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 42905 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 | 2026-04-04 |
Expression of Concern on “A deep learning algorithm-based visual strategy intervention study for children with autism spectrum disorders - extraction and detection of children's behavioral features"
2026-03, European review for medical and pharmacological sciences
DOI:10.26355/eurrev_202603_37714
PMID:41925352
|
声明 | 期刊编辑与出版商针对一篇已发表论文中参考文献的相关性问题发布关切声明 | NA | 作者未对参考文献相关性质疑作出回应，问题尚未解决 | NA | NA | NA | 自闭症谱系障碍 | NA | 深度学习算法 | NA | NA | NA | NA | NA | NA |
| 142 | 2026-04-04 |
Side- and patient-based performance of a deep learning system based on the results of individual detection of carotid artery calcifications on panoramic radiographs
2026-Mar, Imaging science in dentistry
IF:1.7Q3
DOI:10.5624/isd.20250232
PMID:41928842
|
研究论文 | 本研究开发了两种用于全景X光片上颈动脉钙化诊断的深度学习系统，并比较了它们在钙化点、单侧和患者层面的诊断性能 | 开发了两种具有不同检测范围的深度学习系统（全图检测与双侧颈部区域限制检测），并首次系统比较了钙化点层面、单侧层面和患者层面三种评估方式的诊断性能 | 研究中观察到相对较多的假阳性病例 | 开发用于全景X光片上颈动脉钙化自动诊断的深度学习系统，并评估其在不同评估层面的性能 | 全景X光片图像 | 数字病理学 | 心血管疾病 | 全景X光摄影 | 深度学习检测模型 | 医学图像（X光片） | 580名患者（290名有颈动脉钙化，290名无钙化对照） | NA | NA | 召回率, 精确率, F1分数, 灵敏度, 特异性, 阳性预测值, 阴性预测值, 准确率, AUC | NA |
| 143 | 2026-04-04 |
YOLOv8m-segmentation for detecting cervical burnout and caries in bitewing radiographs: A deep learning approach
2026-Mar, Imaging science in dentistry
IF:1.7Q3
DOI:10.5624/isd.20250194
PMID:41928845
|
研究论文 | 本研究评估了YOLOv8m-seg模型在咬翼X光片上检测和描绘邻面龋及牙颈部烧灼伤的性能，并探讨了增加训练轮次对分割精度和一致性的影响 | 首次将YOLOv8m-seg模型应用于牙科X光片中同时检测龋齿和牙颈部烧灼伤，并系统研究了训练轮次对分割性能的影响 | 模型在非增强验证子集上的性能有所下降，未来需要在更广泛人群和多样化临床环境中评估模型的泛化能力 | 开发一种基于深度学习的自动检测方法，用于在咬翼X光片上区分邻面龋和牙颈部烧灼伤 | 咬翼X光片中的邻面龋和牙颈部烧灼伤病变 | 计算机视觉 | 牙科疾病 | 深度学习，图像分割 | YOLO | X光图像 | 1,410张咬翼X光片（1,128张训练，282张验证） | Ultralytics | YOLOv8m-seg | 精确率，召回率，mAP0.5，mAP0.5-0.95 | NA |
| 144 | 2026-04-04 |
scDBic: a novel deep learning-based biclustering algorithm for analyzing scRNA-seq data
2026-Feb-28, Bioinformatics (Oxford, England)
DOI:10.1093/bioinformatics/btag095
PMID:41746287
|
研究论文 | 本文提出了一种基于深度学习的新型双聚类算法scDBic，用于分析单细胞RNA测序数据，以改善细胞聚类性能并识别关键基因 | 结合深度自编码器捕获基因表达主要信息，并采用反向策略识别细胞群的关键基因，从而提升聚类性能 | 未明确提及算法在高维数据中的计算效率或对大规模数据集的扩展性限制 | 开发一种专门针对scRNA-seq数据的双聚类算法，以更好地捕获细胞异质性并识别关键基因 | 单细胞RNA测序数据 | 机器学习 | NA | 单细胞RNA测序 | 自编码器 | 基因表达数据 | NA | NA | 深度自编码器 | NA | NA |
| 145 | 2026-03-02 |
Explainable deep learning and radiomics integration for differentiating insulinomas from NF-PNETs in EUS imaging
2026-Feb-28, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-026-03388-2
PMID:41764459
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 146 | 2026-04-04 |
Multicenter clinicopathological study of odontogenic myxoma spectrum lesions using quantitative pathology
2026-Feb-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-42019-8
PMID:41760729
|
研究论文 | 本研究利用AI辅助数字病理学定量评估牙源性粘液瘤谱系病变的纤维组织比例，并探讨其临床病理相关性 | 首次在多中心研究中应用AI辅助数字病理学定量分析牙源性粘液瘤谱系病变的纤维组织比例，揭示了诊断的机构间变异性 | 样本量相对有限（100例），且仅基于Masson三色染色切片，可能未涵盖所有病理特征 | 定量评估牙源性粘液瘤谱系病变的纤维组织比例，并探索其临床病理意义 | 牙源性粘液瘤（OM）和牙源性粘液纤维瘤（OMF）的手术标本 | 数字病理学 | 牙源性肿瘤 | AI辅助数字病理学，Masson三色染色 | 深度学习 | 全切片图像 | 来自34家机构的143个手术标本，经集中病理审查后纳入100例 | NA | 多阶段深度学习流程 | 专家评估与定量测量的一致性 | 统一的数字病理学平台 |
| 147 | 2026-04-04 |
IntelliScheduler: an edge-cloud computing environment hybrid deep learning framework for task scheduling based on learning
2026-Feb-27, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-41330-8
PMID:41760833
|
研究论文 | 本文提出了一种名为IntelliScheduler的混合深度强化学习框架，用于边缘-云计算环境中的自适应任务调度 | 提出了一种结合运行时感知状态表示与基于学习的决策机制的混合行动者-评论家深度强化学习框架，并开发了基于学习的最优任务调度算法以最小化总任务执行延迟 | 当前评估基于仿真实验，尚未在实际动态边缘-云调度场景中进行验证 | 解决边缘-云计算环境中异构截止时间和变化工作负载下的任务调度问题，以提高服务等级协议合规性和服务质量 | 边缘-云计算环境中的任务调度 | 机器学习 | NA | 深度强化学习 | 混合行动者-评论家深度强化学习框架 | 仿真数据 | 在不同工作负载下进行的广泛仿真实验 | NA | 混合行动者-评论家架构，多缓冲区经验回放架构 | 归一化奖励，训练损失，运营成本，拒绝率，体验质量 | NA |
| 148 | 2026-04-04 |
Graph-based transformer to predict the octanol-water partition coefficient
2026-Feb-27, Journal of cheminformatics
IF:7.1Q1
DOI:10.1186/s13321-026-01160-2
PMID:41761278
|
研究论文 | 本文提出了一种基于微调预训练GraphormerMapper模型的logP预测方法，名为GraphormerLogP，用于准确预测药物分子的亲脂性 | 首次将预训练的GraphormerMapper模型应用于logP预测，并构建了一个包含42,006个独特SMILES-logP对的大型多样化数据集GLP | 未明确提及模型在特定分子类型或复杂结构上的泛化能力限制 | 开发一种高精度的logP预测方法以支持药物发现与开发 | 药物分子的亲脂性（logP值） | 机器学习 | NA | 图基深度学习 | Transformer | 分子图（SMILES表示） | 总计55,694个分子（GLP数据集42,006个，基准数据集13,688个） | PyTorch | GraphormerMapper | 平均绝对误差 | NA |
| 149 | 2026-02-28 |
Clinically interpretable deep learning for pediatric dental age estimation with explainable AI
2026-Feb-26, BMC oral health
IF:2.6Q1
DOI:10.1186/s12903-026-07961-z
PMID:41742153
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 150 | 2026-02-28 |
HSICNet a novel deep learning architecture for hyperspectral image classification in remote sensing and environmental monitoring
2026-Feb-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-40509-3
PMID:41748692
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 151 | 2026-04-04 |
Estimation of liquefaction-induced settlement of shallow foundation by machine learning with imbalanced data
2026-Feb-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-41969-3
PMID:41748689
|
研究论文 | 本研究通过机器学习和深度学习模型，对液化引起的浅基础建筑沉降进行分类预测，并处理了数据不平衡问题 | 采用SHAP特征选择方法识别关键预测因子，结合动态阈值调整和加权投票集成学习，提高了分类可靠性和模型可解释性 | NA | 评估地震引起的液化沉降，以支持地震风险评估和土壤改良策略设计 | 浅基础建筑在液化土壤中的沉降案例 | 机器学习 | NA | NA | 机器学习, 深度学习 | 结构化数据（建筑特征、岩土参数、地震强度指标） | 系统整理的案例研究数据库 | NA | NA | NA | NA |
| 152 | 2026-02-28 |
A hybrid model for image forgery detection using deep learning with block and keypoint methods
2026-Feb-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-41473-8
PMID:41748712
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 153 | 2026-04-04 |
A joint CNN-Bi-LSTM-transformer architecture with SHAP explanations for multi-label arrhythmia detection from 12-lead ECGs
2026-Feb-26, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-40925-5
PMID:41748772
|
研究论文 | 本文提出了一种结合CNN、Bi-LSTM和Transformer层的深度学习架构，用于从12导联心电图中进行多标签心律失常检测，并集成了SHAP解释以提高临床可解释性 | 提出了一种新颖的联合CNN-Bi-LSTM-Transformer架构，能够同时提取心电信号的形态学、时间序列和空间模式，并整合SHAP解释实现病例级别的可解释性 | 当前模型在复杂性、数据多样性和验证方面存在限制 | 开发一种可解释的自动化人工智能解决方案，用于12导联心电图心律失常的准确分类 | 12导联心电图信号 | 机器学习 | 心血管疾病 | 深度学习 | CNN, Bi-LSTM, Transformer | 心电图信号 | 超过43,000个多标签心电图记录，涵盖27种心律失常类别 | NA | CNN, Bi-LSTM, Transformer | 准确率, 宏F1分数, AUC | NA |
| 154 | 2026-04-04 |
BiToxNet: a deep learning framework integrating multimodal features for accurate identification of neurotoxic peptides and proteins
2026-Feb-26, BMC biology
IF:4.4Q1
DOI:10.1186/s12915-026-02508-8
PMID:41749211
|
研究论文 | 本研究提出了一种名为BiToxNet的深度学习框架，通过整合来自蛋白质大语言模型的进化嵌入和十种手工生化描述符，利用双线性注意力网络实现多模态特征融合，用于准确识别神经毒性肽和蛋白质 | BiToxNet通过双线性注意力网络（BAN）有效整合进化嵌入和手工生化特征，实现了跨模态交互和残基级依赖性的建模，显著提升了神经毒性预测的准确性和泛化能力 | 未明确提及具体局限性，但现有计算方法通常受限于浅层特征工程和多模态融合策略的不足 | 开发一个准确预测肽和蛋白质神经毒性的计算框架，以支持蛋白质治疗药物的安全性评估和蛋白质药物开发 | 神经毒性肽和蛋白质 | 自然语言处理 | NA | 蛋白质大语言模型 | 深度学习 | 序列数据 | 三个不同序列长度的数据集：蛋白质数据集、肽数据集和组合数据集，以及一个外部不平衡数据集 | NA | 双线性注意力网络（BAN） | 准确率 | NA |
| 155 | 2026-04-04 |
Decoding cardiovascular risk in Chinese middle-aged and elderly adults: a 9-year prospective study integrating machine learning with explainable AI based on CHARLS cohort
2026-Feb-26, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-026-03389-1
PMID:41749231
|
研究论文 | 本研究基于中国健康与养老追踪调查队列数据，结合机器学习与可解释人工智能技术，开发并验证了一个针对中国中老年人群的心血管疾病长期风险预测模型 | 首次将可解释人工智能技术（SHAP）与机器学习算法（梯度提升机）相结合，针对中国中老年人群开发心血管疾病风险预测模型，实现了预测准确性与临床可解释性的平衡 | 模型重要性分析反映的是统计贡献而非因果关系，且需要独立队列的外部验证才能确立普适性 | 开发并验证一个针对中国中老年人群的心血管疾病长期风险预测模型 | 中国中老年人群（年龄≥45岁） | 机器学习 | 心血管疾病 | 队列研究，机器学习 | 梯度提升机，以及包含线性、非线性、集成学习和深度学习在内的12种算法 | 纵向队列数据 | 8080名参与者完成9年随访，其中训练队列5699人 | 未明确说明 | 未明确说明 | AUC，特异性，阳性预测值，敏感性 | NA |
| 156 | 2026-04-04 |
Breaking through safety performance stagnation in autonomous vehicles with dense learning
2026-Feb-25, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-69761-x
PMID:41741461
|
研究论文 | 本文提出了一种创新的密集学习方法，通过同时关注信息性失败和成功样本，解决了自动驾驶车辆安全性能停滞的问题 | 引入密集学习方法，根据样本对策略梯度和暴露频率的贡献比例采样数据，排除非信息性样本，从而降低学习方差并提升整体安全性能 | 未明确讨论该方法在其他自动驾驶场景或不同车辆平台上的泛化能力 | 突破自动驾驶车辆安全性能停滞，实现人类水平的安全性能并推动其广泛应用 | 高度自动化车辆的安全关键驾驶代理 | 机器学习 | NA | 混合现实 | 深度学习 | 驾驶场景数据 | NA | NA | NA | 安全性能提升幅度 | NA |
| 157 | 2026-04-04 |
Integration of fairness-awareness into clinical language processing models
2026-Feb-24, Communications medicine
IF:5.4Q1
DOI:10.1038/s43856-026-01433-9
PMID:41731014
|
研究论文 | 本研究评估了从临床文本预测种族时模型的性能和公平性，并探讨了将公平性意识整合到临床语言处理模型中的方法 | 提出了一种两阶段主动学习框架来指导注释，并应用公平性感知损失函数以减轻不同种族群体间的差异，同时比较了多种深度学习模型在公平性优化下的表现 | 公平性干预措施高度依赖于模型类型，某些模型在应用公平性约束后性能下降或倾向于多数预测，且种族、性别和年龄间的持续差异表明算法偏见反映了上游文档记录的不平等 | 评估临床人工智能系统在预测种族时的模型性能和公平性，以促进其在多样化患者群体中的公平部署 | 临床文本数据，特别是来自初级保健数据库的电子健康记录 | 自然语言处理 | NA | 深度学习，主动学习 | transformer-based deep learning models, hierarchical convolutional neural network | 文本 | NA | NA | transformer, hierarchical convolutional neural network | macro F1, accuracy, performance equity | NA |
| 158 | 2026-02-26 |
Deep learning models for pulmonary embolism segmentation on dual-energy CT: performance analysis and image quality correlation
2026-Feb-24, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-026-02221-6
PMID:41735881
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 159 | 2026-04-04 |
Universal framework for efficient estimation of stability in multi-principal element alloys
2026-Feb-23, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-69585-9
PMID:41730879
|
研究论文 | 本文提出了一种通用框架，用于高效预测多主元合金的稳定性 | 通过物理模型将多主元合金的总能量表示为低维子系统能量的线性组合，实现了在广泛成分和结构空间中的可合成性预测，其准确性可与最先进的深度学习模型相媲美，同时保持了通过团簇展开理论的可解释性 | NA | 预测多主元合金在全球化学空间中的合成可及性 | 多主元合金 | 机器学习 | NA | 密度泛函理论 | 物理模型 | 计算数据集 | 135,791个多主元合金，涵盖28种金属和最多十个组分 | NA | NA | 平均绝对误差 | NA |
| 160 | 2026-04-04 |
Normative growth trajectories of fetal brain regions validated by satisfactory maturation of neurodevelopmental domains at 2 years of age
2026-Feb-23, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-69657-w
PMID:41730874
|
研究论文 | 本研究利用深度学习分析胎儿大脑超声扫描数据，建立了与2岁时神经发育评分相关的16个大脑结构的标准化生长轨迹 | 首次通过深度学习量化了胎儿大脑16个结构的生长轨迹，提出了反映大脑区域异步成熟的rILV/rPLV比值，并创建了量化生物年龄与时间年龄偏差的胎儿大脑成熟指数 | 研究仅覆盖18-27孕周的胎儿数据，未包含更早期或更晚期的发育阶段 | 建立与正常神经发育结果相关的胎儿大脑区域标准化生长参考轨迹 | 4205例18-27孕周的健康胎儿大脑超声扫描数据 | 医学影像分析 | NA | 3D超声成像 | 深度学习 | 3D超声图像 | 4205例胎儿大脑扫描（来自多国健康队列） | NA | NA | 方差解释百分比 | NA |