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 42996 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 | 2026-02-15 |
Revolutionizing multi-omics analysis with artificial intelligence and data processing
2025-Sep, Quantitative biology (Beijing, China)
DOI:10.1002/qub2.70002
PMID:41675959
|
综述 | 本文探讨了人工智能与数据处理技术在多组学分析中的应用，旨在改变对复杂生物系统的理解 | 整合人工智能技术（如机器学习、深度学习）以处理和分析多组学数据，加速生物标志物发现和个性化医疗发展 | 需要高质量数据集，且有效算法和模型的开发仍面临挑战 | 探索人工智能和数据处理技术在多组学分析中的潜力，以推动生物系统研究和医学应用 | 多组学数据（包括多种分子数据类型） | 机器学习 | NA | 多组学方法 | 机器学习, 深度学习, 神经网络 | 多组学数据 | NA | NA | NA | NA | NA |
| 4422 | 2026-02-15 |
Loc4Lnc: Accurate prediction of long noncoding RNA subcellular localization via enhanced RNA sequence representation
2025-Sep, Quantitative biology (Beijing, China)
DOI:10.1002/qub2.100
PMID:41675960
|
研究论文 | 本文提出了一种名为Loc4Lnc的深度学习框架，用于准确预测长链非编码RNA的亚细胞定位 | 通过整合卷积层和Transformer模块，有效捕获RNA序列中的局部基序和长程依赖关系，并利用TextCNN进行分类，显著提升了预测准确性 | NA | 开发一个深度学习框架以准确预测lncRNA的亚细胞定位，从而帮助理解其在生物通路中的功能 | 长链非编码RNA及其在五个亚细胞位置（细胞质、细胞核、细胞溶质、染色质和外泌体）的定位 | 自然语言处理 | NA | RNA序列分析 | CNN, Transformer | RNA序列 | 基于RNALocate v2.0数据库构建的基准数据集，具体样本数量未明确说明 | NA | 卷积层, Transformer块, TextCNN | 准确率 | NA |
| 4423 | 2026-02-15 |
Transfer learning identifies bacterial signatures for cross-regional diagnosis of type 2 diabetes and enable stage-sensitive dietary fiber intervention
2025-Jun, iMetaOmics
DOI:10.1002/imo2.70021
PMID:41675159
|
研究论文 | 本文介绍了一个名为DeepMicroFinder的深度学习框架，用于通过迁移学习利用区域特异性微生物组数据集更新现有疾病诊断模型，以实现跨区域疾病检测 | 开发了DeepMicroFinder框架，有效克服了肠道微生物组区域效应的限制，实现了准确的跨区域疾病检测 | NA | 通过迁移学习识别2型糖尿病的细菌标志物，并实现跨区域诊断及阶段敏感的膳食纤维干预 | 2型糖尿病患者及其肠道微生物组 | 机器学习 | 2型糖尿病 | 微生物组测序 | 深度学习 | 微生物组数据 | NA | NA | NA | NA | NA |
| 4424 | 2026-02-15 |
Foundation model embeddings for quantitative tumor imaging biomarkers
2025-May-29, Research square
DOI:10.21203/rs.3.rs-6630446/v1
PMID:40502795
|
研究论文 | 本文通过构建TumorImagingBench基准测试，系统评估了十种医学影像基础模型在提取定量肿瘤影像生物标志物方面的性能 | 首次系统性地比较了不同架构和预训练策略的医学影像基础模型在定量肿瘤成像任务中的表现，并评估了其鲁棒性和可解释性 | 研究仅基于公开数据集（3,244个扫描），可能无法完全代表临床实践中的多样性 | 评估医学影像基础模型在提取可靠定量放射组学表型方面的能力 | 肿瘤影像数据 | 医学影像分析 | 癌症 | 深度学习 | 基础模型 | 医学影像扫描 | 3,244个扫描（来自六个公共数据集） | NA | 多种架构（2020-2025年间开发的十种不同模型） | 终点预测性能、鲁棒性、基于显著性的可解释性、嵌入表示相似性 | NA |
| 4425 | 2026-02-15 |
Multi-Image Fusion-Based Defect Detection Method for Real-Time Monitoring of Recoating in Ceramic Additive Manufacturing
2025-Feb, 3D printing and additive manufacturing
IF:2.3Q3
DOI:10.1089/3dp.2023.0285
PMID:40151680
|
研究论文 | 本文提出了一种基于多图像融合和深度学习的缺陷检测方法，用于陶瓷增材制造中实时监测涂覆缺陷 | 结合多图像融合与通道级YOLO（CW-YOLO）方法，通过图像校正技术将侧视涂覆图像转换为俯视图，并引入F1分数作为综合评价指标，显著提升了难以区分缺陷的检测性能 | NA | 开发一种实时监测陶瓷增材制造中涂覆缺陷的方法，以提高工艺稳定性 | 陶瓷增材制造中的涂覆缺陷，如材料短缺和划痕 | 计算机视觉 | NA | 多图像融合，图像校正技术 | YOLO | 图像 | NA | NA | CW-YOLO | F1分数，检测准确率，召回率 | NA |
| 4426 | 2026-02-15 |
A Computational Framework for Intraoperative Pupil Analysis in Cataract Surgery
2025 Jan-Feb, Ophthalmology science
IF:3.2Q1
DOI:10.1016/j.xops.2024.100597
PMID:39435136
|
研究论文 | 本研究开发并验证了一个用于白内障手术中瞳孔形态变化自动评估的计算框架 | 提出了一个结合张量小波特征提取、深度学习解剖结构分割和遮挡检测/补偿的三阶段计算框架，显著提升了瞳孔分割的准确性 | 研究为回顾性视频分析，样本量相对有限（240个手术视频），且未涉及所有类型的手术器械或复杂病例 | 开发一个可靠的计算框架，用于自动化评估白内障手术期间瞳孔的形态变化 | 白内障手术视频中的瞳孔、角膜缘和睑裂 | 计算机视觉 | 白内障 | 手术视频分析 | CNN | 视频 | 240个完整手术视频（190个未使用瞳孔扩张装置，50个使用瞳孔扩张装置），包含5700帧图像 | TensorFlow, PyTorch | Feature Pyramid Network, Visual Geometry Group 16 | Dice系数, 准确率, AUC | NA |
| 4427 | 2026-02-15 |
RETRACTED: N-Beats architecture for explainable forecasting of multi-dimensional poultry data
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0320979
PMID:40273069
|
研究论文 | 本研究提出了一种基于N-BEATS架构的新颖应用，用于多维度家禽数据预测，并通过集成可解释人工智能框架增强了可解释性 | 首次将N-BEATS架构应用于家禽数据预测，并集成了可解释人工智能框架以提高预测的透明度和可解释性 | 未提及具体的数据集规模或外部验证，可能限制了结果的泛化能力 | 优化家禽生产中的预测分析，以提升收入、资源利用效率和生产力 | 家禽疾病诊断相关的多维度数据，包括关键环境参数 | 机器学习 | 家禽疾病 | 时间序列建模 | N-BEATS | 多变量时间序列数据 | NA | NA | N-BEATS | MAE, RMSE, MSLE, R-squared, RMSLE | NA |
| 4428 | 2026-02-15 |
Robotic transesophageal echocardiography: system design and deep learning-based kinematic modeling
2025, Frontiers in robotics and AI
IF:2.9Q2
DOI:10.3389/frobt.2025.1705142
PMID:41675306
|
研究论文 | 本文介绍了一种机器人经食管超声心动图系统，通过改进机械设计和基于深度学习的运动学建模，复制了手动TEE程序中的所有基本自由度 | 采用基于LSTM单元的循环神经网络构建数据驱动的运动学模型，克服了连续体机械臂分析方法的根本限制，有效捕捉了死区、滞后和转向机制间的耦合效应 | NA | 开发一种能够适应仰卧位和左侧卧位患者位置、覆盖临床TEE全流程的机器人系统 | 经食管超声心动图探头及其机器人操控系统 | 机器人学 | 心血管疾病 | 经食管超声心动图 | LSTM | 姿态-命令同步数据对 | 42,000个在三种胃镜管配置（0°、45°、90°弯曲）下收集的数据对 | NA | 循环神经网络 | RMSE, 平均方向误差 | NA |
| 4429 | 2026-02-15 |
Predicting the growth of asymptomatic small abdominal aortic aneurysms (AAA) based on deep learning
2025, Frontiers in physiology
IF:3.2Q2
DOI:10.3389/fphys.2025.1704428
PMID:41676330
|
研究论文 | 本研究开发了一个端到端的深度学习框架，用于预测无症状小腹主动脉瘤的快速扩张 | 提出了一个结合ResNet50、YOLOv11和MedMamba的端到端深度学习框架，用于直接从CTA图像预测AAA生长，并通过多模态特征融合和可解释性分析增强了模型的临床适用性 | 样本量相对较小（仅81名患者），且研究为单中心回顾性设计，可能限制模型的泛化能力 | 预测无症状小腹主动脉瘤的快速扩张，以进行风险分层和个性化监测 | 81名无症状小腹主动脉瘤患者的CTA图像和临床数据 | 数字病理学 | 心血管疾病 | 计算机断层扫描血管造影 | CNN, 目标检测模型, 基于注意力机制的模型 | 图像 | 81名患者（30名快速生长，51名稳定） | NA | ResNet50, YOLOv11, MedMamba | 准确率, F1分数, 精确率-召回率 | NA |
| 4430 | 2026-02-15 |
Pep2TCR: Accurate prediction of CD4 T cell receptor binding specificity through transfer learning and ensemble approach
2024-Dec, iMetaOmics
DOI:10.1002/imo2.43
PMID:41676119
|
研究论文 | 本文介绍了一种名为Pep2TCR的先进深度学习模型，用于预测CD4 T细胞受体的结合特异性 | 通过迁移学习和集成方法，显著提升了在有限CD4 TCR数据下的预测准确性 | NA | 预测CD4 T细胞受体的结合特异性，以支持个性化癌症免疫疗法 | CD4 T细胞受体 | 机器学习 | 癌症 | NA | 深度学习 | NA | NA | NA | NA | NA | NA |
| 4431 | 2026-02-15 |
A penalized integrative deep neural network for variable selection among multiple omics datasets
2024-Sep, Quantitative biology (Beijing, China)
DOI:10.1002/qub2.51
PMID:41674850
|
研究论文 | 提出一种惩罚性集成深度神经网络（PIN），用于从多个组学数据集中同时选择重要变量 | PIN方法直接聚合多个数据集作为输入，并在集成分析框架中考虑数据集间的同质性和异质性，解决了现有方法在小样本或忽略数据集间变量结构差异时的不准确性问题 | 未明确提及具体局限性，但可能依赖于数据集的多样性和样本量 | 促进基于多源研究/数据集识别疾病相关重要变量 | 老年人的不同认知状态或卵巢癌患者不同阶段的基因表达数据集 | 机器学习 | 卵巢癌 | 基因表达分析 | 深度神经网络 | 组学数据 | 未明确指定具体样本数量，但涉及多个数据集 | 未指定 | 深度神经网络 | 未明确指定具体指标，但提及性能改进 | 未指定 |
| 4432 | 2026-02-15 |
CShaperApp: Segmenting and analyzing cellular morphologies of the developing Caenorhabditis elegans embryo
2024-Sep, Quantitative biology (Beijing, China)
DOI:10.1002/qub2.47
PMID:41674855
|
研究论文 | 本文介绍了一款名为CShaperApp的桌面软件，用于分割秀丽隐杆线虫胚胎发育过程中的荧光标记细胞膜图像并交互式分析细胞形态 | 开发了基于CShaper框架的交互式桌面软件，允许生物学家使用现有或微调的深度学习模型自动高效提取定量细胞形态数据，并验证了其跨实验室数据集的鲁棒性 | 未明确说明软件在极端图像条件（如低信噪比、高密度细胞）下的性能限制 | 加速发育生物学中系统级定量数据的高通量生成，支持细胞形态发育研究 | 秀丽隐杆线虫胚胎发育过程中的细胞 | 数字病理学 | NA | 荧光标记成像，三维延时（4D）成像 | 深度学习模型 | 荧光标记的细胞膜图像，三维图像堆栈 | 包含150个图像堆栈的4D数据集，覆盖从4细胞到350细胞阶段的胚胎发育过程 | 未明确说明 | 基于CShaper框架（具体架构未说明） | 处理时间（约30分钟处理完整4D数据集），鲁棒性验证 | 可在Windows、macOS和Linux操作系统上执行的桌面软件 |
| 4433 | 2026-02-15 |
A glimpse into the future: Integrating artificial intelligence for precision HER2-positive breast cancer management
2024-Sep, iMetaOmics
DOI:10.1002/imo2.19
PMID:41675540
|
综述 | 本文全面回顾了利用人工智能（AI）评估和管理HER2阳性乳腺癌的诊断与预测模型，并探讨了AI在抗HER2治疗中面临的挑战与未来方向 | 系统性地整合了基于组织病理切片、影像组学和HER2结合位点数据的AI模型，并提出了AI辅助抗HER2治疗未来发展的具体方向 | 文章为综述性研究，未涉及原始数据或新模型的实验验证，主要基于现有文献进行归纳分析 | 评估AI在HER2阳性乳腺癌精准管理中的应用现状与前景，促进AI辅助抗HER2治疗的临床整合 | HER2阳性乳腺癌患者 | 数字病理学 | 乳腺癌 | 组织病理学分析、影像组学、分子结合位点检测 | 深度学习模型 | 组织病理切片图像、医学影像数据、分子结合位点数据 | NA | NA | NA | NA | NA |
| 4434 | 2026-02-15 |
GCARDTI: Drug-target interaction prediction based on a hybrid mechanism in drug SELFIES
2024-Jun, Quantitative biology (Beijing, China)
DOI:10.1002/qub2.39
PMID:41676368
|
研究论文 | 提出一种基于卷积神经网络和图注意力网络的混合机制框架GCARDTI，用于预测药物与靶点之间的相互作用 | 首次将SELFIES分子表示方法引入药物-靶点相互作用预测，并设计混合神经网络架构以充分挖掘药物分子结构信息 | 未明确说明模型在跨数据集泛化能力方面的具体表现，也未讨论模型对新型药物分子的预测可靠性 | 提升药物-靶点相互作用预测的准确性，支持药物研发和重定位 | 药物分子与靶点蛋白质 | 机器学习 | NA | SELFIES分子表示 | CNN, GAT | 分子结构数据 | 两个不同数据集（具体数量未说明） | NA | 卷积神经网络与图注意力网络的混合架构 | 多种不同指标（具体名称未列出） | NA |
| 4435 | 2026-02-15 |
Deep learning for drug-drug interaction prediction: A comprehensive review
2024-Mar, Quantitative biology (Beijing, China)
DOI:10.1002/qub2.32
PMID:41676018
|
综述 | 本文全面回顾了基于深度学习的药物-药物相互作用预测方法，并将其分为四类进行总结与讨论 | 系统性地将近年来的深度学习方法归纳为四大类别（神经网络、图神经网络、知识图谱、多模态），并对比了深度学习与传统机器学习在DDI预测上的性能提升 | NA | 总结和评估基于深度学习的药物-药物相互作用预测方法，探讨现有挑战与未来方向 | 药物-药物相互作用预测方法 | 机器学习 | NA | 深度学习 | 神经网络, 图神经网络 | 多模态数据 | 大规模数据集 | NA | NA | NA | NA |
| 4436 | 2026-02-15 |
Advanced deep learning methods for molecular property prediction
2023-Dec, Quantitative biology (Beijing, China)
DOI:10.1002/qub2.23
PMID:41675536
|
综述 | 本文综述了分子性质预测中的分子表示、常用数据集以及先进的深度学习方法 | 总结了分子性质预测领域的最新深度学习网络（如图神经网络和基于Transformer的模型）和策略（如3D预训练、对比学习、多任务学习、迁移学习和元学习） | 指出了数据集缺乏、信息利用率低以及针对疾病特异性不足等关键问题 | 加速药物发现过程并降低其成本 | 分子性质预测 | 机器学习 | NA | NA | 图神经网络, Transformer | 分子数据 | NA | NA | NA | NA | NA |
| 4437 | 2026-02-15 |
Exploration on learning molecular docking with deep learning models
2023-Sep, Quantitative biology (Beijing, China)
DOI:10.15302/J-QB-022-0321
PMID:41675244
|
研究论文 | 本文提出并评估了一种结合深度学习与两种免费对接程序的虚拟筛选方法，用于快速高效地筛选超大型化合物库以获取多样化的潜在活性化合物 | 创新点在于将深度学习模型与免费对接程序结合，形成一种可显著降低计算成本且具有可转移性的策略 | NA | 研究目标是开发一种快速高效的虚拟筛选方法，用于从超大型化合物库中识别潜在活性化合物 | 研究对象是超大型化合物库中的化合物 | 机器学习 | NA | 分子对接 | 深度学习模型 | 化合物数据 | NA | NA | NA | NA | NA |
| 4438 | 2026-02-15 |
DeepRCI: predicting RNA-chromatin interactions via deep learning with multi-omics data
2023-Sep, Quantitative biology (Beijing, China)
DOI:10.15302/J-QB-022-0316
PMID:41675247
|
研究论文 | 本文提出了一种名为DeepRCI的可解释计算框架，用于预测RNA与染色质之间的相互作用 | 开发了一个高度可解释的深度学习框架，结合多组学数据来预测RNA-染色质相互作用 | NA | 识别不同类型RNA与染色质之间的相互作用，以研究基因调控机制 | 染色质相关RNA（caRNA）及其与染色质的相互作用 | 机器学习 | NA | 多组学数据 | 深度学习 | 多组学数据 | NA | NA | NA | NA | NA |
| 4439 | 2026-02-15 |
Pattern discovery of long non-coding RNAs associated with the herbal treatments in breast and prostate cancers
2023-Sep, Quantitative biology (Beijing, China)
DOI:10.15302/J-QB-023-0333
PMID:41675250
|
研究论文 | 本研究通过RNA-seq数据构建共表达网络，探索长链非编码RNA与草药治疗在乳腺癌和前列腺癌中的关联 | 首次系统性地研究了lncRNAs与草药治疗在癌症中的潜在关系，并应用深度学习模型预测癌症相关lncRNAs | 研究主要基于RNA-seq数据，未进行实验验证，且样本量未明确说明 | 识别lncRNAs与草药治疗在乳腺癌和前列腺癌中的关联 | 乳腺癌和前列腺癌的RNA-seq数据 | 自然语言处理 | 乳腺癌,前列腺癌 | RNA-seq | 深度学习 | RNA-seq数据 | NA | NA | NA | NA | NA |
| 4440 | 2026-02-15 |
DeepDrug: A general graph-based deep learning framework for drug-drug interactions and drug-target interactions prediction
2023-Sep, Quantitative biology (Beijing, China)
DOI:10.15302/J-QB-022-0320
PMID:41675249
|
研究论文 | 本文提出了一种名为DeepDrug的通用图基深度学习框架，用于预测药物-药物相互作用和药物-靶点相互作用 | DeepDrug在一个统一框架内同时处理药物-药物相互作用和药物-靶点相互作用预测问题，能够提取药物和靶蛋白的全面特征 | NA | 加速药物发现过程，通过计算预测药物-药物相互作用和药物-靶点相互作用 | 药物和靶蛋白 | 机器学习 | NA | NA | 图神经网络 | 图数据 | NA | NA | DeepDrug | NA | NA |