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 46134 篇文献，本页显示第 7021 - 7040 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 7021 | 2026-03-17 |
Training deep learning models on personalized genomic sequences improves variant effect prediction
2025-Feb-15, bioRxiv : the preprint server for biology
DOI:10.1101/2024.10.15.618510
PMID:39463940
|
研究论文 | 本文通过训练深度学习模型于个性化基因组序列，提升了变异效应预测的性能 | 在匹配个人基因组的功能基因组数据上训练模型，提高了变异效应预测的准确性，且变异效应表征在微调至未见细胞环境和实验读数时仍能保留 | NA | 改进序列到功能模型在变异效应预测中的性能 | 个性化基因组序列和功能基因组数据 | 机器学习 | NA | 功能基因组数据 | 深度学习模型 | 基因组序列数据 | NA | NA | NA | NA | NA |
| 7022 | 2026-03-17 |
Disease Activity and Therapeutic Response to Pegcetacoplan for Geographic Atrophy Identified by Deep Learning-Based Analysis of OCT
2025-Feb, Ophthalmology
IF:13.1Q1
DOI:10.1016/j.ophtha.2024.08.017
PMID:39151755
|
研究论文 | 本研究利用深度学习分析OCT图像，量化了在pegcetacoplan治疗下，地理萎缩患者光感受器和视网膜色素上皮层的形态变化 | 首次应用深度学习技术对OCT图像进行分割，以客观量化地理萎缩中光感受器和视网膜色素上皮层的退化，并揭示了椭圆体带-视网膜色素上皮差异对疾病进展和治疗反应的显著影响 | 研究为事后纵向图像分析，可能受限于原始临床试验的设计和数据收集；未详细说明深度学习模型的泛化能力到其他数据集或临床环境 | 评估pegcetacoplan治疗对年龄相关性黄斑变性引起的地理萎缩中视网膜结构变化的疗效 | 来自OAKS和DERBY两项前瞻性随机III期临床试验的897名地理萎缩患者 | 数字病理学 | 年龄相关性黄斑变性 | OCT成像 | 深度学习 | 图像 | 897只眼睛（来自897名患者） | NA | NA | 视网膜色素上皮损失和椭圆体带损失的面积变化百分比 | NA |
| 7023 | 2026-03-17 |
AI: the Apollo guidance computer of the Exposome moonshot
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1632520
PMID:41000410
|
评论 | 本文提出将人工智能与微生理系统和多组学平台结合，以推动暴露组学研究，实现疾病预防和个性化健康管理 | 提出“暴露组登月计划”统一愿景，将微生理系统、多组学平台和人工智能整合，创建器官、个体和人群的数字孪生模型 | 需要扩展模型的适用领域、实施稳健的数据安全措施，并优先采用透明可解释的算法 | 推动暴露组学研究，通过人工智能整合环境暴露数据以理解和预防人类疾病 | 人类环境暴露数据、微生理系统生成的数据、多组学平台数据 | 机器学习 | NA | 多组学平台 | 深度学习 | 异质数据流 | NA | NA | NA | NA | NA |
| 7024 | 2026-03-17 |
AI redefines mass spectrometry chemicals identification: retention time prediction in metabolomics and for a Human Exposome Project
2025, Frontiers in public health
IF:3.0Q2
DOI:10.3389/fpubh.2025.1687056
PMID:41312237
|
综述 | 本文综述了人工智能在质谱化学鉴定中的应用，特别是在代谢组学和人类暴露组项目中预测保留时间的方法 | 整合机器学习（包括深度学习和图神经网络）进行保留时间预测，并结合概率校准和跨平台协调，以提高代谢物注释的置信度 | NA | 通过人工智能增强保留时间预测，以改善人类暴露组项目中环境与内源性化学物质的鉴定 | 人类生物样本中的环境与内源性化学物质 | 机器学习 | NA | 液相色谱-高分辨率质谱, 气相色谱 | 深度学习, 图神经网络, 迁移学习 | 质谱数据 | NA | NA | NA | NA | NA |
| 7025 | 2026-03-17 |
Generalization challenges in electrocardiogram deep learning: insights from dataset characteristics and attention mechanism
2024-03-11, Future cardiology
IF:1.6Q3
DOI:10.1080/14796678.2024.2354082
PMID:39049767
|
研究论文 | 本研究探讨了训练数据特征对深度学习模型在心电图异常检测中泛化性能的影响，并引入注意力机制以提升泛化能力 | 通过使用仅占大型数据集1%的平衡数据集实现与完整数据集相当的泛化性能，并验证注意力机制对模型泛化能力的进一步优化 | 未明确说明具体心电图异常类型及模型在外部验证集上的表现细节 | 探究训练数据特征对深度学习模型泛化性能的影响，并提升心电图异常检测的泛化能力 | 心电图数据集及基于深度学习的异常检测模型 | 机器学习 | 心血管疾病 | NA | 深度学习模型（未指定具体类型） | 心电图数据 | 多个心电图数据集，平衡子集仅占大型数据集的1% | NA | NA | 泛化性能（未指定具体指标） | NA |
| 7026 | 2026-03-17 |
Integrative computational analyses implicate regulatory genomic elements contributing to spina bifida
2024, Genetics in medicine open
DOI:10.1016/j.gimo.2024.101894
PMID:39669613
|
研究论文 | 本研究通过整合计算分析，揭示了与脊柱裂相关的调控基因组元件及其在疾病遗传易感性中的作用 | 采用无靶向的全基因组方法结合深度学习优先排序框架，识别了脊柱裂中罕见的单核苷酸变异和拷贝数变异，特别是CCCTC结合因子结合位点的富集，并关联了功能通路 | NA | 描绘脊柱裂病理生理学背后的全基因组调控特征，以理解其遗传易感性 | 脊柱裂患者与健康对照的基因组数据 | 计算生物学 | 脊柱裂 | 全基因组测序，深度学习优先排序 | 深度学习框架 | 基因组序列数据 | NA | NA | NA | NA | NA |
| 7027 | 2026-03-17 |
RETRACTED ARTICLE: A novel deep learning-based approach for detecting attacks in social IoT
2023-05-10, Soft computing
IF:3.1Q2
DOI:10.1007/s00500-023-08389-1
PMID:37362260
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 7028 | 2026-03-16 |
Multivariate feature analysis of early-stage laryngeal cancer serum components using surface-enhanced Raman spectroscopy
2026-Jun-05, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
DOI:10.1016/j.saa.2026.127625
PMID:41740394
|
研究论文 | 本研究系统探讨了表面增强拉曼光谱结合深度学习模型在早期喉癌血清筛查中的临床应用价值 | 首次将融合注意力机制的一维卷积神经网络应用于早期喉癌血清SERS光谱分析，并证实其优于传统机器学习模型 | 样本量相对有限，仅包含早期喉癌、声带息肉和健康对照三组，且为单中心研究 | 开发一种高效、准确的早期喉癌筛查方法 | 早期喉癌患者、声带息肉患者和健康对照者的血清样本 | 机器学习 | 喉癌 | 表面增强拉曼光谱 | CNN | 光谱数据 | 三组血清样本（早期喉癌、声带息肉、健康对照），具体数量未明确说明 | NA | 1D-CNN, CNN-attention, CNN-baseline | 准确率 | NA |
| 7029 | 2026-03-16 |
Three-dimensional fluorescence spectroscopy recognition and component analysis based on machine learning
2026-Jun-05, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy
DOI:10.1016/j.saa.2026.127633
PMID:41759433
|
研究论文 | 本研究提出了一种结合机器学习与三维荧光光谱的有效方法，用于实现样品污染检测与成分分析 | 提出了一种名为SE-UNet的改进U型网络架构，利用PARAFAC导出的光谱轮廓作为参考目标来训练模型，在复杂混合物场景下表现出比传统方法更稳定的性能和更强的泛化能力 | 研究在模拟污染环境中进行数据采集，实际环境复杂性可能影响模型性能；未明确说明模型在极端污染浓度下的表现 | 开发基于机器学习的三维荧光光谱识别与成分分析方法，提高污染检测的准确性和可靠性 | 荧光物质及其在污染环境中的识别与成分分析 | 机器学习 | NA | 三维激发-发射矩阵荧光光谱技术 | KNN, RF, CNN, U-Net | 光谱数据 | NA | NA | CNN, VGG, U-Net, SE-UNet | RMSE, NRMSE, 余弦相似度, WMAE | NA |
| 7030 | 2026-03-16 |
Flow rate determination in a two-phase system using radioactive particle tracking and deep learning
2026-May, Applied radiation and isotopes : including data, instrumentation and methods for use in agriculture, industry and medicine
IF:1.6Q3
DOI:10.1016/j.apradiso.2026.112520
PMID:41723967
|
研究论文 | 本研究提出了一种结合放射性粒子追踪技术和深度学习的方法，用于预测两相系统中的流体体积分数并计算表观速度，以实现非侵入式的流量测定 | 提出了一种基于放射性粒子追踪和深度学习的非侵入式流量测定方法，避免了传统流量计需要直接接触流体和定期维护的问题 | 研究基于模拟数据（MCNP6蒙特卡洛模拟），未在真实工业环境中进行验证；仅针对分层盐水-油流态进行了测试 | 开发一种非侵入式方法，用于准确测定石油工业中两相管道系统的流量 | 两相系统（盐水-油）中的流体流动 | 机器学习 | NA | 放射性粒子追踪技术，蒙特卡洛模拟（MCNP6） | 深度神经网络 | 模拟辐射信号数据 | NA | NA | NA | 平均绝对百分比误差（MAPE） | NA |
| 7031 | 2026-03-16 |
CXCL9 as a key feature for deep learning-based immune subtyping and prediction of immune checkpoint blockade response in triple-negative breast cancer
2026-Apr-15, International immunopharmacology
IF:4.8Q1
DOI:10.1016/j.intimp.2026.116439
PMID:41759266
|
研究论文 | 本研究通过整合多组学数据，利用深度学习驱动的无监督聚类方法识别三阴性乳腺癌的免疫亚型，并发现CXCL9作为关键生物标志物与免疫检查点阻断反应正相关，受IDO1调控 | 开发了一种基于深度学习的无监督聚类方法（AE-K-means）对三阴性乳腺癌进行免疫亚型分类，并首次将CXCL9识别为与免疫检查点阻断反应相关的关键特征，揭示了IDO1可能通过调控CXCL9影响肿瘤微环境 | 研究主要基于公共数据集（GEO、TCGA、GTEx），样本可能缺乏多样性；体外实验初步验证了调控机制，但需进一步体内实验确认；深度学习模型的泛化能力有待更多独立队列验证 | 开发一种新的免疫分类系统，以更准确地预测三阴性乳腺癌患者对免疫检查点阻断疗法的反应，并探索相关的生物标志物和调控机制 | 三阴性乳腺癌患者的多组学数据（包括基因表达、单细胞测序数据）以及体外培养的巨噬细胞 | 机器学习 | 乳腺癌 | 多组学数据整合、单细胞RNA测序（scRNA-seq）、qRT-PCR、Western blotting、免疫荧光、ELISA | 深度学习无监督聚类（AE-K-means）、随机森林（RF）、其他机器学习算法 | 基因表达数据、单细胞测序数据、实验数据 | 来自GEO、TCGA和GTEx数据集的多个三阴性乳腺癌样本，具体数量未明确说明，但涉及训练、测试和验证集 | 未明确指定，但可能涉及TensorFlow或PyTorch（用于深度学习聚类）及Scikit-learn（用于机器学习算法） | 自编码器（AE）与K-means结合的聚类架构，其他模型包括NMF、ConsensusClusterPlus、VAE-GMM | 轮廓系数（Silhouette Coefficient）、戴维斯-布尔丁指数（Davies-Bouldin Index）、AUC（曲线下面积） | 未明确说明，但可能使用GPU进行深度学习模型训练 |
| 7032 | 2026-03-16 |
Beyond whole-image learning: anatomically partitioned deep learning models for superior sinonasal disease classification
2026-Mar-15, European radiology
IF:4.7Q1
DOI:10.1007/s00330-026-12436-4
PMID:41832258
|
研究论文 | 本研究提出了一种基于解剖分区的深度学习模型，用于提升鼻窦疾病的CT诊断准确性 | 通过解剖分区策略替代全图像学习，针对鼻窦解剖异质性设计疾病特异性网络，显著提高了诊断性能 | 研究为回顾性设计，样本量有限（150例手动分割），且仅针对特定解剖区域 | 提升基于CT的鼻窦疾病分类诊断准确性 | 鼻窦CT图像中的13个解剖区域（包括双侧鼻腔、上颌窦、筛窦等） | 数字病理学 | 鼻窦疾病 | CT成像 | 深度学习 | 医学图像（CT） | 2947例CT检查（其中150例用于手动分割） | nnU-Net v2 | nnU-Net | 敏感性, 特异性, AUC, Dice系数 | NA |
| 7033 | 2026-03-16 |
Integrative Approaches in Lung Cancer Diagnosis: Bridging Molecular Biomarkers and AI Driven Imaging
2026-Mar-14, Biomarkers : biochemical indicators of exposure, response, and susceptibility to chemicals
IF:2.0Q4
DOI:10.1080/1354750X.2026.2644329
PMID:41830914
|
综述 | 本文综述了分子生物标志物与人工智能驱动的影像学在肺癌诊断中的整合方法 | 分析了将分子生物标志物（如EGFR、ALK、KRAS等）与人工智能（特别是机器学习和深度学习）驱动的影像学（如低剂量CT扫描的影像组学和模式识别）进行整合的潜力，以实现更快、更精确、更具个性化的肺癌诊断 | 面临数据标准化、模型可解释性、临床验证和伦理问题等诸多挑战 | 探讨肺癌诊断领域如何整合分子生物学和计算技术的最新进展 | 肺癌 | 数字病理学 | 肺癌 | 液体活检、循环肿瘤DNA、下一代测序、多组学方法（基因组学、转录组学、蛋白质组学） | 机器学习, 深度学习 | 图像, 分子数据 | NA | NA | NA | NA | NA |
| 7034 | 2026-03-16 |
Decoding soil properties from surface cracks using Minkowski functionals, junction crack angle distributions, and AI-based image analysis
2026-Mar-14, The European physical journal. E, Soft matter
DOI:10.1140/epje/s10189-026-00567-x
PMID:41830988
|
研究论文 | 本研究通过Minkowski泛函、裂缝交汇角分布和基于AI的图像分析，解码土壤表面裂缝以识别土壤类型和亚型 | 结合形态学描述符（如Minkowski泛函和裂缝交汇角分布）与卷积神经网络，实现对土壤类型的精确分类，准确率达100% | NA | 通过分析干燥裂缝模式，准确识别土壤类型和亚型，应用于农业土壤评估、行星地形研究等领域 | 不同土壤类型及其亚类（如洪水左岸和非洪水右岸的土壤） | 计算机视觉 | NA | 图像分析 | CNN | 图像 | NA | NA | NA | 准确率 | NA |
| 7035 | 2026-03-16 |
Super-resolution deep learning reconstruction enhances visualization of cerebral aneurysms on magnetic resonance angiography
2026-Mar-14, Neuroradiology
IF:2.4Q2
DOI:10.1007/s00234-026-03965-2
PMID:41831007
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 7036 | 2026-03-16 |
A multimodal feature disentanglement model for lymphadenopathy diagnosis based on BUS and CDFI ultrasound videos: a retrospective, prospective, multicenter study
2026-Mar-14, European radiology
IF:4.7Q1
DOI:10.1007/s00330-026-12409-7
PMID:41831029
|
研究论文 | 本研究开发并验证了一种基于B超和彩色多普勒血流成像视频的多模态深度学习模型，用于淋巴结病变的诊断 | 提出了一种多模态特征解耦模型，整合了B超和彩色多普勒血流成像视频以及患者临床信息，以提高淋巴结病变的诊断准确性 | NA | 开发并验证一个深度学习模型，用于基于多模态超声视频诊断淋巴结病变 | 淋巴结病变患者 | 计算机视觉 | 淋巴结病变 | B超, 彩色多普勒血流成像 | 深度学习模型 | 视频 | 7371名患者，共提取147,420个关键帧 | NA | 多模态特征解耦模型 | AUC, 准确率, 灵敏度, 特异度, 精确度 | NA |
| 7037 | 2026-03-16 |
MyoClass: A modular multimodal auto-classification system for myocardial tissue characterization
2026-Mar-14, The international journal of cardiovascular imaging
DOI:10.1007/s10554-026-03684-y
PMID:41831142
|
研究论文 | 提出了一种名为MyoClass的深度学习框架，用于整合多模态心脏磁共振成像数据和患者元数据，实现心肌组织的自动分类 | 开发了一个模块化的多模态自动分类系统，首次整合了多种CMR序列、左心室形态描述符、T1定量映射和患者元数据，无需手动分割即可实现准确分类 | 研究样本量相对较小（150名患者），需要在更大规模的多中心数据集中进一步验证 | 开发一个自动化系统，用于区分健康心肌、心肌炎和心肌梗死 | 心肌组织 | 数字病理学 | 心血管疾病 | 心脏磁共振成像 | MLP | 图像, 元数据 | 150名患者（每类50名） | NA | 多层感知机 | 准确率 | NA |
| 7038 | 2026-03-16 |
Development and Validation of a Deep Learning System for Echocardiographic Assessment of 16-Segment LV Wall Thickness
2026-Mar-13, Ultrasound in medicine & biology
|
研究论文 | 本研究开发并验证了一种基于深度学习的系统，用于自动测量16段左心室壁厚度，通过超声心动图评估左心室肥厚的病理进展 | 首次提出基于深度学习的自动测量16段左心室壁厚度的方法，并在体内和体外数据集中进行验证，减少了传统方法的时间消耗和变异性 | 研究样本量相对有限（197名患者），且未在更广泛或多样化的临床人群中验证，可能影响泛化能力 | 开发并验证一种自动测量16段左心室壁厚度的深度学习系统，以改善左心室肥厚的诊断和治疗评估 | 超声心动图图像，包括正常壁厚度和增厚壁厚度的患者队列 | 计算机视觉 | 心血管疾病 | 超声心动图 | 深度学习算法 | 图像 | 92,984张超声心动图（正常壁厚度队列），26,523张超声心动图（增厚壁厚度数据集），2,238张超声心动图（体外数据集），总计197名患者 | NA | NA | Dice相似系数，Hausdorff距离，平均绝对误差 | NA |
| 7039 | 2026-03-16 |
Deep learning techniques for crop classification in complex agricultural landscapes
2026-Mar-12, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-37806-2
PMID:41820421
|
研究论文 | 本文提出了一种结合植被指数和注意力机制的深度学习方法，用于复杂农业景观中的作物分类 | 引入了Tanh激活的自注意力机制，在作物分类中取得了最高准确率（88.89%），优于乘法注意力、软注意力和全局注意力 | NA | 提高复杂农业景观中作物分类的准确性 | 遥感数据中的作物类型 | 计算机视觉 | NA | 遥感技术、植被指数分析 | 深度学习模型 | 时间序列遥感数据、频率信息数据 | NA | NA | 自注意力机制、乘法注意力、软注意力、全局注意力 | 准确率 | NA |
| 7040 | 2026-03-16 |
Enhanced pneumonia prognosis via a hybrid deep learning ensemble: Dense Net, Efficient Net, and VGG16 integration
2026-Mar-12, Computational biology and chemistry
IF:2.6Q2
|
研究论文 | 本研究提出了一种集成DenseNet、EfficientNet和VGG16的深度学习框架，用于增强肺炎的预后诊断 | 提出了一种结合深度CNN和InceptionV3的混合特征提取方法，并应用贝叶斯优化与粒子群优化的混合策略进行超参数调优 | NA | 开发一个稳健、临床可行且高度可靠的早期准确肺炎诊断解决方案 | 肺炎 | 计算机视觉 | 肺炎 | 深度学习 | CNN | 图像 | NA | NA | DenseNet, EfficientNet, VGG16, InceptionV3 | 准确率, 灵敏度, 特异性 | NA |