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 42905 篇文献，本页显示第 3561 - 3580 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 3561 | 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 |
| 3562 | 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 |
| 3563 | 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 |
| 3564 | 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 |
| 3565 | 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 |
| 3566 | 2026-02-24 |
Efficient target detection method based on wavelet transform and progressive feature pyramid network: a case study of power grid inspection
2026-Feb-04, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-37017-9
PMID:41639278
|
研究论文 | 本文提出了一种基于小波变换和渐进特征金字塔网络的改进YOLOv11检测器，用于高压输电线路环境中的异物检测 | 1) 在骨干网络中集成了小波变换卷积块，以多频子带分解特征并扩大有效感受野；2) 开发了渐进特征金字塔网络，通过两阶段上下采样精化和自适应空间融合缓解语义不一致性；3) 引入了Inner-EIoU损失函数，专注于真实框内区域的回归以提高微小低对比度目标的定位精度 | 未明确说明模型在极端天气条件或夜间环境下的性能表现 | 提高高压输电线路环境中异物检测的准确性和鲁棒性 | 高压输电线路上的异物（如漂浮物、鸟巢、碎片等） | 计算机视觉 | NA | 深度学习，计算机视觉 | YOLO | 图像 | TLFO数据集（具体数量未说明），MS COCO val2017数据集 | NA | YOLOv11 | mAP₀.₅, mAP₀.₅:₀.₉₅, Precision, 参数数量, 推理速度(FPS) | NA |
| 3567 | 2026-02-24 |
Automated diagnosis of plus form and early stages of ROP using deep learning models
2026-Feb-04, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-37064-2
PMID:41639314
|
研究论文 | 本研究开发了一种基于深度学习的自动诊断系统，用于分类早产儿视网膜病变的Plus疾病和疾病分期 | 首次提出结合Plus疾病二元分类和ROP多阶段分类的自动化诊断模型，在视网膜眼底图像上实现了高精度诊断 | 需要多中心验证以确认临床适用性，数据集可能受限于特定采集条件 | 开发自动化的ROP筛查方法以支持及时诊断和干预，降低早产儿视力损伤发生率 | 早产儿视网膜病变（ROP）患者，特别是低出生体重和早期孕龄的婴儿 | 计算机视觉 | 早产儿视网膜病变 | 视网膜眼底成像 | 深度学习模型 | 图像 | 精心策划的视网膜眼底图像数据集（具体数量未明确说明） | NA | NA | 准确率 | NA |
| 3568 | 2026-02-24 |
Enhancing diagnostic safety with low iodine, low radiation CTPA classification using deep learning
2026-Feb-04, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-38223-1
PMID:41639316
|
研究论文 | 本文提出了一种基于深度学习的框架，用于在低碘和低辐射的CTPA条件下诊断肺栓塞，通过整合图像增强和分类技术来提高诊断安全性 | 提出了一个两阶段深度学习框架，联合利用原始低曝光图像及其超分辨率图像进行图像增强和分类，并公开了一个低碘低辐射CTPA数据集 | 未明确说明模型在外部验证集上的泛化性能，也未详细讨论计算效率或实时诊断的可行性 | 开发一种在低碘和低辐射条件下准确诊断肺栓塞的方法，以提高CTPA成像的诊断安全性 | 肺栓塞（PE）患者 | 计算机视觉 | 肺栓塞 | 计算机断层扫描肺血管造影（CTPA） | 深度学习 | 医学图像（CTPA图像） | NA | NA | NA | AUC, 敏感性, 特异性 | NA |
| 3569 | 2026-02-24 |
Deep learning 3D super-resolution radiomics model based on Gd-enhanced MRI for improving preoperative prediction of HCC pathological grading
2026-Feb, Abdominal radiology (New York)
DOI:10.1007/s00261-025-05085-6
PMID:40627133
|
研究论文 | 本研究开发了一种基于深度学习的3D超分辨率放射组学模型，利用Gd增强MRI预测肝细胞癌的术前病理分级 | 首次将深度学习驱动的3D超分辨率技术与放射组学结合，用于提升肝细胞癌病理分级的术前预测性能 | 样本量相对有限（197例患者），且为单中心研究，需要外部验证以确认泛化能力 | 评估基于深度学习的3D超分辨率放射组学模型在预测肝细胞癌病理分级中的可行性和有效性 | 肝细胞癌患者 | 数字病理学 | 肝细胞癌 | Gd增强MRI，深度学习超分辨率技术 | 梯度提升，LightGBM，支持向量机 | 3D MRI图像 | 197例肝细胞癌患者（训练集157例，测试集40例） | NA | NA | AUC，灵敏度，特异性，准确率 | NA |
| 3570 | 2026-02-24 |
Structure-based screening of small-molecule interleukin-23 inhibitors inspired by monoclonal antibody interactions
2026-Feb, Molecular diversity
IF:3.9Q2
DOI:10.1007/s11030-025-11257-9
PMID:40549294
|
研究论文 | 本研究通过基于结构的虚拟筛选方法，识别出小分子IL-23抑制剂，为开发成本效益高的慢性炎症疾病疗法提供新策略 | 利用同源建模和深度学习重建IL-23与单克隆抗体的结构，并基于抗体相互作用设计3D药效团模型进行虚拟筛选，成功发现具有稳定结合潜力的小分子抑制剂 | 未鉴定出有效的IL-12p40抑制剂，且研究主要依赖计算模拟，缺乏体外或体内实验验证 | 识别能够模拟单克隆抗体相互作用的小分子IL-23抑制剂，以开发更经济的慢性炎症疾病治疗药物 | 白细胞介素-23（IL-23）及其与单克隆抗体Risankizumab的相互作用 | 计算药物发现 | 慢性炎症疾病 | 同源建模，深度学习，虚拟筛选，分子对接，分子动力学模拟，MM/GBSA结合自由能计算 | 深度学习模型，药效团模型 | 蛋白质结构数据，化合物数据库 | 从DrugBank和ZINC12数据库进行虚拟筛选的化合物 | NA | NA | 结合稳定性（通过600 ns分子动力学模拟评估），氢键强度，结合自由能（MM/GBSA） | NA |
| 3571 | 2026-02-24 |
CyclicMPNN: Stable Cyclic Peptide Sequence Generation
2026-Jan-31, bioRxiv : the preprint server for biology
DOI:10.64898/2026.01.31.702993
PMID:41659625
|
研究论文 | 本文提出了一种名为CyclicMPNN的深度学习模型，用于设计能量稳定的环肽序列 | 通过微调ProteinMPNN模型，结合X射线晶体结构和生成的环肽数据，提升了环肽序列设计的成功率 | 仅使用标准氨基酸，可能未考虑非标准氨基酸或复杂修饰的影响 | 开发一种高效设计能量稳定环肽序列的方法，以加速治疗性环肽的研发 | 环肽序列及其三维结构 | 机器学习 | NA | X射线晶体结构分析 | 深度学习模型 | 蛋白质结构数据 | 结合了Protein Data Bank的X射线晶体结构和生成的环肽数据 | NA | ProteinMPNN | 折叠成功率 | NA |
| 3572 | 2026-02-24 |
Predicting functional topography of the human visual cortex from cortical anatomy at scale
2026-Jan-30, bioRxiv : the preprint server for biology
DOI:10.1101/2025.11.27.690210
PMID:41394692
|
研究论文 | 本研究开发了一种基于深度学习的应用，仅从皮层解剖结构预测人类视觉皮层的功能地形组织 | 首次提出仅依靠皮层解剖结构即可预测个体特异性功能地形图的方法，克服了传统功能神经成像资源密集或群体图谱个体精度不足的局限 | 未明确说明模型在不同病理状态或异常解剖结构下的泛化能力 | 开发可扩展的、基于解剖学的功能性脑图谱绘制方法 | 人类视觉皮层 | 机器学习 | NA | 深度学习 | 深度学习模型 | 解剖扫描图像 | 11,060例解剖扫描 | NA | NA | NA | NA |
| 3573 | 2026-02-24 |
BEACON: predicting side effects and therapeutics outcomes to drugs by Bridging knowlEdge grAph with CONtextual language model
2026-Jan-30, bioRxiv : the preprint server for biology
DOI:10.64898/2026.01.29.702277
PMID:41659468
|
研究论文 | 本文提出了一种名为BEACON的框架，通过将知识图谱转化为可被语言模型处理的上下文句子表示，以预测药物的副作用和治疗效果 | BEACON将生物医学知识图谱转化为上下文句子表示，通过可见性矩阵确保注意力模式尊重图谱拓扑结构，并引入基于扰动的评估模块以增强可解释性 | 未明确提及 | 预测药物的副作用和治疗效果，提升生物医学知识图谱在预测任务中的准确性和可解释性 | 药物、蛋白质、通路、疾病及其相互关系 | 自然语言处理 | 癌症 | 知识图谱、语言模型 | 语言模型 | 结构化知识图谱数据 | 未明确提及 | 未明确提及 | 未明确提及 | AUROC, Spearman ρ | 未明确提及 |
| 3574 | 2026-02-24 |
Gene-centered representation of coding and regulatory variation enables outcome prediction
2026-Jan-29, bioRxiv : the preprint server for biology
DOI:10.64898/2026.01.27.701808
PMID:41659682
|
研究论文 | 本文介绍了一个名为Volaria的计算框架，用于整合编码和调控遗传变异，以基因中心表示预测疾病结局 | Volaria框架首次将编码和非编码变异整合为统一的、细胞类型特异性的基因中心表示，用于全基因组测序的疾病结局预测，超越了传统的群体多基因风险评分和非结构化表示 | NA | 开发一个计算框架，整合编码和调控遗传变异，以预测罕见肾小球疾病的个体结局 | 罕见肾小球疾病患者的全基因组测序数据 | 功能基因组学 | 肾小球疾病 | 全基因组测序 | 深度学习模型 | 基因组序列数据 | NA | NA | NA | NA | NA |
| 3575 | 2026-02-24 |
Unraveling heterogeneity in LUAD via multi-omics integration: molecular classification and therapeutic implications
2026-Jan-29, Discover oncology
IF:2.8Q2
DOI:10.1007/s12672-026-04498-z
PMID:41609946
|
研究论文 | 本研究通过整合多组学数据对肺腺癌进行分子分型，并开发基于病理图像的深度学习模型进行预测 | 采用十种聚类算法整合多组学数据，识别出三种具有显著生物学异质性的分子亚型，并首次结合病理图像与深度学习技术开发快速、经济的多实例预测模型 | 研究基于特定数据库（CPTAC、TCGA-LUAD、GSE50081）的数据，可能无法完全代表所有肺腺癌人群的异质性，且深度学习模型的临床适用性仍需进一步外部验证 | 系统阐明肺腺癌的分子异质性，建立临床相关的分子分类系统，并为个性化治疗提供理论基础 | 肺腺癌（LUAD）患者的多组学数据（基因组、转录组、蛋白质组）及病理图像 | 数字病理学 | 肺癌 | 质谱蛋白质组学、多组学整合分析 | 深度学习模型 | 多组学数据（基因组、转录组、蛋白质组）、病理图像 | 来自CPTAC、TCGA-LUAD和GSE50081队列的肺腺癌样本 | NA | NA | NA | NA |
| 3576 | 2026-02-22 |
Prediction of oil yield in sunflower using deep learning regression algorithm under normal and drought stress conditions
2026-Jan-29, BMC plant biology
IF:4.3Q1
DOI:10.1186/s12870-026-08110-y
PMID:41612187
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 3577 | 2026-02-22 |
Multimodal deep learning using preoperative CT and ultrasound for recurrence risk prediction in high-grade serous ovarian carcinoma
2026-Jan-29, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-026-02192-8
PMID:41612257
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 3578 | 2026-02-24 |
Connectome of a human foveal retina
2026-Jan-28, bioRxiv : the preprint server for biology
DOI:10.1101/2025.04.05.647403
PMID:40799563
|
研究论文 | 本研究利用基于深度学习的分割技术，在纳米级分辨率下重建了人类中央凹视网膜的所有细胞和突触连接，揭示了其独特的神经环路特征 | 首次通过深度学习分割技术，在纳米级分辨率下重建了人类中央凹视网膜的完整连接组，发现了非人类灵长类动物中不存在的突触通路，并识别出仅11种视觉通路，其中5种高密度视网膜神经节细胞通路占中央凹输出的95%以上 | 研究仅基于一个人类中央凹视网膜样本，可能无法完全代表所有个体或种群的变异 | 获取人类中枢神经系统结构的第一个完整连接组，以理解人类视觉处理的基础神经环路 | 人类中央凹视网膜的细胞和突触连接 | 计算机视觉 | NA | 深度学习分割 | NA | 图像 | 一个人类中央凹视网膜样本，包含约3,000个细胞 | NA | NA | NA | NA |
| 3579 | 2026-02-24 |
A deep learning radiopathomic signature predicts recurrence risk of hepatocellular carcinoma after hepatectomy
2026-Jan-22, Communications biology
IF:5.2Q1
DOI:10.1038/s42003-026-09571-5
PMID:41571762
|
研究论文 | 本研究开发了一种深度学习放射病理学特征，融合CT图像和病理全切片图像的深度特征，用于预测肝细胞癌患者肝切除术后复发风险 | 首次提出深度学习放射病理学特征，融合多模态影像与病理数据，显著提升复发风险预测性能，并揭示了其与Wnt/β-catenin信号通路和肿瘤免疫浸润的生物学关联 | 样本量相对有限，外部验证队列来自单一数据库，未涉及多中心前瞻性验证 | 预测肝细胞癌患者肝切除术后复发风险，以促进个体化精准治疗 | 肝细胞癌患者 | 数字病理 | 肝细胞癌 | CT成像，全切片图像分析 | 深度学习模型 | 图像 | 599名患者（训练队列272人，内部测试120人，外部测试174人，TCGA队列33人） | NA | NA | C-index | NA |
| 3580 | 2026-02-24 |
Homogenization of Northern Belgian landscapes through centuries of reclamation, agricultural transition, and urbanization
2026-Jan-21, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-68594-y
PMID:41565659
|
研究论文 | 本研究利用深度学习图像分割技术量化了比利时北部1774年至2022年的历史土地利用变化，识别了景观转型的三个主要驱动因素 | 首次将GeoAI（地理人工智能）应用于历史地图的瓦片分割，生成高分辨率、全覆盖的历史土地利用地图，以量化长期景观转型的幅度和速率 | 研究仅聚焦于比利时北部地区（13,800平方公里），可能无法代表其他地理或文化背景下的景观变化模式 | 量化长期历史土地利用变化，识别景观转型的驱动因素，并评估景观同质化过程 | 比利时北部地区的土地利用变化，包括森林、荒地、沼泽、潮间带、草地、果园、耕地和城市用地 | 计算机视觉 | NA | 深度学习图像分割 | NA | 历史地图瓦片图像 | 覆盖比利时北部13,800平方公里的历史地图瓦片数据 | NA | NA | NA | NA |