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
2601	2026-08-19	Identifying Biomarkers Using a Portable, Home-Based Eye-Tracking System to Predict Short-Term Visual Fatigue Deterioration: Prospective Observational Feasibility Study 2026-Apr-28, JMIR human factors IF:2.6Q3 DOI:10.2196/84479 PMID:42048137	研究论文	本文开发并评估了一种名为EyeFatigue Tracker的集成家用系统，利用客观眼部指标预测短期视觉疲劳恶化，该系统包括头戴式设备、深度学习模型和机器学习分类器，用于监测和评估计算机视觉综合征。	提出了一种集成的居家系统EyeFatigue Tracker，结合头戴设备、深度学习提取眼部指标和机器学习预测疲劳风险，无需主观报告即可客观评估视觉疲劳，并自动生成会话报告。	样本量较小（38名参与者），且研究为可行性研究，可能需要更大规模验证；系统依赖特定硬件和模型，可能存在泛化性限制。	开发并评估一种家用系统，通过客观眼部指标预测短期视觉疲劳恶化，以补充主观症状评估。	参与者为19-31岁的健康成年人，共38人，进行1小时计算机游戏任务，以诱发视觉疲劳。	计算机视觉，机器学习，数字健康	视觉疲劳（计算机视觉综合征）	红外眼动记录，深度学习图像分割	卷积神经网络（用于图像分割），机器学习分类器（SVM、决策树、XGBoost、随机森林）	眼部视频（红外图像）	38名参与者（年龄19-31岁，平均24.8岁）	未提及特定框架，但可能涉及PyTorch或TensorFlow（推断）	深度学习模型用于分割眼睑裂隙、瞳孔和虹膜；机器学习模型包括SVM、决策树、XGBoost、随机森林	准确性、AUC（受试者工作特征曲线下面积）	未提及具体计算资源
2602	2026-08-19	Deep learning on histopathological images to predict breast cancer recurrence risk and chemotherapy benefit: a multicentre, model development and validation study 2026-Apr, The Lancet. Oncology DOI:10.1016/S1470-2045(25)00727-2 PMID:41831466	研究论文	开发并验证了一种基于常规组织病理学切片和临床变量的多模态深度学习模型，用于预测激素受体阳性、HER2阴性早期乳腺癌的复发风险和化疗获益	首次利用大规模预训练基础模型结合常规病理切片直接估计Oncotype DX 21基因复发评分，无需基因检测即可实现风险分层和化疗决策指导	依赖高质量无扫描伪影切片，需要至少100个组织块，可能限制在资源有限环境中的可部署性	开发一种经济可行的AI工具，替代昂贵的基因组检测，为激素受体阳性、HER2阴性早期乳腺癌患者提供化疗决策支持	激素受体阳性、HER2阴性、无扫描伪影的浸润性乳腺癌患者	数字病理学、深度学习	乳腺癌	数字病理切片、临床变量分析	多模态深度学习模型、基础模型	全切片图像、临床数据	TAILORx试验8284例患者，外部验证5497例患者	NA	基础模型、多模态融合架构	曲线下面积、风险比、95%置信区间	NA
2603	2026-08-19	Application of Digital Medicine to the Diagnosis and Treatment of Head and Neck Tumors 2026-04, Cancer reports (Hoboken, N.J.) DOI:10.1002/cnr2.70556 PMID:42019980	综述	本文综述了数字医学在头颈肿瘤诊断、治疗及预后评估中的应用现状	系统总结了数字医学技术如数字成像、人工智能和3D打印在头颈肿瘤诊疗中的最新进展	当前研究存在局限性，但未详细说明具体限制	总结数字医学在头颈肿瘤诊断、治疗和预后评估中的应用现状	头颈肿瘤	数字医学	头颈肿瘤	数字成像（CT、MRI、超声）、人工智能、3D打印	深度学习模型	医学图像	不适用	不适用	深度学习	不适用	不适用
2604	2026-08-19	AI-driven drug-target interaction prediction: current progress, challenges, and future roadmap for precision medicine 2026-03-31, Journal of computer-aided molecular design IF:3.0Q2 DOI:10.1007/s10822-026-00798-2 PMID:41910880	综述	本文系统综述了计算药物-靶点相互作用（DTI）预测的最新进展，涵盖基于配体、靶点、网络、机器学习、深度学习及混合多组学模型，并探讨了挑战与未来方向	全面整合多组学数据的混合模型，引入图神经网络和Transformer架构，并展望联邦学习、AlphaFold对接和量子模拟等前沿趋势	存在数据稀疏性、模型可解释性和泛化能力等关键挑战	为DTI预测研究提供路线图，推动精准医学中的转化应用	药物-靶点相互作用及其预测方法	计算机视觉,自然语言处理,机器学习	精准医学相关疾病	NA	图神经网络,Transformer	多组学数据（基因组、转录组、蛋白质组、相互作用组）	NA	NA	图神经网络,Transformer	NA	NA
2605	2026-08-19	A dataset of insect sounds from 459 species for bioacoustic machine learning 2026-Mar-27, Scientific data IF:5.8Q1 DOI:10.1038/s41597-026-07123-4 PMID:41896561	研究论文	介绍了一个包含459种昆虫声音的大型数据集，用于生物声学机器学习研究	首次提供大规模、易于应用于深度学习方法的昆虫声音数据集，覆盖直翅目和蝉科，并采用多种采样率以捕获广泛频率范围	数据集虽大，但昆虫声音识别仍具挑战性，现有深度学习方法性能有提升空间	促进昆虫声音自动识别技术的发展，辅助生物多样性监测	459种昆虫（310种直翅目和149种蝉科）	机器学习	NA	音频记录	深度学习分类器	音频	26298个音频文件，共226.6小时	NA	NA	分类性能（未具体说明指标）	NA
2606	2026-08-19	High-Resolution Colony Images of Clinically Isolated Bacteria for Automated Detection and Deep Learning 2026-Mar-27, Scientific data IF:5.8Q1 DOI:10.1038/s41597-026-07095-5 PMID:41896581	研究论文	本文公开了一个大规模、标准化的临床分离细菌菌落图像数据集，用于自动化检测和深度学习，涵盖19种细菌和151株菌株，共118,442个菌落实例。	提供了一个覆盖广泛菌种和菌株多样性的大规模、规范化菌落图像数据集，采用严格标准化的图像采集和处理流程，为AI模型训练和评估提供了坚实基础。	未明确提及局限性，可能包括数据集来源的临床样本类型有限或图像采集条件固定等限制。	为自动化菌落检测提供大规模、标准化的图像数据集，以支持深度学习模型的训练、评估和应用。	临床分离的细菌菌落图像	计算机视觉	不适用	图像采集	深度学习（用于检测）	图像	19种细菌、151株菌株、每物种50张图像，共118,442个菌落实例	NA	NA	NA	NA
2607	2026-08-19	Dental Odontogenic Lesion CBCT and Histopathology Integrated Dataset for Benchmarking Deep Learning Algorithms 2026-Mar-27, Scientific data IF:5.8Q1 DOI:10.1038/s41597-026-07112-7 PMID:41896560	研究论文	本文介绍了DOLCHID数据集，包含262对配对CBCT扫描和H&E染色组织病理学图像，用于基准测试牙源性病变的深度学习算法。	首次提供公开的配对放射学和组织病理学数据集，用于牙源性病变的深度学习研究。	摘要未提及局限性。	促进牙源性病变的深度学习研究，通过整合放射学和病理学信息实现综合诊断模型。	牙源性病变，包括含牙囊肿、根尖囊肿、牙源性角化囊肿和成釉细胞瘤。	数字病理学	牙源性病变	CBCT，组织病理学	深度学习（未具体说明）	图像（CBCT扫描和组织病理学图像）	262对CBCT扫描和H&E染色组织病理学图像，包括含牙囊肿（n=44）、根尖囊肿（n=54）、牙源性角化囊肿（n=92）和成釉细胞瘤（n=72）。	NA	NA	分割和分类指标（未具体说明）	NA
2608	2026-08-19	A Multimodal deep learning method for predicting drug-induced liver injury using structural and sequential molecular representations 2026-03-26, Journal of computer-aided molecular design IF:3.0Q2 DOI:10.1007/s10822-026-00796-4 PMID:41882435	研究论文	提出一种多模态深度学习框架，整合分子亚结构和序列信息，用于预测药物性肝损伤	首次将多种分子指纹与多种SMILES序列嵌入模型（如ChemBERTa、RoBERTa等）融合，通过多模态集成提高药物性肝损伤预测性能	摘要未提及具体局限性	开发更准确和泛化的药物性肝损伤预测模型	药物分子，其结构信息和SMILES序列	机器学习	药物性肝损伤	分子指纹计算、SMILES序列嵌入	多模态深度学习模型，融合结构特征提取器（如指纹）和序列模型（如ChemBERTa、RoBERTa）	分子的结构数据和SMILES序列文本	未在摘要中明确说明	未明确指定，可能使用PyTorch或TensorFlow	ChemBERTa, RoBERTa, ChemBERTaV2, SMILES2Vec	未明确说明，可能包括准确性、AUC等	未在摘要中提及
2609	2026-08-19	Predicting drug-target interactions and binding affinity using an optimized deep learning approach 2026-03-23, Journal of computer-aided molecular design IF:3.0Q2 DOI:10.1007/s10822-026-00792-8 PMID:41870652	研究论文	介绍了一种基于CNN的双注意力机制（nCNN-DA）用于预测药物-靶点相互作用（DTI）和结合亲和力（DTA）的深度学习方法	将一维卷积特征提取与通道和空间注意力机制相结合，增强药物SMILES和蛋白质序列的特征表达能力	未明确指出局限性	提高药物-靶点相互作用和结合亲和力预测的准确性，加速药物发现和药物重定位	药物SMILES表示和蛋白质序列	机器学习	NA	NA	CNN	序列数据	三个基准数据集：KIBA、Davis和BindingDB	NA	nCNN-DA（基于CNN的双注意力网络）	AUPR, AUROC, MSE, 皮尔逊相关系数, 准确率	NA
2610	2026-08-19	Advances in computational prediction of RNA-small molecule binding affinity 2026-03-10, Journal of computer-aided molecular design IF:3.0Q2 DOI:10.1007/s10822-026-00781-x PMID:41803448	综述	本文综述了深度学习和机器学习方法在RNA-小分子结合亲和力预测方面的最新进展，包括方法、性能及其对药物设计加速的影响	重点介绍了对比学习、多尺度特征提取和交叉融合机制等关键创新，并探讨了这些创新对模型鲁棒性、泛化能力和可解释性的贡献	由于RNA结构的固有灵活性以及实验确定其结构和动态性质的困难，导致数据缺乏，影响模型的性能	全面回顾计算RNA-小分子亲和力预测的现状，并指出重要挑战和未来方向	RNA-小分子结合亲和力预测方法及相关数据集	机器学习	NA	NA	深度学习模型，机器学习模型	序列特征，3D结构信息（体素网格和分子表面），图结构数据	NA	NA	图神经网络	NA	NA
2611	2026-08-19	PBP_ICBA: a prediction of bacterial promoters in specific organisms using an improved convolutional block attention module 2026-02-12, Journal of computer-aided molecular design IF:3.0Q2 DOI:10.1007/s10822-025-00755-5 PMID:41677998	研究论文	提出了一种基于改进卷积块注意力模块的双路径深度学习模型PBP_ICBA，用于特异性细菌物种的启动子预测。	采用双路径架构，结合二维卷积和改进的卷积块注意力模块，并综合使用one-hot编码、核苷酸化学性质C2和ESM-2表示，实现了对细菌启动子的高精度物种特异性预测。	在13个物种数据集中，有2个物种的预测性能未达到最优，可能限制了模型的适用范围。	开发一个稳健的物种特异性细菌启动子预测框架，以提高跨物种启动子识别的准确性，并增强对转录调控机制的理解。	细菌启动子DNA序列	深度学习	NA	NA	深度学习模型（卷积神经网络）	DNA序列数据	13个物种特异性细菌启动子数据集	NA	卷积块注意力模块（CBAM），二维卷积	性能指标（如准确率等，但未明确指定）	NA
2612	2026-08-19	Early Prediction of Cardiac Arrest Based on Time-Series Vital Signs Using Deep Learning: Retrospective Study 2026-01-09, JMIR formative research IF:2.0Q4 DOI:10.2196/78484 PMID:41512300	研究论文	本研究基于深度学习开发了一种实时预测心脏骤停的方法，利用患者过去两小时的临床生命体征数据，每5分钟预测下一次1小时内的心脏骤停风险	提出了一种结合Transformer和门控循环单元的新型深度学习模型TrGRU，并采用元学习方法来增强模型的泛化能力	未在本文中明确提及局限性	开发一种基于临床生命体征的实时心脏骤停预测方法，以实现更及时、更准确的预测，并通过外部验证评估模型的泛化能力	来自MIMIC-III波形数据库的4063名患者，提取了6个特征	机器学习	心脏骤停	NA	深度学习模型（TrGRU）	时间序列生命体征数据	4063名患者，外加eICU-CRD数据集用于外部验证	NA	Transformer, GRU（门控循环单元）	准确率、敏感性、AUROC、AUPRC	NA
2613	2026-08-19	A Fully Automated 3D CT U-Net Framework for Segmentation and Measurement of the Masseter Muscle, Innovatively Incorporating a Self-Supervised Algorithm to Effectively Reduce Sample Size: A Validation Study in East Asian Populations 2026-01, Aesthetic plastic surgery IF:2.0Q2 DOI:10.1007/s00266-025-05066-6 PMID:40858739	研究论文	本文提出并评估了一种基于U-Net的粗到细学习框架，用于自动化分割和测量咬肌体积，并引入自监督算法以减少深度学习所需样本量	引入自监督算法以有效减少深度学习所需样本量，并在东亚人群中验证了自动分割与手动分割的等效性	未明确提及局限性	开发并评估用于咬肌自动化分割和体积测量的U-Net框架，提供健康东亚人群的基线数据，并引入自监督算法减少样本量	840名健康东亚志愿者（253名男性，587名女性）的头部CT扫描	计算机视觉、数字病理	NA	CT成像	U-Net	CT图像	840例头部CT扫描，其中15例用于临床验证	NA	U-Net	准确性、运行时间、形态学评分、体积测量、不对称性	NA
2614	2026-03-14	Editorial Note: Data augmentation-assisted deep learning of hand-drawn partially colored sketches for visual search 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0344760 PMID:41818179	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2615	2026-08-19	Deep learning enabled decision support systems in epilepsy surgery: a scoping review 2026, npj health systems DOI:10.1038/s44401-026-00103-1 PMID:42328681	综述	系统梳理了2018年1月至2025年5月间145项关于深度学习在癫痫手术决策支持系统中应用的研究，分析其在不同手术阶段、临床任务、数据集特征、建模实践、外部验证及工作流整合方面的现状	首次以范围综述形式全面绘制深度学习在癫痫手术全流程中的决策支持系统图谱，涵盖数据模态、规模、地理来源和可及性，并综合评估建模及验证实践	文献集中在术前阶段，缺乏术中研究，术后应用较少，且多数研究存在数据规模小、单中心、非公开以及外部验证稀缺等局限	旨在映射深度学习决策支持系统在癫痫手术路径中的应用现状，并识别泛化性、工作流就绪性和公平性方面的主要差距	2018年1月至2025年5月间发表的145项关于深度学习辅助癫痫手术决策的研究	机器学习	癫痫	深度学习	CNN	多模态数据	145项研究	NA	CNN	外部验证、工作流整合评估	NA
2616	2026-08-19	AI tools for cryo-EM: Protein particle picking, density map enhancement, and atomic model building 2026, Progress in molecular biology and translational science DOI:10.1016/bs.pmbts.2026.03.009 PMID:42463260	研究论文	本文介绍了基于深度学习的AI工具在冷冻电镜蛋白质结构测定中的三个关键步骤：颗粒挑选、密度图增强和原子模型构建	提出多种新型AI工具，如CryoTransformer、CryoSegNet、CryoTEN、Cryo2Struct和MICA，分别针对颗粒挑选、密度图增强和原子模型构建，其中MICA结合了AlphaFold3预测以提高模型精度	未明确提及具体限制，但章节最后指出了冷冻电镜数据分析中的开放挑战和未来方向	开发并展示AI工具用于自动化冷冻电镜蛋白质结构测定流程	蛋白质颗粒、冷冻电镜密度图、原子结构模型	计算机视觉, 深度学习	不适用	冷冻电镜	Transformer, U-Net, UNETR++, 3D Transformer, 多模态框架	图像, 密度图	150张密度图测试集，以及大规模CryoPPP数据集	不适用	Transformer, 残差架构, 注意力门控U-Net, SAM, UNETR++, 3D Transformer, 隐马尔可夫模型	精确率, 召回率, TM-score, 运行速度	不适用
2617	2026-08-19	Pixel super-resolved fluorescence lifetime imaging using deep neural networks 2026, PhotoniX IF:15.7Q1 DOI:10.1186/s43074-026-00277-9 PMID:42603887	研究论文	本文提出一种基于深度学习的多通道像素超分辨荧光寿命成像框架，可从五倍增大像素尺寸获取的图像中重建高分辨率FLIM图像，并提高采集速度和信噪比	首次将条件生成对抗网络（cGAN）应用于FLIM像素超分辨，相比扩散模型，重建更稳健且推理时间更短，支持五倍超分辨因子和25倍空间带宽积提升，兼容低数值孔径和微缩化平台	未提及具体局限性，但可能受限于训练数据多样性、泛化能力和实际临床验证范围	克服FLIM临床应用中像素驻留时间长和信噪比低的限制，提高有效空间分辨率，推动快速、高分辨率和硬件灵活的FLIM实现	患者来源的肿瘤组织样本	数字病理学, 深度学习	肿瘤	荧光寿命成像显微镜（FLIM）	条件生成对抗网络（cGAN）	荧光寿命图像	患者来源的肿瘤组织样本	NA	生成对抗网络（GAN）	图像质量指标（如PSNR、SSIM等）	NA
2618	2026-08-19	Deep Learning Can Predict the Overall Survival of Cervical Cancer Based on Histopathological Image, Gene Mutation and Clinical Information 2026 Jan-Dec, IET systems biology IF:1.9Q3 DOI:10.1049/syb2.70060 PMID:41902378	研究论文	本研究开发了一种结合病理图像、临床和分子数据的多模态深度学习模型，用于预测宫颈癌患者的总体生存期	首次将病理图像、基因突变和临床信息融合用于宫颈癌总体生存期的预测，通过LASSO Cox回归筛选关键特征并构建多模态深度学习框架	样本量较小（训练集119例，独立验证集53例），可能影响模型的泛化能力	开发一个结合病理图像、临床数据和分子数据的预测模型，以准确分类宫颈癌患者的短期（≤3年）和长期（>3年）总体生存期	宫颈癌患者	数字病理学	宫颈癌	基因突变检测（具体测序技术未明确，基于TCGA数据）	多模态深度学习模型（具体类型未明确）	病理图像、临床数据、基因突变数据	训练集119例，验证集53例	NA	NA	AUC	NA
2619	2026-08-19	Pathway-driven assessment of wastewater contamination in drinking water systems: integrating AI with public health risk 2026, Frontiers in public health IF:3.0Q2 DOI:10.3389/fpubh.2026.1873246 PMID:42491056	综述	本文综述了人工智能在饮用水系统废水污染监测中的应用，并整合了工程与公共卫生视角，提出了路径驱动的监测框架	不同于以往强调通用水质预测的综述，本文聚焦于路径特异性污染检测、系统级脆弱性和操作部署约束，并提出将AI输出与公共卫生响应阈值相连接的框架	现有AI性能指标多来自实验或试点数据，缺乏长期运行验证，且存在数据质量限制、代理指标非特异性、模型泛化性差及操作条件下验证不足等问题	综合理解废水污染路径，批判性评估传统和基于AI的监测方法，并识别从预测到操作部署的转化障碍	饮用水系统中的废水污染事件、监测技术及AI应用	机器学习	NA	NA	机器学习和深度学习模型	传感器网络数据	NA	NA	NA	R值	NA
2620	2026-08-19	A public generalizable AI tool for automated segmentation of coronal brain tissue slabs for 3D neuropathology 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0355740 PMID:42607065	研究论文	本文介绍了一种基于深度学习的自动化工具，用于分割冠状脑组织切片的照片，以促进三维神经病理学分析。	该工具采用U-Net架构，在固定和新鲜组织、不同诊断的样本以及两个不同拍摄地点的组合数据上训练，实现了高精度的自动分割，并公开提供了工具和训练数据。	摘要未明确提及局限性，但可能包括对多样本和不同成像条件的泛化能力仍需进一步验证。	开发一种自动化的深度学习模型，用于分割冠状脑组织切片照片中的组织区域，以替代繁琐的手动分割，提高三维神经病理学分析的效率和可扩展性。	人脑组织冠状切片照片，包括固定和新鲜组织，来自不同诊断的样本。	计算机视觉，数字病理学	神经退行性疾病（如阿尔茨海默病等，摘要未具体指定，但涉及神经病理学）	深度学习（图像分割）	U-Net	图像（冠状脑组织切片照片）	1,414张手动分割的图像	未提及	U-Net	Dice分数，平均表面距离，95% Hausdorff距离	未提及