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	2026-07-01	Methodological challenges in machine learning and deep learning applied to food analysis: A critical review 2026-Aug-30, Journal of chromatography. A DOI:10.1016/j.chroma.2026.467176 PMID:42314502	综述	对机器学习和深度学习在食品分析中面临的方法论挑战进行批判性评估	系统审查了165项研究并采用色谱案例实验验证，揭示了高折交叉验证及复制样本误用对模型性能的高估问题	仅基于咖啡色谱数据集进行案例验证，可能无法完全代表其他食品分析场景	评估机器学习/深度学习在食品分析中的方法论可靠性及工业可迁移性	食品色谱指纹图谱及色谱联用技术生成的高维数据集	机器学习	NA	色谱指纹图谱, 色谱联用技术	机器学习模型, 深度学习模型	高维色谱数据	165项已发表研究，1个咖啡起源色谱数据集	NA	NA	准确率	NA
2	2026-07-01	1D domino-like phase transformation enables material programming in 2D MoTe2 2026-Jul-07, Proceedings of the National Academy of Sciences of the United States of America IF:9.4Q1 DOI:10.1073/pnas.2528037123 PMID:42372145	研究论文	通过深度学习势加速的分子动力学模拟，揭示了单层MoTe2中一维多米诺骨牌式的相变机制，并展示了其在非线性光学响应和电学开关调控中的潜力	首次发现二维材料中一维多米诺骨牌式相变机制，兼具马氏体和重构相变特征，并通过深度学习势分子动力学模拟验证，提供了可调的相变过程控制能力	研究主要基于模拟结果，未提供实验验证相变机制的细节，且可能未探讨其他组分的MoTe2或不同二维材料中的通用性	探索单层MoTe2的相变微观机制并实现材料性能调控	单层MoTe2材料	机器学习	NA	分子动力学模拟, 深度学习势	深度学习势	分子动力学轨迹数据, 模拟数据	NA	NA	深度学习势	NA	NA
3	2026-07-01	Joint-Shrinkage Pattern Matching for Small-Sample and Imbalanced ERP Decoding in Brain-Computer Interfaces 2026-Jul, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3632096 PMID:41223103	研究论文	提出了一种联合收缩模式匹配算法，用于解决脑机接口中小样本和不平衡事件相关电位解码问题	通过联合收缩空间滤波器结合基于收缩的正则化与l_{2,p}范数，在复杂结构化正则化与实现简单性之间架起桥梁，并利用加权模板匹配缓解类不平衡导致的决策边界偏移	未明确说明	解决事件相关电位解码中的数据稀缺和类不平衡挑战，推动从实验室研究向实际应用过渡	基于事件相关电位的脑机接口系统的解码算法	机器学习	NA	事件相关电位解码	联合收缩模式匹配 (JSPM)	脑电图信号	40个不平衡训练样本	NA	联合收缩空间滤波器, 加权模板匹配	平衡准确率 (bAcc)	NA
4	2026-07-01	Data Augmentation via Digital Twins to Develop Personalized Deep Learning Glucose Prediction Algorithms for Type 1 Diabetes in Poor Data Context 2026-Jul, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3635264 PMID:41269845	研究论文	提出一种利用数字孪生体进行数据增强的策略，以在数据匮乏的情况下开发1型糖尿病个性化深度学习血糖预测算法	首次将数字孪生体（DT-T1D）用于生成个性化合成数据，以增强深度学习模型在血糖预测中的训练效果，特别是在数据有限的情况下	研究基于12名患者的开源数据集，样本量较小，可能限制模型的泛化能力；此外，数字孪生体的生成和模拟过程可能引入偏差	解决1型糖尿病管理中因数据稀缺而难以训练深度学习血糖预测模型的问题	1型糖尿病患者及其血糖-胰岛素动态数据	机器学习	1型糖尿病	NA	深度学习（未指定具体模型类型）	时序数据（血糖-胰岛素动态数据）	12名患者的数据	NA	NA	NA（摘要中提及性能提升但未给出具体指标）	NA
5	2026-07-01	Leveraging Rich Mechanical Features and Long-Range Physical Constraints for Lumbar Spine Stress Analysis 2026-Jul, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3635426 PMID:41269846	研究论文	提出一种结合3D生成对抗网络与双通道视觉Transformer的框架，用于腰椎应力分析，兼具高精度与高效计算	将物理约束机制引入深度学习训练，确保模型与力学原理的一致性；通过生成对抗网络进行数据增强，克服了医学数据依赖性	未提及	提高腰椎生物力学分析的效率与准确性，实现实时分析以辅助诊断、手术规划和个体化治疗	腰椎的生物力学特性，包括椎体、椎间盘等结构	计算机视觉，数字病理学	脊柱疾病	有限元分析	生成对抗网络，视觉Transformer	图像	未提及	PyTorch	3D生成对抗网络，双通道视觉Transformer	交并比，均方误差	NA
6	2026-07-01	Leveraging Swin Transformer for Enhanced Diagnosis of Alzheimer's Disease Using Multi-Shell Diffusion MRI 2026-Jul, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3636745 PMID:41284461	研究论文	利用多壳扩散MRI和Swin Transformer深度学习框架进行阿尔茨海默病诊断	首次将Swin Transformer应用于多壳扩散MRI数据，并结合低秩适应微调，有效处理有限的神经影像标记数据	未明确提及，但基于有限标记数据的迁移学习和特定数据集可能限制了泛化能力	支持阿尔茨海默病的早期诊断和淀粉样蛋白积累的检测	认知正常、轻度认知障碍、阿尔茨海默病痴呆患者及其淀粉样蛋白状态	计算机视觉	阿尔茨海默病	多壳扩散MRI	Swin Transformer	医学影像（多壳扩散MRI）	未明确说明	PyTorch	Swin Transformer	平衡准确率	NA
7	2026-07-01	EMI Cancellation for Shielding-Free Ultra-Low-Field MRI 2026-Jul, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3635911 PMID:41284462	研究论文	针对无屏蔽超低场MRI中的电磁干扰问题，提出一种基于深度学习的主动EMI抑制方法	首次将Transformer与混合注意力机制结合到U-Net架构中实现数据驱动的EMI预测与抑制	未提及具体局限性	开发深度学习主动EMI抑制方法，实现无屏蔽环境下ULF MRI的高质量成像	人体大脑成像数据中的电磁干扰信号	机器学习	NA	超低场磁共振成像	U-Net	磁共振信号	NA	PyTorch	U-Net, Transformer, 混合注意力机制	信噪比, 峰值信噪比, 结构相似性指数	NA
8	2026-07-01	Computerized Assessment of Motor Imitation for Distinguishing Autism in Video (CAMI-2DNet) 2026-Jul, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3637089 PMID:41296941	研究论文	提出了一种基于深度学习的视频运动模仿评估方法，用于区分自闭症谱系障碍个体	提出CAMI-2DNet，一种无需临时数据归一化、清理和人工标注的可解释深度学习方法，利用编码器-解码器结构从视频中分离运动表示与身体形状和视角等干扰因素，并采用合成数据与真实数据训练	未明确说明局限性，可能依赖于合成数据的质量和真实数据的代表性	开发一种可扩展且可解释的计算机化运动模仿评估方法，用于区分自闭症谱系障碍与神经典型个体	自闭症谱系障碍儿童和神经典型儿童的运动模仿视频数据	计算机视觉	自闭症谱系障碍	视频数据	深度学习	视频	未明确说明样本数量，包括真实参与者和合成数据	PyTorch	编码器-解码器架构	与人类评分相关性，区分自闭症与神经典型个体的能力（如AUC、准确率等未明确指定）	NA
9	2026-07-01	Assessing the Robustness of Deep Learning Based Brain Age Prediction Models Across Multiple EEG Datasets 2026-Jul, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3639477 PMID:41329579	研究论文	系统评估基于深度学习的脑年龄预测模型在多个EEG数据集上的鲁棒性	首次在不同脑电图数据集上系统评估深度学习模型的泛化能力，并探索超参数配置对模型性能的影响	未详细说明模型在特定疾病或人群中的适用性，以及潜在的偏倚来源	研究深度学习模型在不同脑电图数据集上的泛化能力，以年龄为预测目标	脑电图数据（EEG）	机器学习, 数字病理学	老年疾病	脑电图（EEG）	深度学习（DL）	时间序列数据（EEG信号）	5个数据集，1805个超参数配置	NA	多种深度学习架构（未具体列出）	皮尔逊相关系数（r）, R²	NA
10	2026-07-01	Deep Learning-Based Surrogate Model of Subject-Specific Finite-Element Analysis for Vertebrae 2026-Jul, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3642160 PMID:41364580	研究论文	提出一种基于深度学习的替代模型，用于高效预测椎体应力分布，替代耗时的主体特定有限元分析	整合椎体形状编码并采用分离解码分支处理表面和内部节点，实现高效预测并与FEA结果高度一致	在前下缘和椎弓根区域存在局部预测偏差	开发快速、主体特定的椎体生物力学评估方法，应用于临床工作流	腰椎L1椎体	机器学习	NA	CT扫描	深度学习替代模型（基于CNN）	CT图像	42例真实CT扫描数据经增强生成3960个合成L1椎体	NA	多分支解码网络（表面节点分支+内部节点分支）	平均绝对误差, R平方, 可视化对比	NA
11	2026-07-01	Surgically Relevant Knee Phenotypes: The Modified Coronal Plane Alignment of the Knee System-A Deep Learning-Based Classification 2026-Jul, The Journal of arthroplasty IF:3.4Q1 DOI:10.1016/j.arth.2026.04.010 PMID:41967528	研究论文	基于深度学习提出改良的膝关节冠状面对齐分类（CPAK）系统，实现自动化膝关节表型分类并分析其分布规律	提出简化的改良CPAK系统，并首次应用深度学习模型实现膝关节表型的自动分类，揭示了内翻主要由胫骨驱动、外翻主要由股骨驱动的规律，为手术规划提供更精确的评估框架	研究样本仅来自公开数据集，未涵盖不同种族和人群的多样性；深度学习模型依赖放射影像质量；未评估改良CPAK系统对手术决策的直接影响	提出改良的膝关节冠状面对齐分类系统，利用深度学习模型自动化识别膝关节表型，并分析其分布模式以指导手术决策	972名患者的1944个健康及关节炎膝关节的全长X线片	计算机视觉	膝关节疾病（骨关节炎）	X线影像	深度学习模型	全下肢X线影像	972名患者的1944个膝关节（含健康和关节炎病例）	NA	NA	NA	NA
12	2026-07-01	A century of coffee and tea research in cognitive health and Alzheimer's disease: Structural, thematic, and translational insights (1911-2025) 2026-Jul, Journal of Alzheimer's disease : JAD DOI:10.1177/13872877261450996 PMID:42216624	综述	系统绘制咖啡和茶在认知衰老与阿尔茨海默病研究中的结构、主题和演化全景（1911-2025）	首次以百年时间尺度、统一初级证据框架联合分析咖啡与茶两种饮品，结合文献计量学与可视化工具揭示主题演化及新兴领域（如肠道微生物、深度学习方法）	仅纳入Scopus索引的英文原创文章，可能遗漏非英文文献及灰色文献；检索策略受布尔逻辑限制，部分灰色文献未覆盖	绘制咖啡和茶在认知老化与阿尔茨海默病研究中的结构、主题与时间演化图谱	咖啡和茶对认知健康与阿尔茨海默病影响的原始英文文献	文献计量分析	阿尔茨海默病	NA	NA	文献元数据	2873篇文章（来自1285个来源）	Bibliometrix, VOSviewer	NA	文献产出量、每篇平均引用数（40.17次）、合作网络密度、核心期刊分布等	NA
13	2026-07-01	Pediatric post-acute sequelae of SARS-CoV-2 infection in Taiwan: Insights from the DISCOVER cohort 2026-Jul, Pediatrics and neonatology IF:2.3Q2 DOI:10.1016/j.pedneo.2026.03.007 PMID:42285845	研究论文	基于DISCOVER队列的台湾儿童SARS-CoV-2感染后遗症研究	通过多模态方法（验证筛查工具、AI诊断、肺功能评估）系统描述台湾儿童PASC的临床特征，并初步探索维生素D干预效果	结果基于单个队列和单中心随机对照试验，需更大规模验证	阐明台湾儿童PASC的临床特征、免疫机制及干预措施效果	台湾儿童SARS-CoV-2感染后遗症患者	机器学习	儿科COVID-19后遗症	脉冲振荡肺功能、深度学习超声心动图	深度学习模型	影像、免疫生物标志物、临床数据	DISCOVER队列儿童患者（具体数量未提及）	NA	深度学习辅助超声心动图模型	NA	NA
14	2026-07-01	Early diagnosis of Alzheimer's disease through handwriting analysis and deep learning: A review 2026-Jul, Journal of Alzheimer's disease : JAD DOI:10.1177/13872877261446573 PMID:42104715	综述	通过笔迹分析与深度学习实现阿尔茨海默病早期诊断的综述研究	系统整合了笔迹作为神经认知标志物与深度学习方法的交叉应用，提出多模态融合（语音、步态、面部信号）提升检测灵敏度	多数研究样本量小且为单中心设计，缺乏多中心验证和临床转化实践	评估基于笔迹的深度学习模型在阿尔茨海默病和轻度认知障碍早期诊断中的准确性及方法论挑战	阿尔茨海默病和轻度认知障碍患者的笔迹数据（离线图像和在线运动学特征）	机器学习	阿尔茨海默病	数字笔迹采集	卷积神经网络、多模态Transformer融合	图像、时间序列数据	NA	NA	CNN、Transformer	准确率	NA
15	2026-07-01	Automated quantification of interstitial lung abnormalities and emphysema on computed tomography: a predictive marker for postoperative pulmonary complications after esophagectomy 2026-Jul, Esophagus : official journal of the Japan Esophageal Society IF:2.2Q3 DOI:10.1007/s10388-026-01208-0 PMID:42126669	研究论文	基于深度学习自动量化CT上肺间质异常和肺气肿，预测食管切除术后肺部并发症	首次使用深度学习自动量化方法评估CT纹理特征与食管切除术后肺部并发症的关联	单中心回顾性研究，可能引入选择偏倚；样本中男性占比较大，结果普遍性受限	评估术前CT纹理特征（肺间质异常和肺气肿）与食管切除术后肺部并发症的关联	2016年至2022年间接受食管切除术的765名患者	计算机视觉	食管癌术后肺部并发症	CT	深度学习模型（用于肺间质异常和肺气肿量化）	图像（CT扫描）	765名患者（平均年龄64.72±8.27岁，91.2%男性）	NA	NA	风险比	NA
16	2026-07-01	Accelerated Brain Aging in Young Women with Posttraumatic Stress Disorder 2026-Jun-30, Experimental neurobiology IF:1.8Q4 DOI:10.5607/en26007 PMID:41889261	研究论文	使用深度学习模型估计年轻女性创伤后应激障碍患者的脑年龄，发现其脑老化加速约2.1年，并与认知和情绪症状严重程度相关	在年轻女性群体中首次直接通过神经影像学证据证实创伤后应激障碍加速脑老化，并利用群体特异性深度学习模型精确计算脑年龄差距	样本量相对较小且仅限于年轻女性，可能限制了结果的泛化性	研究年轻女性创伤后应激障碍患者是否出现加速脑老化及其与症状严重程度的关系	85名40岁以下女性（34名创伤后应激障碍患者和51名年龄匹配的健康对照）	机器学习	创伤后应激障碍	NA	深度学习	T1加权磁共振成像	85名女性参与者（34名创伤后应激障碍患者和51名健康对照）	NA	NA	脑年龄差距、p值、标准化回归系数	NA
17	2026-07-01	Tailored Deep Learning-Assisted In Situ SERS: Overcoming Surface Irregularities-Induced Large Signal Variation on Biological Tissues 2026-Jun-30, Analytical chemistry IF:6.7Q1 DOI:10.1021/acs.analchem.6c01156 PMID:42275583	研究论文	提出一种结合定制一维卷积神经网络（1D-CNN）的表面增强拉曼光谱（SERS）策略，以克服生物组织表面不平整导致的大信号变异性	首次将定制核大小递减（57-37-11-3）的1D-CNN应用于原位SERS分析，显著提升不平整生物表面定量分析的鲁棒性，同时保持短训练时间	目前仅以苹果皮上的噻菌灵检测作为模型对象，未验证在其他类型生物组织或复杂基质中的通用性	开发一种深度学习辅助的SERS策略，实现不平整生物表面的高重现性定量分析	苹果皮表面的噻菌灵残留	机器学习	NA	表面增强拉曼光谱（SERS）	一维卷积神经网络（1D-CNN）	光谱数据	未明确说明样本数量	NA	1D-CNN（核大小57-37-11-3）	R²	未明确说明，但训练时间为242秒
18	2026-07-01	Mechanism-Based Multitarget Modeling for Pathway-Level Prediction of PI3K/Akt Signaling Perturbation Induced by Liquid Crystal Monomers 2026-Jun-30, Environmental science & technology IF:10.8Q1 DOI:10.1021/acs.est.6c00371 PMID:42311097	研究论文	构建了以通路为中心的PI3K/Akt信号扰动多靶点预测框架，用于评估液晶单体的系统毒性机制	首次提出基于机制的多靶点建模框架，整合深度学习与KEGG通路富集，实现通路级信号扰动预测，并应用于新兴污染物LCMs	基于ChEMBL数据训练，可能覆盖范围有限；实验验证仅限A549细胞，需更多细胞系和体内验证	开发可转移的机制知情毒性评估框架，用于LCMs等污染物的化学优先排序	液晶单体和PI3K/Akt信号通路相关的19种蛋白靶点	机器学习	NA	深度学习、分子对接、转录组分析	多任务深度学习模型	分子结构数据、IC50活性数据、转录组数据	53694种分子，62440个数据点（ChEMBL训练集）；1412种LCMs（预测集）	NA	多任务神经网络	准确率	NA
19	2026-06-19	Correction to "Deep Learning-Assisted Multiplexed Electrochemical Fingerprinting for Chinese Teas Identification" 2026-Jun-30, Analytical chemistry IF:6.7Q1 DOI:10.1021/acs.analchem.6c03715 PMID:42312887	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
20	2026-07-01	Agentic Artificial Intelligence-Driven Explainable Deep Learning for Deciphering Noncoding Pathogenic Mechanisms of Delirium Through Genomic Big Data Integration 2026-Jun-29, Big data IF:2.6Q2 DOI:10.1177/2167647X261463929 PMID:42367167	研究论文	开发了一种主体式人工智能驱动可解释深度学习管道，整合基因组大数据以解析谵妄的非编码致病机制	首次将主体式AI与多组学数据结合，识别出APOE和TOMM40为谵妄的因果基因，并揭示其相反方向效应及脑层特异性表达模式	未明确说明，可能包括样本人群限制（仅FinnGen数据）或功能验证缺乏	利用主体式AI和多组学整合剖析谵妄的遗传结构，识别因果基因并探索潜在治疗靶点	谵妄患者的全基因组关联研究数据、转录组关联研究数据、空间转录组数据以及深度学习预测结果	机器学习	老年疾病	全基因组关联分析（GWAS）、因果转录组关联研究（cTWAS）、空间转录组分析（gsMap）、深度学习（Enformer, SpliceTransformer）	深度学习模型（Enformer, SpliceTransformer）	基因组数据、转录组数据、空间转录组数据	6854例谵妄病例和384461例对照	NA	Enformer, SpliceTransformer	后验包含概率（PIP）、显著性p值、SNP活性差异、最大Δ分数	NA