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
601	2026-02-16	Medical Image Segmentation Assisted with Clinical Inputs via Language Encoder in A Deep Learning Framework 2025-Mar, Machine learning: science and technology DOI:10.1088/2632-2153/adb371 PMID:41078606	研究论文	提出一种结合临床文本输入的深度学习框架，用于医学图像分割，特别是在癌症放疗中自动分割肿瘤体积和危及器官	通过基于Transformer的文本编码器将临床文本信息整合到图像分割过程中，弥补了传统自动分割方法在捕捉不可见微观肿瘤侵袭信息方面的不足	仅在前列腺癌分割示例中进行了验证，尚未在其他癌症类型或器官上广泛测试	提高癌症放疗中临床靶区（CTV）和危及器官（OAR）的自动分割精度	局部前列腺癌放疗中的前列腺分割	医学图像分割	前列腺癌	深度学习	深度学习框架	医学图像, 临床文本	NA	NA	Transformer	NA	NA
602	2026-02-16	High-Resolution Estimation of Daily PM2.5 Levels in the Contiguous US Using Bi-LSTM with Attention 2025-Jan, Remote sensing IF:4.2Q2 DOI:10.3390/rs17010126 PMID:41674857	研究论文	本文开发了一种基于Bi-LSTM与注意力机制的深度学习模型，用于提高美国本土每日PM2.5浓度的高分辨率估计精度	通过结合注意力机制的Bi-LSTM网络，整合多源数据（包括现场测量、遥感数据和野火烟雾密度观测），显著提升了高浓度日子的PM2.5估计精度	模型主要针对美国本土，缺乏开源代码可能限制了在其他地区和时间段的直接应用，尽管本文已发布开源框架以改善可重复性	提高地表PM2.5浓度的估计精度，特别是针对高浓度日子，以支持公共卫生监测和队列研究	美国本土的每日PM2.5浓度数据	机器学习	NA	深度学习，多源数据整合（现场测量、遥感、野火烟雾观测）	Bi-LSTM	时间序列数据，包括测量数据、遥感数据和观测数据	2005年至2021年美国本土的PM2.5估计数据集	TensorFlow, PyTorch	Bi-LSTM with Attention	RMSE	NA
603	2026-02-16	Performance and generalizability impacts of incorporating location encoders into deep learning for dynamic PM2.5 estimation 2025, GIScience & remote sensing IF:6.0Q1 DOI:10.1080/15481603.2025.2594797 PMID:41684775	研究论文	本研究评估了在动态PM2.5浓度估算的深度学习模型中整合地理位置编码器对模型性能和地理泛化能力的影响	首次在复杂、时间动态的估算场景中集成并系统评估了地理位置编码器，并比较了原始坐标与预训练编码器在区域内外泛化能力上的差异	某些区域存在由高次基函数和稀疏上游样本引起的伪影模式，且不同位置编码器（如SatCLIP与GeoCLIP）的性能表现存在差异	评估地理位置信息在提升深度学习模型性能及地理泛化能力方面的作用，并指导空气污染估算模型开发	美国本土的地表日PM2.5浓度	机器学习	NA	遥感数据、地面监测数据	深度学习	地理空间数据、时间序列数据	NA	NA	基于现有最先进的PM估算模型（未指定具体架构）	聚合性能指标、定性分析、消融实验结果	NA
604	2026-02-15	Artificial intelligence-driven anticancer peptide discovery 2025-Dec, iMetaOmics DOI:10.1002/imo2.70063 PMID:41676444	综述	本文系统总结了用于抗癌肽筛选的人工智能模型，并提出了一个结合多组学技术的综合性AI筛选框架	提出了一个集数据收集、特征提取、模型构建、可解释性分析和实验验证于一体的综合性AI筛选框架，并将其与多组学技术整合以促进临床转化	大多数现有AI模型缺乏可解释性和湿实验室验证，这影响了基于AI的ACP筛选的可信度和实际有效性	通过人工智能技术提高抗癌肽的筛选效率和准确性，并促进其临床转化	抗癌肽	机器学习	癌症	机器学习，深度学习	NA	序列数据	NA	NA	NA	NA	NA
605	2026-02-15	Identification of potent inhibitors of potential VEGFR2: a graph neural network-based virtual screening and in vitro study 2025-Dec, Journal of enzyme inhibition and medicinal chemistry IF:5.6Q1 DOI:10.1080/14756366.2025.2518192 PMID:40539987	研究论文	本研究提出了一种结合AI深度学习和基于结构的药物设计的新策略，用于从中医药单体数据库中筛选针对VEGFR2的潜在候选化合物	首次将图神经网络应用于中医药单体数据库的虚拟筛选，以识别VEGFR2的有效抑制剂	研究仅基于计算筛选和体外实验，缺乏体内实验验证和临床前研究	筛选针对VEGFR2的潜在抑制剂，用于癌症治疗	中医药单体数据库中的化合物	机器学习	癌症	虚拟筛选，激酶抑制实验，分子对接，分子动力学模拟	图神经网络	分子结构数据	中医药单体数据库中的多个化合物，最终筛选出6个候选化合物	NA	图神经网络	激酶抑制活性，分子对接评分，分子动力学稳定性	NA
606	2026-02-15	Revolutionizing multi-omics analysis with artificial intelligence and data processing 2025-Sep, Quantitative biology (Beijing, China) DOI:10.1002/qub2.70002 PMID:41675959	综述	本文探讨了人工智能与数据处理技术在多组学分析中的应用，旨在改变对复杂生物系统的理解	整合人工智能技术（如机器学习、深度学习）以处理和分析多组学数据，加速生物标志物发现和个性化医疗发展	需要高质量数据集，且有效算法和模型的开发仍面临挑战	探索人工智能和数据处理技术在多组学分析中的潜力，以推动生物系统研究和医学应用	多组学数据（包括多种分子数据类型）	机器学习	NA	多组学方法	机器学习, 深度学习, 神经网络	多组学数据	NA	NA	NA	NA	NA
607	2026-02-15	Loc4Lnc: Accurate prediction of long noncoding RNA subcellular localization via enhanced RNA sequence representation 2025-Sep, Quantitative biology (Beijing, China) DOI:10.1002/qub2.100 PMID:41675960	研究论文	本文提出了一种名为Loc4Lnc的深度学习框架，用于准确预测长链非编码RNA的亚细胞定位	通过整合卷积层和Transformer模块，有效捕获RNA序列中的局部基序和长程依赖关系，并利用TextCNN进行分类，显著提升了预测准确性	NA	开发一个深度学习框架以准确预测lncRNA的亚细胞定位，从而帮助理解其在生物通路中的功能	长链非编码RNA及其在五个亚细胞位置（细胞质、细胞核、细胞溶质、染色质和外泌体）的定位	自然语言处理	NA	RNA序列分析	CNN, Transformer	RNA序列	基于RNALocate v2.0数据库构建的基准数据集，具体样本数量未明确说明	NA	卷积层, Transformer块, TextCNN	准确率	NA
608	2026-02-15	Transfer learning identifies bacterial signatures for cross-regional diagnosis of type 2 diabetes and enable stage-sensitive dietary fiber intervention 2025-Jun, iMetaOmics DOI:10.1002/imo2.70021 PMID:41675159	研究论文	本文介绍了一个名为DeepMicroFinder的深度学习框架，用于通过迁移学习利用区域特异性微生物组数据集更新现有疾病诊断模型，以实现跨区域疾病检测	开发了DeepMicroFinder框架，有效克服了肠道微生物组区域效应的限制，实现了准确的跨区域疾病检测	NA	通过迁移学习识别2型糖尿病的细菌标志物，并实现跨区域诊断及阶段敏感的膳食纤维干预	2型糖尿病患者及其肠道微生物组	机器学习	2型糖尿病	微生物组测序	深度学习	微生物组数据	NA	NA	NA	NA	NA
609	2026-02-15	Multi-Image Fusion-Based Defect Detection Method for Real-Time Monitoring of Recoating in Ceramic Additive Manufacturing 2025-Feb, 3D printing and additive manufacturing IF:2.3Q3 DOI:10.1089/3dp.2023.0285 PMID:40151680	研究论文	本文提出了一种基于多图像融合和深度学习的缺陷检测方法，用于陶瓷增材制造中实时监测涂覆缺陷	结合多图像融合与通道级YOLO（CW-YOLO）方法，通过图像校正技术将侧视涂覆图像转换为俯视图，并引入F1分数作为综合评价指标，显著提升了难以区分缺陷的检测性能	NA	开发一种实时监测陶瓷增材制造中涂覆缺陷的方法，以提高工艺稳定性	陶瓷增材制造中的涂覆缺陷，如材料短缺和划痕	计算机视觉	NA	多图像融合，图像校正技术	YOLO	图像	NA	NA	CW-YOLO	F1分数，检测准确率，召回率	NA
610	2026-02-15	A Computational Framework for Intraoperative Pupil Analysis in Cataract Surgery 2025 Jan-Feb, Ophthalmology science IF:3.2Q1 DOI:10.1016/j.xops.2024.100597 PMID:39435136	研究论文	本研究开发并验证了一个用于白内障手术中瞳孔形态变化自动评估的计算框架	提出了一个结合张量小波特征提取、深度学习解剖结构分割和遮挡检测/补偿的三阶段计算框架，显著提升了瞳孔分割的准确性	研究为回顾性视频分析，样本量相对有限（240个手术视频），且未涉及所有类型的手术器械或复杂病例	开发一个可靠的计算框架，用于自动化评估白内障手术期间瞳孔的形态变化	白内障手术视频中的瞳孔、角膜缘和睑裂	计算机视觉	白内障	手术视频分析	CNN	视频	240个完整手术视频（190个未使用瞳孔扩张装置，50个使用瞳孔扩张装置），包含5700帧图像	TensorFlow, PyTorch	Feature Pyramid Network, Visual Geometry Group 16	Dice系数, 准确率, AUC	NA
611	2026-02-15	RETRACTED: N-Beats architecture for explainable forecasting of multi-dimensional poultry data 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0320979 PMID:40273069	研究论文	本研究提出了一种基于N-BEATS架构的新颖应用，用于多维度家禽数据预测，并通过集成可解释人工智能框架增强了可解释性	首次将N-BEATS架构应用于家禽数据预测，并集成了可解释人工智能框架以提高预测的透明度和可解释性	未提及具体的数据集规模或外部验证，可能限制了结果的泛化能力	优化家禽生产中的预测分析，以提升收入、资源利用效率和生产力	家禽疾病诊断相关的多维度数据，包括关键环境参数	机器学习	家禽疾病	时间序列建模	N-BEATS	多变量时间序列数据	NA	NA	N-BEATS	MAE, RMSE, MSLE, R-squared, RMSLE	NA
612	2026-02-15	Robotic transesophageal echocardiography: system design and deep learning-based kinematic modeling 2025, Frontiers in robotics and AI IF:2.9Q2 DOI:10.3389/frobt.2025.1705142 PMID:41675306	研究论文	本文介绍了一种机器人经食管超声心动图系统，通过改进机械设计和基于深度学习的运动学建模，复制了手动TEE程序中的所有基本自由度	采用基于LSTM单元的循环神经网络构建数据驱动的运动学模型，克服了连续体机械臂分析方法的根本限制，有效捕捉了死区、滞后和转向机制间的耦合效应	NA	开发一种能够适应仰卧位和左侧卧位患者位置、覆盖临床TEE全流程的机器人系统	经食管超声心动图探头及其机器人操控系统	机器人学	心血管疾病	经食管超声心动图	LSTM	姿态-命令同步数据对	42,000个在三种胃镜管配置（0°、45°、90°弯曲）下收集的数据对	NA	循环神经网络	RMSE, 平均方向误差	NA
613	2026-02-15	Predicting the growth of asymptomatic small abdominal aortic aneurysms (AAA) based on deep learning 2025, Frontiers in physiology IF:3.2Q2 DOI:10.3389/fphys.2025.1704428 PMID:41676330	研究论文	本研究开发了一个端到端的深度学习框架，用于预测无症状小腹主动脉瘤的快速扩张	提出了一个结合ResNet50、YOLOv11和MedMamba的端到端深度学习框架，用于直接从CTA图像预测AAA生长，并通过多模态特征融合和可解释性分析增强了模型的临床适用性	样本量相对较小（仅81名患者），且研究为单中心回顾性设计，可能限制模型的泛化能力	预测无症状小腹主动脉瘤的快速扩张，以进行风险分层和个性化监测	81名无症状小腹主动脉瘤患者的CTA图像和临床数据	数字病理学	心血管疾病	计算机断层扫描血管造影	CNN, 目标检测模型, 基于注意力机制的模型	图像	81名患者（30名快速生长，51名稳定）	NA	ResNet50, YOLOv11, MedMamba	准确率, F1分数, 精确率-召回率	NA
614	2026-02-13	Multimodal deep learning to predict postoperative major adverse cardiac and cerebrovascular events after non-cardiac surgery - correspondence 2025-Dec-05, International journal of surgery (London, England) DOI:10.1097/JS9.0000000000004261 PMID:41677095	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
615	2026-02-14	Automatic quantitative analysis of atherosclerotic aortic plaques in patients with embolic cerebral infarction using deep learning 2025-09, The Korean journal of internal medicine DOI:10.3904/kjim.2024.360 PMID:40859808	研究论文	本研究开发了一种基于U-net的自动斑块分割模型，用于分析经食管超声心动图（TEE）图像中的动脉粥样硬化主动脉斑块，并评估其在预测复杂斑块和心血管事件中的临床价值	首次将U-net深度学习模型应用于TEE图像的自动斑块分割，以量化主动脉斑块面积（APA）和斑块比例（APR），并探索其在预测复杂主动脉斑块和心血管事件中的潜力	U-net模型估计的APA或APR在预测主要不良心脑血管事件方面未显示出额外价值，可能需要结合斑块的其他特征（如活动性和形态）进行更全面的定量分析	开发自动斑块分割模型并评估其在不明原因栓塞性脑卒中（ESUS）患者中的临床实用性	来自心血管中心的患者TEE主动脉图像，包括711名因各种原因就诊的患者和ESUS患者临床数据集	数字病理学	心血管疾病	经食管超声心动图（TEE）	CNN	图像	711名患者的TEE主动脉图像数据集，以及来自三个心血管中心的ESUS患者临床数据集	NA	U-net	平均交并比（IoU）	NA
616	2026-02-14	Multicenter Evaluation of Interpretable AI for Coronary Artery Disease Diagnosis from PET Biomarkers 2025-Jun-30, medRxiv : the preprint server for health sciences DOI:10.1101/2025.06.19.25329944 PMID:40630571	研究论文	本研究开发了一种集成PET/CT心肌灌注成像关键临床参数的人工智能模型，用于提高阻塞性冠状动脉疾病的诊断准确性	首次开发了一个集成多种PET成像生物标志物（包括冠状动脉钙化评分、心肌血流和灌注参数）的AI模型，并通过多中心外部验证展示了其优于传统定量分析和临床评分的诊断性能	研究为回顾性设计，且仅纳入在180天内接受侵入性冠状动脉造影的患者，可能存在选择偏倚	提高阻塞性冠状动脉疾病的诊断准确性	接受心脏PET/CT检查的患者	数字病理学	心血管疾病	PET/CT心肌灌注成像	XGBoost, 深度学习	医学影像（PET/CT图像）及临床参数	总队列17,348名患者，其中1,664名纳入研究（训练集386名，外部测试集1,278名）	NA	NA	AUC	NA
617	2026-02-14	In-Silico Predictions of Drug Resistance in Lung Cancers With EGFR Mutation 2025-Jun, Proceedings of the Platform for Advanced Scientific Computing Conference DOI:10.1145/3732775.3733588 PMID:41669100	研究论文	本文提出了一种利用高性能计算资源预测EGFR突变肺癌中耐药机制的计算工作流程	整合了深度学习结构预测、分子动力学模拟、分子对接和结合预测等多种计算方法，并探索了量子化学计算作为实验验证的补充工具	NA	预测肺癌中由EGFR突变引起的耐药机制，并为治疗策略提供替代方案	EGFR突变的肺癌	计算生物学	肺癌	深度学习结构预测、分子动力学模拟、分子对接、量子化学计算	深度学习模型	分子结构数据、化合物数据	NA	NA	NA	NA	高性能计算资源
618	2026-02-14	A computational validation for the health concept maturity levels questionnaire 2025, Frontiers in psychology IF:2.6Q2 DOI:10.3389/fpsyg.2025.1555014 PMID:41669151	研究论文	本研究开发了健康概念成熟度水平网格和问卷，并利用机器学习和深度学习模型验证其计算语义效度	引入计算语义效度作为传统心理测量验证的新颖补充方法，通过机器学习技术展示专家话语与问卷结构的语义对齐	“程序性”和“需求”因素之间存在重叠，表明健康概念成熟度水平模型需要改进	评估健康概念成熟度水平，验证健康概念成熟度水平问卷的计算语义效度	健康概念成熟度水平专家干预的言语行为，以及健康概念成熟度水平问卷项目	自然语言处理	NA	言语行为标注，机器学习和深度学习建模	CatBoost算法，神经网络	文本	NA	CatBoost	神经网络	敏感性	NA
619	2026-02-14	Residual-SwishNet: a deep learning-based approach for reliable lung cancer classification 2025, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2025.1729021 PMID:41669256	研究论文	提出一种名为Residual-SwishNet的深度学习模型，用于提高肺癌分类的准确性和泛化能力	在ResNet50框架中，将传统的ReLU激活函数替换为Swish，并在分类模块前集成三个额外的密集层，以增强特征表示	未提及模型在更大或更多样化数据集上的泛化能力，以及计算资源需求的具体分析	开发一种准确且可靠的肺癌分类方法，以改善早期诊断和患者预后	肺癌分类任务，基于公开的医学影像数据集	计算机视觉	肺癌	深度学习	CNN	图像	两个公开数据集：LUNA16和IQ-OTH/NCCD	PyTorch	ResNet50	准确率, 精确率, 召回率, F1分数	NA
620	2026-02-14	A deep learning architecture for leaf water potential prediction in Populus euramericana 'I-214' from hyperspectral reflectance 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1709473 PMID:41669633	研究论文	本文提出了一种深度学习框架CIDL，用于从高光谱反射数据中预测杨树叶片水势，以解决传统测量方法的破坏性和耗时问题	集成条件生成对抗网络（CGAN）平衡数据分布，结合Inception-ResNet与ACmix的特征提取器捕获局部和全局光谱特征，并引入分布感知回归网络（DARN）显式建模目标变量分布，提升预测可靠性	研究基于杨树特定品种的脱水实验数据，样本量相对较小（229个实测样本），可能限制模型在其他树种或环境条件下的泛化能力	开发一种非破坏性、高精度的叶片水势预测方法，以支持森林干旱胁迫监测和智能林业管理	欧洲黑杨'I-214'品种的年轻树木叶片	计算机视觉	NA	高光谱反射测量	CGAN, CNN	高光谱图像	229个实测叶片水势与高光谱反射配对样本，另通过CGAN生成500个合成样本用于增强	NA	Inception-ResNet, ACmix	R², RMSE	NA