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	2026-07-15	Incremental diagnostic value of multiregional single-slice CT muscle areas over L3 for sarcopenia: a deep learning-based segmentation study 2026-Sep, Skeletal radiology IF:1.9Q3 DOI:10.1007/s00256-026-05237-9 PMID:42095933	研究论文	比较多区域CT肌肉评估与传统单层面L3评估在肌少症诊断中的性能	首次系统比较多区域CT肌肉测量（包括六个解剖层面）与单层面L3评估在肌少症中的诊断增量价值，并采用深度学习分割软件进行自动量化	单中心回顾性研究，样本量较小（83例），且未在独立外部验证集上验证结果	评估基于多区域CT肌肉测量对肌少症的诊断性能是否优于传统单一L3层面评估	接受多区域非对比CT检查并完成肌少症评估的83名成年人	计算机视觉	肌少症	非对比CT	深度学习分割模型	CT图像	83名成年人	NA	DeepCatch	AUC, 皮尔逊相关系数, 斯皮尔曼相关系数	NA
2	2026-07-15	Classification of marine plastic debris using hyperspectral imaging and band selection: A patch-based and pixel-based fusion approach 2026-Sep, Marine pollution bulletin IF:5.3Q1 DOI:10.1016/j.marpolbul.2026.119781 PMID:42097087	研究论文	提出一种基于高光谱成像和波段选择的海洋塑料碎片分类方法，融合了基于补丁的轻量级卷积神经网络和基于像素的随机森林分类器	提出不确定性感知融合方法，结合LSS-HCNN和随机森林分类器，并基于SE块权重和特征重要性进行波段选择，在保持高准确率的同时显著降低计算复杂度	NA	开发轻量级、高精度的海洋塑料碎片分类模型，适用于能量受限的实时监测平台	五种常见聚合物（HDPE、LDPE、PET、PP、PS）及天然有机物和背景材料	计算机视觉,机器学习	NA	高光谱成像	卷积神经网络,随机森林	高光谱图像	NA	PyTorch, Scikit-learn	LSS-HCNN, Squeeze-and-Excitation	准确率	NA
3	2026-07-15	Boundary-aware dual-attention U-Net for multi-class oil spill segmentation in SAR imagery 2026-Sep, Marine pollution bulletin IF:5.3Q1 DOI:10.1016/j.marpolbul.2026.119825 PMID:42097091	研究论文	提出一种基于深度学习的双注意力瓶颈U-Net（DAB-UNet），用于SAR影像中多类石油泄漏的识别与分割	引入双重注意力模块和边界感知学习技术，结合复合损失函数以解决类别不平衡和复杂石油形态问题	未提及在多源SAR数据或极端场景下的泛化能力，且计算资源需求未说明	实现SAR影像中多类石油泄漏的高精度自动分割	Sentinel-1 SAR影像中的石油泄漏区域	计算机视觉	NA	SAR成像	U-Net	图像	使用M4D公开数据集中的Sentinel-1 SAR影像	TensorFlow、PyTorch	U-Net、卷积块注意力模块	准确率、精确率、F值、召回率	NA
4	2026-07-15	Radiomics in musculoskeletal imaging: what is its role in the era of deep learning? 2026-Sep, Skeletal radiology IF:1.9Q3 DOI:10.1007/s00256-026-05257-5 PMID:42159632	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
5	2026-07-15	Development of a real-world, therapeutic drug monitoring-informed model to predict teicoplanin daily dose in pediatric intensive care unit patients with bacterial infections 2026-Aug, International journal of clinical pharmacy IF:2.6Q2 DOI:10.1007/s11096-026-02124-0 PMID:41995939	研究论文	开发基于真实世界治疗药物监测数据指导儿科重症监护室患者替考拉宁每日剂量的预测模型	首次将治疗药物监测数据与机器学习模型（尤其是TabNet结合）用于预测儿科重症监护病房患者的替考拉宁每日剂量，实现个体化给药决策	回顾性单中心研究设计，样本量有限（257名患者），需外部验证其泛化性	开发并验证一个基于真实世界治疗药物监测的机器学习模型，以预测儿科ICU患者临床医师调整后的替考拉宁每日剂量	儿科重症监护室中接受替考拉宁治疗的细菌感染患者	机器学习, 数字病理学, 药物监测	细菌感染	治疗药物监测, 基于随机森林的缺失值填补	TabNet, 梯度提升, XGBoost, LightGBM	临床数据, 治疗药物监测数据	257名儿科ICU患者（595份替考拉宁给药记录）	PyTorch, XGBoost库, LightGBM库, Scikit-learn	TabNet	决定系数R², 均方根误差RMSE, 平均绝对误差MAE	未提及
6	2026-07-15	Deep learning-enabled self-powered bimodal flexible sensor for intelligent access control 2026-Jul-14, Nanotechnology IF:2.9Q2 DOI:10.1088/1361-6528/ae83c1 PMID:42372767	研究论文	开发了一种基于单电极摩擦纳米发电机的自供电双模态柔性传感器，结合深度学习实现智能门禁系统	提出微金字塔阵列结构的PDMS摩擦电层设计，实现自供电双模态传感与深度学习信号解耦的集成方案，在无外部电源下达到高精度识别	文中未明确提及大规模部署成本、长期稳定性测试及多传感器协同工作的挑战	解决传统生物识别技术对电源依赖强、隐私风险高和环境敏感性问题，开发低功耗高安全性的智能门禁系统	双模态柔性传感器的结构设计与性能优化，以及深度学习模型对摩擦电信号的特征提取与分类	机器学习	NA	摩擦纳米发电机	卷积神经网络	波形信号	未明确提及样本数量，涉及材料识别和用户认证任务	NA	卷积神经网络	准确率	NA
7	2026-07-15	Learning High-Resolution Protein Embeddings from Multimodal Data via Self-Supervised Integration 2026-Jul-13, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.6c00618 PMID:42312747	研究论文	提出一种多模态自监督学习方法，整合序列、结构、基因本体注释和显微图像数据学习高分辨率蛋白质嵌入	创新性在于首次联合掩码重建与对比学习多模态融合框架，从序列和结构中提取氨基酸级特征，再通过交叉注意力融合模块获得统一蛋白质嵌入	未明确提及具体局限，但训练数据量和模态覆盖范围可能限制泛化性	通过融合多模态数据学习高分辨率蛋白质嵌入以提升蛋白质功能注释性能	蛋白质，包括氨基酸序列、结构、基因本体注释和显微图像数据	机器学习, 生物信息学	不适用	自监督学习, 多模态融合, 对比学习, 掩码重建	交叉注意力融合模块	序列, 结构, 注释, 图像	96,862个蛋白质	PyTorch（基于常用深度学习框架推断）	自监督结构（joint masked reconstruction + contrastive learning + cross-attention fusion）	性能超越现有方法（具体指标如准确性、F1分数等未明列）	未提及
8	2026-07-15	Anxiety detection using neural and physiological signals and artificial intelligence: A comprehensive review 2026-Jul, Neuroscience and biobehavioral reviews IF:7.5Q1 DOI:10.1016/j.neubiorev.2026.106669 PMID:41933676	综述	对使用神经和生理信号及人工智能进行焦虑检测的研究进行了全面综述	系统梳理了2015-2025年间从传统机器学习到深度学习的演变，强调了CNN-LSTM和Transformer等混合模型在多模态数据集成中的前沿地位	依赖有限实验室训练数据集、缺乏标准化验证程序、复杂模型透明度不足，阻碍临床转化	评估机器学习和深度学习技术在焦虑检测中的应用，并指出临床转化差距与未来研究方向	脑电图（EEG）、心电图（ECG）、光电容积描记法（PPG）和皮肤电活动（EDA）信号	机器学习, 数字心理健康	焦虑症	EEG, ECG, PPG, EDA	机器学习, 深度学习, CNN-LSTM, Transformer	神经信号, 生理信号	NA	NA	CNN-LSTM, Transformer	准确率	NA
9	2026-07-15	Bilevel Optimized Implicit Neural Representation for Scan-Specific Accelerated MRI Reconstruction 2026-Jul, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2026.3686724 PMID:42019070	研究论文	提出一种双层优化的隐式神经表示方法，用于针对特定扫描的加速MRI重建，无需训练数据即可实现个性化重建	首次将MRI重建问题显式建模为双层优化问题，并通过高斯过程回归自动优化超参数，结合可训练位置编码器和小型多层感知器实现高效重建	仅评估了2D笛卡尔扫描场景，对3D或非笛卡尔采集的适用性未提及；离线优化需数分钟，实时性可能受限	开发无需训练数据、自动优化超参数的MRI重建方法，提升模型泛化能力和加速性能	特定扫描的加速MRI重建问题及超参数优化策略	计算机视觉	NA	MRI	隐式神经表示（INR）	MRI图像（欠采样k空间数据）	NA（未明确说明样本数量，但基于典型2D笛卡尔扫描评估）	PyTorch（-合理推断，因其常用于INR实现）	可训练位置编码器 + 小型多层感知器（MLP）	图像质量（与基于模型和自监督学习方法的比较，未明确定量指标）	NA（仅提及每典型2D扫描需数分钟离线优化，在线重建在数秒内完成）
10	2026-07-15	An Enhanced Machine Learning-Based Multimodal Framework for Seizure Detection Using EEG and MRI Data 2026-07, Developmental neurobiology IF:2.7Q3 DOI:10.1002/dneu.70049 PMID:42273988	研究论文	提出一种基于机器学习的多模态框架，集成脑电图和磁共振成像数据用于癫痫发作检测	创新性地整合特征学习、跨模态融合、不平衡感知分类和置信度校准于同一统一学习管道中	仅针对实验设置进行验证，未提及真实临床环境下的泛化能力评估	解决癫痫发作检测中的类别不平衡和判别特征提取问题，提升诊断准确性	癫痫患者的脑电图和磁共振成像数据	机器学习	癫痫	EEG, MRI	改进激活函数深度卷积神经网络 (IADCNN), 极端梯度提升模型 (CLXGBoost)	图像, 时间序列信号	CHB-MIT 和 NITRC 公开数据集	NA	IADCNN, CLXGBoost	准确率 (99.56%)	NA
11	2026-07-15	An Effective LRSF-DLNN-Based Autism Spectrum Disorder Prediction Using EEG and fMRI 2026-07, Developmental neurobiology IF:2.7Q3 DOI:10.1002/dneu.70047 PMID:42281195	研究论文	提出一种基于LRSF-DLNN的ASD预测方法，利用EEG和fMRI数据实现高效分类	首次将逻辑回归尺度函数与深度神经网络结合构建LRSF-DLNN分类器，并设计余弦巴特沃斯滤波器进行EEG去噪、加权惩罚因子变分模态分解和距离函数绿蟒优化算法进行特征选择	未提及模型在真实临床环境中的泛化能力验证及不同亚型ASD的区分效果	通过融合EEG和fMRI多模态数据实现自闭症谱系障碍的准确早期预测	自闭症谱系障碍患者与健康对照组的脑电信号和功能磁共振成像数据	机器学习	自闭症谱系障碍	EEG、fMRI	逻辑回归尺度函数深度神经网络	EEG信号和fMRI图像	NA	NA	LRSF-DLNN	准确率	NA
12	2026-07-15	DiffBulk: Enhancing Spatial Transcriptomic Prediction With Diffusion-Based Training 2026-Jul, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2026.3688322 PMID:42048193	研究论文	提出DiffBulk，一种基于条件扩散模型的两阶段框架，用于增强空间转录组预测	首次将条件扩散模型与病理基础模型融合，通过基因到图像的扩散过程学习富含基因表达信息的图像表征，并采用排列不变的开放嵌入基因编码器实现跨不同基因面板的统一训练	NA	利用扩散模型学习基因与组织形态之间的复杂关系，提高空间转录组预测的准确性	H&E染色的组织病理学图像与空间转录组数据	数字病理学	癌症	空间转录组学	条件扩散模型	图像和基因表达数据	来自HEST数据集和CrunchDAO挑战的高质量Xenium空间转录组数据，构建了瓦片级别的伪批量数据集	NA	条件扩散模型、病理基础模型	所有指标均优于基线，具体指标未详细说明	NA
13	2026-07-15	Deep learning for discriminating cochlear malformations on temporal bone CT 2026 Jul-Aug, Brazilian journal of otorhinolaryngology IF:1.7Q2 DOI:10.1016/j.bjorl.2026.101811 PMID:42054756	研究论文	评估深度学习在颞骨CT图像中诊断耳蜗畸形的效用	首次系统评估深度学习模型在耳蜗畸形诊断中的性能，并与耳科医生进行对比	未在文中明确提及	评估深度学习分析在颞骨CT图像中诊断耳蜗畸形的效用	颞骨CT图像中的耳蜗	计算机视觉	耳蜗畸形	CT成像	Swin UNETR, ResNet50, EfficientNet-B0, DenseNet121	图像	373例颞骨CT（187例正常，186例耳蜗畸形）	NA	Swin UNETR, ResNet50, EfficientNet-B0, DenseNet121	Dice系数, AUC	NA
14	2026-07-15	CIM-VTP: Correlation-Guided Image Modeling With Visual-Textual Task Prompt for Universal Medical Image Registration 2026-Jul, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2026.3690772 PMID:42090536	研究论文	提出一种基于关联引导图像建模与视觉-文本任务提示的通用医学图像配准框架	提出两阶段通用配准框架，包括基于关联引导图像建模的预训练策略和视觉-文本任务提示模块，通过提示学习自适应调整解码器参数，提升跨任务配准的通用性和零样本表现	依赖任务分类器识别输入任务类型，可能对未见任务类型分类不准确；多分辨率提示模块增加了模型复杂度	实现单一模型处理多种医学图像配准任务的通用配准方法，提升跨任务泛化能力和零样本配准性能	六种不同的医学图像配准任务	数字病理学, 机器学习	不适用	深度学习图像配准	CNN（卷积神经网络）	医学图像	六种配准任务涉及的不同医学图像数据集	PyTorch	U-Net, 多头自注意力	配准精度、Dice系数	NVIDIA GPU（具体类型未指定）
15	2026-07-15	DSHARP: Deep Incompressible Motion Estimation With Sinusoidal-Transformed Harmonic Phase for Tagged MRI 2026-Jul, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2026.3693998 PMID:42139136	research paper	提出了一种名为DSHARP的深度无监督学习方法，将谐波相位与深度学习配准框架结合，用于估计标记磁共振成像中的微分同胚且近似不可压缩的运动场	首次将谐波相位（HARP）方法集成到无监督深度学习配准框架中，通过正弦变换去除相位包裹不连续性以实现端到端训练，并利用雅可比行列式损失项鼓励不可压缩性	NA	开发一种快速、精确且能够保证微分同胚和不可压缩性的标记磁共振成像运动估计方法	2D和3D模拟不可压缩运动的体模数据、真实3D人类舌头数据（健康与舌切除受试者）以及公开STACOM 2011基准的心脏标记MRI数据	computer vision	geriatric disease	标记磁共振成像	CNN	image	包括模拟体模数据、真实人类舌头数据（健康与舌切除受试者）以及公共心脏标记MRI数据集	PyTorch	U-Net	追踪精度、计算速度、不可压缩性保持	NA
16	2026-07-15	Decoding common and rare noncoding variant effects across cellular and developmental contexts 2026-Jul, Nature genetics IF:31.7Q1 DOI:10.1038/s41588-026-02619-6 PMID:42298188	研究论文	通过深度学习模型解读人类发育过程中细胞和组织特异性非编码变异的影响	首次大规模应用深度学习预测不同胎儿和成人细胞情境下的染色质可及性，区分常见与罕见非编码变异的细胞类型特异性效应，并开发FLARE框架整合进化约束优先化具有极端调控效应的变异	未提及具体限制	研究非编码变异在人类发育和不同细胞类型中的调控效应及其对疾病的影响	胎儿和成人细胞中的非编码变异，包括常见变异和超罕见变异	机器学习	发育性疾病, 精神分裂症	深度学习序列模型, 单细胞染色质可及性分析	深度学习序列模型	染色质可及性预测数据, 群体遗传学数据	30亿次深度学习预测	NA	NA	NA	NA
17	2026-07-15	Integrating computed tomography and deep learning to assess tibiotarsus cortical bone area for leg health evaluation in purebred male turkeys 2026-Jul, Animal : an international journal of animal bioscience IF:4.0Q1 DOI:10.1016/j.animal.2026.101854 PMID:42314622	研究论文	利用计算机断层扫描和深度学习评估纯种雄性火鸡胫跗骨皮质骨面积，用于腿部健康评价	首次将深度学习与CT影像结合来衍生火鸡胫跗骨皮质骨面积指标，并估计其遗传参数及其与生产性状的相关性	Ct.Ar不能完全反映骨骼完整性，需进一步探索其他CT衍生腿部健康性状	从CT图像中通过深度学习提取Ct.Ar，估计其遗传参数，并评估与生产性状的关联	纯种雄性火鸡（品系A和品系B）	计算机视觉, 数字病理学	骨骼疾病	计算机断层扫描	深度学习	图像	2605只纯种雄性火鸡（品系A）和3337只（品系B）	PyTorch	Detectron2 panoptic segmentation	遗传力估计值，相关系数	NA
18	2026-07-15	AmesNet: A Task-Conditioned Deep Learning Model with Enhanced Sensitivity and Generalization in Ames Mutagenicity Prediction 2026-Jun-29, Chemical research in toxicology IF:3.7Q2 DOI:10.1021/acs.chemrestox.6c00082 PMID:42371678	研究论文	提出一种任务条件化的深度学习模型AmesNet，在Ames诱变性预测中实现增强的灵敏度和泛化能力	采用双分支架构，包含分子编码器和专用通道来条件化Ames检测上下文（如代谢活化和菌株类型），在保持高平衡准确度的同时提升灵敏度，避免现有模型的灵敏度折衷问题	未提及具体限制	开发一种高灵敏度的in silico Ames诱变性预测模型，解决现有模型在域外分子上的灵敏度下降问题	小分子药物的Ames诱变性	机器学习	NA	NA	条件化深度学习模型	分子结构数据	NA	NA	双分支架构（分子编码器+条件化通道）	灵敏度、平衡准确度	NA
19	2026-07-15	Mind Melodies: An NLP platform to examine music cognition 2026-Jun-16, Behavior research methods IF:4.6Q1 DOI:10.3758/s13428-026-03059-0 PMID:42303808	研究论文	开发了一个结合艺术、科学和技术的交互平台Mind Melodies，用于研究希腊音乐调式对个体和集体引发的心理场景、情感和概念	首次将自然语言处理和深度学习算法与希腊音乐调式研究结合，提供定量且生态有效的音乐认知分析框架	初步试点研究样本量有限（142人），可能无法完全代表广泛人群的音乐认知反应	探究希腊音乐调式（伊奥尼亚、多利亚、弗里吉亚、吕底亚、混合吕底亚、爱奥尼亚、洛克里亚）对个体和集体引发的心理场景和情感影响	希腊音乐调式及其引发的心理场景、情感和概念	自然语言处理	NA	NA	深度学习	文本	142名参与者	NA	NA	NA	NA
20	2026-07-15	Super-Resolution enhanced deep learning for efficient and accurate urban flood simulation at the street scale 2026-Jun-15, Water research IF:11.4Q1 DOI:10.1016/j.watres.2026.125819 PMID:41930893	研究论文	提出基于超分辨率增强深度学习的街道尺度城市洪水高效精确模拟方法	通过集成多源异构数据、注意力机制和空间感知一致性损失函数，以及迁移学习机制，显著提升了城市洪水超分辨率重建的精度和鲁棒性	未明确说明，但可能包括对极端降雨场景或不同城市区域的泛化能力有待验证	实现街道尺度城市洪水的高效高精度模拟以支持风险管理与应急响应	城市洪水超分辨率重建模型及其在两种不同案例上的应用表现	计算机视觉	NA	超分辨率重建	深度学习模型	图像	12种降雨场景，案例1和案例2	PyTorch	UFSR	均方根误差	NA