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 45510 篇文献，本页显示第 1021 - 1040 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1021 | 2026-06-05 |
SSPSPredictor: A Sequence- and Structure-Based Deep Learning Model for Predicting Phase-Separating Proteins
2026-May-29, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.6c00363
PMID:42214054
|
研究论文 | 提出SSPSPredictor，一种融合蛋白质语言模型ESM-2和图神经网络GVP的多模态深度学习模型，用于预测相分离蛋白 | 首次将序列信息（ESM-2）与结构信息（GVP）融合，实现相分离蛋白高精度预测，且无需监督训练即可识别驱动区域 | NA | 开发高效准确的相分离蛋白预测工具，揭示其与疾病的关联 | 相分离蛋白（PSPs）及其驱动区域 | 机器学习 | NA | 蛋白质语言模型（ESM-2）、图神经网络（GVP） | 深度学习模型 | 蛋白质序列和结构数据 | 人类蛋白质组 | PyTorch | ESM-2, GVP | 平衡性能（准确率、召回率、F1分数等） | NA |
| 1022 | 2026-06-05 |
Integration of network pharmacology, deep learning, and molecular biology reveals the efficacy of Citrus aurantium L. var. amara Engl. blossom extract in ameliorating diabetic osteoporosis
2026-May-29, Journal of ethnopharmacology
IF:4.8Q1
DOI:10.1016/j.jep.2026.121939
PMID:42217588
|
研究论文 | 整合网络药理学、深度学习和分子生物学方法，揭示柑橘花提取物改善糖尿病性骨质疏松症的功效与机制 | 首次结合网络药理学、深度学习、分子对接和分子动力学模拟，系统预测柑橘花提取物中的关键成分及其对糖尿病性骨质疏松症的潜在作用机制，并通过体内实验验证了PI3K/AKT和Wnt-3a/β-catenin通路的协同激活 | 未提及明确的局限性信息 | 探索柑橘花乙醇提取物对糖尿病性骨质疏松症的保护作用及其机制 | 柑橘花乙醇提取物及其中44种化合物 | 机器学习 | 糖尿病性骨质疏松症 | HPLC/MS、网络药理学、深度学习、分子对接、分子动力学模拟 | NA | NA | 高脂饮食和链脲佐菌素诱导的2型糖尿病小鼠模型 | NA | NA | NA | NA |
| 1023 | 2026-06-05 |
Letter to the Editor: Traditional medical image interpretation and deep learning-based image analysis in predicting risk in patients with spontaneous intracerebral hemorrhage
2026-May-28, World journal of radiology
IF:1.4Q3
DOI:10.4329/wjr.v18.i5.118969
PMID:42238230
|
评论 | 讨论传统医学影像解读与基于深度学习的影像分析在预测自发性脑出血患者风险中的优缺点 | 提出将传统影像解读与深度学习模型相结合的混合评估系统，以实现更精准的早期干预策略 | 深度学习模型对数据要求高且复杂，阻碍其广泛应用；传统影像解读存在主观性和局限性 | 探讨传统影像解读与深度学习模型在预测自发性脑出血后血肿扩大和死亡风险中的比较与结合潜力 | 自发性脑出血患者 | 计算机视觉 | 脑血管疾病 | 计算机断层扫描（CT），磁共振成像（MRI），深度学习 | 深度学习模型 | 医学影像 | NA | NA | NA | 预测准确性 | NA |
| 1024 | 2026-06-05 |
Artificial intelligence in allergen immunotherapy: toward a proactive and personalized management of allergic diseases
2026-May-26, Current opinion in allergy and clinical immunology
IF:3.0Q3
DOI:10.1097/ACI.0000000000001172
PMID:42235032
|
综述 | 探讨人工智能在过敏原免疫治疗中的应用，旨在实现过敏性疾病的前瞻性和个性化管理 | 总结了机器学习在患者分层、治疗依从性预测、实时监测及联邦学习在保护数据隐私方面的创新应用，同时指出了生成式AI在临床记录合成中的可靠性局限 | 生成式AI在直接用于患者时可靠性不足，且AI作为决策辅助工具仍需专家监督以确保患者安全 | 研究将人工智能整合到过敏原免疫治疗管理中，以提高精准医学效率和诊断准确性，并预测治疗结果 | 免疫球蛋白E介导的过敏性疾病患者及其过敏原免疫治疗管理 | 机器学习 | 过敏性疾病 | NA | 长短期记忆递归神经网络、随机潜变量actor-critic模型、深度学习、联邦学习、生成式AI | 组学数据、分子致敏谱数据、可穿戴传感器数据、环境参数数据 | NA | NA | 长短期记忆递归神经网络、随机潜变量actor-critic | NA | NA |
| 1025 | 2026-06-05 |
Two-Step Ensemble Convolutional Neural Networks for Colonoscopic Biopsy Classification Resembling Pathologists' Process
2026-May-25, Journal of Korean medical science
IF:3.0Q1
DOI:10.3346/jkms.2026.41.e152
PMID:42190697
|
研究论文 | 提出一种集成深度学习管道，用于结肠镜活检的五种诊断类别分类，类似于病理学家的诊断流程 | 首次采用两步骤集成卷积神经网络方法，模拟病理学家从整张切片图像中逐步分类的过程，并能过滤低质量图像 | 数据集可能仍有限，且NET分类任务可能需要更多验证 | 利用人工智能自动分类结肠直肠癌的多种亚型，提升诊断可靠性 | 结肠直肠癌活检切片图像 | 数字病理学, 计算机视觉, 机器学习 | 结肠直肠癌 | 数字病理学 | 卷积神经网络，集成模型 | 图像（整张切片图像） | 18,922张结肠直肠癌整张切片图像 | PyTorch | EfficientNet, 聚类约束注意力多实例学习模型 | 微观F1分数, 宏观F1分数, 加权F1分数 | NA |
| 1026 | 2026-06-05 |
Generating Labeled Low-Heterogeneity Transcriptomes Using CRISPRa and CRISPRi Can Improve Phenotype Prediction by Deep Learning
2026-May-25, ACS synthetic biology
IF:3.7Q1
DOI:10.1021/acssynbio.5c00873
PMID:42183825
|
研究论文 | 提出利用CRISPRa和CRISPRi技术生成低异质性标记转录组数据集，以改善深度学习的表型预测能力 | 首次提出通过CRISPRa和CRISPRi技术创建具有小增量转录组差异的标记细胞系，用于补充现有高异质性数据集，从而提升深度学习模型的表型预测性能 | 未提供实际生成的实验数据集验证方法有效性，仅停留在理论框架和实验设计阶段 | 解决现有组学数据因体积不足和高异质性而难以直接用于深度学习表型预测的问题 | 使用CRISPRa和CRISPRi技术生成的标记细胞系及其对应的转录组数据集 | 机器学习 | 癌症 | CRISPRa, CRISPRi, 转录组测序 | NA | 转录组数据 | NA | NA | NA | NA | NA |
| 1027 | 2026-06-05 |
3D craniofacial generative model for surgical planning in mandibular reconstruction
2026-May-25, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2026.104136
PMID:42235113
|
研究论文 | 提出一个统一的三维颅面生成框架，用于下颌骨重建中的下颌骨修复、自动手术规划及术后面部预测 | 1) 首次构建整合下颌骨修复、自动手术规划和术后面部预测的统一生成框架 2) 采用3D潜在扩散模型结合分块编码策略，学习鲁棒的解剖形态先验 3) 引入基于动态规划的几何优化算法自动生成腓骨截骨和拼接方案 | 未明确说明主要限制，可能包括对临床数据集的验证规模有限，以及方法对复杂缺损的泛化能力待评估 | 开发一种能够同时完成下颌骨形态修复、自动手术规划和术后软组织预测的高效CAS工作流 | 下颌骨缺损患者的三维颅面模型及腓骨供体区域 | 计算机视觉 | 口腔肿瘤 | 3D潜在扩散模型、动态规划 | 3D潜在扩散模型 | 三维医学图像（CT/MRI衍生的三维网格） | 大规模无肿瘤受试者数据集（用于预训练）以及模拟和临床数据集（测试阶段） | PyTorch | 3D U-Net（用于分块编码）、Transformer（潜在扩散模型中的条件机制） | Dice系数、倒角距离（CD）、体积比、轮廓误差、最大投影 | 未明确指定GPU类型，但提到训练时间从34分钟降至1分钟内（60×加速） |
| 1028 | 2026-06-05 |
PySERA: Open-source standardized python library for automated, scalable, and reproducible handcrafted and deep radiomics
2026-May-24, Computer methods and programs in biomedicine
IF:4.9Q1
DOI:10.1016/j.cmpb.2026.109463
PMID:42235274
|
研究论文 | 开发了一个名为PySERA的开源标准化Python库，用于自动化、可扩展和可重复的手工与深度学习影像组学分析 | 首次在统一的Python框架中整合了标准化手工影像组学特征和深度学习影像组学嵌入，支持自动化和可重复分析，并具有高效的并行计算引擎 | NA | 解决现有影像组学工具在可重复性和可扩展性方面的局限，提供一个标准化且集成深度学习的Python原生框架 | 医学图像中的定量生物标志物提取与建模 | 计算机视觉, 数字病理学 | NA | 影像组学, 深度学习 | CNN | 医学图像（DICOM, NIfTI, NRRD格式） | NA | TensorFlow, PyTorch, Scikit-learn, MONAI | ResNet50, DenseNet121, VGG16 | 准确率, 可重复性（>94% IBSI） | NA |
| 1029 | 2026-06-05 |
Impact of Imaging Protocols on Thermal Detection of Pressure Injuries: Threshold versus Deep Learning Across Skin Tones
2026-May-24, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.05.21.26353842
PMID:42238404
|
研究论文 | 系统评估了成像协议变化和肤色对热成像检测压力性损伤分类模型性能的影响 | 通过对比深度学习和固定阈值方法，发现深度学习模型在不同成像条件和肤色下均保持稳定性能，且关注冷却区域边界的热梯度而非单一温度阈值 | NA | 评估成像协议变化和肤色对热成像检测压力性损伤分类模型性能的影响，验证深度学习方法的鲁棒性和公平性 | 35名不同肤色的参与者，共1680张热成像图像，涵盖12种成像协议变化 | 计算机视觉 | 压力性损伤 | 热成像 | 深度学习模型（MobileNetV2、InceptionNetV3、ResNet50） | 图像 | 35名参与者，1680张图像 | NA | MobileNetV2, InceptionNetV3, ResNet50 | 准确率 | NA |
| 1030 | 2026-06-05 |
De novo design of RNA pseudoknots with deep learning
2026-May-22, bioRxiv : the preprint server for biology
DOI:10.64898/2026.05.21.726960
PMID:42239184
|
研究论文 | 利用深度学习实现RNA假结的从头设计 | 首次展示了基于深度学习的生成式AI能够通过准确的二级结构设计，生成具有复杂三级结构的RNA假结，并且AI设计的分子形成了设计中未建模的非经典三级相互作用，表现出有序的三维折叠 | 研究主要基于先前的化学图谱数据训练的基础模型，可能对新型或未在训练集中出现的RNA结构设计存在局限，且三维结构设计的准确性仍有提升空间 | 探索利用深度学习实现RNA假结的精确从头设计 | RNA假结结构 | 机器学习 | NA | 化学图谱、补偿突变、冷冻电镜 | RNet基础模型 | 化学图谱数据 | 57个假结结构 | NA | RNet | 单核苷酸分辨率化学图谱、补偿突变验证、冷冻电镜 | NA |
| 1031 | 2026-06-05 |
Acoustic-based Stenosis Detection for Dialysis Patients using Explainable Machine Learning
2026-May-22, Research square
DOI:10.21203/rs.3.rs-9781692/v1
PMID:42239778
|
研究论文 | 通过可解释机器学习方法，基于声学记录自动检测透析患者动静脉瘘狭窄 | 首次系统性比较经典机器学习模型与视觉Transformer在动静脉瘘狭窄声学检测中的性能，并结合SHAP分析提供生理学可解释性 | NA | 开发一种非侵入性、可解释的动静脉瘘狭窄自动检测方法，提升透析患者长期血管通路监测的临床可行性 | 血液透析患者的动静脉瘘声学记录 | 机器学习 | 肾脏疾病 | 声学录音 | 经典机器学习模型、视觉Transformer | 声学信号 | NA | NA | Vision Transformer | F1分数 | NA |
| 1032 | 2026-06-05 |
Maximizing pancreatic carcinoma classification performance using parrot optimized vision transformer
2026-May-21, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-53240-w
PMID:42168286
|
研究论文 | 利用鹦鹉优化视觉变换器最大化胰腺癌分类性能 | 结合YOLOv11特征提取、视觉变换器分类和鹦鹉元启发式优化算法，实现胰腺CT图像的高精度分类 | 数据集仅来自Kaggle的1411张图像，可能缺乏泛化性；未提及外部验证或临床应用可行性 | 开发一种自动化系统用于胰腺癌的识别与分类 | 胰腺CT图像，包含1411张图像 | 计算机视觉 | 胰腺癌 | CT成像 | 视觉变换器 | 图像 | 1411张胰腺CT图像 | NA | UNet, YOLOv11, Vision Transformer | 准确率, 精确率, 召回率, F1分数, 马修斯相关系数, 真阳性率, 假阳性率 | NA |
| 1033 | 2026-06-05 |
A Robust Deep Learning Framework for Skill Level Discrimination in Tennis Strokes Using Bilateral IMU Measurements
2026-May-21, Sensors (Basel, Switzerland)
DOI:10.3390/s26103273
PMID:42198080
|
研究论文 | 提出一种基于同步双侧惯性测量单元数据的层次化深度学习框架，用于网球击球技能水平分类，准确率达95.54% | 首次利用双侧惯性测量单元数据结合CNN-BiLSTM混合架构自动提取时空特征，实现精英与业余球员的客观区分，并揭示精英运动员的双侧协调稳定性优势 | 样本量有限（39名参与者），且仅涵盖特定类型击球（正手、反手、发球、截击），可能影响泛化性 | 开发客观、可现场应用的技能分类系统，用于网球教练和人才识别，克服主观视觉观察的局限 | 39名网球运动员（11名精英、28名业余）的4594次击球数据（含增强样本） | 机器学习 | NA | IMU | CNN-BiLSTM | 时间序列信号 | 39名参与者（11精英、28业余），4594次击球数据 | NA | CNN, BiLSTM | 准确率 | NA |
| 1034 | 2026-06-05 |
DigitAb: Domain-Adaptive Cell Type Prediction Method from Light Microscopy Images
2026-May-21, bioRxiv : the preprint server for biology
DOI:10.64898/2026.05.19.726313
PMID:42239069
|
研究论文 | 提出DigitAb，一种从H&E染色切片直接分类细胞类型的深度学习框架，无需特殊免疫染色 | 首次利用Phenocycler多重成像技术生成高分辨率金标准，结合对抗域适应模块实现跨数据集、无需标注的细胞类型预测 | NA | 开发一种低成本、可访问的深度学习工具直接从常规组织学图像预测细胞类型 | 29份人肾脏样本（来自四个多机构数据集）中的约350万个细胞 | 计算机视觉 | 肾移植排斥反应、糖尿病肾病 | H&E染色、Phenocycler多重成像 | 语义分割模型 | 图像 | 29份人肾脏样本，约350万个细胞 | PyTorch | NA | 平衡准确率 | 云平台 |
| 1035 | 2026-06-05 |
Deep Learning-Enhanced Generation and Screening of Antihyperuricemic Peptides from Chickpea Proteins: from Multienzyme Optimization to Molecular Mechanisms
2026-May-20, Journal of agricultural and food chemistry
IF:5.7Q1
DOI:10.1021/acs.jafc.6c00467
PMID:42158992
|
研究论文 | 利用深度学习结合大语言模型优化多酶水解策略，从鹰嘴豆蛋白中生成并筛选抗高尿酸血症肽 | 首次将大语言模型引导的策略与深度学习辅助的酶选择相结合，优化多酶水解方案，高效生成具有抗高尿酸血症活性的鹰嘴豆肽 | 仅基于计算机模拟和体外实验验证，缺乏体内动物模型和临床试验数据支持 | 开发一种大语言模型引导的深度学习方法，优化多酶水解策略，从鹰嘴豆蛋白中筛选具有抗高尿酸血症活性的生物活性肽 | 鹰嘴豆蛋白及其酶解产物 | 机器学习 | 高尿酸血症 | 分子对接 | 深度学习模型 | 文本 | 四种酶组合（Flavourzyme-Pepsin-Pancreatin）产生的水解产物MGI，以及4种三肽（LLF、GFM、FSF、SWL） | NA | NA | 黄嘌呤氧化酶抑制活性（94.1%），活性保持率（91.5%） | NA |
| 1036 | 2026-06-05 |
YOLO-AFL: A Novel Lightweight Algorithm for Real-Time Safety Helmet Detection in Factory Workshops
2026-May-20, Sensors (Basel, Switzerland)
DOI:10.3390/s26103237
PMID:42198046
|
研究论文 | 提出一种基于YOLO-AFL的轻量级实时安全帽检测算法，解决工厂车间中深度学习模型参数大、计算量高的问题 | 引入K-Means++算法与1-AIoU距离度量优化锚框预处理，采用轻量级PConv操作改进C3模块，设计双注意力网络LDA-GC补偿精度损失 | 在自定义数据集上验证，泛化能力未充分测试；未提及实时性指标（如FPS） | 开发高效轻量级安全帽检测算法，适用于资源受限的工厂车间部署 | 工厂车间工人安全帽佩戴情况 | 计算机视觉 | 不适用 | 深度学习 | CNN | 图像 | 自定义数据集，具体数量未说明 | 不适用 | YOLO-AFL | mAP50 | NA |
| 1037 | 2026-06-05 |
An Open Multi-Center Whole-Body FDG PET/CT Foundation Model for Tumor Segmentation
2026-May-20, ArXiv
PMID:42238067
|
研究论文 | 提出一个基于多中心全身FDG PET/CT的开源基础模型，用于肿瘤分割 | 采用分层UNet形状骨干网络与早期通道级联，实现解剖和代谢特征从第一嵌入层开始的交互；引入基于零均值填补的掩码自编码目标，避免掩码区域边界的非物理强度不连续 | 未在文中明确提及局限性 | 开发一个标签高效的、跨模态的PET/CT肿瘤分割基础模型，减少对大规模人工标注的依赖 | 4,997个来自四个公开数据集的多中心全身FDG PET/CT扫描 | 计算机视觉 | 肿瘤 | FDG PET/CT成像 | UNet形基础模型 | PET/CT图像 | 4,997个多中心全身FDG PET/CT扫描 | PyTorch | 分层UNet形状骨干网络 | Dice系数 | 未在文中明确提及计算资源 |
| 1038 | 2026-06-05 |
Automated identification of bolus types in modified barium swallow studies using deep learning: a preliminary study
2026-May-20, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.05.16.26353385
PMID:42238390
|
研究论文 | 提出一种基于深度学习的自动分类方法，用于改良钡餐吞咽研究中食团类型的识别 | 首次将膨胀3D卷积神经网络应用于改良钡餐视频中食团类型的自动分类，提供标准化高效的吞咽评估流程 | 初步研究，样本量有限且性别比例不均衡，仅评估了三种食团类型，实际临床应用中可能存在更多类别 | 开发自动化分类系统，减少对人工标注的依赖，简化临床和研究工作流程 | 206名患者的277个改良钡餐研究，包含2,752个食团视频片段（液体、布丁、固体） | 计算机视觉 | 吞咽障碍 | 视频荧光吞咽造影 | 膨胀3D卷积神经网络 | 视频 | 206名患者（平均年龄60.24±9.02岁，89.32%为男性），共277个研究，2,752个视频片段 | PyTorch | 膨胀3D卷积神经网络 | 准确率，宏F1分数 | NA |
| 1039 | 2026-06-05 |
Evaluating OCT Device-Reported Image Quality Score: Towards a Task-Specific Quality Gate for Deep Learning-based Outer-Retina and Choroid Boundary Segmentation
2026-May-20, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.05.17.26353399
PMID:42238405
|
研究论文 | 评估OCT设备报告图像质量评分对深度学习视网膜外层和脉络膜边界分割任务的有效性 | 首次系统验证制造商定义的信号强度指数与深度学习分割精度的关系，并引入最优传输理论中的推土机距离作为边界评估指标 | Q-score对深度学习边界分割精度预测能力极差，解释方差不超过1.4%，且存在解剖深度相关误差层级和悖论相关性 | 探究OCT设备信号强度指数（Q-score）能否作为深度学习分割模型性能的可靠质量门控 | 103只眼睛的5,047张B扫描图像，包含椭圆体带、Bruch膜和脉络膜外边界三个解剖边界 | 计算机视觉 | 眼部疾病 | OCT成像 | U-Net | 图像 | 103只眼睛的5,047张B扫描图像 | NA | U-Net | 平均绝对误差、均方误差、Dice相似系数、推土机距离 | NA |
| 1040 | 2026-06-05 |
HiCP2GAN: A Plug and Play Foundation Model-based GAN for Hi-C Enhancement
2026-May-20, bioRxiv : the preprint server for biology
DOI:10.64898/2026.05.18.725960
PMID:42239130
|
研究论文 | 提出HiCP2GAN，一种基于预训练视觉Transformer基础模型作为判别器的即插即用生成对抗网络，用于增强Hi-C数据分辨率 | 首次将预训练的Hi-C基础模型（基于视觉Transformer）作为GAN判别器，利用其在大规模跨物种Hi-C数据上学习的丰富表示能力，提供生物有意义的对抗梯度；提出生成器无关框架，允许直接比较不同增强架构 | 仅在人细胞系上验证，未涉及其他物种或细胞类型；判别器仅冻结深层Transformer层并微调浅层，可能未充分探索最优微调策略 | 开发一种即插即用、生成器无关的GAN框架，利用预训练基础模型提升Hi-C数据增强性能 | 人类细胞系中的Hi-C接触图谱（稀疏接触图） | 机器学习 | 不适用 | Hi-C | 生成对抗网络（GAN） | Hi-C接触矩阵 | 118百万个跨物种和细胞类型的Hi-C补丁用于预训练；人类细胞系样本用于实验（具体数量未提供） | PyTorch | 视觉Transformer（ViT）作为判别器主干；生成器架构无关（任何兼容的Hi-C增强架构） | 不适用 | 不适用 |