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 43005 篇文献，本页显示第 1581 - 1600 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1581 | 2026-03-18 |
Deep learning-based physiological risk stratification in night-shift hospital workers
2026-Mar-16, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-43982-y
PMID:41839952
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1582 | 2026-03-18 |
Deep learning enhanced prediction framework for bio oil yield from organic solid waste with chemically informed features
2026-Mar-16, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-43604-7
PMID:41839987
|
研究论文 | 本研究开发了一个基于深度学习的预测框架，用于预测有机固体废物热解产生的生物油产率 | 提出了一种化学引导的特征工程策略，结合了元素比率、灰分校正挥发性和能量密度指数，并使用VIF驱动的特征选择来减少多重共线性，同时保持机理相关性 | NA | 提高有机固体废物热解生物油产率的预测准确性，以指导实验设计、生物质筛选和工艺优化 | 来自不同生物质来源和热解条件的245个样本 | 机器学习 | NA | 热解 | 深度学习，回归模型 | 化学和热化学特征数据 | 245个样本 | NA | 深度神经网络 | R², RMSE | NA |
| 1583 | 2026-03-18 |
The first reported case using real-time artificial intelligence with single-port robotics for colorectal surgery
2026-Mar-16, Surgical endoscopy
DOI:10.1007/s00464-026-12688-7
PMID:41840080
|
研究论文 | 本文报告了首例将实时人工智能与单孔机器人平台结合用于结直肠手术的案例 | 首次成功将基于计算机视觉和深度学习的人工智能软件与单孔机器人平台集成，用于结直肠手术，提供实时视觉提示 | 仅基于单例患者报告，样本量小，缺乏大规模验证 | 探索人工智能与单孔机器人平台在结直肠手术中的集成应用，以提高手术安全性和效率 | 接受回肠造口逆转手术的患者 | 计算机视觉 | 结直肠疾病 | 深度学习软件 | 深度学习模型 | 手术视频图像 | 1例患者 | NA | NA | 准确识别，精确识别 | NA |
| 1584 | 2026-03-18 |
R3MV: a novel reliable system architecture for skin cancer classification using progressive heterogeneous multiblock model
2026-Mar-16, Scientific reports
IF:3.8Q1
DOI:10.1038/s41598-026-40522-6
PMID:41840099
|
研究论文 | 本文提出了一种名为R3MV的新型可靠系统架构，用于皮肤癌分类，该系统采用渐进式异构多块模型 | 提出了一种独特的CNN模型PHMBCNN，采用渐进学习策略；设计了R3MV三层决策融合系统，整合了单个CNN模型预测、特征融合分类架构和基于CNN模型输出训练的元分类器，并通过多数投票程序提高决策可靠性 | 未明确说明模型在更广泛临床场景中的泛化能力或计算效率 | 提高皮肤病变图像分类的准确性和可靠性 | 皮肤癌图像 | 计算机视觉 | 皮肤癌 | 深度学习 | CNN, GRU | 图像 | 两个数据集：PAD_UFES_20和HAM10000 | NA | PHMBCNN, PHMBCNN-GRU | 准确率 | NA |
| 1585 | 2026-03-18 |
Out-of-Distribution Detection in Medical Image Segmentation with β -VAE and Likelihood Regret
2026-Mar-16, Journal of imaging informatics in medicine
DOI:10.1007/s10278-026-01907-1
PMID:41840137
|
研究论文 | 本文提出了一种结合β-VAE和似然后悔的新方法，用于医学图像分割中的分布外检测，能同时识别图像样本和分割掩码的分布外情况 | 首次同时检测图像样本和分割掩码的分布外情况，引入似然后悔计算OOD分数以提高分布拟合评估的准确性 | 未明确说明具体数据集规模或计算资源细节，可能限制方法在更大规模或不同医疗场景下的泛化能力评估 | 解决医学图像分割中分布外数据的检测问题，提高模型在真实医疗应用中的鲁棒性 | 3D医学图像及其分割掩码 | 计算机视觉 | NA | 深度学习 | VAE, U-Net | 3D医学图像 | NA | NA | β-VAE, U-Net | OOD检测性能（未指定具体指标） | NA |
| 1586 | 2026-03-18 |
Robust Histopathology Subtyping via Perturbation Fidelity in Deep Classifier
2026-Mar-16, Journal of imaging informatics in medicine
DOI:10.1007/s10278-026-01875-6
PMID:41840135
|
研究论文 | 本文提出了一种基于扰动保真度的深度分类器框架，用于提高浸润性肺腺癌亚型分型的鲁棒性 | 提出了边缘一致性框架和扰动保真度评分方法，通过贝叶斯优化参数施加结构化扰动，解决了对比正则化导致的特征过度聚类问题 | 跨机构验证时存在约15-20%的性能下降，表明存在领域偏移问题，未来需要领域自适应研究 | 提高深度学习模型对浸润性肺腺癌亚型分型在真实世界成像扰动下的鲁棒性 | 浸润性肺腺癌的五个亚型 | 数字病理学 | 肺癌 | 全切片图像分析 | 深度学习分类器 | 图像 | 143张全切片图像，共203,226个图像块 | NA | Vision Transformer-Large, ResNet101, ResNet50 | 准确率, 受试者工作特征曲线下面积, Kendall相关系数 | NA |
| 1587 | 2026-03-18 |
Deep learning-based non-invasive prediction of axillary lymph node metastasis in breast cancer: performance of the YOLO-v11 object detection algorithm
2026-Mar-16, BMC medical imaging
IF:2.9Q2
DOI:10.1186/s12880-026-02289-0
PMID:41840500
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1588 | 2026-03-18 |
Explainable tabular deep learning models for antenatal cesarean delivery prediction in multiparous women
2026-Mar-16, BMC pregnancy and childbirth
IF:2.8Q1
DOI:10.1186/s12884-026-08934-4
PMID:41840520
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1589 | 2026-03-18 |
Integrating phenotypic information of obstructive sleep apnea and deep representation of sleep-event sequences for cardiovascular risk prediction
2026-Mar-16, BMC medical informatics and decision making
IF:3.3Q2
DOI:10.1186/s12911-026-03439-8
PMID:41840572
|
研究论文 | 本研究提出了一种结合阻塞性睡眠呼吸暂停表型信息和睡眠事件序列深度表示的深度学习模型，用于预测心血管不良结局 | 提出了一种新颖的表型对比深度学习模型，首次整合了OSA表型信息和夜间睡眠事件序列的深度表示，以提升心血管风险预测的准确性 | 研究基于MESA数据集，样本年龄范围较窄（54-94岁），且无心血管疾病史，可能限制了结果的普适性 | 探索有效整合OSA表型信息和夜间生理信息以精确预测心血管不良结局的策略，并识别普通人群和OSA人群中最显著的风险特征 | 来自MESA数据集的1,874名无心血管疾病史的参与者，年龄在54至94岁之间 | 机器学习 | 心血管疾病 | 多导睡眠图（PSG）特征分析，K-means聚类 | 深度学习模型 | 生理信号序列数据（睡眠事件特征序列） | 1,874名参与者 | NA | Contrast_pheno_DL | AUROC, AUPRC | NA |
| 1590 | 2026-03-18 |
TLScope: a deep learning framework for quantifying tertiary lymphoid structures from H&E images reveals prognostic heterogeneity across breast cancer subtypes
2026-Mar-16, Breast cancer research : BCR
IF:6.1Q1
DOI:10.1186/s13058-026-02241-8
PMID:41840700
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1591 | 2026-03-18 |
scCAPReSE: detection of large-scale genomic rearrangements from single-cell Hi-C based on few-shot learning
2026-Mar-16, Genomics & informatics
DOI:10.1186/s44342-026-00069-4
PMID:41840705
|
研究论文 | 本文介绍了一种基于少样本学习的框架scCAPReSE，用于从单细胞Hi-C数据中检测大规模基因组重排 | 利用预训练图像基础模型CLIP的表示，通过少样本学习实现单细胞Hi-C数据中结构变异模式的鲁棒分类，解决了训练数据有限的问题 | 训练数据主要来源于单一癌细胞系，可能限制了模型在其他细胞类型或癌症中的泛化能力 | 开发一种数据高效的方法，以单细胞分辨率检测癌症中由结构变异驱动的三维基因组重组 | 单细胞Hi-C数据，特别是来自K562慢性髓系白血病细胞系的scNanoHi-C数据 | 机器学习 | 慢性髓系白血病 | 单细胞Hi-C技术，包括sci-Hi-C和scNanoHi-C | 深度学习分类器 | 图像表示（来自Hi-C数据的染色质接触模式） | 仅使用数百个来自单一癌细胞系的大规模结构变异示例 | PyTorch（基于CLIP模型推断） | CLIP（作为基础模型） | 分类准确率 | NA |
| 1592 | 2026-03-18 |
Multimodal machine learning for Cr(Ⅵ) removal and floc settling using image-based floc features and operating parameters
2026-Mar-15, Journal of environmental management
IF:8.0Q1
DOI:10.1016/j.jenvman.2026.129024
PMID:41719855
|
研究论文 | 本文开发了一种新颖的多模态机器学习框架，通过整合基于图像的絮体特征和操作参数，来预测电絮凝过程中Cr(Ⅵ)的去除效率和絮体沉降性能 | 首次提出结合基于深度学习的絮体图像特征提取（使用ResNet50）与操作参数的多模态机器学习框架，用于优化电絮凝过程，显著提高了预测准确性 | 研究可能受限于特定实验条件（如pH变化、电解质浓度、搅拌速率）下的数据集，未明确提及模型在其他废水类型或更广泛操作条件下的泛化能力 | 优化电絮凝技术，提高Cr(Ⅵ)去除效率和絮体沉降性能，以应对废水处理中多变的操作条件 | 废水中的Cr(Ⅵ)污染物及电絮凝过程中形成的絮体 | 机器学习 | NA | 电絮凝，深度学习图像特征提取 | ResNet50, 支持向量分类, 支持向量回归, Bagging分类器, Extra Tree | 图像, 操作参数 | NA | NA | ResNet50 | R值（相关系数） | NA |
| 1593 | 2026-03-18 |
Advances in transfer learning for smart wastewater treatment plants: Learning frameworks and emerging pathways
2026-Mar-15, Journal of environmental management
IF:8.0Q1
DOI:10.1016/j.jenvman.2026.129078
PMID:41740504
|
综述 | 本文综述了迁移学习在智能污水处理厂中的应用框架、挑战及未来研究方向 | 首次对迁移学习在污水处理厂领域的应用进行全面综述，填补了现有文献的空白 | NA | 为基于迁移学习的智能污水处理厂策略的开发与实施提供信息 | 污水处理厂 | 机器学习 | NA | 迁移学习 | NA | 水质参数、传感器数据、过程数据 | NA | NA | NA | 预测精度 | NA |
| 1594 | 2026-03-18 |
EPInformer: scalable and integrative prediction of gene expression from promoter-enhancer sequences with multimodal epigenomic profiles
2026-Mar-14, Nature communications
IF:14.7Q1
DOI:10.1038/s41467-026-70535-8
PMID:41832145
|
研究论文 | 本文提出EPInformer，一种可扩展的深度学习框架，通过整合启动子-增强子相互作用及其序列、表观基因组图谱和染色质接触来预测基因表达 | EPInformer整合了启动子-增强子相互作用、序列、表观基因组图谱和染色质接触，优于现有基因表达预测模型，并能在跨染色体验证中准确重现增强子-基因相互作用 | 现有深度学习方法可能难以捕捉远端元件（如增强子）的调控效应，且训练或适应新数据可能需要大量资源 | 预测基因表达，理解顺式调控元件在基因表达中的动态 | 基因表达、启动子-增强子序列、表观基因组图谱、染色质接触 | 机器学习 | NA | 深度学习、表观基因组分析 | 深度学习框架 | DNA序列、表观基因组图谱、染色质接触数据 | NA | NA | EPInformer | 预测准确性、跨染色体验证 | NA |
| 1595 | 2026-03-18 |
Accelerated discovery of cell migration regulators using label-free deep learning-based automated tracking
2026-Mar-13, Science advances
IF:11.7Q1
DOI:10.1126/sciadv.aea1492
PMID:41811952
|
研究论文 | 本文介绍了一种名为DeepBIT的无标记深度学习平台，用于高通量自动追踪细胞迁移，以系统研究其调控机制 | 开发了基于卷积神经网络的无标记亮场成像与细胞追踪平台，无需荧光标记或人工注释，实现了大规模单细胞迁移分析 | 未明确提及平台在复杂三维微环境或体内模型中的适用性限制 | 系统解析细胞迁移的调控机制，并探索其在药物发现和基因组扰动中的应用 | 乳腺癌细胞 | 计算机视觉 | 乳腺癌 | 亮场成像，荧光成像，CRISPR敲除 | CNN | 视频 | 约1500个细胞每孔，共840种条件，产生约130万条轨迹 | NA | NA | NA | NA |
| 1596 | 2026-03-18 |
De novo design of Ras isoform selective binders
2026-Mar-11, Cell chemical biology
IF:6.6Q1
DOI:10.1016/j.chembiol.2026.02.008
PMID:41819089
|
研究论文 | 本文利用深度学习技术从头设计了针对所有主要Ras亚型的特异性结合剂，以靶向Ras的C末端 | 首次通过深度学习从头设计出能够特异性结合Ras亚型的分子，克服了传统方法因序列差异有限而难以实现亚型选择性的挑战 | NA | 开发能够特异性结合不同Ras亚型的分子工具，以研究Ras生物学和疾病机制，并探索潜在的治疗应用 | Ras原癌基因编码的四种主要亚型 | 机器学习 | 癌症 | 深度学习 | NA | NA | NA | NA | NA | NA | NA |
| 1597 | 2026-03-18 |
Community medical centers struggle to produce well-calibrated clinical prediction models: Data augmentation can help
2026-Mar-11, Journal of biomedical informatics
IF:4.0Q2
DOI:10.1016/j.jbi.2026.105012
PMID:41825516
|
研究论文 | 本文探讨了社区医疗中心在本地化临床预测模型时面临的样本量不足问题，并通过模拟研究评估了合成数据生成技术在数据增强和模型校准中的应用效果 | 首次系统评估了社区医疗中心在缺乏足够本地数据时模型校准的挑战，并验证了基于深度学习的合成数据生成技术作为数据增强手段的有效性 | 研究主要基于模拟数据和特定临床预测任务（如30天非计划再入院），结果可能受数据集和任务类型限制，未全面考虑所有医疗场景 | 评估社区医疗中心本地化机器学习模型的能力，并探索合成数据生成技术如何帮助解决本地数据量不足的问题 | 真实医院网络（包括两家农村医院和一家城市学术医疗中心）的数据，以及多中心ICU数据集 | 机器学习 | NA | 合成数据生成 | 深度学习 | 临床数据 | 城市医疗中心：42,303例；农村站点1：3,187例；农村站点2：905例；多中心ICU数据集未指定具体样本量 | NA | NA | 校准性能（通过α和β参数衡量） | NA |
| 1598 | 2026-03-18 |
Computational redesign of a thermostable T7 RNA polymerase
2026-Mar-10, Protein engineering, design & selection : PEDS
DOI:10.1093/protein/gzag008
PMID:41804789
|
研究论文 | 本研究通过结构计算设计开发了一种高稳定性的T7 RNA聚合酶变体T7T+，其热稳定性显著提升 | 结合PROSS识别的新突变与现有稳定变体突变，通过数据驱动启发式过滤，成功设计出具有更高热稳定性的T7 RNA聚合酶，且开源可用 | 未提及深度学习方法的比较或应用，可能限制了突变设计的进一步优化 | 提高T7 RNA聚合酶的热稳定性以扩展其生物技术应用 | T7 RNA聚合酶及其计算设计的变体 | 计算生物学 | NA | 结构计算设计、PROSS、圆二色光谱、热挑战实验 | NA | 蛋白质结构数据、突变数据 | 18个测试的蛋白质设计变体 | NA | NA | 功能稳定性（T50）、表观熔解温度、活性保留百分比 | NA |
| 1599 | 2026-03-18 |
DGSite: A Well-Calibrated Deep Learning Framework for Protein-RNA Binding Site Prediction
2026-Mar-10, ACS omega
IF:3.7Q2
DOI:10.1021/acsomega.5c12723
PMID:41835510
|
研究论文 | 本文提出了一种名为DGSite的深度学习框架，用于预测蛋白质-RNA结合位点，通过结合变形注意力Transformer和图注意力网络来整合全局与局部特征，并引入自适应偏置损失以解决类别不平衡和模型校准问题 | 开发了DGSite框架，首次结合简化变形注意力Transformer和图注意力网络来捕获长程依赖和多尺度局部特征，并基于最优传输理论提出自适应偏置损失（ABL）及混合损失函数ABL+FL，以优化精度、召回率和预测校准 | NA | 解决蛋白质-RNA结合位点预测中全局与局部特征整合不足、类别不平衡影响精度-召回率以及预测校准不佳的挑战 | 蛋白质-RNA相互作用 | 机器学习 | NA | 深度学习 | Transformer, GAT | 蛋白质-RNA结合位点数据 | 训练集Train-1086和测试集Test-107 | PyTorch | 简化变形注意力Transformer, 图注意力网络 | 精度, 召回率, 校准指标 | NA |
| 1600 | 2026-03-18 |
A Machine Learning Quest to Design Molecular Graph Fingerprints of Organic Chromophores for Adjusting Photoluminescent Quantum Yields
2026-Mar-10, ACS omega
IF:3.7Q2
DOI:10.1021/acsomega.5c08921
PMID:41835603
|
研究论文 | 本文提出了一种基于分子指纹的深度学习流程，用于发现具有目标光致发光量子产率的有机发色团 | 开发了结合分子指纹与机器学习（支持向量机和梯度提升回归器）的流程，用于高效预测和设计有机发色团的光学性能，并利用逆合成分析设计了5200个新发色团 | 模型预测性能的R²值在0.68至0.88之间，仍有提升空间；研究基于713个已知发色团的数据集，化学空间的覆盖可能有限 | 设计具有高光致发光量子产率的有机发色团，以加速高性能有机光电材料的发现 | 有机发色团 | 机器学习 | NA | 分子指纹化、逆合成分析、结构-活性景观分析 | 支持向量机、梯度提升回归器 | 分子结构数据（转换为2048位指纹） | 713个已知有机发色团，并新设计了5200个发色团 | Scikit-learn | NA | R² | NA |