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 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 | 2026-02-24 |
Artificial intelligence-powered nanomedicine
2026-Feb-23, Chemical Society reviews
IF:40.4Q1
DOI:10.1039/d5cs01406a
PMID:41636234
|
综述 | 本文系统总结了人工智能与纳米医学融合的现状，重点介绍了AI在纳米颗粒设计、合成以及AI引导的诊断与治疗纳米平台开发方面的进展 | 将人工智能（包括机器学习、深度学习和生成模型）与纳米医学相结合，以优化纳米颗粒设计、预测纳米-生物相互作用并提高诊疗效果，推动数据驱动的自适应纳米诊疗系统发展 | 本文是一篇综述，未进行原始研究，因此未涉及具体实验或模型的具体局限性，但文中指出了该领域面临的挑战，如生物系统的复杂性、纳米-生物相互作用理解不完整、临床转化有限等 | 探讨人工智能与纳米医学的融合如何克服传统纳米医学的挑战，并推动精准医学的发展 | 人工智能算法在纳米医学中的应用，包括纳米颗粒设计、合成、纳米-生物相互作用预测以及诊疗纳米平台 | 机器学习 | NA | NA | 机器学习, 深度学习, 生成模型 | NA | NA | NA | NA | NA | NA |
| 3402 | 2026-02-24 |
Selective multimodal deep learning for reliable breast cancer subtype classification from histopathology and genomic data
2026-Feb-23, Medical engineering & physics
IF:1.7Q3
DOI:10.1088/1873-4030/ae449b
PMID:41671586
|
研究论文 | 本研究提出了一种结合组织病理学图像和RNA-seq数据的多模态深度学习框架，用于可靠地分类乳腺癌亚型 | 引入了基于不确定性的智能路由机制，可选择性使用单模态或多模态预测以优化计算效率；结合了CTransPath视觉Transformer提取组织学特征，并应用注意力展开技术提高模型可解释性 | 研究仅基于TCGA-BRCA数据集（924名患者），未在外部独立队列中进行验证；未考虑其他可能影响亚型分类的临床或分子数据 | 提高乳腺癌亚型分类的准确性和可解释性，为个性化治疗规划和预后评估提供支持 | 乳腺癌患者的组织病理学全切片图像和RNA-seq转录组数据 | 数字病理学 | 乳腺癌 | RNA-seq, 全切片图像分析 | Transformer, 多模态融合模型 | 图像, 基因表达数据 | TCGA-BRCA数据集的924名患者，包含PAM50分子亚型 | PyTorch | CTransPath, 门控注意力, 交叉注意力 | 准确率, 混淆矩阵 | GPU（具体型号未明确说明） |
| 3403 | 2026-02-24 |
XRepDDA: An Interpretable Drug-Disease Association Prediction Framework Leveraging Pretrained Chemical Language Models
2026-Feb-23, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c02901
PMID:41617662
|
研究论文 | 提出一个名为XRepDDA的可解释药物-疾病关联预测框架，通过整合多模态特征表示和深度度量学习来提高预测准确性和鲁棒性 | 整合了预训练化学语言模型进行药物表示、基于MeSH本体的分层语义图进行疾病表示，并采用改进的ModernNCA架构进行深度度量学习，同时建立了多层次可解释性框架 | 未在摘要中明确说明 | 提高药物重定位中药物-疾病关联预测的准确性和可解释性 | 药物-疾病关联 | 自然语言处理, 机器学习 | 阿尔茨海默病, 胃肿瘤 | 分子对接实验 | 预训练语言模型, 图嵌入, 深度度量学习 | SMILES序列, 语义图, 结构化数据 | 多个公共基准数据集 | NA | ModernNCA | AUC, AUPR | NA |
| 3404 | 2026-02-24 |
Diagnostic Accuracy of Artificial Intelligence Models in Computed Tomography Interpretation of Chronic Rhinosinusitis: A Systematic Review
2026-Feb-23, Ear, nose, & throat journal
DOI:10.1177/01455613261423741
PMID:41725413
|
系统综述 | 本文系统综述并比较了人工智能模型在慢性鼻窦炎CT图像解读中的诊断准确性 | 首次对AI模型在慢性鼻窦炎CT诊断中的准确性进行系统综述，并识别了基于ResNet的模型展现出潜力 | 方法学异质性限制了研究间的可比性，需要标准化、多中心验证和临床数据整合以提高普适性 | 系统评估和比较人工智能模型在慢性鼻窦炎CT图像解读中的诊断准确性 | 慢性鼻窦炎患者的CT图像 | 计算机视觉 | 慢性鼻窦炎 | 计算机断层扫描 | CNN, 深度学习 | 图像 | 6项研究，涉及2178名患者 | NA | 卷积神经网络, ResNet, 混合深度学习模型 | 灵敏度, 特异度, 准确度, AUC | NA |
| 3405 | 2026-02-24 |
Unveil Fundamental Graph Properties for Neural Architecture Search
2026-Feb-23, Advanced science (Weinheim, Baden-Wurttemberg, Germany)
DOI:10.1002/advs.202516574
PMID:41725562
|
研究论文 | 本文提出了一种名为NASGraph的方法，将神经网络架构转换为图，并通过图属性预测其性能，以促进神经架构搜索 | 首次将神经网络架构转换为图结构，并利用图属性来预测和优化架构性能，为神经架构搜索提供了新的视角 | 未明确说明方法在极端复杂架构或跨领域任务中的泛化能力 | 探索神经网络架构的结构特性与其性能之间的关系，以改进神经架构搜索方法 | 神经网络架构 | 机器学习 | NA | NA | NA | 图数据 | NA | NA | NA | NA | 显著减少的计算资源 |
| 3406 | 2026-02-24 |
A comprehensive review of non-destructive technologies for banana ripeness assessment: implications for food quality, safety, and supply chain management
2026-Feb-23, Critical reviews in food science and nutrition
IF:7.3Q1
DOI:10.1080/10408398.2026.2630105
PMID:41729096
|
综述 | 本文全面综述了用于香蕉成熟度评估的非破坏性技术，并探讨了其对食品质量、安全和供应链管理的影响 | 系统性地比较了多种非破坏性技术（如介电特性、深度学习、图像处理、激光诱导背向散射成像和光谱学）在香蕉成熟度评估中的应用，并强调了多模态传感器融合和先进计算模型的集成趋势 | 标准化成熟度识别在不同香蕉品种和环境条件下存在挑战，且先进技术面临计算和实际应用障碍 | 评估非破坏性技术在香蕉成熟度检测中的应用，以优化供应链管理、减少食物浪费 | 香蕉（Musa spp.）及其成熟阶段 | 计算机视觉 | NA | 介电特性分析、图像处理、激光诱导背向散射成像、光谱学 | 深度学习、人工神经网络 | 图像、多模态传感器数据 | NA | NA | NA | NA | NA |
| 3407 | 2026-02-24 |
Artificial intelligence in paediatric neuroradiology: current landscape, challenges, and future directions
2026-Feb-23, Pediatric radiology
IF:2.1Q2
DOI:10.1007/s00247-026-06547-9
PMID:41729266
|
综述 | 本文回顾了人工智能在儿科和胎儿神经放射学中的当前应用、挑战及未来方向 | 特别关注儿科特有的因素，如大脑发育和数据稀缺性，并提出了通过数据共享、联邦学习等策略应对挑战 | 临床采用仍然有限，主要障碍包括高实施成本、大规模多样化儿科数据集不足以及安全、偏见和监管方面的担忧 | 评估人工智能在儿科神经放射学中的实践、障碍和未来潜力 | 儿科和胎儿神经放射学中的图像分割、病变检测、分类、预后和临床决策支持研究 | 数字病理学 | NA | 深度学习 | NA | 图像 | NA | NA | NA | NA | NA |
| 3408 | 2026-02-24 |
ASO Visual Abstract: AI-FLEET: Phase I - Multimodal Deep Learning Model for Phyllodes Tumor Classification
2026-Feb-23, Annals of surgical oncology
IF:3.4Q1
DOI:10.1245/s10434-026-19322-9
PMID:41729465
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 3409 | 2026-02-24 |
Navigated hepatic tumor resection using intraoperative ultrasound imaging
2026-Feb-23, International journal of computer assisted radiology and surgery
IF:2.3Q2
DOI:10.1007/s11548-026-03581-8
PMID:41729473
|
研究论文 | 本研究评估了一种基于术中超声的导航系统在开放式肝脏手术中的可行性和准确性 | 与依赖术前影像配准的传统系统不同，该系统利用术中超声生成的3D模型进行导航引导切除 | 25例患者中有4例因术中传感器脱落或数据记录错误被排除在准确性评估之外 | 评估超声导航系统在肝脏肿瘤切除术中的可行性和准确性 | 接受肝转移瘤切除术的患者 | 数字病理 | 肝转移瘤 | 术中超声成像 | 深度学习算法 | 超声图像 | 25例患者（20例成功建立导航，16例可评估准确性） | NA | NA | 导航准确性（中位数3.2 mm）、R0切除率（93.8%） | NA |
| 3410 | 2026-02-24 |
A deep learning-based computer-aided determination method for dominant follicle identification and antral follicle count in pelvic MRI images
2026-Feb-20, Biomedical engineering online
IF:2.9Q3
DOI:10.1186/s12938-026-01518-5
PMID:41721332
|
研究论文 | 开发并评估了一种基于深度学习的计算机辅助测定方法，用于在盆腔MRI图像中自动进行窦卵泡计数和优势卵泡识别 | 提出了一种多阶段计算机辅助测定方法，结合YOLOv11检测模型和新型LCR-UNet分割模型，集成了轻量级空洞空间金字塔池化模块和级联解码器，以克服MRI卵泡分析的高标注成本和手动解释依赖 | 研究样本量相对有限（124名患者），且仅使用T2加权MRI图像，可能未涵盖所有临床场景 | 开发自动化工具以辅助卵巢储备和生育能力评估 | 盆腔MRI图像中的卵巢结构和卵泡 | 计算机视觉 | 生殖系统疾病 | MRI成像 | CNN | 图像 | 124名患者的417张T2加权MRI切片 | NA | YOLOv11, LCR-UNet | Dice相似系数, 准确率, F1分数, 精确率 | NA |
| 3411 | 2026-02-24 |
A perturbed multilayer perceptron approach to predicting distant metastatic sites of cancer patients
2026-Feb-20, Computational biology and chemistry
IF:2.6Q2
|
研究论文 | 本文开发了一种名为扰动多层感知器（PMLP）的深度学习模型，用于基于癌症样本原发部位的竞争性内源RNA表达水平及其相关性预测远处转移部位 | 首次将PMLP与ceRNA相关性变化（ΔSCCs）相结合，用于预测特定远处转移部位，并展示了优越的预测性能和模型可解释性 | 由于可用于训练模型的数据量有限以及远处转移固有的复杂性，预测远处转移比淋巴结转移更具挑战性 | 预测癌症患者的远处转移部位，以辅助癌症转移的早期识别和干预 | 癌症患者，特别是其原发部位的基因表达数据 | 机器学习 | 癌症 | 基因表达分析，竞争性内源RNA（ceRNA）相关性变化（ΔSCCs） | 多层感知器（MLP） | 基因表达数据 | NA | NA | 扰动多层感知器（PMLP） | AUC, 准确率, F1分数 | NA |
| 3412 | 2026-02-24 |
Prediction of Temperature Intervals Driven by Multiple Indicator Gases during Spontaneous Coal Combustion and Oxidation
2026-Feb-17, ACS omega
IF:3.7Q2
DOI:10.1021/acsomega.5c11582
PMID:41726723
|
研究论文 | 本研究提出了一种基于多种指标气体的煤自燃温度区间预测模型，用于提高煤矿安全预警能力 | 首次将灰狼优化算法、卷积神经网络、双向长短期记忆网络和分位数回归相结合，构建了多指标气体驱动的温度区间预测模型，实现了点预测和区间预测的双重优化 | 模型训练数据仅来自特定煤矿的煤样实验，需要在更多不同地质条件的煤矿数据进行泛化验证 | 开发高精度的煤自燃温度区间预测方法，为煤矿火灾预防和控制提供理论支持 | 松新庄煤矿4号煤层的煤样，以及东滩煤矿的独立验证数据 | 机器学习 | NA | 煤自燃升温实验，指标气体筛选分析系统 | CNN, BiLSTM, GWO, QR | 实验数据（气体浓度、温度） | 200组煤自燃加热实验数据集 | NA | GWO-CNN-BiLSTM-QR, CNN-BiLSTM, BiLSTM, GWO-BiLSTM, MLP, GWO-MLP | 决定系数, 均方根误差, 基于覆盖宽度的准则, 平均预测区间覆盖距离 | NA |
| 3413 | 2026-02-24 |
Context-enriched contrastive auto-encoder with topology learning for medical hyperspectral image classification to diagnose tumors
2026-Feb-16, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2026.103998
PMID:41724053
|
研究论文 | 提出一种结合上下文增强对比学习和拓扑学习的自编码器方法，用于医学高光谱图像分类以诊断肿瘤 | 首次在医学高光谱图像分类中同时考虑潜在表示的可分离性和拓扑结构保持，通过上下文增强对比损失和基于图的拓扑保持损失提升分类性能 | NA | 提升医学高光谱图像分类的准确性以辅助肿瘤诊断 | 医学高光谱图像 | 计算机视觉 | 肿瘤 | 高光谱成像 | 自编码器 | 图像 | NA | NA | 自编码器 | NA | NA |
| 3414 | 2026-02-24 |
A self-supervised framework for emphysema anomaly detection and staging in computed tomography scans
2026-Feb-13, Patterns (New York, N.Y.)
DOI:10.1016/j.patter.2025.101426
PMID:41726096
|
研究论文 | 本文提出了一种自监督框架，用于在CT扫描中检测和分期肺气肿异常，无需依赖大量标注数据 | 提出了一种仅使用非肺气肿CT扫描进行训练的自监督框架，通过合成生成的病变引导像素级异常建模，并引入了EDLNet架构进行检测和定位，随后以无监督方式进行肺气肿分期 | 未明确提及具体限制，但可能依赖于合成病变的生成质量以及多中心数据的代表性 | 开发一种无需大量标注数据的肺气肿异常检测和分期方法 | 肺气肿，作为慢性阻塞性肺疾病（COPD）的一种表型 | 计算机视觉 | 肺气肿 | 计算机断层扫描（CT） | 编码器-解码器架构 | 图像（CT扫描） | 多中心评估，具体样本数量未明确 | NA | EDLNet | 平均分期准确率，宏观AUROC | NA |
| 3415 | 2026-02-24 |
X-SPATIO: An Explanatory Deep Learning Pipeline for the Prediction and Visualization of Spatially Resolved Biomarker Expression in Triple-Negative Breast Cancer
2026-Feb-11, bioRxiv : the preprint server for biology
DOI:10.64898/2026.02.09.704587
PMID:41726881
|
研究论文 | 本文介绍了一个名为X-SPATIO的计算病理学管道，用于从H&E染色图像预测和可视化三阴性乳腺癌中空间分辨的生物标志物表达 | 开发了一种空间兼容的深度学习管道，首次直接关联H&E形态学与区域匹配的mRNA和蛋白质表达，并生成空间形态学注意力图以指示预测性组织区域 | 模型依赖于GeoMx数字空间分析仪获取的空间分辨数据，成本较高，且可能受限于特定平台的数据可用性和可扩展性 | 旨在通过计算模型从常规组织病理学图像中推断空间生物标志物表达，以支持三阴性乳腺癌的精准肿瘤学研究 | 三阴性乳腺癌（TNBC）的组织样本，包括肿瘤、间质和免疫区室 | 计算病理学 | 三阴性乳腺癌 | 空间转录组学/蛋白质组学（GeoMx数字空间分析仪），H&E染色 | 多实例学习（MIL） | 图像（H&E染色组织切片），空间分辨的转录组和蛋白质组数据 | 未明确指定样本数量，但使用来自GeoMx平台的空间分辨数据 | 未明确指定，但提及深度学习管道 | 未明确指定具体架构，但基于多实例学习框架 | AUC（曲线下面积） | NA |
| 3416 | 2026-02-24 |
Advancing Psychiatric Safety With the Predictive Risk Identification for Mental Health Events Tool: Retrospective Cohort Study
2026-Feb-06, JMIR mental health
IF:4.8Q1
DOI:10.2196/84318
PMID:41649861
|
研究论文 | 本研究开发并评估了一种基于深度学习的早期预警工具PRIME，用于预测精神病住院患者未来24小时内发生不良心理健康事件的风险 | 开发了首个基于深度学习的、专门针对心理健康环境的早期预警系统，利用多变量时间序列数据和注意力机制，实现了比传统临床工具更高的预测性能 | 研究为回顾性队列研究，未来需评估其在常规工作流程中的整合效果及公平性影响 | 开发一种主动的、高精度的预测工具，以改善精神病住院患者的安全管理 | 精神病住院患者（包括高风险法医患者和非法医患者） | 机器学习 | 精神疾病 | 电子病历数据分析 | RNN, LSTM | 多变量时间序列数据 | 4651名患者，403,098次就诊记录（训练/验证集）；900名患者，48,313次就诊记录（2024年测试集） | NA | 长短期记忆网络（带注意力机制） | AUC, 召回率 | NA |
| 3417 | 2026-02-24 |
Spectral Similarity Masks Structural Diversity at Hydrophobic Water Interfaces
2026-Feb-06, Physical review letters
IF:8.1Q1
DOI:10.1103/w27h-sclq
PMID:41723669
|
研究论文 | 本研究利用深度学习计算了空气-水和石墨烯-水界面的第一性原理和频生成光谱，揭示了光谱相似性背后的微观结构差异 | 通过深度学习结合第一性原理计算，解决了实验光谱解释的分歧，并首次明确指出了两种界面在微观性质上的根本区别 | 研究仅针对空气-水和石墨烯-水两种特定界面，结论可能不直接推广到其他界面体系 | 探究空气-水和石墨烯-水界面的和频生成光谱相似性背后的微观结构差异 | 空气-水界面和石墨烯-水界面 | 机器学习 | NA | 和频生成光谱，第一性原理计算 | 深度学习 | 光谱数据 | NA | NA | NA | NA | NA |
| 3418 | 2026-02-22 |
Verifying Urdu news authenticity using deep learning with concatenated BERT and GloVe embedding
2026-Feb-05, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-36771-0
PMID:41644624
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 3419 | 2026-02-22 |
High-resolution forecasting of soil thermal regimes using different deep learning frameworks under climate change
2026-Feb-05, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-38496-6
PMID:41644622
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 3420 | 2026-02-06 |
A novel deep learning approach for mosquito species classification via a dual-head structure and calibration-aware fusion architecture
2026-Feb-04, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-35453-1
PMID:41639160
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |