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 43632 篇文献，本页显示第 8781 - 8800 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 8781 | 2026-01-03 |
Investigation on the fault monitoring of high-voltage circuit breaker using improved deep learning
2023, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0295278
PMID:38039313
|
研究论文 | 本文开发了一种断路器故障监测装置，通过监测振动信息数据诊断高压断路器的机械故障，并采用改进的深度学习方法进行训练和分类识别 | 采用改进的深度学习方法训练高压断路器的振动信息，结合系统化研究方法识别断路器故障，实现了超过95%的准确率 | NA | 准确评估高压断路器的运行状态并进行故障评估，以保障电网的安全性和可靠性 | 高压断路器的机械故障 | 机器学习 | NA | 振动监测 | 深度学习 | 振动数据 | NA | NA | NA | 准确率 | NA |
| 8782 | 2026-01-03 |
Detection of surface defect on flexible printed circuit via guided box improvement in GA-Faster-RCNN network
2023, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0295400
PMID:38051736
|
研究论文 | 本文提出了一种基于GA-Faster-RCNN网络和引导框改进的方法，用于柔性印刷电路板表面的缺陷检测 | 提出了一种引导框改进方法，以解决FPC缺陷检测中小目标和极端长宽比目标的检测挑战，并在GA-Faster-RCNN网络中实现，显著提升了检测精度 | NA | 开发一种用于柔性印刷电路板表面缺陷检测的算法，提高检测精度 | 柔性印刷电路板表面的缺陷 | 计算机视觉 | NA | NA | CNN | 图像 | NA | NA | GA-Faster-RCNN, Faster-RCNN | 准确率 | NA |
| 8783 | 2026-01-03 |
Increased interpretation of deep learning models using hierarchical cluster-based modelling
2023, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0295251
PMID:38060472
|
研究论文 | 本研究将层次聚类建模方法扩展到深度学习模型，以提高模型的可解释性 | 将先前发表的层次聚类偏最小二乘回归（HC-PLSR）方法扩展到深度学习领域，提出了层次聚类卷积神经网络（HC-CNN）、层次聚类循环神经网络（HC-RNN）和层次聚类支持向量回归（HC-SVR）模型 | 对于FT-IR数据集，使用比HC-PLSR更复杂的模型在预测能力上提升有限 | 通过局部建模提高深度学习模型的可解释性 | 光谱数据（FT-IR测量）和模拟数据集 | 机器学习 | NA | 傅里叶变换红外光谱（FT-IR） | CNN, RNN, SVR, PLSR | 光谱数据 | NA | NA | 层次聚类卷积神经网络（HC-CNN），层次聚类循环神经网络（HC-RNN），层次聚类支持向量回归（HC-SVR），层次聚类偏最小二乘回归（HC-PLSR） | 预测能力 | NA |
| 8784 | 2026-01-03 |
Olfactory system-inspired electronic nose system using numerous low-cost homogenous and hetrogenous sensors
2023, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0295703
PMID:38064527
|
研究论文 | 本文提出了一种受生物嗅觉系统启发的电子鼻系统，使用大量低成本同质和异质传感器进行化学化合物分类 | 通过增加同类型传感器的数量而非依赖高精度传感器，利用传感器输出的微小差异作为目标气体的独特信号，实现了高分类准确率 | 实验仅使用三种挥发性醇类化合物进行评估，样本多样性有限，且未在更复杂的气体混合物中进行测试 | 开发一种基于低成本传感器的电子鼻系统，以替代昂贵的商业电子鼻系统 | 挥发性醇类化合物 | 机器学习 | NA | 电子鼻传感器技术 | 深度学习模型 | 传感器信号 | 30个传感器（6种不同类型，每种5个重复） | NA | NA | 分类准确率 | NA |
| 8785 | 2026-01-03 |
Weed target detection at seedling stage in paddy fields based on YOLOX
2023, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0294709
PMID:38091355
|
研究论文 | 本研究提出了一种基于YOLOX的稻田杂草目标检测方法，旨在实现水稻苗期小密集杂草的精准识别，为智能农业设备部署提供支持 | 首次将YOLOX模型应用于水稻苗期杂草检测，通过优化模型架构提升了对遮蔽和密集小目标的检测性能，并验证了其在嵌入式平台部署的可行性 | YOLOX-tiny模型仅在本文数据集中表现最佳，其普适性尚未得到全面验证 | 实现稻田杂草的精准检测，以支持从大面积喷洒向精准喷洒的农业转型 | 水稻苗期稻田中的杂草 | 计算机视觉 | NA | 深度学习驱动的计算机视觉方法 | CNN | 图像 | NA | NA | YOLOX, CSPDarknet, FPN, YOLO Head | mAP, F1, 召回率 | 智能农业设备（嵌入式计算平台） |
| 8786 | 2026-01-03 |
Research on distribution network fault processing technology based on knowledge of graph
2023, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0295421
PMID:38096310
|
研究论文 | 本文提出了一种基于知识图谱的配电网故障处理技术，用于分析配电网中的风险传播过程并确保电力系统安全可靠运行 | 结合知识图谱与深度学习方法，构建面向馈线和台区的多维配电网故障处理知识图谱模型，并基于知识图谱邻接矩阵搜索非计划孤岛 | NA | 分析配电网风险传播过程，确保电力系统安全可靠运行 | 配电网信息系统、低压配电网模型 | 机器学习 | NA | 知识图谱方法、深度学习 | NA | 多维信息数据、配电网参数 | NA | NA | NA | NA | NA |
| 8787 | 2026-01-02 |
Engaging the Community: CASP Special Interest Groups
2026-Jan, Proteins
IF:3.2Q2
DOI:10.1002/prot.26833
PMID:40304050
|
评论 | 本文介绍了CASP特别兴趣小组的建立及其在促进社区持续对话和跨学科合作方面的作用 | 通过建立特别兴趣小组和在线研讨会系列，打破了传统CASP活动仅在预测季节和会议期间交流的限制，实现了社区全年持续互动 | NA | 促进CASP社区内的持续对话和跨学科合作，降低领域新人的入门门槛 | CASP社区成员，包括深度学习专家、NMR专家等科学家 | 计算生物学 | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8788 | 2026-01-02 |
Structure Modeling Protocols for Protein Multimer and RNA in CASP16 With Enhanced MSAs, Model Ranking, and Deep Learning
2026-Jan, Proteins
IF:3.2Q2
DOI:10.1002/prot.70033
PMID:40751131
|
研究论文 | 本文介绍了在CASP16中蛋白质复合物和RNA结构预测的方法与结果 | 整合了多种先进深度学习模型，采用基于共识的评分方法，并利用大型宏基因组序列数据库增强多序列比对深度，同时改进了模型排名策略 | 存在需要进一步改进的领域，特别是在与其它组预测结果显著不同的目标上 | 提高蛋白质复合物和RNA结构预测的准确性 | 蛋白质复合物和RNA分子 | 计算生物学 | NA | 多序列比对, 深度学习 | 深度学习模型 | 序列数据, 结构数据 | NA | NA | NuFold | 排名（第一和第三） | NA |
| 8789 | 2026-01-02 |
Progress and Bottlenecks for Deep Learning in Computational Structure Biology: CASP Round XVI
2026-Jan, Proteins
IF:3.2Q2
DOI:10.1002/prot.70076
PMID:41178755
|
研究论文 | 本文总结了CASP16社区实验的结果，评估了计算结构生物学中深度学习方法的最新进展和瓶颈 | 揭示了在蛋白质单体结构预测方面，深度学习方法已达到接近实验不确定性的极限，而在RNA结构预测中，深度学习方法目前并不优于传统方法 | 对于RNA结构预测，深度学习方法目前不成功；在缺乏结构同源性的情况下，预测结果较差；对于大分子集合，目标集较小限制了结论的普适性 | 评估计算结构生物学领域，特别是深度学习方法在蛋白质、RNA、蛋白质复合物等结构预测中的最新进展和挑战 | 蛋白质单体结构、蛋白质复合物、RNA结构、大分子集合、有机配体-蛋白质结构及亲和力 | 计算结构生物学 | NA | 深度学习、传统物理启发方法 | AlphaFold变体及相关技术 | 蛋白质结构数据、RNA结构数据、蛋白质复合物数据 | CASP16目标集（具体数量未提及） | NA | AlphaFold | 结构一致性、界面准确性 | NA |
| 8790 | 2026-01-02 |
MRI segmentation of head and neck tumors using hybrid attention mechanism and dense dilated spatial pyramid pooling
2026-Jan, Journal of applied clinical medical physics
IF:2.0Q3
DOI:10.1002/acm2.70426
PMID:41459735
|
研究论文 | 本研究提出了一种改进的SCDU-Net模型，通过结合空间-通道注意力机制和密集扩张空间金字塔池化技术，用于头颈部肿瘤的MRI图像分割 | 模型集成了空间-通道双重注意力模块和密集连接的扩张空间金字塔池化模块，以增强关键肿瘤特征表达、捕获长距离空间依赖并提升多尺度上下文建模能力 | NA | 提升头颈部肿瘤MRI图像的分割准确性和鲁棒性，以支持放疗中的精确靶区勾画 | 头颈部肿瘤的MRI图像 | 计算机视觉 | 头颈癌 | MRI | CNN | 图像 | NA | NA | SCDU-Net, U-Net | NA | NA |
| 8791 | 2026-01-02 |
A deep-learning framework for the prediction of the type of adaptive strategy of MR-guided prostate radiotherapy
2026-Jan, Journal of applied clinical medical physics
IF:2.0Q3
DOI:10.1002/acm2.70395
PMID:41459741
|
研究论文 | 本研究开发了一种基于深度学习的框架，用于预测MR引导前列腺放疗中的自适应策略类型 | 提出了一种多阶段网络方法，结合深度学习图像配准和策略预测，实现了快速准确的自适应策略选择，相比现有方法效率提升5倍 | 研究为回顾性分析，样本量较小（36名患者），且未在外部数据集上进行验证 | 开发深度学习模型以快速准确预测MR引导自适应放疗中的自适应策略类型 | 前列腺癌患者 | 数字病理 | 前列腺癌 | MR-guided adaptive radiotherapy (MRgART) | 深度学习模型 | 医学图像 | 36名前列腺癌患者的180个治疗分次 | NA | 多阶段网络方法（包含DLIR网络和DLSP模型） | AUC, 准确率, 敏感性, 特异性 | NA |
| 8792 | 2026-01-02 |
Establishment of High-Precision Ultrasound Diagnosis Methods Based on the Introduction of Deep Learning
2025-Dec-31, IEEE reviews in biomedical engineering
IF:17.2Q1
DOI:10.1109/RBME.2025.3645229
PMID:41475002
|
综述 | 本文综述了基于深度学习的高精度超声诊断方法的建立，包括技术原理、临床应用及挑战 | 提出了针对超声诊断局限性的评估框架，并系统性地整理了深度学习在解决这些局限性方面的最新方法及临床应用证据 | 现有综述缺乏针对临床实施的定制化评估框架，且深度学习仍面临泛化性、安全性和操作负担等挑战 | 建立高精度超声诊断方法，通过引入深度学习技术改善临床工作流程 | 超声诊断技术及其在肿瘤学和心脏病学中的应用 | 计算机视觉 | 肺癌, 心血管疾病 | 超声成像 | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 8793 | 2026-01-02 |
UniSplicer: a deep learning framework for accurate splice-site prediction and splice-altering mutation detection across diverse taxa
2025-Dec-31, Plant communications
IF:9.4Q1
DOI:10.1016/j.xplc.2025.101686
PMID:41476368
|
研究论文 | 本文介绍了一个基于深度学习的框架UniSplicer，用于准确预测剪接位点并检测剪接改变突变，适用于多种物种 | UniSplicer能够在转录组数据相对有限的情况下，为多种非模式物种开发准确的剪接位点预测模型，超越现有模型，并能可靠指示突变对剪接的影响 | 模型性能可能受限于可用转录组数据的质量和数量，且在极端非模型物种中的泛化能力未完全验证 | 开发一个通用深度学习框架，以准确预测剪接位点和检测剪接改变突变，促进非模式物种的基因组分析 | 多种物种的剪接位点，包括植物、真菌和后生动物，以及剪接位点附近的序列变异 | 自然语言处理 | NA | 转录组数据 | 深度学习 | 序列数据 | 相对有限的转录组数据 | NA | NA | 预测准确性 | NA |
| 8794 | 2026-01-02 |
Assessing deep learning accuracy in the measurement of radiographic parameters in pediatric hip X-rays
2025-Dec-29, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-025-02058-5
PMID:41462147
|
研究论文 | 本研究开发并验证了一个基于深度学习的系统，用于测量儿童骨盆X光片中的放射学参数，并评估其在不同年龄组中的准确性 | 该研究首次提供了一个全面的深度学习解决方案，用于同时测量多个关键放射学参数，并进行了年龄特异性的可靠性分析 | 研究仅使用了韩国正常儿童的X光片数据，可能限制了模型在其他人群或异常情况下的泛化能力 | 评估深度学习在测量儿童髋关节X光片放射学参数中的准确性，并分析年龄相关骨盆发育对测量性能的影响 | 儿童骨盆X光片 | 计算机视觉 | 儿科髋关节疾病 | X光成像 | 深度学习 | 图像 | 训练集1495张，评估集1300张韩国儿童前后位骨盆X光片 | NA | NA | 组内相关系数, 皮尔逊相关系数, 平均绝对误差, 均方根误差, 豪斯多夫距离, 弗雷歇距离 | NA |
| 8795 | 2026-01-02 |
Deep learning for Alzheimer's disease: advances in classification, segmentation, subtyping, and explainability
2025-Dec-29, Biomedical engineering online
IF:2.9Q3
DOI:10.1186/s12938-025-01482-6
PMID:41462232
|
综述 | 本文综述了深度学习在阿尔茨海默病分类、分割、亚型分析和可解释性方面的最新进展，并探讨了其临床转化的挑战与未来方向 | 提出了一个将深度学习在阿尔茨海默病研究中的应用分为三大支柱（端到端分类、多模态融合、自动分割）的连贯框架，并系统整合了亚型分析和可解释性方法 | 作为综述文章，未提出新的模型或方法，主要总结现有研究；临床转化部分仍面临数据异质性、可解释性与准确性权衡等挑战 | 为阿尔茨海默病的早期检测和个性化预后提供深度学习解决方案，并推动其向临床实践转化 | 阿尔茨海默病患者的多模态数据，包括结构/功能MRI、PET、遗传谱和认知测试 | 医学影像分析 | 阿尔茨海默病 | 深度学习 | CNN, 聚类模型, 决策树模型 | 图像（MRI, PET）, 遗传数据, 认知测试数据 | NA | NA | NA | 准确率, 灵敏度/特异度, Dice系数, Jaccard指数 | NA |
| 8796 | 2025-12-31 |
Deep learning based on ultrasound for differential diagnosis of pancreatic serous cystic neoplasm and mucinous cystic neoplasm
2025-Dec-29, BMC cancer
IF:3.4Q2
DOI:10.1186/s12885-025-15249-8
PMID:41466236
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8797 | 2026-01-02 |
Advances in AI for predicting pharmacological properties of natural medicines
2025-Dec-29, Life sciences
IF:5.2Q1
DOI:10.1016/j.lfs.2025.124180
PMID:41475482
|
综述 | 本文综述了人工智能在预测天然药物药理特性方面的应用，包括模型构建原理、最新进展、特征选择和评估指标等关键方面，并讨论了天然药物开发的挑战与机遇 | 系统总结了AI在天然药物开发中的高通量筛选、活性化合物预测及ADMET性质早期预测方面的最新进展和应用潜力 | NA | 介绍人工智能在预测天然药物药理特性方面的应用，并探讨其在药物开发中的挑战与机遇 | 天然药物及其药理特性 | 机器学习 | NA | NA | NA | 现有数据集和实验数据 | NA | NA | NA | NA | NA |
| 8798 | 2026-01-02 |
A Transformer-Based Deep Learning Approach to Predicting Air Organic Pollutant-Human Protein Interactions
2025-Dec-23, Environmental science & technology
IF:10.8Q1
DOI:10.1021/acs.est.5c12915
PMID:41381047
|
研究论文 | 本文提出了一种基于Transformer的深度学习模型tipFormer，用于预测空气有机污染物与人类蛋白质之间的相互作用 | 结合双预训练语言模型编码蛋白质和有机污染物，并利用交叉注意力机制学习污染物-蛋白质结合的复杂相互作用模式 | 当前方法在系统识别新兴空气污染物早期结合事件方面仍有限制 | 预测空气有机污染物与人类蛋白质的相互作用，以促进对污染相关毒性的机制理解和风险评估 | 空气有机污染物和人类蛋白质 | 自然语言处理 | NA | 深度学习 | Transformer | 文本 | NA | NA | Transformer | AUC | NA |
| 8799 | 2025-12-24 |
Cross-cohort genetic risk prediction for Alzheimer's disease: a transfer learning approach using GWAS and deep learning models
2025-Dec-22, BioData mining
IF:4.0Q1
DOI:10.1186/s13040-025-00506-0
PMID:41430307
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 8800 | 2026-01-02 |
Deep learning-based non-contrast MRI model for nasopharyngeal carcinoma diagnosis: an end-to-end gadolinium-free solution
2025-Dec-22, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-025-02247-0
PMID:41430426
|
研究论文 | 本研究提出了一种基于深度学习的无对比剂MRI模型，用于鼻咽癌诊断，旨在减少对钆基对比剂的依赖 | 开发了一种创新的知识蒸馏模态融合模型，仅使用非对比MRI进行鼻咽癌诊断，避免了钆基对比剂的安全风险，并缩短了扫描时间 | 研究未明确说明模型在更广泛人群或不同MRI设备上的泛化能力，且外部测试集的AUC略低于内部测试集 | 开发一种无需钆基对比剂的鼻咽癌诊断方法，以提高安全性并降低成本 | 鼻咽癌患者 | 数字病理学 | 鼻咽癌 | 非对比MRI | 深度学习模型 | MRI图像 | 854例病例用于开发模型，内部测试集257例，外部测试集277例 | NA | 知识蒸馏模态融合模型 | AUC | NA |