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 43295 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 | 2026-04-11 |
Future-aware blood glucose forecasting using knowledge distillation with transformer-based sequence-to-sequence models
2026-Feb-28, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-41787-7
PMID:41764313
|
研究论文 | 本研究提出了一种利用知识蒸馏和Transformer序列到序列模型的未来感知血糖预测框架，以解决传统方法无法利用未来扰动信息的问题 | 提出了一个未来感知学习框架，在训练时利用特权信息（未来扰动），通过知识蒸馏使学生模型在推理时仅基于历史数据就能近似教师模型的性能，从而在保持部署可行性的同时提升预测准确性 | 未明确讨论模型在不同类型糖尿病患者或不同临床场景下的泛化能力，也未详细分析计算复杂度和实时推理延迟 | 开发一种能够在现实部署约束下（无法获取未来扰动信息）实现准确多步血糖预测的深度学习框架 | 1型糖尿病患者的连续血糖监测数据及相关扰动信息（胰岛素输送和进食） | 机器学习 | 糖尿病 | 连续血糖监测 | Transformer, 序列到序列模型 | 时间序列数据 | 基于公开数据集OhioT1DM和AZT1D（具体样本数量未在摘要中说明） | 未明确说明 | Transformer | 均方根误差, 平均绝对误差, Clarke误差网格分析 | 未明确说明 |
| 422 | 2026-03-02 |
Image-based epigenetic profiling with deep learning and high-speed super-resolution microscopy
2026-Feb-28, Epigenetics & chromatin
IF:4.2Q1
DOI:10.1186/s13072-026-00662-5
PMID:41764479
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 423 | 2026-04-11 |
Deep learning for fast screening and localization of spinal dural arteriovenous fistulas to enhance clinical workflow
2026-Feb-27, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-026-02474-z
PMID:41760890
|
研究论文 | 开发了一种名为SDAVFdoc的自动化AI系统，用于快速筛查和定位脊髓硬脊膜动静脉瘘，以提升临床工作流程效率 | 将3D卷积神经网络与解剖学先验知识相结合，实现了对SDAVF的自动识别和瘘口定位，并显著减少了处理时间和操作步骤 | 研究为多中心研究，但未详细说明模型在不同医疗机构数据上的泛化能力或潜在的偏差 | 开发自动化AI系统以辅助脊髓硬脊膜动静脉瘘的筛查和定位，优化临床工作流程 | 脊髓硬脊膜动静脉瘘患者 | 数字病理学 | 脊髓硬脊膜动静脉瘘 | CTA成像 | CNN | 图像 | 718名患者 | NA | DenseNet | F1分数, AUC | NA |
| 424 | 2026-04-11 |
metaRLK 2.0: An updated database of plant receptor-like kinases developed with structure- and deep learning-based functional annotation and classification
2026-Feb-24, Plant communications
IF:9.4Q1
DOI:10.1016/j.xplc.2026.101781
PMID:41742654
|
研究论文 | 本文介绍了metaRLK 2.0，一个基于结构和深度学习功能注释与分类的植物受体样激酶更新数据库 | 整合大规模结构注释、折叠分类、网络分析和语义功能推断，识别了677种不同结构域类型，新增了70个RLK家族，并预测了50个与植物细胞壁相关过程关联的家族 | 未明确提及具体局限性，但可能包括数据覆盖范围或深度学习模型的泛化能力限制 | 开发一个结构增强的植物受体样激酶资源，以探索RLK多样性、进化和结构-功能关系 | 植物受体样激酶（RLKs），涵盖508个植物物种的311,581个RLK | 机器学习 | NA | 结构注释、深度学习 | NA | 结构数据、序列数据 | 311,581个RLK来自508个植物物种 | NA | NA | NA | NA |
| 425 | 2026-04-11 |
Explainable multimodal deep learning models for variable-length sequences in critically ill patients
2026-Feb-24, Journal of biomedical informatics
IF:4.0Q2
DOI:10.1016/j.jbi.2026.105001
PMID:41747919
|
研究论文 | 本研究开发了一种可解释的多模态深度学习框架，用于处理重症监护患者可变长度的电子健康记录数据，以预测临床事件 | 提出了两种多模态循环神经网络融合架构（Pre-RNN和Post-RNN），结合了结构化数据和非结构化临床笔记，并采用Time2Vec和掩码处理可变长度序列，同时应用积分梯度方法增强模型的可解释性 | 性能提升对于短期事件较为有限（ΔAUPRC < 0.01），且研究基于公开数据集，可能受数据质量和通用性限制 | 开发一个可解释的多模态深度学习框架，用于处理重症监护患者可变长度的电子健康记录数据，以预测多种临床结局 | 重症监护患者的电子健康记录数据，包括结构化变量和非结构化临床笔记 | 自然语言处理, 机器学习 | 危重病 | 电子健康记录分析, 多模态数据融合 | RNN | 结构化数据, 文本 | 公开电子健康记录数据集中的患者数据 | NA | Time2Vec, RNN | AUPRC | NA |
| 426 | 2026-01-17 |
Correction: Quality assessment of colour fundus and fluorescein angiography images using deep learning
2026-Feb-19, The British journal of ophthalmology
DOI:10.1136/bjo-2022-321963corr1
PMID:41535099
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 427 | 2026-04-11 |
FATE-MAP predicts teratogenicity and human gastrulation failure modes by integrating deep learning and mechanistic modeling
2026-Feb-19, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-69596-6
PMID:41714622
|
研究论文 | 本文介绍了一个名为FATE-MAP的集成平台，通过结合深度学习与机制建模，预测致畸性并揭示人类原肠胚形成的失败模式 | 开发了FATE-MAP平台，首次将高通量人类2D胃胚体扰动、定量表型映射、预测性深度学习和机制形态发生素建模相结合，以解码人类发育轨迹 | 研究基于人类2D胃胚体模型，可能无法完全模拟体内三维发育环境；且受限于伦理约束，直接人类胚胎验证不可行 | 阐明人类原肠胚形成的失败模式，预测药物致畸性，并加速安全治疗发现 | 人类2D胃胚体（gastruloids） | 计算生物学 | 发育异常 | 高通量药物扰动、定量表型映射、PDE模拟 | Transformer | 化学结构数据、表型数据、模拟数据 | 超过2000个药物处理的人类2D胃胚体 | NA | Transformer | NA | NA |
| 428 | 2026-04-11 |
Drug-Target Interaction Prediction with PIGLET
2026-Feb-18, bioRxiv : the preprint server for biology
DOI:10.64898/2026.02.18.706530
PMID:41756919
|
研究论文 | 本文提出了一种名为PIGLET的新型图变换器方法，用于预测药物-靶点相互作用，该方法基于蛋白质组范围内的知识图谱进行操作 | 创新点在于使用图变换器方法处理结合口袋相似性、蛋白质-蛋白质相互作用、药物相似性和已知结合关系的知识图谱，而非传统的一维或三维表示嵌入方法 | NA | 预测药物-靶点相互作用以辅助计算药物开发 | 药物和靶点蛋白质 | 机器学习 | NA | 图变换器方法 | Transformer | 图数据（知识图谱） | Human数据集 | NA | 图变换器 | NA | NA |
| 429 | 2026-04-11 |
A hierarchical interaction message net for accurate molecular property prediction
2026-Feb-14, Communications chemistry
IF:5.9Q1
DOI:10.1038/s42004-026-01922-x
PMID:41691119
|
研究论文 | 本文提出了一种名为Hierarchical Interaction Message Net (HimNet)的模型，用于准确预测分子性质，包括ADMET特性 | 引入了分层交互消息传递机制，通过分层注意力引导的消息传递实现原子、基序和分子层面的交互感知表示学习，有效平衡全局和局部信息 | 未明确提及具体局限性 | 开发一种准确高效的分子性质和ADMET特性预测方法，以支持药物发现早期阶段的决策 | 分子（包括其ADMET特性、代谢稳定性、疟疾活性和肝微粒体清除率等） | 机器学习 | NA | 深度学习 | 图神经网络, Transformer | 化学信息数据 | 在11个数据集上进行评估，包括8个MoleculeNet基准数据集和3个高价值挑战数据集 | NA | Hierarchical Interaction Message Net (HimNet) | NA | NA |
| 430 | 2026-04-11 |
Rapid prediction of cardiac activation in the left ventricle with geometric deep learning: a step towards cardiac resynchronization therapy planning
2026-Feb-07, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-026-02399-7
PMID:41654658
|
研究论文 | 本研究开发了两种基于几何深度学习的模型，用于实时预测左心室几何形状上的激活时间图，以辅助心脏再同步化治疗（CRT）的术前规划 | 首次将几何深度学习方法（图神经网络GNN和几何信息神经算子GINO）应用于左心室激活时间的实时预测，并开发了基于网络的交互界面，为个性化CRT优化提供临床决策支持工具 | 模型在真实世界左心室几何形状上的性能仍有提升空间（误差约4%），且研究主要基于合成数据训练，未来需要更多临床数据验证 | 开发快速预测左心室激活时间的计算方法，以优化心脏再同步化治疗（CRT）的起搏器导线放置位置 | 左心室几何形状、心脏电生理激活时间图 | 机器学习 | 心血管疾病 | 有限元模拟、几何深度学习 | GNN, GINO | 几何形状数据、模拟数据 | 基于大范围合成左心室形状、起搏位点配置和组织电导率生成的有限元模拟数据集 | NA | 图神经网络（GNN）、几何信息神经算子（GINO） | 预测误差百分比 | NA |
| 431 | 2026-04-11 |
Enhancing Fluorescence Lifetime Imaging With Differential Transformer
2026-Feb, Journal of biophotonics
IF:2.0Q3
DOI:10.1002/jbio.70231
PMID:41622407
|
研究论文 | 本文提出了一种基于差分Transformer的深度学习框架MFliNet，用于增强荧光寿命成像，通过联合处理时间荧光衰减和仪器响应函数来校正光子到达分布中的地形畸变 | 引入了MFliNet框架，采用差分Transformer编码器-解码器架构，结合光子飞行时间反卷积物理原理，实现了对复杂生物或体内成像中多指数衰减参数的准确估计 | 未明确提及在更广泛临床环境或不同成像条件下的泛化能力验证 | 开发一种能够准确估计荧光寿命成像中多指数衰减参数的深度学习框架，以应对宏观尺度下仪器响应函数的空间变异性和时间偏移 | 组织模拟体模和临床前肿瘤模型 | 计算机视觉 | 肿瘤 | 荧光寿命成像 | Transformer | 时间序列数据 | 未明确指定具体样本数量，但涉及组织模拟体模和临床前肿瘤模型 | 未明确指定，可能为PyTorch或TensorFlow | 差分Transformer编码器-解码器 | 未明确指定具体指标，但提及了鲁棒性和精度 | 未明确指定 |
| 432 | 2026-04-11 |
The Transformative Impact of Deep Learning and Artificial Intelligence on Parasitic Disease Diagnosis
2026-Feb-01, Clinical laboratory
IF:0.7Q4
DOI:10.7754/Clin.Lab.2025.250543
PMID:41670505
|
综述 | 本文综述了深度学习和人工智能在寄生虫病诊断中的变革性影响，重点关注卷积神经网络和机器学习在检测疟疾、利什曼病和血吸虫病等病原体中的应用 | 强调了AI与便携式诊断工具结合在资源有限地区的潜力，以提升诊断的准确性和可及性 | 面临数据异质性和算法偏见等挑战，可能影响模型的泛化能力和公平性 | 探讨人工智能，特别是深度学习，如何改进寄生虫病的诊断，以促进全球健康 | 疟疾、利什曼病和血吸虫病等寄生虫病的病原体 | 机器学习 | 寄生虫病 | NA | CNN, ML | 临床样本、影像数据、流行病学数据 | NA | NA | NA | 灵敏度, 特异度 | NA |
| 433 | 2026-04-11 |
Evaluating single-cell ATAC-seq atlasing technologies using sequence-to-function modeling
2026-01-22, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-68742-4
PMID:41571655
|
研究论文 | 本文通过引入HyDrop v2单细胞ATAC-seq方法，首次系统评估了不同scATAC-seq平台在训练序列到功能深度学习模型方面的性能 | 首次针对scATAC-seq平台在训练S2F模型和转录因子足迹分析能力方面进行系统基准测试，并提出通过整合不同平台数据实现大规模、成本效益高的图谱构建策略 | 未明确说明具体使用的深度学习模型架构细节和计算资源配置 | 评估单细胞ATAC-seq图谱技术在序列到功能建模中的应用效果 | 单细胞染色质可及性数据（scATAC-seq） | 计算生物学 | NA | 单细胞ATAC-seq（scATAC-seq） | 深度学习模型 | 基因组序列数据 | 未明确说明具体样本数量 | NA | 序列到功能（S2F）模型 | 增强子预测准确性、序列可解释性、转录因子足迹分析 | NA |
| 434 | 2026-04-11 |
Deep Learning-Based Continuous QT Monitoring to Identify High-Risk Prolongation Events After Class III Antiarrhythmic Initiation
2026-Jan-06, Circulation
IF:35.5Q1
|
研究论文 | 本文提出了一种基于深度学习的连续QT监测系统（3DRECON-QT），用于从单导联心电信号重建12导联并预测QT/QTc，以识别III类抗心律失常药物启动后的高风险QT延长事件 | 开发了一种空间感知的深度学习系统，能够从单导联信号重建空间信息，实现连续QTc监测，并在真实世界队列中验证了其识别高风险QT延长事件的能力 | 研究依赖于特定数据集和外部验证中心，可能受限于不同心电图硬件和患者群体的泛化性 | 开发并验证一种深度学习系统，用于连续监测QTc并识别III类抗心律失常药物启动后的高风险QT延长事件 | 接受III类抗心律失常药物（如多非利特或索他洛尔）治疗的门诊患者，以及使用可插入式心脏监测器的患者 | 数字病理学 | 心血管疾病 | 心电图（ECG）监测 | 深度学习，多任务编码器-解码器 | 心电图信号 | 内部测试集和外部中心数据，真实世界队列包括1676名门诊患者 | NA | 多任务编码器-解码器 | 受试者工作特征曲线下面积（AUC），平均绝对误差（MAE），相关系数（r），F1分数 | NA |
| 435 | 2026-04-11 |
Enhancing autonomous agriculture control systems in greenhouses for sustainable resource usage using deep learning techniques
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0344946
PMID:41886461
|
研究论文 | 本文提出了一种基于强化学习的温室气候控制框架，通过集成深度学习模型预测作物生长和资源消耗，以优化控制设定点，实现高产和可持续资源利用 | 结合多层感知机、长短期记忆模型和强化学习代理，设计自定义奖励函数，并引入特征选择机制和随机天气条件下的再训练，以提高适应性和鲁棒性 | 未提及具体实验的温室规模或作物类型，可能限制通用性；依赖于模拟环境，实际部署需进一步验证 | 优化温室气候控制系统，以平衡作物产量和资源消耗，促进可持续农业 | 温室环境中的气候控制，包括温度、CO2浓度和灌溉水平 | 机器学习 | NA | 强化学习，深度学习 | MLP, LSTM, RL | 气候数据，作物参数，资源消耗数据 | NA | NA | 多层感知机，长短期记忆 | 累积奖励，作物产量增长率，资源消耗指标 | NA |
| 436 | 2026-04-11 |
Sparse-selective quantization for real-time cyber threat detection in large-scale networks
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0345758
PMID:41886730
|
研究论文 | 提出了一种用于大规模网络实时网络威胁检测的稀疏选择性量化框架，旨在平衡计算效率与检测精度 | 将特征级稀疏模式直接与动态量化策略关联，而非关注模型激活或固定参数，通过混合精度量化与TensorRT加速实现亚毫秒级推理延迟 | 未明确说明在极端资源受限环境下的性能边界或对新型未知威胁的泛化能力 | 开发一种能在大规模网络中实时检测网络威胁的高效准确方法 | 大规模网络流量数据 | 机器学习 | NA | NA | GRU, 注意力机制 | 网络流量数据 | NA | TensorFlow Lite, TensorRT | GRU-注意力机制 | 推理延迟, 精度 | 边缘部署环境, TensorRT加速 |
| 437 | 2026-04-11 |
Research progress of artificial intelligence in bone tumor imaging
2026, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2026.1780545
PMID:41889404
|
综述 | 本文综述了人工智能在骨肿瘤影像学中的研究进展及其在提高诊断准确性和临床管理方面的潜在应用 | 探讨了AI技术在骨肿瘤影像自动识别、分割、分类及疗效评估中的广泛应用，并展望了未来在多模态影像数据整合和不同类型骨肿瘤中扩展应用的前景 | 未具体说明当前AI技术在骨肿瘤影像应用中存在的具体技术或临床局限性 | 回顾人工智能在骨肿瘤影像学中的研究进展，探索其在改善诊断准确性和临床管理方面的潜力 | 骨肿瘤，包括原发性和转移性肿瘤 | 计算机视觉 | 骨肿瘤 | NA | 深度学习算法 | 影像 | NA | NA | NA | NA | NA |
| 438 | 2026-04-11 |
Lower limb edema detection and grading classification using deep learning and image enhancement technologies
2026, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2026.1697503
PMID:41889522
|
研究论文 | 本研究提出了一种结合目标检测和图像分类的多阶段深度学习框架，用于下肢水肿的自动检测和分级 | 提出了一种多阶段深度学习框架，整合了YOLO目标检测、图像增强技术和分类模型，并采用随机旋转数据增强和自动背景消除以解决数据不平衡问题 | 未明确提及模型在外部验证集上的泛化性能或临床环境中的实时应用挑战 | 开发自动检测和分级下肢水肿的系统，以支持临床诊断和疾病监测 | 下肢水肿图像 | 计算机视觉 | 心血管疾病 | 图像增强技术 | CNN | 图像 | NA | NA | YOLO | 准确率, 召回率, 精确率 | NA |
| 439 | 2026-04-11 |
Integrative deep learning strategies to enhance early-stage drug discovery: optimizing computational structure-activity modeling for pharmacotherapeutic innovation
2026, Journal of pharmacy & pharmaceutical sciences : a publication of the Canadian Society for Pharmaceutical Sciences, Societe canadienne des sciences pharmaceutiques
DOI:10.3389/jpps.2026.16155
PMID:41889533
|
研究论文 | 本研究开发了一种优化的基于神经网络的预测框架，用于支持识别具有镇痛潜力的生物活性化合物 | 采用逐步特征消除程序优化分子描述符集，并利用Levenberg-Marquardt算法训练人工神经网络，在QSAR任务中取得了优于传统统计方法的性能 | 研究仅基于532个分子的数据集，模型泛化能力有待在更大规模数据上验证 | 优化计算结构-活性建模以支持早期药物发现和化合物优先排序 | 具有镇痛潜力的生物活性化合物 | 机器学习 | NA | QSAR（定量构效关系）建模 | 人工神经网络 | 分子描述符数据 | 532个结构多样的分子 | NA | 人工神经网络 | 相关系数, 预测误差 | NA |
| 440 | 2026-04-11 |
Deep Learning-Based Rapid Identification of Escherichia coli and Klebsiella pneumoniae from Chromogenic Agar Urine Cultures Using YOLOv12
2026, Risk management and healthcare policy
IF:2.7Q2
DOI:10.2147/RMHP.S561761
PMID:41889706
|
研究论文 | 本研究开发并验证了一种基于YOLOv12深度学习模型的人工智能系统，用于从显色琼脂尿液培养图像中快速识别大肠杆菌和肺炎克雷伯菌 | 首次将YOLOv12模型应用于尿液培养图像中细菌菌落的快速识别，实现了亚秒级的准确分类，性能优于五种基准深度学习模型 | 模型依赖于显色形态学进行大肠杆菌的标注，对罕见显色变异菌株（如金色色素大肠杆菌）识别存在误差，且外部验证集的物种标签基于菌落颜色推断 | 开发人工智能模型以快速识别尿路感染常见病原体，缩短诊断时间，促进靶向治疗和抗菌药物管理 | 大肠杆菌和肺炎克雷伯菌的细菌菌落 | 计算机视觉 | 尿路感染 | 显色琼脂培养，MALDI-TOF质谱分析 | YOLOv12 | 图像 | 1547张显色琼脂尿液培养图像（850张大肠杆菌，697张肺炎克雷伯菌），外加91张独立图像用于外部验证 | NA | YOLOv12 | 准确率，精确率，召回率，F1分数 | NA |