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 43650 篇文献，本页显示第 561 - 580 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 561 | 2026-04-22 |
Letter to the Editor: Nocturnal enteral feeding and mechanical ventilation risk in intensive care unit patients: A deep Learning-Based causal inference study
2026-May, Clinical nutrition (Edinburgh, Scotland)
DOI:10.1016/j.clnu.2026.106637
PMID:41925417
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 562 | 2026-04-22 |
YOLO-Drop: A Deep Learning Model Enabling Accurate, High-Throughput Image Analysis for Droplet Digital Immunoassay at Attomolar Concentrations
2026-Apr-21, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.6c00939
PMID:41937323
|
研究论文 | 本文开发了一种名为YOLO-Drop的深度学习模型，用于对液滴数字免疫分析中的图像进行准确、高通量分析，并部署在嵌入式平台上以实现实时操作 | 基于YOLOv8架构，定制了可变形卷积、BiFormer模块、高分辨率特征金字塔网络、小物体先验和类别感知非极大值抑制，以增强复杂液滴图像中的小物体识别能力 | 未明确提及 | 开发一种深度学习模型，以实现对液滴数字免疫分析图像的高精度、高通量分析，并推动下一代生物传感平台的发展 | 液滴数字酶联免疫吸附分析中的液滴图像 | 计算机视觉 | NA | 液滴数字酶联免疫吸附分析 | CNN | 图像 | 5,574张包含约750,000个液滴的标注图像 | PyTorch | YOLOv8 | 检测准确率 | NVIDIA Jetson Orin Nano嵌入式平台 |
| 563 | 2026-04-22 |
Antioxidative and Robust Fluorescent Hydrogel for Deep Learning-Assisted Non-Destructive Detection of Hg2
2026-Apr-21, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.6c00277
PMID:41954231
|
研究论文 | 本文介绍了一种集成了高机械柔韧性、强水下粘附性、稳定红色荧光和内在抗氧化保护的藻蓝蛋白-聚丙烯酰胺水凝胶，用于非破坏性检测汞离子污染 | 通过藻蓝蛋白同时作为荧光交联剂和活性氧清除组分，解决了传统柔性荧光水凝胶在强荧光响应与氧化环境稳定性之间的权衡问题 | NA | 开发一种用于环境和食品安全监测的柔性、粘附性和智能传感平台 | 汞离子污染 | 计算机视觉 | NA | 荧光成像 | 深度学习模型 | 图像 | NA | NA | NA | 检测限 | 智能手机成像 |
| 564 | 2026-04-22 |
Mamba-based deep learning approach for sleep staging on a wireless multimodal wearable system without electroencephalography
2026-Apr-16, Sleep
IF:5.3Q1
DOI:10.1093/sleep/zsag022
PMID:41649157
|
研究论文 | 本研究提出了一种基于Mamba的深度学习方法，用于在无需脑电图的情况下，通过无线多模态可穿戴系统进行睡眠分期 | 首次将Mamba架构应用于基于非脑电图可穿戴传感器的睡眠分期任务，通过集成模型变体提升了性能 | 研究样本仅来自三级护理睡眠实验室的成人，可能限制了模型的泛化能力 | 开发一种无需脑电图即可进行睡眠分期的深度学习方法 | 使用ANNE One可穿戴系统采集的成人多模态生理信号 | 机器学习 | 睡眠障碍 | 多模态传感器数据采集（心电图、三轴加速度计、胸温、指端光电容积脉搏波、指温） | Mamba-based RNN | 时间序列生理信号 | 357名成人 | NA | Mamba-based RNN | 平衡准确率, F1分数, Cohen's κ, Matthews相关系数 | NA |
| 565 | 2026-04-22 |
Quantum-inspired deep learning model for organic municipal solid waste classification toward a circular bioeconomy
2026-Apr-15, Journal of environmental management
IF:8.0Q1
DOI:10.1016/j.jenvman.2026.129331
PMID:41818969
|
研究论文 | 本文提出了一种量子启发的深度学习模型Quantum BioNet 2.0，用于有机城市固体废物的分类，以支持循环生物经济 | 提出了一种混合量子-经典框架，结合了ResNet50特征提取、并行经典密集层和八量子比特变分量子电路，通过特征融合进行决策，在细粒度有机废物分类中超越了现有卷积模型 | 未来工作需要在更大规模和多区域数据集上验证模型，并考察其在实时废物管理操作中部署的可行性 | 提高有机废物在源头的分类效率，以改善废物处理效率和资源回收 | 有机城市固体废物图像 | 计算机视觉 | NA | 深度学习 | CNN, 量子启发的混合模型 | 图像 | 9000张从多个公共来源收集的废物图像 | NA | ResNet50, InceptionResNetV2, InceptionV3, MobileNetV2, DenseNet121 | 准确率, AUC | NA |
| 566 | 2026-04-22 |
Characterizing spatiotemporal trends in PM2.5 component exposures across the western United States using daily 1-km estimates from multi-source data and deep learning
2026-Apr-15, Journal of environmental management
IF:8.0Q1
DOI:10.1016/j.jenvman.2026.129322
PMID:41831362
|
研究论文 | 本研究开发了一个基于深度森林算法的时空建模框架，用于估计美国西部2002年至2019年每日1公里分辨率的PM2.5组分浓度 | 通过整合地面化学组分网络、卫星数据、CMAQ模拟和辅助预测因子，首次实现了高时空分辨率的PM2.5组分长期估计 | 模型在部分组分（如元素碳）的估计精度相对较低，且依赖于多源数据的可用性和质量 | 开发高时空分辨率的PM2.5组分估计模型，以支持空气质量管理和健康风险评估 | 美国西部地区的硫酸盐、硝酸盐、有机碳、元素碳和矿物尘等PM2.5组分 | 机器学习 | NA | 深度森林算法 | 深度森林 | 多源数据（地面监测、卫星遥感、模拟数据） | 2002-2019年美国西部每日1公里分辨率数据 | NA | 深度森林 | R值, RMSE | NA |
| 567 | 2026-04-22 |
Analyzing the deep learning approach-based modeling framework to understand the critical environmental factors of predicting daily nitrate concentrations
2026-Apr-15, Journal of environmental management
IF:8.0Q1
DOI:10.1016/j.jenvman.2026.129539
PMID:41950591
|
研究论文 | 本研究利用深度学习框架分析环境因素对预测河流日硝酸盐浓度模型性能的影响 | 首次系统识别了影响深度学习模型预测河流硝酸盐浓度的关键环境因素，并验证了浓度-流量关系相似性及环境因子时间变异性对模型性能的重要性 | 研究仅基于爱荷华州的监测数据，未在其他地理区域验证框架的普适性 | 探究影响深度学习模型预测河流日硝酸盐浓度性能的环境因素，以优化监测网络设计和模型应用 | 爱荷华州低频硝酸盐监测点的河流日硝酸盐浓度数据 | 机器学习 | NA | 高频硝酸盐传感器数据采集 | 深度学习模型 | 时间序列数据 | 爱荷华州多个低频与高频硝酸盐监测站点的数据 | NA | NA | 预测准确性 | NA |
| 568 | 2026-04-22 |
Optimized hybrid deep learning model for accurate prediction of effluent quality in wastewater treatment plants
2026-Apr-15, Journal of environmental management
IF:8.0Q1
DOI:10.1016/j.jenvman.2026.129440
PMID:41894967
|
研究论文 | 本研究提出了一种优化的混合深度学习模型，用于准确预测污水处理厂的出水水质 | 从数据、模型和场景三个维度提出解决方案，并创新性地提出了BO-DMS-TPA-GRU混合深度学习模型，实现了跨厂验证和迁移应用 | 未明确说明模型在其他不同工艺污水处理厂的泛化能力，以及实时预测的可行性 | 实现污水处理厂出水COD、TN、TP和NH-N的高精度预测，以提升出水达标率和降低能耗 | 污水处理厂的出水水质参数 | 机器学习 | NA | NA | CNN, GRU, 混合深度学习模型 | 污水处理过程数据 | 涉及两个污水处理厂（WWTP A和WWTP B）的数据，具体样本量未明确 | NA | CNN-GRU, BO-DMS-TPA-GRU | R（相关系数） | NA |
| 569 | 2026-04-22 |
Multiomics and deep learning dissect regulatory syntax in human development
2026-Apr-08, Nature
IF:50.5Q1
DOI:10.1038/s41586-026-10326-9
PMID:41951735
|
研究论文 | 本研究通过单细胞多组学图谱和深度学习模型，揭示了人类发育过程中转录因子结合和染色质可及性的调控语法 | 构建了首个覆盖12个器官、超过80万个胎儿细胞的单细胞染色质可及性与基因表达图谱，并利用深度学习模型解析了调控DNA序列的语法规则，包括硬性和软性句法约束 | 研究主要聚焦于胎儿发育阶段，未涵盖成年或疾病状态；且数据来源于特定发育时间点，可能未完全捕捉动态变化 | 解析人类发育过程中转录因子结合和染色质可及性的调控机制，以解码顺式调控逻辑并解释遗传变异 | 人类胎儿细胞，覆盖12个器官的817,740个细胞，涉及203种细胞类型和超过100万个候选顺式调控元件 | 计算生物学 | NA | 单细胞多组学测序（染色质可及性和基因表达） | 深度学习模型 | DNA序列数据，单细胞染色质可及性和基因表达数据 | 817,740个胎儿细胞，来自12个器官 | NA | NA | NA | NA |
| 570 | 2026-04-22 |
The athlete microbiome project: integrating deep learning to reveal microbial associations of physical fitness
2026-Apr-01, Physiological genomics
IF:2.5Q2
|
研究论文 | 本研究通过整合深度学习技术，分析了运动员与非运动员的肠道微生物组差异，并揭示了微生物组成与身体适应度指标（如最大摄氧量和无脂体重百分比）之间的关联 | 首次大规模整合多大陆的微生物组数据，结合随机森林和多层感知机神经网络，识别出与运动员状态和身体适应度相关的微生物模式，并实现了高精度的运动员状态预测 | 研究为二次分析，依赖于已发表数据，可能受原始研究设计和样本收集方法的限制；未进行机制验证 | 探究运动员是否具有独特的肠道微生物组，以及微生物组成是否与身体适应度指标相关 | 运动员和非运动员的肠道微生物组样本 | 机器学习 | NA | 扩增子测序 | 随机森林, 多层感知机 | 微生物组测序数据, 元数据 | 855个肠道微生物组样本（运动员656人，非运动员199人），覆盖三大洲 | Scikit-learn, TensorFlow或PyTorch（未明确指定，但基于模型类型推断） | 多层感知机 | 平衡准确度, 受试者工作特征曲线下面积 | NA |
| 571 | 2026-04-22 |
Deep learning and statistical methods identify novel asthma risk variants in Europeans
2026-Apr-01, The Journal of allergy and clinical immunology
IF:11.4Q1
DOI:10.1016/j.jaci.2026.03.016
PMID:41932550
|
研究论文 | 本研究通过统计方法和深度学习技术，在欧洲人群中识别新的哮喘风险变异，并改进多基因风险预测 | 结合多性状分析、条件错误发现率和基于Transformer的深度学习框架，首次大规模识别了69个新的哮喘风险位点，并提升了多基因风险评分模型的预测性能 | 研究仅针对欧洲血统人群，结果可能不适用于其他种族或族群 | 精炼欧洲血统个体中哮喘的遗传图谱，并通过统计和深度学习方法改进多基因风险预测 | 欧洲血统的哮喘病例和对照个体 | 机器学习 | 哮喘 | 全基因组关联研究（GWAS） | Transformer | 基因组数据 | 总计约1,810,172个样本，包括158,763例哮喘病例和1,652,409例对照 | NA | Transformer | 多基因风险评分模型的预测性能比较 | NA |
| 572 | 2026-04-22 |
Real-Time Named Entity Recognition from Textual Electronic Clinical Records in Cancer Therapy Using Low-Latency Neural Networks
2026-Apr, Big data
IF:2.6Q2
DOI:10.1177/2167647X251409135
PMID:41649195
|
研究论文 | 本研究开发了一种用于癌症治疗相关临床记录和中医文本的实时低延迟命名实体识别系统 | 提出了一种结合中医特定语料库和生物医学资源的半监督方法，并探索了针对低延迟神经处理优化的深度学习架构在多语言医疗环境中的应用 | 未明确说明系统在具体临床场景中的部署验证细节和跨语言性能的量化评估结果 | 开发适用于癌症治疗和中医临床记录的实时低延迟命名实体识别系统，以支持医疗决策和信息管理 | 电子临床记录中的文本数据，特别是癌症治疗相关记录和传统中医文本 | 自然语言处理 | 癌症 | 命名实体识别 | 深度学习神经网络 | 文本 | NA | NA | NA | 识别准确率 | 低延迟神经处理架构 |
| 573 | 2026-04-22 |
Improving the efficiency of high-fidelity Cas9 by enhancing PAM-distal interactions
2026-Apr, Nature structural & molecular biology
IF:12.5Q1
DOI:10.1038/s41594-026-01753-3
PMID:41851507
|
研究论文 | 本研究通过延长sgRNA的间隔区长度，恢复了高保真Cas9变体SuperFi-Cas9受损的切割活性，并揭示了其分子机制，同时开发了深度学习模型AIdit-SuperFi来预测最佳sgRNA长度 | 发现延长间隔区长度可恢复高保真Cas9的切割活性，并通过结构生物学揭示了其分子机制，同时开发了首个用于预测高保真基因组编辑最佳sgRNA长度的深度学习模型 | 研究主要针对SuperFi-Cas9变体，其他高保真Cas9变体的适用性需要进一步验证；深度学习模型的预测性能有待在更广泛的数据集上评估 | 解决高保真CRISPR-Cas9系统切割效率降低的问题，平衡核酸酶的特异性和效率 | SuperFi-Cas9（高保真Cas9变体）、sgRNA-DNA复合物 | 基因组编辑、结构生物学、深度学习 | NA | CRISPR-Cas9基因编辑、冷冻电镜、突变分析 | 深度学习模型 | 结构数据、序列数据 | NA | NA | AIdit-SuperFi | NA | NA |
| 574 | 2026-04-22 |
Discovering Plastic-Binding Peptides with Favorable Affinity, Water Solubility, and Binding Specificity Through Deep Learning and Biophysical Modeling
2026-Apr-01, bioRxiv : the preprint server for biology
DOI:10.64898/2026.03.30.715295
PMID:41959355
|
研究论文 | 本研究结合深度学习和生物物理建模，开发了一种计算流程，用于发现具有高亲和力、高水溶性和高结合特异性的塑料结合肽，以应对微塑料污染问题 | 首次将LSTM网络与蒙特卡洛树搜索算法结合，并整合CamSol溶解度评分和竞争性MCTS方法，实现了同时优化肽的亲和力、水溶性和塑料结合特异性 | 研究主要基于计算预测和分子动力学模拟，缺乏实验验证；目前仅针对聚乙烯和聚苯乙烯两种塑料进行了验证 | 开发一种计算方法，用于发现具有理想性质的塑料结合肽，以用于微塑料污染的检测和捕获 | 塑料结合肽 | 机器学习 | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 575 | 2026-04-22 |
A deep-learning based biomarker of systemic cellular senescence burden to predict mortality and health outcomes
2026-Mar-24, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.03.20.26348913
PMID:41929337
|
研究论文 | 本研究开发并验证了一种基于深度学习的系统性细胞衰老负荷生物标志物（SASP评分），用于预测死亡率和健康结局 | 首次通过整合大规模人群蛋白质组学数据与半监督深度学习框架，构建了一个综合性的SASP评分，该评分具有增强的可解释性和跨平台实用性 | 研究主要基于UK Biobank数据，外部验证仅在一个独立的随机临床试验队列中进行，可能需要更多样化的队列进行进一步验证 | 开发一种能够量化系统性细胞衰老负荷的生物标志物，以预测死亡风险并评估与衰老相关的慢性疾病 | 人群蛋白质组学数据（来自UK Biobank Pharma Proteomics Project）及独立临床试验队列的纵向数据 | 机器学习 | 老年疾病 | 大规模人群蛋白质组学 | 深度学习 | 蛋白质组学数据 | UK Biobank大规模人群数据及一个独立临床试验队列 | NA | Guided autoencoder with Transformer (GAET) | NA | NA |
| 576 | 2026-04-22 |
Assessing the Performance of BioEmu in Understanding Protein Dynamics
2026-Mar-23, International journal of molecular sciences
IF:4.9Q2
DOI:10.3390/ijms27062896
PMID:41898756
|
研究论文 | 评估BioEmu模型在理解蛋白质动力学方面的性能，包括其生成构象的能力及局限性 | 首次系统评估基于序列的生成模型BioEmu在蛋白质动力学任务中的表现，揭示了其在构象生成和基本性质再现方面的能力，但指出了其在构象分布预测和能量偏好方面的不足 | BioEmu无法预测突变诱导的构象分布变化，在某些情况下偏好高能构象而非低能构象，且生成的构象在集成对接中改进有限 | 评估深度学习模型在蛋白质动力学研究中的应用潜力 | 蛋白质序列及其动态构象 | 机器学习 | NA | 深度学习 | 生成模型 | 序列 | NA | NA | BioEmu | 残基灵活性、运动相关性、局部残基接触、构象分布预测、能量偏好 | NA |
| 577 | 2026-04-22 |
A Systematic Literature Review of You Only Look Once Architectures (v1-v12) in Healthcare Systems
2026-Mar-22, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics16060935
PMID:41897668
|
综述 | 本文对YOLO架构（v1至v12）在医疗系统中的诊断应用进行了系统性文献综述 | 首次系统性回顾了YOLO算法从v1到v12的完整演变历程及其在医疗诊断中的应用，并识别出YOLOv5和YOLOv8是最常用的架构 | 存在可解释性不足、跨机构泛化能力有限以及在边缘设备上部署困难等挑战 | 评估YOLO系列算法在医疗诊断应用中的演变、性能表现及适用性 | 已发表的同行评审科学文章（截至2026年1月1日），这些文章将YOLO模型应用于医学影像任务 | 计算机视觉 | NA | NA | YOLO | 图像 | NA | NA | YOLOv1, YOLOv2, YOLOv3, YOLOv4, YOLOv5, YOLOv6, YOLOv7, YOLOv8, YOLOv9, YOLOv10, YOLOv11, YOLOv12 | 平均精度, 准确率, 推理时间, 计算效率 | NA |
| 578 | 2026-04-22 |
Causal and spatiotemporal deep learning for dengue forecasting and extreme outbreak risk under climate variability: a framework from Vietnam
2026-Mar-20, International journal of biometeorology
IF:3.0Q2
DOI:10.1007/s00484-026-03151-2
PMID:41860701
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 579 | 2026-04-22 |
Molecular Pathology, Artificial Intelligence, and New Technologies in Hematologic Diagnostics: Translational Opportunities and Practical Considerations
2026-Mar-19, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics16060913
PMID:41897649
|
综述 | 本文综述了人工智能、数字形态学平台和自动化技术（如协作机器人）在血液病理学和分子诊断中的应用及其转化潜力 | 系统性地探讨了AI、数字形态学平台、协作机器人及自动化解决方案在血液病诊断中的整合应用，并强调了其在提高诊断准确性和患者护理方面的转化潜力 | 成功转化依赖于疾病特异性验证、开发符合国际分类框架的多模态模型，以及需要保持专家监督的实验室治理 | 评估人工智能、数字技术和自动化在血液病诊断中的应用，以提高诊断准确性和患者护理水平 | 血液病理学和分子诊断技术，包括数字形态学平台、AI辅助的流式细胞术、自动化实验室解决方案和机器学习在分子血液病理学中的应用 | 数字病理学 | 血液系统疾病 | 数字形态学分析，多参数流式细胞术，分子检测 | 深度学习 | 图像，流式细胞术数据，分子数据 | NA | NA | NA | 一致性，性能可比性，吞吐量增益 | NA |
| 580 | 2026-04-22 |
Deep Learning-Predicted RNFL Loss and Incident Glaucoma in the Canadian Longitudinal Study on Aging
2026-Mar-19, Ophthalmology. Glaucoma
DOI:10.1016/j.ogla.2026.03.006
PMID:41862096
|
研究论文 | 本研究利用深度学习模型从眼底照片预测视网膜神经纤维层厚度变化，并在加拿大老龄化纵向研究中探讨其与青光眼发病的关联 | 首次在基于人群的大型前瞻性队列中，使用经OCT训练的机器对机器深度学习模型从眼底照片预测RNFL厚度变化，并验证其与青光眼发病的关联 | 研究依赖自我报告的青光眼诊断，可能未完全捕获所有病例；模型预测基于眼底照片而非直接OCT测量 | 评估深度学习预测的RNFL变薄与青光眼发病风险的关系 | 加拿大老龄化纵向研究中的45-86岁参与者 | 数字病理学 | 青光眼 | 眼底摄影, OCT | 深度学习 | 图像 | 18247名参与者（30202只眼睛） | NA | M2M（机器对机器）模型 | 线性混合效应模型系数, Cox比例风险模型风险比 | NA |