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 47295 篇文献，本页显示第 1421 - 1440 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1421 | 2026-07-01 |
Computerized Assessment of Motor Imitation for Distinguishing Autism in Video (CAMI-2DNet)
2026-Jul, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3637089
PMID:41296941
|
研究论文 | 提出了一种基于深度学习的视频运动模仿评估方法，用于区分自闭症谱系障碍个体 | 提出CAMI-2DNet，一种无需临时数据归一化、清理和人工标注的可解释深度学习方法，利用编码器-解码器结构从视频中分离运动表示与身体形状和视角等干扰因素，并采用合成数据与真实数据训练 | 未明确说明局限性，可能依赖于合成数据的质量和真实数据的代表性 | 开发一种可扩展且可解释的计算机化运动模仿评估方法，用于区分自闭症谱系障碍与神经典型个体 | 自闭症谱系障碍儿童和神经典型儿童的运动模仿视频数据 | 计算机视觉 | 自闭症谱系障碍 | 视频数据 | 深度学习 | 视频 | 未明确说明样本数量，包括真实参与者和合成数据 | PyTorch | 编码器-解码器架构 | 与人类评分相关性，区分自闭症与神经典型个体的能力（如AUC、准确率等未明确指定） | NA |
| 1422 | 2026-07-01 |
Assessing the Robustness of Deep Learning Based Brain Age Prediction Models Across Multiple EEG Datasets
2026-Jul, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3639477
PMID:41329579
|
研究论文 | 系统评估基于深度学习的脑年龄预测模型在多个EEG数据集上的鲁棒性 | 首次在不同脑电图数据集上系统评估深度学习模型的泛化能力，并探索超参数配置对模型性能的影响 | 未详细说明模型在特定疾病或人群中的适用性，以及潜在的偏倚来源 | 研究深度学习模型在不同脑电图数据集上的泛化能力，以年龄为预测目标 | 脑电图数据（EEG） | 机器学习, 数字病理学 | 老年疾病 | 脑电图（EEG） | 深度学习（DL） | 时间序列数据（EEG信号） | 5个数据集，1805个超参数配置 | NA | 多种深度学习架构（未具体列出） | 皮尔逊相关系数（r）, R² | NA |
| 1423 | 2026-07-01 |
Deep Learning-Based Surrogate Model of Subject-Specific Finite-Element Analysis for Vertebrae
2026-Jul, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2025.3642160
PMID:41364580
|
研究论文 | 提出一种基于深度学习的替代模型，用于高效预测椎体应力分布，替代耗时的主体特定有限元分析 | 整合椎体形状编码并采用分离解码分支处理表面和内部节点，实现高效预测并与FEA结果高度一致 | 在前下缘和椎弓根区域存在局部预测偏差 | 开发快速、主体特定的椎体生物力学评估方法，应用于临床工作流 | 腰椎L1椎体 | 机器学习 | NA | CT扫描 | 深度学习替代模型（基于CNN） | CT图像 | 42例真实CT扫描数据经增强生成3960个合成L1椎体 | NA | 多分支解码网络（表面节点分支+内部节点分支） | 平均绝对误差, R平方, 可视化对比 | NA |
| 1424 | 2026-07-01 |
A century of coffee and tea research in cognitive health and Alzheimer's disease: Structural, thematic, and translational insights (1911-2025)
2026-Jul, Journal of Alzheimer's disease : JAD
DOI:10.1177/13872877261450996
PMID:42216624
|
综述 | 系统绘制咖啡和茶在认知衰老与阿尔茨海默病研究中的结构、主题和演化全景（1911-2025） | 首次以百年时间尺度、统一初级证据框架联合分析咖啡与茶两种饮品，结合文献计量学与可视化工具揭示主题演化及新兴领域（如肠道微生物、深度学习方法） | 仅纳入Scopus索引的英文原创文章，可能遗漏非英文文献及灰色文献；检索策略受布尔逻辑限制，部分灰色文献未覆盖 | 绘制咖啡和茶在认知老化与阿尔茨海默病研究中的结构、主题与时间演化图谱 | 咖啡和茶对认知健康与阿尔茨海默病影响的原始英文文献 | 文献计量分析 | 阿尔茨海默病 | NA | NA | 文献元数据 | 2873篇文章（来自1285个来源） | Bibliometrix, VOSviewer | NA | 文献产出量、每篇平均引用数（40.17次）、合作网络密度、核心期刊分布等 | NA |
| 1425 | 2026-07-01 |
Pediatric post-acute sequelae of SARS-CoV-2 infection in Taiwan: Insights from the DISCOVER cohort
2026-Jul, Pediatrics and neonatology
IF:2.3Q2
DOI:10.1016/j.pedneo.2026.03.007
PMID:42285845
|
研究论文 | 基于DISCOVER队列的台湾儿童SARS-CoV-2感染后遗症研究 | 通过多模态方法（验证筛查工具、AI诊断、肺功能评估）系统描述台湾儿童PASC的临床特征，并初步探索维生素D干预效果 | 结果基于单个队列和单中心随机对照试验，需更大规模验证 | 阐明台湾儿童PASC的临床特征、免疫机制及干预措施效果 | 台湾儿童SARS-CoV-2感染后遗症患者 | 机器学习 | 儿科COVID-19后遗症 | 脉冲振荡肺功能、深度学习超声心动图 | 深度学习模型 | 影像、免疫生物标志物、临床数据 | DISCOVER队列儿童患者（具体数量未提及） | NA | 深度学习辅助超声心动图模型 | NA | NA |
| 1426 | 2026-07-01 |
Early diagnosis of Alzheimer's disease through handwriting analysis and deep learning: A review
2026-Jul, Journal of Alzheimer's disease : JAD
DOI:10.1177/13872877261446573
PMID:42104715
|
综述 | 通过笔迹分析与深度学习实现阿尔茨海默病早期诊断的综述研究 | 系统整合了笔迹作为神经认知标志物与深度学习方法的交叉应用，提出多模态融合（语音、步态、面部信号）提升检测灵敏度 | 多数研究样本量小且为单中心设计，缺乏多中心验证和临床转化实践 | 评估基于笔迹的深度学习模型在阿尔茨海默病和轻度认知障碍早期诊断中的准确性及方法论挑战 | 阿尔茨海默病和轻度认知障碍患者的笔迹数据（离线图像和在线运动学特征） | 机器学习 | 阿尔茨海默病 | 数字笔迹采集 | 卷积神经网络、多模态Transformer融合 | 图像、时间序列数据 | NA | NA | CNN、Transformer | 准确率 | NA |
| 1427 | 2026-07-01 |
Automated quantification of interstitial lung abnormalities and emphysema on computed tomography: a predictive marker for postoperative pulmonary complications after esophagectomy
2026-Jul, Esophagus : official journal of the Japan Esophageal Society
IF:2.2Q3
DOI:10.1007/s10388-026-01208-0
PMID:42126669
|
研究论文 | 基于深度学习自动量化CT上肺间质异常和肺气肿，预测食管切除术后肺部并发症 | 首次使用深度学习自动量化方法评估CT纹理特征与食管切除术后肺部并发症的关联 | 单中心回顾性研究，可能引入选择偏倚；样本中男性占比较大，结果普遍性受限 | 评估术前CT纹理特征（肺间质异常和肺气肿）与食管切除术后肺部并发症的关联 | 2016年至2022年间接受食管切除术的765名患者 | 计算机视觉 | 食管癌术后肺部并发症 | CT | 深度学习模型（用于肺间质异常和肺气肿量化） | 图像（CT扫描） | 765名患者（平均年龄64.72±8.27岁，91.2%男性） | NA | NA | 风险比 | NA |
| 1428 | 2026-07-01 |
Accelerated Brain Aging in Young Women with Posttraumatic Stress Disorder
2026-Jun-30, Experimental neurobiology
IF:1.8Q4
DOI:10.5607/en26007
PMID:41889261
|
研究论文 | 使用深度学习模型估计年轻女性创伤后应激障碍患者的脑年龄，发现其脑老化加速约2.1年，并与认知和情绪症状严重程度相关 | 在年轻女性群体中首次直接通过神经影像学证据证实创伤后应激障碍加速脑老化，并利用群体特异性深度学习模型精确计算脑年龄差距 | 样本量相对较小且仅限于年轻女性，可能限制了结果的泛化性 | 研究年轻女性创伤后应激障碍患者是否出现加速脑老化及其与症状严重程度的关系 | 85名40岁以下女性（34名创伤后应激障碍患者和51名年龄匹配的健康对照） | 机器学习 | 创伤后应激障碍 | NA | 深度学习 | T1加权磁共振成像 | 85名女性参与者（34名创伤后应激障碍患者和51名健康对照） | NA | NA | 脑年龄差距、p值、标准化回归系数 | NA |
| 1429 | 2026-07-01 |
Mechanism-Based Multitarget Modeling for Pathway-Level Prediction of PI3K/Akt Signaling Perturbation Induced by Liquid Crystal Monomers
2026-Jun-30, Environmental science & technology
IF:10.8Q1
DOI:10.1021/acs.est.6c00371
PMID:42311097
|
研究论文 | 构建了以通路为中心的PI3K/Akt信号扰动多靶点预测框架，用于评估液晶单体的系统毒性机制 | 首次提出基于机制的多靶点建模框架，整合深度学习与KEGG通路富集，实现通路级信号扰动预测，并应用于新兴污染物LCMs | 基于ChEMBL数据训练，可能覆盖范围有限；实验验证仅限A549细胞，需更多细胞系和体内验证 | 开发可转移的机制知情毒性评估框架，用于LCMs等污染物的化学优先排序 | 液晶单体和PI3K/Akt信号通路相关的19种蛋白靶点 | 机器学习 | NA | 深度学习、分子对接、转录组分析 | 多任务深度学习模型 | 分子结构数据、IC50活性数据、转录组数据 | 53694种分子，62440个数据点（ChEMBL训练集）；1412种LCMs（预测集） | NA | 多任务神经网络 | 准确率 | NA |
| 1430 | 2026-06-19 |
Correction to "Deep Learning-Assisted Multiplexed Electrochemical Fingerprinting for Chinese Teas Identification"
2026-Jun-30, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.6c03715
PMID:42312887
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1431 | 2026-07-01 |
Agentic Artificial Intelligence-Driven Explainable Deep Learning for Deciphering Noncoding Pathogenic Mechanisms of Delirium Through Genomic Big Data Integration
2026-Jun-29, Big data
IF:2.6Q2
DOI:10.1177/2167647X261463929
PMID:42367167
|
研究论文 | 开发了一种主体式人工智能驱动可解释深度学习管道，整合基因组大数据以解析谵妄的非编码致病机制 | 首次将主体式AI与多组学数据结合，识别出APOE和TOMM40为谵妄的因果基因，并揭示其相反方向效应及脑层特异性表达模式 | 未明确说明，可能包括样本人群限制（仅FinnGen数据）或功能验证缺乏 | 利用主体式AI和多组学整合剖析谵妄的遗传结构，识别因果基因并探索潜在治疗靶点 | 谵妄患者的全基因组关联研究数据、转录组关联研究数据、空间转录组数据以及深度学习预测结果 | 机器学习 | 老年疾病 | 全基因组关联分析（GWAS）、因果转录组关联研究（cTWAS）、空间转录组分析（gsMap）、深度学习（Enformer, SpliceTransformer） | 深度学习模型（Enformer, SpliceTransformer） | 基因组数据、转录组数据、空间转录组数据 | 6854例谵妄病例和384461例对照 | NA | Enformer, SpliceTransformer | 后验包含概率（PIP）、显著性p值、SNP活性差异、最大Δ分数 | NA |
| 1432 | 2026-07-01 |
Artificial Intelligence for Opportunistic Screening for Osteoporosis and Spine Fractures Using Computed Tomography: A Systematic Review and Meta-Analysis
2026-Jun-29, Journal of computer assisted tomography
IF:1.0Q4
DOI:10.1097/RCT.0000000000001899
PMID:42370443
|
系统综述与荟萃分析 | 系统评估人工智能算法利用CT进行骨质疏松和脊柱骨折机会性筛查的诊断性能 | 首次通过荟萃分析综合量化AI在CT机会性筛查骨质疏松和骨折中的诊断效能，并识别最常用的身体部位和算法类型 | 纳入研究间异质性较高（尤其骨折筛查），且多数研究为回顾性设计 | 评估AI算法在CT机会性筛查骨质疏松和脊柱骨折中的整体诊断性能 | 利用CT进行骨质疏松或骨折筛查的人工智能算法研究 | 计算机视觉 | 骨质疏松 | 计算机断层扫描 | 机器学习、深度学习 | 图像 | 31项研究（1258篇筛选后纳入） | NA | 机器学习：支持向量机；深度学习：定制卷积神经网络 | AUC、敏感性、特异性 | NA |
| 1433 | 2026-07-01 |
Deep learning approach for analyzing regional scheimpflug corneal images to assess keratoconus progression
2026-Jun-29, Graefe's archive for clinical and experimental ophthalmology = Albrecht von Graefes Archiv fur klinische und experimentelle Ophthalmologie
DOI:10.1007/s00417-026-07348-4
PMID:42371030
|
研究论文 | 利用深度学习模型分析不同角膜区域的Scheimpflug图像，以识别圆锥角膜的进展 | 首次使用YOLOv8L和YOLOv8X模型对中央3毫米后轴/矢状曲率图和后切向曲率图进行分析，以区分进展性和非进展性圆锥角膜 | 初步发现，需进一步纳入临床风险因素进行研究 | 评估深度学习模型在基线Scheimpflug角膜图像中区分进展性和非进展性圆锥角膜的能力 | 325名圆锥角膜患者的562只眼睛 | 计算机视觉 | 圆锥角膜 | Scheimpflug成像 | 卷积神经网络 | 图像 | 562只眼睛（300只进展性，262只非进展性） | YOLOv8 | YOLOv8L, YOLOv8X | 准确率, 敏感性, 特异性 | 未提供 |
| 1434 | 2026-07-01 |
Artificial intelligence and multi-omics revealed the authentic regulation of ADP-ribosylation in modulation Treg/Th17 ecosystem and multi-target therapeutic strategy enrichment for HBV+ Hepatocellular Carcinoma patients
2026-Jun-29, Discover oncology
IF:2.8Q2
DOI:10.1007/s12672-026-05487-y
PMID:42371264
|
研究论文 | 本研究利用人工智能和多组学方法，揭示了ADP-核糖基化在调节HBV阳性肝细胞癌患者Treg/Th17生态系统中的真实调控机制，并富集了多靶点治疗策略 | 首次阐明ADP-核糖基化调节Treg/Th17生态系统的机制，并利用机器学习和深度学习管道识别治疗药物 | NA | 研究ADP-核糖基化在调节HBV阳性肝细胞癌患者Treg/Th17生态系统中的机制 | HBV阳性肝细胞癌患者 | 机器学习 | 肝细胞癌 | NA | 机器学习 | 基因表达数据 | NA | NA | NA | NA | NA |
| 1435 | 2026-07-01 |
NanoRAPID: A Deep Learning-based Framework for Single-molecule RNA Structure Analysis Using Nanopore Direct RNA Sequencing
2026-Jun-29, Genomics, proteomics & bioinformatics
DOI:10.1093/gpbjnl/qzag052
PMID:42371794
|
研究论文 | 提出基于深度学习的框架NanoRAPID，利用纳米孔直接RNA测序数据精准分析RNA二级结构 | 首次利用卷积神经网络直接从纳米孔测序的原始电流信号中识别RNA结构探针修饰位点，实现转录组范围内RNA结构分析 | 未提及具体局限性 | 开发高精度工具用于从纳米孔直接RNA测序数据检测RNA结构探测信号 | RNA二级结构及其修饰位点 | 机器学习 | NA | Nanopore直接RNA测序 | 卷积神经网络 | 纳米孔测序原始电流信号 | 包括NAI-N3和DEPC处理的DRS数据集 | NA | CNN | 探针位点识别准确率 | NA |
| 1436 | 2026-07-01 |
Magnetic Resonance Spectroscopy Deep Learning with Magnetic Resonance Background Generator Enables In Vivo Metabolite Quantification of Hepatic Encephalopathy
2026-Jun-29, IEEE transactions on bio-medical engineering
DOI:10.1109/TBME.2026.3707534
PMID:42371892
|
研究论文 | 提出一种融合磁共振背景生成器的深度学习新方法，用于肝性脑病的在体代谢物定量分析 | 首次将背景信号（包括大分子、脂质和基线）显式融入深度学习定量框架中，解决现有方法忽视基线干扰的问题 | NA | 实现短回波质子磁共振波谱中代谢物的准确深度学习定量，并用于肝性脑病的临床诊断 | 大脑中的代谢物及背景信号（大分子、脂质和基线） | 机器学习 | 肝性脑病 | 质子磁共振波谱 | QNet（深度学习定量模型） | 波谱数据 | 216个波谱（BigGABA数据集及不同厂商数据）用于验证，176个波谱用于肝性脑病分类 | NA | QNet | NA | NA |
| 1437 | 2026-07-01 |
Integrating stemness and epithelial-mesenchymal transition signatures with machine learning identifies RUNX1 as a therapeutic vulnerability in colorectal cancer
2026-Jun-29, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2026.111826
PMID:42372471
|
研究论文 | 结合干性与上皮间质转化特征通过机器学习识别RUNX1作为结直肠癌治疗靶点 | 将单细胞RNA-seq数据与AI/ML模型整合，同时捕获肿瘤异质性，实现治疗靶点优先排序，并鉴定RUNX1为新型可药物转录因子，通过高通量虚拟筛选发现潜在抑制剂 | 研究主要基于计算分析和体外验证，缺乏体内实验和临床样本的进一步验证 | 识别结直肠癌中与上皮间质转化和干性相关的可药物转录因子，并发现潜在小分子抑制剂 | 结直肠癌单细胞RNA-seq数据中的42,535个细胞，特别是混合EMT状态细胞 | 机器学习 | 结直肠癌 | 单细胞RNA测序、高通量虚拟筛选、分子动力学模拟 | 深度学习、scVAEDer、GENIE3 | 单细胞转录组数据 | 42,535个结直肠癌细胞 | PyTorch、Schrödinger | scVAEDer、GENIE3 | NA | NA |
| 1438 | 2026-07-01 |
An improved catch fish optimization based deep learning model for Parkinson disease classification using EEG signal
2026-Jun-29, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2026.111812
PMID:42372473
|
研究论文 | 提出一种基于改进捕鱼优化算法的深度学习模型，用于利用EEG信号进行帕金森病分类 | 将改进捕鱼优化算法（ICFO）与多注意力双向长短期记忆网络（MA-BiLSTM）结合，优化模型超参数，提升分类性能 | 未提及模型在实际临床环境中的泛化能力以及计算效率的详细分析 | 实现基于EEG信号的帕金森病准确客观分类 | EEG信号 | 机器学习 | 帕金森病 | EEG信号采集与处理 | 编码器-解码器深度学习模型 | EEG信号数据 | 两个公开数据集：圣地亚哥数据集和爱荷华数据集 | NA | MA-BiLSTM（多注意力双向长短期记忆网络） | 准确率、召回率、精确率、F分数、AUC | NA |
| 1439 | 2026-07-01 |
Deep learning for time-series segmentation of mechanical ventilator waveforms
2026-Jun-28, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-58565-0
PMID:42366236
|
研究论文 | 开发并验证了一种基于一维注意力门控U-Net架构的深度学习模型，用于机械通气波形的吸气和呼气起始点分割 | 首次将注意力门控U-Net应用于呼吸机波形时间序列分割，在存在异步性的嘈杂真实世界数据中仍保持高鲁棒性 | 未明确提及外部验证或不同呼吸机品牌的泛化能力 | 实现机械通气波形的高精度、实时分割，以检测患者-呼吸机异步事件 | 33名患者的9719次呼吸波形数据 | 机器学习 | 呼吸系统疾病 | NA | 一维注意力门控U-Net | 时间序列数据 | 33名患者的9719次呼吸 | PyTorch | 注意力门控U-Net | F1分数 | NA |
| 1440 | 2026-07-01 |
Phase-only synthesis of cosecant-squared patterns with reduced sidelobes in large planar arrays via physics-informed deep neural networks
2026-Jun-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-58299-z
PMID:42365069
|
研究论文 | 提出一种基于物理信息深度神经网络的框架，用于平面天线阵列中余割平方波束方向图的相位综合，以高效抑制旁瓣并最小化波纹 | 将物理约束嵌入深度学习训练过程，通过损失函数实现相位激励优化，无需外部监督或迭代求解，显著提高大规模阵列的波束合成效率 | 未提及高动态场景或非理想阵列环境的鲁棒性 | 高效实现平面天线阵列的余割平方波束方向图相位综合，同时抑制旁瓣电平并最小化波纹 | 大规模平面天线阵列的相位激励优化问题 | 机器学习 | NA | NA | 物理信息深度学习网络 | 数值模拟数据 | 未明确样本数量，基于大规模平面阵列仿真 | NA | 物理信息神经网络 | 方向图保真度、损失函数收敛性、计算时间 | NA |