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 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 | 2026-03-29 |
Efficient Vision Mamba for MRI Super-Resolution via Hybrid Selective Scanning
2026-Mar-07, ArXiv
PMID:41479458
|
研究论文 | 本研究提出了一种基于多头选择性状态空间模型和轻量级通道多层感知器的高效MRI超分辨率框架，旨在提升图像分辨率的同时保持低计算开销 | 提出了一种结合多头选择性状态空间模型、深度卷积和门控通道混合的MambaFormer块，并采用混合扫描策略来捕获长程依赖关系，在保持高精度的同时显著降低了模型参数和计算量 | 研究仅在脑部和前列腺两个特定MRI数据集上进行验证，未涵盖更多解剖部位或成像模态，且临床实际工作流集成效果有待进一步评估 | 开发一种高效且准确的深度学习框架，用于MRI超分辨率，以在临床工作流中实现高保真图像重建 | 7T脑部T1 MP2RAGE图像（142名受试者）和1.5T前列腺T2加权MRI图像（334名受试者） | 计算机视觉 | NA | MRI | 基于Mamba的状态空间模型 | 医学图像 | 脑部数据集142名受试者，前列腺数据集334名受试者 | NA | MambaFormer, 多头选择性状态空间模型, 轻量级通道多层感知器 | 结构相似性, 峰值信噪比, 学习感知图像块相似度, 梯度幅度相似性偏差 | NA |
| 522 | 2026-03-29 |
Artificial Intelligence in Prostate MRI: Addressing Current Limitations Through Emerging Technologies
2026-Mar, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.70189
PMID:41348934
|
综述 | 本文综述了人工智能在解决前列腺MRI当前局限性方面的进展，涵盖分流、加速采集与重建、图像质量保证、诊断和预后五个领域 | 综合分析了AI在前列腺MRI中多个应用领域的进展，包括FDA批准的临床工具、PI-CAI国际读者研究提供的非劣效性证据，以及将MRI特征扩展到预后建模 | 分流、质量控制和预后应用仍处于早期开发阶段，需确保跨人群的公平性能、纳入不确定性估计并进行前瞻性工作流试验 | 探讨人工智能如何解决前列腺MRI在临床管理路径中的局限性，以促进其作为可扩展平台用于早期检测和人群级前列腺癌管理 | 前列腺MRI图像及其在癌症检测、风险分层和预后评估中的应用 | 数字病理学 | 前列腺癌 | MRI | 深度学习 | 图像 | NA | NA | NA | 非劣效性 | NA |
| 523 | 2026-03-29 |
Regulatory grammar in human promoters uncovered by MPRA-based deep learning
2026-Mar, Nature
IF:50.5Q1
DOI:10.1038/s41586-025-10093-z
PMID:41639451
|
研究论文 | 本研究提出了一种基于MPRA数据的深度学习模型PARM，用于从DNA序列预测人类启动子活性并揭示其调控语法 | 开发了轻量级细胞类型特异性深度学习模型PARM，仅从DNA序列即可可靠预测全基因组自主启动子活性，并能设计纯合成强启动子 | 未明确说明模型在不同细胞类型间的泛化能力及对非编码变异的解释局限性 | 构建从调控元件序列准确预测全基因组基因表达的计算模型 | 人类启动子序列 | 计算生物学 | NA | 大规模平行报告基因检测（MPRA） | 深度学习模型 | DNA序列数据 | NA | NA | PARM | NA | NA |
| 524 | 2026-03-29 |
NeuroMDAVIS: Visualization of Single-Cell Multi-Omics Data under Deep Learning Framework
2026-Mar, Journal of computational biology : a journal of computational molecular cell biology
IF:1.4Q2
DOI:10.1177/15578666261423965
PMID:41744270
|
研究论文 | 本文提出了一种名为NeuroMDAVIS的新型无监督深度神经网络模型，用于单细胞多组学数据的联合可视化 | NeuroMDAVIS是首个为多模态生物数据集提供联合可视化能力的模型，能够同时捕获模态特定信息和跨模态共同信息 | 未在摘要中明确提及 | 解决单细胞多组学数据的高维可视化挑战，实现数据的降维和联合可视化 | 单细胞多组学数据 | 机器学习 | NA | 单细胞技术 | 深度神经网络 | 多组学数据 | NA | NA | NA | 准确率, 精确率, 召回率, F1分数, 聚类有效性指数 | NA |
| 525 | 2026-03-29 |
DP-OTG: A Feature-Free Deep Learning Model for Accurate Prediction of Human O-Linked Threonine Glycosylation Sites
2026-Mar, Journal of computational biology : a journal of computational molecular cell biology
IF:1.4Q2
DOI:10.1177/15578666261424278
PMID:41762162
|
研究论文 | 本研究提出了一种名为DP-OTG的免特征深度学习模型，用于准确预测人类蛋白质O-连接苏氨酸糖基化位点 | 提出了一种免特征、端到端的深度学习框架，无需手动特征工程，通过混合架构自动从原始蛋白质序列中学习序列模式 | 未明确说明模型在跨物种预测或处理极低丰度糖基化位点方面的泛化能力 | 开发一种高效的计算工具来预测人类蛋白质O-连接苏氨酸糖基化位点，以替代昂贵且耗时的实验检测方法 | 人类蛋白质序列及其O-连接苏氨酸糖基化位点 | 生物信息学 | 癌症, 神经系统疾病 | 深度学习 | CNN, BiLSTM | 蛋白质序列（文本数据） | 未明确说明具体样本数量，但使用了平衡和不平衡测试集进行验证 | 未明确说明，但代码已开源 | 多核卷积神经网络, 双向长短期记忆网络, 可训练嵌入层 | 准确率, 马修斯相关系数 | 未明确说明 |
| 526 | 2026-03-29 |
Artificial intelligence in preterm birth prediction: a narrative review of current approaches and clinical applicability
2026-Mar, Obstetrics & gynecology science
IF:2.0Q2
DOI:10.5468/ogs.26043
PMID:41775248
|
综述 | 本文是一篇关于人工智能在早产预测中应用现状、方法学质量及临床适用性的叙述性综述 | 系统性地评估了不同数据模态下AI预测早产的方法学质量和临床适用性，并指出了当前研究在方法学严谨性上的普遍不足 | 综述本身不产生新数据，且指出纳入的研究普遍存在样本量不足、缺乏外部验证、未报告校准指标以及高偏倚风险等局限性 | 评估人工智能在早产预测领域的应用现状、方法学质量及临床适用性 | 用于预测自发性早产的机器学习模型及相关研究 | 机器学习 | 早产 | 电子健康记录分析、超声图像分析、宫颈纹理和影像组学特征提取、弹性成像参数、多组学整合 | 深度学习, Transformer | 电子健康记录, 超声图像, 多组学数据 | NA | NA | Transformer | 受试者工作特征曲线下面积 | NA |
| 527 | 2026-03-29 |
Refined trajectory smoothing and deep learning classification of human sperm motility
2026-Mar-01, Human reproduction (Oxford, England)
DOI:10.1093/humrep/deag005
PMID:41633817
|
研究论文 | 本研究提出了一种通过频域平滑改进精子运动轨迹参数提取的方法，并利用深度学习模型对原始轨迹数据进行分类，以准确区分精子的运动模式 | 引入了离散余弦变换（DCT）平滑来优化平均路径估计，提出了路径平均宽度（PAW）新指标量化侧向头部位移，并采用InceptionTime模型集成对精子轨迹进行分类 | 模型仅在低粘度培养基中记录的精子轨迹上训练，缺乏在高粘度环境（如ICSI精子选择所用介质）中的数据验证；且训练数据来自单中心（5个个体，共790条轨迹），需多中心独立验证以确认泛化能力 | 改进精子运动轨迹的参数提取精度，并开发基于深度学习的精子运动模式分类方法 | 人类精子运动轨迹 | 计算机视觉 | NA | 轨迹记录（60帧/秒） | 集成学习, InceptionTime | 轨迹坐标序列（x, y） | 2326条精子轨迹（1931条渐进运动，395条超激活运动），来自5个个体样本 | NA | InceptionTime | 准确率 | NA |
| 528 | 2026-03-29 |
Parameter Estimation from Phylogenetic Trees Using Neural Networks and Ensemble Learning
2026-Feb-25, Systematic biology
IF:6.1Q1
DOI:10.1093/sysbio/syaf060
PMID:40899780
|
研究论文 | 本文提出了一种新的集成神经网络方法，用于从系统发育树中估计物种多样化参数 | 利用多种神经网络（密集神经网络、图神经网络和长短期记忆循环网络）的集成方法，同时从系统发育树的图表示、分支时间和汇总统计中学习，提高了参数估计的效率和准确性 | 与最大似然估计方法类似，该方法在延展的出生-死亡过程下仍无法精确恢复参数 | 估计物种多样化参数，包括物种形成和灭绝速率 | 时间校准的系统发育树 | 机器学习 | NA | 深度学习 | DNN, GNN, LSTM | 图数据、时间序列数据、汇总统计数据 | NA | NA | 密集神经网络、图神经网络、长短期记忆循环网络 | 估计速度、偏差、对树大小的敏感性 | NA |
| 529 | 2026-03-29 |
Deep models of protein evolution in time generate realistic evolutionary trajectories and functional proteins
2026-Feb-20, bioRxiv : the preprint server for biology
DOI:10.64898/2026.02.19.706898
PMID:41757065
|
研究论文 | 本文介绍了一种名为PEINT的深度学习框架，用于模拟蛋白质序列随时间演变的过程，并生成具有功能性的蛋白质 | PEINT框架突破了传统模型中位点独立演化的简化假设，能够学习位点间复杂相互作用，直接从原始序列学习插入缺失动态，并准确模拟自然进化特征 | NA | 开发一个能够模拟蛋白质真实进化轨迹并生成功能性蛋白质的深度学习模型 | 蛋白质序列及其进化过程 | 机器学习 | NA | 深度学习 | 深度学习模型 | 蛋白质序列数据 | 数百万个跨越不同折叠家族的蛋白质序列 | NA | NA | NA | NA |
| 530 | 2026-02-25 |
An open-source deep learning-based toolbox for automated auditory brainstem response analyses (ABRA)
2026-Feb-19, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-38045-1
PMID:41714716
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 531 | 2026-03-29 |
Artificial intelligence-driven nano-enhanced stem cell therapy for neurodegenerative diseases: from rational design to clinical translation
2026-Feb-19, Journal of nanobiotechnology
IF:10.6Q1
DOI:10.1186/s12951-026-04154-2
PMID:41709202
|
综述 | 本文探讨了人工智能如何指导个性化纳米增强干细胞疗法，以应对神经退行性疾病的治疗挑战 | 提出了一个整合患者特异性数据、AI驱动设计和实时监测的闭环系统，旨在推进神经退行性疾病的真正个性化医疗 | NA | 探索机器学习和深度学习如何解决干细胞疗法及纳米增强干细胞疗法中的当前挑战，并提供一个整合AI的系统性框架 | 神经退行性疾病 | 机器学习 | 神经退行性疾病 | NA | 机器学习, 深度学习 | NA | NA | NA | NA | NA | NA |
| 532 | 2026-03-29 |
AI-driven CRISPR screening: optimizing gene editing through automation and intelligent decision support
2026-Feb-19, Journal of translational medicine
IF:6.1Q1
DOI:10.1186/s12967-026-07849-0
PMID:41715150
|
综述 | 本文综述了人工智能如何通过机器学习和大型语言模型重塑CRISPR筛选，优化实验设计和分析流程 | 将人工智能整合到CRISPR筛选的整个实验生命周期中，引入预测性、适应性和系统级智能，将静态分析流程转变为智能实验系统 | NA | 探讨人工智能在优化CRISPR基因编辑筛选中的应用 | CRISPR筛选实验 | 机器学习 | NA | CRISPR基因编辑 | 机器学习, 深度学习, 大型语言模型 | NA | NA | NA | NA | NA | NA |
| 533 | 2026-03-29 |
Deep learning-based battery health prediction for enhancing electric vehicle performance
2026-Feb-19, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-39911-8
PMID:41714349
|
研究论文 | 本研究提出了一种混合深度学习框架，用于智能电动汽车电池健康诊断，以提高电池诊断的可靠性和可持续性 | 提出了一种集成了1D-CNN、TCN、LSTM层和注意力机制的混合深度学习框架，用于电池健康状态预测，在精度、推理延迟和能耗方面均优于传统基线模型 | 未明确提及 | 通过智能电池健康诊断，提升电动汽车性能，并支持可持续发展目标7（经济适用的清洁能源） | 电动汽车电池的健康状态 | 机器学习 | NA | 差分电压分析、差分电流分析、增量容量分析 | CNN, LSTM, TCN | 电池充放电循环数据 | 来自NASA PCoE、牛津和CALCE电池退化数据集的超过10,000个充放电循环 | NA | 1D-CNN, TCN, LSTM | 准确率, RMSE | NA |
| 534 | 2026-03-29 |
Pneumonia detection from enhanced chest X-Ray images based on Double SGAN model
2026-Feb-19, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-39785-w
PMID:41714360
|
研究论文 | 本研究提出了一种基于双SGAN模型和增强型胸片图像的肺炎检测深度学习诊断系统 | 创新性地提出了Double SGAN模型以解决类别不平衡问题，并在ResNet18中嵌入了空间注意力机制以聚焦肺炎诊断关键特征区域 | 研究仅使用儿科肺部图像的肺炎MNIST数据集，未涉及成人或其他类型医学影像数据 | 开发一种能够处理不平衡数据集并提高肺炎图像分类准确性和鲁棒性的深度学习诊断系统 | 儿科胸片X光图像 | 计算机视觉 | 肺炎 | 胸片X光成像 | GAN, CNN | 图像 | 肺炎MNIST数据集（具体数量未明确说明） | NA | Double SGAN, ResNet18-SA | 准确率, 精确率, 召回率, F1分数 | NA |
| 535 | 2026-03-29 |
Classification of dysphagia severity after lateral medullary infarction with deep learning
2026-Feb-19, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-40751-9
PMID:41714402
|
研究论文 | 本研究开发并验证了一种基于急性期扩散加权MRI的深度学习算法，用于对侧延髓梗死患者的吞咽困难严重程度进行分类 | 首次将基于Transformer的深度学习架构（Hierarchical Vision Transformer）应用于侧延髓梗死患者吞咽困难严重程度的MRI影像分类任务，利用了该架构建模空间层次和全局图像上下文的能力 | 模型在临床不平衡数据集中的判别能力有待提高（AUC值中等），需要进一步优化和多模态数据整合 | 开发并验证一种基于急性期MRI的深度学习算法，用于早期准确分类侧延髓梗死患者的吞咽困难严重程度，以支持及时干预和个性化康复规划 | 163例确诊为急性侧延髓梗死的患者 | 计算机视觉 | 脑血管疾病 | 扩散加权MRI | Transformer | 医学影像（MRI） | 163例患者 | NA | Hierarchical Vision Transformer (Hier-ViT) | 准确率, 精确率, 召回率, F1分数, ROC曲线下面积 | NA |
| 536 | 2026-03-29 |
The BIOPREVENT machine-learning algorithm predicts chronic graft-versus-host disease and mortality risk using posttransplant biomarkers
2026-Feb-16, The Journal of clinical investigation
IF:13.3Q1
DOI:10.1172/JCI195228
PMID:41697751
|
研究论文 | 本研究开发了一种名为BIOPREVENT的机器学习算法，利用移植后生物标志物预测慢性移植物抗宿主病和死亡率风险 | 首次结合移植后90/100天测量的7种血浆蛋白和9个临床变量，开发了能够预测cGVHD和非复发死亡率的机器学习算法，并创建了公开可用的R Shiny网络应用程序支持临床使用 | 深度学习模型未表现出优于其他机器学习方法的性能，需要进一步研究探索该算法在指导预防性治疗中的作用 | 开发机器学习算法以改善造血细胞移植后慢性移植物抗宿主病和非复发死亡率的预测准确性 | 1,310名造血细胞移植受者 | 机器学习 | 移植物抗宿主病 | 血浆蛋白测量 | CoxXGBoost, Group SCAD, Adaptive Group Lasso, Random Survival Forests, BART, 深度学习模型 | 临床变量和生物标志物数据 | 1,310名患者，分为训练集和验证集 | R | 贝叶斯加性回归树（BART）被选为最终模型 | 时间依赖性ROC曲线下面积（AUCt），校准曲线 | NA |
| 537 | 2026-03-29 |
AI accelerate the identification of druggable targets by 3D structures of proteins and compounds
2026-Feb-14, NPJ precision oncology
IF:6.8Q1
DOI:10.1038/s41698-026-01310-7
PMID:41691035
|
综述 | 本文综述了人工智能在肿瘤药物开发中的应用，特别是在靶点识别、虚拟筛选和从头分子设计方面的进展 | 系统性地总结了AI如何通过预测蛋白质三维结构、评估靶点成药性、加速虚拟筛选和从头药物设计来革新肿瘤药物开发流程 | 讨论了AI药物开发面临的主要挑战，包括数据质量、模型可解释性、计算资源限制以及伦理和监管问题 | 概述人工智能技术在加速肿瘤药物开发，特别是靶点识别和化合物筛选方面的应用与挑战 | 蛋白质三维结构、化合物库、药物-靶点相互作用、分子性质 | 机器学习 | 肿瘤 | 机器学习，深度学习 | 神经网络 | 分子结构数据，蛋白质结构数据，化学库数据 | NA | NA | NA | NA | NA |
| 538 | 2026-03-29 |
Kinic index: an artificial intelligence-driven predictive model and multitarget drug discovery framework for hepatocellular carcinoma patients
2026-Feb-14, NPJ precision oncology
IF:6.8Q1
DOI:10.1038/s41698-026-01324-1
PMID:41691080
|
研究论文 | 本研究建立了一个名为Kinic指数（KI）的人工智能预测模型，用于肝细胞癌（HCC）患者的风险分层、预后预测和多靶点药物发现 | 首次将异烟酰化（K）修饰与多组学数据整合，通过人工智能模型（KI）对HCC患者进行亚型分类，并结合GraphBAN深度学习和ADMET-AI筛选，优先针对CYP2C9和G6PD进行多靶点药物发现 | 未明确说明模型在外部验证集上的泛化能力，以及候选化合物的体内实验验证结果 | 开发一个AI驱动的预测模型和药物发现框架，以改善肝细胞癌患者的预后和治疗选择 | 肝细胞癌（HCC）患者 | 机器学习 | 肝细胞癌 | 多组学数据整合，单细胞转录组分析，空间转录组分析 | LASSO, RSF, 深度学习 | 多组学数据，转录组数据 | NA | GraphBAN, ADMET-AI | NA | 总体生存率，结合亲和力验证 | NA |
| 539 | 2026-02-15 |
Multi-institutional deep learning for GTV segmentation and survival prediction in nasopharyngeal carcinoma
2026-Feb-13, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-026-02195-5
PMID:41688962
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 540 | 2026-03-29 |
Computational frameworks for enhanced extracellular vesicle biomarker discovery
2026-Feb, Experimental & molecular medicine
DOI:10.1038/s12276-025-01622-x
PMID:41535547
|
综述 | 本文综述了利用人工智能等先进计算框架，整合多源数据资源，以加速细胞外囊泡生物标志物的发现与临床转化 | 提出结合人工智能驱动的蛋白质结构和理化性质预测，优化生物标志物候选物，确保与现有检测系统的兼容性，从而弥合发现与临床应用之间的差距 | NA | 加速细胞外囊泡生物标志物从发现到临床应用的转化，以增强精准医疗 | 细胞外囊泡生物标志物 | 机器学习 | NA | 多组学整合 | 深度学习 | 多组学数据、蛋白质定位数据、组织特异性数据、药物数据、模型系统数据、免疫数据库 | NA | NA | NA | 预测性能、生物学合理性、临床实用性 | NA |