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 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 | 2026-03-17 |
Comprehensive Multiomics Characterization of Perineural Invasion in Cervical Cancer Reveals Diagnostic Markers, Molecular Drivers, and Therapeutic Strategies
2026-Mar-16, Cancer research
IF:12.5Q1
DOI:10.1158/0008-5472.CAN-25-0149
PMID:41379570
|
研究论文 | 本研究通过多组学分析揭示了宫颈癌神经周围浸润的分子机制，并识别了诊断标志物和潜在治疗策略 | 首次通过整合全外显子、全基因组和RNA测序数据，结合机器学习和深度学习模型，系统性地识别了PNI的基因表达特征、驱动突变及靶向治疗药物 | 样本量相对较小（45例患者），且验证队列规模有限（37例），可能影响结果的普适性 | 阐明宫颈癌神经周围浸润的分子机制，开发诊断标志物和治疗策略 | 宫颈癌患者的肿瘤和匹配正常组织样本 | 机器学习, 深度学习 | 宫颈癌 | 全外显子测序, 全基因组测序, RNA测序 | 机器学习, 深度学习 | 基因组数据, 转录组数据 | 45例患者（23例PNI, 22例非PNI），独立验证队列37例（18例PNI, 19例非PNI） | NA | NA | 准确性 | NA |
| 1682 | 2026-03-17 |
Predicting Cerebral Aneurysm Recurrence after Coil Embolization: A Novel Deep Learning Approach Using Time-of-flight Magnetic Resonance Angiography
2026-Mar-15, Neurologia medico-chirurgica
IF:2.4Q2
DOI:10.2176/jns-nmc.2025-0288
PMID:41526250
|
研究论文 | 本研究提出了一种结合机器学习和深度学习技术的新方法，利用时间飞跃磁共振血管成像来预测脑动脉瘤弹簧圈栓塞术后的复发 | 首次将临床数据与3D重建的时间飞跃磁共振血管成像数据结合，构建了融合深度学习的预测模型，并比较了仅使用术前图像与同时使用术前术后图像两种版本的性能 | 研究为回顾性多中心分析，样本量相对有限（154例患者），且模型性能有待在前瞻性研究中进一步验证 | 预测脑动脉瘤在弹簧圈栓塞术后的复发风险 | 接受弹簧圈栓塞术的未破裂脑动脉瘤患者 | 数字病理学 | 脑血管疾病 | 时间飞跃磁共振血管成像 | 逻辑回归, 神经网络, 深度学习 | 图像, 临床数据 | 154例患者 | NA | NA | AUC, 准确率, 灵敏度, 特异性 | NA |
| 1683 | 2026-03-17 |
Peptide cheminformatics tools: making computational tasks accessible in peptide drug discovery
2026-Mar, Drug discovery today
IF:6.5Q1
DOI:10.1016/j.drudis.2026.104612
PMID:41577169
|
综述 | 本文综述了肽类药物发现中计算化学信息学工具的当前方法，旨在促进这些工具在药物发现流程中的整合应用 | 系统性地概述了肽类计算研究的不同阶段，包括表示、相似性评估、机器学习/深度学习模型和肽设计，并基于关键特征强调了现有工具 | NA | 促进肽类药物发现中计算工具的应用，加速设计-测试周期并指导候选药物开发 | 肽类分子及其在药物发现中的应用 | 计算化学信息学 | NA | 计算化学信息学工具，机器学习/深度学习 | ML/DL模型 | 肽类分子数据 | NA | NA | NA | NA | NA |
| 1684 | 2026-03-17 |
Artificial Intelligence Models Integrating Preoperative Prostate MRI and Clinical Parameters for Predicting Extraprostatic Extension: A Systematic Review and Meta-Analysis
2026-Mar, Journal of surgical oncology
IF:2.0Q2
DOI:10.1002/jso.70167
PMID:41588994
|
系统综述与荟萃分析 | 本文通过系统综述和荟萃分析，评估了整合术前前列腺MRI影像和临床参数的人工智能模型在预测前列腺癌包膜外侵犯方面的诊断性能 | 首次对整合多参数MRI影像组学特征与临床变量（如PSA、Gleason评分）的AI模型进行系统综述和荟萃分析，证实其诊断性能显著优于传统评估方法 | 研究间存在异质性，主要源于MRI协议、分割方法和建模方法的差异，且深度学习与传统机器学习模型的性能差异无统计学显著性 | 评估人工智能模型整合术前前列腺MRI和临床参数预测前列腺癌包膜外侵犯的诊断性能 | 前列腺癌患者 | 数字病理学 | 前列腺癌 | 多参数MRI（如T2加权成像、弥散加权成像） | 深度学习, 传统机器学习 | 图像, 临床参数 | 14项研究，涉及2,131名患者 | NA | NA | 灵敏度, 特异度, 曲线下面积, 诊断比值比 | NA |
| 1685 | 2026-03-17 |
Hit identification in ultra large virtual screening: an integrative review and future challenges
2026-Mar, Drug discovery today
IF:6.5Q1
DOI:10.1016/j.drudis.2026.104616
PMID:41611169
|
综述 | 本文综述了超大规模虚拟筛选（ULVS）在药物发现中的策略、平台及未来挑战 | 整合了结构、配体、药效团、片段及混合工作流，并强调了机器学习与深度学习的增强作用 | 在评分准确性、资源效率和泛化能力方面仍存在挑战 | 探讨超大规模虚拟筛选在药物发现中的应用、策略及未来发展方向 | 数百亿至数十亿化合物库，针对G蛋白偶联受体和蛋白质-蛋白质界面等靶点 | 机器学习 | NA | 虚拟筛选，机器学习，深度学习 | NA | 化合物结构数据 | 数百亿至数十亿化合物 | NA | NA | NA | NA |
| 1686 | 2026-03-17 |
A High Magnifications Histopathology Image Dataset for Oral Squamous Cell Carcinoma Diagnosis and Prognosis
2026-Feb-06, Scientific data
IF:5.8Q1
DOI:10.1038/s41597-026-06736-z
PMID:41651871
|
研究论文 | 本文介绍了一个用于口腔鳞状细胞癌诊断和预后的高倍率组织病理学图像数据集Multi-OSCC | 提出了首个同时整合诊断和预后信息、覆盖多倍率（×200、×400、×1000）及肿瘤核心与边缘区域的大规模OSCC公开数据集 | 未明确提及数据集的种族/地域多样性限制或外部验证结果 | 构建支持口腔鳞状细胞癌全面临床评估的标准化病理图像数据集 | 1,325名口腔鳞状细胞癌患者的组织病理学图像 | 数字病理学 | 口腔鳞状细胞癌 | 组织病理学成像 | 深度学习视觉编码器 | 高分辨率组织病理学图像 | 1,325名患者（每名患者6张图像，共7,950张图像） | 未明确说明 | 未明确说明 | 未明确说明 | NA |
| 1687 | 2026-03-17 |
Deep tobit model: an integrated framework for high-dimensional censored regression with variable selection
2026-Jan-23, Lifetime data analysis
IF:1.2Q2
DOI:10.1007/s10985-026-09690-5
PMID:41571915
|
研究论文 | 本文提出了一种名为Deep Tobit模型的集成深度学习框架，用于处理高维左删失回归问题，并开发了具有理论保证的两阶段特征选择算法 | 首次将Tobit模型与深度学习结合，使用负Tobit对数似然作为损失函数处理删失数据，并开发了具有收敛速率和选择一致性理论保证的特征选择算法 | 未明确说明模型对右删失或其他类型删失数据的适用性，也未讨论计算复杂度或在大规模数据集上的可扩展性 | 解决高维左删失回归问题，同时实现变量选择和预测准确性 | 左删失的航空发动机壳体振动数据和HIV病毒载量数据 | 机器学习 | NA | 深度学习框架 | 深度学习模型 | 高维左删失响应数据 | NA | NA | Deep Tobit模型 | 变量选择准确性, 预测准确性 | NA |
| 1688 | 2026-03-17 |
Volatile biomarkers of fungal infection and mycotoxin contamination in fruits and vegetables: emerging targets for monitoring and early warning
2026, Critical reviews in food science and nutrition
IF:7.3Q1
DOI:10.1080/10408398.2025.2562369
PMID:40965270
|
综述 | 本文综述了水果和蔬菜采后真菌感染及其产生的挥发性有机化合物作为生物标志物，用于早期检测和预警的研究进展 | 系统性地将挥发性有机化合物作为非侵入性生物标志物，结合人工智能技术，用于采后病害的早期诊断和预警 | 综述文章，未提出具体的实验验证或模型性能数据 | 开发基于挥发性有机化合物的智能、快速、经济有效的采后病害监测框架 | 水果和蔬菜采后真菌病原体及其感染过程 | 机器学习 | NA | 气相色谱-质谱联用，电子鼻，生物传感器 | 机器学习，深度学习 | 挥发性有机化合物数据 | NA | NA | NA | NA | NA |
| 1689 | 2026-03-17 |
Computational Approaches to Neurological Disorder Diagnosis: An In-Depth Review of Current Methods and Future Prospects
2026, Current medical imaging
IF:1.1Q3
|
综述 | 本文对用于阿尔茨海默病、帕金森病、癫痫、亨廷顿病和肌萎缩侧索硬化症这五种主要神经系统疾病诊断的现有计算方法进行了全面分析 | 系统性地回顾和评估了140项同行评议研究，涵盖了机器学习算法、神经影像技术和电生理信号分析等多种诊断方法，并讨论了多模态数据整合以及深度学习等新兴技术的潜力 | 本文是一篇综述，未提出新的算法或模型，主要基于现有文献进行分析，未进行原始数据验证 | 评估当前用于神经系统疾病诊断的计算方法的有效性、准确性及局限性，并探讨未来研究方向以提高诊断精度和患者预后 | 阿尔茨海默病、帕金森病、癫痫、亨廷顿病和肌萎缩侧索硬化症这五种主要神经系统疾病 | 机器学习 | 神经系统疾病 | 神经影像技术、电生理信号分析 | NA | 多模态数据（可能包括图像、信号等） | 基于140项研究（未提供具体患者样本数） | NA | NA | 有效性、准确性 | NA |
| 1690 | 2026-03-17 |
Investigating causal relations between brain morphology and genetic risk variants in Parkinson's disease
2026, NeuroImage. Clinical
DOI:10.1016/j.nicl.2025.103928
PMID:41519071
|
研究论文 | 本文采用因果深度学习框架，研究了帕金森病中遗传风险变异与大脑形态之间的因果关系 | 首次将因果深度学习模型应用于帕金森病的基因型-表型分析，以探究遗传变异对大脑结构的因果影响，超越了传统的相关性分析方法 | 研究样本量相对有限，且模型在更广泛人群中的普适性仍需进一步验证 | 探究帕金森病中遗传风险变异与大脑形态学特征之间的因果关系 | 帕金森病患者、前驱期帕金森病患者及健康对照者的大脑影像与遗传数据 | 医学影像基因组学 | 帕金森病 | 影像基因组学分析 | 因果深度学习模型 | 影像数据, 遗传数据 | PPMI数据集：359名参与者（102名对照，214名PD患者，43名前驱期PD患者）；UK Biobank验证集：16,861名神经健康参与者 | NA | 掩码因果归一化流模型 | p值 | NA |
| 1691 | 2026-03-17 |
Characterization of binding kinetics and intracellular signaling of new psychoactive substances targeting cannabinoid receptor using transition-based reweighting method
2025-Nov-03, eLife
IF:6.4Q1
DOI:10.7554/eLife.98798
PMID:41181929
|
研究论文 | 本研究通过分子动力学模拟、数据驱动统计方法和深度学习，揭示了新型精神活性物质（NPS）靶向大麻素受体CB1时增强下游β-arrestin信号的结构基础 | 结合过渡态重加权方法、变分自编码器（神经关系推断，NRI）分析配体结合动力学对下游信号的影响，首次系统阐明了NPS与经典大麻素在跨膜区TM7相互作用差异及对NPxxY基序变构调控的机制 | 研究主要基于计算模拟，缺乏实验验证；样本仅涉及两种配体（MDMB-Fubinaca和HU-210），可能无法完全代表所有NPS的多样性 | 揭示新型精神活性物质（NPS）靶向大麻素受体CB1时导致更强β-arrestin信号的结构机制与动力学差异 | 人类大麻素受体1（CB1）及其配体（NPS MDMB-Fubinaca和经典大麻素HU-210） | 计算生物学 | 药物滥用 | 分子动力学模拟，多系综模拟，过渡态重加权方法，变分自编码器（神经关系推断） | 变分自编码器 | 分子动力学模拟轨迹数据 | 两种配体（MDMB-Fubinaca和HU-210）与CB1受体的结合过程模拟 | NA | 神经关系推断 | NA | NA |
| 1692 | 2026-03-17 |
Deep learning-powered high-efficient atomic force microscopy single-cell nanomechanical analysis on diverse biointerfaces
2025-10-30, Biochemical and biophysical research communications
IF:2.5Q3
DOI:10.1016/j.bbrc.2025.152761
PMID:41066979
|
研究论文 | 本文提出了一种结合原子力显微镜单细胞压痕实验与视觉基础模型图像识别的方法，用于在不同生物界面上进行高效、可靠的细胞力学测量 | 利用预训练的深度学习模型实时识别光学明场图像中的细胞，实现了自主高效的AFM单细胞压痕实验，提升了AFM的吞吐量和自动化水平 | NA | 揭示细胞与细胞外基质相互作用的物理机制，以全面理解生理和病理过程 | 单细胞在多种生物界面上的力学响应 | 计算机视觉 | NA | 原子力显微镜，单细胞压痕实验 | 深度学习模型 | 图像 | NA | NA | 视觉基础模型 | NA | NA |
| 1693 | 2026-03-17 |
DeepInMiniscope: Deep learning-powered physics-informed integrated miniscope
2025-Sep-12, Science advances
IF:11.7Q1
DOI:10.1126/sciadv.adr6687
PMID:40938981
|
研究论文 | 本文介绍了一种名为DeepInMiniscope的微型集成显微镜，结合定制光学掩模和物理信息深度学习模型，用于高效的大规模三维成像 | 开发了结合定制光学掩模和物理信息深度学习模型的微型集成显微镜，显著降低了计算需求，并实现了毫米级物体体积的高质量重建 | NA | 开发一种紧凑、高效的大视场三维成像技术，用于生物医学研究 | 小鼠大脑皮层中的神经元活动 | 计算机视觉 | NA | 掩模集成荧光显微镜 | 深度学习模型 | 图像 | NA | NA | NA | 重建质量、速度 | NA |
| 1694 | 2026-03-17 |
Automated liver magnetic resonance elastography quality control and liver stiffness measurement using deep learning
2025-09, Abdominal radiology (New York)
DOI:10.1007/s00261-025-04883-2
PMID:40088296
|
研究论文 | 本研究提出了一种基于深度学习的全自动化方法，用于肝脏磁共振弹性成像的质量控制和肝脏硬度测量 | 首次采用深度学习模型（SqueezeNet和U-Net）实现肝脏MRE质量控制和硬度测量的全自动化，显著提高效率 | 研究为单中心回顾性研究，样本量相对较小（69名患者），需进一步多中心验证 | 开发自动化深度学习方法以解决肝脏磁共振弹性成像质量控制和测量变异性问题 | 肝脏磁共振弹性成像扫描图像 | 数字病理学 | 肝纤维化 | 磁共振弹性成像 | CNN | 图像 | 69名患者的146次2D MRE扫描，共897张MRE幅度切片 | NA | SqueezeNet, U-Net | 准确率, 精确率, 召回率, 平均LSM误差, 组内相关系数 | NA |
| 1695 | 2026-03-17 |
Training deep learning models on personalized genomic sequences improves variant effect prediction
2025-Feb-15, bioRxiv : the preprint server for biology
DOI:10.1101/2024.10.15.618510
PMID:39463940
|
研究论文 | 本文通过训练深度学习模型于个性化基因组序列，提升了变异效应预测的性能 | 在匹配个人基因组的功能基因组数据上训练模型，提高了变异效应预测的准确性，且变异效应表征在微调至未见细胞环境和实验读数时仍能保留 | NA | 改进序列到功能模型在变异效应预测中的性能 | 个性化基因组序列和功能基因组数据 | 机器学习 | NA | 功能基因组数据 | 深度学习模型 | 基因组序列数据 | NA | NA | NA | NA | NA |
| 1696 | 2026-03-17 |
Disease Activity and Therapeutic Response to Pegcetacoplan for Geographic Atrophy Identified by Deep Learning-Based Analysis of OCT
2025-Feb, Ophthalmology
IF:13.1Q1
DOI:10.1016/j.ophtha.2024.08.017
PMID:39151755
|
研究论文 | 本研究利用深度学习分析OCT图像，量化了在pegcetacoplan治疗下，地理萎缩患者光感受器和视网膜色素上皮层的形态变化 | 首次应用深度学习技术对OCT图像进行分割，以客观量化地理萎缩中光感受器和视网膜色素上皮层的退化，并揭示了椭圆体带-视网膜色素上皮差异对疾病进展和治疗反应的显著影响 | 研究为事后纵向图像分析，可能受限于原始临床试验的设计和数据收集；未详细说明深度学习模型的泛化能力到其他数据集或临床环境 | 评估pegcetacoplan治疗对年龄相关性黄斑变性引起的地理萎缩中视网膜结构变化的疗效 | 来自OAKS和DERBY两项前瞻性随机III期临床试验的897名地理萎缩患者 | 数字病理学 | 年龄相关性黄斑变性 | OCT成像 | 深度学习 | 图像 | 897只眼睛（来自897名患者） | NA | NA | 视网膜色素上皮损失和椭圆体带损失的面积变化百分比 | NA |
| 1697 | 2026-03-17 |
AI: the Apollo guidance computer of the Exposome moonshot
2025, Frontiers in artificial intelligence
IF:3.0Q2
DOI:10.3389/frai.2025.1632520
PMID:41000410
|
评论 | 本文提出将人工智能与微生理系统和多组学平台结合，以推动暴露组学研究，实现疾病预防和个性化健康管理 | 提出“暴露组登月计划”统一愿景，将微生理系统、多组学平台和人工智能整合，创建器官、个体和人群的数字孪生模型 | 需要扩展模型的适用领域、实施稳健的数据安全措施，并优先采用透明可解释的算法 | 推动暴露组学研究，通过人工智能整合环境暴露数据以理解和预防人类疾病 | 人类环境暴露数据、微生理系统生成的数据、多组学平台数据 | 机器学习 | NA | 多组学平台 | 深度学习 | 异质数据流 | NA | NA | NA | NA | NA |
| 1698 | 2026-03-17 |
AI redefines mass spectrometry chemicals identification: retention time prediction in metabolomics and for a Human Exposome Project
2025, Frontiers in public health
IF:3.0Q2
DOI:10.3389/fpubh.2025.1687056
PMID:41312237
|
综述 | 本文综述了人工智能在质谱化学鉴定中的应用，特别是在代谢组学和人类暴露组项目中预测保留时间的方法 | 整合机器学习（包括深度学习和图神经网络）进行保留时间预测，并结合概率校准和跨平台协调，以提高代谢物注释的置信度 | NA | 通过人工智能增强保留时间预测，以改善人类暴露组项目中环境与内源性化学物质的鉴定 | 人类生物样本中的环境与内源性化学物质 | 机器学习 | NA | 液相色谱-高分辨率质谱, 气相色谱 | 深度学习, 图神经网络, 迁移学习 | 质谱数据 | NA | NA | NA | NA | NA |
| 1699 | 2026-03-17 |
Generalization challenges in electrocardiogram deep learning: insights from dataset characteristics and attention mechanism
2024-03-11, Future cardiology
IF:1.6Q3
DOI:10.1080/14796678.2024.2354082
PMID:39049767
|
研究论文 | 本研究探讨了训练数据特征对深度学习模型在心电图异常检测中泛化性能的影响，并引入注意力机制以提升泛化能力 | 通过使用仅占大型数据集1%的平衡数据集实现与完整数据集相当的泛化性能，并验证注意力机制对模型泛化能力的进一步优化 | 未明确说明具体心电图异常类型及模型在外部验证集上的表现细节 | 探究训练数据特征对深度学习模型泛化性能的影响，并提升心电图异常检测的泛化能力 | 心电图数据集及基于深度学习的异常检测模型 | 机器学习 | 心血管疾病 | NA | 深度学习模型（未指定具体类型） | 心电图数据 | 多个心电图数据集，平衡子集仅占大型数据集的1% | NA | NA | 泛化性能（未指定具体指标） | NA |
| 1700 | 2026-03-17 |
Integrative computational analyses implicate regulatory genomic elements contributing to spina bifida
2024, Genetics in medicine open
DOI:10.1016/j.gimo.2024.101894
PMID:39669613
|
研究论文 | 本研究通过整合计算分析，揭示了与脊柱裂相关的调控基因组元件及其在疾病遗传易感性中的作用 | 采用无靶向的全基因组方法结合深度学习优先排序框架，识别了脊柱裂中罕见的单核苷酸变异和拷贝数变异，特别是CCCTC结合因子结合位点的富集，并关联了功能通路 | NA | 描绘脊柱裂病理生理学背后的全基因组调控特征，以理解其遗传易感性 | 脊柱裂患者与健康对照的基因组数据 | 计算生物学 | 脊柱裂 | 全基因组测序，深度学习优先排序 | 深度学习框架 | 基因组序列数据 | NA | NA | NA | NA | NA |