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 43010 篇文献，本页显示第 1041 - 1060 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1041 | 2026-03-28 |
Letter to the Editor: Deep learning-derived features on neonatal abdominal radiographs-implications and next steps for early NEC diagnosis
2026-Mar-26, European radiology
IF:4.7Q1
DOI:10.1007/s00330-026-12463-1
PMID:41888253
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1042 | 2026-03-28 |
DermaScanAI an explainable hybrid deep learning framework for automated skin lesion classification using dual attention and metadata fusion
2026-Mar-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-46011-0
PMID:41888268
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1043 | 2026-03-28 |
MAGNet: enhancing action recognition with multimodal fusion and adaptive graph convolution
2026-Mar-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-45601-2
PMID:41888423
|
研究论文 | 本文提出了一种基于多模态自适应图卷积网络（MAGNet）的人类动作识别模型，通过自适应图卷积和跨模态自注意力机制增强多模态数据融合 | 整合自适应图卷积和跨模态自注意力机制以增强多模态数据融合，动态调整各模态贡献以处理数据不完整问题，并引入VQ-VAE生成模型处理缺失数据并生成解剖学一致的姿态特征 | 未明确说明模型在极端噪声或完全缺失关键模态情况下的性能边界 | 提升复杂环境下人类动作识别的准确性和鲁棒性 | 人类动作视频数据 | 计算机视觉 | NA | 多模态数据融合 | 图卷积网络, 自注意力机制, VQ-VAE | 多模态数据（RGB视频、深度信息等） | NTU RGB+D和UTD-MHAD数据集 | 未明确说明 | MAGNet（多模态自适应图卷积网络） | 准确率 | NA |
| 1044 | 2026-03-28 |
GHMS-CycleGAN: Graph-Based Hierarchical Multi-stain CycleGAN for Stain Normalization and Classification in Digital Pathology
2026-Mar-26, Journal of imaging informatics in medicine
DOI:10.1007/s10278-026-01854-x
PMID:41888441
|
研究论文 | 本文提出了一种基于图的层次多染色CycleGAN方法，用于数字病理学中的染色归一化和分类任务 | 提出了新颖的层次多染色CycleGAN（HMS-CycleGAN）和图基HMS-CycleGAN（GHMS-CycleGAN）框架，通过利用数字病理图像中的层次和网络结构来学习图像归一化映射 | NA | 解决数字病理学中因扫描仪导致的染色变异和失真问题，以提升深度学习辅助诊断系统的性能 | 组织病理学图像、红细胞（RBC）图像和白细胞（WBC）图像 | 数字病理学 | NA | 数字病理扫描 | CycleGAN | 图像 | 来自不同扫描仪和机构的组织病理学、RBC和WBC图像数据集 | NA | CycleGAN | 准确率, F1分数 | NA |
| 1045 | 2026-03-28 |
ResSeMo: deep convolutional neural network integration for high-accuracy waste classification and efficient processing
2026-Mar-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-45814-5
PMID:41888559
|
研究论文 | 提出了一种名为ResSeMo的轻量化废物分类模型，通过多模块协同优化提升分类精度与处理效率 | 首次将ResNeXt的多尺度特征提取、SENet的通道注意力机制与MobileNetV3的轻量化设计相结合，构建了适用于复杂场景的废物分类模型 | 未在更多样化的真实环境数据集上进行验证，模型在极端噪声条件下的性能下降仍需改进 | 开发高精度、高效率且适应复杂场景的废物分类模型 | 城市废物图像数据 | 计算机视觉 | NA | 深度学习 | CNN | 图像 | TrashNet和TACO两个公开数据集 | NA | ResNeXt, SENet, MobileNetV3 | 准确率 | NA |
| 1046 | 2026-03-28 |
Optimized Lightweight U-Net and YOLACT framework for multi-disease severity detection in pome fruit leaves
2026-Mar-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-45947-7
PMID:41888567
|
研究论文 | 本文提出了一种新颖的双模型深度学习框架，用于检测和分类仁果类叶片中多种疾病的严重程度 | 引入了结合轻量级Lite-U-Net和增强型Lite-YOLACT的双模型框架，用于处理单叶片上共存的多种疾病，并提出了一种新的多病严重程度量化标准 | 未明确提及模型在更广泛环境或不同光照条件下的泛化能力，以及计算资源消耗的具体评估 | 开发一种高效、可解释且可扩展的深度学习解决方案，用于现实世界作物健康监测与管理 | 仁果类（如苹果和梨）的叶片 | 计算机视觉 | 植物疾病 | 深度学习 | CNN | 图像 | NA | PyTorch | MobileNetV2, Lite-U-Net, Lite-YOLACT | 准确率 | NA |
| 1047 | 2026-03-28 |
Impact of scanning parameters on deep learning coronary artery calcium scoring in non‑gated chest CT
2026-Mar-26, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-026-02306-2
PMID:41888686
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1048 | 2026-03-28 |
Multicomponent Simultaneous Identification Network (MSINet): An Advanced Deep Learning Model for Boosting Multiplex SERS Detection in Untreated Real Samples
2026-Mar-26, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.5c06647
PMID:41889153
|
研究论文 | 本文提出了一种名为MSINet的深度学习模型，用于分析未处理样品的SERS光谱，以同时识别和定量多种目标成分 | 设计了MSINet模型，通过分层特征提取和多特征整合，增强了模型对信号波动和光谱重叠的鲁棒性，并利用阈值判断规则实现了小样本训练下的目标定量 | 未明确讨论模型在极端复杂基质或极低浓度目标下的性能限制 | 提升未处理真实样品中多目标SERS检测的准确性和鲁棒性 | 海水中的紫外线吸收剂、即饮鸡尾酒中的食品添加剂、人血清中的生物标志物 | 机器学习 | NA | 表面增强拉曼光谱 | 深度学习模型 | 光谱数据 | NA | NA | MSINet | 准确度 | NA |
| 1049 | 2026-03-28 |
A generalizable deep learning system for cardiac MRI
2026-Mar-25, Nature biomedical engineering
IF:26.8Q1
DOI:10.1038/s41551-026-01637-3
PMID:41882174
|
研究论文 | 本文提出了一种基于自监督对比学习的深度学习系统，用于心脏MRI的全面评估，能够表征人类心血管疾病与健康的广泛范围 | 通过从原始放射学报告中学习视觉概念，利用自监督对比学习训练模型，实现了对39种不同心血管疾病的高精度诊断，且仅需少量训练数据 | 研究数据主要来自美国四家大型学术临床机构，可能限制了模型在其他地区或人群中的泛化能力 | 开发一个可泛化的深度学习系统，用于心脏MRI的结构、功能和组织特征评估 | 心脏MRI扫描图像及伴随的放射学报告文本 | 计算机视觉 | 心血管疾病 | 心脏MRI | 深度学习模型 | 图像, 文本 | 来自美国四家大型学术临床机构、UK BioBank及两个公开外部数据集的数据 | NA | NA | 诊断准确性 | NA |
| 1050 | 2026-03-28 |
MuCB-tabpfn: A multimodal feature fusion framework for predicting human blood concentrations of organic pollutants
2026-Mar-25, Ecotoxicology and environmental safety
IF:6.2Q1
DOI:10.1016/j.ecoenv.2026.120055
PMID:41886874
|
研究论文 | 本文提出了一种名为MuCB-tabpfn的多模态深度学习框架，用于预测人体血液中有机污染物的浓度 | 开发了一个新颖的多模态深度学习框架，通过整合ADME参数、PaDEL分子描述符和基于图迁移学习获得的Himol特征，实现了对化学性质的全面表征，显著提升了血液浓度预测的准确性 | 模型训练所使用的数据集规模相对较小（216种化合物），可能限制了其在更广泛化学空间中的泛化能力 | 开发一个高精度、稳健且可解释的计算模型，以预测人体血液中有机污染物的浓度，支持化学品安全评估和健康风险研究 | 环境有机污染物，特别是来自NHANES、Biomonitoring California和ExposureExplorer数据库的216种化合物 | 机器学习 | NA | 深度学习，图迁移学习，多模态特征融合 | 深度学习框架 | 多模态数据（ADME参数，分子描述符，分子图特征） | 216种环境化合物 | NA | MuCB-tabpfn（自定义多模态融合架构） | R, RMSE | NA |
| 1051 | 2026-03-28 |
Offshore oil spill detection based on visual information and deep learning
2026-Mar-25, Marine pollution bulletin
IF:5.3Q1
DOI:10.1016/j.marpolbul.2026.119633
PMID:41887111
|
研究论文 | 本文提出了一种基于视觉信息和深度学习的海上溢油检测方法，利用合成孔径雷达图像和U-Net架构的模型进行检测 | 提出了一种结合EfficientNet-B7和ResNeXt作为U-Net骨干网络的模型，用于分析合成孔径雷达图像以检测海上溢油 | NA | 开发高效的海上溢油检测方法，以减少环境损害并确保环境安全 | 合成孔径雷达图像，具体来自PALSAR和Sentinel-1数据集 | 计算机视觉 | NA | 合成孔径雷达成像 | CNN | 图像 | NA | NA | U-Net, EfficientNet-B7, ResNeXt | 平均IoU, Dice系数 | NA |
| 1052 | 2026-03-28 |
Assessment of a Deep Learning Model Trained on Permanent Pathology for the Classification of Squamous Cell Carcinoma in Mohs Frozen Sections: Lessons Learned
2026-Mar-24, Dermatologic surgery : official publication for American Society for Dermatologic Surgery [et al.]
IF:2.5Q1
DOI:10.1097/DSS.0000000000005096
PMID:41886676
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1053 | 2026-03-28 |
Frontiers and challenges in the design of binders for intrinsically disordered proteins
2026-Mar-24, Current opinion in structural biology
IF:6.1Q1
DOI:10.1016/j.sbi.2026.103256
PMID:41887012
|
综述 | 本文综述了针对内在无序蛋白质（IDPs）的配体设计前沿与挑战，探讨了从基于物理原理到深度学习驱动的设计策略 | 系统性地剖析了针对动态、无稳定结构蛋白质的计算设计策略，并整合了物理原理与深度学习方法的进展 | NA | 探讨内在无序蛋白质配体设计的原则、优势、限制及未来方向 | 内在无序蛋白质及其配体 | 计算蛋白质设计 | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1054 | 2026-03-28 |
A Deep Learning Pathomic Signature Predicts Survival and Recurrence in Pancreatic Ductal Adenocarcinoma Independent of CA19-9
2026-Mar-24, Cancer letters
IF:9.1Q1
DOI:10.1016/j.canlet.2026.218452
PMID:41887395
|
研究论文 | 本研究开发了一种基于深度学习的病理组学特征（PCPS），用于预测胰腺导管腺癌（PDAC）患者的生存和复发风险，其预测能力独立于血清标志物CA19-9 | 首次开发了基于常规H&E染色全切片图像的深度学习病理组学特征，能够有效对CA19-9阴性患者进行风险分层，并揭示了与免疫抑制微环境和基底样上皮细胞状态相关的生物学机制 | 研究样本量相对有限（内部队列252例，外部验证队列183例），且为回顾性研究，需要前瞻性多中心验证 | 开发一种独立于CA19-9的预后生物标志物，以改善胰腺导管腺癌的风险分层和治疗指导 | 胰腺导管腺癌（PDAC）患者 | 数字病理学 | 胰腺癌 | 苏木精-伊红（H&E）染色全切片图像分析 | 深度学习模型 | 病理图像 | 内部队列252例患者，外部验证队列183例患者（来自TCGA） | NA | NA | C-index, 风险比（HR）, P值 | NA |
| 1055 | 2026-03-28 |
ProMol_Func: A Structure-Free Deep Learning Model for Virtual Screening
2026-Mar-23, JACS Au
IF:8.5Q1
DOI:10.1021/jacsau.6c00173
PMID:41889774
|
研究论文 | 提出了一种名为ProMol_Func的无结构深度学习框架，用于虚拟筛选，通过整合小分子的图编码和仅从氨基酸序列衍生的蛋白质功能嵌入，克服了传统结构依赖方法的限制 | 开发了一种不依赖蛋白质结构的深度学习模型，结合了图编码和蛋白质功能嵌入，并利用实验验证的非活性化合物和随机诱饵增强训练数据，提高了筛选能力和泛化性 | 未明确提及模型在处理极大规模数据集或特定蛋白质家族时的具体限制 | 旨在开发一种高效且可扩展的虚拟筛选方法，以替代传统计算密集型且依赖蛋白质结构的药物设计模型 | 小分子化合物和蛋白质（特别是DnaK蛋白伴侣） | 机器学习 | NA | 深度学习，虚拟筛选 | 深度学习模型 | 小分子图编码，蛋白质氨基酸序列 | 使用LIT-PCBA基准数据集进行训练和评估，具体样本数量未明确说明 | NA | NA | 富集因子（EF1%） | NA |
| 1056 | 2026-03-28 |
SkinCast: an AI-driven mechanistically interpretable model for predicting skin sensitization of environmentally released consumer product ingredients
2026-Mar-22, Environment international
IF:10.3Q1
DOI:10.1016/j.envint.2026.110209
PMID:41886929
|
研究论文 | 开发了一种名为SkinCast的AI驱动、机制可解释模型，用于预测环境释放的消费品成分引起的皮肤致敏性 | 通过整合皮肤致敏途径中的四个关键事件，并采用图卷积网络进行结构表示，结合生物加权评分函数实现机制可解释的预测 | 未明确说明模型在特定化学类别或复杂混合物中的泛化能力限制 | 预测环境释放的消费品成分的皮肤致敏性，以识别潜在致敏原 | 消费品成分，特别是香料成分 | 机器学习 | 皮肤过敏 | 定量构效关系 | 图卷积网络, 机器学习, 深度学习 | 化学结构数据 | 验证化合物未明确数量，但应用于3,415种香料成分 | NA | 图卷积网络 | AUC | NA |
| 1057 | 2026-03-28 |
Uncertainty-Aware Explainable AI for Pancreatic Cysts: Identifying Deep Learning Vulnerabilities and Ensuring Safe Clinical Triage in IPMN Management
2026-Mar-22, Research square
DOI:10.21203/rs.3.rs-9096790/v1
PMID:41890858
|
研究论文 | 本研究首次将可解释AI与不确定性量化相结合，评估胰腺囊肿特征对深度学习模型在IPMN恶性风险预测中性能的影响 | 首次在多中心研究中系统分析囊肿类型、大小和位置对深度学习模型行为的影响，并整合SHAP、LIME、Grad-CAM和不确定性量化进行全面的可解释性分析 | 回顾性研究设计，样本量相对有限（170例IPMNs），模型整体准确率仅为67.1% | 评估深度学习模型在IPMN恶性风险分层中的性能，并识别模型在复杂高风险病例中的脆弱性 | 来自七个医疗中心的170例胰腺导管内乳头状黏液性肿瘤（IPMNs） | 数字病理学 | 胰腺癌 | 放射组学-深度学习融合模型 | 深度学习 | 医学影像 | 170例IPMNs | NA | NA | 准确率 | NA |
| 1058 | 2026-03-28 |
Opioid Overdose Death Prediction with Graph Neural Networks
2026-Mar-22, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.03.18.26348454
PMID:41890993
|
研究论文 | 本文提出了一种时空图神经网络框架，用于预测美国俄亥俄州县级阿片类药物过量死亡人数 | 结合图神经网络捕捉县级空间关系和LSTM网络建模时间动态，并采用基于分类的策略改进小县预测 | 研究仅针对俄亥俄州88个县，模型在其他地区的泛化能力未经验证 | 提高县级阿片类药物过量死亡的预测准确性，以支持及时的公共卫生干预 | 俄亥俄州88个县的阿片类药物过量死亡数据 | 机器学习 | 药物过量 | 时空数据分析 | GNN, LSTM | 时间序列数据，空间数据 | 88个县从2017年第一季度至2023年第二季度的季度数据 | 未明确指定 | 时空图神经网络 | 未明确指定 | NA |
| 1059 | 2026-03-28 |
Ancestral state reconstruction with discrete characters using deep learning
2026-Mar-21, bioRxiv : the preprint server for biology
DOI:10.64898/2026.03.19.712918
PMID:41890074
|
研究论文 | 本研究利用深度学习软件phyddle进行祖先状态重建，评估其在各种方法和模型条件下的性能，并与贝叶斯推断进行比较 | 将深度学习应用于系统发育学中的祖先状态重建，特别是针对似然函数难以处理的复杂模型，提供了一种替代传统基于似然推断的新方法 | 在树规模增大时性能下降，且对于复杂模型（如物种形成和灭绝模型），其估计与贝叶斯推断的差异更大 | 开发并评估深度学习在系统发育学中祖先状态重建的应用，以处理似然函数难以计算的模型 | 离散字符模型下的祖先状态重建，包括简单马尔可夫模型和更复杂的生物现实模型 | 机器学习 | NA | 深度学习 | 深度学习模型 | 离散字符数据 | NA | phyddle | NA | NA | NA |
| 1060 | 2026-03-28 |
Protocol for non-invasive tumor monitoring and diagnosis based on interpretable deep learning
2026-Mar-20, STAR protocols
IF:1.3Q4
DOI:10.1016/j.xpro.2026.104358
PMID:41653437
|
研究论文 | 本文介绍了一种基于可解释深度学习框架Oncoder的非侵入性肿瘤监测和诊断协议 | 利用可解释深度学习框架Oncoder，通过追踪患者血浆cfDNA中肿瘤特异性DNA甲基化信号的动态变化来监测治疗反应 | NA | 开发非侵入性肿瘤监测和诊断协议 | 血浆细胞游离DNA中的肿瘤特异性DNA甲基化 | 机器学习 | 肿瘤 | DNA甲基化分析 | 深度学习 | 甲基化数据 | NA | NA | Oncoder | NA | NA |