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 43760 篇文献，本页显示第 601 - 620 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 601 | 2026-04-24 |
MM-WAE: Multimodal Wasserstein Autoencoders for Semi-Supervised Wafer Map Defect Recognition
2026-Mar-18, Micromachines
IF:3.0Q2
DOI:10.3390/mi17030367
PMID:41900253
|
研究论文 | 提出一种基于多模态Wasserstein自编码器的半监督晶圆图缺陷识别方法 | 构建空间、频率和纹理三个并行特征分支，利用多头注意力机制和门控机制进行自适应多模态融合；引入Wasserstein自编码器并用最大平均差异损失正则化潜空间分布；结合逆类别频率加权交叉熵损失和模态一致性损失，实现半监督学习下的重构与分类联合优化 | 未提及模型在极不平衡数据或新缺陷类型上的泛化能力，也未报告计算资源需求或推理速度 | 解决晶圆图缺陷识别中标签稀缺、长尾分布和特征表示有限导致的性能下降问题 | 晶圆图缺陷模式 | 计算机视觉 | NA | 晶圆图成像 | Wasserstein自编码器、多头注意力机制 | 晶圆图图像 | NA | PyTorch | Wasserstein自编码器 | 准确率、鲁棒性 | NA |
| 602 | 2026-04-24 |
Yixin Yangshen Granules Target HIF-1 Signaling to Modulate the Neuroimmune Microenvironment in Alzheimer's Disease: Insights from Integrative Multi-Omics and Deep Learning
2026-Mar-18, Pharmaceuticals (Basel, Switzerland)
DOI:10.3390/ph19030502
PMID:41901348
|
研究论文 | 本研究整合多组学和深度学习技术，阐明益心养肾颗粒通过调节HIF-1信号通路改善阿尔茨海默病神经免疫微环境的机制 | 首次结合单细胞RNA测序、多组学分析和深度学习框架DTIAM，系统揭示益心养肾颗粒通过HIF-1和AGE-RAGE通路的多靶点调控机制，并识别灵芝内酯A为关键活性成分 | 主要基于Aβ诱导的小鼠模型和体外细胞实验，缺乏人体临床试验验证；多组学整合和深度学习的预测结果需进一步的药理实验佐证 | 阐明益心养肾颗粒治疗阿尔茨海默病的多靶点机制，重点关注神经免疫微环境的调节 | 阿尔茨海默病患者海马组织snRNA-seq数据、Aβ诱导的HT22细胞和小鼠模型 | 机器学习 | 阿尔茨海默病 | snRNA-seq、UPLC-QTOF-MS、转录组测序、蛋白质组学、分子对接、分子动力学模拟 | 深度学习框架DTIAM | 基因表达数据、蛋白质组数据、分子对接数据 | 公开人类AD海马snRNA-seq数据集（具体数量未说明）；Aβ诱导的小鼠模型（具体数量未说明） | DTIAM | DTIAM | NA | NA |
| 603 | 2026-03-18 |
Deep learning-based non-invasive prediction of axillary lymph node metastasis in breast cancer: performance of the YOLO-v11 object detection algorithm
2026-Mar-16, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-026-02289-0
PMID:41840500
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 604 | 2026-03-18 |
Explainable tabular deep learning models for antenatal cesarean delivery prediction in multiparous women
2026-Mar-16, BMC pregnancy and childbirth
IF:2.8Q1
DOI:10.1186/s12884-026-08934-4
PMID:41840520
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 605 | 2026-04-24 |
Integrating phenotypic information of obstructive sleep apnea and deep representation of sleep-event sequences for cardiovascular risk prediction
2026-Mar-16, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-026-03439-8
PMID:41840572
|
研究论文 | 整合阻塞性睡眠呼吸暂停表型信息与睡眠事件序列的深度表示，用于心血管风险预测 | 提出表型对比深度学习模型，将OSA表型信息与夜间睡眠事件特征序列的深度表示相结合，并通过SHAP分析增强模型可解释性 | 未提及具体限制，但可能包括样本来自单一数据集（MESA），年龄范围较窄等 | 探索整合OSA表型信息和夜间生理信息以精确预测心血管不良结局的有效策略，并识别一般人群和OSA人群中最重要的风险因素 | 1874名无心血管疾病史的参与者（年龄54-94岁） | 机器学习 | 阻塞性睡眠呼吸暂停与心血管疾病 | NA | 深度学习模型（表型对比模型） | 临床数据、睡眠事件序列特征 | 1874名参与者 | NA | NA | AUROC, AUPRC | NA |
| 606 | 2026-03-18 |
TLScope: a deep learning framework for quantifying tertiary lymphoid structures from H&E images reveals prognostic heterogeneity across breast cancer subtypes
2026-Mar-16, Breast cancer research : BCR
IF:6.1Q1
DOI:10.1186/s13058-026-02241-8
PMID:41840700
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 607 | 2026-04-24 |
scCAPReSE: detection of large-scale genomic rearrangements from single-cell Hi-C based on few-shot learning
2026-Mar-16, Genomics & informatics
DOI:10.1186/s44342-026-00069-4
PMID:41840705
|
研究论文 | 提出scCAPReSE框架，利用少样本学习从单细胞Hi-C数据中检测大规模基因组重排 | 基于预训练的CLIP图像基础模型进行迁移学习，仅需少量训练样本即可高效分类单细胞Hi-C中的结构变异模式 | 方法依赖于预训练基础模型，且仅使用一种癌细胞系的数据进行训练，可能限制了泛化性 | 实现单细胞分辨率下大规模结构变异的准确检测，以解析癌症克隆异质性 | 单细胞Hi-C数据中的结构变异模式 | 机器学习 | 慢性粒细胞白血病 | sc-nanoHi-C, sci-Hi-C | 少样本学习框架 | 单细胞Hi-C接触图谱 | K562细胞系的单细胞Hi-C数据 | PyTorch | CLIP | 分类准确率 | NA |
| 608 | 2026-04-24 |
Understanding Conformational Transition of Macrocyclic Peptides through Deep Learning
2026-Mar-15, bioRxiv : the preprint server for biology
DOI:10.64898/2026.03.12.711417
PMID:41959345
|
研究论文 | 介绍ICoN-v1深度学习模型，用于理解大环肽的构象转变，通过分析构象动态和最小能量路径来提供机制洞察 | ICoN-v1能识别瞬态构象和所有扭转旋转，生成训练数据中不存在的平滑转变路径，展现强大的泛化能力 | NA | 通过深度学习模型理解大环肽的构象转变机制，以指导分子设计和药物发现 | 大环肽的分子构象和构象动态 | 机器学习 | NA | 分子动力学模拟，深度学习 | 深度学习模型（ICoN-v1） | 分子动力学模拟数据 | NA | NA | Internal Coordinate Net (ICoN-v1) | NA | NA |
| 609 | 2026-03-15 |
The result prediction of fluorescence in situ hybridization for breast cancer patients based on machine learning and deep learning models: a multicenter study
2026-Mar-13, Cancer imaging : the official publication of the International Cancer Imaging Society
IF:3.5Q1
DOI:10.1186/s40644-026-01015-x
PMID:41827086
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 610 | 2026-04-24 |
Artificial Intelligence for Microbial Isolation and Cultivation: Progress and Challenges
2026-Mar-13, Microorganisms
IF:4.1Q2
DOI:10.3390/microorganisms14030654
PMID:41900412
|
综述 | 回顾过去三十年人工智能技术在微生物分离与培养中的发展，提出五阶段框架并分析各阶段如何解决微生物学核心挑战 | 首次从微生物资源发现视角系统综述AI技术发展历程，提出从1997年至今的五阶段演进框架，揭示方法从经验驱动向数据驱动、单目标向系统集成、被动筛选向主动设计的转变趋势 | 未提供AI方法的具体性能比较或定量评估，缺乏对不同技术优劣的深入讨论 | 系统分析AI技术在微生物分离与培养领域的发展现状、阶段特征及其对微生物资源发现的影响 | 近三十年AI技术在微生物分离与培养中的应用研究 | 机器学习 | NA | NA | 深度学习 | NA | NA | NA | NA | NA | NA |
| 611 | 2026-04-24 |
MultiScaleWave: a wavelet-based multiscale framework for univariate time series forecasting
2026-Mar-12, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-42317-1
PMID:41820434
|
研究论文 | 提出一种基于小波变换的多尺度深度学习框架MultiScaleWave，用于单变量时间序列预测 | 采用多级离散小波变换将时间序列分解为多尺度时间成分，并通过粒度自适应模块分别建模后融合生成预测表示 | NA | 解决真实世界时间序列数据中噪声、非平稳性和多尺度时间依赖性问题，提高预测性能 | 单变量时间序列数据 | 机器学习 | NA | 离散小波变换 | 深度学习框架 | 时间序列数值数据 | 基准数据集（具体数量未说明） | NA | MultiScaleWave | 与竞争基线相比表现出优越性能（具体指标未说明） | NA |
| 612 | 2026-04-24 |
Predictive modeling for early diagnosis of dementia using sequential data analysis and data mining
2026-Mar-12, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-43382-2
PMID:41820458
|
研究论文 | 提出一种名为TCBiNet的深度学习框架，利用时序临床数据对痴呆症进行早期诊断预测 | 将时序卷积网络（TCN）、双向长短期记忆网络（BiLSTM）和时间注意力机制整合，同时捕捉局部化趋势、双向时序分析和关键症状区间，显著提升了预测准确性和可解释性 | 未提及外部验证或真实临床环境下的性能表现，数据为单中心回顾性研究，可能缺乏泛化性 | 开发一种基于时序数据分析的痴呆症早期诊断预测模型，克服传统方法忽略疾病进展动态性的局限 | 收集2149名60-90岁患者的纵向临床数据，包括认知、行为和功能指标，并切分为30天间隔的时序数据 | 机器学习, 数字病理学 | 痴呆症 | 未提及具体测序技术 | 深度学习 | 时序数据 | 2149名患者，年龄60-90岁 | TensorFlow | TCN, BiLSTM, 时间注意力机制 | 准确率, F1分数, AUC-ROC | 未提及 |
| 613 | 2026-04-24 |
MSCMF-DTB: a multi-scale cross-modal fusion framework for drug-target binding prediction
2026-Mar-12, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-44048-9
PMID:41820521
|
研究论文 | 提出一种多尺度跨模态融合框架MSCMF-DTB，用于药物-靶点结合预测，包括相互作用分类和亲和力回归任务 | 首次将DenseGCN分子图编码、TAPE-BERT蛋白质嵌入、多尺度1D CNN、跨模态交叉注意力机制与张量网络高阶特征交互相结合，构建端到端深度学习框架 | 文中未明确提及局限性与未来改进方向 | 解决药物发现中药物-靶点结合预测的挑战，实现高精度分类与回归预测 | 药物分子（拓扑结构、化学子结构）与蛋白质序列 | 机器学习 | NA | 分子图生成（RDKit）、蛋白质嵌入（TAPE-BERT） | 深度学习框架（DenseGCN、CNN、MLP） | 分子图、蛋白质序列、化合物指纹 | 多个数据集：Human, C. elegans, GPCR, BioSNAP, DrugBank（DTI任务）; DAVIS, KIBA（DTA任务） | PyTorch, RDKit | DenseGCN, 多尺度1D CNN, 交叉注意力, 张量网络, MLP | AUC, Recall, MSE, Concordance Index, r² | NA |
| 614 | 2026-04-24 |
Development of head-to-head and longitudinal CycleGAN algorithm for MRI harmonization: validation in follow-up MRI evaluation in patients with brain metastasis
2026-Mar-11, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-43755-7
PMID:41813851
|
research paper | 开发一种基于CycleGAN的头对头和纵向MRI协调算法，并在脑转移患者随访MRI评估中验证其效用 | 首次聚焦于使用CycleGAN技术减少脑转移患者在不同扫描仪间纵向随访MRI变异性，并验证其临床实用性 | 未在摘要中明确提及局限性 | 开发并验证基于CycleGAN的深度学习算法，用于MRI协调，减少不同扫描仪间差异，提高脑转移随访MRI评估的准确性 | 脑转移患者，其随访MRI使用不同扫描仪获取 | machine learning | brain metastasis | MRI | CycleGAN | image | 未在摘要中明确提及样本数量 | NA | CycleGAN | 图像相似度评分, 对比噪声比(CNR), 诊断置信度 | NA |
| 615 | 2026-04-24 |
From Physical Replacement to Biological Symbiosis: Evolutionary Paradigms and Future Prospects of Auditory Reconstruction Brain-Computer Interfaces
2026-Mar-11, Micromachines
IF:3.0Q2
DOI:10.3390/mi17030343
PMID:41900229
|
综述 | 该文回顾了听觉脑机接口从物理替代到生物共生的进化范式，并探讨了未来发展方向 | 系统整合了听觉重建从物理替代到生物共生的转变，并评估了高分辨率调制技术及AI辅助意图感知的未来潜力 | 未提供具体的实验验证或定量性能比较，主要基于现有文献的综述和未来展望 | 批判性分析听觉脑机接口的进化范式，并展望高保真神经假体的未来发展 | 听觉脑机接口在耳蜗、脑干和皮层水平的生理障碍及新兴技术方法 | 生物医学工程、人工智能 | 神经性听力损失 | NA | 深度学习 | NA | NA | NA | NA | NA | NA |
| 616 | 2026-04-24 |
A lightweight CNN for enhanced non-small cell lung cancer classification using CT scan image
2026-Mar-10, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-41401-w
PMID:41807468
|
研究论文 | 提出一种轻量级卷积神经网络MiniConvNet，用于CT图像中非小细胞肺癌及其亚型的检测和分类 | 设计了一种轻量级CNN架构MiniConvNet，在保持较小模型尺寸和较快推理速度的同时，在非小细胞肺癌亚型分类上达到与大型网络相当的性能，并验证了其在组织病理学数据集上的跨模态泛化能力 | 未提及具体局限性，但可能受限于仅使用两个公开数据集，且轻量设计可能在高复杂度任务上存在性能上限 | 开发一个高效、可部署的轻量级CNN模型，用于非小细胞肺癌的自动检测和亚型分类，特别是面向资源受限的临床环境 | 非小细胞肺癌及其亚型（腺癌、鳞状细胞癌、大细胞癌） | 计算机视觉 | 肺癌 | CT扫描图像分析 | 卷积神经网络（CNN） | 图像 | NA | NA | MiniConvNet, ResNet50, VGG16, VGG19, Inception V3, MobileNetV3Small, EfficientNetV2B0, ConvNeXtTiny | 分类准确率、模型大小、推理速度 | NA |
| 617 | 2026-04-24 |
An intrusion detection model for electric vehicle supply equipment based on multi-task learning and probability transfer mechanism
2026-Mar-10, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-42331-3
PMID:41807500
|
研究论文 | 结合多任务学习架构提出一种电动汽车供电设备入侵检测模型，用于分析恶意入侵行为并缩短检测时间 | 首次将多任务学习架构与概率转移机制相结合应用于电动汽车供电设备入侵检测，通过概率转移机制提升多任务间的预测性能，检测准确率提升最高27.29%，检测时间缩短43.24% | 标题和摘要未说明明确限制 | 构建更有效的电动汽车供电设备入侵检测方法，解决现有方法误报率高、检测时间长、精度低的问题 | 电动汽车供电设备（EVSE）的恶意入侵行为 | 机器学习 | NA | NA | 多任务学习 | 网络流量数据 | NA | NA | EVSEMTLIDS | 检测准确率，检测时间 | NA |
| 618 | 2026-04-24 |
Assessing the environmental costs of multi-scale recurrent neural networks for sustainable extreme rainfall nowcasting
2026-Mar-10, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-43029-2
PMID:41807644
|
研究论文 | 评估多尺度循环神经网络在极端降雨临近预报中的环境成本，旨在实现可持续预报 | 首次在实际天气雷达数据（TAASRAD19和里约热内卢数据集）上评估MS-RNN框架的计算效率与预测准确性，并关注可持续性指标（能耗、碳排放、用水量） | 可持续性指标（如能耗、碳排放、用水量）在当前文献中极少计算，本文也未在这些方面进行实际量化 | 提高极端降雨临近预报的计算效率与预测准确性，支持资源有限地区的可持续AI解决方案 | 极端降雨事件的实时预报 | 机器学习 | 不适用 | 不适用，使用天气雷达数据 | 循环神经网络 | 图像（天气雷达数据） | 使用TAASRAD19和里约热内卢数据集，具体样本量未提及 | 不适用 | MS-RNN | 计算效率、预测准确性 | 未具体说明 |
| 619 | 2026-04-24 |
A meta learning and task adaptive approach for drug target affinity prediction
2026-Mar-10, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-70554-5
PMID:41807414
|
研究论文 | 提出一种基于元学习框架的自适应任务模块AdaMBind，用于药物-靶标亲和力预测，尤其在低数据场景下表现优异 | 采用动态“从易到难”任务调度机制提升训练效率和鲁棒性，在少样本条件下实现高亲和力化合物筛选 | NA | 解决药物-靶标亲和力预测中训练数据有限和泛化能力差的问题 | 药物-靶标亲和力预测模型、少样本学习场景下的化合物筛选 | 机器学习 | 急性髓系白血病 | NA | 元学习框架 | NA | 三个基准数据集 | NA | AdaMBind | 亲和力预测性能、虚拟筛选性能 | NA |
| 620 | 2026-04-24 |
A multimodal retinal image dataset for diabetic retinopathy detection using foundation models
2026-Mar-10, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-026-07005-9
PMID:41807442
|
研究论文 | 引入一个包含三种视网膜成像模态的多模态数据集，用于糖尿病视网膜病变检测，并基准测试了多种基础模型和大型视觉语言模型 | 数据集规模空前且模态多样，提供详细的病灶级注释和严重程度分级，弥补了现有公共数据集在覆盖范围和精细注释方面的不足 | 仅基于该数据集进行基准测试，未探讨模型在实际临床环境中的部署或实时性能 | 构建一个多模态视网膜图像数据集，以推动AI在糖尿病视网膜病变诊断中的可靠性和临床实用性 | 糖尿病视网膜病变和糖尿病性黄斑水肿 | 计算机视觉, 数字病理学 | 糖尿病视网膜病变, 糖尿病性黄斑水肿 | 彩色眼底摄影（CFP）, 光学相干断层扫描（OCT）, 超广角眼底成像（UWF） | 眼底基础模型, 大型视觉语言模型 | 图像 | 大规模多模态数据，具体样本数量未提及 | NA | NA | NA | NA |