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 44481 篇文献，本页显示第 821 - 840 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 821 | 2026-05-15 |
Deep learning-enhanced data-driven gating improves FDG PET/CT clinical image quality
2026-Apr-05, EJNMMI physics
IF:3.0Q2
DOI:10.1186/s40658-026-00851-x
PMID:41936011
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 822 | 2026-04-04 |
DSPONVNet: a multimodal deep learning model integrating intraoperative monitoring and clinical features for predicting postoperative nausea and vomiting risk
2026-Apr-02, BMC medical research methodology
IF:3.9Q1
DOI:10.1186/s12874-026-02845-w
PMID:41928118
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 823 | 2026-05-16 |
A pipeline for developing AI-driven models to predict molecular initiating events: a case study on neural tube defects
2026-Apr-02, Journal of cheminformatics
IF:7.1Q1
DOI:10.1186/s13321-026-01177-7
PMID:41928299
|
研究论文 | 提出一个自动化AI流程，将ChEMBL生物活性数据转化为用于预测分子起始事件的深度学习模型，并以神经管缺陷为案例进行验证 | 构建了完整的端到端自动化流程，结合知识引导预训练的图Transformer框架，实现从原始数据到可部署预测模型的无缝衔接 | 文中未明确提及局限性 | 开发自动化AI流程，用于预测化学物质的分子起始事件，支持毒性评估和不良结局通路开发 | 化学物质的分子起始事件相关蛋白靶点、神经管缺陷相关的发育毒性 | 机器学习 | 神经管缺陷 | NA | 图Transformer (KPGT) | 化学结构、生物活性数据 | NA | KPGT | KPGT, SVM-RBF | NA | NA |
| 824 | 2026-04-04 |
Modeling and forecasting neonatal mortality in Ethiopia: a comparative study using statistical, machine learning, and deep learning approaches
2026-Apr-02, Archives of public health = Archives belges de sante publique
DOI:10.1186/s13690-026-01909-z
PMID:41928309
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 825 | 2026-05-16 |
Genomic Characterization of Lung Cancer in Never-Smokers Using Deep Learning
2026-Apr, Modern pathology : an official journal of the United States and Canadian Academy of Pathology, Inc
IF:7.1Q1
DOI:10.1016/j.modpat.2026.100973
PMID:41638573
|
研究论文 | 提出一种基于深度学习的定制化卷积神经网络，用于从不吸烟的肺腺癌患者的组织切片全视野数字图像中预测多种分子改变 | 首次将深度学习方法专门应用于从不吸烟者肺腺癌（NS-LUAD）的分子特征预测，并优化了ResNet50架构实现16种分子改变的同步多标签分类 | 某些基因改变的预测性能较低（如KRAS热点突变的AUC仅为0.43-0.74），且样本量相对有限（495张WSI） | 利用深度学习从组织病理学全切片图像中推断不吸烟者肺腺癌的分子特征，支持分子检测分流和精准治疗策略制定 | 从不吸烟的肺腺癌患者（NS-LUAD）的组织切片全视野数字图像 | 数字病理学 | 肺癌 | 全视野数字图像（WSI） | 卷积神经网络（CNN） | 图像 | 495张全视野数字图像（来自Sherlock-Lung研究） | NA | ResNet50 | AUROC | NA |
| 826 | 2026-05-16 |
A comprehensive benchmarking study on computational tools for cross-omics label transfer from single-cell RNA to ATAC data
2026-04-01, G3 (Bethesda, Md.)
DOI:10.1093/g3journal/jkag026
PMID:41655240
|
研究论文 | 对27种从单细胞RNA数据向ATAC数据跨组学标签转移的计算工具进行了全面基准测试 | 首次系统评估了多种跨组学标签转移方法，并提供了数据不平衡和半监督策略对性能影响的深入分析 | 主要依赖配对数据质量，且未涵盖所有可能的数据预处理变体 | 评估并比较用于从scRNA-seq到scATAC-seq标签转移的计算工具的性能 | 来自人类和小鼠多种组织的单细胞RNA和ATAC数据 | 自然语言处理 | 不适用 | 单细胞测序（scRNA-seq, scATAC-seq） | Bridge, GLUE, bindSC等 | 单细胞表达数据、染色质可及性数据 | 多种人类和小鼠组织样本，具体数量未明确 | PyTorch | Bridge, GLUE, bindSC | 预测准确性 | 未明确提及 |
| 827 | 2026-05-16 |
Follow-Up Bias in Tumor Dynamic Modeling: A Comparison of Classical and Neural-ODE Approaches
2026-Apr, CPT: pharmacometrics & systems pharmacology
DOI:10.1002/psp4.70239
PMID:41919988
|
研究论文 | 比较传统药理学模型与深度学习方法（TDNODE）在肿瘤动态建模中的预测偏差，特别是在随访期短或不一致的情况下 | 首次系统量化不同肿瘤动态模型在随访时间截断数据中的预测偏差，并对比深度学习方法与传统方法的性能差异 | 仅使用非小细胞肺癌（NSCLC）数据和阿替利珠单抗临床试验，可能限制其他癌种或药物类型的泛化性 | 评估肿瘤动态模型在不完整随访数据中的预测偏差，并探索深度学习作为替代方法的潜力 | 3106名非小细胞肺癌（NSCLC）患者，来自四项阿替利珠单抗III期研究 | 机器学习 | 非小细胞肺癌（NSCLC） | NA | 经典药理学模型与TDNODE（神经常微分方程） | 临床试验时间截断数据 | 3106名非小细胞肺癌患者 | NA | TDNODE | 预测偏差（Positive Bias） | NA |
| 828 | 2026-05-16 |
A Bi-lingual chatbot implementation for pandemic response using the transformer-based approach
2026-Apr, PLOS digital health
DOI:10.1371/journal.pdig.0001256
PMID:41920886
|
研究论文 | 开发了一个基于Transformer的双语聊天机器人，用于疫情期间提供英语和卢干达语的准确信息 | 利用资源丰富的英语NLP框架实现卢干达语聊天功能，通过对话驱动开发实现持续改进 | 未提及具体限制 | 提供全天候的双语疫情管理信息，应对疫情期间错误信息传播问题 | 英语和卢干达语的疫情管理信息 | 自然语言处理 | COVID-19 | 深度学习 | Transformer | 文本 | 情特异性信息、问题和答案的语料库 | NA | Transformer | NA | NA |
| 829 | 2026-05-16 |
Development and Validation of Machine Learning Models for Predicting Early Cognitive Decline Using Home Sensor-Derived Behavioral Data: Sensors in-Home for Elder Wellbeing (SINEW) Cohort Study
2026-Apr-01, JMIR research protocols
IF:1.4Q3
DOI:10.2196/79490
PMID:41921108
|
研究论文 | 利用家庭传感器衍生的行为数据构建和验证机器学习模型，以预测老年人的早期认知衰退 | 创新性地使用连续家庭多传感器系统（包括红外运动传感器、门接触传感器、床传感器等）衍生的时空活动模式、睡眠行为、用药依从性等数据，结合临床评估指标，开发并验证监督机器学习模型，用于区分正常老化与轻度认知障碍、早期痴呆及衰弱状态，并预测从正常老化向这些状态的转变 | 样本量有限（计划招募200人），数据收集周期长（2019年11月至2030年3月），尚未完成全部数据分析和模型验证 | 开发并验证一种基于家庭传感器的连续监测系统，早期识别有轻度认知障碍或早期痴呆、衰弱风险的老年人，以便及时干预 | 65岁及以上社区居住的老年人，基线时认知正常或患有轻度认知障碍 | 机器学习 | 老年疾病 | 家庭多传感器监测系统（被动红外运动传感器、门接触传感器、床传感器、药盒传感器、可穿戴活动带、蓝牙接近信标） | 逻辑回归、随机森林、梯度提升、深度学习 | 时间序列数据（传感器衍生的步态变异性、活动规律性、睡眠碎片化、用药依从性模式）和临床评估数据 | 计划招募200名社区老年人，截至2025年6月已招募138名 | NA | 逻辑回归、随机森林、梯度提升、深度学习 | AUC, 灵敏度, 特异度, 精确率, 召回率, F1分数 | NA |
| 830 | 2026-05-16 |
Deep learning framework for predicting EGFR mutation status from H&E whole slide images in lung adenocarcinoma
2026-Apr-01, BMC cancer
IF:3.4Q2
DOI:10.1186/s12885-026-15957-9
PMID:41923035
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 831 | 2026-05-16 |
A non-intrusive framework using acoustic signals and deep learning for boiling diagnostics in visual-limited environments
2026-Mar-25, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-41757-z
PMID:41882037
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 832 | 2026-05-16 |
Automated detection of physical contact events in youth ice hockey: a player-centric deep learning approach
2026-Mar-25, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-44805-w
PMID:41882050
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 833 | 2026-05-16 |
SPARTAN: automated table detection and extraction from documents using advanced OpenCV heuristics and OCR techniques
2026-Mar-25, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-44325-7
PMID:41882048
|
研究论文 | 介绍SPARTAN，一种基于OpenCV启发式和OCR技术的开源表格检测与提取流水线 | 无需模型训练或GPU，完全基于启发式规则，实现高保真表格检测与提取，兼顾透明性和效率 | 对比实验基于标准推理配置，未涉及高度优化的边缘设备部署场景 | 提供一种成本高效、可解释的PDF表格提取方案，弥合规则系统和深度学习之间的差距 | PDF文档中的表格，包括产品变更通知、科学论文、证书和数据表 | 文档理解, 计算机视觉 | NA | OCR | NA | 图像, 文本 | 超过20,000页PDF文档 | OpenCV, CLI | NA | 精确率, 召回率, F1分数, OCR字符准确率, 处理时间, 峰值内存占用 | CPU, 1.2 GB峰值RAM |
| 834 | 2026-05-16 |
A vision transformer model for the detection of glaucoma from optic disc photographs
2026-Mar-24, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-44662-7
PMID:41876588
|
研究论文 | 利用基于Vision Transformer的深度学习模型，从眼底视盘照片自动检测青光眼 | 首次将Vision Transformer（ViT）架构应用于青光眼检测，使用RimNet预处理视盘分割，实现了高精度分类 | 未说明具体局限性，但依赖标注数据质量，且仅基于视盘外观分类，未结合其他临床指标 | 开发一种高效、低成本的青光眼筛查工具，用于从眼底照片中检测青光眼 | 来自三个数据库的视盘照片，包括正常和青光眼样本 | 计算机视觉, 数字病理学 | 青光眼 | 深度学习、视盘分割（RimNet） | Vision Transformer（ViT） | 图像（眼底视盘照片） | 总样本：训练集1432只青光眼，测试集956只晚期青光眼（平均偏差-11.71 dB）；各阶段样本数：训练/验证/测试分别为未知总数（AUC 1.00/0.98/1.00） | Python, R | Vision Transformer（ViT） | AUC, 准确率, 灵敏度, 特异度 | NA |
| 835 | 2026-05-16 |
Enhanced content-based image retrieval via hybrid color, texture, and deep learning features
2026-Mar-24, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-38422-w
PMID:41876591
|
研究论文 | 提出一种融合颜色、纹理和深度学习特征的增强型基于内容的图像检索系统CTD-Net，在Corel-1K、10K和Caltech-101数据集上取得优异性能 | 首次将颜色直方图、颜色矩、局部二值模式、小波变换等手工特征与EfficientNet-B7深度学习特征进行融合，实现低层视觉与高层语义信息的有效互补 | 未说明，可推断为可能依赖于特定数据集，泛化能力需进一步验证 | 解决传统基于内容的图像检索系统因单独使用手工特征或深度学习模型而导致的视觉与语义信息捕捉不足问题 | 自然图像数据集中的彩色图像 | 计算机视觉 | 不适用 | 颜色直方图、颜色矩、局部二值模式、小波变换、卷积神经网络 | CNN (EfficientNet-B7) | 图像 | Corel-1K (1000张)、Corel-10K (10000张)、Caltech-101 (约9144张) 图片 | PyTorch | EfficientNet-B7 | 精确率 | 不适用 |
| 836 | 2026-05-16 |
Deep learning-based quantitative CT assessment of interstitial lung abnormalities: prognostic risk thresholds in a health screening population
2026-Mar-24, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-45108-w
PMID:41876612
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 837 | 2026-05-16 |
Novel explainable deep learning based drug sensitivity prediction for early treatment of breast cancer
2026-Mar-24, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-44617-y
PMID:41876710
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 838 | 2026-05-16 |
Real-time underwater object detection via frequency-domain dynamics and spatially enhanced feature modulation
2026-Mar-24, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-44628-9
PMID:41876683
|
研究论文 | 提出一种基于频域动态与空间增强特征调制的轻量级水下实时目标检测框架 | 设计FasterFDBlock骨干网络，结合部分卷积与频域动态卷积，通过频带调制自适应抑制高频噪声并增强边缘细节；引入AIFI-SEFN编码器，融合全局语义与局部空间数据；采用多尺度特征调制模块动态加权深层语义与浅层细节特征 | 仅在UTDAC2020数据集上验证，未提及跨数据集泛化能力及实际水下环境中的鲁棒性测试 | 实现资源受限平台上高精度与低延迟兼顾的水下实时目标检测 | 水下图像中的目标物体 | 计算机视觉 | NA | NA | RT-DETR | 图像 | UTDAC2020数据集 | PyTorch | FasterFDBlock, AIFI-SEFN, MFM | 平均精度均值, 参数量, GFLOPs, 每秒帧数 | NA |
| 839 | 2026-05-16 |
A deep learning approach for the diagnosis and recurrence prediction of OKC
2026-Mar-23, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-44979-3
PMID:41872434
|
研究论文 | 提出基于多模态数据融合与可解释分析的牙源性角化囊肿智能诊断与复发预测系统 | 首次结合空间特征融合模块融合口腔病理切片与临床参数，并利用注意力机制实现复发风险的定量评估与模型可解释性 | 未提及外部验证及数据集大小，可能限制泛化能力 | 实现牙源性角化囊肿的准确诊断与复发风险量化预测 | 牙源性角化囊肿患者的口腔病理切片、临床参数、人口统计学特征及病史记录 | 机器学习, 数字病理学 | 牙源性角化囊肿 | NA | 注意力机制模型 | 图像, 表格数据 | 未明确说明样本数量及类型 | NA | 空间特征融合模块, 注意力机制模块 | 准确率 | NA |
| 840 | 2026-05-16 |
Long Short-Term Memory-GPT-4 Integration for Interpretable Biomedical Signal Classification: Proof-of-Concept Study
2026-03-20, JMIR formative research
IF:2.0Q4
DOI:10.2196/87962
PMID:41861395
|
研究论文 | 提出一种将长短期记忆网络与GPT-4集成的技术框架，用于生物医学信号分类并生成可解释的临床解读 | 首次明确将深度学习生物医学信号分类与GPT-4语言模型集成，通过结构化提示生成类人临床解读，且评估了临床相关性 | 仅为概念验证，需未来临床验证和现场研究；评估样本有限且仅涉及三个专家对部分数据的独立评价 | 开发并评估一种集成LSTM与GPT-4的生物医学信号自动分类与可读解读框架，为资源受限环境下的部署提供基础 | 公开PhysioNet数据集中的心电图和脑电图信号（包括MIT-BIH心律失常、PTB诊断性心电图等多个数据集） | 机器学习 | 心血管疾病, 神经系统疾病 | NA | LSTM | 时序信号 | 150个测试样本（每个数据集50例，共3个数据集）用于专家评估；完整训练/验证/测试采用70/15/15比例拆分 | NA | 2层LSTM（128→64单元） | 准确率, F1分数, AUC, 专家评分（临床准确性、清晰度、可操作性, Likert量表） | NA |