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 45423 篇文献，本页显示第 1301 - 1320 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1301 | 2026-06-02 |
Evaluation of super-resolution deep learning reconstruction on three-dimensional constructive interference in steady state for enhanced visualization of vestibular schwannomas
2026-Jun-01, Radiological physics and technology
IF:1.7Q3
DOI:10.1007/s12194-026-01073-7
PMID:42223818
|
研究论文 | 评估超分辨率深度学习重建在三维稳态干涉序列中增强前庭神经鞘瘤可视化的效果 | 首次将超分辨率深度学习重建应用于前庭神经鞘瘤的3D-CISS MRI，相比传统DLR和ZIP显著提升图像锐度和病变可见性 | 未提及算法局限性或计算资源需求，可能样本量较小（39例） | 比较SR-DLR、DLR和ZIP三种重建技术在前庭神经鞘瘤可视化中的表现 | 39例前庭神经鞘瘤患者的三维稳态干涉MRI图像 | 计算机视觉, 医学影像 | 前庭神经鞘瘤 | 3D-CISS MRI | 超分辨率深度学习重建 | 图像 | 39例前庭神经鞘瘤患者 | NA | NA（未指定具体架构） | 锐度评分, 边缘上升距离, 边缘上升斜率, 信噪比, 对比噪声比, 对比度比 | NA |
| 1302 | 2026-06-02 |
Attention-Guided Multi-View Contrastive Learning for Predicting Sparse Drug-Gene Associations
2026-Jun-01, Interdisciplinary sciences, computational life sciences
DOI:10.1007/s12539-026-00843-6
PMID:42223887
|
研究论文 | 提出了一种注意力引导的多视图对比学习方法（AMCL），用于预测稀疏的药物-基因关联 | 提出注意力引导的多视图对比学习方法，整合多尺度特征学习和动态超图学习模块来捕获高阶依赖关系，并利用LCA偏置注意力机制提升模型区分能力 | NA | 提高现有预测模型在稀疏数据下的性能和泛化能力，用于药物发现和再利用 | 药物-基因相互作用关系 | 机器学习 | NA | 对比学习、图卷积网络、超图学习 | 对比学习模型 | 表格数据（稀疏的药物-基因关联数据） | 三个数据集：DGIdb 5.0, ChEMBL和Guide to Pharmacology | NA | Multi-View Contrastive Learning, Graph Convolutional Network, Dynamic Hypergraph Learning, LCA-biased Attention | NA | NA |
| 1303 | 2026-06-02 |
Deep learning-based monitoring and localization in autonomous underwater vehicle networks for aquatic ecosystem analysis
2026-May-31, Journal of environmental science and health. Part A, Toxic/hazardous substances & environmental engineering
DOI:10.1080/10934529.2026.2672257
PMID:42218798
|
研究论文 | 利用深度学习技术在自主水下航行器网络中实现水质监测与定位，以支持水生生态系统分析 | 首次提出基于模糊自定义凸规则来适应水下环境变化，并融合DSRCN方法检测污染 | 未提及模型在不同水域环境的通用性以及实时处理能力限制 | 开发一种能够自动监测和定位水生生态系统中污染事件的方法 | 自主水下航行器网络中的传感器数据和水下图像 | 计算机视觉 | 不适用 | 传感器数据融合、图像预处理 | DSRCN（深度监督残差卷积网络） | 图像、传感器数据 | 不适用（未明确提及样本数量） | 不适用（未提及具体框架） | DSRCN | 准确率 | 不适用（未提及具体计算资源） |
| 1304 | 2026-06-02 |
Non-invasive assistive framework for sign language recognition using software-defined radio sensing and deep learning
2026-May-31, Disability and rehabilitation. Assistive technology
DOI:10.1080/17483107.2026.2676031
PMID:42218915
|
研究论文 | 提出一种使用软件定义无线电感知和深度学习进行手语识别的非侵入性辅助框架 | 将软件定义无线电感知与时间序列深度学习相结合，实现非侵入式、保护隐私的美国手语识别，克服传统摄像头或可穿戴设备的局限性 | 仅作为概念验证，样本量较小（20个美国手语符号），实际应用可扩展性有待验证 | 探索基于射频感应的美国手语识别的技术可行性，作为听力障碍人士与健听人群的辅助交流机制 | 美国手语识别的射频信号数据 | 深度学习, 自然语言处理 | 听力障碍 | 软件定义无线电感知, 射频信道状态信息 | 时间序列深度学习 | 射频信号时间序列数据 | 20个美国手语符号 | NA | NA | 准确率（98%） | NA |
| 1305 | 2026-06-02 |
HAMNet: Hierarchical Multi-scale Attention Network for precise disease detection in pearl millet using spatial fusion
2026-May-31, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-53453-z
PMID:42219448
|
研究论文 | 提出一种结合层次化多尺度注意力机制和光谱-空间融合模块的HAMNet-Mask R-CNN模型，用于珍珠粟病害精确检测 | 创新性地融合层次化多尺度注意力网络与光谱-空间融合模块，通过低、中、高多层次特征学习提升病害定位精度，并利用注意力机制减少假阳性 | 未提及在实际农田复杂环境下的泛化能力及模型计算效率的详细分析 | 实现珍珠粟病害的高精度自动化检测与分割，克服传统深度语义分割模型在病害区域定位不精确和空间模式处理能力不足的问题 | 珍珠粟作物的真菌和细菌病害区域 | 计算机视觉, 数字病理学 | 珍珠粟真菌与细菌病害 | 高分辨率图像 | Mask R-CNN | 图像 | 未提及具体样本数量 | TensorFlow | HAMNet, Mask R-CNN | Dice系数, IoU, 精确率, 召回率, 准确率 | NA |
| 1306 | 2026-06-02 |
Undergraduate medical students and artificial intelligence: A global systematic review and meta-analysis using a knowledge-attitude-practice framework
2026-May-31, Medical teacher
IF:3.3Q1
DOI:10.1080/0142159X.2026.2663855
PMID:42219530
|
系统综述与meta分析 | 使用知识-态度-实践框架对全球本科生医学生人工智能参与度进行系统综述与meta分析 | 首次采用KAP框架综合评估医学生对人工智能的知识、态度与实践之间的关系 | 纳入研究在工具和报告方式上存在高度异质性，定量合成仅限于使用MAIRS-MS量表的11项研究 | 利用KAP框架系统评估本科生医学生参与人工智能的现状 | 全球本科生医学生对人工智能的认知、态度及实践行为 | 机器学习, 自然语言处理 | NA | NA | NA | 文本 | 43项研究，含37项横断面研究和6项心理测量验证研究 | NA | NA | NA | NA |
| 1307 | 2026-06-02 |
A Deep Learning-Based 3D Ultrasound Analysis for Standard Sagittal Plane Identification: Technical and Clinical Considerations
2026-May-31, Journal of ultrasound in medicine : official journal of the American Institute of Ultrasound in Medicine
IF:2.1Q2
DOI:10.1002/jum.70316
PMID:42219536
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1308 | 2026-06-02 |
A Novel MR Cine Sialography Technique for Evaluating Salivary Gland Function: Correlation with Unstimulated and Stimulated Saliva Volumes
2026-May-29, Magnetic resonance in medical sciences : MRMS : an official journal of Japan Society of Magnetic Resonance in Medicine
IF:2.5Q2
DOI:10.2463/mrms.mp.2026-0004
PMID:42128847
|
研究论文 | 本研究利用基于时间-空间标记反转脉冲技术的MR电影唾液腺造影结合深度学习重建去噪方法，评估唾液腺功能，并与未刺激和刺激下全唾液体积进行相关性分析 | 首次将深度学习重建去噪方法与MR电影唾液腺造影结合，用于双侧颌下腺和腮腺唾液流动的可视化及功能评估，并证实其与全唾液体积的强相关性 | 样本量仅有11名健康志愿者，缺乏对患者的验证，且未探讨不同刺激条件下的深度机制 | 验证MR电影唾液腺造影作为一种非侵入性方法评估唾液腺功能的有效性，并分析其与全唾液体积的相关性 | 11名健康志愿者的双侧颌下腺和腮腺 | 医学影像 | 干燥综合征或唾液腺功能相关疾病 | MR电影唾液腺造影（基于时间-空间标记反转脉冲）、深度学习重建去噪 | 深度学习重建去噪模型 | MR影像数据、唾液体积测量数据 | 11名健康志愿者 | NA | NA | 斯皮尔曼等级相关系数（ρ）、Wilcoxon符号秩检验P值 | NA |
| 1309 | 2026-06-02 |
Investigating the Optical Properties of Gold Nanorods Using Forward and Inverse Design
2026-May-26, ACS omega
IF:3.7Q2
DOI:10.1021/acsomega.5c05623
PMID:42222797
|
研究论文 | 利用机器学习和深度学习进行金纳米棒光学特性的正向与逆向设计 | 提出了基于机器学习和深度学习的正向与逆向设计方法，克服了传统Mie-Gans理论和FDTD模拟的局限性，实现了对金纳米棒光学特性的高效准确预测 | NA | 探索金纳米棒的光学特性，并开发正向与逆向设计方法 | 金纳米棒的光学特性（吸收和散射截面） | 机器学习 | NA | FDTD模拟 | XGB回归器（正向设计）、串联模型（逆向设计） | 数值模拟数据 | NA | Scikit-learn | XGB回归器、串联模型 | MSE、MAE、R | NA |
| 1310 | 2026-06-02 |
Machine Learning in Non-fullerene Organic Solar Cells: Accelerating Discovery, Design, and Understanding
2026-May-26, ACS omega
IF:3.7Q2
DOI:10.1021/acsomega.6c01194
PMID:42222818
|
综述 | 系统评估机器学习在非富勒烯有机太阳能电池材料发现、性能预测和分子设计中的应用 | 首次全面评估从随机森林到图神经网络等各类机器学习方法在有机光伏领域的预测与生成能力，并强调计算预测与实验验证之间的差距 | 数据集偏差、分布漂移、形貌效应、化学有效性及合成可及性等问题，以及预测性能与实际性能之间的持续差距 | 加速有机光伏材料发现与设计，缩小计算预测与实验验证间的鸿沟 | 非富勒烯有机太阳能电池中的给体-受体材料 | 机器学习 | NA | NA | 随机森林、梯度提升、图神经网络、Transformer、变分自编码器、生成对抗网络、遗传算法 | 分子结构与器件性能数据 | NA | NA | 随机森林、梯度提升、图神经网络、Transformer、变分自编码器、生成对抗网络 | 功率转换效率、开路电压、短路电流密度、填充因子 | NA |
| 1311 | 2026-06-02 |
Drug Repurposing Using Machine Learning and Deep Learning: A Systematic Literature Review
2026-May-25, Current computer-aided drug design
IF:1.5Q3
|
综述文章 | 系统综述了2015至2025年间基于机器学习和深度学习的药物重定位方法 | 全面分析了深度学习架构（如图卷积网络、深度神经网络）与机器学习模型（如随机森林、支持向量机）在药物重定位中的应用进展 | 计算预测与临床实际应用之间存在转化鸿沟，模型可解释性和数据完整性仍是主要挑战 | 评估机器学习和深度学习在药物重定位领域的应用现状与发展趋势 | 2015-2025年间发表的24篇相关研究论文 | 机器学习 | 肿瘤、神经退行性疾病 | NGS, RNA-seq | GCN, DNN, RF, SVM | 文本 | 24篇研究文献 | NA | 图卷积网络、深度神经网络、随机森林、支持向量机 | 准确率、AUC、精度、召回率、F1分数 | NA |
| 1312 | 2026-06-02 |
Review of Machine Learning for Single-Particle Tracking: Methods, Challenges, and Biophysical Insights
2026-May-25, Chemical & biomedical imaging
DOI:10.1021/cbmi.5c00146
PMID:42222567
|
综述 | 系统评估机器学习/深度学习方法在单粒子追踪中的进展，涵盖检测、链接、运动分类及生物物理推断 | 全面梳理深度学习（如CNN、循环架构和贝叶斯深度学习）在提升SPT分析准确性、鲁棒性和可解释性方面的创新应用，并讨论训练数据构建等实践考量 | 未具体说明SPT领域当前ML方法的泛化性局限及计算消耗 | 为单粒子追踪中机器学习方法提供综合指南，批判性评估现有技术并指导未来发展 | 单粒子追踪工作流程中的各个步骤（粒子检测、轨迹链接、运动分类、去噪及生物物理推断） | 机器学习 | NA | 单粒子追踪 | 卷积神经网络, 循环神经网络, 贝叶斯深度学习 | 单粒子轨迹数据 | NA | NA | CNN, 循环架构 | 准确性, 鲁棒性, 可解释性 | NA |
| 1313 | 2026-06-02 |
Evaluation of segmentation accuracy and the improvement of time effectiveness using deep learning-based segmentation in 177Lu-DOTATATE dosimetry
2026-May-24, EJNMMI physics
IF:3.0Q2
DOI:10.1186/s40658-026-00897-x
PMID:42177732
|
研究论文 | 评估基于深度学习的自动分割在177Lu-DOTATATE剂量测定中的准确性、剂量可靠性和时间效率 | 首次系统评估深度学习AI分割在177Lu-DOTATATE剂量测定中的分割准确性、剂量可靠性和时间效率，并标准化了临床参考标准 | 少数肝肿大病例中AI分割的Hausdorff距离超过30.0毫米，且仅针对肾脏的剂量评估显示显著差异 | 评估深度学习AI分割在177Lu-DOTATATE剂量测定中的性能，包括轮廓准确性、剂量可靠性和时间效率 | 23名接受177Lu-DOTATATE治疗的患者 | 计算机视觉 | 神经内分泌肿瘤 | 核医学成像 | 深度学习分割模型 | CT图像 | 23名患者 | NA | NA | Dice相似系数, Hausdorff距离, 平均距离一致性, 最大、平均和最小吸收剂量 | SurePlan™ MRT (MIM Software Inc.) |
| 1314 | 2026-06-02 |
Redesigning myoglobin via functional site scaffolding for enhanced catalytic functions
2026-05-14, Biochemical and biophysical research communications
IF:2.5Q3
DOI:10.1016/j.bbrc.2026.153642
PMID:41855859
|
研究论文 | 采用基于深度学习的活性位点支架策略重新设计肌红蛋白，获得微型化但功能增强的变体 | 首次利用扩散模型生成主链结构、逆折叠设计优化序列并辅以结构预测验证，从肌红蛋白的血红素结合口袋和二级配位残基出发，生成了超过100,000个序列并筛选出保留核心功能的小型化变体bitMb | 未提及该策略是否适用于其他金属蛋白或更复杂功能位点的设计 | 通过功能性位点支架化策略生成稳定且通用的蛋白质支架以支持多种催化功能 | 肌红蛋白及其血红素结合口袋与二级配位残基 | 蛋白质设计与计算生物学 | NA | 深度学习、扩散模型、逆折叠设计、结构预测 | 扩散模型、ProteinMPNN、AlphaFold、OmegaFold | 蛋白质序列与结构数据 | 生成超过100,000个序列并筛选分析 | ProteinMPNN, AlphaFold, OmegaFold | 扩散模型、ProteinMPNN、AlphaFold、OmegaFold | 热稳定性（熔解温度）、酶活性（过氧化物酶和卡宾转移酶活性）、血红素结合能力、有机溶剂稳定性 | NA |
| 1315 | 2026-06-02 |
Emotion Recognition Based on Fusion of Topological Features and Trajectory Images Derived from EEG Phase Space Reconstruction
2026-May-14, Sensors (Basel, Switzerland)
DOI:10.3390/s26103102
PMID:42197911
|
研究论文 | 提出一种基于相空间重构的EEG信号情绪识别方法，融合拓扑特征和轨迹图像的深度特征，并利用动态注意力机制实现宏观与微观信息的协同增强 | 首次将相空间重构的宏观拓扑特征与轨迹图像的微观多尺度动态特征相结合，设计GN-MVXXS深度学习框架，包含粒度自适应模块和噪声滤波模块，并引入动态注意力机制实现双表示维度的自适应融合 | 未提及对情感类别不平衡的处理，且深度学习模型解释性有待进一步验证 | 提高脑电信号情绪识别的准确率，解决手工特征设计局限和宏观微观信息互补问题 | 正常听力和听力受损个体的EEG信号 | 机器学习 | NA | EEG相空间重构 | 深度学习模型（含粒度自适应模块和噪声滤波模块） | EEG信号和轨迹图像 | SEED数据集（三分类）、HIED数据集（四分类）以及正常听力和听力受损个体数据集 | NA | GN-MVXXS | 准确率 | NA |
| 1316 | 2026-06-02 |
Prediction of Center-of-Mass Kinematics of Sensopro Exercises with Neural Network Models
2026-May-12, Sensors (Basel, Switzerland)
DOI:10.3390/s26103051
PMID:42197860
|
研究论文 | 使用神经网络模型预测Sensopro运动中质心运动学 | 利用深度学习从不稳定基底（Sensopro Luna）的运动中预测质心运动学，无需穿戴传感器，实现无穿戴式姿势监控，并为康复和健身领域的自主协调训练提供自动化、成本有效的反馈与跟踪 | 垂直方向预测可靠性较低，受不稳定基底物理约束影响；预测精度在极端位移时下降 | 探索使用深度学习从Sensopro Luna平台的运动中预测质心运动学的可行性 | 64名参与者执行三种协调运动（单腿站立、踏步和波浪运动） | 机器学习 | NA | IMU和运动捕捉 | 混合编码器-LSTM-解码器架构 | 运动数据和惯性传感器数据 | 64名参与者 | NA | 编码器、LSTM、解码器 | 平均绝对误差（MAE） | NA |
| 1317 | 2026-06-02 |
Cortical reconstruction and anatomical parcellation of high-resolution multi-modal postmortem ex vivo MRI of the human infant brain
2026-May-09, bioRxiv : the preprint server for biology
DOI:10.64898/2026.05.07.722301
PMID:42146518
|
研究论文 | 提出了一个结合深度学习体积分割与表面重建的计算框架，用于高分辨率多模态离体婴儿脑MRI的皮层重建与解剖分割 | 首次构建多模态高分辨率离体婴儿MRI数据集，并开发了专门针对离体MRI域偏移的合成数据生成引擎PostSynth，模拟固定诱导的成像特征 | NA | 开发适用于离体婴儿脑MRI的自动化解剖分割与皮层表面重建工具 | 离体人类婴儿脑MRI数据 | 数字病理学 | NA | MRI | 深度学习分割模型 | 图像 | 多模态高分辨率离体婴儿MRI数据集 | PyTorch | NA | 解剖一致性，分割性能 | NA |
| 1318 | 2026-06-02 |
Reactivation of a TAL1 progenitor cell enhancer region by non-coding somatic variants in T-lineage acute lymphoblastic leukemia
2026-May-06, bioRxiv : the preprint server for biology
DOI:10.64898/2026.05.03.722504
PMID:42146694
|
研究论文 | 本研究发现T系急性淋巴细胞白血病中非编码体细胞变异可重新激活TAL1祖细胞增强子区域 | 首次揭示位于TAL1基因下游29 kb的基因间区体细胞变异通过创建MYB转录因子结合位点或内部串联重复形成增强子，并发现突变单倍型启动TAL1短亚型表达 | AlphaGenome深度学习模型无法预测增强子活性和亚型表达，强调实验验证的重要性 | 探究T系急性淋巴细胞白血病中与TAL1表达相关的非编码体细胞变异介导的调控机制 | TAL1基因下游基因间区的体细胞变异（复杂插入缺失和内部串联重复） | 自然语言处理 | T系急性淋巴细胞白血病 | 染色质免疫沉淀测序 | NA | 测序数据 | NA | NA | AlphaGenome | NA | NA |
| 1319 | 2026-06-02 |
Whole-body 3D kinematics of freely behaving Drosophila
2026-May-04, bioRxiv : the preprint server for biology
DOI:10.64898/2026.05.03.722293
PMID:42146626
|
研究论文 | 提出一套无标记全身体3D姿态估计管线，用于自由行为果蝇的运动学分析 | 结合七台高速摄像机和混合2D/3D深度学习模型，首次实现果蝇陆地行为中50个关键点的全身体3D姿态追踪，并通过基于生物力学模型的逆运动学求解生成解剖学可行的运动轨迹 | 仅针对陆地行为，未涉及飞行行为；果蝇体型极小且运动快速，自遮挡问题可能仍影响部分关键点追踪精度 | 量化自由行为果蝇的全身运动学，为神经力学建模和运动控制机制研究提供基础 | 果蝇（Drosophila melanogaster）的陆地行为，包括跑步和求偶行为 | 计算机视觉 | NA | 高速摄像 | 混合2D/3D深度学习模型 | 图像 | NA | NA | NA | NA | NA |
| 1320 | 2026-06-02 |
A deep learning-based pachychoroid index based on choroidal image patterns of central serous chorioretinopathy using enhanced-depth-imaging optical coherence tomography
2026-May, Japanese journal of ophthalmology
IF:2.1Q2
DOI:10.1007/s10384-025-01312-1
PMID:41452567
|
研究论文 | 开发一种基于深度学习的厚脉络膜指数（HUPI），利用增强深度成像光学相干断层扫描的脉络膜图像模式评估中心性浆液性脉络膜视网膜病变 | 首次提出基于深度学习的HUPI指数，从脉络膜图像模式中定量评估厚脉络膜特征，避免了传统指标的局限性 | 单中心回顾性研究，样本量较小，需在更大队列中验证 | 开发和评估基于深度学习的HUPI指数，作为厚脉络膜谱系疾病的代表性指标 | 中心性浆液性脉络膜视网膜病变（CSC）患者的脉络膜图像 | 计算机视觉 | 中心性浆液性脉络膜视网膜病变 | 增强深度成像光学相干断层扫描 | 卷积神经网络 | 图像 | 37个代表性CSC眼和40个正常眼用于训练验证，69个急性CSC眼和100个正常眼用于评估 | NA | LeNet | AUC, 灵敏度, 特异度 | NA |