字病理学定量评估牙源性粘液瘤谱系病变的纤维组织比例，并探讨其临床病理相关性 | 首次在多中心研究中应用AI辅助数字病理学定量分析牙源性粘液瘤谱系病变的纤维组织比例，揭示了诊断的机构间变异性 | 样本量相对有限（100例），且仅基于Masson三色染色切片，可能未涵盖所有病理特征 | 定量评估牙源性粘液瘤谱系病变的纤维组织比例，并探索其临床病理意义 | 牙源性粘液瘤（OM）和牙源性粘液纤维瘤（OMF）的手术标本 | 数字病理学 | 牙源性肿瘤 | AI辅助数字病理学，Masson三色染色 | 深度学习 | 全切片图像 | 来自34家机构的143个手术标本，经集中病理审查后纳入100例 | NA | 多阶段深度学习流程 | 专家评估与定量测量的一致性 | 统一的数字病理学平台 |
| 262 | 2026-04-04 |
IntelliScheduler: an edge-cloud computing environment hybrid deep learning framework for task scheduling based on learning
2026-Feb-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-41330-8
PMID:41760833
|
研究论文 | 本文提出了一种名为IntelliScheduler的混合深度强化学习框架，用于边缘-云计算环境中的自适应任务调度 | 提出了一种结合运行时感知状态表示与基于学习的决策机制的混合行动者-评论家深度强化学习框架，并开发了基于学习的最优任务调度算法以最小化总任务执行延迟 | 当前评估基于仿真实验，尚未在实际动态边缘-云调度场景中进行验证 | 解决边缘-云计算环境中异构截止时间和变化工作负载下的任务调度问题，以提高服务等级协议合规性和服务质量 | 边缘-云计算环境中的任务调度 | 机器学习 | NA | 深度强化学习 | 混合行动者-评论家深度强化学习框架 | 仿真数据 | 在不同工作负载下进行的广泛仿真实验 | NA | 混合行动者-评论家架构，多缓冲区经验回放架构 | 归一化奖励，训练损失，运营成本，拒绝率，体验质量 | NA |
| 263 | 2026-04-04 |
Graph-based transformer to predict the octanol-water partition coefficient
2026-Feb-27, Journal of cheminformatics
IF:7.1Q1
DOI:10.1186/s13321-026-01160-2
PMID:41761278
|
研究论文 | 本文提出了一种基于微调预训练GraphormerMapper模型的logP预测方法，名为GraphormerLogP，用于准确预测药物分子的亲脂性 | 首次将预训练的GraphormerMapper模型应用于logP预测，并构建了一个包含42,006个独特SMILES-logP对的大型多样化数据集GLP | 未明确提及模型在特定分子类型或复杂结构上的泛化能力限制 | 开发一种高精度的logP预测方法以支持药物发现与开发 | 药物分子的亲脂性（logP值） | 机器学习 | NA | 图基深度学习 | Transformer | 分子图（SMILES表示） | 总计55,694个分子（GLP数据集42,006个，基准数据集13,688个） | PyTorch | GraphormerMapper | 平均绝对误差 | NA |
| 264 | 2026-02-28 |
Clinically interpretable deep learning for pediatric dental age estimation with explainable AI
2026-Feb-26, BMC oral health
IF:2.6Q1
DOI:10.1186/s12903-026-07961-z
PMID:41742153
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 265 | 2026-02-28 |
HSICNet a novel deep learning architecture for hyperspectral image classification in remote sensing and environmental monitoring
2026-Feb-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-40509-3
PMID:41748692
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 266 | 2026-04-04 |
Estimation of liquefaction-induced settlement of shallow foundation by machine learning with imbalanced data
2026-Feb-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-41969-3
PMID:41748689
|
研究论文 | 本研究通过机器学习和深度学习模型，对液化引起的浅基础建筑沉降进行分类预测，并处理了数据不平衡问题 | 采用SHAP特征选择方法识别关键预测因子，结合动态阈值调整和加权投票集成学习，提高了分类可靠性和模型可解释性 | NA | 评估地震引起的液化沉降，以支持地震风险评估和土壤改良策略设计 | 浅基础建筑在液化土壤中的沉降案例 | 机器学习 | NA | NA | 机器学习, 深度学习 | 结构化数据（建筑特征、岩土参数、地震强度指标） | 系统整理的案例研究数据库 | NA | NA | NA | NA |
| 267 | 2026-02-28 |
A hybrid model for image forgery detection using deep learning with block and keypoint methods
2026-Feb-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-41473-8
PMID:41748712
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 268 | 2026-04-04 |
A joint CNN-Bi-LSTM-transformer architecture with SHAP explanations for multi-label arrhythmia detection from 12-lead ECGs
2026-Feb-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-40925-5
PMID:41748772
|
研究论文 | 本文提出了一种结合CNN、Bi-LSTM和Transformer层的深度学习架构，用于从12导联心电图中进行多标签心律失常检测，并集成了SHAP解释以提高临床可解释性 | 提出了一种新颖的联合CNN-Bi-LSTM-Transformer架构，能够同时提取心电信号的形态学、时间序列和空间模式，并整合SHAP解释实现病例级别的可解释性 | 当前模型在复杂性、数据多样性和验证方面存在限制 | 开发一种可解释的自动化人工智能解决方案，用于12导联心电图心律失常的准确分类 | 12导联心电图信号 | 机器学习 | 心血管疾病 | 深度学习 | CNN, Bi-LSTM, Transformer | 心电图信号 | 超过43,000个多标签心电图记录，涵盖27种心律失常类别 | NA | CNN, Bi-LSTM, Transformer | 准确率, 宏F1分数, AUC | NA |
| 269 | 2026-04-04 |
BiToxNet: a deep learning framework integrating multimodal features for accurate identification of neurotoxic peptides and proteins
2026-Feb-26, BMC biology
IF:4.4Q1
DOI:10.1186/s12915-026-02508-8
PMID:41749211
|
研究论文 | 本研究提出了一种名为BiToxNet的深度学习框架，通过整合来自蛋白质大语言模型的进化嵌入和十种手工生化描述符，利用双线性注意力网络实现多模态特征融合，用于准确识别神经毒性肽和蛋白质 | BiToxNet通过双线性注意力网络（BAN）有效整合进化嵌入和手工生化特征，实现了跨模态交互和残基级依赖性的建模，显著提升了神经毒性预测的准确性和泛化能力 | 未明确提及具体局限性，但现有计算方法通常受限于浅层特征工程和多模态融合策略的不足 | 开发一个准确预测肽和蛋白质神经毒性的计算框架，以支持蛋白质治疗药物的安全性评估和蛋白质药物开发 | 神经毒性肽和蛋白质 | 自然语言处理 | NA | 蛋白质大语言模型 | 深度学习 | 序列数据 | 三个不同序列长度的数据集：蛋白质数据集、肽数据集和组合数据集，以及一个外部不平衡数据集 | NA | 双线性注意力网络（BAN） | 准确率 | NA |
| 270 | 2026-04-04 |
Decoding cardiovascular risk in Chinese middle-aged and elderly adults: a 9-year prospective study integrating machine learning with explainable AI based on CHARLS cohort
2026-Feb-26, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-026-03389-1
PMID:41749231
|
研究论文 | 本研究基于中国健康与养老追踪调查队列数据，结合机器学习与可解释人工智能技术，开发并验证了一个针对中国中老年人群的心血管疾病长期风险预测模型 | 首次将可解释人工智能技术（SHAP）与机器学习算法（梯度提升机）相结合，针对中国中老年人群开发心血管疾病风险预测模型，实现了预测准确性与临床可解释性的平衡 | 模型重要性分析反映的是统计贡献而非因果关系，且需要独立队列的外部验证才能确立普适性 | 开发并验证一个针对中国中老年人群的心血管疾病长期风险预测模型 | 中国中老年人群（年龄≥45岁） | 机器学习 | 心血管疾病 | 队列研究，机器学习 | 梯度提升机，以及包含线性、非线性、集成学习和深度学习在内的12种算法 | 纵向队列数据 | 8080名参与者完成9年随访，其中训练队列5699人 | 未明确说明 | 未明确说明 | AUC，特异性，阳性预测值，敏感性 | NA |
| 271 | 2026-04-04 |
Breaking through safety performance stagnation in autonomous vehicles with dense learning
2026-Feb-25, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-69761-x
PMID:41741461
|
研究论文 | 本文提出了一种创新的密集学习方法，通过同时关注信息性失败和成功样本，解决了自动驾驶车辆安全性能停滞的问题 | 引入密集学习方法，根据样本对策略梯度和暴露频率的贡献比例采样数据，排除非信息性样本，从而降低学习方差并提升整体安全性能 | 未明确讨论该方法在其他自动驾驶场景或不同车辆平台上的泛化能力 | 突破自动驾驶车辆安全性能停滞，实现人类水平的安全性能并推动其广泛应用 | 高度自动化车辆的安全关键驾驶代理 | 机器学习 | NA | 混合现实 | 深度学习 | 驾驶场景数据 | NA | NA | NA | 安全性能提升幅度 | NA |
| 272 | 2026-04-04 |
Integration of fairness-awareness into clinical language processing models
2026-Feb-24, Communications medicine
IF:5.4Q1
DOI:10.1038/s43856-026-01433-9
PMID:41731014
|
研究论文 | 本研究评估了从临床文本预测种族时模型的性能和公平性，并探讨了将公平性意识整合到临床语言处理模型中的方法 | 提出了一种两阶段主动学习框架来指导注释，并应用公平性感知损失函数以减轻不同种族群体间的差异，同时比较了多种深度学习模型在公平性优化下的表现 | 公平性干预措施高度依赖于模型类型，某些模型在应用公平性约束后性能下降或倾向于多数预测，且种族、性别和年龄间的持续差异表明算法偏见反映了上游文档记录的不平等 | 评估临床人工智能系统在预测种族时的模型性能和公平性，以促进其在多样化患者群体中的公平部署 | 临床文本数据，特别是来自初级保健数据库的电子健康记录 | 自然语言处理 | NA | 深度学习，主动学习 | transformer-based deep learning models, hierarchical convolutional neural network | 文本 | NA | NA | transformer, hierarchical convolutional neural network | macro F1, accuracy, performance equity | NA |
| 273 | 2026-02-26 |
Deep learning models for pulmonary embolism segmentation on dual-energy CT: performance analysis and image quality correlation
2026-Feb-24, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-026-02221-6
PMID:41735881
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 274 | 2026-04-04 |
Universal framework for efficient estimation of stability in multi-principal element alloys
2026-Feb-23, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-69585-9
PMID:41730879
|
研究论文 | 本文提出了一种通用框架，用于高效预测多主元合金的稳定性 | 通过物理模型将多主元合金的总能量表示为低维子系统能量的线性组合，实现了在广泛成分和结构空间中的可合成性预测，其准确性可与最先进的深度学习模型相媲美，同时保持了通过团簇展开理论的可解释性 | NA | 预测多主元合金在全球化学空间中的合成可及性 | 多主元合金 | 机器学习 | NA | 密度泛函理论 | 物理模型 | 计算数据集 | 135,791个多主元合金，涵盖28种金属和最多十个组分 | NA | NA | 平均绝对误差 | NA |
| 275 | 2026-04-04 |
Normative growth trajectories of fetal brain regions validated by satisfactory maturation of neurodevelopmental domains at 2 years of age
2026-Feb-23, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-69657-w
PMID:41730874
|
研究论文 | 本研究利用深度学习分析胎儿大脑超声扫描数据，建立了与2岁时神经发育评分相关的16个大脑结构的标准化生长轨迹 | 首次通过深度学习量化了胎儿大脑16个结构的生长轨迹，提出了反映大脑区域异步成熟的rILV/rPLV比值，并创建了量化生物年龄与时间年龄偏差的胎儿大脑成熟指数 | 研究仅覆盖18-27孕周的胎儿数据，未包含更早期或更晚期的发育阶段 | 建立与正常神经发育结果相关的胎儿大脑区域标准化生长参考轨迹 | 4205例18-27孕周的健康胎儿大脑超声扫描数据 | 医学影像分析 | NA | 3D超声成像 | 深度学习 | 3D超声图像 | 4205例胎儿大脑扫描（来自多国健康队列） | NA | NA | 方差解释百分比 | NA |
| 276 | 2026-04-04 |
Sign4all: a Spanish Sign Language dataset
2026-Feb-23, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-026-06872-6
PMID:41730896
|
研究论文 | 本文介绍了Sign4all数据集，这是一个专为西班牙手语孤立词识别设计的高密度、手势平衡数据集 | 提出首个针对西班牙手语的高密度数据集，提供左右手平衡的样本表示，并包含视频和骨骼关键点两种数据格式 | 词汇量仅涵盖24个与餐饮领域相关的日常活动手势，未涉及连续手语识别 | 解决手语识别中数据稀疏性和右手偏向问题，促进包容性人机交互技术发展 | 西班牙手语(LSE)的孤立手势 | 计算机视觉 | NA | 视频录制、骨骼关键点提取 | Transformer, 骨骼模型 | 视频, 骨骼关键点 | 7,756个高分辨率RGB视频样本，平均每个手势323个样本 | TensorFlow, PyTorch | Transformer | NA | NA |
| 277 | 2026-04-04 |
A multi-modal approach for recognizing fake news and influential nodes in spreading them using deep learning and network analysis
2026-Feb-18, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-35342-7
PMID:41708655
|
研究论文 | 本文提出了一种结合深度学习和网络分析的多模态方法，用于识别社交媒体上的假新闻及其传播中的关键节点 | 创新点在于将深度学习与基于图的聚类技术相结合，有效检测谣言源头并预测传播路径，采用GloVe技术描述内容特征，并引入新的聚类方法识别社区结构 | NA | 研究目标是减少社交媒体上谣言的危害，通过检测谣言源头和识别传播中的关键节点 | 研究对象是社交媒体网络中的谣言传播内容和用户节点 | 自然语言处理, 机器学习 | NA | GloVe技术, 深度神经网络, 图聚类 | 深度神经网络 | 文本, 网络图数据 | 使用了真实社交网络数据库 | NA | NA | 准确率, 精确率, 处理时间 | NA |
| 278 | 2026-03-28 |
A hybrid deep learning framework using convolutional and transformer models for robust plant disease classification
2026-Feb-18, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-38209-z
PMID:41708692
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 279 | 2026-04-04 |
Integrative framework for cancer detection via integro-differential equations using deep learning techniques
2026-Feb-18, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-39283-z
PMID:41708707
|
研究论文 | 本研究提出了一种结合积分-微分方程和深度学习技术的癌症检测框架，通过将2D医学图像转换为1D信号进行特征提取和分类 | 将积分-微分方程融入深度学习框架以建模肿瘤生长动态和时空强度变化，旨在提升模型的可解释性 | 存在数据依赖性、信号转换过程中的信息丢失以及数学模型简化等局限性 | 开发用于医学图像中癌症区域准确识别的计算工具 | 公开可用的乳腺X光摄影数据集（INbreast和MIAS） | 计算机视觉 | 癌症 | 深度学习 | CNN | 图像 | NA | NA | 1D卷积神经网络 | 准确率 | NA |
| 280 | 2026-02-19 |
Multimodal deep learning for survival prediction and biomarker discovery in non-small cell lung cancer
2026-Feb-17, BioData mining
IF:4.0Q1
DOI:10.1186/s13040-026-00522-8
PMID:41703583
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |