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	2026-03-24	Granular stockpile volume dataset 2026-Jun, Data in brief IF:1.0Q3 DOI:10.1016/j.dib.2026.112631 PMID:41869581	研究论文	本研究介绍了一个用于基于视觉的无人机系统（UAS）体积测量的标注数据集，旨在提高颗粒状料堆体积测量的准确性和自动化水平	首次提供了一个全面的UAS数据集，涵盖了不同天气条件、料堆尺寸、相机角度、飞行模式和图像重叠等参数，并包含标注的3D点云数据，支持3D深度学习模型开发	数据集为横断面设计，料堆未随时间单独追踪，且数据收集期间其中一个站点的料堆体积发生了变化	开发一个标注的UAS数据集，以促进基于视觉的无人机系统在颗粒状料堆体积测量中的应用，并研究视觉数据收集参数对测量结果的影响	颗粒状料堆（沙子和砾石材料），共47个料堆，体积范围从51 m³到3000 m³	计算机视觉	NA	无人机系统（UAS）数据采集，Pix4D摄影测量	3D深度学习模型	图像，3D点云	1521张图像，来自47个料堆，覆盖两个不同站点	NA	NA	NA	NA
2	2026-03-24	AI-powered insights in pediatric nephrology: current applications and future opportunities 2026-May, Pediatric nephrology (Berlin, Germany) DOI:10.1007/s00467-025-06911-1 PMID:40957986	综述	本文综述了人工智能在儿科肾病学中的当前应用与未来机遇，涵盖诊断、治疗、工作流程优化及研究加速等方面	系统性地整合了AI在儿科肾病学中的多领域应用，并强调了跨学科合作与伦理框架的重要性	存在伦理和实践挑战，如数据隐私、算法偏见及医生培训需求，且尚未建立标准化监管框架	探讨人工智能如何提升儿科肾病学的诊断精度、治疗个性化、工作效率及研究创新	儿科肾病患者的诊断、治疗、管理流程及相关医疗数据	数字病理学	肾病	深度学习	深度学习模型	患者病史、基因组学、影像学、纵向临床记录	NA	NA	NA	NA	NA
3	2026-03-24	Deep Learning Reconstruction Enables Diagnostic-Quality 0.4T Knee and Spine MRI in One-Third of the Time 2026-May, NMR in biomedicine IF:2.7Q1 DOI:10.1002/nbm.70274 PMID:41866229	研究论文	本研究利用深度学习模型加速低场强0.4T膝关节和脊柱MRI扫描，在保持诊断质量的同时将扫描时间缩短至原来的三分之一	首次将CIRIM深度学习模型应用于低场强MRI加速重建，并系统评估了其在多种解剖结构和前瞻性欠采样数据上的泛化能力	放射科医生对较高加速因子的评分存在差异，表明最佳加速因子可能依赖于具体诊断任务；观察者间一致性较低	通过深度学习加速低场强MRI扫描，提高MRI的可及性	膝关节和脊柱的MRI图像	医学影像分析	肌肉骨骼疾病	MRI	深度学习	图像	包含多种对比度、方向和矩阵大小的膝关节和脊柱2D多切片扫描的异质数据集	NA	CIRIM	L1损失, SSIM, 感知损失, Kendall's Tau, Cohen's Kappa	NA
4	2026-03-24	Deep learning with limited data: a transfer learning approach for transcriptomic survival prediction 2026-Apr-15, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2026.111618 PMID:41812364	研究论文	本研究评估了迁移学习在转录组学生存预测中的应用，通过利用跨癌症的大数据集来提升小队列中的预测性能	首次系统评估迁移学习在转录组学生存预测中的效果，并采用留一法预训练策略结合微调，显著提升了小队列肿瘤的预测性能	研究依赖于TCGA数据，可能未涵盖所有肿瘤类型或临床异质性，且模型解释性方法基于LIME-like方法，可能存在局限性	探索迁移学习在癌症转录组学数据中用于疾病无进展生存预测的有效性	来自TCGA的27种肿瘤类型的7509名患者的RNA-seq数据	机器学习	癌症	RNA-seq	深度神经网络	转录组学数据	7509名患者	NA	NA	一致性指数	NA
5	2026-03-24	Interpretable evaluation of physiological signals for biometric identification 2026-Apr-15, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2026.111616 PMID:41812367	研究论文	本文提出一个统一框架，用于分析ECG、EEG和PPG生理信号在生物识别中的应用，并强调模型可解释性	将研究焦点从单纯性能指标转向深入理解生物识别系统行为，特别是信号特征、人口规模和样本可用性对性能的影响，并引入SHAP进行特征重要性量化	未明确提及具体局限性，但可能涉及数据集多样性或实际部署中的泛化能力	评估生理信号在生物识别中的性能，并提高系统的可解释性和可靠性	ECG、EEG和PPG生理信号	机器学习	NA	生理信号分析	机器学习模型	生理信号数据	NA	NA	NA	识别准确率, 等错误率	NA
6	2026-03-24	Empirical evaluation of variability and multi-institutional generalizability of deep learning survival models: application to renal cancer CT scans 2026-Apr-15, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2026.111603 PMID:41806695	研究论文	本研究系统评估了深度学习生存模型在肾癌CT影像上的变异性与多机构泛化能力，探讨了数据划分、初始化及增强策略对模型性能的影响	首次在医学影像生存预测领域系统量化数据划分策略、模型初始化及数据增强对多机构泛化能力的影响，提出协变量平衡划分方法	研究仅针对肾癌CT影像，样本量相对有限（525例），未涵盖其他癌症类型或模态影像	评估深度学习生存模型在跨机构医学影像数据上的泛化性能，探索提升模型鲁棒性的方法论	肾癌患者的CT扫描影像及对应的生存时间数据	数字病理	肾癌	CT影像分析	CNN	3D医学影像	525名患者（来自9个机构）	PyTorch	3D ResNet-18	一致性指数（c-index），风险比（HR）	NA
7	2026-03-24	Beyond spectroscopy: Machine vision as the future of non-destructive testing in 3D-printed pharmaceuticals 2026-Apr-10, International journal of pharmaceutics IF:5.3Q1 DOI:10.1016/j.ijpharm.2026.126750 PMID:41819388	综述	本文综述了用于3D打印药物质量控制的非破坏性光谱和成像检测技术，并重点探讨了机器视觉（MV）与人工智能结合的应用前景	强调了机器视觉（MV）与深度学习算法（如CNN、YOLO）结合，作为实时缺陷检测和视觉检查的创新工具，在个性化制药领域提供更灵活、精确和高效的质量控制策略	讨论了现有技术差距、监管挑战以及标准化需求，以确保这些技术安全可靠地集成到制药工作流程中	开发适用于3D打印药物的灵活、精确且高效的非破坏性质量控制策略	3D打印（3DP）的个性化剂型和药物递送系统	机器视觉	NA	近红外光谱、拉曼光谱、太赫兹光谱、光学相干断层扫描、高光谱成像	CNN, YOLO	图像	NA	NA	卷积神经网络（CNN）、YOLO模型	准确性、速度、适应性	NA
8	2026-03-24	Attention Gated-VGG with deep learning-based features for Alzheimer's disease classification 2026-Apr, Neurodegenerative disease management IF:2.3Q3 DOI:10.1080/17582024.2025.2554495 PMID:40929122	研究论文	本文提出了一种基于注意力门控VGG和深度学习特征的阿尔茨海默病分类方法	结合了WOA优化的ResNet特征提取与注意力门控VGG模型，实现了高精度的阿尔茨海默病分类	未明确说明数据集的规模与多样性限制，可能影响模型的泛化能力	早期检测阿尔茨海默病	阿尔茨海默病患者	计算机视觉	阿尔茨海默病	深度学习	CNN	图像	NA	NA	ResNet, Attention Gated-VGG	准确率, 敏感度, 特异性	NA
9	2026-03-24	Artificial intelligence in clinical nutrition. A narrative review 2026-Apr, Clinical nutrition ESPEN IF:2.9Q3 DOI:10.1016/j.clnesp.2025.11.142 PMID:41285366	综述	本文是一篇关于人工智能在临床营养学中应用的叙述性综述，旨在为临床医生提供AI基础概念及其在营养护理中实际应用的概述	系统性地综述了AI在临床营养学中的整合潜力，并强调了临床医生教育、跨学科合作与伦理监督对成功实施的重要性	作为一篇叙述性综述，可能未涵盖所有最新研究，且未进行定量分析或荟萃分析	概述人工智能在临床营养学中的应用，并探讨如何促进其负责任和有效的整合	临床营养学领域的人工智能技术及其在医疗保健中的应用	机器学习	NA	NA	机器学习, 深度学习, 大语言模型	NA	NA	NA	NA	NA	NA
10	2026-03-24	Dynamic insights into cellular mechanics and membrane undulations in vascular smooth muscle cells 2026-Apr-01, American journal of physiology. Cell physiology DOI:10.1152/ajpcell.00771.2025 PMID:41758219	研究论文	本研究结合实时原子力显微镜、信号处理、生化分析与机器学习图像量化，探究血管平滑肌细胞中细胞力学、膜波动、细胞骨架组织与肌动球蛋白信号间的时空耦合关系	首次在血管平滑肌细胞中观察到特定频率且跨细胞同步的机械振荡现象，并揭示了肌动蛋白组织与肌球蛋白轻链激酶信号对不同振荡模式的差异化调控机制	研究主要基于体外细胞模型，未在完整血管组织或活体环境中验证；药理干预可能产生非特异性效应	探究血管平滑肌细胞机械振荡的调控机制及其与细胞骨架、收缩信号的关系	血管平滑肌细胞	生物力学与细胞生物物理学	心血管疾病	实时原子力显微镜、共聚焦成像、生化分析、信号处理	深度学习	显微镜图像、力学测量数据、生化数据	未明确说明	NA	NA	NA	NA
11	2026-03-24	Integrating Multiview Information for Enhanced Deep Learning-Based Acute Dermal Toxicity Prediction 2026-Mar-23, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02959 PMID:41789561	研究论文	提出一种名为MVIToxNet的新型深度学习模型，通过整合分子指纹和SMILES序列的多视图特征，用于急性皮肤毒性预测	整合分子指纹和SMILES序列的多视图特征，包括字符级和原子级特征，并采用字节对编码分词捕捉分子亚结构细节	研究中使用的数据集规模小且不平衡，仅基于最佳验证性能选择单一模型可能无法可靠反映测试集的最佳泛化能力	开发一种深度学习模型以准确预测急性皮肤毒性，替代成本高且伦理挑战大的动物毒性测试	分子（通过分子指纹和SMILES序列表示）	机器学习	NA	深度学习	深度学习模型	分子指纹、SMILES序列	小规模且不平衡的数据集	NA	MVIToxNet	NA	NA
12	2026-03-24	MML-DTI: Multimanifold Learning with Hyperbolic Graph Neural Networks for Enhanced Drug-Target Interaction Prediction 2026-Mar-23, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02826 PMID:41802299	研究论文	提出了一种结合双曲空间和欧几里得空间的多流形学习框架，用于增强药物-靶点相互作用预测	首次将双曲图神经网络用于药物-靶点相互作用预测，通过多流形特征融合模块整合异构信息，有效捕捉生物数据的层次结构特性	未明确说明模型在更大规模或更复杂生物网络上的泛化能力，也未讨论计算复杂度与效率的具体对比	提高药物-靶点相互作用预测的准确性，以促进药物发现和重定位	小分子药物和靶点蛋白质	机器学习	NA	图神经网络，预训练语言模型	HGNN, GNN	分子图，化学指纹，语义嵌入	基准数据集（未指定具体数量）	NA	Hyperbolic Graph Neural Network	NA	NA
13	2026-03-24	Trustworthy Compound-Protein Interaction Prediction with Interpretable and Conformalized Cross-Attention Transformers 2026-Mar-23, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02709 PMID:41790973	研究论文	本文提出了一个名为ConfBiXtCPI的集成框架，用于实现准确、可解释且具有统计严格不确定性量化的化合物-蛋白质相互作用预测	该研究首次将双向交叉注意力Transformer与Mondrian保形预测相结合，在实现最先进预测精度的同时，为多数类和少数类提供了有效的统计覆盖保证，并支持可解释的注意力机制和主动学习策略	未明确提及具体的数据集规模限制或计算资源需求，也未讨论模型在更广泛蛋白质家族或新型化合物上的泛化能力	开发一个可信赖的化合物-蛋白质相互作用预测框架，统一准确性、可解释性和不确定性量化	化合物-蛋白质相互作用	机器学习	NA	深度学习	Transformer	序列数据	NA	NA	双向交叉注意力Transformer	准确性, 错误发现率	NA
14	2026-03-24	Interpretable multi-modality consensus QSAR framework: integrating machine and deep learning for enhanced multi-endpoint toxicity assessment 2026-Mar-23, Toxicology mechanisms and methods IF:2.8Q2 DOI:10.1080/15376516.2026.2643659 PMID:41839829	研究论文	本研究开发了一个可解释的多模态共识QSAR框架，整合多种分子表征以及机器学习和深度学习，用于预测八种不同机制的毒性终点	提出了一个整合多种分子表征、机器学习与深度学习的多模态共识框架，显著提升了多终点毒性预测的鲁棒性、可解释性和广泛适用性	未明确说明模型在特定化学空间或低数据区域的表现局限性，也未讨论计算成本或框架部署的复杂性	开发一个可靠且可解释的框架，用于广谱毒性预测和多终点化学安全评估	30,160种独特化合物及其八种毒性终点（皮肤致敏性、呼吸毒性、AMES致突变性、肝毒性、发育毒性、心脏毒性、药物诱导肾毒性和神经毒性）	机器学习	NA	定量构效关系（QSAR）	机器学习, 深度学习	分子表征数据	30,160种独特化合物	NA	NA	AUC, 平衡准确率（BACC）	NA
15	2026-03-24	TabPFN Opens New Avenues for Small-Data Tabular Learning in Drug Discovery 2026-Mar-23, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02823 PMID:41867095	研究论文	本文评估了基于Transformer的表格基础模型TabPFN在药物发现中处理小数据和分布外场景下的性能	TabPFN是一种无需任务特定重新训练的表格基础模型，在小数据和分布外场景下展现出比传统梯度提升决策树更强的鲁棒性和数据效率	在较大的QM8数据集上，TabPFN的性能受到挑战，而树集成方法重新显示出优势	探索TabPFN在药物发现中处理小数据和分布外场景下的表格学习能力	多种分子数据集，包括QM7和QM8量子任务数据	机器学习	NA	NA	Transformer	表格数据	小到中等规模的数据集，具体数量未明确说明	NA	TabPFN	分类性能、回归性能、分布外评估、特征和数据消融分析	NA
16	2026-03-24	ToxPLTC: Peptide Toxicity Prediction by Integrating Pretrained T5 Protein Language Model and Text Convolutional Neural Network 2026-Mar-23, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02745 PMID:41869759	研究论文	本研究提出了一种名为ToxPLTC的深度学习框架，用于高效预测肽类药物的毒性	整合了基于Transformer架构的ProtT5蛋白质语言模型进行肽序列预训练，并采用边界SMOTE算法处理不平衡训练数据，结合文本卷积神经网络进行分类	未明确说明模型在更广泛肽序列或不同疾病背景下的泛化能力限制	开发一种高效、准确的肽毒性预测工具，以支持肽类药物开发	肽序列及其毒性分类	自然语言处理	NA	深度学习，蛋白质语言模型	Transformer, CNN	文本（肽序列）	NA	NA	ProtT5, 文本卷积神经网络	平衡准确率	NA
17	2026-03-24	Deep learning approach to super-resolution correction of brain MRI motion artifacts for accurate hippocampal volumetry 2026-Mar-22, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-44834-5 PMID:41866419	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
18	2026-03-24	Validation of conformal prediction in cervical atypia classification 2026-Mar-22, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-44850-5 PMID:41866425	研究论文	本研究通过专家标注集全面验证了在宫颈非典型性分类中应用保形预测方法的效果，并揭示了传统覆盖率验证的性能高估问题	首次基于多标注者专家标注集对保形预测集进行综合验证，强调预测集应与人类期望对齐而非仅覆盖真实类别，并探索了其在识别模糊和分布外数据方面的能力	研究仅针对宫颈非典型性分类任务，且依赖专家标注集，可能受标注者主观性和数据规模限制	验证保形预测在宫颈癌分类中的可靠性，确保预测集真实反映模型不确定性并与人类诊断期望一致	宫颈非典型性分类的深度学习模型及其保形预测集	数字病理学	宫颈癌	深度学习	CNN	图像	NA	NA	NA	覆盖率	NA
19	2026-03-24	A misclassification-aware explainable hybrid CNN-vision transformer framework for radiographic weld inspection 2026-Mar-22, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-44874-x PMID:41866427	研究论文	本文提出了一种混合CNN-Vision Transformer框架，用于提高焊接缺陷检测的可靠性和可解释性	结合CNN和Vision Transformer的混合架构，通过全局上下文建模显著提升视觉相似缺陷的区分能力，并利用可解释性方法减少误分类	NA	开发一种智能焊接检测框架，以提高缺陷分类的准确性和可解释性	焊接缺陷，包括裂纹、气孔和未焊透	计算机视觉	NA	NA	CNN, Vision Transformer	图像	使用RIAWELC射线焊接数据集和外部GDXray数据集	NA	混合CNN-Vision Transformer架构	准确率, 误分类率	NA
20	2026-03-24	Design of an in-pipe inspection robotic system (IPIRS) with YOLOv8-LSTM integration for real-time in-pipe navigation 2026-Mar-22, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-42181-z PMID:41866593	研究论文	本文提出了一种集成YOLOv8与LSTM的管道内检测机器人系统（IPIRS），用于实时管道导航与预测分析	结合YOLOv8进行视觉目标检测与LSTM分析时序IMU数据，实现管道内实时导航与预测性维护	系统在直径100至150毫米的管道中测试，对于更小或更大直径管道的适应性未验证	开发一种自动化管道检测机器人系统，提高管道检查的覆盖范围与安全性	石油、天然气和水分配网络的管道	计算机视觉	NA	深度学习，计算机视觉	YOLOv8, LSTM	图像，时序IMU数据	NA	ROS, Gazebo, Rviz	YOLOv8, LSTM	mAP (0.5), F1分数, MSE, MAE	NA