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 46046 篇文献，本页显示第 21 - 40 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 21 | 2026-06-19 |
Deep integration of clinical metadata with [18F]FDG PET/CT imaging for histological subtyping in non-small cell lung cancer: a multi-center study
2026-Jun-18, European journal of nuclear medicine and molecular imaging
IF:8.6Q1
DOI:10.1007/s00259-026-08010-1
PMID:42310216
|
研究论文 | 开发并验证一种多模态深度学习框架，整合临床元数据与[18F]FDG PET/CT成像，用于非小细胞肺癌的组织学亚型分类 | 提出基于特征线性调制（FiLM）的多任务网络，动态注入临床元数据到视觉骨干网络，并采用3D Transformer进行基于边界框的肿瘤定位 | 在独立外部测试集上，多模态模型与单模态模型间的AUC差异未达到统计学显著性 | 通过整合临床元数据和PET/CT成像，解决非小细胞肺癌中重叠代谢表型的组织学亚型分类问题 | 非小细胞肺癌患者的[18F]FDG PET/CT影像数据和临床元数据 | 计算机视觉, 数字病理学 | 肺癌 | PET/CT | Transformer, 多任务网络 | 图像, 文本 | 780名非小细胞肺癌手术患者（675名用于开发，105名用于独立外部测试） | PyTorch | 3D Transformer, FiLM | AUC, F1分数 | NA |
| 22 | 2026-06-19 |
Agricultural sustainability monitoring in arid regions using hybrid deep learning and Landsat 8 imagery in Najran City, Saudi Arabia
2026-Jun-18, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-58271-x
PMID:42310417
|
研究论文 | 提出一种混合深度学习方法，结合DenseNet121与XGBoost，利用Landsat 8影像对沙特阿拉伯纳季兰市的农业用地进行高精度监测 | 将DenseNet121的深度学习特征提取能力与XGBoost的高效分类性能相结合，在干旱区域农业监测中实现了98.82%的总体精度，优于传统卷积神经网络 | 研究仅针对2020年单一年份的Landsat 8影像，未验证模型在不同时间或气候条件下的泛化能力 | 开发一种精确高效的农业用地监测工具，支持干旱地区的可持续土地管理 | 沙特阿拉伯纳季兰市的农业区域及其他土地覆盖类型 | 计算机视觉 | NA | Landsat 8影像 | 混合深度学习模型（DenseNet121 + XGBoost） | 图像 | NA | NA | DenseNet121, XGBoost | 总体精度, Kappa系数 | NA |
| 23 | 2026-06-19 |
Financial time series forecasting with a hybrid VMD-CSA-BiT framework
2026-Jun-18, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-58302-7
PMID:42310433
|
研究论文 | 提出VMD-CSA-BiT集成框架，结合变分模态分解、卷积自注意力和双向变换器，提升金融时间序列预测的鲁棒性 | 首次将VMD、CSA和BiT三种技术融合，通过VMD分解原始价格序列为固有模态函数，CSA精炼时间步表示，BiT建模双向长程时间依赖，系统性地解决了非线性、非平稳和高噪声的挑战 | 未明确讨论局限性，但暗示未来需进行架构优化和扩展至更多金融应用，可能当前框架在极端市场条件下的泛化性有待验证 | 提升金融时间序列预测的准确性和稳定性 | 多种金融资产的市场特征数据 | 计算机视觉,自然语言处理,机器学习,数字病理学 | NA | 变分模态分解（VMD）、卷积自注意力（CSA）、双向变换器（BiT） | 变分模态分解-卷积自注意力-双向变换器（VMD-CSA-BiT） | 时间序列数据 | 多种金融资产的数据集 | NA | VMD, CSA, BiT | 关键误差指标 | NA |
| 24 | 2026-06-19 |
Generating Synthetic MR Perfusion Maps From DWI and FLAIR in Acute Ischemic Stroke: Development and External Validation of a Deep Learning Model
2026-Jun-18, Stroke
IF:7.8Q1
DOI:10.1161/STROKEAHA.126.055813
PMID:42312380
|
研究论文 | 旨在利用深度学习从非对比MRI生成急性缺血性卒中患者的合成T-max灌注图，并完成开发和外部验证 | 提出一种无创、可扩展的框架，直接从DWI和FLAIR结合梗死核心掩模生成合成T-max灌注图，无需对比增强灌注扫描，缩短扫描协议并加速治疗决策 | 外部验证中T-max>6s区域的Dice系数相对较低，可能受不同中心和扫描参数的影响，且样本量为回顾性数据，未来需前瞻性研究 | 验证深度学习模型能否从常规非对比MRI序列生成可靠的合成灌注图，提高急性卒中成像效率并减少对比剂依赖 | 355例前循环卒中患者的急性MRI数据，包括DSC灌注图像，来自两个欧洲中心 | 计算机视觉，机器学习 | 急性缺血性卒中 | MRI（DWI、FLAIR、DSC灌注）、深度学习 | 去噪扩散概率模型（DDPM），生成对抗网络（GAN） | 医学影像 | 355例患者（来源于Heidelberg和Bordeaux两个中心） | PyTorch | 2.5D DDPM，GAN | 图像相似度指标，Dice系数，不匹配体积分布 | GPU（未明确指定具体型号） |
| 25 | 2026-06-19 |
Integrative multi-modal feature extraction from ECG signals using FusionHeartNet for robust heart disease prediction
2026-Jun-18, The International journal of artificial organs
DOI:10.1177/03913988261448211
PMID:42312446
|
研究论文 | 提出FusionHeartNet框架，融合心电信号时频域和空间特征，用于心脏病稳健预测 | 首次提出双谱特征嵌入策略，结合傅里叶和小波变换、格拉米角场和连续小波变换，并设计多焦点注意力模块和贝叶斯优化学习率调度器，实现多模态特征深度融合 | NA | 提升心电信号分析中跨模态特征提取能力，改善早期心脏病检测的准确性和鲁棒性 | 心电图（ECG）信号 | 机器学习, 数字病理学 | 心血管疾病 | ECG信号处理, 傅里叶变换, 小波变换, GAF, CWT | 深度神经网络 | 心电信号（时域和图像表示） | MIT-BIH心律失常数据库 | PyTorch | FusionHeartNet, 多焦点注意力模块（MFAM）, 心融合分类器（HFC） | 准确率, F1分数, Kappa系数 | NA |
| 26 | 2026-06-19 |
RTsDEN: reverse task attention enabled deep learning model for lung cancer detection using computed tomography
2026-Jun-18, Expert review of anticancer therapy
IF:2.9Q2
DOI:10.1080/14737140.2026.2689719
PMID:42312470
|
研究论文 | 提出一种结合反向任务注意力和分布式Elman卷积神经网络（RTsDEN）的深度学习模型，用于基于CT图像的肺癌检测 | 创新性地结合了反向任务注意力模块和分布式Elman网络概念，通过自适应叶和多粒度结节分割阶段，有效从复杂背景中捕获疾病模式 | 未明确提及计算复杂度或实时部署的具体挑战 | 开发高效深度学习模型以提升肺癌CT检测性能，克服现有方法在捕捉复杂模式和计算效率上的局限 | 肺癌CT图像中的结节检测 | 计算机视觉 | 肺癌 | CT成像 | 卷积神经网络 | 图像 | LUNA 16数据集和LIDC-IDRI数据集 | NA | 分布式Elman卷积神经网络 | 准确率, 精确率, 召回率 | NA |
| 27 | 2026-06-19 |
An Intelligent Self-Powered Covalent Organic Framework-Based Triboelectric Nanosensor Platform for On-site Picomolar Hg2+ Ion Monitoring
2026-Jun-18, ACS sensors
IF:8.2Q1
DOI:10.1021/acssensors.6c01268
PMID:42312548
|
research paper | 报道了一种基于共价有机框架的自供电智能摩擦电纳米传感器平台，用于现场皮摩尔级Hg2+离子监测 | 提出了“材料-器件-算法”一体化集成平台，利用噻吩基共价有机框架增强Hg离子识别特异性和信号转导效率，构建固液摩擦电纳米传感器消除固固接触限制，并集成深度学习模型实现实时定量读数 | 未提及具体局限性 | 开发自供电智能传感平台，克服传统摩擦电纳米传感器在Hg离子检测中的灵敏度不足、环境干扰和非直观信号输出问题 | Hg2+离子监测 | machine learning | NA | 摩擦电纳米传感器 | 深度学习模型 | 电信号 | NA | NA | NA | 检测限、线性范围、环境稳定性、可重复性 | NA |
| 28 | 2026-06-19 |
Learning High-Resolution Protein Embeddings from Multimodal Data via Self-Supervised Integration
2026-Jun-18, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.6c00618
PMID:42312747
|
研究论文 | 提出一种多模态自监督方法self-SSGI，整合序列、结构、GO注释和图像数据学习高分辨率蛋白质嵌入 | 首次联合利用序列、结构、GO注释和图像四种模态数据，通过联合掩码重建和对比学习策略学习氨基酸级和蛋白质级特征，并使用交叉注意力融合多级特征生成统一嵌入 | 依赖多模态数据的完整性和质量，对于缺失某些模态的蛋白质可能表现受限；训练数据规模（96,862个蛋白质）可能不足以覆盖所有蛋白质家族 | 开发一种有效的蛋白质表示工具，支持大规模蛋白质功能注释和下游计算生物信息学任务 | 蛋白质 | 机器学习 | NA | 多模态自监督学习 | Transformer（交叉注意力融合模块）、对比学习模型 | 氨基酸序列、蛋白质结构、GO注释文本、蛋白质显微镜图像 | 96,862个蛋白质 | PyTorch | 交叉注意力融合模块 | 准确率、精确率、召回率、F1分数 | NA |
| 29 | 2026-06-19 |
Correction to "Deep Learning-Assisted Multiplexed Electrochemical Fingerprinting for Chinese Teas Identification"
2026-Jun-18, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.6c03715
PMID:42312887
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 30 | 2026-06-19 |
Research progress and challenges of multimodal deep learning models for prognosis of gastric cancer
2026-Jun-18, Discover oncology
IF:2.8Q2
DOI:10.1007/s12672-026-05431-0
PMID:42313224
|
综述 | 本文综述了多模态深度学习模型在胃癌预后预测中的研究进展与挑战 | 探讨了可解释深度学习模型在胃癌预后预测中的创新应用 | NA | 综述多模态数据融合技术在胃癌预后预测中的研究进展，并讨论其面临的挑战 | 多模态深度学习模型 | 机器学习 | 胃癌 | NA | 深度学习模型 | 多模态数据（年龄、生存状态、放射影像、组织病理、基因组信息） | NA | NA | NA | NA | NA |
| 31 | 2026-06-19 |
An evolutionary neural architecture search for magnetic resonance image reconstructions
2026-Jun-18, International journal of computer assisted radiology and surgery
IF:2.3Q2
DOI:10.1007/s11548-026-03588-1
PMID:42313273
|
研究论文 | 提出一种遗传算法自动优化卷积神经网络架构，用于磁共振图像重建任务，无需手动设计 | 首次将遗传算法应用于CNN架构的分数编码优化，实现磁共振图像重建的自动架构搜索，无需人工调参并提升重建精度 | 仅在fastMRI脑部和膝部数据集上验证，缺乏对其他解剖部位和不同扫描参数的泛化性测试，计算资源消耗未在摘要中提及 | 实现磁共振图像重建模型架构的自动化设计，减少人工干预并提高重建精度 | 磁共振图像重建任务中的卷积神经网络架构优化 | 机器学习, 计算机视觉, 数字病理学 | NA | 磁共振成像 (MRI) | 卷积神经网络 (CNN) | 图像 | fastMRI数据集（纽约大学提供），包含脑部和膝部MRI图像 | GA, TensorFlow 或 PyTorch (需确认) | NA | 重建精度 (准确率) | NA |
| 32 | 2026-06-19 |
Evolution of artificial intelligence in breast cancer pathology: a bibliometric analysis
2026-Jun-18, Discover oncology
IF:2.8Q2
DOI:10.1007/s12672-026-05388-0
PMID:42313316
|
文献综述 | 对乳腺癌病理学中人工智能应用的文献进行计量分析，以绘制研究图景和识别关键趋势 | 利用BERTopic模型从摘要中提取语义主题，揭示了从单模态图像分析向多模态“病理组学”和新兴交叉领域的研究转变 | 仅依赖Web of Science数据库，可能遗漏部分相关文献；未深入探讨AI模型的可解释性和人机协作的具体优化方法 | 通过文献计量学分析，概述人工智能在乳腺癌病理学领域的研究格局、关键趋势和新兴方向 | 2011年至2025年间发表的1089篇相关文献 | 自然语言处理, 机器学习 | 乳腺癌 | NA | BERTopic | 文本 | 1089篇文献 | VOSviewer, CiteSpace, BERTopic | NA | NA | NA |
| 33 | 2026-06-19 |
A Fully Automated Multistage Deep Learning System for Lenke Classification: Enhanced Diagnostic Precision in Adolescent Idiopathic Scoliosis
2026-Jun-17, The Journal of bone and joint surgery. American volume
DOI:10.2106/JBJS.25.01015
PMID:41460944
|
研究论文 | 开发并验证了一个全自动多阶段深度学习系统，用于青少年特发性脊柱侧弯的Lenke分型，提升了诊断精度 | 首次提出全自动多阶段深度学习系统进行Lenke分型，整合了椎体分割、腰椎椎弓根定位和特征融合模块，实现了端到端自动分类 | 未在文摘中明确提及限制 | 减少Lenke分型主观评估的观察者间差异，提高诊断客观性和临床可靠性 | 青少年特发性脊柱侧弯患者的全脊柱X光片 | 计算机视觉 | 青少年特发性脊柱侧弯 | NA | Swin-Unet, DeepLabv3+ | 图像 | 650名个体（183名健康对照，467名患者），年龄10-18岁，Cobb角25°至90° | PyTorch | Swin-Unet, DeepLabv3+ | 总体准确率95.6%, 宏平均F1分数0.862, Dice系数0.917(前后位)和0.942(侧位), 组内相关系数0.969-0.976, F1分数0.912(腰椎A/B/C)和0.928(矢状位-/N/+) | NA |
| 34 | 2026-03-28 |
Automating Adolescent Idiopathic Scoliosis Classification: An Interpretable, Workflow-Based Approach to Lenke Classification: Commentary on an article by Lingcong Xu, MD, et al.: " A Fully Automated Multistage Deep Learning System for Lenke Classification. Enhanced Diagnostic Precision in Adolescent Idiopathic Scoliosis "
2026-Jun-17, The Journal of bone and joint surgery. American volume
DOI:10.2106/JBJS.26.00074
PMID:41886543
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 35 | 2026-06-19 |
Comprehensive RNA-binding protein analyses and deep learning uncover genetic constraints and disease associations in protein-RNA interfaces
2026-Jun-17, Cell systems
IF:9.0Q1
DOI:10.1016/j.cels.2026.101588
PMID:42025161
|
研究论文 | 通过整合增强CLIP数据和深度学习模型，全面分析RNA结合蛋白与RNA的相互作用，揭示遗传约束和疾病关联 | 结合了92个新RNA结合蛋白的增强CLIP数据，并利用深度学习模型对RNA结合蛋白结合位点的遗传变异进行评分，发现剪接增强子与沉默子之间存在相反的选择约束模式 | NA | 探究RNA结合蛋白与RNA相互作用的遗传约束及与疾病的关联 | RNA结合蛋白与RNA的相互作用位点 | 自然语言处理 | 视网膜疾病 | 增强CLIP | 深度学习模型 | 序列数据 | 286个RNA结合蛋白在K562和HepG2细胞中的增强CLIP数据 | NA | NA | NA | NA |
| 36 | 2026-06-19 |
Fusing imaging and metabolic modeling via multimodal deep learning in ovarian cancer
2026-Jun-17, Cell systems
IF:9.0Q1
DOI:10.1016/j.cels.2026.101594
PMID:42025163
|
research paper | 融合成像与代谢建模的多模态深度学习方法用于卵巢癌研究 | 首次尝试将患者特异性代谢模型与成像数据整合，改善生存估计并实现预测的机制性解释 | 仅使用有限数量的共同样本，方法泛化性需在其他癌症类型中进一步验证 | 通过多模态深度学习融合转录组学、代谢组学和成像数据，阐明卵巢癌的分子基础并改善生存预测 | 卵巢癌患者 | machine learning, digital pathology, computer vision | ovarian cancer | 转录组学, 代谢组学, 3D CT成像 | multimodal deep learning | 转录组数据, 代谢通量数据, 3D CT图像 | 有限数量的共同样本 | NA | NA | 生存估计准确率 | NA |
| 37 | 2026-06-19 |
Understanding the precipitation mechanism in pentavalent vanadium electrolytes through deep learning potential molecular dynamics
2026-Jun-17, Chemical science
IF:7.6Q1
DOI:10.1039/d6sc02403c
PMID:42080026
|
研究论文 | 利用深度势能分子动力学研究五价钒电解液中的沉淀机制 | 首次通过深度势能分子动力学模拟揭示了钒电解液中五价钒离子从水合物转变为氧化钒沉淀的完整过程，并发现该沉淀过程遵循SN2型羟基脱水转化路径 | 模拟可能未完全考虑电解液中的复杂离子相互作用以及长期循环对沉淀行为的影响 | 阐明五价钒电解液中沉淀的微观机制，为优化钒液流电池电解液配方提供指导 | 五价钒电解液中的沉淀过程 | 机器学习 | NA | 深度势能分子动力学（DPMD） | 深度势能模型 | 分子动力学模拟数据 | NA | NA | 深度势能（Deep Potential） | 能量误差小于1 meV，力误差小于60 meV/Å | NA |
| 38 | 2026-06-19 |
REN: Anatomically-Informed Mixture-of-Experts for Interstitial Lung Disease Diagnosis
2026-Jun-17, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2026.3704035
PMID:42308081
|
研究论文 | 提出区域专家网络，首个基于解剖学知识的混合专家框架，用于间质性肺疾病诊断 | 首次将解剖学先验融入混合专家架构，通过为每个肺叶或肺叶组合训练专门专家，并引入多模态门控机制整合放射组学生物标志物和深度学习特征 | 具体局限性未在摘要中提及 | 解决常规混合专家架构在医学影像中忽视解剖结构和区域疾病异质性的问题，提高间质性肺疾病分类性能 | 间质性肺疾病患者的肺部CT扫描 | 计算机视觉 | 间质性肺疾病 | CT成像 | 混合专家模型 | 医学图像 | 597名患者的1,898次扫描纵向队列 | PyTorch | CNN, ViT, Mamba, SwinUNETR | AUC | NA |
| 39 | 2026-06-19 |
Enhancing X-ray Image Classification through Heterogeneous Federated Learning with Natural Image-Augmented Models
2026-Jun-17, IEEE transactions on pattern analysis and machine intelligence
IF:20.8Q1
DOI:10.1109/TPAMI.2026.3704679
PMID:42308070
|
研究论文 | 提出一种利用自然图像增强的异构联邦学习框架NatIMG-FL，用于X射线图像分类 | 首次利用自然图像作为辅助监督数据来对齐特征分布，并提出基于双权重的细粒度知识迁移方法解决异构模型问题 | 可能受限于自然图像与X射线图像之间的域差距，且未提及对极少数类别或罕见病的处理效果 | 提升X射线图像分类中异构联邦学习的性能与知识迁移效果 | X射线图像与自然图像 | 计算机视觉 | NA | X射线成像 | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 40 | 2026-06-19 |
Counterfactual Diffusion Models Provide Interpretable Explanations of Artificial Intelligence Models in Pathology
2026-Jun-17, Cancer research
IF:12.5Q1
DOI:10.1158/0008-5472.CAN-25-5645
PMID:42308255
|
研究论文 | MoPaDi是一个用于生成组织病理学图像反事实解释的框架，帮助识别与模型预测相关的形态或染色特征 | 将扩散自编码器与任务特定多实例学习分类器相结合，通过修改分类器关联特征诱导预测偏移，生成感知真实的反事实组织病理学图像 | NA | 为数字病理学中的深度学习模型提供可解释的反事实解释，支持评估模型特定决策线索和生成假说 | 组织病理学全切片图像 | 数字病理学 | 结直肠癌、乳腺癌、肝癌、肺癌 | NA | 扩散模型、多实例学习 | 图像 | 多个数据集，涵盖结直肠、乳腺、肝脏和肺癌 | PyTorch | 扩散自编码器、多实例学习分类器 | NA | NA |