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 43430 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 | 2026-04-05 |
CTRNet: a lightweight and efficient deep learning model for field maize whorl identification
2026-03-30, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-45727-3
PMID:41912746
|
研究论文 | 本文提出了一种名为CTRNet的轻量高效深度学习模型，用于田间玉米喇叭口期的玉米心叶识别 | 通过多尺度上下文交互模块、双通道细粒度特征增强模块、门控自适应信息融合模块以及自适应通道边缘注意力机制，增强了小目标在遮挡和复杂背景下的特征表示 | NA | 解决田间环境下玉米心叶因目标极小、叶片遮挡频繁、背景复杂及光照动态变化而导致的准确检测难题 | 田间玉米喇叭口期的玉米心叶 | 计算机视觉 | NA | NA | CNN | 图像 | NA | NA | CTRNet | mAP@0.5 | NA |
| 1042 | 2026-04-01 |
Deep learning-based detection of bowel sound events in continuous recordings
2026-03-30, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-47018-3
PMID:41912873
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1043 | 2026-04-01 |
Deep learning for incidence rate prediction and radiation risk assessment of solid tumors
2026-03-30, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-46756-8
PMID:41912895
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1044 | 2026-04-05 |
Deep learning model for predicting mRNA half-life based on 3'UTR sequences
2026-Mar-30, Biochemical and biophysical research communications
IF:2.5Q3
DOI:10.1016/j.bbrc.2026.153691
PMID:41932116
|
研究论文 | 本文提出了一种基于预训练RNA语言模型和Transformer架构的深度学习模型，用于仅根据3'UTR序列预测酿酒酵母mRNA的半衰期 | 结合预训练的RNA语言模型（RNA-FM）与Transformer骨干网络，构建了一个兼具预测准确性和生物学可解释性的序列驱动框架，并识别出影响mRNA稳定性的关键短基序 | 模型目前仅针对酿酒酵母（Saccharomyces cerevisiae）的转录本进行预测，尚未在其他物种中验证 | 从3'UTR序列预测mRNA半衰期，以研究基因表达稳态和转录后调控 | 酿酒酵母（Saccharomyces cerevisiae）转录本的3'UTR序列 | 自然语言处理, 机器学习 | NA | RNA序列分析 | Transformer | 序列（3'UTR RNA序列） | 未明确指定具体样本数量，但使用了独立留出测试集和5折交叉验证 | 未明确指定，可能为PyTorch或TensorFlow | Transformer, RNA-FM | RMSE, MAE, R（相关系数） | NA |
| 1045 | 2026-04-05 |
Training instabilities favor flatter solutions in gradient descent
2026-Mar-23, Neural networks : the official journal of the International Neural Network Society
IF:6.0Q1
DOI:10.1016/j.neunet.2026.108874
PMID:41932126
|
研究论文 | 本文探讨了梯度下降训练中的不稳定性如何通过隐式偏好驱动参数向损失函数的平坦区域移动，从而提升泛化性能 | 揭示了训练不稳定性通过特征向量旋转极性机制促进平坦解，并扩展了该理论至随机梯度下降和Adam优化器 | 理论分析主要基于梯度下降框架，实际深度网络中的复杂动态可能需要进一步验证 | 研究梯度下降训练不稳定性对深度学习模型泛化能力的影响机制 | 梯度下降优化过程中的训练动态与损失函数景观 | 机器学习 | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1046 | 2026-04-05 |
GCN combined with snake convolution for enhanced topological perception in thrombotic hepatic portal vein segmentation
2026-Mar-21, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2026.104050
PMID:41932133
|
研究论文 | 提出了一种名为SnakeGCN的创新3D分割模型，用于解决肝硬化背景下门静脉血栓导致的血管分割挑战 | 结合3D蛇形卷积模块与图卷积网络（GCN），并引入关系损失（TLoss），以增强对血管网络全局拓扑结构的感知并处理血管缺失段 | NA | 实现肝硬化并发症中门静脉的精确分割，以进行定量评估 | 门静脉血管网络 | 数字病理学 | 肝硬化 | NA | CNN, GCN | 3D图像 | 多中心临床数据集及两个公共数据集（MSD-HepaticVessel和3D-IRCADb） | NA | nnU-Net, SnakeGCN | Dice分数, 连通分量（CC）值 | NA |
| 1047 | 2026-04-05 |
Satellite On-Orbit Chip-Level Deep Learning Model for Real-Time Dust Storm Monitoring
2026-Mar-19, Environmental science & technology
IF:10.8Q1
DOI:10.1021/acs.est.5c14697
PMID:41855461
|
研究论文 | 本文提出了一种用于实时沙尘暴监测的星载芯片级深度学习模型，通过星上处理大幅降低数据延迟 | 首次实现了星载深度学习框架，将沙尘暴检测和定量反演直接部署在卫星上，将产品生成时间从数小时缩短至5.62分钟，并采用级联设计和尾部感知损失函数优化高浓度值的反演精度 | 模型在资源受限的星载计算平台（如NVIDIA Jetson AGX Orin）上进行了模拟部署验证，但实际在轨运行可能面临更多环境挑战，且研究主要针对特定卫星（Himawari-8/9）数据 | 开发一种实时、低延迟的沙尘暴监测系统，用于灾害预警和暴露评估 | 沙尘暴事件及其相关的PM10和PM2.5浓度 | 计算机视觉 | NA | 深度学习，卫星遥感 | CNN, LSTM | 卫星图像 | NA | PyTorch, TensorFlow | 级联设计（轻量级事件门控与多任务反演器） | RMSE | NVIDIA Jetson AGX Orin平台，功耗约10W，内存占用<3GB |
| 1048 | 2026-04-05 |
Identifying microbial protease allergens through protein language model-guided homology
2026-Mar-18, Cell systems
IF:9.0Q1
DOI:10.1016/j.cels.2025.101510
PMID:41722567
|
研究论文 | 本研究利用深度学习与预训练蛋白质语言模型，从宏基因组数据中识别微生物丝氨酸蛋白酶过敏原 | 首次将蛋白质语言模型与深度学习框架结合，通过保守催化三联体识别低序列同源性的过敏原同源物，突破了传统方法的局限 | 方法依赖于预训练蛋白质语言模型的表征能力，且实验验证仅针对部分预测结果 | 开发计算框架以发现微生物来源的新型蛋白酶过敏原 | 肠道、皮肤和口腔微生物组中的丝氨酸蛋白酶与半胱氨酸蛋白酶 | 生物信息学, 机器学习 | 过敏性疾病 | 宏基因组学, 深度学习, 蛋白质语言模型 | 深度学习框架, 蛋白质语言模型 | 蛋白质序列数据, 宏基因组数据 | NA | NA | 蛋白质语言模型引导的深度学习框架 | 实验验证（免疫诱导过敏反应） | NA |
| 1049 | 2026-04-05 |
Predicting Adherence to Computer-Based Cognitive Training Programs Among Older Adults Using Source-Free Domain Adaptation: Algorithm Development and Validation
2026-Mar-18, JMIR aging
IF:5.0Q1
DOI:10.2196/79123
PMID:41848218
|
研究论文 | 本研究开发并验证了一种基于源自由域适应的算法，用于预测老年人对计算机化认知训练项目的依从性 | 首次应用源自由域适应技术预测老年人对认知训练项目的日常依从性，解决了数据隐私限制下的模型训练问题 | 研究依赖于三个先前进行的认知训练干预研究数据，样本来源可能有限 | 提高预测老年人认知训练项目依从模式的准确性，以开发个性化支持系统促进依从性和改善认知结果 | 参与计算机化认知训练项目的老年人 | 机器学习 | 老年疾病 | 源自由域适应 | 深度神经网络 | 训练数据 | 来自三个先前认知训练干预研究的数据 | NA | NA | NA | NA |
| 1050 | 2026-04-05 |
Comparison of Patient Reviews for Submental Liposuction and Kybella Using Deep Learning and Natural Language Processing: Is There a Superior Intervention for Submental Adiposity?
2026-Mar-17, Aesthetic surgery journal
IF:3.0Q1
DOI:10.1093/asj/sjaf129
PMID:40577594
|
研究论文 | 本研究使用深度学习和自然语言处理技术比较了患者对颏下吸脂术和Kybella注射的在线评价，以评估两种干预措施在患者满意度和情感体验上的差异 | 首次应用优化的BERT模型分析RealSelf平台上的患者评论，比较颏下吸脂术与Kybella注射的情感倾向和满意度 | 研究基于在线评论，可能存在选择偏倚；未考虑临床客观指标；样本仅限于英语评论 | 比较颏下吸脂术和Kybella注射在患者报告结局方面的优劣，为临床决策提供参考 | RealSelf平台上2014年至2024年间关于颏下吸脂术和Kybella注射的英文患者评论 | 自然语言处理 | NA | 自然语言处理 | BERT | 文本 | 1338条评论（颏下吸脂术753条，Kybella注射585条） | NA | Bidirectional Encoder Representation from Transformers | 情感评分（0-1），情绪分类比例 | NA |
| 1051 | 2026-03-18 |
Uncertainty-aware automated labeling of intracranial arteries using deep learning
2026-Mar-16, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-026-02276-5
PMID:41840364
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1052 | 2026-04-05 |
Assessing the influence of kernel selection on chest computed tomography image quality across varying dose levels using TrueFidelity reconstruction
2026-Mar-13, Radiation protection dosimetry
IF:0.8Q4
DOI:10.1093/rpd/ncaf143
PMID:41821439
|
研究论文 | 本研究评估了在不同剂量水平下，使用TrueFidelity重建算法时，不同重建核（Standard核与Lung核）对胸部CT图像质量的影响 | 首次系统比较了TrueFidelity深度学习重建算法中新增的Lung核与传统Standard核在常规剂量与超低剂量胸部CT中的图像质量差异 | 样本量较小（25例患者），超低剂量协议中未发现统计学显著差异，且超低剂量图像在肺气肿评估中常被评为不可接受 | 评估深度学习图像重建算法中不同重建核对胸部CT图像质量的影响 | 胸部CT扫描图像 | 医学影像分析 | 肺部疾病 | 深度学习图像重建（DLIR）、CT扫描 | 深度学习神经网络 | CT图像 | 25例患者 | TrueFidelity（GE Healthcare商用软件） | NA | 视觉分级特征曲线下面积（AUCVGC） | NA |
| 1053 | 2026-04-05 |
From digital chest tomosynthesis to 3D CT
2026-Mar-13, Radiation protection dosimetry
IF:0.8Q4
DOI:10.1093/rpd/ncaf162
PMID:41821455
|
研究论文 | 本研究提出了一种基于深度学习的框架，从数字胸部断层合成的小块投影数据重建矢状CT切片，以降低计算资源需求 | 通过将体素分割为空气、软组织或骨骼类别，而非预测连续的HU值，实现了更高效的低资源断层合成体积成像方法 | 方法在重建精细细节方面存在困难，目前尚不适合临床部署 | 开发一种计算效率更高的方法，从有限角度投影数据重建3D CT图像 | 数字胸部断层合成的投影数据 | 计算机视觉 | NA | 数字胸部断层合成 | 深度学习 | 图像 | NA | NA | NA | 一致性 | NA |
| 1054 | 2026-04-05 |
Improving visibility of small anatomical details on low and ultra-low dose computed tomography with artificial intelligence-based image reconstructions
2026-Mar-13, Radiation protection dosimetry
IF:0.8Q4
DOI:10.1093/rpd/ncaf171
PMID:41821465
|
研究论文 | 评估人工智能图像重建技术在不同辐射剂量水平下对胸部CT图像诊断质量的影响 | 首次在超低剂量CT中比较深度学习图像重建（DLIR-H）与传统重建方法（ASiR-V和FBP）对解剖细节可见度的提升效果 | 研究仅使用体模和离体肺标本，缺乏真实患者数据的验证 | 探究AI图像重建技术在低剂量CT中提升诊断图像质量的潜力 | PBU-50人体模型和风干人体肺标本 | 医学影像分析 | 肺部疾病 | CT扫描 | 深度学习图像重建 | CT图像 | 1个体模和1个肺标本在6个剂量水平下扫描 | NA | DLIR-H | 解剖再现、噪声、伪影、诊断质量评分 | NA |
| 1055 | 2026-04-05 |
A web-based deep learning cascade for automated detection and quantification of marginal bone loss
2026-Mar-07, BMC oral health
IF:2.6Q1
DOI:10.1186/s12903-026-07962-y
PMID:41792690
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1056 | 2026-04-05 |
DeepTESite: The Prediction of Protein Arginine Methylation Sites Using Amino Acids Sequence Symmetric Position Encodings Based on Transformer Encoder
2026 Mar-Apr, IEEE transactions on computational biology and bioinformatics
DOI:10.1109/TCBBIO.2025.3650228
PMID:41477806
|
研究论文 | 本文提出了一种基于Transformer编码器的DeepTESite模型，用于预测蛋白质精氨酸甲基化位点，通过引入氨基酸序列对称位置编码和双向多头注意力机制来提高预测准确性和计算效率 | 首次提出基于甲基化对称假说的氨基酸序列对称位置编码，以减少位置编码计算量，并应用双向多头注意力机制来提取序列和空间信息特征 | 未明确提及模型在更广泛蛋白质序列或不同甲基化类型上的泛化能力限制 | 预测蛋白质精氨酸甲基化位点，以揭示甲基化分子机制 | 蛋白质氨基酸序列 | 自然语言处理 | NA | 深度学习 | Transformer | 序列数据 | NA | NA | Transformer编码器 | 准确率 | NA |
| 1057 | 2026-04-05 |
Classification of Alzheimer's Disease by Modeling Brain Networks as Signed Networks Under Deep Learning Frameworks
2026 Mar-Apr, IEEE transactions on computational biology and bioinformatics
DOI:10.1109/TCBBIO.2026.3655150
PMID:41553900
|
研究论文 | 本文提出了一种通过构建带符号的脑网络模型并利用带符号图神经网络技术来预测和分析阿尔茨海默病的新方法 | 将脑网络建模为包含正负相关性的带符号图，以更有效地捕捉脑区间的细微交互，并利用带符号图神经网络技术显著提升预测准确性 | 未明确提及研究的局限性 | 预测和分析阿尔茨海默病，提高其诊断准确性 | 阿尔茨海默病患者（通过脑网络数据建模） | 机器学习 | 阿尔茨海默病 | 脑网络建模，带符号图神经网络 | 图卷积网络（GCN）及其变体 | 脑网络数据（建模为带符号图） | NA | NA | 图卷积网络（GCN）及其变体 | 诊断精度（提升至少19%） | NA |
| 1058 | 2026-04-05 |
TransSE: A Transfer Learning-Based Predictive Model for Distinguishing Super Enhancers and Typical Enhancers
2026 Mar-Apr, IEEE transactions on computational biology and bioinformatics
DOI:10.1109/TCBBIO.2026.3657361
PMID:41576119
|
研究论文 | 本研究提出了一种基于迁移学习的深度学习框架TransSE，用于从基因组序列中区分超级增强子和典型增强子 | 结合卷积和循环神经网络，并采用跨物种迁移学习策略，提升了预测准确性和跨物种泛化能力 | 未明确提及模型在更多物种或更复杂基因组区域上的性能限制 | 开发一种高精度、可跨物种泛化的计算模型来识别超级增强子 | 人类和小鼠的基因组序列中的超级增强子与典型增强子 | 生物信息学 | NA | 基因组序列分析 | CNN, RNN | 基因组序列数据 | 人类和小鼠数据集（具体数量未明确） | NA | 结合卷积和循环神经网络的定制架构 | AUC | NA |
| 1059 | 2026-04-05 |
Real-world diagnostic performance of knee MRI protocols accelerated using simultaneous multi-slice acquisition and deep learning reconstruction
2026-Mar, Skeletal radiology
IF:1.9Q3
DOI:10.1007/s00256-025-05058-2
PMID:41109866
|
研究论文 | 评估使用同步多层采集和深度学习重建的加速膝关节MRI协议在检测内部紊乱损伤方面是否不劣于传统并行成像协议 | 结合同步多层采集和深度学习重建技术加速MRI扫描，并在真实世界临床环境中验证其诊断性能 | 部分指标未达到严格的非劣效性边界，研究为回顾性队列设计 | 评估加速膝关节MRI协议的诊断性能 | 接受膝关节MRI并随后进行关节镜检查的患者 | 医学影像分析 | 膝关节损伤 | 同步多层采集, 深度学习重建, 3T MRI, 二维涡轮自旋回波序列 | 深度学习重建模型 | MRI图像 | 1055名患者 | NA | NA | 灵敏度, 特异性, 95%置信区间 | NA |
| 1060 | 2026-04-05 |
AGEP_TWAS: A Deep Learning-Based Framework for Predicting Gene Expression Levels in Tissues
2026 Mar-Apr, IEEE transactions on computational biology and bioinformatics
DOI:10.1109/TCBBIO.2026.3663364
PMID:41666075
|
研究论文 | 本文提出了一种基于深度学习的基因表达预测框架AGEP_TWAS，用于跨组织预测基因表达水平 | 利用密集连接网络、自适应激活函数和参数剪枝策略，通过核心基因预测其他基因的表达水平，解决了传统方法效率低且忽略缺失SNPs的问题 | 未明确提及模型在更广泛物种或复杂疾病中的泛化能力限制 | 开发一种高效准确的基因表达预测方法，以支持转录组范围关联研究 | 人类和牛的基因表达数据 | 机器学习 | NA | 基因表达预测 | 深度学习 | 基因表达数据 | 人类GEO表达数据集和CattleGTEx数据集 | NA | 密集连接网络 | 均方误差, 皮尔逊相关系数 | NA |