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 43650 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 | 2026-04-20 |
RGReco: a unified framework for automated R-group recognition in chemical publications
2026-Mar-10, Journal of cheminformatics
IF:7.1Q1
DOI:10.1186/s13321-026-01179-5
PMID:41808196
|
研究论文 | 本文提出了RGReco框架，结合深度学习和化学规则，通过多阶段流程从图像和文本中解析和整合化学出版物中的R-基团信息 | 提出了一个结合深度学习和化学规则的新框架，用于自动识别和解析化学出版物中多样化的R-基团信息，包括新的取代基结构识别和文本解析流程 | 未明确提及具体限制，但可能受限于数据集覆盖的R-基团图像类型或真实世界文献的复杂性 | 开发一个精确且全面的自动化工具，以加速化学出版物中R-基团信息的提取，支持数据驱动的AI研究 | 化学出版物中的R-基团信息，包括文本和图像形式 | 自然语言处理 | NA | 深度学习, 化学规则 | NA | 图像, 文本 | 从真实世界科学文献构建的数据集，包含常见类型的R-基团图像 | NA | NA | 精确率, 召回率, F1分数 | NA |
| 682 | 2026-03-11 |
Harnessing multi-modal deep learning for multi-drone navigation-based trajectory prediction system
2026-Mar-09, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-42180-0
PMID:41803339
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 683 | 2026-03-11 |
A robust and versatile deep learning model for prediction of the arterial input function in dynamic small animal [18F] FDG PET imaging
2026-Mar-09, EJNMMI research
IF:3.1Q1
DOI:10.1186/s13550-026-01398-9
PMID:41803557
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 684 | 2026-03-10 |
Deep learning-enhanced shoreline dynamics and vulnerability assessment in Niger Delta area of Nigeria
2026-Mar-08, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-39405-7
PMID:41796127
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 685 | 2026-04-20 |
BigEye: a clinically interpretable deep learning framework for diabetic retinopathy detection and stage prediction
2026-Mar-08, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-43573-x
PMID:41796249
|
研究论文 | 提出了一种名为BigEye的临床可解释深度学习框架，用于糖尿病视网膜病变的检测和分期预测 | 开发了一个新颖的框架，利用提取的病灶特征来预测ICDR分期，并通过SHAP值分析实现了与临床诊断标准高度一致的可解释性结果 | 未明确说明模型在外部验证集上的泛化性能，也未提及计算效率和实时性方面的评估 | 开发一个能够识别相关病灶并提供可解释结果的深度学习模型，以应对未来糖尿病视网膜病变病例的预期增长 | 糖尿病视网膜病变患者的眼底图像 | 计算机视觉 | 糖尿病视网膜病变 | 眼底摄影 | 深度学习 | 图像 | 来自当地医院和公共数据集的眼底图像数据集，包含分割掩码和DR分期标注 | 未明确说明 | DeepLabV3+ | 精确度, 召回率, F1分数, ROC-AUC, 准确度 | NA |
| 686 | 2026-03-09 |
Deep learning for high-resolution material texture enhancement in 3D environments
2026-Mar-07, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-42313-5
PMID:41794865
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 687 | 2026-04-20 |
Survival prediction for bladder cancer using multimodal data with quantum neural networks and transformer architectures
2026-Mar-07, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-42047-4
PMID:41794871
|
研究论文 | 本研究提出了一种结合量子计算与经典深度学习的混合诊断模型QTMPN，用于膀胱癌生存预测，通过量子神经网络和Transformer架构处理多模态数据 | 提出QTMPN框架，首次将量子神经网络与Transformer、图神经网络结合，用于多模态医学数据融合，提升生存预测准确性 | 研究为回顾性分析，可能受限于TCGA-BLCA数据集，未在外部验证集上测试，量子计算部分依赖模拟环境 | 开发一个用于膀胱癌生存预测的混合量子-经典深度学习模型，以改善癌症预后准确性并支持精准医疗 | 膀胱癌患者的多模态数据，包括全切片病理图像和临床特征 | 数字病理学 | 膀胱癌 | 量子计算，深度学习，多模态数据融合 | 量子神经网络，Transformer，图神经网络 | 图像，临床数据 | TCGA-BLCA数据集中的膀胱癌患者样本 | PyTorch, TensorFlow Quantum | QTMPN，包括量子特征提取器和Transformer-GNN协作融合模块 | 生存预测准确率 | GPU（具体型号未指定），量子计算模拟环境 |
| 688 | 2026-03-09 |
Comparative evaluation of deep learning models for cardiovascular disease diagnosis and classification
2026-Mar-07, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-43543-3
PMID:41794983
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 689 | 2026-04-20 |
Rejoining fragmented ancient bamboo slips with physics-driven deep learning
2026-Mar-06, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-70361-y
PMID:41786754
|
研究论文 | 本文提出了一种名为WisePanda的物理驱动深度学习框架，用于自动拼接古代竹简碎片 | 基于断裂和材料劣化的物理原理，自动生成成对的合成训练数据，无需手动配对样本，从而解决了古代文物修复中的数据稀缺问题 | 未在摘要中明确提及 | 开发一种高效的方法来拼接古代竹简碎片，以促进对古代文明内容的理解 | 古代竹简碎片 | 计算机视觉 | NA | 深度学习 | NA | 图像 | NA | NA | NA | 匹配准确率 | NA |
| 690 | 2026-04-20 |
EEG-TriNet++: A Transformer-Guided Meta-Learning Framework for Robust and Generalizable Motor Imagery Classification
2026-Mar-06, Bioengineering (Basel, Switzerland)
DOI:10.3390/bioengineering13030307
PMID:41899838
|
研究论文 | 本文提出了一种名为EEG-TriNet++的多分支深度学习框架，用于提升基于脑电信号的运动想象分类的准确性和跨被试泛化能力 | 提出了一种结合卷积空间-频谱编码器、双向LSTM和Transformer头的多分支架构，并引入了模型无关的元学习模块以快速适应新用户，同时采用分块标记化策略和神经架构搜索来优化效率与表征能力之间的平衡 | 未明确提及模型的计算复杂度、实时性表现或在更大规模或更多样化数据集上的泛化能力 | 开发一个鲁棒且可泛化的深度学习框架，用于基于脑电信号的运动想象分类，以提升脑机接口的性能 | 脑电信号 | 机器学习 | NA | 脑电图 | CNN, LSTM, Transformer | 时间序列信号 | 两个公开的运动想象数据集 | NA | EEG-TriNet++（多分支架构，包含卷积空间-频谱编码器、双向LSTM、Transformer头） | 准确率 | NA |
| 691 | 2026-04-20 |
AMR-GNN: a multi-representation graph neural network framework to enable genomic antimicrobial resistance prediction
2026-Mar-06, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-69934-8
PMID:41792137
|
研究论文 | 提出了一种名为AMR-GNN的多表示图神经网络框架，用于从基因组序列数据预测抗菌素耐药性表型 | 首次将多种基因组表示与图神经网络集成，以解决AMR表型预测中的关键问题，包括利用多表示提升性能、减轻克隆关系影响以及识别可解释的生物标志物 | 作为概念验证框架，其在大规模临床应用中的具体表现和泛化能力仍需进一步验证 | 开发一个数据驱动的机器学习框架，以从全基因组测序数据中准确预测抗菌素耐药性表型 | 铜绿假单胞菌（作为概念验证），以及后续验证中涵盖的革兰氏阴性和革兰氏阳性病原体 | 机器学习 | 抗菌素耐药性 | 全基因组测序 | GNN | 基因组序列数据 | NA | NA | AMR-GNN | NA | NA |
| 692 | 2026-04-20 |
RoentMod: a synthetic chest X-ray modification model to identify and correct image interpretation model shortcuts
2026-Mar-06, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-026-02497-6
PMID:41792409
|
研究论文 | 介绍RoentMod，一种用于生成合成胸部X射线图像的框架，以识别和纠正医学图像解释模型中的捷径学习问题 | 结合开源医学图像生成器与图像到图像修改模型，无需重新训练，生成具有用户指定病理特征的逼真合成胸部X射线图像 | 未提及具体局限性，但可能包括生成图像的多样性或泛化能力 | 提高胸部X射线图像解释模型的鲁棒性和可解释性，通过对抗捷径学习 | 胸部X射线图像及其自动化解释模型 | 计算机视觉 | NA | 深度学习，图像生成与编辑 | 多任务模型，基础模型 | 图像 | 未明确指定样本数量，但涉及内部和外部测试 | 未明确指定，但提及开源医学图像生成器RoentGen | 未明确指定具体架构 | AUC | 未明确指定 |
| 693 | 2026-04-20 |
FISH-Dist: An Automated Pipeline for 3D Genomic Spatial Distance Quantification in FISH Imaging
2026-Feb-26, Bioengineering (Basel, Switzerland)
DOI:10.3390/bioengineering13030268
PMID:41899799
|
研究论文 | 本文介绍了一种名为FISH-Dist的自动化计算流程，用于在标准共聚焦显微镜获取的3D荧光原位杂交实验中量化荧光信号间的空间距离 | FISH-Dist专门针对标准共聚焦成像在短基因组距离下的技术挑战，结合了基于深度学习的点分割、亚像素定位的3D高斯拟合以及两种互补的色差校正方法，显著减少了通道间距离测量误差 | 该流程主要针对标准共聚焦显微镜成像，可能不适用于超分辨率显微镜或长程染色体相互作用分析 | 开发一个自动化计算流程，以准确量化3D FISH成像中的基因组空间距离，解决色差引起的测量偏差 | 荧光原位杂交实验中的多通道3D显微镜图像，特别是DNA折纸纳米尺和FISH探针设计参数 | 计算机视觉 | NA | 荧光原位杂交，共聚焦显微镜成像，DNA折纸纳米尺 | 深度学习 | 3D显微镜图像 | NA | NA | NA | 亚像素精度，距离测量误差 | NA |
| 694 | 2026-04-20 |
Performance of machine learning algorithms in diffusion tensor imaging of movement disorders: an exploratory meta-analysis
2026-Feb-07, Biomedical engineering online
IF:2.9Q3
DOI:10.1186/s12938-026-01528-3
PMID:41654900
|
荟萃分析 | 本文通过探索性荟萃分析，评估了机器学习算法在运动障碍扩散张量成像中的性能趋势和方法学多样性 | 首次对机器学习在运动障碍DTI分类中的应用进行探索性荟萃分析，重点描述性能分布和方法学模式而非推断单一合并效应 | 研究间异质性极高（I²=94.7%），样本量普遍较小（37-139名参与者），缺乏标准化成像流程，外部有效性有限 | 评估机器学习模型在运动障碍扩散张量成像分类中的性能趋势、方法学多样性和变异来源 | 人类运动障碍患者（包括帕金森病、图雷特综合征、原发性震颤等）的扩散张量成像数据 | 机器学习 | 运动障碍 | 扩散张量成像 | 深度学习, 影像组学 | 医学影像 | 46项研究（2016-2024年），单中心队列样本量37-139名参与者 | NA | NA | 准确率, 灵敏度, 特异度, AUC | NA |
| 695 | 2026-01-28 |
The sarcopenia artificial intelligence diagnostic decision support system (SAID DSS) - a multimodal deep learning model
2026-Jan-26, BMC geriatrics
IF:3.4Q2
DOI:10.1186/s12877-026-07005-9
PMID:41588346
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 696 | 2025-09-13 |
Infant Electrocardiogram-Based Deep Learning Predicts Critical Congenital Heart Disease
2025-Dec, JACC. Clinical electrophysiology
DOI:10.1016/j.jacep.2025.08.005
PMID:40938228
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 697 | 2026-04-20 |
Temporal structure of natural language processing in the human brain corresponds to layered hierarchy of large language models
2025-Nov-26, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-025-65518-0
PMID:41298357
|
研究论文 | 本文通过将大型语言模型的层级结构与人类大脑语言处理的时序动态对齐，揭示了深度学习模型在理解大脑语言理解机制中的优势 | 首次证明大型语言模型的层级结构与大脑语言理解的时间动态对齐，并公开了神经与语言对齐的数据集作为公共基准 | 研究依赖于特定叙事刺激和有限参与者样本，可能无法完全推广到所有语言处理场景 | 探索大型语言模型如何作为理解人类大脑语言处理机制的框架 | 人类大脑在语言理解过程中的神经活动 | 自然语言处理 | NA | 皮层电图（ECoG） | GPT-2 XL, Llama-2 | 文本, 神经信号 | 参与者听30分钟叙事时的ECoG数据 | NA | Transformer | 相关性 | NA |
| 698 | 2026-04-20 |
Box embeddings for extending ontologies: a data-driven and interpretable approach
2025-Sep-01, Journal of cheminformatics
IF:7.1Q1
DOI:10.1186/s13321-025-01086-1
PMID:40890838
|
研究论文 | 提出一种基于盒形嵌入的数据驱动方法，用于扩展本体并实现可解释的多标签分类 | 通过盒形嵌入在训练过程中强制实施分类结构，无需显式分类法即可捕获标签间的隐式层次关系 | 未在摘要中明确说明 | 从深度学习模型中推导符号知识，实现可解释的多标签分类 | ChEBI本体中的化学类别 | 自然语言处理 | NA | 盒形嵌入 | 深度学习模型 | 多标签数据集 | NA | NA | NA | 多标签分类性能 | NA |
| 699 | 2026-04-20 |
Enhancing deep neural networks through complex-valued representations and Kuramoto synchronization dynamics
2025-Aug-04, ArXiv
PMID:40799806
|
研究论文 | 本研究探讨了基于神经同步机制（特别是结合复数值表示与Kuramoto动力学）如何增强深度学习模型在复杂视觉分类任务中对多对象的编码能力 | 首次将神经科学中的同步机制（Kuramoto动力学）与复数值表示相结合，用于提升深度学习模型的对象绑定能力，并通过前馈和循环两种架构验证了其有效性 | 研究主要针对合成数据集（如重叠手写数字）进行验证，在真实世界复杂场景中的应用效果尚未充分探索；模型计算复杂度可能较高 | 探索神经同步机制能否增强人工模型在视觉分类任务中的对象编码能力，特别是解决多对象绑定问题 | 深度学习模型在复杂视觉场景中的对象表示与绑定能力 | 计算机视觉 | NA | NA | 前馈神经网络, 循环神经网络 | 图像 | NA | NA | NA | NA | NA |
| 700 | 2026-04-20 |
Diagnostic value of deep learning of multimodal imaging of thyroid for TI-RADS category 3-5 classification
2025-06, Endocrine
IF:3.0Q2
DOI:10.1007/s12020-025-04198-8
PMID:40056264
|
研究论文 | 本研究探索了基于深度学习结合超声和CT多模态成像对甲状腺TI-RADS 3-5类结节进行良恶性分类的诊断价值 | 首次将深度学习应用于超声与CT多模态成像的融合，以提高甲状腺TI-RADS 3-5类结节的分类准确性，避免不必要的活检 | 研究样本仅来自单一中心，且未提及外部验证集，可能影响模型的泛化能力 | 开发一种非侵入性方法，准确区分甲状腺TI-RADS 3-5类结节的良恶性，以减少不必要的细针穿刺活检 | 甲状腺TI-RADS 3-5类结节 | 数字病理 | 甲状腺癌 | 超声成像，计算机断层扫描 | 深度学习模型 | 图像 | 768例患者中的768个甲状腺结节（499例恶性，269例良性） | NA | NA | AUC，灵敏度，准确率，阳性预测值 | NA |