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 43585 篇文献，本页显示第 3981 - 4000 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 3981 | 2026-03-03 |
MB-GAN: Microbiome Simulation via Generative Adversarial Network
2021-02-05, GigaScience
IF:11.8Q1
DOI:10.1093/gigascience/giab005
PMID:33543271
|
研究论文 | 本文提出了一种基于生成对抗网络（GAN）的微生物组模拟框架MB-GAN，用于生成逼真的微生物组数据 | MB-GAN避免了显式统计建模假设，仅需真实数据集作为输入，且相比传统GAN更易应用和高效收敛 | 未明确提及具体限制，可能包括对大规模数据或特定微生物组类型的适用性 | 开发一种模拟真实微生物组数据的方法，以评估分析工具的优缺点 | 人类微生物组数据，特别是肠道微生物组 | 机器学习 | NA | 宏基因组关联研究，深度学习方法 | GAN | 微生物丰度数据 | 396个样本（来自病例对照肠道微生物组研究） | NA | MB-GAN | 稀疏性、多样性、类群-类群相关性 | NA |
| 3982 | 2026-03-03 |
Unsupervised Deep Learning for Susceptibility Distortion Correction in Connectome Imaging
2020, Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention
DOI:10.1007/978-3-030-59728-3_30
PMID:34458893
|
研究论文 | 提出一种基于无监督深度学习的磁化率畸变校正方法，用于校正高分辨率扩散MRI数据中的残余畸变 | 使用从扩散MRI数据计算出的纤维方向分布（FOD）图像替代传统的B0图像，提供更可靠的对比信息，并结合U-Net和Transformer网络进行畸变校正 | 仅使用HCP数据集的100名受试者进行训练和评估，样本量相对有限，且未在其他独立数据集上验证 | 校正高分辨率扩散MRI数据中由磁化率引起的残余畸变 | 人类连接组项目（HCP）数据集中的扩散MRI数据 | 医学影像分析 | NA | 扩散MRI，纤维方向分布（FOD）计算 | U-Net，Transformer | 图像（FOD图像） | 100名受试者（60名用于训练，40名用于测试） | NA | U-Net，Transformer | 平均平方差（MSD）的各向异性分数（FA），两个相位编码方向之间的最小角度差 | NA |
| 3983 | 2026-03-02 |
An explainable and transferable deep learning framework for spatiotemporal urban flood prediction by integrating Vision Transformer and U-Net
2026-Apr-15, Water research
IF:11.4Q1
DOI:10.1016/j.watres.2026.125504
PMID:41662782
|
研究论文 | 本研究提出了一种结合Vision Transformer和U-Net的可解释、可迁移深度学习框架ViTUN，用于城市洪水的时空预测 | 提出了一种结合Vision Transformer和U-Net的混合深度学习框架，能够捕捉洪水在变化降雨和地形条件下的时空传播特征，并具有较好的可迁移性和可解释性 | 模型训练和评估基于中国岳阳的水动力模拟数据，在其他城市或地区的适用性可能需要进一步验证 | 开发一个快速、可解释且可迁移的城市洪水预测框架，以支持实时预警、应急响应和洪水风险管理 | 城市洪水淹没深度 | 计算机视觉 | NA | 水动力模拟 | 深度学习 | 时空数据 | 基于中国岳阳水动力模拟生成的淹没数据 | NA | Vision Transformer, U-Net | Critical Success Index (CSI), R, Mean Absolute Error (MAE) | NA |
| 3984 | 2026-03-02 |
Screening toxic transformation products of emerging pollutants in advanced oxidation processes with 3D deep learning and in vitro assays
2026-Apr-15, Water research
IF:11.4Q1
DOI:10.1016/j.watres.2026.125499
PMID:41679042
|
研究论文 | 本文开发了一种名为ToxD4C的新型多模态深度学习框架，用于快速准确评估化学污染物及其在水处理过程中形成的副产物的毒性 | ToxD4C框架创新性地整合了三维分子几何结构、图注意力网络和SE(3)-等变Transformer架构，能够有效捕捉复杂的立体化学和电子分子特征 | NA | 开发深度学习工具以改进水处理和环境风险评估中化学污染物及其转化产物的毒性预测 | 化学污染物及其在水处理过程中形成的转化产物 | 机器学习 | NA | 密度泛函理论（DFT）优化结构 | 图注意力网络, Transformer | 三维分子几何结构 | NA | NA | SE(3)-等变Transformer, Uni-Mol | NA | NA |
| 3985 | 2026-03-02 |
Deep learning for psychiatric genomics: from tools to applications
2026-Apr, Current opinion in genetics & development
IF:3.7Q2
DOI:10.1016/j.gde.2026.102442
PMID:41690236
|
综述 | 本文综述了深度学习在精神疾病基因组学中的应用进展，从工具到具体应用 | 探讨了基础模型（包括基因组语言模型、单细胞基础模型和大型语言模型）在解析精神疾病复杂遗传结构中的变革性影响 | 作为综述文章，未直接进行实证研究，主要依赖现有文献进行总结和展望 | 为精神疾病基因组学研究者提供深度学习方法的全面概述，以促进新治疗策略的开发 | 精神疾病的遗传架构和风险位点 | 自然语言处理, 机器学习 | 精神疾病 | 基因组关联研究, 深度学习 | 神经网络, 基础模型, 大型语言模型 | 基因组数据, 单细胞数据, 文本数据 | NA | NA | 基因组语言模型, 单细胞基础模型, 大型语言模型 | NA | NA |
| 3986 | 2026-03-02 |
Deep Learning segmentation with metal intrusion for quantitative microstructure analysis of hardened cement paste
2026-Apr, Micron (Oxford, England : 1993)
DOI:10.1016/j.micron.2026.104005
PMID:41722543
|
研究论文 | 本文提出了一种结合金属侵入和深度学习分割的方法，用于增强硬化水泥浆体的微观结构定量分析 | 创新点在于将低熔点金属（Field metal）注入水泥样本以增强背散射电子成像中的孔隙与固相区分，并应用深度学习模型进行分割，简化了水泥复合材料的微观结构分析 | 未明确提及具体局限性，但可能涉及金属侵入过程的技术复杂性或样本制备的潜在影响 | 研究目的是通过金属侵入和深度学习分割改进硬化水泥浆体的微观结构定量分析，以评估材料行为和优化水泥复合材料性能 | 研究对象为硬化水泥浆体样本，包括孔隙、未水化和已水化水泥相 | 计算机视觉 | NA | 金属侵入技术、背散射电子成像 | 深度学习分割模型 | 图像 | 未明确提及具体样本数量 | NA | Linknet, Unet | 平均IoU | NA |
| 3987 | 2026-03-02 |
Optimizing deep CNN architecture via hybrid Harris Hawks arithmetic algorithm for EEG meditation classification
2026-Mar-27, Neuroscience
IF:2.9Q2
|
研究论文 | 本文提出了一种结合Harris Hawks优化算法和算术优化算法的混合CNN架构优化方法，用于基于EEG信号的冥想分类 | 首次将HHO和AOA算法结合，用于优化CNN超参数，以处理EEG信号的时频图像分类任务 | 未提及 | 优化深度学习架构以提升EEG冥想分类的准确性和鲁棒性 | EEG信号，具体分为Vipassana、Isha Shoonya和Control三类冥想状态 | 机器学习 | NA | EEG信号处理，Stockwell变换 | CNN | 图像（时频图像） | NA | NA | CNN | 准确率，最佳适应度，最差适应度，平均适应度，标准差 | NA |
| 3988 | 2026-03-02 |
Characterization of immune features and discovery of potential biomarkers for ankylosing spondylitis using deep plasma proteomics
2026-Mar, Journal of advanced research
IF:11.4Q1
DOI:10.1016/j.jare.2025.05.052
PMID:40436140
|
研究论文 | 本研究通过整合深度血浆蛋白质组学和深度学习策略，探索强直性脊柱炎的免疫特征并发现潜在生物标志物 | 结合随机森林和正交偏最小二乘判别分析构建机器学习模型，从深度蛋白质组学数据中识别出SAA1、FERMT3、ILK和TLN1作为AS的潜在生物标志物 | 样本量相对有限，且仅通过ELISA在独立队列中验证了生物标志物，未进行更大规模或多中心验证 | 阐明强直性脊柱炎的免疫特征并发现潜在生物标志物，以优化临床管理和预后评估 | 强直性脊柱炎患者（包括活动期和稳定期）及健康对照者的血浆样本 | 机器学习 | 强直性脊柱炎 | 深度定量蛋白质组学，ELISA | 随机森林，正交偏最小二乘判别分析 | 蛋白质组学数据 | 104名参与者（AS患者和健康对照），另加79名参与者的独立验证队列 | Scikit-learn | 随机森林，正交偏最小二乘判别分析 | NA | NA |
| 3989 | 2026-03-02 |
Three-dimensional multimodal imaging for predicting early recurrence of hepatocellular carcinoma after surgical resection
2026-Mar, Journal of advanced research
IF:11.4Q1
DOI:10.1016/j.jare.2025.06.031
PMID:40533057
|
研究论文 | 本研究构建了一个多模态模型（MM-RDLM），用于预测肝细胞癌手术切除后的早期复发，并探索了相关的生物学机制 | 整合了放射组学和深度学习模型，并利用特征可视化和梯度加权类激活映射提高模型可解释性，同时结合基因集富集分析和多重免疫组化探索生物学机制 | 研究样本来自三个医疗中心，但外部验证队列规模相对较小（86例），且模型性能需在更广泛的人群中进行验证 | 预测肝细胞癌（HCC）手术切除后的早期复发 | 肝细胞癌患者 | 数字病理学 | 肝细胞癌 | 对比增强计算机断层扫描（CT）成像，基因集富集分析（GSEA），多重免疫组化（mIHC） | 深度学习模型，放射组学模型 | 医学影像（CT图像） | 519名患者（训练队列433例，验证队列86例） | NA | NA | 曲线下面积（AUC），风险比（HR） | NA |
| 3990 | 2026-03-02 |
Revisiting PSF models: Unifying framework and high-performance implementation
2026-Mar, Journal of microscopy
IF:1.5Q3
DOI:10.1111/jmi.70045
PMID:41186941
|
研究论文 | 本文提出了一个统一框架，系统比较了基于傅里叶变换和贝塞尔积分的点扩散函数模型，并基于PyTorch实现了高性能开源库 | 首次系统证明了傅里叶与贝塞尔方法的等价性，提出了适用于两种方法的统一校正框架，并实现了首个基于深度学习框架的高性能PSF计算库 | 未明确说明具体应用场景中的性能提升幅度，且新库的兼容性验证可能不够全面 | 建立点扩散函数模型的统一理论框架并实现高性能计算工具 | 高数值孔径成像系统中的点扩散函数模型 | 计算成像 | NA | 定位显微镜、点扩散函数建模 | NA | 光学成像模型 | NA | PyTorch | NA | 计算精度、计算速度 | CPU、GPU |
| 3991 | 2026-03-02 |
High-speed quantitative X-ray multi-contrast imaging with deep learning based modulated pattern analysis
2026-Mar-01, Journal of synchrotron radiation
IF:2.4Q3
DOI:10.1107/S1600577526000846
PMID:41701528
|
研究论文 | 本文介绍了一种基于深度学习的增强扫描模式成像神经网络（ESPINNet），用于实现高速、高分辨率的X射线多对比度定量成像 | ESPINNet比基于相关的散斑跟踪方法（如XSVT和UMPA）更快，通过使用更少的扫描图像在分辨率和速度之间提供平衡性能，并引入了生成暗场图像的能力，增强了其多功能性 | 未在摘要中明确提及 | 开发一种高速、高分辨率的X射线多对比度定量成像工具，以解决测量和分析X射线调制模式效率低的问题，应用于高分辨率原位成像 | 材料和生物样本的内部结构 | 计算机视觉 | NA | X射线多对比度成像 | 神经网络 | 图像 | NA | NA | ESPINNet | 分辨率, 速度 | NA |
| 3992 | 2026-03-02 |
AI Algorithms in the Pharmaceutical Environment: Poster presented at PDA Microbiology Conference 2025
2026-Feb-28, PDA journal of pharmaceutical science and technology
DOI:10.5731/pdajpst.2026.26122
PMID:41763722
|
会议海报 | 本文探讨了在制药环境中，AI算法（特别是深度学习）如何改进微生物识别，尤其是通过一个自动霉菌识别的案例研究 | 提出利用深度学习替代传统的参数化算法，以解决细菌和真菌物种区分困难的问题，并强调构建鲁棒训练数据集的方法 | 未提及具体实验数据或模型性能的详细评估，可能缺乏实证验证 | 探索经典算法的局限性、AI驱动方法的优势以及构建鲁棒训练数据集的方法，以提升模型性能 | 制药行业中的微生物识别，特别是细菌和真菌物种 | 计算机视觉 | NA | 图像分析，深度学习 | 深度学习模型 | 图像 | NA | NA | NA | NA | NA |
| 3993 | 2026-03-02 |
Deep Learning-Enhanced Biomarker Interpretation on Cytology Cell Blocks - Foundations and Emerging Opportunities in Spatial Pathobiology
2026-Feb-26, The American journal of pathology
DOI:10.1016/j.ajpath.2026.02.004
PMID:41763533
|
综述 | 本文综述了深度学习在细胞学细胞块生物标志物解释中的应用及其在空间病理生物学中的新兴机遇 | 提出了深度学习辅助的细胞块生物标志物解释，以提高可重复性、减少观察者间差异，并实现空间肿瘤-免疫相互作用的定量评估 | NA | 探讨人工智能在细胞学细胞块生物标志物解释中的应用，并展望其在空间病理生物学和精准肿瘤学中的未来方向 | 细胞学细胞块标本 | 数字病理学 | 恶性肿瘤 | 免疫组织化学分析 | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 3994 | 2026-03-02 |
Artificial Intelligence and the Discovery of Antibiotics: Reinventing with Opportunities, Challenges, and Clinical Translation
2026-Feb-23, Antibiotics (Basel, Switzerland)
DOI:10.3390/antibiotics15020233
PMID:41750530
|
综述 | 本文综述了人工智能在加速和优化抗生素发现过程中的作用，包括虚拟筛选、药代动力学优化、耐药机制预测和抗菌肽设计 | 强调了人工智能与合成生物学、纳米技术和多组学数据的协同作用，作为下一代抗菌方法（如个性化治疗和预测性管理）的核心组成部分 | 存在数据不足、算法偏见以及研究与临床应用之间的转化鸿沟等问题 | 探讨人工智能在发现新抗生素和应对抗菌素耐药性方面的应用 | 小分子抗生素和抗菌肽 | 机器学习 | NA | NA | 机器学习, 深度学习, 自然语言处理, 生成模型 | NA | NA | NA | NA | NA | NA |
| 3995 | 2026-03-02 |
LCSMC-Net: Lightweight CAN Intrusion Detection via Separable Multiscale Convolution and Attention
2026-Feb-23, Sensors (Basel, Switzerland)
DOI:10.3390/s26041399
PMID:41755340
|
研究论文 | 本文提出了一种名为LCSMC-Net的超轻量级神经网络架构，用于资源受限的CAN总线入侵检测 | 该框架集成了三个创新点：可分离多尺度卷积轻量块、轻量级通道-时间注意力机制以及6维CAN优化特征，通过贝叶斯超参数优化和知识蒸馏实现系统模型压缩 | 未明确提及，但可能受限于数据集覆盖的攻击类型或实际车载环境的动态变化 | 开发一种适用于汽车嵌入式系统的轻量级CAN总线入侵检测解决方案 | 控制器局域网协议及其安全威胁 | 机器学习 | NA | 深度学习 | CNN | 网络协议数据 | 基于CAN和CAN-FD数据集进行实验，具体样本数量未明确 | 未明确指定，可能涉及TensorFlow或PyTorch | LCSMC-Net | 准确率 | 针对汽车级微控制器约束设计，未指定具体GPU或云平台 |
| 3996 | 2026-03-02 |
Performance and Clinical Utility of Deep Learning for Detecting Referable Age-Related Macular Degeneration on Fundus Photographs: A Systematic Review and Meta-Analysis
2026-Feb-22, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics16040633
PMID:41750784
|
系统综述与荟萃分析 | 本文通过系统综述和荟萃分析评估了深度学习算法在眼底照片上检测可转诊年龄相关性黄斑变性的诊断准确性，并与人工分级者进行比较 | 首次对深度学习在检测可转诊年龄相关性黄斑变性方面的诊断准确性进行系统综述和荟萃分析，并直接与人工分级者进行头对头比较 | 纳入研究存在显著的异质性，且需要进一步的前瞻性验证和标准化评估才能广泛临床实施 | 评估深度学习算法在眼底照片上检测可转诊年龄相关性黄斑变性的诊断准确性，并比较其与人工分级者的性能 | 用于检测可转诊年龄相关性黄斑变性的深度学习算法 | 计算机视觉 | 年龄相关性黄斑变性 | NA | 深度学习 | 图像 | NA | NA | NA | 灵敏度, 特异度, 阳性似然比, 阴性似然比 | NA |
| 3997 | 2026-03-02 |
Evaluation of Root Angulations Through Panoramic Films Using Artificial Intelligence
2026-Feb-22, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics16040634
PMID:41750782
|
研究论文 | 本研究开发并验证了一种基于人工智能的算法，用于在曲面断层片上自动定量评估后牙的近远中根角度 | 首次提出了一种结合U-Net分割和主成分分析的自动化AI算法，用于客观、可重复地测量曲面断层片上的牙根角度，减少了传统目视评估的主观性和观察者间差异 | 研究为回顾性设计，样本量有限（214张曲面断层片），且仅评估了后牙，未包括前牙；算法排除了根尖三分之一区域以减少根弯曲的影响，但这可能忽略了某些临床相关形态 | 开发并验证一种基于人工智能的算法，用于自动定量评估曲面断层片上的近远中牙根角度，并评估其相对于传统手动测量的准确性 | 214张曲面断层片（正畸曲面断层片）中的4280颗后牙 | 计算机视觉 | NA | 曲面断层摄影 | CNN | 图像 | 214张曲面断层片，包含4280颗后牙 | NA | U-Net | 组内相关系数, Bland-Altman分析 | NA |
| 3998 | 2026-03-02 |
Artificial Intelligence for Opioid Safety Surveillance from Clinical Text: A Clinically Focused Review
2026-Feb-22, Journal of clinical medicine
IF:3.0Q1
DOI:10.3390/jcm15041649
PMID:41753337
|
综述 | 本文是一篇临床聚焦的叙事性综述，总结了2009年至2025年间发表的47项实证研究，这些研究应用人工智能方法从临床文本中识别阿片类药物相关危害，以弥补传统监测方法的不足 | 综述了从基于规则的词典到机器学习、深度学习，再到基于Transformer的大语言模型的方法演进，强调了AI在从非结构化临床叙事中提取阿片类药物安全信号方面的进展和潜力 | 证据基础主要为回顾性研究，临床工作流程研究相对较少，外部验证、校准和前瞻性结果评估报告不一致 | 应用人工智能方法从临床文本中识别阿片类药物相关危害，以解决传统基于结构化管理数据的监测方法存在的漏报问题 | 临床文本中记录的阿片类药物相关危害信号，如阿片类药物使用障碍、过量使用、阿片类药物诱导的呼吸抑制等 | 自然语言处理 | 阿片类药物相关危害 | NA | 基于规则的词典, 机器学习, 深度学习, Transformer, 大语言模型 | 文本 | NA | NA | NA | NA | NA |
| 3999 | 2026-03-02 |
Development and Evaluation of a Urinary Na/K Ratio Prediction Model: A Systematic Comparison from Attention-Based Deep Learning to Classical Ensemble Approaches
2026-Feb-21, Bioengineering (Basel, Switzerland)
DOI:10.3390/bioengineering13020252
PMID:41749791
|
研究论文 | 本研究开发并评估了多种机器学习模型，用于利用体重、收缩压、舒张压和脉搏率四个易获取的生理变量来预测尿钠钾比值 | 在有限样本条件下，系统比较了基于注意力的深度学习模型与经典集成方法，发现简单的等权重集成策略比复杂的注意力机制或自适应加权模型具有更好的泛化性能 | 研究样本量较小（N = 82），基于注意力的深度学习模型（MIDIP）表现出过拟合和不稳定的性能 | 开发并严格评估用于估计尿钠钾比值的机器学习模型 | 82名参与者的生理变量数据 | 机器学习 | 心血管疾病 | NA | 注意力机制深度学习模型, 随机森林, 梯度提升, 线性回归, Transformer | 生理变量数据 | 82名参与者 | NA | MIDIP (Multi-Integrated Deep Ion Prediction), Transformer | MAE, RMSE, R | NA |
| 4000 | 2026-03-02 |
DermaCalibra: A Robust and Explainable Multimodal Framework for Skin Lesion Diagnosis via Bayesian Uncertainty and Dynamic Modulation
2026-Feb-21, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics16040630
PMID:41750777
|
研究论文 | 提出了一种名为DermaCalibra的鲁棒且可解释的多模态框架，用于皮肤病变诊断，通过贝叶斯不确定性和动态调制解决类别不平衡和形态相似性问题 | 引入了基于注意力的多模态通道重校准模块进行概率贝叶斯不确定性估计，以及元数据驱动的动态特征调制与交叉注意力融合模块，以动态调整特征并解决类间视觉模糊性 | 未在更大规模或更多样化的数据集上进行验证，可能在小样本或极端不平衡场景下性能受限 | 开发一种鲁棒且可解释的多模态框架，用于皮肤病变的准确诊断，特别是在资源有限的临床环境中 | 皮肤病变，包括黑色素瘤、基底细胞癌、鳞状细胞癌、光化性角化病、脂溢性角化病和痣 | 计算机视觉 | 皮肤癌 | 多模态学习，贝叶斯不确定性估计，动态特征调制 | 深度学习框架，包含注意力机制和交叉注意力融合 | 图像（皮肤镜图像）和临床元数据 | 基于PAD-UFES-20数据集，并进行了外部验证 | PyTorch | 注意力机制，交叉注意力融合模块 | 平衡准确率，宏AUC | 未指定具体GPU类型或云平台，但提到在资源有限的临床环境中适用 |