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 46047 篇文献，本页显示第 4421 - 4440 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 4421 | 2026-05-02 |
Future cardiovascular events prediction from invasive coronary angiography: A graph representation learning perspective
2026-Apr-22, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2026.104079
PMID:42061118
|
研究论文 | 提出基于图神经网络的AngioGraphCAD框架，利用侵入性冠状动脉造影预测未来心血管事件 | 首次从图表示学习视角处理冠状动脉造影数据，通过几何图表示和掩码注意力机制实现病变级和患者级预测 | 未明确说明局限性，但可能包括样本量有限（仅两个队列共646名患者）、AUC值尚需提升（最高0.73） | 利用冠状动脉造影几何信息改进冠心病患者未来心血管事件的风险分层 | 冠心病患者的侵入性冠状动脉造影图像和临床数据 | 机器学习 | 冠心病 | 侵入性冠状动脉造影 | 图神经网络 | 图像和临床数据 | 两个队列：FAME2 563名患者、1551处狭窄；FCL 83名患者、382处狭窄 | NA | 图神经网络、掩码注意力机制 | AUC | NA |
| 4422 | 2026-05-02 |
Docking-based virtual screening: Past, present, and future
2026-Apr-15, Biophysical journal
IF:3.2Q2
DOI:10.1016/j.bpj.2026.04.011
PMID:41992616
|
综述 | 综述了基于分子对接的虚拟筛选的过去、现在和未来 | 系统总结了基于模板的方法、深度学习对接与打分函数、大规模和超大规模对接战役等最新进展 | 讨论了当前挑战，如方法准确性、计算资源需求及实际应用中的限制 | 回顾DBVS方法的发展历程，总结最新进展，并展望未来方向以提升早期药物发现的实际影响 | DBVS工作流程的主要组成部分（配体结合位点识别、化学库准备、分子对接方法）及其改进策略 | 计算机辅助药物设计 | NA | 分子对接、虚拟筛选 | 深度学习模型（如用于对接和打分） | 分子结构数据 | NA | NA | NA | NA | NA |
| 4423 | 2026-05-02 |
ANNalog: generation of MedChem-similar molecules
2026-Apr-15, Journal of cheminformatics
IF:7.1Q1
DOI:10.1186/s13321-026-01186-6
PMID:41987312
|
研究论文 | 提出了一种基于Transformer的序列到序列生成模型ANNalog，用于生成与药物化学相似的分子类似物 | 使用同一生物活性测定中的分子对训练生成模型，能同时生成结构相似类似物和进行骨架跃迁，并采用编辑距离引导的对齐预处理提升性能 | NA | 生成兼具结构相似性和骨架跃迁能力的药物化学类似物 | 从ChEMBL33数据库中提取的同一生物活性测定中的分子对 | 机器学习 | NA | NA | Transformer | SMILES字符串 | 使用ChEMBL33数据库中的分子对，具体数量未提及 | NA | Transformer | NA | NA |
| 4424 | 2026-05-02 |
Altered chromatin accessibility and nucleosome positioning landscape upon HDAC and LSD1 inhibition in cancer cell
2026-Apr-11, bioRxiv : the preprint server for biology
DOI:10.64898/2026.04.08.717275
PMID:41993470
|
研究论文 | 介绍了一种结合深度学习自动分析染色质可及性图谱的多模态平台，用于研究HDAC和LSD1抑制对癌细胞中染色质可及性和核小体定位的影响 | 首次整合NicE-viewSeq与自动化深度学习空间分辨染色质可及性分析，揭示了单药与双药抑制策略的比较效果及CoREST-RUNX调控轴机制 | NA | 探索HDAC和LSD1抑制对癌细胞染色质可及性和核小体定位的影响及机制，优化组合表观遗传治疗策略 | 癌细胞 | 机器学习 | 癌症 | NicE-viewSeq | 深度学习 | 测序数据 | NA | NA | NA | NA | NA |
| 4425 | 2026-05-02 |
FunctionaL Assigning Sequence Homing (FLASH) maps phenotype to sequence with deep and machine learning
2026-Apr-07, bioRxiv : the preprint server for biology
DOI:10.64898/2026.04.04.715981
PMID:41993257
|
研究论文 | 提出一种基于深度和机器学习的新型框架FLASH，能够直接从原始测序读段预测表型，并在超过35,000个细菌、真菌和病毒分离株中实现高精度预测 | FLASH是可解释的、基于统计的深度学习框架，能直接操作原始测序读段，预测从未在训练中见过的变异，识别从头药物靶标和跨物种毒力预测因子，并完成GWAS无法实现的任务（如预测噬菌体的细菌宿主范围） | 未明确提及，但可能受限于测序数据质量和计算资源需求 | 开发一种能够克服GWAS局限性的新型深度学习方法，实现直接从原始测序数据预测表型 | 细菌、真菌和病毒分离株（超过35,000个） | 机器学习 | 感染性疾病 | 原始测序读段分析 | 深度学习模型 | 测序数据 | 超过35,000个细菌、真菌和病毒分离株 | NA | NA | 准确率 | NA |
| 4426 | 2026-05-02 |
Graph transformer for ancient ancestry inference
2026-Apr-07, bioRxiv : the preprint server for biology
DOI:10.64898/2026.04.05.714076
PMID:41993422
|
研究论文 | 利用图变换器从古代祖先的基因重组图中推断局部祖先 | 将图变换器引入古代祖先推断框架，利用深度学习改进基于古代DNA参考的局部祖先推断准确性 | NA（摘要未提及局限性） | 开发一种基于图变换器（ARGMix）的方法，利用古代DNA样本作为参考，提高混合人群中局部祖先推断的准确性和鲁棒性 | 古代和现代欧洲人群的DNA样本 | 机器学习 | NA | 古代DNA测序 | 图变换器 | 基因序列数据 | NA（摘要未明确样本数量） | PyTorch | 图变换器 | 准确率, 鲁棒性 | NA（摘要未提及） |
| 4427 | 2026-05-02 |
GAZE2REPORT: RADIOLOGY REPORT GENERATION VIA VISUAL-GAZE PROMPT TUNING OF LLMS
2026-Apr-07, ArXiv
PMID:41994171
|
研究论文 | 提出GAZE2REPORT框架，通过扫描路径预测模块和图神经网络生成视觉-注视联合令牌，结合指令和报告令牌微调大语言模型的LoRA层，实现无注视输入的放射学报告自动生成 | 首次将眼动注视数据作为医学先验知识融入放射学报告生成流程，提出扫描路径预测模块实现在推理阶段无需真实眼动数据，通过视觉-注视联合令牌与指令令牌的多模态提示微调大语言模型 | 多模态数据融合的复杂性、眼动数据获取成本高、推理阶段缺乏真实注视输入的实用性限制 | 提升放射学报告生成质量与可解释性，实现医生视觉注意力与AI决策过程的对齐 | 放射学报告生成任务中的医学影像与眼动注视数据 | 自然语言处理、计算机视觉、数字病理学 | 未明确指定具体疾病类别 | 眼动追踪、扫描路径预测 | 大语言模型（LLM）、图神经网络（GNN） | 医学影像、眼动注视数据、文本报告 | 未在摘要中说明样本数量 | PyTorch | LoRA微调的大语言模型、图神经网络、扫描路径预测模块 | 未在摘要中说明评估指标 | NA |
| 4428 | 2026-05-02 |
Monotherapy cancer drug-blind response prediction is limited to intraclass generalization
2026-Apr, PLoS computational biology
IF:3.8Q1
DOI:10.1371/journal.pcbi.1013232
PMID:42018603
|
研究论文 | 本文量化了单药癌症药物反应预测模型在药物盲测中的泛化能力，发现其受限于药物间机制重叠，并揭示了数据集行为是性能瓶颈而非模型本身 | 首次量化了药物盲测泛化能力对药物机制重叠的依赖，并证明单一机制训练可显著提升特定机制的预测性能 | 研究仅基于现有大型药基因组学数据集，无法预先确定克服药物盲测失败所需的数据量，且未涉及新数据采集的实验验证 | 阐明单药癌症药物反应预测模型在药物盲测中失败的根本原因，并评估模型泛化能力的真实来源 | 多种深度学习模型架构和多个大型药基因组学数据集中的细胞系药物反应 | 机器学习 | 癌症 | NA | 深度学习模型（多种架构） | 药基因组学数据 | 多个大型药基因组学数据集中的细胞系和药物，具体数量未明确 | NA | NA（文中提及多种架构但未具体列出） | NA（文中提及性能评估但未明确具体指标） | NA |
| 4429 | 2026-05-02 |
Artificial Intelligence-Based Exosome Analysis for Improving Diagnostic Performance of Breast Lesions on Ultrasound: Protocol of a Prospective, Multicenter Cohort Study
2026-Apr, Journal of breast cancer
IF:2.2Q3
DOI:10.4048/jbc.2025.0206
PMID:41918185
|
研究论文 | 一项前瞻性多中心队列研究，评估基于外泌体的表面增强拉曼光谱与人工智能平台（exosome-SERS-AI）对超声诊断可疑乳腺病变的增效作用 | 首次在临床试验中系统评估外泌体SERS-AI技术联合超声对BI-RADS 3-5级乳腺病变的诊断性能提升效果 | 该研究为方案描述，尚未完成数据采集和分析，结果需待2026年揭晓 | 评估exosome-SERS-AI能否提高超声对可疑乳腺病变的诊断准确性 | 乳腺病变患者的血浆外泌体样本及超声影像数据 | 机器学习 | 乳腺癌 | 表面增强拉曼光谱（SERS）、外泌体分离技术 | 深度学习模型（未指定具体类型） | 拉曼光谱信号、超声影像、组织病理数据 | 500名40岁以上女性患者（各250例良性和恶性病变） | NA | NA | 敏感性、特异性、阳性预测值、阴性预测值、受试者工作特征曲线下面积 | NA |
| 4430 | 2026-05-02 |
Transfer Learning From Hand-Trained Deep Learning Models to Estimate Bone Age From Knee Radiographs
2026-Apr, Orthopaedic journal of sports medicine
IF:2.4Q2
DOI:10.1177/23259671261424923
PMID:42063486
|
research paper | 基于膝关节X光片，利用迁移学习从手工训练的深度学习模型估算骨骼年龄 | 首次利用膝关节X光片通过深度学习模型进行骨骼年龄估算，避免了传统方法需额外手部X光片的辐射暴露，且模型性能优于现有方法 | 需要外部验证和模型优化才能应用于日常临床实践 | 开发基于膝关节X光片的深度学习模型用于骨骼年龄估算 | 18岁及以下骨科患者的膝关节X光片 | computer vision, machine learning | geriatric disease | NA | ConvNeXT | image | 2374张裁剪后的膝关节图像 | NA | ConvNeXT | mean absolute error, Bland-Altman analysis, saliency maps | NA |
| 4431 | 2026-05-02 |
Novel two-stage deep learning framework for automated pressure injury classification
2026-Mar-27, BMJ health & care informatics
IF:4.1Q2
DOI:10.1136/bmjhci-2025-101636
PMID:41895731
|
研究论文 | 提出一个两阶段深度学习框架，用于自动从临床图像中对压力损伤进行分期 | 通过结合目标检测（YOLOv9）和图像分类（DenseNet161）的两阶段方法，无需手动定位病灶即可实现自动化分期，提高临床可解释性 | 在处理伤口内异质性、早期细微边界识别以及图像质量差异方面仍存在挑战 | 开发一个直接从临床图像自动进行压力损伤分期的AI框架，以提高诊断准确性和一致性 | 中国医科大学医院收集的1807张压力损伤图像 | 计算机视觉 | 压力损伤 | NA | YOLOv9, DenseNet161 | 图像 | 1807张压力损伤图像（训练及验证集），测试集n=365 | PyTorch | YOLOv9, DenseNet161 | 准确率, 灵敏度, 特异度, F1分数, AUC, mAP@0.5 | NA |
| 4432 | 2026-03-18 |
Deep learning-based physiological risk stratification in night-shift hospital workers
2026-Mar-16, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-43982-y
PMID:41839952
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 4433 | 2026-05-02 |
Deep learning enhanced prediction framework for bio oil yield from organic solid waste with chemically informed features
2026-Mar-16, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-43604-7
PMID:41839987
|
研究论文 | 提出基于深度学习的框架，利用化学信息特征增强对有机固体废物热解生物油产率的预测 | 创新性地结合化学引导特征工程（元素比、灰分校正挥发度和能量密度指数）与VIF特征选择，构建混合深度神经网络模型DNPO，在多样化数据集上实现优于传统基准模型的预测性能 | NA | 提高有机固体废物热解过程中生物油产率的预测准确性，支持实验设计、生物质筛选和工艺优化 | 有机固体废物热解产生的生物油产率预测 | 机器学习 | NA | NA | 混合深度神经网络 | 数值型数据（生物质成分和热解条件参数） | 245个样本，来自多种生物质来源和热解条件 | NA | DNPO | 相关系数R, 均方根误差RMSE | NA |
| 4434 | 2026-05-02 |
Transformer-encoded nnU-Net with local region perceptron and contrastive learning (TLC-nnUNet) for multiple brain metastasis detection and delineation
2026-Mar-13, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ae4ced
PMID:41775070
|
研究论文 | 提出一种集成局部区域感知器和对比学习的Transformer增强型nnU-Net（TLC-nnUNet），用于多发性脑转移瘤的检测与分割 | 首次将局部区域感知器损失约束和对比学习预训练策略融入Transformer增强的nnU-Net架构，分别提升小病灶检测能力和降低假阳性 | 未在更大规模、更异质的数据集上验证，且计算资源需求可能较高（需预训练和Transformer模块） | 提高磁共振图像中多发性脑转移瘤（尤其是小病灶）的检测灵敏度和分割精度 | 多发性脑转移瘤病灶（包括最长轴长度小于3毫米的小病灶） | 计算机视觉, 数字病理学 | 脑转移瘤 | 磁共振成像 | CNN, Transformer | 图像 | 多机构数据集（具体数量未提及） | PyTorch, MONAI | nnU-Net, Transformer | 灵敏度, 精确率, Dice系数, 假阳性率 | NA |
| 4435 | 2026-05-02 |
Humans with function-disrupting variants in the myostatin gene (MSTN) have increased skeletal muscle mass and strength, and less adiposity
2026-Mar-13, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-70422-2
PMID:41826329
|
研究论文 | 本研究利用大规模多队列遗传关联分析，结合深度学习的全身MRI图像分割方法，探究肌生成抑制素基因功能破坏性变异对人体肌肉质量、力量及脂肪组成的影响 | 首次在人类大规模人群（110万人）中系统评估MSTN基因功能破坏性变异对全身肌肉和脂肪组成的长期效应，并结合深度学习自动分割技术对77,572人的全身MRI数据进行精细肌肉群分析 | 未明确说明，但可能包括变异携带者的选择偏差、观察性研究无法完全排除混杂因素、以及影像分割模型的潜在误差 | 探究MSTN基因功能破坏性变异对人体肌肉质量、力量和脂肪组成的长期效应，评估治疗性阻断肌生成抑制素信号通路的潜在益处与安全性 | 人类MSTN基因功能破坏性变异携带者（杂合子）及其体成分和心脏代谢健康相关表型 | 机器学习、计算机视觉 | NA | 全基因组关联分析、全身MRI、深度学习图像分割 | 深度学习分割模型 | 遗传变异数据、全身MRI图像、握力与肌酐等生化指标数据 | 110万名个体的遗传数据；77,572人的全身MRI数据 | NA | 深度学习图像分割模型（具体架构未明确），可能基于U-Net或类似架构 | 肌肉质量增加百分比、握力、肌酐水平、脂肪量变化 | NA |
| 4436 | 2026-05-02 |
A generalizable eye disease detection method based on Zero-Shot Learning
2026-Mar-12, Communications medicine
IF:5.4Q1
DOI:10.1038/s43856-026-01439-3
PMID:41820587
|
研究论文 | 提出一种基于零样本学习的泛化眼病检测方法，无需标注即可检测早期糖尿病视网膜病变 | 将零样本学习应用于眼病检测，通过模拟临床推理过程，利用孪生网络识别疾病关联性并迁移知识，实现无需标注的早期疾病检测 | 可能受限于源疾病与目标疾病之间的关联性强度，且依赖大规模无标注数据集LCFP-14M | 开发一种无需标注数据的泛化眼病检测方法，解决深度学习在医学图像分析中对大规模标注数据的依赖问题 | 早期糖尿病视网膜病变（DR1）检测，以及零样本学习在眼病诊断中的泛化能力 | 计算机视觉 | 糖尿病视网膜病变 | 眼底图像分析 | 孪生网络、ResNet-Agglomerative聚类 | 图像 | LCFP-14M数据集（1400万张眼底图像） | NA | Siamese network, ResNet, Agglomerative clustering | 准确率、精确率、召回率、F1分数、ROC-AUC | NA |
| 4437 | 2026-05-02 |
Synthetic data-driven deep learning for label-free autonomous atomic force microscopy
2026-Mar-10, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-70421-3
PMID:41807395
|
研究论文 | 介绍SimuScan框架，利用合成数据驱动深度学习实现无标签自动原子力显微镜分析 | 提出利用合成数据驱动深度学习，无需大量人工标注实验数据集，实现原子力显微镜自动特征识别、分割和靶向成像，并纳入真实实验伪影，提高模型泛化能力 | 未在论文标题和摘要中明确说明局限性 | 实现原子力显微镜自动化分析，减少对专家操作员的依赖，促进高通量材料发现和统计研究 | 纳米结构表面、DNA组装体和细菌细胞 | 计算机视觉 | NA | 原子力显微镜 | 深度学习 | 图像 | 包括纳米结构表面、DNA组装体和细菌细胞等多种样本类型 | NA | NA | 未在论文标题和摘要中明确列出性能指标 | 未在论文标题和摘要中明确说明计算资源 |
| 4438 | 2026-05-02 |
Neuroimaging Insights Into the Neurophysiological Subtypes of Major Depressive Disorder
2026-Mar-05, Biological psychiatry
IF:9.6Q1
DOI:10.1016/j.biopsych.2026.02.018
PMID:41794061
|
综述 | 对基于神经影像的重性抑郁障碍亚型研究进行批判性综合，涵盖方法学进展、亚型模式比较、临床转化及未来方向 | 整合无监督/半监督聚类、深度学习、规范建模等前沿方法，推动从群体平均向个体化偏差谱的转变，并比较多模态成像中的趋同与分歧亚型模式 | 关键挑战包括大规模协调数据集缺乏、验证不充分及需整合生理、遗传和环境数据 | 阐明基于神经影像的MDD亚型现状，描绘将脑部异质性转化为临床有意义进展的路线图 | 重性抑郁障碍患者 | 机器学习 | 重性抑郁障碍 | NA | 深度学习 | 神经影像数据 | NA | NA | NA | NA | NA |
| 4439 | 2026-05-02 |
Integrated subcellular localization of functional fluorescence probes and functional analysis in motile spermatozoa by an AI-enhanced algorithm
2026-03-01, Asian journal of andrology
IF:3.0Q1
DOI:10.4103/aja202545
PMID:40908796
|
研究论文 | 开发了一种结合YOLOv8架构与双探针荧光显微成像的集成计算成像平台，用于同时量化精子内pH和mtDNA G4s，实现精子功能的分子表型分析 | 将微调的YOLOv8架构与双探针荧光显微镜图像分割相结合，自动定位荧光焦点，区分精子头和主段的荧光信号，揭示荧光强度比与精子功能结果的相关性 | 未明确说明 | 开发AI增强的多模态精子分析平台，用于男性不育症的分子诊断 | 功能性精子中的细胞内pH和线粒体DNA G-四链体 | 计算机视觉 | 男性不育症 | 双探针荧光显微成像 | YOLOv8 | 荧光显微图像 | 未提及 | PyTorch | YOLOv8 | 未提及 | 未提及 |
| 4440 | 2026-05-02 |
OralSegNet: An Approach to Early Detection of Oral Disease Using Transfer Learning
2026-Mar, Oral diseases
IF:2.9Q1
DOI:10.1111/odi.70135
PMID:41207876
|
研究论文 | 提出一种基于YOLOv11架构的深度学习分割系统，用于从口腔内照片中自动检测和定位口腔疾病 | 利用YOLOv11的三个变体（YOLOv11n-seg、YOLOv11s-seg和YOLOv11m-seg）进行口腔疾病分割，并通过三阶段训练（特征提取、部分微调和完全微调）优化性能 | 数据集来自公开来源，可能存在偏差；模型在部分微调阶段表现最佳，但整体指标不高（mAP约0.5） | 早期检测口腔疾病 | 口腔内图像中的疾病区域 | 计算机视觉 | 口腔疾病 | NA | CNN | 图像 | 初始版本582张像素级标注图像，经增强形成v2和v3版本 | PyTorch, ONNX Runtime Web | YOLOv11n-seg, YOLOv11s-seg, YOLOv11m-seg | box mAP@50, mask mAP@50 | Google Colab免费版，Intel Xeon CPU，13 GB RAM，15 GB T4 GPU，120 GB存储 |