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 1201 - 1220 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1201 | 2026-05-02 |
Building novel LLM-enabled explainable ensemble transformer models combining endoscopic and CT images for discriminating the different grades of gastrointestinal cancers
2026, Frontiers in medicine
IF:3.1Q1
DOI:10.3389/fmed.2026.1789769
PMID:42063793
|
研究论文 | 提出一种新型可解释的LLM集成Transformer模型，结合内镜和CT图像区分胃肠癌不同分级 | 首次将LLM与集成Transformer架构结合，实现医疗图像诊断的可解释性和用户交互式诊断说明生成 | 未提及 | 开发可解释的深度学习框架，提高胃肠癌严重程度分级的诊断性能并降低误报率 | 胃肠癌患者的两种医学影像数据（内镜图像和CT扫描图像） | 计算机视觉, 自然语言处理 | 胃肠癌 | 图像采集与预处理 | Transformer, LLM | 图像 | Kvasir数据集和TCIA CT（TCGA-STAD）数据集 | NA | 集成Transformer | 准确率, 精确率, 召回率, F1分数 | NA |
| 1202 | 2026-05-02 |
Virtual reality-induced emotion recognition with deep learning-based multimodal physiological feature fusion
2026, Frontiers in psychology
IF:2.6Q2
DOI:10.3389/fpsyg.2026.1759471
PMID:42063869
|
研究论文 | 研究结合虚拟现实（VR）情绪诱发范式与深度学习的多模态生理信号融合，实现情绪识别 | 首次将生态效度高的VR情绪诱发与多模态PCA-LSTM融合模型相结合，系统性克服传统方法生态效度低和信息不完整的问题 | 样本量较小（20名健康参与者），情绪状态仅限于三分类（积极、中性、消极），未考虑个体差异对情绪诱发的影响 | 提升情绪识别的客观性和准确性，解决传统方法在生态效度和量化精度上的瓶颈 | 通过VR诱发积极、中性和消极三种情绪状态，并采集生理信号（脑电图、心电、皮电）和主观评估数据 | 自然语言处理 | NA | 生理信号采集（脑电图、心电、皮电）、PCA降维、LSTM建模 | PCA-LSTM混合网络 | 生理信号数据（脑电图、心电、皮电）及主观评估数据 | 20名健康参与者 | NA | PCA、LSTM、全连接层 | 准确率 | NA |
| 1203 | 2026-05-02 |
Applications of artificial intelligence in postoperative surveillance and management of esophageal squamous cell carcinoma
2026, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2026.1806691
PMID:42064032
|
综述 | 综述人工智能在食管鳞状细胞癌术后监测与管理中的应用 | 系统总结了人工智能多模态模型（整合电子健康记录、影像组学和生物标志物）在术后并发症预警、复发预测及远程随访中的最新进展，并强调可解释性方法（如SHAP）提升临床可理解性 | 仅纳入英文文献，且部分研究可能受限于样本量或外部验证不足 | 探讨人工智能在食管鳞状细胞癌围手术期（尤其是术后监测与管理）中的应用潜力 | 食管鳞状细胞癌患者的术后监测与管理策略 | 机器学习, 数字病理学, 自然语言处理 | 食管鳞状细胞癌 | 影像组学, 自然语言处理, 可穿戴传感器, 电子患者报告结局 | 机器学习, 深度学习 | 影像, 文本, 电子健康记录 | NA | NA | NA | NA | NA |
| 1204 | 2026-05-02 |
PlantPathNet: a novel network based on cross-layer feature integration for plant disease classification
2026, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2026.1783576
PMID:42064302
|
研究论文 | 提出一种基于跨层特征融合的深度学习网络PlantPathNet用于植物病害分类 | 创新点包括RGB到HSV颜色空间转换增强病害表示、跨层特征融合模块(CFIM)聚合多深度判别特征、基于ECANet的通道注意力机制以及结合修正Softmax损失和中心损失的复合损失函数 | 仅基于PlantVillage数据集进行评估，未验证在真实农业场景下的性能表现 | 开发一种稳健高效的植物病害自动诊断方法，提升作物监测和产量保护能力 | 植物叶片图像中的病害分类任务 | 计算机视觉 | 植物病害 | 深度学习 | 卷积神经网络 | 图像 | 基于PlantVillage数据集 | PyTorch | PlantPathNet, ECANet | 准确率、精确率、召回率、F1分数、AUROC | NA |
| 1205 | 2026-05-02 |
Toward intelligent rehabilitation: Multimodal human pose modeling with parametric meshes and graph-based temporal reasoning
2026 Jan-Dec, Digital health
IF:2.9Q2
DOI:10.1177/20552076261417873
PMID:42064381
|
研究论文 | 提出一种多模态无标记框架，整合RGB和深度数据，用于家庭物理治疗动作识别 | 首次将参数化人体网格与图卷积时间推理相结合，实现多模态特征融合与鲁棒的动作识别 | 未来需更广泛的验证及考虑实际部署因素 | 开发可靠的家庭物理治疗动作识别多模态框架 | 老年人和行动不便者 | 计算机视觉 | 老年疾病 | RGB-D传感器 | 图卷积网络 | 图像 | 三个公开康复数据集：KIMORE、mRI、UTKinect-Action3D | PyTorch | SMPL模型, 图卷积网络 | 准确率 | NA |
| 1206 | 2026-05-02 |
General-purpose topology-aware embedding of tumor phylogenetic trees with graph neural networks
2026, Bioinformatics advances
IF:2.4Q2
DOI:10.1093/bioadv/vbag016
PMID:42064751
|
研究论文 | 提出CPhyT-GNN方法，利用图神经网络对肿瘤系统发育树进行无监督嵌入，生成可用于多种机器学习任务的向量表示 | 首次将图神经网络应用于系统发育树的通用拓扑感知嵌入，能够同时整合肿瘤突变信息和树形拓扑结构信息 | 未明确提及局限性 | 开发一种能够自动从系统发育树中提取有效信息的深度学习方法 | 肿瘤系统发育树及其嵌入表示 | 机器学习 | 肿瘤 | NA | 图神经网络 | 树形结构数据 | NA | NA | 图神经网络 | NA | NA |
| 1207 | 2026-05-02 |
Machine learning-based risk predictive models for depression in patients with diabetes: a systematic review and meta-analysis
2026, Frontiers in endocrinology
IF:3.9Q2
DOI:10.3389/fendo.2026.1816661
PMID:42064765
|
系统综述与Meta分析 | 系统评估基于机器学习的糖尿病合并抑郁症风险预测模型的性能、优势与局限性 | 首次对基于机器学习的糖尿病合并抑郁症风险预测模型进行系统综述和Meta分析，并采用PROBAST-AI工具评估偏倚风险和临床适用性 | 纳入研究样本量较小，缺乏外部验证，研究间异质性极高（I² = 97.4%） | 评估现有糖尿病合并抑郁症风险预测模型的性能和临床适用性，提供可靠证据以支持临床决策 | 糖尿病合并抑郁症风险预测模型 | 机器学习 | 糖尿病伴抑郁症 | NA | 逻辑回归、传统回归模型、通用机器学习模型、深度学习模型 | NA | 14项研究，64个机器学习模型 | NA | 逻辑回归、传统回归模型、通用机器学习模型、深度学习模型 | 受试者工作特征曲线下面积及其95%置信区间 | NA |
| 1208 | 2026-05-02 |
Heartbeat: a multimodal dataset of fetal echocardiography and clinical metadata for early detection of congenital heart disease
2026, Frontiers in cardiovascular medicine
IF:2.8Q2
DOI:10.3389/fcvm.2026.1726484
PMID:42064861
|
研究论文 | 介绍Heartbeat多模态数据集，用于胎儿超声心动图和临床元数据早期检测先天性心脏病 | 首次构建包含胎儿心脏超声图像和临床元数据的大型多模态数据集，并提出Heart-ViT模型，通过自适应层归一化整合成像特征与患者特异性临床元数据，显著提升CHD检测性能 | 数据集中CHD患病率较低（6.50%和7.25%），存在类别不平衡问题；研究仅限于第二和第三孕期数据 | 开发AI辅助工具，用于先天性心脏病的早期产前筛查 | 人类胎儿心脏超声影像和临床元数据 | 数字病理学 | 先天性心脏病 | 超声心动图 | 卷积神经网络（CNN）、Transformer（Heart-ViT） | 图像和元数据 | 1,475名患者 | PyTorch | CNN、Transformer、Heart-ViT | 敏感性、特异性、阳性预测值（PPV）、AUROC、F1分数 | NA |
| 1209 | 2026-05-02 |
Accelerating high-concentration monoclonal antibody development with large-scale viscosity data and ensemble deep learning
2025-12, mAbs
IF:5.6Q1
DOI:10.1080/19420862.2025.2483944
PMID:40170162
|
研究论文 | 利用大规模黏度数据和集成深度学习模型加速高浓度单克隆抗体的开发 | 构建了包含102个集成人工神经网络模型的DeepViscosity系统，使用序列特征预测高浓度抗体黏度，数据规模远超此前仅有几十个数据点的局限性 | 模型预测仅限于150 mg/mL浓度下的黏度分类，对极端序列抗体或其他浓度条件的泛化能力仍需验证 | 开发能够预测高浓度单克隆抗体黏度的计算模型，用于早期抗体筛选与皮下注射药物开发 | 229个单克隆抗体样本的黏度数据，以及229个序列来源的DeepSP特征 | 机器学习 | NA | NA | 人工神经网络集成模型 | 数值与序列特征 | 229个单克隆抗体样品，以及额外独立测试集16和38个样品 | NA | 集成多层人工神经网络 | 准确率 | NA |
| 1210 | 2026-05-02 |
AlphaBind, a domain-specific model to predict and optimize antibody-antigen binding affinity
2025-12, mAbs
IF:5.6Q1
DOI:10.1080/19420862.2025.2534626
PMID:40693434
|
研究论文 | 提出AlphaBind模型用于预测和优化抗体-抗原结合亲和力 | 利用蛋白质语言模型嵌入和数百万定量实验室测量的预训练，实现抗体亲和力优化的最先进性能，仅需单轮数据生成 | 未提及具体局限性 | 通过深度学习预测和优化抗体序列的结合亲和力 | 四种亲本抗体（部分已进行过亲和力成熟） | 机器学习 | NA | 亲和力测量 | 蛋白质语言模型 | 序列数据、实验测量数据 | 数百万定量实验室测量数据 | PyTorch | AlphaBind | 结合亲和力提升程度 | NA |
| 1211 | 2026-05-02 |
Germline-aware deep learning models and benchmarks for predicting antibody VH-VL pairing
2025-12, mAbs
IF:5.6Q1
DOI:10.1080/19420862.2025.2570749
PMID:41104651
|
研究论文 | 提出了一个包含新基准数据集和三种深度学习模型的综合框架，用于预测抗体VH-VL配对 | 引入了基于V(D)J种系信息的不同负采样策略，并开发了轻量级BERT模型实现超过90%的配对准确率 | 未在摘要中明确提及 | 开发高效的计算方法以预测抗体可变重链和可变轻链的兼容配对 | 抗体VH和VL链序列 | 自然语言处理 | NA | NA | BERT | 序列数据 | NA | NA | BERT | 准确率 | NA |
| 1212 | 2025-05-24 |
Corrigendum to "Ultrasound-Based Deep Learning Radiomics Nomogram for Tumor and Axillary Lymph Node Status Prediction After Neoadjuvant Chemotherapy" [Academic Radiology 32 (2025) 12-23]
2025-Nov, Academic radiology
IF:3.8Q1
DOI:10.1016/j.acra.2025.05.010
PMID:40404505
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1213 | 2026-05-02 |
Federated Deep Learning Approaches for Detecting Ocular Diseases in Medical Imaging: A Systematic Review
2025-Oct-02, Current medical imaging
IF:1.1Q3
|
综述 | 本文系统综述了联邦深度学习在医学影像眼部疾病检测中的应用进展 | 首次系统性地评估联邦学习在眼部疾病检测中的进展，重点关注数据隐私保护与诊断准确性的平衡 | 数据异质性、通信效率和模型收敛性等挑战尚未完全解决 | 分析人工智能驱动的眼部疾病检测进展，特别是基于联邦学习的方法 | 2017年至2024年间发表的关于深度学习和联邦学习模型用于眼部疾病检测的研究文章 | 计算机视觉 | 眼部疾病 | NA | 联邦学习模型，包括FedAvg和FedProx | 医学影像 | NA | NA | NA | 准确性、效率 | NA |
| 1214 | 2026-05-02 |
Racial and ethnic disparities in exposure to short-term NO2 air pollution in California during 1980-2022
2025-Sep-15, Journal of hazardous materials
IF:12.2Q1
DOI:10.1016/j.jhazmat.2025.139309
PMID:40695125
|
研究论文 | 利用深度学习框架估算1980-2022年美国加州短期NO2暴露浓度，并分析种族和民族差异 | 首次利用深度学习结合化学传输模型输出和地理空间数据，生成1980-2022年高时空分辨率NO2浓度数据，并量化历史短期NO2暴露中的种族和民族差异 | 未明确提及外部验证或潜在数据偏差 | 评估加州1980-2022年短期NO2暴露中的种族和民族差异，为环境正义提供关键信息 | 美国加州不同种族和民族群体（包括西班牙裔或拉丁裔、非西班牙裔非洲裔或黑人、非西班牙裔美洲印第安人、阿拉斯加原住民、亚裔、太平洋岛民及非西班牙裔白人） | 机器学习 | NA | 地理空间数据分析 | 深度学习模型 | 地理空间数据 | NA | 深度学习框架（未具体说明） | NA | 决定系数（R²），范围0.72-0.83 | NA |
| 1215 | 2026-05-02 |
3D cardiac shape analysis with variational point cloud autoencoders for myocardial infarction prediction and virtual heart synthesis
2025-Sep, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society
IF:5.4Q1
|
研究论文 | 提出多类变分点云自编码器用于3D心脏形状与功能分析，实现对心肌梗死的预测和虚拟心脏合成 | 将变分点云自编码器应用于多类3D心脏解剖结构的几何深度学习，实现低维且可解释的潜在空间中的复杂非线性形状变异捕捉 | NA | 开发一种新型几何深度学习方法，用于3D心脏形状和功能分析，以理解并利用人类群体的心脏变异，辅助临床决策和心脏功能模拟 | 超过10000个受试者的3D心脏点云数据 | 计算机视觉, 机器学习, 数字病理学 | 心肌梗死 | NA | 变分点云自编码器 | 点云 | 超过10000个受试者的3D心脏点云数据 | NA | Point VAE | Chamfer距离, AUROC, Harrell's C指数 | NA |
| 1216 | 2026-05-02 |
Automated detection and recognition of oocyte toxicity by fusion of latent and observable features
2025-08-15, Journal of hazardous materials
IF:12.2Q1
DOI:10.1016/j.jhazmat.2025.138411
PMID:40318589
|
研究论文 | 开发了一种融合深度学习潜在特征与可观察人类概念特征的框架，用于自动检测和识别卵母细胞毒性 | 首次将深度学习提取的潜在特征与人类概念可观察特征融合，用于卵母细胞毒性检测、亚型分类和强度分级 | NA | 评估环境污染物对卵母细胞异常的影响，并实现自动化毒性检测与分类 | 小鼠卵母细胞 | 计算机视觉 | NA | NA | 深度学习（潜在特征提取网络） | 图像 | 2126张小鼠卵母细胞图像 | NA | 特征融合网络 | ROC-AUC | NA |
| 1217 | 2026-05-02 |
Deep learning-enhanced hyperspectral imaging for rapid screening of Co-metabolic microplastic-degrading bacteria in environmental samples
2025-08-05, Journal of hazardous materials
IF:12.2Q1
DOI:10.1016/j.jhazmat.2025.138370
PMID:40267710
|
研究论文 | 提出一种结合高光谱成像与深度学习的方法，用于快速筛选共代谢微塑料降解细菌 | 首次将高光谱成像与深度学习算法结合，用于共代谢固体培养基中微塑料降解细菌的直接筛选，克服了传统方法耗时且难以鉴别共代谢降解菌的局限 | 仅验证了一种聚己二酸/对苯二甲酸丁二醇酯降解细菌，模型在更广泛微生物种类和环境样本中的适用性需进一步探索 | 开发一种高效筛选共代谢微塑料降解细菌的方法 | 共代谢固体培养基中的微塑料降解细菌 | 机器学习和计算机视觉 | 不适用 | 高光谱成像 | 机器学习和深度学习算法 | 高光谱图像（包含空间和光谱信息） | 实验涉及固体培养基样本，具体数量未明确 | 不适用 | 不适用 | 不适用 | 不适用 |
| 1218 | 2026-05-02 |
Applying multimodal AI to physiological waveforms improves genetic prediction of cardiovascular traits
2025-Jul-03, American journal of human genetics
IF:8.1Q1
DOI:10.1016/j.ajhg.2025.05.015
PMID:40543505
|
研究论文 | 提出一种多模态深度学习方法M-REGLE，通过联合表示互补的心电波形模态，提高心血管特征遗传预测的准确性 | 首次将多模态表示学习应用于遗传发现，通过卷积变分自编码器联合学习多模态生理波形的低维表示，再进行全基因组关联分析，比单模态方法发现更多遗传位点 | NA | 开发多模态深度学习方法，从互补的心电波形模态中提取联合表示，以发现遗传关联并改善心血管特征预测 | 心血管特征（如房颤）的遗传关联 | 机器学习 | 心血管疾病 | NA | 卷积变分自编码器 | 生理波形（光电容积脉搏波PPG和心电图ECG） | 来自多个生物样本库的数据集 | NA | 卷积变分自编码器 | 遗传风险评分 | NA |
| 1219 | 2026-05-02 |
Deep learning-guided design of dynamic proteins
2025-May-22, Science (New York, N.Y.)
DOI:10.1126/science.adr7094
PMID:40403060
|
研究论文 | 描述了一种基于深度学习的通用方法，用于从头设计具有原子级精度的蛋白质构象动态变化 | 首次实现从头设计受控的蛋白质构象变化，模拟自然信号蛋白的开关机制，并通过实验验证了设计构象 | 未提及具体限制，但可能涉及计算资源需求高或设计复杂度随蛋白质大小增加 | 开发通用深度学习框架实现可调控蛋白质动态构象的从头设计 | 蛋白质构象的动态变化及信号传导行为 | 机器学习 | NA | 深度学习 | 神经网络 | 蛋白质结构数据 | NA | NA | NA | NA | NA |
| 1220 | 2026-05-02 |
Interpretable artificial intelligence model for predicting heart failure severity after acute myocardial infarction
2025-05-12, BMC cardiovascular disorders
IF:2.0Q3
DOI:10.1186/s12872-025-04818-1
PMID:40355836
|
研究论文 | 开发可解释人工智能模型，利用多维度临床数据预测急性心肌梗死后心力衰竭严重程度 | 结合深度学习和机器学习模型，并采用SHAP方法增强模型可解释性，同时开发了临床应用的网页平台 | 未提及 | 建立可解释人工智能模型以预测急性心肌梗死后心力衰竭严重程度，支持早期干预和优化治疗策略 | 1574名急性心肌梗死患者的多维临床数据，包括病史、临床特征、生理参数、实验室检查、冠脉造影和超声心动图结果 | 机器学习 | 心血管疾病 | NA | TabNet、多层感知器、随机森林、XGBoost | 临床数据（病史、特征、生理参数、实验室检查、影像结果） | 1574名急性心肌梗死患者 | NA | TabNet、多层感知器、随机森林、XGBoost | AUROC | NA |