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 42805 篇文献，本页显示第 4521 - 4540 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 4521 | 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 |
| 4522 | 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 |
| 4523 | 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 |
| 4524 | 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 |
| 4525 | 2026-02-10 |
Development of a lightweight deep learning model for accurate assessment of liver fibrosis in biliary atresia
2026-Feb-09, Pediatric surgery international
IF:1.5Q3
DOI:10.1007/s00383-026-06296-8
PMID:41661334
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 4526 | 2026-02-10 |
PCOSFusionNet: Hybrid Deep Feature Fusion Network for PCOS Classification from Ultrasound Images of Ovaries
2026-Feb-08, Ultrasonic imaging
IF:2.5Q2
DOI:10.1177/01617346261416509
PMID:41655150
|
研究论文 | 本文提出了一种名为PCOSFusionNet的混合深度特征融合网络，用于从卵巢超声图像中自动分类多囊卵巢综合征（PCOS） | 提出了一种结合手工特征（HOG）与深度学习全局特征（VGG19）的混合特征融合模型，并应用CLAHE进行图像增强，以提升PCOS分类的准确性 | 未明确讨论模型在临床环境中的泛化能力或对不同超声设备图像的适应性 | 提高PCOS超声图像自动分类的准确性和可靠性，辅助临床诊断 | 卵巢超声图像 | 计算机视觉 | 多囊卵巢综合征 | 超声成像 | CNN | 图像 | 两个公开数据集：数据集1包含3856张超声图像，数据集2包含12680张超声图像 | NA | VGG19 | 准确率, 精确率, 召回率, F1分数 | NA |
| 4527 | 2026-02-10 |
A Multimodal Fusion Model of Radiomics and Deep Learning Integrating the Tumor Microenvironment Accurately Predicts Pathological Complete Response in Breast Cancer
2026-Feb-07, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2026.01.016
PMID:41656135
|
研究论文 | 本研究开发了一种融合瘤内影像组学、瘤周特征和深度学习模式的多模态模型，用于预测乳腺癌新辅助化疗后的病理完全缓解 | 首次将瘤周微环境（9毫米扩展区域）的特征整合到多模态预测模型中，以捕捉肿瘤-微环境的相互作用，从而提高了预测准确性 | 尽管模型性能优越，但与结合了深度学习和瘤内特征的模型相比，其改进未达到统计学显著性 | 提高乳腺癌新辅助化疗后病理完全缓解的预测准确性，为个性化治疗决策提供工具 | 乳腺癌患者 | 数字病理学 | 乳腺癌 | MRI | 逻辑回归 | 图像 | 内部验证队列929例（来自I-SPY2试验），外部独立验证队列95例 | Scikit-learn | NA | AUC, 敏感性 | NA |
| 4528 | 2026-02-10 |
Learner-Centered Microbiology Teaching via the Flipped Classroom Model: Insights from a Mixed-Methods Educational Study
2026-Feb-06, Annals of African medicine
IF:0.6Q3
DOI:10.4103/aam.aam_597_25
PMID:41656482
|
研究论文 | 本研究通过混合方法探讨了翻转课堂模型在第二阶段医学微生物学教学中的应用效果 | 在医学微生物学教育中系统实施并评估翻转课堂模型，结合定量与定性方法分析学生和教师的体验 | 研究样本规模较小（75名学生和8名教师），且仅在单一教学医院进行，可能限制结果的普适性 | 评估翻转课堂模型在医学微生物学教学中的实施效果、学生感知和教师视角 | 第二阶段MBBS学生和微生物学教师 | 医学教育 | NA | 翻转课堂教学法 | NA | 问卷调查数据、焦点小组讨论记录、教师访谈记录 | 75名学生和8名教师 | NA | NA | 百分比统计、主题分析 | NA |
| 4529 | 2025-07-15 |
Auxiliary diagnosis of hyperpigmented skin diseases using multimodal deep learning
2026-Feb-05, Chinese medical journal
IF:7.5Q1
DOI:10.1097/CM9.0000000000003637
PMID:40653928
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 4530 | 2026-02-10 |
DisSubFormer: A subgraph transformer model for disease subgraph representation and comorbidity prediction
2026-Feb-03, Computational biology and chemistry
IF:2.6Q2
|
研究论文 | 提出了一种名为DisSubFormer的子图Transformer模型，用于疾病子图表示学习和共病预测 | 通过整合PPI网络的结构模式和GO层次祖先信息，学习统一的蛋白质表示，并引入可学习的多头注意力机制，以子图到子图的注意力替代全图注意力，提高可扩展性和相关性 | 未明确提及模型的局限性 | 研究疾病共病关系并预测共病 | 疾病子图和共病数据集 | 机器学习 | 共病 | 图深度学习，Transformer模型 | Transformer | 图数据 | NA | NA | DisSubFormer | AUROC | NA |
| 4531 | 2026-02-10 |
DeepVBM: A fully automatic and efficient voxel-based morphometry via deep learning-based segmentation and registration methods
2026-Feb-02, Magnetic resonance imaging
IF:2.1Q2
DOI:10.1016/j.mri.2026.110637
PMID:41638266
|
研究论文 | 本研究提出了一种基于深度学习的全自动体素形态测量方法DeepVBM，通过融合分割和配准技术，显著提高了大规模神经影像数据分析的效率 | 开发了FuseMorph配准方法，通过迭代推理和参数搜索优化预训练模型的零样本预测，无需完整反向传播或模型重训练，在仅CPU环境下实现高精度配准 | 未明确说明方法在其他神经退行性疾病或不同MRI协议下的泛化能力，且可能依赖于特定预训练模型 | 开发一个高效、自动化的体素形态测量流程，以促进大规模多中心神经影像研究 | T1加权磁共振成像数据，特别是阿尔茨海默病队列的脑部结构 | 医学影像分析 | 阿尔茨海默病 | T1加权磁共振成像 | 深度学习模型 | 图像 | 多个数据集，包括一个阿尔茨海默病队列 | 未明确指定 | 未明确指定 | 配准精度 | 仅CPU环境 |
| 4532 | 2026-02-10 |
Deep learning-enhanced zero echo time silent brain magnetic resonance imaging in infants without sedation
2026-Feb, Pediatric radiology
IF:2.1Q2
DOI:10.1007/s00247-025-06413-0
PMID:41219520
|
研究论文 | 本研究评估了基于深度学习的重建技术对零回波时间（ZTE）婴儿脑部磁共振成像图像质量的影响，并与传统镇静下的MRI进行了比较 | 首次将深度学习重建应用于婴儿无镇静的ZTE脑部MRI，显著提升了图像质量，并验证了其与镇静下常规MRI的可比性 | 研究为回顾性设计，样本量相对有限（78名婴儿），且未评估长期临床影响 | 评估深度学习重建在提升无镇静婴儿脑部ZTE MRI图像质量方面的效果，以减少镇静需求 | 婴儿（孕后年龄≤16个月）的脑部磁共振成像 | 医学影像 | 婴儿脑部疾病 | 磁共振成像（MRI），包括零回波时间（ZTE）序列和3D T1加权磁化准备快速梯度回波（MPRAGE）序列 | 深度学习（DL） | 磁共振图像 | 78名婴儿 | NA | NA | 图像质量评分（5点Likert量表），信号均匀性（变异系数），病变显著性，组间差异分析（Mann-Whitney U检验），评分者间一致性（Cohen's kappa系数） | NA |
| 4533 | 2026-02-10 |
The regulatory code of injury-responsive enhancers enables precision cell-state targeting in the CNS
2026-Feb, Nature neuroscience
IF:21.2Q1
DOI:10.1038/s41593-025-02131-w
PMID:41331142
|
研究论文 | 本研究通过单核转录组学和染色质可及性分析，解码了哺乳动物中枢神经系统损伤响应增强子的调控编码，并利用深度学习模型揭示其细胞类型特异性，最终通过体内增强子筛选展示了其在靶向治疗中的应用潜力 | 首次系统性地解码了中枢神经系统损伤响应增强子的调控原则，结合深度学习模型揭示了其整合通用刺激响应元件与细胞身份程序的架构，并成功应用于靶向疾病相关细胞状态的基因递送载体设计 | 研究主要基于小鼠脊髓挫伤模型，结果在人类或其他损伤模型中的普适性有待验证；深度学习模型的解释性可能有限 | 探究损伤诱导的转录程序如何编码于哺乳动物中枢神经系统的增强子中，并开发靶向疾病相关细胞状态的精准治疗策略 | 小鼠脊髓挫伤后的细胞类型特异性增强子，特别是胶质细胞中的损伤响应增强子 | 计算生物学 | 中枢神经系统损伤 | 单核转录组学，染色质可及性分析，深度学习，体内增强子筛选 | 深度学习模型 | 转录组数据，染色质可及性数据 | 数千个小鼠脊髓损伤后的细胞类型特异性增强子 | NA | NA | NA | NA |
| 4534 | 2026-02-10 |
Artificial intelligence assistance narrows the experience gap in endoscopic reporting of gastric lesions: a prospective clinical trial
2026-Feb, Surgical endoscopy
DOI:10.1007/s00464-025-12410-z
PMID:41345528
|
研究论文 | 本研究验证了一种人工智能辅助报告系统在提高胃部病变内镜报告质量方面的临床效果，特别关注缩小内镜医师间的经验差距 | 开发并验证了一个集成多个深度学习模型的人工智能报告系统，专门用于胃部病变的检测、分类和特征识别，并通过前瞻性临床试验证明其能显著提高报告完整性，尤其是在识别可疑肿瘤方面 | 研究样本量相对有限（276个视频片段），且主要聚焦于胃部病变，未涉及其他消化道部位 | 验证人工智能报告系统在改善胃部病变内镜文档质量方面的有效性，并缩小不同经验水平内镜医师间的报告差距 | 胃部病变的内镜图像和视频 | 计算机视觉 | 胃部病变 | 内镜成像 | 深度学习模型 | 图像, 视频 | 276个视频片段用于系统验证 | NA | NA | 准确率, 灵敏度, 特异性 | NA |
| 4535 | 2026-02-10 |
Validation of a deep learning-based AI model for breast cancer risk stratification in postmenopausal ER+/HER2-breast cancer patients
2026-Feb, Breast (Edinburgh, Scotland)
DOI:10.1016/j.breast.2025.104671
PMID:41380230
|
研究论文 | 本研究验证了一种基于深度学习的AI模型（Stratipath）在绝经后ER+/HER2-乳腺癌患者中进行风险分层的预后价值，并与传统的诺丁汉组织学分级系统进行比较 | 提出并验证了一种深度学习模型，用于乳腺癌风险分层，旨在解决传统NHG系统存在的观察者间变异性和中间风险组患者比例过高的问题，从而可能实现更个体化的治疗规划 | 研究结论指出，需要对Stratipath风险组2和3在治疗策略中的临床获益进行进一步的前瞻性验证 | 验证Stratipath深度学习AI模型在乳腺癌风险分层中的预后价值，并与广泛使用的诺丁汉组织学分级系统进行比较 | 2466名绝经后、ER阳性/HER2阴性、且根据当时指南未接受化疗的乳腺癌患者 | 数字病理学 | 乳腺癌 | 深度学习 | 深度学习模型 | 临床数据 | 2466名患者 | NA | Stratipath模型 | 一致性指数, 风险比 | NA |
| 4536 | 2026-02-10 |
Multiscale segmentation using hierarchical phase-contrast tomography and deep learning
2026-Feb, PLoS computational biology
IF:3.8Q1
DOI:10.1371/journal.pcbi.1013923
PMID:41628266
|
研究论文 | 本文提出了一种结合分层相衬断层扫描（HiP-CT）和深度学习的多尺度生物医学图像分割流程，用于分割人类肾脏中的肾小球 | 利用HiP-CT生成多尺度3D数据集，并开发了一个深度学习分割流程，通过高分辨率手动标注数据训练模型，再使用伪标签和图像配准技术扩展到低分辨率全器官扫描，实现了跨尺度的信息整合 | 研究仅以人类肾脏中的肾小球作为案例，其更广泛的器官系统适用性有待进一步验证 | 开发一个有效的多尺度生物医学图像分割方法，以捕捉和分析完整人体器官中的微小功能单元 | 人类肾脏中的肾小球 | 数字病理学 | NA | 分层相衬断层扫描（HiP-CT） | 3D深度学习模型 | 3D图像 | 四个人类肾脏的高分辨率感兴趣体积（VOIs）数据集，以及两个低分辨率全器官数据集 | NA | nnUNet | Dice系数 | NA |
| 4537 | 2026-02-10 |
Digital Biomarkers for Precision Early Detection of Lung Cancer: Integrating AI-Driven Multi-Omics Into Clinical Pathways
2026-Feb, Cancer medicine
IF:2.9Q2
DOI:10.1002/cam4.71578
PMID:41645653
|
综述 | 本文系统评估了用于肺癌早期检测的数字生物标志物，并探讨了人工智能在多组学数据整合分析中的应用 | 整合人工智能驱动的多组学方法，提出用于肺癌早期检测的数字生物标志物，并探讨其在临床路径中的应用潜力 | 存在多中心数据异质性、模型可解释性有限、监管与成本效益挑战以及前瞻性队列验证不足等临床转化障碍 | 评估肺癌早期检测的生物标志物，并探索人工智能在多组学数据整合及临床决策支持中的应用 | 肺癌早期检测相关的多组学生物标志物及人工智能分析方法 | 数字病理学 | 肺癌 | 多组学技术（包括基因组学、表观基因组学、转录组学、蛋白质组学、代谢组学和微生物组学） | 机器学习,深度学习 | 多组学数据 | NA | NA | NA | NA | NA |
| 4538 | 2026-02-10 |
Evaluation of the Diagnostic Accuracy of Cervical Cell Morphologies from Android Device-Captured Cytopathological Microscopic Images through Artificial Intelligence in Mainly Rural or Resource-Constraint Areas of India
2026-Feb-01, Asian Pacific journal of cancer prevention : APJCP
DOI:10.31557/APJCP.2026.27.2.601
PMID:41660918
|
研究论文 | 本研究开发并评估了一款基于Android设备捕获的细胞病理学显微图像的人工智能软件，用于自动检测和分类宫颈细胞形态，以在印度农村或资源受限地区实现高效、低成本的宫颈癌诊断 | 开发了一个集成系统，利用Android手机或平板拍摄的显微图像，结合深度学习与机器学习模型，在资源受限环境下实现宫颈细胞形态的自动分析与分类 | 研究仅基于292张医院内部Pap涂片图像，样本量相对较小，且主要来自单一机构（CliniMed LifeSciences, Kolkata），可能影响模型的泛化能力 | 开发并评估一款人工智能软件，用于自动检测和分类宫颈细胞形态，以在资源受限地区实现宫颈癌的快速、经济诊断 | 宫颈细胞形态，通过Android设备捕获的Pap涂片显微图像 | 数字病理学 | 宫颈癌 | 细胞病理学显微成像，Pap涂片 | 深度学习模型，机器学习模型 | 图像 | 292张医院内部Pap涂片图像，并使用了SipakMed和Herlev公共数据集进行验证 | NA | NA | Intersection-over-Union（IoU），准确率 | NA |
| 4539 | 2026-02-10 |
Artificial intelligence for schizophrenia: from unimodal prediction to multimodal characterization
2026-Jan-20, Current opinion in psychiatry
IF:7.5Q1
DOI:10.1097/YCO.0000000000001076
PMID:41661188
|
综述 | 本文综述了人工智能在精神分裂症研究中的应用进展，重点介绍了从单模态预测向多模态表征的转变趋势 | 强调了从单一数据模态预测向多模态融合表征的转变，并探讨了利用大规模多模态数据集、基础模型和可解释性方法进行症状评估和生物标志物识别的新兴主题 | 将人工智能模型转化为临床工具需要关注患者隐私、数据偏见，并在不同人群和环境中进行严格验证 | 综述人工智能在精神分裂症的诊断、治疗、管理和表征方面的应用进展 | 精神分裂症患者 | 机器学习 | 精神分裂症 | NA | 机器学习, 深度学习 | 神经影像, 电生理学, 电子健康记录, 基因组数据 | NA | NA | NA | NA | NA |
| 4540 | 2026-02-10 |
Visual perception based deep learning transformers for classifying paintings and photographs through feature extraction
2026-Jan-16, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-36298-4
PMID:41545578
|
研究论文 | 本研究应用视觉变换器（ViT）对绘画与摄影图像进行分类，通过特征提取实现高精度识别 | 首次将Vision Transformer（ViT）架构应用于艺术作品分类任务，并引入Grad-CAM增强模型可解释性，在标准数据集上达到95%的分类准确率，优于传统CNN、VGG19和DenseNet模型 | 仅使用标准数据集进行验证，未在更广泛的艺术风格或跨文化图像上进行测试；未讨论模型对低质量或部分损坏图像的鲁棒性 | 开发基于深度学习的自动图像分类系统，区分人类绘画作品与摄影照片 | 数字图像（绘画作品与摄影照片） | 计算机视觉 | NA | NA | Transformer, CNN | 图像 | 标准数据集（具体数量未说明） | NA | Vision Transformer (ViT), DenseNet, CNN, VGG19 | 准确率 | NA |