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 43760 篇文献，本页显示第 521 - 540 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 521 | 2026-04-24 |
Multimodal deep learning for anomaly detection in urban infrastructure networks: improving the resilience of public management systems
2026-Apr-22, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-50189-8
PMID:42020538
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 522 | 2026-04-24 |
DeepFAN, a transformer-based model for human-artificial intelligence collaborative assessment of incidental pulmonary nodules in CT scans: a multireader, multicase trial
2026-Apr-22, Nature cancer
IF:23.5Q1
DOI:10.1038/s43018-026-01147-w
PMID:42020549
|
研究论文 | 提出一种基于Transformer的深度学习模型DeepFAN，用于CT扫描中偶发性肺结节的良恶性分类，并通过多读者、多病例临床试验验证其辅助初级放射科医生诊断的效果 | 首次提出全局与局部特征融合的Transformer模型；基于超过10,000个病理确认结节的大规模训练；通过多读者、多病例临床试验验证临床效能 | 未提及对高度恶性或特殊类型结节的表现；模型仅辅助初级医生，未评估对资深医师的影响 | 开发并验证一种能辅助初级放射科医生提高肺结节诊断准确性和一致性的深度学习模型 | CT扫描中偶发性肺结节的良恶性分类 | 计算机视觉 | 肺癌 | CT扫描 | Transformer | 图像 | 训练集超过10,000个病理确认结节；临床试验包含400例来自3家独立医疗机构 | PyTorch | Transformer | AUC, 准确率, 敏感度, 特异度 | NA |
| 523 | 2026-04-24 |
3D foundation model for generalizable disease detection in head computed tomography
2026-Apr-22, Nature biomedical engineering
IF:26.8Q1
DOI:10.1038/s41551-026-01668-w
PMID:42020556
|
研究论文 | 提出一种用于头部CT的3D基础模型FM-HCT，通过自监督学习实现可泛化的疾病检测 | 首次在大规模未标注头部CT数据上采用自监督学习训练3D基础模型，克服了标注数据稀缺的挑战 | 未提及具体局限性 | 开发一种可泛化的疾病检测基础模型，提升头部CT影像中各类疾病的检测性能 | 头部CT影像中的多种疾病，包括脑部、颅骨和脑血管系统病变 | 计算机视觉 | 脑血管疾病 | CT成像 | 自监督学习基础模型 | 3D医学图像 | 361,663个非增强3D头部CT扫描 | NA | NA | NA | NA |
| 524 | 2026-04-24 |
Edge-enabled IoT framework for real-time tobacco quality monitoring
2026-Apr-22, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-47038-z
PMID:42020563
|
研究论文 | 提出了一种基于物联网和边缘计算的烟草质量实时监测框架，利用深度学习模型进行在线检测 | 将异构传感数据采集、边缘计算与CNN-LSTM混合模型结合，设计了轻量级传输协议和优化调度算法，实现了低延迟和高精度的烟草质量分类 | 未提及在更大规模或不同环境下的泛化性验证，也未讨论模型对噪声数据和设备故障的鲁棒性 | 实现烟草质量的实时、可扩展监测，提升工业自动化水平并减少经济损失 | 烟草叶片的水分、颜色和质地特征，以及加工过程中的时间依赖性变化 | 计算机视觉, 机器学习 | 不适用 | 多源传感数据采集（水分、颜色、质地） | CNN, LSTM | 图像, 时序数据 | 未明确说明样本数量 | NA | CNN, LSTM | 准确率, 延迟, 参数数量, 计算量, 峰值内存占用 | Jetson Xavier NX平台 |
| 525 | 2026-04-24 |
LSTM-GRU hybrid model for multi-layer microclimate prediction in solar greenhouse
2026-Apr-22, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-49691-w
PMID:42020720
|
研究论文 | 提出一种LSTM-GRU混合深度学习模型，用于预测日光温室垂直冠层多层的微气候条件 | 首次将LSTM与GRU混合架构应用于温室多层微气候预测，并整合设备运行状态参数以提升精度 | 未说明模型在不同气候区或作物类型中的泛化能力，以及长期部署的稳定性 | 实现日光温室垂直冠层温湿度时空异质性的精准预测，支持环境优化控制 | 中国日光温室中不同冠层高度（0.2-2.0米）的微气候条件 | 机器学习 | 不适用 | 不适用 | LSTM-GRU混合模型 | 环境参数与设备运行状态数据 | 未明确样本量，但涉及多个冠层高度的监测数据 | TensorFlow, PyTorch | LSTM, GRU | 均方误差, 相关系数(R²), 预测误差百分比 | 未明确说明 |
| 526 | 2026-04-24 |
Multimodal clinical-imaging deep learning model for predicting refractory hypersplenism after liver transplantation
2026-Apr-22, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-48940-2
PMID:42020717
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 527 | 2026-04-24 |
ThyroFusion: A Multi-modal Deep Learning Framework Integrating Vision and Language for Thyroid Nodule Malignancy Risk Assessment
2026-Apr-22, Journal of imaging informatics in medicine
DOI:10.1007/s10278-026-01964-6
PMID:42020852
|
研究论文 | 提出了一种多模态深度学习框架ThyroFusion，通过整合超声图像、分割掩膜和临床文本报告来评估甲状腺结节的恶性风险 | 创新性地设计了双向跨模态注意力机制，融合视觉特征和文本特征，并采用部分共享参数的双流ResNet-50编码器和Set Transformer模块处理可变数量的图像特征 | 未提及具体局限性，但常见局限可能包括依赖高质量的多模态数据、需要大量计算资源等 | 开发并验证ThyroFusion多模态框架，提高甲状腺结节恶性风险评估的准确性 | 甲状腺结节患者的超声图像、分割掩膜和临床文本报告 | 计算机视觉, 自然语言处理, 深度学习 | 甲状腺癌 | 超声成像 | 多模态深度学习模型（ResNet-50, Set Transformer, BioBERT, 注意力机制） | 图像, 文本 | 测试集共4530例（来自两个临床中心和两个公开数据集DDTI、TN3K），训练集1472例 | PyTorch | ResNet-50, Set Transformer, BioBERT | AUC | NA |
| 528 | 2026-04-24 |
Using Radiomic Features to Detect Anatomical Errors and Assess Deep Learning-Based Left Ventricle Segmentation in Cardiac MRI
2026-Apr-22, Journal of imaging informatics in medicine
DOI:10.1007/s10278-026-01940-0
PMID:42020853
|
研究论文 | 探索使用影像组学特征检测心脏MRI中深度学习左心室分割的解剖学错误 | 首次利用影像组学特征评估深度学习分割的解剖学质量，能检测出传统指标如Dice系数无法发现的错误 | 未明确说明局限性，但可能依赖于特定数据集和分割算法 | 开发一种自动检测深度学习左心室分割中解剖学错误的方法 | 来自五个公开数据集和一个私有数据集的心脏MRI左心室分割结果 | 医学图像分析 | 心血管疾病 | 磁共振成像 | 机器学习分类器 | 影像组学特征 | 多个数据集，具体数量未明确 | NA | NA | 准确性、召回率、特异性、F1分数 | NA |
| 529 | 2026-04-24 |
Image Quality and Diagnostic Performance of Accelerated T2-weighted Imaging of Prostate with Deep Learning Reconstruction: A Comparative Study
2026-Apr-22, Magnetic resonance in medical sciences : MRMS : an official journal of Japan Society of Magnetic Resonance in Medicine
IF:2.5Q2
DOI:10.2463/mrms.mp.2025-0210
PMID:42021109
|
研究论文 | 比较了基于深度学习重建的加速T2加权成像与传统T2加权成像在前列腺MRI中的图像质量和诊断性能 | 首次系统评估基于深度学习重建的加速T2加权涡轮自旋回波成像在保持图像质量和诊断性能的同时将采集时间缩短约60% | 单中心回顾性研究，样本量较小（60名患者） | 评估加速T2加权成像结合深度学习重建的图像质量和PI-RADS v2.1 T2评分诊断性能 | 前列腺MRI患者及三种T2加权图像序列 | 计算机视觉 | 前列腺癌 | MRI | 深度学习重建模型 | 图像 | 60名患者的三种T2加权图像集 | NA | NA | 定性Likert评分、表观信噪比、表观对比噪声比、对比度比率、ROC曲线下面积、敏感性、特异性、准确性、加权kappa统计量 | NA |
| 530 | 2026-04-24 |
Protein and ligand novelty in drug-target interaction prediction: a dual-encoder fusion strategy for more interpretable and generalizable modeling
2026-Apr-22, BMC bioinformatics
IF:2.9Q1
DOI:10.1186/s12859-026-06457-5
PMID:42021142
|
research paper | 提出了一种双编码器融合框架，用于药物-靶点相互作用预测，该框架结合预训练ESM蛋白质嵌入和两种互补配体表示，并通过决策级融合提升可解释性和泛化能力 | 提出决策级双编码器融合策略，结合蛋白质ESM嵌入与ChemBERTa分子语言编码器及图结构编码器；引入新颖性感知评估协议，系统分离配体新颖性、蛋白质新颖性及其联合场景 | 外部验证集Davis和KIBA上AUC仅0.60-0.64，表明生化域转移下性能仍有下降；蛋白质新颖性成为主要泛化瓶颈，双冷条件下降幅最大 | 实现鲁棒且可解释的药物-靶点相互作用预测，解决实际虚拟筛选和药物重定位中的新颖性泛化问题 | 药物-靶点相互作用预测任务中的蛋白质和配体分子 | machine learning | NA | ESM蛋白嵌入、ChemBERTa分子语言模型、图结构编码 | 双编码器融合模型（决策级融合） | 文本（分子序列、蛋白质序列）、图结构（分子图） | BindingDB大规模数据集；外部验证使用Davis和KIBA数据集 | PyTorch | ESM、ChemBERTa、图神经网络 | F1分数、AUC、召回率 | NA |
| 531 | 2026-04-24 |
Deep learning prediction of contrast extravasation versus intracranial hemorrhage after thrombectomy in patients with acute stroke
2026-Apr-22, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-026-02298-z
PMID:42021187
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 532 | 2026-04-24 |
Dysfunction of the neurovascular unit as a temporal driver in Alzheimer's pathogenesis
2026-Apr-22, Translational neurodegeneration
IF:10.8Q1
DOI:10.1186/s40035-026-00548-2
PMID:42021347
|
综述 | 系统综述了阿尔茨海默病进程中神经血管单元功能障碍的作用及空间转录组学与类器官技术的应用 | 首次将神经血管单元功能障碍作为阿尔茨海默病发病的时间驱动因素，并整合了三维类器官、空间转录组学和人工智能技术的研究进展 | NA | 探讨神经血管单元功能障碍在阿尔茨海默病发病中的时间驱动作用及相关技术应用 | 神经血管单元功能障碍及阿尔茨海默病的病理机制 | 机器学习 | 阿尔茨海默病 | 空间转录组学、类器官技术 | NA | NA | NA | NA | NA | NA | NA |
| 533 | 2026-04-24 |
A Simulation-Free Radiation Therapy Workflow Using Synthetic Computed Tomography Generated from Diagnostic Magnetic Resonance Imaging for Personalized Hippocampal-Sparing Whole-Brain Treatment
2026-Apr-22, Practical radiation oncology
IF:3.4Q1
DOI:10.1016/j.prro.2025.12.016
PMID:42024055
|
研究论文 | 开发一种基于诊断性磁共振成像生成合成CT的无模拟放疗工作流，用于个性化海马保护全脑治疗 | 提出了一种无模拟、仅基于磁共振成像的工作流，通过深度学习生成合成CT图像，并结合混合拼接方法解决诊断性磁共振视野有限的问题，从而加速治疗启动并维持剂量质量 | 未提及 | 开发一种无模拟、仅基于磁共振成像的放疗工作流，以加速海马保护全脑放疗的治疗启动并维持剂量质量 | 5例回顾性模拟病例和5例前瞻性患者 | 机器学习和数字病理学 | 全脑放疗相关疾病 | 磁共振成像 | 深度学习 | 图像 | 10例（5例回顾性模拟病例、5例前瞻性患者） | NA | 深度学习 | 协议依从性、二次质量保证≥95%（3%/2毫米）、无错误数据传输 | NA |
| 534 | 2026-04-24 |
Automated identification of Retinogeniculate Visual Pathway based on Multiscale Point Cloud Fusion Model Network (MSPF-Net)
2026-Apr-21, NeuroImage
IF:4.7Q1
DOI:10.1016/j.neuroimage.2026.121924
PMID:42019196
|
研究论文 | 提出一种基于多尺度点云融合网络（MSPF-Net）的自动识别视网膜丘脑视觉通路的方法 | 提出多尺度点云融合网络（MSPF-Net），集成特征拼接模块、局部特征提取模块和全局特征提取模块，以解决传统方法忽略的受试者间RGVP轨迹变异问题 | 未明确提及限制，但可能依赖于扩散磁共振成像数据的质量与样本量 | 实现视网膜丘脑视觉通路的自动、准确和完整识别 | 视觉信号传递的主要神经通路——视网膜丘脑视觉通路（RGVP） | 机器学习 | NA | 扩散磁共振成像（dMRI）纤维束成像 | 多尺度点云融合网络（MSPF-Net） | 扩散磁共振成像纤维束数据（点云） | HCP和CHCP两个数据集 | NA | MSPF-Net（含特征拼接模块、局部特征提取模块、全局特征提取模块） | 识别准确率 | NA |
| 535 | 2026-04-24 |
Accelerating Leigh syndrome drug discovery through deep learning screening in brain organoids
2026-Apr-20, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-71391-2
PMID:42009687
|
研究论文 | 通过深度学习筛选脑类器官，加速Leigh综合征药物发现 | 首次将深度学习算法与脑类器官结合用于Leigh综合征的细胞类型特异性药物重筛选，并独立验证于酵母模型，发现了唑类化合物的治疗潜力 | NA | 利用深度学习筛查脑类器官，寻找Leigh综合征的潜在治疗药物 | Leigh综合征患者衍生的脑类器官及酵母模型 | 机器学习 | 线粒体疾病 | 类器官培养、深度学习筛选 | 深度学习模型 | 图像 | 未明确 | NA | NA | NA | NA |
| 536 | 2026-04-24 |
Retraction Note: Hybrid deep learning framework for cardiovascular disease diagnosis and prognosis using GAN, LSTM, GRU, VARMA, and deep DynaQ network
2026-Apr-20, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-49102-0
PMID:42009846
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 537 | 2026-04-24 |
Interpretable predictions from whole-body FDG-PET/CT using parameters associated with clinical outcome
2026-Apr-20, Communications medicine
IF:5.4Q1
DOI:10.1038/s43856-026-01567-w
PMID:42010056
|
研究论文 | 利用全身FDG-PET/CT的组织投影进行可解释的临床结果预测 | 提出基于组织投影的深度学习框架，首次将全身PET/CT影像分解为骨、瘦组织、脂肪组织和空气等特定组织的投影，并用于预测与临床结果相关的参数 | 仅作为概念验证研究，未直接预测临床结局，且样本量相对较小（1014例） | 评估基于深度学习的组织投影方法在预测与临床结局相关参数中的可行性 | FDG-PET/CT影像及其对应的临床参数（TMTV、病灶计数、年龄、性别、诊断状态） | 计算机视觉 | 癌症 | FDG-PET/CT | 深度回归和分类框架 | 医学影像 | 1014次FDG-PET/CT检查 | NA | NA | MAE, R², AUC | NA |
| 538 | 2026-04-24 |
Predicting biomolecular interactions via a dual-stream graph neural network with motif constraint and diffusion-based regularization
2026-Apr-20, Computational biology and chemistry
IF:2.6Q2
|
研究论文 | 提出一种双流图神经网络框架DSG-BIP，结合可学习模体约束和扩散正则化，用于预测RNA-蛋白质和蛋白质-蛋白质相互作用 | 引入可学习模体约束，动态优化序列保守性和网络上下文信息，增强生物可解释性并缓解数据稀疏性；改进扩散正则化项稳定表示学习，处理稀疏和噪声数据 | 未明确讨论在更复杂生物网络或大规模数据集上的可扩展性，也未与其他前沿方法进行跨领域泛化性比较 | 提高生物分子相互作用预测的准确性、可解释性和泛化能力，解决数据稀疏和噪声敏感问题 | RNA-蛋白质相互作用和蛋白质-蛋白质相互作用 | 机器学习 | NA | NA | 图神经网络 | 图数据 | 多个基准数据集的RPI和PPI数据 | PyTorch | 双流图神经网络 | 预测性能（与现有方法相当，但未明确具体指标） | NA |
| 539 | 2026-04-24 |
Feature Mapping of Native Oxygenation-Sensitive CMR Images for Classifying Cardiomyopathies
2026-Apr-20, Journal of cardiovascular magnetic resonance : official journal of the Society for Cardiovascular Magnetic Resonance
IF:4.2Q1
DOI:10.1016/j.jocmr.2026.102734
PMID:42019569
|
研究论文 | 本研究利用氧敏感心血管磁共振成像结合深度学习，对心肌病理进行分类，并验证了AI生成的特征图与专家定义病灶的空间一致性 | 首次将氧敏感心血管磁共振成像与深度学习结合，用于心肌病无创分类，并通过层激活图可视化提供可解释性，识别出潜在的表型特异性信息 | 未明确提及局限性 | 探索氧敏感心血管磁共振成像与深度学习集成，用于心肌病理分类，并评估其诊断性能 | 心肌病例，包括缺血性、非缺血性、炎症/水肿和健康心肌四种类型 | 计算机视觉, 数字病理学 | 心血管疾病 | 氧敏感心血管磁共振成像 | 卷积神经网络（含残差学习） | 图像 | 共190例：缺血性42例，非缺血性33例，炎症/水肿47例，健康心肌68例 | NA | 含蒙特卡洛丢弃层和残差学习的卷积神经网络 | AUC值, Dice系数 | NA |
| 540 | 2026-04-24 |
Diagnosis of Leukemia from Bone Marrow Flow Cytometry Data using Deep Learning and Explainable AI
2026-Apr-20, The American journal of pathology
DOI:10.1016/j.ajpath.2026.03.011
PMID:42019815
|
研究论文 | 利用深度学习和可解释人工智能从骨髓流式细胞术数据诊断白血病 | 提出结合注意力增强的VGG19卷积网络模型，并通过可解释人工智能技术提升模型透明度 | 仅针对高肿瘤负荷的新诊断骨髓样本，可能无法推广至低疾病状态或微小残留病场景 | 开发自动化诊断系统，加速白血病诊断并减少人为错误 | 骨髓流式细胞术样本 | 计算机视觉 | 白血病 | 流式细胞术 | 递归网络、图网络、注意力增强卷积网络 | 图像 | 超过2000份样本（包括白血病患者和健康个体） | NA | 注意力增强VGG19 | 准确率 | NA |