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 45423 篇文献，本页显示第 681 - 700 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 681 | 2026-06-06 |
Cognitive decline and reduced bone mineral density under the bone-brain axis: mechanistic insights and imaging evaluation strategies
2026, Frontiers in aging neuroscience
IF:4.1Q2
DOI:10.3389/fnagi.2026.1799025
PMID:42245135
|
综述 | 探讨骨-脑轴介导的认知衰退与骨密度降低的机制及多模态成像评估策略 | 首次深入阐述了骨-脑轴的双向调控网络在认知障碍与骨质疏松共病中的作用，并提出了从单模态评估向多模态成像深度整合的范式转变 | NA | 揭示骨-脑轴机制并总结多模态成像评估策略，为阿尔茨海默病的早期精准筛查和个性化预防干预提供路径 | 认知障碍与骨质疏松的共病机制及相关成像评估方法 | 机器学习 | 阿尔茨海默病、骨质疏松 | 结构/功能磁共振成像、分子PET成像、高分辨率外周定量计算机断层扫描 | 3D-CNN | 图像 | NA | NA | 3D-CNN | NA | NA |
| 682 | 2026-06-06 |
Learning-based segmentation of diffusion-weighted MR images with arbitrary q-space samplings
2026, Imaging neuroscience (Cambridge, Mass.)
DOI:10.1162/IMAG.a.1183
PMID:42245204
|
研究论文 | 提出一种结合几何深度学习重建框架DISCUS与分割网络VINN的方法，直接从无结构扩散加权MRI数据生成解剖分割，无需扩散模型拟合 | 首次实现单一神经网络在异质采集方案（不同q空间采样）上的鲁棒泛化，无需扩散模型拟合或结构化表示转换，且分割时间从数小时缩短至分钟级 | NA | 解决传统CNN在扩散加权MRI分割中因q空间采样不一致导致的应用局限，实现跨数据集和采集设置的高效通用分割 | 脑部扩散加权MRI中的解剖区域分割 | 数字病理学、机器学习 | NA | 扩散加权MRI | 卷积神经网络、几何深度学习 | 图像（扩散加权MRI） | 多个数据集和采集设置 | PyTorch | DISCUS, VINN | 分割性能（与DeepAnat, DDParcel, SynthSeg比较） | NA |
| 683 | 2026-06-06 |
Construction of an artificial intelligence system for the Los Angeles classification-based assessment of reflux esophagitis (with video)
2026 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076261458065
PMID:42245256
|
研究论文 | 构建基于洛杉矶分类的胃食管反流病人工智能分级系统，用于自动评估内镜图像 | 首次基于YOLOv11网络开发出针对洛杉矶分级的内镜图像人工智能分级系统，其诊断准确率显著高于初、高级内镜医师 | 仅在回顾性外部测试数据上验证，尚需前瞻性和多位读者验证才能进入常规临床部署 | 开发能自动根据洛杉矶分类对胃食管反流内镜图像进行分级的人工智能系统，提升诊断准确率与效率 | 来自三个中心的胃食管反流内镜图像 | 计算机视觉 | 胃食管反流 | 内窥镜成像 | 深度学习模型（YOLOv11l） | 图像 | 三中心收集的多中心内镜图像数据集 | PyQt5 | YOLOv11l | 准确率、灵敏度、特异度、精密度、AUC、F1分数 | NA |
| 684 | 2026-06-06 |
Image processing and AI techniques for climate change detection using remote sensing: a comprehensive review
2026, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2026.1814362
PMID:42245266
|
综述 | 系统回顾了用于气候变化检测的遥感图像处理与AI技术，涵盖光学、SAR、热红外和高光谱数据 | 提出统一的算法-应用分类法，系统比较性能指标权衡，构建实践决策框架指导方法选择 | 模型跨区域泛化能力不足，标注数据集稀缺，多传感器时间序列数据整合存在显著差距 | 整合遥感与AI在气候变化检测中的研究进展并提供方法选择指导 | 遥感图像处理与AI技术及其在气候变化检测中的应用 | 计算机视觉 | 不适用 | 光学遥感、合成孔径雷达、热红外遥感、高光谱遥感 | 卷积神经网络、孪生网络、分割网络 | 图像 | 不适用 | TensorFlow, PyTorch, Keras | Siamese网络, U-Net, CNN | 总体精度, 精确率, 召回率, F1分数, 交并比, Kappa系数, 均方根误差 | 不适用 |
| 685 | 2026-06-06 |
A novel lightweight deep learning model for early prediction of cardiovascular disease
2026, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2026.1828950
PMID:42245267
|
研究论文 | 提出一种轻量级深度学习模型，用于利用临床数据早期预测心血管疾病 | 提出了一个轻量级且鲁棒的人工智能系统，采用SMOTE处理类别不平衡确保无数据泄露，并通过系统性比较多种机器学习和深度学习模型，强调鲁棒验证和统计可靠性而非仅关注准确率 | 未明确提及具体限制 | 开发准确可靠的早期风险预测模型，以便及时进行临床干预 | 心血管疾病的早期风险预测 | 机器学习 | 心血管疾病 | NA | 人工神经网络（ANN）、逻辑回归、决策树、K近邻、随机森林、支持向量机 | 临床数据 | NA | NA | 四层人工神经网络 | 准确率、精确率、召回率、F1分数、ROC曲线、均值、标准差 | NA |
| 686 | 2026-06-06 |
Evaluating the Role of AI Assistants in Accelerating Neurodegenerative Disease Research: Opportunities and Translational Limitations
2026, Neuropsychiatric disease and treatment
IF:2.5Q2
DOI:10.2147/NDT.S614952
PMID:42245290
|
综述 | 评估人工智能助手在加速神经退行性疾病研究中的机遇与转化局限 | 从传统机器学习/深度学习扩展到基础模型和大语言模型作为通用AI助手，并系统分析其在神经退行性疾病研究中的具体应用与隐患 | 人工智能输出易受数据集偏差、可解释性差、分布漂移和幻觉影响，且神经退行性疾病表型细微、标注不完善、病程漫长，使问题尤为突出 | 评估人工智能在神经退行性疾病研究中的当前应用，并讨论从分析型AI到通用型AI助手的转变及其潜在影响 | 神经退行性疾病（阿尔茨海默病和帕金森病）研究中的AI应用 | 机器学习 | 神经退行性疾病 | NA | 传统机器学习、深度学习、基础模型、大语言模型 | 高维多模态数据（影像、临床数据等） | NA | NA | NA | NA | NA |
| 687 | 2026-06-06 |
Predicting VNN resistance in European sea bass using machine learning on high dimensional low sample size data
2026, Frontiers in bioinformatics
IF:2.8Q2
DOI:10.3389/fbinf.2026.1718386
PMID:42245288
|
研究论文 | 利用机器学习从高维小样本数据中预测欧洲海鲈鱼对VNN的抗性 | 在高维小样本的遗传数据背景下，系统比较了多种机器学习方法，包括基于混沌游戏表示的图像分类变体，并采用最大化基因距离的划分策略来模拟育种中的泛化挑战 | 实验表明该关联任务具有难度，结果局限于特定测试场景，且所有动物属于同一群体，可能影响对更广泛种群的推广性 | 探索机器学习方法在非模式物种的遗传预测中的应用，以克服高维小样本数据的挑战 | 欧洲海鲈鱼群体及其对病毒性神经坏死症的抗性 | 机器学习 | 病毒性神经坏死症 | SNP分析 | 支持向量机、梯度提升、深度学习、基于混沌游戏表示的图像分类 | 遗传数据（SNP） | NA | NA | NA | NA | NA |
| 688 | 2026-06-06 |
A transformer based deep learning framework for accurate single nucleotide variant correction in heterogeneous samples
2026, Frontiers in microbiology
IF:4.0Q2
DOI:10.3389/fmicb.2026.1838029
PMID:42245499
|
研究论文 | 提出一种基于Transformer的深度学习框架，用于在异质性宿主-微生物混合物中准确校正单核苷酸变异 | 首次采用Transformer架构与组编码机制，整合多元特征（VAF分布、纯度估计、测序深度、局部基因组上下文），以有效消除低纯度样本中由纯度引起的系统性偏差 | 仅基于模拟测序数据评估，尚未在真实生物学样本中验证；纯度梯度范围（0.2-1.0）可能不足以覆盖极端低纯度场景 | 开发计算框架以提高异质性宿主-微生物混合物中宿主单核苷酸变异的量化准确性 | 宿主-微生物混合物中的宿主单核苷酸变异 | 机器学习 | 不适用 | 测序（模拟数据） | Transformer | 序列数据 | 模拟数据；纯度梯度0.2-1.0 | PyTorch | Transformer | 量化误差、SNV计数一致性 | 不适用 |
| 689 | 2026-06-06 |
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 | 本研究利用深度学习辅助H&E染色全切片分析，结合类激活映射，定义SARS-CoV-2与甲型流感病毒感染小鼠肺部的病毒特异性和时相特异性组织学特征，并转化为发病机制指导的评分指南 | 首次将全切片卷积神经网络与类激活映射相结合，用于区分不同病毒和感染阶段的肺部组织学模式，并提出了病变拓扑、水肿、上皮损伤再生、重塑特征和淋巴细胞优势等整合的病理评分指南 | 本文未明确提及局限性 | 定义病毒和时相特异性形态学特征，并转化为实用的、发病机制指导的评分指南 | 感染SARS-CoV-2或甲型流感病毒的小鼠肺部组织 | 数字病理学 | 病毒性肺炎 | H&E染色, 免疫染色 | 卷积神经网络 | 组织病理图像 | 未明确提及样本数量，涉及小鼠模型和多个感染时间点 | NA | 卷积神经网络 | NA | NA |
| 690 | 2026-06-06 |
Ultrasound deep learning features for predicting cervical lymph node metastasis in papillary thyroid carcinoma
2026, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2026.1721234
PMID:42245688
|
研究论文 | 开发并验证一种基于超声深度学习特征的临床深度学习影像组学模型，用于预测甲状腺乳头状癌患者的颈部淋巴结转移状态 | 结合深度学习特征与临床参数构建Cli-DLR模型，在验证队列中AUC达到0.80，表现优于经验丰富的放射科医生 | 回顾性单中心研究，样本量有限（205例），缺乏前瞻性多中心验证 | 建立一种无创方法，在术前准确评估甲状腺乳头状癌患者的颈部淋巴结转移情况，以优化临床管理并避免过度治疗 | 甲状腺乳头状癌患者的术前甲状腺超声图像和临床参数 | 计算机视觉 | 甲状腺乳头状癌 | 超声 | 深度学习模型 | 图像 | 205例甲状腺乳头状癌患者（训练集143例，验证集62例） | NA | NA | AUC | NA |
| 691 | 2026-06-06 |
DeepRespNet: a hybrid attention-recurrent framework for non-contact respiratory rate estimation
2026, Frontiers in physiology
IF:3.2Q2
DOI:10.3389/fphys.2026.1792689
PMID:42245836
|
研究论文 | 提出一种名为DeepRespNet的混合深度学习框架，用于非接触式呼吸频率估计，并兼顾不同肤色个体的估计准确性 | 提出RespFormer特征编码器，融合时空卷积与多头自注意力机制，结合BiLSTM网络建模时间连贯性，并联合分析rPPG和运动信号实现多通道呼吸表征 | 需要在更大人群中进一步验证 | 开发一种鲁棒的深度学习框架，确保跨不同肤色的可靠呼吸频率估计 | RGB视频中提取的rPPG和运动信号 | 计算机视觉 | 无特定疾病 | 光学流量分析、rPPG信号提取 | BiLSTM、多头自注意力机制 | RGB视频序列 | 多受试者数据集，含同步参考呼吸信号 | PyTorch | RespFormer、BiLSTM | 平均绝对误差、Bland-Altman分析 | NA |
| 692 | 2026-06-06 |
FHP-ClsNet: a model for fetal head position classification based on intrapartum ultrasound
2026, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2026.1830543
PMID:42245941
|
研究论文 | 提出基于产时超声的胎头位置分类深度学习模型FHP-ClsNet | 将CBAM、ECA和PSA注意力机制与AIFI特征交互模块集成到YOLOv8架构中，提升分类精度 | 视频序列处理能力仍需改进 | 开发高精度胎头位置分类模型以辅助产程管理和分娩结局预测 | 产时超声图像中的胎头位置（枕前、枕后、枕横位） | 计算机视觉 | 产科相关疾病 | 超声成像 | YOLOv8 | 图像 | 69个标注的产时超声视频 | PyTorch | YOLOv8, CBAM, ECA, PSA, AIFI | ACC, PR-AUC, ROC-AUC, Kappa系数 | NA |
| 693 | 2026-06-06 |
Structural connectome analysis using a graph-based deep model for prediction of non-imaging variables
2026, Frontiers in neuroscience
IF:3.2Q2
DOI:10.3389/fnins.2026.1786355
PMID:42246028
|
研究论文 | 基于扩散磁共振成像的脑结构连接组，使用图卷积网络预测年龄和MMSE评分等非影像变量 | 模型架构创新，特别是提出连接注意力块，学习脑图的嵌入表示并提供图级注意力 | NA | 基于结构性脑连接组预测非影像变量，以理解健康和疾病中的连接组变化 | 年龄和简易精神状态检查评分 | 机器学习 | NA | 扩散磁共振成像 | 图卷积网络 | 脑连接图 | 来自PREVENT-AD和OASIS3公开数据集 | NA | 图卷积网络，连接注意力块 | 预测性能比较 | NA |
| 694 | 2026-06-06 |
[Predictive epileptology: the emergence of a new paradigm for the management of epileptic seizures]
2026, Zhurnal nevrologii i psikhiatrii imeni S.S. Korsakova
DOI:10.17116/jnevro202612605114
PMID:42246521
|
综述 | 评估基于可穿戴设备与人工智能预测癫痫发作的现状与潜力 | 提出癫痫管理从被动反应向主动风险管理的范式转变，并强调个性化深度学习模型的预测准确性 | 实验室高准确率与真实世界中等性能之间存在差距，误报率高，非运动性发作预测困难，以及监管、伦理和经济障碍 | 评估可穿戴人工智能设备用于癫痫发作预测的技术可行性和临床应用前景 | 过去五年内发表的科学论文，包括基础性出版物 | 机器学习 | 癫痫 | 可穿戴设备 | 深度学习 | 多模态传感器数据 | NA | NA | NA | 预测准确性 | NA |
| 695 | 2026-06-06 |
DNABERT2-CAMP: A Hybrid Transformer-CNN Model for E. coli Promoter Recognition
2025-Dec-28, Genes
IF:2.8Q2
DOI:10.3390/genes17010027
PMID:41595447
|
研究论文 | 提出DNABERT2-CAMP混合深度学习框架，用于高效识别大肠杆菌启动子序列 | 创新性地融合预训练Transformer（DNABERT-2）与自定义CNN-Attention-Mean Pooling模块，同时捕获长距离基因组依赖和局部基序模式，提升启动子识别准确性与可解释性 | 论文摘要未明确说明局限性，推测可能包括数据集中于E. coli K-12菌株、模型对高度退化的启动子基序可能仍存在挑战 | 准确识别大肠杆菌启动子序列，以支持基因调控研究和合成生物学应用 | 大肠杆菌σ70启动子的-10和-35元件 | 机器学习 | NA | DNABERT-2 Transformer, CNN | 混合Transformer-CNN模型 | DNA序列 | 8720条81-bp序列（实验验证阳性与阴性平衡数据集） | PyTorch | DNABERT-2 Transformer, CNN-Attention-Mean Pooling (CAMP) | 准确率, ROC AUC, 马修斯相关系数 (MCC) | NA |
| 696 | 2026-06-06 |
ACmix-Swin Deep Learning of 4-Day-Old Apis mellifera Larval Transcriptomes Reveals Early Caste-Biased Regulatory Hubs
2025-Dec-25, Genes
IF:2.8Q2
DOI:10.3390/genes17010017
PMID:41595437
|
研究论文 | 利用ACmix-Swin深度学习模型分析4日龄西方蜜蜂幼虫转录组，揭示早期社会等级偏向的调控枢纽基因 | 首次将混合卷积-注意力模型ACmix-Swin与WGAN-GP数据增强结合，应用于蜜蜂幼虫转录组分析，实现社会等级偏好基因的高效发掘 | NA | 揭示蜜蜂幼虫早期发育中的社会等级和性别特异性分子差异，并开发深度学习模型用于枢纽基因发现 | 4日龄西方蜜蜂（Apis mellifera）幼虫的转录组 | 机器学习 | NA | RNA-seq | 混合卷积-注意力模型（ACmix-Swin） | 转录组数据 | NA | PyTorch | ACmix-Swin, WGAN-GP | 准确率 | NA |
| 697 | 2026-06-06 |
The Use and Importance ofArtificial Intelligence in Vaccine Research, Development, and Production
2025-Sep, Archives of Razi Institute
DOI:10.32598/ARI.80.5.3442
PMID:42226986
|
综述 | 综述了人工智能（AI）在疫苗研究、开发和生产的应用及重要性 | 系统评估了AI技术（机器学习、深度学习、自然语言处理）在疫苗靶点识别、配方优化和生产流程简化中的作用，并强调其在优化供应链和改善全球疫苗可及性方面的潜力 | 存在伦理问题（数据隐私、算法偏见）、AI整合到现有框架的挑战 | 评估AI技术在疫苗研发和生产中的角色，并强调其在应对新兴传染病和公共卫生危机中的重要性 | 疫苗研究、开发和生产的全流程 | 机器学习 | 传染病 | NA | NA | 文本、数据 | NA | NA | NA | NA | NA |
| 698 | 2026-06-05 |
Matrix-dependent analytical strategies for the detection of drug-infused foods: A comprehensive review
2026-Sep, Forensic science international
IF:2.2Q1
DOI:10.1016/j.forsciint.2026.112982
PMID:42068667
|
综述 | 系统性地检视了二十种常见掺入毒品食品基质的分析策略，并评估了毒品类别、提取方法与色谱-质谱检测技术之间的基质依赖性关系 | 首次将食品基质特性与法医案例需求相结合，系统分析了基质干扰、衍生化要求及方法稳健性，并讨论了新型萃取技术（如FPSE）和深度学习辅助质谱技术在新型精神活性物质鉴定中的应用 | 未涉及具体实验验证或定量比较不同方法的性能差异，可能局限于已有文献报道的分析趋势 | 旨在为法医调查中掺毒食品的检测提供全面分析方法和关键考量因素 | 掺入毒品的食品样品，涵盖固体与液体基质 | 法医分析化学 | NA | 基于QuEChERS的萃取、液液萃取、液相色谱-质谱联用（LC-MS）、气相色谱-质谱联用（GC-MS）、纤维相吸附萃取（FPSE）、深度学习辅助质谱 | NA | 文本（文献综述） | NA | NA | NA | NA | NA |
| 699 | 2026-06-05 |
Deep learning-based classification of interphalangeal finger joints in erosive hand osteoarthritis
2026-Sep, Osteoarthritis and cartilage open
DOI:10.1016/j.ocarto.2026.100821
PMID:42239506
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 700 | 2026-06-05 |
Towards scalable deep learning for automated microscopy in harmful algal bloom monitoring: Data-centric workflow and multi-region generalisation
2026-Aug-15, Water research
IF:11.4Q1
DOI:10.1016/j.watres.2026.126038
PMID:42090852
|
研究论文 | 提出基于数据驱动的深度学习工作流程，用于有害藻华监测中的自动化显微镜分析，并评估多区域泛化能力 | 构建了涵盖三个澳大利亚区域、105个微藻/蓝藻类群的多区域显微数据集，并基于YOLOv12目标检测模型系统评估了数据集设计选择（如分类粒度、优先类包含、数据增强）对真实世界条件下自动化显微镜性能的影响 | 跨区域泛化能力差，仅用目标域数据微调时性能提升有限；合并多区域数据训练虽恢复部分性能，但仍低于域内水平，表明域泛化是部署的关键瓶颈 | 推进可扩展的深度学习自动化显微镜系统，用于有害藻华的快速监测 | 有害藻华监测中的微藻和蓝藻类群 | 计算机视觉 | 不适用 | 明场显微镜 | 目标检测模型（YOLOv12） | 显微图像 | 来自三个澳大利亚区域的105个微藻/蓝藻类群 | YOLOv12 | YOLOv12 | mAP@0.5 | 不适用 |