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 48024 篇文献，本页显示第 461 - 480 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 461 | 2026-08-12 |
Deep learning for predicting patient drug response by transferring gene-level and cell-level knowledge to tumors
2026-May-20, NPJ precision oncology
IF:6.8Q1
DOI:10.1038/s41698-026-01491-1
PMID:42162195
|
研究论文 | 提出THERAPI深度学习框架，通过将基因和细胞层面的知识迁移到肿瘤中，预测患者药物反应，以提高精准肿瘤学的预测准确性和可解释性 | 通过注意力聚合机制将患者肿瘤与细胞系对齐，建模肿瘤为细胞系的线性组合，并利用预训练的扰动和排名嵌入迁移基因和细胞层面的知识 | 摘要未提及具体局限性 | 解决患者级药物反应预测中临床数据稀缺和域转移问题，实现可泛化且可解释的药物反应预测 | 患者肿瘤样本和细胞系数据 | 深度学习、药物反应预测 | 癌症 | 深度学习、注意力机制 | 深度学习框架（THERAPI） | 基因表达数据和细胞系数据 | TCGA数据集及外部乳腺癌和结直肠癌队列 | NA | 注意力聚合网络 | NA | NA |
| 462 | 2026-08-12 |
A deep learning framework for scientific chart data extraction and reconstruction
2026-May-20, Communications engineering
DOI:10.1038/s44172-026-00691-8
PMID:42162368
|
研究论文 | 提出了ChartRecover，一个基于深度学习的框架，用于从科学图表中端到端提取和重构数据 | 引入坐标变换策略，通过坐标轴刻度对齐和自适应转换，将视觉像素坐标与真实数值对齐，实现跨多样图表类型的鲁棒性图形元素识别和数据重构 | 未明确提及具体限制，但可能面对图形异质性和噪声的挑战 | 推进科学图表的数据提取和重构，以提高研究透明度和可重复性 | 科学图表中的图形元素和数据 | 计算机视觉 | 不适用 | 深度学习 | 对象检测模型 | 科学图表图像 | 未明确 | 未明确 | 对象检测架构（如YOLO、Faster R-CNN等，未具体指定） | 通用性和高保真恢复性能，包括准确率等（未具体列出） | 未明确 |
| 463 | 2026-08-12 |
Importance of integrating biological sex and age analyses in health research
2026-05-12, Biology of sex differences
IF:4.9Q1
DOI:10.1186/s13293-026-00900-1
PMID:42116218
|
观点论文 | 本文讨论在健康研究中整合生物性别和年龄分析的重要性，并主张将其作为主要分析变量而非混杂因素 | 提出将性别和年龄作为主要分析变量而非混杂因素的观点，并强调在深度学习和人工智能分析大数据时此观点的重要性 | 未提及具体局限性 | 强调在健康研究中按性别和年龄进行数据分析和报告的必要性，以获取更准确的科学见解 | 人类、动物和细胞群体的研究数据 | 机器学习 | NA | NA | NA | 研究数据（未指定具体类型） | NA | NA | NA | NA | NA |
| 464 | 2026-08-12 |
Physics-Informed Machine Learning in Biomedical Science and Engineering
2026-May, Annual review of biomedical engineering
IF:12.8Q1
|
综述 | 本文综述了物理信息机器学习在生物医学科学与工程中的应用，重点介绍了物理信息神经网络、神经常微分方程和神经算子三类框架 | 系统性地回顾了PIML三类主要框架在生物医学领域的应用，并探讨了其与大型语言模型整合的未来方向 | 未提及具体局限性，但指出了包括不确定性量化、泛化性以及PIML与大型语言模型整合等开放挑战 | 旨在介绍物理信息机器学习作为生物医学系统建模的新范式，并概述其应用、挑战和未来方向 | 生物医学系统中的物理信息机器学习框架，包括PINNs、NODEs和NOs | 机器学习 | 不适用 | 不适用 | 物理信息神经网络, 神经常微分方程, 神经算子 | 不适用 | 不适用 | 不适用 | 不适用 | 不适用 | 不适用 |
| 465 | 2026-08-12 |
Beyond Diagnosis: A Systematic Review of Artificial Intelligence and Deep Learning in Monitoring Iron Overload and Organ Toxicity in Beta-Thalassemia
2026-May, Hemoglobin
IF:1.2Q4
DOI:10.1080/03630269.2026.2653733
PMID:42091230
|
系统综述 | 本系统综述评估了人工智能（AI）和深度学习（DL）在β-地中海贫血患者铁过载和器官毒性监测中的应用，重点关注基于MRI数据的分析和预测建模。 | 首次系统性地审查了AI和DL在β-地中海贫血中铁过载监测中的最新进展，强调其在严重铁过载情况下相比传统方法的优势。 | 纳入的研究多为回顾性、单中心研究，缺乏外部验证，导致高偏倚风险；存在标准报告和可解释性不足的问题。 | 评估AI和DL技术在监测β-地中海贫血患者铁过载和相关器官毒性中的当前证据，以确定其潜力和局限性。 | β-地中海贫血患者，重点研究肝脏和心脏的铁浓度及铁相关并发症。 | 机器学习 | β-地中海贫血 | MRI T2* 松弛测量法和R2*映射 | 深度学习模型 | MRI图像和临床数据 | 8项纳入研究 | 未指定 | 未指定（但涉及分割和预测的DL架构） | 分割准确性、观察者间变异性、严重铁过载时的性能表现 | 未说明 |
| 466 | 2026-08-12 |
Body Composition in the General Population: Whole-body MRI-derived Reference Curves from Over 66 000 Individuals
2026-May, Radiology
IF:12.1Q1
DOI:10.1148/radiol.251939
PMID:42084507
|
研究论文 | 本研究利用超过66,000名普通人群的全身MRI扫描数据，计算年龄、性别和身高标准化的身体成分Z分数，并评估其对心脏代谢结局的预后价值。 | 提供了基于全身MRI的大规模年龄、性别和身高特异性身体成分参考曲线，并开源了全自动深度学习框架和Z分数计算器，用于预测心脏代谢结局。 | 未明确列出具体局限性，但可能包括回顾性设计、数据来源的局限性或Z分数在临床应用中的验证不足。 | 计算普通人群的全身MRI衍生身体成分Z分数，并评估其对心脏代谢结局和死亡率的预后价值，超越传统风险因素。 | 超过66,000名普通人群个体，包括皮下脂肪组织、内脏脂肪组织、骨骼肌、骨骼肌脂肪分数和肌间脂肪组织。 | 医学影像、机器学习、数字病理 | 心血管疾病、糖尿病、老年疾病 | 全身MRI（磁共振成像） | 深度学习模型（具体类型未指定，但为全自动框架） | 医学影像数据（MRI）和临床数据 | 66,608名个体（平均年龄57.7岁，34,443名男性） | NA | NA | 风险比（hazard ratios） | NA |
| 467 | 2026-08-12 |
Development of Leading Enhancement Assistive Planning: A three-dimensional malocclusion classification system for orthodontic treatment with clear aligners
2026-04-21, Korean journal of orthodontics
IF:2.6Q1
DOI:10.4041/kjod25.214
PMID:42010948
|
研究论文 | 开发并验证了名为LEAP的深度学习系统，用于从三维口内扫描中自动进行错颌畸形分类，并集成到正畸计算机辅助设计工作流中，以支持临床诊断和治疗规划 | 提出了一种基于改进EfficientNet架构的三维卷积神经网络，采用层级分类结构实现主类和子类错颌畸形的同时预测，并可集成到正畸CAD软件中提供实时诊断反馈 | 文中未明确提及局限性 | 开发并验证用于正畸治疗中错颌畸形自动分类的人工智能辅助系统，并集成到CAD工作流中以支持临床诊断和治疗规划 | 841个匿名化的三维口内扫描数据，包含125种独特的多标签组合，涵盖4个主要类别和11个二元子类别 | 深度学习 | 错颌畸形 | 三维口内扫描 | 三维卷积神经网络（3D CNN） | 三维图像（STL格式网格数据，转换为体素网格） | 841个三维口内扫描 | NA | 改进的EfficientNet架构 | 准确率、精确率、召回率、F1分数 | 图形处理单元（GPU）加速，支持最高256×256×256分辨率的体素处理 |
| 468 | 2026-08-12 |
Risk prediction model of survival in patients with low-grade serous ovarian cancer: a multicenter Cohort study
2026-Apr-18, Journal of ovarian research
IF:3.8Q1
DOI:10.1186/s13048-026-02108-8
PMID:42001128
|
研究论文 | 本研究旨在开发并验证一个用于预测低级别浆液性卵巢癌患者复发和生存结局的风险预测模型，并以列线图形式可视化。 | 首次整合Cox回归和深度学习模型，针对LGSOC这一罕见亚型，预测性能优于传统FIGO分期系统，提供个性化预后评估。 | 研究为回顾性设计，样本量相对较小，模型仅通过内部验证，缺乏外部验证。 | 开发并验证预测LGSOC患者复发和生存结局的预测模型，并评估其优于FIGO分期的潜力。 | 155例低级别浆液性卵巢癌患者。 | 临床预测模型 | 低级别浆液性卵巢癌 | NA | Cox回归模型、深度学习模型 | 临床数据 | 155例患者 | NA | NA | AUC、校准曲线、C-index、NRI、IDI、Kaplan-Meier分析 | NA |
| 469 | 2026-08-12 |
[Expert consensus on optimizing the multidisciplinary clinical pathways and management models for pulmonary function testing]
2026-Apr-12, Zhonghua jie he he hu xi za zhi = Zhonghua jiehe he huxi zazhi = Chinese journal of tuberculosis and respiratory diseases
|
专家共识 | 本文旨在通过修改后的德尔菲法和系统文献综述，优化肺功能检查的多学科临床路径和管理模型，提出针对性的实施方案，以规范肺功能检查实践并加强全国范围内的多学科合作。 | 创新点在于利用信息技术（如HIS、AI辅助CT、云平台）和强化组织协调，提出了一套全面的优化路径，包括自动识别适用人群、标准化数据平台、AI质量控制与解读等。 | 未明确提及具体限制，但可能包括对资源和技术依赖较大，以及在不同医疗机构实施中的可行性挑战。 | 优化肺功能检查的多学科临床路径和管理模型，通过信息技术和组织协调，提高肺功能检查的利用率、标准化和效率。 | 肺功能检查的临床路径和管理，涉及目标人群识别、检查方式选择、部门职责、质量控制、数据共享等。 | 临床医学，多学科协作 | 慢性呼吸系统疾病（如COPD），肺功能异常 | 肺功能检查（包括肺量计、强迫振荡技术、肺弥散功能测试、6分钟步行试验等），AI辅助CT，修改后的德尔菲法，系统文献综述 | AI深度学习模型（用于质量控制与解读） | 临床数据、肺功能报告、影像数据（CT等），问卷数据 | 未指定具体样本量；涉及全国范围内的医疗机构和专家共识 | 未明确指定具体框架 | 未明确指定具体架构（提及AI深度学习模型） | 未明确指定具体指标，但涉及准确性、效率、可重复性等 | 未明确描述，但涉及信息平台、云存储等 |
| 470 | 2026-08-12 |
Multimodal artificial intelligence predicts PIK3CA mutation in breast cancer from digital pathology and clinical data: a multicenter study
2026-Apr-07, Cancer biology & medicine
IF:5.6Q1
|
研究论文 | 本研究开发了一个多模态深度学习框架，整合全切片图像和结构化临床数据，以预测乳腺癌中PIK3CA突变状态 | 通过融合组织病理学图像和临床数据的多模态方法，并利用transformer预训练编码器和聚类约束的多示例学习，提高了突变预测的准确性和泛化能力 | 外部验证队列的AUC值略低于训练集，多中心数据的异质性可能影响模型的稳定性 | 提高乳腺癌PIK3CA突变预测的准确性和可访问性，作为分子检测的替代方案 | 乳腺癌患者，包括TCGA队列（1047例）和3个外部中心的166例患者 | 数字病理学 | 乳腺癌 | 全切片成像（WSI） | Transformer、多示例学习（MIL）、XGBoost | 病理图像和结构化临床数据 | 1213例患者（TCGA 1047例，外部中心166例） | PyTorch | H-optimus-0、CLAM-SB MIL | AUC | NA |
| 471 | 2026-08-12 |
Structural instability in phenotype-oriented artificial intelligence: a conceptual perspective from a model system for primary care implementation
2026-Apr-03, Family practice
IF:2.4Q2
DOI:10.1093/fampra/cmag026
PMID:42154988
|
社论 | 本文基于对35项多模态深度学习研究的系统综合，探讨了面向表型的人工智能在初级保健中的结构不稳定性问题，并提出了KNOW框架以指导更安全的实施。 | 提出了四个支柱的KNOW框架，强调从架构中心基准转向表型主导开发，以解决跨背景稳健性问题。 | 基于编辑观点和有限的综合研究数量，数值作为分散性指标而非权威性能基准。 | 探讨面向非疾病表型（如衰弱、抑郁风险）的人工智能系统在初级保健中的结构稳定性问题，并提议更可靠的实施框架。 | 非疾病表型（如衰弱状态、抑郁风险概况、心脏代谢亚型、多维健康构念）及初级保健人群。 | 机器学习 | 非疾病表型，包括衰弱、抑郁风险、心脏代谢亚型 | 多模态深度学习 | 深度学习模型（具体类型未指定） | 多模态数据（具体类型未指定） | 35项深度学习研究 | NA | NA | 敏感性、特异性、I²值、准确性（预测区间） | NA |
| 472 | 2026-08-12 |
Predictive modeling of gene expression and localization of DNA binding site using deep convolutional neural networks
2026-Apr, PLoS computational biology
IF:3.8Q1
DOI:10.1371/journal.pcbi.1014092
PMID:41920894
|
研究论文 | 开发了深度卷积神经网络DARSI，利用大规模平行报告分析（MPRA）数据预测基因表达水平并定位DNA结合位点。 | 提出DARSI，一种基于卷积神经网络的框架，能够考虑调控序列中远距离碱基的相关性，直接预测基因表达水平并以单碱基分辨率识别转录因子结合位点，同时预测新型未映射的结合位点。 | 摘要中未提及明确的局限性。 | 利用深度学习提高MPRA数据的解读能力，实现调控序列的基因表达预测和转录因子结合位点定位。 | 调控DNA序列及其转录因子结合位点。 | 深度学习 | NA | 大规模平行报告分析（MPRA） | 卷积神经网络（CNN） | DNA序列数据 | 未明确说明样本数量 | NA | 卷积神经网络（CNN） | 准确性（通过基准数据库验证） | NA |
| 473 | 2026-08-12 |
Glaucomatous Remodeling of the Lamina Cribrosa: Association With Visual Field Progression
2026-04-01, Investigative ophthalmology & visual science
IF:5.0Q1
DOI:10.1167/iovs.67.4.3
PMID:41920143
|
研究论文 | 本研究探讨原发性开角型青光眼患者筛板深度和曲率变化速率与视野进展速率之间的关系 | 利用深度学习自动分割筛板表面，并首次纵向分析筛板重塑（深度和曲率变化）与视野进展速率的关联，发现年龄、眼压和角膜厚度对重塑程度有修饰作用 | 未在摘要中明确提及局限性 | 确定POAG患者筛板深度和曲率变化速率是否与视野进展速率相关 | 原发性开角型青光眼（POAG）患者的眼睛 | 医学影像分析 | 青光眼 | 光学相干断层扫描（OCT） | 深度学习模型（具体类型未指定） | OCT图像（径向B扫描） | 未明确给出具体样本量 | 未提及 | 未提及 | 未提及 | 未提及 |
| 474 | 2026-08-12 |
Development and validation of a deep learning model to predict visual and anatomical prognosis of anti-VEGF therapy for neovascular age-related macular degeneration (KongMing Study): a prospective, nationwide, multicentre study
2026-Apr, The Lancet. Digital health
DOI:10.1016/j.landig.2025.100971
PMID:41896127
|
研究论文 | 开发并验证了一个深度学习模型（KongMing模型），用于预测新生血管性年龄相关性黄斑变性患者接受抗VEGF治疗后的视觉和解剖预后 | 基于病灶感知、Transformer架构的多任务深度学习模型，首次实现同时预测抗VEGF治疗后多个时间点的视觉和解剖预后，并优于传统CNN模型和眼科医生 | 大部分患者来自中国三级转诊医院，可能影响普遍性；需要进一步外部验证 | 开发并验证一个能够预测nAMD患者抗VEGF治疗预后的深度学习模型 | 来自中国18家三级转诊医院的nAMD患者，共1226名参与者形成内部数据集，172名参与者形成外部数据集 | 深度学习 | 新生血管性年龄相关性黄斑变性 | 光学相干断层扫描（OCT）成像 | Transformer | OCT图像 | 内部数据集：29,772张OCT图像来自1226名参与者；外部数据集：3,308张OCT图像来自172名参与者；共1398名参与者 | NA | Structural-Attention Guided Therapeutic Response Predicting Model（基于Transformer的多任务架构） | AUC、准确率、敏感性、特异性、精确率、平均精确率、MAE、R²、SSIM | NA |
| 475 | 2026-08-12 |
High-throughput label-free assessment of sperm DNA fragmentation index via intelligent morphological imaging
2026-03-17, Lab on a chip
IF:6.1Q2
DOI:10.1039/d5lc01122a
PMID:41710949
|
research paper | 本文提出了一种基于智能形态学成像的高通量无标记精子DNA碎片指数（DFI）评估方法 | 首次将光流控时间拉伸定量相位成像与深度学习相结合，实现对精子DFI的无标记、高通量评估 | 未提及具体限制 | 开发一种智能、高通量、无标记的精子DFI评估方法，用于男性不育的临床诊断 | 人类精子细胞 | 计算机视觉 | 男性不育 | 光流控时间拉伸定量相位成像（OTS-QPI）流式细胞术 | 卷积神经网络（CNN） | 图像（强度图和相位图） | 31份临床精液样本，136070张图像 | NA | 卷积神经网络（具体架构未提及） | 准确率 | NA |
| 476 | 2026-08-12 |
Correction: Deep Learning-Based Pattern Recognition for Detecting Penile Abnormalities: Protocol for Developing a Mobile App for Circumcision Eligibility
2026-Mar-02, JMIR research protocols
IF:1.4Q3
DOI:10.2196/89351
PMID:41771058
|
更正 | 本文为关于使用深度学习模式识别检测阴茎异常以开发包皮环切术适用性移动应用的方案文章提供了更正 | NA | NA | 更正先前文章中的错误 | 先前发表的方案文章 | 计算机视觉 | 阴茎异常 | NA | 深度学习 | NA | NA | NA | NA | NA | NA |
| 477 | 2026-08-12 |
Letter to the editor: testing the generalizability of DeepPlantAllergy on challenging allergen prediction scenarios
2026-Mar-01, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbag149
PMID:41947418
|
评论 | 对DeepPlantAllergy模型在挑战性过敏原预测场景中的泛化能力进行测试，并对其数据集构建和评估方法提出改进建议 | 指出DeepPlantAllergy数据集构建中去除与过敏原序列同一性>20%的非过敏原可能导致性能评估过于乐观，并建议在测试集中保留具有挑战性的阴性样本，同时报告精确率-召回率指标 | 未提供具体实验数据，仅提出评估建议 | 评估DeepPlantAllergy模型在包含中等序列同一性非过敏原的真实筛查场景中的泛化性能 | 植物蛋白过敏原预测模型DeepPlantAllergy及其测试集 | 机器学习 | 过敏性疾病 | NA | 深度学习模型 | 蛋白质序列 | NA | NA | DeepPlantAllergy | ROC-AUC, 精确率-召回率曲线下面积 | NA |
| 478 | 2026-08-12 |
X-SPATIO: An Explanatory Deep Learning Pipeline for the Prediction and Visualization of Spatially Resolved Biomarker Expression in Triple-Negative Breast Cancer
2026-Feb-11, bioRxiv : the preprint server for biology
DOI:10.64898/2026.02.09.704587
PMID:41726881
|
研究论文 | 开发了一个名为X-SPATIO的可解释深度学习流水线，用于预测和可视化三阴性乳腺癌中空间分辨的生物标志物表达。 | 首次将H&E形态与空间转录组和蛋白质组数据直接关联，利用多实例学习生成空间形态注意力图，实现亚区域特异性的分子-形态关系预测。 | 受限于空间转录组/蛋白质组数据的成本、通量和可扩展性，且模型仅在TNBC中验证。 | 建立一种能够从常规H&E图像推断空间生物标志物表达的深度学习流水线，以支持TNBC的精准肿瘤学。 | 三阴性乳腺癌组织样本，包括肿瘤、基质和免疫区室。 | 数字病理学 | 三阴性乳腺癌 | 空间转录组和蛋白质组分析（GeoMx Digital Spatial Profiler） | 多实例学习 | H&E图像、空间转录组和蛋白质组数据 | 未提供具体样本数量 | 未指定 | 未指定 | AUC（取值区间[0.79, 0.97]） | 未指定 |
| 479 | 2026-08-12 |
[Expert consensus on the application of artificial intelligence in stomatology]
2026-Feb-09, Zhonghua kou qiang yi xue za zhi = Zhonghua kouqiang yixue zazhi = Chinese journal of stomatology
|
专家共识 | 本文为人工智能在口腔医学中应用的专家共识，综述了AI在疾病筛查、诊断辅助、治疗规划、预后预测和口腔教育等方面的应用，并提出了数据治理、平台建设、伦理和监管方面的建议 | 提出了一套针对口腔医学AI应用的核心技术路径和统一指导建议，涵盖数据治理、平台开发、伦理和监管要求 | 存在标准化数据治理缺乏、模型可解释性有限、隐私安全风险和临床验证不足等问题 | 为口腔医师、医疗机构、研究人员和行业利益相关者提供AI在口腔医疗中安全、规范、可持续发展的实践指导 | AI在口腔医学中的各种应用场景，包括龋病、牙髓病、牙周病、口腔黏膜病变和颌面创伤的管理 | 机器学习 | 口腔疾病 | NA | 深度学习 | 锥形束CT、口内扫描、电子健康记录数据 | NA | NA | NA | NA | NA |
| 480 | 2026-08-12 |
Fold-switching proteins push the boundaries of conformational ensemble prediction
2026-Jan-08, ArXiv
PMID:41542156
|
研究论文 | 本文聚焦于折叠转换蛋白，评估深度学习模型在预测其构象集合方面的表现，并指出模型常因与训练集结构关联而限制泛化能力 | 以折叠转换蛋白作为测试案例，揭示深度学习模型预测构象集合的局限性，并提出改进方向 | 未提供具体的实验数据或模型性能比较，仅基于观察提出观点 | 探究深度学习模型对折叠转换蛋白构象集合的预测能力及其泛化性 | 折叠转换蛋白 | 机器学习 | NA | 深度学习 | 深度学习模型 | 蛋白质构象数据 | NA | NA | NA | NA | NA |