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 45062 篇文献，本页显示第 961 - 980 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 961 | 2026-05-30 |
Deep Learning-Based Diagnosis of Epithelial Ovarian Cancer from Whole-Slide Histopathology Images
2026-May-12, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics16101470
PMID:42196836
|
研究论文 | 使用基于注意力机制的多实例学习框架，利用全切片H&E染色组织病理图像对上皮性卵巢癌进行组织学分型诊断 | 首次将基于病理学基础模型（UNI）的注意力多实例学习框架应用于上皮性卵巢癌的组织学分型，并在多中心数据集上进行验证，展示了良好的泛化能力 | 外部验证仅针对高级别浆液性癌，未涵盖所有亚型；样本量相对较小 | 评估深度学习模型在上皮性卵巢癌组织学亚型诊断中的可行性，以提高病理诊断的准确性和一致性 | 152例手术切除的上皮性卵巢癌患者的319张H&E染色全切片图像 | 数字病理学 | 卵巢癌 | H&E染色组织病理成像 | 注意力多实例学习 | 图像 | 152例患者，319张全切片图像 | PyTorch | UNI病理基础模型 | 准确率、AUC、F1分数 | NA |
| 962 | 2026-05-30 |
Deep Computational Anatomy via Latent-Aligned Multiview Normalizing Flows
2026-May-11, bioRxiv : the preprint server for biology
DOI:10.64898/2026.05.05.723039
PMID:42146611
|
研究论文 | 提出潜在对齐多视角归一化流（LAMNr）框架，用于学习异构多模态数据集中的共享潜在子空间，并实现生物成像中的深度计算解剖学概念 | 通过形式化的潜在对齐约束分离共享结构与视角特异性变异，首次将归一化流应用于计算解剖学中的群体模板、潜在距离和测地线图像插值 | NA | 建立深度学习解读计算解剖学概念的基础框架，实现跨模态数据补全与潜在空间操作 | 影像衍生表型（IDPs）和多模态MRI数据 | 数字病理学, 计算机视觉 | NA | 多模态MRI | 归一化流 | 图像 | NA | PyTorch, ANTsTorch | 潜在对齐多视角归一化流（LAMNr） | NA | NA |
| 963 | 2026-05-30 |
Plant-Derived Nanovesicles: A Comprehensive Review from Isolation to Clinical Translation-Unlocking Natural Nanocarriers for Biomedical Applications
2026-May-11, Biomolecules
IF:4.8Q1
DOI:10.3390/biom16050705
PMID:42194053
|
综述 | 全面回顾植物来源纳米囊泡从分离到临床转化的研究进展，探讨其作为天然纳米载体在生物医学中的应用潜力 | 首次系统总结PDNV在纯化工艺、工程改造、功能机制及临床转化等方面的研究进展，并创新性地提出AI深度学习技术、跨学科整合及交叉应用等新方法以突破产业化瓶颈 | PDNV临床转化仍面临提取效率低、纯化过程复杂、工程改造技术不成熟等关键瓶颈 | 全面阐述PDNV的多方面研究进展，为未来研究和应用策略提供参考，推动从实验室研究向临床应用的转变 | 植物来源纳米囊泡 (PDNVs) | 自然语言处理 | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 964 | 2026-05-30 |
Clinical Equivalence of a CNN-Based Automated Soft Tissue Landmark Detection System on 2D Facial Images
2026-May-11, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics16101464
PMID:42196830
|
研究论文 | 评估基于CNN的深度学习模型在二维面部图像软组织标志点自动检测中的准确性和效率，并与手动标注进行比较 | 开发了一种新型CNN模型用于面部软组织标志点自动检测，显著提高了标注速度（手动每张237秒）并保持了与手动标注相当的准确性（平均96.07%） | 在Trichion、Menton和Gonion等解剖点存在较高误差率（2.3%-4.5%），且仅使用了100名年轻参与者（18-25岁）的数据 | 评估CNN深度学习模型在正畸应用中对二维面部图像软组织标志点识别的准确性、可靠性和时间效率 | 100名参与者（50女50男，18-25岁）的二维面部图像 | 计算机视觉 | NA | 3D扫描（Revopoint Pop2 3D Scanner） | CNN | 图像 | 100名参与者（50女50男） | NA | CNN | 定位准确性、平均预测误差、标注时间、重测信度（ICC） | NA |
| 965 | 2026-05-30 |
VQ-Wave: A Physics-Driven Spatiotemporal Deep Learning Approach for Noncontrast-Enhanced Lung Ventilation and Perfusion MRI
2026-May-10, Magnetic resonance in medicine
IF:3.0Q2
DOI:10.1002/mrm.70423
PMID:42108417
|
研究论文 | 提出一种名为VQ-Wave的物理驱动时空深度学习框架，用于非对比增强肺通气和灌注MRI，以克服生理非平稳性下光谱分解的局限 | 首次将物理驱动的时空深度学习方法应用于非对比增强肺功能MRI，通过训练合成信号模型有效分离生理信号与噪声，显著降低对扫描时间的依赖 | 仅基于4名健康志愿者和2名囊性纤维化儿童进行体内验证，样本量较小，需在更大规模临床队列中进一步评估 | 开发稳健的非对比增强肺功能MRI深度学习框架，实现短扫描时间下的可靠通气和灌注参数估计 | 数值仿体和人体（4名健康志愿者和2名囊性纤维化儿童）的肺通气和灌注MRI数据 | 数字病理学 | 囊性纤维化 | 非对比增强肺功能MRI | 时空Inception神经网络 | MRI图像 | 4名健康志愿者和2名囊性纤维化儿童，共6名受试者 | NA | Inception网络 | 全局误差率、区域误差率、全局平均变异 | NA |
| 966 | 2026-05-30 |
A Validation-Driven Explainable Deep Ensemble Framework for Image-Based Saffron Adulteration Detection
2026-May-10, Foods (Basel, Switzerland)
DOI:10.3390/foods15101661
PMID:42195865
|
研究论文 | 提出一种基于验证驱动且可解释的深度集成框架，用于基于图像的藏红花掺假检测 | 提出验证驱动的加权集成策略，融合权重仅从训练折内的验证性能计算，避免了模型选择与性能评估之间的信息泄露，并结合Grad-CAM可解释性与背景不变性分析 | 未提及具体局限性 | 实现藏红花掺假的稳健、可解释且统计验证的自动检测 | 藏红花样品的图像数据 | 计算机视觉 | NA | 图像分析 | 卷积神经网络（CNN） | 图像 | NA | NA | DenseNet169, ResNet50, VGG16 | 准确率, F1分数, AUC, McNemar检验, 5×2交叉验证显著性检验 | NA |
| 967 | 2026-05-30 |
Machine Learning-Enabled Intelligent Analysis of Surface-Enhanced Raman Scattering: Methods, Applications, and Perspectives
2026-May-10, Molecules (Basel, Switzerland)
DOI:10.3390/molecules31101599
PMID:42197154
|
综述 | 综述机器学习辅助表面增强拉曼光谱在数据处理、光谱分类、定量分析及基底优化中的最新进展 | 系统总结了从数据预处理、监督/无监督/深度学习模型应用到基底优化（替代建模与逆向设计）的完整工作流，并强调模型可解释性与集成传感框架的发展趋势 | 数据稀缺、泛化能力有限、实时部署受限等当前挑战 | 推动机器学习与SERS融合，实现更预测性和集成化的拉曼分析框架 | 表面增强拉曼光谱数据及纳米结构基底 | 机器学习 | NA | 表面增强拉曼光谱 | CNN、LSTM、GAN | 光谱数据 | NA | NA | NA | NA | NA |
| 968 | 2026-05-30 |
Fluoroscopy-Guided Motion Management in Particle Therapy: Evolution, Challenges, and AI-Enabled Opportunities
2026-May-09, Tomography (Ann Arbor, Mich.)
DOI:10.3390/tomography12050066
PMID:42188707
|
综述 | 回顾了粒子治疗中透视引导运动管理技术的发展历程、当前挑战以及人工智能带来的新机遇 | 系统梳理了从图像增强器到平板探测器的透视技术演进，总结了商业系统（如日立实时门控粒子治疗）和新兴AI驱动算法，重点探讨了无标记肿瘤追踪的可行性 | 回顾性分析，缺乏原始实验数据验证；AI算法在泛化性和可解释性方面仍存在挑战，临床应用部署路径尚未完全明确 | 探讨透视引导粒子治疗在运动管理中的应用现状，并评估AI技术如何克服现有局限性 | 粒子治疗中的透视引导运动管理技术，包括商业化系统和AI算法 | 机器学习，计算机视觉，数字病理学 | NA | 透视成像（X射线，平板探测器） | 深度学习模型（AI驱动图像配准） | 图像数据（透视影像、X射线投影） | NA | NA | NA | NA | NA |
| 969 | 2026-05-30 |
Comparative Analysis of Deep Learning Approaches for Histopathology-Based Survival Prediction in Hepatocellular Carcinoma
2026-May-09, Cancers
IF:4.5Q1
DOI:10.3390/cancers18101534
PMID:42192894
|
研究论文 | 比较基于CNN和基础模型的深度学习方法在肝细胞癌组织病理学图像中用于生存预测的性能 | 首次系统比较传统CNN方法与基于病理基础模型的多实例学习在肝细胞癌预后预测中的表现，评估组织选择策略和跨数据集泛化能力 | 样本量相对较小（SSMH 256例，TCGA 334例）及跨数据集性能下降，表明泛化能力有限 | 评估不同深度学习框架在肝细胞癌生存预测中的应用效果，并探索最佳组织选择策略 | 肝细胞癌患者的H&E染色全切片图像及生存数据 | 数字病理学 | 肝细胞癌 | H&E染色组织病理学成像 | CNN与基于基础模型的多实例学习 | 病理图像 | SSMH数据集256例患者，TCGA数据集334例患者 | NA | CNN与病理基础模型 | C-index, Kaplan-Meier分析，随时间变化的ROC分析 | NA |
| 970 | 2026-05-30 |
Development of an Artificial Intelligence Model to Predict Endotracheal Intubation in Critically Ill Patients in Real Time
2026-May-09, Journal of clinical medicine
IF:3.0Q1
DOI:10.3390/jcm15103642
PMID:42194602
|
研究论文 | 开发了一个基于GRU-D++模型的实时气管插管预测人工智能模型，并在两个独立ICU数据集上验证了其性能 | 首次将GRU-D++时间序列深度学习模型应用于危重患者气管插管需求的实时风险分层，该模型能自动处理高缺失率数据，无需额外预处理 | 临床部署前需重新校准操作阈值，且需要前瞻性多中心研究进一步验证临床实用性 | 开发能够实时预测危重患者是否需要气管插管的人工智能模型 | ICU中尚未插管的危重患者，排除了入院前或入院1小时内已插管的患者 | 机器学习 | 危重症 | NA | GRU-D++（门控循环单元-带衰减++） | 临床时间序列数据（生命体征、GCS评分、动脉血气分析结果等15个变量） | MIMIC-IV数据集（具体数量未明确）和KNUH数据集（具体数量未明确） | NA | GRU-D++ | AUROC、AUPR、敏感性、特异性、精确率、F1分数 | NA |
| 971 | 2026-05-30 |
Mapping of Phenotype Specific Host-Microbiome Protein-Protein Interaction Networks in Colorectal Cancer Using Deep Learning
2026-May-09, International journal of molecular sciences
IF:4.9Q2
DOI:10.3390/ijms27104232
PMID:42196214
|
研究论文 | 利用深度学习预测结直肠癌中宿主与微生物组之间的表型特异性蛋白-蛋白质相互作用网络 | 首次利用深度学习框架结合蛋白质结构嵌入，从临床宏基因组数据中大规模预测约89亿个跨物种蛋白质相互作用，并识别出高置信度互作组 | 未在摘要中明确说明研究局限 | 揭示结直肠癌中宿主与肠道微生物组之间的蛋白质相互作用网络及其驱动机制 | 结直肠癌患者与健康对照的宏基因组数据中的蛋白质相互作用 | 机器学习 | 结直肠癌 | 宏基因组测序 | 深度学习 | 宏基因组数据 | NA | NA | NA | AUROC | NA |
| 972 | 2026-05-30 |
Artificial Intelligence in Sports Medicine: A Decision-Centered Framework for the Future Sports Physician
2026-May-09, Diagnostics (Basel, Switzerland)
DOI:10.3390/diagnostics16101448
PMID:42196815
|
综述 | 本文通过结构化叙述性综述，探讨人工智能在运动医学中的临床应用，提出以决策为中心的框架，以指导未来运动医师整合AI技术 | 提出以决策为中心整合人工智能与运动医学的框架，强调运动医师作为人机协同决策者的核心角色 | 当前AI模型预测性能差异大，受数据集异质性和缺乏外部验证限制，存在算法偏见、泛化能力有限、可解释性差及在复杂临床决策中的误用风险 | 系统梳理AI在运动医学中的应用现状及决策层面的影响，构建未来运动医师整合AI的框架 | 运动医学中的AI应用，包括损伤风险预测、肌骨影像学、康复监测、重返赛场评估、表现管理和临床工作流程 | 机器学习 | 运动损伤 | 机器学习、深度学习、计算机视觉 | 机器学习模型 | 影像数据、可穿戴传感器数据、性能监测数据、电子健康记录 | NA | NA | NA | 预测性能 | NA |
| 973 | 2026-05-30 |
Combining Deep Learning Mechanisms to Predict Interests from Gaze
2026-May-09, Sensors (Basel, Switzerland)
DOI:10.3390/s26102975
PMID:42197784
|
研究论文 | 提出结合深度学习机制预测用户注视中个人兴趣的模型 | 结合深度学习方法处理个体和普遍两类注视，利用瞳孔直径作为标签进行无监督训练 | NA | 从注视数据预测用户个人兴趣以提供个性化信息服务 | 用户的注视数据（包括眼动轨迹和瞳孔直径） | 计算机视觉, 机器学习 | NA | NA | 深度学习模型 | 眼动追踪数据（注视点、瞳孔直径） | NA | NA | NA | NA | NA |
| 974 | 2026-05-30 |
Proactive Irrigation Timing Decision-Making for Greenhouse Tomatoes via STL-LSTM Deep Learning and Plant-Soil Dual-Threshold Sensing
2026-May-09, Sensors (Basel, Switzerland)
DOI:10.3390/s26102981
PMID:42197791
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 975 | 2026-05-30 |
Combating Antibacterial Resistance: The Integrative Role of Artificial Intelligence in Bio-Based Product Development
2026-May-08, Antibiotics (Basel, Switzerland)
DOI:10.3390/antibiotics15050478
PMID:42192700
|
综述 | 本文综述了人工智能如何革新基于生物产品的抗菌药物发现，应对抗菌素耐药性危机 | 强调了AI集成不仅加速发现过程，而且从根本上转变了获取自然界先前无法触及的化学多样性的能力 | 未提及 | 评估人工智能在基于生物产品的抗菌药物发现中的整合作用 | 抗菌素耐药性危机、基于生物产品的抗菌药物发现、人工智能技术 | 机器学习 | 抗菌素耐药性相关疾病 | 基因组挖掘、深度学习、生成模型 | 深度学习模型、生成模型 | 基因组数据、生物活性数据 | 超过17万个生物合成基因簇 | 未提及 | 未提及 | 生物活性预测准确率（88.5%）、实验命中率（超过50%） | 未提及 |
| 976 | 2026-05-30 |
Recent Developments and Applications of Drone Swarm: Techniques, Strategies, and Challenges
2026-May-08, Sensors (Basel, Switzerland)
DOI:10.3390/s26102943
PMID:42197752
|
综述 | 详细回顾无人机集群系统的最新进展、应用领域及关键技术 | 将人工智能与深度学习技术融入无人机集群的路径规划、任务分配及协调控制，并重点探讨反无人机集群策略的战略意义 | 未列出具体实验验证方法或定量性能分析，主要基于文献综述提出研究趋势 | 系统综述无人机集群技术发展、应用及反制策略，为未来研究提供创新视角 | 无人机集群系统、人工智能与深度学习集成方法、反无人机集群策略 | 机器学习, 计算机视觉 | NA | NA | NA | 文本（文献综述） | NA | NA | NA | NA | NA |
| 977 | 2026-05-30 |
Deep Learning-Based Automatic Modulation Classification for OFDM Signals: From Synthetic Training to OTA Evaluation
2026-May-08, Sensors (Basel, Switzerland)
DOI:10.3390/s26102945
PMID:42197754
|
研究论文 | 评估卷积神经网络在正交频分复用信号自动调制分类中，从合成训练到实际空中传输测试的跨领域泛化能力 | 首次系统评估数据集规模、合成损伤和硬件诱导信号损伤对基于二维幅度-相位直方图的卷积神经网络在正交频分复用自动调制分类任务中跨领域泛化性能的影响 | 未提及具体局限性，但可能仅限于室内空中传输场景的评估 | 研究数据生成策略对卷积神经网络在正交频分复用自动调制分类中跨领域泛化性能的影响 | 正交频分复用信号 | 机器学习 | NA | 自动调制分类 | 卷积神经网络 | 信号特征图（二维幅度-相位直方图） | 五个不同数据集，包括合成信号和硬件数据集，以及13个不同位置的室内空中传输数据集 | NA | 卷积神经网络 | 准确率 | NA |
| 978 | 2026-05-30 |
A Lightweight Identity Authentication Protocol for Vehicle Ad Hoc Network Based on PUF-Obfuscation
2026-May-08, Sensors (Basel, Switzerland)
DOI:10.3390/s26102971
PMID:42197780
|
研究论文 | 提出一种基于PUF混淆的轻量级车载自组网身份认证协议，结合ECC和自适应偏差锁定PUF实现动态CRP混淆，以抵御建模攻击并降低通信开销 | 首次将ECC与高可靠自适应偏差锁定PUF（SDL PUF）结合，设计动态挑战-响应对混淆机制，将机器学习/深度学习攻击预测成功率降低约35% | 未提及硬件实现成本、大规模部署时的注册中心可靠性及极端环境（如高移动性、低信噪比）下的性能表现 | 实现车载自组网中安全、高效、匿名的V2X通信，同时减少计算和通信开销 | 车载自组网中的实体身份认证与V2X通信安全 | 自然语言处理 | NA | NA | NA | 仿真数据（SUMO和Omnetpp生成的VANET流量数据） | NA（仿真评估中未明确样本数量） | NA | NA | 计算开销（6.77 ms/实体）、通信开销（192字节）、预测成功率降低率（约35%） | NA（仿真环境未明确硬件配置） |
| 979 | 2026-05-30 |
Multi Omics Integration in Colorectal Cancer: From Molecular Insights to Precision Oncology
2026-May-07, Cancers
IF:4.5Q1
DOI:10.3390/cancers18101504
PMID:42192865
|
综述 | 本文综述了基因组学、转录组学、蛋白质组学、代谢组学和微生物组分析等多组学整合如何重新定义结直肠癌生物学和精准肿瘤学 | 讨论了人工智能方法（包括因子分析、深度学习、图模型和可解释AI）在改进亚型分类、生物标志物发现和治疗反应预测中的应用 | 临床转化面临批次效应、跨平台变异、外部验证有限、监管限制和成本等主要障碍 | 批判性地评估多组学整合在结直肠癌生物学和精准肿瘤学中的进展与挑战 | 结直肠癌的多组学数据，包括基因组学、转录组学、蛋白质组学、代谢组学和微生物组数据 | 机器学习 | 结直肠癌 | 全基因组测序、RNA测序、蛋白质组学、代谢组学、微生物组分析 | 深度学习、图模型、因子分析、可解释AI | 组学数据（基因组、转录组、蛋白质组、代谢组、微生物组） | 276例TCGA结直肠癌样本、95例CPTAC蛋白质基因组学肿瘤、2023例全基因组测序病例 | NA | NA | NA | NA |
| 980 | 2026-05-30 |
iDualG4: A Dual-Channel Deep Learning Framework for Predicting In Vivo G-Quadruplexes
2026-May-07, Biomolecules
IF:4.8Q1
DOI:10.3390/biom16050693
PMID:42194040
|
研究论文 | 提出一个名为iDualG4的双通道深度学习框架，仅利用DNA序列预测体内G-四链体结构 | 利用预训练Enformer模块从DNA序列推断表观基因组代理特征，避免了对昂贵大规模测序实验的依赖 | 未提及，但可推断依赖预训练Enformer模块的泛化能力，可能对某些细胞系预测精度有限 | 开发仅需DNA序列输入的高精度、可解释体内G4预测工具 | 体内G-四链体（G4）结构及其形成机制 | 机器学习 | NA | DNA测序 | 双通道深度学习框架 | DNA序列 | 跨多个细胞系，包括K562 | PyTorch | Enformer | AUPR | NA |