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 47514 篇文献，本页显示第 4701 - 4720 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 4701 | 2026-06-04 |
ATOMIC: a graph attention network for atopic dermatitis prediction using human gut microbiome
2025, Frontiers in immunology
IF:5.7Q1
DOI:10.3389/fimmu.2025.1670993
PMID:41583462
|
研究论文 | 提出一种基于图注意力网络的模型ATOMIC，利用人类肠道微生物组预测特应性皮炎 | 首次将图注意力网络与微生物共表达网络结合，整合微生物基因组信息作为节点特征，增强了捕捉功能相关微生物模式的能力，并提供了可解释的注意力机制 | 研究样本量较小（99个样本），且仅聚焦于特应性皮炎，可能限制模型的泛化能力 | 开发可解释的深度学习模型，利用肠道微生物组预测特应性皮炎，并识别潜在生物标志物 | 特应性皮炎患者与健康对照的肠道微生物组样本 | 机器学习 | 特应性皮炎 | NA | 图注意力网络 (GAT) | 肠道微生物组丰度数据 | 99个成年患者与健康对照的肠道微生物组样本 | PyTorch | 图注意力网络 | AUROC, AUPRC | NA |
| 4702 | 2026-06-04 |
AI-driven transformation of precision medicine: a comprehensive narrative review of key application areas, emerging paradigms, and future directions
2025, Frontiers in public health
IF:3.0Q2
DOI:10.3389/fpubh.2025.1656603
PMID:41584179
|
综述 | 综合评述人工智能在精准医疗中推动范式转变的关键应用领域、新兴趋势和未来方向 | 全面分析AI如何重塑从传统诊疗向个性化健康管理生态的转变，并探讨共生AI等未来框架 | 证据基础不均衡、模型泛化性不足，以及数据隐私、算法公平性和可解释性等伦理问题 | 阐明AI驱动精准医疗转变的核心作用及未来发展方向 | AI技术在精准医疗全价值链中的创新应用 | 机器学习 | NA | 深度学习, 机器学习, 自然语言处理 | NA | 多模态数据 | NA | NA | NA | NA | NA |
| 4703 | 2026-06-04 |
Deep learning-based multimodal approach for non-invasive prediction and prognostic analysis of immune and angiogenic biomarkers in extrahepatic cholangiocarcinoma
2025, Frontiers in immunology
IF:5.7Q1
DOI:10.3389/fimmu.2025.1658122
PMID:41607783
|
research paper | 开发基于深度学习的多模态框架，整合MRI、临床和实验室数据，预测肝外胆管癌患者PD-L1和VEGF表达并进行预后分析 | 首次将深度学习特征、影像组学特征和临床-实验室特征通过重复注意机制整合，实现对肝外胆管癌免疫和血管生成生物标志物的无创预测 | 回顾性研究设计，样本量有限（96例），模型对PD-L1表达的预测性能中等（AUC=0.71），可能影响泛化能力 | 开发非侵入性方法预测肝外胆管癌患者的PD-L1和VEGF表达，并评估其预后价值 | 肝外胆管癌（eCCA）患者 | digital pathology | extrahepatic cholangiocarcinoma | MRI成像 | CNN | 图像 | 96例患者的16050张原始MRI图像（11505张T1WI，2371张T2WI，2372张DWI）和1570张含肿瘤图像（990张T1WI，289张T2WI，291张DWI） | PyTorch | 重复注意机制 | AUC | NA |
| 4704 | 2026-06-03 |
Solution-Tunable Interfacial Interaction Landscape Governs Anomalous Nanoparticle Diffusion in Liquid-Phase Electron Microscopy
2026-Jun-02, ACS nano
IF:15.8Q1
DOI:10.1021/acsnano.6c04149
PMID:42065132
|
研究论文 | 揭示液相透射电镜中聚乙二醇包覆金纳米棒在氮化硅膜附近的反常扩散机制，并通过调节离子环境实现从分数布朗运动到退火瞬态时间运动的可调转变 | 首次通过系统调控离子环境实现纳米颗粒表面扩散从分数布朗运动到退火瞬态时间运动的可调转变，并引入被动纳米流变学框架定量表征界面粘弹性力学响应 | 未提及该方法在复杂多组分体系中的适用性及长期稳定性 | 阐明液相透射电镜中纳米颗粒在液固界面处的反常扩散物理机制并实现可调控界面输运 | 聚乙二醇包覆金纳米棒在氮化硅膜附近液固界面的扩散行为 | 计算机视觉, 机器学习 | 不适用 | 液相透射电镜 | 深度学习分类模型 | 图像, 轨迹数据 | 不适用 | PyTorch | 不适用 | 不适用 | 不适用 |
| 4705 | 2026-06-03 |
P4NSU: Projection-Based Pretraining for Nonlinear Sparse Unmixing in Spectral Imaging
2026-Jun-02, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.6c00440
PMID:42145112
|
研究论文 | 提出一种基于投影预训练的深度学习框架P4NSU，用于解决光谱成像中的非线性稀疏解混问题 | 首次将层次化预训练与可学习投影相结合，将非线性解混转化为线性问题，显著降低整体均方根误差14-51% | 未提及模型对噪声或不同成像条件的鲁棒性测试，且潜在的计算开销未详细说明 | 提高光谱成像（如高光谱和拉曼成像）中成分定量分析的准确性，克服非线性混合效应 | 合成数据集（基于三种非线性模型）及真实数据集（颜料高光谱成像、白血病细胞拉曼成像） | 机器学习 | 白血病 | 高光谱成像，拉曼光谱成像 | 深度学习网络 | 光谱图像数据 | 三个合成数据集（未提供具体数量）及真实数据集（颜料样本和白血病细胞样本） | PyTorch | 层次化预训练网络，可学习特征投影层 | 均方根误差（RMSE），解混精度，自动化分类性能 | NA |
| 4706 | 2026-06-03 |
Deep Learning-Assisted Elucidation of Structure-Performance Relationships in MOF-NH3 Adsorption Refrigeration Working Pairs
2026-Jun-02, Langmuir : the ACS journal of surfaces and colloids
IF:3.7Q2
DOI:10.1021/acs.langmuir.6c00788
PMID:42142072
|
研究论文 | 通过深度学习揭示了MOF-NH3吸附制冷工作对的结构-性能关系 | 利用高通量计算构建包含9835种MOF结构的吸附数据库，并采用CNN模型提取深层特征，创新性地阐明了饱和氨条件下MOF的吸附机制 | 仅依赖模拟数据，缺乏实验验证；数据库规模和参数维度可能限制模型泛化能力 | 阐明MOF-NH3吸附制冷工作对的结构-性能关系，为低碳材料设计提供指导 | 9835种金属有机框架（MOF）结构及其氨吸附性能 | 机器学习 | NA | 高通量巨正则蒙特卡洛计算 | CNN | 数值数据 | 9835种MOF结构 | NA | CNN | R²分数 | NA |
| 4707 | 2026-06-03 |
A voyage on computer aided intelligent algorithms for the segmentation of brain tissues for neurodisorder diagnosis
2026-Jun-02, The International journal of neuroscience
DOI:10.1080/00207454.2026.2680936
PMID:42190614
|
综述 | 综述了从手动和半自动方法到机器学习和深度学习算法的大脑组织分割技术的进展 | 比较了监督、无监督和深度学习范式在临床环境中的优缺点和潜在用途，并提出了结合传统和AI方法的混合与集成方法 | 数据异质性、标注局限性和可解释性仍是挑战 | 推动大脑组织分割技术发展，促进神经疾病早期诊断、治疗规划和个性化医疗 | 大脑组织中的灰质、白质和脑脊液 | 计算机视觉 | 阿尔茨海默病、多发性硬化症、创伤性脑损伤、中风 | NA | 机器学习, 深度学习 | MRI, CT图像 | NA | NA | NA | NA | NA |
| 4708 | 2026-06-03 |
Deep Learning-Based Acoustic Screening for Penetration-Aspiration Events Using Short Voice Recordings
2026-Jun-02, Dysphagia
IF:2.2Q1
DOI:10.1007/s00455-026-10956-1
PMID:42228093
|
研究论文 | 评估基于智能手机的深度学习AI工具通过简短语音记录筛查吞咽后气道障碍的可行性 | 首次利用1.5秒简短语音记录和自编码器异常检测模型实现吞咽后穿透-误吸事件的声学筛查，无需复杂设备 | 独立测试集特异性较低（50.0%），且研究仅限于VFSS转诊患者，样本量相对较小 | 评估智能手机深度学习AI工具通过简短语音记录检测吞咽后气道障碍的可行性 | 接受视频荧光吞咽检查（VFSS）的患者的吞咽后语音记录 | 机器学习 | 吞咽障碍 | 智能手机录音 | 自编码器 | 语音 | 208名参与者 | NA | 自编码器 | 灵敏度, 特异度, 准确率, AUC | NA |
| 4709 | 2026-06-03 |
Recognition of Normal Fetal Echocardiograms Based on an Explainable Denoising Deep Learning Model
2026-Jun, Journal of clinical ultrasound : JCU
IF:1.2Q3
DOI:10.1002/jcu.70183
PMID:41546466
|
research paper | 提出一种可解释去噪深度学习模型GSCAViT用于分类正常胎儿超声心动图 | 集成新型去噪引导GSCA模块，提升图像质量和可解释性，利用SHAP方法澄清关键图像特征 | 局限性未在摘要中提及 | 评估GSCAViT模型在正常胎儿超声心动图分类中的性能 | 正常胎儿超声心动图 | computer vision | NA | AI | Vision Transformer | image | 2501张图像来自358次胎儿心脏超声检查 | NA | Grouped Shared Convolutional Attention Vision Transformer (GSCAViT) | accuracy, precision, recall, F1 score, contrast-to-noise ratio, peak signal-to-noise ratio | NA |
| 4710 | 2026-06-03 |
On scientific foundation models: Rigorous definitions, key applications, and a comprehensive survey
2026-Jun, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2026.108567
PMID:41547123
|
综述 | 本文对科学基础模型提供了严格定义、关键应用和全面综述 | 首次提出科学基础模型的严格定义，将其能力分为四个关键维度（域适应、域泛化、问题适应、问题泛化），并基于模型架构、学习目标和训练策略提出分类法 | 科学基础模型在极端外推情况下的物理一致性、可解释性和鲁棒性仍存在挑战，且计算需求大、缺乏标准化基准 | 为科学基础模型提供严格定义，分类总结现有模型，并指出开放研究方向 | 科学基础模型在化学、材料科学、生物学、气候与天气、地球观测、地球物理学、混沌动力学、机器人学与控制、核科学等领域的应用 | 机器学习 | NA | 大规模预训练 | 深度学习模型 | NA | NA | NA | NA | NA | NA |
| 4711 | 2026-06-03 |
A causal bidirectional selective state space model for imaging genetics in neurodegenerative diseases
2026-Jun, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2026.108587
PMID:41547121
|
research paper | 本文提出一种因果双向选择性状态空间模型（CausalMamba），用于神经退行性疾病的影像遗传学分析，实现从遗传数据到疾病诊断的因果推理与高效分类 | 首次将因果推断与双向选择性状态空间模型（BiMamba）结合，构建统一的表示学习框架，实现仅需遗传数据即可完成疾病诊断，并在模拟与真实数据集上验证了因果生物标志物的识别能力 | NA | 解决影像遗传学中长基因序列特征提取及遗传、影像与疾病间因果关联建立的挑战，提升神经退行性疾病诊断性能 | 阿尔茨海默病与帕金森病的遗传与脑影像数据 | machine learning | neurodegenerative diseases | 基因测序、脑影像 | 因果双向选择性状态空间模型（CausalMamba） | 遗传数据、脑影像数据 | 模拟数据集、ADNI数据集、PPMI数据集 | PyTorch | BiMamba | accuracy | NA |
| 4712 | 2026-01-25 |
Deep learning reconstruction enhances 1.5T MR angiography beyond 3T in vascular visualization for Moyamoya disease
2026-Jun, Japanese journal of radiology
IF:2.9Q2
DOI:10.1007/s11604-025-01945-9
PMID:41579320
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 4713 | 2026-01-28 |
Advancing personalized prognostic assessment in rectal cancer through multi-instance deep learning
2026-Jun, European radiology
IF:4.7Q1
DOI:10.1007/s00330-026-12340-x
PMID:41591473
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 4714 | 2026-06-03 |
Harnessing the power of artificial intelligence for clinical trials in cancer
2026-Jun, Expert review of anticancer therapy
IF:2.9Q2
DOI:10.1080/14737140.2026.2642221
PMID:41797434
|
综述 | 综述人工智能在肿瘤临床试验全生命周期中的应用，涵盖从设计、招募到数据管理和结果评估的各个环节 | 系统总结了AI（包括基础ML模型、高级DL和LLM系统）在肿瘤试验各个阶段的应用，并探讨了算法偏见、可解释性、问责制及监管等关键挑战 | 未提及具体局限性 | 总结AI如何提升肿瘤临床试验的效率、包容性和数据驱动性 | AI在肿瘤临床试验中的应用，包括Trial Pathfinder、TrialGPT和PRISM等工具 | 机器学习 | 癌症 | NA | 深度学习, 大语言模型 | 数字病理图像, 影像, 基因组测序数据 | NA | NA | NA | NA | NA |
| 4715 | 2026-06-03 |
Interpretable multi-modality consensus QSAR framework: integrating machine and deep learning for enhanced multi-endpoint toxicity assessment
2026-Jun, Toxicology mechanisms and methods
IF:2.8Q2
DOI:10.1080/15376516.2026.2643659
PMID:41839829
|
研究论文 | 开发一种可解释的多模态共识QSAR框架，集成机器学习和深度学习方法，用于增强多终点毒性评估 | 提出融合多种分子表征方法（多模态）与机器学习及深度学习的共识模型框架，并基于交叉验证AUC权重进行加权集成，显著提升毒性预测的鲁棒性和广谱适用性 | 未明确提及当前模型的局限性，但基于上下文可推断其对预测性能较差的终点可能仍存在优化空间 | 建立一种可靠、可解释的广谱毒性预测方法，用于多终点的化学品安全评估 | 30,160种独特化合物，涉及皮肤致敏、呼吸毒性、AMES致突变性、肝毒性、发育毒性、心脏毒性、药物肾毒性和神经毒性共8种毒性终点 | 机器学习, 深度学习 | NA | QSAR, 机器学习, 深度学习 | 机器学习模型, 深度学习模型 | 分子结构数据表征 | 30,160种化合物 | NA | NA | AUC, 平衡准确率(BACC) | NA |
| 4716 | 2026-06-03 |
Artificial intelligence in lymphedema: A systematic review of diagnostic and clinical applications
2026-Jun, Journal of plastic, reconstructive & aesthetic surgery : JPRAS
DOI:10.1016/j.bjps.2025.12.035
PMID:42068963
|
综述 | 系统评价人工智能在淋巴水肿诊断和临床管理中的应用 | 首次系统综述人工智能在淋巴水肿中的应用，涵盖诊断、风险预测、监测和手术规划等多方面 | 缺乏外部验证，研究方法异质性大，现有证据仍处于初步阶段 | 评估人工智能技术在淋巴水肿诊断和临床管理中的应用现状和效果 | 淋巴水肿患者，共8720名 | 机器学习 | 淋巴水肿 | 超声、CT、MRI、临床照片、3D成像 | 机器学习和深度学习模型 | 临床数据、影像数据 | 8720名患者 | NA | NA | AUC, 准确率, 相关系数 | NA |
| 4717 | 2026-06-03 |
Deep Learning-Based Cribriform Segmentation and Automated Olfactory Fossa Depth Estimation on Sinus CT
2026-Jun, International forum of allergy & rhinology
IF:7.2Q1
DOI:10.1002/alr.70180
PMID:42090234
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 4718 | 2026-06-03 |
Improving Vancomycin Therapeutic Drug Monitoring With a Deep Learning-Based Two-Compartment Predictive Model: Development and Validation Study
2026-Jun-01, JMIR AI
DOI:10.2196/81103
PMID:42224292
|
研究论文 | 提出基于深度学习的双室预测模型PKRNN-2CM，用于改善万古霉素治疗药物监测 | 首次将递归神经网络与双室药代动力学模型结合，提升万古霉素浓度预测精度 | 未提及具体局限性 | 通过深度学习模型优化万古霉素个体化剂量调整 | 万古霉素治疗药物监测中的药代动力学参数及浓度轨迹 | 机器学习 | 感染性疾病 | 电子健康记录数据分析 | 递归神经网络（RNN） | 时间序列电子健康记录数据 | 5483名患者的真实数据集 | PyTorch | PKRNN-2CM | 均方根误差（RMSE），AUC/MIC比值 | NA |
| 4719 | 2026-06-03 |
Development of autoencoder-guided attention-LSTM models for predicting nocturnal hypoglycemia risk in Type 1 Diabetes
2026-Jun-01, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2026.3698300
PMID:42224311
|
研究论文 | 开发一种结合自编码器引导注意力机制的LSTM模型，用于预测1型糖尿病患者的夜间低血糖风险 | 提出将生理知识（模拟葡萄糖吸收、胰岛素动力学和亚细胞胰岛素信号）融入注意力LSTM网络，并引入自编码器注意力权重映射框架实现模型可解释性 | 研究对象仅限于使用开放回路胰岛素泵的患者，数据集规模有限，外部验证仅使用单一队列（SMARTDIAB） | 开发一种可提前12小时预测夜间低血糖的深度学习模型，为1型糖尿病患者提供主动干预依据 | 1型糖尿病患者夜间低血糖事件 | 机器学习 | 1型糖尿病 | 持续血糖监测、胰岛素动力学模拟 | LSTM | 时间序列数据 | OhioT1DM数据集（开放回路泵用户）和SMARTDIAB外部验证集 | PyTorch | 注意力LSTM、自编码器 | AUC、召回率、特异性 | NA |
| 4720 | 2026-06-03 |
ConvShareViT: A Vision Transformer-Like Architecture for Free-Space Optical Accelerators
2026-Jun-01, IEEE transactions on neural networks and learning systems
IF:10.2Q1
DOI:10.1109/TNNLS.2026.3689450
PMID:42224321
|
研究论文 | 本文提出ConvShareViT，一种适配4f自由空间光学系统的视觉变换器类深度学习架构 | 用跨输入通道共享权重的深度卷积层替代多头自注意力和多层感知机中的线性层，实现光学系统中的高效推理加速 | 相同填充卷积在注意力学习方面存在局限性，表现类似常规CNN而非变换器模型 | 将视觉变换器架构适配到自由空间光学加速器，实现高速光学深度学习 | ConvShareViT架构在4f自由空间光学系统中的性能 | 机器学习 | NA | NA | 视觉变换器(ViT) | NA | 12个不同模型的实验 | NA | 卷积共享视觉变换器(ConvShareViT) | 注意力分数 | 基于GPU的系统（推理速度对比基准） |