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 43005 篇文献，本页显示第 1101 - 1120 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1101 | 2026-03-28 |
Publication Trends of Research on Immune Tolerance After Kidney Transplantation: A Bibliometric Analysis from 1976 to 2024
2026, Journal of multidisciplinary healthcare
IF:2.7Q2
DOI:10.2147/JMDH.S552350
PMID:41890566
|
文献计量分析 | 本文对1976年至2024年间肾移植后免疫耐受研究领域的文献趋势和热点进行了系统性分析 | 首次对肾移植后免疫耐受研究领域进行了长达近50年的文献计量分析，并识别出新兴热点如深度学习、机器学习和影像组学 | 分析仅限于Web of Science核心合集数据库中的英文文章，可能遗漏其他语言或数据库的文献 | 系统评估肾移植后免疫耐受研究领域的趋势和热点 | 肾移植后免疫耐受相关的科学文献 | 文献计量学 | 肾移植 | 文献计量分析 | NA | 文本（科学文献元数据） | 1033篇英文文章，涉及6608位作者、3461个机构和53个国家/地区 | VOSviewer, CiteSpace, R包 'bibliometrix' | NA | NA | NA |
| 1102 | 2026-03-28 |
Bridging engineering and neuro-oncology: a scalable FastAPI-deployed CNN framework for real-time explainable brain tumor diagnosis
2026, Frontiers in neuroscience
IF:3.2Q2
DOI:10.3389/fnins.2026.1772429
PMID:41890590
|
研究论文 | 本研究开发了一个基于卷积神经网络（CNN）的深度学习框架，用于从MRI扫描中自动分类脑肿瘤，并通过FastAPI部署实现实时可解释诊断 | 结合了稳健的交叉验证、最先进的迁移学习架构基准测试以及通过Grad-CAM提供定性视觉解释，并实现了基于FastAPI的低延迟实时部署 | 未提及具体局限性 | 开发可靠、可部署且透明的AI驱动工具，以支持及时的脑肿瘤鉴别诊断 | 脑MRI图像，包括胶质瘤、脑膜瘤、垂体瘤和正常病例 | 数字病理学 | 脑肿瘤 | MRI | CNN | 图像 | 3,097张轴位脑MRI图像 | TensorFlow | 自定义CNN, 迁移学习架构 | 准确率, 宏平均F1分数, 宏平均AUC | NA |
| 1103 | 2026-03-28 |
TCRLens: structure-aware equivariant graph learning for TCR-pMHC-I recognition and immunogenic epitope discovery
2026, Bioinformatics advances
IF:2.4Q2
DOI:10.1093/bioadv/vbag066
PMID:41890808
|
研究论文 | 本文介绍了TCRLens，一种结构感知的深度学习框架，用于预测T细胞受体（TCR）与肽-MHC I类（pMHC-I）复合物的识别，并应用于免疫原性表位发现 | TCRLens结合了多尺度图表示和等变图神经网络（EGNN）来建模五个关键界面区域的残基级相互作用，并利用变分自编码器-生成对抗网络（VAE-GAN）生成结构合理的弱亲和力相互作用样本，以缓解数据稀疏性和类别不平衡问题 | NA | 准确预测TCR对pMHC-I复合物的识别，并应用于免疫原性表位发现 | 人类TCR-pMHC-I结构复合物，以及猪和鸡的MHC-I系统 | 机器学习 | NA | 深度学习 | EGNN, VAE-GAN | 结构数据 | NA | NA | EGNN, VAE-GAN | NA | NA |
| 1104 | 2026-03-28 |
Transformer and graph variational autoencoder to identify microenvironments: A deep learning protocol for spatial transcriptomics
2025-Dec-19, STAR protocols
IF:1.3Q4
DOI:10.1016/j.xpro.2025.104206
PMID:41313684
|
研究论文 | 本文提出了一个结合Transformer和图变分自编码器的计算框架TG-ME，用于通过空间转录组学和形态学图像解析空间微环境 | 创新性地整合了Transformer和图变分自编码器，以深度学习方式识别健康、肿瘤和感染组织中的空间微环境 | NA | 开发一个深度学习协议，用于识别和分析空间转录组学数据中的微环境 | 空间转录组学和形态学图像数据 | 数字病理学 | 肿瘤 | 空间转录组学 | Transformer, 图变分自编码器 | 空间转录组数据, 形态学图像 | NA | NA | Transformer, 图变分自编码器 | NA | NA |
| 1105 | 2026-03-28 |
Protocol to annotate and automate single-cell instance segmentation on stimulated Raman histology using deep learning
2025-Dec-19, STAR protocols
IF:1.3Q4
DOI:10.1016/j.xpro.2025.104221
PMID:41317327
|
研究论文 | 本文提出了一种基于深度学习的协议，用于在刺激拉曼组织学图像上实现单细胞实例分割的标注和自动化 | 开发了ELUCIDATE网络标注工具和DetectSRH Python库，结合深度学习实现无标记SRH图像的单细胞空间分析 | NA | 实现神经外科术中获取的SRH图像的自动化细胞分割 | 刺激拉曼组织学图像中的细胞 | 数字病理学 | NA | 刺激拉曼组织学 | 深度学习模型 | 图像 | NA | Python | NA | NA | NA |
| 1106 | 2026-03-28 |
A Scorpion Peptide Exerts Selective Anti-Leukemia Effects Through Disrupting Cell Membranes and Triggering Bax/Bcl-2-Related Apoptosis Pathway
2025-12-18, Biomolecules
IF:4.8Q1
DOI:10.3390/biom15121751
PMID:41463404
|
研究论文 | 本研究利用深度学习模型预测并验证了一种蝎子肽Lpep3对白血病细胞的选择性抗白血病作用，通过破坏细胞膜并触发Bax/Bcl-2相关凋亡通路 | 结合AI计算模型快速筛选活性肽，并首次揭示Lpep3通过破坏细胞膜和诱导凋亡通路发挥选择性抗白血病效应 | 研究主要基于体外和动物模型，尚未进行人体临床试验，且具体作用机制细节需进一步探索 | 开发天然抗肿瘤药物，特别是针对白血病的治疗 | 白血病细胞（如MV-4-11）和小鼠模型 | 机器学习 | 白血病 | 深度学习模型预测，电子显微镜观察，台盼蓝染色，Calcein-AM/PI双染色，LDH和ATP释放检测，Western blotting，RT-qPCR | 深度学习模型 | 肽序列数据，细胞实验数据 | 七种肽的预测验证，涉及白血病细胞系和小鼠模型 | NA | NA | NA | NA |
| 1107 | 2026-03-28 |
Applications of artificial intelligence in abdominal imaging
2025-Dec, Abdominal radiology (New York)
DOI:10.1007/s00261-025-04990-0
PMID:40418375
|
综述 | 本文综述了人工智能在腹部影像学中的应用，包括疾病检测、分类和个性化护理，并讨论了当前挑战与未来方向 | 强调了AI在腹部影像中通过深度学习和影像组学实现疾病检测与自动化的突破性应用，并提出了解决数据异质性和可解释性等挑战的未来策略 | 广泛采用受限于数据异质性、缺乏多中心验证、依赖回顾性单中心研究以及AI模型的“黑箱”性质，阻碍了可解释性和临床医生信任 | 探讨人工智能在腹部影像学中的潜在应用，以改善疾病检测、分类和个性化护理 | 腹部影像学中的疾病，如弥漫性肝实质疾病、局灶性肝病变、胰腺导管腺癌、肾肿瘤和肠道病变 | 计算机视觉 | 腹部疾病 | 深度学习，影像组学 | NA | 图像 | NA | NA | NA | 准确性 | NA |
| 1108 | 2026-03-28 |
E2-regulated transcriptome complexity revealed by long-read direct RNA sequencing: from isoform discovery to truncated proteins
2025-12, RNA biology
IF:3.6Q2
DOI:10.1080/15476286.2025.2563860
PMID:40965441
|
研究论文 | 本研究利用纳米孔长读长直接RNA测序技术，揭示了雌激素调控的转录组复杂性，并发现了一种产生截短蛋白的TLE1内含子多聚腺苷酸化亚型及其在乳腺癌中的临床意义 | 首次结合纳米孔长读长直接RNA测序、3'端测序和深度学习蛋白建模，系统揭示了雌激素响应转录组的复杂性，并发现了一种具有功能的新型内含子多聚腺苷酸化mRNA亚型及其产生的截短蛋白 | 未明确说明样本的具体数量或实验重复次数，且功能验证主要基于体外实验 | 探索雌激素受体α阳性乳腺癌中雌激素调控的转录组复杂性和蛋白质水平影响 | 雌激素受体α阳性乳腺癌细胞及相关的转录组和蛋白质 | 生物信息学，计算生物学 | 乳腺癌 | 纳米孔长读长直接RNA测序，3'端测序，深度学习蛋白建模 | 深度学习模型 | RNA测序数据，蛋白质结构数据 | NA | NA | NA | NA | NA |
| 1109 | 2026-03-28 |
Serum-MiR-CanPred: deep learning framework for pan-cancer classification and miRNA-targeted drug discovery
2025-12, RNA biology
IF:3.6Q2
DOI:10.1080/15476286.2025.2577433
PMID:41168129
|
研究论文 | 本研究开发了一个名为Serum-MiR-CanPred的深度学习框架，用于基于血清miRNA表达数据的泛癌分类和miRNA靶向药物发现 | 首次整合可解释AI与分子建模，利用88个miRNA共识集实现高精度泛癌分类，并识别出hsa-miR-5100作为关键生物标志物，进而通过分子对接发现潜在治疗配体 | 研究依赖于GEO数据库的现有数据，外部验证数据集可能有限，且分子对接结果需进一步实验验证 | 开发非侵入性癌症早期诊断工具并探索miRNA靶向药物发现 | 12种癌症类型及健康对照的血清miRNA表达数据 | 机器学习 | 泛癌 | 血清miRNA表达分析 | MLP | miRNA表达数据 | 20,271个样本 | NA | 多层感知机 | AUC, 准确率 | NA |
| 1110 | 2026-03-28 |
G2PDeep-v2: A Web-Based Deep-Learning Framework for Phenotype Prediction and Biomarker Discovery for All Organisms Using Multi-Omics Data
2025-12-01, Biomolecules
IF:4.8Q1
DOI:10.3390/biom15121673
PMID:41463329
|
研究论文 | 本文介绍了G2PDeep-v2，一个基于深度学习的网络平台，用于多组学数据的表型预测和生物标志物发现 | 开发了一个集深度学习、超参数优化、可视化和下游分析于一体的统一网络平台，支持跨多种生物（包括人类和植物）的多组学数据分析 | 未在摘要中明确说明具体限制 | 为研究人员提供一个易于使用的工具，以整合和分析多组学数据，实现表型预测和生物标志物发现 | 跨多种生物（包括人类和植物）的多组学数据 | 机器学习 | NA | 多组学数据整合分析 | 深度学习模型 | 多组学数据 | NA | NA | NA | NA | 高性能计算资源 |
| 1111 | 2026-03-28 |
DeepRNA-Reg: a deep-learning based approach for comparative analysis of CLIP experiments
2025-12, RNA biology
IF:3.6Q2
DOI:10.1080/15476286.2025.2564941
PMID:41055236
|
研究论文 | 本文提出了一种基于深度学习的DeepRNA-Reg方法，用于对配对的高通量测序RNA交联免疫沉淀实验数据进行高保真比较分析 | DeepRNA-Reg利用深度学习技术，在Ago2靶向被选择性扰动的实验范式中，提供了优于现有最佳差异HITS-CLIP分析方法的预测结果，并更好地符合RNA一级和二级结构基序的真实情况 | NA | 开发一种深度学习方法来改进配对HITS-CLIP实验数据的比较分析 | 高通量测序RNA交联免疫沉淀实验数据，特别是涉及Ago2靶向和microRNA簇基因敲除的实验 | 自然语言处理 | NA | HITS-CLIP | 深度学习 | RNA测序数据 | NA | NA | NA | NA | NA |
| 1112 | 2026-03-28 |
IMAGO: An Improved Model Based on Attention Mechanism for Enhanced Protein Function Prediction
2025-11-29, Biomolecules
IF:4.8Q1
DOI:10.3390/biom15121667
PMID:41463323
|
研究论文 | 本文提出了一种基于注意力机制的新型蛋白质功能预测模型IMAGO，通过整合多头注意力机制和正则化技术来减少过拟合和噪声问题，从而提高预测准确性 | 采用Transformer预训练过程，结合多头注意力机制和正则化技术，并优化损失函数，有效减少训练中的过拟合和噪声问题，生成更鲁棒的嵌入表示 | 未明确说明具体数据集名称和样本规模，可能影响结果的可复现性和泛化能力评估 | 开发高效、稳定且准确的深度学习模型以改进蛋白质功能预测 | 蛋白质功能预测，基于蛋白质-蛋白质相互作用网络和其他生物属性 | 自然语言处理 | NA | 自然语言处理技术，Transformer预训练 | Transformer | 文本数据（生物属性信息） | NA | NA | Transformer | NA | NA |
| 1113 | 2026-03-28 |
MKNet-family architectures for auto-segmentation of the residual pancreas after pancreatic resection: a deep learning comparative study
2025-Nov-27, Abdominal radiology (New York)
DOI:10.1007/s00261-025-05211-4
PMID:41307673
|
研究论文 | 本研究开发并比较了新型MKNet系列深度学习架构在胰腺切除术后CT图像中自动分割残余胰腺的可行性与临床效用 | 提出了MKNet、MSKNet和MAKNet三种新型深度学习架构，专门针对术后胰腺分割任务进行优化，相比现有方法在术后场景中表现出色 | 研究样本量相对有限（共163例CT扫描），且术后数据集仅包含术后4周内的扫描，可能无法完全代表更长期的术后变化 | 评估新型深度学习架构在胰腺切除术后CT图像中自动分割残余胰腺的准确性和临床实用性 | 胰腺切除术后患者的残余胰腺组织 | 数字病理学 | 胰腺癌 | CT扫描成像 | CNN | 医学图像（CT扫描） | 163例CT扫描（82例术前正常扫描，81例术后4周内扫描） | NA | MKNet, MSKNet, MAKNet, Attention-U-Net | Hausdorff距离, 95百分位Hausdorff距离, 归一化表面距离, Dice相似系数 | NA |
| 1114 | 2026-03-28 |
Leveraging Artificial Intelligence and Modulation of Oxidative Stressors to Enhance Healthspan and Radical Longevity
2025-10-24, Biomolecules
IF:4.8Q1
DOI:10.3390/biom15111501
PMID:41301419
|
综述 | 本文探讨了人工智能在促进健康寿命和延长寿命方面的变革潜力 | 综述了AI在分析复杂生物数据、加速生物标志物发现、优化治疗干预和个性化医疗方面的应用，特别是在识别生物年龄准确生物标志物、开发精准医学方法、加速药物发现和增强CRISPR等基因组编辑技术方面的突破 | AI在长寿研究中的整合带来了伦理和社会挑战，包括隐私问题、公平获取以及延长人类寿命的更广泛影响 | 探索人工智能在促进健康寿命和延长寿命方面的应用潜力 | 健康寿命和长寿的生物机制，以及AI在相关领域的应用 | 机器学习 | 溶血性疾病 | 机器学习、深度学习、自然语言处理、机器人技术、数据分析 | NA | 复杂生物数据 | NA | NA | NA | NA | NA |
| 1115 | 2026-03-28 |
Quantitative molecular imaging using deep magnetic resonance fingerprinting
2025-10, Nature protocols
IF:13.1Q1
DOI:10.1038/s41596-025-01152-w
PMID:40169753
|
研究论文 | 本文介绍了一种基于深度学习的饱和转移磁共振指纹成像（MRF）协议，用于蛋白质、代谢物和pH值的无创体内定量分子成像 | 提出了一个完整的深度MRF协议，通过人工智能模型解决传统分子MRI技术复杂、半定量和扫描时间长的问题，实现快速定量分子信息提取 | 协议完成时间从48分钟到57小时不等，对于复杂多质子池体内成像耗时较长，且技术复杂性可能限制其广泛临床采用 | 开发一种定量分子MRI方法，用于提取具有生物学和临床意义的分子信息 | 体外样本、动物和人类扫描 | 医学影像 | 癌症、神经退行性疾病、中风、心脏病 | 化学交换饱和转移（CEST）、半固体磁化转移（MT）定量成像 | 深度学习模型 | 磁共振图像 | NA | NA | NA | NA | NA |
| 1116 | 2026-03-28 |
Deep Learning-Based Generation of DSC MRI Parameter Maps Using Dynamic Contrast-Enhanced MRI Data
2025-Oct-01, AJNR. American journal of neuroradiology
DOI:10.3174/ajnr.A8768
PMID:40194853
|
研究论文 | 本研究开发了一种基于深度学习的条件生成对抗网络，用于从动态对比增强MRI数据合成DSC MRI参数图，以减少对比剂使用剂量 | 首次利用条件生成对抗网络从DCE MRI数据生成DSC MRI参数图，实现了单次对比剂注射获取双模态灌注参数，并能可视化传统DSC图中因磁敏感伪影不可见的区域 | 研究样本量较小（64名参与者），且数据来源于既往研究，可能影响模型泛化能力；未对不同类型脑肿瘤进行细分分析 | 开发深度学习方法来合成DSC MRI参数图，以减少临床扫描中对比剂的使用剂量 | 脑肿瘤患者及无脑肿瘤的对照参与者 | 医学影像分析 | 脑肿瘤 | DSC MRI, DCE MRI | cGAN | MRI图像 | 64名参与者（包括脑肿瘤患者和对照） | NA | 条件生成对抗网络 | 线性回归分析, Bland-Altman图 | NA |
| 1117 | 2026-03-28 |
Optic Nerve Atrophy Conditions Associated With 3D Unsegmented Optical Coherence Tomography Volumes Using Deep Learning
2025-Oct-01, JAMA ophthalmology
IF:7.8Q1
DOI:10.1001/jamaophthalmol.2025.2766
PMID:40839281
|
研究论文 | 本研究利用深度学习模型分析未分割的3D光学相干断层扫描（OCT）体积数据，以区分青光眼、非动脉炎性前部缺血性视神经病变（NAION）、视神经炎和健康眼睛的视神经萎缩 | 首次使用未分割的3D OCT体积数据训练深度学习模型，直接区分多种视神经萎缩疾病，无需手动分割，并比较了全体积、视盘周围区域（PPR）和视神经头（ONH）三种不同区域模型的性能 | 视神经炎的分类最具挑战性，当轴突损失严重或极小时，易被误分类为NAION或健康眼睛；研究为横断面设计，未评估纵向变化或治疗反应 | 确定基于未分割ONH OCT扫描的3D深度学习模型是否能可靠地区分青光眼、NAION、视神经炎和健康眼睛的视神经萎缩 | 患者（包括青光眼、NAION、视神经炎患者）和健康对照者的眼睛 | 数字病理学 | 视神经萎缩相关疾病（包括青光眼、非动脉炎性前部缺血性视神经病变、视神经炎） | 光学相干断层扫描（OCT） | CNN | 3D图像（OCT体积数据） | 7014次Cirrus ONH OCT扫描，来自1382只眼睛（青光眼113只，NAION 311只，视神经炎163只，健康对照715只） | 未明确指定，但基于ResNet-3D-18架构推断可能为PyTorch或TensorFlow | ResNet-3D-18 | 准确率，宏AUC-ROC，精确率，召回率，F1分数 | 未明确指定 |
| 1118 | 2026-03-28 |
3D Deep Learning Analysis of OCT to Classify Optic Atrophy
2025-Oct-01, JAMA ophthalmology
IF:7.8Q1
DOI:10.1001/jamaophthalmol.2025.2829
PMID:40839376
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1119 | 2026-03-28 |
Deep Learning-accelerated MRI in Body and Chest
2025 Jul-Aug 01, Journal of computer assisted tomography
IF:1.0Q4
DOI:10.1097/RCT.0000000000001762
PMID:40360272
|
综述 | 本文综述了深度学习重建技术在加速磁共振成像中的应用，特别是在身体和胸部成像中，旨在提升图像质量并减少运动伪影 | 深度学习重建为磁共振加速提供了优雅解决方案，通过变分网络和监督模型，在保持图像质量的同时显著缩短采集时间，并具有去噪、伪影减少和提升信噪比等潜力 | 深度学习重建面临一些挑战，包括轻微降低病灶检测率、心脏运动相关信号丢失、区域信噪比变化以及不同器官系统中ADC测量的变异性 | 探讨深度学习重建技术在磁共振成像中的加速应用，以改善身体和胸部成像的图像质量并减少运动伪影 | 腹部、骨盆和胸部的磁共振成像，重点关注肝脏和前列腺等器官系统 | 医学影像分析 | NA | 磁共振成像（MRI），包括T2、T1和扩散加权成像 | 深度学习模型 | 磁共振图像 | NA | NA | 变分网络 | 图像质量指标、病灶显眼度、信噪比（SNR）、对比噪声比（CNR）、病灶检测率、ADC测量 | NA |
| 1120 | 2026-03-28 |
Fundus Refraction Offset as an Individualized Myopia Biomarker
2025-Jul-01, JAMA ophthalmology
IF:7.8Q1
DOI:10.1001/jamaophthalmol.2025.1513
PMID:40471629
|
研究论文 | 本研究提出了一种新的眼底水平指标——眼底屈光偏移，并探讨了其与光学相干断层扫描衍生眼部参数的关联 | 提出了眼底屈光偏移这一个体化近视生物标志物，用于捕捉后段解剖结构的个体差异，超越了传统的球镜等效屈光度和眼轴长度等轴上指标 | 研究为横断面设计，无法确定因果关系；外部验证数据集样本量较小 | 开发并验证一种能够反映个体后段解剖差异的近视生物标志物 | 健康人眼 | 数字病理学 | 近视 | 光学相干断层扫描 | 深度学习模型 | 图像 | UK Biobank 数据集中 45,180 只健康眼（训练集 70%，内部测试集 30%），外部验证集 152 只右眼 | NA | NA | 线性回归系数, 95% 置信区间, P值 | NA |