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 42799 篇文献，本页显示第 1601 - 1620 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1601 | 2026-03-14 |
Deep learning-based diagnostic classification of multiple sclerosis using multicenter optical coherence tomography data
2026-May, Experimental eye research
IF:3.0Q1
DOI:10.1016/j.exer.2026.110916
PMID:41679586
|
研究论文 | 本研究利用多中心光学相干断层扫描数据，通过深度学习模型对多发性硬化症进行诊断分类 | 结合了特征提取、定制深度网络和微调预训练网络三类AI模型，并采用通道组合和拼接技术整合视网膜层厚度和表面特征，提高了分类性能 | 模型在跨数据集评估中性能显著下降，表明外部泛化能力有限，尤其是在使用公共数据训练并应用于本地临床数据时 | 开发基于人工智能的准确且可解释的多发性硬化症诊断分类方法 | 多发性硬化症患者和健康对照者的眼睛 | 数字病理学 | 多发性硬化症 | 光学相干断层扫描 | 自编码器, 定制深度网络, 预训练网络 | 图像 | 116只眼睛（38只健康对照眼，78只多发性硬化症眼） | NA | NA | 平衡准确率, 特异性, 敏感性, g-均值, F1分数, AUC | NA |
| 1602 | 2026-03-14 |
Automated segmentation of pterygium lesions using multiscale deep learning networks
2026-May, Experimental eye research
IF:3.0Q1
DOI:10.1016/j.exer.2026.110928
PMID:41687801
|
研究论文 | 本文提出了一种基于多尺度深度学习网络的翼状胬肉病变自动分割方法，旨在通过精确分割病变区域来辅助评估疾病严重程度 | 利用翼状胬肉病变独特的楔形形状特征，在UNet瓶颈层嵌入多尺度模块（SPP和ASPP），并探索了等流和瀑布流两种并行路径构建模式，以有效捕获病变特征的多尺度变化 | 多尺度模块主要关注较小特征图，未来可探索更大特征图尺寸的网络架构，但需权衡计算负担 | 开发自动分割翼状胬肉病变的深度学习模型，以量化病变组织并辅助疾病严重程度评估 | 翼状胬肉病变区域 | 计算机视觉 | 眼科疾病 | 深度学习 | CNN | 图像 | NA | NA | UNet, SPP, ASPP | 豪斯多夫距离 | NA |
| 1603 | 2026-03-14 |
Cross-modal attention deep learning reveals how transformation products inherit life-cycle risks from parent antibiotics: Insights for environmental, ecological, health, and AMR risks
2026-May-01, Water research
IF:11.4Q1
DOI:10.1016/j.watres.2026.125584
PMID:41719651
|
研究论文 | 本研究利用跨模态注意力深度学习模型评估抗生素及其转化产物的生命周期风险，揭示了高相似性转化产物如何继承母体抗生素的风险特征 | 首次引入基于分子图和融合分子指纹的少样本跨模态注意力深度学习模型，用于识别多类别抗生素生命周期风险优先级，并通过可解释性分析揭示了关键风险结构特征 | 研究仅关注141种母体抗生素及其转化产物，可能未涵盖所有抗生素类别；模型在更大规模数据集上的泛化能力有待进一步验证 | 评估抗生素转化产物在水环境中的生态、环境、人类健康和抗菌素耐药性风险，为制定有效管理策略提供理论支持 | 141种母体抗生素及其高相似性转化产物 | 机器学习 | NA | 分子图分析，分子指纹融合 | 深度学习 | 分子图，分子指纹 | 141种母体抗生素及其转化产物 | NA | GINConv, GATConv | 预测准确性，鲁棒性 | NA |
| 1604 | 2026-03-14 |
Multiscale decomposition and fuzzy-rule attention: A transferable cross-basin framework for long-term water quality forecasting
2026-May-01, Water research
IF:11.4Q1
DOI:10.1016/j.watres.2026.125593
PMID:41734573
|
研究论文 | 提出一种结合物理信号分解与模糊逻辑的可迁移深度学习框架，用于长期河流水质预测 | 集成多通道奇异谱分析进行趋势分离，并结合Transformer与自适应模糊机制以处理不确定性和复杂时空依赖性 | 未明确说明模型在极端事件或未覆盖流域的泛化能力，且依赖历史数据的连续性和质量 | 开发一个在预测准确性和跨流域泛化性之间取得平衡的长期水质预测框架 | 中国多个河流流域的149个监测站点的水质数据 | 机器学习 | NA | 多通道奇异谱分析 | Transformer | 时间序列数据 | 149个监测站点从2007年至2022年的现场观测数据 | NA | Transformer | Nash-Sutcliffe效率 | NA |
| 1605 | 2026-03-14 |
EASDnet: Empowering human-centered evidence-based medicine through an evidence and attention-based spatial disparity network for discriminative colorectal cancer histopathological screening and attribution
2026-May, Pathology, research and practice
DOI:10.1016/j.prp.2026.156418
PMID:41764810
|
研究论文 | 本研究提出并验证了一种基于循证医学的深度学习模型EASDnet，用于结直肠癌的判别性病理筛查和归因 | 引入了一种结合证据和注意力机制的深度学习架构，能够学习癌变病灶与其周围微环境之间的细微形态差异，有效捕捉类间和类内的判别性特征 | NA | 开发一种客观、基于循证医学的定量分析工具，以辅助临床医生进行结直肠癌的准确术前分期 | 结直肠癌病灶及其周围微环境 | 数字病理学 | 结直肠癌 | 深度学习 | CNN | 图像 | 公开可用的图像数据集NCT-100K和LC25000 | NA | EASDnet | 准确率 | NA |
| 1606 | 2026-03-14 |
H-DCA Net: Hierarchical dual-branch coordinate attention framework for multi-scale gastric histopathology diagnosis
2026-May, Pathology, research and practice
DOI:10.1016/j.prp.2026.156403
PMID:41722294
|
研究论文 | 本研究提出了一种名为H-DCA Net的新型深度学习框架，用于胃癌组织病理学图像的多尺度诊断 | 提出了一个分层双分支坐标注意力网络，通过异构分支分别捕获宏观组织结构和微观细胞细节，并利用分层注意力机制进行特征融合，以解决现有CAD系统的“尺度不匹配”问题 | 模型仅在公开数据集GasHisSDB上进行了训练和验证，其泛化能力有待在更多样化的临床数据上进一步验证 | 开发一个能够模拟病理学家多尺度诊断工作流程的深度学习框架，以提高胃癌分类的准确性和可靠性 | 胃癌组织病理学图像 | 数字病理学 | 胃癌 | 组织病理学图像分析 | CNN | 图像 | 使用公开数据集GasHisSDB，并在三个不同图像块尺寸（80×80, 120×120, 160×160像素）上进行训练和验证 | NA | EfficientNetV2-S, MobileNetV3-L | 准确率, 精确率, 灵敏度, 特异性 | NA |
| 1607 | 2026-03-14 |
Novel Psychoactive Substances: Slaying the Dragon With Artificial Intelligence
2026-Apr-01, Therapeutic drug monitoring
IF:2.8Q2
DOI:10.1097/FTD.0000000000001429
PMID:41413933
|
综述 | 本文综述了人工智能和机器学习在新型精神活性物质识别与表征中的应用，探讨了其如何应对传统分析技术面临的挑战 | 重点介绍了基于人工智能的方法，如深度学习模型、化学语言模型和光谱预测工具，特别是DarkNPS框架和CFM-ID等工具，用于生成大量潜在NPS结构和预测质谱谱图 | NA | 探索人工智能在解决新型精神活性物质识别和表征日益增长挑战中的作用 | 新型精神活性物质 | 机器学习 | NA | 质谱分析 | LSTM, 变换器, 图神经网络 | 化学结构数据, 质谱数据 | NA | NA | NA | 余弦相似度得分, 命中率 | NA |
| 1608 | 2026-03-14 |
Development and Validation of an Artificial Intelligence Surgical Video Analysis Model for Predicting Visceral Pleural Invasion in Lung Cancer Surgery: A Multicenter Study
2026-Apr, Annals of surgical oncology
IF:3.4Q1
DOI:10.1245/s10434-025-18863-9
PMID:41428020
|
研究论文 | 本研究开发并验证了一种基于深度学习的胸腔镜视频分析模型（VPI-Net），用于术中预测肺癌手术中的脏层胸膜侵犯。 | 首次开发并验证了一种专门用于胸腔镜视频分析以预测脏层胸膜侵犯的深度学习模型（VPI-Net），并引入了VPI风险评分（VPIscore）作为量化指标，该模型在多个中心验证中显著优于外科医生和放射科医生的判断。 | 研究样本量相对有限（总患者数399名），且外部验证集仅来自另外两家医院，模型的泛化能力需要在更广泛的多中心数据中进行进一步验证。 | 提高视频辅助胸腔镜手术中脏层胸膜侵犯的术中诊断准确性，以指导手术决策。 | 接受视频辅助胸腔镜手术的肺癌患者。 | 数字病理 | 肺癌 | 视频辅助胸腔镜手术 | CNN | 视频，图像 | 总共399名患者（内部数据集346名患者，3367张图像；外部数据集53名患者，1274张图像） | NA | 基于空间Dropout的残差卷积神经网络（VPI-Net） | AUC，准确率，敏感性，特异性，阳性预测值，阴性预测值 | NA |
| 1609 | 2026-03-14 |
A Deep Learning-Based Multimodal Clinico-Histology-Genomic Prognostic Model in Prostate Cancer
2026-Apr, Annals of surgical oncology
IF:3.4Q1
DOI:10.1245/s10434-025-18929-8
PMID:41456225
|
研究论文 | 本研究开发了一种基于深度学习的多模态预后模型，整合了基因组特征、全切片成像的组织形态学特征和临床参数，以改善前列腺癌的风险分层和治疗决策 | 通过从组织病理学图像中计算推断基因组特征，消除了对基因组检测的依赖，并显著提高了预后精度，同时细化了现有的NCCN分类 | 研究依赖于两个独立队列（TCGA和PLCO）进行训练和验证，可能受限于这些队列的样本代表性和数据质量 | 开发一个多模态预后模型，以改善前列腺癌的风险分层和治疗决策 | 前列腺癌患者 | 数字病理学 | 前列腺癌 | 全切片成像（WSI）、苏木精-伊红（H&E）染色 | 深度学习 | 图像、基因组数据、临床参数 | 两个独立队列：TCGA（训练）和PLCO试验（外部验证） | NA | NA | C-index、Kaplan-Meier分析、Harrell's concordance index、多变量Cox回归 | NA |
| 1610 | 2026-01-20 |
ASO Author Reflections: Multimodal Deep Learning Redefining Precision Prognosis in Prostate Cancer
2026-Apr, Annals of surgical oncology
IF:3.4Q1
DOI:10.1245/s10434-026-19105-2
PMID:41549219
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1611 | 2026-03-14 |
Hierarchical image pyramid transformer framework for automated breast cancer molecular subtyping using tissue microarrays
2026-Apr, The Journal of pathology
IF:5.6Q1
DOI:10.1002/path.70028
PMID:41588712
|
研究论文 | 本文提出了一种名为PBC-HIPT的新型深度学习框架，用于从标准H&E染色图像中自动进行乳腺癌分子分型 | 开发了一种基于多层次Transformer的架构，能够从细胞到组织尺度分层聚合组织病理学特征，以捕获高分辨率图像中的多尺度形态特征和长程依赖关系 | 模型在组织微阵列（TMA）上表现出稳健的模态内泛化能力，但在全切片图像（WSI）的跨模态验证中性能有所下降 | 解决乳腺癌在分子和组织学水平的异质性带来的精确诊断和治疗挑战，实现自动化的分子分型和生物标志物评估 | 乳腺癌组织样本 | 数字病理学 | 乳腺癌 | H&E染色 | Transformer | 图像 | 252例TMA病例和46张独立的WSI | NA | PBC-HIPT（Pathomics Breast Cancer Hierarchical Image Pyramid Transformer） | 准确率, AUC | NA |
| 1612 | 2026-02-17 |
Corrigendum to "Deep learning in fetal, infant, and toddler neuroimaging research"[Dev. Cognit. Neurosci. (2026), 101680]
2026-Apr, Developmental cognitive neuroscience
IF:4.6Q1
DOI:10.1016/j.dcn.2026.101694
PMID:41692673
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1613 | 2026-03-14 |
Artificial intelligence revolution in toxicology: Clinical precision, global equity, and the 2030 roadmap
2026-Apr, Toxicology letters
IF:2.9Q2
DOI:10.1016/j.toxlet.2026.111871
PMID:41762830
|
综述 | 本文综述了人工智能在毒理学领域的革命性应用，并提出了2030年发展路线图 | 提出了“ToxAI Pact”路线图，强调协调验证标准、稳健的特征重要性验证协议、生成式输出水印以及针对低资源环境的基础设施投资 | 算法偏见、模型可解释性有限、特征重要性准确性验证挑战、全球数字不平等、预测准确性不等于机制可靠性、AI生成错误信息的风险 | 指导人工智能在毒理学领域的负责任整合，实现更安全、更包容的全球毒理学发展 | 临床毒理学、预测建模、药物警戒、教育培训 | 机器学习 | NA | 深度学习、强化学习、生成式人工智能 | 深度学习模型、强化学习模型、生成式AI模型 | 临床数据、毒理学数据 | NA | NA | NA | 预测准确性、特征重要性准确性 | NA |
| 1614 | 2026-03-14 |
ASO Visual Abstract: Deep Learning-Based Multimodal Clinico-Histology-Genomic Prognostic Model in Prostate Cancer
2026-Apr, Annals of surgical oncology
IF:3.4Q1
DOI:10.1245/s10434-026-19136-9
PMID:41644916
|
NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA | NA |
| 1615 | 2026-03-14 |
DeepDegradome: A structure-aware deep learning framework for PROTAC and ligand generation against protein targets
2026-Mar-17, Proceedings of the National Academy of Sciences of the United States of America
IF:9.4Q1
DOI:10.1073/pnas.2518248123
PMID:41818153
|
研究论文 | 本文介绍了一种名为DeepDegradome的AI驱动方法，用于自动化设计小分子配体和PROTAC，以解决靶向蛋白质降解中的设计挑战 | DeepDegradome结合了结构感知的深度学习框架，能够从大型片段库中自动组装配体和PROTAC，无需依赖预定义的弹头或E3配体，从而提高了分子设计的多样性和创新性 | 方法依赖于公共数据库构建的片段库和内部对接方法，可能受限于数据质量和覆盖范围，且目前仅在WDR5和CDK9两个蛋白质目标上进行了验证 | 开发一种AI驱动的框架，用于自动化设计针对蛋白质靶点的小分子配体和PROTAC，以促进药物发现 | 蛋白质靶点（如WDR5和CDK9）及其对应的配体和PROTAC分子 | 机器学习 | NA | 深度学习，对接方法（iFitDock），X射线晶体学 | 深度学习框架 | 分子结构数据，蛋白质口袋的形状和理化特征 | 使用公共数据库构建的大型片段库，并在两个蛋白质靶点（WDR5和CDK9）上进行了设计和验证 | NA | NA | 预测结合亲和力，分子有效性，药物相似性 | NA |
| 1616 | 2026-03-14 |
Transformer-encoded nnU-Net with local region perceptron and contrastive learning (TLC-nnUNet) for multiple brain metastasis detection and delineation
2026-Mar-13, Physics in medicine and biology
IF:3.3Q1
DOI:10.1088/1361-6560/ae4ced
PMID:41775070
|
研究论文 | 本文提出了一种名为TLC-nnUNet的新型深度学习框架，用于磁共振图像中多发性脑转移瘤的精确检测与分割 | 在transformer增强的nnU-Net架构中集成了局部区域感知器（LRP）和对比学习预训练（CLP）两个创新模块，LRP通过重新加权未充分表示的体素来优先检测小病灶，CLP通过监督式预训练策略增强病灶与非病灶区域在潜在空间中的差异性 | 未明确说明模型在不同磁共振扫描协议或设备间的泛化能力，也未提及对极低对比度病灶的处理效果 | 提高多发性脑转移瘤（特别是小病灶）在磁共振图像中的检测敏感度、精确度和分割准确性 | 脑转移瘤病灶 | 数字病理学 | 脑转移瘤 | 磁共振成像 | Transformer, CNN | 医学图像 | 多机构数据集（具体数量未明确说明） | PyTorch（基于nnU-Net框架推断） | nnU-Net, Transformer-enhanced nnU-Net | 敏感度, 精确度, Dice系数 | NA |
| 1617 | 2026-03-14 |
A new method for quantitation of cyanuric acid in water based on image analysis of drying patterns using computer vision
2026-Mar-12, Analytical methods : advancing methods and applications
IF:2.7Q1
DOI:10.1039/d5ay02122g
PMID:41729199
|
研究论文 | 本文提出了一种基于图像分析的简单、无试剂方法，用于通过分析氰尿酸溶液液滴的干燥模式来量化自来水中的氰尿酸 | 首次展示了基于液滴干燥模式图像分析对复杂混合物中分析物进行定量的方法 | 需要等待液滴干燥（环境条件下约2小时），且要求可重复的取样体积（约50 µL）和保持与校准集一致的照明条件 | 开发一种低成本、无试剂的氰尿酸定量方法 | 自来水中的氰尿酸 | 计算机视觉 | NA | 图像分析 | 深度学习模型 | 图像 | NA | NA | NA | NA | NA |
| 1618 | 2026-03-14 |
A multimodal approach integrating spectroscopy, deep learning guided molecular docking, and molecular dynamics simulation for predictive assessment of pioglitazone to albumin binding for formulation development
2026-Mar-12, Analytical methods : advancing methods and applications
IF:2.7Q1
DOI:10.1039/d5ay01534k
PMID:41738395
|
研究论文 | 本研究采用多模态方法评估吡格列酮与人血清白蛋白的结合亲和力，以指导制剂开发 | 结合光谱学、深度学习引导的分子对接和分子动力学模拟，提供了一种正交的多模态分析框架 | 未明确提及样本量或实验重复次数，可能影响结果的普遍性 | 分析吡格列酮与人血清白蛋白的结合亲和力，为制剂开发提供依据 | 人血清白蛋白与吡格列酮的复合物 | 计算化学与药物发现 | NA | 紫外吸收光谱、荧光光谱、分子对接、分子动力学模拟 | 深度学习模型 | 光谱数据、分子结构数据、模拟轨迹数据 | NA | DynamicBind | NA | 结合常数、cLDDT分数、结合亲和力值、均方根偏差、回转半径、均方根波动 | NA |
| 1619 | 2026-03-14 |
Artificial intelligence for diagnosis and triage in oral cancer: a clinician‑centered narrative review
2026-Mar-12, International journal of clinical oncology
IF:2.4Q3
DOI:10.1007/s10147-026-03002-5
PMID:41817640
|
综述 | 本文是一篇以临床医生为中心的叙述性综述，探讨了人工智能在口腔癌诊断和分诊中的应用 | 聚焦于临床医生相关的任务，并优先考虑了前瞻性设计、外部验证和临床可解释模型，同时讨论了数据集偏移、偏见和报告标准等实施问题 | 综述指出，现有研究多为单中心，在真实世界图像和分布外图像上性能仍会下降，且严格的前瞻性验证仍然稀缺 | 评估人工智能在口腔鳞状细胞癌（OSCC）早期诊断和临床决策支持中的应用潜力 | 口腔鳞状细胞癌（OSCC）和口腔潜在恶性病变（OPMD） | 数字病理学 | 口腔癌 | 临床摄影、CT、MRI、PET、光学成像（如高光谱空间频域成像、OCT）、数字病理学 | 深度学习 | 图像 | NA | NA | NA | 诊断准确率 | NA |
| 1620 | 2026-03-14 |
Initial experience of deep learning reconstruction algorithm in lung kernel: clinical usefulness for lung nodules at ultra-low-dose protocol
2026-Mar-12, European radiology
IF:4.7Q1
DOI:10.1007/s00330-026-12404-y
PMID:41817709
|
研究论文 | 本研究首次评估了在超低剂量CT扫描中，使用肺核的深度学习图像重建算法TrueFidelity对图像质量和结节锐度的影响 | 首次将TrueFidelity深度学习图像重建算法应用于肺核，并评估其在超低剂量CT中对图像质量和结节锐度的改善效果 | 样本量较小（68例患者），且仅以对比增强CT的肺核重建作为参考标准，可能未涵盖所有临床场景 | 评估深度学习图像重建算法在肺核中的应用，以提升超低剂量CT的图像质量和结节评估能力 | 接受胸部非对比超低剂量CT和对比增强CT扫描的患者 | 医学影像分析 | 肺癌 | CT扫描，深度学习图像重建 | 深度学习重建算法 | CT图像 | 68例患者 | NA | TrueFidelity | 图像噪声，信噪比，对比噪声比，半高全宽值 | NA |