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 3401 - 3420 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 3401 | 2026-04-04 |
A Deep-Learning Atlas of XPO1-Mediated Nuclear Export at Proteome Scale
2026-Mar-26, bioRxiv : the preprint server for biology
DOI:10.64898/2026.03.25.713363
PMID:41928959
|
研究论文 | 本研究利用AlphaFold 3构建了一个全面的XPO1介导的核输出图谱，在蛋白质组尺度上识别了数千个新型核输出序列 | 首次使用AlphaFold 3对全长货物蛋白-XPO1-RanGTP复合物进行大规模结构建模，突破了传统序列预测方法的局限，发现了非经典口袋占据模式的核输出序列 | 依赖于计算模型预测，虽然进行了实验验证，但大规模预测结果的全面实验验证仍需进一步工作 | 全面解析XPO1介导的核输出机制，建立蛋白质组尺度的核输出图谱 | 人类蛋白质组中与XPO1相互作用的4000多种蛋白质 | 计算生物学 | 癌症, 神经退行性疾病 | 深度学习结构建模, 无监督结构几何分析, 实验验证 | AlphaFold | 蛋白质序列, 蛋白质结构 | 超过4000种人类蛋白质 | AlphaFold 3 | AlphaFold 3 | 结构置信度, 实验验证 | 未明确说明，但涉及大规模蛋白质结构建模计算 |
| 3402 | 2026-04-04 |
rKAN: Rational Kolmogorov-Arnold networks
2026-Mar-25, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2026.108888
PMID:41930548
|
研究论文 | 本文提出了一种基于有理函数作为新型基函数的Kolmogorov-Arnold网络（rKAN），以替代传统的多层感知机 | 首次将有理函数作为KAN的基函数，提出了基于Padé近似和有理Jacobi函数的两种可训练基函数方法 | 未明确说明rKAN的计算复杂度或实现挑战 | 探索KAN中替代基函数以提升模型性能 | 深度学习模型中的基函数设计 | 机器学习 | NA | NA | KAN, rKAN | 图像, 文本, 强化学习环境数据 | NA | NA | Kolmogorov-Arnold网络, 有理KAN | 准确率 | NA |
| 3403 | 2026-04-04 |
AI-Driven Biomarker Discovery in Motor-Related Neurodegenerative Diseases
2026-Mar-25, CNS & neurological disorders drug targets
|
综述 | 本文综述了与运动障碍相关的分子、神经化学和影像学生物标志物，并探讨了人工智能在生物标志物发现和验证中的作用 | 系统总结了人工智能（特别是深度学习和机器学习）在整合多模态数据以识别运动相关神经退行性疾病生物标志物方面的应用潜力 | 存在数据异质性、生物标志物标准化不足、模型可解释性有限以及跨疾病验证不足等问题 | 总结运动相关神经退行性疾病的生物标志物研究现状，并评估人工智能在生物标志物识别和验证中的功能 | 帕金森病、亨廷顿病、肌萎缩侧索硬化症和脊髓小脑性共济失调等运动相关神经退行性疾病 | 机器学习 | 神经退行性疾病 | 多模态数据整合（包括数字、体液和影像数据） | 深度学习, 机器学习 | 多模态数据（分子、神经影像、数字生物标志物） | NA | NA | NA | NA | NA |
| 3404 | 2026-04-04 |
Nonparametric estimation of conditional survival function with time-varying covariates using DeepONet
2026-Mar-24, Lifetime data analysis
IF:1.2Q2
DOI:10.1007/s10985-026-09700-6
PMID:41874787
|
研究论文 | 本文提出了一种使用DeepONet进行条件生存函数非参数估计的方法，以处理时变协变量的复杂长期效应 | 利用DeepONet架构非参数地估计条件生存函数，放松了传统生存模型中比例风险和时变协变量瞬时效应等限制性假设 | 未明确提及计算复杂度或模型可解释性方面的限制 | 开发一种灵活的生存分析方法，以捕捉时变协变量的非瞬时和长期效应 | 生存数据，特别是包含时变协变量和删失数据的场景 | 机器学习 | NA | 深度学习 | DeepONet | 生存数据 | NA | NA | DeepONet | 集成Brier分数 | NA |
| 3405 | 2026-04-04 |
PNET-PRISM: a multicenter-validated radiomics nomogram for noninvasive grading of pancreatic neuroendocrine tumors
2026-Mar-24, Insights into imaging
IF:4.1Q1
DOI:10.1186/s13244-026-02250-3
PMID:41874882
|
研究论文 | 本研究开发并验证了一种基于CT影像组学的列线图模型PNET-PRISM，用于胰腺神经内分泌肿瘤的无创术前分级 | 整合了瘤内、瘤周、生境和深度学习领域的多维CT影像组学特征，构建了多维深度学习影像组学评分，并结合临床变量进行预测，显著优于仅临床模型 | 研究为回顾性设计，未来需要前瞻性研究进一步验证 | 开发一种可靠的非侵入性工具，用于胰腺神经内分泌肿瘤的术前分级和风险分层，以弥补内镜超声引导下细针穿刺活检的不足 | 胰腺神经内分泌肿瘤患者 | 数字病理学 | 胰腺神经内分泌肿瘤 | CT影像组学分析 | 深度学习 | CT图像 | 407名经手术确诊的胰腺神经内分泌肿瘤患者，分为训练集（244例）、验证集（106例）和外部测试集（57例） | NA | PNET-PRISM | AUC, 敏感性, 净重分类改善指数, 风险比 | NA |
| 3406 | 2026-04-04 |
Integrating Multiview Information for Enhanced Deep Learning-Based Acute Dermal Toxicity Prediction
2026-Mar-23, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c02959
PMID:41789561
|
研究论文 | 本文提出了一种名为MVIToxNet的新型深度学习模型，通过整合分子指纹和SMILES序列的多视图特征，以增强急性皮肤毒性预测的准确性 | MVIToxNet首次整合了分子指纹和SMILES序列的多视图特征，并采用字符级和原子级特征捕获SMILES信息，同时利用字节对编码分词来区分相似SMILES的子结构 | 研究中使用的数据集规模较小且不平衡，仅基于最佳验证性能选择单一模型可能无法可靠反映测试集的最佳泛化能力 | 开发一种深度学习模型以准确预测急性皮肤毒性，替代昂贵且存在伦理问题的动物毒性测试 | 分子化合物（通过分子指纹和SMILES序列表示） | 机器学习 | NA | 深度学习 | 深度学习模型 | 分子指纹、SMILES序列 | 小型且不平衡的数据集 | NA | MVIToxNet | 验证分数、测试集性能 | NA |
| 3407 | 2026-04-04 |
Hidden immune memory niches in inflammatory skin diseases
2026-Mar-23, bioRxiv : the preprint server for biology
DOI:10.64898/2026.03.20.713219
PMID:41929140
|
研究论文 | 本研究通过构建空间分辨多模态分子图谱，结合深度学习解码了健康与疾病状态下的人类皮肤微环境，揭示了传统组织病理学无法识别的免疫记忆微环境 | 发现了传统组织病理学无法识别的免疫活性微环境（如皮脂腺中的驻留记忆T细胞富集微环境和汗腺中的浆细胞富集微环境），并建立了组织病理学与图谱规模基因组学的联系 | 研究主要聚焦于皮肤组织，作为示例组织，其发现向其他组织的推广性有待验证 | 揭示炎症性皮肤疾病的发病机制、慢性化过程及潜在治疗途径 | 人类皮肤细胞（约500万个），包括113个皮肤切片 | 数字病理学 | 炎症性皮肤疾病 | Xenium-5k空间转录组分析，多模态分子图谱构建 | 深度学习 | 空间转录组数据，分子图谱数据 | 约500万个人类皮肤细胞，113个皮肤切片 | NA | NA | NA | NA |
| 3408 | 2026-04-04 |
Bacterial proteome foundation model enhances functional prediction from enzymes to ecological interactions
2026-Mar-23, bioRxiv : the preprint server for biology
DOI:10.64898/2026.03.07.710335
PMID:41929197
|
研究论文 | 本文介绍了BacPT，一种基于细菌蛋白质组的预训练基础模型，用于从基因组数据中预测多种生物功能 | 提出了首个基于大规模细菌蛋白质组的预训练基础模型，能够捕获局部和全基因组信息，生成上下文感知的基因嵌入和功能丰富的全基因组表示 | 模型依赖于有限的细菌基因组功能注释数据，可能无法完全覆盖所有细菌类群和复杂生物网络 | 开发一个通用框架，全面捕捉细菌基因组与其编码的多样化生物功能之间的关系 | 细菌基因组和蛋白质组数据 | 自然语言处理 | NA | 基因组测序，蛋白质组学 | 深度学习基础模型 | 基因组序列，蛋白质序列 | 数万个完整细菌基因组，涵盖多样化细菌类群 | NA | NA | NA | NA |
| 3409 | 2026-04-04 |
AI-Assisted Pneumonia Detection, Localisation and Report Generation from Chest X-rays
2026-Mar-23, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.03.20.26348879
PMID:41929300
|
研究论文 | 本文介绍了一种基于深度学习的全流程计算机辅助诊断系统，用于从胸部X光片中检测、定位肺炎并生成结构化报告 | 利用本地大型语言模型对放射学报告进行重新标注，显著提高了肺炎标签的敏感性和与人工标注的一致性，并构建了迄今为止最大的公开胸部X光片复合数据集 | Grad-CAM定位的F1分数仅为中等水平（52.9%），表明在病灶定位精度方面仍有改进空间 | 开发一个集肺炎检测、定位和报告生成为一体的计算机辅助诊断系统，以克服现有深度学习模型在泛化性和可解释性方面的局限 | 胸部X光片 | 计算机视觉 | 肺炎 | 深度学习，大型语言模型，梯度加权类激活映射 | CNN | 图像，文本（放射学报告） | 922,634张胸部X光片（来自公开数据集） | NA | DenseNet-121 | 敏感性，精确度，F1分数 | NA |
| 3410 | 2026-04-04 |
A proof-of-concept machine learning model for short-term suicide risk stratification in depressed youth
2026-Mar-19, Translational psychiatry
IF:5.8Q1
DOI:10.1038/s41398-026-03944-4
PMID:41856968
|
研究论文 | 本研究开发了一种机器学习模型，用于预测青少年抑郁症患者在治疗30天内的自杀企图，并评估其短期风险分层能力 | 首次针对中国青少年抑郁症患者开发短期自杀风险分层的机器学习模型，并比较了多种算法的性能，强调了正则化和简约性在事件稀少情况下的重要性 | 事件数量少限制了模型稳定性，队列同质性和单国招募限制了泛化能力，缺乏时间验证无法评估模型漂移 | 开发并验证用于青少年抑郁症患者短期自杀风险分层的机器学习模型 | 602名15-24岁的中国青少年抑郁症患者 | 机器学习 | 抑郁症 | 机器学习建模 | 支持向量机, 弹性网络, 随机森林, 深度学习 | 临床与心理社会数据 | 602名患者（训练集421人，测试集181人），其中30例自杀企图事件 | Scikit-learn | 支持向量机, 弹性网络, 随机森林, 深度学习模型 | AUC | NA |
| 3411 | 2026-04-04 |
Recent advances and current landscape of software tools for image analysis and dosimetry in nuclear medicine
2026-Mar-08, EJNMMI physics
IF:3.0Q2
DOI:10.1186/s40658-026-00847-7
PMID:41795779
|
综述 | 本文综述了核医学图像分析和剂量学软件工具的最新进展与现状 | 强调AI驱动的分割和时间-活性曲线建模作为提高工作流效率的关键创新，并探讨开源工具在资源受限环境中的可及性 | 现有工具在复杂剂量学场景（如α和俄歇疗法）中的验证、标准化和鲁棒性开发仍需加强 | 评估和促进核医学图像处理与剂量学软件工具的应用，以提升治疗安全性和疗效评估 | 核医学图像分析软件工具，包括开源和商业解决方案 | 数字病理 | NA | SPECT/CT, PET/CT, 深度学习 | NA | 图像 | NA | NA | NA | 准确性, 可重复性 | NA |
| 3412 | 2026-04-04 |
ICP-WAVES: Intracranial Pressure Waveform Analysis and Visualization for Enhanced Signal Processing
2026-Mar-03, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2026.3669377
PMID:41774667
|
研究论文 | 本文介绍了一种基于Transformer的基础模型，用于分析颅内压波形，并通过SVM分类器对波形形态进行分类，同时开发了图形用户界面以增强临床决策支持 | 首次将Transformer基础模型应用于颅内压波形分析，实现了对复杂时间动态的捕捉，并开发了交互式可视化工具以支持实时临床分析 | 模型在1-peak compliant波形分类上的准确率仅为77.5%，且数据集规模有限，可能影响泛化能力 | 开发一种能够分析颅内压波形形态以评估脑顺应性的深度学习系统 | 颅内出血患者和脑室外引流患者的颅内压波形数据 | 数字病理学 | 颅内出血 | 生理波形数据分析 | Transformer, SVM | 生理波形数据 | 190名颅内出血患者和23名脑室外引流患者，共标注8406个ICP脉冲 | NA | Transformer基础模型 | AUC, 混淆矩阵, 准确率 | NA |
| 3413 | 2026-04-04 |
A Self-Supervised Foundation Model Based on Three-Dimensional Chest CT Scans for Lung Cancer Diagnosis and Prognosis Prediction
2026-Mar, Radiology. Imaging cancer
DOI:10.1148/rycan.250360
PMID:41718531
|
研究论文 | 本研究开发了一种基于三维胸部CT扫描的自监督基础模型，用于肺癌的诊断和预后预测 | 提出了一种名为UCLIF的自监督胸部CT基础模型，通过对比掩码图像建模任务进行预训练，并在多中心数据集上微调，用于肺癌的组织学亚型分类、分期、生存和复发预测，性能优于主流深度学习和机器学习算法 | 研究为回顾性多中心研究，可能存在选择偏倚；模型在特定时间段（1958年至2019年）的数据上训练，可能无法完全代表最新临床实践 | 开发并评估一个基于三维胸部CT的自监督基础模型在肺癌临床任务中的性能 | 肺癌患者的胸部CT扫描图像 | 数字病理学 | 肺癌 | 三维胸部CT扫描 | 自监督学习基础模型 | 三维医学图像 | 预训练使用33,901例三维胸部CT扫描，下游评估包含656名患者 | NA | UCLIF（Unified CT-Based Lung Cancer Imaging Foundation） | 准确率, 敏感度, 特异度, AUC | NA |
| 3414 | 2026-04-04 |
Expression of Concern on “A deep learning algorithm-based visual strategy intervention study for children with autism spectrum disorders - extraction and detection of children's behavioral features"
2026-03, European review for medical and pharmacological sciences
DOI:10.26355/eurrev_202603_37714
PMID:41925352
|
声明 | 期刊编辑与出版商针对一篇已发表论文中参考文献的相关性问题发布关切声明 | NA | 作者未对参考文献相关性质疑作出回应，问题尚未解决 | NA | NA | NA | 自闭症谱系障碍 | NA | 深度学习算法 | NA | NA | NA | NA | NA | NA |
| 3415 | 2026-04-04 |
Side- and patient-based performance of a deep learning system based on the results of individual detection of carotid artery calcifications on panoramic radiographs
2026-Mar, Imaging science in dentistry
IF:1.7Q3
DOI:10.5624/isd.20250232
PMID:41928842
|
研究论文 | 本研究开发了两种用于全景X光片上颈动脉钙化诊断的深度学习系统，并比较了它们在钙化点、单侧和患者层面的诊断性能 | 开发了两种具有不同检测范围的深度学习系统（全图检测与双侧颈部区域限制检测），并首次系统比较了钙化点层面、单侧层面和患者层面三种评估方式的诊断性能 | 研究中观察到相对较多的假阳性病例 | 开发用于全景X光片上颈动脉钙化自动诊断的深度学习系统，并评估其在不同评估层面的性能 | 全景X光片图像 | 数字病理学 | 心血管疾病 | 全景X光摄影 | 深度学习检测模型 | 医学图像（X光片） | 580名患者（290名有颈动脉钙化，290名无钙化对照） | NA | NA | 召回率, 精确率, F1分数, 灵敏度, 特异性, 阳性预测值, 阴性预测值, 准确率, AUC | NA |
| 3416 | 2026-04-04 |
YOLOv8m-segmentation for detecting cervical burnout and caries in bitewing radiographs: A deep learning approach
2026-Mar, Imaging science in dentistry
IF:1.7Q3
DOI:10.5624/isd.20250194
PMID:41928845
|
研究论文 | 本研究评估了YOLOv8m-seg模型在咬翼X光片上检测和描绘邻面龋及牙颈部烧灼伤的性能，并探讨了增加训练轮次对分割精度和一致性的影响 | 首次将YOLOv8m-seg模型应用于牙科X光片中同时检测龋齿和牙颈部烧灼伤，并系统研究了训练轮次对分割性能的影响 | 模型在非增强验证子集上的性能有所下降，未来需要在更广泛人群和多样化临床环境中评估模型的泛化能力 | 开发一种基于深度学习的自动检测方法，用于在咬翼X光片上区分邻面龋和牙颈部烧灼伤 | 咬翼X光片中的邻面龋和牙颈部烧灼伤病变 | 计算机视觉 | 牙科疾病 | 深度学习，图像分割 | YOLO | X光图像 | 1,410张咬翼X光片（1,128张训练，282张验证） | Ultralytics | YOLOv8m-seg | 精确率，召回率，mAP0.5，mAP0.5-0.95 | NA |
| 3417 | 2026-04-04 |
scDBic: a novel deep learning-based biclustering algorithm for analyzing scRNA-seq data
2026-Feb-28, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btag095
PMID:41746287
|
研究论文 | 本文提出了一种基于深度学习的新型双聚类算法scDBic，用于分析单细胞RNA测序数据，以改善细胞聚类性能并识别关键基因 | 结合深度自编码器捕获基因表达主要信息，并采用反向策略识别细胞群的关键基因，从而提升聚类性能 | 未明确提及算法在高维数据中的计算效率或对大规模数据集的扩展性限制 | 开发一种专门针对scRNA-seq数据的双聚类算法，以更好地捕获细胞异质性并识别关键基因 | 单细胞RNA测序数据 | 机器学习 | NA | 单细胞RNA测序 | 自编码器 | 基因表达数据 | NA | NA | 深度自编码器 | NA | NA |
| 3418 | 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 |
| 3419 | 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 |
| 3420 | 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 |