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	2026-06-02	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
11	2026-06-01	LoRA-based methods on Unet for transfer learning in aneurysmal subarachnoid hematoma segmentation 2025-12-26, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-025-02116-y PMID:41454218	研究论文	本研究探讨了基于LoRA的方法在U-Net上对动脉瘤性蛛网膜下腔血肿分割进行迁移学习，比较了多种参数高效微调策略，并开发了新型CP-LoRA和DoRA变体方法	首次将LoRA方法应用于U-Net的动脉瘤性蛛网膜下腔血肿分割迁移学习，提出了基于张量CP分解的CP-LoRA方法以及将权重矩阵分解为幅度和方向分量的DoRA变体，证明过参数化（高秩）优于严格低秩适应	样本量较小（30例动脉瘤性SAH患者），使用3折交叉验证；对体积较小的血肿分割精度较低（Dice 0.107-0.361）；研究仅针对单一机构的数据集	探索迁移学习从创伤性脑损伤血肿到动脉瘤性蛛网膜下腔血肿分割的可行性，并评估LoRA方法相比传统微调策略的性能优势	动脉瘤性蛛网膜下腔血肿的CT扫描分割	数字病理学, 计算机视觉	脑血管疾病	CT扫描	U-Net, LoRA, DoRA	图像	124例创伤性脑损伤患者（预训练）+ 30例动脉瘤性SAH患者（微调）	PyTorch	U-Net	Dice系数	NA
12	2026-06-01	Deep Transfer Learning Links Benign Glands to Prostate Cancer Progression via Transcriptomics 2025-Dec-22, Genomics, proteomics & bioinformatics DOI:10.1093/gpbjnl/qzaf119 PMID:41317378	研究论文	利用深度迁移学习框架DEGAS分析前列腺癌空间转录组数据，识别与癌症进展高度相关的细胞和组织，发现形态学良性腺体中MSMB表达下调与肿瘤侵袭性相关	首次将深度迁移学习应用于空间转录组学分析前列腺癌的区域效应，揭示良性腺体中MSMB下调与免疫微环境改变的关联	NA	利用深度迁移学习分析前列腺癌空间转录组，探索良性组织中的分子变化与癌症进展的关系	前列腺癌空间转录组样本及患者组织样本	机器学习	前列腺癌	空间转录组测序、单细胞转录组测序、免疫组化	深度迁移学习	空间转录组数据、单细胞转录组数据、蛋白表达数据	NA	DEGAS	NA	NA	NA
13	2026-06-01	Progressive curriculum learning with Scale-Enhanced U-Net for continuous airway segmentation 2025-12-17, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-025-02066-5 PMID:41408195	研究论文	提出一种渐进式课程学习流程和尺度增强U-Net，用于胸部CT图像中连续气道分割	直接通过端到端渐进式学习解决大小气道分支间的不平衡问题，并在第三阶段引入自适应拓扑响应损失（ATRL）以增强气道连续性	未在本文中明确说明	提高胸部CT图像中气道分割的连续性和准确性	胸部CT图像中的气道结构	计算机视觉	呼吸系统疾病	CT成像	U-Net	图像	ATM'22挑战数据集和内部数据集	NA	Scale-Enhanced U-Net (SE-UNet)	Tree length Detection rate (TD), Branch Detection rate (BD)	NA
14	2026-06-01	CerviHFENet: hybrid feature extraction-based deep learning for multi-label classification of upper cervical spine abnormalities in X-ray imaging 2025-12-08, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-025-02070-9 PMID:41361372	研究论文	提出CerviHFENet框架，基于混合特征提取的深度学习，对颈椎X光片进行多标签分类，识别六种上颈椎异常	首次整合混合特征提取机制，同时提取颈椎解剖特征和不同颈部位置下的骨结构动态变化；采用改进的focal loss函数学习六种异常间的互斥或条件依赖关系	样本量较小，仅249名患者参与；未提及模型在外部数据集上的泛化能力验证	开发深度学习模型，实现上颈椎X光片中多种异常的多标签分类，提高诊断准确性	患者上颈椎X光片（扩展位、中立位、屈曲位三视图）中的六种异常	计算机视觉	颈椎疾病	X光成像	CNN（混合特征提取模型）	图像	249名患者，747张X光图像	PyTorch	自适应ROI检测模块 + 混合特征提取机制（未具体说明基础架构）	AUC, mAP	NA
15	2026-06-01	An integrated radiomics and deep learning model on multisequence MRI for preoperative prediction of lymphovascular space invasion in endometrial cancer 2025-12-08, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-025-02091-4 PMID:41361391	研究论文	开发并验证一种整合多序列MRI放射组学特征和深度学习特征的多模态模型，用于术前预测子宫内膜癌患者的淋巴脉管间隙浸润	首次将放射组学特征与深度学习特征结合，构建多模态MRI模型用于术前无创预测子宫内膜癌LVSI，并在多中心数据中验证其优越性能	未在标题和摘要中明确提及局限性	开发并验证基于术前多序列MRI的整合放射组学和深度学习特征的多模态模型，用于预测子宫内膜癌患者的淋巴脉管间隙浸润	892例术后病理确诊的子宫内膜癌患者的多中心回顾性数据	计算机视觉, 数字病理学	子宫内膜癌	MRI多序列成像（T2加权成像、对比增强T1加权成像、表观扩散系数图）	CNN, 放射组学	图像（MRI）	892例患者（训练队列378例，内部验证160例，外部验证354例）	PyRadiomics	VGG 11, ResNet 101, DenseNet 121	AUC（受试者工作特征曲线下面积）	NA
16	2026-06-01	Enhancing diagnosis of gout with deep learning in dual-energy computed tomography: a retrospective analysis of crystal and artefact differentiation 2025-Dec-01, Rheumatology (Oxford, England) DOI:10.1093/rheumatology/keae523 PMID:39565918	研究论文	利用深度学习在双能CT扫描中区分痛风结晶与伪影，提升诊断准确性	首次将深度学习算法应用于DECT中区分绿色编码的痛风石与块状伪影，并采用逐病灶和逐患者分析评估模型性能	未明确提及研究局限性	评估深度学习在DECT扫描中区分痛风石与伪影的诊断准确性	来自47名痛风患者和27名无痛风对照的DECT扫描中的18704个感兴趣区域	机器学习和医学影像	痛风	双能CT	CNN, SVM	图像	47名痛风患者和27名无痛风的对照者，共18704个感兴趣区域	NA	CNN, SVM	AUC, 灵敏度, 特异度, 阳性预测值, 阴性预测值, 准确率	NA
17	2026-05-31	Classification and functional prediction of fungal glycosyltransferases using machine learning and deep learning methods 2025-12, Fungal genetics and biology : FG & B IF:2.4Q3 DOI:10.1016/j.fgb.2025.104045 PMID:41202912	研究论文	利用机器学习和深度学习方法对真菌糖基转移酶进行分类和功能预测	创新性的整合了生化与结构变量，使用卷积变分自编码器（CVAE）模型将多维信息降维至五维向量，并加入新衍生变量与描述性统计，实现了比传统基于序列的方法更全面的GTs分类	未明确提及局限性	利用机器学习和深度学习算法揭示真菌糖基转移酶的结构与功能关联模式，建立数据驱动的分类系统	来自88种代表性真菌物种的3340个糖基转移酶	机器学习	NA	NA	CVAE（卷积变分自编码器）、k-means聚类	蛋白质序列、预测三维折叠结构、氨基酸生化特征	3340个GTs，来自88种真菌物种	NA	CVAE（卷积变分自编码器）	NA	NA
18	2026-05-30	Foundation model based prediction of lung cancer survival using temporal changes in dual time point CT scans 2025-Dec-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-26365-7 PMID:41339367	研究论文	利用基础模型提取双时间点CT扫描中的时间变化特征，预测肺癌患者生存期	首次将基础模型应用于双时间点CT扫描，通过时间变化特征（欧氏距离、逐元素相减特征向量）提升非小细胞肺癌生存预测效果	样本量较小（仅102例），且为单中心回顾性研究，需进一步外部验证	验证双时间点CT扫描结合基础模型提取的时间变化特征在肺癌生存预测中的价值	接受放射治疗的NSCLC患者	医学影像分析	非小细胞肺癌	基础模型特征提取	随机森林、梯度提升生存模型	CT影像	102例NSCLC患者，每例包含治疗前和治疗后CT扫描	NA	基础模型（未具体说明架构）、随机森林、梯度提升	生存预测性能（具体指标文中未明确给出）	NA
19	2026-05-27	AI-powered epidemic control: Deepseek's role in global health resilience 2025-Dec-16, Journal of translational medicine IF:6.1Q1 DOI:10.1186/s12967-025-07082-1 PMID:41402882	研究论文	利用DeepSeek平台通过整合多源实时数据与深度学习模型来实现流行病管理	提出基于AI的流行病管理平台，结合LSTM与Transformer模型并融入可解释决策框架，提升公共卫生响应能力	数据隐私和模型准确性的挑战	增强全球健康韧性	流行病管理过程	机器学习	NA	NA	LSTM, Transformer	流行病学数据、社交媒体数据、移动性数据	NA	NA	LSTM, Transformer	NA	NA
20	2026-05-27	SleepPPG-Net2: deep learning generalization for sleep staging from photoplethysmography 2025-12-08, Physiological measurement IF:2.3Q3 DOI:10.1088/1361-6579/ae1a34 PMID:41172609	研究论文	提出SleepPPG-Net2深度学习模型，利用光电容积描记术原始时间序列进行四类睡眠分期，提高外部泛化能力	采用多源域训练方法提升跨域泛化性能，评估人口学因素和阻塞性睡眠呼吸暂停对模型表现的影响	NA	改进基于光电容积描记术的睡眠分期方法，增强模型在未知数据集上的泛化能力	睡眠分期（清醒、浅睡、深睡、快速眼动期）	机器学习	睡眠障碍	光电容积描记术	深度学习	时间序列	NA	NA	SleepPPG-Net2	Cohen's kappa系数	NA