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 42805 篇文献，本页显示第 6081 - 6100 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 6081 | 2026-01-20 |
Breaking resistance with machine and deep learning: A computational intelligence hunt for AmvR (TetR) inhibitors in Acinetobacterbaumannii
2026-Mar, Journal of molecular graphics & modelling
IF:2.7Q2
DOI:10.1016/j.jmgm.2025.109261
PMID:41442824
|
研究论文 | 本研究利用机器学习和深度学习模型，从天然化合物库中筛选针对Acinetobacter baumannii的AmvR (TetR)蛋白抑制剂 | 结合QSAR模型、多种机器学习算法（RF、SVM、KNN、XGBoost）和深度学习CNN模型进行虚拟筛选，并辅以分子对接、分子动力学模拟（500 ns）和结合自由能分析（MMGBSA/PBSA）等综合计算手段 | 研究为计算模拟结果，需进一步实验验证；筛选的化合物库仅限于10,860个天然化合物 | 开发针对多重耐药Acinetobacter baumannii感染的新型治疗方法，寻找AmvR (TetR)蛋白抑制剂 | Acinetobacter baumannii的TetR家族调控蛋白AmvR及其潜在抑制剂 | 计算生物学, 药物发现 | 细菌感染, 多重耐药菌感染 | 定量构效关系(QSAR), 虚拟筛选, 分子对接, 分子动力学模拟, 药代动力学(ADME)分析 | RF, SVM, KNN, XGBoost, CNN | 化学结构数据, 生物活性数据(MIC), 蛋白质结构数据 | ChEMBL数据集, 10,860个天然化合物 | Scikit-learn, XGBoost, TensorFlow/PyTorch (未明确指定) | CNN | 准确率(96%), 结合能(kcal/mol), 结合自由能(MMGBSA/PBSA) | NA |
| 6082 | 2026-01-20 |
Clinical validation of fully automated (peri-)articular tissue analysis for assessing osteoarthritis progression: A narrative review
2026-Mar, Osteoarthritis and cartilage open
DOI:10.1016/j.ocarto.2025.100719
PMID:41550414
|
综述 | 本文是一篇叙述性综述，总结了全自动（关节周围）组织分析技术在评估骨关节炎进展方面的临床验证研究 | 系统性地回顾和比较了基于深度学习的全自动方法在评估骨关节炎结构进展方面的临床有效性，并与参考测量（如手动分割）进行了对比 | 纳入的研究数量有限（仅9篇，其中5篇符合纳入标准），且主要依赖于骨关节炎倡议（OAI）的数据，可能限制了结果的普适性 | 评估和总结全自动方法在评估骨关节炎结构进展方面的临床有效性 | 骨关节炎患者的（关节周围）关节组织，包括软骨、肌肉和脂肪组织 | 数字病理学 | 骨关节炎 | MRI，X射线成像 | 深度学习 | 医学影像（MRI，X射线） | NA | NA | NA | 对变化的敏感性，区分能力 | NA |
| 6083 | 2026-01-20 |
Detecting Human Frequency-Following Responses Using an Artificial Neural Network
2026-Feb, Perceptual and motor skills
IF:1.4Q4
DOI:10.1177/00315125251347006
PMID:40440687
|
研究论文 | 本研究探讨了使用三层人工神经网络检测由英语元音/i/的上升语调引发的人类频率跟随响应的有效性 | 首次将深度学习模型（人工神经网络）应用于频率跟随响应的检测，探索了其在听觉处理评估中的潜力 | 研究仅针对特定语调（英语元音/i/的上升语调）的FFR，未涵盖更广泛的声学条件或语言环境 | 评估人工神经网络在检测人类频率跟随响应方面的效能，为听觉处理评估和临床诊断提供基础 | 由英语元音/i/的上升语调引发的人类频率跟随响应神经信号 | 机器学习 | NA | 频谱域F0估计 | ANN | FFR录音信号 | NA | NA | 三层人工神经网络 | 预测准确率 | NA |
| 6084 | 2026-01-20 |
Evaluation of deep learning models for anterior segment OCT image segmentation during scleral lens wear
2026-Feb, Contact lens & anterior eye : the journal of the British Contact Lens Association
IF:4.1Q1
DOI:10.1016/j.clae.2025.102484
PMID:40764201
|
研究论文 | 本研究评估了16种深度学习模型在巩膜镜佩戴期间前段OCT图像分割中的性能 | 首次系统比较了四种不同架构（U-Net、U-Net++、FPN、MA-Net）与五种编码器（EfficientNet-B4、DenseNet201、VGG19、ResNet34、Xception）组合在巩膜镜佩戴AS-OCT图像分割中的表现，并确定了U-Net++/VGG19为最佳组合 | 研究仅涉及正常角膜参与者，未包括角膜疾病或组织形态改变的病例，且部分模型在Bowman层与角膜基质界面存在误分类问题 | 评估深度学习模型在巩膜镜佩戴期间前段OCT图像分割中的准确性和性能 | 巩膜镜佩戴期间获取的前段光学相干断层扫描图像，包括巩膜镜前/后表面、角膜上皮前表面、基质前界面和内皮 | 计算机视觉 | NA | 前段光学相干断层扫描 | 深度学习模型 | 图像 | 15名正常角膜参与者在巩膜镜佩戴0和480分钟后获取的AS-OCT图像 | NA | U-Net, U-Net++, FPN, MA-Net, EfficientNet-B4, DenseNet201, VGG19, ResNet34, Xception | Dice系数, 平均绝对边界误差 | NA |
| 6085 | 2026-01-20 |
Harnessing deep statistical potential for biophysical scoring of protein-peptide interactions
2026-Feb, Acta pharmacologica Sinica
IF:6.9Q1
DOI:10.1038/s41401-025-01659-8
PMID:41034399
|
研究论文 | 本文开发了一种名为DeepPpIScore的新型评分函数，用于评估蛋白质-肽相互作用，该方法结合了无监督几何深度学习和物理启发的统计势能 | DeepPpIScore是首个利用无监督几何深度学习和物理统计势能来评分蛋白质-肽相互作用的模型，无需结合亲和力数据或分类标签进行训练，且在多个任务中展现出卓越的泛化能力 | 模型仅基于精选的实验结构进行训练，可能未覆盖所有蛋白质-肽相互作用的多样性，且未明确讨论其在未知结构或大规模数据集上的表现 | 开发一个高精度的评分函数，以改进蛋白质-肽相互作用的预测，并促进肽疗法的进展 | 蛋白质-肽相互作用 | 机器学习 | NA | 无监督几何深度学习，物理启发的统计势能 | 深度学习模型 | 三维结构数据 | NA | NA | NA | 结合亲和力预测，结合对识别，肽结合模式预测 | NA |
| 6086 | 2026-01-20 |
Chromosome Image Classification Using Edge Fusion Attention Network
2026-Feb, Microscopy research and technique
IF:2.0Q3
DOI:10.1002/jemt.70070
PMID:40884446
|
研究论文 | 本文提出了一种用于染色体图像分类的深度学习架构——边缘融合注意力网络（EFANet），通过结合自适应边缘保持融合算法和特征聚焦注意力网络，提高了染色体分类的准确性 | 提出了一种新的深度学习架构EFANet，结合了自适应边缘保持融合（AEPF）算法和特征聚焦注意力网络（FANet），以增强染色体边界识别和形态差异特征，从而提高分类精度 | NA | 解决染色体结构变异和边界不精确导致的分类困难，提高染色体图像分类的准确性 | 染色体图像 | 计算机视觉 | 遗传性疾病 | NA | CNN | 图像 | NA | NA | EFANet, AEPF, FANet | 准确率, F1分数, 精确率, 召回率 | NA |
| 6087 | 2026-01-20 |
Physics-informed deep learning sharpens nano diagnostics for elusive pancreatic cancer
2026-Feb, Seminars in oncology
IF:3.0Q2
DOI:10.1016/j.seminoncol.2025.152427
PMID:41129854
|
综述 | 本文探讨了物理信息深度学习在胰腺癌纳米诊断中的应用及其潜力 | 结合物理信息深度学习与人工智能、纳米医学和影像学，以提升胰腺癌的早期检测和个性化治疗 | 未提及具体实验数据或模型验证的局限性 | 改善胰腺癌的早期诊断和患者预后 | 胰腺癌患者，特别是高风险群体 | 数字病理学 | 胰腺癌 | 物理信息深度学习，人工智能，纳米医学，液体活检 | 深度学习模型 | 影像数据，合成数据 | NA | NA | NA | NA | NA |
| 6088 | 2026-01-20 |
Accelerating 2D Kidney Magnetic Resonance Fingerprinting Using Deep Learning Based Tissue Quantification
2026-Feb, Journal of magnetic resonance imaging : JMRI
IF:3.3Q1
DOI:10.1002/jmri.70150
PMID:41085013
|
研究论文 | 本文开发了一种基于深度学习的加速肾脏磁共振指纹成像方法，用于快速量化组织特性 | 首次将深度学习应用于加速肾脏MRF采集，实现了三倍加速且保持量化准确性 | 对于T1或T2值与健康组织差异较大的肾脏肿块，需要更多MRF时间帧才能保证准确量化 | 开发加速肾脏磁共振指纹成像的深度学习方法并评估其性能 | 健康受试者的肾脏及肾脏肿块患者的病变组织 | 数字病理学 | 肾脏疾病 | 磁共振指纹成像 | 深度学习 | 磁共振图像 | 开发集：36名健康受试者+20名肾脏肿块患者；测试集：4名健康受试者+16名患者 | NA | NA | 归一化均方根误差 | NA |
| 6089 | 2026-01-20 |
Standardized evaluation of orthokeratology lens fitting status assisted by deep learning algorithm
2026-Feb, Contact lens & anterior eye : the journal of the British Contact Lens Association
IF:4.1Q1
DOI:10.1016/j.clae.2025.102519
PMID:41115819
|
研究论文 | 本研究开发了一种基于YOLOv8n目标检测算法的标准化评估方法，用于在荧光素染色条件下定量评估角膜塑形镜的位移并客观评价其适配状态 | 首次将YOLOv8n目标检测算法应用于角膜塑形镜荧光素染色图像的自动识别与位移计算，实现了适配状态的客观、定量评估 | 对于经验丰富的适配医师可能无法显著提高效率，且未来需要扩大样本量并纳入多中心数据以验证泛化能力 | 开发一种标准化、客观的角膜塑形镜适配状态评估方法，以辅助临床评估并减少主观偏差 | 角膜塑形镜在荧光素钠染色下的适配过程视频及对应的眼科检查结果 | 计算机视觉 | NA | 荧光素钠染色成像 | 目标检测算法 | 视频、图像 | 117个记录角膜塑形镜荧光素钠染色适配过程的视频 | NA | YOLOv8n | 准确率, 召回率, F1分数, Kappa一致性检验 | NA |
| 6090 | 2026-01-20 |
A review of deep learning techniques in Alzheimer's disease with emphasis on data tools and transfer learning
2026-Jan-26, Neuroscience
IF:2.9Q2
|
综述 | 本文综述了深度学习技术在阿尔茨海默病中的应用，重点关注数据工具和迁移学习方法 | 强调迁移学习在解决数据标注不足和类别不平衡问题上的创新应用，并全面回顾了数据预处理工具 | 未提出新的模型或算法，主要基于现有文献进行总结，可能未涵盖所有最新研究进展 | 回顾深度学习特别是迁移学习在阿尔茨海默病阶段分类中的应用，并讨论相关挑战 | 阿尔茨海默病的早期识别和阶段分类 | 机器学习 | 阿尔茨海默病 | NA | 深度学习 | 图像（MRI, PET） | NA | NA | NA | NA | NA |
| 6091 | 2026-01-20 |
Comparison of deep learning reconstruction and adaptive statistical iterative reconstruction for head CT in acute stroke
2026-Jan-19, Neuroradiology
IF:2.4Q2
DOI:10.1007/s00234-025-03898-2
PMID:41549105
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 6092 | 2026-01-20 |
A chronic kidney disease prediction system based on Internet of Things using walrus optimized deep learning technique
2026-Jan-19, Informatics for health & social care
IF:2.5Q3
DOI:10.1080/17538157.2025.2610695
PMID:41553156
|
研究论文 | 本文提出了一种基于物联网的慢性肾病预测系统，采用海象优化的深度学习技术 | 结合了增强残差网络50进行特征提取，并引入了基于精英对立和柯西分布的海象优化算法进行特征选择，以及海象优化的双向长短期记忆网络进行分类 | 未提及模型在外部验证集上的泛化能力或计算效率的具体评估 | 开发一种高效的慢性肾病预测系统，以提升医疗保健服务 | 慢性肾病患者的医疗数据 | 机器学习 | 慢性肾病 | 物联网数据采集与处理 | 深度学习 | 结构化医疗数据 | NA | NA | EResNet50, WOBLSTM | 灵敏度 | NA |
| 6093 | 2026-01-20 |
Hybrid imaging-clinical model for predicting microvascular invasion in hepatocellular carcinoma using deep learning-derived features from CT
2026-Jan-19, Physical and engineering sciences in medicine
IF:2.4Q2
DOI:10.1007/s13246-025-01689-w
PMID:41553627
|
研究论文 | 本研究提出了一种结合深度学习和机器学习技术的方法，利用CT图像中的脂肪组织特征来预测肝细胞癌患者的微血管侵犯状态 | 首次整合脂肪组织深度特征与临床特征构建混合模型，用于预测肝细胞癌的微血管侵犯，并通过可视化分析验证了脂肪组织模态的临床诊断价值 | 研究仅基于两个中心的517例患者数据，样本量相对有限，且未进行外部验证 | 开发一种预测肝细胞癌微血管侵犯的混合成像-临床模型 | 肝细胞癌患者 | 计算机视觉 | 肝细胞癌 | 增强计算机断层扫描 | 深度学习, 机器学习 | 图像 | 517例肝细胞癌患者 | NA | NA | AUC, 决策曲线分析, 散点图, 箱线图 | NA |
| 6094 | 2026-01-20 |
Development and validation of a deep survival model to predict time to seizure from routine electroencephalography
2026-Jan-19, Epilepsia
IF:6.6Q1
DOI:10.1002/epi.70101
PMID:41553763
|
研究论文 | 本研究开发并验证了一个深度学习生存模型EEGSurvNet，用于从常规脑电图分析中预测个体随时间变化的癫痫发作风险 | 首次开发了深度学习生存模型EEGSurvNet，能够从单次常规脑电图中提取超出可见癫痫样异常的预后信息，并在无癫痫样放电的脑电图中表现出优越的区分能力 | 研究为回顾性队列设计，未来需要前瞻性研究来验证结果并评估临床影响 | 开发并验证一个深度学习模型，以预测癫痫患者从常规脑电图记录到下一次癫痫发作的时间 | 994名患者的1014次连续常规脑电图记录 | 机器学习 | 癫痫 | 常规脑电图 | 深度学习生存模型 | 脑电图信号 | 1014次脑电图记录（来自994名患者），测试集包含135次脑电图记录（来自115名患者） | NA | EEGSurvNet | 时间依赖性AUROC, 2年积分AUROC, C指数 | NA |
| 6095 | 2026-01-20 |
EvoZymePro-Cat: A Protein-Ligand-Aware Deep Learning Framework for Predicting Mutation Effects in Enzyme Function
2026-Jan-16, ACS synthetic biology
IF:3.7Q1
DOI:10.1021/acssynbio.5c00755
PMID:41422407
|
研究论文 | 本文提出了一种名为EvoZymePro-Cat的深度学习框架，用于预测突变对酶功能的影响，并通过比较预测突变活性来筛选改进的酶突变体 | 提出了一种成对比较框架，直接建模变体间的相对活性优势，避免了绝对活性预测的系统误差；整合了蛋白质和配体的全序列与局部结构语义，并利用双线性注意力机制捕获催化过程中的长程分子间相互作用 | 未明确说明模型在跨酶家族或不同反应类型中的泛化能力，也未详细讨论计算资源需求或运行时间 | 开发一个深度学习平台，用于高效筛选酶突变体，以推动酶的高效发现和定向进化 | 酶突变体及其功能活性 | 机器学习 | NA | 深度学习 | Transformer, 注意力机制 | 蛋白质序列、配体分子表示、结构特征 | NA | NA | ESM1b, MolT5, 双线性注意力机制 | AUC | NA |
| 6096 | 2026-01-20 |
AggrescanAI: Prediction of Aggregation-Prone Regions Using Contextualized Embeddings
2026-Jan-16, Journal of molecular biology
IF:4.7Q1
DOI:10.1016/j.jmb.2026.169643
PMID:41548690
|
研究论文 | 本文介绍了AggrescanAI，一种基于深度学习的工具，可直接从蛋白质序列预测残基水平的聚集倾向 | 利用ProtT5蛋白质语言模型的上下文嵌入，无需结构数据即可捕获序列中隐含的丰富信息，代表了新一代基于序列的聚集预测工具 | 未明确说明模型在特定蛋白质类型或极端条件下的泛化能力限制 | 开发一种能够准确预测蛋白质序列中聚集倾向区域（APRs）的深度学习工具 | 蛋白质序列及其聚集倾向区域 | 自然语言处理 | 神经退行性疾病 | 蛋白质语言模型 | 深度学习 | 序列数据 | 通过同源转移扩展的实验注释APRs数据集 | TensorFlow, PyTorch | ProtT5 | 交叉验证，外部基准测试 | Google Colab |
| 6097 | 2026-01-20 |
Explainable AI for pain perception: subject-independent EEG decoding using DeepSHAP and CNNs
2026-Jan-15, Biomedical physics & engineering express
IF:1.3Q3
DOI:10.1088/2057-1976/ae34b4
PMID:41499809
|
研究论文 | 本研究使用可解释的深度学习（DeepSHAP和CNN）从EEG信号中解码疼痛感知，实现主体独立的疼痛水平分类 | 首次将DeepSHAP可解释性技术应用于EEG疼痛解码，识别出与高低疼痛状态相关的特定频率带贡献 | 样本量较小（50名受试者），仅针对低和高两种疼痛刺激水平，未涵盖更广泛的疼痛强度范围 | 开发可解释的深度学习模型，用于从EEG信号中客观监测疼痛水平 | 50名受试者在低和高疼痛刺激下的EEG信号 | 机器学习 | NA | EEG信号分析 | CNN | EEG信号 | 50名受试者 | NA | 1D CNN | 分类准确率 | NA |
| 6098 | 2026-01-20 |
Skin disease diagnostics through federated transfer learning on heterogeneous data
2026-Jan-15, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-31730-7
PMID:41540083
|
研究论文 | 本文提出了一种结合联邦学习和迁移学习的隐私保护方法，用于皮肤疾病的诊断，旨在解决医疗数据短缺和隐私限制问题 | 结合联邦学习与迁移学习，构建了一个隐私保护的诊断生态系统，并在异构数据上验证了模型的有效性 | 未明确说明模型在更广泛或真实世界临床环境中的泛化能力，以及具体的数据隐私保护机制细节 | 开发一种高效、轻量且隐私保护的皮肤疾病诊断方法，以提升诊断准确性并适应资源受限设备 | 皮肤疾病 | 机器学习 | 皮肤疾病 | 联邦学习, 迁移学习 | DNN | 图像数据（推断自皮肤疾病诊断） | NA | NA | 密集神经网络 | 交叉验证准确率 | 资源受限设备（如边缘设备） |
| 6099 | 2026-01-20 |
Modeling Ischemic Stroke Pathological Dynamics via Continuous Fields and Vector Flow
2026-Jan-15, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-025-02222-9
PMID:41540225
|
研究论文 | 提出了一种名为StrokeFlow的新型框架，用于将缺血性卒中区域建模为连续场，以更精确地定位扩散加权MRI中的灌注缺损 | 将缺血性卒中建模从离散二值分割转向连续、功能感知的场表示，并引入了与表观扩散系数图负梯度对齐的矢量流场来模拟灌注缺损的方向性 | 仅使用了公开的ISLES 2022数据集进行评估，未在更广泛或多样化的临床数据上进行验证 | 开发一种更精确、生物学上更合理且可解释的工具，用于缺血性卒中的临床评估 | 急性缺血性卒中患者的扩散加权MRI图像 | 医学影像分析 | 缺血性卒中 | 扩散加权MRI | 基于坐标的神经网络 | 医学影像 | ISLES 2022公开数据集 | NA | StrokeFlow | 95% Hausdorff Distance, 敏感性 | NA |
| 6100 | 2026-01-20 |
Harnessing artificial intelligence for the assessment of liver fibrosis and steatosis via multiparametric ultrasound
2026-Jan-14, World journal of gastroenterology
IF:4.3Q1
DOI:10.3748/wjg.v32.i2.113059
PMID:41551823
|
综述 | 本文综述了人工智能（AI）结合多参数超声（US）技术在肝纤维化和脂肪变性评估中的应用、进展及临床意义 | 整合AI与多参数超声（如弹性成像和多普勒成像）技术，提高了肝纤维化和脂肪变性诊断的准确性、客观性和可重复性，减少了操作者依赖性 | 需要大规模数据集、算法透明度不足以及缺乏充分的临床验证 | 探索AI在多参数超声评估肝纤维化和脂肪变性中的当前应用和未来潜力 | 肝纤维化和脂肪变性 | 医学影像 | 肝病 | 多参数超声（包括弹性成像和多普勒成像） | 机器学习, 深度学习 | 超声图像 | NA | NA | NA | 灵敏度 | NA |