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 43911 篇文献，本页显示第 941 - 960 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 941 | 2026-04-24 |
Clinician-deployable deep hypergraph model integrating clinical and CT radiomics predicts immunotherapy outcomes in NSCLC
2026-Apr, PLOS digital health
DOI:10.1371/journal.pdig.0001361
PMID:42008547
|
研究论文 | 开发并验证一种临床医生可操作的深度超图模型，整合临床数据和CT影像组学，预测非小细胞肺癌免疫治疗疗效 | 首次提出临床医生可在标准CPU硬件上运行的深度超图模型，通过成对关联编码器和影像组学特征融合，实现比现有深度学习模型更高的预测性能，并显著降低临床部署复杂度 | 未提及模型在不同种族、不同治疗方案的泛化性，且超图结构可能对缺失数据敏感，需进一步验证 | 开发一种临床医生可操作的预后模型，整合临床和影像数据，在标准CPU硬件上预测NSCLC免疫治疗疗效 | 接受免疫治疗的非小细胞肺癌患者 | 机器学习, 数字病理 | 肺癌 | 影像组学 | 超图神经网络 | 图像, 临床数据 | 1379名非小细胞肺癌患者（来自五家中国医院和纪念斯隆凯特琳癌症中心） | PyTorch | Deep Hypergraph for NSCLC (DHGN) | C指数, 风险比 | 标准CPU硬件（无需GPU） |
| 942 | 2026-04-24 |
Application of Digital Medicine to the Diagnosis and Treatment of Head and Neck Tumors
2026-Apr, Cancer reports (Hoboken, N.J.)
DOI:10.1002/cnr2.70556
PMID:42019980
|
综述 | 总结数字医学在头颈肿瘤诊断、治疗及预后评估中的应用现状 | 系统梳理数字影像、人工智能和3D打印等数字医学技术在头颈肿瘤领域的综合应用，并指出当前研究局限 | 当前研究存在局限性，但具体内容未详细说明 | 概述数字医学在头颈肿瘤诊疗中的应用进展，推动早期诊断和个性化治疗 | 头颈肿瘤的诊断、治疗及预后评估相关数字医学技术 | 数字医学 | 头颈肿瘤 | 数字影像（CT、MRI、超声）、人工智能、3D打印 | 深度学习模型 | 医学影像 | NA | NA | NA | NA | NA |
| 943 | 2026-04-24 |
Enhancing liver fibrosis measurement: Deep learning and uncertainty analysis across multi-center cohorts
2026-Apr, Journal of pathology informatics
DOI:10.1016/j.jpi.2026.100653
PMID:42023068
|
研究论文 | 通过深度学习和不确定性分析增强肝纤维化测量，解决多中心队列中染色差异对量化结果影响的问题 | 提出基于U-Net集成的预测不确定性量化方法，直接通过模型输出评估预测置信度，增强多中心数据集纤维化测量的可靠性和可解释性 | 未提及具体限制 | 评估染色变异性对自动纤维化量化和模型不确定性的影响，提高多中心数字病理工作流程的可信度和可重复性 | 来自4个独立队列（超过20个临床中心）的686个PicroSirius Red染色的肝脏活检样本 | 数字病理 | 肝纤维化 | 数字病理, PicroSirius Red染色 | U-Net集成 | 图像 | 686个肝脏活检样本（来自4个独立队列） | NA | U-Net | Dice系数，表型不确定性值 | NA |
| 944 | 2026-04-24 |
Leveraging Co-Occurrence to Improve Deep Learning Photo-Identification in Social Animals
2026-Apr, Ecology and evolution
IF:2.3Q2
DOI:10.1002/ece3.73552
PMID:42023405
|
研究论文 | 提出一种利用社会共现信息改进深度学习照片识别的方法，可应用于社会性动物的个体识别 | 模型无关的相遇级别识别程序，通过将社会背景作为可部署概率组件进行log线性融合，无需重新训练或修改图像模型 | 依赖历史共现结构，在相遇环境被破坏时效果下降，且需要一定训练历史积累 | 提高社会性动物照片识别中深度学习匹配的准确性，利用群体共现信息 | 西海岸虎鲸（Bigg's killer whales）的长期照片识别数据集 | 计算机视觉 | NA | NA | NA（模型无关方法） | 图像 | 西海岸虎鲸长期照片识别数据集（含相遇结构信息） | NA | NA | Top-1误差、Macro-F1 | 轻量级后处理，计算开销极小 |
| 945 | 2026-04-24 |
Spectrogram-derived graphs and inductive learning for multi-label avian vocalization detection in field recordings
2026-Apr-01, The Journal of the Acoustical Society of America
IF:2.1Q1
DOI:10.1121/10.0043592
PMID:42023944
|
研究论文 | 提出一种利用归纳式空间几何深度学习网络从野外录音中检测多种鸟类发声的方法 | 首次将归纳式图神经网络（GraphSAGE和GAT）与梅尔谱图结合用于多标签鸟类声学检测，并引入SpecAugment数据增强提升鲁棒性 | NA | 从野外录音中高效检测多种鸟类发声的多标签分类任务 | 鸟类发声的野外录音 | 机器学习 | NA | NA | 图神经网络 | 音频 | Xeno-canto鸟类声音数据库 | PyTorch | GraphSAGE, GAT, Deep CNN, AudioProtoPNet-20 | 宏F1分数 | NA |
| 946 | 2026-04-24 |
[Advances in the Application of Artificial Intelligence in Clinical Microbiological Testing]
2026-Mar-20, Sichuan da xue xue bao. Yi xue ban = Journal of Sichuan University. Medical science edition
DOI:10.12182/20260360501
PMID:42021875
|
综述 | 系统回顾人工智能在临床微生物检测中的应用进展，涵盖视觉与非视觉数据的分析方法及算法前沿 | 系统整合深度学习在显微图像分析与多组学数据（基因组、转录组、宏基因组）中的应用突破，并探讨从科研向临床转化的关键挑战 | 仍处于从科学研究向临床实践转化的早期阶段 | 综述人工智能提升临床微生物检测效果（病原体识别、药敏预测、实验室自动化）的现状与趋势 | 临床微生物检测中的视觉数据（显微图像、菌落形态）与非视觉数据（基因组学、转录组学、宏基因组学等多组学数据） | 机器学习 | NA | NA | 深度学习 | 图像、文本 | NA | NA | NA | 识别效率、诊断准确度 | NA |
| 947 | 2026-04-24 |
Deep learning for Evaluation and Prediction of TecHnical Skills in robotic-assisted vaginal cuff closure study
2026-Mar-19, American journal of obstetrics and gynecology
IF:8.7Q1
DOI:10.1016/j.ajog.2026.03.015
PMID:41864316
|
研究论文 | 开发基于深度学习的模型，通过细粒度分析预测机器人辅助子宫切除术中阴道袖口缝合的技术错误和通用手术技能 | 提出三种深度学习流水线（手术视频错误检测、少样本手术技能评估和多模态学习），首次在阴道袖口关闭视频中实现帧级错误检测和客观技能评分 | 数据集规模有限，仍需要更大规模的多中心数据集 | 开发基于细粒度分析的深度学习模型，预测机器人辅助阴道袖口关闭中的技术错误和通用手术技能 | 2023-2025年间多中心前瞻性队列研究中采集的机器人辅助全子宫切除术视频 | 计算机视觉 | 妇科手术 | 手术视频录制 | CNN, 时间建模模型 | 视频 | 来自2个中心的40段视频（667分钟，1,201,654帧），涉及11名外科医生（3名初学者、5名中级、3名专家） | NA | 时间建模网络, 少样本学习模型, 多模态学习模型 | 准确率, F1分数, 皮尔逊相关系数, 平均绝对误差 | NA |
| 948 | 2026-04-24 |
Prediction of Bandgap and Key Feature Analysis of Lead-Free Double Perovskite Oxides Based on Deep Learning
2026-Mar-19, Molecules (Basel, Switzerland)
DOI:10.3390/molecules31061032
PMID:41900131
|
研究论文 | 基于深度学习方法预测无铅双钙钛矿氧化物的带隙并分析关键特征 | 系统比较了MLP、深度集成学习、PINN和Transformer四种模型在中规模结构化特征预测中的表现，并利用SHAP方法分析特征重要性，揭示电子结构描述符为关键影响因子 | MLP对含硅和镁等元素的中高带隙系统泛化能力有限 | 实现无铅双钙钛矿带隙的高精度预测与机制解释，为材料设计提供理论支撑 | 无铅双钙钛矿氧化物的带隙 | 机器学习 | NA | 密度泛函理论计算（数据来源） | MLP, 深度集成学习, PINN, Transformer | 结构化数值数据 | 2367个有效数据集 | NA | MLP, 深度集成学习, PINN, Transformer | R值, MAE, MSE, RMSE | NA |
| 949 | 2026-04-24 |
MM-WAE: Multimodal Wasserstein Autoencoders for Semi-Supervised Wafer Map Defect Recognition
2026-Mar-18, Micromachines
IF:3.0Q2
DOI:10.3390/mi17030367
PMID:41900253
|
研究论文 | 提出一种基于多模态Wasserstein自编码器的半监督晶圆图缺陷识别方法 | 构建空间、频率和纹理三个并行特征分支，利用多头注意力机制和门控机制进行自适应多模态融合；引入Wasserstein自编码器并用最大平均差异损失正则化潜空间分布；结合逆类别频率加权交叉熵损失和模态一致性损失，实现半监督学习下的重构与分类联合优化 | 未提及模型在极不平衡数据或新缺陷类型上的泛化能力，也未报告计算资源需求或推理速度 | 解决晶圆图缺陷识别中标签稀缺、长尾分布和特征表示有限导致的性能下降问题 | 晶圆图缺陷模式 | 计算机视觉 | NA | 晶圆图成像 | Wasserstein自编码器、多头注意力机制 | 晶圆图图像 | NA | PyTorch | Wasserstein自编码器 | 准确率、鲁棒性 | NA |
| 950 | 2026-04-24 |
Yixin Yangshen Granules Target HIF-1 Signaling to Modulate the Neuroimmune Microenvironment in Alzheimer's Disease: Insights from Integrative Multi-Omics and Deep Learning
2026-Mar-18, Pharmaceuticals (Basel, Switzerland)
DOI:10.3390/ph19030502
PMID:41901348
|
研究论文 | 本研究整合多组学和深度学习技术，阐明益心养肾颗粒通过调节HIF-1信号通路改善阿尔茨海默病神经免疫微环境的机制 | 首次结合单细胞RNA测序、多组学分析和深度学习框架DTIAM，系统揭示益心养肾颗粒通过HIF-1和AGE-RAGE通路的多靶点调控机制，并识别灵芝内酯A为关键活性成分 | 主要基于Aβ诱导的小鼠模型和体外细胞实验，缺乏人体临床试验验证；多组学整合和深度学习的预测结果需进一步的药理实验佐证 | 阐明益心养肾颗粒治疗阿尔茨海默病的多靶点机制，重点关注神经免疫微环境的调节 | 阿尔茨海默病患者海马组织snRNA-seq数据、Aβ诱导的HT22细胞和小鼠模型 | 机器学习 | 阿尔茨海默病 | snRNA-seq、UPLC-QTOF-MS、转录组测序、蛋白质组学、分子对接、分子动力学模拟 | 深度学习框架DTIAM | 基因表达数据、蛋白质组数据、分子对接数据 | 公开人类AD海马snRNA-seq数据集（具体数量未说明）；Aβ诱导的小鼠模型（具体数量未说明） | DTIAM | DTIAM | NA | NA |
| 951 | 2026-03-18 |
Deep learning-based non-invasive prediction of axillary lymph node metastasis in breast cancer: performance of the YOLO-v11 object detection algorithm
2026-Mar-16, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-026-02289-0
PMID:41840500
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 952 | 2026-03-18 |
Explainable tabular deep learning models for antenatal cesarean delivery prediction in multiparous women
2026-Mar-16, BMC pregnancy and childbirth
IF:2.8Q1
DOI:10.1186/s12884-026-08934-4
PMID:41840520
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 953 | 2026-04-24 |
Integrating phenotypic information of obstructive sleep apnea and deep representation of sleep-event sequences for cardiovascular risk prediction
2026-Mar-16, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-026-03439-8
PMID:41840572
|
研究论文 | 整合阻塞性睡眠呼吸暂停表型信息与睡眠事件序列的深度表示，用于心血管风险预测 | 提出表型对比深度学习模型，将OSA表型信息与夜间睡眠事件特征序列的深度表示相结合，并通过SHAP分析增强模型可解释性 | 未提及具体限制，但可能包括样本来自单一数据集（MESA），年龄范围较窄等 | 探索整合OSA表型信息和夜间生理信息以精确预测心血管不良结局的有效策略，并识别一般人群和OSA人群中最重要的风险因素 | 1874名无心血管疾病史的参与者（年龄54-94岁） | 机器学习 | 阻塞性睡眠呼吸暂停与心血管疾病 | NA | 深度学习模型（表型对比模型） | 临床数据、睡眠事件序列特征 | 1874名参与者 | NA | NA | AUROC, AUPRC | NA |
| 954 | 2026-03-18 |
TLScope: a deep learning framework for quantifying tertiary lymphoid structures from H&E images reveals prognostic heterogeneity across breast cancer subtypes
2026-Mar-16, Breast cancer research : BCR
IF:6.1Q1
DOI:10.1186/s13058-026-02241-8
PMID:41840700
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 955 | 2026-04-24 |
scCAPReSE: detection of large-scale genomic rearrangements from single-cell Hi-C based on few-shot learning
2026-Mar-16, Genomics & informatics
DOI:10.1186/s44342-026-00069-4
PMID:41840705
|
研究论文 | 提出scCAPReSE框架，利用少样本学习从单细胞Hi-C数据中检测大规模基因组重排 | 基于预训练的CLIP图像基础模型进行迁移学习，仅需少量训练样本即可高效分类单细胞Hi-C中的结构变异模式 | 方法依赖于预训练基础模型，且仅使用一种癌细胞系的数据进行训练，可能限制了泛化性 | 实现单细胞分辨率下大规模结构变异的准确检测，以解析癌症克隆异质性 | 单细胞Hi-C数据中的结构变异模式 | 机器学习 | 慢性粒细胞白血病 | sc-nanoHi-C, sci-Hi-C | 少样本学习框架 | 单细胞Hi-C接触图谱 | K562细胞系的单细胞Hi-C数据 | PyTorch | CLIP | 分类准确率 | NA |
| 956 | 2026-04-24 |
Understanding Conformational Transition of Macrocyclic Peptides through Deep Learning
2026-Mar-15, bioRxiv : the preprint server for biology
DOI:10.64898/2026.03.12.711417
PMID:41959345
|
研究论文 | 介绍ICoN-v1深度学习模型，用于理解大环肽的构象转变，通过分析构象动态和最小能量路径来提供机制洞察 | ICoN-v1能识别瞬态构象和所有扭转旋转，生成训练数据中不存在的平滑转变路径，展现强大的泛化能力 | NA | 通过深度学习模型理解大环肽的构象转变机制，以指导分子设计和药物发现 | 大环肽的分子构象和构象动态 | 机器学习 | NA | 分子动力学模拟，深度学习 | 深度学习模型（ICoN-v1） | 分子动力学模拟数据 | NA | NA | Internal Coordinate Net (ICoN-v1) | NA | NA |
| 957 | 2026-03-15 |
The result prediction of fluorescence in situ hybridization for breast cancer patients based on machine learning and deep learning models: a multicenter study
2026-Mar-13, Cancer imaging : the official publication of the International Cancer Imaging Society
IF:3.5Q1
DOI:10.1186/s40644-026-01015-x
PMID:41827086
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 958 | 2026-04-24 |
Artificial Intelligence for Microbial Isolation and Cultivation: Progress and Challenges
2026-Mar-13, Microorganisms
IF:4.1Q2
DOI:10.3390/microorganisms14030654
PMID:41900412
|
综述 | 回顾过去三十年人工智能技术在微生物分离与培养中的发展，提出五阶段框架并分析各阶段如何解决微生物学核心挑战 | 首次从微生物资源发现视角系统综述AI技术发展历程，提出从1997年至今的五阶段演进框架，揭示方法从经验驱动向数据驱动、单目标向系统集成、被动筛选向主动设计的转变趋势 | 未提供AI方法的具体性能比较或定量评估，缺乏对不同技术优劣的深入讨论 | 系统分析AI技术在微生物分离与培养领域的发展现状、阶段特征及其对微生物资源发现的影响 | 近三十年AI技术在微生物分离与培养中的应用研究 | 机器学习 | NA | NA | 深度学习 | NA | NA | NA | NA | NA | NA |
| 959 | 2026-04-24 |
MultiScaleWave: a wavelet-based multiscale framework for univariate time series forecasting
2026-Mar-12, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-42317-1
PMID:41820434
|
研究论文 | 提出一种基于小波变换的多尺度深度学习框架MultiScaleWave，用于单变量时间序列预测 | 采用多级离散小波变换将时间序列分解为多尺度时间成分，并通过粒度自适应模块分别建模后融合生成预测表示 | NA | 解决真实世界时间序列数据中噪声、非平稳性和多尺度时间依赖性问题，提高预测性能 | 单变量时间序列数据 | 机器学习 | NA | 离散小波变换 | 深度学习框架 | 时间序列数值数据 | 基准数据集（具体数量未说明） | NA | MultiScaleWave | 与竞争基线相比表现出优越性能（具体指标未说明） | NA |
| 960 | 2026-04-24 |
Predictive modeling for early diagnosis of dementia using sequential data analysis and data mining
2026-Mar-12, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-43382-2
PMID:41820458
|
研究论文 | 提出一种名为TCBiNet的深度学习框架，利用时序临床数据对痴呆症进行早期诊断预测 | 将时序卷积网络（TCN）、双向长短期记忆网络（BiLSTM）和时间注意力机制整合，同时捕捉局部化趋势、双向时序分析和关键症状区间，显著提升了预测准确性和可解释性 | 未提及外部验证或真实临床环境下的性能表现，数据为单中心回顾性研究，可能缺乏泛化性 | 开发一种基于时序数据分析的痴呆症早期诊断预测模型，克服传统方法忽略疾病进展动态性的局限 | 收集2149名60-90岁患者的纵向临床数据，包括认知、行为和功能指标，并切分为30天间隔的时序数据 | 机器学习, 数字病理学 | 痴呆症 | 未提及具体测序技术 | 深度学习 | 时序数据 | 2149名患者，年龄60-90岁 | TensorFlow | TCN, BiLSTM, 时间注意力机制 | 准确率, F1分数, AUC-ROC | 未提及 |