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
1101	2026-05-30	An AI-based intelligent diagnosis system for adolescent mental health based on multitask deep learning 2026, Frontiers in psychiatry IF:3.2Q2 DOI:10.3389/fpsyt.2026.1752423 PMID:41816530	研究论文	基于多任务深度学习的青少年心理健康智能诊断系统，利用中国青少年的自发文本表达非侵入性预测共病抑郁和焦虑严重程度	采用中文优化BERT编码器与多任务学习架构联合预测共病抑郁和焦虑，通过双重特征融合和变分自编码器数据增强解决类别不平衡问题	未来需进行纵向验证、多模态整合及道德部署策略研究	开发一种文化敏感、可扩展的青少年心理健康筛查工具，替代传统自评量表	中国青少年自发文本表达与抑郁焦虑症状的关系	自然语言处理	青少年抑郁和焦虑	自然语言处理，变分自编码器数据增强	多任务深度学习	文本	约1275名青少年的文本回答，扩展测试集308个样本	PyTorch，Jieba	中文优化BERT编码器，自注意力机制，双重特征融合（池化[CLS]令牌和全局池化），多任务头	皮尔逊相关系数，AUC，F1分数，均方误差	NA
1102	2026-05-30	Development and evaluation of AI model with deep learning for segmentation of extraocular muscles in thyroid eye disease 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0349074 PMID:42189850	研究论文	开发并评估用于甲状腺眼病眼外肌分割的深度学习AI模型	首次开发用于甲状腺眼病眼外肌自动分割的AI模型，并分析了不同数据集大小对分割精度的影响	单中心回顾性研究，样本量较小，且仅使用MRI影像数据	开发并评估基于深度学习的AI模型用于甲状腺眼病患者眼外肌的自动分割	甲状腺眼病（TED）患者	计算机视觉, 数字病理	甲状腺眼病	MRI	深度学习模型	图像	52例甲状腺眼病患者	NA	NA	Dice相似系数, 信号强度比	NA
1103	2026-05-30	Enhancing products performance evaluation through hybrid DistilRoBERTa and BiGRU models 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0348316 PMID:42189920	研究论文	通过结合DistilRoBERTa和双向门控循环单元的混合深度学习模型，对产品评论进行情感分析，提升产品性能评估	集成评价理论与混合深度学习方法，通过可解释人工智能的Shapley加法解释方法进行交叉验证，实现了对产品复杂性和可用性的综合评估	未提及	探索客户评论中产品复杂性的情感分析，提升产品性能评估的准确性和可解释性	亚马逊产品评论	自然语言处理	NA	NA	混合模型（DistilRoBERTa和双向门控循环单元）	文本	NA	PyTorch	DistilRoBERTa, 双向门控循环单元	准确率	NA
1104	2026-05-27	Emotion recognition from auditory autonomous sensory meridian response (ASMR) using multi-modal physiological signals 2026-01-21, Physiological measurement IF:2.3Q3 DOI:10.1088/1361-6579/ae35ca PMID:41505907	研究论文	利用多模态生理信号从听觉自主感觉经络反应（ASMR）中识别情绪	以往研究主要关注ASMR引发的低唤醒度积极情绪（如放松和宁静），本论文首次探索了ASMR听觉刺激引发的更广泛情绪类型，包括快乐、悲伤和厌恶，并采用多模态生理信号与深度学习分类器进行情绪分类	NA	探索ASMR听觉刺激诱发的多种情绪，并验证多模态生理信号结合深度学习在情绪识别中的有效性	23名ASMR体验者的脑电图、光电容积描记图和皮肤电活动等多模态生理数据	机器学习	NA	可穿戴生物传感器、rmANOVA统计检验	人工神经网络和卷积神经网络	生理信号	23名ASMR体验者	NA	ANN, CNN	分类准确率	NA
1105	2026-05-27	A novel adaptive CNN-LSTM fusion network for electrocardiogram diagnosis 2026-01-07, Physiological measurement IF:2.3Q3 DOI:10.1088/1361-6579/ae2f8a PMID:41418332	研究论文	提出一种自适应CNN-LSTM融合网络用于心电图诊断	设计了一种自适应卷积核，能根据局部信号方差动态调整大小，结合空间-时间融合机制，提升了心电图诊断的效率和准确性	未在更多样化的数据集或临床环境中验证模型的泛化能力，且未讨论计算资源需求或模型复杂度	提高自动心电图诊断的效率和准确性，为早期心血管疾病筛查提供技术支持	心电图信号	机器学习	心血管疾病	NA	CNN-LSTM	信号	PTB-XL数据集	NA	自适应CNN, LSTM	准确率, 宏平均F1分数, 加权平均F1分数	NA
1106	2026-05-27	SpaGene: A Deep Adversarial Framework for Spatial Gene Imputation 2026, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.34133/csbj.0102 PMID:42146899	研究论文	提出SpaGene，一种用于整合单细胞RNA测序数据和空间转录组数据的深度学习框架，以填补空间数据中缺失的基因表达	采用两个编码器-解码器对，结合两个转换器和两个判别器，实现空间转录组数据中缺失基因表达的有效填补	目前仅在特定数据集和评价协议下验证，可能在不同组织类型或噪声条件下泛化性有限	整合scRNA-seq和空间转录组数据，提升空间基因表达的恢复准确性	单细胞RNA测序数据和空间转录组数据	机器学习	肺癌	NGS, 单细胞RNA测序, 空间转录组测序	CNN, GAN	文本	多数据集（具体数量未在摘要中明确）	PyTorch	编码器-解码器, 生成对抗网络	Pearson相关系数, 结构相似性指数, 均方根误差	NA
1107	2026-05-27	Artificial Intelligence in the prediction of 3D chromatin structure and gene regulation 2026, Progress in molecular biology and translational science DOI:10.1016/bs.pmbts.2026.01.018 PMID:41986002	研究论文	利用人工智能预测三维染色质结构与基因调控	首次系统综述人工智能特别是深度学习在预测三维染色质结构及基因调控中的应用，强调整合多模态数据及自监督模型的优势	未提及具体模型性能评估及计算资源需求，缺乏实际应用中的局限性讨论	探讨人工智能在解析染色质三维结构与其基因调控关系中的潜力	染色质三维结构（如区室、拓扑关联结构域和环）及基因调控机制	机器学习，数字病理学	NA	Hi-C, ChIA-PET, HiChIP	深度学习	序列及表观基因组特征数据	NA	NA	自监督模型	NA	NA
1108	2026-05-27	Artificial intelligence in multimodal data analysis for cancer survival prediction 2026, Progress in molecular biology and translational science DOI:10.1016/bs.pmbts.2026.03.001 PMID:41986003	综述	综述人工智能在癌症生存预测中多模态数据分析的融合与对齐方法	系统梳理了2015至2025年间31项基于深度学习的多模态对齐与融合研究，并区分了先对齐后融合与独立融合两类策略	当前融合技术面临数据对齐和数据融合两大障碍，尚未提及具体模型的可扩展性或临床部署挑战	探索人工智能在癌症生存预测中处理多模态异构数据的对齐与融合方法，提高预测准确性和可解释性	31项多模态机器学习研究（2015-2025年），涉及三种关键数据类型	机器学习	癌症	NA	深度学习	多模态数据（图像、文本等）	31项研究	NA	NA	NA	NA
1109	2026-05-27	AI in biomolecular structural data analysis 2026, Progress in molecular biology and translational science DOI:10.1016/bs.pmbts.2026.01.024 PMID:41986008	综述	本文概述了人工智能在生物分子结构数据分析中的应用，特别是深度学习模型如AlphaFold2和RoseTTAFold在从序列数据快速预测三维结构中的作用	系统性地展示了深度学习架构（CNN、GNN、RNN和Transformer）在结构生物学中的综合应用，并探讨了AI与传统实验数据的互补性	模型可解释性、数据质量和伦理问题仍是挑战，且内容面向初学者，深度有限	为初学者提供AI在生物分子结构分析中的基本知识，推动跨学科探索	蛋白质和核酸的生物分子结构数据	机器学习	NA	深度学习	CNN, GNN, RNN, Transformer	序列数据	NA	NA	AlphaFold2, RoseTTAFold	NA	NA
1110	2026-05-27	Multi-omics applications in health and diseases 2026, Progress in molecular biology and translational science DOI:10.1016/bs.pmbts.2026.01.012 PMID:41986011	综述	综述多组学技术在健康与疾病研究中的应用，强调人工智能驱动整合方法的潜力和挑战	系统性地总结了从传统统计到深度学习等计算模型在多组学数据整合中的应用，并展望可解释AI、数字健康记录整合等未来方向	数据标准化、可扩展性、可解释性及基因组信息伦理使用方面仍存在挑战	阐述多组学整合在精准医学、疾病异质性研究和发病机制探索中的价值	多组学数据（基因组、转录组、表观组、蛋白质组、代谢组、微生物组）	机器学习	NA	NGS, RNA-seq, 甲基化测序, 蛋白质组学, 代谢组学, 微生物组学	CNN, LSTM	多组学文本数据	NA	NA	NA	NA	NA
1111	2026-05-27	Artificial Intelligence in single-cell and spatial transcriptomics data analyses 2026, Progress in molecular biology and translational science DOI:10.1016/bs.pmbts.2026.01.011 PMID:41986013	综述	本文综述了人工智能在单细胞和空间转录组学数据分析中的应用	系统性地介绍了卷积神经网络、图神经网络和变分自编码器等方法在单细胞和空间转录组学数据分析中的应用，并强调了在癌症生物学、免疫学和神经科学等领域的应用	可扩展性、可解释性和一致的数据标准方面仍存在挑战	探讨人工智能如何推动单细胞和空间转录组学数据分析的发展，为研究人员提供应用AI的简明指南	单细胞和空间转录组学数据	机器学习	NA	scRNA-seq, 空间转录组学	CNN, GNN, VAE	基因表达数据	NA	NA	卷积神经网络, 图神经网络, 变分自编码器	NA	NA
1112	2026-05-27	Artificial intelligence in multi-omics analysis of heart diseases 2026, Progress in molecular biology and translational science DOI:10.1016/bs.pmbts.2026.03.011 PMID:42173636	综述论文	探讨人工智能在多组学分析心脏病中的应用，通过整合基因组、转录组、蛋白质组和代谢组等多组学数据，发现不同疾病亚型的关键分子标志物	系统总结了AI驱动的心血管疾病研究框架，包括深度学习、集成与混合模型、可解释AI技术、整合性多组学算法和高级网络分析等前沿方法	未提及具体限制	提升心血管疾病的早期诊断、风险预测和患者分层能力，推动精准医疗发展	心血管疾病及其亚型（如早期心脏代谢疾病）	机器学习	心血管疾病	NA	深度学习、集成模型、混合模型	多组学数据（基因组、转录组、蛋白质组、代谢组等）	NA	NA	NA	NA	NA
1113	2026-05-27	AI in multi-omics analysis in AMR 2026, Progress in molecular biology and translational science DOI:10.1016/bs.pmbts.2026.02.001 PMID:42173634	综述	探讨人工智能在多组学分析抗菌药物耐药性中的作用	系统评述了AI驱动多组学分析在AMR研究中的概念基础、方法进展、代表性应用及转化意义	AI策略面临的局限包括数据标准化不足、稳健验证缺乏以及跨学科协作需求	综述AI在多组学分析AMR中的角色与前景	抗菌药物耐药性及其多组学数据	机器学习	抗菌药物耐药性	多组学技术（基因组学、转录组学、蛋白质组学、代谢组学）	NA	多组学数据（基因组、转录组、蛋白质组、代谢组）	NA	NA	NA	NA	NA
1114	2026-05-27	Artificial intelligence in multi-omics analysis of neurological diseases 2026, Progress in molecular biology and translational science DOI:10.1016/bs.pmbts.2026.01.016 PMID:42173630	综述	探讨人工智能在多组学分析神经退行性疾病中的应用与进展	系统整合人工智能在神经系统疾病研究中的发展历程，从传统规则系统到深度学习基础模型，并提供组学组合与AI方法匹配的实用指南	未提及具体研究案例的局限性及临床转化中的实际困难	为神经科学研究者提供多组学与AI结合的理论知识和实践指导	阿尔茨海默病、帕金森病、多发性硬化症、精神分裂症等神经系统疾病的多组学数据	machine learning	神经系统疾病	多组学测序	深度学习框架、基础模型	基因表达、蛋白质组、代谢组等多模态组学数据	NA	NA	NA	NA	NA
1115	2026-05-26	TDD-YOLO: A novel model for precise detection of tomato diseases 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0334989 PMID:42172292	研究论文	提出了一种基于YOLOv11改进的TDD-YOLO模型，用于在复杂农业环境中精确检测番茄病害	添加特征增强模块提升主干网络提取病害斑点纹理的能力；引入联合注意力机制显式建模跨维度依赖以抑制背景干扰；增加特征融合模块保留多尺度病害信息并降低计算成本	未明确提及局限性	解决现有深度学习模型在提取细微病害特征、抑制复杂背景干扰及处理多尺度病害表示方面的不足	番茄叶片上的六种病害	计算机视觉	番茄病害	NA	YOLOv11	图像	Tomato-Village数据集（含田间采集的番茄叶片图像，六种病害，复杂背景和光照变化）；Tomato-Disease数据集（更多样化的番茄病害类型及健康叶片样本）	PyTorch	TDD-YOLO（基于YOLOv11改进）	mAP@50, mAP@50:95	NA
1116	2026-05-26	Enhancing precision harvesting in smart orchards: a light-weight neural network for apple maturity detection 2026, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2026.1820164 PMID:42179477	研究论文	提出轻量化神经网络HRLN-YOLO用于智能果园中苹果成熟度检测，在保证精度的同时大幅减少网络参数量与计算量	设计了轻量化骨干网络HGBackbone以增强特征提取和加速推理；构建增强型颈部模块RCF_Neck提升遮挡下的多尺度特征融合；开发轻量化检测头LADH-Head以减少任务冲突并降低计算成本；引入NWD-Loss提高小目标定位稳定性	未明确讨论模型在不同天气条件、品种或更大规模数据集上的泛化能力，也未提及部署后的实时能耗或硬件兼容性测试	实现资源受限边缘设备上的高精度、轻量化苹果成熟度检测，支持智能果园自动化采摘	果园环境中的苹果成熟度检测任务	计算机视觉	NA	深度学习	YOLO	图像	Orchard Apple Maturity Dataset（具体数量未给出）	NA	HRLN-YOLO (HGBackbone, RCF_Neck, LADH-Head)	平均精度均值 (mAP@0.5), 参数数量, 计算复杂度（FLOPs）	NA
1117	2026-05-26	Bridging scales: integrated multi-omics and deep phenotyping for climate resilience in crop plants 2026, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2026.1777294 PMID:42179484	综述	该文综述了深度表型分析与多组学数据相结合，以推动气候适应性作物育种革命的潜力	系统性地讨论了深度表型分析与多组学数据整合如何利用关联作图和机器学习框架来识别优良等位基因和调控中枢，从而打通基因型到表型通路，实现从分子到田间性能的预测育种	面临数据维度高、基础设施成本高以及需要标准化流程等挑战	评估将深度表型与多组学数据结合，开发高通量作物改良策略以应对气候变化和保障粮食安全	农作物（多种作物）	机器学习	NA	下一代测序, 多组学, 深度表型分析, 非侵入性成像	监督学习, 无监督学习, 深度学习	多组学数据（基因组、转录组等）, 图像（表型成像）	NA	NA	NA	NA	NA
1118	2026-05-26	Detection and classification of lung cancer using sequential hybridization of CNN and RNN type architectures 2026, Frontiers in big data IF:2.4Q2 DOI:10.3389/fdata.2026.1786859 PMID:42179777	研究论文	提出一种融合CNN和RNN的深度学习框架用于CT图像肺癌多分类	采用DenseNet201提取特征后串联双向门控循环单元（BiGRU）进行序列表示学习，并通过CLAHE增强、形态学分割和结节聚焦掩码优化预处理	需在更大规模多中心数据集和临床测试中验证	开发自动化可靠的CT图像肺癌分类框架，区分良性、恶性和正常肺组织	1,600张CT扫描图像	计算机视觉	肺癌	CT成像	CNN-RNN混合模型	图像	1,600张CT图像（约70%训练，30%验证）	TensorFlow	DenseNet201, 双向门控循环单元（BiGRU）	准确率, 精确率, 召回率, F1分数	NA
1119	2026-05-26	A patient-aware benchmarking of CNN and transformer architectures for breast cancer histopathology classification 2026, Frontiers in digital health IF:3.2Q2 DOI:10.3389/fdgth.2026.1752938 PMID:42179815	研究论文	在乳腺癌组织病理学分类任务中，对CNN和Transformer架构进行患者感知的基准测试	采用严格的无数据泄露患者感知交叉验证协议，系统比较了九种深度学习架构在乳腺癌组织病理学分类中的性能，并发现不同架构间的性能差异无统计学显著性	仅使用BreaKHis单一数据集，且高倍率（400×）图像因上下文信息不足导致性能下降	建立无数据泄露的基准测试框架，评估不同深度学习架构在乳腺癌组织病理学分类中的可靠性	BreaKHis数据集中82名患者的7909张乳腺癌组织病理学图像	数字病理学	乳腺癌	组织病理学成像	CNN和Transformer	图像	82名患者的7909张图像	PyTorch	ResNet50, MobileNetV2, VGG16, DenseNet121, Xception, EfficientNetB0, ConvNeXt, Swin-Small, Swin-Base	准确率, 精确率, 召回率, F1分数, 配对t检验, 威尔科克森符号秩检验, 邦费罗尼校正	未指定（NA）
1120	2026-05-26	Computational predictive processing models of consciousness: a systematic review of non-invasive brain signal analysis in disorders of consciousness 2026, Frontiers in computational neuroscience IF:2.1Q3 DOI:10.3389/fncom.2026.1797090 PMID:42179888	综述	系统综述了近15年计算预测处理模型在意识障碍患者无创脑信号分析中的应用	从简单波形平均转向层次预测误差的高维解码，并验证了全局信息共享标记物在区分意识状态中的有效性	未详细说明具体计算模型的可解释性及临床转化中的实际部署障碍	评估计算PP模型对意识障碍患者的诊断和预后价值，并识别临床转化的方法学挑战	意识障碍患者（植物状态/无反应觉醒综合征和最小意识状态）	机器学习	意识障碍	无创脑信号分析（如脑电图、脑磁图等，但未明确指定具体技术）	深度学习和多变量模式分析	脑信号（非图像/文本，属于生理信号）	约2045名参与者	NA	NA	特异性和敏感度（用于预测苏醒）	NA