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 45616 篇文献，本页显示第 3001 - 3020 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 3001 | 2026-05-16 |
Artificial intelligence for personalized multiple micronutrient supplementation in maternal health
2026-Jun, International journal of gynaecology and obstetrics: the official organ of the International Federation of Gynaecology and Obstetrics
DOI:10.1002/ijgo.70911
PMID:41755349
|
综述文章 | 探讨人工智能在孕产妇个性化多种微量营养素补充中的应用框架 | 提出“营养数字孪生”概念，结合多模态数据（电子健康记录、可穿戴设备、基因组标记等）和深度学习/自然语言处理模型，实现个性化营养补充方案的分层与模拟 | 当前仍处于概念模型阶段，需解决数据代表性、伦理规范、推荐可信度及公平性等关键问题 | 设计基于AI的个性化多种微量营养素补充策略，以改善孕产妇及后代健康结局 | 孕产妇人群，特别是存在营养不良、微量营养素缺乏及不良妊娠结局风险的个体 | 机器学习, 自然语言处理, 数字病理学 | 孕产妇营养不良、微量营养素缺乏及相关妊娠并发症 | NA | 深度学习模型、自然语言处理模型 | 多模态数据（电子健康记录、可穿戴设备输出、营养与生育应用日志、基因组标记、社会人口学信息） | NA | NA | NA | NA | NA |
| 3002 | 2026-05-16 |
Proof-of-concept: Differentiating upper trapezius muscle with myofascial trigger point using deep learning model on a small prospective sEMG dataset
2026-Jun, Journal of electromyography and kinesiology : official journal of the International Society of Electrophysiological Kinesiology
IF:2.0Q2
DOI:10.1016/j.jelekin.2026.103132
PMID:41818939
|
研究论文 | 本研究验证了使用深度学习模型从表面肌电信号中区分肌筋膜触发点的概念 | 首次证明表面肌电信号单独包含可用于区分肌筋膜触发点的判别信息，并在小样本数据上使用1D卷积神经网络实现高分类性能 | 样本量小（9名健康对照和13名患者），且未进行大规模验证 | 探究表面肌电信号是否包含判别信息以识别肌筋膜触发点 | 健康对照者和肌筋膜疼痛患者的上斜方肌表面肌电信号 | 机器学习 | 肌筋膜疼痛综合征 | 表面肌电信号（sEMG） | 1D卷积神经网络（1D CNN） | 生物信号数据（表面肌电信号） | 22名受试者（9名健康对照和13名患者），共279个收缩段（140个干预前和139个干预后） | NA | 1D卷积神经网络 | ROC-AUC, 准确率 | NA |
| 3003 | 2026-05-16 |
Advances in In silico predictive models for DDI prediction: Implications and practical applications in drug discovery
2026-Jun, Drug metabolism and pharmacokinetics
IF:2.7Q2
DOI:10.1016/j.dmpk.2026.101532
PMID:41962322
|
综述 | 综述了利用机器学习和人工智能预测药物-药物相互作用的最新进展及其在药物发现中的应用 | 全面总结了基于深度学习的DDI预测算法，并提供了将计算工具整合到现代药物发现工作流中的专家意见 | NA | 评估和讨论不同DDI类别的计算预测方法及其在药物开发中的实际应用 | 药物-药物相互作用(DDI)的计算预测模型 | 机器学习 | NA | NA | 深度学习 | 文本, 分子结构数据 | NA | NA | NA | NA | NA |
| 3004 | 2026-05-16 |
Advancement of an (in vitro/ex vivo) hybrid model framework to forecast polyviral lung disease outcomes
2026-Jun, Journal of investigative medicine : the official publication of the American Federation for Clinical Research
IF:2.5Q3
DOI:10.1177/10815589251382266
PMID:40947513
|
研究论文 | 开发一种（体外/离体）混合模型框架来预测多病毒性肺部疾病的结果 | 提出了一个结合体外和离体模型的混合框架，用于预测多病毒性肺部感染的结果 | 未来研究需要通过整合深度学习和人工智能等先进计算技术来改善预测准确性和可扩展性 | 推进一个（体外/离体）混合模型框架的发展和应用，以预测多病毒性肺部疾病结果 | 多病毒性肺部感染结果 | 机器学习 | 多病毒性肺部疾病 | NA | VGG16、CBRACDC、随机生存森林 | 图像 | NA | Python | VGG16、CBRACDC、随机生存森林 | 最小成本值 | NA |
| 3005 | 2026-05-16 |
Deep Learning Reconstruction on Quantitative Analysis in Brain Tumors With Diffusion-Weighted Imaging and Dynamic Susceptibility Contrast Imaging
2026-Jun, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.70286
PMID:41793218
|
研究论文 | 评估深度学习重建对脑肿瘤患者弥散加权成像和动态磁敏感对比成像定量参数的影响 | 首次系统评估深度学习重建技术在脑肿瘤成像中对DWI和DSC定量生理参数的影响，证明DLR能有效降噪同时保持定量准确性 | 未说明 | 评估深度学习重建对脑肿瘤患者DWI和DSC衍生定量参数的影响 | 62名脑转移瘤放疗后患者（33名男性）的DWI和DSC图像 | 机器学习 | 脑肿瘤 | MRI, DWI, DSC灌注成像 | 深度学习重建 | 图像 | 62名患者 | NA | NA | 变异系数，重复性系数，一致性相关系数，信噪比，均方根误差，平均绝对误差 | NA |
| 3006 | 2026-05-16 |
Personalized prediction of initial valproic acid dose in children with epilepsy using machine learning techniques
2026-Jun, International journal of clinical pharmacy
IF:2.6Q2
DOI:10.1007/s11096-026-02094-3
PMID:41879924
|
研究论文 | 开发并内部验证基于机器学习技术的儿童癫痫患者丙戊酸初始日剂量预测模型 | 利用真实世界临床数据库和TabNet算法实现儿童癫痫患者丙戊酸初始剂量的个性化预测，提供在线决策支持工具 | 仅基于单中心内部验证，模型对其他医院、人群和种族的泛化性未知，需外部验证后才能临床实施 | 开发基于人工智能的预测模型，为儿童癫痫患者提供个性化的丙戊酸初始日剂量 | 184例儿童癫痫患者的306份丙戊酸剂量样本 | 机器学习 | 癫痫 | NA | TabNet, CatBoost, XGBoost, LightGBM, Random Forest, Support Vector Machine, Multilayer Perceptron, Artificial Neural Network, Transformer, AdaBoost | 表格数据 | 184例患者的306份丙戊酸剂量样本 | NA | TabNet, CatBoost, XGBoost, LightGBM, Random Forest, Support Vector Machine, Multilayer Perceptron, Artificial Neural Network, Transformer, AdaBoost | 决定系数R², 均方根误差RMSE, 平均绝对误差MAE, 平均绝对百分比误差MAPE | NA |
| 3007 | 2026-05-16 |
The emergence of superficial dermatophytosis due to Trichophyton indotineae and Trichophyton mentagrophytes genotypes VII and II* in New York: a need for comprehensive testing approaches
2026-May-13, Journal of clinical microbiology
IF:6.1Q1
DOI:10.1128/jcm.00156-26
PMID:41960917
|
研究论文 | 报道2022至2024年间纽约市及周边郡县浅表皮肤癣菌病的快速增加，并开发了自动化深度学习模型用于快速鉴定和药敏测试 | 首次整合自动化深度学习模型、抗真菌药敏测试和全基因组测序，实现对印度毛癣菌及须癣毛癣菌基因型VII和II*的快速鉴定、耐药检测与传播分析 | 数据仅来自纽约市及周边地区，可能无法推广至其他区域 | 应对印度毛癣菌和须癣毛癣菌感染的快速增加，开发高效鉴定、耐药检测和监测方案以改善患者护理和感染控制 | 印度毛癣菌、须癣毛癣菌基因型VII和II*的临床分离株 | 机器学习 | 皮肤癣菌病 | 扩增子测序（ITS）、全基因组测序 | 深度学习模型 | DNA序列 | 188例分离株（含135株印度毛癣菌、39株基因型VII、14株基因型II*） | NA | NA | NA | NA |
| 3008 | 2026-05-16 |
Artificial intelligence in extracorporeal technology: Current applications and future directions-A narrative review
2026-May, Asian cardiovascular & thoracic annals
DOI:10.1177/02184923261432687
PMID:41914776
|
综述 | 本文综述了人工智能在体外生命支持技术（如体外循环、ECMO、心室辅助装置）中的应用现状与未来发展 | 系统梳理了AI在体外循环技术中从历史发展到核心子领域（机器学习、深度学习、认知计算）的全面应用框架 | 作为叙述性综述，可能未涵盖所有最新研究或提供定量对比分析 | 探讨AI在体外技术中提升安全性、精准性和效率的潜力，优化临床表现并支持个性化治疗 | 体外生命支持技术（CPB、ECMO、VAD）及其临床流程 | 机器学习 | 心血管疾病 | NA | NA | 生理数据 | NA | NA | NA | NA | NA |
| 3009 | 2026-05-16 |
CREsted: modeling genomic and synthetic cell-type-specific enhancers across tissues and species
2026-May, Nature methods
IF:36.1Q1
DOI:10.1038/s41592-026-03057-2
PMID:41927920
|
研究论文 | CREsted软件包实现了跨组织和物种的细胞类型特异性增强子的建模与设计 | 开发了整合单细胞ATAC-seq数据处理、序列建模、增强子设计与下游分析的端到端软件包，并在斑马鱼胚胎图谱中验证了设计的增强子体内活性 | 未提及具体限制 | 实现跨组织与物种的细胞类型特异性增强子的序列建模与合成设计 | 增强子序列及其细胞类型特异性调控逻辑 | 机器学习, 数字病理学 | NA | 单细胞ATAC-seq | 深度学习模型 | 序列数据 | 小鼠皮层数据集、人类外周血单核细胞数据集、鱼类胚胎发育图谱 | PyTorch | Transformer | NA | NA |
| 3010 | 2026-05-16 |
Coalescence and translation: A language model for population genetics
2026-Apr-14, Proceedings of the National Academy of Sciences of the United States of America
IF:9.4Q1
DOI:10.1073/pnas.2518956123
PMID:41961853
|
研究论文 | 开发了一个基于Transformer的群体遗传学语言模型，将溯祖时间推理转化为两种生物语言间的翻译问题 | 首次将大型语言模型架构应用于群体遗传学，将溯祖时间推理重构为遗传突变模式与祖先重组图之间的翻译任务 | 模型在分布外场景下的准确性仍有提升空间，需要进一步微调优化 | 实现高效、可扩展的群体遗传推断，克服传统概率模型的计算复杂度和预设假设限制 | 基因组的局部突变模式与祖先重组图 | 自然语言处理 | NA | 模拟生成数据 | Transformer | 基因组序列数据 | 使用stdpopsim目录覆盖多种人口统计场景的模拟数据，以及人类和蚊虫的真实群体基因组数据 | NA | 仅编码器Transformer | 准确性 | NA |
| 3011 | 2026-05-16 |
Imaging-Derived Coronary Fractional Flow Reserve: Advances in Physics-Based, Machine Learning, and Physics-Informed Methods
2026-Apr-07, ArXiv
PMID:41757284
|
综述 | 综述影像学衍生的冠状动脉血流储备分数计算方法的物理模型、机器学习及物理信息驱动方法的最新进展 | 重点分析新兴的物理信息神经网络和神经算子方法在提高计算速度和物理一致性方面的平衡作用，并强调临床转化中的关键考量 | 机器学习/深度学习模型在真实世界性能中表现出变异性，对领域偏移敏感，且存在多中心异质性、可解释性不足和图像质量差异等问题 | 综述基于CT和血管造影的FFR测量技术进展，聚焦物理信息方法对传统计算流体力学及机器学习方法的改进 | 冠状动脉狭窄的影像学功能评估方法 | 机器学习, 计算机视觉 | 心血管疾病 | NA | 物理信息神经网络, 神经算子 | 影像数据 | NA | NA | PINN, PINO | 校准度, 不确定性量化, 质量控制门控 | NA |
| 3012 | 2026-05-15 |
Deep learning-enhanced data-driven gating improves FDG PET/CT clinical image quality
2026-Apr-05, EJNMMI physics
IF:3.0Q2
DOI:10.1186/s40658-026-00851-x
PMID:41936011
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 3013 | 2026-04-04 |
DSPONVNet: a multimodal deep learning model integrating intraoperative monitoring and clinical features for predicting postoperative nausea and vomiting risk
2026-Apr-02, BMC medical research methodology
IF:3.9Q1
DOI:10.1186/s12874-026-02845-w
PMID:41928118
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 3014 | 2026-05-16 |
A pipeline for developing AI-driven models to predict molecular initiating events: a case study on neural tube defects
2026-Apr-02, Journal of cheminformatics
IF:7.1Q1
DOI:10.1186/s13321-026-01177-7
PMID:41928299
|
研究论文 | 提出一个自动化AI流程，将ChEMBL生物活性数据转化为用于预测分子起始事件的深度学习模型，并以神经管缺陷为案例进行验证 | 构建了完整的端到端自动化流程，结合知识引导预训练的图Transformer框架，实现从原始数据到可部署预测模型的无缝衔接 | 文中未明确提及局限性 | 开发自动化AI流程，用于预测化学物质的分子起始事件，支持毒性评估和不良结局通路开发 | 化学物质的分子起始事件相关蛋白靶点、神经管缺陷相关的发育毒性 | 机器学习 | 神经管缺陷 | NA | 图Transformer (KPGT) | 化学结构、生物活性数据 | NA | KPGT | KPGT, SVM-RBF | NA | NA |
| 3015 | 2026-04-04 |
Modeling and forecasting neonatal mortality in Ethiopia: a comparative study using statistical, machine learning, and deep learning approaches
2026-Apr-02, Archives of public health = Archives belges de sante publique
DOI:10.1186/s13690-026-01909-z
PMID:41928309
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 3016 | 2026-05-16 |
Follow-Up Bias in Tumor Dynamic Modeling: A Comparison of Classical and Neural-ODE Approaches
2026-Apr, CPT: pharmacometrics & systems pharmacology
DOI:10.1002/psp4.70239
PMID:41919988
|
研究论文 | 比较传统药理学模型与深度学习方法（TDNODE）在肿瘤动态建模中的预测偏差，特别是在随访期短或不一致的情况下 | 首次系统量化不同肿瘤动态模型在随访时间截断数据中的预测偏差，并对比深度学习方法与传统方法的性能差异 | 仅使用非小细胞肺癌（NSCLC）数据和阿替利珠单抗临床试验，可能限制其他癌种或药物类型的泛化性 | 评估肿瘤动态模型在不完整随访数据中的预测偏差，并探索深度学习作为替代方法的潜力 | 3106名非小细胞肺癌（NSCLC）患者，来自四项阿替利珠单抗III期研究 | 机器学习 | 非小细胞肺癌（NSCLC） | NA | 经典药理学模型与TDNODE（神经常微分方程） | 临床试验时间截断数据 | 3106名非小细胞肺癌患者 | NA | TDNODE | 预测偏差（Positive Bias） | NA |
| 3017 | 2026-05-16 |
A Bi-lingual chatbot implementation for pandemic response using the transformer-based approach
2026-Apr, PLOS digital health
DOI:10.1371/journal.pdig.0001256
PMID:41920886
|
研究论文 | 开发了一个基于Transformer的双语聊天机器人，用于疫情期间提供英语和卢干达语的准确信息 | 利用资源丰富的英语NLP框架实现卢干达语聊天功能，通过对话驱动开发实现持续改进 | 未提及具体限制 | 提供全天候的双语疫情管理信息，应对疫情期间错误信息传播问题 | 英语和卢干达语的疫情管理信息 | 自然语言处理 | COVID-19 | 深度学习 | Transformer | 文本 | 情特异性信息、问题和答案的语料库 | NA | Transformer | NA | NA |
| 3018 | 2026-05-16 |
Development and Validation of Machine Learning Models for Predicting Early Cognitive Decline Using Home Sensor-Derived Behavioral Data: Sensors in-Home for Elder Wellbeing (SINEW) Cohort Study
2026-Apr-01, JMIR research protocols
IF:1.4Q3
DOI:10.2196/79490
PMID:41921108
|
研究论文 | 利用家庭传感器衍生的行为数据构建和验证机器学习模型，以预测老年人的早期认知衰退 | 创新性地使用连续家庭多传感器系统（包括红外运动传感器、门接触传感器、床传感器等）衍生的时空活动模式、睡眠行为、用药依从性等数据，结合临床评估指标，开发并验证监督机器学习模型，用于区分正常老化与轻度认知障碍、早期痴呆及衰弱状态，并预测从正常老化向这些状态的转变 | 样本量有限（计划招募200人），数据收集周期长（2019年11月至2030年3月），尚未完成全部数据分析和模型验证 | 开发并验证一种基于家庭传感器的连续监测系统，早期识别有轻度认知障碍或早期痴呆、衰弱风险的老年人，以便及时干预 | 65岁及以上社区居住的老年人，基线时认知正常或患有轻度认知障碍 | 机器学习 | 老年疾病 | 家庭多传感器监测系统（被动红外运动传感器、门接触传感器、床传感器、药盒传感器、可穿戴活动带、蓝牙接近信标） | 逻辑回归、随机森林、梯度提升、深度学习 | 时间序列数据（传感器衍生的步态变异性、活动规律性、睡眠碎片化、用药依从性模式）和临床评估数据 | 计划招募200名社区老年人，截至2025年6月已招募138名 | NA | 逻辑回归、随机森林、梯度提升、深度学习 | AUC, 灵敏度, 特异度, 精确率, 召回率, F1分数 | NA |
| 3019 | 2026-05-16 |
Deep learning framework for predicting EGFR mutation status from H&E whole slide images in lung adenocarcinoma
2026-Apr-01, BMC cancer
IF:3.4Q2
DOI:10.1186/s12885-026-15957-9
PMID:41923035
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 3020 | 2026-05-16 |
A non-intrusive framework using acoustic signals and deep learning for boiling diagnostics in visual-limited environments
2026-Mar-25, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-41757-z
PMID:41882037
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |