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 46085 篇文献，本页显示第 5901 - 5920 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 5901 | 2026-04-05 |
Artificial intelligence-driven 3-dimensional simulation system for enhanced preoperative planning in gastric cancer surgery: a retrospective validation study
2026-04, Journal of gastrointestinal surgery : official journal of the Society for Surgery of the Alimentary Tract
IF:2.2Q2
DOI:10.1016/j.gassur.2025.102295
PMID:41371602
|
研究论文 | 本研究开发了一种基于人工智能的3D模拟系统，用于胃癌手术的术前规划，通过深度学习模型自动分割腹部器官和检测血管 | 结合AI模型自动识别动态胃器官的解剖结构，生成3D图像以可视化胃、周围器官和血管之间的位置关系，这在胃癌手术规划中较为少见 | 研究为回顾性验证，样本量较小（51例），且未在实时手术环境中进行前瞻性测试 | 创建3D模拟系统以辅助胃癌手术的术前规划，提高手术精确性和安全性 | 胃癌患者的术前增强CT图像，用于分割腹部器官（如胃、胰腺）和检测血管结构 | 数字病理 | 胃癌 | 对比增强CT成像 | 深度学习模型 | CT图像 | 51例胃癌患者 | NA | NA | 结构检测置信度评分（5点量表），可靠性评分 | NA |
| 5902 | 2026-04-05 |
Association Between Computed Tomography-Based AI-Derived Body Composition and Survival in Patients With Pancreatic Ductal Adenocarcinoma
2026-Apr-01, The American journal of gastroenterology
DOI:10.14309/ajg.0000000000003896
PMID:41428798
|
研究论文 | 本研究探讨了基于CT的AI衍生身体成分参数与胰腺导管腺癌患者总生存期之间的独立关联 | 利用经过验证的深度学习分割算法从诊断性CT扫描中自动评估身体成分，并分析其与不同治疗亚组患者生存结局的关系 | 回顾性研究设计可能引入选择偏倚，且研究结果需在前瞻性队列中进一步验证 | 优化胰腺导管腺癌患者的治疗策略，通过身体成分评估改善临床决策 | 胰腺导管腺癌患者 | 数字病理学 | 胰腺癌 | 计算机断层扫描 | 深度学习 | 医学图像 | 1666名胰腺导管腺癌患者（其中手术切除亚组509人，姑息性全身治疗亚组439人，未接受肿瘤靶向治疗亚组718人） | NA | NA | 风险比, 95%置信区间, P值 | NA |
| 5903 | 2026-04-05 |
Accurate predictions of disordered protein ensembles with STARLING
2026-Apr, Nature
IF:50.5Q1
DOI:10.1038/s41586-026-10141-2
PMID:41708867
|
研究论文 | 本文介绍了STARLING框架，该框架结合了基于物理的力场和多模态生成式深度学习，用于快速生成准确的本征无序蛋白（IDR）构象集合及其序列表示 | 将基于物理的力场与多模态生成式深度学习相结合，开发了能够快速生成IDR构象集合的框架，并支持离子强度等环境条件调节，以及通过贝叶斯最大熵重加权方案在实验约束下进行集合优化 | NA | 开发一个能够快速生成准确IDR构象集合并支持多种下游应用的框架，以降低计算研究IDR功能的门槛 | 本征无序蛋白和区域（IDRs） | 机器学习 | NA | 基于物理的力场，多模态生成式深度学习 | 生成式深度学习模型 | 蛋白质序列 | NA | NA | NA | NA | NA |
| 5904 | 2026-04-05 |
Cell Instance Segmentation: The Devil Is in the Boundaries
2026-Apr, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2025.3621093
PMID:41086066
|
研究论文 | 本文提出了一种名为Ceb的新型像素聚类方法，用于细胞实例分割，通过利用细胞边界特征和标签来划分前景像素 | 提出Ceb方法，利用细胞边界特征和标签进行像素聚类，解决了传统像素级目标可能丢失细胞几何属性（如形状、曲率和凸性）的问题 | NA | 改进细胞实例分割的像素聚类方法，以更准确地识别细胞实例 | 细胞实例分割中的前景像素 | 计算机视觉 | NA | 深度学习语义分割 | NA | 图像 | 六个数据集 | NA | NA | NA | NA |
| 5905 | 2026-04-05 |
An Alignment and Imputation Network (AINet) for Breast Cancer Diagnosis With Multimodal Multi-View Ultrasound Images
2026-Apr, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2025.3625254
PMID:41134947
|
研究论文 | 本文提出了一种用于乳腺癌诊断的新型对齐与插补网络（AINet），通过整合多模态多视图超声图像，解决现有方法在处理缺失模态或视图时的局限性 | 提出了一种结合对齐与插补预训练及分层融合微调的网络，首次通过跨模态对比学习对齐特征，并模拟缺失模态场景进行插补，增强了模型对多模态多视图数据的鲁棒性 | 未明确说明模型在极端缺失情况下的性能边界或计算效率，且可能依赖于特定数据集规模 | 开发一种能有效处理多模态多视图超声图像中缺失数据的深度学习模型，以提升乳腺癌诊断的准确性和临床适用性 | 乳腺癌诊断中的多模态多视图超声图像 | 计算机视觉 | 乳腺癌 | 超声成像 | 深度学习网络 | 多模态多视图超声图像 | 15,223名受试者，来自三个数据集 | 未指定 | 对齐与插补网络（AINet） | 未指定具体指标，但提及显著优于现有方法 | 未指定 |
| 5906 | 2026-04-05 |
Prompting Lipschitz-Constrained Network for Multiple-in-One Sparse-View CT Reconstruction
2026-Apr, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2025.3627305
PMID:41166618
|
研究论文 | 本文提出了一种名为PromptCT的存储高效深度展开框架，用于处理多合一稀疏视图CT重建，通过引入可证明满足Lipschitz约束的网络LipNet和显式提示模块，在单一模型中处理多种稀疏采样配置 | 提出了可证明满足Lipschitz约束的网络LipNet，并设计了显式提示模块，使单一模型能够处理多种稀疏视图配置，同时理论上证明了算法的收敛性 | 未明确说明模型在极端稀疏视图情况下的性能，也未讨论在实际临床环境中对不同扫描仪和协议的泛化能力 | 解决稀疏视图CT重建中深度学习方法面临的理论可证明性不足和存储成本高的问题 | 稀疏视图CT图像重建 | 计算机视觉 | NA | 稀疏视图CT扫描 | 深度展开网络 | CT图像 | NA | NA | LipNet, PromptCT | 重建质量 | NA |
| 5907 | 2026-04-05 |
Smart and efficient waste management through wireless IoT-enabled deep learning
2026-Apr-01, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-43827-8
PMID:41922583
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 5908 | 2026-04-05 |
A view-flexible deep learning framework for automated analysis of 2D echocardiography
2026-Apr-01, NPJ cardiovascular health
DOI:10.1038/s44325-025-00100-7
PMID:41922808
|
研究论文 | 本研究开发了一种视图灵活深度学习框架，用于从包含左心室的多个超声心动图视图中自动估计左心室射血分数、患者年龄和性别 | 提出了一种视图灵活深度学习框架，能够处理多种超声心动图视图，降低了对图像采集专业知识的依赖，扩展了手持心脏超声的临床应用潜力 | NA | 开发自动化深度学习框架以分析二维超声心动图，支持左心室射血分数、年龄和性别的估计 | 超声心动图图像，特别是包含左心室的视图 | 计算机视觉 | 心血管疾病 | 超声心动图 | 深度学习 | 图像 | 回顾性和前瞻性经胸超声心动图数据集，涉及625名患者，其中100名患者用于专家与新手用户数据对比 | NA | NA | 相关系数(r), AUC | NA |
| 5909 | 2026-04-05 |
A lightweight neural model for gas concentration prediction in TDLAS under varying environmental conditions
2026-Apr-01, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
DOI:10.1016/j.saa.2026.127842
PMID:41932085
|
研究论文 | 本文提出了一种基于真菌生长优化多层感知器的轻量级深度学习模型，用于在变化环境条件下通过TDLAS系统预测气体浓度 | 提出了一种集成真菌生长优化算法与多层感知器的轻量级深度学习模型，能够自适应优化网络架构，以应对温度与压力变化对气体浓度测量的影响 | NA | 解决在温度与压力变化环境下，TDLAS系统气体浓度测量的准确性问题 | 气体浓度测量，特别是通过TDLAS/WMS系统在变化环境条件下的预测 | 机器学习 | NA | TDLAS, 波长调制光谱 | MLP | 光谱特征数据 | NA | NA | 多层感知器 | 平均绝对百分比误差, 决定系数 | NA |
| 5910 | 2026-04-05 |
Performance benchmarking of deep learning models for real-time median nerve segmentation and cross-sectional area measurement in ultrasound imaging
2026-Apr, Medical physics
IF:3.2Q1
DOI:10.1002/mp.70414
PMID:41933401
|
研究论文 | 本研究开发了一种轻量级深度学习模型MNSeg-Net，用于超声图像中正中神经的实时分割和横截面积测量，以辅助腕管综合征的诊断和手术规划 | 提出了一种新颖的轻量级多尺度特征融合网络MNSeg-Net，仅含2.46M参数，在保持与大型模型相当性能的同时实现实时处理，并成功部署于临床实时设置 | 研究样本量相对有限（100名受试者），且主要聚焦于腕管综合征，未广泛验证于其他神经卡压综合征 | 开发一种准确的深度学习分割方法，用于测量正中神经的横截面积，以促进神经卡压综合征（尤其是腕管综合征）的诊断和手术规划 | 正中神经在超声图像中的分割和横截面积测量 | 计算机视觉 | 腕管综合征 | 超声成像 | CNN | 图像 | 100名受试者，共30000帧超声图像 | NA | MNSeg-Net, UNet, UNet++, U2Net | Dice相似系数, 横截面积差异, Hausdorff距离 | 配备GPU的系统, Av.io HD Epiphan帧抓取器 |
| 5911 | 2026-04-05 |
Anxiety detection using neural and physiological signals and artificial intelligence: A comprehensive review
2026-Mar-31, Neuroscience and biobehavioral reviews
IF:7.5Q1
DOI:10.1016/j.neubiorev.2026.106669
PMID:41933676
|
综述 | 本文全面综述了利用神经生理信号（如EEG、ECG、PPG、EDA）和人工智能技术进行焦虑检测的研究进展 | 提供了2015-2025年间该领域的系统性综述，指出了从传统机器学习到端到端深度学习，再到混合模型（如CNN-LSTM）和Transformer架构的演变趋势，并强调了多模态数据整合的优势 | 现有研究依赖狭窄的、实验室训练的数据集，缺乏标准化的验证程序，复杂模型透明度有限，这些因素共同阻碍了临床转化 | 评估人工智能（特别是机器学习和深度学习）在利用神经和生理信号客观、连续监测焦虑障碍方面的应用，并推动临床有效的数字心理健康技术发展 | 焦虑障碍 | 机器学习 | 焦虑症 | 脑电图（EEG）、心电图（ECG）、光电容积脉搏波描记法（PPG）、皮肤电活动（EDA） | CNN, LSTM, Transformer, 混合模型（如CNN-LSTM） | 神经信号, 生理信号 | NA | NA | CNN-LSTM, Transformer | 准确率 | NA |
| 5912 | 2026-04-05 |
CTRNet: a lightweight and efficient deep learning model for field maize whorl identification
2026-03-30, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-45727-3
PMID:41912746
|
研究论文 | 本文提出了一种名为CTRNet的轻量高效深度学习模型，用于田间玉米喇叭口期的玉米心叶识别 | 通过多尺度上下文交互模块、双通道细粒度特征增强模块、门控自适应信息融合模块以及自适应通道边缘注意力机制，增强了小目标在遮挡和复杂背景下的特征表示 | NA | 解决田间环境下玉米心叶因目标极小、叶片遮挡频繁、背景复杂及光照动态变化而导致的准确检测难题 | 田间玉米喇叭口期的玉米心叶 | 计算机视觉 | NA | NA | CNN | 图像 | NA | NA | CTRNet | mAP@0.5 | NA |
| 5913 | 2026-04-01 |
Deep learning-based detection of bowel sound events in continuous recordings
2026-03-30, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-47018-3
PMID:41912873
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 5914 | 2026-04-01 |
Deep learning for incidence rate prediction and radiation risk assessment of solid tumors
2026-03-30, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-46756-8
PMID:41912895
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 5915 | 2026-04-05 |
Identifying microbial protease allergens through protein language model-guided homology
2026-Mar-18, Cell systems
IF:9.0Q1
DOI:10.1016/j.cels.2025.101510
PMID:41722567
|
研究论文 | 本研究利用深度学习与预训练蛋白质语言模型，从宏基因组数据中识别微生物丝氨酸蛋白酶过敏原 | 首次将蛋白质语言模型与深度学习框架结合，通过保守催化三联体识别低序列同源性的过敏原同源物，突破了传统方法的局限 | 方法依赖于预训练蛋白质语言模型的表征能力，且实验验证仅针对部分预测结果 | 开发计算框架以发现微生物来源的新型蛋白酶过敏原 | 肠道、皮肤和口腔微生物组中的丝氨酸蛋白酶与半胱氨酸蛋白酶 | 生物信息学, 机器学习 | 过敏性疾病 | 宏基因组学, 深度学习, 蛋白质语言模型 | 深度学习框架, 蛋白质语言模型 | 蛋白质序列数据, 宏基因组数据 | NA | NA | 蛋白质语言模型引导的深度学习框架 | 实验验证（免疫诱导过敏反应） | NA |
| 5916 | 2026-04-05 |
Predicting Adherence to Computer-Based Cognitive Training Programs Among Older Adults Using Source-Free Domain Adaptation: Algorithm Development and Validation
2026-Mar-18, JMIR aging
IF:5.0Q1
DOI:10.2196/79123
PMID:41848218
|
研究论文 | 本研究开发并验证了一种基于源自由域适应的算法，用于预测老年人对计算机化认知训练项目的依从性 | 首次应用源自由域适应技术预测老年人对认知训练项目的日常依从性，解决了数据隐私限制下的模型训练问题 | 研究依赖于三个先前进行的认知训练干预研究数据，样本来源可能有限 | 提高预测老年人认知训练项目依从模式的准确性，以开发个性化支持系统促进依从性和改善认知结果 | 参与计算机化认知训练项目的老年人 | 机器学习 | 老年疾病 | 源自由域适应 | 深度神经网络 | 训练数据 | 来自三个先前认知训练干预研究的数据 | NA | NA | NA | NA |
| 5917 | 2026-04-05 |
DeepTESite: The Prediction of Protein Arginine Methylation Sites Using Amino Acids Sequence Symmetric Position Encodings Based on Transformer Encoder
2026 Mar-Apr, IEEE transactions on computational biology and bioinformatics
DOI:10.1109/TCBBIO.2025.3650228
PMID:41477806
|
研究论文 | 本文提出了一种基于Transformer编码器的DeepTESite模型，用于预测蛋白质精氨酸甲基化位点，通过引入氨基酸序列对称位置编码和双向多头注意力机制来提高预测准确性和计算效率 | 首次提出基于甲基化对称假说的氨基酸序列对称位置编码，以减少位置编码计算量，并应用双向多头注意力机制来提取序列和空间信息特征 | 未明确提及模型在更广泛蛋白质序列或不同甲基化类型上的泛化能力限制 | 预测蛋白质精氨酸甲基化位点，以揭示甲基化分子机制 | 蛋白质氨基酸序列 | 自然语言处理 | NA | 深度学习 | Transformer | 序列数据 | NA | NA | Transformer编码器 | 准确率 | NA |
| 5918 | 2026-04-05 |
Real-world diagnostic performance of knee MRI protocols accelerated using simultaneous multi-slice acquisition and deep learning reconstruction
2026-Mar, Skeletal radiology
IF:1.9Q3
DOI:10.1007/s00256-025-05058-2
PMID:41109866
|
研究论文 | 评估使用同步多层采集和深度学习重建的加速膝关节MRI协议在检测内部紊乱损伤方面是否不劣于传统并行成像协议 | 结合同步多层采集和深度学习重建技术加速MRI扫描，并在真实世界临床环境中验证其诊断性能 | 部分指标未达到严格的非劣效性边界，研究为回顾性队列设计 | 评估加速膝关节MRI协议的诊断性能 | 接受膝关节MRI并随后进行关节镜检查的患者 | 医学影像分析 | 膝关节损伤 | 同步多层采集, 深度学习重建, 3T MRI, 二维涡轮自旋回波序列 | 深度学习重建模型 | MRI图像 | 1055名患者 | NA | NA | 灵敏度, 特异性, 95%置信区间 | NA |
| 5919 | 2026-04-05 |
SCImputation: Mitigating Feature Confounding From a Structural Causal Perspective for Data Imputation
2026 Mar-Apr, IEEE transactions on computational biology and bioinformatics
DOI:10.1109/TCBBIO.2026.3665199
PMID:41697814
|
研究论文 | 本文提出了一种基于结构因果视角的数据插补方法SCImputation，旨在通过优化邻居选择和利用后门调整公式来减轻目标特征带来的混淆效应 | 从结构因果视角分析数据插补问题，揭示了目标特征作为混淆因子的作用，并提出了一种结合实例级和特征级信息的邻居选择策略以及后门调整公式来减轻混淆 | NA | 解决数据缺失问题，提高数据插补的准确性和可靠性 | 缺失数据 | 机器学习 | NA | 数据插补 | KNNimpute, LLSimpute | 结构化数据（如微阵列数据、评估数据） | 五个数据集（NACC、三个NCBI微阵列、Turkiye Student Evaluation） | NA | NA | 准确率, RMSE | NA |
| 5920 | 2026-04-05 |
Deep_TPPred: Improved Prediction of Protein Toxicity Using Feature Fusion and Hybrid Neural Network Approach
2026 Mar-Apr, IEEE transactions on computational biology and bioinformatics
DOI:10.1109/TCBBIO.2026.3656227
PMID:41557578
|
研究论文 | 本研究提出了一种名为Deep_TPPred的新型混合深度学习模型，通过融合卷积神经网络和循环神经网络，结合特征融合技术，用于准确预测蛋白质毒性 | 提出了一种结合CNN和RNN的混合深度学习模型，并采用特征融合技术整合多种蛋白质序列描述符，以捕捉复杂的序列关系，从而在蛋白质毒性预测上实现了最先进的性能 | NA | 提高蛋白质毒性预测的准确性，以支持药物发现、安全评估和毒理学研究 | 蛋白质序列 | 生物信息学 | NA | 深度学习 | CNN, RNN | 蛋白质序列数据 | NA | NA | 混合神经网络（CNN与RNN结合） | 准确率, 特异性, 灵敏度, Kappa值, MCC值 | NA |