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 46134 篇文献，本页显示第 9041 - 9060 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 9041 | 2026-02-18 |
Leveraging vision transformer for histological grade prediction in laryngeal and hypopharyngeal squamous cell carcinoma: a large-scale multicenter study
2026-Jan, Neuroradiology
IF:2.4Q2
DOI:10.1007/s00234-025-03876-8
PMID:41454919
|
研究论文 | 本研究开发了一种基于增强CT的Vision Transformer模型，用于无创评估喉及下咽鳞状细胞癌的组织学分级 | 首次将预训练的Vision Transformer模型应用于喉及下咽鳞状细胞癌的增强CT图像分析，结合XGBoost分类器进行组织学分级预测，并通过多中心大样本验证了其优越性能 | 回顾性研究设计可能存在选择偏倚，外部验证队列样本量相对较小（n=99） | 开发非侵入性方法预测喉及下咽鳞状细胞癌的组织学分化等级 | 喉及下咽鳞状细胞癌患者 | 计算机视觉 | 喉癌 | 对比增强CT扫描 | Vision Transformer, XGBoost | 医学影像（CT图像） | 1648例患者（训练队列1239例，内部验证310例，外部验证99例） | NA | Vision Transformer | AUC, 决策曲线分析, 校准曲线 | NA |
| 9042 | 2026-02-18 |
Pituitary neuroendocrine tumor: evaluation with super resolution deep learning reconstruction : Research
2026-Jan, Neuroradiology
IF:2.4Q2
DOI:10.1007/s00234-025-03819-3
PMID:41117831
|
研究论文 | 本研究评估了超分辨率深度学习重建（SR-DLR）算法在垂体神经内分泌肿瘤（PitNET）评估及垂体MRI图像质量方面的影响，并与传统零填充插值（ZIP）技术进行比较 | 首次将超分辨率深度学习重建算法应用于垂体MRI图像处理，以提升图像质量和评估一致性 | 研究为回顾性设计，样本量较小（仅29例患者），可能限制结果的普遍适用性 | 评估SR-DLR算法在垂体神经内分泌肿瘤MRI图像重建中的效果 | 29例垂体神经内分泌肿瘤患者 | 医学影像分析 | 垂体神经内分泌肿瘤 | MRI成像，超分辨率深度学习重建 | 深度学习模型 | MRI图像 | 29例患者 | NA | NA | 信噪比，对比噪声比，边缘上升斜率，半高全宽 | NA |
| 9043 | 2026-02-18 |
Enhancing reliability in electrical grids: A hybrid machine learning approach for electrical faults classification
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0341238
PMID:41686863
|
研究论文 | 本研究提出了一种混合机器学习方法，用于对输电线路中的电气故障进行分类，以提高电网的可靠性 | 提出了一种新的混合机器学习模型（RF + DT + Stacking），并将其与多种经典机器学习算法和基础集成技术进行比较，强调了模型在性能、可解释性和计算效率方面的综合评估 | 未明确说明数据集的来源、具体规模或时间跨度，也未详细讨论模型在实时或大规模部署中的具体挑战 | 开发一种高效、准确的电气故障分类模型，以支持智能电网的主动维护和系统弹性 | 输电线路及其电气故障 | 机器学习 | NA | NA | 决策树, 随机森林, 朴素贝叶斯, K近邻, 支持向量机, AdaBoost, 集成学习 | 结构化数据（影响线路性能的各种属性） | NA | NA | NA | 准确率, 精确率, 召回率, F1分数 | NA |
| 9044 | 2026-02-18 |
Quantitative Analysis of Distinct Colon Crypt Branching Modes Using Interpretable Machine Learning
2025-Dec-01, Inflammatory bowel diseases
IF:4.5Q1
DOI:10.1093/ibd/izaf230
PMID:41157897
|
研究论文 | 本文使用可解释的机器学习方法对结肠隐窝分支的两种模式进行定量分析 | 结合手工特征和深度学习模型，实现对结肠隐窝对称与不对称分支模式的分类，并强调模型的可解释性 | 未明确提及样本量或数据集的详细规模，可能影响模型泛化能力 | 改进炎症性肠病亚型的定量描述和组织学特征分析 | 结肠隐窝的分支模式 | 数字病理学 | 炎症性肠病 | NA | 集成模型, 深度学习模型 | 分割掩码图像 | NA | NA | NA | 平衡准确度 | NA |
| 9045 | 2026-02-18 |
Advancing Luciferase Activity and Stability beyond Directed Evolution and Rational Design through Expert Guided Deep Learning
2025-Aug-29, bioRxiv : the preprint server for biology
DOI:10.1101/2025.08.25.672183
PMID:40909496
|
研究论文 | 本研究提出了一种结合深度学习与结构引导理性设计的混合方法，以开发增强型NanoLuc荧光素酶变体，提升其热稳定性和高温活性 | 通过整合计算深度学习与结构引导理性设计，克服了传统定向进化和理性设计的局限性，有效优化了荧光素酶的稳定性-活性权衡 | 研究主要针对NanoLuc荧光素酶，其方法在其他酶类中的普适性仍需进一步验证 | 优化NanoLuc荧光素酶的热稳定性和高温活性，以改进生物成像和传感应用 | NanoLuc荧光素酶（NLuc）及其工程变体 | 机器学习 | NA | 深度学习，分子动力学模拟，蛋白质折叠研究 | 深度学习模型 | 蛋白质序列和结构数据 | 工程变体库（包括变体B.07和B.09） | NA | NA | 热稳定性增强（如50%溶解度下的温度增加），高温活性提升（如55°C下的活性百分比） | NA |
| 9046 | 2026-02-18 |
Multimodal structural MRI synthesis pipeline across age
2025-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC58623.2025.11254451
PMID:41335748
|
研究论文 | 本研究提出了一种基于深度学习的跨模态结构MRI合成模型，用于生成T1加权和T2加权磁共振成像数据，并探索了该模型在整个生命周期（从早期发育到老年）中的年龄相关效应 | 开发了一种能够整合年龄信息的跨模态MRI合成模型，覆盖从早期发育到老年的整个生命周期，这在现有研究中较为少见 | 未明确提及模型在临床环境中的验证或与其他合成方法的比较，可能缺乏广泛的泛化性评估 | 通过深度学习模型合成T1加权和T2加权MRI数据，以解决获取多模态结构MRI数据时资源密集和耗时的问题，并研究年龄对合成数据的影响 | T1加权和T2加权磁共振成像数据，针对早期发育、青年成年和老年人群 | 医学影像分析 | NA | 磁共振成像 | 深度学习模型 | 图像 | NA | NA | NA | 均方误差, 峰值信噪比 | NA |
| 9047 | 2026-02-18 |
X2Graph for Cancer Subtyping Prediction on Biological Tabular Data
2025-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC58623.2025.11253574
PMID:41336217
|
研究论文 | 提出一种名为X2Graph的新型深度学习方法，用于在小型生物表格数据上进行癌症亚型预测 | 利用外部知识（如基因相互作用）将表格数据转换为图结构，从而应用标准消息传递算法进行建模 | NA | 在数据稀缺的医疗领域，特别是癌症诊断中，提升深度学习在表格数据上的性能 | 癌症亚型预测 | 机器学习 | 癌症 | NA | 图神经网络 | 表格数据 | NA | NA | NA | NA | NA |
| 9048 | 2026-02-18 |
Online Sequential EEG Emotion Recognition with Prototypical Alignment Based Transfer Model
2025-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference
DOI:10.1109/EMBC58623.2025.11253987
PMID:41336393
|
研究论文 | 提出一种基于原型对齐迁移模型的在线序列脑电信号情绪识别方法，用于解决模型在新数据上适应性差和训练数据缺乏主体独立性的问题 | 在在线学习环境中引入跨主体迁移学习模型，通过选择性修剪和重新初始化模型参数快速适应新主体，并采用增强的领域对抗神经网络策略在迁移学习框架内对齐情感类别的原型特征 | 未明确说明模型在不同情绪类别间的泛化能力，也未讨论实时在线学习过程中的计算延迟问题 | 开发一种能够快速适应新主体且保持高准确率的在线序列脑电情绪识别方法 | 脑电信号（EEG） | 机器学习 | NA | 脑电信号采集 | 深度学习模型 | 时间序列数据（脑电信号） | SEED和SEED-IV数据集 | PyTorch, TensorFlow | 领域对抗神经网络（DANN） | 准确率 | NA |
| 9049 | 2026-02-18 |
Silencer variants are key drivers of gene upregulation in Alzheimer's disease
2025-Apr-08, medRxiv : the preprint server for health sciences
DOI:10.1101/2025.04.07.25325386
PMID:40297423
|
研究论文 | 本研究开发了一个深度学习框架，结合表观基因组数据来评估阿尔茨海默病相关非编码变异在背外侧前额叶皮层中的调控潜力，并识别了关键的沉默子变异 | 开发了一个结合bulk和单细胞表观基因组数据的深度学习框架，首次系统性地评估了非编码AD变异在特定脑区和细胞类型中的调控潜力，并成功区分了沉默子与增强子变异的不同功能类别 | 模型主要基于背外侧前额叶皮层数据，可能未完全捕捉其他脑区或疾病阶段的调控变化；预测结果与实验数据的平均相关性为0.54，仍有提升空间 | 阐明阿尔茨海默病相关非编码遗传变异的功能意义及其在疾病发病机制中的调控作用 | 阿尔茨海默病相关的非编码遗传变异、背外侧前额叶皮层及其主要细胞类型 | 机器学习 | 阿尔茨海默病 | bulk表观基因组测序、单细胞表观基因组测序 | 深度学习 | 表观基因组数据 | NA | NA | NA | 皮尔逊相关系数、方向一致性率 | NA |
| 9050 | 2026-02-18 |
Multi-convolutional neural networks for cotton disease detection using synergistic deep learning paradigm
2025, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0324293
PMID:40424461
|
研究论文 | 本文提出了一种基于多卷积神经网络和协同深度学习范式的棉花病害检测方法，旨在准确分类六种病害和健康类别 | 提出了一种结合MobileNet和VGG16特征提取的定制化StyleGAN进行合成数据生成，并采用基于StackNet的集成分类器，以解决类别不平衡和实时检测挑战 | 现有数据集大多在受控条件下获取，可能无法完全反映真实田间环境中的病害变异，且实时检测需求未在研究中充分验证 | 开发一种自动化方法，用于同时准确检测棉花作物中的多种病害，以提高产量并减少资源浪费 | 棉花作物及其六种病害（细菌性疫病、卷叶病毒、镰刀菌枯萎病、链格孢菌病、尾孢菌病、灰霉病）以及健康类别 | 计算机视觉 | 植物病害 | 深度学习 | CNN, LSTM, SVM, Random Forest | 图像 | 公开可用数据集，具体样本数量未明确说明 | TensorFlow, PyTorch, Scikit-learn | MobileNet, VGG16, StyleGAN, StackNet | 准确率 | NA |
| 9051 | 2026-02-18 |
Diagnostic performance of deep learning for infectious keratitis: a systematic review and meta-analysis
2024-Nov, EClinicalMedicine
IF:9.6Q1
DOI:10.1016/j.eclinm.2024.102887
PMID:39469534
|
系统综述与荟萃分析 | 本文通过系统综述和荟萃分析评估了深度学习在感染性角膜炎诊断中的准确性及其与眼科医生的比较性能 | 首次对深度学习在感染性角膜炎诊断中的性能进行全面系统综述和荟萃分析，并直接与眼科医生的诊断准确性进行比较 | 分析基于图像，未考虑个体内潜在相关性；研究人群相对同质；缺乏深度学习阈值的预先设定；外部验证有限 | 评估深度学习在感染性角膜炎诊断中的准确性，并比较其与眼科医生的诊断性能 | 感染性角膜炎 | 数字病理学 | 感染性角膜炎 | 深度学习 | 深度学习模型 | 角膜图像 | 136,401张角膜图像，来自超过56,011名患者 | NA | NA | 灵敏度, 特异性 | NA |
| 9052 | 2026-02-18 |
YeastMate: neural network-assisted segmentation of mating and budding events in Saccharomyces cerevisiae
2022-04-28, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btac107
PMID:35179572
|
研究论文 | 本文介绍了YeastMate，一个基于深度学习的用户友好应用程序，用于自动检测和分割显微镜图像中的酿酒酵母细胞及其交配和出芽事件 | 在Mask R-CNN基础上，通过自定义分割头对生命周期转换中的母细胞和子细胞进行子分类，并提供了Python库、独立图形用户界面应用程序和Fiji插件等多种易用前端 | NA | 开发一个自动化工具，用于检测和分割酿酒酵母细胞及其生命周期事件 | 酿酒酵母细胞及其交配和出芽事件 | 计算机视觉 | NA | 显微镜成像 | CNN | 图像 | NA | PyTorch | Mask R-CNN | NA | NA |
| 9053 | 2026-02-17 |
SpectralFlow: an integrated platform for spectral data preprocessing and predictive modeling analysis in fruit quality evaluation
2026-Feb-16, The Analyst
DOI:10.1039/d5an00794a
PMID:41283740
|
研究论文 | 本文介绍了一个名为SpectralFlow的集成平台，用于光谱数据预处理和水果质量评估中的预测建模分析 | 开发了一个集成交互式光谱数据提取与预处理、内置模型库、自定义模型训练、数据集管理和可视化功能于一体的软件平台，解决了现有软件仅支持简单机器学习模型、缺乏复杂超参数调优和先进深度学习架构支持，以及对高光谱图像特征提取功能有限的问题 | NA | 开发一个集成平台以降低光谱分析的技术门槛，优化光谱数据分析并简化模型训练过程 | 水果（芒果、苹果、猕猴桃、梨）的质量评估 | 机器学习 | NA | 近红外光谱，高光谱成像 | NA | 光谱数据，高光谱图像 | NA | NA | NA | 准确率，R平方值 | NA |
| 9054 | 2026-02-17 |
Magnetic resonance imaging-based proton dose calculation for pelvic tumors using deep learning
2026-Feb-16, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ae399c
PMID:41544379
|
研究论文 | 本研究探讨了两种基于深度学习的MRI-only质子剂量计算流程在盆腔肿瘤治疗中的可行性和鲁棒性 | 提出了两种全深度学习流程，包括两步法和直接法，用于从MRI直接预测质子剂量分布，并评估其对MRI强度畸变的鲁棒性 | 直接预测流程在治疗计划层面的平均相对误差较高，信息利用效率有待改进 | 研究基于MRI的质子剂量计算在盆腔区域的可行性 | 盆腔肿瘤患者 | 医学影像分析 | 盆腔肿瘤 | 磁共振成像，蒙特卡洛模拟 | 深度学习 | MRI图像，CT图像 | 120名盆腔患者的MRI-CT配对数据 | NA | NA | 伽马通过率，平均相对误差 | NA |
| 9055 | 2026-02-17 |
3D deep-learning radiomics from MR-T2WI for predicting placenta accreta spectrum disorders: A multicenter study
2026-Feb-16, International journal of gynaecology and obstetrics: the official organ of the International Federation of Gynaecology and Obstetrics
DOI:10.1002/ijgo.70874
PMID:41696788
|
研究论文 | 本研究开发了一种基于MR-T2WI的三维深度学习放射组学模型，用于预测胎盘植入谱系疾病的风险 | 首次结合三维深度学习与放射组学特征，通过多中心数据验证，显著超越传统放射组学、临床模型及放射科医生的诊断准确性 | 研究为回顾性设计，可能存在选择偏倚；模型性能在外部测试集上略有下降 | 预测胎盘植入谱系疾病的风险 | 疑似胎盘植入谱系疾病的患者 | 数字病理学 | 胎盘植入谱系疾病 | 磁共振成像 | 深度学习 | 三维医学图像 | 601例疑似病例（中心A 476例，中心B 63例，中心C 62例） | PyTorch | ResNet50, DenseNet121, ShuffleNet | AUC | NA |
| 9056 | 2026-02-17 |
Deep learning-based object detection of dental implant systems in panoramic and periapical radiographs
2026-Feb-14, The Journal of prosthetic dentistry
IF:4.3Q1
DOI:10.1016/j.prosdent.2026.01.029
PMID:41692618
|
研究论文 | 本研究开发并评估了一种基于深度学习的模型，用于在口腔全景X光片和根尖周X光片中自动识别7种牙种植体系统，旨在提高诊断效率并支持修复治疗的临床决策 | 首次将YOLOv10架构应用于牙种植体系统的自动检测，通过多尺度特征融合优化实时检测性能，并利用迁移学习处理类别不平衡问题 | 数据集存在类别不平衡问题（如Nobel种植体样本较少），且模型性能可能受到类似放射密度模式的影响，未来需要结合3D成像和异质数据集进行改进 | 开发自动化工具以解决牙种植体系统手动识别耗时、依赖操作者且易出错的问题，提升修复治疗的临床决策支持 | 7种牙种植体系统（Adin, Dentium, Dionavi, Make It Simple (MIS), Nobel, Noris, Osstem）在口腔X光片中的检测 | 计算机视觉 | NA | X光成像（全景和根尖周放射影像） | CNN | 图像 | 4677张匿名X光图像，包含8189个种植体 | PyTorch | YOLOv10, CSPDarknet, PANet | 精确率, 召回率, F1分数, 平均精度均值(mAP) | NVIDIA T4 GPU |
| 9057 | 2026-02-17 |
Identification of a type 1 diabetes-associated T cell receptor repertoire signature from the human peripheral blood
2026-Feb-13, Science advances
IF:11.7Q1
DOI:10.1126/sciadv.adx7448
PMID:41686902
|
研究论文 | 本研究通过分析2250名参与者的T细胞受体β链序列，结合深度学习识别出与1型糖尿病相关的TCR基序，揭示了HLA风险等位基因对TCR库的限制作用 | 首次在大规模跨队列研究中，利用深度学习识别出T1D相关的TCR基序，并验证其在胰腺引流淋巴结中的存在，为基于TCR的诊断和治疗提供了新思路 | 研究为横断面设计，无法确定TCR基序与疾病进展的因果关系；样本主要来自外周血，可能未完全反映局部免疫反应 | 识别与1型糖尿病相关的T细胞受体特征，探索HLA等位基因对TCR库的影响 | 2250名HLA分型的参与者，包括1型糖尿病患者、健康相关及无关对照 | 机器学习 | 1型糖尿病 | T细胞受体β链测序 | 深度学习 | 序列数据 | 2250名参与者 | NA | NA | NA | NA |
| 9058 | 2026-02-17 |
eccDNA2Ca: an ensemble deep learning framework for interpretable prediction of cancer-associated extrachromosomal circular DNA
2026-Feb-12, Journal of advanced research
IF:11.4Q1
DOI:10.1016/j.jare.2026.02.014
PMID:41687774
|
研究论文 | 本研究开发了一个名为eccDNA2Ca的可解释集成深度学习框架，用于直接从原始序列预测与癌症相关的染色体外环状DNA | 首次提出一个专门设计用于基于序列特征优先考虑癌症相关eccDNA的可解释、公开可用的计算框架，整合了XGBoost与深度神经网络（CNN和LSTM） | 未明确提及具体局限性 | 预测与癌症相关的染色体外环状DNA（eccDNA），并评估其功能或临床意义 | 人类染色体外环状DNA（eccDNA） | 机器学习 | 癌症 | NA | XGBoost, CNN, LSTM | 序列 | 来自21项研究的465个经实验验证的人类eccDNA，涵盖16种癌症类型 | XGBoost, TensorFlow或PyTorch（未明确指定，但基于深度学习框架） | 集成框架（XGBoost, CNN, LSTM） | AUC, AUPR | NA |
| 9059 | 2026-02-17 |
Retinal Biomarkers for Cardiovascular Disease Prediction: A Review Focused on CHD AHD Valvular Disorders and Cardiomyopathies
2026-Feb-12, Current cardiology reviews
IF:2.4Q2
|
综述 | 本文综述了利用视网膜眼底成像作为非侵入性生物标志物预测心血管疾病（特别是先天性心脏病、获得性心脏病、瓣膜病和心肌病）的研究进展 | 系统性地聚焦于视网膜眼底成像在结构性心脏病预测中的应用，并探讨了深度学习、机器学习模型（包括新兴的Transformer和SAM模型）在此领域的潜力 | 数据集不平衡、纵向验证有限、AI模型的黑箱性质以及不同研究间性能比较的挑战 | 评估视网膜成像作为心血管疾病预测工具的可行性与准确性 | 先天性心脏病、获得性心脏病、瓣膜病和心肌病患者 | 数字病理学 | 心血管疾病 | 视网膜眼底成像 | 深度学习, 机器学习 | 图像 | NA | NA | 卷积神经网络, Transformer, Segment Anything Model | AUC, 敏感性 | NA |
| 9060 | 2026-02-17 |
Integrative profiling of condensation-prone RNAs during early development
2026-Feb-11, Cell genomics
IF:11.1Q1
DOI:10.1016/j.xgen.2025.101065
PMID:41265448
|
研究论文 | 本研究通过整合转录组学分析，识别了一类在早期发育中易于凝聚的RNA，并利用可解释深度学习框架揭示了其序列特征与相分离的关联 | 首次识别并命名了一类新型发育凝聚倾向RNA（smOOPs），并利用可解释深度学习框架系统揭示了其序列组成、折叠特性及RNA结合蛋白结合模式在相分离中的作用 | 研究主要关注早期发育阶段，其他发育阶段或病理条件下的适用性尚未验证；深度学习模型的可解释性虽被强调，但具体生物学机制仍需进一步实验验证 | 探究RNA特征如何影响生物分子凝聚体的形成，特别是在早期发育过程中的作用 | 早期发育过程中易于凝聚的RNA（smOOPs）及其编码的蛋白质 | 机器学习 | NA | 转录组学分析 | 深度学习 | RNA序列数据 | NA | NA | NA | NA | NA |