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 44944 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 | 2026-06-03 |
Multimodal AI for early prediction of adverse clinical outcomes in acute pancreatitis
2026-Jun-02, Abdominal radiology (New York)
DOI:10.1007/s00261-026-05588-w
PMID:42228172
|
研究论文 | 开发了一种多模态人工智能框架，整合临床参数、影像组学和深度学习模型，用于早期预测急性胰腺炎的不良临床结局 | 首次将影像组学、深度学习模型与临床变量结合用于急性胰腺炎早期预后预测，并系统比较了与放射科医生判读和传统临床评分系统的性能 | 单中心回顾性研究设计；样本量有限；需前瞻性多中心验证；深度学习模型在融合临床数据后未显著提升性能 | 提高早期急性胰腺炎不良临床结局预测的准确性，改善患者分诊管理 | 急性胰腺炎患者入院72小时内进行的增强CT影像、临床参数、实验室变量 | 机器学习, 计算机视觉 | 急性胰腺炎 | 增强CT影像学检查 | 影像组学模型, 深度学习模型 (CNN), 多模态融合模型 | CT影像, 临床数据 | 284例急性胰腺炎患者（其中140例出现不良结局） | NA | 影像组学特征提取, 深度学习网络 (未明确具体架构) | AUC, 敏感性, 特异性, Fleiss κ, ICC | NA |
| 22 | 2026-06-03 |
Recognition of Normal Fetal Echocardiograms Based on an Explainable Denoising Deep Learning Model
2026-Jun, Journal of clinical ultrasound : JCU
IF:1.2Q3
DOI:10.1002/jcu.70183
PMID:41546466
|
research paper | 提出一种可解释去噪深度学习模型GSCAViT用于分类正常胎儿超声心动图 | 集成新型去噪引导GSCA模块，提升图像质量和可解释性，利用SHAP方法澄清关键图像特征 | 局限性未在摘要中提及 | 评估GSCAViT模型在正常胎儿超声心动图分类中的性能 | 正常胎儿超声心动图 | computer vision | NA | AI | Vision Transformer | image | 2501张图像来自358次胎儿心脏超声检查 | NA | Grouped Shared Convolutional Attention Vision Transformer (GSCAViT) | accuracy, precision, recall, F1 score, contrast-to-noise ratio, peak signal-to-noise ratio | NA |
| 23 | 2026-06-03 |
On scientific foundation models: Rigorous definitions, key applications, and a comprehensive survey
2026-Jun, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2026.108567
PMID:41547123
|
综述 | 本文对科学基础模型提供了严格定义、关键应用和全面综述 | 首次提出科学基础模型的严格定义，将其能力分为四个关键维度（域适应、域泛化、问题适应、问题泛化），并基于模型架构、学习目标和训练策略提出分类法 | 科学基础模型在极端外推情况下的物理一致性、可解释性和鲁棒性仍存在挑战，且计算需求大、缺乏标准化基准 | 为科学基础模型提供严格定义，分类总结现有模型，并指出开放研究方向 | 科学基础模型在化学、材料科学、生物学、气候与天气、地球观测、地球物理学、混沌动力学、机器人学与控制、核科学等领域的应用 | 机器学习 | NA | 大规模预训练 | 深度学习模型 | NA | NA | NA | NA | NA | NA |
| 24 | 2026-06-03 |
A causal bidirectional selective state space model for imaging genetics in neurodegenerative diseases
2026-Jun, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2026.108587
PMID:41547121
|
research paper | 本文提出一种因果双向选择性状态空间模型（CausalMamba），用于神经退行性疾病的影像遗传学分析，实现从遗传数据到疾病诊断的因果推理与高效分类 | 首次将因果推断与双向选择性状态空间模型（BiMamba）结合，构建统一的表示学习框架，实现仅需遗传数据即可完成疾病诊断，并在模拟与真实数据集上验证了因果生物标志物的识别能力 | NA | 解决影像遗传学中长基因序列特征提取及遗传、影像与疾病间因果关联建立的挑战，提升神经退行性疾病诊断性能 | 阿尔茨海默病与帕金森病的遗传与脑影像数据 | machine learning | neurodegenerative diseases | 基因测序、脑影像 | 因果双向选择性状态空间模型（CausalMamba） | 遗传数据、脑影像数据 | 模拟数据集、ADNI数据集、PPMI数据集 | PyTorch | BiMamba | accuracy | NA |
| 25 | 2026-01-25 |
Deep learning reconstruction enhances 1.5T MR angiography beyond 3T in vascular visualization for Moyamoya disease
2026-Jun, Japanese journal of radiology
IF:2.9Q2
DOI:10.1007/s11604-025-01945-9
PMID:41579320
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 26 | 2026-01-28 |
Advancing personalized prognostic assessment in rectal cancer through multi-instance deep learning
2026-Jun, European radiology
IF:4.7Q1
DOI:10.1007/s00330-026-12340-x
PMID:41591473
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 27 | 2026-02-19 |
Improved image quality and greater diagnostic suitability in myocardial delayed enhancement CT with deep learning image reconstruction
2026-Jun, Japanese journal of radiology
IF:2.9Q2
DOI:10.1007/s11604-026-01958-y
PMID:41701468
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 28 | 2026-06-03 |
Harnessing the power of artificial intelligence for clinical trials in cancer
2026-Jun, Expert review of anticancer therapy
IF:2.9Q2
DOI:10.1080/14737140.2026.2642221
PMID:41797434
|
综述 | 综述人工智能在肿瘤临床试验全生命周期中的应用，涵盖从设计、招募到数据管理和结果评估的各个环节 | 系统总结了AI（包括基础ML模型、高级DL和LLM系统）在肿瘤试验各个阶段的应用，并探讨了算法偏见、可解释性、问责制及监管等关键挑战 | 未提及具体局限性 | 总结AI如何提升肿瘤临床试验的效率、包容性和数据驱动性 | AI在肿瘤临床试验中的应用，包括Trial Pathfinder、TrialGPT和PRISM等工具 | 机器学习 | 癌症 | NA | 深度学习, 大语言模型 | 数字病理图像, 影像, 基因组测序数据 | NA | NA | NA | NA | NA |
| 29 | 2026-06-03 |
Interpretable multi-modality consensus QSAR framework: integrating machine and deep learning for enhanced multi-endpoint toxicity assessment
2026-Jun, Toxicology mechanisms and methods
IF:2.8Q2
DOI:10.1080/15376516.2026.2643659
PMID:41839829
|
研究论文 | 开发一种可解释的多模态共识QSAR框架，集成机器学习和深度学习方法，用于增强多终点毒性评估 | 提出融合多种分子表征方法（多模态）与机器学习及深度学习的共识模型框架，并基于交叉验证AUC权重进行加权集成，显著提升毒性预测的鲁棒性和广谱适用性 | 未明确提及当前模型的局限性，但基于上下文可推断其对预测性能较差的终点可能仍存在优化空间 | 建立一种可靠、可解释的广谱毒性预测方法，用于多终点的化学品安全评估 | 30,160种独特化合物，涉及皮肤致敏、呼吸毒性、AMES致突变性、肝毒性、发育毒性、心脏毒性、药物肾毒性和神经毒性共8种毒性终点 | 机器学习, 深度学习 | NA | QSAR, 机器学习, 深度学习 | 机器学习模型, 深度学习模型 | 分子结构数据表征 | 30,160种化合物 | NA | NA | AUC, 平衡准确率(BACC) | NA |
| 30 | 2026-06-03 |
Interpretable deep survival analysis of Alzheimer's disease via metabolic genetic variants
2026-Jun-01, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btag213
PMID:42063212
|
研究论文 | 开发了一种可解释的深度生存分析模型，利用代谢相关遗传变异预测阿尔茨海默病发病 | 集成SHAP可解释人工智能技术解决深度学习的黑箱性质，量化每个遗传因素对AD的贡献，并有效避免交互项的组合爆炸 | 样本量有限，研究仅基于SNP数据，未纳入其他类型遗传变异或环境因素 | 利用大规模SNP数据预测阿尔茨海默病发病，并解释遗传因素的贡献 | 阿尔茨海默病患者及对照人群的SNP数据 | 机器学习 | 阿尔茨海默病 | SNP基因分型 | 前馈神经网络、Weibull生存模型 | 遗传变异数据 | 未知 | NA | 前馈神经网络 | 一致性指数（C-index） | NA |
| 31 | 2026-06-03 |
Artificial intelligence in lymphedema: A systematic review of diagnostic and clinical applications
2026-Jun, Journal of plastic, reconstructive & aesthetic surgery : JPRAS
DOI:10.1016/j.bjps.2025.12.035
PMID:42068963
|
综述 | 系统评价人工智能在淋巴水肿诊断和临床管理中的应用 | 首次系统综述人工智能在淋巴水肿中的应用，涵盖诊断、风险预测、监测和手术规划等多方面 | 缺乏外部验证，研究方法异质性大，现有证据仍处于初步阶段 | 评估人工智能技术在淋巴水肿诊断和临床管理中的应用现状和效果 | 淋巴水肿患者，共8720名 | 机器学习 | 淋巴水肿 | 超声、CT、MRI、临床照片、3D成像 | 机器学习和深度学习模型 | 临床数据、影像数据 | 8720名患者 | NA | NA | AUC, 准确率, 相关系数 | NA |
| 32 | 2026-06-03 |
HKD-CPI: high-order knowledge distillation enhanced inductive compound-protein interaction prediction
2026-Jun-01, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btag290
PMID:42179166
|
研究论文 | 提出一种高阶知识蒸馏增强的归纳式化合物-蛋白质相互作用预测方法 | 引入分子图分词机制，将化合物分子图特征与序列预训练大语言模型的令牌嵌入对齐，并构建超图表示以捕捉功能相似生物分子间的高阶交互模式，结合知识蒸馏策略将高阶知识转移到轻量学生模型 | 未明确说明 | 提高对未见过的化合物-蛋白质对的归纳预测泛化能力 | 化合物-蛋白质相互作用对 | 机器学习 | NA | NA | 图神经网络、知识蒸馏 | 分子图、序列文本 | 五个基准数据集 | PyTorch | 超图、大语言模型 | AUROC, AUPRC | NA |
| 33 | 2026-06-03 |
Artificial intelligence-assisted urine cytology based on the Paris System for Reporting Urothelial Carcinoma
2026-Jun, Cancer cytopathology
IF:2.6Q2
DOI:10.1002/cncy.70120
PMID:42223163
|
研究论文 | 开发和验证基于巴黎报告系统的人工智能辅助尿液细胞学系统，用于检测尿路上皮癌 | 首次将人工智能流程模拟细胞病理学家工作流，整合深度学习细胞检测、分割与特征提取，以及支持向量机分类，并严格依据巴黎系统进行报告分类 | 在临床队列中，AI与组织病理学的一致率为83.0%，且不一致主要发生在相邻分类之间；健康筛查队列中虽具有较高阴性预测值，但患病率较低可能影响评估 | 开发并验证基于人工智能的尿液细胞学系统，用于临床和筛查场景中的尿路上皮癌检测 | 328例回顾性临床病例和1489例前瞻性健康筛查样本 | 数字病理学 | 尿路上皮癌 | 液体基细胞学 | 支持向量机、深度学习 | 图像（数字化细胞学图像） | 328例临床样本，1489例筛查样本，269张训练玻片（56710个细胞） | PyTorch | NA | 加权κ值、患病率调整偏倚调整κ值、阴性预测值、阴性一致率、假遗漏率 | NA |
| 34 | 2026-06-03 |
Changes in computed tomography derived muscle and pulmonary tissue in patients hospitalized for COVID-19: A 12-month follow-up study
2026-Jun, Clinical nutrition ESPEN
IF:2.9Q3
DOI:10.1016/j.clnesp.2026.103291
PMID:41999975
|
研究论文 | 本研究调查了COVID-19出院患者在一年内CT衍生的骨骼肌横截面积与肺部受累百分比的变化模式及其关联 | 首次在出院后一年的随访中评估COVID-19患者肌肉与肺部组织的独立变化模式 | 单中心回顾性研究，样本量有限，且十二个月随访时仅有100例患者数据 | 探究COVID-19出院患者一年内肌肉损失与肺部放射学变化的关系 | COVID-19住院患者的骨骼肌和肺实质组织 | 计算机视觉 | COVID-19 | CT成像 | 深度学习算法 | 图像 | 211例患者（基线至三个月），100例患者（十二个月随访） | NA | NA | NA | NA |
| 35 | 2026-06-03 |
Deep Learning-Based Cribriform Segmentation and Automated Olfactory Fossa Depth Estimation on Sinus CT
2026-Jun, International forum of allergy & rhinology
IF:7.2Q1
DOI:10.1002/alr.70180
PMID:42090234
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 36 | 2026-06-03 |
Development and Validation of an AI-Integrated System for Automated Fracture Detection and Pedicle Puncture Planning in Lumbar Osteoporotic Vertebral Compression Fractures Based on the Nine-Grid Area Division Method
2026-Jun, Orthopaedic surgery
IF:1.8Q2
DOI:10.1111/os.70344
PMID:42130124
|
研究论文 | 开发并验证了一种基于九宫格分区法的AI集成系统，用于腰椎骨质疏松性椎体压缩骨折的自动检测和椎弓根穿刺规划 | 将九宫格分区法与深度学习结合，实现腰椎椎体自动分割、L-OVCF识别和穿刺路径自动规划，显著提高规划效率并降低技术门槛 | 未明确说明局限性 | 开发并验证一种AI集成自动化系统，用于腰椎骨质疏松性椎体压缩骨折的诊断和椎弓根穿刺规划 | 腰椎骨质疏松性椎体压缩骨折（L-OVCF）患者 | 计算机视觉 | 腰椎骨质疏松性椎体压缩骨折 | CT | U-Net、3D ResNet50 | CT图像 | 来自三家医院的多中心CT数据集（2020年1月至2022年12月），未明确具体样本数量 | NA | 改进的两阶段U-Net、3D ResNet50 | DSC、AUC、Hausdorff距离、IoU | 标准临床工作站 |
| 37 | 2026-06-03 |
Deep learning the TF regulatory code for gene expression
2026-Jun-01, Genome research
IF:6.2Q1
DOI:10.1101/gr.281425.125
PMID:42140663
|
研究论文 | 提出了一种名为DeepTF的深度学习模型，通过转录因子结合序列预测基因表达 | 首次系统性地将转录因子结合谱编码为转录因子序列，以探索转录因子调控密码，并据此构建预测模型 | 仅涉及13种与转录起始相关的转录因子，可能未涵盖所有相关因子；跨细胞系验证虽有效，但样本多样性有限 | 揭示转录因子调控密码，并利用深度学习模型预测基因表达 | 13种与转录起始相关的转录因子及其结合谱 | 自然语言处理 | NA | 转录因子结合谱编码 | 深度学习 | 序列数据（转录因子结合序列） | 13种转录因子结合谱数据 | PyTorch | DeepTF | AUROC | NA |
| 38 | 2026-06-03 |
Improving Vancomycin Therapeutic Drug Monitoring With a Deep Learning-Based Two-Compartment Predictive Model: Development and Validation Study
2026-Jun-01, JMIR AI
DOI:10.2196/81103
PMID:42224292
|
研究论文 | 提出基于深度学习的双室预测模型PKRNN-2CM，用于改善万古霉素治疗药物监测 | 首次将递归神经网络与双室药代动力学模型结合，提升万古霉素浓度预测精度 | 未提及具体局限性 | 通过深度学习模型优化万古霉素个体化剂量调整 | 万古霉素治疗药物监测中的药代动力学参数及浓度轨迹 | 机器学习 | 感染性疾病 | 电子健康记录数据分析 | 递归神经网络（RNN） | 时间序列电子健康记录数据 | 5483名患者的真实数据集 | PyTorch | PKRNN-2CM | 均方根误差（RMSE），AUC/MIC比值 | NA |
| 39 | 2026-06-03 |
Development of autoencoder-guided attention-LSTM models for predicting nocturnal hypoglycemia risk in Type 1 Diabetes
2026-Jun-01, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2026.3698300
PMID:42224311
|
研究论文 | 开发一种结合自编码器引导注意力机制的LSTM模型，用于预测1型糖尿病患者的夜间低血糖风险 | 提出将生理知识（模拟葡萄糖吸收、胰岛素动力学和亚细胞胰岛素信号）融入注意力LSTM网络，并引入自编码器注意力权重映射框架实现模型可解释性 | 研究对象仅限于使用开放回路胰岛素泵的患者，数据集规模有限，外部验证仅使用单一队列（SMARTDIAB） | 开发一种可提前12小时预测夜间低血糖的深度学习模型，为1型糖尿病患者提供主动干预依据 | 1型糖尿病患者夜间低血糖事件 | 机器学习 | 1型糖尿病 | 持续血糖监测、胰岛素动力学模拟 | LSTM | 时间序列数据 | OhioT1DM数据集（开放回路泵用户）和SMARTDIAB外部验证集 | PyTorch | 注意力LSTM、自编码器 | AUC、召回率、特异性 | NA |
| 40 | 2026-06-03 |
ConvShareViT: A Vision Transformer-Like Architecture for Free-Space Optical Accelerators
2026-Jun-01, IEEE transactions on neural networks and learning systems
IF:10.2Q1
DOI:10.1109/TNNLS.2026.3689450
PMID:42224321
|
研究论文 | 本文提出ConvShareViT，一种适配4f自由空间光学系统的视觉变换器类深度学习架构 | 用跨输入通道共享权重的深度卷积层替代多头自注意力和多层感知机中的线性层，实现光学系统中的高效推理加速 | 相同填充卷积在注意力学习方面存在局限性，表现类似常规CNN而非变换器模型 | 将视觉变换器架构适配到自由空间光学加速器，实现高速光学深度学习 | ConvShareViT架构在4f自由空间光学系统中的性能 | 机器学习 | NA | NA | 视觉变换器(ViT) | NA | 12个不同模型的实验 | NA | 卷积共享视觉变换器(ConvShareViT) | 注意力分数 | 基于GPU的系统（推理速度对比基准） |