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 381 - 400 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 381 | 2026-04-01 |
HFP-SAM: Hierarchical Frequency Prompted SAM for Efficient Marine Animal Segmentation
2026, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society
IF:10.8Q1
DOI:10.1109/TIP.2026.3674678
PMID:41874991
|
研究论文 | 本文提出了一种名为HFP-SAM的分层频率提示SAM框架，用于高效的海生动物图像分割 | 设计了频率引导适配器（FGA）将海洋场景信息注入冻结的SAM主干网络，引入频率感知点选择（FPS）机制生成点提示，并采用全视角Mamba（FVM）模块以线性计算复杂度提取空间和通道上下文信息 | 未在摘要中明确说明 | 解决海生动物分割中长距离建模困难的问题，提升复杂海洋环境下的分割性能 | 海洋动物图像 | 计算机视觉 | NA | 图像分割 | SAM（Segment Anything Model） | 图像 | 在四个公开数据集上进行实验（具体数量未说明） | 未明确说明 | SAM, FVM（Full-View Mamba） | 未在摘要中明确说明 | 未在摘要中明确说明 |
| 382 | 2026-04-01 |
Regional patch-based MRI brain age modeling with an interpretable cognitive reserve proxy
2026-Jan, Pattern recognition letters
IF:3.9Q2
DOI:10.1016/j.patrec.2025.11.027
PMID:41908685
|
研究论文 | 本文提出了一种基于区域图像块的MRI脑年龄预测集成框架，并结合认知评估构建了一个可解释的认知储备代理指标 | 采用基于双侧皮层下结构图像块的3D CNN集成框架，提高了脑年龄预测的解剖学特异性；首次将脑年龄预测与认知评估结合，构建了可量化的认知储备代理指标 | 研究主要基于特定数据集（健康对照、阿尔茨海默病和轻度认知障碍患者），在其他神经退行性疾病或更广泛人群中的泛化能力有待验证 | 开发具有解剖学特异性和临床解释性的脑年龄预测模型，用于脑健康评估和神经退行性疾病风险预测 | 健康对照个体、阿尔茨海默病患者和轻度认知障碍患者 | 医学影像分析 | 阿尔茨海默病 | MRI | CNN | 3D MRI图像 | 大型多队列数据集（健康对照）和独立测试样本（包括阿尔茨海默病和轻度认知障碍患者） | NA | 3D CNN | NA | NA |
| 383 | 2026-04-01 |
Advancing workpiece dimension measurement: Integrating AI-based edge detection with machine vision and coordinate measuring systems
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0342797
PMID:41871139
|
研究论文 | 本研究探讨了在坐标测量机工业图像分析框架中应用基于AI的检测方法，以提升工件尺寸测量的精度 | 将基于CNN的AI边缘检测与机器视觉及坐标测量系统集成，提出了一种标准化方法，用于精确测量工件尺寸，并通过迁移学习解决了小数据集过拟合问题 | 研究基于有限的数据集（特定模型表面特征），虽然展示了跨材料可扩展性，但通用性仍需进一步验证 | 提升工业机器视觉中工件尺寸测量的准确性和效率 | 具有不同孔尺寸和数量的工件模型 | 机器视觉 | NA | AI边缘检测，迁移学习 | CNN | 图像 | 使用SolidWorks设计并CNC加工的两个模型，以及用于跨材料验证的200张Drelin材料图像 | NA | 卷积神经网络 | 分类准确率，混淆矩阵，直径偏差，相关系数，ANOVA | NA |
| 384 | 2026-04-01 |
Nickel price forecasting based onempirical mode decomposition and deep learning model with expansion mechanism
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0341559
PMID:41875101
|
研究论文 | 本研究提出了一种结合集成经验模态分解和扩张长短期记忆网络的混合预测框架，用于预测镍价波动 | 创新性地将EEMD与Dilated LSTM结合，通过多尺度分解和高级时序特征提取提升预测精度，并利用可解释性分析识别铜价波动的关键驱动作用 | 未明确说明模型在其他金属或商品价格预测中的泛化能力，且样本数据范围和时间跨度未详细说明 | 开发一种混合预测框架以提高镍价预测的准确性，支持资源驱动型企业的风险管理和政府产业政策设计 | 镍期货价格 | 机器学习 | NA | 集成经验模态分解, 扩张长短期记忆网络 | LSTM | 时间序列数据 | NA | NA | Dilated LSTM | NA | NA |
| 385 | 2026-04-01 |
HCLmNet: A unified hybrid continual learning strategy multimodal network for lung cancer survival prediction
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0316509
PMID:41875207
|
研究论文 | 本文提出了一种名为HCLmNet的混合持续学习多模态网络，用于预测肺癌患者的生存期 | 提出了一种结合弹性权重巩固(EWC)与三种基于回放的模块（经验回放、实例级相关性回放、类别级相关性回放）的混合持续学习策略，以解决动态临床环境中模型更新时的灾难性遗忘问题 | 未明确提及 | 开发一种能够在动态临床环境中持续学习新数据，同时避免灾难性遗忘的肺癌生存期预测模型 | 肺癌患者 | 数字病理学 | 肺癌 | CT成像, PET成像, 基因组(DNA)测序 | 深度学习, 持续学习 | 图像, 序列, 文本 | NA | NA | Swin Transformer, XLNet, 全连接网络 | 一致性指数(C-index), 平均绝对误差(MAE) | NA |
| 386 | 2026-04-01 |
Soft Multiaxial Strain Mapping Interface with AI-Driven Decoding for Silent Speech in Noise
2026, Cyborg and bionic systems (Washington, D.C.)
DOI:10.34133/cbsystems.0536
PMID:41877703
|
研究论文 | 本文提出了一种基于软多轴应变映射和AI解码的无声语音接口，用于在嘈杂环境中实现清晰的字母通信 | 重新设计了无声语音接口，通过监测喉咙肌肉运动引起的连续多轴应变图来重建语音，结合计算机视觉光学应变传感器和深度学习，实现了在极端噪声条件下的鲁棒通信 | NA | 开发一种在嘈杂环境中捕获清晰音频的无声语音接口 | 喉咙肌肉运动引起的应变模式 | 计算机视觉 | NA | 计算机视觉光学应变传感器 | 深度学习 | 应变图 | NA | NA | NA | NA | NA |
| 387 | 2026-04-01 |
Systematic review of different approaches for performance enhancement in elite sport
2026, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2026.1781958
PMID:41877740
|
综述 | 本文通过系统综述，探讨了高级分析技术在精英体育不同应用领域和运动项目中的分布与成熟度 | 首次系统性地梳理了2019年至2025年间高级分析技术在精英体育中的应用现状，并识别了技术成熟度在不同运动项目和应用目标间的差异 | 研究仅纳入了2019年至2025年间的文献，可能遗漏了更早的重要研究；且为定性综述，未进行定量荟萃分析 | 旨在考察高级分析技术在精英体育中的应用分布、成熟度，并为相关研究和实践提供基于证据的指导 | 精英体育中的高级分析技术应用 | 机器学习 | NA | 系统综述，结构化定性综合 | NA | NA | 52项符合纳入标准的研究 | NA | NA | NA | NA |
| 388 | 2026-04-01 |
MangoLeafNet-XAI: an attention-enhanced deep learning architecture for accurate and interpretable mango leaf disease classification
2026, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2026.1776537
PMID:41877980
|
研究论文 | 本研究提出了一种名为MangoLeafNet-XAI的轻量级深度学习架构，用于准确且可解释的芒果叶病害分类 | 该模型创新性地将高效通道注意力（ECA）模块与DenseNet-121骨干网络结合，自适应地优化特征并高精度捕捉细微病理模式，实现了性能与计算效率的最佳平衡 | 现有方法的局限性包括计算复杂度高、结果难以解释以及数据集依赖的过拟合问题 | 开发一种适用于资源受限农业环境的精确且可解释的芒果叶病害检测系统 | 芒果叶病害，包括炭疽病、细菌性溃疡病、枯梢病、瘿蚊、白粉病、煤烟霉和切叶象甲 | 计算机视觉 | 植物病害 | 深度学习 | CNN | 图像 | 三个公共数据集（MLDID、Mango Leaf Disease和Harumanis），涵盖多种环境条件和病害类别 | PyTorch, TensorFlow | DenseNet-121 | 准确率 | 适用于边缘设备部署，模型参数仅690万 |
| 389 | 2026-04-01 |
Protein structure prediction powered by artificial intelligence: from biochemical foundations to practical applications
2026, Frontiers in molecular biosciences
IF:3.9Q2
DOI:10.3389/fmolb.2026.1767821
PMID:41878008
|
综述 | 本文综述了人工智能驱动的蛋白质结构预测方法，从生化基础到实际应用 | 总结了基于深度学习和大规模蛋白质语言模型的最新进展，如AlphaFold3和RoseTTAFold，这些模型通过整合进化信息、几何约束和端到端神经架构实现了接近实验精度的预测 | NA | 总结蛋白质折叠的生化基础、AI驱动的方法学进展及其在药物发现、酶工程和疾病研究中的应用 | 蛋白质的三维结构 | 机器学习 | NA | 深度学习, 蛋白质语言模型 | 深度学习模型 | 蛋白质序列数据 | NA | NA | AlphaFold3, RoseTTAFold, ESMFold | 接近实验精度 | NA |
| 390 | 2026-04-01 |
Correction: Advanced EEG signal classification for neural prosthetic devices using metaheuristic and deep learning techniques
2026, Frontiers in digital health
IF:3.2Q2
DOI:10.3389/fdgth.2026.1795848
PMID:41878372
|
correction | 本文是对先前发表文章（DOI: 10.3389/fdgth.2025.1706660）的更正 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 391 | 2026-04-01 |
Depression detection using deep learning and large language models from multimodalities
2026, Frontiers in digital health
IF:3.2Q2
DOI:10.3389/fdgth.2026.1759857
PMID:41878374
|
综述 | 本文综述了基于深度学习和大语言模型的多模态抑郁症检测方法的最新进展 | 整合了基于EEG的单模态、多模态以及新兴的LLM驱动方法，并探讨了跨模态对齐和上下文推理能力 | 数据集多样性不足、标准化欠缺、可解释性有限以及临床验证不充分 | 评估客观抑郁症检测的自动化、数据驱动方法 | 抑郁症患者 | 自然语言处理, 机器学习 | 抑郁症 | 脑电图, 语音分析, 面部表情分析 | Transformer | 生理信号, 语音, 图像 | NA | NA | Transformer | 准确率, F1分数 | NA |
| 392 | 2026-04-01 |
A toolkit for generating virtual brightfield images of histological and immunohistochemical stains from multiplexed data with AI-based channel selection and image enhancement
2026, Frontiers in bioinformatics
IF:2.8Q2
DOI:10.3389/fbinf.2026.1765143
PMID:41878398
|
研究论文 | 提出一种从多重成像数据生成虚拟明场组织学图像的通用框架，结合物理染色模型、AI通道选择与图像增强技术 | 首次提出结合物理染色模型与AI通道选择的虚拟明场图像生成框架，支持通过查找表或大语言模型进行分子标记到染色颜色的映射，并集成深度学习上采样与去噪模型 | 方法在多种成像模态中验证但未涵盖所有组织类型，深度学习模型的训练依赖真实明场图像数据 | 减少组织多重成像时额外制备明场切片的需求，实现虚拟明场图像与多重图像的自动对齐 | 组织切片的多重成像数据 | 数字病理学 | NA | 成像质谱流式技术、荧光多重成像 | 深度学习模型 | 多重成像数据、明场组织学图像 | NA | NA | NA | 图像质量量化评估、诊断质量评估 | NA |
| 393 | 2026-04-01 |
Overcoming Extrapolation Challenges of Deep Learning by Incorporating Physics in Protein Sequence-Function Modeling
2025-Nov-11, bioRxiv : the preprint server for biology
DOI:10.1101/2025.11.09.687530
PMID:41293023
|
研究论文 | 本文提出了一种结合蛋白质物理相互作用和动力学的深度学习模型，以改进蛋白质序列-功能关系建模中的外推预测能力 | 通过将基于物理的能量效应量化直接整合到卷积和图卷积神经网络中，显著提升了位置和突变类型外推预测的性能 | 未明确提及具体的数据集规模或模型泛化到其他蛋白质系统的限制 | 克服深度学习在蛋白质序列-功能建模中外推预测的挑战 | 蛋白质序列与功能关系，特别是突变的功能效应预测 | 机器学习 | NA | 深度突变扫描数据 | CNN, GCN | 序列数据, 结构数据 | NA | NA | 卷积神经网络, 图卷积神经网络 | NA | NA |
| 394 | 2026-04-01 |
Live imaging of late-stage preimplantation human embryos reveals de novo mitotic errors
2025-Oct-23, Nature biotechnology
IF:33.1Q1
DOI:10.1038/s41587-025-02851-1
PMID:41131150
|
研究论文 | 本文通过优化核DNA标记和光片活体成像技术，揭示了人类胚胎在植入前晚期阶段染色体分离错误的发生机制 | 首次应用信使RNA电穿孔优化核DNA标记，结合光片活体成像技术，在人类胚胎植入前晚期阶段实时观察染色体分离错误 | 成像方法可能对胚胎发育产生未知影响，且样本数量有限，需进一步验证临床适用性 | 研究人类胚胎在植入前晚期阶段染色体分离错误的起源和机制 | 晚期植入前阶段的人类胚胎 | 数字病理学 | 不孕症 | 信使RNA电穿孔、光片活体成像 | 深度学习模型 | 图像 | 未明确指定样本数量 | 未明确指定 | 定制化深度学习模型 | NA | NA |
| 395 | 2026-04-01 |
Neurotype matching in monogamous rodents is modulated by early-life sleep experience
2025-Sep-26, bioRxiv : the preprint server for biology
DOI:10.1101/2025.09.24.678442
PMID:41040201
|
研究论文 | 本研究利用深度学习工具分析草原田鼠的异性配对互动，探讨早期睡眠干扰对神经类型匹配和社会亲和力的影响 | 首次在非人类动物中量化神经类型匹配现象，通过早期睡眠干扰模拟人类自闭症特征，并发现混合神经类型配对导致社会亲和力降低 | 研究仅针对草原田鼠，且模拟的神经类型基于单一干预（早期睡眠干扰），可能无法完全代表人类自闭症的复杂性 | 探究神经类型匹配现象在非人类动物中的存在及其对社会互动的影响 | 草原田鼠（Microtus ochrogaster）的异性配对 | 机器学习 | 自闭症 | 深度学习 | NA | 视频 | NA | NA | NA | NA | NA |
| 396 | 2026-04-01 |
Pancancer outcome prediction via a unified weakly supervised deep learning model
2025-Sep-03, Signal transduction and targeted therapy
IF:40.8Q1
DOI:10.1038/s41392-025-02374-w
PMID:40897689
|
研究论文 | 本研究提出了一种名为PROGPATH的统一弱监督深度学习模型，用于整合组织病理学图像特征和常规临床变量，以实现泛癌预后预测 | 开发了首个能够整合组织病理学图像与常规临床变量进行泛癌预后预测的统一模型；采用基于基础模型的图像编码、注意力引导的多实例学习模块以及交叉注意力变换器进行特征融合；引入了基于路由器的分类策略以提升预测性能；在涵盖多大陆、多机构的广泛外部队列中进行了大规模验证 | 未明确提及模型的计算效率或实时预测能力；依赖的临床变量范围可能因医疗机构而异；未讨论模型在不同种族或人群亚组中的表现差异 | 开发一个能够整合多模态数据（图像与临床变量）的泛癌预后预测模型，以指导癌症治疗并改善患者结局 | 癌症患者的组织病理学全切片图像（WSI）及常规临床变量 | 数字病理学 | 泛癌（涵盖15种癌症类型） | 组织病理学成像 | 弱监督深度学习 | 图像（全切片图像），临床变量（结构化数据） | 训练集：6,670名患者的7,999张WSI（涵盖15种癌症类型）；验证集：4,441名患者的7,374张WSI（涵盖12种癌症类型，来自8个联盟/机构） | 未明确指定（提及基于基础模型的架构） | 注意力引导的多实例学习模块，交叉注意力变换器 | 未明确指定具体指标（提及优于现有最先进的多模态预后预测模型） | NA |
| 397 | 2026-04-01 |
Deep Learning Differentiates Papilledema, NAION, and Healthy Eyes With Unsegmented 3D OCT Volumes
2025-Sep, American journal of ophthalmology
IF:4.1Q1
DOI:10.1016/j.ajo.2025.05.036
PMID:40447246
|
研究论文 | 本研究利用深度学习模型，基于未分割的3D OCT体积数据，成功区分了视乳头水肿、非动脉炎性前部缺血性视神经病变和健康眼睛 | 首次使用完整的3D OCT体积数据，通过深度学习模型同时区分视乳头水肿、NAION和健康眼睛，并比较了不同区域（整个扫描、视乳头周围视网膜、视神经乳头）的诊断性能 | 研究为回顾性分析，可能存在选择偏倚；外部验证集规模相对较小 | 开发一种基于深度学习的自动化诊断工具，用于区分视神经乳头肿胀的不同病因 | 视神经乳头和视乳头周围视网膜的OCT扫描图像 | 计算机视觉 | 眼科疾病 | 光学相干断层扫描 | CNN | 3D图像 | 4619个原始光谱域视神经乳头体积扫描（来自1539只眼睛），外部验证集包含1663个扫描（来自742只眼睛） | PyTorch | ResNet 3D-18 | 准确率, AUC-ROC, 加权精确率, 加权召回率, 加权F1分数 | NA |
| 398 | 2026-04-01 |
Application of deep learning for detecting implants in computed tomography scout images with multi-institution and multi-vendor for personal identification
2025-09, Science & justice : journal of the Forensic Science Society
IF:1.9Q3
DOI:10.1016/j.scijus.2025.101315
PMID:40930679
|
研究论文 | 本研究提出基于深度学习的方法，用于在计算机断层扫描（CT）定位像中自动检测金属植入物，以辅助法医身份识别 | 首次在CT定位像中应用深度学习进行植入物检测，并使用了多机构、多厂商的数据集以确保模型在不同成像条件下的泛化能力 | 研究仅关注金属植入物，未涵盖其他类型的医疗植入物；模型性能可能受限于训练数据的多样性和数量 | 开发一种自动检测CT定位像中金属植入物的方法，以辅助法医调查中的身份识别 | 计算机断层扫描（CT）定位像中的金属植入物 | 计算机视觉 | NA | 计算机断层扫描（CT） | CNN | 图像 | 多机构、多厂商的CT定位像数据集 | NA | RetinaNet, Faster R-CNN | 假阳性率, 分类一致性 | NA |
| 399 | 2026-04-01 |
Progress and new challenges in image-based profiling
2025-Aug-07, ArXiv
PMID:40799808
|
综述 | 本文回顾了基于图像的细胞表型分析（图像分析）的计算方法演变，概述了当前流程、局限性及未来发展方向 | 系统总结了深度学习如何重塑图像分析，包括特征提取、可扩展性和多模态数据整合的改进，并强调了单细胞分析和批次效应校正等受单细胞转录组学启发的方法学进展 | 本文侧重于技术演进而未深入探讨广泛的生物学应用，且该领域仍面临需要创新解决方案的重大挑战 | 为研究人员提供导航这一快速发展领域进展与新挑战的路线图 | 基于图像的细胞表型分析（图像分析）的计算方法 | 计算机视觉 | NA | 显微镜成像，高通量图像分析 | 深度学习模型 | 显微镜图像 | NA | NA | NA | NA | NA |
| 400 | 2026-04-01 |
What does it take to learn the rules of RNA base pairing? A lot less than you may think
2025-Aug-02, bioRxiv : the preprint server for biology
DOI:10.1101/2025.07.31.668042
PMID:40766544
|
研究论文 | 本文探讨了使用极少参数和数据的概率模型（如随机上下文无关文法）通过深度学习技术重新发现RNA碱基配对规则的可能性 | 展示了无需二级结构标签、序列比对或大量参数，仅通过少量RNA序列和自动微分框架就能学习到RNA碱基配对规则 | 模型仅基于21个参数，可能无法捕捉更复杂的RNA结构或非规范相互作用 | 研究RNA碱基配对规则的最小学习需求，探索序列级信号在RNA功能区分中的应用 | RNA序列，包括结构RNA、信使RNA和打乱序列 | 自然语言处理 | NA | 随机上下文无关文法（SCFG），自动微分，随机梯度下降 | 概率模型，深度学习 | 序列（RNA序列） | 少至50个RNA序列 | 自动微分框架（未指定具体名称） | 随机上下文无关文法（SCFG） | NA | NA |