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 42996 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 | 2026-03-29 |
Parameter Estimation from Phylogenetic Trees Using Neural Networks and Ensemble Learning
2026-Feb-25, Systematic biology
IF:6.1Q1
DOI:10.1093/sysbio/syaf060
PMID:40899780
|
研究论文 | 本文提出了一种新的集成神经网络方法，用于从系统发育树中估计物种多样化参数 | 利用多种神经网络（密集神经网络、图神经网络和长短期记忆循环网络）的集成方法，同时从系统发育树的图表示、分支时间和汇总统计中学习，提高了参数估计的效率和准确性 | 与最大似然估计方法类似，该方法在延展的出生-死亡过程下仍无法精确恢复参数 | 估计物种多样化参数，包括物种形成和灭绝速率 | 时间校准的系统发育树 | 机器学习 | NA | 深度学习 | DNN, GNN, LSTM | 图数据、时间序列数据、汇总统计数据 | NA | NA | 密集神经网络、图神经网络、长短期记忆循环网络 | 估计速度、偏差、对树大小的敏感性 | NA |
| 942 | 2026-03-29 |
Deep models of protein evolution in time generate realistic evolutionary trajectories and functional proteins
2026-Feb-20, bioRxiv : the preprint server for biology
DOI:10.64898/2026.02.19.706898
PMID:41757065
|
研究论文 | 本文介绍了一种名为PEINT的深度学习框架，用于模拟蛋白质序列随时间演变的过程，并生成具有功能性的蛋白质 | PEINT框架突破了传统模型中位点独立演化的简化假设，能够学习位点间复杂相互作用，直接从原始序列学习插入缺失动态，并准确模拟自然进化特征 | NA | 开发一个能够模拟蛋白质真实进化轨迹并生成功能性蛋白质的深度学习模型 | 蛋白质序列及其进化过程 | 机器学习 | NA | 深度学习 | 深度学习模型 | 蛋白质序列数据 | 数百万个跨越不同折叠家族的蛋白质序列 | NA | NA | NA | NA |
| 943 | 2026-02-25 |
An open-source deep learning-based toolbox for automated auditory brainstem response analyses (ABRA)
2026-Feb-19, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-38045-1
PMID:41714716
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 944 | 2026-03-29 |
Artificial intelligence-driven nano-enhanced stem cell therapy for neurodegenerative diseases: from rational design to clinical translation
2026-Feb-19, Journal of nanobiotechnology
IF:10.6Q1
DOI:10.1186/s12951-026-04154-2
PMID:41709202
|
综述 | 本文探讨了人工智能如何指导个性化纳米增强干细胞疗法，以应对神经退行性疾病的治疗挑战 | 提出了一个整合患者特异性数据、AI驱动设计和实时监测的闭环系统，旨在推进神经退行性疾病的真正个性化医疗 | NA | 探索机器学习和深度学习如何解决干细胞疗法及纳米增强干细胞疗法中的当前挑战，并提供一个整合AI的系统性框架 | 神经退行性疾病 | 机器学习 | 神经退行性疾病 | NA | 机器学习, 深度学习 | NA | NA | NA | NA | NA | NA |
| 945 | 2026-03-29 |
AI-driven CRISPR screening: optimizing gene editing through automation and intelligent decision support
2026-Feb-19, Journal of translational medicine
IF:6.1Q1
DOI:10.1186/s12967-026-07849-0
PMID:41715150
|
综述 | 本文综述了人工智能如何通过机器学习和大型语言模型重塑CRISPR筛选，优化实验设计和分析流程 | 将人工智能整合到CRISPR筛选的整个实验生命周期中，引入预测性、适应性和系统级智能，将静态分析流程转变为智能实验系统 | NA | 探讨人工智能在优化CRISPR基因编辑筛选中的应用 | CRISPR筛选实验 | 机器学习 | NA | CRISPR基因编辑 | 机器学习, 深度学习, 大型语言模型 | NA | NA | NA | NA | NA | NA |
| 946 | 2026-03-29 |
Deep learning-based battery health prediction for enhancing electric vehicle performance
2026-Feb-19, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-39911-8
PMID:41714349
|
研究论文 | 本研究提出了一种混合深度学习框架，用于智能电动汽车电池健康诊断，以提高电池诊断的可靠性和可持续性 | 提出了一种集成了1D-CNN、TCN、LSTM层和注意力机制的混合深度学习框架，用于电池健康状态预测，在精度、推理延迟和能耗方面均优于传统基线模型 | 未明确提及 | 通过智能电池健康诊断，提升电动汽车性能，并支持可持续发展目标7（经济适用的清洁能源） | 电动汽车电池的健康状态 | 机器学习 | NA | 差分电压分析、差分电流分析、增量容量分析 | CNN, LSTM, TCN | 电池充放电循环数据 | 来自NASA PCoE、牛津和CALCE电池退化数据集的超过10,000个充放电循环 | NA | 1D-CNN, TCN, LSTM | 准确率, RMSE | NA |
| 947 | 2026-03-29 |
Pneumonia detection from enhanced chest X-Ray images based on Double SGAN model
2026-Feb-19, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-39785-w
PMID:41714360
|
研究论文 | 本研究提出了一种基于双SGAN模型和增强型胸片图像的肺炎检测深度学习诊断系统 | 创新性地提出了Double SGAN模型以解决类别不平衡问题，并在ResNet18中嵌入了空间注意力机制以聚焦肺炎诊断关键特征区域 | 研究仅使用儿科肺部图像的肺炎MNIST数据集，未涉及成人或其他类型医学影像数据 | 开发一种能够处理不平衡数据集并提高肺炎图像分类准确性和鲁棒性的深度学习诊断系统 | 儿科胸片X光图像 | 计算机视觉 | 肺炎 | 胸片X光成像 | GAN, CNN | 图像 | 肺炎MNIST数据集（具体数量未明确说明） | NA | Double SGAN, ResNet18-SA | 准确率, 精确率, 召回率, F1分数 | NA |
| 948 | 2026-03-29 |
Classification of dysphagia severity after lateral medullary infarction with deep learning
2026-Feb-19, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-40751-9
PMID:41714402
|
研究论文 | 本研究开发并验证了一种基于急性期扩散加权MRI的深度学习算法，用于对侧延髓梗死患者的吞咽困难严重程度进行分类 | 首次将基于Transformer的深度学习架构（Hierarchical Vision Transformer）应用于侧延髓梗死患者吞咽困难严重程度的MRI影像分类任务，利用了该架构建模空间层次和全局图像上下文的能力 | 模型在临床不平衡数据集中的判别能力有待提高（AUC值中等），需要进一步优化和多模态数据整合 | 开发并验证一种基于急性期MRI的深度学习算法，用于早期准确分类侧延髓梗死患者的吞咽困难严重程度，以支持及时干预和个性化康复规划 | 163例确诊为急性侧延髓梗死的患者 | 计算机视觉 | 脑血管疾病 | 扩散加权MRI | Transformer | 医学影像（MRI） | 163例患者 | NA | Hierarchical Vision Transformer (Hier-ViT) | 准确率, 精确率, 召回率, F1分数, ROC曲线下面积 | NA |
| 949 | 2026-03-29 |
The BIOPREVENT machine-learning algorithm predicts chronic graft-versus-host disease and mortality risk using posttransplant biomarkers
2026-Feb-16, The Journal of clinical investigation
IF:13.3Q1
DOI:10.1172/JCI195228
PMID:41697751
|
研究论文 | 本研究开发了一种名为BIOPREVENT的机器学习算法，利用移植后生物标志物预测慢性移植物抗宿主病和死亡率风险 | 首次结合移植后90/100天测量的7种血浆蛋白和9个临床变量，开发了能够预测cGVHD和非复发死亡率的机器学习算法，并创建了公开可用的R Shiny网络应用程序支持临床使用 | 深度学习模型未表现出优于其他机器学习方法的性能，需要进一步研究探索该算法在指导预防性治疗中的作用 | 开发机器学习算法以改善造血细胞移植后慢性移植物抗宿主病和非复发死亡率的预测准确性 | 1,310名造血细胞移植受者 | 机器学习 | 移植物抗宿主病 | 血浆蛋白测量 | CoxXGBoost, Group SCAD, Adaptive Group Lasso, Random Survival Forests, BART, 深度学习模型 | 临床变量和生物标志物数据 | 1,310名患者，分为训练集和验证集 | R | 贝叶斯加性回归树（BART）被选为最终模型 | 时间依赖性ROC曲线下面积（AUCt），校准曲线 | NA |
| 950 | 2026-03-29 |
AI accelerate the identification of druggable targets by 3D structures of proteins and compounds
2026-Feb-14, NPJ precision oncology
IF:6.8Q1
DOI:10.1038/s41698-026-01310-7
PMID:41691035
|
综述 | 本文综述了人工智能在肿瘤药物开发中的应用，特别是在靶点识别、虚拟筛选和从头分子设计方面的进展 | 系统性地总结了AI如何通过预测蛋白质三维结构、评估靶点成药性、加速虚拟筛选和从头药物设计来革新肿瘤药物开发流程 | 讨论了AI药物开发面临的主要挑战，包括数据质量、模型可解释性、计算资源限制以及伦理和监管问题 | 概述人工智能技术在加速肿瘤药物开发，特别是靶点识别和化合物筛选方面的应用与挑战 | 蛋白质三维结构、化合物库、药物-靶点相互作用、分子性质 | 机器学习 | 肿瘤 | 机器学习，深度学习 | 神经网络 | 分子结构数据，蛋白质结构数据，化学库数据 | NA | NA | NA | NA | NA |
| 951 | 2026-03-29 |
Kinic index: an artificial intelligence-driven predictive model and multitarget drug discovery framework for hepatocellular carcinoma patients
2026-Feb-14, NPJ precision oncology
IF:6.8Q1
DOI:10.1038/s41698-026-01324-1
PMID:41691080
|
研究论文 | 本研究建立了一个名为Kinic指数（KI）的人工智能预测模型，用于肝细胞癌（HCC）患者的风险分层、预后预测和多靶点药物发现 | 首次将异烟酰化（K）修饰与多组学数据整合，通过人工智能模型（KI）对HCC患者进行亚型分类，并结合GraphBAN深度学习和ADMET-AI筛选，优先针对CYP2C9和G6PD进行多靶点药物发现 | 未明确说明模型在外部验证集上的泛化能力，以及候选化合物的体内实验验证结果 | 开发一个AI驱动的预测模型和药物发现框架，以改善肝细胞癌患者的预后和治疗选择 | 肝细胞癌（HCC）患者 | 机器学习 | 肝细胞癌 | 多组学数据整合，单细胞转录组分析，空间转录组分析 | LASSO, RSF, 深度学习 | 多组学数据，转录组数据 | NA | GraphBAN, ADMET-AI | NA | 总体生存率，结合亲和力验证 | NA |
| 952 | 2026-02-15 |
Multi-institutional deep learning for GTV segmentation and survival prediction in nasopharyngeal carcinoma
2026-Feb-13, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-026-02195-5
PMID:41688962
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 953 | 2026-03-29 |
Computational frameworks for enhanced extracellular vesicle biomarker discovery
2026-Feb, Experimental & molecular medicine
DOI:10.1038/s12276-025-01622-x
PMID:41535547
|
综述 | 本文综述了利用人工智能等先进计算框架，整合多源数据资源，以加速细胞外囊泡生物标志物的发现与临床转化 | 提出结合人工智能驱动的蛋白质结构和理化性质预测，优化生物标志物候选物，确保与现有检测系统的兼容性，从而弥合发现与临床应用之间的差距 | NA | 加速细胞外囊泡生物标志物从发现到临床应用的转化，以增强精准医疗 | 细胞外囊泡生物标志物 | 机器学习 | NA | 多组学整合 | 深度学习 | 多组学数据、蛋白质定位数据、组织特异性数据、药物数据、模型系统数据、免疫数据库 | NA | NA | NA | 预测性能、生物学合理性、临床实用性 | NA |
| 954 | 2026-03-29 |
Identifying a conserved transcriptional signature of drought and salt stress in Arabidopsis thaliana through meta-analysis, consensus network analysis, and deep learning
2026-Feb-01, Genetica
IF:1.3Q4
DOI:10.1007/s10709-026-00261-y
PMID:41620995
|
研究论文 | 本研究通过整合元分析、共识网络分析和深度学习，系统识别了拟南芥在干旱和盐胁迫下的保守转录特征和关键调控基因 | 首次将元分析、共识网络分析和深度学习三种方法协同整合，构建了一个新颖的分析框架，用于稳健识别跨胁迫的保守响应基因和核心调控网络 | 研究仅基于拟南芥的转录组数据，结果在作物中的直接应用需要进一步验证；样本量相对有限（64个样本） | 理解植物对非生物胁迫（干旱和盐胁迫）的响应机制，并识别可用于工程化气候韧性作物的关键遗传靶点 | 拟南芥（Arabidopsis thaliana） | 机器学习 | NA | 转录组测序（RNA-seq） | Autoencoder, MLP | 转录组数据 | 64个样本（来自多个研究的干旱和盐胁迫条件数据集） | NA | Autoencoder, MLP | 准确率, AUC | NA |
| 955 | 2026-03-29 |
Enhancing Fluorescence Lifetime Imaging With Differential Transformer
2026-Feb, Journal of biophotonics
IF:2.0Q3
DOI:10.1002/jbio.70231
PMID:41622407
|
研究论文 | 本文提出了一种名为MFliNet的深度学习框架，用于增强荧光寿命成像，通过结合物理模型和差分Transformer架构，准确估计多指数衰减参数并校正光子到达分布中的地形畸变 | 引入MFliNet框架，首次将差分Transformer编码器-解码器架构应用于荧光寿命成像，能够联合处理时间荧光衰减和仪器响应函数输入，以校正宏观尺度下的地形畸变 | 未明确提及在更广泛或更复杂的体内成像场景中的泛化能力测试，以及计算资源需求的具体细节 | 开发一种深度学习框架，以准确估计荧光寿命成像中的多指数衰减参数，并校正由样本尺寸和表面地形引起的像素级空间变化和时间偏移 | 组织模拟体模和临床前肿瘤模型 | 计算机视觉 | 肿瘤 | 荧光寿命成像 | Transformer | 时间序列数据 | NA | NA | 差分Transformer编码器-解码器 | NA | NA |
| 956 | 2026-03-29 |
Multi-center evaluation of radiomics and deep learning to stratify malignancy risk of IPMNs
2026-Jan-12, Abdominal radiology (New York)
DOI:10.1007/s00261-025-05371-3
PMID:41524987
|
研究论文 | 本研究通过多中心评估，利用放射组学和深度学习技术对IPMNs的恶性风险进行分层 | 首次将放射组学与深度学习融合模型应用于IPMN囊肿级别的恶性风险分层，并在多中心队列中验证其可行性 | 模型性能仍需提升以满足独立临床应用需求，且仅基于T2W和T1W序列 | 开发AI模型以区分IPMNs的高危与低危病变，减少不必要的医疗程序 | IPMN（导管内乳头状黏液性肿瘤）患者 | 医学影像分析 | 胰腺癌 | MRI成像 | 深度学习模型, 放射组学模型 | MRI图像 | 359例T2加权MRI图像，来自七个中心 | NA | NA | AUC, 准确率, 加权Cohen's kappa系数 | NA |
| 957 | 2026-03-29 |
RNFL Thickness in a Population-Based Cohort: The Canadian Longitudinal Study on Aging M2M (Machine-to-Machine) Study
2026-Jan, American journal of ophthalmology
IF:4.1Q1
DOI:10.1016/j.ajo.2025.09.051
PMID:41052566
|
研究论文 | 本研究利用基于深度学习的M2M模型从眼底照片中估计视网膜神经纤维层厚度，并在加拿大老龄化纵向研究的大规模队列中评估了其与年龄、性别、种族及自我报告青光眼等因素的关联 | 首次在基于人群的大型队列研究中应用M2M深度学习模型从眼底照片估计RNFL厚度，验证了该模型在流行病学研究中进行可扩展结构评估的实用性 | 研究为横断面设计，无法确定因果关系；RNFL厚度基于模型预测而非直接OCT测量；依赖自我报告的青光眼诊断可能存在误报 | 评估加拿大老龄化纵向研究队列中与视网膜神经纤维层厚度相关的因素 | 加拿大老龄化纵向研究基线综合队列的参与者，年龄45-85岁 | 数字病理学 | 青光眼 | 眼底摄影，光学相干断层扫描 | 深度学习 | 图像 | 28,114名参与者 | NA | M2M | Pearson相关系数，回归系数 | NA |
| 958 | 2026-03-29 |
AutoGlom: software tool for segmentation and analysis of magnetic resonance images of the kidney
2026-Jan-01, American journal of physiology. Renal physiology
DOI:10.1152/ajprenal.00325.2025
PMID:41264403
|
研究论文 | 本文介绍了一款名为AutoGlom的开源软件工具，该工具集成了人工智能技术，用于肾脏三维磁共振图像的自动分割、分析和可视化 | 开发了首个开源、模块化、可扩展的肾脏MRI分析软件，集成了深度学习分割算法，并引入了新的图像质量指标（肾小球对比度）以提高可靠性，同时设计了3D打印支架实现多肾脏高通量成像 | 当前版本主要专注于形态学分割和量化，尚未扩展到体内研究或其他成像模态 | 开发标准化、可重复的肾脏磁共振图像分析工具，以加速肾脏成像生物标志物的发现 | 小鼠肾脏（离体） | 数字病理学 | 肾脏疾病 | 阳离子铁蛋白增强磁共振成像（CFE-MRI） | 深度学习 | 三维磁共振图像 | 最多可同时成像16个小鼠肾脏 | NA | NA | 肾小球对比度 | NA |
| 959 | 2026-03-29 |
Comparative Analysis of AI-based Quantification vs. Visual Rating of Enlarged Perivascular Spaces in the MESA Cohort
2025-Dec-15, AJNR. American journal of neuroradiology
DOI:10.3174/ajnr.A9129
PMID:41397892
|
研究论文 | 本研究比较了AI量化与视觉评分在评估扩大的血管周围空间（PVS）与血管风险因素及认知表现关联方面的效果 | 首次在MESA队列中系统比较AI自动量化与专家视觉评分在PVS研究中的敏感性，发现AI方法能检测到更多与血管风险因素和认知表现的关联 | 横断面研究设计无法确定因果关系，样本量相对有限（235名参与者），且仅基于单一队列 | 比较AI量化与视觉评分在识别PVS与血管风险因素及认知表现关联方面的差异 | 235名来自多民族动脉粥样硬化研究（MESA）的参与者，均接受脑部MRI检查 | 数字病理学 | 心血管疾病 | 脑部MRI（包括FLAIR序列） | 深度学习算法 | 医学影像（MRI图像） | 235名参与者（男性95人，女性140人；126人自报为黑人） | NA | NA | 回归系数（β），95%置信区间（CI） | NA |
| 960 | 2026-03-29 |
Consensus Molecular Subtypes (CMS) Classification: a progress towards Subtype-Driven treatments in colorectal cancer
2025-Nov-24, World journal of surgical oncology
IF:2.5Q1
DOI:10.1186/s12957-025-04117-1
PMID:41276825
|
综述 | 本文综述了结直肠癌的共识分子亚型（CMS）分类，包括其预后预测价值、识别方法、与免疫治疗等个性化治疗的关联，以及临床应用中面临的挑战 | 系统总结了基于基因表达谱、免疫组化和深度学习图像模型的CMS分类方法，并探讨了单细胞测序等新兴技术如何解决肿瘤内异质性等临床采纳障碍 | 肿瘤内异质性和技术标准化不足阻碍了CMS分类的广泛临床应用 | 回顾CMS分类在结直肠癌预后预测和个性化治疗指导方面的进展与挑战 | 结直肠癌及其共识分子亚型（CMS1-4） | 数字病理学 | 结直肠癌 | 基因表达谱分析, 免疫组化（IHC）, 单细胞RNA测序, 深度学习 | 深度学习模型 | 基因表达数据, 病理图像 | NA | NA | NA | NA | NA |