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
681	2026-07-01	Multicenter Validation of Video-based Deep Learning to Evaluate Defecation Patterns on 3-dimensional High-definition Anorectal Manometry 2026-01, Clinical gastroenterology and hepatology : the official clinical practice journal of the American Gastroenterological Association IF:11.6Q1 DOI:10.1016/j.cgh.2025.06.038 PMID:40706732	研究论文	验证基于视频的深度学习算法在多中心环境下对三维高分辨率肛门直肠测压数据进行分析，以评估排便模式	首次在多中心环境中验证了基于视频的深度混合学习算法用于三维高分辨率肛门直肠测压数据的时空分析，能够识别新的协同失调亚型，并具备与专家解释一致的置信度报告能力	未明确提及，但基于多中心验证的可能限制包括样本选择偏差、不同医疗系统间的设备差异等	验证一种能够对三维高分辨率肛门直肠测压进行时空分析的深度学习算法在多中心环境下的诊断准确性	1214例连续肛门直肠测压研究，来自2018年至2022年间三个大型医疗系统	机器视觉	胃肠道动力障碍（排便协同失调）	三维高分辨率肛门直肠测压	深度混合学习算法	视频数据（三维高分辨率肛门直肠测压视频）	1214例肛门直肠测压研究	NA	深度学习（未具体说明架构）、高斯混合模型	曲线下面积（AUC）、Wilcoxon检验	NA
682	2026-07-01	Validation of fibroblast activation protein and α-smooth muscle actin as prognostic biomarkers in prostate cancer through AI-assisted image analysis of dual-marker IHC 2026-01, The journal of pathology. Clinical research DOI:10.1002/2056-4538.70068 PMID:41410015	研究论文	通过AI辅助双标记免疫组化图像分析，验证成纤维细胞活化蛋白和α-平滑肌肌动蛋白作为前列腺癌预后生物标志物的效用	开发了针对双标记免疫组化量身定制的新型AI增强图像分析流程，实现组织区域特异性生物标志物表达的自动定量，并规模化验证了基质FAP在前列腺癌中的预后价值	NA	验证FAP和αSMA作为局限性前列腺癌预后生物标志物的可靠性，提升临床决策支持能力	前列腺癌组织微阵列中的组织切片，包括来自835名患者的4097个组织核心	数字病理学	前列腺癌	双标记免疫组化	深度学习模型	图像（高分辨率全切片图像）	835名患者的4097个组织核心	NA	NA	准确率	NA
683	2026-07-01	Hybrid Deep Learning Framework for Continuous Blood Glucose Monitoring and Gestational Diabetes Risk Prediction 2026, Current diabetes reviews IF:2.4Q3 DOI:10.2174/0115733998380389251111041618 PMID:41568507	研究论文	提出一种混合深度学习框架，用于连续血糖监测和妊娠期糖尿病风险预测	整合生理和行为因素，提高GDM预测的准确性和临床可解释性	NA	开发一种混合深度学习框架，结合连续血糖监测数据与生理行为因素，预测妊娠期糖尿病风险	妊娠期糖尿病（GDM）患者或潜在患者	机器学习	妊娠期糖尿病	连续血糖监测（CGM）	混合深度学习模型	时间序列血糖数据和生理行为数据	NA	NA	NA	NA	NA
684	2026-07-01	Deep learning for adaptive chemotherapy: A DDPG-based approach to optimizing tumor-immune dynamics 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0345877 PMID:41950297	研究论文	提出一种基于深度强化学习的化疗调控框架，用于实现个性化、动态的癌症治疗优化	利用DDPG算法在连续动作空间中学习最优给药策略，并加入高斯噪声模拟生理波动和治疗反应的不确定性，以实现高灵活性和安全性的自适应化疗	NA	通过深度强化学习实现癌症治疗中化疗药物的自适应给药，以抑制肿瘤生长并最小化对正常组织的损伤	肿瘤微环境中肿瘤细胞、正常细胞和免疫细胞的动态演化模型，药物浓度作为控制输入	机器学习	癌症	NA	DDPG	模拟数据	NA	NA	深度确定性策略梯度	肿瘤生长控制效果、药物浓度积累的安全性	NA
685	2026-07-01	ATEdrug: A reliable human-in-the-loop annotation scheme for aspect term extraction and polarity detection in drug reviews 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0344296 PMID:41955228	研究论文	提出一种基于人机协同的标注方案ATEdrug，用于药物评论中的方面词提取和极性检测	引入人类干预的自动标注机制，结合专家驱动的规则方法，减少手动标注工作量，并公开数据集促进药物安全性研究	NA	解决药物评论标注数据有限的问题，开发可靠的自动化标注方案用于方面词提取和极性检测，支持药物警戒	药物评论中的方面词和极性信息，涉及抑郁症、关节炎和节育三种医疗条件	自然语言处理	抑郁症, 关节炎, 节育相关健康问题	NA	深度学习模型	文本	NA	NA	BERT, BioBERT, ClinicalBERT	NA	NA
686	2026-07-01	Pan-transcriptome analysis of pine wilt disease-resistant and susceptible Pinus species and a hybrid 2026, Frontiers in genetics IF:2.8Q2 DOI:10.3389/fgene.2026.1743952 PMID:41960143	研究论文	基于深度学习的表型分析程序对松材线虫病的症状进行量化，并结合泛转录组学分析，揭示了抗病与感病松树物种在感染后的基因表达差异	开发了一个基于深度学习的表型分析程序，用于精确量化松材线虫病症状，并首次进行了跨物种的泛转录组学分析，揭示了抗病与感病松树在水分保持相关基因表达上的差异	研究仅限于五种松树物种和一个杂交种，可能无法完全代表所有松树物种的响应机制	探究松材线虫感染后，抗病与感病松树物种及其杂交种的表型变化和分子机制	五种松树物种（感病与抗病）及一个杂交种	计算机视觉, 机器学习, 转录组学	松材线虫病	RNA-seq, 深度成像	卷积神经网络	图像, 转录组序列	五种松树物种及一个杂交种	NA	NA	NA	NA
687	2026-07-01	Analysis of retinal ganglion cell subtypes across six different inbred mouse strains 2026, Molecular vision IF:1.8Q3 PMID:41982463	研究论文	量化六种不同近交系小鼠视网膜神经节细胞亚型数量差异	首次系统比较六种近交系小鼠（C57BL/6J、BALB/cByJ、129X1/SvJ、A/J、CBA/CaJ和CAST/EiJ）视网膜神经节细胞总数及亚型（POU6F2、BRN3A、SATB2、OPN4、SMI32）的数量差异，并利用深度学习工具RGCode进行自动化定量分析	仅分析了六种近交系小鼠，未涵盖其他品系；SMI32亚型的差异未达到统计学显著性，可能因样本量或检测方法限制	评估不同近交系小鼠视网膜神经节细胞亚型数量的遗传变异，为眼科学研究中品系选择提供参考	六种近交系小鼠的视网膜神经节细胞亚型	数字病理学	青光眼	免疫染色	深度学习	图像	六种小鼠品系，每种品系样本量未明确说明	NA	NA	NA	NA
688	2026-07-01	Interpretable machine learning via symbolic classification of radiomic texture and morphological features for pediatric pneumonia detection from chest X-rays 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0351081 PMID:42329915	研究论文	提出一种基于符号分类的机器学习框架，通过放射组学特征（纹理和形态）从胸部X光片中检测儿童肺炎，并生成可解释的数学诊断公式	首次在儿童肺炎检测中引入单个公式的符号分类器，通过闭式诊断公式直接反映临床放射组学特征（熵、实体性和分形维数），相比黑箱深度学习模型参数数量减少数个数量级，实现内在可解释性	准确率（79.1%-87%）低于某些深度学习模型，公式在独立外部数据集上需要重新校准，研究基于特定数据集且样本受限	开发一种内在可解释的机器学习模型，用于儿童胸部X光片肺炎检测，替代依赖事后解释工具的深度网络	儿童胸部X光片中的肺炎病变检测	机器学习	儿童肺炎	放射组学特征提取（熵、实体性、分形维数分析）	符号分类器 (Symbolic Classifier)	图像	两个独立数据集（内部数据集和外部验证集），具体数量未在摘要中注明	NA	符号闭式公式	准确率 (Accuracy)，AUC	资源受限场景适用，未具体说明计算资源
689	2026-07-01	RGB-based visual encoding of vibration data for gearbox fault diagnosis using U-Net segmentation model 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0350838 PMID:42329970	研究论文	提出一种将振动数值数据编码为RGB图像并使用U-Net分割模型进行齿轮箱故障诊断的新方法	首次将数值传感器数据转换为视觉格式，并采用U-Net分割模型实现高精度分类，改变传统信号处理范式	NA	实现基于图像深度学习模型的齿轮箱齿轮故障诊断	齿轮箱齿轮故障振动信号	计算机视觉	NA	振动信号编码	U-Net	图像	每个类别500张256×256像素图像	NA	U-Net	分类准确率, 平均精度均值	NA
690	2026-07-01	Disease-specific data augmentation enhances deep learning classification of age-related macular degeneration, diabetic retinopathy, and glaucoma 2026 Jan-Dec, Digital health IF:2.9Q2 DOI:10.1177/20552076261461391 PMID:42370003	研究论文	评估六种数据增强技术对深度学习模型分类年龄相关性黄斑变性、糖尿病视网膜病变和青光眼的效果	首次系统比较多种数据增强技术在不同眼科疾病分类中的特异性效果，发现增强有效性取决于疾病类型	未提及具体局限	确定对年龄相关性黄斑变性、糖尿病视网膜病变、青光眼和正常眼底图像分类的最佳数据增强技术	眼底图像数据集，包含250例AMD、250例DR、250例青光眼和450例正常图像，共1200张	计算机视觉	年龄相关性黄斑变性, 糖尿病视网膜病变, 青光眼	数据增强	卷积神经网络	图像	1200张眼底照片（其中AMD、DR、青光眼各250例，正常图像450例）	Python	EfficientNet-B0	曲线下面积AUC, 准确率, 敏感性	NA
691	2026-07-01	Power load forecasting combining deep learning models and improved CLPO algorithm 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0351428 PMID:42371869	研究论文	提出一种结合深度学习和改进鹦鹉优化算法的电力负荷预测模型，以提高预测精度和稳定性	通过加权重构组合时间卷积网络、LSTM和双向LSTM，并改进鹦鹉优化算法进行迭代优化和联合误差校正，同时引入基于连续学习的误差纠正机制抑制权重漂移和短时偏差	未提及	提升电力负荷预测的精度和稳定性，应对复杂非线性特征和极端天气条件	电力负荷数据	机器学习	NA	NA	CNN、LSTM、双向LSTM、组合深度学习模型	时间序列数据	NA（使用UK-NGED数据集，具体样本量未提及）	NA	时间卷积网络、LSTM、双向LSTM、鹦鹉优化算法	准确率、平均绝对误差、均方根误差	NA
692	2026-07-01	Forecasting COVID-19 new cases using NBEATS deep learning and mobility data 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0350264 PMID:42371947	研究论文	提出一种使用N-BEATS深度学习模型和移动数据预测COVID-19新增病例的方法	首次将N-BEATS架构与移动数据（Google和Apple）结合用于COVID-19病例预测，并证明其优于LSTM-Markov基准模型	未提及	利用移动数据提升COVID-19新增病例预测的准确性和可解释性	美国、英国、俄罗斯和巴西四国的COVID-19新增病例趋势	机器学习	COVID-19	NA	N-BEATS	时间序列数据（COVID-19病例数据和移动数据）	来自Google、Apple和Our World in Data的四个国家COVID-19数据集	NA	N-BEATS, LSTM-Markov	均方根误差（RMSE），平均绝对百分比误差（MAPE）	NA
693	2026-07-01	Automated spermatogenic staging in periodic acid-Schiff-stained testes of Sprague-Dawley rats using a deep learning model for normal and atrophied tissues 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0337245 PMID:42371939	research paper	提出一种基于深度学习的目标检测模型和区域卷积神经网络，用于自动分析大鼠睾丸组织的生精周期分期，并应用于正常和萎缩组织的评估	首次将基于区域卷积神经网络的深度学习模型应用于PAS染色大鼠睾丸切片生精周期自动分期，并实现对萎缩组织的定量分析	仅使用了少量样本（16张大切片图像），且动物来源为单一品系（Sprague-Dawley大鼠），模型泛化性需进一步验证	开发自动化生精周期评估方法，提高病理学评估效率并减少人为偏差	Sprague-Dawley大鼠的睾丸组织切片（PAS染色）	machine learning	NA	PAS染色	CNN, 目标检测模型, 区域卷积神经网络	全切片图像	16张大切片图像，来自16只大鼠（训练集10张，测试集6张分别用于验证和推理）	NA	目标检测模型, 区域卷积神经网络	平均精度, 平均召回率	NA
694	2026-06-30	Multi-window temporal analysis for enhanced arrhythmia classification: leveraging long-range dependencies in electrocardiogram signals 2026-01-28, Physiological measurement IF:2.3Q3 DOI:10.1088/1361-6579/ae3937 PMID:41539004	研究论文	提出基于结构化状态空间模型的S4ECG架构，通过多窗口联合分析长达2分钟的心电信号，提升心律失常分类性能	首次将结构化状态空间模型应用于多窗口心电信号分析，实现长达2分钟的时间依赖捕获，显著降低房颤检测假阳性率3-10倍	最佳诊断窗口为10-20分钟，超过此范围性能出现平台期或下降	通过多窗口时间分析改善心律失常分类的假阳性率和跨数据集泛化能力	心电信号中的心律失常，特别是房颤和房扑	机器学习	心血管疾病	心电信号分析	结构化状态空间模型	时间序列信号	四个公开数据库，包含多中心心电记录	NA	S4（结构化状态空间模型）	宏平均AUC, 特异性, 灵敏度	NA
695	2026-06-30	Deep Learning-Based Detection of Reticular Pseudodrusen in Age-Related Macular Degeneration 2026 Jan-Feb, Clinical & experimental ophthalmology DOI:10.1111/ceo.14607 PMID:40922557	研究论文	开发并外部测试深度学习模型用于在光学相干断层扫描中检测年龄相关性黄斑变性的网状假性玻璃膜疣	首次开发了专家级别的深度学习模型，用于自动分割和检测网状假性玻璃膜疣，并在多中心试验数据上进行了外部验证	文章未提及明显的局限，但外部测试数据集可能覆盖范围有限	开发并验证深度学习模型以自动检测年龄相关性黄斑变性中的网状假性玻璃膜疣	年龄相关性黄斑变性患者的光学相干断层扫描图像	计算机视觉, 数字病理学	年龄相关性黄斑变性	光学相干断层扫描	深度学习模型（实例分割）	图像	9800个光学相干断层扫描B扫描（内部测试250个，外部测试1017只眼睛来自812名个体）	NA	NA	Dice相似系数, 受试者工作特征曲线下面积	NA
696	2026-06-30	Decoding Herbal Medicine: Machine Learning-Driven Insights into Structural Identification and Pharmacological Research 2026, The American journal of Chinese medicine DOI:10.1142/S0192415X26500370 PMID:42273967	综述	综述了人工智能和机器学习在阐明草药药理机制中的应用，重点关注活性化合物的识别和药理作用	综述了人工智能驱动的分析框架如何提高机制阐明的精确性和效率	植物材料的变异性和缺乏系统的药理研究仍是主要挑战	总结人工智能和机器学习在草药药理机制研究中的最新进展	草药中的植物源化合物及其药理活性	机器学习	NA	机器学习、深度学习、质谱、核磁共振	深度学习	化学-生物数据集	NA	NA	NA	NA	NA
697	2026-06-30	Contour Field-Based Elliptical Shape Prior for the Segment Anything Model 2026, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2026.3702431 PMID:42301843	研究论文	提出一种基于轮廓场的椭圆形状先验方法，将其集成到Segment Anything Model中，以提高图像分割精度	首次将参数化椭圆轮廓场先验信息融入SAM模型，利用变分方法，通过分解SAM为四个数学子问题并设计新的网络结构，使分割输出限定为椭圆区域	仅在特定图像数据集上验证，可能缺乏通用性，未提及对复杂形状或非椭圆目标的适用性	提高医学和自然图像中椭圆形状目标分割的准确性	需要椭圆形状分割的医学和自然图像	计算机视觉, 数字病理学	NA	NA	SAM（Segment Anything Model）	图像	NA	PyTorch	SAM, 椭圆轮廓场	分割精度	NA
698	2026-06-30	Performance of federated versus centralized learning for mammography classification across film-digital domain shift 2026, Frontiers in digital health IF:3.2Q2 DOI:10.3389/fdgth.2026.1715858 PMID:41958456	研究论文	比较联邦学习与集中式学习在乳腺X线摄影分类中，面对胶片-数字域差异时的性能表现	首次系统评估联邦学习在胶片-数字乳腺X线摄影领域异构性下的鲁棒性，并揭示域偏移是性能下降的主导因素而非数据量或优化器不稳定性	仅使用两个公共数据集，未涉及真实临床多中心场景；联邦学习在胶片域性能显著下降且现有聚合策略未能有效缓解	评估联邦学习在强成像域异构性（胶片-数字转换）下的性能稳定性	良性-恶性病变分类，使用CBIS-DDSM（扫描胶片）和VinDr-Mammo（全视野数字）数据集	计算机视觉	乳腺癌	乳腺X线摄影	ResNet-50, Swin V2-T	图像	CBIS-DDSM和VinDr-Mammo两个公共数据集（具体样本数未明确）	PyTorch	ResNet-50, Swin V2-T	AUROC, AP, 准确率, 精确率, 召回率, F1分数, Precision@Recall=0.90	NA
699	2026-06-30	Machine learning in neuroimaging for predicting H3K27M mutations in diffuse midline gliomas: a systematic review and meta-analysis 2026, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2026.1746840 PMID:41958562	系统综述与荟萃分析	系统评估基于神经影像的机器学习模型在预测弥漫性中线胶质瘤H3K27M突变中的诊断性能	首次通过荟萃分析比较MRI和PET/CT两种影像模式的机器学习模型预测H3K27M突变性能，并探讨深度学习架构与DNA测序作为参考标准对模型性能的影响	仅纳入16项研究，可能存在发表偏倚；不同研究间MRI序列和ML算法存在异质性，影响结果泛化性	评估基于神经影像的机器学习模型在非侵入性预测弥漫性中线胶质瘤H3K27M突变中的诊断性能	弥漫性中线胶质瘤患者	机器学习	弥漫性中线胶质瘤	MRI, PET/CT	机器学习模型（包括深度学习和传统机器学习）	影像数据	内部验证共2357名患者，外部验证共1792名患者	NA	深度学习架构（如CNN等），传统机器学习算法	敏感性，特异性，AUC	NA
700	2026-06-30	Discrete wavelet transform-driven optimized deep learning-based framework for dyslexia detection using EEG signals 2026, Frontiers in neuroinformatics IF:2.5Q3 DOI:10.3389/fninf.2026.1765088 PMID:41958705	研究论文	提出一种基于离散小波变换和优化深度学习的框架，利用脑电图信号检测阅读障碍	结合离散小波变换对EEG信号进行频带分解，并设计紧凑深度神经网络（四隐藏层），在51名儿童数据集上达到98.85%的分类准确率，优于传统机器学习和原始EEG深度学习方法	样本量较小（51名参与者），且仅针对5-10岁儿童，可能影响模型泛化性	开发基于EEG信号的阅读障碍自动检测方法，实现早期诊断和干预	51名儿童（26名阅读障碍患者和25名正常对照）的脑电图信号	机器学习	阅读障碍	EEG信号采集、离散小波变换	深度神经网络（DNN）、1D-CNN、LSTM、EEGNet、决策树、SVM、k-NN、集成学习	脑电图信号（EEG）	51名参与者（26名阅读障碍患者和25名正常对照）	NA	紧凑深度神经网络（四隐藏层）、1D-CNN、LSTM、EEGNet	分类准确率（98.85%）	NA