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
241	2026-09-24	A novel dual-branch network for comprehensive spatiotemporal information integration for EEG-based epileptic seizure detection 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0321942 PMID:40570079	研究论文	本文提出了一种名为Deepwalk-TS的双分支深度行走-Transformer时空融合网络，用于脑电图癫痫发作检测，通过整合时空信息实现高精度诊断	1. 提出了一种新颖的双分支网络架构，结合了基于深度行走的空间分支和引导CNN-Transformer的时间分支；2. 引入了自适应多通道深度行走图框架来捕捉EEG通道间的复杂关系；3. 通过融合策略共同优化特征，实现时空信息的有效整合，在多个数据集上达到最先进性能	摘要中未明确提及该研究的局限性	开发准确的癫痫发作检测方法，通过有效整合EEG信号的时空信息，提高癫痫诊断的准确性和可靠性，以改善患者生活质量	脑电图信号，用于癫痫发作检测	机器学习	癫痫	脑电图	CNN, Transformer, 图神经网络	时序信号（脑电图）	摘要中未提供具体样本量信息	NA	Deepwalk-TS（双分支网络：深度行走图框架和引导CNN-Transformer）	准确率, 灵敏度, 特异性	NA
242	2026-09-24	Monitoring temporal changes in large urban street trees using remote sensing and deep learning 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0326562 PMID:40570061	研究论文	利用遥感影像和深度学习算法识别旧金山湾区六个县的大型城市行道树，并分析2005-2022年间的时空变化及社会经济差异	在18年时间跨度上监测大型城市行道树的变化，并结合人口普查数据揭示社会人口差异	摘要中未明确提及研究局限性	监测大型城市行道树的时空变化并分析其与社会人口因素的关系	旧金山湾区六个县的大型城市行道树（树冠直径超过7米）	计算机视觉	NA	遥感	深度学习	图像	2005-2022年NAIP影像，覆盖旧金山湾区六个县	NA	NA	NA	NA
243	2026-09-23	An explainable deep learning approach for sleep staging in sleep apnea patients across all age subgroups from pulse oximetry signals 2025-Dec-22, Engineering applications of artificial intelligence IF:7.5Q1 DOI:10.1016/j.engappai.2025.112562 PMID:42306231	研究论文	该研究开发了一种基于U-Net框架的可解释深度学习模型（POxi-SleepNet），利用脉搏血氧仪的脉搏率（PR）和血氧饱和度（SpO₂）信号，对涵盖儿童、青少年、成人和老年人的阻塞性睡眠呼吸暂停（OSA）患者进行四分类睡眠分期，并采用Seg-Grad-CAM进行可解释性分析	首次在所有年龄亚组（儿童、青少年、成人、老年人）OSA患者中验证基于脉搏血氧仪信号的深度学习睡眠分期模型，并结合Seg-Grad-CAM可解释性方法定量解释脉搏血氧仪记录的时间和频率特征对睡眠分期的影响	未明确提及	开发可解释的深度学习模型，实现跨所有年龄亚组的OSA患者自动睡眠分期	来自六个数据集的17303例睡眠研究中的儿童、青少年、成人和老年OSA患者的整夜脉搏血氧仪信号	机器学习	阻塞性睡眠呼吸暂停	脉搏血氧仪信号采集	CNN	信号	17303例睡眠研究，来自六个数据集，涵盖儿童、青少年、成人和老年OSA患者	NA	U-Net	准确率, Cohen's kappa	NA
244	2026-09-23	Multimodal LLM vs. Human-Measured Features for AI Predictions of Autism in Home Videos 2025-Nov, Algorithms IF:1.8Q2 DOI:10.3390/a18110687 PMID:42375709	研究论文	本文首次系统评估了多模态大语言模型（LLM）在基于AI的自闭症检测中替代人工标注的能力，通过50个YouTube视频比较了7个Gemini模型变体与人类标注者的表现	首次系统评估多模态LLM作为AI自闭症检测中人工标注的直接替代方案，并跨Gemini 1.5至2.5三个世代进行对比分析，揭示了LLM在自闭症行为特征提取方面的快速进步趋势	LLM在提取对human-in-the-loop AI诊断有用的行为特征方面尚未达到最高水平人类标注者的能力，样本量较小（仅50个视频），且仅评估了Gemini系列模型	评估多模态LLM能否替代人工标注用于AI自闭症检测，比较LLM与人群工作者及临床医生在行为特征提取和分类准确性方面的表现差异	50个YouTube自闭症相关视频	机器学习	自闭症	多模态大语言模型评估	多模态LLM	视频	50个YouTube视频	NA	Gemini 1.5, Gemini 2.0, Gemini 2.5	准确率	NA
245	2026-09-23	Improved Deep Learning Prediction of TCR-HLA Associations 2025-Oct-06, Statistics in biosciences IF:0.8Q4 DOI:10.1007/s12561-025-09506-4 PMID:42453141	研究论文	本研究评估了DePTH在额外数据集上的性能，分析了TCR生成概率和CDR3序列长度这两个混杂因素的影响，并基于这些见解结合两个数据集的训练数据训练了DePTH 2.0	开发了DePTH 2.0，通过结合两个数据集的训练数据，并考虑了TCR生成概率和CDR3序列长度等混杂因素的影响	未明确说明模型的泛化能力及在其他数据集上的验证情况	提高TCR-HLA关联预测的深度学习模型性能，并理解TCR-HLA关系以阐明免疫反应特异性、自身免疫机制和推进靶向免疫治疗	T细胞受体（TCR）和人类白细胞抗原（HLA）的关联	机器学习	自身免疫疾病	深度学习	深度学习模型	氨基酸序列	NA	NA	NA	NA	NA
246	2026-09-23	Dual-Attention BiLSTM for Interpretable Forecasting of Treatment Toxicities 2025-Oct, ... IEEE-EMBS International Conference on Biomedical and Health Informatics. IEEE-EMBS International Conference on Biomedical and Health Informatics DOI:10.1109/bhi67747.2025.11269508 PMID:42170647	研究论文	本文提出了一种基于双重注意力机制的双向长短期记忆网络（Bi-LSTM）模型，用于对肿瘤治疗毒性进行可解释的预测	在项目层面和时间层面引入双重注意力机制，选择性地强调最具信息量的症状-时间交互，解决了传统Bi-LSTM模型对输入统一加权的问题，同时提升了预测准确性和可解释性	未明确说明模型在更大规模或多中心数据集上的泛化能力，也未讨论注意力机制在实际临床工作流程中的部署可行性	提升基于纵向患者报告结局（PRO）数据的症状轨迹预测性能，并增强深度学习模型在肿瘤学中的临床可解释性	纵向患者报告结局（PRO）数据，用于预测12个月症状严重程度	机器学习	癌症	纵向患者报告结局（PRO）分析	Bi-LSTM, 注意力机制	文本, 纵向临床数据	一个来自大型癌症中心的纵向PRO数据集（具体样本量未在摘要中说明）	NA	Bi-LSTM, 双重注意力机制	预测准确性, 可解释性	NA
247	2026-09-23	Source-Free Active Learning for Adapting Alzheimer's Diagnostic Deep Learning Models Across Neuroimaging Cohorts 2025-Oct, ... IEEE-EMBS International Conference on Biomedical and Health Informatics. IEEE-EMBS International Conference on Biomedical and Health Informatics DOI:10.1109/bhi67747.2025.11269546 PMID:42396431	研究论文	本文提出一种基于不确定性信息的主动学习框架，用于无源域自适应，以跨神经影像队列分类认知正常个体和阿尔茨海默病患者	利用蒙特卡洛丢弃法估计预测不确定性，指导从目标域选择信息量最大的样本进行模型自适应，无需源域数据	未明确提及	解决多站点神经影像数据中的域偏移问题，开发稳健的诊断模型，实现跨队列的阿尔茨海默病分类	来自五个神经影像研究的3,177名参与者（ADNI-1、ADNI-2/3、PENN、AIBL和OASIS）	医学图像分析	阿尔茨海默病	神经影像（脑体积测量）	深度学习模型（具体架构未指定）	图像（脑部MRI衍生的区域脑体积测量）	3,177名参与者，145个区域脑体积测量值	NA	NA	AUC	NA
248	2026-09-23	Extracting Genetically-Imputed Causal Features From ECG Data 2025-Aug, Statistical analysis and data mining IF:2.1Q1 DOI:10.1002/sam.70026 PMID:42100677	研究论文	本文应用DeepFEIVR及其变体DeepFEIVR-RI于英国生物银行大型数据集，从ECG数据中提取遗传推算的因果特征以研究心房颤动	扩展了DeepFEIVR和DeepFEIVR-RI以容纳大量工具变量，并应用dnn-loc算法对提取的因果特征进行可视化检查	未明确提及	从ECG数据中提取遗传推算的因果特征，以增进对心房颤动病因学的理解	英国生物银行数据集中的ECG数据和心房颤动	机器学习	心血管疾病	孟德尔随机化	深度学习	图像	英国生物银行大型数据集（具体样本量未提及）	NA	DeepFEIVR, DeepFEIVR-RI	p值小于10的显著性	NA
249	2026-09-23	Non-local modeling of enhancer-promoter interactions, a correspondence on "LOCO-EPI: Leave-one-chromosome-out (LOCO) as a benchmarking paradigm for deep learning based prediction of enhancer-promoter interactions" 2025-May, Applied intelligence (Dordrecht, Netherlands) DOI:10.1007/s10489-025-06378-5 PMID:42210916	评论	该文章是对Tahir等人2024年关于增强子-启动子相互作用预测模型的评论，指出其结论先前已发表，并解释其模型预测能力弱的原因	指出先前研究未被认可，并引入DNA环化、黏连蛋白挤出和CTCF等新见解来解释模型性能不足	作为评论文章，未进行新的实验研究，仅基于现有文献进行分析	纠正先前发表的记录，并讨论增强子-启动子相互作用建模的最新进展	增强子-启动子相互作用及其计算模型	机器学习	NA	NA	NA	NA	NA	NA	NA	NA	NA
250	2026-09-23	BRAID: Input-driven nonlinear dynamical modeling of neural-behavioral data 2025-Apr, ... International Conference on Learning Representations PMID:42131509	研究论文	提出了一种名为BRAID的深度学习框架，用于建模神经行为数据中的非线性动力学，并显式地纳入外部输入	显式地将测量的外部输入纳入非线性神经动力学建模中，通过输入驱动的循环神经网络与预测目标分离内在动力学与输入效应，并采用多阶段优化方案优先学习与行为相关的内在动力学	摘要中未明确提及	在建模神经群体动力学时显式考虑外部输入的影响，并准确学习与行为相关的内在动力学	神经行为数据，包括运动任务期间记录的运动皮层活动	机器学习	NA	NA	循环神经网络	神经活动数据	NA	NA	输入驱动的循环神经网络	拟合准确度、预测准确性	NA
251	2026-09-23	GEOMETRY OF LONG-TAILED REPRESENTATION LEARNING: REBALANCING FEATURES FOR SKEWED DISTRIBUTIONS 2025-Apr, ... International Conference on Learning Representations PMID:42267119	研究论文	该论文从几何角度理论分析了长尾数据导致特征分布偏斜的原因，并提出了特征重构建方法FeatRecon以解决长尾表示学习问题	首次从理论上推导了长尾数据导致尾类中心收缩甚至坍缩为单点的条件，揭示了特征重叠的几何机制；提出FeatRecon方法通过重建特征空间使不同类别的特征分布对称且线性可分	未明确讨论计算复杂度或在大规模数据集上的可扩展性；实验仅限于图像分类数据集，未涉及其他模态或任务	深入理解长尾数据对特征分布的影响机制，并开发有效方法提升长尾分布下的表示学习性能	长尾分布下的深度神经网络特征表示	机器学习	NA	NA	NA	图像	CIFAR-10-LT、CIFAR-100-LT、ImageNet-LT和iNaturalist 2018数据集（具体样本量未在摘要中给出）	NA	NA	NA	NA
252	2026-09-23	FeatureDock for protein-ligand docking guided by physicochemical feature-based local environment learning using transformer 2025-Mar-04, npj drug discovery DOI:10.1038/s44386-025-00005-6 PMID:42380495	研究论文	提出了一种基于transformer的深度学习框架FeatureDock，利用蛋白质局部环境的化学特征来预测蛋白质-配体结合构象并实现虚拟筛选的强打分能力	利用transformer学习蛋白质局部环境的物理化学特征来引导分子对接，同时解决了深度学习对接方法缺乏明确打分函数的问题	仅在Cyclin-Dependent Kinase 2和Angiotensin-converting enzyme两个数据集上进行了验证，未在更大规模或更多样化的数据集上评估	预测蛋白质与小分子配体之间的结合结构，并提高虚拟筛选中的打分能力	蛋白质-配体复合物，具体为Cyclin-Dependent Kinase 2和Angiotensin-converting enzyme的化合物数据集	机器学习	NA	分子对接	Transformer	分子结构数据	两个数据集：Cyclin-Dependent Kinase 2和Angiotensin-converting enzyme化合物数据集	NA	Transformer	NA	NA
253	2026-09-23	Statistics and AI - A Fireside Conversation 2025, Harvard data science review DOI:10.1162/99608f92.c066fe9c PMID:42311443	评论	本文记录了一场关于统计学与人工智能的炉边对话网络研讨会，探讨了AI时代统计学的挑战、机遇及未来发展	以炉边对话形式组织多场专题讨论，汇集统计社区对AI时代关键挑战与机遇的集体见解，提出战略性路线图	仅为研讨会讨论总结，缺乏具体研究数据、实证分析或可量化结论，观点依赖与会者主观经验	探讨AI时代统计学的挑战与机遇，规划统计学的未来发展方向	统计学科、统计社区、AI技术、出版流程、统计教育	机器学习	NA	NA	NA	文本	约1000名在线参会者	NA	NA	NA	NA
254	2026-09-23	Adaptive Time Encoding for Irregular Multivariate Time-Series Classification 2025, Advances in neural information processing systems PMID:42421990	研究论文	本文提出了一种自适应时间编码方法，通过可学习参考点生成潜在表示并引入一致性正则化，以解决不规则多元时间序列分类中的采样不规则问题	提出自适应时间编码方法，在可学习参考点生成潜在表示以捕获缺失模式，并引入一致性正则化整合复杂的时间与变量间信息	摘要中未提及具体限制	解决不规则多元时间序列分类中因采样不规则导致的观测错位和观测数量变化问题，提升分类性能	不规则多元时间序列数据	机器学习	NA	自适应时间编码	NA	时间序列	NA	NA	NA	分类性能	NA
255	2026-09-23	Deep Learning Super-Resolution from Normal to Ultra-High Resolution CT: Conditional Diffusion Model Development and Performance Evaluation in Trabecular Bone Radiomics 2025, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.3049109 PMID:42445206	研究论文	本研究开发了一种条件去噪扩散概率模型，用于将正常分辨率CT图像超分辨率重建至超高分辨率水平，并评估其对骨小梁纹理特征的影响	首次将条件去噪扩散概率模型应用于正常分辨率CT到超高分辨率CT的超分辨率重建，并系统评估了超分辨率对骨小梁放射组学纹理特征的影响	样本量较小（仅4例人类尸体股骨），部分纹理特征（聚类突出和聚类阴影）的超分辨率重建效果略低于正常分辨率	开发条件扩散模型实现正常分辨率CT到超高分辨率CT的超分辨率重建，并评估超分辨率对骨小梁纹理度量的影响	人类尸体股骨	医学图像处理	骨质疏松症	多探测器CT、超高分辨率CT	条件去噪扩散概率模型	医学图像	4例人类尸体股骨，7717个训练图像块来自2例股骨，5400个验证图像块来自第3例股骨，190个测试感兴趣区域来自第4例股骨	NA	条件去噪扩散概率模型	一致性相关系数、主成分分析	NA
256	2026-09-21	An epilepsy prediction and management system based on federated learning combined with hybrid harmony search and mutual information (HAS-MI)-based feature selection approach 2025-Dec-29, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-30919-0 PMID:41461827	研究论文	本文提出了一种基于联邦学习的癫痫预测与管理系统，结合混合和声搜索与互信息（HSA-MI）特征选择方法，使用EpilepNet-LD模型进行EEG信号分析以实现癫痫发作检测	提出了EpilepNet-LD架构，将LSTM与DenseNet-121结合以同时捕获EEG信号的时序依赖性和层次化空间特征；引入联邦学习框架实现去中心化EEG分析并保护患者隐私；采用混合和声搜索与互信息（HSA-MI）特征选择技术识别最优的时序、频谱和空间EEG特征以降低计算开销	摘要中未明确提及研究局限性	开发一种实时、高精度的癫痫发作检测与管理系统，克服现有方法跨病例适用性差、误报过多和特征选择效率低等问题，同时保护患者隐私	癫痫患者的EEG信号数据	机器学习	癫痫	EEG信号分析、联邦学习、混合和声搜索与互信息特征选择	LSTM、DenseNet-121	EEG信号（时序数据）	NA	NA	LSTM, DenseNet-121	准确率, 灵敏度	NA
257	2026-09-21	High-fidelity 3D mesh generation from a single sketch using shape constraints 2025-Dec-26, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-30843-3 PMID:41453959	研究论文	本文提出了一种从单张草图生成高保真三维网格的简化网络架构，通过形状约束实现几何保真度。	采用表达力强的PowerMLP架构于编码器-解码器框架中，并集成三维形状约束替代传统判别器，实现协作生成过程中的几何保真度。	摘要中未提及	解决从单张手绘草图重建高保真三维模型的挑战。	合成风格化草图和真实手写输入。	计算机视觉	NA	深度学习	编码器-解码器框架，PowerMLP	图像（草图）	摘要中未提及	NA	编码器-解码器，PowerMLP，MLP	NA	NA
258	2026-09-21	Automated Food Weight and Content Estimation Using Computer Vision and AI Algorithms: Phase 2 2025-12-22, Sensors (Basel, Switzerland) DOI:10.3390/s26010076 PMID:41516511	研究论文	该文利用计算机视觉和人工智能技术，在自助餐厅场景中通过RGB和深度摄像头识别食物内容并估计食物重量	结合RGB和深度摄像头测量食物体积，并针对每种食物类型应用密度模型来估计重量，通过实验校准参数生成体积-重量转换表	仅在米饭和鸡肉上进行了验证，未涉及更多食物种类和更复杂的餐饮环境	量化餐饮服务中的关键组成部分，具体聚焦于餐厅环境下的食物内容识别和份量估计	自助餐厅中的食物托盘和食物项目	计算机视觉	NA	RGB和深度摄像头成像	YOLO	图像	NA	NA	YOLO	精确率-召回率曲线, 平均精度均值(mAP), 误差范围	NA
259	2026-09-21	MapReduce-based deep learning framework for potato leaf disease detection in sustainable precision agriculture 2025-Dec-20, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-30940-3 PMID:41419754	研究论文	该研究提出了一种基于MapReduce的深度学习框架，使用轻量级MobileNetV3分类器对马铃薯叶片病害进行检测，并在包含2152张图像的数据集上实现了高精度分类	将轻量级MobileNetV3分类器与MapReduce风格的数据流水线相结合，实现预处理和批量推理的并行化处理，使系统具备水平扩展能力以支持大规模部署和持续图像摄入	未明确讨论模型在真实田间环境中的泛化能力，数据集规模相对较小（2152张图像），且仅针对三类病害分类	实现马铃薯叶片病害的准确及时检测，以最小化产量损失，并探索MapReduce在大规模农业病害监测中的可扩展性	马铃薯叶片图像	计算机视觉	植物病害	深度学习图像分类	CNN	图像	2152张图像，分为三类	NA	MobileNetV3	准确率, 灵敏度, 特异性, F1分数, 误分类率, 混淆矩阵	GPU
260	2026-09-21	Generalizable and scalable protein stability prediction with rewired protein generative models 2025-Dec-20, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-67609-4 PMID:41422228	研究论文	本文提出了SPURS，一个深度学习框架，通过重新连接和整合两个互补的蛋白质生成模型（蛋白质语言模型和逆折叠模型），并利用超大规模热稳定性数据进行监督微调，实现蛋白质稳定性预测。	利用并改进了蛋白质生成模型的强无监督预测能力，通过重新连接和整合两个互补模型，并在超大规模热稳定性数据上进行监督微调，实现了可泛化、可扩展的蛋白质稳定性预测。	摘要中未提及该研究的局限性。	预测氨基酸替换引起的蛋白质热稳定性变化，以理解人类疾病和工程化蛋白质。	蛋白质及其氨基酸替换。	机器学习	人类疾病	蛋白质生成模型、监督微调	蛋白质语言模型、逆折叠模型	蛋白质序列和结构数据、热稳定性数据	摘要中未提及具体的样本数量。	NA	蛋白质语言模型、逆折叠模型	摘要中未提及具体的性能指标。	摘要中未提及计算资源。