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
121	2026-09-19	Voiceprints of cognitive impairment: analyzing digital voice for early detection of Alzheimer's and related dementias 2025, NPJ dementia DOI:10.1038/s44400-025-00040-0 PMID:41195302	研究论文	本研究利用人工智能分析数字语音录音，用于早期检测阿尔茨海默病及相关痴呆症，并区分早发性阿尔茨海默病与非阿尔茨海默病认知障碍	将特征工程机器学习与端到端深度学习（结合大语言模型）相结合，分析Craft Story Recall任务中的数字语音记录，用于早期检测认知障碍并区分早发性阿尔茨海默病与非阿尔茨海默病认知障碍	样本量相对较小，仅涉及120名患者和68名认知正常对照，可能影响模型的泛化能力	利用人工智能分析数字语音录音，实现认知障碍的早期检测，并区分早发性阿尔茨海默病与早发性非阿尔茨海默病认知障碍	120名患者和68名认知正常对照的语音样本	自然语言处理	阿尔茨海默病	数字语音分析	机器学习，深度学习，大语言模型	音频	188名参与者（120名患者和68名认知正常对照）	NA	NA	AUC	NA
122	2026-09-19	High-resolution protein modeling through Cryo-EM and AI: current trends and future perspectives - a review 2025, Frontiers in molecular biosciences IF:3.9Q2 DOI:10.3389/fmolb.2025.1688455 PMID:41209584	综述	本文综述了冷冻电镜和人工智能在蛋白质高分辨率建模中的最新进展及未来展望	系统总结了冷冻电镜与人工智能（如AlphaFold 2和AlphaFold 3）的互补作用，并讨论了整合方法在药物设计、酶机制阐明和功能预测中的应用	未提及具体的技术限制或数据局限性，但讨论了当前AI-冷冻电镜整合的局限性	总结冷冻电镜和人工智能在蛋白质结构解析中的最新进展，并探讨未来整合实验和计算方法的方向	蛋白质，包括膜蛋白、柔性蛋白、内在无序蛋白和大型大分子复合物	结构生物学	NA	冷冻电镜，人工智能结构预测	深度学习算法	蛋白质结构数据，氨基酸序列	NA	NA	AlphaFold 2, AlphaFold 3	NA	NA
123	2026-09-19	Explainable Transfer Learning with Residual Attention BiLSTM for Prognosis of Ischemic Heart Disease 2025, F1000Research DOI:10.12688/f1000research.166307.3 PMID:41216267	研究论文	该研究提出了一种名为X-TLRABiLSTM的可解释迁移学习模型，用于缺血性心脏病的预后预测	结合了迁移学习、残差注意力双向LSTM、SHAP可解释性分析以及人口统计学重加权公平性优化策略	仅在UCI心脏病数据集上进行了评估，未在更大规模或更多样化的临床数据集上验证	实现缺血性心脏病的早期准确预测，同时提高模型的可解释性、泛化性和公平性	缺血性心脏病患者	机器学习	心血管疾病	NA	LSTM	文本	UCI心脏病数据集，使用10折交叉验证	NA	残差注意力双向LSTM	准确率, F1分数, AUC, 假阳性率, 假阴性率, 公平性差距	NA
124	2026-09-19	Computational models for pan-cancer classification based on multi-omics data 2025, Frontiers in genetics IF:2.8Q2 DOI:10.3389/fgene.2025.1667325 PMID:41220429	综述	该综述总结了泛癌研究中的多组学数据和公共数据库，并探讨了基于机器学习和深度学习的泛癌分类计算模型及其优缺点	系统性地从计算模型角度对泛癌分类方法进行分类和比较，涵盖机器学习和深度学习，并整合了多组学数据视角	现有框架难以整合肿瘤内动态时间变化和空间异质性，限制了实时临床适用性	总结泛癌研究中的多组学数据和公共数据库，综述当前基于计算模型的泛癌分类方法，并探讨关键挑战和未来方向	泛癌多组学数据（基因组学、转录组学、蛋白质组学）及公共生物医学数据库	机器学习	泛癌	多组学数据分析	机器学习, 深度学习	多组学数据	NA	NA	NA	NA	NA
125	2026-09-19	AI-Based Detection of Coronary Artery Occlusion Using Acoustic Biomarkers Before and After Stent Placement 2025, IEEE open journal of engineering in medicine and biology IF:2.7Q3 DOI:10.1109/OJEMB.2025.3615394 PMID:41221436	研究论文	使用DeepSets架构的人工智能，通过学习患者特异性声学生物标志物，区分经皮冠状动脉介入治疗前后的心音，从而检测冠状动脉闭塞。	提出使用DeepSets架构学习患者特异性声学生物标志物，并利用学习到的潜在表示识别与冠状动脉疾病相关的声音原子，实现无创监测。	样本量小（仅12名患者），且使用孤立舒张期窗口声音时准确率较低（71.43%）。	利用人工智能基于心音声学生物标志物检测冠状动脉闭塞，并评估支架植入前后的变化。	12名接受经皮冠状动脉介入治疗的人类患者的心音记录。	医学人工智能	心血管疾病	心音记录、匹配追踪分解	DeepSets	音频	12名患者	NA	DeepSets	准确率	NA
126	2026-09-19	Deep learning-based classification of colorectal cancer in histopathology images for category detection 2025, Biology methods & protocols IF:2.5Q3 DOI:10.1093/biomethods/bpaf077 PMID:41256969	研究论文	本研究探索了基于深度学习的结直肠癌组织病理图像自动分类方法，通过对比ResNet和Swin Transformer等模型，并开发了一种两阶段预测框架以提高分类鲁棒性	开发了一个两阶段预测框架，包括二分类异常检测阶段和多分类癌症分类器，显著提高了对代表性不足和形态复杂类别的分类鲁棒性，例如将高级别不典型增生的分类准确率从53.57%提升至71.43%	Swin Transformer V2模型虽然性能有竞争力，但计算需求增加；对于高级别不典型增生等复杂类别的分类准确率仍有待提高	利用深度学习技术对结直肠癌组织病理图像进行自动分类，以辅助病理学家进行准确诊断	结直肠癌组织病理图像，包括增生性息肉、腺癌和高级别不典型增生等类别	数字病理学	结直肠癌	苏木精-伊红染色组织病理图像分析	CNN, Transformer	图像	NA	NA	ResNet-34, ResNet-50, Swin Transformer V2	准确率, top-2准确率, top-3准确率, 微平均ROC AUC, F1分数	NA
127	2026-09-19	Pathway-guided architectures for interpretable AI in biological research 2025, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2025.10.063 PMID:41282420	综述	本文综述了通路引导的可解释深度学习架构（PGI-DLA）在生物多组学数据建模中的研究进展，重点讨论了组学兼容性、架构设计、特征解释及生物与临床应用。	系统梳理了PGI-DLA在组学兼容性、架构设计、特征解释及生物临床应用方面的最新进展，并深入分析了不同通路数据库（KEGG、GO、Reactome、MSigDB）在知识范围、层次结构、细节程度和注释重点上的差异及其对模型设计、性能和可解释性的影响。	作为综述文章，未提出新的计算模型或实验验证，主要基于已有文献的总结与分析。	综述通路引导的可解释深度学习架构（PGI-DLA）的研究现状，为选择和优化通路数据库以实现PGI-DLA、将组学数据转化为可操作的生物学和临床见解提供指导。	生物多组学数据、通路数据库（KEGG、GO、Reactome、MSigDB）以及通路引导的可解释深度学习模型。	机器学习	NA	多组学数据分析	NA	组学数据	NA	NA	NA	NA	NA
128	2026-09-19	Digital technologies in psoriasis management: from precision diagnosis to therapeutic innovation and holistic care 2025, Frontiers in digital health IF:3.2Q2 DOI:10.3389/fdgth.2025.1656585 PMID:41293553	综述	本文系统探讨了数字技术（人工智能、物联网、多组学等）如何变革银屑病的精准诊断、治疗优化与康复管理	系统整合了数字技术在银屑病全流程管理中的应用，包括AI皮肤镜诊断（EfficientNet-B4模型准确率92.3%超越230名皮肤科医生）、智能光疗剂量优化、AI辅助生物制剂选择（完全清除率从39%提升至61%）、物联网可穿戴监测及多组学数据整合与计算药物设计	数据标准化不足、隐私问题、算法透明度受限以及缺乏长期验证	探讨数字技术在银屑病管理中的应用潜力，从精准诊断到治疗创新及整体护理，建立基于精准医学和数据驱动的管理框架	银屑病患者及相关管理流程（诊断、治疗、康复）	数字病理学	银屑病	人工智能、深度学习、物联网、多组学数据整合、计算药物设计、智能光疗设备	CNN	图像、文本、可穿戴设备实时数据、多组学数据	230名皮肤科医生（对比研究）	NA	EfficientNet-B4	准确率、完全清除率、严重不良事件发生率	NA
129	2026-09-19	Identifying escaped farmed salmon from fish scales using deep learning 2025, Biology methods & protocols IF:2.5Q3 DOI:10.1093/biomethods/bpaf078 PMID:41311715	研究论文	该研究利用近9万张鱼鳞图像训练并验证了一种卷积神经网络，用于区分逃逸养殖鲑鱼与野生大西洋鲑	在近9万张鱼鳞图像上训练模型，涵盖两个国家档案库、异质成像协议、数百条河流以及可追溯至20世纪30年代的时间序列，并证明深度学习在不同生态和方法学背景下具有稳健的泛化能力	文中未明确说明模型的具体局限性	开发并验证一种可大规模应用的深度学习工具，用于监测逃逸养殖鲑鱼	来自两个国家档案库的鱼鳞图像，涵盖养殖和野生大西洋鲑	计算机视觉	NA	鱼鳞分析	CNN	图像	近90000张鱼鳞图像，来自两个国家档案库，涵盖数百条河流，时间序列延伸至20世纪30年代；另有一个大型独立测试集	NA	CNN	F1分数	NA
130	2026-09-18	Performance of deep learning models in predicting the nugent score to diagnose bacterial vaginosis 2025-01-07, Microbiology spectrum IF:3.7Q2 DOI:10.1128/spectrum.02344-24 PMID:39560430	研究论文	该研究评估了深度学习模型在预测Nugent评分以诊断细菌性阴道病方面的性能，并与实验室技术人员的标注进行了比较	首次利用深度学习模型预测Nugent评分，并在1,000倍放大图像上达到94%的准确率，优于技术人员的平均92%准确率	需要在更大规模的数据集上进行验证，且研究仅基于日本一家医院的数据	评估深度学习模型在预测Nugent评分以提高诊断一致性和准确性方面的性能	阴道涂片图像	数字病理学	细菌性阴道病	阴道涂片显微成像	卷积神经网络	图像	1,510张阴道涂片图像用于训练和验证，另106张独立图像用于测试	NA	NA	准确率	NA
131	2026-09-18	Adaptive high-distance RGB imaging for accurate dairy cow feed intake estimation 2025-Jan-04, Journal of animal science IF:2.7Q1 DOI:10.1093/jas/skaf247 PMID:40972117	研究论文	该研究提出了一种基于红绿蓝（RGB）图像估计奶牛采食区域总采食量的方法，旨在为牧场管理提供一种经济高效且智能的测量解决方案	创新性地将自注意力机制和多尺度融合技术与ResNet相结合，设计了用于估计相机视野内总采食量的深度学习模型，并构建了专用的差分图像数据集	未在文中明确提及	为牧场管理提供一种经济高效且高效的智能测量方案，用于估计奶牛采食区域的总采食量	不同饲料堆的RGB图像及奶牛采食场景	计算机视觉	不适用	RGB成像	CNN	图像	未在文中明确提及	不适用	U2-Net, ResNet	平均绝对误差, 均方根误差	不适用
132	2026-09-18	Detection and recognition of foreign objects in Pu-erh Sun-dried green tea using an improved YOLOv8 based on deep learning 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0312112 PMID:39775324	研究论文	本文提出了一种改进的YOLOv8网络模型，用于普洱晒青茶中异物的检测与识别	采用MPDIoU优化损失函数、引入EfficientDet高效目标检测模块、集成BiFormer双向注意力机制，并结合切片辅助超推理技术，显著提升小目标和多尺度目标的检测精度	摘要中未提及	快速检测和准确识别普洱晒青茶中的微小异物，提升茶叶生产质量与安全	普洱晒青茶中的异物	计算机视觉	NA	深度学习目标检测	YOLOv8	图像	NA	NA	YOLOv8, EfficientDet, BiFormer	精确率, 召回率, mAP, F1分数, 准确率	NA
133	2026-09-18	An ensemble deep learning framework for energy demand forecasting using genetic algorithm-based feature selection 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0310465 PMID:39813218	研究论文	该文章提出了一种基于遗传算法特征选择的集成深度学习框架，用于能源需求预测	将遗传算法与多个深度学习模型（LSTM、BiLSTM、GRU）集成，并采用堆叠集成技术进行能源需求预测，同时将数据集划分为工作日和周末子集以进行更详细的分析	未明确提及	提高能源需求预测的准确性和鲁棒性	能源需求数据，包括历史能源消耗、天气变量和时间特征	机器学习	NA	NA	LSTM, BiLSTM, GRU, 堆叠集成	时间序列数据	NA	NA	LSTM, BiLSTM, GRU	RMSE, MAPE, MAE	NA
134	2026-09-18	Correction: Detection and recognition of foreign objects in Pu-erh Sun-dried green tea using an improved YOLOv8 based on deep learning 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0321409 PMID:40153338	更正	该文是对已发表文章（DOI: 10.1371/journal.pone.0312112）的更正	NA	NA	纠正原文章中的错误	NA	计算机视觉	NA	NA	NA	图像	NA	NA	YOLOv8	NA	NA
135	2026-09-18	An updated compendium and reevaluation of the evidence for nuclear transcription factor occupancy over the mitochondrial genome 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0318796 PMID:40163815	研究论文	通过分析ENCODE中扩展的转录因子ChIP-seq数据集并结合深度学习模型，重新评估核转录因子与线粒体基因组（chrM）结合的证据，构建综合目录	利用大幅扩展的ENCODE TF ChIP-seq数据（6153个实验、942个蛋白）结合深度学习占用模型，首次全面评估核TF在chrM上的占据证据，并发现bZIP TF最可能在线粒体中发挥作用；同时揭示相同TF在不同抗体和ChIP方案下chrM占据证据的不可重复性	证据在相同TF的不同抗体和ChIP方案间不可重复；仅基于计算预测，需实验验证；chrM占据的判定标准尚未统一	重新评估核转录因子与线粒体基因组结合的现有证据，建立全面的核TF线粒体关联目录，并探讨建立chrM占据的证据标准	核转录因子（包括763个序列特异性TF）与线粒体基因组（chrM）的相互作用	机器学习	NA	ChIP-seq	深度学习模型	基因组序列数据	6153个ChIP实验，覆盖942个蛋白，其中763个为序列特异性转录因子	NA	NA	NA	NA
136	2026-09-18	C-HDNet: A Fast Hyperdimensional Computing Based Method for Causal Effect Estimation from Networked Observational Data 2025, Social network analysis and mining IF:2.3Q3 DOI:10.1007/s13278-025-01502-2 PMID:41143237	研究论文	本文提出了一种基于超维计算的高效网络观测数据因果效应估计方法，用于解决网络混杂问题	首次将超维计算原理与匹配方法相结合，用于编码和整合网络结构信息，实现对网络混杂下因果效应的准确估计	未明确讨论方法在不同网络结构或高维特征空间下的泛化能力及理论保证	解决网络观测数据中因网络干扰和邻居影响导致的因果效应估计偏差问题	网络观测数据中的个体及其网络结构关系	机器学习	NA	超维计算	NA	网络观测数据	NA	NA	NA	因果效应估计准确性、运行时间	NA
137	2026-09-18	An explainable hybrid deep learning framework for precise skin lesion segmentation and multi-class classification 2025, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2025.1681542 PMID:41158448	研究论文	本文提出了一种可解释的混合深度学习框架，用于皮肤病变的精确分割和多类分类	结合了基于U-Net的分割网络和基于EfficientNet-B0的分类模块的双任务架构，并引入Grad-CAM提高模型可解释性	存在类别不平衡问题，模型泛化能力有待提高，少数类别代表性不足，尚未在真实世界场景中验证	实现皮肤病变的精确分割和多类分类，并提高模型的可解释性以促进临床信任	皮肤病变，包括良性病变和恶性黑色素瘤等	计算机视觉	皮肤癌	皮肤镜图像分析	CNN	图像	HAM10000数据集	NA	U-Net, EfficientNet-B0	Dice系数, 准确率	NA
138	2026-09-18	Explainable AI-enabled hybrid deep learning architecture for breast cancer detection 2025, Frontiers in immunology IF:5.7Q1 DOI:10.3389/fimmu.2025.1658741 PMID:41112281	研究论文	该文章提出了一种结合DENSENET121、Xception和VGG16的混合深度学习框架用于乳腺癌检测，并利用GradCAM++提供可解释性	提出了一种融合三种预训练CNN架构的混合深度学习框架，并引入GradCAM++可解释性组件以提高临床接受度	未明确提及	开发一个可靠且可解释的乳腺癌诊断系统，解决深度学习黑盒问题	乳腺癌超声图像	计算机视觉	乳腺癌	深度学习	CNN	图像	NA	NA	DENSENET121, Xception, VGG16	准确率	NA
139	2026-09-18	Artificial intelligence in breast ultrasound: a systematic review of research advances 2025, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2025.1619364 PMID:41098709	系统综述	通过文献计量学可视化分析，总结人工智能集成超声技术在乳腺癌中的研究进展，揭示研究热点、发展趋势和国际合作模式。	采用VOSviewer和CiteSpace等文献计量工具对2004-2025年AI-乳腺超声领域进行系统性可视化分析，揭示了国际合作模式和研究趋势	仅基于Web of Science核心合集数据库，可能存在文献遗漏；文献计量分析无法深入评估具体AI模型的技术性能和临床效果	总结人工智能集成超声技术在乳腺癌中的研究进展，揭示研究热点、发展趋势和国际合作模式，为临床诊断和治疗决策提供参考	2004-2025年间发表的1,876篇AI-乳腺超声相关文献	医学影像分析	乳腺癌	文献计量学分析	NA	文本	1,876篇文献	NA	NA	NA	NA
140	2026-09-18	Fault tolerance in distributed systems using deep learning approaches 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0310657 PMID:39774399	研究论文	本文利用深度学习模型处理分布式系统中的故障，包括故障处理器输出恢复、输入损坏情况下的输出恢复以及未知模式发现三个场景	将深度学习模型应用于分布式系统的故障容忍中，提出三种场景下的故障处理方法，包括利用其他处理器输入输出恢复故障处理器输出、在输入损坏情况下仍能恢复正确输出以及发现未知新模式	对于非结构化数据集，模型准确率受故障数据大小影响较大，当故障数据比例为90%时准确率降至约60%；未明确说明计算资源和大规模分布式环境下的可扩展性	利用深度学习方法实现分布式系统中的故障容忍，在三种不同故障场景下恢复故障处理器的正确输出	分布式系统中的故障处理器及其输入输出数据	机器学习	NA	深度学习	CNN, LSTM	结构化数据, 非结构化数据	NA	NA	VGG16, VGG19, AlexNet, LSTM, ResNet34	准确率	NA