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 49099 篇文献，本页显示第 6681 - 6700 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 6681 | 2026-06-16 |
Distinguishing cancer patients' mild and severe symptoms in radiotherapy via zero-shot and few-shot large language model-based probabilistic prompts
2026-Apr-15, BioData mining
IF:4.0Q1
DOI:10.1186/s13040-026-00547-z
PMID:41987285
|
研究论文 | 本研究开发了一种基于少量示例的大语言模型预测框架，利用概率设计的提示语在异常检测框架下区分放疗期间和放疗后癌症患者的轻度和重度症状 | 创新性地将大语言模型与异常检测框架结合，通过六种概率设计的提示语实现少量患者数据下的症状严重程度分类，并提供可解释的推理过程 | 依赖提示语的设计质量，可能对特定症状或数据分布变化敏感；模型性能可能受限于少量示例的标注准确性和代表性 | 探索基于大语言模型的有效提示策略，以区分癌症患者放疗期间和放疗后的轻度和重度症状，实现实时监控和临床决策支持 | 前列腺癌患者在放疗过程中出现的肠道疼痛、抑郁和性功能障碍等症状 | 自然语言处理 | 前列腺癌 | 大语言模型 | 大语言模型 | 文本 | NA | NA | NA | AUC, AUCPR, 精确率, 召回率, F1分数 | NA |
| 6682 | 2026-06-16 |
Hi-Compass: a depth-aware deep learning framework for predicting cell-type-specific 3D genome organization from single-cell to spatial resolution
2026-Apr-14, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-71877-z
PMID:41980945
|
研究论文 | Hi-Compass是一种深度感知的深度学习框架，能从单细胞到空间分辨率预测细胞类型特异性三维基因组组织 | 首次提出深度感知框架，仅利用染色质可及性数据即可预测细胞类型特异性染色质组织，并动态适应测序深度变化，支持从稀疏单细胞到高覆盖度批量数据的鲁棒预测 | 依赖染色质可及性数据作为唯一细胞类型特异性输入，可能忽略其他表观遗传修饰的影响 | 预测细胞类型特异性三维基因组组织，解析染色质相互作用与基因调控的关系 | 细胞类型特异性染色质组织 | 机器学习 | NA | Hi-C，染色质可及性测序 | 深度学习 | 染色质可及性数据 | 外周血和胚胎心脏数据集，海马组织空间分辨数据，小鼠系统 | NA | NA | 一致性，高置信度染色质环恢复 | NA |
| 6683 | 2026-06-16 |
Sharing a whole-/total-body [18F]FDG-PET/CT dataset with CT-derived segmentations: an ENHANCE.PET initiative
2026-Apr-14, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-026-07218-y
PMID:41980990
|
研究论文 | 提供一个大型全身/全动态[18F]FDG-PET/CT数据集，包含CT-derived分割，用于深度学习训练和多模态图像分析 | 首次公开大规模全身和全动态[18F]FDG-PET/CT双模态数据集，包含1683例PET/CT图像及130个目标区域的CT-derived分割，填补了在临床管理中使用PET/CT数据的重要资源空白 | 个别分割可能由受训医师验证校正，存在主观差异；数据集主要为静止状态图像，缺乏动态或纵向数据 | 为深度学习训练、验证或多模态图像分析提供公开可用的大规模PET/CT数据集，推进PET/CT在临床管理中的应用 | 健康个体及恶性肿瘤和炎症疾病患者的PET/CT图像（包括关节炎、淋巴瘤、黑色素瘤、肺癌、头颈癌、泌尿生殖道癌等） | 数字病理学、医学图像分析 | 肿瘤疾病（肺癌、淋巴瘤、黑色素瘤、头颈癌、泌尿生殖道癌）及炎症性疾病（关节炎） | PET/CT成像 | NA | 图像（PET/CT） | 1683例PET/CT图像 | NA | NA | NA | NA |
| 6684 | 2026-06-16 |
CRM-TI: an enhanced pipeline for computationally assigning the target genes of cis-regulatory modules by considering comprehensive long-range regulation mechanisms
2026-Apr-14, BioData mining
IF:4.0Q1
DOI:10.1186/s13040-026-00555-z
PMID:41981661
|
研究论文 | 提出CRM-TI流程，通过整合染色质相互作用和非编码RNA转录相关调控机制，利用深度学习准确预测顺式调控模块的靶基因 | 首次综合考虑染色质相互作用和CRM转录的非编码RNA相关调控，采用染色体分区方案避免过拟合，性能显著优于现有方法 | NA | 开发一种能够准确计算顺式调控模块靶基因的增强流程，解决现有方法忽略长距离作用和替代调控机制的问题 | 顺式调控模块及其靶基因的分配关系 | 机器学习 | NA | 深度学习 | 深度学习 | 基因组数据 | NA | PyTorch | NA | auROC | NA |
| 6685 | 2026-06-16 |
SleepPACNet: new convolutional neural network considering phase-amplitude coupling for automatic sleep stage classification using single-channel electroencephalogram
2026-Apr-13, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-48881-w
PMID:41974873
|
研究论文 | 提出了一种名为SleepPACNet的新型卷积神经网络，利用单通道脑电图中的相位-幅度耦合特征进行自动睡眠阶段分类 | 首次将相位-幅度耦合（PAC）特征提取模块集成到卷积神经网络中，通过Hilbert变换提取低频相位信息与高频幅度信息，显著改善了快速眼动睡眠阶段的分类性能 | 仅基于单通道脑电图数据在Dreem数据集上验证，未在多通道或其他临床数据集上进行测试 | 提升单通道脑电图自动睡眠阶段分类系统的性能，特别是通过引入领域特定的PAC特征增强分类准确性 | 睡眠阶段的自动分类，重点是快速眼动睡眠检测 | 机器学习 | NA | 脑电图（EEG） | CNN | 单通道脑电图信号 | 使用Dreem数据集中的单通道（Fp1–Fp2）睡眠脑电图数据 | NA | SleepPACNet，包含PAC特征提取模块的CNN | 分类准确率（75.7%），以及与传统CNN模型（如SleepCNN）的对比 | NA |
| 6686 | 2026-06-16 |
Soft multiclass feature augmented deep learning to predict tumor origins using cytology or histology whole slide images
2026-Apr-13, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-026-02604-7
PMID:41974822
|
研究论文 | 提出首个基于深度学习的快速低成本癌症筛查方法，利用细胞学或组织学全切片图像预测肿瘤起源 | 首次提出数据高效的软多类特征增强深度学习框架，直接通过全切片图像识别恶性细胞的原发部位，克服了未知原发癌诊断难题 | NA | 开发一种快速、低成本的深度学习工具，通过全切片图像预测肿瘤原发部位，以指导个体化癌症治疗 | 来源于细胞学涂片、细胞块或组织病理切片的恶性细胞全切片图像 | 数字病理学 | 癌症 | 全切片成像 | 深度学习 | 图像 | 多中心组织学数据集（69个部位，1196张WSI）、CS数据集（260张WSI）和CB数据集（129张WSI） | NA | NA | 准确率 | NA |
| 6687 | 2026-06-16 |
Combining structural modeling and deep learning to calculate the E. coli protein interactome and functional networks
2026-Apr-11, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-71166-9
PMID:41965370
|
研究论文 | 整合三种方法在蛋白质组规模上预测蛋白质是否形成二元复合体，包括PrePPI、Topsy-Turvy和ZEPPI，并利用AF3Complex算法预测结构，通过聚类大肠杆菌互作组获得功能子网络 | 首次将基于三维结构信息的PrePPI、基于蛋白质语言模型的Topsy-Turvy和基于进化信息的ZEPPI三种方法整合，提升预测性能，并发现更多高置信度相互作用 | 未明确提及，但可能局限于大肠杆菌蛋白质组，且高置信度相互作用的验证依赖于HINT数据库质量 | 通过整合结构建模和深度学习方法计算大肠杆菌蛋白质互作组和功能网络 | 大肠杆菌蛋白质组中的二元蛋白质相互作用 | 自然语言处理、机器学习 | NA | 蛋白质语言模型、三维结构建模、进化信息评估 | 蛋白质语言模型（Topsy-Turvy）、结构预测模型（PrePPI、ZEPPI、AF3Complex） | 蛋白质序列和结构数据 | 374个蛋白质相互作用对用于结构预测，整个大肠杆菌蛋白质组用于互作组聚类 | NA | PrePPI、Topsy-Turvy、ZEPPI、AF3Complex | HINT数据库上的性能比较，高置信度相互作用识别数量 | NA |
| 6688 | 2026-06-16 |
SeqHIVE: a Python package to convert the biological sequences to informative vectors for sequence property predictions
2026-Apr-11, BioData mining
IF:4.0Q1
DOI:10.1186/s13040-026-00534-4
PMID:41964095
|
研究论文 | 介绍了一个将生物序列转换为信息向量的Python包SeqHIVE，用于序列性质预测 | SeqHIVE提供了一个图形用户界面驱动的平台，整合了19种生物序列编码算法、5种特征选择算法和26种分类器，实现了序列到向量的自动转换与预测建模 | 未在文中明确提及本方法的局限性 | 开发一个全面的机器学习和深度学习平台，简化核酸和蛋白质序列预测管线的构建 | DNA、RNA和蛋白质序列的性质预测 | 机器学习, 数字病理学 | NA | 生物序列编码 | 机器学习分类器, 深度学习模型 | 序列数据 | NA | NA | NA | NA | NA |
| 6689 | 2026-06-16 |
Accurate prediction of ecDNA in interphase cancer cells using deep neural networks
2026-Apr-11, Communications biology
IF:5.2Q1
DOI:10.1038/s42003-026-09982-4
PMID:41965931
|
research paper | 提出interSeg，一个基于深度学习的工具，用于从间期FISH图像中准确预测癌基因扩增状态（包括染色体外扩增、染色体内扩增和未扩增） | 首次利用深度学习从间期FISH图像准确区分染色体外扩增与染色体内扩增，解决了传统方法在间期细胞中难以辨识扩增类型的问题 | NA | 开发一种从间期癌细胞中准确预测癌基因扩增状态的方法，以替代传统的分裂中期FISH检测 | 间期癌细胞中的染色体外DNA（ecDNA）扩增 | digital pathology | 癌症 | FISH | 深度学习神经网络 | FISH图像 | 训练集652张图像（40,446个细胞核），测试集215张图像（9,733个细胞核），神经母细胞瘤组织验证集67个样本（1,937个细胞核） | NA | interSeg | 准确率 | NA |
| 6690 | 2026-06-16 |
Improved tumor-only variant calling and mutation burden estimation with VarNet-T
2026-Apr-09, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-71705-4
PMID:41957035
|
研究论文 | 提出VarNet-T，一个不需要匹配正常样本即可从肿瘤测序数据中准确识别体细胞突变的端到端弱监督深度学习框架 | 首次实现无需匹配正常样本的肿瘤-only体细胞突变检测，采用弱监督深度学习框架和端到端训练方式 | 该信息在标题和摘要中未明确说明 | 开发无需匹配正常样本的肿瘤-only体细胞突变检测方法，提高肿瘤突变负荷估计准确性 | 肿瘤测序数据中的体细胞突变和肿瘤突变负荷 | 机器学习 | 癌症 | NGS | 深度学习框架 | 基因组测序数据 | 1000个肿瘤样本，覆盖10种实体癌类型 | NA | VarNet-T | 准确率 | NA |
| 6691 | 2026-06-16 |
MRI-based brain tumor detection through an explainable EfficientNetV2 and MLP-mixer attention architecture
2026-Apr-07, Physical and engineering sciences in medicine
IF:2.4Q2
DOI:10.1007/s13246-026-01728-0
PMID:41945251
|
研究论文 | 提出一种基于EfficientNetV2和注意力MLP-Mixer架构的深度学习模型，用于脑肿瘤MRI图像的分类，实现高精度与可解释性 | 首次将注意力机制MLP-Mixer与EfficientNetV2结合用于脑肿瘤分类，并利用Grad-CAM可视化增强模型决策的可解释性 | 仅使用公开的Figshare数据集（3064张T1加权对比增强MRI图像），可能无法全面代表不同扫描协议或肿瘤亚型的多样性 | 开发一种高精度且可解释的深度学习模型，用于脑肿瘤MRI图像的自动分类，以辅助临床诊断 | 脑肿瘤患者的T1加权对比增强MRI图像，包含三种肿瘤类型 | 计算机视觉 | 脑肿瘤 | MRI | EfficientNetV2、MLP-Mixer | 图像 | 3064张T1加权对比增强脑部MRI图像 | NA | EfficientNetV2、注意力MLP-Mixer | 准确率、精确率、召回率、F1分数 | NA |
| 6692 | 2026-06-16 |
Benchmarking genomic foundation models for binary classification of gene fusion breakpoints from DNA sequences
2026-Apr-06, BioData mining
IF:4.0Q1
DOI:10.1186/s13040-026-00553-1
PMID:41943075
|
研究论文 | 对四种基于Transformer的基因组基础模型（NT、Evo2、HyenaDNA和DNABERT2）进行基因融合断点二分类性能的基准测试 | 首次系统性比较多种基因组基础模型在基因融合断点分类任务上的表现，发现NT和Evo2生成的嵌入向量显著优于专门设计的深度学习基线，且所需训练数据量大幅减少 | 未提及模型在不同突变类型（如点突变、插入缺失）上的泛化能力，以及在实际临床样本中的验证情况 | 评估基因组基础模型在DNA序列中基因融合断点分类任务上的数据效率和性能 | FusionAI数据集中的约52,000条10千碱基对DNA序列 | 机器学习 | 癌症（基因融合相关） | DNA测序数据，基因融合断点序列提取 | Transformer | DNA序列 | 约52,000条10千碱基对DNA序列 | PyTorch | Nucleotide Transformer, Evo2, HyenaDNA, DNABERT2 | 准确率, F1分数 | 未明确说明，但提及相对于基线模型（FusionAI）需要更少的计算时间 |
| 6693 | 2026-06-16 |
Artificial intelligence-enabled histological analysis in pre-clinical respiratory disease models: a scoping review
2026-Apr, European respiratory review : an official journal of the European Respiratory Society
IF:9.0Q1
DOI:10.1183/16000617.0243-2025
PMID:42270117
|
综述 | 对人工智能在临床前呼吸系统疾病模型组织学分析中的应用进行范围综述，总结现有研究的特点、进展与不足 | 首次系统梳理AI在临床前呼吸系统模型组织学分析中的应用现状，识别了验证、透明性和标准化方面的关键差距 | 大部分研究使用‘黑箱’模型，缺乏可解释性技术；外部验证缺失，数据集和代码共享较少，影响可重复性 | 评估人工智能在临床前呼吸系统疾病模型组织学分析中的应用潜力与当前挑战 | 临床前呼吸系统疾病模型（主要使用小鼠模型）的组织学图像 | 数字病理学 | 肺癌、肺纤维化、结核病 | 组织学染色（苏木精-伊红、胶原或免疫标记物染色） | 卷积神经网络 | 图像 | 29篇符合纳入标准的原始研究（来自6271篇筛选文献） | NA | NA | 准确率（≥90%，7项研究）；其他指标因研究而异 | NA |
| 6694 | 2026-06-16 |
Emerging Technologies in Higher Education Course Development: A Systematic Review of Design Frameworks, Learning Outcomes, and Pedagogical Integration
2026, F1000Research
DOI:10.12688/f1000research.179684.2
PMID:42244518
|
综述 | 系统综述了1996至2025年间技术对高等教育课程设计、学习成果和参与度的影响 | 综合了76篇实证研究，采用混合方法叙事和定量合成，并比较了不同技术类型（如AR/VR、AI）和教学设计模型（如TPACK、ADDIE）的效果大小 | 长期行为和迁移效果鲜有观察，且存在基础设施限制、数字鸿沟和纵向评估不足等挑战 | 探讨技术如何影响高等教育中的课程设计、学生学习成果和参与度，并识别实施中的促进因素和障碍 | 76篇1996至2025年间经同行评审的实证研究 | 机器学习 | 不适用 | 不适用 | 深度学习模型（嵌入AI/混合/扩展现实） | 文本（研究文献） | 76篇同行评审实证研究 | 不适用 | 不适用 | 标准化效果估计（Cohen's d）、学习效果和参与度指标 | 不适用 |
| 6695 | 2026-06-16 |
Deep learning-assisted, pathogenesis-informed lung histopathology scoring in preclinical mouse models of SARS-CoV-2 and influenza A infection
2026, Frontiers in immunology
IF:5.7Q1
DOI:10.3389/fimmu.2026.1826608
PMID:42245632
|
研究论文 | 该论文利用深度学习辅助的全切片卷积神经网络分析，结合类激活映射，对SARS-CoV-2和甲型流感病毒感染的小鼠肺部组织病理学进行病原学和阶段特异性评分 | 提出了一个病原体分辨、阶段知情的组织病理学评分指南，结合了病灶拓扑、水肿、上皮损伤-再生、重塑特征和淋巴细胞优势等形态学特征，并利用CNN/CAM分析区分病毒和阶段特异性组织学模式 | NA | 定义病毒和阶段特异性形态学特征，并将其转化为实用的、病理机制知情的组织病理学评分指南，用于临床前小鼠模型 | 雄性小鼠的肺部组织病理学样本 | 计算机视觉 | 病毒性肺炎 | H&E染色, 免疫染色, 全切片卷积神经网络分析, 类激活映射 | 卷积神经网络 | 图像 | 每组多个小鼠（具体数量未提及，涉及早期、高峰损伤和晚期感染阶段） | NA | CNN | NA | NA |
| 6696 | 2026-06-16 |
Focusing on legal cases: Automatic classification of legal documents with sentence embeddings and deep learning models
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0350673
PMID:42247372
|
研究论文 | 利用句子嵌入和深度学习模型自动分类法律文件 | 采用极端随机树集成学习模型和基于LSTM网络的句子嵌入方法，实现了高精度法律文本分类 | 未提及具体局限性 | 使用机器学习与深度学习算法对法律文本文件进行分类 | 包含复杂法律语言的数千个法律文件 | 自然语言处理 | NA | NA | LSTM, 极端随机树 | 文本 | 数千份法律文件 | NA | LSTM, 极端随机树 | 准确率 | NA |
| 6697 | 2026-06-16 |
Review Article | Artificial Intelligence Applications in Prognosis and Treatment of Neuro-oncology: A review
2026-Jan, The Gulf journal of oncology
PMID:42274067
|
综述 | 回顾人工智能在神经肿瘤治疗和预后中的应用，并探讨其挑战和未来方向 | 首次在一篇论文中同时回顾人工智能在神经肿瘤治疗和预后这两个领域，并深入分析知识空白和未来方向 | 仅纳入21篇文章，样本量有限，且多数研究聚焦于预后，治疗领域研究较少 | 综述人工智能在神经肿瘤治疗和预后中的最新应用 | 神经肿瘤相关的人工智能研究文章 | 机器学习 | 神经肿瘤 | NA | 机器学习算法, 深度学习模型 | NA | 最大样本量为41222（脑肿瘤手术后住院时间预测），治疗领域最大样本量为1585 | NA | 二十九种机器学习算法 | NA | NA |
| 6698 | 2026-06-16 |
Multi-scale feature integration with enhanced cytomorph for high-accuracy cervical cytology classification
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0351063
PMID:42268916
|
研究论文 | 提出一种结合多尺度特征整合与增强细胞形态学的深度学习架构，用于高精度宫颈细胞学图像分类 | 整合了专门针对细胞病理学图像的增强数据增强管道、形态注意力模块（MAM）用于自适应特征融合的多尺度细胞特征捕捉，以及空间通道混合器（SCM）用于高效编码核邻域空间信息 | 未提及 | 提高宫颈细胞学图像分类的准确性，以改进宫颈癌早期检测和筛查项目 | 宫颈细胞学图像 | 计算机视觉 | 宫颈癌 | NA | 深度学习模型（形态注意力模块与空间通道混合器） | 图像 | 两个公开数据集：SIPaKMeD（5类）和Mendeley LBC | NA | 形态注意力模块（MAM）、空间通道混合器（SCM） | 准确率、误差率 | NA |
| 6699 | 2026-06-16 |
Unimodal vs. multimodal deep learning for non-invasive MGMT promoter methylation prediction in glioblastoma: A systematic evaluation on the BraTS 2021 dataset
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0351405
PMID:42284289
|
研究论文 | 系统评估单模态与多模态深度学习在胶质母细胞瘤MGMT启动子甲基化无创预测中的表现 | 首次在BraTS 2021数据集上系统比较单模态与多模态深度学习方法（基于VGG-16）预测MGMT启动子甲基化，探索了1380种实验配置，发现多模态融合未能超越最佳单模态模型 | 数据集规模有限（582例）导致模型过拟合，多模态融合策略未能提升性能，迁移学习以牺牲峰值性能为代价改善泛化能力 | 评估基于多参数MRI的深度学习无创预测MGMT启动子甲基化的临床可行性 | 胶质母细胞瘤患者的MGMT启动子甲基化状态 | 计算机视觉 | 胶质母细胞瘤 | 多参数MRI (mpMRI) | CNN (VGG-16) | 图像（FLAIR, T1w, T1wCE, T2w四种MRI序列） | 582例胶质母细胞瘤患者 | NA | VGG-16 | 准确率 (accuracy), AUC | NA |
| 6700 | 2026-06-16 |
FGOOPNet: A Fuzzy Deep Learning Approach for Mammographic Breast Cancer Classification
2026, Current medical imaging
IF:1.1Q3
|
研究论文 | 提出FGOOPNet模糊深度集成模型，用于提高乳腺X线摄影乳腺癌分类的准确性和决策透明度 | 结合几何最优在线加权集成策略（GOOWE）与高斯模糊推理模块，在集成框架中强化低误差模型的权重，并通过模糊推理优化决策边界，量化预测不确定性 | 未明确提及局限性，但未来工作需扩展至多模态影像和多中心大规模验证 | 增强乳腺X线摄影乳腺癌分类的准确性和可解释性，解决常规计算机辅助诊断系统在异质性乳腺组织和视觉模糊区域中的局限性 | 乳腺X线摄影图像中的良性和恶性病变 | 计算机视觉, 数字病理学 | 乳腺癌 | 乳腺X线摄影 | CNN, 模糊神经网络 | 图像 | 混合数据集：公共VinDr-Mammo数据库与专家注释的私有队列（未提供具体样本数） | NA | InceptionV3, ResNet-50V2, ResNet-152, DenseNet-121, DenseNet-201, VGG19, Xception | 准确率, F1分数 | NA |