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 44210 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 | 2026-03-23 |
An interpretable machine learning model based on habitat radiomics combined with deep learning for predicting the WHO/ISUP grade of patients with clear cell renal cell carcinoma
2026-Mar-21, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-026-02285-4
PMID:41864916
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1042 | 2026-05-01 |
Deep learning for dynamic tactical formation recognition in professional football
2026-Mar-17, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-41383-9
PMID:41844762
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1043 | 2026-05-03 |
Multi-dimensional deep learning-based segmentation and volumetric assessment of sphenoid sinus fluid on postmortem CT in drowning cases
2026-Mar-17, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-44094-3
PMID:41844778
|
研究论文 | 开发基于深度学习的蝶窦积液自动分割与体积评估方法，用于法医学溺死案例的死后CT分析 | 首次将多维度U-Net模型（2D、2.5D和3D）应用于死后CT图像中蝶窦积液的自动分割与体积量化，替代传统人工评估，提高效率与客观性 | 仅基于165例尸检确认的溺死案例，样本量有限；未评估模型在其他死因或不同成像条件下的泛化能力 | 实现法医学中蝶窦积液的自动分割与体积定量评估，支持溺死诊断 | 165例尸检确认溺死案例的死后CT图像中的蝶窦积液 | 计算机视觉 | 溺死 | 死后计算机断层扫描（PMCT） | U-Net | 图像 | 165例尸检确认溺死案例的死后CT图像 | NA | 2D U-Net、2.5D U-Net、3D U-Net | Dice系数、Spearman相关系数、平均绝对误差 | NA |
| 1044 | 2026-05-03 |
Multi-model forecasting of [Formula: see text] and [Formula: see text] in Abu Dhabi: benefits of correlation-based feature augmentation
2026-Mar-17, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-44485-6
PMID:41844799
|
研究论文 | 比较多种机器学习和深度学习模型在阿布扎比预测二氧化氮和地面臭氧水平的性能，并探索基于污染物间相关性特征增强的优势 | 首次在阿布扎比地区系统比较多种模型（含Transformer）对二氧化氮和臭氧的多时间尺度预测，并揭示了利用两种污染物间相关性可提升预测精度 | NA | 评估不同机器学习和深度学习模型在阿布扎比预测二氧化氮和臭氧水平的效果，并验证污染物间相关性特征增强对预测准确性的提升作用 | 阿布扎比地区的二氧化氮和地面臭氧浓度 | 机器学习 | NA | NA | 决策树、随机森林、支持向量回归、卷积神经网络、长短期记忆网络、Prophet、Transformer | 时间序列数据 | NA | NA | 决策树、随机森林、支持向量回归、CNN、LSTM、Prophet、Transformer | 对称平均绝对百分比误差、均方根误差、平均绝对误差 | NA |
| 1045 | 2026-05-03 |
Explainable artificial intelligence for early Alzheimer's diagnosis using enhanced grey relational features and multimodal data
2026-Mar-17, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-43707-1
PMID:41844810
|
研究论文 | 提出一个可解释且可持续的机器学习架构，利用多模态结构化临床和行为数据早期诊断阿尔茨海默病 | 引入基于灰色系统理论和Sigmoid归一化的增强型灰色关联度指标，提升特征-诊断相关性；结合Shapley Additive Explanations增强模型可解释性 | NA（摘要未提及局限性） | 实现早期阿尔茨海默病的准确且可解释的诊断 | 多模态结构化临床和行为数据，包括人口统计学、血管风险因素、生活方式和认知数据 | 机器学习 | 阿尔茨海默病 | NA（未明确指定测序或其他技术） | 深度学习神经网络 | 结构化数据（临床和行为数据） | NA（摘要未提及具体样本量） | NA（未明确指定框架） | Logistic回归、随机森林、XGBoost、LightGBM、CatBoost、Stacking集成、深度神经网络 | 准确率、AUC | NA（摘要未提及计算资源） |
| 1046 | 2026-05-03 |
A generative explainable model for antimicrobial peptide prediction using bidirectional temporal convolutional neural network
2026-Mar-17, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-43370-6
PMID:41844874
|
研究论文 | 提出GAC-BiTCNN-AMP混合生成可解释深度学习框架用于抗菌肽预测，在精准肿瘤学中实现高准确率和可解释性 | 首次结合生成对抗网络、胶囊网络和双向时序卷积神经网络，并整合多种蛋白质语言模型及PsePSSM-DCT进化描述符，同时通过XGBoost前向特征选择和SHAP分析增强模型可解释性 | 未提及具体局限性，但可能受限于训练数据的多样性和独立测试集的规模 | 开发一种高准确率且可解释的计算框架，用于识别具有抗癌潜力的抗菌肽，支持精准肿瘤学的治疗性肽发现 | 抗菌肽序列及其结构功能特征 | 自然语言处理、机器学习 | 癌症（精准肿瘤学） | 蛋白质语言模型（ProtTrans-T5、UniRep、ESM-2）、PsePSSM-DCT进化描述符 | 生成对抗网络、胶囊网络、双向时序卷积神经网络 | 氨基酸序列数据 | 未明确样本数量，但涉及交叉验证和独立测试集 | NA | GAN, CapsNet, BiTCNN | 准确率、马修斯相关系数 | NA |
| 1047 | 2026-05-03 |
Automated detection and segmentation of Weiss ring in fundus photography images using deep learning
2026-Mar-17, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-44593-3
PMID:41845023
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1048 | 2026-05-03 |
A lightweight deep learning architecture for automatic shrimp disease classification
2026-Mar-17, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-44195-z
PMID:41845002
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1049 | 2026-05-03 |
DeepStrataAge: an interpretable deep-learning clock that reveals stage- and sex-divergent DNA methylation aging dynamics
2026-Mar-13, npj aging
IF:4.1Q2
DOI:10.1038/s41514-026-00358-w
PMID:41826374
|
研究论文 | 开发了一种名为DeepStrataAge的可解释深度学习时钟，用于揭示阶段和性别差异的DNA甲基化衰老动态 | 通过SHAP解释性方法首次揭示了性别特异的阶段性衰老动态，包括早期发育、中年过渡和晚期重塑等波状变化，并实现了高准确度与机制可解释性的统一 | NA | 探索DNA甲基化衰老的非线性动态和CpG相互作用，并揭示性别特异的衰老阶段 | 基于Illumina EPIC v1.0和v2.0阵列的29,167个样本 | 机器学习 | 衰老相关疾病（心血管疾病、阿尔茨海默病、癌症） | DNA甲基化测序（Illumina EPIC阵列） | 深度神经网络（DNN） | DNA甲基化数据 | 29,167个样本 | PyTorch（推断） | 深度神经网络 | 准确度（1.89年误差） | NA |
| 1050 | 2026-05-03 |
Alterations in Retinal Vasculometry After Acute Primary Angle Closure Episode: A Comparative Analysis
2026-Mar-02, Translational vision science & technology
IF:2.6Q2
DOI:10.1167/tvst.15.3.26
PMID:41879421
|
研究论文 | 评估急性原发性闭角型青光眼发作后成功治疗的视网膜血管测量学改变与未受累对侧眼的比较 | 使用深度学习分析急性原发性闭角型青光眼发作后视网膜血管参数变化，并发现与眼压控制无关的独立血管测量学改变 | 横断面设计，缺乏纵向数据以确定这些改变是否导致青光眼性视神经病变 | 评估急性原发性闭角型青光眼发作后视网膜血管测量学改变 | 单侧急性原发性闭角型青光眼患者 | 医疗影像 | 急性原发性闭角型青光眼 | 眼底摄影 | 深度学习模型 | 视网膜图像 | 116名单侧急性原发性闭角型青光眼患者 | NA | NA | NA | NA |
| 1051 | 2026-05-03 |
A deep convolutional neural network trained for lightness constancy is susceptible to lightness illusions
2026-Mar-02, Journal of vision
IF:2.0Q2
DOI:10.1167/jov.26.3.14
PMID:41879245
|
研究论文 | 训练深度卷积神经网络以实现光照恒常性，并评估其对经典亮度错觉的敏感性 | 首次将深度卷积神经网络作为人类亮度感知的规范性模型，通过系统测试多种经典亮度错觉来评估网络表现，并与人类行为实验及经典模型进行对比 | 网络在White错觉和棋盘错觉上未能预测人类感知，且仅使用灰度渲染图像，可能限制其泛化能力 | 评估深度卷积神经网络作为人类亮度感知新模型的可能性，并验证其是否受到经典亮度错觉的影响 | 深度卷积神经网络输出与人类观测者亮度匹配实验的对比 | 计算机视觉 | NA | NA | CNN | 灰度渲染图像 | 包括菱形错觉、Koffka错觉、蛇形错觉、同时对比错觉、White错觉和棋盘错觉等几种错觉图及其控制图 | Pytorch | CNN | 反射率估计准确性 | NA |
| 1052 | 2026-05-03 |
Privacy-Preserving Latent Diffusion-Based Synthetic Medical Image Generation
2026-Mar, IEEE transactions on medical imaging
IF:8.9Q1
DOI:10.1109/TMI.2025.3618511
PMID:41052162
|
研究论文 | 提出一种基于潜在扩散的隐私保护合成医学图像生成方法 | 在潜在扩散模型中嵌入隐私保护机制，能够在不牺牲患者隐私的前提下生成高质量的合成医学图像 | 未在文中明确提及模型局限性 | 开发一种隐私保护的潜在扩散方法，用于合成医学图像数据，以支持深度学习模型的训练 | 公开可用的CT、MRI和PET医学图像数据集 | 医学图像生成 | NA | 潜在扩散模型 | 扩散模型 | 图像 | NA | NA | 潜在扩散模型 | 图像质量 | NA |
| 1053 | 2026-05-03 |
Integrating and mapping single-cell transcriptomics across the entire gene expression space
2026-Mar-01, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbag204
PMID:42059480
|
研究论文 | 提出scGES框架，利用深度学习方法整合单细胞转录组数据并校正批次效应于全基因表达空间 | 首次在全基因表达空间（包括低变异基因）校正批次效应，突破了现有方法仅限高度可变基因的局限 | 未提及 | 开发一种能够有效校正批次效应并整合单细胞转录组数据的新方法 | 单细胞转录组数据集 | 机器学习, 数字病理学 | 未提及 | 单细胞转录组测序 | 深度学习模型 | 单细胞转录组数据 | 未提及 | PyTorch | scGES (scGESI + scGESM) | 批次效应校正与生物变异保留指标 | 未提及 |
| 1054 | 2026-05-03 |
Deep learning for the joint analysis of item-level longitudinal and survival data
2026-Feb-09, Journal of applied statistics
IF:1.2Q2
DOI:10.1080/02664763.2026.2625122
PMID:42064375
|
研究论文 | 提出一种卷积神经网络，用于同时分析纵向项目级数据和生存数据，以预测神经退行性疾病患者的生存轨迹 | 首次将卷积神经网络应用于纵向项目级序数数据的联合分析，直接处理项目级序数数据而非总分，减少了信息损失并提高了预测性能 | 未明确提及局限性，但可能包括对项目级数据的高维性和序数性质的复杂建模挑战 | 开发一种深度学习方法，利用纵向项目级序数数据预测患者的生存轨迹，克服传统总分方法的局限性 | 神经退行性疾病患者，特别是帕金森病患者 | 机器学习 | 神经退行性疾病, 帕金森病 | NA | 卷积神经网络（CNN） | 序数数据（纵向项目级评分） | 模拟研究和真实帕金森病研究数据 | NA | 卷积神经网络（CNN） | 预测性能（与传统联合模型比较） | NA |
| 1055 | 2026-05-03 |
Sequential pattern transformer (SPT): a generative and interpretable framework for predicting disease trajectories
2026-Feb, Neural computing & applications
IF:4.5Q2
DOI:10.1007/s00521-025-11695-4
PMID:41907562
|
研究论文 | 提出序贯模式变换器（SPT），一种结合序列模式挖掘与生成式变换器建模的统一框架，用于预测疾病轨迹 | 将前缀跨度算法与仅解码器变换器协同，从嘈杂的电子健康记录中提取经过统计验证的疾病进展模式，从而将建模范式从分类转变为概率轨迹生成 | NA | 构建可解释、可操作的疾病轨迹预测框架，弥合高性能AI与临床可解释性之间的差距 | 258,460名2型糖尿病住院患者的诊断历史数据 | 机器学习 | 2型糖尿病 | 电子健康记录数据分析 | 变换器 | 文本（诊断代码序列） | 258,460名2型糖尿病住院患者，数据跨越四年 | PyTorch | 仅解码器变换器 | Top-5准确率 | NA |
| 1056 | 2026-05-03 |
Beyond convolutions and supervised learning with transformers and representation learning for retinal image analysis
2026-Jan, Progress in retinal and eye research
IF:18.6Q1
DOI:10.1016/j.preteyeres.2025.101419
PMID:41352580
|
综述 | 综述了视网膜图像分析中从卷积神经网络到视觉变换器和表示学习的范式转变 | 聚焦于无标签方法，如表示学习和视觉变换器，作为卷积神经网络的替代方案，并涵盖半监督学习、自监督学习、基础模型、视觉-语言模型和多模态模型的最新进展 | 可能未深入探讨具体应用案例的技术细节或比较不同方法的性能差异 | 总结视网膜图像分析领域在无标签方法和视觉变换器方面的最新进展 | 视网膜图像分析的技术和方法 | 计算机视觉 | 眼部疾病 | NA | 变换器 | 图像 | NA | NA | 视觉变换器 | NA | NA |
| 1057 | 2026-05-03 |
Systematic review and meta-analysis of AI-driven MRI motion artifact detection and correction
2026-Jan, Physica medica : PM : an international journal devoted to the applications of physics to medicine and biology : official journal of the Italian Association of Biomedical Physics (AIFB)
DOI:10.1016/j.ejmp.2025.105704
PMID:41442850
|
系统综述与荟萃分析 | 对人工智能驱动的MRI运动伪影检测与校正方法进行系统性综述和荟萃分析 | 首次对深度学习生成模型在MRI运动伪影校正方面的有效性进行系统性评价和荟萃分析 | 模型泛化性有限、依赖配对训练数据、存在视觉失真风险，缺乏标准化数据集和报告协议 | 评估AI方法在MRI运动伪影检测与校正中的发展现状、有效性和未来研究方向 | 深度学习模型（特别是生成模型）用于MRI运动伪影的检测与校正 | 机器学习 | NA | MRI | 深度学习生成模型 | 图像 | NA | NA | 生成模型 | 图像质量指标 | NA |
| 1058 | 2026-05-03 |
Regional patch-based MRI brain age modeling with an interpretable cognitive reserve proxy
2026-Jan, Pattern recognition letters
IF:3.9Q2
DOI:10.1016/j.patrec.2025.11.027
PMID:41908685
|
研究论文 | 提出一种基于局部补丁的MRI脑年龄建模方法，并结合可解释的认知储备代理指标 | 使用双侧补丁的3D CNN集成框架增强解剖特异性，并通过认知评估构建认知储备代理指标（CR-Proxy），量化对年龄相关脑变化的抵抗力 | NA | 开发可解释、解剖特异的脑年龄预测模型，并提供临床可用的认知储备代理工具 | 健康对照者、阿尔茨海默病和轻度认知障碍患者 | 计算机视觉 | 阿尔茨海默病 | MRI | 3D卷积神经网络 | 图像 | 大型多队列健康对照数据集，独立样本包含阿尔茨海默病和轻度认知障碍患者 | NA | 3D CNN | NA | NA |
| 1059 | 2026-05-03 |
Differences in the impact of leisure consumption spaces on urban residents' life satisfaction: An empirical analysis based on social media big data
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0347699
PMID:42060636
|
研究论文 | 基于社交媒体大数据，利用深度学习方法分析休闲消费空间对城市居民生活满意度的影响 | 利用多源大数据和深度学习模型（Feature Tokenizer Transformer）系统评估不同休闲消费空间类型对生活满意度的相对重要性 | 未明确提及局限性 | 探究不同城市休闲消费空间如何影响居民生活满意度 | 城市休闲消费空间（餐饮、娱乐、个人护理、零售、体育） | 自然语言处理、机器学习 | NA | NA | Feature Tokenizer Transformer | 文本数据（大众点评和微博签到数据） | NA | NA | Feature Tokenizer Transformer | NA | NA |
| 1060 | 2026-05-03 |
PriMAT: Robust multi-animal tracking of primates in the wild
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0347669
PMID:42060682
|
研究论文 | 提出PriMAT方法，用于野外环境中非人灵长类动物的鲁棒多目标跟踪，基于边界框而非关键点进行检测和追踪 | 采用边界框代替关键点进行动物跟踪，显著简化数据标注并增强鲁棒性；单阶段模型兼顾检测、跟踪和个体识别 | 文中未明确提及局限性 | 开发一种能够在复杂野外条件下（背景变化、光照多变、运动复杂、遮挡）准确跟踪和识别非人灵长类动物的方法 | 非人灵长类动物（阿萨姆猕猴、红额狐猴、巴巴里猕猴、几内亚狒狒、黑猩猩、大猩猩） | 计算机视觉 | NA | 基于边界框的目标检测与跟踪 | 单阶段目标检测与跟踪模型 | 视频和单张图像 | 数百帧标注的边界框图像 | NA | PriMAT | 跟踪鲁棒性、个体识别准确率（84%） | NA |