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 45062 篇文献，本页显示第 801 - 820 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 801 | 2026-05-31 |
A hybrid transformer-zero-shot learning framework with Muon optimization for intelligent channel estimation in MIMO wireless systems
2026-May-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-33791-0
PMID:42204164
|
研究论文 | 提出一种结合Transformer、零样本学习和Muon优化器的混合框架，用于MIMO无线系统的智能信道估计 | 首次将零样本学习与Transformer架构及Muon优化器结合，实现在未知信噪比和衰落条件下的精准信道估计而无需重新训练 | 仅在仿真环境下验证，未在真实无线通信系统中测试；Muon优化器的实际硬件实现复杂性待评估 | 开发一种能泛化到未知信道条件、无需重复训练的智能MIMO信道估计方法 | MIMO无线系统中的信道估计问题 | 自然语言处理 | NA | NA | Transformer、零样本学习、Muon优化器 | NA | NA | NA | Transformer | 均方误差(MSE) | NA |
| 802 | 2026-05-31 |
Tocotrienol as a multi-target inhibitor of ICAM-1, VCAM-1, and E-selectin: Comparison using AutoDock and GNINA docking with molecular dynamics simulation
2026-May-27, Computational biology and chemistry
IF:2.6Q2
|
研究论文 | 本研究通过分子对接和分子动力学模拟，比较评估了生育三烯醇异构体对ICAM-1、VCAM-1和E-selectin的多靶点抑制能力 | 首次基于计算证据对生育三烯醇异构体在靶向炎症和血管相关通路中的多靶点效力进行全面区分，并比较了传统分子对接工具AutoDock Vina与基于深度学习的AI辅助对接工具GNINA的性能差异 | AI辅助对接工具GNINA因受体模型结构限制未能生成对VCAM-1的对接结果；研究结果仍需进一步的实验验证来确认这些计算预测及其生物学意义 | 评估生育三烯醇异构体对E-selectin、ICAM-1和VCAM-1的分子结合亲和力和相互作用特征，揭示其在抗动脉粥样硬化中的潜在作用 | α-、β-、γ-和δ-生育三烯醇异构体以及E-selectin、ICAM-1和VCAM-1蛋白受体 | 计算机辅助药物设计 | 动脉粥样硬化 | 分子对接 | 卷积神经网络 | 蛋白质结构数据和配体分子结构 | 4种生育三烯醇异构体和3种蛋白受体 | AutoDock Vina, GNINA | NA | 结合亲和力（kcal/mol）、氢键相互作用、疏水相互作用、范德华力 | NA |
| 803 | 2026-05-31 |
A Systematic Survey and Benchmark of Deep Learning for Molecular Property Prediction in the Foundation Model Era
2026-May-26, Journal of chemical theory and computation
IF:5.7Q1
DOI:10.1021/acs.jctc.5c02081
PMID:42096352
|
综述 | 系统综述和基准测试了基础模型时代深度学习在分子性质预测中的应用 | 提出了统一分类法，连接分子表征、模型架构和跨学科应用，并提出了三个前瞻性方向（嵌入量子一致性、可信推理、整合计算与实验数据） | 基准设计中存在数据拆分不一致、立体化学不一致、分析来源异质以及随机或定义不明拆分下的可重复性限制 | 梳理分子性质预测中深度学习的四种互补范式并评估当前基准设计，推动更透明、时间-支架意识的现代化方法 | 深度学习模型在分子性质预测中的性能与基准设计 | 机器学习 | NA | NA | NA | 数据 | 涵盖广泛使用的数据集及反映工业视角的数据集 | NA | NA | NA | NA |
| 804 | 2026-05-31 |
Distance-Restraint-Guided Diffusion Models for Sampling Protein Conformational Changes and Ligand Dissociation Pathways
2026-May-26, Journal of chemical theory and computation
IF:5.7Q1
DOI:10.1021/acs.jctc.6c00199
PMID:42096314
|
研究论文 | 提出了一种基于距离约束引导的扩散模型方法，用于采样蛋白质构象变化和配体解离路径 | 在反向扩散过程中引入原子组质心距离约束，无需模型重新训练即可沿反应坐标系统采样，同时结合深度学习结构预测与物理模拟，实现自由能景观构建 | NA | 开发高效策略，系统采样蛋白质构象动态和配体结合过程，定量表征生物分子热力学特性 | 三种经历开-闭构象转变的模型蛋白质及一个蛋白质-肽解离路径 | 机器学习 | NA | 扩散模型 | 扩散模型（类似AlphaFold3架构） | 蛋白质结构数据 | 三种模型蛋白质及一个蛋白质-肽体系 | Boltz-2 | 扩散模型网络结构 | 基于学习的置信度指标、立体化学验证指标、构象空间覆盖均匀性 | NA |
| 805 | 2026-05-27 |
Correction to "Quantifying Multi-pollutant Co-exposure via Deep Learning-Based Simultaneous Prediction Using Geostationary Satellite Data"
2026-May-26, Environmental science & technology
IF:10.8Q1
DOI:10.1021/acs.est.6c05436
PMID:42113025
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 806 | 2026-05-31 |
Magnetic susceptibility source separation (χ-separation) in quantitative susceptibility mapping
2026-May-26, Magnetic resonance imaging
IF:2.1Q2
DOI:10.1016/j.mri.2026.110708
PMID:42203157
|
综述 | 梳理定量磁化率成像中磁化率源分离方法，比较多序列与仅梯度回波技术的优劣 | 全面分类磁化率源分离方法为多序列方法和仅梯度回波方法，并评估深度学习框架如χ-sepnet，指出简化采集协议的趋势 | 弛豫常数准确测定和静态去相假设仍存生物物理难题，缺乏体内金标准影响准确性评估 | 综述磁化率源分离技术，区分亚体素磁源以定量铁和髓鞘生物标志物 | 磁化率源分离方法，包括多序列方法（如SEMI-TWInS, APART-QSM）、仅梯度回波技术（如DECOMPOSE-QSM, QSM-ARCS）和深度学习框架（如χ-sepnet） | 机器学习 | NA | 磁共振成像 | 深度学习 | 磁共振图像 | NA | NA | χ-sepnet | NA | NA |
| 807 | 2026-05-31 |
AI for the assessment and discovery of morphological-molecular biomarker relationships in hematologic malignancies
2026-May-26, Blood reviews
IF:6.9Q1
DOI:10.1016/j.blre.2026.101398
PMID:42215353
|
综述 | 总结人工智能在血液恶性肿瘤形态学分析中的最新进展，揭示形态-分子生物标志物关联，并探讨其临床整合潜力 | 通过深度学习模型实现自动化细胞分类、疾病特征检测及遗传变异预测，首次系统整合虚拟染色和可解释性方法以支持临床转化 | 数据异质性、缺乏前瞻性验证、跨学科协作需求仍是主要挑战 | 推动人工智能驱动的可解释形态学分析在血液肿瘤精准医学中的应用 | 髓系和淋巴系肿瘤（包括急性白血病、淋巴瘤等）的血涂片和骨髓涂片图像 | 计算机视觉 | 血液恶性肿瘤（髓系/淋巴系肿瘤） | 深度学习、多实例学习、虚拟染色 | 深度神经网络 | 图像（血涂片、骨髓涂片） | 未明确提及 | 未明确提及 | 多实例学习架构 | 未明确提及 | NA |
| 808 | 2026-05-31 |
Generating Labeled Low-Heterogeneity Transcriptomes Using CRISPRa and CRISPRi Can Improve Phenotype Prediction by Deep Learning
2026-May-25, ACS synthetic biology
IF:3.7Q1
DOI:10.1021/acssynbio.5c00873
PMID:42183825
|
研究论文 | 提出利用CRISPRa和CRISPRi技术生成标注的低异质性转录组数据集，以改善深度学习在表型预测中的表现 | 首次提出通过CRISPRa和CRISPRi技术生成低异质性、表型标注的转录组数据集，作为传统高异质性数据集的补充，以提升深度学习模型在表型预测中的效果 | 目前仅提出框架和实验考量，尚未生成实际数据集或进行模型验证，缺乏实验结果支持 | 解决现有组学数据集在深度学习表型预测中的异质性高和样本量不足问题 | 通过CRISPRa和CRISPRi技术产生的表型标注细胞系及其对应的低异质性转录组数据集 | machine learning | 癌症 | CRISPRa, CRISPRi | 深度学习（DL） | 转录组数据 | NA | NA | NA | NA | NA |
| 809 | 2026-05-31 |
An interpretable multimodal model integrating clinical, spectral CT imaging, and deep learning analysis of intra- and peritumoral regions for preoperative prediction of perineural invasion in gastric cancer: A prospective, multicenter study
2026-May-24, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society
IF:5.4Q1
|
research paper | 开发一种多模态融合模型，整合临床、光谱CT影像和深度学习特征，用于胃癌术前预测神经侵犯 | 首次将瘤内及瘤周区域的光谱CT参数与深度学习特征结合，构建可解释的多模态融合模型，在多个中心验证了其优越性能 | NA | 术前预测胃癌中的神经侵犯，以改善风险分层和治疗规划 | 经病理确诊的胃癌患者 | digital pathology, machine learning | gastric cancer | Spectral CT imaging | ResNet-50 | image, clinical data | 250名患者（训练集138例，内部验证集59例，外部验证集53例） | NA | ResNet-50 | AUC, calibration curve, decision curve analysis, Hosmer-Lemeshow test | NA |
| 810 | 2026-05-31 |
Explicit modeling of beam geometry improves three-dimensional dose prediction for esophageal cancer radiotherapy under heterogeneous beam configurations
2026-May-22, Radiation oncology (London, England)
DOI:10.1186/s13014-026-02844-7
PMID:42174687
|
研究论文 | 该研究探索了在异质性射束配置的食管癌放疗中，通过显式建模射束几何结构来提升三维剂量预测的准确性、鲁棒性和临床工作流程效率 | 首次将基于射线追踪的射束几何表示（归一化射束覆盖和重叠图）整合到深度学习剂量预测模型中，突破传统仅依赖解剖数据的局限性，显著提升异质性射束配置下的预测性能 | 回溯性研究设计且为单中心数据；模型仅适用于食管癌调强放疗（IMRT），泛化性需进一步验证 | 提升食管癌调强放疗中三维剂量预测的准确性、鲁棒性和临床实用性 | 751例食管癌调强放疗患者的治疗计划和剂量分布数据 | 数字病理学 | 食道癌 | 影像引导放疗，射线追踪 | AS-NeSt骨干网络 | 影像，剂量分布图 | 751例患者（训练组618例，测试组100例，罕见射束配置组33例，临床验证组42例） | NA | AS-NeSt | 剂量误差百分比，骰子相似系数，计划时间 | NA |
| 811 | 2026-05-31 |
Clinically reliable and stable automated segmentation of DLBCL lesions on PET/CT using self-configuring nnU-Net for robust TMTV quantification
2026-May-22, Applied radiation and isotopes : including data, instrumentation and methods for use in agriculture, industry and medicine
IF:1.6Q3
DOI:10.1016/j.apradiso.2026.112721
PMID:42214823
|
研究论文 | 系统比较三种深度学习架构（经典U-Net、注意力U-Net和自配置nnU-Net）在PET/CT图像中分割弥漫性大B细胞淋巴瘤病灶的性能，以建立稳健的分割框架 | 首次通过系统性三向比较明确自配置nnU-Net在DLBCL病灶分割中的性能优势，并证明其优越性主要来自整体流程优化而非单一架构改进 | 当前为单中心研究，缺乏外部验证，且未与临床结局（如生存率）进行相关性分析 | 识别临床TMTV量化中最可靠且鲁棒的分割框架 | 弥漫性大B细胞淋巴瘤患者的PET/CT图像病灶分割 | 数字病理学 | 弥漫性大B细胞淋巴瘤 | PET/CT | U-Net, 注意力U-Net, nnU-Net | 医学图像 | 217例全身PET/CT扫描 | nnU-Net, PyTorch | U-Net, Attention U-Net, nnU-Net | Dice相似系数, 交并比, 灵敏度, 特异性 | NA |
| 812 | 2026-05-31 |
Deep Learning-Enhanced Generation and Screening of Antihyperuricemic Peptides from Chickpea Proteins: from Multienzyme Optimization to Molecular Mechanisms
2026-May-20, Journal of agricultural and food chemistry
IF:5.7Q1
DOI:10.1021/acs.jafc.6c00467
PMID:42158992
|
研究论文 | 利用深度学习增强的多酶水解策略从鹰嘴豆蛋白中筛选抗高尿酸血症肽并解析其分子机制 | 首次将大语言模型引导的深度学习策略与多酶水解优化结合，高效筛选出具有强抗高尿酸活性的鹰嘴豆肽，弥补了传统方法的低效性 | 未公开具体计算资源及模型训练细节，且缺乏体内实验验证 | 开发一种深度学习增强的酶解优化方法，从鹰嘴豆蛋白中高效生成和筛选抗高尿酸血症肽 | 鹰嘴豆蛋白多酶水解产物及分离鉴定的四种三肽 | 机器学习 | 高尿酸血症 | 多酶水解（风味蛋白酶-胃蛋白酶-胰酶组合），分子对接 | 大语言模型（LLM）引导的深度学习模型 | 肽序列及酶解活性数据 | NA | NA | NA | 黄嘌呤氧化酶抑制活性（94.1%），消化稳定性（91.5%），细胞内尿酸水平，氧化应激，炎症指标 | NA |
| 813 | 2026-05-31 |
De Novo Design of Miniature and Efficient Metallo-Ketoreductases
2026-May-20, Journal of the American Chemical Society
IF:14.4Q1
DOI:10.1021/jacs.6c00732
PMID:42160334
|
研究论文 | 报道了一种基于深度学习的流程，从理论活性位点设计金属酮还原酶，实现酮的不对称还原 | 首次利用深度学习辅助设计和理论活性位点从头设计出高效微型金属酮还原酶，该酶仅含130个氨基酸，通过非生物氢负离子转移机制催化酮的不对称还原 | 未明确提及局限性，但可能包括对特定底物的选择性有限或在实际工业应用中的稳定性测试不足 | 探索从头设计酶以催化非生物转化，特别是氧化还原反应，为不对称合成提供可扩展和可持续的生物催化剂 | 从理论活性位点设计的微型金属酮还原酶 | 机器学习 | NA | 深度学习 | 深度学习模型（具体未提及） | 序列和结构数据 | NA | NA | NA | 催化速率（kcat/KM）、转化数（TON）、对映体过量值（e.e.） | NA |
| 814 | 2026-05-31 |
A gated task-attentive multi-task network for unified retinal image analysis
2026-May-19, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-52418-6
PMID:42156815
|
研究论文 | 提出GTAM-Net，一个门控任务注意力多任务网络，用于统一视网膜图像分析，同时完成视盘分割和糖尿病视网膜病变分级 | 引入门控任务注意力块动态决定特征共享方式，避免负迁移；采用多尺度特征金字塔保持层级上下文，基于不确定性的损失加权防止单任务主导训练 | 未明确讨论模型在极端病变多样性或罕见病例上的性能表现，也未提及计算资源消耗或实时性分析 | 开发一个端到端的多任务网络，联合完成视盘分割和糖尿病视网膜病变严重程度分级，以提高筛查工具的准确性和稳定性 | 视网膜图像，包括视盘分割和DR分级任务 | 计算机视觉, 数字病理 | 糖尿病视网膜病变 | 眼底成像 | 多任务网络 | 图像 | 五个公共数据集：IDRiD, DDR, Messidor-2, APTOS, REFUGE | PyTorch | GTAM-Net，门控任务注意力块，多尺度特征金字塔 | Dice系数, 准确率 | NA |
| 815 | 2026-05-31 |
Evaluation Framework for Bruise Detection: Systematic ALS/White-Light Training and Skin-Tone Balancing with Deep Learning
2026-May-19, Sensors (Basel, Switzerland)
DOI:10.3390/s26103215
PMID:42198024
|
研究论文 | 提出一种集成窄带交变光源与白光成像的自动瘀伤检测评估框架 | 首次将窄带交变光源（ALS）法医成像与白光成像整合，并引入肤色平衡训练、阈值敏感度分析和嵌入相似性分区等模型诊断策略 | 肤色平衡训练虽降低了深色皮肤的检测失败率，但在某些人口统计子组中增加了过度预测，且图像级别分区导致泛化性能被高估 | 开发并评估一种在不同肤色和光照条件下均能公平准确检测瘀伤的自动框架 | 多注释者全共识数据集中的白光及ALS（415 nm和450 nm）图像 | 计算机视觉 | 瘀伤 | 窄带交变光源（ALS）成像、白光成像 | 深度学习模型（基于ImageNet预训练主干网络） | 图像 | 数据集包含白光和ALS图像，具体样本数量未明确说明 | NA | ImageNet预训练主干网络（未明确具体架构如ResNet） | 准确率、置信度稳定性指标、IoU阈值、失败率、过度预测率 | NA |
| 816 | 2026-05-31 |
Comment on "deep learning in neuroimaging for neurodegenerative diseases: State-of-the-art, challenges, and opportunities"
2026-May-14, Journal of the neurological sciences
IF:3.6Q2
DOI:10.1016/j.jns.2026.126003
PMID:42208250
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 817 | 2026-05-31 |
Reduction techniques for survival analysis
2026-May-10, Lifetime data analysis
IF:1.2Q2
DOI:10.1007/s10985-026-09714-0
PMID:42203896
|
研究论文 | 本文综述了生存分析中的归约技术，即将生存任务转化为标准回归或分类任务的方法，并讨论了其优缺点及实现 | 系统性地梳理了多种生存分析归约技术，并提供了原则性实现，使其能无缝集成到标准机器学习工作流中 | 未提及具体限制 | 介绍并基准测试生存分析中不同归约技术的预测性能 | 生存分析中的归约技术 | 机器学习 | NA | NA | 多种机器学习与深度学习模型 | 生存数据 | NA | NA | NA | 预测性能 | NA |
| 818 | 2026-05-31 |
A multicenter study of automatic segmentation-based multimodal fusion integrating radiomics, deep learning, and clinical parameters for prostate cancer detection
2026-May-08, Abdominal radiology (New York)
DOI:10.1007/s00261-026-05548-4
PMID:42101624
|
研究论文 | 基于自动MRI分割，开发并验证一种整合影像组学、深度学习和临床特征的可解释机器学习模型，用于前列腺癌检测 | 创新性地融合了基于自动分割的影像组学、深度学习标签和临床参数，并采用SHAP进行模型解释，实现了高精度且可解释的前列腺癌检测 | 作为回顾性研究，可能存在选择偏倚；且自动分割模型的性能可能影响后续特征提取，尚未在更广泛人群中验证 | 开发并验证一种整合多模态特征（影像组学、深度学习、临床参数）的可解释机器学习模型，提升前列腺癌检测的准确性及临床实用性 | 前列腺癌患者 | 医学影像分析 | 前列腺癌 | MRI影像组学、深度学习 | 机器学习模型（XGBoost）与深度学习模型（DenseNet-121） | MRI图像（T2加权成像和表观扩散系数图）及临床数据 | 总共433名患者：内部队列346人（训练集242人，内部验证集104人），外部测试集87人 | PyTorch | DenseNet-121 | 曲线下面积（AUC）及相关指标 | NA |
| 819 | 2026-05-31 |
Disproportionately elevated sulcal index (DESI): An automatically driven index representing disproportionate subarachnoid space enlargement in brain MRI scans
2026-May-08, Brain research bulletin
IF:3.5Q2
|
研究论文 | 开发了一种基于深度学习的全自动体积生物标志物DESI，用于客观量化特发性正常压力脑积水患者的蛛网膜下腔不成比例扩大 | 首次提出全自动深度学习的DESI指数，实现对蛛网膜下腔不成比例的客观定量评估，替代传统主观定性判断 | NA | 开发客观量化iNPH患者形态学变化的自动化生物标志物 | 特发性正常压力脑积水患者及健康对照组 | 计算机视觉 | 神经退行性疾病 | MRI | U-Net | T1加权MRI图像 | 训练集1248例，外部验证集94例 | NA | EfficientNet-B0, U-Net | AUC, 敏感性, 特异性 | NA |
| 820 | 2026-05-31 |
A multimodal deep learning framework for clinical nursing assessment in lumbar fusion surgery via representation learning and feature extraction
2026-May-07, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-51495-x
PMID:42098353
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |