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 45506 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 | 2026-06-09 |
Generative deep learning for foundational video translation in ultrasound
2026-Apr-16, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-47777-z
PMID:41986471
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 142 | 2026-06-09 |
Identification of roasting degree and interpretability analysis of Yunnan arabica coffee beans based on multi-dimensional visual features and CNNs-SHAP
2026-Apr-15, Food chemistry
IF:8.5Q1
DOI:10.1016/j.foodchem.2026.148367
PMID:41672011
|
研究论文 | 基于多维视觉特征和CNNs-SHAP实现云南阿拉比卡咖啡豆烘焙度识别与可解释性分析 | 通过加权融合颜色直方图、复合纹理和形态参数的多维视觉特征，结合SHAP打破深度学习黑箱限制，提供透明决策 | 未明确提及局限性 | 实现咖啡豆烘焙度的精准识别和透明化决策，推动烘焙标准化 | 云南阿拉比卡咖啡豆 | 计算机视觉 | 不适用 | 不适用 | 卷积神经网络（CNN） | 图像 | NA | NA | CNN | 准确率 | NA |
| 143 | 2026-06-09 |
Intelligent storage year identification of Anhua dark tea via carbon quantum dots-based colorimetric sensor array and computer vision
2026-Apr-15, Food chemistry
IF:8.5Q1
DOI:10.1016/j.foodchem.2026.148329
PMID:41672020
|
研究论文 | 结合碳量子点比色传感器阵列与深度学习，实现安华黑茶储存年份的快速识别 | 首次将碳量子点比色传感器阵列与深度学习结合，用于茶叶存储年份快速鉴定，并开发了用户友好的图形界面，实现非专业人士操作 | 基于智能设备的颜色变化可能受环境光照影响，且仅测试了五种碳量子点，对其他年份或茶叶品种的泛化性未验证 | 开发一种快速、低成本且高精度的安华黑茶储存年份识别方法，用于食品质量控制和真伪鉴定 | 安华黑茶样品及其储存年份 | 计算机视觉 | 不适用 | 碳量子点比色传感器阵列 | 深度学习模型 | 图像 | 未明确说明样品数量，但涉及多个储存年份的安华黑茶 | PyTorch | ResNet18, VGG16, DenseNet121, MobileNetV3-Small, EfficientNet B0 | 准确率 | NA |
| 144 | 2026-06-09 |
Deep learning for early detection of cerebral small vessel disease using self-supervised graph embeddings and retinal image analysis
2026-Apr-15, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-48421-6
PMID:41986421
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 145 | 2026-06-09 |
AI-enabled privacy-preserving cardiac diagnostics via electrocardiograms
2026-Apr-15, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-47665-6
PMID:41986431
|
研究论文 | 提出一种基于深度学习的隐私保护框架，用于心电图诊断，既能保留临床相关信息，又能抑制敏感人口统计学信息 | 使用带有双判别器架构的变分自编码器，同时实现软生物特征去识别和临床重要特征保留 | 未明确说明 | 开发一种公平且隐私保护的机器学习模型，用于心电图诊断 | 心电图信号及其中编码的软生物特征（性别、年龄、种族）和临床特征（射血分数降低、左心室肥大、5年死亡率） | 机器学习 | 心血管疾病 | 心电图 | 变分自编码器（VAE） | 心电图信号 | 未明确说明 | PyTorch | 变分自编码器，双判别器结构，CNN | AUROC | NA |
| 146 | 2026-06-09 |
rbpCNN: a biophysics-informed deep learning model for predicting piRNA and mRNA interactions
2026-Apr-13, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-48797-5
PMID:41974838
|
研究论文 | 提出了rbpCNN，一种生物物理学启发的深度学习模型，用于预测piRNA与mRNA之间的相互作用 | 将生物物理启发下的相互作用通道（包括兼容性通道、螺旋运行通道、位置通道和结构通道）与核苷酸对编码相结合，增强卷积神经网络预测能力 | 未在文中明确指出限制 | 提高piRNA与mRNA相互作用预测的准确性，以支持生殖细胞转录后调控研究及相关医疗领域应用 | piRNA序列与mRNA序列之间的相互作用 | 自然语言处理 | NA | NA | 卷积神经网络（CNN） | 序列数据 | 使用基准数据集和独立外部数据集进行验证 | NA | 轻量级卷积神经网络 | AUC, 准确率 | NA |
| 147 | 2026-06-09 |
Deep learning-based pathomics signature predicts prognosis and treatment response in gastric cancer: a multicenter retrospective study
2026-Apr-10, NPJ precision oncology
IF:6.8Q1
DOI:10.1038/s41698-026-01381-6
PMID:41957258
|
研究论文 | 利用深度学习分析H&E染色切片构建胃癌病理组学特征以预测预后和治疗反应 | 提出了一种结合门控注意力机制的多尺度图神经网络（MS-GMIL）用于多实例学习，直接从H&E切片构建病理组学特征，并整合转录组数据揭示潜在病理生理机制 | NA | 建立胃癌病理组学特征以改善TNM分期系统的预后信息，并预测化疗和免疫治疗反应 | 胃癌患者 | 数字病理学 | 胃癌 | H&E染色，转录组测序 | 图神经网络 | 图像，转录组数据 | 多中心回顾性研究队列 | PyTorch | MS-GMIL（多尺度图神经网络与门控注意力机制） | 预后预测性能，独立预后因素分析 | NA |
| 148 | 2026-06-09 |
Improved tumor-only variant calling and mutation burden estimation with VarNet-T
2026-Apr-09, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-71705-4
PMID:41957035
|
研究论文 | 提出了VarNet-T，一种无需匹配正常样本的端到端弱监督深度学习框架，用于从肿瘤测序数据中准确识别体细胞突变并估算肿瘤突变负荷 | 首次实现无需匹配正常样本即可进行高精度体细胞突变检测的端到端弱监督深度学习框架，在肿瘤突变负荷估算上相比现有方法提升超3倍准确率 | NA | 开发一种无需匹配正常样本即可准确识别体细胞突变并估算肿瘤突变负荷的方法 | 实体肿瘤样本的测序数据（包括10种癌症类型） | 机器学习 | 癌症 | 测序技术 | 深度学习框架 | 测序数据 | 1000个肿瘤样本（涵盖10种实体癌症类型） | NA | VarNet-T | 准确率 | NA |
| 149 | 2026-04-11 |
Deep learning-based detection of the second mesiobuccal canal in maxillary first molars using cone-beam computed tomography
2026-Apr-09, BMC oral health
IF:2.6Q1
DOI:10.1186/s12903-026-08207-8
PMID:41957600
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 150 | 2026-06-09 |
Adults' dental cone beam computed tomography images dataset for detecting and classifying missing teeth
2026-Apr-07, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-026-07156-9
PMID:41942491
|
研究论文 | 该论文提供了一个来自158名患者的成人牙科锥形束CT图像数据集，用于检测和分类缺牙，并进行了3D标注 | 提供了首个带有精确3D缺牙位置标注的CBCT数据集，特别是处理了金属伪影和现有种植体等复杂情况，并明确了伪影特征 | 未在摘要中明确提及局限性 | 解决高质量CBCT数据集稀缺问题，促进自动化牙科种植规划深度学习模型的训练 | 成人牙科CBCT图像中缺牙的检测与分类 | 数字病理学 | 缺牙症 | CBCT | 深度学习模型 | 图像 | 158名患者，包含501个缺牙部位，其中85个CBCT体数据具有114个特定部位的3D标注（4,994张切片） | NA | NA | NA | NA |
| 151 | 2026-06-09 |
Pushing the limits of fluorescence imaging with a restoration neural network aggregating large-view statistics
2026-Apr-07, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-71278-2
PMID:41946697
|
研究论文 | 提出一种名为LargePNet的恢复神经网络，通过聚合大视野统计信息来扩展荧光成像的极限，显著提升光子受限条件下的成像质量与计算效率 | 首次利用浅层超大核卷积提供的大有效感受野与深层网络的非线性表征能力相结合，实现大视野全局信息的有效恢复，避免了传统小补丁训练导致的保真度与抗噪性损失 | 未明确讨论网络对极端低光照条件的适应性以及可能存在的过拟合风险 | 通过设计大补丁恢复网络提升荧光成像在光子受限条件下的重建质量与计算效率 | 荧光显微镜获取的单图像、视频和体积数据，以及活细胞成像中的细胞骨架动态和超分辨率三色成像 | 计算机视觉 | NA | 荧光显微成像、超分辨率成像 | 卷积神经网络 | 图像、视频、三维体积数据 | 八个代表性恢复任务，包括单图像、视频和体积荧光数据 | PyTorch | LargePNet（基于超大核卷积与尺度分解） | 峰值信噪比 | NA |
| 152 | 2026-06-09 |
Three-dimensional automatic segmentation of root canals with focus on the second mesiobuccal canal using nnU-Netv2 on CBCT images: deep learning approach
2026-Apr-07, BMC oral health
IF:2.6Q1
DOI:10.1186/s12903-026-08285-8
PMID:41947103
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 153 | 2026-06-09 |
Training the diagnostic artificial intelligence in thyroid sonography: how well is deep learning truly learning?
2026-Apr, Updates in surgery
IF:2.4Q2
DOI:10.1007/s13304-025-02506-5
PMID:41670922
|
研究论文 | 评估深度学习AI在甲状腺超声TI-RADS分类中的学习曲线和真实世界表现 | 首次在真实临床环境中评估AI深度学习在甲状腺结节超声分类中的学习曲线，展示多次训练后的显著改进 | AI在复杂或不典型病例（如自身免疫性甲状腺炎、未降胸腺、出血性囊肿）中仍不能替代有经验的临床医生 | 评估深度学习AI在甲状腺超声TI-RADS分类中的学习曲线和实际应用效果 | 甲状腺结节患者 | 机器学习 | 甲状腺疾病 | 3D超声 | 深度学习 | 超声图像 | 第一阶段110名患者176个结节，第二阶段133名患者228个结节 | NA | NA | 一致性比例 | NA |
| 154 | 2026-06-09 |
Improving severity grading of chemotherapy-induced myelosuppression in AML via data-driven and model-based deep learning
2026-Mar-24, NPJ systems biology and applications
IF:3.5Q1
DOI:10.1038/s41540-026-00687-2
PMID:41876533
|
研究论文 | 提出一种融合机制建模与深度学习的两阶段框架（MM-AI-AML），用于预测急性髓系白血病化疗后骨髓抑制的严重程度 | 首次将动态数学模型与TabNet深度学习分类器结合，利用临床预处理数据生成量化严重性标签，实现个性化风险预测，显著优于传统分类器 | 依赖预处理临床特征，可能未纳入动态治疗调整数据；虚拟病例生成可能存在偏差；外部验证队列规模有限 | 提高急性髓系白血病化疗后骨髓抑制的严重程度分级准确性，实现个性化风险预测 | 479例急性髓系白血病患者及900个虚拟病例的临床特征与化疗后血细胞动力学数据 | 机器学习 | 急性髓系白血病 | 临床特征数据 | TabNet深度学习分类器 | 表格数据（临床特征） | 479例真实患者和900个虚拟病例 | NA | TabNet | AUC | NA |
| 155 | 2026-06-09 |
Ancestral state reconstruction with discrete characters using deep learning
2026-Mar-21, bioRxiv : the preprint server for biology
DOI:10.64898/2026.03.19.712918
PMID:41890074
|
研究论文 | 利用深度学习修改phyl软件进行祖先状态重建，评估其性能并与贝叶斯推断比较，应用于实证数据 | 首次将深度学习软件phyddle应用于离散字符的祖先状态重建，特别是处理似然函数难以计算的情况，扩展了phylogenetics工具的适用性 | 随着树的大小增加，phyddle性能下降；对于复杂模型（如物种形成和灭绝模型），估计结果与贝叶斯推断差异较大 | 评估深度学习在祖先状态重建中的潜力，尤其是对于似然不可操作模型的替代方法 | 离散字符的祖先状态，包括亚属的祖先范围和2014年塞拉利昂埃博拉病毒爆发的序列祖先位置 | 机器学习 | 埃博拉病毒病 | 深度学习 | NN | 离散字符数据 | 两个实证数据：一个亚属的祖先范围数据和2014年塞拉利昂埃博拉病毒爆发序列数据 | PyTorch | NN架构未指定 | 与贝叶斯推断的比较 | NA |
| 156 | 2026-06-09 |
Temporal Integration of Serum Proteomics, Metabolomics and MRI Tumor Volumetrics via Deep Learning Identifies Systemic Mediators of Glioblastoma Response to Chemoradiotherapy
2026-Mar-18, Research square
DOI:10.21203/rs.3.rs-9085743/v1
PMID:41890862
|
研究论文 | 通过深度学习整合血清蛋白质组学、代谢组学与MRI肿瘤体积学，识别胶质母细胞瘤对放化疗反应的全身介质 | 首次将AI分割的MRI体积变化与血清蛋白质组和代谢组表达相结合，并集成多模态数据以识别与生存相关的患者分组和分子通路 | 样本量较小（55例），来自单一机构，缺乏独立验证队列 | 评估患者血清中差异蛋白质组和代谢组表达与AI分割的MRI体积变化之间的关联，以整合临床、分子和影像数据与患者预后 | 55例临床注释的胶质母细胞瘤患者及其放化疗前后的血清样本和MRI扫描 | 机器学习, 数字病理学 | 胶质母细胞瘤 | SomaScan®蛋白质组学平台, SECIM代谢组学分析, AI分割技术 | 深度学习模型（用于MRI分割） | 血清蛋白质组学数据, 代谢组学数据, MRI影像数据 | 55例胶质母细胞瘤患者的血清样本（放化疗前后）及MRI影像 | NA | NA | p值, 相关性分析 | NA |
| 157 | 2026-06-09 |
Establishing an Evidence-based Modern Breast MRI Program
2026-Mar-03, Journal of breast imaging
IF:2.0Q3
DOI:10.1093/jbi/wbaf082
PMID:41671073
|
综述 | 探讨现代乳腺MRI项目的循证建立方法，涵盖技术进步、方案优化及未来趋势 | 系统整合了动态增强MRI、弥散加权成像、超快速DCE-MRI和深度学习模型等先进技术，并针对方案标准化与操作效率提出优化策略 | 未提供具体的临床验证数据或定量比较分析 | 为乳腺影像中心提供现代乳腺MRI方案的关键要素、优化策略和未来技术方向 | 乳腺MRI影像方案及临床应用 | 数字病理学 | 乳腺疾病（恶性肿瘤） | MRI | 深度学习模型 | 影像 | NA | NA | NA | NA | NA |
| 158 | 2026-06-09 |
Deep Temporal Sequence Classification and Mathematical Modeling for Cell Tracking in Dense 3D Microscopy Videos of Bacterial Biofilms
2026 Mar-Apr, IEEE transactions on computational biology and bioinformatics
DOI:10.1109/TCBBIO.2026.3663936
PMID:41671139
|
研究论文 | 提出名为DenseTrack的细胞追踪算法，结合深度学习与数学模型，用于密集3D显微镜视频中的细胞追踪 | 将细胞追踪问题转化为基于深度学习的时序序列分类任务，并利用分类器置信度解决约束一對一匹配优化问题；提出基于特征分解的细胞分裂检测策略 | NA | 解决密集环境中自动细胞追踪中的对应不准确和亲子关系误识别问题 | 细菌生物膜中的密集细胞 | 计算机视觉 | NA | 荧光显微镜成像 | 深度学习时序分类模型 | 3D时序图像 | 模拟及实验荧光图像序列 | PyTorch | NA | 定性评估, 定量评估 | NA |
| 159 | 2026-06-09 |
Identification of high-risk genes and classification of acute myocardial infarction patients utilizing deep learning in a restricted cohort
2026-Mar, Computers in biology and medicine
IF:7.0Q1
DOI:10.1016/j.compbiomed.2026.111549
PMID:41671720
|
研究论文 | 利用深度学习结合差异表达分析在有限队列中识别急性心肌梗死高风险基因并进行分类 | 将深度学习与差异表达分析（DEA）等基因聚焦方法相结合，显著提升分类性能，并实现基因排名和生物标志物识别 | 基于两个基因表达数据集（GSE36961和GSE57345），可能受限于队列规模和数据集多样性 | 提高急性心肌梗死患者基因表达数据分类的准确性和生物相关性 | 急性心肌梗死患者的高风险基因表达数据 | 机器学习 | 心血管疾病 | 基因表达分析 | 深度学习与机器学习分类器（如DL, ML） | 基因表达数据集（GSE36961和GSE57345） | 两个公开数据集（GSE36961和GSE57345） | NA | NA | 准确率、配对t检验、Mann-Whitney U检验、Wilcoxon符号秩检验 | NA |
| 160 | 2026-06-09 |
AI for smart wastewater treatment plants: A review of physics-informed water quality modeling, optimization, and advanced control
2026-Mar-01, Journal of environmental management
IF:8.0Q1
DOI:10.1016/j.jenvman.2026.128949
PMID:41671993
|
综述 | 综述了人工智能在智能污水处理厂中用于水质预测、工艺优化和先进控制的研究进展 | 重点介绍了物理信息融合建模方法，将活性污泥模型和过程约束嵌入神经网络，并讨论了其与实时优化和控制框架的耦合方式 | 当前应用面临可解释性有限、跨厂区迁移能力弱、对运行条件变化的鲁棒性差等问题 | 总结AI在污水处理厂智能化转型中的应用，并指出未来研究方向 | 污水处理厂中的出水质量、能源消耗和碳排放 | 机器学习 | NA | NA | 神经网络、机器学习、深度学习 | 时间序列数据（污水处理过程数据） | NA | NA | 神经网络、活性污泥模型 | 预测精度、能耗、碳排放等指标 | NA |