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 42795 篇文献，本页显示第 4461 - 4480 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 4461 | 2026-02-11 |
Assessing the potential of deep learning for protein-ligand docking
2025-Aug-12, ArXiv
PMID:38827451
|
研究论文 | 本文介绍了PoseBench，首个用于蛋白质-配体对接的全面基准测试，旨在评估深度学习方法在预测蛋白质结构、多配体结合及未知结合口袋场景下的性能 | 首次系统研究深度学习方法在预测（apo）蛋白质结构、多配体并发结合及无先验结合口袋知识三种实际场景下的表现，并引入首个多配体基准数据集 | 深度学习方法在预测新颖蛋白质-配体结合构象时仍面临挑战，且在结构准确性与化学特异性之间难以平衡 | 评估深度学习方法在蛋白质-配体对接中的实际应用潜力，特别是在药物发现和酶设计等生物医学研究领域 | 蛋白质-配体对接方法，包括深度学习和传统算法 | 机器学习 | NA | 深度学习 | 深度学习模型 | 蛋白质结构数据，配体数据 | NA | NA | AlphaFold 3 | 结构准确性，化学特异性 | NA |
| 4462 | 2026-02-11 |
Multi-scale structural similarity embedding search across entire proteomes
2025-Mar-06, bioRxiv : the preprint server for biology
DOI:10.1101/2025.02.28.640875
PMID:40093062
|
研究论文 | 提出了一种可扩展的结构相似性搜索策略，用于处理大规模三维生物分子结构数据 | 利用蛋白质语言模型和深度神经网络将三维结构转换为固定长度向量，实现高效的大规模结构比较，并能泛化至全长多肽链和多聚体组装 | NA | 开发可扩展且高效的结构相似性搜索方法，以应对人工智能/深度学习预测带来的三维生物分子结构信息快速增长 | 实验确定的结构和AI/DL方法预测的计算结构模型 | 机器学习 | NA | 蛋白质语言模型, 深度神经网络 | 深度神经网络 | 三维结构数据 | NA | NA | NA | TM-score | NA |
| 4463 | 2026-02-11 |
Integrating blockchain technology with artificial intelligence for the diagnosis of tibial plateau fractures
2025-Feb-21, European journal of trauma and emergency surgery : official publication of the European Trauma Society
IF:1.9Q2
DOI:10.1007/s00068-025-02793-y
PMID:39984717
|
研究论文 | 本研究评估了整合区块链技术与人工智能的先进诊断模型在急诊环境中识别胫骨平台骨折的可行性和有效性 | 首次将区块链技术与深度学习结合，构建了一个用于胫骨平台骨折检测的分布式网络，实现了无需数据出院的模型训练和参数聚合 | 研究仅在三家独立医院收集图像进行训练和验证，样本来源和多样性可能有限 | 评估整合区块链与人工智能的模型在急诊环境中安全、协作诊断胫骨平台骨折的临床价值 | 胫骨平台骨折患者的医学影像 | 计算机视觉 | 骨科创伤 | 深度学习 | CNN | 图像 | 来自三家独立医院的影像数据，具体数量未明确说明 | NA | YOLOv8n | 准确率, 灵敏度, 特异性, F1分数, AUC | NA |
| 4464 | 2026-02-11 |
Impact of deep learning on pediatric elbow fracture detection: a systematic review and meta-analysis
2025-Feb-20, European journal of trauma and emergency surgery : official publication of the European Trauma Society
IF:1.9Q2
DOI:10.1007/s00068-025-02779-w
PMID:39976732
|
系统综述与荟萃分析 | 本研究系统评估了深度学习模型在检测儿童肘部骨折中的性能 | 首次对深度学习模型在儿童肘部骨折检测中的表现进行系统综述与荟萃分析，并强调了预处理技术和模型骨干架构对性能的影响 | 仅纳入了6项符合标准的研究，样本量有限，可能存在发表偏倚 | 评估深度学习模型在儿童肘部骨折检测中的诊断性能 | 0至16岁儿童的肘部骨折 | 计算机视觉 | 儿童肘部骨折 | 深度学习 | 深度学习模型 | 医学影像数据（如X光片） | NA | NA | ResNet | 灵敏度, 特异度, AUC | NA |
| 4465 | 2026-02-11 |
Retinal vascular alterations in cognitive impairment: A multicenter study in China
2025-Feb, Alzheimer's & dementia : the journal of the Alzheimer's Association
DOI:10.1002/alz.14593
PMID:39988572
|
研究论文 | 本研究通过多中心研究，利用深度学习模型分析认知障碍患者的视网膜血管变化，探索其作为认知功能下降生物标志物的潜力 | 首次在东亚三个地区（上海、香港、宁夏）开展多中心研究，利用VC-Net深度学习模型分割视网膜动静脉网络并提取36个血管特征，发现认知障碍患者血管结构显著改变 | 样本量相对较小（共440名参与者），需要更大规模队列验证，且未深入探讨潜在机制 | 研究认知障碍患者的视网膜血管变化，探索其作为阿尔茨海默病诊断生物标志物的可能性 | 轻度认知障碍（MCI）或阿尔茨海默病（AD）患者及健康对照者 | 数字病理学 | 阿尔茨海默病 | 视网膜成像 | 深度学习 | 图像 | 440名参与者（176名MCI/AD患者，264名对照） | NA | VC-Net | NA | NA |
| 4466 | 2026-02-11 |
Deep Learning-Based Detection of Reticular Pseudodrusen in Age-Related Macular Degeneration on Optical Coherence Tomography
2024-Sep-12, medRxiv : the preprint server for health sciences
DOI:10.1101/2024.09.11.24312817
PMID:39314940
|
研究论文 | 本研究开发了一种基于深度学习的模型，用于从光学相干断层扫描图像中自动检测和量化年龄相关性黄斑变性中的网状假性玻璃膜疣 | 开发的深度学习模型在分割网状假性玻璃膜疣方面，其与四位视网膜专家的共识一致性（DSC=0.76）甚至超过了专家之间的一致性（DSC=0.68），并在多个外部测试集上达到了专家级别的性能 | NA | 开发一个能够自动、可靠地检测和量化年龄相关性黄斑变性中网状假性玻璃膜疣的深度学习模型，以辅助临床管理 | 年龄相关性黄斑变性患者的视网膜光学相干断层扫描图像 | 数字病理学 | 年龄相关性黄斑变性 | 光学相干断层扫描 | 深度学习模型 | 图像 | 9,800张OCT B扫描图像用于模型开发，并在包含812名个体（1,017只眼）的五个外部测试数据集上进行验证 | NA | NA | Dice相似系数, 曲线下面积 | NA |
| 4467 | 2026-02-11 |
Analysis and Comparison of New-Born Calf Standing and Lying Time Based on Deep Learning
2024-04-29, Animals : an open access journal from MDPI
IF:2.7Q1
DOI:10.3390/ani14091324
PMID:38731328
|
研究论文 | 本研究提出了一种基于深度学习的计算机视觉方法，用于无创监测新生小牛的站立和躺卧行为，并分析其与健康状态的关系 | 采用多视角摄像头和YOLOv8n模型，实现了对小牛站立和躺卧行为的高精度、实时自动监测，并首次将自动测量的行为时间与腹泻等健康指标进行了关联分析 | 研究仅针对六头小牛进行了六天的监测，样本量较小，且未考虑其他可能影响行为的因素（如环境变化） | 通过自动监测小牛的站立和躺卧时间，评估其健康状态，以改善农场管理和动物福利 | 新生小牛（六头）的站立和躺卧行为 | 计算机视觉 | NA | 计算机视觉，行为监测 | YOLO | 视频 | 六头小牛，连续六天的监测数据 | NA | YOLOv8n | 平均精度均值，推理速度（帧每秒），最大时间估计误差 | NA |
| 4468 | 2026-02-11 |
Application of Deep Learning Algorithms Based on the Multilayer Y0L0v8 Neural Network to Identify Fungal Keratitis
2024, Sovremennye tekhnologii v meditsine
DOI:10.17691/stm2024.16.4.01
PMID:39881837
|
研究论文 | 本文开发了一种基于深度学习算法分析眼前段照片来诊断真菌性角膜炎的方法 | 应用多层Y0L0v8神经网络进行真菌性角膜炎的识别，这是一种新的深度学习算法应用 | NA | 开发一种诊断真菌性角膜炎的方法，并评估其敏感性和特异性 | 眼前段照片 | 计算机视觉 | 真菌性角膜炎 | 深度学习算法 | CNN | 图像 | NA | NA | 多层Y0L0v8神经网络 | 敏感性, 特异性 | NA |
| 4469 | 2026-02-11 |
Comparing Unet training with three different datasets to correct CBCT images for prostate radiotherapy dose calculations
2019-01-24, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/aaf496
PMID:30523998
|
研究论文 | 本研究评估了三种基于U-Net的深度学习校正方法，用于前列腺癌放疗剂量计算中CBCT图像的强度校正 | 首次使用单一U-Net架构，在三种不同数据集（CBCT投影、vCT图像切片、校正CBCT图像切片）上进行训练，并比较了它们在光子和质子剂量计算中的准确性 | 研究仅基于42名前列腺癌患者的数据，样本量有限；未对其他肿瘤类型或更复杂的放疗计划进行评估 | 评估不同深度学习校正方法对CBCT图像在放疗剂量计算中准确性的影响 | 42名前列腺癌患者的CT和CBCT成像数据 | 数字病理 | 前列腺癌 | 锥形束计算机断层扫描（CBCT）、可变形图像配准（DIR）、容积旋转调强放疗（VMAT）、质子笔形束扫描（PBS） | CNN | 图像 | 42名前列腺癌患者 | NA | U-Net | 平均误差（ME）、平均绝对误差（MAE）、剂量差异通过率、Gamma评估通过率、范围差异分布百分位数 | NA |
| 4470 | 2026-02-10 |
Optimized cortical EEG modeling for Parkinson disease diagnosis with snow Shepherd Stride tuning mechanism
2026-Dec, Cognitive neurodynamics
IF:3.1Q2
DOI:10.1007/s11571-025-10406-y
PMID:41657964
|
研究论文 | 本文提出了一种结合堆叠自编码器和MobileNet卷积块的CortiMoS-Net模型，用于从脑电图信号中准确诊断帕金森病，并引入了雪牧羊人步幅配置调优优化技术 | 提出CortiMoS-Net模型，结合堆叠自编码器和MobileNet卷积块进行深度皮层建模，并引入S3C-Tune混合优化技术以提升模型收敛性和参数优化 | 未明确说明模型在不同临床环境或多样化患者群体中的泛化能力，以及计算资源需求的具体细节 | 开发一种基于脑电图的帕金森病诊断模型，提高诊断准确性和鲁棒性 | 帕金森病患者的脑电图信号 | 数字病理学 | 帕金森病 | 脑电图分析 | 堆叠自编码器, CNN | 脑电图信号 | NA | NA | 堆叠自编码器, MobileNet | 准确率, 精确率, 召回率, F1分数, 错误率, 损失值 | NA |
| 4471 | 2026-02-10 |
Deep learning for automated 3D assessment of rotator cuff muscle atrophy and fat infiltration prior to total shoulder arthroplasty
2026-Mar, Journal of shoulder and elbow surgery
IF:2.9Q1
DOI:10.1016/j.jse.2025.07.025
PMID:40902715
|
研究论文 | 本研究开发了一种基于深度学习的模型，用于在肩部CT扫描上自动分割肩袖肌肉，并提出了体积肌肉萎缩的T评分分类方法 | 首次利用深度学习实现肩袖肌肉的自动三维分割，并引入T评分系统量化肌肉萎缩，同时定义了独特的萎缩表型、三维脂肪浸润百分比及前后平衡指标 | 研究样本主要来自特定患者群体（aTSA和rTSA），可能限制了结果的普适性；深度学习模型的性能依赖于CT图像质量 | 开发自动化工具以可靠评估肩袖肌肉萎缩和脂肪浸润，改善全肩关节置换术前的病理评估 | 肩袖肌肉（冈上肌、肩胛下肌、冈下肌、小圆肌） | 数字病理学 | 肩关节疾病 | 计算机断层扫描（CT） | 深度学习模型 | 三维CT图像 | 952例肩部CT扫描（762例健康对照，103例aTSA患者，87例rTSA患者） | NA | NA | T评分分类，三维脂肪浸润百分比，前后肌肉体积比，统计显著性（P值） | NA |
| 4472 | 2026-02-10 |
Artificial Intelligence and Machine Learning for Osteoarthritis and Cartilage Assessment
2026-Mar, Radiologic clinics of North America
IF:2.1Q2
DOI:10.1016/j.rcl.2025.09.001
PMID:41656050
|
综述 | 本文评估了人工智能和机器学习在骨关节炎和软骨评估中的应用，特别是在X光片和磁共振成像分析中的进展 | 综述了AI在骨关节炎诊断和管理中的最新应用，包括X光片分级与分割以及MRI序列优化、快速采集、去噪、软骨测量和评分系统等多个任务 | NA | 评估人工智能和机器学习在骨关节炎和软骨评估中的应用，以应对其复杂的病理生理学带来的诊断和管理挑战 | 骨关节炎患者的X光片和磁共振成像数据 | 数字病理学 | 骨关节炎 | X光成像, 磁共振成像 | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 4473 | 2026-02-10 |
High-Resolution MR Imaging of Elbow Ligament Injuries and Associated Impingement and Instability Syndromes
2026-Mar, Radiologic clinics of North America
IF:2.1Q2
DOI:10.1016/j.rcl.2025.09.005
PMID:41656056
|
综述 | 本文详细阐述了用于评估肘关节韧带损伤及相关撞击与不稳定综合征的高分辨率磁共振成像技术 | 强调了高场强磁体、专用表面线圈、三维成像和深度学习重建等先进技术在增强韧带结构可视化方面的应用 | NA | 评估肘关节韧带病变及相关不稳定和撞击综合征 | 肘关节韧带（内侧和外侧韧带复合体）及相关病理状态 | 数字病理学 | NA | 高分辨率磁共振成像，三维成像，深度学习重建 | NA | 磁共振图像 | NA | NA | NA | NA | NA |
| 4474 | 2026-02-10 |
Corrigendum to "Geometric evaluation of a deep learning method for segmentation of urinary OARs on magnetic resonance imaging for prostate cancer radiotherapy". [Clin. Transl. Radiat. Oncol. 56 (2026) 101091]
2026-Mar, Clinical and translational radiation oncology
IF:2.7Q2
DOI:10.1016/j.ctro.2025.101103
PMID:41657361
|
correction | 本文是对一篇关于深度学习在MRI图像中分割前列腺癌放疗相关危及器官（OARs）的几何评估研究的更正 | NA | NA | NA | NA | digital pathology | prostate cancer | magnetic resonance imaging | deep learning | image | NA | NA | NA | NA | NA |
| 4475 | 2026-02-10 |
DeepDBPI: DNA-Binding Protein Identifier Using a Deep Learning Model with Transformed Denoised Features
2026-Feb-09, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c02637
PMID:41566703
|
研究论文 | 本文提出了一种名为DeepDBPI的深度学习模型，用于预测DNA结合蛋白，通过结合多种新型描述符和去噪技术提升预测性能 | 开发了结合CC-PSSM、BP-PSSM、TRG-PSSM和FEGS等新型描述符的深度学习模型，并应用小波去噪算法处理序列特征，提高了DNA结合蛋白的预测准确性 | 未明确提及模型在更广泛数据集上的泛化能力或计算效率的具体限制 | 开发高效的深度学习模型以预测DNA结合蛋白，替代传统昂贵且耗时的湿实验方法 | DNA结合蛋白（DBPs） | 生物信息学 | NA | 小波去噪（WD）算法 | ResNet, LSTM, BiLSTM, RNN, BiRNN, BiGRU | 蛋白质序列数据 | NA | NA | ResNet, LSTM, BiLSTM, RNN, BiRNN, BiGRU | 准确率（ACC）、灵敏度（SN）、特异度（SP）、马修斯相关系数（MCC） | NA |
| 4476 | 2026-02-10 |
Attention-Guided Multiview Deep Learning Framework Uncovers miRNA-Drug Associations for Therapeutic Discovery
2026-Feb-09, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c02839
PMID:41592800
|
研究论文 | 本文提出了一种注意力引导的多视图深度学习框架（DLMVF），用于预测miRNA-药物关联，以促进治疗发现 | 该框架首次全面整合了miRNA和药物的多源信息，而非仅依赖已知的相互作用图数据，并通过视图级注意力机制自适应学习不同特征的重要性 | NA | 预测miRNA-药物关联，以支持基于miRNA的治疗方法开发 | miRNA和药物 | 机器学习 | 癌症 | 深度学习 | 注意力机制 | 多源信息（包括属性数据和相互作用数据） | 基于最新数据库手动构建的实验基准数据集 | NA | DLMVF（包含miRNA属性视图编码器、药物属性视图编码器和miRNA-药物相互作用编码器模块） | AUROC, AUPRC | NA |
| 4477 | 2026-02-10 |
CompBind: Complex Guided Pretraining-Based Structure-Free Protein-Ligand Affinity Prediction
2026-Feb-09, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c02451
PMID:41562952
|
研究论文 | 提出了一种名为CompBind的新型框架，用于仅使用蛋白质和配体序列预测结合亲和力，无需依赖实验解析的3D复合物结构 | 通过结合双向交叉注意力和双目标预训练策略，从现有复合物结构中学习潜在相互作用模式，实现仅从序列推断结合亲和力，解决了结构数据稀缺性问题 | 未明确说明模型对新型蛋白质-配体对或高度变异序列的泛化能力，也未讨论计算效率的具体数据 | 开发一种不依赖3D结构输入的蛋白质-配体结合亲和力预测方法，以加速药物发现流程 | 蛋白质-配体复合物及其结合亲和力 | 机器学习 | NA | 深度学习预训练 | 基于注意力机制的深度学习模型 | 蛋白质序列、配体序列、3D复合物结构（仅预训练用） | NA | NA | 双向交叉注意力架构 | 排名准确性（案例研究中） | NA |
| 4478 | 2026-02-10 |
NeuroTDPi: Interpretable Deep Learning Models with Multimodal Fusion for Identifying Neurotoxic Compounds
2026-Feb-09, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c02639
PMID:41609193
|
研究论文 | 本研究开发了一个名为NeuroTDPi的多层全连接深度神经网络模型，用于识别神经毒性化合物 | 采用多模态融合策略，整合分子表征与针对三个特定神经毒性终点的特征表示，并利用SHAP方法增强模型可解释性 | 未明确说明模型在外部验证集上的泛化性能或对未知化合物的预测能力 | 开发可解释的深度学习模型，用于早期预测化学神经毒性 | 神经毒性化合物 | 机器学习 | NA | 分子表征，多模态融合 | 深度神经网络 | 分子特征数据 | 未明确说明 | 未明确说明 | 多层全连接神经网络 | AUC | 未明确说明 |
| 4479 | 2026-02-10 |
Towards holistic phenotype prediction beyond genotypic data
2026-Feb-09, Journal of experimental botany
IF:5.6Q1
DOI:10.1093/jxb/erag068
PMID:41656352
|
综述 | 本文探讨了超越基因组数据整合多种数据类型以增强表型预测能力的潜力 | 提出了五种数据整合策略（消除、促进、聚合、纳入、调制），并系统综述了其在提升表型预测准确性和全面理解复杂生物系统中的应用 | 作为综述论文，未提供具体实验验证，且各策略的优缺点依赖于现有研究，可能缺乏统一评估标准 | 增强表型预测能力，超越传统基因组选择，实现更全面的生物系统理解 | 多种数据类型（如环境数据）及其在表型预测中的整合应用 | 机器学习 | NA | NA | CNN | 基因组数据、环境数据等多种数据类型 | NA | NA | 卷积神经网络 | NA | NA |
| 4480 | 2026-02-10 |
Cardiac MR function analysis with DL-based super resolution reconstruction: application in the clinical setting
2026-Feb-09, The international journal of cardiovascular imaging
DOI:10.1007/s10554-026-03642-8
PMID:41656477
|
研究论文 | 本研究评估了深度学习超分辨率重建在心脏磁共振成像中，与传统并行成像方法在容积测量、图像质量和采集时间方面的差异 | 首次将深度学习超分辨率重建算法应用于压缩感知加速采集的心脏磁共振图像，显著缩短了采集时间同时保持了图像质量和容积测量准确性 | 样本量较小（31例患者），且研究为回顾性设计，可能存在选择偏倚 | 评估深度学习超分辨率重建在心脏磁共振功能分析中的临床应用价值 | 31例接受心脏磁共振检查的患者，用于评估缺血性和非缺血性心肌病 | 数字病理学 | 心血管疾病 | 心脏磁共振成像，平衡稳态自由进动电影序列，并行成像，压缩感知 | 深度学习 | 医学图像 | 31例患者 | NA | NA | 相关系数，平均差异，一致性界限，p值 | 1.5T Philips Ingenia MRI扫描仪 |