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 46099 篇文献，本页显示第 1681 - 1700 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 1681 | 2026-06-06 |
Molecular Characterization of T-Lineage Acute Lymphoblastic Leukemia by an Optimal-Transport Based Multi-Omics Integration Framework
2026-May-26, bioRxiv : the preprint server for biology
DOI:10.64898/2026.05.22.727257
PMID:42244593
|
研究论文 | 提出基于最优传输的多模态深度学习框架OTTER，整合RNA-seq基因表达和体细胞基因组变异数据，用于T系急性淋巴细胞白血病的分子特征刻画 | 采用Gromov-Wasserstein最优传输对齐多组学潜在表征，保留各模态内部几何结构，无需共享特征空间，同时实现跨模态交互分析和生物可解释性 | NA | 实现对T-ALL的多组学数据有效整合与精确分子分型，以理解疾病机制、风险分层和指导靶向治疗 | 儿童肿瘤组AALL0434队列中的1,309例T-ALL患者，涵盖17个亚型 | 机器学习 | T系急性淋巴细胞白血病 | RNA-seq, 体细胞基因组变异测序 | 变分自编码器, 最优传输模型 | 基因表达数据, 基因组变异数据 | 1,309例T-ALL患者 | PyTorch | 变分自编码器, Gromov-Wasserstein最优传输 | NA | NA |
| 1682 | 2026-06-06 |
Normative modeling for quantitative brain MRI phenotyping and biomarker discovery for pediatric leukodystrophies
2026-May-25, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.05.22.26353512
PMID:42245025
|
研究论文 | 利用基于脑生长图表的规范性建模方法，对儿童脑白质营养不良进行定量MRI表型分析和生物标志物发现 | 首次将基于脑生长图表的规范性建模应用于多种遗传性脑白质营养不良，系统比较了六种亚型的神经解剖模式差异，并证明了该方法在疾病严重程度分层和生物标志物识别中的潜在价值 | 研究为横断面设计，虽然包含初步纵向数据，但整体样本量有限（274名患者），且不同亚型间样本分布不均，可能影响统计效力 | 利用解剖MRI衍生的表型，结合脑发育规范性模型，表征六种遗传性白质营养不良的共同和独特的神经解剖模式，评估该方法在疾病严重程度生物标志物识别中的效用 | 六种遗传性白质营养不良患者（Pelizaeus-Merzbacher病、异染性脑白质营养不良、亚历山大病、Aicardi-Goutières综合征、TUBB4A相关白质营养不良和POLR3相关白质营养不良） | 计算机视觉 | 儿童脑白质营养不良 | 解剖MRI | 深度学习分割模型 | MRI图像 | 274例患者（434次MRI扫描）和7205例对照（7628次扫描） | NA | 深度学习分割模型（未指定具体架构） | 百分位数分数 | NA |
| 1683 | 2026-06-06 |
An EEG-Based Edge-AI Framework for Alzheimer's and Creutzfeldt-Jakob Disease Classification
2026-May-21, Sensors (Basel, Switzerland)
DOI:10.3390/s26103274
PMID:42198082
|
研究论文 | 提出一种基于脑电图的边缘AI框架，用于区分阿尔茨海默病、克雅氏病和健康对照，并评估其在边缘设备上的部署可行性 | 提出轻量级混合深度学习模型，结合一维卷积神经网络与Transformer编码器，捕获局部时序和长程依赖；并在边缘AI平台实现能量高效的实时分类 | 样本量较小（36名受试者），可能限制模型泛化能力；仅验证了单一医院数据集，未在多个独立队列上测试 | 开发一种跨受试者、基于AI的EEG分类框架，实现阿尔茨海默病、克雅氏病与健康对照的准确区分，并确保临床部署的实时性和能效 | 阿尔茨海默病、克雅氏病患者及健康对照者的脑电图数据 | 机器学习 | 阿尔茨海默病, 克雅氏病 | 脑电图（EEG） | 一维卷积神经网络, Transformer编码器 | 脑电图信号 | 36名受试者 | NA | 一维卷积神经网络, Transformer | 准确率 | NVIDIA Jetson AGX Orin边缘AI平台 |
| 1684 | 2026-06-06 |
Digital Pathology and the AI-Based Quantification of the Tumor Microenvironment in Gastrointestinal Cancer: From Tumor Budding and Tumor-Infiltrating Lymphocytes to Tertiary Lymphoid Structures
2026-May-14, International journal of molecular sciences
IF:4.9Q2
DOI:10.3390/ijms27104386
PMID:42196367
|
综述 | 本文综述了数字病理学和人工智能在胃肠道癌症肿瘤微环境分析中的进展，重点讨论了肿瘤出芽、肿瘤浸润淋巴细胞和三级淋巴结构等生物标志物 | 强调AI工具在自动、定量分析整个组织切片中的优势，以及深度学习模型在结构与空间组织分析中的新生物学见解 | AI在临床实践中的实施面临标准化、数据可用性和模型可解释性方面的挑战 | 讨论AI在胃肠道癌症肿瘤微环境生物标志物分析中的应用，推动个性化医学发展 | 胃肠道癌症中的肿瘤微环境，包括肿瘤出芽、肿瘤浸润淋巴细胞和三级淋巴结构 | 数字病理学 | 胃肠道癌症 | 数字病理学 | 深度学习 | 组织学图像 | NA | NA | NA | NA | NA |
| 1685 | 2026-06-06 |
CT Attenuation Map-Derived Body Composition Is Associated with Cardiorespiratory Fitness in Multicenter External Validation
2026-May-08, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.05.07.26352573
PMID:42145618
|
研究论文 | 开发并验证基于CT衰减图的身体组成‘健康’评分，用于评估心肺功能 | 首次将深度学习量化的身体组成综合评分作为心肺功能的替代标记，并在多中心外部验证中展示其预测价值 | 未提及明显局限性，但可能受限于回顾性设计和样本选择偏倚 | 评估身体组成与心肺功能的关系，并开发可替代运动试验的评分工具 | 来自4个SPECT和12个PET中心的36471名患者 | 机器学习 | 心血管疾病 | CT衰减图 | 深度学习 | 图像（CT身体组成数据） | 36471名患者 | NA | NA | AUC, 调整后风险比 | NA |
| 1686 | 2026-06-06 |
Artificial Intelligence-Assisted Confocal Laser Endomicroscopy for Predicting Invasion Depth of Superficial Esophageal Mucosal Lesions: A Cohort Study
2026-May-08, Clinical and translational gastroenterology
IF:3.0Q2
DOI:10.14309/ctg.0000000000001044
PMID:42100909
|
研究论文 | 本研究开发并验证了一种人工智能辅助共聚焦激光显微内镜系统，用于预测浅表食管黏膜病变的浸润深度 | 首次将人工智能与共聚焦激光显微内镜结合，建立AI-pCLE系统用于低级别上皮内瘤变与高级别上皮内瘤变伴黏膜下浸润的鉴别诊断，并与内镜医师的诊断性能进行了对比 | 回顾性单中心研究，样本量有限，需外部验证 | 开发并验证人工智能辅助共聚焦激光显微内镜系统，用于食管鳞状细胞癌浸润深度的准确评估 | 浅表食管黏膜病变患者，包含低级别上皮内瘤变和高级别上皮内瘤变伴黏膜下浸润病变 | 计算机视觉， 数字病理学 | 食管癌 | 共聚焦激光显微内镜 | 深度学习 | 图像 | 1,234张共聚焦激光显微内镜图像 | NA | 六种深度学习算法，具体架构未明确说明 | 准确率， 敏感度， 特异度， AUC， 阳性预测值， 阴性预测值 | NA |
| 1687 | 2026-06-06 |
Real-time AI integration for MR to detect artifacts and guide pulse sequence adaptations
2026-May-07, bioRxiv : the preprint server for biology
DOI:10.64898/2026.05.04.722724
PMID:42146385
|
研究论文 | 首次提出人工智能集成磁共振脉冲序列，实时检测体素外伪影并前瞻性更新梯度方案 | 首次实现单次激励内（TR内）的人工智能集成序列，通过深度学习的时域和频域卷积自编码器实时检测伪影，并动态调整梯度方案 | 仅在健康志愿者前额叶皮层中测试，未涉及病变组织；需要用户定义阈值，可能引入主观性 | 实现磁共振中体素外伪影的实时检测与自适应梯度优化，提升频谱质量 | 健康志愿者的前额叶皮层 | 数字病理学 | NA | 编辑MRS（磁共振波谱） | 卷积自编码器 | 时域和频域信号 | 健康志愿者（具体数量未提及） | NA | 时域卷积自编码器, 频域卷积自编码器 | OOV分数, 拟合质量数 (FQN) | NA |
| 1688 | 2026-06-06 |
Quantum computing applications in drug discovery
2026-May-04, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbag274
PMID:42218713
|
综述 | 探讨量子计算在早期药物发现中的虚拟筛选、分子对接和分子动力学等计算策略中的集成应用 | 在嘈杂中型量子（NISQ）约束下，明确量子计算不是完全替代经典流程，而是作为模块化协同处理器，用于增强深度学习表示学习、生成模型先验以及对接筛选中的子步骤，并强调以决策相关的重复性收益作为评估标准 | 未具体讨论量子模块在实际运行时间和资源约束下的可扩展性，以及经典基线的详细对比结果 | 分析量子计算在药物发现流程中的现实角色和集成方式 | 早期药物发现中的虚拟筛选、分子对接和分子动力学流程 | 机器学习 | NA | 量子计算 | NA | NA | NA | NA | NA | NA | 嘈杂中型量子（NISQ）设备 |
| 1689 | 2026-06-06 |
USADAE: a deep learning approach to disentangle hidden covariates in RNA-seq data
2026-May-04, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbag261
PMID:42218722
|
研究论文 | 提出一种名为USADAE的深度学习框架，用于从RNA-seq数据中分离隐含协变量 | 首次将对抗去混淆自编码器用于RNA-seq数据的隐含协变量分离，克服了传统线性方法在非线性混杂模式下的局限性 | 未提及计算资源需求及在大规模数据集上的扩展性 | 开发一种能够从RNA-seq数据中分离生物学信号与隐藏混杂因素的方法 | RNA-seq数据中的隐含协变量（如技术变异和生物-技术变量非线性交互） | 机器学习 | NA | RNA-seq | 自编码器 | 基因表达数据 | NA | NA | 无监督对抗去混淆自编码器（USADAE） | NA | NA |
| 1690 | 2026-06-06 |
Pathogenicity prediction for noncanonical splice-altering variants based on multimodal feature fusion
2026-May-04, Briefings in bioinformatics
IF:6.8Q1
DOI:10.1093/bib/bbag291
PMID:42242678
|
研究论文 | 开发了一种名为MOSAIC的深度学习框架，用于预测非经典剪接改变变异的致病性 | 首次将预训练DNA语言模型的长程上下文信号、多尺度卷积神经网络的局部序列特征和功能注释进行多模态融合，并采用Transformer编码器和门控融合模块实现自适应整合 | NA（摘要未明确提及） | 提高非经典剪接位点变异致病性预测的准确性 | 非经典剪接改变变异（noncanonical SAVs） | 机器学习 | 多种疾病（因变异与多种疾病相关，未指定具体疾病） | 深度学习 | Transformer编码器、多尺度卷积神经网络、预训练DNA语言模型 | DNA序列数据、功能注释数据 | 多个独立数据集（具体数量未提供） | PyTorch | Transformer编码器、门控融合模块、多尺度卷积神经网络 | 准确性、鲁棒性（与CADD和SpliceAI等方法的比较，具体指标未明确） | NA（摘要未提及） |
| 1691 | 2026-06-06 |
Development and validation of a deep survival model to predict time to seizure from routine electroencephalography
2026-May, Epilepsia
IF:6.6Q1
DOI:10.1002/epi.70101
PMID:41553763
|
研究论文 | 开发并验证了一种基于常规脑电图预测癫痫发作时间的深度生存模型EEGSurvNet | 首次将深度生存模型应用于常规脑电图预测个体癫痫发作风险，超越传统临床预测因子（如发作间期痫样放电）的性能，并从脑电图信号中提取出超越可见异常信号的预后信息 | 需要进行前瞻性研究以验证这些发现并评估其临床影响 | 开发和验证一种分析常规脑电图以预测癫痫患者随时间变化的发作风险的深度生存模型 | 癫痫患者及其常规脑电图记录 | 机器学习 | 癫痫 | NA | 深度生存模型 | 脑电图信号 | 1014次连续常规脑电图记录，来自994名患者；测试集包含135次脑电图记录，来自115名患者 | NA | EEGSurvNet | 随时间变化的AUROC、2年综合AUROC、C指数 | NA |
| 1692 | 2026-06-06 |
Deep learning for depression prediction in older adults: A retrospective cohort study from CHARLS (2011-2020) with independent cohort validation in CLHLS (2008-2018)
2026-May-01, Journal of affective disorders
IF:4.9Q1
DOI:10.1016/j.jad.2026.121206
PMID:41554486
|
研究论文 | 利用深度学习模型DARNet基于中国健康与养老追踪调查和CLHLS数据预测老年人抑郁，并进行独立队列验证 | 首次系统应用深度学习模型（DARNet）在大型中国纵向队列中预测老年抑郁，并整合多维度可解释性分析 | 需整合多种群多中心临床数据以增强实际应用价值 | 开发并验证用于老年人抑郁早期预测的深度学习工具 | 年龄超过60岁的中国老年人 | 机器学习 | 老年抑郁 | NA | 深度学习 | 纵向调查数据 | CHARLS队列（2011-2020年）2781名老年人，CLHLS队列（2008-2018年）独立验证 | PyTorch | 双注意力残差网络（DARNet） | 准确率、F1分数、AUROC、AUPRC | GPU |
| 1693 | 2026-06-06 |
CT-based Prediction of Visceral Pleural Invasion in Lung Adenocarcinoma ≤ 3 cm: Enhancing Deep Learning Specificity by Waiving Chest Wall Information
2026-May, Annals of surgical oncology
IF:3.4Q1
DOI:10.1245/s10434-026-19102-5
PMID:41566129
|
研究论文 | 开发一种基于CT的深度学习模型，通过排除胸壁信息来提高肺腺癌脏层胸膜侵犯预测的特异性 | 首次通过有意排除胸壁信息来增强深度学习模型的特异性，并引入新型注意力机制提高可解释性 | 未提及具体的局限性，但回顾性设计可能引入选择偏倚，且模型仅在≤3cm肺腺癌中验证 | 提高肺腺癌脏层胸膜侵犯术前预测的特异性，避免过度治疗 | 835例经病理确诊的肺腺癌患者（来自两个医疗中心） | 计算机视觉 | 肺腺癌 | CT成像 | CNN | 图像 | 835例患者（训练集692例，外部验证集143例） | PyTorch | 四层卷积神经网络，集成注意力机制 | AUC, 敏感性, 特异性, 准确率 | NA |
| 1694 | 2026-06-06 |
Super-adhesive sensor based on amylopectin-polyacrylic acid hydrogel for deep learning-assisted sign language recognition
2026-May, Journal of colloid and interface science
IF:9.4Q1
DOI:10.1016/j.jcis.2026.139914
PMID:41570706
|
研究论文 | 设计了一种基于支链淀粉-聚丙烯酸水凝胶的超粘附传感器，用于深度学习辅助的手语识别 | 通过调控水凝胶组成和网络结构，同时实现了超强韧性、高灵敏度（GF=3.24）、高电导率和广泛表面粘附性，并集成到深度学习手语识别系统中 | 文中未提及在长期使用或复杂环境下的稳定性和耐久性测试 | 开发高性能柔性可穿戴传感器，解决粘附性差和性能不稳定问题，实现手语识别应用 | PATA（聚丙烯酸/单宁酸/支链淀粉）水凝胶传感器 | 计算机视觉 | NA | NA | 深度学习模型（未指定具体类型） | 信号数据 | NA | NA | NA | 韧性、应变因子、电导率、粘附强度 | NA |
| 1695 | 2026-06-06 |
Transfer learning from 2D natural images to 4D fMRI brain images via geometric mapping
2026-May, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2026.103949
PMID:41576824
|
研究论文 | 提出基于几何映射的迁移学习方法，将2D自然图像迁移学习应用于4D fMRI脑图像 | 提出多尺度多域特征聚合（MMFA）模块，通过表面几何映射将大脑皮层从3D黎曼流形映射到2D空间，实现2D自然图像到4D fMRI数据的迁移，保持皮层拓扑关系并沿流形计算以抑制信号干扰 | 未提及 | 解决fMRI数据集样本量小导致深度学习应用受限的问题，实现从大规模2D自然图像到4D fMRI脑图像的有效迁移学习 | fMRI脑图像数据（包括性别分类、年龄估计、行为测量预测和抑郁症诊断） | 计算机视觉, 机器学习 | 抑郁症 | fMRI, 几何映射 | CNN | 图像 | HCP数据集（未明确样本数）和23个抑郁症数据集 | PyTorch | MMFA模块 | 准确率, AUC | NA |
| 1696 | 2026-06-06 |
Automatic detection and measurement system for aortic aneurysms using deep learning-based artificial intelligence
2026-May, The international journal of cardiovascular imaging
DOI:10.1007/s10554-026-03630-y
PMID:41591618
|
研究论文 | 基于深度学习的人工智能系统在非增强CT图像上自动检测梭形主动脉瘤并测量整个主动脉直径的性能评估 | 首次开发并验证了基于深度学习的AI系统，可在非增强CT图像上自动检测主动脉瘤并测量全主动脉直径，无需造影剂 | 研究为回顾性设计，样本人群主要为男性，未包含所有类型的主动脉瘤（如梭形动脉瘤），且未与其他检测方法进行对比 | 评估深度学习AI系统在非增强CT图像上检测主动脉瘤和测量主动脉直径的准确性和可靠性 | 非增强CT图像，主动脉瘤（梭形），全主动脉、胸主动脉、腹主动脉、髂动脉 | 计算机视觉 | 主动脉瘤 | CT成像 | CNN | 图像 | 160张训练数据（130名男性，71.8±9.2岁），190张验证数据（153名男性，70.7±10.3岁） | NA | NA | Dice系数, 灵敏度, 阳性预测值, F1值, 组内相关系数 | NA |
| 1697 | 2026-06-06 |
iAFP-fLRM: Accurate identification of antifungal peptides via hybrid deep learning architecture and multi-modal feature fusion
2026-May, Biophysical chemistry
IF:3.3Q2
DOI:10.1016/j.bpc.2026.107591
PMID:41653519
|
研究论文 | 提出一种混合深度学习框架iAFP-fLRM，基于氨基酸序列准确识别抗真菌肽 | 设计双分支特征融合模块，集成自适应池化对齐与跨分支注意力增强，动态调整异质特征贡献度以提升互补性 | 本文未明确说明局限性 | 开发一种高效、经济的抗真菌肽计算识别方法，替代实验鉴定 | 抗真菌肽的氨基酸序列数据 | 机器学习 | 真菌感染 | 氨基酸序列分析 | 混合深度学习模型（Transformer编码器+ LSTM-ResMLP分类模块） | 文本（氨基酸序列） | 基准数据集（具体数目未提及） | PyTorch（基于代码仓库推测） | Transformer, LSTM, ResMLP | 准确率, AUC, 马修斯相关系数（MCC） | NA |
| 1698 | 2026-06-06 |
Graph Embedding Comparator for Evolutionary Neural Architecture Search with Isomorphic Multi-Comparison
2026-May, International journal of neural systems
IF:6.6Q1
DOI:10.1142/S0129065726500097
PMID:41582094
|
研究论文 | 提出一种基于图嵌入比较器的进化神经架构搜索框架，通过图卷积网络学习架构表征，并利用对比学习和同构多比较机制提升搜索鲁棒性和效率 | 首次将图卷积网络编码架构为嵌入向量，结合对比学习使相似精度架构在嵌入空间中靠近，并引入同构多比较机制评估多个结构等价变体，聚合生成全局排序分数以增强进化选择一致性 | 该方法可能依赖于标准NAS基准测试，未在更大规模或更多样化的数据集上验证其泛化能力；同构多比较机制增加了计算开销 | 自动化神经架构搜索，提升搜索效率和鲁棒性 | 神经网络架构的图结构表征与性能预测比较 | 机器学习 | NA | NA | 图卷积网络（GCN） | 图结构数据（神经网络架构） | NA | NA | 图卷积网络 | 精度、鲁棒性指标 | NA |
| 1699 | 2026-06-06 |
Fréchet radiomic distance (FRD): A versatile metric for comparing medical imaging datasets
2026-May, Medical image analysis
IF:10.7Q1
DOI:10.1016/j.media.2026.103943
PMID:41610784
|
研究论文 | 提出一种用于医学影像数据集分布比较的度量标准Fr茅chet放射组学距离 | 首次将标准化的临床有意义且可解释的放射组学特征融入感知度量，用于医学图像分布比较，克服了传统度量（如FID）对解剖特征捕捉不足的问题 | NA | 开发一种适用于医学图像的、任务无关的感知度量标准，用于评估图像分布差异 | 医学影像数据集和生成模型输出的图像 | 计算机视觉, 数字病理学 | NA | 放射组学特征提取 | NA | 图像 | 多个数据集（未明确具体数量） | NA | NA | 与下游任务性能的相关性、解剖一致性和真实性评分、对抗攻击检测率 | NA |
| 1700 | 2026-06-06 |
High-resolution automated mapping of potential Aedes larval container habitats using drone imagery and supervised machine learning in Dar es Salaam, Tanzania
2026-May, PLoS neglected tropical diseases
IF:3.4Q1
DOI:10.1371/journal.pntd.0014361
PMID:42189914
|
研究论文 | 利用无人机影像和监督机器学习在坦桑尼亚达累斯萨拉姆进行高分辨率自动绘制潜在伊蚊幼虫容器栖息地 | 将高分辨率无人机影像与U-Net深度学习模型结合，实现密集城市环境中潜在伊蚊幼虫容器栖息地的自动化和大规模测绘，尤其能识别屋顶轮胎等传统地面监测难以发现的容器类型 | 模型对不同容器的检测准确率差异较大（水桶54%、轮胎72%、水箱75%），且未提及对阴影或遮挡情况的处理性能 | 探索可扩展的高分辨率无人机影像和机器学习方法，以自动绘制城市环境中潜在伊蚊幼虫容器栖息地 | 坦桑尼亚达累斯萨拉姆20个社区中水桶、轮胎和水箱等潜在伊蚊幼虫容器 | 计算机视觉 | 登革热、寨卡、基孔肯雅热、黄热病 | 无人机影像、NGS | U-Net | 图像 | 标注区域4.6平方公里，预测区域27.27平方公里，共20个社区 | PyTorch | U-Net | 检测准确率 | NA |