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 44944 篇文献，本页显示第 541 - 560 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 541 | 2026-05-31 |
Decoding the Black Box in Deep Learning Models-Reply
2026-Apr-30, JAMA otolaryngology-- head & neck surgery
DOI:10.1001/jamaoto.2026.0855
PMID:42060278
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 542 | 2026-05-31 |
AgroDualNet: a dual deep learning-based crop disease forecasting and fruit ripening detection
2026-Apr-29, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-49002-3
PMID:42056187
|
研究论文 | 开发了一种名为AgroDualNet的双阶段深度学习框架，用于作物疾病预测和水果成熟度检测，以优化农业生产 | 提出了一个双模块统一框架，同时解决作物疾病预测和水果成熟度识别问题，并结合了CBAM注意力机制、SMO优化的SVM分类器以及YOLOv8与MobileNetV2的轻量化架构，支持边缘部署和决策支持层 | 未明确说明局限性，但可能包括对特定数据集（如PlantVillage）的依赖以及缺乏在更广泛作物类别或真实复杂场景中的验证 | 通过结合深度学习和物联网技术，提高作物疾病诊断和水果成熟度测量的准确性与效率，支持精准农业中的实时决策 | 作物疾病（来源于PlantVillage数据集）和水果成熟度（苹果，来源于Kaggle和真实农田数据集） | 计算机视觉 | 农作物疾病（未指定具体疾病类型） | 深度学习，计算机视觉 | CNN、SVM、YOLO | 图像 | PlantVillage数据集（三分类子集和多类设置）和包含苹果的图像数据集（未明确具体样本数量） | PyTorch | ResNet50, CBAM, MobileNetV2, YOLOv8 | 准确率、精确率、召回率、F1分数、推断时间 | 边缘设备（未指定具体GPU或云平台） |
| 543 | 2026-05-31 |
Plant invasion reduces density-dependent pollination but not florivory
2026-Apr-16, Oecologia
IF:2.3Q2
DOI:10.1007/s00442-026-05881-x
PMID:41989621
|
研究论文 | 利用深度学习和无人机技术监测植物入侵对多营养级群落动态的影响 | 首次将消费级无人机与深度学习结合，用于量化入侵植物对传粉和草食作用的密度依赖性影响 | 未说明 | 评估植物入侵对传粉服务和草食作用的密度依赖性影响 | 狗绞杀藤（Vincetoxicum rossicum）入侵的草地中的新英格兰紫菀（Symphyotrichum novae-angliae）及其传粉者和专食性象鼻虫（Anthonomus rufipes） | 计算机视觉 | NA | 无人机成像 | 深度学习模型（未具体说明） | 图像 | 加拿大安大略省多伦多地区Rouge国家城市公园中入侵梯度上的草地样点 | NA | NA | NA | 消费级无人机 |
| 544 | 2026-05-31 |
Radiomics-Guided Automatic Delineation for Clinical Target Volume of Endometrial Cancer: Limited Sample Multicenter Study
2026-Apr-15, International journal of radiation oncology, biology, physics
DOI:10.1016/j.ijrobp.2026.04.014
PMID:41997452
|
研究论文 | 提出一种基于影像组学的模型无关元学习框架，用于子宫内膜癌术后盆腔放疗临床靶体积的自动勾画，在多中心有限样本下提升分割性能与适应性 | 首次将影像组学特征与模型无关元学习策略结合，用于多中心临床靶体积分割任务，有效缓解中心间勾画风格差异和数据稀缺导致的性能下降 | 本研究为有限样本多中心回顾性研究，未涵盖所有可能的勾画定义变异，且外部验证中心样本量仅26例，泛化性需进一步验证 | 开发一种能应对多中心间临床靶体积勾画差异和有限数据挑战的自动分割方法 | 子宫内膜癌患者术后盆腔放疗的模拟CT图像及临床靶体积 | 计算机视觉，数字病理学 | 子宫内膜癌 | CT影像 | U-Net，随机森林 | 影像 | 207例多中心病例（5个中心）及26例外部中心病例 | PyTorch（推断） | 三维U-Net | Dice相似系数，95百分位豪斯多夫距离，平均对称表面距离，4分制专家评分 | 未明确，推测为单GPU（推断） |
| 545 | 2026-05-31 |
Football cybersecurity threat severity prediction using multi-head transformer-based deep learning models
2026-Apr-11, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-44399-3
PMID:41965384
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 546 | 2026-05-31 |
A physic-guided YOLO framework for pavement deformation distress detection
2026-Apr-06, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-45400-9
PMID:41942480
|
研究论文 | 开发了一种基于YOLO并结合物理引导的自动方法，用于检测路面变形病害如车辙和波浪形 | 将物理信息神经网络（PINN）整合入YOLO框架，通过在损失函数中引入物理信息惩罚项，提高了边界框精度并减少假阳性 | 研究中的波浪形（corrugation）实例有限，可能导致模型对该类别检测性能的泛化能力不足 | 实现路面变形病害（车辙和波浪形）的自动检测与评估 | 路面图像中的车辙和波浪形病害 | 计算机视觉 | NA | 深度学习 | YOLO, PINN | 图像 | 未知数量的道路图像数据集 | PyTorch | YOLOv5, 物理信息神经网络（PINN） | 平均精度均值（mAP） | NA |
| 547 | 2026-05-31 |
Text guided cross attentive multimodal learning with visual feature modulation for automated skin lesion detection
2026-Apr-06, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-47271-6
PMID:41942550
|
研究论文 | 提出一种文本引导的交叉注意力多模态学习框架TG-CAVNet，用于自动化皮肤病变检测 | 首次将临床文本与皮肤镜图像通过文本引导的通道特征调制和交叉注意力机制深度融合，提升诊断准确性和可解释性 | 未明确说明局限性（基于摘要内容推测可能存在对罕见皮肤病或小样本场景的泛化能力不足） | 提高自动化皮肤病变检测的诊断准确性和语义可解释性 | 皮肤病变的皮肤镜图像与对应临床文本数据 | 计算机视觉，自然语言处理 | 皮肤病变 | 多模态深度学习 | 多模态交叉注意力网络 | 图像，文本 | 6194个对齐的图像-文本样本 | PyTorch | Bio-ClinicalBERT，EfficientNet-B4 | 准确率，宏Jaccard得分 | NA |
| 548 | 2026-05-31 |
Scene classification in dance art using deep learning with squeeze and excitation networks and the Advanced Beluga Whale Optimization Algorithm
2026-Apr-06, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-46705-5
PMID:41942693
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 549 | 2026-05-31 |
Blockchain and bio-inspired deep learning for energy-efficient EV-to-grid optimization
2026-Apr-06, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-47136-y
PMID:41942698
|
研究论文 | 提出一种基于生物启发式深度学习与区块链的电动汽车到电网（V2G）能量优化框架 | 将帝王蝶优化算法与门控循环单元网络结合，并嵌入基于以太坊的区块链层，实现充电调度、交易安全与电网协同的集成优化 | 研究结果基于仿真与协同仿真实验，未考虑实际部署中的通信延迟、硬件非理想性和监管因素 | 实现电动汽车到电网能量交换的高效、安全与实时优化 | 电动汽车充电与放电调度、电网负荷平衡、交易验证 | 机器学习, 区块链, 智能电网 | NA | 仿真实验 | GRU网络, 帝王蝶优化算法 | 仿真数据 | NA | MATLAB/Simulink, TensorFlow, Ethereum | GRU网络 | 充电成本降低率, 峰值负载削减效率, 预测准确率, 电网调节响应时间减少率, 电动汽车排队延迟减少率 | NA |
| 550 | 2026-05-31 |
Structural instability in phenotype-oriented artificial intelligence: a conceptual perspective from a model system for primary care implementation
2026-04-03, Family practice
IF:2.4Q2
DOI:10.1093/fampra/cmag026
PMID:42154988
|
评论文章 | 本文从概念角度探讨了面向非疾病表型的人工智能系统在初级保健应用中的结构不稳定性问题 | 提出了KNOW框架（知识导向的表型定义、规范数据治理、结果校准验证和工作流集成部署），以指导面向表型的人工智能系统在初级保健中更安全、更可靠的实施 | 基于35项多模态深度学习研究的结构化综合，样本量有限，且性能指标应视为跨情境性能分散度的指标而非确定的性能基准 | 探讨面向非疾病表型的人工智能系统在初级保健中的结构稳定性问题，并提出改进方向 | 35项应用于社区预防保健非疾病表型框架的多模态深度学习研究 | 机器学习 | 非疾病表型（如衰弱状态、抑郁风险、心代谢亚型、多维度健康构念） | 多模态深度学习 | 深度学习模型 | 多模态数据 | 35项研究 | NA | NA | 灵敏度、特异度、准确性、I2值、95%预测区间 | NA |
| 551 | 2026-05-31 |
NMR-Solver: automated structure elucidation via large-scale spectral matching and physics-guided fragment optimization
2026-Apr-02, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-71315-0
PMID:41927575
|
研究论文 | 提出NMR-Solver框架，通过大规模谱图匹配和物理引导的分子优化，实现从氢和碳核磁共振波谱自动解析有机小分子结构 | 整合大规模谱图匹配与基于原子级结构-谱关系的物理引导分子优化，首次将计算NMR分析、深度学习和可解释化学推理统一为自动化系统 | 未明确提及局限性 | 开发自动化、可解释且实用的分子结构解析方法，解决核磁共振波谱分析中的逆问题 | 有机小分子结构 | 机器学习 | NA | NMR光谱 | 深度学习模型 | NMR谱图 | 模拟基准数据集、文献中精心整理的实验数据及真实实验数据 | NA | NA | 泛化能力、鲁棒性、实用性 | NA |
| 552 | 2026-05-31 |
Cardiac myofibril networks induce shear stress
2026-Apr-02, NPJ systems biology and applications
IF:3.5Q1
DOI:10.1038/s41540-026-00696-1
PMID:41927581
|
研究论文 | 基于深度学习和有限元模型，分析心肌肌原纤维网络对细胞收缩时剪切应力的影响 | 首次使用深度学习分割z-disc并构建非线性有限元模型，揭示心肌肌原纤维网络产生的剪切应力与单向排列的差异，并发现剪切应力与z-disc取向的空间相关性 | 未明确说明，根据内容推测可能基于羊的心肌细胞模型，需进一步验证在人体或其他物种的普适性 | 探究心肌肌原纤维网络对细胞收缩过程中力的调节机制，特别是剪切应力的产生 | 羊左心室心肌细胞中的肌原纤维网络及其z-disc取向 | 数字病理学 | 心血管疾病 | NGS, RNA-seq | CNN | 图像 | 羊左心室心肌细胞的图像数据 | NA | U-Net | 均值、标准差等 | NA |
| 553 | 2026-05-31 |
Multimodal AI model for early detection of hepatocellular carcinoma
2026-Apr-02, NPJ precision oncology
IF:6.8Q1
DOI:10.1038/s41698-026-01393-2
PMID:41927783
|
研究论文 | 开发了一种多模态AI模型用于早期肝细胞癌检测，结合组织病理学和转录组学特征 | 首次提出两阶段多尺度深度学习模型TMC-net，结合H&E图像和转录组标记基因构建多模态分类模型，超越病理基础模型和传统特征 | 未明确讨论模型在不同人群中的泛化能力及潜在偏差 | 早期肝细胞癌与高级别异型增生结节的精准区分及辅助诊断 | 早期肝细胞癌和癌前病变组织样本 | 数字病理学, 机器学习 | 肝细胞癌 | H&E染色，比较转录组分析 | 深度学习模型（TMC-net），多模态分类模型 | 组织病理图像，转录组数据 | 内部测试集和外部测试集样本，具体数量未提及 | 未提及 | TMC-net（多尺度深度学习网络） | AUROC | 未提及 |
| 554 | 2026-05-31 |
Analysing DCE-MRI scans using hybrid techniques for early detection of prostate cancer based on fusion features of handcrafted and deep learning features
2026-Apr, Journal of medical engineering & technology
DOI:10.1080/03091902.2026.2627179
PMID:41700925
|
研究论文 | 提出一种融合人工特征与深度学习特征的混合框架，用于基于DCE-MRI扫描的前列腺癌早期检测 | 首次将广义量子伽马多项式特征、动力学信号强度特征与CNN深度特征融合，构建综合特征表示用于前列腺癌诊断 | 未提及具体的局限性 | 开发一种新型混合诊断框架，通过融合人工特征和深度学习特征提高前列腺癌早期检测的准确性 | DCE-MRI扫描图像中的前列腺组织病变 | 数字病理学 | 前列腺癌 | DCE-MRI, 广义量子伽马多项式特征提取, 动力学特征提取 | CNN | 图像 | 公共前列腺影像数据集中的样本 | NA | CNN | 准确率 | NA |
| 555 | 2026-05-31 |
Interactive deep learning for myocardial scar segmentation using cardiovascular magnetic resonance
2026-Mar-20, Journal of cardiovascular magnetic resonance : official journal of the Society for Cardiovascular Magnetic Resonance
IF:4.2Q1
DOI:10.1016/j.jocmr.2026.102720
PMID:41864346
|
研究论文 | 开发一种交互式深度学习系统，用于心血管磁共振图像中的心肌疤痕分割与量化 | 结合提示引导分割与视觉基础模型，并集成到临床交互界面，实现实时交互和自动量化 | 未提及具体局限性 | 开发一种交互式深度学习系统，用于心肌疤痕分割和量化，以提高准确性和可重复性 | 慢性心肌梗死患者的心血管磁共振图像中的心肌疤痕 | 计算机视觉 | 心血管疾病 | 晚期钆增强（LGE）心血管磁共振成像 | 深度学习模型 | 医学图像 | 348名慢性心肌梗死患者的LGE-CMR图像（244训练，51验证，53测试） | NA | 提示引导分割模型，视觉基础模型 | Dice相似系数，豪斯多夫距离，疤痕质量误差，一致性相关系数 | NA |
| 556 | 2026-05-31 |
[Auto detection on morphological characteristics of termite legs based on deep learning]
2026-Mar, Ying yong sheng tai xue bao = The journal of applied ecology
DOI:10.13287/j.1001-9332.202603.033
PMID:42209239
|
研究论文 | 基于深度学习自动检测白蚁腿形态特征 | 填补了深度学习在白蚁腿形态自动准确测量领域的应用空白 | NA | 开发基于深度学习的白蚁腿形态自动检测与分析软件 | 白蚁腿的股节、胫节、跗节长度及相关衍生特征 | 计算机视觉 | NA | NA | 关键点检测模型 | 图像 | NA | NA | 关键点检测模型 | 平均绝对误差、平均相对误差、均方根误差、皮尔逊相关系数 | NA |
| 557 | 2025-09-15 |
A novel deep learning framework for the diagnosis of erythematosquamous lesions using whole slide histopathologic images
2026-Feb, Journal of the American Academy of Dermatology
IF:12.8Q1
DOI:10.1016/j.jaad.2025.09.010
PMID:40945744
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 558 | 2026-05-31 |
Accurate proteome-wide prediction of enzymes and catalytic sites using graph deep learning and protein language model
2026-Jan-21, GigaScience
IF:11.8Q1
DOI:10.1093/gigascience/giag056
PMID:42126889
|
研究论文 | 提出EC-LMGraph框架，结合蛋白语言模型和图卷积网络，从序列特征和结构预测酶编号及催化位点 | 首次将蛋白语言模型与图卷积网络结合，同时预测酶功能编号和催化残基，并利用显著性映射定位关键残基 | 未提及计算资源消耗及在大规模数据集上的泛化性验证 | 准确预测酶的EC编号和催化位点，提升现有方法的预测性能 | 蛋白质的酶功能（EC编号）及其催化活性位点 | 机器学习 | 帕金森病 | 蛋白语言模型、图卷积网络 | 图卷积网络、蛋白语言模型 | 蛋白质序列特征和结构数据 | 229,160个蛋白质（使用AlphaFold2预测结构） | PyTorch | 图卷积网络、蛋白语言模型 | F1分数 | NA |
| 559 | 2026-05-31 |
Detection of Hypokalemia, Hyponatremia, and Hyperkalemia in Heart Failure Patients Using Artificial Intelligence Techniques via Electrocardiography
2026-01-09, Turk Kardiyoloji Dernegi arsivi : Turk Kardiyoloji Derneginin yayin organidir
DOI:10.5543/tkda.2025.18598
PMID:41063616
|
研究论文 | 开发基于心电图的人工智能模型以检测心力衰竭患者的电解质失衡 | 首次在多中心环境中使用深度学习模型通过心电图非侵入性地检测心力衰竭患者的低钾血症、低钠血症和高钾血症 | NA | 开发并评估基于心电图的深度学习模型用于检测心力衰竭患者的电解质失衡 | 心力衰竭患者（射血分数≤45%） | 机器学习 | 心力衰竭 | NA | 深度学习模型 (DLM) | 心电图信号 | 来自17个中心的患者样本 | NA | NA | 准确率, AUROC | NA |
| 560 | 2026-05-31 |
Pre-crash injury risk prediction with guaranteed confidence level: a conformal and interpretable framework
2026, Traffic injury prevention
IF:1.6Q4
DOI:10.1080/15389588.2025.2538725
PMID:40828994
|
研究论文 | 提出一种结合置信预测的预碰撞伤害风险预测框架，能够以90%置信水平输出概率性预测并增强解释性 | 首次将置信预测方法（包括朴素和类别条件）集成到预碰撞伤害风险预测模型中，以统计保证的90%置信水平输出风险分布及其概率，同时结合可解释机器学习提升模型透明度 | 未明确提及，但从内容推测可能包括数据限制（如严重伤害案例样本少）或方法对特定驾驶场景的泛化能力有待验证 | 开发一种预碰撞伤害风险预测框架，提供具有统计置信保证的概率性输出，并增强模型可解释性，以支持主动交通安全措施和数据驱动的道路安全政策 | 交通碰撞事故中的预碰撞伤害风险 | 机器学习 | NA | 机器学习与置信预测 | 集成学习模型与TabNet深度学习模型 | 结构化表格数据（28个预碰撞风险因素） | 基于国家汽车采样系统碰撞数据系统（NASS-CDS）和碰撞调查采样系统（CISS）的数据 | NA | 梯度提升、随机森林等集成方法及TabNet | F1分数、严重伤害召回率 | NA |