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 43290 篇文献，本页显示第 141 - 160 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 141 | 2026-04-14 |
Electroencephalogram-based multimodal attention level classification using deep learning techniques
2026, Frontiers in human neuroscience
IF:2.4Q2
DOI:10.3389/fnhum.2026.1791677
PMID:41971349
|
研究论文 | 本研究提出了一种基于多模态脑机接口系统的注意力水平预测方法，整合了脑电图、心电图和眼电图信号以提高预测准确性和鲁棒性 | 提出了多特征增强注意力网络（MEAN），利用脑电图、心电图和眼电图信号的互补优势，克服了单模态信号易受噪声影响和信息范围有限的局限性 | 未明确提及具体局限性 | 开发一种新颖的注意力水平预测方法，通过整合多模态生理信号来增强预测准确性和鲁棒性 | 注意力水平预测 | 机器学习 | NA | 脑电图（EEG）、心电图（ECG）、眼电图（EOG）信号采集 | 深度学习 | 生理信号（脑电图、心电图、眼电图） | 未明确提及样本数量 | NA | 多特征增强注意力网络（MEAN） | 准确率 | NA |
| 142 | 2026-04-14 |
Artificial intelligence-driven personalized dietary recommendations for gastric cancer high-risk populations: a narrative review
2026, Frontiers in nutrition
IF:4.0Q2
DOI:10.3389/fnut.2026.1802970
PMID:41971387
|
综述 | 本文综述了人工智能在提供个性化饮食建议方面的当前应用，并探讨了其在胃癌高危人群中的潜在适用性 | 首次系统性地将人工智能驱动的个性化营养干预方法，从代谢性疾病领域拓展并展望应用于胃癌高危人群的预防，并强调了整合多组学数据和考虑胃微生物组相互作用的潜力 | 目前尚无针对胃癌患者的直接干预试验证据，主要依赖来自糖尿病和肥胖等代谢性疾病的间接证据；且面临技术可解释性、数据隐私、人群差异和临床验证等多重挑战 | 探索人工智能在胃癌高危人群中提供个性化饮食建议的潜力和应用前景，以弥补传统预防措施的不足 | 胃癌高危人群 | 机器学习 | 胃癌 | 多组学数据整合 | 机器学习，深度学习 | NA | NA | NA | NA | NA | NA |
| 143 | 2026-04-14 |
Multiphasic CT-based multimodal deep learning model for predicting early hepatocellular carcinoma recurrence following liver transplantation
2026, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2026.1767885
PMID:41971433
|
研究论文 | 本研究开发了一种整合多期相CT影像与临床实验室参数的多模态深度学习模型，用于预测肝细胞癌肝移植后的早期复发 | 首次结合多期相CT影像特征与临床参数构建多模态深度学习模型，用于预测HCC肝移植后早期复发，并通过SHAP分析增强模型可解释性 | 研究为单中心回顾性分析，样本量相对有限（147例患者），需要多中心前瞻性研究进一步验证 | 预测肝细胞癌（HCC）患者接受肝移植后的早期复发风险 | 147例在天津第一中心医院接受肝移植的HCC患者，分为复发组（40例）和非复发组（107例） | 数字病理学 | 肝细胞癌 | 多期相计算机断层扫描（CT） | 深度学习模型 | 医学影像（CT图像）、临床参数、实验室数据 | 147例HCC肝移植患者 | NA | 多模态深度学习模型 | 受试者工作特征曲线下面积（AUC） | NA |
| 144 | 2026-04-14 |
Integrated ultrasound-based radiomics and deep learning models in screening breast intraductal high-risk lesions or carcinoma: a multicenter retrospective study
2026, Frontiers in oncology
IF:3.5Q2
DOI:10.3389/fonc.2026.1705400
PMID:41971435
|
研究论文 | 本研究探讨了基于超声的影像组学与深度学习模型在筛查乳腺导管内高风险病变或癌变中的诊断性能 | 开发了一种融合影像组学与深度学习预测概率的集成模型，用于筛查乳腺导管内高风险或恶性病变，并在多中心数据中验证了其优于单一模型的性能 | 研究为回顾性设计，可能存在选择偏倚；模型性能需在前瞻性研究中进一步验证 | 评估超声影像组学与深度学习模型在筛查乳腺导管内高风险或恶性病变中的诊断效能 | 乳腺导管内病变患者 | 数字病理学 | 乳腺癌 | 超声成像 | 逻辑回归, CNN | 图像 | 785个病灶（486个良性，299个高风险或恶性），来自中国五家医院 | NA | ResNet-50 | AUC | NA |
| 145 | 2026-04-14 |
Precise leaf damage detection across diverse species and environments via a large-scale vision model
2026, Frontiers in plant science
IF:4.1Q1
DOI:10.3389/fpls.2026.1788926
PMID:41971547
|
研究论文 | 本文提出了一种基于基础模型适应的大规模视觉模型，用于实现跨物种和复杂环境下的作物叶片损伤精确检测 | 提出了一种新的建模范式，从传统的任务特定训练转向基础模型适应，通过集成DinoV3基础模型与Unet框架，并引入空间先验模块和投影模块，有效弥合通用预训练与领域特定需求之间的差距 | 研究主要针对咖啡和黑豆数据集进行验证，虽然扩展到AMG数据集，但尚未覆盖更广泛的作物种类和极端环境条件 | 开发一种能够跨物种和复杂田间环境泛化的叶片损伤检测方法，用于实时植物健康监测和产量估算 | 作物叶片损伤（病斑） | 计算机视觉 | 植物病害 | 深度学习，图像分割 | CNN，Transformer | 图像 | 咖啡叶片数据集和黑豆数据集，以及更大的AMG数据集 | PyTorch | DinoV3, Unet | 交并比，像素准确率 | 未明确指定，但提及实现了极高的计算效率（推理时间减少93.6%） |
| 146 | 2026-04-14 |
AI algorithms and IoT platforms for anomaly and failure prediction in industrial machinery-systematic review
2026, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2026.1799522
PMID:41971622
|
综述 | 本文对用于工业机械异常和故障预测的人工智能算法、软件及物联网平台进行了系统性文献综述 | 系统性地分类了预测性维护中的人工智能技术，并识别了九种支持维护操作的软件和物联网技术，同时探讨了知识迁移在数据突变时对算法的改进作用 | NA | 旨在通过系统性文献综述，探讨人工智能算法和物联网平台在工业机械异常和故障预测中的应用 | 工业机械的预测性维护 | 机器学习 | NA | NA | 机器学习, 神经网络 | NA | NA | NA | NA | NA | NA |
| 147 | 2026-04-14 |
Tumor lactate metabolism shapes immune suppression and therapeutic resistance revealed by integrative multi-omics and digital pathology
2026, Frontiers in immunology
IF:5.7Q1
DOI:10.3389/fimmu.2026.1797798
PMID:41972178
|
研究论文 | 本研究通过整合多组学数据和数字病理学，开发了一种深度学习框架，能够从常规H&E全切片图像推断肿瘤乳酸代谢状态，并揭示了其与免疫抑制和治疗耐药性的关联 | 首次将多组学分析与数字病理学相结合，利用深度学习从常规H&E切片直接推断肿瘤乳酸代谢状态，开发了一种可扩展且临床实用的数字生物标志物 | 研究主要基于回顾性数据，需要在更多前瞻性队列中进行验证；模型在部分癌症类型中的性能有待进一步优化 | 开发一种临床可及且低成本的方法来评估肿瘤内乳酸活性，以指导代谢精准肿瘤学 | 头颈部鳞状细胞癌（HNSCC）及其他多种癌症类型的肿瘤样本 | 数字病理学 | 头颈部鳞状细胞癌 | 多组学分析（转录组、单细胞RNA-seq）、空间分析、免疫组化、深度学习 | 深度学习模型 | 全切片图像（H&E染色）、基因表达数据、单细胞RNA-seq数据、蛋白质表达数据 | TCGA、GEO数据库中的多个队列，以及独立的真实世界SAZHU-HNSCC队列 | NA | NA | AUC | NA |
| 148 | 2026-04-14 |
OralHybridNet: A Deep Learning Framework for Multi-Label Classification of Dental Restorations and Prostheses in Panoramic Radiographs
2026 Jan-Dec, Inquiry : a journal of medical care organization, provision and financing
DOI:10.1177/00469580261439986
PMID:41972827
|
研究论文 | 本文提出了一种名为OralHybridNet的混合深度学习框架，用于全景X光片中牙科修复体和修复体的多标签分类 | 提出了一种新颖的混合深度学习框架OralHybridNet，集成了分层卷积神经网络、双注意力机制和OralNetXPlus，并采用了结合弹性变换和伽马校正的自适应增强协议以及混合特征选择算法 | 未明确提及研究的局限性 | 开发一个自动化的深度学习框架，用于全景X光片中牙科修复体和修复体的多标签分类 | 牙科修复体和修复体 | 计算机视觉 | NA | 全景X光成像 | CNN | 图像 | 2047张临床医生标注的全景X光片 | NA | CustomDentalNet, OralNetXPlus, ResNet50 | 准确率, 精确率, AUC-ROC | NA |
| 149 | 2025-10-29 |
Reducing False Alarms in Lung Cancer Screening: The Promise of Deep Learning
2025-Oct, Radiology
IF:12.1Q1
DOI:10.1148/radiol.252917
PMID:41147921
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 150 | 2026-04-14 |
External Test of a Deep Learning Algorithm for Pulmonary Nodule Malignancy Risk Stratification Using European Screening Data
2025-09, Radiology
IF:12.1Q1
DOI:10.1148/radiol.250874
PMID:40956165
|
研究论文 | 本研究利用欧洲三大肺癌筛查试验的汇总数据，对一种基于深度学习的肺结节恶性风险分层算法进行了外部测试 | 首次在多个欧洲筛查数据集上对深度学习算法进行外部验证，并证明其在降低假阳性率方面优于传统的PanCan模型 | 研究为回顾性分析，且主要基于欧洲人群数据，可能限制了其普适性 | 评估深度学习算法在肺结节恶性风险分层中的性能，以减少低剂量CT筛查中的假阳性发现 | 来自丹麦、意大利和荷兰-比利时肺癌筛查试验的基线CT扫描图像及对应的肺结节 | 数字病理 | 肺癌 | 低剂量CT扫描 | 深度学习算法 | CT图像 | 4146名参与者，包含7614个良性结节和180个恶性结节 | NA | NA | AUC, 敏感性, 假阳性率 | NA |
| 151 | 2026-04-14 |
ESMDynamic: Fast and Accurate Prediction of Protein Dynamic Contact Maps from Single Sequences
2025-Aug-24, bioRxiv : the preprint server for biology
DOI:10.1101/2025.08.20.671365
PMID:40894558
|
研究论文 | 本文介绍了一种名为ESMDynamic的深度学习模型，该模型能够直接从蛋白质序列预测动态的残基-残基接触概率图 | 首次基于ESMFold架构开发了直接从单序列预测蛋白质动态接触图的深度学习模型，无需多重序列比对，且推理速度比现有方法快数个数量级 | 模型性能依赖于训练数据（实验结构集合和分子动力学模拟）的质量和覆盖范围，对于训练数据中未充分代表的构象动态模式可能预测能力有限 | 开发一种快速准确的蛋白质动态接触图预测方法，以理解蛋白质构象动力学 | 蛋白质序列及其动态结构特性 | 结构生物学 | NA | 深度学习，分子动力学模拟 | 深度学习模型 | 蛋白质序列，接触概率图 | 在两个大规模MD数据集（mdCATH和ATLAS）上进行基准测试，并应用于ASCT2和SWEET2b转运蛋白、肌钙蛋白C设计以及HIV-1蛋白酶同源二聚体等多个系统 | NA | 基于ESMFold架构 | 与最先进的集合预测模型（AlphaFlow、ESMFlow、BioEmu）在瞬时接触预测方面进行比较 | NA |
| 152 | 2026-04-14 |
MRI-based Ovarian Lesion Classification via a Foundation Segmentation Model and Multimodal Analysis: A Multicenter Study
2025-08, Radiology
IF:12.1Q1
DOI:10.1148/radiol.243412
PMID:40762846
|
研究论文 | 本研究开发了一种基于多参数MRI和临床数据的深度学习流程，用于卵巢病变的自动分割与良恶性分类 | 首次将Meta的Segment Anything Model（SAM）基础分割模型与DenseNet-121深度学习分类模型结合，构建了一个高效、可泛化的多中心卵巢病变分析流程 | 研究为回顾性设计，外部验证数据集样本量相对较小（共87个病灶），可能影响模型在更广泛人群中的泛化能力评估 | 开发一个高效且可泛化的MRI卵巢病变特征分析流程，以提高诊断准确性 | 卵巢病变患者的多参数MRI影像及临床数据 | 数字病理学 | 卵巢癌 | 多参数MRI | 深度学习模型 | 图像, 临床数据 | 主要数据集：448名女性的534个病灶；外部数据集：55名女性的58个病灶（机构B）和29名女性的29个病灶（机构C） | NA | Segment Anything Model (SAM), DenseNet-121 | Dice系数, AUC | NA |
| 153 | 2026-04-14 |
External Testing of a Deep Learning Model for Lung Cancer Risk from Low-Dose Chest CT
2025-08, Radiology
IF:12.1Q1
DOI:10.1148/radiol.243393
PMID:40762850
|
研究论文 | 本研究在亚洲健康检查队列中外部测试了深度学习模型Sybil，评估其基于低剂量CT预测肺癌风险的表现 | 首次在亚洲人群中对Sybil模型进行外部验证，并特别评估了其在非重度吸烟者（包括从不吸烟或轻度吸烟者）中的预测性能 | 模型在非重度吸烟者亚组中对未来肺癌的预测性能较差（AUC 0.56），且研究为回顾性设计，可能存在选择偏倚 | 评估深度学习模型Sybil在亚洲健康检查人群中预测肺癌风险的外部泛化能力 | 亚洲健康检查个体，年龄50-80岁，接受过低剂量CT检查并有至少一次随访扫描 | 数字病理学 | 肺癌 | 低剂量CT（LDCT） | 深度学习模型 | CT图像 | 18057名个体，其中92例在6年内确诊肺癌 | NA | Sybil | 时间依赖性AUC | NA |
| 154 | 2026-04-14 |
Intratumoral Microbiome-related MRI Model for Predicting Breast Cancer Shrinkage Pattern Following Neoadjuvant Therapy
2025-08, Radiology
IF:12.1Q1
DOI:10.1148/radiol.243545
PMID:40892452
|
研究论文 | 本研究开发了一种基于瘤内微生物组相关MRI特征的模型，用于预测乳腺癌患者在新辅助治疗后肿瘤的缩小模式 | 首次将瘤内微生物组数据与多时间点MRI的放射组学和深度学习特征融合，构建预测模型，并验证了其在分子亚型和肿瘤分期中的稳健性 | 本研究为回顾性研究，未来需要前瞻性研究进一步验证模型的临床适用性 | 开发一个精准预测乳腺癌新辅助治疗后肿瘤缩小模式的模型，以辅助保乳手术规划 | 接受新辅助治疗并手术的乳腺癌患者 | 数字病理学 | 乳腺癌 | MRI | 深度学习, 机器学习 | MRI图像 | 2249名女性乳腺癌患者（训练集671人，内部验证集335人，外部验证集1243人） | NA | U-Net, ResNet-50 | AUC, Dice系数 | NA |
| 155 | 2026-04-14 |
Spiner, deep learning-based automated detection of spiral ganglion neurons in intact cochleae
2025-Jul-18, iScience
IF:4.6Q1
DOI:10.1016/j.isci.2025.112929
PMID:40687827
|
研究论文 | 本研究开发了一种基于深度学习的自动化工具Spiner，用于在完整耳蜗中检测螺旋神经节神经元 | 引入了胶原酶处理优化组织透明化协议，并采用深度学习对象检测模型实现大型3D数据集中SGN的自动定位与计数 | 目前主要针对I型螺旋神经节神经元，在大型动物模型中的应用仍需进一步验证 | 改进耳蜗中螺旋神经节神经元的检测与定量方法 | 沙鼠和猪的完整耳蜗组织 | 数字病理学 | 听力损失 | 组织透明化、光片荧光显微镜、胶原酶处理 | 深度学习对象检测模型 | 3D图像数据 | 沙鼠和猪的耳蜗样本（具体数量未明确） | NA | NA | 与人工计数的一致性 | NA |
| 156 | 2026-04-14 |
mamp-ml: A deep learning approach to epitope immunogenicity in plants
2025-Jul-15, bioRxiv : the preprint server for biology
DOI:10.1101/2025.07.11.664399
PMID:40791437
|
研究论文 | 开发了一个名为mamp-ml的机器学习框架，用于预测植物受体-配体相互作用和表位免疫原性 | 首次将大型蛋白质语言模型ESM-2与二十多年的功能数据结合，构建了预测植物免疫原性结果的管道和模型，即使缺乏实验结构也能实现预测 | 模型在测试集上的预测准确率为73%，仍有提升空间 | 预测植物受体-配体相互作用和表位免疫原性，为植物免疫系统工程提供计算框架 | 植物受体和配体（特别是LRR受体-配体组合） | 机器学习 | NA | 蛋白质语言模型 | 深度学习 | 蛋白质序列数据 | 基于二十多年基础研究的功能数据 | NA | ESM-2 | 准确率 | NA |
| 157 | 2026-04-14 |
A fully open AI foundation model applied to chest radiography
2025-07, Nature
IF:50.5Q1
DOI:10.1038/s41586-025-09079-8
PMID:40500447
|
研究论文 | 本文介绍了Ark，一个应用于胸部X光片的开放基础模型，通过循环积累和重用多个数据集中异构专家标签的知识进行预训练 | Ark模型通过聚合多样化数据集和专家知识，扩展了诊断范围，适应新疾病，支持小样本学习和联邦学习，并开源代码和模型 | 未在摘要中明确提及具体限制 | 开发一个开放的基础模型，用于自动化胸部X光片解释，以克服现有深度学习模型的局限性 | 胸部X光片图像数据 | 医学影像 | 肺部疾病 | 深度学习 | 基础模型 | 图像 | 多个公共数据集，具体数量未在摘要中指定 | NA | Ark | NA | NA |
| 158 | 2026-04-14 |
Longitudinal Tracking of Emphysema Holes at Noncontrast CT: Dynamic Patterns and Clinical Relationships
2025-07, Radiology
IF:12.1Q1
DOI:10.1148/radiol.243239
PMID:40662972
|
研究论文 | 本研究利用深度学习软件纵向追踪肺气肿空洞的动态变化，并分析其与肺功能下降、疾病进展及死亡率的关系 | 首次采用深度学习技术对肺气肿空洞进行纵向追踪，并根据直径变化将其动态分组，揭示了空洞动态模式与临床结局的关联 | 研究为二次分析，样本量较小（108名参与者），且主要为男性，可能限制结果的普适性 | 追踪肺气肿空洞的纵向变化，探究其动态模式与临床指标（FEV1下降、疾病进展、死亡率）的关系 | 韩国阻塞性肺疾病队列研究中完成基线和6年随访CT扫描的参与者 | 数字病理学 | 肺气肿 | CT扫描 | 深度学习 | CT图像 | 108名参与者（平均年龄63.4岁，其中104名男性） | NA | NA | 线性回归系数（β）、P值、对数秩检验（log-rank test） | NA |
| 159 | 2026-04-14 |
Computational pathology applied to clinical colorectal cancer cohorts identifies immune and endothelial cell spatial patterns predictive of outcome
2025-02, The Journal of pathology
IF:5.6Q1
DOI:10.1002/path.6378
PMID:39788558
|
研究论文 | 本研究应用计算病理学方法，在三个临床结直肠癌队列中识别出可预测预后的免疫细胞和内皮细胞空间模式 | 利用基于深度学习的细胞分类器，在大型临床队列中系统量化肿瘤微环境中细胞类型的空间组织和共定位，并发现内皮细胞与癌细胞的比例等空间模式是独立的预后预测因子 | 研究队列虽然具有临床异质性，但样本量仍有限，且结果需要在独立队列中进行进一步验证 | 探究结直肠癌肿瘤微环境的空间组织特征及其对治疗反应和预后的影响 | 三个临床结直肠癌患者队列（MISSONI、BRAF、VALENTINO），总计375名患者 | 计算病理学 | 结直肠癌 | 深度学习细胞分类，多重免疫荧光验证 | 深度学习细胞分类器 | H&E染色组织切片图像 | 375名临床注释的结直肠癌患者（MISSONI: n=59, BRAF: n=141, VALENTINO: n=175），验证集n=26 | NA | NA | 风险比，置信区间，p值 | NA |
| 160 | 2026-04-14 |
Identification of cardiac wall motion abnormalities in diverse populations by deep learning of the electrocardiogram
2025-Jan-11, NPJ digital medicine
IF:12.4Q1
DOI:10.1038/s41746-024-01407-y
PMID:39799179
|
研究论文 | 本研究利用深度学习分析心电图，以识别心脏壁运动异常，并参考超声心动图作为金标准进行验证 | 开发了一种名为ECG-WMA-Net的深度神经网络，通过分析心电图中的QRS和T波区域，显著提高了心脏壁运动异常的检测准确性，超越了传统基于Q波的筛查方法 | 研究依赖于超声心动图报告的文本解析进行标注，可能存在标注误差；外部验证队列规模相对较小（n=2338），可能影响模型的泛化能力评估 | 通过深度学习技术，从心电图中提取新特征，以增强心脏壁运动异常的检测能力，并解决传统方法在不同种族和民族群体中准确性差异的问题 | 来自加利福尼亚州和佐治亚州的多样化患者群体，包括35,210名患者用于训练和验证，以及2,338名患者用于外部验证 | 机器学习 | 心血管疾病 | 深度学习，超声心动图 | 深度神经网络 | 心电图，超声心动图报告文本 | 训练和验证队列：35,210名患者；外部验证队列：2,338名患者 | NA | ECG-WMA-Net | AUROC, AUC | NA |