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	2026-06-04	DNABERT2-CAMP: A Hybrid Transformer-CNN Model for E. coli Promoter Recognition 2025-Dec-28, Genes IF:2.8Q2 DOI:10.3390/genes17010027 PMID:41595447	研究论文	提出一种混合深度学习框架DNABERT2-CAMP，用于准确识别大肠杆菌启动子序列	将预训练Transformer模型DNABERT-2与自定义CNN-Attention-Mean Pooling（CAMP）模块结合，同时捕获长程基因组依赖和精细局部基序，提高启动子识别精度和可解释性	NA	开发一种能够整合全局上下文理解与高分辨率局部基序检测的混合模型，以稳健识别大肠杆菌σ70启动子	大肠杆菌Escherichia coli K-12基因组中的σ70启动子序列	机器学习	NA	NA	混合深度学习模型（Transformer + CNN + Attention + Mean Pooling）	序列数据（81-bp DNA序列）	8720条经过实验验证的正样本和负样本序列（81-bp），来自RegulonDB、文献和E. coli K-12基因组	NA	DNABERT-2（Transformer）+ CAMP（CNN-Attention-Mean Pooling）	准确率（Accuracy）、ROC AUC、马修斯相关系数（MCC）	NA
2	2026-06-04	Detection and Classification of Alzheimer's Disease Using Deep and Machine Learning 2025-Dec-26, Tomography (Ann Arbor, Mich.) DOI:10.3390/tomography12010004 PMID:41591137	研究论文	本研究提出一种融合基于症状的临床数据与MRI影像的双模态框架，结合机器学习与深度学习模型，并利用可解释人工智能增强阿尔茨海默病的检测与分类	将临床数据和MRI影像结合，并引入SHAP和Grad-CAM可解释性技术，为阿尔茨海默病分期提供准确且可靠的诊断路径	尚待进一步验证模型在更大队列和不同人群中的泛化能力	实现阿尔茨海默病的早期准确诊断与分期	阿尔茨海默病患者	机器学习	阿尔茨海默病	MRI	CNN	图像	NA	NA	CNN, EfficientNetB3, DenseNet-121, ResNet-50, MobileNetV2	准确率	NA
3	2026-06-04	ACmix-Swin Deep Learning of 4-Day-Old Apis mellifera Larval Transcriptomes Reveals Early Caste-Biased Regulatory Hubs 2025-Dec-25, Genes IF:2.8Q2 DOI:10.3390/genes17010017 PMID:41595437	研究论文	该文章应用ACmix-Swin深度学习模型分析4日龄西方蜜蜂幼虫转录组，揭示早期等级偏向的调控中枢	首次将混合卷积-注意力模型（ACmix-Swin）与WGAN-GP数据增强结合，用于蜜蜂幼虫分类和等级偏向基因优先排序，实现高通量转录组解读	未明确提及局限性，但可能依赖特定数据集且需qPCR验证	研究蜜蜂幼虫早期发育中的等级和性别特异性转录组差异，并开发深度学习模型发现调控中枢基因	4日龄西方蜜蜂幼虫	机器学习	不适用	RNA-seq	ACmix-Swin、WGAN-GP	转录组数据	不适用	PyTorch	ACmix-Swin	准确率	NA
4	2026-06-04	Artificial Intelligence-Aided Microfluidic Cell Culture Systems 2025-Dec-24, Biosensors DOI:10.3390/bios16010016 PMID:41590268	综述	综述人工智能辅助微流体细胞培养系统与器官芯片平台在生理建模、疾病进展及药物反应研究中的应用	系统总结人工智能特别是机器学习与深度学习在解决微流体和器官芯片数据预处理、特征提取、多模态整合及生物解析瓶颈方面的技术框架，强调轻量级推理模型、解释性特征选择和隐私保护方法	未提及具体性能指标计算资源等细节，侧重于技术框架和应用领域综述	综述人工智能与微流体细胞培养平台及高级器官芯片系统交叉研究的最新进展、技术挑战及未来机遇	微流体细胞培养系统、器官芯片平台及其生成的生物医学数据	机器学习	癌症、心血管疾病等	微流体技术、器官芯片、高分辨率成像、集成传感器、生化分析	机器学习、深度学习	多参数数据（图像、传感器数据、生化分析数据）	NA	NA	NA	NA	NA
5	2026-06-04	Artificial Intelligence and Machine Learning in the Diagnosis and Management of Osteoporosis: A Comprehensive Review 2025-Dec-23, Medicina (Kaunas, Lithuania) DOI:10.3390/medicina62010027 PMID:41597313	综述	对人工智能和机器学习在骨质疏松症诊断与管理中的应用进行了全面综述	系统总结了AI/ML在骨质疏松症诊断、风险预测和个性化治疗中的最新进展，并批判性分析了现有证据的异质性和不足	当前证据异质性大，缺乏稳健的外部验证和定量综合，未充分评估模型在不同人群中的鲁棒性，且对负面或矛盾结果的讨论不足	评估AI和ML在骨质疏松症诊断与管理中的临床应用潜力，并指出未来研究方向	骨质疏松症的诊断和管理流程	机器学习	骨质疏松症	NA	CNN	影像、临床数据、人口统计数据	NA	NA	卷积神经网络	NA	NA
6	2026-06-04	Detection of blueberry based on hyperspectral imaging and deep learning 2025-Dec, Food research international (Ottawa, Ont.) DOI:10.1016/j.foodres.2025.117141 PMID:41606917	研究论文	利用高光谱成像和深度学习方法检测不同品种和成熟度蓝莓的糖含量	首次将分数阶导数与改进拉普拉斯特征映射相结合用于高光谱数据预处理和波段选择，并构建轻量级卷积神经网络模型，显著提高了复杂场景下蓝莓糖分预测的精度和鲁棒性	未提及模型的泛化能力验证、实际应用中的计算效率及对更广泛蓝莓品种的适用性	探索高光谱成像结合深度学习模型快速检测蓝莓糖含量的方法，满足大规模生产需求	蓝莓（F6、L11、L25三个品种，分为成熟、半成熟、未成熟三个类别）	计算机视觉, 深度学习	NA	高光谱成像	卷积神经网络（CNN）	高光谱图像	涉及三个蓝莓品种F6、L11、L25，共三类成熟度，具体样本数量未说明	NA	自定义浅层卷积神经网络（CNN）	相关系数（Rp）、均方根误差（RMSEP）、残差预测偏差（RPD）	NA
7	2026-06-04	AI-based smart pretreatment of fresh fruits and vegetables before processing: Research progress and application prospects 2025-Dec, Food research international (Ottawa, Ont.) DOI:10.1016/j.foodres.2025.117175 PMID:41606923	综述	本文综述了人工智能技术在果蔬加工预处理中的应用研究进展和未来展望	系统总结了机器学习、深度学习、人工神经网络等AI技术在果蔬分选、分级、清洗、去皮、切分、护色、烫漂等预处理环节的应用潜力，并展望了多学科融合实现预处理一体化自动控制的未来方向	目前的研究多集中于分选和缺陷识别，在清洗、去皮等环节的AI应用仍处于初步阶段，且缺乏对跨环节集成控制的实际系统验证	探讨人工智能在果蔬加工预处理中的应用，以克服传统预处理技术效率低、精度难保证等局限性，推动果蔬加工业的智能化发展	新鲜果蔬（F&V）在加工前的预处理环节，包括分选、分级、清洗、去皮、切分、护色、烫漂等	计算机视觉，机器学习	NA	NA	机器学习，深度学习，人工神经网络	图像，气味	NA	NA	NA	NA	NA
8	2026-06-04	Seasonal changes driving shifts in core microbes of Nongxiangxing Daqu: a integrated multi-omics analysis and deep learning 2025-Dec, Food research international (Ottawa, Ont.) DOI:10.1016/j.foodres.2025.117216 PMID:41606940	研究论文	通过整合多组学分析和深度学习，揭示季节变化对浓香型大曲核心微生物群的影响	首次将高通量测序与深度学习结合，利用数据驱动的关键物种识别框架验证不同季节大曲的核心微生物，并揭示随机漂变主导群落组装过程	研究基于112个样品，可能存在地域或工艺差异的影响；深度学习模型的可解释性未详细探讨	阐明季节和压曲方式对浓香型大曲风味动态及微生物演替的影响，并识别核心微生物以优化大曲生产质量	浓香型大曲样品及其微生物群落（细菌和真菌），以及理化特性和风味化合物	机器学习	NA	高通量测序	深度学习（数据驱动关键物种识别框架）	序列数据、理化性质数据、风味化合物数据	120个大曲样品（未明确样品类型，实际为120份固态发酵样品）	NA	数据驱动关键物种识别（DKI）框架（具体架构未明确）	NA	NA
9	2026-06-04	The Rich and the Simple: On the Implicit Bias of Adam and SGD 2025-Dec, Advances in neural information processing systems PMID:42232482	研究论文	探讨Adam和SGD在训练神经网络时的隐含偏差差异，Adam对简单性偏差更具抵抗力	首次证明Adam相比SGD能学习更丰富复杂的特征，产生非线性决策边界，在分布偏移下表现更好	NA	研究Adam与SGD在深层学习中的隐含偏差差异	两层ReLU神经网络	机器学习	NA	NA	两层ReLU神经网络	高斯数据	NA	NA	两层ReLU网络	测试准确率	NA
10	2026-06-04	ATOMIC: a graph attention network for atopic dermatitis prediction using human gut microbiome 2025, Frontiers in immunology IF:5.7Q1 DOI:10.3389/fimmu.2025.1670993 PMID:41583462	研究论文	提出一种基于图注意力网络的模型ATOMIC，利用人类肠道微生物组预测特应性皮炎	首次将图注意力网络与微生物共表达网络结合，整合微生物基因组信息作为节点特征，增强了捕捉功能相关微生物模式的能力，并提供了可解释的注意力机制	研究样本量较小（99个样本），且仅聚焦于特应性皮炎，可能限制模型的泛化能力	开发可解释的深度学习模型，利用肠道微生物组预测特应性皮炎，并识别潜在生物标志物	特应性皮炎患者与健康对照的肠道微生物组样本	机器学习	特应性皮炎	NA	图注意力网络 (GAT)	肠道微生物组丰度数据	99个成年患者与健康对照的肠道微生物组样本	PyTorch	图注意力网络	AUROC, AUPRC	NA
11	2026-06-04	AI-driven transformation of precision medicine: a comprehensive narrative review of key application areas, emerging paradigms, and future directions 2025, Frontiers in public health IF:3.0Q2 DOI:10.3389/fpubh.2025.1656603 PMID:41584179	综述	综合评述人工智能在精准医疗中推动范式转变的关键应用领域、新兴趋势和未来方向	全面分析AI如何重塑从传统诊疗向个性化健康管理生态的转变，并探讨共生AI等未来框架	证据基础不均衡、模型泛化性不足，以及数据隐私、算法公平性和可解释性等伦理问题	阐明AI驱动精准医疗转变的核心作用及未来发展方向	AI技术在精准医疗全价值链中的创新应用	机器学习	NA	深度学习, 机器学习, 自然语言处理	NA	多模态数据	NA	NA	NA	NA	NA
12	2026-06-04	A Review of Deep Learning Techniques for EEG-Based Emotion Recognition: Models, Methods, and Datasets 2025, F1000Research DOI:10.12688/f1000research.171170.2 PMID:41585461	综述	系统回顾了基于深度学习的脑电图情绪识别方法，涵盖模型、方法和数据集	遵循PRISMA指南进行系统综述，覆盖2020至2025年文献，评估公共数据集及其刺激程序和情感表征，以增强调查多样性	NA	提供深度学习在脑电图情绪识别中的应用综述，指导未来研究发展更可解释、可泛化且数据高效的识别系统	基于脑电图信号的深度学习情绪识别方法	机器学习，自然语言处理	NA	脑电图信号采集	深度学习模型，如卷积神经网络、循环神经网络等	脑电图信号	233篇文章	NA	NA	NA	NA
13	2026-06-04	Deep learning-based multimodal approach for non-invasive prediction and prognostic analysis of immune and angiogenic biomarkers in extrahepatic cholangiocarcinoma 2025, Frontiers in immunology IF:5.7Q1 DOI:10.3389/fimmu.2025.1658122 PMID:41607783	research paper	开发基于深度学习的多模态框架，整合MRI、临床和实验室数据，预测肝外胆管癌患者PD-L1和VEGF表达并进行预后分析	首次将深度学习特征、影像组学特征和临床-实验室特征通过重复注意机制整合，实现对肝外胆管癌免疫和血管生成生物标志物的无创预测	回顾性研究设计，样本量有限（96例），模型对PD-L1表达的预测性能中等（AUC=0.71），可能影响泛化能力	开发非侵入性方法预测肝外胆管癌患者的PD-L1和VEGF表达，并评估其预后价值	肝外胆管癌（eCCA）患者	digital pathology	extrahepatic cholangiocarcinoma	MRI成像	CNN	图像	96例患者的16050张原始MRI图像（11505张T1WI，2371张T2WI，2372张DWI）和1570张含肿瘤图像（990张T1WI，289张T2WI，291张DWI）	PyTorch	重复注意机制	AUC	NA
14	2026-06-04	Infectious disease prediction model based on optimized deep learning algorithm 2025, Frontiers in public health IF:3.0Q2 DOI:10.3389/fpubh.2025.1703506 PMID:41613087	研究论文	提出一种基于遗传算法优化的GA-BiLSTM-ARIMA混合深度学习模型，用于传染病预测	通过遗传算法优化BiLSTM与ARIMA模型的混合策略，实现了对时间序列传染病数据的高精度预测，整合了不同模型的优势	NA	提高传染病时间序列预测的准确性，支持防控策略制定和早期预警	COVID-19疫情数据（日本病例数据）	机器学习	COVID-19	NA	ARIMA, BiLSTM, GA	时间序列数据	日本COVID-19病例数据（具体数量未提供）	NA	ARIMA, BiLSTM	均方根误差, 平均绝对误差, 平均绝对百分比误差, R方	NA
15	2026-06-04	Generative AI for Diagnostic Medical Imaging: A Review 2025, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056369157250212095252 PMID:41731736	综述	全面分析生成式深度学习模型在诊断医学影像中的最新进展，涵盖架构、应用及独特贡献	设计了针对医学影像应用的多种流水线架构，包括增强型GAN配置（如多层ML-C-GAN和时间序列Temporal-GAN）以及专用AE-GAN混合模型（如Atten-AE和M3AE），结合注意力机制和语言编码实现文本-图像及图像-文本翻译	未明确讨论生成模型在临床部署中的验证不足、数据隐私问题及计算成本等实际限制	探索生成式深度学习模型在诊断医学影像中提升准确性、降低辐射暴露和改善数据处理能力的潜力	诊断医学影像中的生成对抗网络、自编码器、扩散模型及基于Transformer的模型	数字病理学	NA	GAN、自编码器、扩散模型、Transformer	GAN、自编码器、扩散模型、Transformer	医学图像	NA	NA	多层ML-C-GAN、时间序列Temporal-GAN、Atten-AE、M3AE	NA	NA
16	2026-06-03	The Use and Importance ofArtificial Intelligence in Vaccine Research, Development, and Production 2025-Sep, Archives of Razi Institute DOI:10.32598/ARI.80.5.3442 PMID:42226986	综述	评估人工智能技术在疫苗研究、开发和制造中的应用及其重要性	系统综述了人工智能在疫苗靶点识别、配方优化、制造流程精简及供应链优化中的多重作用，并展望了量子计算等未来技术对疫苗开发的增强潜力	伦理问题（数据隐私、算法偏见）及AI与现有框架的整合挑战	评估AI技术（ML、DL、NLP）在疫苗研究、开发和生产中的角色，加速疫苗上市	人工智能在疫苗研发及制造中的应用	机器学习	传染病	NA	NA	文本	NA	NA	NA	NA	NA
17	2026-06-03	C2FAU-Net: A Deep Learning Approach with Multi-scale Strategy for Automated Delineation of Organs-at-risk in Cervical Cancer High-dose Rate Brachytherapy 2025 Apr-Jun, Journal of medical physics IF:0.7Q4 DOI:10.4103/jmp.jmp_65_25 PMID:41939154	研究论文	提出一种基于多尺度策略的深度学习模型C2FAU-Net，用于宫颈癌高剂量率近距离治疗中盆腔高危器官的自动勾画	采用粗到细的注释策略与变形数据增强，结合三维注意力U-Net架构，显著降低了手动勾画时间，同时保持与手动勾画相当的剂量学参数	未提及具体限制	提高宫颈癌高剂量率近距离治疗中盆腔高危器官的自动勾画效率与临床适用性	宫颈癌患者盆腔高危器官（膀胱、直肠、乙状结肠）	计算机视觉	宫颈癌	高剂量率近距离治疗	三维注意力U-Net	医学图像	100例宫颈癌患者（80例训练，10例验证，10例测试）	NA	C2FAU-Net（基于三维注意力U-Net）	体积Dice相似系数（DSC）、第95百分位数豪斯多夫距离（HD95）、平均对称表面距离（ASSD）、精确率、召回率	NA
18	2026-06-03	Overview of Deep Learning Algorithms and Optimizers for Brain Tumor Segmentation 2025 Apr-Jun, Journal of medical physics IF:0.7Q4 DOI:10.4103/jmp.jmp_12_25 PMID:41939149	综述	分析用于脑肿瘤分割的不同深度学习架构及优化器的性能	全面比较不同深度学习架构与优化器的组合效果，并总结各方法在脑肿瘤分割中的表现	计算复杂度高、数据集不平衡、跨临床场景泛化能力不足	综述深度学习算法及优化器在脑肿瘤分割中的应用现状与挑战	脑肿瘤分割任务中的深度学习模型与优化方法	计算机视觉	脑肿瘤	NA	卷积神经网络	医学图像	NA	NA	卷积神经网络	Dice系数, 精确率, 准确率, 平均交并比	NA
19	2026-06-03	Advancing neuro-ophthalmic diagnostics: a multimodal imaging approach integrating OCT angiography and AI-enhanced MRI for improved visual pathway analysis 2025, Frontiers in neurology IF:2.7Q3 DOI:10.3389/fneur.2025.1690082 PMID:41939693	研究论文	提出一种多模态成像框架，整合OCT血管成像与AI增强MRI，用于改善视觉通路分析	提出NeuroGraphPath模型，将视觉通路表示为有向图，包含解剖定义的节点和参数化变换，并引入交叉流逆推策略实现双向推理，实现生物可解释的诊断	常规诊断工具（如MRI和OCT）受限于空间分辨率、跨模态整合和可解释性，尤其在压迫性神经病变、脱髓鞘疾病或不明原因视野缺损中导致诊断不确定性	开发一种整合OCT血管成像与AI增强MRI的多模态框架，提升神经眼科诊断的精确性和可解释性	视觉通路病变（包括压迫性神经病变、脱髓鞘疾病、不明原因视野缺损）	计算机视觉，自然语言处理	神经眼科疾病	OCT血管成像，MRI	NeuroGraphPath	图像	NA	NA	NeuroGraphPath	病变定位性能、不确定性感知推理、可解释性	NA
20	2026-06-02	A novel statistical feature selection framework for biomarker discovery and cancer classification via multiomics integration 2025-12-17, BMC medical research methodology IF:3.9Q1 DOI:10.1186/s12874-025-02713-z PMID:41408184	研究论文	提出一种名为sDCFE的新型统计特征选择方法，用于通过多组学整合进行生物标志物发现和癌症分类	通过扩展Fisher-like方差分析，加入中位数绝对偏差正则化项和聚类分离组件，增强鲁棒性和可解释性；结合XGBoost、sDCFE与深度学习的混合模型实现近乎完美的泛癌分类	未提及具体局限性	开发稳定且可解释的特征选择方法，实现跨癌症类型和阶段的准确分类，支持早期诊断和风险分层	TCGA和PCAWG数据集中的泛癌样本，以及肺鳞状细胞癌（LUSC）分期数据	机器学习	泛癌, 肺鳞状细胞癌	RNA-seq, 甲基化测序	CNN, XGBoost, logistic回归	基因组数据, 表观基因组数据	TCGA和PCAWG数据集（具体数量未提及），LUSC分期数据	NA	CNN	准确率, MCC, AUC	NA