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 43290 篇文献，本页显示第 61 - 80 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 61 | 2026-04-14 |
Federated CT foundation models for multi-center detection of lymph node metastasis in pancreatic cancer
2026-Apr-09, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-47631-2
PMID:41957506
|
研究论文 | 本研究提出了一种结合大规模CT基础模型预训练和异构感知联邦优化的隐私保护深度学习框架，用于提高胰腺癌淋巴结转移的多中心检测性能 | 创新点包括：整合了基于14.8万例CT扫描预训练的视觉基础模型，并扩展了联邦聚合方法以同时处理标签分布差异和表示级差异，从而在保护数据隐私的同时提升模型性能 | 研究为回顾性多中心设计，可能存在选择偏倚；样本量相对有限（546例患者）；未在更广泛的外部数据集上进行验证 | 提高胰腺导管腺癌（PDAC）中淋巴结转移（LNM）的术前CT检测准确性，并解决多中心数据隐私和异构性问题 | 胰腺导管腺癌（PDAC）患者的CT扫描图像，用于检测淋巴结转移（LNM） | 计算机视觉 | 胰腺癌 | CT扫描 | 深度学习 | 3D CT图像 | 546名患者来自三个机构 | NA | CT视觉基础模型 | 平衡准确度，诊断比值比（DOR） | NA |
| 62 | 2026-04-14 |
TPCAV: Interpreting deep learning genomics models via concept attribution
2026-Apr-08, bioRxiv : the preprint server for biology
DOI:10.64898/2026.01.20.700723
PMID:41659440
|
研究论文 | 本文提出了一种名为TPCAV的新方法，用于解释基因组学深度学习模型，通过概念归因框架改进现有技术 | 首次将概念归因方法系统应用于基因组学深度学习模型解释，并引入基于PCA的去相关变换以处理基因组数据中的冗余特征 | 未明确说明方法在特定基因组任务或模型类型中的性能限制或计算效率问题 | 开发一种灵活且鲁棒的深度学习模型解释方法，以理解基因组学模型中生物概念的影响 | 基因组学深度学习模型及其输入表示，包括DNA序列、染色质状态和重复元件等特征 | 机器学习 | NA | 深度学习模型解释技术 | 神经网络 | 基因组数据（如DNA序列、染色质状态注释） | NA | NA | NA | 与TF-MoDISco在基序特征解释上的可比性 | NA |
| 63 | 2026-04-14 |
Black-box data: a new paradigm for biomedicine in the AI era
2026-Apr-08, Chemical science
IF:7.6Q1
DOI:10.1039/d6sc01189f
PMID:41971240
|
评论 | 本文提出并探讨了生物医学领域中“黑盒数据”这一新范式，强调其为AI驱动科学未来发展的必要性 | 首次系统性地定义了“黑盒数据”范式，并将其视为从“白盒”第一性原理模型向“黑盒”深度学习转变的并行必要变革 | NA | 探讨人工智能时代生物医学数据生成范式的根本性转变 | 生物医学数据，特别是为机器消费而非人类直觉优化的数据源 | 机器学习 | NA | NA | NA | 黑盒数据 | NA | NA | NA | NA | NA |
| 64 | 2026-04-14 |
ET-Pfam: ensemble transfer learning for protein family prediction
2026-Apr-07, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btag121
PMID:41826803
|
研究论文 | 本文提出了一种基于集成迁移学习的新方法ET-Pfam，用于预测Pfam数据库中的蛋白质功能家族 | 结合迁移学习和多个深度学习分类器的集成策略，特别是通过为每个模型和每个Pfam家族学习权重的投票方法，显著提升了预测性能 | 未明确提及具体局限性 | 开发一种计算方法来改进蛋白质功能家族的预测，以应对序列数据快速增长带来的注释挑战 | Pfam数据库中的蛋白质序列及其功能家族 | 生物信息学 | NA | 深度学习，迁移学习，集成学习 | 深度学习分类器 | 蛋白质序列数据 | NA | NA | NA | 错误率 | NA |
| 65 | 2026-04-14 |
GRNFormer: accurate gene regulatory network inference using graph transformer
2026-Apr-07, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btag144
PMID:41883144
|
研究论文 | 本文提出了一种名为GRNFormer的通用图变换器框架，用于从跨物种、细胞类型和平台的转录组学数据中准确推断基因调控网络 | 结合了基于Transformer的基因表达编码器与变分图自编码器，并采用转录因子锚定的子图采样策略，无需细胞类型注释或先验调控信息即可进行可扩展、可泛化的网络推断 | 未明确讨论模型在处理极稀疏单细胞数据或大规模整合多组学数据时的潜在限制 | 解决从单细胞转录组学数据中准确、可扩展地推断基因调控网络的挑战 | 基因调控网络，涉及人类胚胎干细胞、外周血单个核细胞等细胞类型 | 计算生物学 | NA | 单细胞RNA测序，批量RNA测序 | Transformer, 变分图自编码器 | 基因表达数据 | NA | PyTorch | Transformer, GraViTAE | 采样AUROC, 采样AUPRC, 采样F1分数 | NA |
| 66 | 2026-04-14 |
Hypergraph representations of single-cell RNA sequencing data for improved cell clustering
2026-Apr-07, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btag148
PMID:41896196
|
研究论文 | 本文提出了一种将单细胞RNA测序数据表示为超图的新方法，并开发了两种新的聚类算法以改进细胞类型聚类 | 首次将超图表示引入scRNA-seq数据分析，提出了两种新的超图随机游走聚类算法（DIPHW和CoMem-DIPHW），能够捕获高阶信息并有效处理数据稀疏性 | 未明确说明算法在超大规模数据集上的可扩展性，也未讨论计算复杂度与运行时间的详细比较 | 改进单细胞RNA测序数据的细胞聚类分析 | 单细胞RNA测序数据 | 生物信息学 | 肺癌 | 单细胞RNA测序 | 超图随机游走模型 | 基因表达数据 | 多个真实世界数据集（人类胰腺、小鼠胰腺、人类大脑、小鼠大脑组织）和模拟数据，包括人类肺腺癌细胞系 | Python | DIPHW, CoMem-DIPHW | 聚类性能评估指标（具体指标未明确说明） | NA |
| 67 | 2026-04-14 |
Predicting antibody-antigen affinity with a dual-level representation model
2026-Apr-07, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btag109
PMID:41808445
|
研究论文 | 提出了一种基于双层次表示的深度学习框架DLP-Affinity，用于从序列预测抗体-抗原亲和力 | 结合残基到残基的局部界面接触捕捉和全局随机投影嵌入的全局蛋白质特性表示，利用微调的蛋白质语言模型，在AB-Bind数据集上实现了最先进的性能，并在sdAb-DB数据集上取得了高度竞争性的结果 | NA | 开发一种准确的基于序列的抗体-抗原亲和力预测方法 | 抗体-抗原相互作用，特别是单域抗体（sdAbs） | 机器学习 | NA | 蛋白质语言模型 | 深度学习 | 序列数据 | NA | NA | 双层次表示模型 | 平均绝对误差 | NA |
| 68 | 2026-04-14 |
SRMMP-CharQM, Physics-Informed Deep Learning for Toxicity Prediction: Quantum Mechanical Descriptors Enable Scaffold Hopping in Mitochondrial Membrane Potential Assays
2026-Apr-07, The journal of physical chemistry. B
DOI:10.1021/acs.jpcb.6c01087
PMID:41947441
|
研究论文 | 本文提出了一种基于物理信息深度学习的毒性预测模型SRMMP-CharQM，用于预测线粒体膜电位破坏的毒性终点 | 结合了BiGRU编码的SMILES序列与通过半经验量子力学方法计算的全局电子描述符（HOMO-LUMO能隙和总能量），以解决传统模型在活性悬崖和分子骨架跳跃场景中的泛化能力不足问题 | 未明确提及模型在更广泛数据集或不同毒性终点上的泛化能力，也未讨论计算量子描述符的计算成本 | 开发一个能够准确预测线粒体膜电位破坏毒性、并具有良好泛化能力的深度学习模型 | 用于早期药物安全评估的化合物，特别是那些可能破坏线粒体膜电位的分子 | 机器学习 | NA | 半经验量子力学方法（xTB） | 深度学习框架 | SMILES序列，量子力学描述符 | 未明确提及具体样本数量，但使用了基于骨架分割的数据集，验证集与测试集的毒性比例分别为6.400%和28.9% | 未明确指定，但提及了深度学习框架 | BiGRU | AUC, AUPRC | NA |
| 69 | 2026-04-14 |
Multimodal artificial intelligence predicts PIK3CA mutation in breast cancer from digital pathology and clinical data: a multicenter study
2026-Apr-07, Cancer biology & medicine
IF:5.6Q1
|
研究论文 | 本研究开发了一种多模态深度学习框架，整合全切片图像和结构化临床数据，以预测乳腺癌中的PIK3CA突变 | 提出了一种结合数字病理和临床数据的多模态深度学习框架，用于预测PIK3CA突变，提高了预测性能并增强了模型的可解释性 | 未明确说明模型在更广泛人群或不同数据源中的泛化能力限制，以及计算资源需求的具体细节 | 开发一个多模态人工智能模型，以改善乳腺癌中PIK3CA突变的预测，作为分子检测的可及性替代方案 | 乳腺癌患者，包括来自TCGA的1,047名患者和来自3个外部中心的166名患者 | 数字病理 | 乳腺癌 | 全切片成像，分子测序 | Transformer, XGBoost | 图像, 结构化临床数据 | 1,213名患者（1,047名来自TCGA，166名来自3个外部中心） | NA | H-optimus-0, CLAM-SB MIL | AUC, 准确率, 精确率, 召回率, F1分数 | NA |
| 70 | 2026-04-14 |
Artificial intelligence in breast cancer: applications and advancements
2026-Apr-07, Cancer biology & medicine
IF:5.6Q1
|
综述 | 本文系统综述了人工智能在乳腺癌诊疗中的应用、进展、挑战及未来方向 | 系统性地总结了人工智能在乳腺癌诊疗全周期（从筛查到康复）的应用，并提出了未来多模态数据整合和人机协作多学科团队模型等发展方向 | 面临数据标准化不足、模型泛化能力有限、临床可及性低以及伦理法律责任不明确等挑战 | 概述人工智能在乳腺癌诊疗中的作用，为临床实践和科研创新提供见解，支持向个性化、智能化肿瘤医学转型 | 乳腺癌 | 数字病理学 | 乳腺癌 | 深度学习, 机器学习 | NA | 图像, 多维度数据 | NA | NA | NA | NA | NA |
| 71 | 2026-04-14 |
Non-invasive classification of coronary perfusion pressure during CPR using smartphone-based skin video and deep learning
2026-Apr-02, Computer methods and programs in biomedicine
IF:4.9Q1
DOI:10.1016/j.cmpb.2026.109348
PMID:41967268
|
研究论文 | 本研究提出了一种利用智能手机拍摄的皮肤视频和深度学习技术，对心肺复苏期间的冠状动脉灌注压力进行无创分类的方法 | 首次将智能手机皮肤视频与深度学习结合，实现无创CPP分类，为院外急救提供低成本、可访问的灌注评估方案 | 研究仅基于15头猪的数据，样本量较小，且未在人体中进行验证 | 开发一种无创方法，用于在心肺复苏期间分类冠状动脉灌注压力水平 | 心肺复苏期间的猪模型 | 计算机视觉 | 心血管疾病 | 智能手机视频采集 | CNN, GRU | 视频 | 15头猪 | NA | EfficientNetV2-B0, ConvNeXt-Nano, FastViT-T8, GRU | 准确率, F1分数 | NA |
| 72 | 2026-04-14 |
Deep Representation Learning for Open Vocabulary Electroencephalography-to-Text Decoding
2026-Apr, IEEE journal of biomedical and health informatics
IF:6.7Q1
DOI:10.1109/JBHI.2024.3416066
PMID:38889026
|
研究论文 | 本文提出了一种用于开放词汇脑电图到文本解码的端到端深度学习架构，结合了主题依赖的表示学习模块、BART语言模型和GPT-4句子优化模块 | 引入了主题依赖的表示学习模块来处理脑电图信号的主观性，并整合了GPT-4进行句子优化，同时提出了基于BERTScore的句子级评估指标 | 未明确讨论模型在更广泛人群或不同任务中的泛化能力，以及计算资源需求可能较高 | 提升非侵入性脑机接口中开放词汇脑电图到文本解码的性能和可理解性 | 30名参与自然阅读任务的受试者的脑电图信号 | 自然语言处理 | NA | 脑电图 | 深度学习 | 脑电图信号 | 30名受试者 | NA | BART, GPT-4 | BLEU-1, ROUGE-1-F, BERTScore-F | NA |
| 73 | 2026-04-14 |
Deep Learning-Assisted Differentiation of Four Peripheral Neuropathies Using Corneal Confocal Microscopy
2026-Apr, Annals of clinical and translational neurology
IF:4.4Q1
DOI:10.1002/acn3.70255
PMID:41274779
|
研究论文 | 本研究开发了名为NeuropathAI的可解释深度学习多分类系统，用于基于角膜共聚焦显微镜图像快速自动诊断和区分四种外周神经病变 | 首次提出一个可解释的深度学习多分类系统，用于自动化诊断和区分四种外周神经病变，并通过热图可视化增强模型决策的可解释性 | 样本量相对较小（88名患者），且仅针对四种特定外周神经病变，可能无法推广到其他类型 | 开发一个快速、自动化的诊断系统，以解决外周神经病变因诊断方法限制和专科设施缺乏而导致的延迟或漏诊问题 | 88名患有糖尿病外周神经病变、化疗诱导外周神经病变、慢性炎性脱髓鞘性多发性神经病和人类免疫缺陷病毒相关感觉神经病变的患者 | 数字病理学 | 外周神经病变 | 角膜共聚焦显微镜 | 深度学习多分类系统 | 图像 | 88名患者 | NA | NA | AUC, 敏感性, 特异性, 精确度, F1分数 | NA |
| 74 | 2026-04-14 |
Role of a Deep-Learning Based Convolutional Neural Network Model for Real-Time Ventricular Tachycardia Alarm Classification
2026-Apr, Journal of cardiovascular electrophysiology
IF:2.3Q2
DOI:10.1111/jce.70271
PMID:41588600
|
研究论文 | 本研究开发了一种基于一维卷积神经网络的深度学习模型，用于实时分类心室心动过速警报，以减少重症监护室中的误报 | 首次利用多通道原始波形数据（包括心电图、光电容积脉搏波和动脉血压信号）结合一维卷积神经网络进行心室心动过速警报的实时分类，显著降低了误报率 | 模型性能依赖于公开数据集的有限样本，未在更广泛或多样化的临床环境中进行验证 | 开发一种准确且快速的深度学习模型，以区分真实和误报的心室心动过速警报，减轻医疗工作者的警报疲劳 | 心室心动过速警报信号，包括心电图、光电容积脉搏波和动脉血压波形 | 机器学习 | 心血管疾病 | 深度学习，信号处理 | CNN | 信号数据 | 使用公开的VTaC心律失常基准数据集，具体样本数量未在摘要中说明 | NA | 一维卷积神经网络 | AUC, 准确率, F1分数, 灵敏度, 特异性, 阳性预测值 | NA |
| 75 | 2026-04-14 |
Artificial intelligence in mammography screening: a narrative review of progress, pitfalls, and potential
2026-Apr-01, The British journal of radiology
DOI:10.1093/bjr/tqag053
PMID:41782331
|
综述 | 本文是一篇关于人工智能在乳腺X光筛查中应用进展、挑战与潜力的叙述性综述 | 系统梳理了AI在乳腺X光筛查中的新兴应用，包括基于图像的癌症检测、风险预测和工作流程优化，并强调了其在提高诊断准确性、实现个性化风险评估及优化资源分配方面的潜力 | 算法在不同人群中的泛化能力有限，存在校准和读者响应行为问题，以及监管、伦理和法律障碍，导致实际应用面临挑战 | 探讨人工智能在乳腺X光筛查领域的当前应用、技术基础、性能指标及临床效用，以推动乳腺癌筛查的进步 | 乳腺X光筛查图像及相关AI应用 | 医学影像 | 乳腺癌 | 深度学习 | NA | 图像 | NA | NA | NA | NA | NA |
| 76 | 2026-04-14 |
An AI-Guided Structure-Based Strategy for the Discovery and Biological Validation of Natural Products Targeting the Vitamin D Receptor From YSQYP in Diabetic Kidney Disease
2026-Apr, Chemical biology & drug design
IF:3.2Q3
DOI:10.1111/cbdd.70289
PMID:41934677
|
研究论文 | 本研究提出了一种基于结构和深度学习的筛选策略，从益肾祛瘀方中识别靶向维生素D受体的活性化合物，用于治疗糖尿病肾病 | 结合传统分子对接与深度学习工具（CarsiDock和RTMScore）进行虚拟筛选，并采用表面等离子体共振进行生物物理验证，建立了一种高效的天然产物筛选策略 | 研究主要聚焦于体外细胞实验，未涉及动物模型或临床试验验证，且益肾祛瘀方的其他生物活性成分和机制可能尚未完全阐明 | 从传统中药方剂益肾祛瘀方中筛选靶向维生素D受体的活性化合物，以开发糖尿病肾病的新治疗候选药物 | 益肾祛瘀方中的天然化合物，特别是靶向维生素D受体的成分 | 机器学习 | 糖尿病肾病 | 虚拟筛选，表面等离子体共振，生物测定 | 深度学习 | 分子结构数据，生物物理数据 | NA | NA | NA | 结合亲和力，细胞毒性，细胞凋亡 | NA |
| 77 | 2026-04-14 |
Artificial Intelligence Enabled Noninvasive Mapping of Cardiac Arrhythmia Origins Using the 12-Lead Electrocardiogram
2026-Apr, Journal of cardiovascular electrophysiology
IF:2.3Q2
DOI:10.1111/jce.70319
PMID:41845566
|
综述 | 本文综述了人工智能如何利用标准12导联心电图非侵入性定位心律失常起源点的当前证据、技术进展及临床潜力 | 将AI应用从心律失常检测扩展到非侵入性起源点定位，提出了一种虚拟术前标测概念，旨在指导治疗而不仅是诊断 | 仍面临外部验证不足、数据质量问题、临床医生信任度以及工作流程整合等关键挑战 | 探讨人工智能在基于心电图非侵入性定位心律失常起源点方面的应用与潜力 | 心律失常（重点关注旁路和特发性室性心律失常）的起源点 | 机器学习 | 心血管疾病 | 心电图 | 机器学习, 深度学习 | 信号数据（心电图） | NA | NA | 卷积神经网络 | 准确率 | NA |
| 78 | 2026-04-14 |
Multi-parametric MRI synthesis for glioblastoma from quantitative MR fingerprinting: Quantitative synthetic neural network (QS-Net)
2026-Apr, Medical physics
IF:3.2Q1
DOI:10.1002/mp.70435
PMID:41968695
|
研究论文 | 本文提出了一种名为QS-Net的深度学习模型，用于从定量磁共振指纹图谱合成多参数MRI对比图像，以改善胶质母细胞瘤的诊断和治疗流程 | 开发了一种基于定量磁共振指纹图谱输入的新型深度学习模型QS-Net，采用深度监督残差U-Net生成器和对抗性框架，结合两阶段训练策略分离解剖和病理学习，显著提升了跨厂商泛化能力 | 研究样本量相对较小（32名健康志愿者和18名GBM患者），且为回顾性数据，可能影响模型的广泛适用性 | 开发一种通用性强的深度学习模型，从定量MRI数据合成多参数MRI对比图像，以克服传统定性MRI输入因站点和扫描仪差异导致的泛化性限制 | 胶质母细胞瘤患者和健康志愿者的磁共振成像数据 | 数字病理学 | 胶质母细胞瘤 | 磁共振指纹图谱，多参数MRI | GAN, CNN, Transformer | 图像 | 32名健康志愿者和18名胶质母细胞瘤患者的MRI扫描 | PyTorch | Residual U-Net, Res-Unet, Swin-Transformer | MAE, SSIM, PSNR | NA |
| 79 | 2026-04-14 |
Multimodal Deep Learning for Pulmonary Nodule Detection on Chest Radiography in High-Risk Adults, With Secondary Validation for All-Cause and Cause-Specific Mortality Prediction: A Multicenter Cohort Study
2026-Apr, MedComm
IF:10.7Q1
DOI:10.1002/mco2.70730
PMID:41969630
|
研究论文 | 本研究开发了一个名为LungProNet的多模态深度学习模型，融合胸部X光片特征与流行病学变量，用于肺结节检测，并验证其在全因及特定原因死亡率预测中的潜力 | 提出了一种结合胸部X光片特征与流行病学变量的多模态深度学习模型，不仅用于肺结节检测，还探索了其在死亡率预测中的二次应用 | 模型在外部验证集ChestDR上的性能（AUC 0.849）低于内部验证集（AUC 0.979），可能存在泛化能力限制 | 开发一个多模态深度学习模型，用于肺结节检测，并验证其在死亡率预测中的辅助应用 | 高风险成年人的胸部X光片及流行病学数据 | 计算机视觉 | 肺癌 | 深度学习 | 多模态深度学习模型 | 图像（胸部X光片）、流行病学变量（年龄、性别、吸烟史、家族史） | 训练和内部验证：TLCID数据集（n=2852/1227）；外部验证：ChestDR数据集（n=4848）；二次验证：PLCO试验（n=24,697） | NA | LungProNet | AUC, 准确率, 敏感性, 特异性, 时间依赖性AUC | NA |
| 80 | 2026-04-14 |
Progress in machine learning-assisted medical imaging for osteoarthritis and osteoporosis diagnosis: a narrative review
2026-Apr-01, Quantitative imaging in medicine and surgery
IF:2.9Q2
DOI:10.21037/qims-2025-aw-2168
PMID:41972027
|
综述 | 本文综述了过去十年中机器学习辅助医学影像在骨关节炎和骨质疏松症诊断方面的进展，并讨论了转化机会与挑战 | 系统总结了AI在OA和OP影像诊断中的演变，从基于放射组学的ML流程到端到端的DL框架，并指出了多模态融合和纵向建模等新兴方向 | 许多深度学习模型的可解释性有限，且存在显著的数据异质性，阻碍了临床转化 | 总结人工智能辅助影像在骨关节炎和骨质疏松症诊断方面的进展，并讨论其转化机会与挑战 | 骨关节炎和骨质疏松症的医学影像数据 | 医学影像分析 | 骨关节炎, 骨质疏松症 | X射线, 计算机断层扫描, 磁共振成像 | 机器学习, 深度学习 | 图像 | NA | NA | NA | NA | NA |