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 42795 篇文献，本页显示第 981 - 1000 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 981 | 2026-03-21 |
Impact of CT dose on AI performance: A comparison of radiomics, deep, and foundation models in a multicentric anthropomorphic phantom study
2026-Mar, Medical physics
IF:3.2Q1
DOI:10.1002/mp.70374
PMID:41846467
|
研究论文 | 本研究通过多中心人体模型实验，比较了放射组学、深度学习和基础模型在不同CT剂量水平下的性能表现，评估了其对剂量变化的鲁棒性 | 首次在标准化人体模型数据集上系统比较了放射组学、浅层CNN、SwinUNETR和CT基础模型对CT剂量变化的鲁棒性，并验证了基础模型在跨剂量泛化方面的优势 | 研究处于早期实验阶段，仅使用回顾性数据测试，未进行前瞻性验证；实验主要基于模拟肝脏组织的人体模型，在真实患者数据中的泛化能力需进一步验证 | 评估基于放射组学和深度学习的模型对CT剂量水平变化的鲁棒性，探索基础模型在减少剂量相关变异方面的潜力 | 模拟肝脏组织（正常组织、囊肿、血管瘤、转移灶）的人体模型图像，以及CT-ORG数据集中真实患者的器官分类数据 | 医学影像分析 | 肝脏疾病 | CT成像 | CNN, SwinUNETR, 基础模型 | CT图像 | 来自649次扫描的1378个图像序列（人体模型），以及CT-ORG数据集的140次CT扫描（真实患者） | PyRadiomics, PyTorch（推测，基于SwinUNETR和基础模型的常见实现） | 浅层CNN, SwinUNETR, CT-FM（CT基础模型） | 组内相关系数（ICC），准确率，UMAP可视化 | NA |
| 982 | 2026-03-21 |
Benchmarking Automated Detection and Classification Approaches for Long-Term Acoustic Monitoring of Endangered Species: A Case Study on Gibbons From Cambodia
2026-Mar, American journal of primatology
IF:2.0Q1
DOI:10.1002/ajp.70127
PMID:41854092
|
研究论文 | 本文通过比较多种深度学习模型，为柬埔寨濒危长臂猿的长期声学监测提供了自动化检测的基准 | 首次系统比较了SVM、Koogu、ResNet50和基于BirdNET的迁移学习模型在长臂猿叫声检测中的性能，并展示了BirdNET在小样本情况下的优越性 | 研究仅针对特定物种（南部黄颊冠长臂猿）和特定地点（柬埔寨Jahoo），结果可能无法直接推广到其他物种或环境 | 开发并评估自动化声学检测方法，以改善濒危物种的长期监测能力 | 南部黄颊冠长臂猿（Nomascus gabriellae）的雌性二重唱叫声 | 机器学习 | NA | 被动声学监测 | SVM, CNN | 音频 | 超过200个长臂猿样本用于训练，部署模型分析了超过130,000小时的连续声景数据 | NA | DenseNet, ResNet50 | NA | NA |
| 983 | 2026-03-21 |
Mining whole-brain information with deep learning to predict EGFR mutation and subtypes in brain-metastatic NSCLC: A multicenter study
2026-Mar, Medical physics
IF:3.2Q1
DOI:10.1002/mp.70398
PMID:41854843
|
研究论文 | 本研究开发了一种基于深度学习的全脑信息挖掘方法，利用MRI图像预测脑转移非小细胞肺癌患者的EGFR突变及其亚型 | 提出了一种新的EGFR位点识别网络（ESR-Net），通过整合可变形卷积和辅助网络来挖掘全脑信息，以增强肿瘤特征并寻找信息性突变特征，从而在预测EGFR突变及其亚型方面超越了传统方法 | 研究样本量相对有限（共293例患者），且仅使用了对比增强T1加权和T2加权MRI图像，可能未涵盖所有相关影像特征 | 开发一种准确、无创的定量方法，用于预测脑转移非小细胞肺癌患者的EGFR基因型，以支持个性化治疗 | 脑转移非小细胞肺癌患者 | 数字病理学 | 肺癌 | MRI扫描（对比增强T1加权和T2加权） | CNN | 图像 | 293例患者（170例来自中心1，62例来自中心2，61例来自中心3） | NA | ESR-Net | AUC | NA |
| 984 | 2026-03-21 |
A physics-driven neural network with parameter embedding for generating quantitative MR maps from weighted images
2026-Mar, Medical physics
IF:3.2Q1
DOI:10.1002/mp.70394
PMID:41854958
|
研究论文 | 本文提出了一种融合MRI序列参数的物理驱动神经网络，用于从加权MRI图像合成定量映射图 | 通过参数嵌入技术将MRI序列参数（TR、TE、TI）直接整合到神经网络中，使模型能够学习MRI信号形成的物理原理 | 模型仅在健康脑部MRI图像上训练，对病理区域的泛化能力仍需进一步验证 | 提高从临床加权MRI合成定量图像的准确性和泛化能力 | 健康脑部MRI图像及病理区域 | 医学影像分析 | NA | 定量MRI（qMRI） | 深度学习神经网络 | MRI图像（T1加权、T2加权、T2-FLAIR） | 健康脑部MRI图像数据集，包含内部和外部测试集 | NA | 参数嵌入神经网络 | 平均百分比误差（MPE）、全局体素平均绝对误差（MAE） | NA |
| 985 | 2026-03-21 |
Explainable artificial intelligence for personalized prognosis in pancreatic cancer: A nationwide study from Taiwan
2026-Mar, PLOS digital health
DOI:10.1371/journal.pdig.0001296
PMID:41855151
|
研究论文 | 本研究利用台湾全国癌症登记数据，开发了一种可解释的人工智能预后模型，用于预测胰腺癌患者的生存情况 | 结合可解释性AI方法（如SHAP）与大规模全国性登记数据，识别关键预后因素、非线性关系、交互作用及患者特异性生存变异性 | 研究基于台湾的登记数据，可能限制了结果的普适性；模型性能虽优于其他方法，但仍有改进空间 | 开发可解释的AI预后模型，以识别胰腺癌生存的关键因素及其复杂关系 | 台湾癌症登记中2013年至2021年诊断的8,864例胰腺癌病例 | 机器学习 | 胰腺癌 | NA | XGBoost, 随机生存森林, 深度学习模型 | 结构化临床数据 | 8,864例胰腺癌病例 | NA | NA | 时间依赖性指标 | NA |
| 986 | 2026-02-22 |
Comparative analysis of shallow and hybrid deep learning models for predicting the cooling efficiency of nanofluid-cooled photovoltaic panel across multiple materials
2026-Feb-20, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-40129-x
PMID:41720907
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 987 | 2026-02-17 |
Hybrid deep learning novel framework for classification of parkinson's disease
2026-Feb-15, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-37553-4
PMID:41692894
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 988 | 2026-03-21 |
Automatic classification of kidney stone components based on smartphone microscopy and the GoogLeNet model
2026-Feb-12, BMC urology
IF:1.7Q3
DOI:10.1186/s12894-026-02080-x
PMID:41673817
|
研究论文 | 本研究开发了一种基于智能手机显微镜和GoogLeNet模型的肾结石成分自动分类系统 | 将智能手机显微镜（TIPSCOPE）与深度学习模型（GoogLeNet）结合，为资源有限地区提供了一种低成本、高效、便携的肾结石成分分析解决方案 | 碳酸磷灰石类结石的分类性能相对较低（F1=0.69），且样本量相对有限（共140个样本） | 开发一种快速、准确且经济高效的肾结石成分自动分类系统 | 手术提取的肾结石样本 | 计算机视觉 | 肾结石 | 智能手机显微镜成像 | CNN | 图像 | 140个肾结石样本，共生成840张图像 | NA | GoogLeNet | 准确率, F1分数, 精确率, 召回率 | NA |
| 989 | 2026-03-21 |
Linking cortical structure and delirium in the elderly: insights from cohort study and shared genetic risk analysis
2026-Feb-12, Journal of translational medicine
IF:6.1Q1
DOI:10.1186/s12967-026-07841-8
PMID:41680881
|
研究论文 | 本研究通过队列研究和共享遗传风险分析，探讨了老年人皮质结构与谵妄之间的关联 | 结合前瞻性队列、独立临床队列及遗传数据分析，首次系统评估了区域皮质变化与谵妄风险的关联，并识别了共享的遗传位点 | 研究为观察性设计，无法确定因果关系；样本主要来自特定人群（如UK Biobank），可能限制泛化性 | 评估基于基线MRI测量的区域皮质变化与谵妄发病率之间的关联 | 60岁及以上老年人，包括UK Biobank队列和独立临床队列的参与者 | 医学影像分析 | 老年疾病 | 磁共振成像（MRI），深度学习分割算法，全基因组关联研究（GWAS） | 深度学习算法 | MRI图像，遗传数据 | UK Biobank队列31,890名参与者，独立临床队列152名参与者 | NA | NA | 条件/联合错误发现率（cond/conjFDR） | NA |
| 990 | 2026-03-21 |
A geometric deep learning framework for genome-wide prediction of enzyme turnover number
2026-Feb-11, Genome biology
IF:10.1Q1
DOI:10.1186/s13059-026-03986-3
PMID:41673757
|
研究论文 | 本文介绍了一种名为KcatNet的几何深度学习模型，用于全基因组范围内预测酶的周转数（Kcat），以提升对酶催化效率和代谢机制的理解 | KcatNet首次结合酶序列和底物表示，利用几何深度学习进行高通量Kcat预测，在催化效率高的酶上表现优异，并能泛化至训练集中未见过的酶，揭示了酶-底物复合物的结构机制和相互作用模式 | 实验测量数据有限且易受噪声影响，可能影响模型训练和预测的准确性 | 开发一个深度学习框架，用于全基因组范围内预测酶的周转数，以促进对酶催化效率、代谢机制和酶工程的研究 | 代谢酶及其周转数（Kcat），涵盖所有生物体，特别是酵母物种 | 机器学习 | NA | 几何深度学习，大规模蛋白质语言模型 | 几何深度学习模型 | 酶序列和底物表示数据 | NA | NA | KcatNet | NA | NA |
| 991 | 2026-03-21 |
Deep capsule neural network for identifying anticancer peptides using sequence to image transformation-based local embedded features
2026-Feb-11, BMC biology
IF:4.4Q1
DOI:10.1186/s12915-026-02547-1
PMID:41673852
|
研究论文 | 本文提出了一种名为pACP-CapsNet的深度学习模型，用于准确识别抗癌肽（ACPs） | 通过序列到图像的转换方法（SMR和RECM）生成局部嵌入特征，并结合HOG、DWT和CLBP变换创建新的特征空间，使用胶囊神经网络（CapsNet）进行预测，在ACP识别任务中取得了较高的准确率和AUC值 | 未明确说明模型在更大规模或更复杂数据集上的泛化能力，以及计算资源需求的具体细节 | 开发一种有效的深度学习模型，以识别具有抗癌潜力的肽序列，为癌症药物研发提供支持 | 抗癌肽（ACPs）序列 | 自然语言处理 | 癌症 | 序列到图像转换（SMR, RECM），特征提取（HOG, DWT, CLBP） | CapsNet | 序列数据（转换为图像） | 训练样本未明确数量，测试集包括ACP240和ACP740 | NA | 胶囊神经网络（CapsNet） | 准确率, AUC | NA |
| 992 | 2026-02-13 |
A deep learning model based on ultrasound imaging to differentiate malignant from benign pleural effusion: a multicenter cohort study
2026-Feb-11, Respiratory research
IF:4.7Q1
DOI:10.1186/s12931-026-03574-w
PMID:41673850
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 993 | 2026-03-21 |
Development of a smartphone-based bone maturity classification algorithm with XAI for beef carcass grading
2026-Feb-11, Food science of animal resources
IF:4.2Q2
DOI:10.1007/s44463-025-00039-4
PMID:41849114
|
研究论文 | 本研究开发了一种基于智能手机的深度学习算法，用于对牛肉胴体软骨骨化程度进行分级，并结合可解释人工智能技术验证模型关注区域 | 首次将智能手机摄像与YOLO系列目标检测模型结合用于牛肉骨化分级，并应用Grad-CAM和LIME等XAI技术增强模型可解释性 | 仅针对骨化等级6-9级进行评估，未涵盖全部9个等级；数据集仅来源于单一采集设备（智能手机） | 开发客观、自动化的牛肉胴体软骨骨化程度评估方法以替代传统主观人工分级 | 牛肉胴体的软骨骨化区域 | 计算机视觉 | NA | 智能手机摄像，图像采集 | 目标检测模型 | 图像 | 每个骨化等级（6-9级）1,770张图像，总计7,080张图像 | NA | YOLO v8, YOLO v9, YOLO v10, YOLO v11 | 准确率 | NA |
| 994 | 2026-02-10 |
Comment Letter on "CATALYZE: a deep learning approach for cataract assessment and grading on SS-OCT images"
2026-Feb-09, Journal of cataract and refractive surgery
IF:2.6Q1
DOI:10.1097/j.jcrs.0000000000001897
PMID:41661174
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 995 | 2026-03-21 |
A dataset collected in real-world industrial control systems for network attack detection
2026-Feb-09, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-026-06738-x
PMID:41663466
|
研究论文 | 本文介绍了一个在真实工业控制系统中收集的网络攻击检测数据集ICS-NAD，用于支持入侵检测研究 | 提出了首个在真实工业控制场景中收集、包含多种攻击类型和样本模式的高质量数据集，弥补了现有数据集在范围、多样性和真实性方面的不足 | 数据集仅基于三种知名ICS品牌收集，可能无法完全覆盖所有工业控制系统类型 | 为工业控制系统网络攻击检测研究提供高质量的数据支持 | 工业控制系统的网络流量数据，包括攻击和正常流量 | 机器学习 | NA | 网络流量采集（PCAP格式）、特征提取 | 机器学习分类模型、深度学习分类模型 | 网络流量数据（PCAP格式）、特征数据（CSV格式） | 245.96 GB数据文件，包含原始流量和提取的特征 | NA | NA | NA | NA |
| 996 | 2026-02-11 |
Noninvasive preoperative risk stratification of prostate cancer via a foundational model based deep learning with PSMA PET/CT
2026-Feb-09, BMC cancer
IF:3.4Q2
DOI:10.1186/s12885-026-15715-x
PMID:41663975
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 997 | 2026-03-21 |
Atomic resolution ensembles of intrinsically disordered proteins with Alphafold
2026-02-05, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-69172-y
PMID:41644540
|
研究论文 | 本文介绍了一种名为bAIes的贝叶斯框架，该框架整合了AlphaFold2预测与物理化学分子力学力场，用于生成内在无序蛋白质的原子分辨率结构集合 | 提出了一种结合深度学习预测与分子力学力场的新方法，以高效生成内在无序蛋白质的原子分辨率结构集合，相比现有方法在计算成本和准确性上具有优势 | 未明确提及具体局限性，但可能涉及对特定蛋白质系统或实验数据的依赖性 | 开发一种准确且高效的方法，用于生成内在无序蛋白质的原子分辨率结构集合 | 内在无序蛋白质 | 机器学习 | NA | AlphaFold2预测，分子力学力场 | 深度学习模型 | 蛋白质结构数据，实验数据 | NA | AlphaFold2 | AlphaFold2 | 与实验数据匹配的准确性 | NA |
| 998 | 2026-03-21 |
Automated diagnostic of cervical spondylosis on multimodal medical images with a multi-task deep learning model
2026-02-05, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-69023-w
PMID:41644944
|
研究论文 | 本文提出了一种用于颈椎病自动诊断的级联集成深度学习框架，整合了椎体检测和退行性诊断任务 | 采用级联架构集成椎体检测与退行性诊断，并通过多任务学习联合训练退行性指标集合，提高了对距离和位置指标的敏感性 | 未明确提及模型在泛化性、数据多样性或临床验证方面的具体限制 | 开发自动化诊断工具以辅助颈椎病的早期检测，缓解医疗资源不均问题 | 颈椎病患者的多模态医学图像 | 计算机视觉 | 颈椎病 | 多模态医学成像 | 深度学习模型 | 图像 | NA | NA | 级联集成框架 | 诊断速度 | NA |
| 999 | 2026-03-21 |
AI-based multiomics profiling reveals complementary omics contributions to personalized prediction of cardiovascular disease
2026-02-02, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-68956-6
PMID:41629312
|
研究论文 | 本研究开发了一个基于AI的多组学分析框架CardiOmicScore，用于预测六种常见心血管疾病的个性化风险 | 提出了一个多任务深度学习框架CardiOmicScore，整合蛋白质组学和代谢组学数据，生成疾病特异性风险评分，显著提升了心血管疾病的早期预测能力 | 需要进一步的外部验证来确认识别出的蛋白质和代谢物作为生物标志物的有效性 | 通过多组学分析提高心血管疾病的个性化风险预测 | 六种最常见的心血管疾病 | 机器学习 | 心血管疾病 | 蛋白质组学, 代谢组学 | 深度学习 | 蛋白质数据, 代谢物数据, 临床数据 | 基于UK Biobank数据库，涉及2920种蛋白质和168种代谢物 | NA | 多任务深度学习框架 | C-index | NA |
| 1000 | 2026-03-21 |
MorphMaskFormer: a transformer-based deep segmentation model for multi-class Demirjian stage estimation from panoramic radiographs
2026-Jan-29, Oral surgery, oral medicine, oral pathology and oral radiology
DOI:10.1016/j.oooo.2026.01.012
PMID:41856821
|
研究论文 | 本研究提出了一种基于Transformer的深度学习分割模型MorphMaskFormer，用于从全景X光片中自动估计多类Demirjian牙龄发育阶段 | 在经典的UNet架构基础上，引入了受Mask2Former启发的轻量级Transformer注意力模块，实现了牙齿/背景的二元分割和A-H阶段的多类分割 | 研究样本量相对有限（888张全景X光片），且部分发育阶段（如B、C、E、F、G）的准确性未在摘要中详细说明 | 开发一种先进的深度学习模型，以提高法医和临床应用中牙龄估计的准确性和客观性 | 7至30岁个体的888张全景X光片及基于Demirjian A-H分期系统的牙齿发育阶段 | 计算机视觉 | NA | 全景X光成像 | CNN, Transformer | 图像 | 888张全景X光片 | NA | UNet, ResUNet, DeepLabV3+, PSPNet, SegNet, MorphMaskFormer | IoU, Dice系数, 精确率, 召回率, 推理时间, 组件准确率 | NA |