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	2026-03-18	Morphological classification of Schizochytrium and mutagenic selection of high-oil-producing strains based on deep learning 2026-Jun, Microbiological research IF:6.1Q1 DOI:10.1016/j.micres.2026.128464 PMID:41666518	研究论文	本研究开发了一种基于深度学习的裂殖壶菌形态分类系统，并利用该系统筛选出高产油突变菌株	提出了一个包含13种形态类型的新型分类系统，整合了细胞分裂特征和脂滴参数，并构建了一个定制的目标检测架构（增强型MLC-YOLO框架）	未明确提及研究的局限性	优化裂殖壶菌的发酵过程，筛选高产油菌株，以推动工业级omega-3产品的智能生物制造	裂殖壶菌	计算机视觉	NA	形态计量分析，发酵监测	目标检测模型	图像	NA	YOLO	MLC-YOLO, YOLOv8s	平均精度均值	NA
2	2026-03-18	A comprehensive review on wine authentication and traceability: Current issues, solutions and future perspectives 2026-Apr-15, Food chemistry IF:8.5Q1 DOI:10.1016/j.foodchem.2026.148456 PMID:41719666	综述	本文全面总结了葡萄酒认证和溯源领域当前面临的问题、现有解决方案及未来展望	强调了深度学习与传统分析技术的融合、葡萄酒指纹数据库的构建以及区块链技术在供应链透明度中的应用	NA	提升葡萄酒的真实性验证和产地溯源能力	葡萄酒	机器学习	NA	光谱学、色谱法、质谱法、智能传感技术	深度学习	NA	NA	NA	NA	NA	NA
3	2026-03-18	Leveraging deep learning and spectral information for enhanced variety identification of safflower seeds 2026-Apr-15, Food chemistry IF:8.5Q1 DOI:10.1016/j.foodchem.2026.148514 PMID:41724145	研究论文	本研究基于近红外光谱结合化学计量学方法，构建了红花种子品种的快速无损识别模型	将神经网络的深度学习能力与近红外光谱固有优势协同整合，为红花种子种质鉴定建立了一个强大的分析框架	NA	实现红花种子的快速无损品种识别	红花种子	机器学习和化学计量学	NA	近红外光谱	BPNN, CNN	光谱数据	NA	NA	BPNN, CNN	预测准确率	NA
4	2026-03-18	Automated Operative Phase and Step Recognition in Vestibular Schwannoma Surgery: Development and Preclinical Evaluation of a Deep Learning Neural Network (IDEAL Stage 0) 2026-Apr-01, Neurosurgery IF:3.9Q1 DOI:10.1227/neu.0000000000003466 PMID:40304484	研究论文	本研究开发并评估了一个深度学习神经网络，用于自动识别经乙状窦后入路前庭神经鞘瘤切除术中的手术阶段和步骤	首次将机器学习工作流预测平台应用于长时间（中位数超过5小时）、数据量大的手术视频分析，以前庭神经鞘瘤切除术为例，扩展了现有研究	个体步骤分类仍有改进空间，且数据集规模较小（仅21例手术视频），可能限制模型的泛化能力	开发并评估一个能够自动识别经乙状窦后入路前庭神经鞘瘤切除术手术工作流的机器学习模型	21例经乙状窦后入路前庭神经鞘瘤切除术的显微镜手术视频	计算机视觉	前庭神经鞘瘤	手术视频分析	CNN, RNN	视频	21例手术视频	NA	卷积神经网络与循环神经网络组合	准确率, 精确率, 召回率, F1分数	NA
5	2026-03-18	AFTS: A patient-agnostic encoder-decoder architecture with directional attention for blood glucose forecasting 2026-Apr, Journal of biomedical informatics IF:4.0Q2 DOI:10.1016/j.jbi.2026.104998 PMID:41687901	研究论文	本文提出了一种名为AFTS的患者无关编码器-解码器架构，结合双向LSTM与级联方向表示模块，用于血糖预测	引入了专门设计的轴级注意力机制，分别处理时间和特征维度，旨在分离趋势演变与潜在特征幅度	未明确提及具体局限性	开发一种患者无关的深度学习架构，用于准确预测血糖水平	血糖数据	机器学习	糖尿病	连续血糖监测	LSTM, Transformer, RNN	时间序列数据	两个真实世界CGM数据集（KDD18和CDD23）	NA	双向LSTM编码器-解码器	MAE	NA
6	2026-03-18	MRI-based Radiomics and volumetrics for predicting the onset of Alzheimer's Disease with explainable machine learning 2026-Apr-01, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2026.121813 PMID:41698489	研究论文	本文提出了一种基于MRI的放射组学和体积测量方法，结合可解释机器学习预测阿尔茨海默病的发病风险	通过结合放射组学特征和可解释机器学习（SHAP）来预测阿尔茨海默病的发病时间，并揭示MRI纹理、形状和体积等特征对疾病风险的复杂关联	外部验证时数据分布存在差异，模型的可重复性为中等至高	预测阿尔茨海默病的发病风险	阿尔茨海默病患者	机器学习	阿尔茨海默病	结构磁共振成像（MRI）	时间到事件模型	图像, 临床数据	ADNI数据集（训练和内部验证），AIBL和OASIS-3数据集（外部验证）	NA	NA	Brier分数	NA
7	2026-03-18	Cerebrovascular 5D flow MRI 2026-Apr-01, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2026.121828 PMID:41730486	研究论文	本文开发了一种5D相位对比血流MRI框架，用于量化脑血管中的呼吸血流调制	结合深度学习图像重建和分析方法，首次实现了高空间和心脏分辨率下脑血管呼吸血流调制的全场量化	样本量较小（仅10名健康志愿者），且未在患者群体中验证	研究脑血管中的呼吸血流调制，以增进对血管耦合和脑循环的理解	健康志愿者的脑血管血流	医学影像	NA	5D相位对比血流MRI	深度学习	MRI图像	10名健康志愿者	NA	NA	Pearson相关系数, 偏差	NA
8	2026-03-18	Deep Learning Myocardial Segmentation in 3D Whole-Heart Joint T1/T2 Mapping: Comparison of nnU-Net and MA-SAM 2026-Apr, NMR in biomedicine IF:2.7Q1 DOI:10.1002/nbm.70252 PMID:41790043	研究论文	本研究比较了nnU-Net和MA-SAM两种深度学习模型在3D全心T1/T2映射中左心室心肌自动分割的性能	首次在3D全心联合T1/T2映射数据上系统比较nnU-Net和MA-SAM的分割性能与计算效率	样本量较小（仅55名受试者），且仅使用第四交错体积进行分割	评估深度学习模型在心脏MRI分割中的性能与临床适用性	左心室心肌	医学图像分析	心血管疾病	3D全心联合T1/T2映射	深度学习	3D医学图像	55名受试者（15名健康，40名疑似心血管疾病患者）	NA	nnU-Net, MA-SAM	Dice相似系数, IoU, 95% Hausdorff距离	NA
9	2026-03-18	Highly Accelerated 3D MRI of Brain Tumors Using Deep Modular Reconstruction Networks 2026-Apr, NMR in biomedicine IF:2.7Q1 DOI:10.1002/nbm.70260 PMID:41792051	研究论文	本研究开发了一种名为ADMIRE的深度学习框架，用于加速脑肿瘤3D MRI的采集，通过去混叠和增强网络处理欠采样k空间数据	提出了一种两阶段深度学习框架ADMIRE，首次结合去混叠和图像增强网络，实现了比现有临床加速技术更高的k空间欠采样因子，从而显著缩短采集时间	研究样本量相对较小（15名患者），且仅基于GE Healthcare扫描器的特定序列（BRAVO和MPRAGE），可能限制了泛化能力	加速脑肿瘤3D MRI的采集，超越现有临床加速技术，以缩短成像时间并保持图像质量	脑肿瘤患者的增强后3D T1加权MRI图像	医学影像分析	脑肿瘤	3D T1加权MRI，k空间欠采样	深度学习网络	3D MRI图像，k空间数据	训练数据：136例（BRAVO和MPRAGE序列）；测试数据：15名脑部增强病变患者	NA	去混叠网络，增强网络	图像质量评分，诊断置信度，非劣效性检验（Wilcoxon符号秩检验）	NA
10	2026-03-18	A Unified Deep Learning Framework for Liver MR Elastography Postprocessing: Proof-of-Concept Study 2026-Apr, NMR in biomedicine IF:2.7Q1 DOI:10.1002/nbm.70258 PMID:41800652	研究论文	本研究开发了一个统一的深度学习框架，用于肝脏磁共振弹性成像（MRE）的后处理，旨在实现从数据采集到肝脏硬度量化的全自动化	提出了一个单一的深度学习管道，能够直接从幅度和相位图像重建硬度图并生成肝脏分割掩码，在概念验证环境中实现了肝脏MRE后处理的全自动化	研究使用了来自健康志愿者或早期疾病患者的同质队列，需要在多样化的临床人群中进行进一步验证才能更广泛地推广	评估在受控的概念验证环境中，使用单一深度学习管道完全自动化肝脏MRE后处理过程的可行性	83名成年志愿者（56名女性，27名男性；中位年龄21岁），主要代表健康个体或早期疾病患者	医学影像分析	肝纤维化	磁共振弹性成像（MRE）	CNN	图像（幅度和相位图像）	83名成年志愿者	NA	U-Net, ResNet, CycleGAN	偏差百分比，组内相关系数（ICC）	NA
11	2026-03-18	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	本研究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，并引入了一种标签保留数据增强策略以提升对薄壁复杂结构的分割性能	提出了一种标签保留数据增强策略，专门针对内耳中薄且复杂的半规管结构进行优化，相比传统数据增强方法显著提升了分割的鲁棒性和准确性	训练数据量相对有限（共74例内部数据），且外部验证集仅包含8例样本	开发一种自动、准确的内耳亚区分割方法，以支持听觉相关疾病的诊断和治疗规划	内耳的三个亚区：耳蜗底转、耳蜗中至顶转、以及包含半规管的前庭	医学图像分析	听觉相关疾病（如梅尼埃病）	3D T2加权磁共振成像	基于Transformer的深度学习模型	3D医学图像	内部数据集：74例3D T2加权MRI（50例训练，24例内部测试）；外部数据集：8例来自公开Vestibular-Schwannoma-SEG数据集的MRI	NA	3D Transformer	Dice相似系数, 交并比, 豪斯多夫距离	NA
12	2026-03-18	The Application of Radiomics in Laryngeal Cancer Management: A Scoping Review of the Literature 2026-Apr, The Laryngoscope DOI:10.1002/lary.70197 PMID:41099387	综述	本文是一篇范围综述，总结了现有文献中关于影像组学在喉癌管理中应用的价值	系统性地回顾了影像组学在喉癌管理中的应用，并指出结合深度学习的影像组学模型相比传统模型和临床模型具有更高的预测性能	研究存在异质性，包括成像方案、特征提取软件和模型开发算法的差异，并且缺乏外部验证	总结影像组学在喉癌管理（如分期、预后和生存结果预测）中的现有知识	喉癌患者	数字病理	喉癌	影像组学，深度学习	NA	医学影像	30项研究，共3503名患者	NA	NA	准确率	NA
13	2026-03-18	National scale tree canopy cover modelling using google earth engine and stacking ensemble: A case study of the Greek forests 2026-Apr-01, The Science of the total environment DOI:10.1016/j.scitotenv.2026.181628 PMID:41791321	研究论文	本研究利用Google Earth Engine和堆叠集成机器学习方法，生成了希腊全国范围的20米分辨率树冠覆盖图	结合了视觉解释样本点、Sentinel-2卫星数据、高程数据、冠层高度和生态系统类型图，并采用四种机器学习算法的堆叠集成模型进行树冠覆盖建模	不同森林生态系统类型的模型性能差异较大，R值范围从0.165到0.535，RMSE从19.811%到25.767%	开发国家尺度的树冠覆盖模型，以支持森林监测、管理和保护规划	希腊的森林生态系统，特别是六种森林类型	机器学习和遥感	NA	卫星遥感（Sentinel-2）、高程数据、冠层高度测量、生态系统类型制图	集成学习（堆叠集成）、梯度提升机、分布式随机森林、广义线性模型、深度学习（神经网络）	卫星图像、高程数据、冠层高度数据、生态系统类型图、视觉解释样本点	NA	Google Earth Engine	堆叠集成模型（结合了梯度提升机、分布式随机森林、广义线性模型和神经网络）	R值（相关系数）、RMSE（均方根误差）	Google Earth Engine平台
14	2026-03-18	Fully automated, deep learning, cardiac CT-based multimodal network for cardiovascular risk stratification in high-risk perioperative patients 2026-Apr, European heart journal. Digital health DOI:10.1093/ehjdh/ztag037 PMID:41836588	研究论文	本文开发了一种全自动、基于深度学习的心脏CT多模态网络，用于高风险围手术期患者的心血管风险分层	开发了首个全自动多模态深度学习系统，整合患者人口统计学、合并症和冠状动脉CT血管造影结果，以优化围手术期主要不良心脏事件的风险预测	研究样本量相对较小（639名患者），且主要针对特定手术类型（骨科、血管等）的高风险患者，可能限制了结果的普适性	优化高风险围手术期患者的心血管风险预测，以改善患者预后	接受择期非心脏手术并进行冠状动脉CT血管造影作为围手术期风险评估的639名患者	数字病理学	心血管疾病	冠状动脉CT血管造影	CNN	图像, 临床数据	639名患者（平均年龄70±9岁，56%男性）	NA	卷积神经网络	AUROC, 敏感性, 特异性	NA
15	2026-03-18	Identifying key convection-sensitive oceanic regions to weaken the ENSO spring predictability barrier 2026-Mar-24, Proceedings of the National Academy of Sciences of the United States of America IF:9.4Q1 DOI:10.1073/pnas.2512725123 PMID:41838918	研究论文	本文通过引入海表温度范围指数（SRI）识别对对流变化最敏感的关键海洋区域，以减弱ENSO的春季可预报性障碍（SPB）	提出了一种新的海表温度范围指数（SRI）来量化有利于对流的空间范围，并识别出春季东中太平洋和东大西洋的关键温度阈值区域，这些区域对启动持续强对流至关重要	NA	减弱厄尔尼诺-南方涛动（ENSO）的春季可预报性障碍（SPB），提高春季预测能力	ENSO现象及其相关的海洋-大气耦合过程，特别是春季的对流敏感海洋区域	机器学习	NA	海表温度范围指数（SRI）分析，深度学习建模	LSTM	海表温度数据，气候数据	NA	NA	长短期记忆网络	预测技能	NA
16	2026-03-18	DL-assisted self-volume-calibrating colorimetric PAAHM sensors for water surveillance 2026-Mar-17, The Analyst DOI:10.1039/d5an01216c PMID:41670188	研究论文	本文介绍了一种基于聚丙烯酸钠水凝胶微球（PAAHM）的比色传感平台，结合深度学习辅助的自体积校准策略，用于高效定量检测水中的NH、PO和Fe	提出了一种结合PAAHM双响应（比色和体积）特性与CNN模型的自体积校准方法，能同时检测分析物浓度变化和样品体积波动，克服了传统RGB分析的局限性	未明确说明传感器对不同水环境条件（如pH、温度、干扰物）的鲁棒性，以及长期稳定性和实际现场应用的验证情况	开发一种便捷、低成本、高精度的现场环境监测解决方案，用于水中有害物质的定量检测	水中的NH、PO和Fe离子	计算机视觉	NA	比色传感，水凝胶微球制备，图像分析	CNN	图像	NA	NA	CNN	相关系数，分类准确率	NA
17	2026-03-18	Computational and AI-Driven Ecosystem for Structure-Based Covalent Drug Discovery 2026-Mar-17, Accounts of chemical research IF:16.4Q1 DOI:10.1021/acs.accounts.5c00905 PMID:41758998	综述	本文概述了基于结构和人工智能驱动的共价药物发现生态系统，强调数据、模型、工作流程和实验反馈的整合	提出了一个集成的计算和AI驱动生态系统，将数据库、预测模型、工作流程和实验反馈闭环结合，以系统化加速共价药物发现	讨论了AI引擎的局限性和潜在陷阱，特别是在开发AI驱动的共价对接算法时需关注的问题	构建并描述一个计算和AI驱动的生态系统，以加速基于结构的共价药物发现过程	共价药物发现中的靶点蛋白质、共价结合位点、分子对接和先导化合物优化	药物发现	NA	深度学习、分子对接、虚拟筛选	深度学习模型	结构数据、数据库信息	NA	NA	AlphaFold3	NA	NA
18	2026-03-18	Three-Dimensional Burrowing Behavior of Earthworms for Ecotoxicological Studies 2026-Mar-17, Environmental science & technology IF:10.8Q1 DOI:10.1021/acs.est.5c15144 PMID:41782362	研究论文	本研究开发了一种结合透明介质与深度学习轨迹重建算法的综合方法，用于定量研究蚯蚓的三维掘穴行为及其在生态毒理学中的应用	首次通过透明介质与深度学习算法相结合，实现了对蚯蚓连续三维掘穴行为的可视化与定量分析，突破了传统土壤不透明性的限制	透明介质与自然土壤的物理性质存在差异，可能影响蚯蚓行为的完全自然表达；算法坐标提取率为83.65%，存在少量数据丢失	开发定量研究蚯蚓三维掘穴行为的方法，并应用于生态毒理学评估	五种不同物种的蚯蚓	生态毒理学	NA	深度学习轨迹重建算法	NA	三维空间坐标数据	五种蚯蚓物种，28天试验期	NA	NA	坐标提取率	NA
19	2026-03-18	Screening of Respiratory Toxicity of Environmental Compounds Based on Multimodal Feature Fusion Model 2026-Mar-17, Environmental science & technology IF:10.8Q1 DOI:10.1021/acs.est.5c17401 PMID:41782501	研究论文	本研究开发了一个名为GFEnet的多模态深度学习框架，用于预测环境化合物的呼吸毒性	提出了一个创新的多模态深度学习框架GFEnet，首次将分子图特征、结构指纹和电子级属性协同整合，用于跨尺度的呼吸毒性综合预测	未在摘要中明确说明	开发一个高通量筛选平台，用于早期识别呼吸毒性物质，以解决当前监管框架在呼吸毒性评估方面的局限性	环境化合物，特别是极高关注物质和空气污染物数据库中的化合物	机器学习	呼吸系统疾病	深度学习	多模态深度学习框架	分子图特征、结构指纹、电子级属性	未在摘要中明确说明具体样本数量	未在摘要中明确说明	GFEnet	AUC	未在摘要中明确说明
20	2026-03-18	Integrated WTe2@SnO2 Heterojunction Sensors and Deep Learning Architecture for Intelligent Multi-Gas Detection under Environmental Variations 2026-Mar-17, Analytical chemistry IF:6.7Q1 DOI:10.1021/acs.analchem.5c05925 PMID:41787241	研究论文	本文提出了一种集成WTe2@SnO2异质结传感器与深度学习架构的智能多气体检测平台，用于在环境变化下实现高精度气体识别	创新性地结合了WTe2@SnO2异质结传感器与定制化的VAE-BiLSTM-SA深度学习架构，通过协同优化传感器与算法，实现了在变化湿度条件下对多种气体及混合物的高精度分类与浓度预测	未明确提及传感器在极端温度或长期稳定性方面的表现，以及算法在其他环境干扰因素（如压力变化）下的泛化能力	开发一种能够在变化环境条件下进行智能多气体检测的集成传感器-算法平台	NO、NH3气体及其复杂混合物	机器学习	NA	液相剥离合成	VAE, BiLSTM, 自注意力机制	传感器响应的时间序列数据	未明确提及具体样本数量	未明确指定	VAE-BiLSTM-SA	分类准确率, 响应值, 恢复时间, 检测限	未明确提及