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 42799 篇文献，本页显示第 3761 - 3780 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 3761 | 2026-02-19 |
Identification of diagnostic and prognostic biomarkers in lung adenocarcinoma through integrated bioinformatics analysis and real time PCR validation
2026-Jan-30, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-35971-y
PMID:41617774
|
研究论文 | 本研究通过整合生物信息学分析和实时PCR验证，识别了肺腺癌的诊断和预后生物标志物 | 结合深度学习算法预测生物标志物，并通过外部数据集和实时PCR进行验证，展示了AI在生物标志物发现中的有效性 | 样本量相对有限，特别是健康对照组仅16例，且外部验证数据集可能未覆盖所有临床亚型 | 发现肺腺癌的早期检测和生物标志物 | 肺腺癌患者和健康对照者 | 生物信息学 | 肺腺癌 | RNA-Seq, 实时PCR | 深度学习 | 基因表达数据 | 522个样本（506例肺腺癌患者，16例健康对照），外加30例患者和30例健康人的血液样本用于PCR验证 | NA | NA | 预测准确率, Brier分数, AUC, 灵敏度 | NA |
| 3762 | 2026-02-19 |
A clinically applicable and generalizable deep learning model for anterior mediastinal tumors in CT images across multiple institutions
2026-Jan-30, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-37504-z
PMID:41617892
|
研究论文 | 本文提出了一种基于3D U-Net的深度学习模型，用于在CT图像中分割和检测前纵隔肿瘤，并在多机构数据上验证了其临床适用性和泛化性 | 首次开发并验证了一个针对罕见前纵隔肿瘤的深度学习模型，该模型在来自121个不同机构的CT图像上表现出优异的泛化能力，克服了罕见疾病数据稀缺的挑战 | 研究仅基于CT图像，未整合其他模态数据；模型性能可能受限于训练数据的规模和多样性；未在实时临床环境中进行前瞻性验证 | 开发一个临床适用且泛化能力强的深度学习模型，用于辅助诊断前纵隔肿瘤 | 前纵隔肿瘤，包括胸腺瘤和胸腺癌 | 数字病理 | 胸腺癌 | CT成像 | CNN | CT图像 | 711张CT图像，来自136家医院的136名不同患者（339名男性，372名女性） | NA | 3D U-Net | Dice分数, IoU, 精确率, 召回率, 灵敏度, 假阳性率 | NA |
| 3763 | 2026-02-19 |
Leveraging universal and transfer learning models for influenza prediction in Thailand
2026-Jan-30, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-37855-7
PMID:41617916
|
研究论文 | 本研究开发了基于深度学习的通用模型和迁移学习模型，用于预测泰国多个省份的流感发病率，以应对数据有限地区的预测挑战 | 通过通用深度学习框架和迁移学习技术，在缺乏气象和PM10数据的省份实现高精度流感预测，并采用特征选择过程优化模型泛化能力 | 研究主要基于2010-2019年的泰国数据，可能无法完全反映其他地区或更广泛时间范围内的流感趋势 | 开发准确的流感发病率预测模型，以支持公共卫生监测和资源优化分配 | 泰国多个省份的流感发病率数据 | 机器学习 | 流感 | 深度学习, 迁移学习 | 深度学习模型 | 时间序列数据 | 2010年至2019年泰国多个省份的流感发病率数据 | NA | 单隐藏层模型（128节点） | 准确率 | NA |
| 3764 | 2026-02-19 |
Satellite-based oil spill detection using an explainable ViR-SC hybrid deep learning ensemble for improved accuracy and transparency
2026-Jan-29, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-37081-1
PMID:41611916
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 3765 | 2026-02-19 |
A comparative evaluation of time-series models for forecasting inpatient deaths and discharges against medical advice
2026-Jan-29, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-37913-0
PMID:41611928
|
研究论文 | 本研究比较了六种时间序列预测模型在预测中国两家三甲医院月度住院死亡率和非医嘱离院率方面的性能 | 首次系统比较了包括传统统计模型、深度学习模型及预训练概率模型Chronos在内的多种方法在住院死亡率和非医嘱离院率预测任务上的表现，并评估了预训练模型在小样本数据上的适用性 | 研究仅基于两家医院的数据，样本量较小，且LSTM模型因数据量不足和模型复杂度高而泛化能力有限 | 评估不同时间序列预测模型在医疗质量监测关键指标（住院死亡率和非医嘱离院率）上的预测性能，为医院管理提供决策支持 | 中国两家三甲医院2018年1月至2024年12月的月度住院死亡率和非医嘱离院率数据 | 机器学习 | NA | 时间序列分析 | ARIMA, Grey Model, NNETAR, LSTM, Prophet, Chronos | 时间序列数据 | 两家医院2018年1月至2024年12月的月度数据（约84个月数据点） | NA | LSTM, Chronos（预训练概率模型） | RMSE, MAE, MAPE | NA |
| 3766 | 2026-02-19 |
Asymmetric fiber orientation distribution estimation via unsupervised deep learning
2026-Jan-29, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2026.103968
PMID:41702180
|
研究论文 | 本研究提出了一种名为Recursive-a-fODF的无监督深度学习框架，用于从扩散磁共振成像数据中直接估计非对称纤维取向分布函数，以改进脑结构连接的重建精度 | 提出了一种递归校准的无监督深度学习框架，无需外部解剖学先验知识，直接从数据本身动态估计白质响应函数，实现了非对称纤维取向分布函数的纯数据驱动估计 | 未明确说明模型在更广泛疾病类型或更大规模临床队列中的泛化能力，也未详细讨论计算效率与实时处理性能 | 解决传统纤维追踪技术中纤维取向分布函数强制对称的局限性，提高复杂纤维配置的解析能力 | 离体狨猴脑数据、在体人类数据集以及神经退行性和精神疾病临床队列 | 医学影像分析 | 神经退行性疾病, 精神疾病 | 扩散磁共振成像 | 深度学习 | 医学影像数据 | 未明确说明具体样本数量，但包含离体狨猴脑数据、在体人类数据集及临床队列 | 未明确说明 | 递归估计器 | 未明确说明具体指标，但提及在解析复杂纤维配置方面表现优越 | NA |
| 3767 | 2026-02-19 |
Comparing the accuracy of artificial intelligence models to detect alcohol in video images
2026-Jan-26, Addiction (Abingdon, England)
DOI:10.1111/add.70337
PMID:41588658
|
研究论文 | 本研究比较了三种人工智能模型在视频图像中检测酒精存在的准确性 | 首次系统比较了监督深度学习模型与零样本学习模型在复杂视频场景中检测酒精图像的准确性与计算效率 | 研究仅针对特定数据集进行测试，未涵盖所有可能的视频类型和酒精呈现方式 | 评估人工智能模型在视频图像中检测酒精的准确性和效率 | 视频图像帧中的酒精存在检测 | 计算机视觉 | NA | 视频图像分析 | 深度学习模型, 零样本学习模型 | 图像 | 三个数据集：Google/Bing图像集、电影帧数据集、酒精相关场景电影帧数据集 | NA | ABIDLA2, CLIP, LLaVA | 准确率, 未加权平均召回率, F1分数 | NA |
| 3768 | 2026-02-19 |
Automatic and accurate auxiliary detection of lung cancer pathological classification based on novel lightweight deep learning model
2026-Jan-24, Discover oncology
IF:2.8Q2
DOI:10.1007/s12672-026-04487-2
PMID:41579280
|
研究论文 | 本研究开发了一种名为BreezeNet的新型轻量级深度学习模型，用于自动分类肺癌细胞，包括肺腺癌、肺鳞状细胞癌和良性肺组织 | BreezeNet是一种专为肺癌病理分类设计的轻量级深度学习框架，在保持高性能的同时，参数数量显著减少，计算资源需求低，部署效率高 | NA | 开发自动、高效的肺癌病理分类辅助检测模型，以支持快速准确的诊断 | 肺癌细胞，具体包括肺腺癌、肺鳞状细胞癌和良性肺组织 | 数字病理学 | 肺癌 | 深度学习 | CNN | 图像 | NA | NA | BreezeNet | 准确率, 精确率, 召回率, F1分数 | NA |
| 3769 | 2026-02-19 |
The impact of AI on modern oncology from early detection to personalized cancer treatment
2026-Jan-24, NPJ precision oncology
IF:6.8Q1
DOI:10.1038/s41698-026-01276-6
PMID:41580561
|
综述 | 本文综述了人工智能（AI）在现代肿瘤学中的应用，重点关注早期诊断、突变图谱和药物设计 | 综合探讨了机器学习、深度学习、强化学习、自然语言处理和生成模型等多种AI技术在肿瘤学中的革命性作用 | NA | 回顾现有文献并探讨AI技术在肿瘤学中的角色 | 肿瘤学中的AI应用 | 自然语言处理, 机器学习 | 癌症 | NA | NA | NA | NA | NA | NA | NA | NA |
| 3770 | 2026-02-19 |
Prospective real-world implementation of deep learning systems in healthcare: a systematic review guided by implementation science
2026-Jan-23, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-026-02358-2
PMID:41578007
|
系统综述 | 本文通过实施科学框架，系统回顾了深度学习系统在医疗保健领域前瞻性真实世界实施的研究，并基于发现的差距提出了未来实施建议 | 首次采用实施科学框架系统性地绘制了深度学习在医疗领域前瞻性真实世界实施研究的策略与结果图谱，并提出了针对未来实施的指导性建议 | 纳入的研究数量有限（仅20篇），且研究领域分布不均（主要集中在眼科），实施成本与可持续性评估严重缺乏，利益相关者接受度评估不足 | 系统评估深度学习系统在医疗保健领域真实世界实施的现状、策略、结果及影响，并为未来成功、可持续的临床部署提供指导 | 深度学习系统在真实临床环境中的实施研究 | 机器学习 | NA | 深度学习 | NA | NA | NA | NA | NA | 有效性、可行性、采纳度、适当性、实施成本、可持续性、利益相关者接受度 | NA |
| 3771 | 2026-02-19 |
Comment on "Multimodal deep learning to predict postoperative major adverse cardiac and cerebrovascular events after noncardiac surgery"
2026-Jan-20, International journal of surgery (London, England)
DOI:10.1097/JS9.0000000000004804
PMID:41563071
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 3772 | 2026-02-19 |
A Deep Learning Model for Dynamic Prediction of Acute Kidney Injury in Heart Failure Patients
2026-Jan-16, The Canadian journal of cardiology
DOI:10.1016/j.cjca.2026.01.011
PMID:41548653
|
研究论文 | 本研究开发并验证了一种基于深度学习的动态预测模型，用于预测心力衰竭患者的急性肾损伤风险 | 提出了一个结合长短期记忆网络和动态焦点损失函数的模型，以处理类别不平衡问题，并设计了短期和长期两种动态预测视角 | 研究数据来源于单一数据库（MIMIC-IV），可能限制了模型的泛化能力 | 开发并验证一个动态预测模型，用于心力衰竭患者急性肾损伤的风险评估 | 7636名心力衰竭患者 | 机器学习 | 心血管疾病 | NA | LSTM | 临床时间序列数据 | 7636名心力衰竭患者 | NA | 长短期记忆网络 | AUC | NA |
| 3773 | 2026-02-19 |
Comprehensive mapping of RNA modification dynamics and crosstalk via deep learning and nanopore direct RNA-sequencing
2026-Jan-14, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-68419-y
PMID:41535294
|
研究论文 | 本文介绍了一种名为ORCA的深度学习框架，用于通过纳米孔直接RNA测序全面绘制RNA修饰动态和互作图谱 | ORCA采用领域对抗学习和迁移学习模块，能够同时检测多种RNA修饰类型，揭示修饰间的协作与竞争相互作用 | NA | 开发一个无偏且可推广的框架，以解码RNA修饰动态及其在多种生物背景下的调控复杂性 | 人类细胞系中的RNA修饰 | 自然语言处理 | NA | 纳米孔直接RNA测序 | 深度学习 | RNA测序数据 | NA | NA | NA | NA | NA |
| 3774 | 2026-02-19 |
EPINTLM: enhancer-promoter prediction with pretrained k-mer embeddings and residual cross-attention
2026-Jan-07, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbag064
PMID:41697918
|
研究论文 | 提出一种名为EPINTLM的深度学习框架，用于在标准化基准设置下预测增强子-启动子相互作用 | 整合了预训练的k-mer嵌入与残差交叉注意力机制，并引入了统一的预处理流程以提高可重复性 | 仅在当前基准约束范围内验证，可解释性分析有限 | 研究增强子-启动子相互作用预测的架构策略 | 人类细胞系中的增强子-启动子相互作用 | 生物信息学 | NA | DNA序列分析 | 深度学习 | DNA序列，基因组特征 | 六种人类细胞系的基准数据集 | NA | 基于Nucleotide Transformer的预训练嵌入，残差自注意力，双向交叉注意力 | AUROC, AUPR | NA |
| 3775 | 2026-02-19 |
Transformer-based graphs for drug-drug interaction with chemical knowledge embedding
2026-Jan-07, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbag039
PMID:41697921
|
研究论文 | 本文提出了一种名为TRACE的基于Transformer的图表示学习框架，用于整合化学知识以预测药物相互作用 | 提出TRACE框架，首次将Transformer与图表示学习结合，并集成化学知识嵌入，以增强DDI预测的准确性和可解释性 | 未在摘要中明确提及 | 提高药物相互作用预测的准确性和可解释性，以支持药物开发和联合疗法 | 药物相互作用 | 自然语言处理, 机器学习 | NA | 深度学习, 图表示学习 | Transformer | 图数据, 化学知识嵌入 | NA | NA | Transformer | NA | NA |
| 3776 | 2026-02-19 |
The Identification and Severity Staging of Chronic Obstructive Pulmonary Disease Using Quantitative CT Parameters, Radiomics Features, and Deep Learning Features
2026, Respiration; international review of thoracic diseases
DOI:10.1159/000548595
PMID:40996946
|
研究论文 | 本研究评估了基于吸气和呼气CT的定量CT参数、影像组学特征和深度学习特征在慢性阻塞性肺疾病识别和严重程度分期中的价值 | 提出了一种基于双相CT的多模态方法，整合定量CT参数、影像组学特征和深度学习特征，用于COPD的识别和严重程度分期，并在外部验证队列中展示了良好的泛化性能 | 研究为回顾性分析，样本量相对有限（223名COPD患者和59名健康对照），且仅基于两个队列（广州和深圳），可能影响结果的普遍适用性 | 评估多模态CT特征在慢性阻塞性肺疾病识别和严重程度分期中的应用价值 | 慢性阻塞性肺疾病患者和健康对照者 | 数字病理学 | 慢性阻塞性肺疾病 | 定量CT、影像组学、深度学习 | 逻辑回归 | CT图像 | 282名参与者（223名COPD患者和59名健康对照），来自广州队列，深圳队列作为外部验证 | pyradiomics, NeuLungCARE | VGG-16 | AUC | NA |
| 3777 | 2026-02-19 |
Machine Learning Prediction of Protein Adsorption on Drug-delivering Nanoparticles: A Literature Survey and Need for Future Development
2026-Jan, Pharmaceutical research
IF:3.5Q2
DOI:10.1007/s11095-025-03981-6
PMID:41298984
|
综述 | 本文综述了机器学习在预测药物递送纳米颗粒上蛋白质吸附方面的研究，并强调了未来发展的需求 | 强调结合随机森林和深度学习的互补优势来克服实验数据有限的挑战，并指出未来模型可能扩展到其他生物冠成分，特别是针对软材料如脂质纳米颗粒 | 当前研究主要集中于蛋白质冠，缺乏对其他生物冠成分的全面考虑，且实验数据质量和多样性有待提高 | 优化纳米颗粒设计以用于药物递送、诊断和治疗 | 纳米颗粒-蛋白质相互作用 | 机器学习 | NA | NA | 随机森林, 深度学习 | 高维数据 | NA | NA | NA | NA | NA |
| 3778 | 2026-02-19 |
Systematic review and meta-analysis of AI-driven MRI motion artifact detection and correction
2026-Jan, Physica medica : PM : an international journal devoted to the applications of physics to medicine and biology : official journal of the Italian Association of Biomedical Physics (AIFB)
DOI:10.1016/j.ejmp.2025.105704
PMID:41442850
|
综述与荟萃分析 | 本文对人工智能驱动的MRI运动伪影检测与校正方法进行了系统性回顾和荟萃分析 | 聚焦于深度学习，特别是生成模型，在MRI运动伪影处理中的应用，并评估其发展、有效性及挑战 | 方法泛化能力有限，依赖成对训练数据，存在视觉失真风险，且缺乏标准化数据集和报告协议 | 评估人工智能方法在检测和校正磁共振成像运动伪影方面的当前进展、效果、挑战及未来研究方向 | 人工智能驱动的MRI运动伪影检测与校正方法 | 医学影像分析 | NA | 磁共振成像 | 深度学习，生成模型 | 图像 | NA | NA | NA | NA | NA |
| 3779 | 2026-02-19 |
Wesselsbron Virus-Induced Hepatitis in Ewes and Lambs Unraveled Through Machine Learning-Driven Digital Histopathology
2026, Transboundary and emerging diseases
IF:3.5Q1
DOI:10.1155/tbed/7912840
PMID:41693730
|
研究论文 | 本研究利用机器学习驱动的数字组织病理学方法，系统评估了Wesselsbron病毒在母羊和羔羊中诱导的肝炎 | 首次将深度学习与全玻片成像技术结合，对WSLV诱导的肝炎进行客观、定量的组织病理学表征，并揭示了组织细胞密度与病毒载量之间的强相关性 | 样本量较小（实验组14只，对照组6只），且仅研究了两种病毒株系 | 通过数字组织病理学客观表征Wesselsbron病毒诱导的肝炎病变 | 感染WSLV clade I (rSA999) 和 clade II (SAH117) 的母羊和羔羊 | 数字病理学 | 病毒性肝炎 | 免疫组织化学染色，RT-qPCR，全玻片成像 | 深度学习 | 组织病理学图像 | 20只动物（6只感染clade I，8只感染clade II，6只对照组） | NA | NA | 相关性分析（与RT-qPCR结果及肝损伤标志物的相关性） | NA |
| 3780 | 2026-02-19 |
Promises and challenges of AI-enabled methods for myocardial characterisation in cardiovascular magnetic resonance
2026, Frontiers in cardiovascular medicine
IF:2.8Q2
DOI:10.3389/fcvm.2026.1638861
PMID:41694301
|
综述 | 本文总结了人工智能在心血管磁共振心肌组织表征中的最新进展，并探讨了其临床转化的前景与挑战 | AI技术通过深度学习自动化LGE分割、改进运动校正和图像重建、利用原生CMR信号实现无对比剂瘢痕表征，并加速了心脏磁共振指纹识别和扩散张量成像等新兴技术 | 临床转化受限于大规模异质训练数据的获取、泛化性、公平性、可解释性问题，以及监管批准和临床部署的障碍 | 探讨人工智能在心血管磁共振心肌组织表征中的应用，以解决传统方法的局限性并推动临床转化 | 心血管磁共振成像数据，特别是心肌组织表征相关图像 | 数字病理 | 心血管疾病 | 心脏磁共振成像，包括LGE、T1 mapping、磁共振指纹识别、扩散张量成像 | 深度学习 | 图像 | NA | NA | NA | NA | NA |