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 39696 篇文献，本页显示第 1561 - 1580 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1561 | 2026-01-24 |
Spatio-temporal learning from molecular dynamics simulations for protein-ligand binding affinity prediction
2025-Aug-02, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btaf429
PMID:40828893
|
研究论文 | 本文开发了MDbind数据集和新型神经网络，利用分子动力学模拟增强蛋白质-配体结合亲和力预测 | 通过分子动力学模拟作为数据增强，结合时空学习神经网络，提升了模型在偏置测试集上的泛化能力 | 训练数据有限，模型对蛋白质-配体相互作用的有效学习仍面临挑战 | 预测蛋白质-配体结合亲和力，解决现有深度学习模型泛化能力不足的问题 | 蛋白质-配体复合物 | 机器学习 | NA | 分子动力学模拟 | 神经网络 | 分子动力学模拟轨迹 | 63000个蛋白质-配体相互作用的模拟 | NA | NA | NA | NA |
| 1562 | 2026-01-24 |
Whole tissue imaging of cellular boundaries at sub-micron resolutions for deep learning cell segmentation: Applications in the analysis of epithelial bending of ectoderm
2025-Jul-26, Developmental dynamics : an official publication of the American Association of Anatomists
IF:2.0Q3
DOI:10.1002/dvdy.70061
PMID:40716088
|
研究论文 | 本文介绍了一种名为MORPHOVIEW的成像与分割方法，用于在亚微米分辨率下保留细胞边界标记并实现三维组织细胞分割，应用于分析上皮弯曲的发育过程 | 开发了一种保留细胞边界标记并与水折射率匹配的成像技术，结合神经网络分割模型，实现了高分辨率三维细胞形态的量化分析 | 未明确说明方法在更广泛组织类型或模型中的适用性限制 | 研究细胞形态在器官形态发生过程中的变化，特别是上皮弯曲的发育事件 | 转基因小鼠下颌骨细胞膜表达荧光蛋白的组织，以及猫鲨的牙板和真皮小齿等非模型动物外胚层结构 | 数字病理学 | NA | 组织透明化协议，高倍长工作距离水浸物镜成像，荧光蛋白标记 | 神经网络 | 三维荧光图像 | 转基因小鼠下颌骨和猫鲨牙板与真皮小齿组织样本 | NA | NA | NA | NA |
| 1563 | 2026-01-24 |
Enhancing breast cancer classification using a deep sparse wavelet autoencoder approach
2025-Jul-19, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-025-11816-y
PMID:40681757
|
研究论文 | 本文提出了一种结合深度学习、稀疏编码和小波网络的深度稀疏小波自编码器（DSWAE）新架构，用于增强2D乳腺癌图像的分类性能 | 提出了一种创新的深度稀疏小波自编码器（DSWAE）架构，通过堆叠小波自编码器构建了一个专门用于2D乳腺癌图像分类的鲁棒模型，该模型在提高分类精度的同时，通过使用参数最少的深度网络优化了计算效率 | NA | 提高2D乳腺癌图像的分类准确性，以支持早期检测和分期 | 2D乳腺癌图像数据集 | 计算机视觉 | 乳腺癌 | 数字成像技术 | 自编码器 | 图像 | NA | NA | 深度稀疏小波自编码器（DSWAE） | 精确率, 召回率 | NA |
| 1564 | 2026-01-24 |
iACP-DPNet: a dual-pooling causal dilated convolutional network for interpretable anticancer peptide identification
2025-Jul-04, Functional & integrative genomics
IF:3.9Q1
DOI:10.1007/s10142-025-01641-x
PMID:40613943
|
研究论文 | 本研究提出了一种名为iACP-DPNet的新型深度学习模型，用于识别抗癌肽，该模型结合了蛋白质语言模型、特征选择和因果扩张卷积网络，并引入了双池化机制以提高特征提取能力和模型可解释性 | 构建了更大更多样化的数据集；提出了结合因果扩张卷积网络和双池化机制（全局平均池化和注意力池化）的新型模型架构；通过t-SNE、ISM和SHAP分析增强了模型的可解释性 | 未明确提及 | 开发一种高性能、可解释且泛化能力强的计算模型，用于抗癌肽的识别 | 抗癌肽 | 自然语言处理, 机器学习 | 癌症 | 蛋白质语言模型, 特征选择 | CNN, 深度学习 | 蛋白质序列 | 通过整合现有文献和数据库数据构建的更大更多样化的数据集（具体数量未明确给出） | NA | 因果扩张卷积网络, ProtBert | 特异性, 灵敏度, 准确率, 马修斯相关系数 | NA |
| 1565 | 2026-01-24 |
Genome-resolved metagenomics from short-read sequencing data in the era of artificial intelligence
2025-Jun-10, Functional & integrative genomics
IF:3.9Q1
DOI:10.1007/s10142-025-01625-x
PMID:40493087
|
综述 | 本文综述了人工智能在短读长测序数据基因组解析宏基因组学中的应用工具及其模型 | 系统回顾了专门为短读长宏基因组数据开发的最新AI工具及其底层模型，并讨论了其性能与可用性 | NA | 探讨人工智能在基因组解析宏基因组学数据分析各阶段的应用与影响 | 短读长测序数据及相关的AI工具 | 机器学习 | NA | 短读长测序 | 机器学习,深度学习 | 宏基因组测序数据 | NA | NA | NA | 准确性,可扩展性,效率 | NA |
| 1566 | 2026-01-24 |
scPrediXcan integrates advances in deep learning and single-cell data into a powerful cell-type-specific transcriptome-wide association study framework
2025-Mar-04, bioRxiv : the preprint server for biology
DOI:10.1101/2024.11.11.623049
PMID:39605417
|
研究论文 | 本文提出了一种名为scPrediXcan的新型细胞类型特异性转录组范围关联研究框架，该框架整合了深度学习方法和单细胞数据，以更精确地识别疾病相关基因 | 将先进的深度学习模型（ctPred）与经典TWAS框架结合，能够高精度预测细胞类型特异性表达，并捕捉线性模型忽略的复杂基因调控规律 | 未在摘要中明确提及具体限制，但可能涉及数据稀疏性和样本量问题 | 开发一个强大的细胞类型特异性转录组范围关联研究框架，以更深入地理解复杂疾病的细胞机制 | 2型糖尿病和系统性红斑狼疮 | 机器学习 | 2型糖尿病, 系统性红斑狼疮 | 单细胞数据, 表观遗传特征预测 | 深度学习模型 | DNA序列数据, 单细胞表达数据 | NA | NA | ctPred | 准确性, 基因识别数量, 基因座解释能力 | NA |
| 1567 | 2026-01-24 |
AggNet: Advancing protein aggregation analysis through deep learning and protein language model
2025-Feb, Protein science : a publication of the Protein Society
IF:4.5Q1
DOI:10.1002/pro.70031
PMID:39840791
|
研究论文 | 本研究提出了一种名为AggNet的新型深度学习框架，用于预测蛋白质聚集，结合蛋白质语言模型ESM2和AlphaFold2，以区分淀粉样和非淀粉样肽并识别聚集倾向区域 | AggNet结合了蛋白质语言模型ESM2和AlphaFold2，利用物理化学、进化和结构信息，在蛋白质聚集预测上实现了最先进的性能，并增强了模型的可解释性 | NA | 开发一种高效的计算工具来预测蛋白质聚集，以替代成本高昂且劳动密集的实验方法 | 蛋白质聚集，特别是淀粉样和非淀粉样肽以及聚集倾向区域 | 机器学习 | NA | 深度学习，蛋白质语言模型 | 深度学习框架 | 蛋白质序列和结构数据 | NA | NA | ESM2, AlphaFold2 | NA | NA |
| 1568 | 2026-01-24 |
Corrigendum: Addressing grading bias in rock climbing: machine and deep learning approaches
2025, Frontiers in sports and active living
IF:2.3Q2
DOI:10.3389/fspor.2025.1570591
PMID:40051920
|
correction | 本文是对先前发表文章的更正 | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1569 | 2026-01-24 |
A lightweight co-optimization model for field sunflower disease identification
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1728123
PMID:41560911
|
研究论文 | 本文提出了一种轻量化的YOLO-CGA模型，用于田间向日葵病害识别，并在Raspberry Pi上部署以实现现场应用 | 基于YOLOv8n-cls，设计了CBAM_ADown模块以增强特征提取和噪声抑制，采用C3Ghost模块减少参数量，并构建AFC_SPPF模块进行多尺度病害特征融合，从而在保持高精度的同时实现模型轻量化 | 模型在复杂田间环境中的泛化能力可能仍需进一步验证，且仅针对向日葵等特定作物病害进行测试 | 开发一种轻量化且鲁棒的作物病害识别模型，以解决现有深度学习模型在复杂田间环境中缺乏鲁棒性、参数量大、难以在资源受限设备上部署的问题 | 向日葵病害图像 | 计算机视觉 | 向日葵病害 | 深度学习 | YOLO | 图像 | 三个主要数据集：BARI-Sunflower数据集、Cotton Disease数据集、FGVC8数据集 | PyTorch | YOLOv8n-cls, CBAM_ADown, C3Ghost, AFC_SPPF | 准确率 | Raspberry Pi |
| 1570 | 2026-01-24 |
MTMEGPS: An R package for multi-trait and multi-environment genomic and phenomic selection using deep learning
2025, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2025.1674985
PMID:41560909
|
研究论文 | 本文介绍了一个名为MTMEGPS的R包，用于通过深度学习进行多性状和多环境的基因组与表型组选择 | 开发了一个集成的R包，简化了深度学习在育种中的应用流程，支持多性状和多环境预测，并提供了端到端的工作流 | 深度学习计算需求高，且预测误差在某些场景下仍处于中等水平 | 提升基因组和表型组选择的预测能力，通过深度学习捕获非线性模式 | 玉米基因组数据、桉树近红外光谱数据以及公开的多环境验证数据集 | 机器学习 | NA | 深度学习，近红外光谱 | 深度学习模型 | 基因组数据，光谱数据 | NA | R | NA | 均方误差 | NA |
| 1571 | 2026-01-24 |
Artificial intelligence prediction of nonenhancing brain tumor malignancy based on in vivo confocal laser endomicroscopic imaging
2025, Frontiers in surgery
IF:1.6Q2
DOI:10.3389/fsurg.2025.1655374
PMID:41560935
|
研究论文 | 本文开发了一种基于序列的深度学习模型，利用共聚焦激光内镜成像序列对非增强脑肿瘤进行分级预测 | 提出了一种新颖的序列深度学习模型，结合视觉和时间信息，模拟神经病理学家的视觉推理过程，优于传统的基于单帧的分类方法 | 样本量较小（仅16名患者），模型在更大数据集上的泛化能力有待验证 | 开发人工智能模型以准确预测非增强脑肿瘤的恶性程度，辅助术中决策 | 非增强脑肿瘤患者的共聚焦激光内镜成像序列 | 数字病理学 | 脑肿瘤 | 共聚焦激光内镜成像 | 深度学习 | 图像序列 | 16名患者，105个序列，3,173张图像，40个感兴趣区域 | NA | Vision Transformer, VGG16, ResNet50, Inception-ResNet-V2, Transformer编码器, 时间卷积 | top-1分类准确率 | NA |
| 1572 | 2026-01-24 |
Evaluation of deep learning tools in medical diagnosis and treatment of cancer: research analysis of clinical and randomized clinical trials
2025, Frontiers in network physiology
DOI:10.3389/fnetp.2025.1578562
PMID:41561148
|
综述 | 本文系统评估了深度学习算法在癌症诊断与治疗临床试验中的应用，并分析了其性能与未来前景 | 首次按癌症类型分层系统评估深度学习算法在临床试验中的表现，并提出大规模实施的建议 | 研究仅基于PubMed数据库的文献，可能未涵盖所有相关研究 | 评估深度学习在癌症诊疗中的应用效果并展望未来发展方向 | PubMed数据库中关于深度学习在癌症诊断的临床与随机对照试验文献 | 机器学习 | 癌症 | NA | 深度学习 | NA | NA | NA | NA | NA | NA |
| 1573 | 2026-01-24 |
Optimized multi agent reinforcement learning algorithms with hybrid BiLSTM for cost efficient EV charging scheduling
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1700664
PMID:41561184
|
研究论文 | 本文提出了一种结合Pelican优化算法调优的双向长短期记忆网络和多智能体强化学习的新框架，用于电动汽车充电站的成本高效调度 | 将预测、优化和调度步骤无缝统一在一个马尔可夫决策过程框架中，而非传统上作为独立实体处理 | NA | 最小化运营成本、确保电网稳定性并提升用户满意度 | 电动汽车充电站 | 机器学习 | NA | NA | BiLSTM, MARL | 时间序列数据 | NA | NA | BiLSTM | 充电成本降低百分比, 荷电状态满意度提升百分比, 预测准确率提升百分比, 仿真时间减少 | NA |
| 1574 | 2026-01-24 |
Artificial intelligence in outpatient management: a simulation-based study in a Chinese tertiary hospital
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1696586
PMID:41561186
|
研究论文 | 本研究通过模拟数据和医生调查，探索了人工智能在中国门诊管理中的应用、潜在价值及挑战 | 使用LSTM深度学习模型预测门诊流量，相比传统ARIMA模型提升了约15%的预测准确率，并模拟了AI实施对减少患者等待时间约30%及提高医生工作效率和满意度的效果 | 研究主要基于模拟数据，实际应用性可能受限，且存在数据隐私、法规合规性和医生接受度等关键问题 | 探索人工智能在中国门诊管理中的应用、潜在价值及挑战，以优化资源配置和患者体验 | 中国三级医院的门诊管理流程，包括门诊流量预测、患者等待时间及医生工作效率 | 机器学习 | NA | 模拟数据、医生调查 | LSTM, ARIMA | 模拟数据 | NA | NA | LSTM | 预测准确率 | NA |
| 1575 | 2026-01-24 |
Anatomical study and early diagnosis of dome galls in Cordia Dichotoma using DeepSVM model
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1558358
PMID:41561188
|
研究论文 | 本研究提出了一种基于DeepSVM混合架构的深度学习方法，用于早期检测Cordia dichotoma植物的圆顶瘿病害 | 通过将ResNet-50的最终sigmoid激活层替换为支持向量机（SVM）并应用L2正则化，提出了一种新型的DeepSVM混合架构，有效解决了传统CNN在真实环境数据上的过拟合和训练不稳定问题 | 研究仅针对Cordia dichotoma植物的圆顶瘿病害进行二元分类，模型在其他植物病害或更复杂分类任务上的泛化能力尚未验证 | 开发一种稳定且泛化能力强的深度学习模型，用于植物病害的早期自动检测，以支持精准农业 | Cordia dichotoma植物的叶片（健康叶片与患病叶片） | 计算机视觉 | 植物病害 | 图像采集与预处理 | CNN, SVM | 图像 | 总共4,300张叶片图像（3,900张用于训练，400张用于测试） | NA | ResNet-50, VGG-16, InceptionResNetv2, MobileNet-V2 | 准确率, F1分数 | NA |
| 1576 | 2026-01-24 |
A Transformers-based framework for refinement of genetic variants
2025, Frontiers in bioinformatics
IF:2.8Q2
DOI:10.3389/fbinf.2025.1694924
PMID:41561439
|
研究论文 | 本文提出了一种基于Transformer的框架，用于高通量测序数据中遗传变异的精准精炼与过滤 | 首次将Transformer的自注意力机制应用于遗传变异精炼任务，可直接处理VCF文件并与标准流程（如BCFTools、GATK4）无缝集成 | 模型仅在GIAB的HG003样本上进行训练，泛化能力有待在不同种群和测序平台数据上进一步验证 | 开发自动化遗传变异精炼框架以区分真实变异与技术假象 | 高通量测序数据中的遗传变异 | 机器学习 | NA | 高通量测序 | Transformer | VCF文件（变异调用格式） | 200万变异（来自GIAB v4.2.1样本HG003） | NA | Transformer | 准确率, ROC AUC | NA |
| 1577 | 2026-01-24 |
Neonatal supraventricular tachycardia: current diagnostic approaches and emerging technologies
2025, Frontiers in pediatrics
IF:2.1Q2
DOI:10.3389/fped.2025.1694215
PMID:41561499
|
综述 | 本文综述了新生儿室上性心动过速（SVT）的当前诊断方法，并探讨了新兴技术（如深度学习算法、生物相容性可穿戴传感器和非接触式传感）在提升诊断能力方面的潜力 | 探讨了将深度学习算法、生物相容性可穿戴传感器和非接触式传感等新兴技术整合到新生儿SVT诊断中的潜力，以克服传统方法在信号质量和间歇性捕捉方面的限制 | 尽管AI模型在更广泛的儿科队列中报告了超过90%的诊断准确率，但针对新生儿群体的特异性验证仍是一个关键需求，且存在技术、监管和伦理方面的持续障碍 | 综述新生儿室上性心动过速（SVT）的诊断方法，并评估新兴技术如何改进诊断流程 | 新生儿室上性心动过速（SVT） | NA | 心血管疾病 | 12导联心电图（ECG）、动态监测、深度学习算法、生物相容性可穿戴传感器、非接触式传感 | 深度学习算法 | 心电图信号、传感器数据 | NA | NA | NA | 诊断准确率 | NA |
| 1578 | 2026-01-24 |
Enhancing learning outcomes through post-discussion homework: the role of collaboration and task type
2025, Frontiers in psychology
IF:2.6Q2
DOI:10.3389/fpsyg.2025.1666213
PMID:41561610
|
研究论文 | 本研究探讨了如何设计课后讨论作业以维持研讨会教学的包容性、协作性动态 | 通过2×2准实验设计，结合社会架构（协作vs个人作业）和任务类型（概念导向vs案例导向），系统分析了协作作业对学习成果的影响，并提出了基于证据的课后作业设计框架 | 样本量较小（36名研究生），且为特定教育环境下的研究，可能限制结果的普适性 | 研究课后讨论作业的设计如何促进持续、协作的学习循环 | 36名研究生 | 教育技术 | NA | 准实验设计 | NA | 作业表现评分、感知学习评分、开放式访谈文本 | 36名研究生 | NA | NA | 基于量表的作业表现评分、学生感知学习评分 | NA |
| 1579 | 2026-01-24 |
MDL-CA: a multimodal deep learning approach with a cross attention mechanism for accurate brain cancer diagnosis
2025, Frontiers in public health
IF:3.0Q2
DOI:10.3389/fpubh.2025.1687335
PMID:41561860
|
研究论文 | 本文提出了一种名为MDL-CA的多模态深度学习框架，通过交叉注意力机制整合基因组学和MRI数据，以提高脑癌诊断的准确性 | 提出了一种结合图注意力网络和3D DenseNet的多模态深度学习框架，并引入交叉注意力机制来融合基因组与MRI特征，以捕获生物与空间交互，同时使用Entmax sigmoid函数增强稀疏性和可解释性 | 未明确提及具体局限性，但可能涉及数据预处理复杂性、模型计算资源需求或跨数据集泛化的潜在偏差 | 开发一种多模态深度学习框架，以整合基因组和MRI数据，提升脑癌诊断的准确性和生物可解释性 | 脑癌诊断 | 数字病理学 | 脑癌 | 基因组测序, MRI | GAT, DenseNet | 基因组图嵌入, MRI图像 | 来自TCIA和TCGA的四个基准数据集，具体样本数量未明确 | PyTorch, TensorFlow | Graph Attention Network, 3D DenseNet | 准确率, F1分数 | 未明确提及具体计算资源，可能涉及GPU或云平台 |
| 1580 | 2026-01-24 |
Artificial Intelligence Applications in Oral Cancer and Oral Dysplasia
2024-10, Tissue engineering. Part A
DOI:10.1089/ten.TEA.2024.0096
PMID:39041628
|
综述 | 本文综述了人工智能在口腔癌及口腔上皮异型增生中的应用进展，重点探讨了基于AI的预测性生物标志物开发 | 整合了多种AI方法（如机器学习、深度学习）来开发预测OED恶变和OSCC结局的生物标志物，展示了在数字病理学和表观基因组学中的创新应用 | 目前尚无可靠的临床、病理或分子生物标志物来准确预测个体风险，AI方法仍处于开发阶段，需进一步验证 | 旨在利用人工智能方法开发预测口腔上皮异型增生恶变为口腔鳞状细胞癌的风险以及预测口腔鳞状细胞癌死亡率和治疗反应的生物标志物 | 口腔鳞状细胞癌患者及口腔上皮异型增生患者 | 数字病理学 | 口腔癌 | 多重免疫组织化学、表观基因组学分析 | 深度学习 | 病理图像、表观遗传数据 | NA | NA | NA | NA | NA |