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 49908 篇文献，本页显示第 7701 - 7720 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 7701 | 2026-06-22 |
From trial-and-error to inverse design: how AI is redefining drug delivery systems
2026-Jun-18, Drug discovery today
IF:6.5Q1
DOI:10.1016/j.drudis.2026.104725
PMID:42314831
|
综述 | 本文综述了人工智能在药物递送系统设计中的应用，重点介绍了预测建模和逆向设计策略如何改变传统试错法 | 系统梳理了人工智能方法在药物递送系统设计中的应用，包括机器学习、深度学习及物理信息方法，并创新性地讨论了它们与制药流程的整合 | 数据异质性、有限泛化能力、模型可解释性及监管验证是阻碍临床转化的主要障碍 | 为人工智能驱动的药物递送系统设计提供结构化概述，并评估其临床转化挑战 | 药物递送系统及其设计方法 | 机器学习 | 不适用 | 机器学习、深度学习、物理信息方法 | 不适用 | 不适用 | 不适用 | 不适用 | 不适用 | 不适用 | 不适用 |
| 7702 | 2026-06-22 |
Hybrid deep learning-based rapid broad-Spectrum antimicrobial susceptibility prediction from whole-genome assemblies
2026-Jun-17, Journal of microbiological methods
IF:1.7Q4
DOI:10.1016/j.mimet.2026.107597
PMID:42309394
|
研究论文 | 开发一种基于混合深度学习的模型，从全基因组组装数据快速预测广谱抗菌药物敏感性 | 提出将CNN、BiLSTM和注意力机制结合的混合深度学习模型，利用6-mer频率编码和基因组-抗生素配对特征，实现从细菌全基因组数据快速预测广谱抗菌药物敏感性 | 模型在抗生素和细菌组间的预测性能存在差异，AUPRC仅为0.489，表明对耐药样本识别能力有限 | 开发一种快速、广谱的抗菌药物敏感性预测方法，以辅助临床决策对抗菌药物耐药性 | 699个细菌基因组组装数据和对应的22种抗生素药敏结果 | 机器学习 | 抗菌药物耐药性相关感染 | 全基因组测序 | CNN-BiLSTM-Attention混合模型 | 基因组序列数据 | 699个细菌基因组样本，每个样本与22种抗生素配对 | NA | CNN, BiLSTM, Attention机制 | 准确率, AUROC, 平衡准确率, AUPRC | NA |
| 7703 | 2026-06-22 |
Artificial intelligence and machine learning in robotic, teleoperated, and remote surgery: a bibliometric and knowledge mapping analysis (2015-2025)
2026-Jun-16, Journal of robotic surgery
IF:2.2Q2
DOI:10.1007/s11701-026-03600-5
PMID:42298236
|
研究论文 | 对2015-2025年间人工智能和机器学习在机器人、遥操作及远程手术中应用的研究进行文献计量和知识图谱分析 | 首次对AI和ML在远程手术领域的全球研究进行系统的文献计量和知识图谱分析，揭示研究趋势、协作结构和新兴主题 | 仅纳入Scopus数据库中英文发表的研究文章，可能存在文献覆盖不全的局限性 | 分析AI和ML在机器人、遥操作及远程手术领域的全球研究格局、协作结构和新兴主题趋势 | 2015-2025年间发表的2201篇相关研究论文 | 机器学习 | NA | 文献计量分析 | NA | 文献数据 | 112个国家的2201篇出版物 | NA | NA | 年发表趋势、引文分析、共现分析 | NA |
| 7704 | 2026-06-22 |
Performance of Deep Learning in Classifying Age-Related Macular Degeneration From Images: Systematic Review and Meta-Analysis
2026-Jun-15, Journal of medical Internet research
IF:5.8Q1
DOI:10.2196/97174
PMID:42296531
|
系统综述与荟萃分析 | 系统评估深度学习在视网膜图像中分类年龄相关性黄斑变性的诊断性能，并与眼科医生进行对比 | 首次通过荟萃分析直接对比深度学习与不同经验水平眼科医生在AMD检测和湿性/干性AMD分类中的诊断性能，并引入PROBAST+AI工具评估偏倚风险 | 研究间异质性高、预测区间宽、多为回顾性设计且内部验证可能膨胀性能，结果仍属初步阶段而非实际部署就绪 | 比较深度学习算法与眼科医生在检测AMD及区分湿性和干性AMD中的诊断性能，并识别影响深度学习性能的因素 | 年龄相关性黄斑变性（AMD）患者及正常视网膜图像 | 机器学习 | 老年性疾病 | NA | 深度学习 | 图像 | AMD检测77,485个样本；湿性vs干性AMD分类28,705个样本 | NA | NA | 敏感性、特异性、准确率、曲线下面积 | NA |
| 7705 | 2026-06-22 |
AirNet: A Deep Learning-Driven Auto Baseline Correction Algorithm Balancing Global Smoothness and Local Fidelity
2026-Jun-10, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.6c01550
PMID:42272034
|
研究论文 | 提出一种名为AirNet的深度学习驱动的自动基线校正算法，旨在平衡全局平滑性和局部保真度 | 结合深度学习与化学计量学，通过ResUnet模型识别拉曼峰和基线，并采用多指标评估策略自适应选择最优平滑参数，同时引入Dr-airPLS方法优化权重，实现高精度和高泛化能力 | 未提及具体限制，可能需依赖训练数据质量，且对急剧变化的背景梯度可能仍有挑战 | 开发一种可自动校正拉曼/表面增强拉曼光谱中非拉曼散射背景的基线算法，提高光谱分析的准确性和可靠性 | 拉曼光谱数据（包括模拟和实验光谱） | 机器学习, 数字化学 | 不适用 | 拉曼光谱, 表面增强拉曼光谱 | ResUnet, Dr-airPLS | 光谱数据 | 不适用 | PyTorch | ResUnet, Dr-airPLS | 准确性, 泛化能力 | 不适用 |
| 7706 | 2026-06-22 |
Deep Learning-Driven Saccharide Online Sequencing for Elucidating the Pathological Alterations of Heparan Sulfate in APAP-Induced Acute Liver Injury
2026-Jun-10, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.6c00995
PMID:42272111
|
研究论文 | 利用深度学习驱动的化学衍生-串联质谱策略，首次对APAP诱导的急性肝损伤中硫酸乙酰肝素的结构域变化进行测序 | 首次通过深度学习驱动的化学衍生-串联质谱策略直接对病理状态下硫酸乙酰肝素的域变化进行测序，并成功解码了生物活性域内的序列变化，而非仅分析其组成变化 | 仅针对APAP诱导的急性肝损伤模型，未在其他病理模型或大规模样本中验证，且测序深度仅限于八糖以内的生物活性域 | 阐明APAP诱导的急性肝损伤中硫酸乙酰肝素的病理改变，推动基于硫酸乙酰肝素的治疗药物在生物医学领域的应用 | APAP诱导的急性肝损伤小鼠模型中的硫酸乙酰肝素 | 机器学习 | 急性肝损伤 | 质谱分析 | 深度学习模型 | 质谱数据 | 未提及 | 未提及 | 未提及 | 未提及 | 未提及 |
| 7707 | 2026-06-07 |
Correction to "Deep GIST: Deep Learning Models for Predicting the Distribution of Hydration Thermodynamics around Proteins"
2026-Jun-06, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.6c01684
PMID:42249808
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 7708 | 2026-06-22 |
Demographic-aware temporal graph attention for fair and accurate cardiac abnormality detection in 12-lead ECG
2026-Jun-04, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-54206-8
PMID:42243352
|
research paper | 提出一种基于人口统计信息感知的图注意力网络DA-GAT-v2，用于12导联心电图的公平且准确的异常检测 | 三个临床驱动的架构创新：导联时间卷积编码器、动态α网络预测患者特异性导联间图拓扑、以及集成在每一图注意力层的特征级线性调制 | 公平性评估仅限于性别和年龄亚组，由于所用数据集中缺少种族和民族元数据 | 同时提升多标签心脏异常检测的诊断准确性和算法公平性 | 12导联心电图中的心脏异常，特别是性别和年龄相关的人口统计差异 | machine learning, digital pathology | NA | NA | 图注意力网络 | 12导联心电图信号 | PTB-XL数据集21507条记录，Chapman-Shaoxing数据集10646条记录 | PyTorch | DA-GAT-v2 (包含时间卷积编码器、动态α网络、特征级线性调制) | macro F1, AUROC, equalized odds difference | NA |
| 7709 | 2026-06-22 |
Detecting inflammatory arthritis in hand smartphone photographs: development and validation of a computer vision model in clinical settings
2026-Jun-03, Rheumatology (Oxford, England)
DOI:10.1093/rheumatology/keag287
PMID:42226010
|
研究论文 | 训练并验证一个计算机视觉模型，通过标准化智能手机照片检测手部滑膜炎 | 在真实世界风湿病门诊患者中，使用智能手机照片训练深度学习模型检测手部滑膜炎，并通过预设亚组分析验证模型在有手部畸形患者等群体中的稳定性 | 数据集仅来自印度单中心，且照片为标准化拍摄，实际应用中光线、角度等变量可能影响性能 | 开发并验证一个能够从智能手机照片中检测手部滑膜炎的计算机视觉模型，以减少炎症性关节炎的诊断延迟 | 1112名风湿病门诊患者的手部照片（共2296张） | 计算机视觉 | 炎症性关节炎 | 智能手机摄影 | ConvNeXt V2、EfficientNetV2 | 图像 | 2296张手部照片（来自1112名患者） | PyTorch, TensorFlow | ConvNeXt V2, EfficientNetV2 | AUROC, 准确率, 敏感度, 特异度 | NA |
| 7710 | 2026-06-22 |
A Deep Learning Approach to Automatically Classify Ice Hockey Shooting Actions Using Acceleration Signals
2026-May-26, Sensors (Basel, Switzerland)
DOI:10.3390/s26113361
PMID:42280881
|
研究论文 | 使用可穿戴传感器和深度学习模型自动分类冰球射门动作 | 探索了使用最少传感器配置（仅手部传感器）实现高精度动作分类的可行性，为实际应用中的传感器集成手套提供了支持 | 未提及模型在不同冰球水平运动员或比赛环境中的泛化能力，也未讨论实时处理的延迟问题 | 评估深度学习模型对冰球常见击球动作（传球、射门）的分类能力 | 43名精英冰球运动员的7种技术动作（腕射、拍击射、反手射、一击射、传球、其他、休息） | 机器学习 | NA | 惯性测量单元传感器 | 卷积神经网络 | 加速度信号 | 43名精英冰球运动员的7种动作数据 | NA | 全连接卷积神经网络 | F1分数 | NA |
| 7711 | 2026-06-22 |
Identification of Hepatic Fibrosis and Steatosis via A Point-of-Care Transient Elastography System With Integrated AI
2026-May, Liver international : official journal of the International Association for the Study of the Liver
IF:6.0Q1
DOI:10.1111/liv.70634
PMID:41947638
|
研究论文 | 报道了一种集成人工智能的即时弹性成像系统，用于同时评估肝纤维化和脂肪变性，并与传统瞬态弹性成像进行对比验证 | 首次将实时B型超声图像引导、人工智能辅助（深度学习分析）与即时弹性成像技术相结合，提出新型多域衰减参数用于脂肪定量，并证明少于4次测量即可维持诊断性能 | 主要验证队列样本量相对较小（138例），且未对不同病因慢性肝病（如NAFLD、病毒性肝炎等）进行亚组分析 | 验证新型AI-POC-TE系统在诊断慢性肝病患者肝纤维化和脂肪变性中的准确性，并探索最少测量次数 | 慢性肝病患者（肝脏活检验证队列138例，大队列1455例） | 机器学习, 计算机视觉 | 肝纤维化, 脂肪肝（肝脏疾病） | 瞬时弹性成像, B型超声成像, 深度学习 | 深度学习模型 | 图像（超声弹性图）、临床数值参数 | 肝脏活检验证队列138例，大队列1455例 | NA | NA | AUROC, Youden指数, 相关系数（r） | NA |
| 7712 | 2026-06-22 |
Predicting Visual Outcomes in Congenital Posterior Lens Opacities: A Deep Learning Model Using Ultra-Widefield Fundus Images
2026-May, Ophthalmology science
IF:3.2Q1
DOI:10.1016/j.xops.2026.101122
PMID:41953141
|
研究论文 | 开发并验证一种基于超广角眼底图像的深度学习模型，用于自动分割先天性后发性晶状体混浊的投影阴影，并预测儿童视觉预后 | 首次利用超广角眼底图像中的晶状体混浊投影阴影（LOPS）与视盘比值（SODR）作为新型预测指标，通过深度学习模型准确分割并预测先天性后发性晶状体混浊儿童的视觉预后 | 单中心、小样本研究，且未涉及其他类型白内障或更大人群的验证 | 评估深度学习模型在超广角眼底图像上自动分割LOPS并预测先天性后发性晶状体混浊儿童视觉预后的有效性 | 先天性后发性晶状体混浊患儿及其超广角眼底图像 | 计算机视觉, 数字病理学 | 先天性后发性晶状体混浊 | NA | U-Net | 图像 | 55名先天性后发性晶状体混浊患儿的60只眼，共454张超广角眼底图像 | NA | U-Net | 敏感性, 特异性, Dice系数, 受试者工作特征曲线 | NA |
| 7713 | 2026-05-02 |
Correction: Clinically significant prostate cancer detection with deep learning in a multi-center magnetic resonance imaging study
2026-Apr-28, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-50501-6
PMID:42050081
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 7714 | 2026-06-22 |
A diffusion-based framework for designing molecules in flexible protein pockets
2026-Apr-10, Science advances
IF:11.7Q1
DOI:10.1126/sciadv.aeb7045
PMID:41950314
|
研究论文 | 提出YuelDesign，一种基于扩散的框架，用于在柔性蛋白口袋中设计分子，联合建模蛋白口袋结构和配体构象 | 首次联合建模蛋白口袋结构和配体构象，采用双扩散过程（EDM和D3PM）实现几何和化学身份的迭代优化，并利用E3former保持旋转和平移等变性 | NA | 开发一种能够处理柔性蛋白口袋的分子设计方法，提高药物发现的准确性 | 蛋白-配体复合物中的柔性蛋白口袋和配体分子 | 机器学习 | NA | NA | 扩散模型 | 分子结构数据 | NA | NA | E3former | 药效类似性、合成复杂性、化学官能团多样性、对接能量 | NA |
| 7715 | 2026-06-22 |
PLM-effector: unleashing the potential of protein language models for bacterial secreted protein prediction
2026-Mar-01, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbag143
PMID:41947423
|
研究论文 | 提出PLM-Effector，一个整合蛋白质语言模型和混合深度学习框架的细菌分泌蛋白预测工具 | 首次采用双层集成策略整合多种蛋白质语言模型（ESM-1b、ESM2_t33、ProtT5）与神经网络架构，实现五种主要分泌系统（T1SS-T4SS和T6SS）的类型感知预测 | 依赖蛋白特异性语言模型嵌入，可能泛化能力受限；仅覆盖五种分泌系统，未包括其他分泌机制 | 开发能准确预测多种细菌分泌系统效应蛋白的计算方法 | 细菌分泌蛋白，特别是通过专用分泌系统传递的效应蛋白 | 机器学习 | 细菌感染相关疾病 | 蛋白质语言模型嵌入 | 混合深度学习框架（CNN、RNN等集成） | 蛋白质序列数据 | 独立测试集包含五种分泌系统的效应蛋白样本 | PyTorch | ESM-1b、ESM2_t33、ProtT5蛋白质语言模型及多层神经网络集成 | 宏F1分数 | NA |
| 7716 | 2026-06-22 |
Enhancing Early Diagnosis: Multimodal AI Approaches for Neurodegenerative Diseases
2026, Journal of biotechnology and biomedicine
DOI:10.26502/jbb.2642-91280211
PMID:41948713
|
综述 | 评估多模态人工智能方法在神经退行性疾病早期诊断中的应用 | 提出多模态融合架构能更好地捕捉神经退行性疾病的生物学复杂性，并强调从静态诊断向连续时间建模的转变 | 数据异质性、深度学习“黑箱”特性以及数据集表示需要全球公平性 | 探讨利用 AI 驱动的生物标志物（来自神经影像、电生理学和数字表型）实现神经退行性疾病的早期诊断 | 神经退行性疾病（如阿尔茨海默病和帕金森病）中的 MRI、PET 和 EEG 数据集 | 机器学习 | 神经退行性疾病 | NA | 多模态融合架构 | 神经影像（MRI、PET）、电生理学（EEG）和数字表型数据 | NA | NA | 多模态融合架构 | 预测时间线 | NA |
| 7717 | 2026-04-10 |
Retraction: TGEL-transformer: Fusing educational theories with deep learning for interpretable student performance prediction
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0346214
PMID:41950193
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 7718 | 2026-04-10 |
Retraction: Signal processing for enhancing railway communication by integrating deep learning and adaptive equalization techniques
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0345999
PMID:41950215
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 7719 | 2026-06-22 |
Deep learning on protein language model embeddings unlocks accurate prediction of protein solubility
2026, Frontiers in microbiology
IF:4.0Q2
DOI:10.3389/fmicb.2026.1716930
PMID:41953440
|
研究论文 | 提出DeepSolNet深度学习模型，利用蛋白质语言模型嵌入准确预测蛋白质溶解性 | 首次将ESM蛋白质语言模型嵌入与双向长短期记忆网络、卷积神经网络和注意力机制相结合，构建多模块架构预测蛋白质溶解性 | NA | 开发能够准确预测蛋白质溶解性的深度学习方法，以支持合成生物学和蛋白质工程中的大规模蛋白设计与表达优化 | 蛋白质溶解性预测，特别针对原核表达系统中蛋白质错误折叠问题 | 机器学习 | NA | 蛋白质语言模型嵌入 | 深度学习 | 蛋白质序列 | 包含γ-抗体、转谷氨酰胺酶和醛脱氢酶序列的独立构建测试集 | PyTorch | ESM、双向LSTM、CNN、注意力机制 | 准确率、马修斯相关系数 | NA |
| 7720 | 2026-06-22 |
Oral Cancer Detection By Using Tabular Data Synthesis and Classification
2025-Nov, Proceedings ... ICDM workshops. IEEE International Conference on Data Mining
DOI:10.1109/ICDMW69685.2025.00094
PMID:41948034
|
研究论文 | 提出一种利用表格数据合成与分类的自动方法，用于口腔癌筛查，区分口腔癌与癌前病变并改善数据不平衡问题 | 通过表格数据合成技术缓解临床数据不平衡问题，并利用深度学习同时实现数据平衡与分类性能提升 | 未明确说明，但基于摘要可能包括数据集规模有限或泛化性需进一步验证 | 改进基于AI的口腔癌筛查方法，提升分类性能并解决临床数据不平衡问题 | 口腔癌与癌前病变的临床表格数据 | 机器学习 | 口腔癌 | NA | 深度学习模型 | 表格数据 | NA | NA | NA | Youden指数, 平衡准确率, 敏感性, F1分数, Matthews相关系数 | NA |