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
281	2026-05-16	Enhanced epileptic seizure detection using CNNs with convolutional block attention and short-term memory networks 2026-01-05, Behavioural brain research IF:2.6Q3 DOI:10.1016/j.bbr.2025.115831 PMID:40962227	研究论文	提出了一种结合卷积块注意力和长短期记忆网络的深度学习模型用于癫痫发作检测	在CNN和LSTM模型中引入卷积块注意力模块，增强对关键信息的提取能力	未提及局限性	开发精确的癫痫发作检测方法以改善患者生活质量	癫痫患者的脑电图信号	机器学习	癫痫	脑电图	CNN, LSTM	脑电图信号	公开的波恩大学数据集，具体样本数未提及	NA	CNN_CBAM_LSTM	准确率	NA
282	2026-05-16	Gallbladder disease diagnosis from ultrasound using squeeze-and-excitation capsule network with convolutional bidirectional long short-term memory 2026-Jan-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32978-9 PMID:41484311	研究论文	提出一种结合SE-CapsNet和CNN-BiLSTM的混合深度学习模型，用于超声图像中胆囊疾病的准确诊断	首次将Squeeze-and-Excitation胶囊网络与卷积双向长短期记忆网络结合，用于胆囊疾病超声图像的自动分类，并通过非局部均值滤波进行图像增强	未提及模型在其他数据集上的泛化能力以及计算资源需求	开发一种基于深度学习的有效方法，用于准确分类胆囊疾病类型	超声图像中的胆囊疾病（多种类型）	计算机视觉, 数字病理学	胆囊疾病	超声成像	胶囊网络, CNN, BiLSTM	图像（超声图像）	未明确说明具体样本数量，但使用了胆囊疾病数据集	NA	SE-CapsNet, CNN-BiLSTM	准确率, 精确率, 灵敏度, 特异度	NA
283	2026-05-16	Artificial Intelligence-Based Echocardiography in Pulmonary Arterial Hypertension 2026-Jan, Chest IF:9.5Q1 DOI:10.1016/j.chest.2025.06.052 PMID:40876740	研究论文	开发并验证全自动深度学习超声心动图工作流程用于评估肺高血压	首次评估全自动深度学习工作流程在超声心动图评估肺高压中的可靠性与临床效率，并与核心实验室标准比较	右心室面积变化分数存在显著偏差，且仅在部分患者中可测量三尖瓣反流峰速信号	验证全自动深度学习超声心动图在评估肺动脉高压中的可靠性	健康个体（213例）与肺动脉高压患者（221例）以及转诊右心导管检查的患者（196例）	医学影像分析	肺动脉高压	深度学习超声心动图	深度学习模型（Us2.ai软件）	超声心动图图像	病例对照队列：434例（213例健康+221例肺动脉高压）；转诊队列：196例（171例可测量三尖瓣反流峰速）	NA	Us2.ai软件版本1.4.5	偏差、精密度、受试者工作特征曲线下面积	NA
284	2026-05-16	Redefining multi-target weather forecasting with a novel deep learning model: Hierarchical temporal convolutional long short-term memory with attention (HTC-LSTM-Attn) in Bangladesh 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0342431 PMID:41871152	research paper	提出了一种名为层次时间卷积长短期记忆网络（HTC-LSTM-Attn）的新型深度学习模型，用于孟加拉国多目标天气预报	结合层次时间卷积、双向LSTM和注意力机制，并通过Keras调谐器优化参数，在时序和空间测试集上均优于传统模型和最先进的Transformer架构	未提及跨季节或极端气候条件下的泛化能力，模型复杂度可能带来计算开销	提高孟加拉国多城市最高温度和湿度的多步预测精度，以支持农业规划和灾害管理	孟加拉国24个城市的最高温度和湿度	machine learning	NA	NA	HTC-LSTM-Attn	时间序列数据（温度、湿度）	1961年至2022年来自孟加拉国农业研究委员会（BARC）的历史数据；时序测试集包含19个站点（2016-2022年），空间测试集包含5个未见站点（2016-2022年）	Keras	Hierarchical Temporal Convolution, Bidirectional LSTM, Attention	MAE, RMSE, R², MAPE	未具体说明，但使用了Keras Tuner进行超参数优化
285	2026-05-15	Learning inherent genetic patterns and trait associations with deep generative models for discrete genotype simulation 2026-01-21, GigaScience IF:11.8Q1 DOI:10.1093/gigascience/giag044 PMID:41980277	研究论文	探索使用深度生成模型模拟离散基因型数据，并在无条件与表型条件下评估模型性能	首次系统评估变分自编码器、扩散模型和生成对抗网络在离散基因型数据生成中的适用性，并针对数据离散特性提出适应性改进	未明确讨论模型对罕见变异或群体遗传结构偏差的鲁棒性	评估深度生成模型在基因型数据模拟及基因型-表型关联保持方面的能力	牛的全染色体和人类多个染色体的基因型数据	机器学习	NA	基因型模拟	变分自编码器、扩散模型、生成对抗网络	基因型数据	牛的全染色体和人类多个染色体的数据集	NA	变分自编码器、扩散模型、生成对抗网络	深度学习指标和数量遗传学指标	NA
286	2026-05-15	SenSeqNet: A Deep Learning Framework for Cellular Senescence Detection From Protein Sequences 2026-01, Aging cell IF:8.0Q1 DOI:10.1111/acel.70344 PMID:41432347	研究论文	SenSeqNet是一个基于蛋白质序列预测细胞衰老的深度学习框架，利用ESM-2嵌入和混合LSTM-CNN架构，实现了高准确率和生物学一致性	首次将ESM-2蛋白质语言模型嵌入与混合LSTM-CNN架构结合，直接从蛋白质序列预测细胞衰老状态，避免了传统实验方法的时间消耗和规模化难题，且模型捕捉到生物学上一致的调控程序	论文摘要未提及具体局限性	开发从蛋白质序列直接检测细胞衰老的深度学习工具，以加速衰老机制研究和治疗靶点发现	蛋白质序列及相关细胞衰老基因	机器学习	老年性疾病	蛋白质序列分析	混合LSTM-CNN	蛋白质序列	NA	NA	ESM-2, LSTM, CNN	准确率	NA
287	2026-05-15	Antimicrobial peptides: Bioinformatic advances and translational therapeutics to combat antibiotic resistance 2026, Advances in protein chemistry and structural biology DOI:10.1016/bs.apcsb.2025.10.017 PMID:41581929	综述	这篇综述概述了抗菌肽（AMPs）的研究现状，重点介绍了生物信息学进展和翻译治疗学在对抗抗生素耐药性中的应用	全面整合计算模型（机器学习、深度学习）与实验流程（分子对接、原子模拟）以增强抗菌肽研究和设计，并涉及量子增强计算、自适应算法进化等前沿技术	未明确提及局限性，但可能包括临床转化障碍和计算方法的验证挑战	系统性综述抗菌肽在生物信息学、机制阐释和治疗发展方面的进展，以及其在解决抗生素耐药性危机中的潜力	抗菌肽（AMPs），也称为宿主防御肽（HDPs）	自然语言处理, 机器学习	抗微生物耐药性相关疾病	机器学习, 深度学习, 分子对接, 原子模拟, 自由能扰动分析	机器学习模型, 深度学习架构	肽序列数据, 结构数据, 相互作用数据	NA	NA	NA	NA	量子计算, 自适应算法进化, 确定性采样范型
288	2026-05-15	Recent advances in computational antimicrobial peptide discovery through big data, modeling, and artificial intelligence and their interplay in ushering the next golden era of drug development 2026, Frontiers in bioinformatics IF:2.8Q2 DOI:10.3389/fbinf.2026.1749404 PMID:41923798	综述	通过大数据、建模和人工智能计算方法的综合运用，综述了它们在抗菌肽发现中的最新进展及其在推动药物开发新时代中的作用	首次系统性地整合计算策略，强调不同方法间的协同作用，并批判其局限性，填补了现有文献中方法孤立介绍的空白	未明确提及具体局限性，但隐含挑战包括序列空间巨大、平衡功效与低毒性的困难以及各方法整合中的技术壁垒	统一计算策略，揭示研究方法间的协同效应，促进高效抗菌肽发现以应对抗生素耐药性危机	抗菌肽及其作为传统抗生素替代品的发现方法	机器学习	抗生素耐药性相关感染性疾病	分子对接、分子动力学模拟、拉伸分子动力学、机器学习、深度学习	生成模型	基因组和宏基因组数据	不适用	不适用	不适用	不适用	不适用
289	2026-05-15	Artificial intelligence for traumatic brain injury imaging: a translational review from algorithm development to clinical implementation 2026, Frontiers in neurology IF:2.7Q3 DOI:10.3389/fneur.2026.1798780 PMID:41923870	综述	系统总结人工智能在创伤性脑损伤影像学中的转化路径，涵盖算法开发到临床实践	首次系统整合AI从算法开发到临床实施的全转化路径，提出AI衍生影像生物标志物在治疗试验中作为替代终点的潜力	缺乏高质量随机对照试验证明AI直接改善患者预后结局，现有研究主要聚焦诊断指标优化而非患者中心结果	梳理AI在TBI神经影像学中的转化应用现状，识别临床实施的关键挑战与未来方向	创伤性脑损伤患者的CT影像数据及AI分析模型	机器学习	创伤性脑损伤	NA	卷积神经网络	CT影像	NA	NA	卷积神经网络	灵敏度	NA
290	2026-05-15	Deep learning generative model for conditional crystal structure prediction of sodium amide 2026, npj computational materials IF:9.4Q1 DOI:10.1038/s41524-026-01994-2 PMID:41923897	研究论文	提出一种基于深度学习的生成框架，用于在晶体学约束下预测氨基钠（NaNH）的高压相结构，并成功识别出高压β相	首次将实验信息（晶格参数和空间群对称性）引入深度学习的晶体结构生成，结合能量导向扩散采样实现低焓候选结构预测	方法依赖实验晶格参数和对称性约束，对完全未知结构的预测能力有限；仅以氨基钠为案例验证，泛化性需进一步测试	开发一种通用策略，用于解析实验中观察到但结构未知的复杂离子材料的高压相	氨基钠（NaNH）的高压晶体结构及其相变机制	深度学习	不适用	同步辐射X射线衍射	生成模型（能量导向扩散模型）	晶体学参数（晶格参数、空间群对称性）	1种材料（氨基钠）的多个高压相候选结构	PyTorch	扩散模型	生成结构的焓值、与实验X射线衍射图谱的匹配度	不适用
291	2026-05-15	Improved YOLOv7 enhances identification of Hylurgus ligniperda in traps 2026, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2026.1740965 PMID:41923932	研究论文	改进YOLOv7模型用于自动化识别红毛松树皮甲虫，提升监测效率	将YOLOv7的骨干特征提取网络替换为更轻量高效的EfficientNetV2-S，并采用Focal Loss损失函数缓解类别不平衡问题，在保持速度与精度的同时实现模型轻量化	未提及具体局限性	开发一种自动化、高效、准确的方法，用于识别和量化自然环境中体型小、分布密、姿态多变的长林小蠹，以支持森林害虫监测与预警	红毛松树皮甲虫（Hylurgus ligniperda）在诱捕器中的图像	计算机视觉	林业虫害	深度学习	YOLOv7	图像	诱捕器内害虫图像数据集（具体数量未提及）	PyTorch	EfficientNetV2-S	平均精度均值	未提及
292	2026-05-15	Fully autonomous tuning of a spin qubit 2026, Nature electronics IF:33.7Q1 DOI:10.1038/s41928-025-01562-4 PMID:41924173	研究论文	报告了从接地设备到拉比振荡的全自主半导体自旋量子比特调谐过程	将深度学习、贝叶斯优化和计算机视觉技术相结合，首次实现半导体量子比特的全自动调谐	仅针对锗硅核壳纳米线器件进行了演示，尚未验证其他类型器件的适用性	开发可自主调谐半导体量子比特的算法，以应对大型量子电路调谐和操作的复杂性	锗硅核壳纳米线器件中的自旋量子比特	机器学习	NA	NA	NA	图像、数值参数	单个锗硅核壳纳米线器件	NA	NA	拉比频率、g因子	NA
293	2026-05-15	GeneCytNet: an interpretable deep learning framework for rheumatoid arthritis classification and in silico cytokine perturbation modeling 2026, Frontiers in immunology IF:5.7Q1 DOI:10.3389/fimmu.2026.1738625 PMID:41924282	研究论文	提出一个可解释的深度学习框架GeneCytNet，用于类风湿关节炎分类和细胞因子扰动计算机模拟	首次整合变分自编码器与图注意力网络，并引入计算机模拟细胞因子扰动实验以提供机制性解释	基于合成队列数据，临床验证尚需真实样本支持	开发可解释的深度学习模型，实现类风湿关节炎高准确度诊断并生成可验证的生物学假设	类风湿关节炎患者与健康对照样本的转录组数据	机器学习，计算生物学	类风湿关节炎	RNA-seq	变分自编码器，图注意力网络	转录组数据	240例RA和120例健康对照训练集，100例RA和50例对照独立验证集，每样本15000个基因特征	NA	变分自编码器，图注意力网络	AUC，准确率， F1分数	NA
294	2026-05-15	A vision transformer-radiomics approach for enhanced chemotherapy outcome prediction in ovarian cancer 2026, Frontiers in radiology DOI:10.3389/fradi.2026.1702977 PMID:41924357	研究论文	提出一种结合视觉Transformer嵌入和放射组学特征的方法，用于预测卵巢癌化疗反应	创新性地融合了预训练视觉Transformer（ViT）嵌入、医学基础模型MedSAM嵌入和传统放射组学特征，通过LASSO特征选择和SVM分类器进行多模态影像特征集成	样本量较小（182例），为单中心回顾性研究；模型在外部验证集上的表现尚未评估	提高卵巢癌化疗反应的早期预测准确性，支持个性化治疗决策	182例卵巢癌患者治疗前的CT影像	计算机视觉, 机器学习, 数字病理学	卵巢癌	CT成像	视觉Transformer（ViT）, MedSAM	医学影像（CT图像）	182例卵巢癌患者	Scikit-learn	Vision Transformer (ViT), MedSAM, SVM	AUC, 分类准确率	NA
295	2026-05-15	Rapid Detection and Diagnosis of Patients with Plantar Fasciitis Based on Integrated YOLOv12n and ResNet34 Framework Using Magnetic Resonance Imaging 2026, Journal of multidisciplinary healthcare IF:2.7Q2 DOI:10.2147/JMDH.S584650 PMID:41924418	研究论文	基于磁共振影像，融合YOLOv12n和ResNet34框架实现足底筋膜炎的快速检测与诊断	首次将YOLOv12n与ResNet34集成，构建全自动、高效的深度学习诊断系统，用于磁共振影像中足底筋膜炎的自动识别，无需人工干预	数据集来自单一中心，需要在多中心队列中进行外部验证以确认模型的泛化能力	开发一种全自动、计算高效的基于深度学习的系统，利用磁共振成像识别足底筋膜炎	足底筋膜炎患者和健康对照组的磁共振影像	数字病理学	足底筋膜炎	磁共振成像	卷积神经网络	图像	123例足底筋膜炎患者和150例对照组的磁共振影像	NA	YOLOv12n, ResNet34	mAP50, 准确率	NA
296	2026-05-15	Machine learning in cancer imaging for enhanced precision in diagnosis and therapy 2026, Discover computing DOI:10.1007/s10791-026-10078-0 PMID:41924555	综述	探讨机器学习在癌症影像中提升诊断和治疗精度的应用	全面综述机器学习在癌症影像中的关键应用，包括可解释AI、联邦学习和量子计算等新兴解决方案	数据稀缺、模型偏见和监管障碍限制了临床采用	探讨机器学习在癌症影像中提升诊断和治疗精度的应用及挑战	癌症影像中的机器学习技术及其临床应用	机器学习	癌症	NA	深度学习	影像	NA	NA	NA	NA	NA
297	2026-05-15	A deep learning model based on multiphase DCE-MRI for preoperative prediction of Ki-67 expression in breast cancer 2026, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2026.1776121 PMID:41924598	研究论文	基于多相DCE-MRI的深度学习模型用于术前预测乳腺癌Ki-67表达	结合多相DCE-MRI的DenseNet-121模型与梯度提升决策树，实现非侵入性Ki-67表达预测，并利用Grad-CAM和SHAP增强模型可解释性	未在独立外部数据集验证，回顾性研究设计，样本量相对有限	开发并验证基于多相DCE-MRI的深度学习模型，无创准确预测乳腺癌中Ki-67表达水平	404名接受术前DCE-MRI检查的乳腺癌患者的影像数据	计算机视觉	乳腺癌	DCE-MRI（动态对比增强磁共振成像）	深度学习模型（CNN）与梯度提升决策树	图像	404例乳腺癌患者（训练集282例，测试集122例）	PyTorch	DenseNet-121，梯度提升决策树（GBDT）	AUC	NA
298	2026-05-15	Systematic review of AI-based models in pharmacoepidemiology for adverse drug event prediction and detection 2026, Frontiers in drug safety and regulation DOI:10.3389/fdsfr.2026.1773186 PMID:41924717	系统综述	系统综述基于真实世界临床数据使用人工智能方法预测和检测药物不良事件的研究现状	系统性地绘制了药物流行病学中基于人工智能的ADEs预测与检测方法学图谱，揭示了当前方法的异质性和不足	外部队列或时间验证很少进行，可解释性方法应用不一致，缺乏标准化基准，报告实践差异大	系统性地描述当前用于检测或预测药物不良事件的基于人工智能的方法	15项符合纳入标准的研究	机器学习	药物不良事件	NA	树集成模型（随机森林、XGBoost）、正则化回归、深度学习	结构化电子健康记录、行政索赔数据	281篇记录筛选，15项研究符合纳入标准	NA	随机森林、XGBoost、正则化回归、深度学习架构	NA	NA
299	2026-05-15	TFFBN-HDLF: a hybrid deep learning framework based on time-frequency functional brain networks for epileptic seizure detection 2026, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2026.1788516 PMID:41924753	研究论文	提出一个名为TFFBN-HDLF的混合深度学习框架，用于基于脑电图检测老年癫痫发作	通过结合皮尔逊相关系数和相位滞后指数构建二维时频融合功能脑网络，并开发了结合CNN与增强Transformer模块的混合深度架构SeizureTransNet，能够动态选择和整合多尺度时空特征	未在更广泛或更多样化的老年人群数据集中验证，且可能对计算资源要求较高	提高人工智能辅助监测老年癫痫发作的可靠性和诊断准确性	基于脑电图（EEG）的老年癫痫发作检测	机器学习	癫痫	脑电图（EEG）	CNN, Transformer	脑电图信号	CHB-MIT数据集和Siena数据集	NA	SeizureTransNet（结合CNN和增强Transformer模块）	准确率（Accuracy），AUC	NA
300	2026-05-15	LSRNet: A Novel Interpretable Low-rank Sparse Representation Guided Fusion Network for Polarization and Intensity Images 2026, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2026.3687104 PMID:42055993	研究论文	提出一种可解释的低秩稀疏表示引导融合网络LSRNet，用于偏振图像与强度图像的融合，以生成具有清晰场景信息和显著纹理细节的图像	设计了低秩稀疏表示深度展开模块来提高网络可解释性，并提出跨模态连接互补特征提取模块来建立多模态特征间的依赖关系，同时构建了包含1034对高分辨率图像的多场景偏振强度图像数据集MSPI	未提及局限性	提升偏振与强度图像融合的可解释性和多模态特征交互能力，改善现有方法缺乏解释性和忽略特征交互的问题	偏振图像与强度图像	计算机视觉	NA	偏振成像	深度学习网络	图像	1034对高分辨率对齐图像（MSPI数据集），另含两个公开数据集12CFC和HCP	PyTorch	低秩稀疏表示深度展开网络、跨模态连接互补特征提取模块	融合性能、泛化能力、运行效率	NA