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 9201 - 9220 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 9201 | 2026-02-15 |
Protein design and RNA design: Perspectives
2026-Jun, Quantitative biology (Beijing, China)
DOI:10.1002/qub2.70029
PMID:41675592
|
综述 | 本文综述了深度学习和生成模型在蛋白质与RNA设计领域的最新进展，强调了其在创造具有定制结构和功能的新型生物分子方面的应用潜力 | 整合了蛋白质与RNA设计的生成式深度学习框架，支持前所未有的精确度进行骨架生成、序列优化及序列-结构协同设计，并展望了统一建模、大规模采样和自动化实验管道的新时代 | 模型泛化能力和实验验证方面仍存在挑战 | 探讨深度学习和生成模型如何推动蛋白质与RNA设计领域的发展，以加速可编程生物系统和下一代疗法的创建 | 蛋白质和RNA生物分子 | 机器学习 | NA | 深度学习, 生成建模 | 生成模型 | 序列数据, 结构数据 | NA | NA | NA | NA | NA |
| 9202 | 2026-02-15 |
A deep learning mobile application for tomato leaf nutrition deficiency identification with YOLOv8 and enhanced augmentation
2026-Mar, Plant science : an international journal of experimental plant biology
IF:4.2Q1
DOI:10.1016/j.plantsci.2026.112973
PMID:41506476
|
研究论文 | 本研究提出了一种基于YOLOv8和增强数据增广的深度学习移动应用，用于番茄叶片营养缺乏的识别 | 结合了最新的YOLOv8目标检测模型与分层数据增广方案，并开发了Android移动应用以实现实时检测 | 未明确说明模型在复杂田间环境或不同光照条件下的泛化能力，也未提及与其他先进模型的全面对比 | 实现番茄叶片营养缺乏的早期、准确检测，以支持精准农业中的及时干预 | 番茄叶片 | 计算机视觉 | NA | 深度学习目标检测 | YOLOv8 | 图像 | NA | NA | YOLOv8 | mAP@0.50, mAP@0.50-0.95, 准确率, 精确率, 召回率, F1分数 | NA |
| 9203 | 2026-02-15 |
AlphaMissense pathogenicity scores predict response to immunotherapy and enhances the predictive capability of tumor mutation burden
2026-Mar, Translational oncology
IF:4.5Q1
DOI:10.1016/j.tranon.2026.102697
PMID:41637811
|
研究论文 | 本研究提出了一种名为AlphaTMB的复合生物标志物，结合了肿瘤突变负荷（TMB）和AlphaMissense深度学习模型预测的错义变异致病性评分，以改善癌症患者对免疫检查点抑制剂（ICI）治疗的生存预测 | 首次将TMB与基于深度学习的错义变异致病性评分（AlphaMissense）相结合，创建了AlphaTMB复合生物标志物，显著提升了免疫治疗反应的预测能力，并能够重新分类TMB边界病例 | 研究基于回顾性队列（MSK-IMPACT研究），需要在前瞻性研究中进一步验证；样本量相对有限（1,662例患者） | 开发一种改进的生物标志物，以更准确地预测癌症患者对免疫检查点抑制剂（ICI）治疗的反应和生存结局 | 接受免疫检查点抑制剂（ICI）治疗的泛癌患者队列 | 机器学习 | 癌症 | 深度学习模型预测错义变异致病性 | 深度学习模型 | 基因组测序数据（错义变异） | 1,662例来自MSK-IMPACT研究的患者 | NA | AlphaMissense | 风险比（HR）, p值, Spearman相关系数（ρ） | NA |
| 9204 | 2026-02-15 |
BiGraph-DTA: Predicting drug-target interactions of hepatoprotective agents with graph convolutional networks
2026-Mar, Quantitative biology (Beijing, China)
DOI:10.1002/qub2.70022
PMID:41676328
|
研究论文 | 本研究提出了一种名为BiGraph-DTA的新预测模型，用于预测肝保护剂与靶标之间的亲和力，结合了图卷积网络和双向长短期记忆网络 | 通过结合图卷积网络和双向长短期记忆网络，同时处理分子结构的图表示和蛋白质序列的序列信息，以捕获复杂的依赖关系和相互作用 | 未明确提及模型的局限性 | 预测肝保护剂与靶标之间的亲和力，以加速肝保护疗法的药物发现过程 | 肝保护剂化合物及其对应的蛋白质靶标 | 机器学习 | 肝病 | NA | 图卷积网络, 双向长短期记忆网络 | 分子结构图, 蛋白质序列 | 21,421个相互作用 | NA | BiGraph-DTA | 均方误差, 皮尔逊相关系数, 一致性指数 | NA |
| 9205 | 2026-02-15 |
[Development of a deep learning model for predicting adverse cardiovascular events in patients with acute coronary syndrome based on retinal fundus images]
2026-Feb-24, Zhonghua xin xue guan bing za zhi
|
研究论文 | 本研究开发并验证了一种基于视网膜眼底图像的深度学习模型，用于预测急性冠脉综合征患者长期不良心血管事件的风险 | 首次利用视网膜眼底图像结合深度学习模型（Inception-Resnet-V2）预测ACS患者的MACCE风险，并展示了模型的临床可解释性 | 模型在外部验证队列中的AUC为0.644，性能有待进一步提升，且研究为观察性设计，需前瞻性验证 | 开发并验证一个基于视网膜眼底图像的深度学习模型，用于预测急性冠脉综合征患者长期不良心血管事件的风险 | 急性冠脉综合征患者 | 计算机视觉 | 心血管疾病 | 视网膜眼底成像 | 深度学习 | 图像 | 4703名ACS患者（开发集1521人，外部验证集3182人） | NA | Inception-Resnet-V2 | AUC | NA |
| 9206 | 2026-02-15 |
Deep learning-assisted double strong coupling between multi-order anapoles and excitons
2026-Feb-15, Optics letters
IF:3.1Q2
DOI:10.1364/OL.584009
PMID:41686938
|
研究论文 | 本研究利用深度学习辅助设计了一种三层堆叠混合系统，实现了多阶anapole模式与激子之间的双重强耦合 | 首次通过深度学习构建神经网络来设计能同时激发一阶和二阶anapole并分别与不同材料激子实现强耦合的混合系统，实现了双重强耦合行为 | 目前仅为理论研究，尚未进行实验验证；系统设计基于特定材料组合 | 探索多阶anapole模式与多个激子之间的强耦合相互作用 | Si纳米盘、MoSe纳米盘、MoTe纳米盘构成的三层堆叠混合系统 | 机器学习 | NA | 深度学习 | 神经网络 | 理论计算数据 | NA | NA | NA | 拉比分裂能量（100.6 meV, 118.2 meV） | NA |
| 9207 | 2026-02-15 |
Medical students' mental health, quality of life, motivation, and learning approaches before, during and after COVID-19: findings from a 4-wave repeated cross-sectional survey
2026-Feb-13, Psychology, health & medicine
DOI:10.1080/13548506.2026.2623309
PMID:41686536
|
研究论文 | 本研究通过四波重复横断面调查，探讨了医学生在COVID-19疫情前、期间及后心理健康、生活质量、学术动机和学习方式的变化 | 首次在医学生中纵向比较COVID-19疫情前、期间及后的心理与学术指标变化，并揭示了学习方式通过动机中介影响心理健康的机制 | 采用横断面设计而非纵向追踪同一群体，可能限制因果推断；样本仅来自单一医学院，外部效度有限 | 探究COVID-19疫情对医学生心理健康、生活质量、学术动机和学习方式的影响，并分析动机在学习方式与心理健康间的中介作用 | 医学生 | 医学教育研究 | NA | 问卷调查 | 线性回归模型, 中介模型 | 调查问卷数据 | 1860名医学生（四波独立队列） | NA | NA | NA | NA |
| 9208 | 2026-02-15 |
A customized CNN model for signature authentication-Forensic implications
2026-Feb-13, Medicine, science, and the law
DOI:10.1177/00258024261420542
PMID:41686745
|
研究论文 | 本研究定制了一个基于深度学习的卷积神经网络模型，用于签名认证，并在包含1400个签名图像的数据集上进行了训练、验证和测试 | 通过优化CNN架构和超参数，提出了一种定制化的深度学习模型，在签名认证任务中实现了较高的准确率，优于现有方法 | 模型仅在1400个签名图像的数据集上训练和测试，样本规模相对较小，可能限制其泛化能力 | 开发一个用于签名认证的深度学习模型，以区分真实签名和伪造签名 | 签名图像，包括真实签名和伪造签名 | 计算机视觉 | NA | 深度学习，图像处理 | CNN | 图像 | 1400个签名图像（700个真实签名和700个伪造签名） | NA | 定制化的CNN架构 | 准确率, 精确率, 召回率（敏感性）, F1分数, 特异性 | NA |
| 9209 | 2026-02-15 |
Multi-class eye disease classification using deep learning EfficientNetB0 fusion techniques
2026-Feb-13, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-35357-0
PMID:41688503
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 9210 | 2026-02-15 |
Artificial Intelligence in Tuberculosis Imaging: A Global Bibliometric Analysis of Research Trends and Collaborations
2026-Feb-12, Radiography (London, England : 1995)
DOI:10.1016/j.radi.2026.103348
PMID:41687417
|
文献计量分析 | 本文通过文献计量分析，全面描绘了人工智能在结核病影像学领域的研究趋势、合作网络、技术演进和新兴热点 | 首次对人工智能驱动的结核病影像学领域进行了全面的文献计量分析，系统梳理了其出版趋势、国际合作、成像模态和技术发展历程 | 分析仅基于Web of Science和Scopus数据库的英文文献，可能遗漏其他语言或数据库的相关研究 | 旨在通过文献计量分析，揭示人工智能在结核病影像学领域的研究格局、发展趋势和未来方向 | 2000年至2025年7月期间发表的关于人工智能在结核病影像学应用的英文文章和综述 | 医学影像分析 | 结核病 | 文献计量分析 | NA | 文献元数据 | 556篇出版物 | CiteSpace, VOSviewer | NA | NA | NA |
| 9211 | 2026-02-15 |
Automatic field-of-view planning for magnetic resonance shoulder imaging using Deep Learning
2026-Feb-12, Journal of medical imaging and radiation sciences
IF:1.3Q3
DOI:10.1016/j.jmir.2026.102197
PMID:41687427
|
研究论文 | 本研究提出了一种基于深度学习的自动化方法，用于磁共振肩部成像中斜冠状面和斜矢状面视野的规划 | 首次将深度学习应用于肩部MRI斜平面视野的自动化规划，解决了该领域此前未充分探索的问题 | 研究为回顾性多中心设计，未来需要前瞻性验证以确认临床效果 | 开发自动化视野规划方法以减少人工依赖性、提高肩部MRI扫描的一致性和效率 | 肩部磁共振成像 | 计算机视觉 | NA | 磁共振成像 | YOLO | 图像 | 575例肩部MRI检查，来自四个中心 | NA | YOLOv11-OBB (n, s, m, l, x 变体) | 平均绝对切片差异, 交并比, 平均绝对角度差异 | NA |
| 9212 | 2026-02-15 |
[Expert consensus on the application of artificial intelligence in stomatology]
2026-Feb-09, Zhonghua kou qiang yi xue za zhi = Zhonghua kouqiang yixue zazhi = Chinese journal of stomatology
|
专家共识 | 本文提供了关于人工智能在口腔医学中应用的专家共识，全面概述了AI在疾病筛查、诊断辅助、治疗规划、预后预测和教育等领域的应用，并提出了数据治理、平台开发、伦理和监管方面的建议 | 通过深度学习与多模态分析，AI能高效整合锥束CT、口内扫描和电子健康记录数据，提升龋齿、牙髓病、牙周病、口腔黏膜病变及颌面创伤管理的精准度和效率，并推动组学研究、生物材料开发和实验室自动化 | 存在数据治理标准化不足、模型可解释性有限、隐私安全风险以及临床验证和监管框架不充分等挑战 | 为口腔医学从业者、医疗机构、研究者和行业利益相关者提供实用且统一的指导，促进AI在口腔医疗中的安全、规范和可持续发展 | 口腔医学领域，包括龋齿、牙髓病、牙周病、口腔黏膜病变、颌面创伤等疾病 | 数字病理 | 口腔疾病 | 深度学习，多模态分析 | NA | 图像，文本，电子健康记录 | NA | NA | NA | NA | NA |
| 9213 | 2026-02-15 |
Deep learning in detecting bucket-handle meniscal tears on knee radiographs: Comparison with surgeon interpretations
2026-Feb-01, Journal of the Chinese Medical Association : JCMA
IF:1.9Q2
DOI:10.1097/JCMA.0000000000001333
PMID:41462401
|
研究论文 | 本研究评估了深度学习模型在膝关节X光片上检测桶柄状半月板撕裂的可行性及诊断准确性，并与骨科医生的解读进行了比较 | 首次将深度学习模型应用于膝关节X光片上检测桶柄状半月板撕裂，并通过生成结合前后位和侧位视图的复合图像输入，实现了比骨科医生更高的诊断性能 | 研究样本主要来自单一机构，外部医院数据较少，可能影响模型的泛化能力；未详细说明模型的具体架构和训练细节 | 评估深度学习模型在膝关节X光片上检测桶柄状半月板撕裂的可行性及诊断准确性 | 膝关节X光片（包括前后位和侧位视图） | 计算机视觉 | 骨科疾病 | X光成像 | CNN | 图像 | 共496名患者（来自本机构的406名患者和外部医院的90名患者）的膝关节X光片 | NA | NA | AUC, 敏感性, 特异性, 阳性预测值, 阴性预测值, 精确率, F1分数 | NA |
| 9214 | 2026-02-15 |
LamNet: an alchemical-path-aware graph neural network to accelerate binding free energy calculations for drug discovery and beyond
2026-Feb, National science review
IF:16.3Q1
DOI:10.1093/nsr/nwaf559
PMID:41675646
|
研究论文 | 本文提出了一种名为LamNet的图神经网络，用于加速药物发现中的蛋白质-配体结合自由能计算 | 将端点分子状态和连接它们的炼金术路径（由λ参数化）整合到一个物理信息表示学习框架中，明确地沿着选定的热力学变换路径对自由能变化进行建模，并优化λ调度以改进传统AFEM的收敛性 | 未在摘要中明确说明 | 加速药物发现中蛋白质-配体结合自由能的准确预测 | 蛋白质-配体结合 | 机器学习 | NA | 分子动力学模拟 | 图神经网络 | 分子结构数据 | 463个配体，16种蛋白质 | NA | LamNet | 相对结合自由能，绝对结合自由能 | NA |
| 9215 | 2026-02-15 |
An Effective Approach for Recognition of Crop Diseases Using Advanced Image Processing and YOLOv8
2026-Feb, Food science & nutrition
IF:3.5Q2
DOI:10.1002/fsn3.71504
PMID:41676010
|
研究论文 | 本文提出了一种结合先进图像处理和YOLOv8深度学习模型的方法，用于作物病害的识别与分类 | 采用局部对比度增强、小波变换、Sigmoid校正、伽马校正和中值滤波等先进图像处理技术预处理图像，并结合YOLOv8模型进行分割与分类，实现了高召回率和准确率的作物病害识别 | 未明确提及模型在未见过作物或环境条件下的泛化能力，以及计算资源需求的具体评估 | 开发一种计算机辅助方法，以自动检测和分类作物病害，提升农业病害管理效率 | 番茄、咖啡、黄瓜、橄榄和小麦等亚洲重要经济作物的病害 | 计算机视觉 | 作物病害 | 图像处理技术（局部对比度增强、小波变换、Sigmoid校正、伽马校正、中值滤波） | YOLOv8 | 图像 | 包含32种病害的混合数据集，具体样本数量未明确 | NA | YOLOv8 | 召回率, 准确率, 均方误差, 峰值信噪比 | NA |
| 9216 | 2026-02-15 |
Deep learning can automate chicken tibia-breaking strength quantification to improve animal welfare
2026-Jan-30, Poultry science
IF:3.8Q1
DOI:10.1016/j.psj.2026.106549
PMID:41637790
|
研究论文 | 本文开发了一种端到端的深度学习流程，用于自动从鸡的X射线图像中分割胫骨并预测其断裂强度，以改善动物福利 | 首次提出一个自动化深度学习流程，结合U-Net分割和强度预测，实现了非侵入性、快速的鸡骨强度量化，超越了传统手动标注方法 | 模型性能虽优于手动方法，但预测与实测断裂强度的相关性仅为中等（皮尔逊相关系数0.74），且样本量有限（916张图像） | 开发一种自动化、非侵入性的方法来量化鸡胫骨断裂强度，以替代耗时的手动标注或破坏性尸检测试 | 鸡的胫骨（胫跗骨） | 计算机视觉 | NA | X射线成像 | CNN | 图像 | 916张经过筛选的鸡骨X射线图像 | NA | U-Net | Dice系数, 皮尔逊相关系数 | NA |
| 9217 | 2026-02-15 |
Integrating multi-omic QTLs and predictive models reveals regulatory architectures at immune related GWAS loci in CD4+ T cells
2026-Jan-30, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.01.27.26344979
PMID:41646693
|
研究论文 | 本研究通过整合多组学QTL数据和预测模型，揭示了CD4+ T细胞中免疫相关GWAS位点的调控架构 | 整合单细胞RNA测序和染色质可及性的分子QTL图谱，并结合基于染色质可及性数据训练的深度学习模型预测变异效应，系统性地融合了经验性和预测性方法 | 仅有一小部分经验检测到的分子QTL被预测模型发现，深度学习方法仅能解释4.7%的GWAS位点 | 解释遗传变异在复杂性状中的调控作用，特别是在免疫相关疾病中的功能机制 | 从362名捐赠者收集的CD4+ T细胞 | 计算生物学 | 免疫相关疾病 | 单细胞RNA测序, 染色质可及性分析 | 深度学习模型 | 基因组数据, 转录组数据, 表观基因组数据 | 362名捐赠者的CD4+ T细胞样本 | NA | NA | 相关性分析 | NA |
| 9218 | 2026-02-15 |
Object detection on low-compute edge SoCs: a reproducible benchmark and deployment guidelines
2026-Jan-21, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-36862-y
PMID:41565765
|
研究论文 | 本文对低功耗边缘AI SoC上的目标检测模型部署进行了全面且可复现的基准测试，提供了实用的部署指南 | 通过实际性能评估揭示了推理延迟与检测精度（mAP）的强相关性，而非仅依赖FLOPs或参数数量，并识别了硬件架构、内存带宽和系统级竞争对部署效果的关键影响 | 研究仅针对Rockchip SoC和YOLO变体，可能未覆盖所有边缘硬件或模型类型，且多任务压力测试场景可能有限 | 评估和优化深度学习目标检测模型在低功耗边缘AI SoC上的部署性能 | 九个YOLO变体模型在三种广泛使用的Rockchip SoC上的部署表现 | 计算机视觉 | NA | 深度学习目标检测 | YOLO | 图像 | NA | NA | YOLO变体 | mAP, 推理延迟, 每推理能耗 | Rockchip SoC（低功耗边缘AI芯片） |
| 9219 | 2026-02-15 |
A self attention based deep learning framework for accurate and efficient dental disease detection in OPG radiographs
2026-Jan-21, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-36672-2
PMID:41565856
|
研究论文 | 本研究提出了一种基于自注意力的深度学习框架，用于在口腔全景X光片中准确高效地检测牙齿疾病 | 首次在牙齿疾病诊断中比较了Vision Transformer和Swin Transformer两种基于Transformer的架构，并证明了其在口腔成像任务中的有效性 | 未提及具体的数据集规模、疾病类型多样性或模型泛化能力的详细评估 | 开发自动诊断系统以帮助临床医生更准确、更快速地检测口腔疾病，减少人为错误 | 口腔全景X光片中的牙齿疾病 | 计算机视觉 | 口腔疾病 | 口腔全景X光成像 | Transformer | 图像 | NA | NA | Vision Transformer, Swin Transformer | 准确率, 精确率, 召回率 | NA |
| 9220 | 2026-02-15 |
Knowledge graph enhanced cross modal generative adversarial network for martial arts motion reconstruction and heritage preservation
2026-Jan-21, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-36095-z
PMID:41565884
|
研究论文 | 本文提出了一种新颖的知识图谱增强跨模态生成对抗网络（KG-CMGAN），用于传统武术动作重建与遗产保护 | 通过整合结构化领域知识与先进深度学习架构，构建了首个端到端解决方案，将视觉、文本和序列表示相结合，实现了全面的动作重建，同时保持了风格真实性和语义意义 | NA | 保护传统武术技术，实现动作重建与文化遗产数字化保存 | 六种中国传统武术风格的动作数据 | 计算机视觉 | NA | 知识图谱构建，跨模态生成对抗网络 | GAN | 视觉，文本，序列数据 | NA | NA | 知识图谱增强跨模态生成对抗网络（KG-CMGAN） | 关节位置误差，知识一致性得分 | NA |