深度学习在生物医药领域的应用

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
1	2026-03-16	Predicting transcranial ultrasound insertion loss using skull CT: A deep learning approach 2026-Jul, Ultrasonics IF:3.8Q1 DOI:10.1016/j.ultras.2026.107976 PMID:41637984	研究论文	本研究提出了一种基于颅骨CT扫描的深度学习方法来预测经颅超声插入损失	提出了一种改进的双路径Inception神经网络（mDPI-Net），用于从颅骨CT图像中直接预测超声插入损失，相比传统数值方法显著提升了计算效率	研究仅使用了20个人类颅骨样本，样本量相对较小；实验设置固定，未考虑临床操作中的变异性	优化经颅超声的能量传输，实现更精确的剂量控制	人类颅骨标本	医学影像分析	脑部疾病	CT扫描，超声传输实验	CNN	图像（CT扫描）	20个人类颅骨标本	NA	改进的双路径Inception神经网络（mDPI-Net）	峰值压力误差，插入损失偏差	NA
2	2026-03-16	Multivariate feature analysis of early-stage laryngeal cancer serum components using surface-enhanced Raman spectroscopy 2026-Jun-05, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2026.127625 PMID:41740394	研究论文	本研究系统探讨了表面增强拉曼光谱结合深度学习模型在早期喉癌血清筛查中的临床应用价值	首次将融合注意力机制的一维卷积神经网络应用于早期喉癌血清SERS光谱分析，并证实其优于传统机器学习模型	样本量相对有限，仅包含早期喉癌、声带息肉和健康对照三组，且为单中心研究	开发一种高效、准确的早期喉癌筛查方法	早期喉癌患者、声带息肉患者和健康对照者的血清样本	机器学习	喉癌	表面增强拉曼光谱	CNN	光谱数据	三组血清样本（早期喉癌、声带息肉、健康对照），具体数量未明确说明	NA	1D-CNN, CNN-attention, CNN-baseline	准确率	NA
3	2026-03-16	Three-dimensional fluorescence spectroscopy recognition and component analysis based on machine learning 2026-Jun-05, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2026.127633 PMID:41759433	研究论文	本研究提出了一种结合机器学习与三维荧光光谱的有效方法，用于实现样品污染检测与成分分析	提出了一种名为SE-UNet的改进U型网络架构，利用PARAFAC导出的光谱轮廓作为参考目标来训练模型，在复杂混合物场景下表现出比传统方法更稳定的性能和更强的泛化能力	研究在模拟污染环境中进行数据采集，实际环境复杂性可能影响模型性能；未明确说明模型在极端污染浓度下的表现	开发基于机器学习的三维荧光光谱识别与成分分析方法，提高污染检测的准确性和可靠性	荧光物质及其在污染环境中的识别与成分分析	机器学习	NA	三维激发-发射矩阵荧光光谱技术	KNN, RF, CNN, U-Net	光谱数据	NA	NA	CNN, VGG, U-Net, SE-UNet	RMSE, NRMSE, 余弦相似度, WMAE	NA
4	2026-03-16	A transformer and 3D CNN-based feature fusion network with interpretable ability for Raman spectra analysis: improving the diagnosis of thyroid cancer 2026-Jun-05, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2026.127623 PMID:41762798	研究论文	本文提出了一种结合Transformer和3D CNN的多模态深度学习框架，用于拉曼光谱分析，以提升甲状腺癌的诊断准确性	首次在基于拉曼光谱的甲状腺癌检测中，提出了一种协同整合一维光谱和二维时空特征的多模态深度学习框架，通过多头交叉注意力机制自适应融合特征，并增强了模型的可解释性	二维表示转换可能存在信息损失，其程度取决于所采用的编码策略	提高甲状腺良恶性病变的准确鉴别诊断	甲状腺病变组织	机器学习	甲状腺癌	拉曼光谱	Transformer, 3D-CNN	光谱数据	NA	NA	Transformer, 3D-CNN	准确率	NA
5	2026-03-16	Deep learning assisted cell electrical signal analysis in impedance cytometry 2026-Jun, Analytical biochemistry IF:2.6Q2 DOI:10.1016/j.ab.2026.116093 PMID:41763285	研究论文	本研究开发了基于一维CNN的BioFluxNet算法，用于阻抗细胞术中的原始电信号分析，以直接分类细胞类型并量化细胞计数	BioFluxNet算法通过深度学习自动化分析原始电信号，消除了传统信号处理中耗时的步骤，减少了人工干预和操作者主观性	NA	开发一种快速、自动化的深度学习框架，用于阻抗细胞术中的电信号分析，以分类细胞类型并计数	颗粒和细胞（包括血液细胞和肿瘤细胞）的原始信号流	机器学习	肿瘤	阻抗细胞术	CNN	电信号	NA	NA	一维CNN	NA	NA
6	2026-03-16	Flow rate determination in a two-phase system using radioactive particle tracking and deep learning 2026-May, Applied radiation and isotopes : including data, instrumentation and methods for use in agriculture, industry and medicine IF:1.6Q3 DOI:10.1016/j.apradiso.2026.112520 PMID:41723967	研究论文	本研究提出了一种结合放射性粒子追踪技术和深度学习的方法，用于预测两相系统中的流体体积分数并计算表观速度，以实现非侵入式的流量测定	提出了一种基于放射性粒子追踪和深度学习的非侵入式流量测定方法，避免了传统流量计需要直接接触流体和定期维护的问题	研究基于模拟数据（MCNP6蒙特卡洛模拟），未在真实工业环境中进行验证；仅针对分层盐水-油流态进行了测试	开发一种非侵入式方法，用于准确测定石油工业中两相管道系统的流量	两相系统（盐水-油）中的流体流动	机器学习	NA	放射性粒子追踪技术，蒙特卡洛模拟（MCNP6）	深度神经网络	模拟辐射信号数据	NA	NA	NA	平均绝对百分比误差（MAPE）	NA
7	2026-03-16	CXCL9 as a key feature for deep learning-based immune subtyping and prediction of immune checkpoint blockade response in triple-negative breast cancer 2026-Apr-15, International immunopharmacology IF:4.8Q1 DOI:10.1016/j.intimp.2026.116439 PMID:41759266	研究论文	本研究通过整合多组学数据，利用深度学习驱动的无监督聚类方法识别三阴性乳腺癌的免疫亚型，并发现CXCL9作为关键生物标志物与免疫检查点阻断反应正相关，受IDO1调控	开发了一种基于深度学习的无监督聚类方法（AE-K-means）对三阴性乳腺癌进行免疫亚型分类，并首次将CXCL9识别为与免疫检查点阻断反应相关的关键特征，揭示了IDO1可能通过调控CXCL9影响肿瘤微环境	研究主要基于公共数据集（GEO、TCGA、GTEx），样本可能缺乏多样性；体外实验初步验证了调控机制，但需进一步体内实验确认；深度学习模型的泛化能力有待更多独立队列验证	开发一种新的免疫分类系统，以更准确地预测三阴性乳腺癌患者对免疫检查点阻断疗法的反应，并探索相关的生物标志物和调控机制	三阴性乳腺癌患者的多组学数据（包括基因表达、单细胞测序数据）以及体外培养的巨噬细胞	机器学习	乳腺癌	多组学数据整合、单细胞RNA测序（scRNA-seq）、qRT-PCR、Western blotting、免疫荧光、ELISA	深度学习无监督聚类（AE-K-means）、随机森林（RF）、其他机器学习算法	基因表达数据、单细胞测序数据、实验数据	来自GEO、TCGA和GTEx数据集的多个三阴性乳腺癌样本，具体数量未明确说明，但涉及训练、测试和验证集	未明确指定，但可能涉及TensorFlow或PyTorch（用于深度学习聚类）及Scikit-learn（用于机器学习算法）	自编码器（AE）与K-means结合的聚类架构，其他模型包括NMF、ConsensusClusterPlus、VAE-GMM	轮廓系数（Silhouette Coefficient）、戴维斯-布尔丁指数（Davies-Bouldin Index）、AUC（曲线下面积）	未明确说明，但可能使用GPU进行深度学习模型训练
8	2026-03-16	Integrating molecular generation and fingerprints transferring for single-molecule theranostics targeting endoplasmic reticulum stress 2026-Apr, Journal of advanced research IF:11.4Q1 DOI:10.1016/j.jare.2025.07.042 PMID:40721023	研究论文	本研究提出了一种结合被动与主动靶向机制的AI驱动策略，用于设计靶向内质网应激的多功能诊疗分子	开发了一种基于机器学习的分子指纹转移方法用于被动靶向，以及基于深度学习的3D分子生成模型PM-1用于主动靶向，实现了分子结构的智能设计	NA	设计能够精确靶向并调控内质网应激的多功能诊疗分子，实现疾病的精确诊断与治疗	内质网应激关键生物标志物Grp78	机器学习	肿瘤	分子指纹转移、3D分子生成	机器学习、深度学习	分子结构数据	NA	NA	PM-1	Pearson相关系数、IC50	NA
9	2026-03-16	Automated differentiation of caries requiring filling and caries necessitating root canal treatment using machine learning 2026-Apr, Oral radiology IF:1.6Q3 DOI:10.1007/s11282-025-00874-7 PMID:41175174	研究论文	本研究提出了一种基于深度学习的创新推荐系统，用于自动区分需要填充和需要根管治疗的龋齿类型，并推荐相应治疗方案	引入了一种新颖的推荐系统，结合多种分割方法（YOLOv8、U-Net、Detectron-2）自动检测龋齿类型并推荐治疗方案，是该领域的重大贡献	研究仅基于1253张咬翼片图像，样本量相对有限，且未提及模型在更广泛临床环境中的泛化能力	开发一个辅助牙医诊断龋齿类型（需填充或需根管治疗）并推荐治疗方案的深度学习系统	第一磨牙的龋齿类型（无龋、单一类型龋齿、多种类型龋齿）	计算机视觉	龋齿	深度学习图像分割	CNN	图像	1253张咬翼片图像（经过数据增强）	PyTorch	YOLOv8, U-Net, Detectron-2	像素标签准确率, 治疗推荐成功率	NA
10	2026-03-16	Applications and clinical translation of artificial intelligence in CBCT-based detection of endodontic lesions: a scoping review 2026-Apr, Oral radiology IF:1.6Q3 DOI:10.1007/s11282-025-00876-5 PMID:41188594	综述	本文是关于人工智能在CBCT影像中检测根尖周病变应用与临床转化的范围综述	系统梳理了AI（特别是深度学习）在CBCT影像中自动检测、分类和分割根尖周病变的最新应用进展，并评估了其临床转化潜力	大多数研究为回顾性，使用小型或同质数据集，缺乏外部验证或标准金标准比较（如组织学相关性）	评估人工智能在基于CBCT的根尖周病变检测中的应用现状、诊断性能及临床转化前景	根尖周病变	数字病理	牙科疾病	CBCT成像	CNN	图像	NA	NA	U-Net, DenseNet, PALNet	灵敏度, AUC	NA
11	2026-03-16	Diagnostic performance of artificial intelligence for facial fracture detection: a systematic review 2026-Apr, Oral radiology IF:1.6Q3 DOI:10.1007/s11282-025-00878-3 PMID:41291186	系统综述	本文系统评估了人工智能模型在CT、CBCT和平片X光上检测面部骨折的诊断性能	首次系统综述了AI在面部骨折检测中的诊断性能，涵盖了多种成像模态和AI模型	纳入研究主要为回顾性、单中心设计，样本量有限，标注实践不一致，且缺乏外部或前瞻性验证	评估人工智能模型在面部骨折检测中的诊断性能	用于面部骨折检测的人工智能模型	计算机视觉	面部骨折	CT, CBCT, 平片X光	目标检测模型, 分类模型, 分割模型, 混合框架	图像	23项研究（具体样本量未在摘要中明确给出）	NA	YOLOv5, Faster R-CNN, ResNet, Swin Transformer	敏感性, 特异性, AUC	NA
12	2026-03-16	Integrating artificial intelligence (AI) into colorectal cancer reporting 2026-Apr, The Journal of pathology IF:5.6Q1 DOI:10.1002/path.70029 PMID:41588707	综述	本文综述了人工智能在结直肠癌病理报告标准化及新型预后生物标志物发现中的应用进展	提出结合传统病理特征与AI衍生预后指标的协同方法，以优化结直肠癌风险评估	NA	探讨人工智能如何提升结直肠癌病理报告的标准化并识别新的预后生物标志物	结直肠癌的病理报告和预后生物标志物	数字病理学	结直肠癌	深度学习	深度学习模型，视觉语言模型	全切片图像	NA	NA	NA	NA	NA
13	2026-03-16	Deep Learning-Based Inner Ear Subregion Segmentation in 3D T2-Weighted MRI Using Label-Preserving Data Augmentation 2026-Apr, NMR in biomedicine IF:2.7Q1 DOI:10.1002/nbm.70266 PMID:41821500	研究论文	本文提出了一种基于深度学习的3D T2加权MRI内耳亚区分割方法，通过标签保留数据增强策略提升分割性能	引入了标签保留数据增强策略，专门针对薄且复杂的半规管结构，相比传统数据增强方法在外部数据集上表现出更大的性能提升	样本量相对较小（训练集50例，内部测试集24例，外部测试集8例），可能影响模型的泛化能力	开发一种自动分割内耳亚区的方法，以支持听觉相关疾病（如梅尼埃病）的诊断和治疗规划	内耳的三个亚区：耳蜗基底转、耳蜗中至顶转、以及包含半规管的前庭	数字病理学	梅尼埃病	3D T2加权MRI	基于Transformer的深度学习模型	3D图像	74例3D T2加权MRI图像（50例训练，24例内部测试），外加8例公开数据集Vestibular-Schwannoma-SEG作为外部测试	NA	3D Transformer	Dice相似系数, 交并比, 豪斯多夫距离	NA
14	2026-03-16	Beyond whole-image learning: anatomically partitioned deep learning models for superior sinonasal disease classification 2026-Mar-15, European radiology IF:4.7Q1 DOI:10.1007/s00330-026-12436-4 PMID:41832258	研究论文	本研究提出了一种基于解剖分区的深度学习模型，用于提升鼻窦疾病的CT诊断准确性	通过解剖分区策略替代全图像学习，针对鼻窦解剖异质性设计疾病特异性网络，显著提高了诊断性能	研究为回顾性设计，样本量有限（150例手动分割），且仅针对特定解剖区域	提升基于CT的鼻窦疾病分类诊断准确性	鼻窦CT图像中的13个解剖区域（包括双侧鼻腔、上颌窦、筛窦等）	数字病理学	鼻窦疾病	CT成像	深度学习	医学图像（CT）	2947例CT检查（其中150例用于手动分割）	nnU-Net v2	nnU-Net	敏感性, 特异性, AUC, Dice系数	NA
15	2026-03-16	Explainable deep learning for early diagnosis of chronic kidney disease from CT images in Bangladeshi patients 2026-Mar-15, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-42654-1 PMID:41832284	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
16	2026-03-16	Fluorescence Machine Vision-Based Rapid Quantitative Characterization of Microplastics 2026-Mar-14, Analytical chemistry IF:6.7Q1 DOI:10.1021/acs.analchem.6c00407 PMID:41830590	研究论文	本研究开发了一种基于荧光显微成像和YOLO v11深度学习模型的微塑料快速定量检测方法	提出使用香豆素6（C6）进行稳定广谱染色以获得高质量图像，并开发了结合轻量级注意力机制的YOLO v11模型，同时构建了商业化的FluoPlastVision检测平台	未明确说明模型在不同环境或复杂样本中的泛化能力，也未提供与其他先进方法的详细对比数据	开发一种快速、准确、低成本的微塑料定量检测技术	经香豆素6染色的微塑料荧光显微图像	计算机视觉	NA	荧光显微成像，香豆素6染色	CNN	图像	NA	NA	YOLO v11	NA	NA
17	2026-03-16	GeoPMB: An Interface-Aware Geometric Deep Learning Framework for Peptide-MHCI Binding Prediction with Evolutionary Insight 2026-Mar-14, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c03233 PMID:41830611	研究论文	本文提出了一种名为GeoPMB的新型几何深度学习框架，用于预测肽段与MHCI分子的结合，该框架结合了预训练蛋白质语言模型和几何图网络	将几何深度学习与预训练蛋白质语言模型协同整合，通过几何图网络显式建模预测的pMHCI复合物内的空间依赖性和界面物理化学特征，从而提升对罕见等位基因的泛化能力	未在摘要中明确提及	开发一种准确的计算方法，用于高通量预测肽段与MHCI分子的结合，以助力疫苗和免疫疗法的开发	肽段与I类主要组织相容性复合体（MHCI）分子的结合	机器学习	NA	几何深度学习，预训练蛋白质语言模型	几何图网络	序列数据，结构数据	NA	NA	几何图网络	结合特异性预测，结合亲和力预测	NA
18	2026-03-16	ncProFormer: A CNN-enhanced Transformer for ncRNA Coding-Potential Prediction 2026-Mar-14, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.6c00056 PMID:41830618	研究论文	本文提出了一种名为ncProFormer的深度学习框架，用于预测非编码RNA的编码潜力	首次在ncRNA编码潜力预测中引入跨物种评估，并整合了核酸语言模型GENA-LM和CNN增强的Transformer编码器，以同时捕获局部核苷酸模式和长距离依赖关系	未明确提及模型的具体局限性	开发一个准确且可推广的框架，用于识别具有编码潜力的非编码RNA	非编码RNA（ncRNA）	自然语言处理	NA	深度学习	CNN, Transformer	序列数据	内部人类数据集、外部验证数据集、公共CPPred基准数据集，以及小鼠和大鼠数据集	NA	CNN-enhanced Transformer encoder	NA	NA
19	2026-03-16	Integrative Approaches in Lung Cancer Diagnosis: Bridging Molecular Biomarkers and AI Driven Imaging 2026-Mar-14, Biomarkers : biochemical indicators of exposure, response, and susceptibility to chemicals IF:2.0Q4 DOI:10.1080/1354750X.2026.2644329 PMID:41830914	综述	本文综述了分子生物标志物与人工智能驱动的影像学在肺癌诊断中的整合方法	分析了将分子生物标志物（如EGFR、ALK、KRAS等）与人工智能（特别是机器学习和深度学习）驱动的影像学（如低剂量CT扫描的影像组学和模式识别）进行整合的潜力，以实现更快、更精确、更具个性化的肺癌诊断	面临数据标准化、模型可解释性、临床验证和伦理问题等诸多挑战	探讨肺癌诊断领域如何整合分子生物学和计算技术的最新进展	肺癌	数字病理学	肺癌	液体活检、循环肿瘤DNA、下一代测序、多组学方法（基因组学、转录组学、蛋白质组学）	机器学习, 深度学习	图像, 分子数据	NA	NA	NA	NA	NA
20	2026-03-16	Decoding soil properties from surface cracks using Minkowski functionals, junction crack angle distributions, and AI-based image analysis 2026-Mar-14, The European physical journal. E, Soft matter DOI:10.1140/epje/s10189-026-00567-x PMID:41830988	研究论文	本研究通过Minkowski泛函、裂缝交汇角分布和基于AI的图像分析，解码土壤表面裂缝以识别土壤类型和亚型	结合形态学描述符（如Minkowski泛函和裂缝交汇角分布）与卷积神经网络，实现对土壤类型的精确分类，准确率达100%	NA	通过分析干燥裂缝模式，准确识别土壤类型和亚型，应用于农业土壤评估、行星地形研究等领域	不同土壤类型及其亚类（如洪水左岸和非洪水右岸的土壤）	计算机视觉	NA	图像分析	CNN	图像	NA	NA	NA	准确率	NA