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 45529 篇文献，本页显示第 401 - 420 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 401 | 2026-06-08 |
Integrating deep learning and radiomics for precise identification of luminal A/B breast cancer subtypes on dynamic contrast-enhanced MRI
2026-Feb-03, Cancer imaging : the official publication of the International Cancer Imaging Society
IF:3.5Q1
DOI:10.1186/s40644-026-00996-z
PMID:41634854
|
research paper | 开发并验证一种结合影像组学和深度学习特征从动态对比增强磁共振成像（DCE-MRI）中精准区分Luminal A/B乳腺癌亚型的混合分类模型 | 首次将影像组学特征与3D ResNet-50深度学习特征通过堆叠集成方法融合，实现乳腺癌亚型的非侵入性分类，并应用SHAP和Grad-CAM增强模型可解释性 | 样本量相对有限（312例患者），且研究局限于Luminal A/B亚型，尚未进行前瞻性验证及与基因组学数据的整合 | 开发一种非侵入性影像学方法替代有创活检，实现乳腺癌Luminal A/B亚型的精准分类 | 来自中国、俄罗斯和保加利亚的312例确诊Luminal亚型乳腺癌患者（含独立外部验证队列148例） | computer vision, digital pathology | breast cancer | DCE-MRI | CNN, 3D ResNet-50, 堆叠集成模型 | image | 312例患者（训练及测试），148例独立外部验证 | PyRadiomics, PyTorch | 3D ResNet-50, 堆叠集成模型 | AUC, sensitivity, specificity | NA |
| 402 | 2026-06-08 |
The expectations of in silico fragment-based drug design and future challenges
2026-Feb, Expert opinion on drug discovery
IF:6.0Q1
DOI:10.1080/17460441.2026.2623154
PMID:41630652
|
评论 | 本文概述了基于片段的药物设计（FBDD）中计算机方法的最新进展，特别是人工智能和机器学习在加速药物发现中的作用 | 强调了AI通过强化学习、生成化学和口袋感知设计等方法，自动优化化合物性质、提升化学多样性并拓展靶向难治蛋白的能力 | 尽管AI减少了开发时间并提高了准确性，但实验验证仍不可或缺，且大片段库训练模型的实际效果有待进一步验证 | 综述基于片段的计算机药物设计（FBDD）的最新发展，并讨论未来挑战 | FBDD中的计算机方法，特别是AI-ML技术及其在药物发现中的应用 | 机器学习 | NA | 计算药物设计，计算机辅助药物设计 | 强化学习模型，变分自编码器，生成模型 | 分子结构数据 | NA | NA | VAE，强化学习模型 | NA | NA |
| 403 | 2026-06-08 |
Unified model with random penalty entropy loss for robust nasogastric tube placement analysis in X-ray
2026-Feb, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society
IF:5.4Q1
|
研究论文 | 提出一个统一的深度学习模型，结合随机惩罚熵损失，用于X射线图像中鼻胃管放置的稳健分析 | 首次将随机惩罚熵损失引入鼻胃管放置评估，动态调整熵惩罚以提高模型鲁棒性和校准性能 | 外部数据集性能仍有提升空间，且模型在极端不清晰病例中的表现未充分评估 | 提升鼻胃管放置自动评估的泛化能力和可靠性，减少诊断错误并改善患者安全 | 鼻胃管放置位置评估中的医学X射线图像 | 计算机视觉 | 鼻胃管放置相关病症 | X射线成像 | 统一深度神经网络（基于nnUNet） | 图像（X射线） | 内部数据集5674张胸片（来自三家韩国医院），外部数据集来自MIMIC-CXR | NA | nnUNet | F1分数，AUROC，MCE，ECE | 未指定 |
| 404 | 2026-06-08 |
Learning geometric and visual features for medical image segmentation with vision GNN
2026-Feb, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society
IF:5.4Q1
|
研究论文 | 提出名为MedSegViG的模型，该模型基于视觉图神经网络（ViG）的层次编码器和混合特征解码器，用于医学图像分割 | 首次将视觉图神经网络（ViG）应用于医学图像分割，通过将图像表示为图结构来捕捉对象之间的关系，而非传统的网格结构 | 未提及具体限制 | 提高医学图像分割的准确性、鲁棒性和泛化能力，通过考虑图像中对象之间的关系 | 息肉、皮肤病变和视网膜血管三种病变类型的医学图像 | 计算机视觉 | 息肉, 皮肤病变, 视网膜血管疾病 | NA | 视觉图神经网络（ViG） | 医学图像 | 六个数据集，涵盖三种病变类型 | NA | 基于ViG的层次编码器，混合特征解码器 | 分割准确性, 鲁棒性, 泛化能力 | NA |
| 405 | 2026-06-08 |
TriNet-MTL: A Multi-Branch Deep Learning Framework for Biometric Identification and Cognitive State Inference from Auditory-Evoked EEG
2026-Feb, eNeuro
IF:2.7Q3
DOI:10.1523/ENEURO.0265-25.2025
PMID:41633842
|
研究论文 | 提出一个名为TriNet-MTL的多分支深度学习框架，用于从听觉诱发电位脑电图数据中联合执行生物特征识别和认知状态推断 | 首次提出多任务学习框架TriNet-MTL，同时处理生物特征识别、听觉刺激语言分类和设备模态识别三个任务，利用共享时序编码器和基于Transformer的序列建模单元实现任务协同 | NA | 开发统一的深度学习模型，从听觉诱发电位脑电图数据中联合执行生物特征识别和认知状态推断 | 20名人类参与者（16男4女）的听觉诱发电位脑电图数据 | 机器学习 | NA | 脑电图(EEG) | 多任务学习框架（TriNet-MTL） | 时间序列数据（EEG信号） | 20名参与者（16男4女） | PyTorch | Transformer, 共享时序编码器 | 准确率 | NA |
| 406 | 2026-06-08 |
A deep learning-based automated pipeline for colorectal cancer detection in contrast-enhanced CT images
2026-Feb, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society
IF:5.4Q1
|
研究论文 | 提出一种基于深度学习的自动检测管道，用于在对比增强CT图像中检测结直肠癌 | 将ResNet50模块集成到YOLOv11骨干中以增强特征提取，并设计了一种尺度自适应损失函数以改进边界框回归性能 | 需要在大规模队列中进行验证才能体现临床转化价值 | 开发一种自动检测管道，用于在门静脉期对比增强CT扫描中识别和定位原发性结直肠癌 | 结直肠癌患者 | 计算机视觉 | 结直肠癌 | 对比增强CT | YOLOv11 | CT图像 | 内部数据集和外部公共数据集 | PyTorch | YOLOv11, ResNet50 | 召回率, 精确率, F1分数 | NA |
| 407 | 2026-06-08 |
[Artificial intelligence in the diagnosis and management of aortic disease: current applications and future directions]
2026-Feb, Giornale italiano di cardiologia (2006)
DOI:10.1714/4636.46466
PMID:41631329
|
综述 | 本文全面综述人工智能在主动脉疾病诊断与管理中的应用，包括主动脉尺寸测量、动脉瘤、夹层及动脉粥样硬化疾病的检测与分类，以及临床结局预测 | 系统整合了深度学习、影像组学、双能CT、光子计数CT和计算流体动力学等新兴技术在主动脉疾病中的预测能力，并提出个性化“数字孪生”模型用于治疗决策的前景 | 软件可用性、成本、数据整合以及放射科医师角色演变等挑战仍存在 | 概述人工智能在主动脉疾病诊断与管理中的当前应用与未来方向 | 主动脉疾病（包括动脉瘤、夹层、动脉粥样硬化疾病） | 机器学习 | 心血管疾病 | NA | 深度学习 | 图像 | NA | NA | NA | 准确性, 灵敏度, 可重复性, 观察者间变异, 观察者内变异 | NA |
| 408 | 2026-06-08 |
Shallow and deep learning approaches to classify melanoma and non-melanocytic skin lesions
2026-Jan-13, Medical engineering & physics
IF:1.7Q3
DOI:10.1088/1873-4030/ae290b
PMID:41642223
|
研究论文 | 比较浅层和深度学习方法在分类恶性黑素细胞病变与非黑素细胞皮肤病变上的表现 | 提出了三种基于微调深度神经网络的原创配置，并整合了过采样、特征选择和数据增强等辅助程序 | 未明确提及局限性，但评估仅基于单一公开数据集（Derm7pt），可能影响泛化性 | 比较浅层与深度学习方法在恶性黑素细胞病变与非黑素细胞皮肤病变分类中的效果 | 皮肤镜图像中的恶性黑素细胞病变和非黑素细胞病变 | 计算机视觉 | 黑色素瘤 | 皮肤镜成像 | 深度神经网络 | 图像 | 未明确样本数量，使用Derm7pt公开数据库 | NA | NA | 准确率, 灵敏度 | NA |
| 409 | 2026-06-08 |
SDXL model-based optimization for interior design: Data-driven and deep learning methods
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0342258
PMID:41637387
|
研究论文 | 提出一种针对室内设计的SDXL模型优化框架，通过数据驱动和深度学习方法解决结构一致性和美学保真度问题 | 首次构建结合自动化语义清洗和超参数优化策略的系统化流程，并建立针对室内空间几何约束的优化训练协议 | 未提及 | 优化SDXL模型以适应室内设计的特殊要求，提升生成图像的结构一致性和美学保真度 | 室内设计场景中的图像生成任务 | 计算机视觉 | NA | NA | 扩散模型 | 图像 | 构建了高质量带标注数据集，具体数量未提及 | PyTorch | Stable Diffusion XL, YOLO | FID, SSIM, LPIPS, CLIP语义对齐 | 未提及 |
| 410 | 2026-06-08 |
Protein Structure Prediction Methods
2026, Advances in experimental medicine and biology
DOI:10.1007/978-3-032-07511-6_1
PMID:41652158
|
综述 | 该文章综述了蛋白质结构预测方法的发展历程，从基于模板的建模到混合方法和端到端深度学习方法 | 系统总结了蛋白质结构预测方法从传统模板建模到深度学习的演变，特别是AlphaFold2和RoseTTAFold等端到端方法的突破性进展 | NA | 探讨蛋白质结构预测方法的原理、进展及其对结构生物学领域的变革性影响 | 蛋白质结构预测方法 | 机器学习 | NA | 蛋白质结构预测 | 神经网络, 蛋白质语言模型 | 氨基酸序列 | NA | NA | AlphaFold2, RoseTTAFold | NA | NA |
| 411 | 2026-06-08 |
Computational Ligand-Binding Site Prediction
2026, Advances in experimental medicine and biology
DOI:10.1007/978-3-032-07511-6_7
PMID:41652164
|
研究论文 | 本文综述了计算配体结合位点预测的方法，包括基于结构的对接、机器学习和物理模拟技术 | 系统比较了传统对接、深度学习及物理模拟（如SILCS）在配体结合位点预测中的应用优势 | 未提供定量性能比较结果，且未讨论方法的计算成本 | 综述计算预测蛋白质和RNA上配体结合位点的技术方法 | 蛋白质和RNA上的配体结合位点 | 机器学习 | NA | 分子对接, 分子动力学模拟, SILCS | CNN, 深度学习模型 | 分子结构数据 | NA | NA | NA | NA | NA |
| 412 | 2026-06-08 |
A comparative analysis of video vision transformers on word-level sign language datasets
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0341909
PMID:41642940
|
研究论文 | 本研究对视频视觉Transformer在词汇级手语数据集上的性能进行了比较分析，并基于孟加拉手语数据集进行了微调与评估 | 首次在孟加拉手语数据集上系统比较了VideoMAE、ViViT和TimeSformer三种视频Transformer架构，并展示了其相对传统方法的显著优势 | 数据集规模有限（BdSLW60仅60个手势），且性能受帧率、帧分布、手势出现等因素影响 | 评估视频Transformer在手语识别中的可扩展性和鲁棒性，促进孟加拉手语识别技术的发展 | 孟加拉手语数据集BdSLW60（60个常用手势）和BdSLW401（401个手势类别） | 计算机视觉 | NA | 视频视觉Transformer | Transformer | 视频 | BdSLW60包含9307个用户试验片段，BdSLW401包含401类手势数据 | PyTorch | VideoMAE, ViViT, TimeSformer | 准确率 | NA |
| 413 | 2026-06-08 |
MAGIN-GO: Protein function prediction based on dual graph neural networks and gene ontology structure
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0342072
PMID:41662346
|
研究论文 | 提出了一种结合双图神经网络和基因本体结构的蛋白质功能预测方法MAGIN-GO | 融合图同构网络和图卷积网络与图卷积自注意力网络提取多源蛋白质信息，并整合基因本体注释嵌入，克服了传统图神经网络无法捕捉序列长程依赖和缺乏注释间关系的局限性 | 方法依赖于预训练的基因本体嵌入，可能对罕见或不完整的注释预测效果有限，且仅基于UniProtKB/Swiss-Prot数据集进行验证 | 提高蛋白质功能预测的准确性，特别是通过整合多源信息和注释关系来克服现有方法的不足之处 | 蛋白质功能预测，具体针对分子功能、生物过程和细胞组分三个领域的注释预测 | 机器学习 | NA | NA | 图神经网络 | 蛋白质序列和蛋白质-蛋白质相互作用图 | 使用UniProtKB/Swiss-Prot数据集 | NA | 图同构网络，图卷积网络，图卷积自注意力网络 | AUPR, Fmax分数, Smin分数, AUC | NA |
| 414 | 2026-06-08 |
Enhanced extractive text summarization framework for low-resourced Urdu language
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0341596
PMID:41662374
|
研究论文 | 提出了一种针对资源匮乏的乌尔都语的增强型抽取式文本摘要框架 | 针对乌尔都语等低资源语言，提出了改进的有监督和无监督抽取式文本摘要模型，并创建了大规模人工标注数据集 | 未明确说明，但从上下文推测可能受限于乌尔都语资源的稀缺性 | 开发乌尔都语的自动文本摘要方法，提高摘要质量 | 乌尔都语文本文档及其人工标注的抽取式摘要 | 自然语言处理 | NA | NA | 机器学习与深度学习模型（有监督和无监督） | 文本 | 大规模乌尔都语文本文档数据集 | NA | NA | ROUGE分数 | NA |
| 415 | 2026-06-08 |
Fully Automated Stain Quantification Framework for IHC Whole Slide Images in Breast Cancer
2026 Jan-Dec, Technology in cancer research & treatment
IF:2.7Q3
DOI:10.1177/15330338251407734
PMID:41930704
|
研究论文 | 提出了一种全自动、区分区域的免疫组化全切片图像H评分框架，用于乳腺癌分析 | 开发并公开了一个全自动、区分肿瘤与间质的免疫组化H评分框架，整合了三个深度学习模块，在分钟级处理内提供与专家病理学家相当的一致性和可重复性评分 | 未明确说明，但可能依赖于小样本（87张专家标注的图块）进行微调，外部验证中HER2分类准确率为86%，CD73评分平均绝对误差为21±10，可能受限于标注质量和泛化范围 | 通过自动化和标准化的免疫组化分析，减少诊断变异性，支持乳腺癌症治疗决策 | 乳腺癌患者的免疫组化全切片图像，包括肿瘤和间质区域 | 数字病理学 | 乳腺癌 | 免疫组化染色（IHC） | 深度学习（具体包括肿瘤-间质分割、细胞核分割和H评分估计等模型） | 图像（全切片图像） | 87张专家标注图块用于微调，内部验证使用100张专家标注全切片图像，外部验证涉及HER2分类（具体数量未说明）和CD73评分样本 | PyTorch（推测，因代码在GitHub上以AutoIHC命名） | 未明确指定，但包括肿瘤-间质分割网络、细胞核分割网络和H评分估计网络（可能基于卷积神经网络架构如U-Net或类似模型） | Spearman秩相关系数（ρ），准确率，平均绝对误差 | 未明确说明，但提到支持配置选项以平衡准确性和计算效率 |
| 416 | 2026-06-08 |
Development and evaluation of an attention-gated U-net model for binary segmentation of teeth versus background in panoramic radiographs for orthodontic applications
2025-Dec-16, European journal of orthodontics
IF:2.8Q1
DOI:10.1093/ejo/cjaf114
PMID:41665051
|
研究论文 | 开发并评估一种注意力门控U-Net模型，用于在口腔全景片中实现牙齿与背景的二元分割，以建立正畸应用的基准 | 在大规模公开数据集上建立牙齿与背景二元语义分割的标准化性能基准，并应用注意力门控机制提升分割精度 | 未给出具体局限性信息 | 为口腔正畸应用建立牙齿与背景二元分割的基准，提升自动化诊断和治疗规划 | 598张标注的口腔全景X光片 | 数字病理学, 计算机视觉 | 口腔正畸相关疾病 | 深度学习, 语义分割 | 注意力门控U-Net (Att-U-Net) | 图像 | 598张口腔全景X光片 | NA | 注意力门控U-Net | Dice系数, 平均交并比, 精确率, 召回率, 接受者操作特征曲线下面积, 像素准确率 | NA |
| 417 | 2026-06-08 |
[A multimodal disease-specific cohort for melanoma research: Construction, governance, and preliminary report]
2025-Nov-28, Zhong nan da xue xue bao. Yi xue ban = Journal of Central South University. Medical sciences
|
研究论文 | 构建了一个针对中国人群肢端黑色素瘤的多模态疾病特异性队列，并进行了初步报告 | 首次为中国人群黑色素瘤构建了代表性强、多模态的疾病特异性队列，整合了自动化ETL和AI辅助治理架构，并实现像素级病理和影像数据建模 | 单中心研究，可能限制结果的泛化性；排除了未成年人和孕妇，样本代表性有局限 | 为黑色素瘤疾病特征刻画和预后机制探索提供高质量数据基础 | 中国中南大学湘雅医院2016年4月至2024年9月间经病理确诊的黑色素瘤患者 | 数字病理学, 自然语言处理, 计算机视觉 | 黑色素瘤 | 全切片图像（WSI）、数字成像与通信标准（DICOM）影像、结构化工临床分子数据 | 基于Transformer的NLP模型、深度学习管道 | 病理图像、影像数据、文本数据 | 1036名黑色素瘤患者（514名男性，522名女性；平均年龄60.2±13.7岁） | NA | Transformer | NA | NA |
| 418 | 2026-06-08 |
Multimodal MRI radiomics-clinical fusion model predicts intravenous glucocorticoid response in thyroid eye disease
2025, Frontiers in endocrinology
IF:3.9Q2
DOI:10.3389/fendo.2025.1726947
PMID:41641033
|
研究论文 | 开发多模态MRI影像组学-临床融合模型，预测甲状腺眼病患者的静脉糖皮质激素治疗反应 | 首次将多模态MRI影像组学与临床特征融合构建预测模型，并采用影像组学-深度学习特征联合方法提升预测性能 | 样本量较小（108例），需更大规模多中心研究验证模型泛化性；模型AUC虽有改善，但与单独影像组学模型无显著差异 | 开发无创预测工具，实现甲状腺眼病患者静脉糖皮质激素治疗的个性化方案制定 | 甲状腺眼病患者，具体为78例治疗反应者和30例无反应者 | 医学影像分析 | 甲状腺相关眼病 | MRI影像组学, 深度学习迁移学习 | 逻辑回归, 深度学习网络 | MRI影像, 临床数据 | 108例甲状腺眼病患者（其中78例治疗反应者，30例无反应者） | NA | LASSO回归, 深度学习迁移学习融合模型 | ROC/AUC, 校准曲线, 决策曲线分析, DeLong检验 | NA |
| 419 | 2026-06-07 |
PyramidPat explainable feature engineering for multiclass electroencephalography psychiatric disorders: Explainable feature engineering and classification
2026-Sep, Psychiatry research
IF:4.2Q1
DOI:10.1016/j.psychres.2026.117227
PMID:42176366
|
研究论文 | 提出了一种名为PyramidPat的可解释特征工程架构，用于多类脑电图精神疾病的分类与可解释性分析 | 引入了基于变换的特征提取器PyramidPat，结合可解释性模块DLob将特征转换为基于脑叶和通道的语义描述，兼顾高分类准确率与可解释性 | 未明确讨论方法的泛化能力或对其他类型信号（如fMRI）的适用性，且依赖特定数据集 | 开发一种可解释的特征工程方法，实现脑电图精神疾病的多类分类并提供可解释的输出 | 六类脑电图精神疾病数据集中的多通道脑电图信号 | 机器学习 | 精神疾病 | 脑电图（EEG） | kNN | 信号 | 六类精神疾病数据集，未明确样本数量，采用留一被试交叉验证（LOSO） | NA | PyramidPat, INCA, tkNN, DLob | 准确率（accuracy） | NA |
| 420 | 2026-06-07 |
Artificial intelligence in drug discovery for fungal diseases: a scoping review
2026-Sep, Artificial intelligence in medicine
IF:6.1Q1
DOI:10.1016/j.artmed.2026.103461
PMID:42202565
|
综述 | 系统梳理人工智能在真菌药物发现中的应用现状 | 首次采用系统性综述方法全面评估AI预测生物活性技术在抗真菌药物发现和再利用中的证据，揭示了高级深度学习模型与实验验证不足之间的脱节 | 仅包含截至2025年7月的研究，可能存在发表偏倚；未对纳入研究进行质量评估 | 绘制AI方法在抗真菌药物发现中预测生物活性的应用证据图谱 | 106篇关于AI在真菌药物发现中应用的原发性研究 | machine learning | 真菌感染 | NA | 集成模型, 深度学习 | 文本 | 106篇研究 | NA | PASS, 集成模型, 深度学习架构 | NA | NA |