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 45062 篇文献，本页显示第 421 - 440 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 421 | 2026-06-03 |
Artificial intelligence for antimicrobial resistance: advancing reproducibility, interpretability, and clinical deployment
2026-May-04, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbag269
PMID:42218717
|
review | 本文回顾了人工智能在抗菌药物耐药性领域的发展历程，从规则基础的基因匹配到深度学习模型和基础模型，并提出了一个实用性标准框架，涵盖数据集整理、多中心外部验证、透明模型卡和系统化错误成本分析，以推动可重复、可解释和临床可部署的AI-AMR系统 | 提出了结合抗菌药物管理和患者安全的可重复性、可解释性和评估标准框架，倡导成本敏感评估量化假阳性和假阴性危害，整合管理指标（如有效治疗时间、抗菌谱缩窄），并前瞻性展望了联邦学习、多模态和基础架构以及生成模型在AI-AMR中的应用 | 作为综述，未具体实施或验证所提出的框架，缺乏实证数据支持标准框架的有效性和实际临床应用效果 | 推动AI-AMR从概念验证研究向临床嵌入式决策支持转化，建立严格的重复性、可解释性和评估标准 | 抗菌药物耐药性领域的人工智能系统及其临床应用 | machine learning | 感染性疾病 | NA | 深度学习模型、基础模型、生成模型 | 序列数据（基因序列） | NA | NA | NA | 准确性、假阳性率、假阴性率、有效治疗时间、抗菌谱缩窄、治疗天数 | NA |
| 422 | 2026-06-03 |
CLCNet: a contrastive learning and chromosome-aware network for genomic prediction in plants
2026-May-04, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbag270
PMID:42218721
|
研究论文 | 提出一种结合对比学习和染色体感知网络的深度学习框架CLCNet，用于提高植物基因组预测的准确性 | 首次将对比学习与染色体感知特征建模结合，通过对比学习模块增强捕获基因型依赖表型差异的能力，并通过染色体感知模块在染色体和基因组水平进行结构化特征选择 | 未提及模型在低遗传力或高连锁不平衡条件下的局限性，以及计算资源需求的具体分析 | 开发新型深度学习框架以提高植物基因组预测的准确性，克服传统方法在捕获个体间变异和维度灾难方面的局限 | 4种作物物种（玉米、油菜、大豆、棉花）的10个农艺重要性状 | 机器学习 | 不适用 | 基因组选择、SNP标记 | 对比学习网络、染色体感知网络 | 基因组标记数据、表型数据 | 4种作物物种，涉及10个性状 | NA | 对比学习模块、染色体感知模块 | 皮尔逊相关系数、均方误差 | NA |
| 423 | 2026-06-03 |
USADAE: a deep learning approach to disentangle hidden covariates in RNA-seq data
2026-May-04, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbag261
PMID:42218722
|
研究论文 | 开发了一个名为USADAE的深度学习方法，用于从RNA-seq数据中分离隐藏的协变量 | 结合了自编码器与对抗学习，专门设计用于无监督地将隐含混杂因素从生物信号中解耦，超越了传统线性方法和现有深度学习对已知批次标签的依赖 | NA | 从RNA-seq数据中有效分离生物信号与隐含混杂因素，提升差异表达和eQTL分析的准确性 | RNA-seq数据集中的生物信号和隐藏协变量 | 机器学习 | 癌症 | RNA-seq | 自编码器 | 基因表达数据 | NA | PyTorch | USADAE（无监督对抗解缠自编码器） | NA | NA |
| 424 | 2026-06-03 |
CvTFuse: An unsupervised medical image fusion method of gliomas T1-DWI mode
2026-May, Magnetic resonance imaging
IF:2.1Q2
DOI:10.1016/j.mri.2026.110618
PMID:41547498
|
研究论文 | 提出一种基于CNN和视觉Transformer的无监督医学图像融合方法CvTFuse，用于胶质瘤T1-DWI模态融合 | 首次将CNN与视觉Transformer结合用于医学图像融合，提出全局上下文聚合模块（GCAM）以增强多尺度特征提取，并采用能量感知和梯度增强的融合策略来保留细节信息 | 研究未明确说明在更大规模数据集或多中心数据上的泛化能力，且计算资源消耗未详细评估 | 开发一种无监督的医学图像融合方法以精确融合MRI不同模态（T1和DWI），提升病变区域定位和临床诊断准确性 | 胶质瘤患者的T1加权成像（T1WI）和扩散加权成像（DWI）磁共振图像 | 计算机视觉 | 胶质瘤 | 磁共振成像（T1WI和DWI） | CNN与视觉Transformer混合模型 | 图像 | 未明确说明 | NA | CNN模块、视觉Transformer（ViT）、GCAM（全局上下文聚合模块），其中CNN模块用于局部特征提取，Transformer模块用于全局特征提取 | 平均梯度（AG）、信息熵（IE）、互信息（MI）、视觉显著性（VSM） | NA |
| 425 | 2026-06-03 |
Development and validation of a deep survival model to predict time to seizure from routine electroencephalography
2026-May, Epilepsia
IF:6.6Q1
DOI:10.1002/epi.70101
PMID:41553763
|
研究论文 | 开发并验证了一种深度学习生存模型EEGSurvNet，利用常规脑电图预测癫痫患者的发作时间 | 首次将深度学习生存模型应用于常规脑电图数据预测癫痫发作风险，超越了传统临床预测因子（如发作间期痫样放电）的性能，尤其在无痫样放电的脑电图中表现更优 | 本研究为回顾性单中心研究，需要前瞻性研究验证其临床影响 | 开发并验证深度学习模型从常规脑电图中预测个体癫痫发作风险随时间的变化 | 连续1004例患者（共1014次常规脑电图）来自三级癫痫中心 | 机器学习 | 癫痫 | 常规脑电图 | 深度生存模型 | 脑电图信号 | 994例患者的1014次常规脑电图（训练集）和115例患者的135次脑电图（测试集） | PyTorch（推测，因深度学习模型） | EEGSurvNet（具体架构未详述） | 时间依赖性AUROC、2年整合iAUROC、C指数 | NA |
| 426 | 2026-06-03 |
Deep learning for depression prediction in older adults: A retrospective cohort study from CHARLS (2011-2020) with independent cohort validation in CLHLS (2008-2018)
2026-May-01, Journal of affective disorders
IF:4.9Q1
DOI:10.1016/j.jad.2026.121206
PMID:41554486
|
研究论文 | 利用深度学习模型预测老年人抑郁状态，基于CHARLS和CLHLS队列数据开展回顾性队列研究 | 首次提出双注意力残差网络（DARNet）用于老年人抑郁预测，并在独立队列中验证其鲁棒性，结合SHAP方法进行多维可解释性分析，揭示了抑郁风险的性别和年龄异质性 | 仅基于中国队列数据，未来需整合多中心临床数据以提升真实世界应用价值 | 开发和验证深度学习模型用于老年人抑郁的早期个体化预测 | 60岁以上中国老年人，来自CHARLS（2011-2020）和CLHLS（2008-2018）队列 | 机器学习 | 老年抑郁症 | NA | 深度学习模型 | 纵向结构化数据（问卷数据） | CHARLS队列含2781名60岁以上老年人，CLHLS队列作为独立验证集，样本量未明确（来自2008-2018数据） | NA | 双注意力残差网络（DARNet） | 准确率、F1分数、AUROC、AUPRC | NA |
| 427 | 2026-06-03 |
T3SS effector and regulator discovery by predicting interacting partners of T3SS chaperones in Pseudomonas aeruginosa
2026-May, Protein science : a publication of the Protein Society
IF:4.5Q1
DOI:10.1002/pro.70551
PMID:42003191
|
研究论文 | 通过预测铜绿假单胞菌中T3SS伴侣蛋白的相互作用伙伴，发现新的效应蛋白和调控因子 | 结合基因组学与深度学习（AlphaFold2/AlphaFold3）结构预测，在泛基因组水平系统筛选T3SS伴侣蛋白及其相互作用物 | 实验验证尚未完成，结果仅基于计算预测 | 揭示铜绿假单胞菌中隐藏的T3SS效应蛋白和调控因子，为抗菌药物开发提供新靶点 | 铜绿假单胞菌的T3SS伴侣蛋白及其互作蛋白 | 机器学习 | 细菌感染 | NA | AlphaFold2, AlphaFold3 | 基因组序列, 蛋白质序列 | 超过15000个高质量铜绿假单胞菌基因组 | NA | AlphaFold2, AlphaFold3 | NA | NA |
| 428 | 2026-06-03 |
Video-based detection of Delirium in hospitalized adults
2026-May, PLOS digital health
DOI:10.1371/journal.pdig.0001462
PMID:42213702
|
research paper | 基于视频特征自动检测住院成人谵妄状态的分析框架开发与验证 | 首次利用深度学习姿态估计从简短视频中自动提取行为特征（眼部、面部、肢体运动与姿势）进行谵妄分类，并对比了定制化ResNet-101模型与现成模型的性能差异 | 样本量较小（109个视频），谵妄样本仅占18%，且数据来自单中心，可能影响模型泛化性 | 开发基于视频行为特征自动分类谵妄状态的客观分析方法，以替代当前主观间歇性筛查工具 | 住院成人患者（≥18岁）的日常谵妄评估与简短视频记录 | computer vision | geriatric disease | deep learning pose estimation | support vector machine, logistic regression, gradient boosting, random forests | video | 109个视频来自25名男性和25名女性参与者（中位年龄72岁） | DeepLabCut | ResNet-101 | AUC ROC, sensitivity, specificity | NA |
| 429 | 2026-06-03 |
Convolutional-transformer fusion of ultrasound and diffuse optical tomography for breast lesion classification
2026-May, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society
IF:5.4Q1
|
研究论文 | 提出一种卷积-Transformer融合框架，整合超声和漫射光断层成像用于乳腺病变分类 | 开发了新型卷积-Transformer-翻译器融合模型，自动结合高分辨率超声图像和低分辨率漫射光断层成像总血红蛋白图像 | 未明确说明 | 提高乳腺病变诊断性能并减少不必要的良性活检 | 287名接受超声和超声引导下漫射光断层成像检查的可疑乳腺病变患者 | 医学影像分析 | 乳腺癌 | 超声成像, 漫射光断层成像 | 卷积神经网络, Transformer | 超声图像, 漫射光断层成像总血红蛋白图像 | 287名患者 | NA | 卷积-Transformer-翻译器 | ROC曲线下面积, 灵敏度, 活检特异性 | NA |
| 430 | 2026-06-03 |
Towards quality control and harmonization of deep learning CT radiomics: An in-silico feasibility study with virtual colorectal liver metastases
2026-May, Medical physics
IF:3.2Q1
DOI:10.1002/mp.70500
PMID:42169495
|
研究论文 | 本研究通过构建虚拟结直肠肝转移模型，评估不确定性估计和图像协调化策略在深度学习CT影像组学中提高生物标志物预测可靠性的作用 | 首次将不确定性估计作为深度学习影像组学生物标志物预测的可靠性指标，并联合线性协调化滤波器改善跨扫描仪推理的一致性 | 结果仅基于仿真框架验证，尚未在临床CT数据上得到确认，需要进一步的临床验证和转化 | 评估不确定性估计作为生物标志物预测可靠性指标的价值，以及图像协调化在改善跨扫描仪推理中的效果 | 虚拟结直肠肝转移灶（20,000个）嵌入临床CT肝图像中生成的模拟扫描 | 数字病理学 | 结直肠癌肝转移 | CT影像组学 | 深度学习影像组学模型 | 图像 | 20,000个虚拟结直肠肝转移灶嵌入20个临床CT肝图像 | NA | NA | 相关系数, 均方根误差 | NA |
| 431 | 2026-06-03 |
Efficient vision mamba for MRI super-resolution via hybrid selective scanning
2026-May, Medical physics
IF:3.2Q1
DOI:10.1002/mp.70508
PMID:42204783
|
研究论文 | 提出一种基于混合选择性扫描的高效视觉Mamba框架，用于MRI超分辨率重建，在保持高精度的同时显著降低计算开销 | 首次将多头部选择性状态空间模型与轻量级通道多层感知器结合，提出混合扫描策略（垂直、水平、对角）以捕获长程依赖并缓解像素遗忘 | 未详细说明在不同MRI序列或噪声条件下的泛化能力，也未讨论临床部署中的实际延迟 | 开发高效准确的MRI超分辨率深度学习框架，以在低计算开销下保留精细解剖细节，便于临床工作流程集成 | 7T脑部T1 MP2RAGE地图（142名受试者）和1.5T前列腺T2w MRI（334名受试者） | 计算机视觉, 数字病理学 | 前列腺癌 | NA | 状态空间模型, 多层感知器 | 图像 | 142名受试者的7T脑部MRI及334名受试者的1.5T前列腺MRI | NA | MambaFormer（含MHSSM、深度可分离卷积、门控通道混合） | SSIM, PSNR, LPIPS, GMSD | 模型参数0.9百万，计算量57 GFLOPs |
| 432 | 2026-06-03 |
Atomic clarity: how structural biology is shaping blood-stage malaria vaccines
2026-Apr-25, Transactions of the Royal Society of Tropical Medicine and Hygiene
IF:1.9Q2
DOI:10.1093/trstmh/trag039
PMID:42033198
|
综述 | 本文综述了结构生物学如何通过冷冻电镜等技术推动血液阶段疟疾疫苗的开发 | 结合冷冻电镜与人工智能/深度学习技术，对疟原虫血液阶段动态膜相关复合物进行原子级解析，无需结晶处理 | 未提及具体疫苗候选物或临床试验数据，侧重方法学综述 | 阐明结构生物学在合理设计疟疾疫苗中的关键作用 | 疟原虫血液阶段的表面多蛋白复合物及膜相关动态结构 | 结构生物学 | 疟疾 | 冷冻电镜、基因组分析 | NA | 图像、基因组数据 | NA | NA | NA | NA | NA |
| 433 | 2026-06-03 |
SERS-based deep learning approach for early detection of gestational diabetes mellitus
2026-Apr-15, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
DOI:10.1016/j.saa.2026.127472
PMID:41547262
|
研究论文 | 提出了一种基于表面增强拉曼光谱与深度学习融合的早期妊娠期糖尿病诊断新策略 | 首次将表面增强拉曼光谱与PCA-CNN融合模型应用于早期妊娠期糖尿病筛查，实现快速、精准的早期诊断 | NA | 开发一种快速、准确、便捷的早期妊娠期糖尿病筛查方法 | 妊娠期糖尿病患者的血清样本 | 机器学习 | 妊娠期糖尿病 | 表面增强拉曼光谱（SERS） | 卷积神经网络 (CNN) 结合主成分分析 (PCA) | 光谱数据 | NA | NA | PCA-CNN | 准确率、灵敏度、特异度 | NA |
| 434 | 2026-06-03 |
Automatic detection of the fetal brain midsagittal plane on MRI using a deep learning pipeline
2026-Apr-07, American journal of obstetrics & gynecology MFM
IF:3.8Q1
DOI:10.1016/j.ajogmf.2026.101962
PMID:41956321
|
research paper | 开发了一种基于深度学习的自动检测胎儿大脑MRI正中矢状面（MSP）的流程 | 使用多任务2D U-Net检测四个中线结构（胼胝体膝部、压部、小脑蚓部、脑桥）的共现性，并结合LightGBM分类器进行病例级决策 | 研究基于正常胎儿大脑解剖结构，未涉及异常病例或多种MRI序列 | 实现胎儿MRI中正中矢状面的自动检测，以提高图像质量评估和大脑解剖评价的标准化 | 225例18-36周正常胎儿的大脑MRI数据 | 计算机视觉 | NA | MRI（单次激发快速自旋回波T₂加权序列） | U-Net | 图像 | 432个MRI图像堆栈来自225例胎儿（135个含MSP，297个不含） | PyTorch | 2D U-Net | AUC、准确率、灵敏度、特异性、定位准确度 | NA |
| 435 | 2026-06-03 |
DrowsyDG-Phys: Generalizable driver drowsiness estimation in conditional automated vehicles using physiological signals
2026-Apr, Accident; analysis and prevention
DOI:10.1016/j.aap.2026.108407
PMID:41547100
|
研究论文 | 提出了一种名为DrowsyDG-Phys的域泛化框架，用于基于生理信号的驾驶员困倦检测 | 提出了一个显式时频域特征学习的骨干网络，并集成了三种新颖的损失函数：基于先验知识的对比正则化、特征集中化损失和困倦评估标准对齐损失 | 未明确说明局限性 | 提高基于生理信号的驾驶员困倦检测模型的泛化能力和鲁棒性 | 使用心电图、皮肤电活动和呼吸信号三种生理信号进行困倦检测 | 机器学习 | NA | 生理信号采集 | 域泛化框架 | 生理信号（心电图、皮肤电活动、呼吸信号） | 3个公开数据集和1个自采集数据集，包含60名参与者在模拟SAE Level-3驾驶场景下的数据 | PyTorch | DrowsyDG-Phys（时频域特征学习骨干网络） | 准确率（DG协议78.5%，跨被试协议88.4%） | NA |
| 436 | 2026-06-03 |
Deep Learning Analysis Based on Dual-energy CT-Derived Iodine Map for Predicting PD-L1 Expression in Gastric Cancer: A Multicenter Study
2026-Apr, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.12.033
PMID:41547630
|
研究论文 | 基于双能CT碘图深度学习分析预测胃癌PD-L1表达水平的多中心研究 | 首次利用双能CT碘图结合深度学习特征预测胃癌PD-L1表达，并构建可解释性模型，实现非侵入性预测 | NA | 探索基于双能CT碘图的深度学习分析预测胃癌PD-L1表达水平的价值 | 胃癌患者的PD-L1表达水平 | 计算机视觉 | 胃癌 | 双能CT | CNN | CT图像 | 267例胃癌患者（训练集143例，内部验证集60例，外部验证集64例） | PyTorch | ResNet | AUC | NA |
| 437 | 2026-06-03 |
Mitigating data center bias in cancer classification: Transfer bias unlearning and feature size reduction via conflict-of-interest free multi-objective optimization
2026-Apr, Artificial intelligence in medicine
IF:6.1Q1
DOI:10.1016/j.artmed.2026.103351
PMID:41554188
|
research paper | 提出一种基于无冲突多目标优化的去学习方法来减轻深度学习模型在癌症分类中由数据中心引入的偏差 | 首次将无冲突多目标优化应用于偏差去除，通过去除冲突样本和特征降维来缩小内部与外部性能差距，并实现模型无关的通用性 | 研究仅聚焦于癌症特征和数据中心偏差，未验证在其他领域或不同类型偏差上的适用性 | 减轻深度学习模型在癌症分类中因数据中心偏差导致的泛化能力下降问题 | 癌症分类任务中受数据中心偏差影响的深度学习模型 | computer vision | cancer | deep learning | KNN | image | NA | NA | NA | internal accuracy, external accuracy | NA |
| 438 | 2026-06-03 |
Deep learning-guided engineering of pectinase for enhanced catalytic performance in tobacco processing
2026-Apr, Bioresource technology
IF:9.7Q1
DOI:10.1016/j.biortech.2026.134028
PMID:41554444
|
研究论文 | 利用深度学习指导果胶酶工程改造，显著提升其在烟草加工中的催化性能和热稳定性 | 采用ProteinMPNN结合多重序列比对进行残基再设计，成功获得含72个突变的高活性酶变体DS-5，催化活性提高8.9倍，并揭示了表面静电势重塑增强底物结合亲和力的机制 | 未提及大规模工业应用验证及长期稳定性数据 | 开发深度学习引导的高效酶工程方法，提升果胶酶在烟草加工中的催化性能和热稳定性 | 来自果胶酶的DS-5变体及其在苹果汁澄清和烟草降解中的应用效果 | 机器学习, 酶工程 | NA | 蛋白质工程, 分子动力学模拟 | ProteinMPNN | 序列数据, 结构数据 | NA | PyTorch | ProteinMPNN | 催化活性, 热稳定性, 最优温度, pH范围, 感官评价 | NA |
| 439 | 2026-06-03 |
Application of Digital Medicine to the Diagnosis and Treatment of Head and Neck Tumors
2026-Apr, Cancer reports (Hoboken, N.J.)
DOI:10.1002/cnr2.70556
PMID:42019980
|
综述 | 本文总结了数字医学在头颈部肿瘤诊断、治疗及预后评估中的应用现状 | 系统整合了数字影像、人工智能和3D打印等数字医学技术在头颈部肿瘤诊疗中的最新进展 | 综述仅叙述现有研究局限性，未提出具体解决方案或定量分析 | 阐述数字医学在头颈部肿瘤诊疗中的应用并展望其前景 | 头颈部肿瘤的诊断、治疗和预后评估相关数字技术 | 数字病理学 | 头颈部肿瘤 | 数字影像（CT、MRI、超声）、人工智能、3D打印 | 深度学习模型 | 医学影像 | NA | NA | NA | 诊断准确率、治疗效果 | NA |
| 440 | 2026-06-03 |
The role of artificial intelligence in early detection and risk prediction of ischemic heart disease
2026-Apr, Annals of medicine and surgery (2012)
DOI:10.1097/MS9.0000000000004812
PMID:41939092
|
综述 | 探讨人工智能在缺血性心脏病早期检测和风险预测中的作用 | 系统总结了AI在ECG分析、影像学和生物标志物三个主要领域的应用，展示了其超越传统方法的潜力，并强调了多组学和可穿戴设备集成等新兴方向 | 多数研究为回顾性或单中心，缺乏在不同人群和医疗环境中的验证，存在算法偏差、泛化能力不足、监管不确定性和临床医生熟悉度有限等问题 | 评估AI技术在提高缺血性心脏病早期诊断准确性和风险预测个性化方面的潜力 | 缺血性心脏病及相关诊断工具（如ECG、影像学、生物标志物） | 机器学习 | 缺血性心脏病 | NA | 机器学习、深度学习 | NA | NA | NA | NA | NA | NA |