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 45526 篇文献，本页显示第 1081 - 1100 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1081 | 2026-06-05 |
Teravoxel Microscopy Image Analysis for Neurological Diseases
2026-May, Annual review of biomedical engineering
IF:12.8Q1
|
综述 | 综述用于神经疾病研究的太像素级显微镜图像分析方法，重点介绍光片荧光显微镜（LSFM）与深度学习技术的结合及其在神经炎症和神经退行性疾病中的应用 | 系统总结了LSFM从成像到人工智能分析的完整流程，并针对不同动物模型和脑结构的分析管道兼容性问题提出了潜在解决方案 | 不同动物模型和脑结构的分析管道设计差异导致可行性和兼容性挑战 | 综述LSFM与深度学习在神经疾病研究中的应用现状、挑战及未来方向 | 光片荧光显微镜图像分析管道、神经炎症和神经退行性疾病相关细胞形态标志物 | 计算机视觉 | 神经退行性疾病 | 光片荧光显微镜、组织透明化技术 | 深度学习 | 图像 | NA | NA | NA | NA | NA |
| 1082 | 2026-06-05 |
Interpretable MRI-based Multiparametric Radiomics for Preoperative Prediction of CMS4 Colorectal Cancer
2026-May, Radiology
IF:12.1Q1
DOI:10.1148/radiol.251719
PMID:42153825
|
研究论文 | 基于术前多参数MRI的放射组学机器学习模型预测结直肠癌CMS4亚型，并结合转录组分析验证其生物学可解释性 | 首次将MRI放射组学特征与转录组分析相结合，实现CMS4亚型的可解释性预测，并揭示与TGF-β和上皮-间充质转化通路的关联 | 样本量有限（253例），且为回顾性多中心研究，需要进一步前瞻性验证 | 评估基于放射组学的机器学习方法预测结直肠癌CMS4亚型的效能及其生物学相关性 | 结直肠癌患者的术前多参数MRI数据及病理组织样本 | 数字病理学 | 结直肠癌 | MRI（T2加权成像和对比增强T1加权成像）、RNA测序、单细胞RNA测序 | 机器学习模型（放射组学）、深度学习模型（ResNet50、VGG16、DenseNet201） | 图像（MRI）和基因组数据（RNA测序） | 253例结直肠癌患者（中位年龄63岁，IQR 55-69岁，163名男性） | NA | ResNet50、VGG16、DenseNet201 | AUC（受试者工作特征曲线下面积）、风险比（HR） | NA |
| 1083 | 2026-06-05 |
A Two-Stage EEG Microstate Fusion Framework for Dementia Screening and Alzheimer's Disease/Frontotemporal Dementia Differentiation
2026-May-01, Biosensors
DOI:10.3390/bios16050258
PMID:42187454
|
研究论文 | 提出了一种基于脑电微状态的两阶段分层深度学习框架，用于痴呆筛查和阿尔茨海默病与额颞叶痴呆的鉴别 | 通过任务解耦的两阶段层次结构，避免了传统统一模型中的epoch级数据泄露和多类特征竞争问题；利用匈牙利匹配建模连续微状态序列，并集成无归一化1D-CNN和Multi-Head Attention，提升了性能 | 需要在大规模外部数据集上进一步验证框架的泛化能力 | 开发一种可重复、可解释的辅助工具，用于临床神经学中的痴呆筛查和亚型区分 | 静息态脑电微状态动态特征 | 机器学习 | 阿尔茨海默病、额颞叶痴呆 | 静息态脑电图 | 1D-CNN-NFNet，Multi-Head Attention | 脑电微状态序列 | 本文未明确说明具体样本量，但评估使用了严格的受试者级LOOCV协议 | NA | 1D-CNN-NFNet，Multi-Head Attention | AUC，特异性，平衡准确率 | NA |
| 1084 | 2026-06-05 |
Performance of Deep Learning Models in Endoscopic Severity Assessment of Inflammatory Bowel Disease: A Systematic Review
2026-May, Cureus
DOI:10.7759/cureus.108178
PMID:42238140
|
综述 | 系统综述深度学习模型在炎症性肠病内镜严重程度评估中的表现 | 首次系统综述深度学习模型在溃疡性结肠炎和克罗恩病内镜严重程度评估中的诊断准确性，并评估其临床工作流程优化潜力 | 研究间异质性较大，进行了叙述性综合，且部分研究报告不充分导致偏倚风险不明确 | 评估深度学习模型在炎症性肠病内镜严重程度评估中的诊断性能 | 溃疡性结肠炎或克罗恩病患者的内镜图像和视频 | 计算机视觉 | 炎症性肠病（溃疡性结肠炎、克罗恩病） | NA | 卷积神经网络、视觉Transformer | 图像、视频 | 12项研究 | NA | 卷积神经网络、视觉Transformer | AUROC、加权F1分数、准确率 | NA |
| 1085 | 2026-06-05 |
BrainFusionNet: a deep learning and XAI model to understand local, global, and sequential features of MRI images for improved brain tumour detection
2026-Apr-28, Brain informatics
DOI:10.1186/s40708-026-00303-3
PMID:42050292
|
研究论文 | 提出BrainFusionNet模型，结合CNN、Vision Transformer和GRU，用于从MRI图像中提取局部、全局和序列特征，提高脑肿瘤检测精度 | 混合模型有效提取MRI图像中的局部和全局特征，尤其是在小肿瘤区域；定制Vision Transformer捕获局部特征、稳定梯度流并减少梯度消失风险；通过像素强度分析发现图像质量影响深度学习性能 | 未提及 | 改善脑肿瘤MRI图像分类性能 | 脑肿瘤MRI图像 | 计算机视觉 | 脑肿瘤 | MRI成像 | CNN, Vision Transformer, GRU | 图像 | 两个公开MRI数据集，未提供具体样本数 | Keras | DenseNet121, VGG16, Vision Transformer, GRU | 准确率 | 未提及 |
| 1086 | 2026-06-05 |
Telomere-to-telomere assembly using HERRO-corrected Nanopore Simplex reads
2026-Apr-27, Nature
IF:50.5Q1
DOI:10.1038/s41586-026-10563-y
PMID:42045451
|
研究论文 | 介绍一种利用深度学习的HERRO框架纠错ONT Simplex读段，结合Verkko组装器实现端粒到端粒基因组组装的方法 | 开发了基于深度学习的单倍型感知纠错框架HERRO，能有效保留相关基因组序列差异，将人类基因组Simplex读段准确率提升高达100倍，并结合Verkko组装器实现端粒到端粒的完整染色体组装 | 该方法可能需要特殊计算资源，且对大样本应用的技术和财务可行性尚未明确讨论 | 通过纠错ONT Simplex读段降低测序成本并提高基因组分析质量，实现端粒到端粒的基因组组装 | 二倍体人类基因组及部分其他物种基因组 | 自然语言处理, 基因组学, 深度学习 | NA | ONT Simplex测序, 深度学习的HERRO纠错框架 | 深度学习模型（HERRO） | 测序读段序列数据（ONT Simplex读段） | 多个二倍体人类基因组（包括染色体X和Y，总共32条常染色体） | PyTorch（基于深度学习的HERRO框架） | HERRO深度纠错网络 | NGA50（归一化基因组组装50指标） | NA（未明确提及，但支持R9.4.1和R10.4.1测序平台） |
| 1087 | 2026-06-05 |
Multi-Class Arrhythmia Detection from PPG Signals Based on VGG-BiLSTM Hybrid Deep Learning Model
2026-Apr-23, Biosensors
DOI:10.3390/bios16050235
PMID:42187431
|
研究论文 | 提出一种基于VGG-BiLSTM混合深度学习模型的多类别心律失常检测方法，从PPG信号中分类六种心律类型 | 将PPG信号的一阶和二阶导数作为增强特征，结合VGG卷积层与双向LSTM层捕捉空间和时序特征，并采用分层数据划分策略处理类别不平衡问题 | 未在文内明确说明局限性 | 开发一种从PPG信号中准确检测多种心律失常类型的深度学习方法 | 91名个体的46,827个PPG信号片段 | 机器学习 | 心血管疾病 | PPG信号处理 | VGG-BiLSTM混合深度学习模型 | 生理信号 | 91名个体的46,827个PPG信号片段 | NA | VGG, BiLSTM | 准确率, 灵敏度, 特异性, F1分数 | NA |
| 1088 | 2026-04-24 |
Deep learning prediction of contrast extravasation versus intracranial hemorrhage after thrombectomy in patients with acute stroke
2026-Apr-22, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-026-02298-z
PMID:42021187
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1089 | 2026-06-05 |
The mediating role of deep learning approach between the proactive personality and innovative behavior of undergraduate nursing students
2026-Apr-21, BMC nursing
IF:3.1Q1
DOI:10.1186/s12912-026-04609-9
PMID:42015115
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1090 | 2026-06-05 |
ChemScreener: an active learning enabled hit discovery workflow with WDR5 inhibitor case study
2026-Apr-20, Journal of cheminformatics
IF:7.1Q1
DOI:10.1186/s13321-026-01204-7
PMID:42010453
|
研究论文 | 提出名为ChemScreener的主动学习工作流，用于早期药物发现中的命中化合物识别，并通过WDR5蛋白抑制剂案例验证其有效性 | 提出了Balanced-Ranking采集策略，利用集成不确定性在探索新化学空间的同时保持命中率富集，并通过迭代筛选少量化合物显著提升命中率 | NA | 开发一种可扩展的主动学习工作流，加速早期命中化合物发现并提高化学多样性 | WDR5蛋白及其抑制剂 | 机器学习 | NA | HTRF筛选、DSF验证 | 多任务深度学习模型 | 化合物活性数据 | 1760个化合物进行迭代筛选，269个化合物进行验证，最终44个化合物进入剂量反应测试 | NA | 多任务神经网络 | 命中率、IC50 | NA |
| 1091 | 2026-06-05 |
Deep learning-based prediction of homologous recombination deficiency from histopathological whole-slide images in ovarian cancer
2026-Apr-18, International journal of gynecological cancer : official journal of the International Gynecological Cancer Society
IF:4.1Q2
DOI:10.1016/j.ijgc.2026.104717
PMID:42235122
|
研究论文 | 开发基于深度学习的全自动流程，利用注意力多实例学习和预训练视觉Transformer从卵巢癌苏木精-伊红染色全切片图像预测同源重组缺陷状态 | 首次利用注意力多实例学习与视觉Transformer结合，直接从常规H&E染色全切片图像预测卵巢癌同源重组缺陷状态，并验证了跨数据集的强泛化能力 | 基于回顾性数据，样本量有限（训练集257例），外部验证队列中PAOLA-1试验的HRD状态定义可能引入偏倚 | 建立低成本、高通量的替代方案，从病理全切片图像预测卵巢癌同源重组缺陷状态，辅助分子检测分诊 | 卵巢癌患者的苏木精-伊红染色全切片图像及对应的同源重组缺陷状态 | 数字病理学 | 卵巢癌 | 全切片成像、苏木精-伊红染色 | 注意力多实例学习、视觉Transformer | 病理全切片图像 | 训练集257例，外部验证集PAOLA-1/ENGOT-ov25 III期试验队列468例及TCGA数据库89例 | PyTorch | 注意力多实例学习、Vision Transformer | AUC、阴性预测值 | NA |
| 1092 | 2026-06-05 |
Bridging causality and deep learning for harmful algal bloom prediction
2026-Apr-15, Water research
IF:11.4Q1
DOI:10.1016/j.watres.2026.125492
PMID:41653893
|
研究论文 | 本文提出了一种增强的因果机器学习框架，将因果发现、治疗效果估计与深度学习相结合，用于预测有害藻华 | 创新性地融合因果发现算法DECI、双机器学习平均处理效应和单调因果约束，构建了因果知情神经网络（CINN），实现了高精度且可解释的藻华预测 | 未明确提及局限性，但可能包括对数据质量和特征选择的高度依赖、因果结构假设的敏感性，以及模型在极端事件或不同地理区域的泛化能力待验证 | 开发一种因果驱动且可解释的深度学习框架，用于准确预测有害藻华中的叶绿素-a浓度 | 波斯湾海域的有害藻华事件及相关的31个环境预测因子 | 机器学习 | NA | MODIS、ERA5、HYCOM遥感与再分析数据 | 因果知情神经网络（CINN）及其单调扩展（MCINN） | 时间序列环境数据（卫星影像、气象、海洋数据） | 使用MODIS、ERA5和HYCOM的31个环境预测因子，具体样本数量未明确 | PyTorch | DECI算法、双机器学习、CINN（因果知情神经网络）、MCINN（单调因果知情神经网络） | R²、均方根误差（RMSE） | NA |
| 1093 | 2026-06-05 |
Towards holistic phenotype prediction beyond genotypic data
2026-Apr-15, Journal of experimental botany
IF:5.6Q1
DOI:10.1093/jxb/erag068
PMID:41656352
|
综述 | 探讨整合基因组学以外的多种数据类型以提高表型预测能力的方法 | 将数据整合策略系统分类为消除、促进、聚合、合并和调节五类，并全面分析各策略的优势与局限性 | 未具体评估各策略的实际预测性能差异，缺乏实验验证 | 探索多数据整合方法以实现更全面的表型预测 | 基因组选择中的表型预测模型与数据整合策略 | 机器学习 | NA | 基因组选择 | CNN | 基因组数据、环境数据、非基因组数据 | NA | NA | 卷积神经网络 | 预测准确性 | NA |
| 1094 | 2026-06-05 |
An explainable and transferable deep learning framework for spatiotemporal urban flood prediction by integrating Vision Transformer and U-Net
2026-Apr-15, Water research
IF:11.4Q1
DOI:10.1016/j.watres.2026.125504
PMID:41662782
|
研究论文 | 提出了一种结合Vision Transformer和U-Net的混合深度学习框架ViTUN，用于捕获城市洪水传播的时空特征 | 首次将Vision Transformer与U-Net结合，用于城市洪水时空预测，并具备可解释性和迁移能力 | 模型基于模拟数据训练，缺乏真实洪水事件验证；迁移未考虑不同城市气候差异 | 实现快速、可解释、可迁移的城市洪水实时预测，支持早期预警和应急响应 | 中国岳阳城市区域的洪涝淹没过程 | 机器学习 | NA | NA | Vision Transformer, U-Net | 洪水淹没数据（来自耦合水动力模拟） | NA | PyTorch | Vision Transformer, U-Net | Critical Success Index, 相关系数R, 平均绝对误差 | NA |
| 1095 | 2026-06-05 |
DIPLI: deep image prior lucky imaging for blind astronomical image restoration
2026-Apr-15, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-47300-4
PMID:41974874
|
研究论文 | 提出一种针对高对比度天文目标的深度图像先验与幸运成像结合的无监督图像恢复方法 | 将单帧DIP扩展到多帧处理，采用反投影技术、基于TVNet的稠密光流估计以及SGLD的蒙特卡洛估计替代确定性预测 | 在像素级失真指标上仍逊于扩散模型，且存在感知-失真权衡的固有限制 | 实现无训练数据条件下天文图像的盲恢复与超分辨率 | 高对比度解析天文目标（如太阳系天体）的观测图像 | 计算机视觉 | NA | NA | 深度图像先验（DIP）、TVNet、SGLD | 图像 | 合成数据集（含12个场景）及真实天文观测数据 | PyTorch | TVNet | LPIPS、DISTS、PSNR、SSIM | NA |
| 1096 | 2026-06-05 |
Bayesian optimization for uncertainty-aware prediction of rainfall-induced deformation in embankment dams
2026-Apr-14, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-46994-w
PMID:41974783
|
研究论文 | 提出一种混合物理信息贝叶斯深度学习框架，用于预测土坝降雨变形，实现不确定性感知的早期预警 | 集成耦合u-p比奥固结有限元建模与ANN-LSTM-MDN架构，通过贝叶斯优化实现物理一致性约束，并引入自适应成分依赖不确定性缩放和新颖的不确定性校准评分 | NA | 开发一种准确、物理一致且不确定性校准的土坝变形预测模型，用于可靠早期预警 | 土坝在施工期降雨下的变形行为，以Megech大坝为例 | 机器学习 | NA | 有限元建模，贝叶斯优化 | ANN-LSTM-MDN | 监测数据 | Megech大坝施工期监测数据 | OpenSeesPy | ANN, LSTM, 混合密度网络 | 负对数似然, 连续分级概率评分, 预测区间覆盖概率 | NA |
| 1097 | 2026-06-05 |
Attention enhanced hybrid deep learning architecture with PCA-based feature fusion for banana leaf disease detection
2026-Apr-14, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-47092-7
PMID:41981085
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1098 | 2026-06-05 |
Fast and accurate extraction of microwave filter coupling matrix via physics-informed deep learning
2026-Apr-13, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-46255-w
PMID:41974785
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1099 | 2026-04-11 |
AI-driven integration of Framingham Heart Study data with machine learning, deep learning, and explainable AI for enhanced pharmaceutical marketing
2026-Apr-09, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-45770-0
PMID:41957161
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1100 | 2026-06-05 |
Lightweight liquid neural networks decipher salivary metabolic fingerprinting for high-risk periodontitis screening in diabetes
2026-Apr-07, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-026-02593-7
PMID:41942764
|
研究论文 | 利用轻量级液态神经网络解码唾液代谢指纹，实现糖尿病高危牙周炎的快速筛查 | 首次结合探针电喷雾电离质谱（PESI-MS）与轻量级液态神经网络（LNN）用于牙周炎合并2型糖尿病（高共患风险人群）的非侵入性快速筛查 | 研究为双中心初步验证，样本量较小（426人），需更大规模多中心研究验证泛化性能 | 开发一种快速、非侵入的方法，用于识别同时患有牙周炎和2型糖尿病的高风险个体 | 426名参与者（包括健康对照组、单纯牙周炎组、牙周炎合并2型糖尿病组）的唾液代谢指纹 | 机器学习 | 牙周炎、2型糖尿病 | 探针电喷雾电离质谱（PESI-MS） | 液态神经网络（LNN）、BiLSTM、MHA-LSTM | 质谱数据、人口统计学协变量（年龄、性别） | 426份唾液样本（健康对照组114份，单纯牙周炎组209份，牙周炎合并2型糖尿病组103份），80%训练集，20%测试集 | NA | LNN、BiLSTM、MHA-LSTM | 准确率（91.9%）、召回率（100%）、AUC（0.73-0.78对照） | NA |