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 49152 篇文献，本页显示第 10721 - 10740 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 10721 | 2026-04-19 |
Towards eco-friendly apple farming: Real-time codling moth monitoring using improved YOLOv10 and IoT integration
2026, PloS one
IF:2.9Q1
DOI:10.1371/journal.pone.0346415
PMID:41984859
|
研究论文 | 本研究提出了一种结合改进YOLOv10-m深度学习模型与物联网技术的先进害虫监测系统，用于苹果园中苹果蠹蛾的实时检测 | 将改进的YOLOv10-m模型与物联网技术集成，在低功耗Raspberry Pi平台上实现实时、精确定位的害虫监测，支持精准施药 | 未明确说明系统在复杂环境条件下的鲁棒性、长期部署的稳定性以及与其他害虫监测方法的对比 | 开发实时害虫监测系统以减少农药过度使用，促进生态友好型农业 | 苹果园中的苹果蠹蛾（Cydia pomonella） | 计算机视觉 | NA | 物联网技术，深度学习 | YOLO | 图像 | NA | NA | YOLOv10-m | 准确率，置信度稳定性，计算效率 | 低功耗Raspberry Pi平台 |
| 10722 | 2026-04-19 |
Artificial Intelligence Enabled Lifestyle Medicine in Diabetes Care: A Narrative Review
2025-Jul-17, American journal of lifestyle medicine
IF:1.5Q3
DOI:10.1177/15598276251359185
PMID:40687630
|
综述 | 本文是一篇关于人工智能在糖尿病生活方式医学中应用的叙述性综述 | 系统性地将人工智能在糖尿病护理中的应用归纳为四大类别，并展示了其在预测、个性化推荐、远程监测和临床决策支持方面的潜力 | 作为一篇叙述性综述，可能存在选择偏倚，且未对纳入研究的质量进行系统性评估 | 探讨人工智能在糖尿病生活方式医学领域的应用 | 糖尿病护理中的人工智能应用研究 | 机器学习 | 糖尿病 | NA | 随机森林, 深度学习 | NA | NA | NA | NA | 准确率 | NA |
| 10723 | 2026-04-19 |
GINClus: RNA structural motif clustering using graph isomorphism network
2025-Jun, NAR genomics and bioinformatics
IF:4.0Q1
DOI:10.1093/nargab/lqaf050
PMID:40290315
|
研究论文 | 本文提出了一种名为GINClus的RNA结构基序聚类工具，利用图同构网络结合聚类算法，基于碱基相互作用和三维结构相似性对RNA基序候选进行聚类 | 首次将图同构网络（GIN）模型应用于RNA结构基序的聚类任务，结合半监督深度学习与k-means和层次凝聚聚类，实现了对RNA环区域的高精度聚类，并成功识别出新的基例和家族 | 未明确提及模型在未知或高度变异RNA结构上的泛化能力，以及计算效率在处理大规模数据集时的表现 | 开发一种自动化工具，用于聚类RNA结构基序，以辅助RNA结构和功能的理解，特别是发现新的RNA结构基序家族 | RNA结构基序候选（RNA环区域），包括已知的内部环和发夹环基序，以及潜在的未知基序 | 生物信息学 | NA | RNA三维结构分析，图表示学习 | 图同构网络（GIN） | 图数据（基于RNA碱基相互作用和三维结构转换） | 未明确指定具体样本数量，但涉及已知内部环和发夹环基序的聚类，并发现了927个新基例和12个新家族 | 未明确指定，但可能基于PyTorch或TensorFlow等深度学习框架 | 图同构网络（GIN） | 聚类准确率（已知内部环基序为87.88%，已知发夹环基序为97.69%） | NA |
| 10724 | 2026-04-19 |
A deep learning strategy to identify cell types across species from high-density extracellular recordings
2025-Apr-17, Cell
IF:45.5Q1
DOI:10.1016/j.cell.2025.01.041
PMID:40023155
|
研究论文 | 本文提出了一种基于深度学习的策略，用于从高密度细胞外记录中跨物种识别细胞类型 | 结合光遗传学和药理学，构建了经过筛选的地面真实电生理特性库，并训练了一个半监督深度学习分类器，能够在不同探针、实验室、功能区域和物种间准确预测细胞类型 | NA | 识别细胞类型并揭示具有不同功能、分子和解剖特性的神经元在行为中的计算作用 | 小脑中的浦肯野细胞、分子层中间神经元、高尔基细胞和苔藓纤维 | 机器学习 | NA | 光遗传学、药理学、高密度探针记录 | 深度学习分类器 | 细胞外记录（波形、放电统计、神经元层信息） | NA | NA | NA | 准确率 | NA |
| 10725 | 2026-04-19 |
Application of Machine Learning to Osteoporosis and Osteopenia Screening Using Hand Radiographs
2025-01, The Journal of hand surgery
DOI:10.1016/j.jhsa.2024.09.008
PMID:39556066
|
研究论文 | 本研究开发并验证了一种基于手部X光片的人工智能算法，用于筛查骨质疏松和骨质减少 | 利用标准手部X光片替代专业DXA扫描进行骨质疏松和骨质减少的自动化筛查，提高了筛查的可及性和成本效益 | 样本量相对有限，骨质疏松类别图像数量较少，且依赖于DXA扫描作为参考标准，可能存在人类误差 | 开发并验证一种人工智能算法，用于通过手部X光片筛查骨质疏松和骨质减少 | 手部X光片图像 | 医学影像分析 | 骨质疏松 | 手部X光成像 | 深度学习 | 图像 | 1424张手部X光片图像（正常687张，骨质减少607张，骨质疏松130张） | ResNet-50 | ResNet-50 | 灵敏度, 特异度, 准确率, AUC | NA |
| 10726 | 2026-04-19 |
Histopathological image analysis and enhanced diagnostic accuracy explainability for oral cancer detection
2025, Polish journal of pathology : official journal of the Polish Society of Pathologists
IF:0.7Q4
DOI:10.5114/pjp.2025.153973
PMID:40977550
|
研究论文 | 本研究提出了一种用于口腔癌分类的深度学习模型，通过颜色归一化、特征选择和可解释性增强，提高了诊断准确性和决策透明度 | 结合Vahadane归一化、加权Fisher评分特征选择和可解释人工智能技术，改进U-Net分类器以处理类不平衡问题并提升模型可解释性 | 未明确说明模型在外部验证集上的泛化性能或临床部署的具体挑战 | 开发一种准确、可解释的口腔癌组织病理学图像分类方法，以支持早期精准检测 | 口腔癌组织病理学图像 | 数字病理学 | 口腔癌 | 组织病理学图像分析 | 深度学习 | 图像 | NA | NA | U-Net, DenseNet201, VGG10 | 准确率, 精确度, 可靠性 | NA |
| 10727 | 2026-04-19 |
Identifying Key Residues in Lysine Decarboxylase for Soluble Expression Using Consensus Design Soluble Mutant Screening (ConsenSing)
2023-05-19, ACS synthetic biology
IF:3.7Q1
DOI:10.1021/acssynbio.2c00670
PMID:37071041
|
研究论文 | 本文提出了一种结合计算预测与实验筛选的混合方法，用于识别提高蛋白质溶解度的关键残基 | 开发了ConsenSing方法，通过共识序列预测热点残基，并利用分裂GFP报告系统快速验证突变体，从而有效提高蛋白质溶解度 | 方法可能不适用于所有蛋白质，且预测与实验结果之间仍可能存在不一致 | 提高目标蛋白质的溶解度，通过识别关键残基突变来优化蛋白质表达 | 赖氨酸脱羧酶（LdcC） | 蛋白质工程 | NA | 序列分析、分裂GFP报告系统、Darwin组装 | 深度学习 | 蛋白质序列 | NA | NA | NA | 溶解度增加 | NA |
| 10728 | 2025-12-19 |
Deep learning's false positive burden may threaten the MRI harm reduction mandate in screening
2026-May, European radiology
IF:4.7Q1
DOI:10.1007/s00330-025-12228-2
PMID:41410706
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 10729 | 2026-04-18 |
Cogninet: an explainable deep learning model for multi-class MRI-based Alzheimer's disease staging
2026-Apr-17, International journal of computer assisted radiology and surgery
IF:2.3Q2
DOI:10.1007/s11548-026-03617-z
PMID:41991821
|
研究论文 | 本文提出了一种名为CogniNet的新型可解释深度学习模型，用于基于MRI的多阶段阿尔茨海默病分期 | 结合VGGNet19的架构深度与DenseNet201的特征复用和梯度效率优势，设计了一种新的CNN架构，并利用Grad-CAM生成类别特异性注意力图以提高模型可解释性 | 未明确提及模型在更广泛或不同分布数据集上的泛化能力，以及临床部署中的实际验证 | 解决现有研究中依赖二分类、缺乏模型可解释性以及较少考虑临床可用性等关键限制 | 阿尔茨海默病的多阶段分类 | 数字病理学 | 阿尔茨海默病 | 磁共振成像 | CNN | 图像 | 3200个未见过的轴向MRI切片 | NA | VGGNet19, DenseNet201 | 准确率, 灵敏度 | NA |
| 10730 | 2026-04-18 |
Application of an open-source AI tool for quantitative quality control in whole slide images of prostate needle core biopsies - a retrospective study
2026-Apr-17, Journal of histotechnology
IF:0.6Q4
DOI:10.1080/01478885.2026.2657106
PMID:41994924
|
研究论文 | 本研究回顾性评估了开源AI工具PathProfiler在自动化、定量化控制前列腺穿刺活检全切片图像质量方面的可行性与价值 | 首次在前列腺活检WSI质量控制的临床工作流程中，系统性地应用并评估了基于深度学习的开源工具PathProfiler，实现了对图像可用性、聚焦质量和H&E染色质量的自动化、定量化评分 | 研究为单中心回顾性分析，样本量有限（226例）；算法将前列腺外组织识别为“其他伪影”可能导致评分偏差；未与病理学家的主观质量评估进行直接比较验证 | 评估PathProfiler软件在自动化、定量化控制前列腺穿刺活检全切片图像质量方面的可行性及其对诊断流程的辅助价值 | 前列腺穿刺活检的H&E染色全切片图像 | 数字病理学 | 前列腺癌 | H&E染色，全切片成像 | 深度学习 | 图像 | 226张来自前列腺穿刺活检的H&E全切片图像 | NA | NA | 可用性评分，聚焦评分，H&E质量评分 | NA |
| 10731 | 2026-04-18 |
Automated deep learning for real-time focal liver lesions detection in ultrasound videos a multicenter study
2026-Apr-16, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-026-02629-y
PMID:41991627
|
研究论文 | 本研究开发了一种基于深度学习的自动化模型Auto-DFLLs，用于实时检测超声视频中的局灶性肝脏病变 | 首次提出基于ResNet和FPN架构的自动化深度学习模型，用于实时检测超声视频中的局灶性肝脏病变，并在多中心研究中验证其能显著提升不同经验水平超声医师的检测性能 | NA | 开发并验证一种自动化深度学习模型，以降低超声检测局灶性肝脏病变对操作者经验的依赖性 | 超声视频中的局灶性肝脏病变 | 计算机视觉 | 肝脏疾病 | 超声成像 | CNN | 视频 | 来自三家医院的5258个前瞻性收集的超声视频 | NA | ResNet, FPN | AP50, Pr70, FP70, AFROC-AUC | NA |
| 10732 | 2026-04-18 |
LGGC-Net: a local-global graph and color attention-based lightweight CNN for skin cancer classification
2026-Apr-16, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-48724-8
PMID:41991637
|
研究论文 | 本研究提出了一种名为LGGC-Net的轻量级CNN模型，通过结合局部-全局图与颜色注意力机制来提升皮肤癌分类性能，同时保持计算效率 | 提出了LGGC（局部、全局图和颜色）注意力机制，并将其集成到轻量级CNN中，以增强判别性特征学习，在保持高精度的同时大幅减少模型参数量 | 模型在未见过的HAM10000数据集上的多分类准确率为76.1%，仍有提升空间；研究未详细说明在更多样化临床环境中的泛化能力 | 开发一种可临床部署、轻量、鲁棒且可解释的AI系统，用于皮肤癌分类 | 皮肤病变图像 | 计算机视觉 | 皮肤癌 | NA | CNN | 图像 | 使用了外部图像集和HAM10000数据集，具体样本数量未在摘要中明确说明 | NA | LGGC-Net | 准确率, AUC | NA |
| 10733 | 2026-04-18 |
Class-adaptive oracle-free metamorphic test case prioritization framework for vision-based deep neural networks
2026-Apr-16, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-49010-3
PMID:41991724
|
研究论文 | 提出了一种面向视觉深度神经网络的无预言机类自适应蜕变测试用例优先级排序框架 | 首次将类别依赖的模型行为变化与预测不确定性和可解释性漂移的互补作用相结合，通过多目标贝叶斯优化进行集成，实现了动态的、类自适应的测试用例优先级排序 | 实验仅在三个公开数据集和三种网络架构上进行验证，未涉及更复杂的现实世界场景或更大规模的模型 | 为安全关键的视觉应用开发一种鲁棒且可扩展的深度神经网络验证策略 | 视觉深度神经网络系统 | 计算机视觉 | NA | 蜕变测试 | 深度神经网络 | 图像 | CIFAR-10、Fashion-MNIST和ISIC2019数据集 | NA | ResNet-18, ResNet-50, ConvNeXt-Base | 统计显著性改进 | NA |
| 10734 | 2026-04-18 |
Identification and selection of the best artificial intelligence methods developed for detection and diagnosis of breast cancer
2026-Apr-16, Tumori
DOI:10.1177/03008916261434125
PMID:41992582
|
研究论文 | 本研究通过模糊AHP-TOPSIS技术，系统识别并优先排序了用于乳腺癌检测和诊断的人工智能方法 | 首次结合模糊层次分析法（FAHP）和TOPSIS方法，对乳腺癌检测与诊断的AI技术进行系统性评估与排序 | 研究依赖于现有文献数据，未进行原始实验验证；评估标准可能受主观因素影响 | 识别并选择最佳的乳腺癌检测与诊断人工智能方法 | 乳腺癌检测与诊断的人工智能技术 | 数字病理 | 乳腺癌 | NA | 深度学习集成架构 | 显微图像 | NA | NA | VGG16, ResNet34, ResNet50 | 有效性, 准确性, 全面性, 处理时间, 成本, 简洁性, 执行能力 | NA |
| 10735 | 2026-04-18 |
Deep learning-enabled scaffolding of spatial arrays of PfCSP epitopes
2026-Apr-14, Proceedings of the National Academy of Sciences of the United States of America
IF:9.4Q1
DOI:10.1073/pnas.2521914123
PMID:41945436
|
研究论文 | 利用生成式深度学习模型设计包含多个PfCSP表位的空间阵列支架，以模拟抗体与疟疾环子孢子蛋白的结合结构，旨在开发新型多表位免疫原 | 首次应用生成式深度学习模型设计具有预定相对空间取向的多表位支架，模拟抗体与病原体多价簇结合时的同型相互作用 | 支架中第三个表位发生位移，且在小鼠模型中抑制肝脏入侵的效果不如展示较长连接肽的纳米颗粒 | 设计能够引发类似L9抗体的多表位免疫原，以增强对疟疾的免疫保护 | 疟疾环子孢子蛋白（CSP）的表位，特别是连接区重复表位 | 机器学习 | 疟疾 | 生成式深度学习模型 | 生成式深度学习模型 | 结构数据 | NA | NA | NA | 亲和力、结构研究、肝脏入侵抑制效果 | NA |
| 10736 | 2026-04-18 |
Automatic monitoring of single-wall MAPSE by transesophageal echocardiography for tracking global left ventricular function irrespective of regional hypokinesia: a secondary analysis
2026-Apr-14, Intensive care medicine experimental
IF:2.8Q2
DOI:10.1186/s40635-026-00898-1
PMID:41979780
|
研究论文 | 本研究通过经食管超声心动图，使用深度学习自动监测单壁二尖瓣环平面收缩期位移（MAPSE），以追踪全球左心室功能，并探讨区域壁运动异常的影响 | 开发了名为autoMAPSE的深度学习自动方法，用于连续监测单壁MAPSE，首次在术后ICU患者中评估其追踪全球左心室功能变化的能力，并系统分析区域壁运动异常的影响 | 研究为前瞻性观察研究的二次分析，样本量较小（49例患者），且仅针对心脏手术患者，可能限制结果的普适性 | 评估单壁autoMAPSE在追踪全球左心室功能变化（即趋势能力）中的表现，并探索区域壁运动异常对此能力的影响 | 接受心脏手术的术后ICU患者 | 数字病理学 | 心血管疾病 | 经食管超声心动图 | 深度学习 | 图像 | 49例患者 | NA | NA | 一致性率 | NA |
| 10737 | 2026-04-18 |
MRI-based spatio-temporal atlas of ganglionic eminence
2026-Apr-14, European radiology experimental
IF:3.7Q1
DOI:10.1186/s41747-026-00702-5
PMID:41979773
|
研究论文 | 本研究构建了一个基于MRI的胎儿基底节隆起时空图谱，覆盖19至36孕周 | 首次生成了高分辨率（0.5毫米各向同性）的基底节隆起时空MRI图谱，并揭示了其在21孕周左右达到最大体积后逐渐减少的动态变化 | 研究样本仅基于扩展的人类连接组计划图谱，可能未涵盖所有胎儿发育变异；专家分割的一致性虽高，但可能存在主观偏差 | 构建胎儿基底节隆起的时空图谱，以监测其发育动态并理解与神经发育异常的关系 | 胎儿基底节隆起结构 | 数字病理学 | NA | 磁共振成像 | NA | MRI图像 | 基于扩展的人类连接组计划图谱，覆盖19至36孕周 | NA | NA | Dice相似系数 | NA |
| 10738 | 2026-04-18 |
Investigating performance and key factors for real-world deployment of grain image classification using convolutional neural networks
2026-Apr-14, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-45314-6
PMID:41981057
|
研究论文 | 本研究提出并演示了一种结构化方法，用于研究卷积神经网络（CNN）及影响小麦籽粒分类性能的关键因素，旨在确保高且稳健的分类准确性 | 聚焦于CNN在真实世界部署中的实际挑战与可靠性问题，通过逐步分析阐明了不同图像数据集特征和训练参数对性能的影响 | 研究中较小的类别因缺乏代表性样本而表现不佳，且存在可疑标注和多类别归属问题 | 确定一个能确保高且稳健分类准确性的CNN模型，并解释不同图像数据集特征和训练参数如何影响性能和可靠性 | 小麦籽粒 | 计算机视觉 | NA | 基于视觉的机器学习与深度学习方法 | CNN | 图像 | NA | NA | ResNet50V2, EfficientNetV2B0 | 准确率 | NA |
| 10739 | 2026-04-18 |
Bioimage analysis for multiplexed FUCCI acquisitions powered by deep learning
2026-Apr-14, Npj imaging
DOI:10.1038/s44303-026-00159-6
PMID:41981225
|
研究论文 | 本文开发了一种基于深度学习的生物图像分析方法，用于处理多路复用的FUCCI活细胞成像数据，以精确分割和分类细胞核，并实现稳健的自动追踪和细胞周期伪时间分析 | 提出了一种整合FUCCI信号与细胞质α-微管蛋白荧光报告基因的深度学习网络，显著提升了在低信噪比条件下对FUCCI细胞核的分割和分类精度，并引入了动态时间规整分析以从非完整轨迹中推断细胞周期伪时间并检测细胞周期停滞 | 未明确说明模型在更广泛的组织类型或更极端的成像条件下的泛化能力，也未详细讨论计算资源需求和处理速度 | 开发一种高精度的生物图像分析工具，以改善在低信噪比多路复用活细胞成像条件下对细胞周期相位的解码和追踪 | 使用FUCCI传感器和细胞质α-微管蛋白荧光报告基因标记的活细胞 | 数字病理学 | 癌症 | 多路复用活细胞成像，FUCCI传感器，荧光报告基因 | 深度学习网络 | 多通道荧光显微镜图像 | NA | NA | NA | 分割精度，分类精度 | NA |
| 10740 | 2026-04-18 |
Graph Neural Networks Model Based on Atomic Hybridization for Predicting Drug Targets
2026-Apr-13, Journal of chemical information and modeling
IF:5.6Q1
DOI:10.1021/acs.jcim.5c02961
PMID:41838774
|
研究论文 | 本文开发了一种结合图神经网络与显式分子描述符的混合深度学习框架，用于预测药物靶点的半数抑制浓度值 | 通过整合图神经网络与可解释的物理化学性质及结构指纹，同时捕捉局部结构模式和全局物理化学性质，提升了预测准确性和可解释性 | 未明确说明模型在更广泛或未知靶点上的泛化能力，以及计算资源需求的具体细节 | 加速药物发现过程，提高化合物活性预测的准确性 | 药物化合物及其对多种生物靶点的抑制活性 | 机器学习 | NA | 定量构效关系建模，图神经网络 | 图神经网络 | 分子图数据，分子描述符 | 14,316种化合物，涵盖激酶、核受体和蛋白酶等九种生物靶点 | NA | 图神经网络 | R² | NA |