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!


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。
| 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 61 | 2026-11-17 |
Application of machine learning techniques in the measurement of ground reaction force (GRF) waveforms using inertial measurement unit (IMU) sensors-a systematic literature review
2026-Oct-13, Medical engineering & physics
IF:1.7Q3
DOI:10.1088/1873-4030/aeae3c
PMID:42815516
|
系统综述 | 本文综述了使用惯性测量单元(IMU)传感器结合机器学习和深度学习技术测量地面反作用力(GRF)波形的方法 | 系统梳理了GRF估计中模型架构、特征工程策略、传感器配置和验证方案等实现选择如何影响各轴向上的预测性能,并提出了标准化方法框架和未来工作建议 | 验证方案和人群样本异质性大,限制了跨研究直接比较;研究使用了不同的归一化分母、评估窗口、任务和传感器配置,无法建立单一的跨研究准确性排名 | 综合现有基于IMU和机器学习/深度学习估计GRF的方法,总结当前实践框架并为未来研究提供建议 | 使用IMU和机器学习或深度学习估计GRF并报告定量性能指标的研究 | 机器学习 | NA | 惯性测量单元(IMU)传感 | NA | 传感器信号(加速度计和陀螺仪数据) | 26项研究,样本量范围为5至47(中位数=15),IMU数量范围为1至16 | NA | NA | 误差指标(具体指标未明确列出) | NA |
| 62 | 2026-11-17 |
Leveraging traditional and advanced machine learning for comprehensive oncology data integration and outcome prediction
2026-Oct-12, Journal of neuro-oncology
IF:3.2Q2
DOI:10.1007/s11060-026-05774-2
PMID:42862479
|
综述 | 本文综述了传统机器学习和先进机器学习方法在神经肿瘤学多模态数据整合与预后预测中的应用 | 系统总结了从传统机器学习到自然语言处理、大语言模型、视觉Transformer、几何深度学习和图神经网络等先进架构在神经肿瘤学数据整合中的应用,并强调多模态AI系统相较单模态模型的预测优势 | 数据集异质性大、外部验证有限、可解释性存在顾虑、患者人群代表性不一致,且大多数模型仍处于研究阶段 | 探讨AI和机器学习方法如何整合复杂的神经肿瘤学多模态数据以支持精准神经肿瘤学决策 | 神经肿瘤学相关的肿瘤生物学、影像特征、治疗反应和患者临床因素等多源数据 | 数字病理学 | 脑肿瘤 | NA | 回归模型, 随机森林, 支持向量机, 梯度提升, 自然语言处理, 大语言模型, 视觉Transformer, 几何深度学习, 图神经网络 | 影像, 文本, 分子数据, 电子健康记录, 病理切片 | NA | NA | 随机森林, 支持向量机, 梯度提升, Transformer, 图神经网络 | NA | NA |
| 63 | 2026-11-17 |
ETSAM: effectively segmenting cell membranes in cryo-electron tomograms
2026-10-11, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-77962-7
PMID:43003809
|
研究论文 | 该论文提出了一种基于SAM2的两阶段微调AI方法ETSAM,用于在冷冻电子断层扫描图像中有效分割细胞膜 | 提出两阶段基于SAM2的微调方法,结合实验和模拟断层图像训练,在低信噪比和缺失楔形伪影条件下实现高灵敏度和精确的细胞膜分割 | 未明确说明计算资源需求,可能依赖于大规模预训练模型和微调,泛化性需进一步验证 | 解决冷冻电子断层扫描中细胞膜分割因低信噪比和缺失楔形伪影等带来的挑战 | 冷冻电子断层扫描图像中的细胞膜 | 计算机视觉 | NA | 冷冻电子断层扫描(cryo-ET) | SAM2 | 图像 | 83个实验断层图像和28个模拟断层图像用于训练,17个独立实验断层图像用于测试 | NA | Segment Anything Model 2 (SAM2) | 灵敏度, 精确度 | NA |
| 64 | 2026-11-17 |
Colorimetric/chemiluminescent vertical flow immunoassay based on multifunctional cobalt-gold bimetallic nanoclusters for Brucella antibody detection and deep learning-assisted semiquantitative analysis
2026-Oct-09, Mikrochimica acta
DOI:10.1007/s00604-026-08444-2
PMID:42850310
|
研究论文 | 本研究开发了一种基于谷胱甘肽保护的钴-金双金属纳米簇偶联葡萄球菌蛋白A的多功能催化免疫探针,用于布鲁氏菌抗体的比色/化学发光垂直流免疫分析,并结合深度学习实现半定量判读 | 将抗体识别与类过氧化物酶催化活性集成于单一纳米簇探针,在同一免疫识别架构内实现直接比色、TMB-H2O2信号放大比色和鲁米诺-H2O2化学发光三种互补信号读出;并采用共享权重双分支ResNet-18回归模型对TMB和化学发光图像进行半定量分析 | 临床验证仅基于30份血清样本的初步评估,仍需在更大规模的独立临床队列中进一步验证 | 提高布鲁氏菌病快速抗体筛查中弱信号区分能力和图像判读的标准化水平 | 布鲁氏菌抗体(布鲁氏菌病血清样本) | 数字病理, 医学图像分析 | 布鲁氏菌病 | 垂直流免疫分析, 比色法, 化学发光法, 钴-金双金属纳米簇催化, 深度学习图像分析 | CNN | 图像, 血清样本 | 20次独立空白测量用于化学发光检测限分析;30份临床血清样本用于初步临床评估 | NA | ResNet-18(共享权重双分支回归模型) | R², 分级准确率, 灵敏度, 特异性, 总体一致率, 检测限 | NA |
| 65 | 2026-11-17 |
Detection and Risk Prediction of Diabetes Related Kidney Disease Using Retinal Images: A Systematic Review and Meta-Analysis
2026-Oct, Journal of diabetes
IF:3.0Q2
DOI:10.1111/1753-0407.70271
PMID:42895056
|
系统综述与meta分析 | 系统综述与meta分析评估深度学习模型利用二维视网膜图像检测和预测糖尿病相关肾脏疾病的有效性 | 首次系统综述与meta分析聚焦于利用视网膜图像检测和预测糖尿病相关肾脏疾病,并比较了混合模型、仅视网膜模型和仅临床数据模型的性能 | 纳入研究数量少(仅6项),异质性高,研究设计多样,模型开发和验证方法不一,限制了结果的普遍性 | 确定深度学习模型利用二维视网膜图像检测和预测糖尿病相关肾脏疾病的有效性 | 糖尿病相关肾脏疾病(DRKD)患者,使用视网膜图像、临床数据或混合数据 | 医学图像分析 | 糖尿病相关肾脏疾病 | 深度学习 | 深度学习模型 | 视网膜图像,临床数据 | 6项研究纳入分析 | NA | NA | AUC,敏感度,特异度,I2异质性 | NA |
| 66 | 2026-11-17 |
A systematic review of machine learning techniques for real-time speech and noise classification in hearing aids
2026-Oct, Disability and rehabilitation. Assistive technology
DOI:10.1080/17483107.2026.2671834
PMID:42126409
|
系统综述 | 该文系统综述了2004至2024年间用于助听器实时语音与噪声分类的机器学习技术 | 遵循PRISMA 2020指南系统梳理二十年间助听器语音与噪声分类的机器学习方法,并总结轻量架构、模型压缩、集成学习和情境感知系统等新兴趋势 | 因研究方法异质性较大仅能进行叙述性综合,且延迟、计算效率、能耗和真实场景部署等挑战仍未解决 | 评估机器学习与深度学习技术在助听器实时语音和噪声分类中的表现、适应性及在复杂声学环境中的性能 | 2004至2024年发表的关于助听器机器学习语音与噪声分类的同行评审研究 | 机器学习 | 听力损失 | NA | CNN, RNN, LSTM, 混合模型 | 音频 | NA | NA | 卷积神经网络, 循环神经网络, 长短期记忆网络, 混合模型 | 分类准确率 | NA |
| 67 | 2026-11-17 |
Artificial Intelligence in Chronic Rhinosinusitis: From Molecular Profiling to Personalized Clinical Management-A Systematic Review
2026-Oct-01, International journal of molecular sciences
IF:4.9Q2
DOI:10.3390/ijms27198812
PMID:42884055
|
系统综述 | 本文系统综述了人工智能在慢性鼻窦炎分子分型、组织病理图像解读、药物发现、生物制剂选择及预后建模中的应用 | 首次结合PROBAST+AI框架系统评估CRS领域AI研究的偏倚风险,揭示87.1%的研究存在高偏倚风险 | 纳入研究在聚类数量和特征上异质性大,可重复性存疑,多数研究依赖表观性能或内部验证,缺乏独立外部验证 | 评估AI在慢性鼻窦炎分子层面和免疫机制中的临床应用现状及研究质量 | 慢性鼻窦炎相关研究文献 | 数字病理学, 机器学习 | 慢性鼻窦炎 | 机器学习, 深度学习, 自然语言处理 | NA | 文本, 图像 | 31项研究 | NA | NA | NA | NA |
| 68 | 2026-11-17 |
Handcrafted vs. Deep Radiomics vs. Fusion vs. Deep Learning: A Comprehensive Review of Machine Learning -Based Cancer Outcome Prediction in PET and SPECT Imaging
2026-Oct, Journal of imaging informatics in medicine
DOI:10.1007/s10278-025-01804-z
PMID:41612111
|
系统综述 | 本文系统回顾了2020至2025年间226项应用机器学习于PET或SPECT影像进行癌症结局预测的研究,比较了手工放射组学特征、深度放射组学特征、深度学习模型及融合模型的性能 | 采用59项评估框架对研究进行系统评价,全面比较了四种技术路线在PET/SPECT癌症结局预测中的表现,并揭示了融合模型在AUC上的优势以及当前研究在类别不平衡管理、缺失数据处理和标准化方面的不足 | 仅纳入2020至2025年的研究,可能存在发表偏倚;仅48%的研究遵循IBSI标准,数据异质性较大;对模型可解释性和标准化框架的讨论仍不充分 | 系统评估和比较手工放射组学特征、深度放射组学特征、深度学习模型及融合模型在PET和SPECT影像癌症结局预测中的性能差异 | 2020至2025年间发表的226项应用机器学习于PET或SPECT影像进行癌症结局预测的研究 | 医学影像分析 | 癌症 | PET影像, SPECT影像, 放射组学, 深度学习 | 深度学习模型, 放射组学模型, 融合模型 | 医学影像, 临床特征 | 226项研究 | NA | 深度学习模型, 手工放射组学特征模型, 深度放射组学特征模型, 融合模型 | 准确率, AUC | NA |
| 69 | 2026-11-17 |
CT-based deep learning for identifying sinonasal inverted papilloma: a single-center retrospective study
2026-Oct, European archives of oto-rhino-laryngology : official journal of the European Federation of Oto-Rhino-Laryngological Societies (EUFOS) : affiliated with the German Society for Oto-Rhino-Laryngology - Head and Neck Surgery
IF:1.9Q2
DOI:10.1007/s00405-026-10648-4
PMID:42830354
|
研究论文 | 本研究开发了一种基于CT的深度学习模型,用于分类鼻窦内翻性乳头状瘤、鼻息肉和正常鼻窦解剖结构,以辅助临床决策 | 采用ResNet50和Vision Transformer两种深度学习架构进行对比研究,并证实ResNet50在鼻窦内翻性乳头状瘤分类中表现优异 | 单中心回顾性研究,仅依赖影像数据未纳入临床变量,且需进一步外部验证 | 开发基于CT的深度学习决策支持系统,用于鼻窦内翻性乳头状瘤、鼻息肉和正常鼻窦解剖的分类 | 2020至2024年间接受鼻窦CT检查的871例患者 | 医学图像分析 | 鼻窦疾病 | CT成像 | CNN, Transformer | 图像 | 871例患者,每位患者选取2张代表性CT切片 | NA | ResNet50, Vision Transformer | 准确率 | NA |
| 70 | 2026-11-17 |
Dynamic Prediction of Clinical Endpoints in Survival Analysis With Machine and Deep Learning: A Systematic Review and Regulatory Perspective
2026-Oct, CPT: pharmacometrics & systems pharmacology
DOI:10.1002/psp4.70330
PMID:42850966
|
系统综述 | 系统综述动态生存建模框架,涵盖机器学习与深度学习方法,并结合监管视角探讨其在临床终点预测及模型引导药物开发中的应用。 | 将动态生存预测方法(CPH时变协变量扩展、landmarking、RSF、DeepHit、Dynamic-DeepHit、神经ODE等)与PK/PD暴露-反应建模及ICH M15、FDA AI草案指南等新兴监管框架相结合进行系统评述,并提出整合动态ML/DL与PK/PD以推进精准给药和适应性试验设计的路径 | 校准度报告较少,外部验证不常见,PK/PD特征与动态生存框架的整合仍研究不足 | 系统回顾动态生存建模框架及其在临床终点预测中的应用,并从监管角度探讨其可信度、透明度与临床应用前景 | 动态生存分析模型及相关应用研究(脓毒症检测、癌症预后、神经退行性疾病进展) | 机器学习 | 脓毒症, 癌症, 神经退行性疾病 | NA | Cox比例风险模型, 随机生存森林, DeepHit, Dynamic-DeepHit, 神经常微分方程 | 纵向随访数据, 时间-事件数据, 生物标志物数据, PK/PD数据 | NA | NA | Cox比例风险模型, 随机生存森林, DeepHit, Dynamic-DeepHit, 神经ODE | 区分度, 校准度 | NA |
| 71 | 2026-11-17 |
Deep Learning-Based Classification of Pulmonary Hypertension Using Early-Fused CTPA and Pulmonary Artery Segmentation Maps
2026-Oct, Pulmonary circulation
IF:2.2Q3
DOI:10.1002/pul2.70456
PMID:43036555
|
研究论文 | 该研究基于CTPA图像与肺动脉分割图的早期融合,利用深度学习模型自动分类肺动脉高压及其亚型CTEPH | 提出将CTPA图像与肺动脉分割图进行早期、中期、晚期融合的策略,并发现早期融合策略在肺动脉高压分类诊断中显著优于仅使用临床图像的模型 | 样本量相对较小(共317例),仅涉及单一中心数据,未提及外部验证集 | 自动分割CTPA图像中的肺动脉,并构建深度学习模型融合CTPA图像与肺动脉分割结果,以区分肺动脉高压患者与无PH受试者,以及区分PH亚型CTEPH | 92例CTEPH患者、85例其他类型PH患者和140例无PH受试者的CTPA图像 | 计算机视觉, 医学影像分析 | 肺动脉高压, 血栓栓塞性肺动脉高压 | CTPA, 图像分割, 深度学习 | CNN, Transformer | 图像 | 317例(92例CTEPH、85例其他PH、140例无PH) | NA | ResNet50, DenseNet, SENet, Swin Transformer | AUC | NA |
| 72 | 2026-11-17 |
Deep learning in acute ischemic stroke imaging: a systematic review of CT- and MRI-based segmentation, triage, and prognostic modeling
2026-Sep, Neuroradiology
IF:2.4Q2
DOI:10.1007/s00234-026-04095-5
PMID:42360458
|
系统综述 | 本文系统回顾了2023年1月至2026年3月间发表的91项应用深度学习于急性缺血性脑卒中影像的研究,重点比较了CT和MRI在分割、分诊和预后建模中的不同角色 | 系统性地对比了CT和MRI在深度学习脑卒中影像中的临床应用差异,并强调从孤立基准性能向临床可解释、外部验证和预后感知系统转变的必要性 | 外部测试、患者级分离、标准化报告、扫描仪鲁棒性、可解释性和前瞻性工作流评估仍不一致,CT研究的高回顾性准确率或AUC值需谨慎解读,尤其NCCT上早期缺血改变难以分割 | 评估深度学习在急性缺血性脑卒中影像中的应用,比较CT和MRI在分割、分诊和预后建模中的角色差异,并指出临床验证的不足 | 急性缺血性脑卒中影像研究,包括MRI(DWI、ADC、FLAIR、多模态MRI)和CT(NCCT、CTP)影像数据 | 医学影像分析 | 急性缺血性脑卒中 | CT成像, MRI成像, DWI, ADC, FLAIR, 多模态MRI, NCCT, CTP | CNN, Transformer, U-Net, 注意力模型, CNN-Transformer混合模型 | 图像 | 91项符合条件的研究 | NA | U-Net衍生架构, 自配置框架, 注意力模型, CNN-Transformer混合模型 | Dice系数, IoU, 准确率, AUC | NA |
| 73 | 2026-11-17 |
Automated assessment of pediatric adenoid hypertrophy on lateral cephalograms using a deep learning-based keypoint approach
2026-Aug-20, BMC oral health
IF:2.6Q1
DOI:10.1186/s12903-026-09581-z
PMID:43035429
|
研究论文 | 该研究开发了一种基于深度学习关键点检测的框架(AH_KNet),用于自动识别儿童腺样体肥大(AH)并评估其严重程度,辅助临床筛查与转诊 | 提出AH_KNet框架,将ResNet-50与特征金字塔网络(FPN)结合用于侧位头影解剖关键点回归,并计算腺样体/鼻咽(A/N)比值来自动诊断AH;同时引入关键点优化策略(方法B),通过排除不稳定的关节点(Ar)提升鲁棒性 | 样本来自单中心,仍需更大规模多中心数据验证;研究仅基于侧位头影图像,未结合其他影像模态或临床信息;关键点检测依赖标注质量,且剔除Ar点后可能损失部分信息 | 开发一种客观、非侵入的AI辅助工具,利用侧位头影图像自动识别儿童腺样体肥大并评估其严重程度,以支持常规实践中的筛查和转诊 | 儿童侧位头影图像 | 医学图像分析、数字病理/头影测量 | 儿童腺样体肥大 | 深度学习关键点检测、侧位头影测量 | CNN | 图像 | 1499张侧位头影图像(899正常、600腺样体肥大),其中训练集1337张、测试集162张,另从训练集随机抽取162张作为验证集 | NA | ResNet-50, FPN | ICC、MRE、F值、p值、准确率、敏感度、特异度、Cohen's kappa、AUC | NA |
| 74 | 2026-11-17 |
A decentralized federated learning approach for predicting chemoradiotherapy response from multicenter whole-slide images
2026-Aug-19, BMC cancer
IF:3.4Q2
DOI:10.1186/s12885-026-16716-6
PMID:43035727
|
研究论文 | 该研究提出一种基于全切片图像的去中心化联邦学习方法,用于预测晚期非小细胞肺癌患者的放化疗反应,并与集中式深度学习和临床模型进行对比验证 | 采用联邦学习框架在多中心全切片图像数据上协同训练模型,无需集中共享原始WSI数据,在保护各机构数据隐私的前提下实现与集中式深度学习模型相当的预测性能 | 样本量相对较小,仅纳入四家医院共250例患者,仅使用准确率和AUC作为评估指标,且采用patch级投票聚合方式可能损失空间信息 | 探索基于全切片图像的联邦学习模型在预测晚期非小细胞肺癌放化疗反应中的可行性,并与集中式深度学习和临床模型进行外部多中心验证对比 | 来自四家医院的250例晚期非小细胞肺癌患者的全切片图像及临床数据 | 数字病理学 | 肺癌 | 全切片图像分析 | CNN | 图像,文本 | 250例患者的全切片图像及临床数据,外部验证队列为C医院和D医院 | NA | NA | 准确率,AUC | NA |
| 75 | 2026-11-17 |
Prediction of microvascular invasion in hepatocellular carcinoma using contrast-enhanced ultrasound and deep learning
2026-07-10, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-74985-y
PMID:42431906
|
研究论文 | 开发MAPUSE深度学习模型,利用超声造影视频无创预测肝细胞癌微血管侵犯 | 首次使用超声造影视频结合深度学习实现术前无创MVI预测,并通过转录组学分析揭示预测结果与CD8+ T细胞免疫浸润的关联 | 未明确提及 | 实现肝细胞癌微血管侵犯的术前无创预测,并探索其与肿瘤免疫微环境的关系 | 1716名肝细胞癌患者的多中心超声造影视频 | 医学图像分析 | 肝癌 | 超声造影 | 深度学习模型 | 视频 | 5148个超声造影视频,来自1716名患者 | NA | MAPUSE | AUC | NA |
| 76 | 2026-11-17 |
Deep Learning Predicts Dissimilar DNA-DNA Binding and Engineers Hyperconnected Networks
2026-07-09, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-75395-w
PMID:42426013
|
研究论文 | 开发了BINND深度学习模型,结合超高通量平台测量数百万DNA-DNA相互作用,实现超过80%的准确率预测非正交相互作用,并构建了可搜索的DNA网络 | 提出BINND模型,首次将超高通量DNA-DNA相互作用测量平台与深度学习结合,实现快速准确预测非正交相互作用,运行速度比现有模型快50倍,并应用于构建虚构故事角色的可搜索DNA网络 | 未明确说明模型在真实生物系统中的泛化能力,可能受限于训练数据的序列多样性和平台通量,且未提及计算资源细节 | 克服分子生物工程和合成生物学中正交性框架的局限,开发能准确快速预测非正交DNA-DNA相互作用的模型,并验证其与真实数据的吻合度 | DNA-DNA相互作用序列 | 机器学习 | NA | 超高通量DNA-DNA相互作用测量平台 | 深度学习 | DNA序列相互作用数据 | 数百万DNA-DNA相互作用 | NA | Binding and Interaction Neural Network for DNA (BINND) | 准确率 | NA |
| 77 | 2026-11-17 |
Vasculature segmentation in 3D hierarchical phase-contrast tomography images of human kidneys
2026-07-03, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-74050-8
PMID:42399229
|
研究论文 | 本文组织了一个全球机器学习竞赛,对HiP-CT数据集中的3D血管分割进行元分析,聚焦分割精度和形态学分析 | 组织全球机器学习竞赛推动3D血管分割深度学习方法的发展,揭示伪标签、优化血管表面和拓扑的损失函数、多尺度处理数据异质性等方法创新 | 摘要中未明确提及 | 促进大规模3D医学影像数据集中血管分割算法的发展,用于研究和临床应用 | 人类肾脏的3D分层相位对比断层扫描图像中的血管 | 计算机视觉 | 肾脏疾病 | 分层相位对比断层扫描 | 深度学习 | 3D图像 | 1401名参与者(竞赛),以及人工标注的金标准分割数据集 | NA | NA | 分割精度、形态学分析指标 | NA |
| 78 | 2026-11-17 |
Exploring quantum frontiers in protein structure prediction: techniques, challenges, and opportunities
2026-07, Methods (San Diego, Calif.)
DOI:10.1016/j.ymeth.2026.04.006
PMID:41999908
|
综述 | 该综述探讨了量子计算技术在蛋白质结构预测中的应用,包括量子退火、量子优化算法和混合量子-经典方法,并讨论了当前挑战与未来机遇 | 系统性地将量子计算范式引入蛋白质3D结构预测,利用叠加、纠缠和隧穿等量子特性更高效地探索蛋白质折叠的复杂能量景观 | 当前量子计算仍面临量子比特保真度有限、纠错困难和可扩展性不足等挑战 | 探索量子计算前沿技术在蛋白质结构预测中的潜力,综述相关技术、挑战和机遇 | 蛋白质折叠与蛋白质三维结构预测 | 计算生物学 | NA | 量子退火, 量子优化算法, 混合量子-经典方法 | NA | NA | NA | NA | NA | NA | NA |
| 79 | 2026-11-17 |
Integrated Radioproteomic Modeling for Early Recurrence Prediction and Metabolic Characterization in Hepatocellular Carcinoma
2026-07, JCO precision oncology
IF:5.3Q1
DOI:10.1200/PO-25-00745
PMID:42525890
|
研究论文 | 该研究开发了一个可解释的深度学习框架,利用术前多期CT影像预测肝细胞癌早期术后复发,并结合蛋白质组学揭示其代谢机制 | 将放射影像与多组学整合,构建可解释的深度学习模型,识别丙酮酸代谢失调作为高风险肝细胞癌的标志,并发现司替戊醇的再利用潜力 | 需要进一步验证和前瞻性研究以确立临床实用性 | 预测肝细胞癌早期复发并阐明其生物学机制 | 肝细胞癌患者 | 数字病理学 | 肝癌 | 多期CT成像,蛋白质组学,代谢组学,免疫组织化学,酶学测定 | 深度学习 | 图像,多组学数据 | NA | NA | Multi-model_NC&ART&PV 深度学习模型 | NA | NA |
| 80 | 2026-11-17 |
Probe-based identification of metal-binding sites using deep learning representations
2026-06-30, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-74657-x
PMID:42380105
|
研究论文 | 提出了一种混合深度学习框架PRIME,结合蛋白质语言模型和预训练结构模型,并利用探针生成算法,准确高效地预测金属结合位点 | 结合进化和结构信号,使用蛋白质语言模型和预训练结构模型提取序列和结构信息,并引入探针生成算法桥接序列和结构预测,扫描候选位点 | 未明确提及 | 准确高效地识别金属蛋白的金属结合位点 | 金属蛋白的金属结合位点 | 机器学习, 计算生物学 | NA | 深度学习 | 混合深度学习框架 | 蛋白质序列和结构数据 | NA | NA | 蛋白质语言模型, 预训练结构模型 | 准确率 | NA |