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 42795 篇文献，本页显示第 1361 - 1380 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1361 | 2026-03-16 |
DECODE: deep learning-based common deconvolution framework for various omics data
2026-Mar, Nature methods
IF:36.1Q1
DOI:10.1038/s41592-026-03007-y
PMID:41772096
|
研究论文 | 本文提出了一种名为DECODE的通用去卷积框架，适用于转录组、蛋白质组和代谢组数据，能够在细胞水平上整合多组学组织数据集 | DECODE填补了代谢组学去卷积的空白，并在多种组学数据上显著优于现有方法，同时在高不完整单细胞参考数据场景下表现出高鲁棒性 | NA | 开发一个通用的去卷积框架，用于从组织水平数据估计细胞类型和细胞状态的丰度 | 转录组、蛋白质组和代谢组数据，以及来自不同队列的多组学组织数据集 | 机器学习 | NA | 转录组学、蛋白质组学、代谢组学 | 深度学习 | 组学数据 | NA | NA | NA | NA | NA |
| 1362 | 2026-03-16 |
KANPM-DTA: improving drug-target affinity prediction with Kolmogorov-Arnold networks and pretrained models
2026-Mar-01, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbag112
PMID:41818722
|
研究论文 | 本文提出了一种名为KANPM-DTA的深度学习框架，用于改进药物-靶点亲和力预测 | 引入了ESM引导的蛋白质图构建策略以整合进化和结构信息，采用门控融合机制整合药物-蛋白质图特征，使用线性注意力捕获跨模态依赖关系，并利用Kolmogorov-Arnold网络进行最终亲和力预测，以提供更强的非线性逼近和更好的可解释性 | 需要湿实验验证来评估结果的适用性 | 提高药物-靶点亲和力预测的准确性和可靠性，以促进药物发现和再利用 | 药物-靶点对 | 机器学习 | NA | 深度学习 | Kolmogorov-Arnold网络, 图神经网络 | 蛋白质序列, 药物分子结构, 亲和力数据 | 在Davis、KIBA、Metz和BindingDB等多个基准数据集上进行了综合实验 | NA | KANPM-DTA (包含ESM引导的蛋白质图构建、门控融合机制、线性注意力模块和Kolmogorov-Arnold网络) | 均方误差, 一致性指数, $r_{m}^{2}$ | NA |
| 1363 | 2026-03-16 |
Accurate Inverse Design of Broadband Solar Metamaterial Absorbers via Joint Forward-Inverse Deep Learning
2026-Feb-26, Nanomaterials (Basel, Switzerland)
DOI:10.3390/nano16050297
PMID:41823751
|
研究论文 | 本文提出了一种联合正向-逆向深度学习框架，用于快速、准确地优化多层超材料太阳能宽带吸收器 | 提出了一种基于改进Swin Transformer的逆向网络与多层感知机正向代理模型相结合的联合学习框架，通过一致性驱动的循环进行端到端训练，减少了逆向设计中一对多的模糊性 | 未明确说明模型在更宽光谱范围或更复杂材料组合下的泛化能力，也未讨论计算框架在其他类型超材料设计中的适用性 | 解决宽带高效太阳能吸收器设计中从目标光学响应到物理结构的复杂、不适定逆向映射问题 | 多层超材料太阳能吸收器（W/SiO双曲超材料堆栈和TiO/SiO抗反射涂层） | 机器学习 | NA | 深度学习 | Transformer, MLP | 光学响应数据与结构参数 | 未明确说明 | 未明确说明（可能为PyTorch或TensorFlow） | Modified Swin Transformer, Multilayer Perceptron | 归一化测试均方误差（7.2×10⁻⁴逆向，6.8×10⁻⁴正向），平均吸收率（97.4%），角度性能（高达60°入射角） | 未明确说明 |
| 1364 | 2026-03-16 |
A lightweight residual dilated temporal transformer block for ECG classification on edge devices
2026-Feb-13, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-35531-4
PMID:41680225
|
研究论文 | 提出一种轻量级残差扩张时序Transformer块，用于在边缘设备上进行ECG分类 | 结合残差扩张卷积与深度Transformer架构，并集成位置编码、通道注意力（SE块）以及使用SMOTE和抖动噪声的类别平衡数据增强，实现了高精度与低复杂度的平衡 | 未明确提及模型在更广泛疾病类别或更大规模数据集上的泛化能力测试 | 开发一种高效、资源敏感的深度学习模型，用于ECG分类，以支持实时、隐私保护的边缘设备心脏监测 | 心电图（ECG）信号 | 机器学习 | 心血管疾病 | ECG监测 | CNN, Transformer | 时序信号 | 基准ECG数据集（具体数量未明确） | 未明确指定 | 残差扩张卷积, Transformer | 准确率, Macro AUROC, Cohen's Kappa, Log Loss, Hamming Loss, Matthews Correlation Coefficient (MCC) | 边缘设备（如无线体感网络和可穿戴边缘设备） |
| 1365 | 2026-02-14 |
Swamp-AI: a deep learning model for monitoring wetlands change across the globe
2026-Feb-13, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-39257-1
PMID:41680429
|
研究论文 | 本文提出了一种名为Swamp-Eye的深度学习模型，用于全球湿地变化的监测 | 开发了一个独特的注释系统，结合多个全球数据集创建了涵盖多种湿地类型和季节性的全球湿地标注图像数据库，并训练了15个候选模型以选出最佳性能模型 | NA | 监测全球湿地范围的变化，特别是在偏远或难以进入的地区 | 全球范围内的湿地，包括沿海和内陆系统 | 计算机视觉 | NA | 遥感 | 深度学习模型 | 图像 | NA | NA | Swamp-Eye | 整体准确率, 生产者准确率, 用户准确率, 交并比 | NA |
| 1366 | 2026-02-15 |
Lightweight scalable deep learning framework for real time detection of potato leaf diseases
2026-Feb-13, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-33423-7
PMID:41688475
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1367 | 2026-03-16 |
Quantitative fat-fraction analysis of the rotator cuff muscles on clinical sagittal and coronal T1-weighted MRI using deep learning algorithms
2026-Feb-13, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-38108-3
PMID:41688617
|
研究论文 | 本研究开发了一种基于深度学习的算法，用于从临床T1加权MRI自动预测肩袖肌肉的定量脂肪分数 | 首次利用深度学习从标准T1加权MRI预测体素级脂肪分数，克服了传统Goutallier分类法的主观性和单切片限制 | 样本量相对较小（训练集75例，验证集24例），且仅针对肩袖肌肉进行评估 | 通过深度学习实现肩袖肌肉脂肪浸润的定量评估，以改善手术预后分析和治疗规划 | 肩袖肌肉 | 医学影像分析 | 肩袖疾病 | MRI（T1加权和2点Dixon序列） | 深度学习 | 图像（MRI） | 99例患者（75例训练，24例验证） | NA | NA | 平均全肌肉脂肪分数计算误差（均值±标准差） | NA |
| 1368 | 2026-02-11 |
Ultrasound-based attention-guided deep learning combined with radiomics to predict axillary lymph node metastasis in breast cancer
2026-Feb-09, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-026-02208-3
PMID:41664021
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1369 | 2026-03-16 |
CMMSCL-DPI: cross-modal multi-structural contrastive learning for predicting drug-protein interactions
2026-Feb-09, BMC biology
IF:4.4Q1
DOI:10.1186/s12915-026-02533-7
PMID:41664132
|
研究论文 | 本文提出了一种名为CMMSCL-DPI的跨模态多结构对比学习模型，用于预测药物-蛋白质相互作用 | 该模型首次将对比学习应用于药物和蛋白质的多维结构特征，并结合DPI异构图网络的交互特征，以促进跨模态对比学习，有效捕捉药物与蛋白质之间的关键差异和相似性 | NA | 提高药物-蛋白质相互作用预测的准确性，以支持有效且安全的药物发现 | 药物和蛋白质 | 机器学习 | NA | 对比学习, 异构图网络 | 深度学习模型 | 多模态数据（药物和蛋白质的多维结构特征） | 四个基准数据集 | NA | CMMSCL-DPI | 整体性能 | NA |
| 1370 | 2026-03-16 |
Improving prediction accuracy of radiation-induced temporal lobe injury in nasopharyngeal carcinoma using ADC-based deep learning and dosiomics
2026-Feb-06, BMC cancer
IF:3.4Q2
DOI:10.1186/s12885-026-15599-x
PMID:41652361
|
研究论文 | 本研究探讨了基于表观扩散系数（ADC）图的深度学习和剂量分布剂量组学在预测鼻咽癌患者放疗后颞叶损伤（RTLI）中的潜力 | 结合ADC图的深度迁移学习特征和剂量分布剂量组学特征，构建融合模型以预测RTLI，相比单一模型显著提高了预测准确性 | 研究为回顾性设计，样本量相对有限，且仅来自单一中心，可能影响模型的泛化能力 | 预测鼻咽癌患者接受调强放疗后发生辐射诱导颞叶损伤的风险 | 鼻咽癌患者 | 数字病理学 | 鼻咽癌 | 表观扩散系数（ADC）图，三维剂量分布 | 深度学习，机器学习 | 医学影像（ADC图），剂量分布数据 | 3578名鼻咽癌患者中筛选出94名RTLI患者和97名对照，最终训练队列135例，验证队列59例 | TensorFlow, PyTorch, Scikit-learn | WideResNet 101, Support Vector Machine, K-Nearest Neighbor, Random Forest, Extremely Randomized Trees, eXtreme Gradient Boosting, Light Gradient Boosting Machine, Adaptive Boosting, Multilayer Perceptron | AUC | NA |
| 1371 | 2026-03-16 |
An open benchmark dataset for machine learning and intelligent trajectory optimization in fixed-wing unmanned aerial systems
2026-Feb-05, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-026-06716-3
PMID:41644566
|
研究论文 | 本文介绍了一个用于固定翼无人机系统机器学习和智能轨迹优化研究的开源遥测数据集 | 提供了首个包含两种机载架构（SpeedyBee F405和Holybro Pixhawk 6X+Jetson Orin NX）、240次完全标注自主任务的户外飞行数据集，支持GNSS降级条件下的轨迹跟踪、异常检测等基准测试 | 未训练或评估任何神经网络，深度学习仅作为潜在应用领域被提及 | 为固定翼无人机系统的智能轨迹优化和机器学习研究提供基准数据集 | 固定翼无人机的飞行遥测数据 | 机器学习 | NA | 多传感器遥测技术（IMU, GNSS, 气压高度计等） | NA | 时间序列遥测数据 | 240次完全标注的自主飞行任务 | NA | NA | NA | Jetson Orin NX嵌入式计算机 |
| 1372 | 2026-03-16 |
BRISC: Annotated Dataset for Brain Tumor Segmentation and Classification
2026-Feb-05, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-026-06753-y
PMID:41644571
|
研究论文 | 本文介绍了BRISC数据集，一个用于脑肿瘤分割和分类的带专家注释的MRI数据集 | 通过整合多个公共数据集并添加专家注释，创建了一个高质量、平衡且多样化的脑肿瘤MRI数据集，包含高分辨率分割掩码和多平面图像 | 数据集基于现有公共数据整合，可能受原始数据质量和采集协议差异的影响；未提及长期随访或临床结果数据 | 解决脑肿瘤医学图像分析中高质量标注数据缺乏的问题，促进分割和分类模型的开发 | 脑肿瘤MRI图像，包括胶质瘤、脑膜瘤、垂体瘤和非肿瘤病例 | 数字病理学 | 脑肿瘤 | 磁共振成像（MRI），对比增强T1加权扫描 | NA | 图像 | 6000个对比增强T1加权MRI扫描 | NA | NA | NA | NA |
| 1373 | 2026-03-16 |
Quantification of PET activation in adipose tissue from non-contrast CT scans
2026-Feb-05, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-026-02392-0
PMID:41644985
|
研究论文 | 提出一种基于深度学习的模型，从标准非对比CT扫描中估计脂肪组织的区域代谢活性，以替代18F-FDG PET成像 | 首次利用条件生成对抗网络从非对比CT预测脂肪组织的标准化摄取值，无需放射性示踪剂，提供了一种无辐射的代谢活性评估方法 | 依赖配对PET/CT数据进行训练，可能受限于数据可用性和样本多样性；方法在大型人群研究中的普适性有待进一步验证 | 开发一种低成本、无辐射的替代方法，用于评估脂肪组织代谢活性，以支持大规模筛查和代谢健康研究 | 棕色脂肪组织及其在能量代谢和心脏代谢健康中的作用 | 计算机视觉 | 代谢疾病 | 非对比CT扫描，18F-FDG PET成像 | cGAN | 图像 | 来自两个独立队列的配对PET/CT数据 | NA | 条件生成对抗网络 | 标准化摄取值一致性，可重复性 | NA |
| 1374 | 2026-03-16 |
Gait patterns in unstable older patients related with vestibular hypofunction. Preliminary results in assessment with time-frequency analysis
2026-Feb, Acta oto-laryngologica
IF:1.2Q3
DOI:10.1080/00016489.2025.2450221
PMID:39840938
|
研究论文 | 本研究通过单传感器数据的时间-频率分析，探索老年不稳定患者与正常人的步态模式差异 | 利用连续小波变换将步态信号转换为图像表示，并结合灰度共生矩阵特征与支持向量机算法进行步态不稳定模式的分类 | 样本量较小（仅13名不稳定老年患者和19名正常成人），且为初步结果，需更大样本验证 | 通过单传感器数据识别老年不稳定患者的步态模式，以早期诊断步态障碍 | 老年不稳定患者（71-85岁，前庭功能减退）与正常成人（21-75岁，前庭功能正常） | 生物医学信号处理 | 老年疾病 | 连续小波变换，灰度共生矩阵分析 | 支持向量机 | 加速度计和陀螺仪信号 | 32名参与者（13名不稳定老年患者，19名正常成人） | Scikit-learn | SVM | F1分数 | NA |
| 1375 | 2026-03-16 |
BrainView: A cloud-based deep learning system for brain image segmentation, tumor detection and visualization
2026-Feb, Biomedical journal
IF:4.1Q2
DOI:10.1016/j.bj.2025.100871
PMID:40409506
|
研究论文 | 本研究介绍了BrainView平台，一个基于云端的深度学习系统，用于脑部MRI图像的肿瘤检测、分割和可视化 | 提出了一个结合EfficientNetB7预训练模型的DeepBrainNet分类模型和EffB7-UNet分割模型，并构建了基于Flask和Flutter的云端应用平台 | 未提及模型在外部验证集上的泛化能力、计算资源需求或临床部署的具体挑战 | 开发一个用于脑部肿瘤早期检测、分类和分割的云端深度学习系统 | 脑部磁共振成像（MRI）数据 | 计算机视觉 | 脑肿瘤 | 磁共振成像（MRI） | CNN | 图像 | NA | TensorFlow, PyTorch, Keras, Flask, Flutter | EfficientNetB7, U-Net | 准确率 | 云端平台（未指定具体资源） |
| 1376 | 2026-03-16 |
The legacy and future of recurrent neural networks in personalized medicine: A reflection on the 2024 Nobel Physics Prize
2026-Feb, Biomedical journal
IF:4.1Q2
DOI:10.1016/j.bj.2025.100933
PMID:41397676
|
综述 | 本文回顾了Hopfield和Hinton在神经网络领域的开创性工作及其对循环神经网络发展的深远影响，探讨了RNN在个性化医疗中的当前应用与未来挑战 | 将2024年诺贝尔物理学奖与RNN在个性化医疗中的发展相结合进行系统性反思，并展望了未来RNN在医疗领域与理论理解上的融合方向 | 未涉及具体实验验证或数据支持，主要基于理论探讨与文献综述，缺乏实证研究的局限性 | 探讨循环神经网络在个性化医疗中的应用潜力、当前挑战及未来发展方向 | 循环神经网络的理论发展及其在医疗诊断、图像分析、报告生成和治疗效果评估中的应用 | 机器学习 | NA | NA | RNN | NA | NA | NA | NA | NA | NA |
| 1377 | 2026-03-16 |
Enhanced Spinal Cord Lesion Detection in MS Using White-Matter-Nulled 3D MPRAGE with Deep Learning Reconstruction
2026-Jan-05, AJNR. American journal of neuroradiology
DOI:10.3174/ajnr.A8950
PMID:41381352
|
研究论文 | 本研究评估了结合深度学习去噪的3D白质抑制MPRAGE序列在检测多发性硬化症脊髓病变中的诊断性能，并与传统MRI序列进行比较 | 首次将深度学习去噪方法应用于3D白质抑制MPRAGE序列，显著提高了脊髓病变的检测灵敏度和图像质量 | 样本量较小（仅38名患者），且未评估该技术在不同疾病阶段或亚型中的泛化能力 | 评估新型成像技术（3D WMn MPRAGE结合深度学习）在多发性硬化症脊髓病变检测中的诊断性能 | 38名多发性硬化症或临床孤立综合征患者的脊髓MRI图像 | 数字病理学 | 多发性硬化症 | 3T脊髓MRI，包括2D T2加权FSE、2D STIR、3D MPRAGE和3D白质抑制MPRAGE序列 | 深度学习去噪模型 | MRI图像 | 38名患者 | NA | NA | 病变计数、检测置信度、图像质量评分、对比噪声比、组间一致性 | NA |
| 1378 | 2026-03-16 |
Unsupervised multimodal surface registration with geometric deep learning
2026-Jan, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2025.103821
PMID:41101194
|
研究论文 | 本文提出了一种名为GeoMorph的新型几何深度学习框架，用于皮质表面的图像配准 | 提出了一种结合图卷积和深度离散配准的两阶段几何深度学习框架，并通过基于循环神经网络的深度条件随机场实现正则化，以确保平滑且生物学合理的形变 | NA | 开发一种无监督多模态皮质表面配准方法 | 皮质表面 | 计算机视觉 | NA | 几何深度学习 | 图卷积网络, 循环神经网络 | 图像 | NA | PyTorch | GeoMorph | 对齐精度, 形变平滑度 | NA |
| 1379 | 2026-03-16 |
Characterizing and Evaluating Mental Health Misinformation on Social Media: A Qualitative and Deep Learning-Based Study
2026-Jan, Cyberpsychology, behavior and social networking
DOI:10.1177/21522715251403844
PMID:41354555
|
研究论文 | 本研究提出一个结合定性分析和深度学习的集成框架，用于自动检测和评估社交媒体上的心理健康错误信息 | 通过专家访谈和扎根理论开发了一个21级细粒度可信度评估框架，并构建了高质量的中文社交媒体数据集，用于训练和评估深度学习模型 | 所有三种模型在评估证据质量和检测依赖上下文的错误信息方面面临挑战 | 自动检测和评估社交媒体上的心理健康错误信息，以提高在线心理健康信息的可信度 | 中文社交媒体帖子 | 自然语言处理 | NA | NA | GRU, BERT, RoBERTa | 文本 | 814个中文社交媒体帖子 | NA | GRU, BERT, RoBERTa | NA | NA |
| 1380 | 2026-03-16 |
NeuroMorphFusion: A Neuro-Inspired Hybrid Learning Framework for Interpretable Deep Lesion Detection in IoT-Enabled Healthcare Systems
2026 Jan-Dec, Technology in cancer research & treatment
IF:2.7Q3
DOI:10.1177/15330338251391080
PMID:41816805
|
研究论文 | 本文提出了一种名为NeuroMorphFusion的神经启发混合学习框架，用于在物联网医疗系统中进行可解释的深度病灶检测 | 结合了生物启发的学习与数学建模，集成了轻量级ResNet18、脉冲神经网络和形态学注意力机制，并采用半监督强化学习策略和遗传算法优化，以提高可解释性和计算效率 | 未明确提及研究的具体局限性 | 在资源受限的边缘设备上实现高诊断准确性、可解释性和计算效率的病灶检测 | CT扫描中的病灶检测 | 计算机视觉 | 肺癌 | CT扫描 | CNN, SNN | 图像 | 使用IQ-OTHNCCD肺癌CT数据集，具体样本数量未明确提及 | TensorFlow, PyTorch (未明确指定，但基于常见深度学习框架推断) | ResNet18, VGG16, SqueezeNet, MobileNetV3 | 分类准确率, 敏感性, 计算延迟, 可解释性 | Jetson Nano |