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 2901 - 2920 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 2901 | 2026-03-01 |
Deep learning-based epileptic seizure detection from EEG signals and PPG signals using LSTM and CNN models
2026-Feb-27, The International journal of neuroscience
DOI:10.1080/00207454.2026.2621855
PMID:41671683
|
研究论文 | 本文提出了一种结合CNN和LSTM的混合深度学习框架，利用多模态EEG和PPG信号进行癫痫发作的自动检测 | 与仅使用EEG的方法不同，本文引入了PPG信号，提供了自主神经波动、心率变异性变化等互补生理信息，增强了模型在EEG特征不明显或模糊情况下的判别能力 | 未明确提及 | 开发一种可靠且高效的实时癫痫发作检测系统 | 癫痫患者的多模态生理信号（EEG和PPG） | 机器学习 | 癫痫 | EEG监测，PPG监测 | CNN, LSTM | 信号（EEG信号，PPG信号） | 基准EEG-PPG数据集（具体数量未提及） | NA | CNN-LSTM混合模型 | 准确率，精确率，召回率，F1分数，Cohen's Kappa，马修斯相关系数，临界成功指数 | NA |
| 2902 | 2026-03-01 |
Deep learning-based synthetic brain MRI for the assessment of regional atrophy patterns in neurodegenerative diseases
2026-Feb-27, European radiology
IF:4.7Q1
DOI:10.1007/s00330-025-12302-9
PMID:41758343
|
研究论文 | 本研究评估了基于深度学习的合成3D-T1w MRI序列在神经退行性疾病中保留区域萎缩模式的能力 | 首次系统评估了从不同临床序列（如3D FLAIR、4 mm轴向FLAIR、4 mm冠状T2）生成的深度学习合成3D-T1w图像在区域脑萎缩分析中的准确性 | 合成序列在评估全局和区域脑体积时存在系统性误差，导致体积高估，影响了自动化疾病概率预测的准确性 | 探究深度学习合成的3D-T1w序列是否足以保留区域萎缩模式，以用于自动化脑体积测量 | 阿尔茨海默病（AD）、额颞叶痴呆（FTD）患者及健康对照（HC）的脑MRI图像 | 数字病理学 | 神经退行性疾病 | 3D-T1w MRI、3D FLAIR、4 mm轴向FLAIR、4 mm冠状T2 MRI | 深度学习 | 3D MRI图像 | 包括AD、FTD患者和HC的回顾性队列，具体样本数量未在摘要中明确 | FreeSurfer, VolBrain | SynthSR, SynthSeg+, AssemblyNet-AD-FTD | 体积测量差异的p值（如总白质体积、总灰质体积、海马体积），疾病概率预测的p值 | NA |
| 2903 | 2026-03-01 |
DoC-Informer: Automated Discrimination of Disorders of Consciousness under Adaptive EEG Settings
2026-Feb-27, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2026.3668768
PMID:41758838
|
研究论文 | 本研究提出了一种名为DoC-Informer的CNN-Transformer混合框架，用于在自适应EEG设置下自动鉴别意识障碍状态 | 提出了一种结合通道独立架构、电极位置编码和通道掩码训练策略的CNN-Transformer混合框架，能够有效处理不完整的电极覆盖并减少对人工特征的依赖 | 未明确说明模型在更广泛临床环境中的泛化能力，以及与其他模态数据（如fMRI）结合的可能性 | 开发一种自动化EEG分析框架，用于准确鉴别意识障碍的不同状态，以辅助临床诊断和治疗决策 | 意识障碍患者，包括无反应觉醒综合征和最小意识状态患者 | 数字病理学 | 老年疾病 | EEG | CNN, Transformer | EEG信号 | 两个真实世界DoC数据集（包含UWS和MCS患者），具体样本数量未明确说明 | PyTorch | CNN-Transformer混合架构，包含浅层时间特征编码模块、空间Transformer和时间Transformer | 准确性，鲁棒性评估，消融研究验证 | 未明确说明 |
| 2904 | 2026-03-01 |
NPSVC++: A Representation Learning Framework for Nonparallel Classifiers
2026-Feb-27, IEEE transactions on neural networks and learning systems
IF:10.2Q1
DOI:10.1109/TNNLS.2026.3661343
PMID:41758861
|
研究论文 | 本文提出了一种名为NPSVC++的表示学习框架，用于改进非平行支持向量分类器（NPSVCs）的性能 | 基于多目标优化开发NPSVC++框架，首次实现NPSVC与特征的联合学习，通过追求帕累托最优性确保跨类特征最优性，有效解决了特征次优性和类依赖性问题 | 未在摘要中明确说明 | 通过表示学习提升非平行支持向量分类器的性能 | 非平行支持向量分类器（NPSVCs） | 机器学习 | NA | 多目标优化 | 支持向量分类器 | NA | NA | NA | K-NPSVC++, D-NPSVC++ | NA | NA |
| 2905 | 2026-03-01 |
MDDTA: A Drug Target Binding Affinity Prediction Method Based on Molecular Dynamics Simulation Data Enhancement
2026-Feb-27, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2026.3668781
PMID:41758859
|
研究论文 | 本文提出了一种基于分子动力学模拟数据增强的药物靶点结合亲和力预测方法MDDTA，旨在通过整合动态构象信息提升预测性能 | 构建了增强采样的分子动力学模拟数据集MD-PDBbind，并提出具有等变与不变特性的FAFormer架构，同时设计了动态感知损失函数 | 未明确说明模型对计算资源的具体需求及在更大规模数据集上的泛化能力 | 提升药物靶点结合亲和力预测的准确性，以增强药物筛选效率 | 药物靶点复合物的动态构象 | 机器学习 | NA | 分子动力学模拟 | Transformer | 分子结构数据，动态构象数据 | CASF-2016数据集及70个SARS-CoV-2候选化合物 | NA | FAFormer | 评分性能，排序性能 | NA |
| 2906 | 2026-03-01 |
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 | 本研究通过AI辅助数字病理学定量评估牙源性黏液瘤谱系病变中的纤维组织比例，并探讨其与临床病理特征的相关性 | 首次在多中心研究中应用多阶段深度学习流程，对牙源性黏液瘤谱系病变进行AI辅助的定量病理学分析，揭示了纤维组织比例的临床病理意义 | 样本量相对有限（100例），且为回顾性研究，可能影响结果的普遍适用性 | 定量评估牙源性黏液瘤谱系病变中的纤维组织比例，并探索其与临床病理特征的相关性 | 牙源性黏液瘤（OM）和牙源性黏液纤维瘤（OMF）的手术标本 | 数字病理学 | 牙源性肿瘤 | Masson三色染色，全玻片成像，AI辅助数字病理学 | 深度学习 | 病理图像 | 来自34家机构的143个手术标本，经集中病理学审查后纳入100例 | 未明确指定 | 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 |
| 2907 | 2026-03-01 |
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 | 本文提出了一种基于混合深度强化学习的自适应任务调度框架IntelliScheduler，用于优化边缘-云计算环境中的任务调度 | 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 | 当前评估基于模拟实验，尚未在实际动态边缘-云调度场景中进行验证 | 优化边缘-云计算环境中异构工作负载下的任务调度，以最小化执行延迟并提高服务质量 | 边缘-云计算环境中的任务调度问题 | 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 | 模拟任务调度数据 | 在不同工作负载下进行的广泛模拟实验 | NA | 基于深度强化学习的混合框架 | 归一化奖励、训练损失、运营成本、拒绝率、体验质量 | NA |
| 2908 | 2026-03-01 |
Deep learning for fast screening and localization of spinal dural arteriovenous fistulas to enhance clinical workflow
2026-Feb-27, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-026-02474-z
PMID:41760890
|
研究论文 | 本研究开发了一个名为SDAVFdoc的自动化AI系统，用于快速筛查和定位脊髓硬脊膜动静脉瘘，以优化临床工作流程 | 将3D卷积神经网络与解剖学先验知识相结合，实现了对SDAVF的自动识别和瘘口定位，并显著减少了处理时间和操作步骤 | NA | 开发一个自动化AI系统，用于快速、准确地筛查和定位脊髓硬脊膜动静脉瘘，以提升临床工作效率 | 脊髓硬脊膜动静脉瘘患者 | 数字病理学 | 心血管疾病 | CTA成像 | CNN | 图像 | 718名患者的多中心研究 | NA | DenseNet | F1分数, AUC | NA |
| 2909 | 2026-03-01 |
Deep Learning Based Approach for Lossless ECG Compression
2026-Feb-27, Cardiovascular engineering and technology
IF:1.6Q4
DOI:10.1007/s13239-026-00821-5
PMID:41761039
|
研究论文 | 本文提出了一种基于深度学习的无损ECG压缩新方法，通过自适应ARIMA模型实现高质量压缩 | 结合深度自编码器和多层感知器神经网络回归器预测ARIMA模型超参数，并利用粒子群优化离线调优，实现自适应无损ECG压缩 | 仅使用了MIT-BIH数据库中的46条记录，样本量有限，且未提及在其他数据库或实际临床环境中的验证 | 开发一种用于远程心脏监测的无损ECG压缩技术，以减少数据传输和存储负担 | ECG信号，特别是来自MIT-BIH数据库的10种主要异常心跳类型 | 机器学习 | 心血管疾病 | ECG信号处理，自适应ARIMA模型 | 深度自编码器，多层感知器神经网络 | ECG信号 | 46条来自MIT-BIH数据库的记录，包含10种异常心跳类型 | NA | 深度自编码器，多层感知器神经网络 | 压缩率，百分比均方根误差 | NA |
| 2910 | 2026-03-01 |
Clinical Grading of Artificial Intelligence-Based 3D Fetal Brain Segmentations: A Cross-Vendor Evaluation of Deep Learning in Fetal Neuroimaging
2026-Feb-27, Prenatal diagnosis
IF:2.7Q2
DOI:10.1002/pd.70103
PMID:41761049
|
研究论文 | 本研究评估了基于深度学习的3D胎儿大脑自动分割方法在不同超声设备供应商数据集上的性能，并引入了临床医生视觉评估框架 | 首次在不同供应商的3D超声数据集上评估胎儿大脑分割方法，并提出了与DSC互补的临床视觉评估框架 | 研究仅包含19-26+6周孕期的胎儿数据，未涵盖更早或更晚孕期阶段 | 评估深度学习模型在跨供应商3D胎儿神经影像数据上的分割鲁棒性和临床适用性 | 141名胎儿（270个3D超声体积数据） | 数字病理学 | NA | 3D超声成像 | 深度学习 | 3D超声图像 | 270个体积数据（来自141名胎儿，孕期19-26+6周） | NA | NA | Dice相似系数, 视觉分级评分 | NA |
| 2911 | 2026-03-01 |
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预训练GraphormerMapper微调的模型GraphormerLogP，用于预测分子的辛醇-水分配系数（logP） | 首次将预训练的GraphormerMapper模型通过任务特定的微调架构应用于logP预测，并利用反应数据学习到的表示；同时收集并整理了一个包含超过42,000个化合物的大型多样化logP数据集 | 未明确提及模型在更广泛或更复杂分子结构上的泛化能力，以及计算资源需求的具体细节 | 准确预测分子的辛醇-水分配系数（logP），以支持药物发现和开发 | 分子及其logP值 | 机器学习 | NA | 基于图的深度学习 | Transformer | 分子图（SMILES字符串） | 总计55,694个分子（GLP数据集42,006个，基准数据集13,688个） | PyTorch（推断自Graphormer的常见实现） | GraphormerMapper | 平均绝对误差 | NA |
| 2912 | 2026-03-01 |
Editorial for "Analysis of Upper Airway Morphology Using Four-Dimensional Dynamic MRI With Active Deep Learning-Based Automatic Segmentation"
2026-Feb-27, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.70283
PMID:41761402
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2913 | 2026-03-01 |
Methodological considerations for a deep learning-based prescription framework for traditional Chinese medicine
2026-Feb-27, British journal of pharmacology
IF:6.8Q1
DOI:10.1111/bph.70401
PMID:41761602
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 2914 | 2026-03-01 |
Advances in air quality modeling through artificial intelligence, machine learning, and deep learning: A comprehensive review
2026-Feb-26, The Science of the total environment
DOI:10.1016/j.scitotenv.2026.181593
PMID:41759366
|
综述 | 本文对人工智能、机器学习和深度学习在空气质量建模中的应用进展进行了全面回顾 | 系统梳理了112篇文献，将进展分为纯数据驱动模型和机器学习辅助数值模型两大类，并指出了可解释人工智能和物理信息神经网络等新兴解决方案 | 机器学习在空气质量建模中仍面临模型“黑箱”性质、不确定性量化不足、区域数据稀缺等挑战，且整合控制大气物理的刚性化学常微分方程仍是关键障碍 | 回顾和评估人工智能、机器学习及深度学习技术在空气质量建模领域的应用进展与挑战 | 空气质量建模方法，特别是针对细颗粒物和臭氧等关键污染物的预测 | 机器学习 | NA | 机器学习，深度学习，可解释人工智能，物理信息神经网络 | NA | 空气质量数据，化学传输模型输出 | 基于112篇文献的综述 | NA | NA | 预测准确性，计算成本 | NA |
| 2915 | 2026-03-01 |
Deep learning the droughts: Spatiotemporal monitoring of protracted dry conditions in Queensland, Australia
2026-Feb-26, The Science of the total environment
DOI:10.1016/j.scitotenv.2026.181564
PMID:41759365
|
研究论文 | 本研究提出了一种结合标准化降水指数、归一化植被指数和蒸汽压差数据的时空干旱评估方法，并利用混合深度学习框架监测澳大利亚昆士兰地区的持续性干旱事件 | 通过整合遥感指数与深度学习，首次明确建模植被恢复依赖的时间依赖性，以识别持续性干旱事件，克服了传统方法将干旱事件视为孤立的局限 | 研究主要基于澳大利亚昆士兰地区，可能未涵盖其他地理或气候条件下的干旱模式，且依赖于特定遥感数据的可用性和质量 | 开发一种时空干旱评估方法，以更准确地监测和识别持续性干旱事件，并评估植被恢复动态 | 澳大利亚昆士兰地区的干旱事件及其对植被的影响 | 机器学习 | NA | 遥感指数分析（SPI, NDVI, VPD） | CNN, LSTM, BiLSTM | 时空遥感数据 | NA | NA | CNN-LSTM-MHA, 混合深度学习框架 | 准确率, F1分数 | NA |
| 2916 | 2026-03-01 |
Beyond Human Variability: Deep Learning for Intravascular Ultrasound Segmentation With Noisy Labels
2026-Feb-26, Ultrasound in medicine & biology
|
研究论文 | 本文研究了噪声标签对深度学习血管内超声分割的影响，并提出了一种临床信息过滤器来改善半监督学习中的模型性能 | 系统评估了高观察者间变异性导致的噪声标签对IVUS分割的影响，并引入基于连续帧预测的Hausdorff距离过滤器来提升标签质量 | 未具体说明实验数据集的详细来源或样本多样性，且过滤器方法可能依赖于特定帧序列假设 | 评估噪声标签对深度学习IVUS分割模型的影响，并提出改进半监督学习性能的方法 | 血管内超声图像中的冠状动脉管腔和血管结构 | 医学图像分析 | 心血管疾病 | 血管内超声成像 | 深度学习分割模型 | 医学图像 | NA | NA | NA | Dice相似系数, Hausdorff距离 | NA |
| 2917 | 2026-03-01 |
Deep Learning-Based Prediction of Trabecular Bone Mineral Density From Lumbar CT: A Superior Alternative to DEXA in Hyperostosis
2026-Feb-25, Global spine journal
IF:2.6Q1
DOI:10.1177/21925682261429415
PMID:41738591
|
研究论文 | 本研究利用深度学习从腰椎CT图像预测骨密度，旨在改善骨质疏松和骨量减少的检测，并促进早期干预 | 开发了一种基于CT的深度学习模型，用于准确预测骨小梁骨密度，并在骨骼增生患者中显示出优于DEXA的骨折风险预测性能 | 研究为回顾性队列研究，样本量有限（460名患者），且骨小梁区域分割为半自动，可能存在人为误差 | 探索利用深度学习从CT图像预测腰椎骨密度，以改进骨质疏松和骨量减少的检测，并验证其在骨折风险预测中的性能 | 460名患者的1840个腰椎椎体（L1-L4） | 计算机视觉 | 骨质疏松 | CT成像 | 深度学习回归模型, 深度学习分类模型 | 图像 | 460名患者的1840个腰椎椎体 | NA | NA | 相关系数, AUC | NA |
| 2918 | 2026-03-01 |
CellMate─A Deep Learning-Assisted Single-Cell Data Processing Platform
2026-Feb-24, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.5c07205
PMID:41685605
|
研究论文 | 本文介绍了CellMate，一个基于MATLAB的单细胞代谢组学数据处理平台，利用深度学习辅助进行代谢物识别和峰对齐 | 开发了一种新颖的基于深度学习的图像分类算法，能有效区分内源性代谢物与背景物种，支持可定量的靶向和非靶向代谢组学工作流 | 平台主要针对直接注入技术，可能不兼容所有单细胞代谢组学方法，且依赖于MATLAB环境 | 开发一个专门用于单细胞代谢组学数据处理的平台，以解决现有工具兼容性不足的问题 | 单细胞代谢组学数据，特别是通过质谱分析获取的代谢物信息 | 机器学习 | NA | 质谱分析，直接注入技术 | 深度学习图像分类算法 | 图像，代谢组学数据 | 数百个单细胞样本 | MATLAB | NA | NA | NA |
| 2919 | 2026-03-01 |
Harnessing AI for Antimicrobial Peptide Innovation against Multidrug Resistance
2026-Feb-23, JACS Au
IF:8.5Q1
DOI:10.1021/jacsau.5c01520
PMID:41755839
|
综述 | 本文探讨了人工智能在加速抗菌肽发现与设计中的应用，以应对多重耐药性威胁 | 整合了预测模型与生成模型，并强调了多组学数据融合及量子计算在克服计算瓶颈中的潜力 | 未提及具体实验验证或临床转化数据 | 利用人工智能技术加速新型抗菌肽的发现与优化，以解决抗菌药物耐药性问题 | 抗菌肽及其在对抗多重耐药性病原体中的应用 | 机器学习 | NA | NA | 机器学习, 深度学习 | 多组学数据 | NA | NA | NA | NA | 量子计算 |
| 2920 | 2026-03-01 |
Transformer Enabled Half Z‑spectrum Sampling B0 Inhomogeneity Correction for GluCEST and NOE MRI
2026-Feb-23, Chemical & biomedical imaging
DOI:10.1021/cbmi.5c00071
PMID:41756776
|
研究论文 | 本研究提出了一种基于Transformer的模型，用于在GluCEST和NOE MRI中校正B0不均匀性，通过仅使用下野Z谱偏移图像，显著减少了扫描时间 | 采用Transformer模型仅利用下野Z谱偏移图像进行B0校正，相比先前深度学习方法进一步减少约50%的扫描时间，并展示了优于传统卷积神经网络的性能 | 未明确提及模型在更广泛数据集或不同扫描条件下的泛化能力，以及计算资源需求的详细分析 | 开发一种高效的B0不均匀性校正方法，以减少化学交换饱和转移MRI的扫描时间并提高校正质量 | 谷氨酸加权CEST和核欧沃豪斯效应CEST成像 | 医学影像分析 | NA | 化学交换饱和转移MRI | Transformer | 图像 | NA | NA | Swin Transformer | 视觉评估, 定量评估 | NA |