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 45423 篇文献，本页显示第 841 - 860 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 841 | 2026-06-05 |
A multi-modal deep learning framework for enhanced breast cancer diagnosis using mammograms and clinical data
2026-May-03, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-48085-2
PMID:42071031
|
研究论文 | 提出一种多模态深度学习框架，整合乳腺X线图像与结构化临床数据，提升乳腺癌诊断准确性 | 采用层次化融合方法，结合跨模态注意力机制和动态模态加权，并集成感兴趣区域关注模块，用于高效整合异质特征 | 使用了基于已知风险因素分布合成的临床变量，而非真实配对数据，可能影响模型在实际临床中的表现 | 改进乳腺癌诊断的准确性和可解释性，解决组织重叠、高乳腺密度和细微病变特征导致的诊断难题 | 乳腺X线图像和结构化临床数据（合成变量） | 计算机视觉, 机器学习 | 乳腺癌 | NA | 深度学习 | 图像, 结构化数据 | NA | PyTorch, TensorFlow | 层次化融合网络, 跨模态注意力机制 | 准确率, AUC, 置信区间 | NA |
| 842 | 2026-06-05 |
Explainable AI in Cardiology Diagnostics: A Systematic Review of Machine Learning, Meta-heuristic Optimization, and Clinical Text Mining for Coronary Artery Disease
2026-May, International journal of medical informatics
IF:3.7Q2
DOI:10.1016/j.ijmedinf.2026.106321
PMID:41653696
|
系统综述 | 系统回顾了机器学习、自然语言处理、元启发式优化和可解释人工智能在冠状动脉疾病预测与诊断中的应用 | 首次综合评估了机器学习、自然语言处理、元启发式优化和可解释人工智能在冠状动脉疾病诊断中的协同应用，并特别强调了模型可解释性和优化对临床实践价值的影响 | 数据稀缺、有限的外部验证、缺乏标准化临床导向的可解释性阻碍了临床应用，多数研究缺乏严格的临床验证 | 评估各种人工智能方法在冠状动脉疾病预测和诊断中的应用，识别最常用模型、评估其性能，并探索可解释性和优化如何增强临床实用性 | 2012年8月至2025年8月间发表的、应用机器学习、自然语言处理、元启发式优化和可解释人工智能预测或诊断冠状动脉疾病的相关研究 | 自然语言处理, 机器学习 | 冠状动脉疾病 | NA | 机器学习, 深度学习, Transformer模型, 元启发式算法 | 文本, 结构化数据 | 61项研究 | NA | BioBERT, ClinicalBERT, Transformer, 遗传算法, 粒子群优化算法 | 准确率 | NA |
| 843 | 2026-06-05 |
Introducing AutoML framework for drug-drug interaction prediction: application of AutoGluon
2026-May, Toxicology mechanisms and methods
IF:2.8Q2
DOI:10.1080/15376516.2026.2628929
PMID:41654993
|
研究论文 | 首次将AutoGluon AutoML框架应用于药物相互作用预测，利用分子特征自动简化模型开发 | 首次将AutoML框架AutoGluon应用于药物相互作用预测，无需手动调参即可实现高效建模 | 仅使用单模态分子特征，未涉及多模态数据或更大规模数据集验证 | 通过自动化机器学习简化药物相互作用预测模型的开发流程 | 来自DrugBank的10万对药物对 | 机器学习 | NA | AutoML | AutoGluon-Tabular | 分子特征（2D分子描述符、Morgan指纹及其组合） | 100,000对药物对 | AutoGluon | NA | 准确率、AUC | NA |
| 844 | 2026-06-05 |
Cardiac MR function analysis with DL-based super resolution reconstruction: application in the clinical setting
2026-May, The international journal of cardiovascular imaging
DOI:10.1007/s10554-026-03642-8
PMID:41656477
|
研究论文 | 比较基于深度学习的超分辨率重建与标准并行采集技术在心脏磁共振功能分析中的体积测量、图像质量和采集时间差异 | 首次在临床环境中评估深度学习超分辨率重建结合压缩感知采集（C-SENSE）对心脏磁共振成像的加速效果和图像质量影响 | 单中心回顾性研究，样本量较小（31例），未评估病理状态下的诊断准确性 | 评估深度学习超分辨率重建在心脏MR功能分析中的临床应用价值，特别是缩短采集时间而不损失体积分析准确性 | 31例接受心脏磁共振检查的患者（平均年龄61.2岁，26%女性，74%男性） | 计算机视觉 | 缺血性和非缺血性心肌病 | 心脏磁共振成像（MRI），压缩敏感编码（C-SENSE），并行成像（SENSE） | 深度学习超分辨率重建（DL-based super resolution） | 图像 | 31例患者 | NA | 深度学习去噪与超分辨率重建算法 | 相关系数（r），平均差异，一致性界限（LoA），Likert量表评分 | 1.5T Philips Ingenia MRI扫描仪 |
| 845 | 2026-06-05 |
Artificial intelligence for schizophrenia: from unimodal prediction to multimodal characterization
2026-May-01, Current opinion in psychiatry
IF:7.5Q1
DOI:10.1097/YCO.0000000000001076
PMID:41661188
|
综述 | 综述了人工智能在精神分裂症诊断、治疗、管理和表征中的应用进展，涵盖神经影像、电生理、电子健康记录和基因组数据等多种模态 | 从单模态预测向多模态综合表征转变的趋势，包括多模态融合方法、数据驱动的亚组学习、脑网络和精神病连续谱研究，以及大规模多模态数据集、基础模型和机制可解释性方法的兴起 | 将人工智能模型转化为临床工具仍需关注患者隐私和数据偏倚，并在不同人群和环境间进行严格验证 | 调研人工智能驱动的精神分裂症诊断、治疗、管理和表征方法，聚焦从单模态到多模态的综合表征转变 | 精神分裂症患者的相关数据，包括神经影像、电生理、电子健康记录和基因组数据 | 机器学习 | 精神分裂症 | NA | NA | 神经影像、电生理数据、电子健康记录、基因组数据 | NA | NA | NA | NA | NA |
| 846 | 2026-06-05 |
Untargeted Metabolomic and Lipidomic Profiles of Gingival Crevicular Fluid in the Context of Periodontitis
2026-May, Journal of clinical periodontology
IF:5.8Q1
DOI:10.1111/jcpe.70105
PMID:41664514
|
研究论文 | 探究牙周炎与健康个体龈沟液中非靶向代谢组和脂质组特征的差异 | 采用半监督深度学习方法进行代谢组学峰筛选和数据分析，系统揭示了牙周病变中嘌呤降解、神经酰胺代谢升高及含氧脂肪酸代谢下调的特征 | NA | 阐明牙周炎与健康龈沟液之间的代谢和脂质差异，为牙周炎的精准诊疗提供依据 | 龈沟液样本 | 机器学习 | 牙周炎 | 液相色谱/质谱联用 | 半监督深度学习模型 | 代谢组学和脂质组学数据 | 17名健康个体和19名牙周炎患者 | NA | NA | q值，对数变换倍数变化 | NA |
| 847 | 2026-06-05 |
Teravoxel Microscopy Image Analysis for Neurological Diseases
2026-May, Annual review of biomedical engineering
IF:12.8Q1
|
综述 | 综述用于神经疾病研究的太像素级显微镜图像分析方法，重点介绍光片荧光显微镜（LSFM）与深度学习技术的结合及其在神经炎症和神经退行性疾病中的应用 | 系统总结了LSFM从成像到人工智能分析的完整流程，并针对不同动物模型和脑结构的分析管道兼容性问题提出了潜在解决方案 | 不同动物模型和脑结构的分析管道设计差异导致可行性和兼容性挑战 | 综述LSFM与深度学习在神经疾病研究中的应用现状、挑战及未来方向 | 光片荧光显微镜图像分析管道、神经炎症和神经退行性疾病相关细胞形态标志物 | 计算机视觉 | 神经退行性疾病 | 光片荧光显微镜、组织透明化技术 | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 848 | 2026-06-05 |
Dynamic ultrasound motion metrics combined with deep learning for clinical differentiation of subacromial impingement syndrome
2026-May, La Radiologia medica
DOI:10.1007/s11547-026-02188-y
PMID:41670888
|
研究论文 | 结合动态超声运动指标与深度学习在临床区分肩峰下撞击综合征中的应用 | 首次将Faster R-CNN与一维卷积神经网络（1D-CNN）结合，利用垂直肩峰肱骨头距离（vAHD）实现高精度自动化SIS诊断，超越了基于地面真实标注的结果 | 当前工作流需要离线视频分析，未来应聚焦实时实现和提升泛化能力 | 评估深度学习模型在动态肩关节超声中预测肩峰下撞击综合征（SIS）的诊断性能 | 肩峰下撞击综合征（SIS）患者和对照组 | 计算机视觉, 机器学习 | 肩峰下撞击综合征 | 动态超声成像 | Faster R-CNN, 自迁移学习CNN (STL-CNN), 一维卷积神经网络 (1D-CNN) | 超声视频图像 | 59名SIS患者和59名对照者 | PyTorch | Faster R-CNN, STL-CNN, 1D-CNN | 平均距离误差, 准确率 (94%) | NA |
| 849 | 2026-06-05 |
Deep learning-based epileptic seizure detection from EEG signals and PPG signals using LSTM and CNN models
2026-May, The International journal of neuroscience
DOI:10.1080/00207454.2026.2621855
PMID:41671683
|
研究论文 | 提出一种基于CNN和LSTM的混合深度学习框架，利用EEG和PPG多模态信号自动检测癫痫发作 | 首次将PPG信号与EEG信号结合，利用PPG提供的自主神经波动、心率变异性变化和外周血管反应等互补生理信息，增强模型在EEG信号模糊或微弱情况下的判别能力 | NA | 实现癫痫发作的自动、实时检测，提升检测可靠性和效率 | 癫痫患者的脑电图（EEG）和光电容积脉搏波（PPG）多模态信号 | 机器学习 | 癫痫 | NA | CNN, LSTM | 信号 | NA | NA | CNN-LSTM混合架构 | 准确率、精确率、召回率、F1分数、Cohen's Kappa、马修斯相关系数(MCC)、临界成功指数(CSI) | NA |
| 850 | 2026-06-05 |
DeepECG.ai: An AI-enhanced ECG analysis platform to bridge the expertise gap from primary care to cardiology
2026 May-Jun, Journal of electrocardiology
IF:1.3Q3
|
研究论文 | DeepECG.ai是一个基于网页的AI心电分析平台，集成了深度学习模型，用于弥合初级医疗与心脏病学之间的专业差距 | 提供了一个统一平台用于系统评估心电图AI模型，超越了标准准确率指标，涵盖翻译方面包括干预背景、临床工作流程整合和实际鲁棒性 | NA | 开发和验证一个集成的AI心电分析平台，弥合初级医疗与心脏病学之间的专业差距，改善临床决策支持 | 12导联心电图和临床患者群体 | 机器学习 | 心血管疾病 | NA | 深度学习模型 | 心电图数据 | HEART-AI研究前三个月分析了29211份心电图，涉及53名用户和285名患者 | NA | NA | 推断时间 | 基于网页的安全平台 |
| 851 | 2026-06-05 |
Interpretable MRI-based Multiparametric Radiomics for Preoperative Prediction of CMS4 Colorectal Cancer
2026-May, Radiology
IF:12.1Q1
DOI:10.1148/radiol.251719
PMID:42153825
|
研究论文 | 基于术前多参数MRI的放射组学机器学习模型预测结直肠癌CMS4亚型，并结合转录组分析验证其生物学可解释性 | 首次将MRI放射组学特征与转录组分析相结合，实现CMS4亚型的可解释性预测，并揭示与TGF-β和上皮-间充质转化通路的关联 | 样本量有限（253例），且为回顾性多中心研究，需要进一步前瞻性验证 | 评估基于放射组学的机器学习方法预测结直肠癌CMS4亚型的效能及其生物学相关性 | 结直肠癌患者的术前多参数MRI数据及病理组织样本 | 数字病理学 | 结直肠癌 | MRI（T2加权成像和对比增强T1加权成像）、RNA测序、单细胞RNA测序 | 机器学习模型（放射组学）、深度学习模型（ResNet50、VGG16、DenseNet201） | 图像（MRI）和基因组数据（RNA测序） | 253例结直肠癌患者（中位年龄63岁，IQR 55-69岁，163名男性） | NA | ResNet50、VGG16、DenseNet201 | AUC（受试者工作特征曲线下面积）、风险比（HR） | NA |
| 852 | 2026-06-05 |
A Two-Stage EEG Microstate Fusion Framework for Dementia Screening and Alzheimer's Disease/Frontotemporal Dementia Differentiation
2026-May-01, Biosensors
DOI:10.3390/bios16050258
PMID:42187454
|
研究论文 | 提出了一种基于脑电微状态的两阶段分层深度学习框架，用于痴呆筛查和阿尔茨海默病与额颞叶痴呆的鉴别 | 通过任务解耦的两阶段层次结构，避免了传统统一模型中的epoch级数据泄露和多类特征竞争问题；利用匈牙利匹配建模连续微状态序列，并集成无归一化1D-CNN和Multi-Head Attention，提升了性能 | 需要在大规模外部数据集上进一步验证框架的泛化能力 | 开发一种可重复、可解释的辅助工具，用于临床神经学中的痴呆筛查和亚型区分 | 静息态脑电微状态动态特征 | 机器学习 | 阿尔茨海默病、额颞叶痴呆 | 静息态脑电图 | 1D-CNN-NFNet，Multi-Head Attention | 脑电微状态序列 | 本文未明确说明具体样本量，但评估使用了严格的受试者级LOOCV协议 | NA | 1D-CNN-NFNet，Multi-Head Attention | AUC，特异性，平衡准确率 | NA |
| 853 | 2026-06-05 |
Performance of Deep Learning Models in Endoscopic Severity Assessment of Inflammatory Bowel Disease: A Systematic Review
2026-May, Cureus
DOI:10.7759/cureus.108178
PMID:42238140
|
综述 | 系统综述深度学习模型在炎症性肠病内镜严重程度评估中的表现 | 首次系统综述深度学习模型在溃疡性结肠炎和克罗恩病内镜严重程度评估中的诊断准确性，并评估其临床工作流程优化潜力 | 研究间异质性较大，进行了叙述性综合，且部分研究报告不充分导致偏倚风险不明确 | 评估深度学习模型在炎症性肠病内镜严重程度评估中的诊断性能 | 溃疡性结肠炎或克罗恩病患者的内镜图像和视频 | 计算机视觉 | 炎症性肠病（溃疡性结肠炎、克罗恩病） | NA | 卷积神经网络、视觉Transformer | 图像、视频 | 12项研究 | NA | 卷积神经网络、视觉Transformer | AUROC、加权F1分数、准确率 | NA |
| 854 | 2026-06-05 |
BrainFusionNet: a deep learning and XAI model to understand local, global, and sequential features of MRI images for improved brain tumour detection
2026-Apr-28, Brain informatics
DOI:10.1186/s40708-026-00303-3
PMID:42050292
|
研究论文 | 提出BrainFusionNet模型，结合CNN、Vision Transformer和GRU，用于从MRI图像中提取局部、全局和序列特征，提高脑肿瘤检测精度 | 混合模型有效提取MRI图像中的局部和全局特征，尤其是在小肿瘤区域；定制Vision Transformer捕获局部特征、稳定梯度流并减少梯度消失风险；通过像素强度分析发现图像质量影响深度学习性能 | 未提及 | 改善脑肿瘤MRI图像分类性能 | 脑肿瘤MRI图像 | 计算机视觉 | 脑肿瘤 | MRI成像 | CNN, Vision Transformer, GRU | 图像 | 两个公开MRI数据集，未提供具体样本数 | Keras | DenseNet121, VGG16, Vision Transformer, GRU | 准确率 | 未提及 |
| 855 | 2026-06-05 |
Telomere-to-telomere assembly using HERRO-corrected Nanopore Simplex reads
2026-Apr-27, Nature
IF:50.5Q1
DOI:10.1038/s41586-026-10563-y
PMID:42045451
|
研究论文 | 介绍一种利用深度学习的HERRO框架纠错ONT Simplex读段，结合Verkko组装器实现端粒到端粒基因组组装的方法 | 开发了基于深度学习的单倍型感知纠错框架HERRO，能有效保留相关基因组序列差异，将人类基因组Simplex读段准确率提升高达100倍，并结合Verkko组装器实现端粒到端粒的完整染色体组装 | 该方法可能需要特殊计算资源，且对大样本应用的技术和财务可行性尚未明确讨论 | 通过纠错ONT Simplex读段降低测序成本并提高基因组分析质量，实现端粒到端粒的基因组组装 | 二倍体人类基因组及部分其他物种基因组 | 自然语言处理, 基因组学, 深度学习 | NA | ONT Simplex测序, 深度学习的HERRO纠错框架 | 深度学习模型（HERRO） | 测序读段序列数据（ONT Simplex读段） | 多个二倍体人类基因组（包括染色体X和Y，总共32条常染色体） | PyTorch（基于深度学习的HERRO框架） | HERRO深度纠错网络 | NGA50（归一化基因组组装50指标） | NA（未明确提及，但支持R9.4.1和R10.4.1测序平台） |
| 856 | 2026-06-05 |
Multi-Class Arrhythmia Detection from PPG Signals Based on VGG-BiLSTM Hybrid Deep Learning Model
2026-Apr-23, Biosensors
DOI:10.3390/bios16050235
PMID:42187431
|
研究论文 | 提出一种基于VGG-BiLSTM混合深度学习模型的多类别心律失常检测方法，从PPG信号中分类六种心律类型 | 将PPG信号的一阶和二阶导数作为增强特征，结合VGG卷积层与双向LSTM层捕捉空间和时序特征，并采用分层数据划分策略处理类别不平衡问题 | 未在文内明确说明局限性 | 开发一种从PPG信号中准确检测多种心律失常类型的深度学习方法 | 91名个体的46,827个PPG信号片段 | 机器学习 | 心血管疾病 | PPG信号处理 | VGG-BiLSTM混合深度学习模型 | 生理信号 | 91名个体的46,827个PPG信号片段 | NA | VGG, BiLSTM | 准确率, 灵敏度, 特异性, F1分数 | NA |
| 857 | 2026-04-24 |
Deep learning prediction of contrast extravasation versus intracranial hemorrhage after thrombectomy in patients with acute stroke
2026-Apr-22, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-026-02298-z
PMID:42021187
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 858 | 2026-06-05 |
The mediating role of deep learning approach between the proactive personality and innovative behavior of undergraduate nursing students
2026-Apr-21, BMC nursing
IF:3.1Q1
DOI:10.1186/s12912-026-04609-9
PMID:42015115
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 859 | 2026-06-05 |
ChemScreener: an active learning enabled hit discovery workflow with WDR5 inhibitor case study
2026-Apr-20, Journal of cheminformatics
IF:7.1Q1
DOI:10.1186/s13321-026-01204-7
PMID:42010453
|
研究论文 | 提出名为ChemScreener的主动学习工作流，用于早期药物发现中的命中化合物识别，并通过WDR5蛋白抑制剂案例验证其有效性 | 提出了Balanced-Ranking采集策略，利用集成不确定性在探索新化学空间的同时保持命中率富集，并通过迭代筛选少量化合物显著提升命中率 | NA | 开发一种可扩展的主动学习工作流，加速早期命中化合物发现并提高化学多样性 | WDR5蛋白及其抑制剂 | 机器学习 | NA | HTRF筛选、DSF验证 | 多任务深度学习模型 | 化合物活性数据 | 1760个化合物进行迭代筛选，269个化合物进行验证，最终44个化合物进入剂量反应测试 | NA | 多任务神经网络 | 命中率、IC50 | NA |
| 860 | 2026-06-05 |
Deep learning-based prediction of homologous recombination deficiency from histopathological whole-slide images in ovarian cancer
2026-Apr-18, International journal of gynecological cancer : official journal of the International Gynecological Cancer Society
IF:4.1Q2
DOI:10.1016/j.ijgc.2026.104717
PMID:42235122
|
研究论文 | 开发基于深度学习的全自动流程，利用注意力多实例学习和预训练视觉Transformer从卵巢癌苏木精-伊红染色全切片图像预测同源重组缺陷状态 | 首次利用注意力多实例学习与视觉Transformer结合，直接从常规H&E染色全切片图像预测卵巢癌同源重组缺陷状态，并验证了跨数据集的强泛化能力 | 基于回顾性数据，样本量有限（训练集257例），外部验证队列中PAOLA-1试验的HRD状态定义可能引入偏倚 | 建立低成本、高通量的替代方案，从病理全切片图像预测卵巢癌同源重组缺陷状态，辅助分子检测分诊 | 卵巢癌患者的苏木精-伊红染色全切片图像及对应的同源重组缺陷状态 | 数字病理学 | 卵巢癌 | 全切片成像、苏木精-伊红染色 | 注意力多实例学习、视觉Transformer | 病理全切片图像 | 训练集257例，外部验证集PAOLA-1/ENGOT-ov25 III期试验队列468例及TCGA数据库89例 | PyTorch | 注意力多实例学习、Vision Transformer | AUC、阴性预测值 | NA |