深度学习在生物医药领域的应用
本数据库通过收集和整理最新科研文献信息而得，供了解领域前沿进展之用。数据源自 PubMed Data ，每日自动更新（使用关键词“['deep learning']”过滤），已收录文献数量参见 统计表格。表格内容由 GPT 自动整理，可能存在错误或遗漏，请使用时务必注意核实！
如有建议或合作意向，欢迎联系 linlin.yan(AT)bioinfo.app 或 微信 yanlinlin82。本项目遵循 MIT 许可 发布，欢迎下载 源码 自行修改使用。如觉得不错，还请不吝 给我打赏，你的支持是我继续创新的重要动力！
添加微信请说明来意
微信赞赏
除通过在线浏览外，为方便用户离线查阅，本站也提供 付费下载（定价19.9元）。之所以考虑收费，是因为批量扫描这些文献并整理也是有一定成本的，还请理解并多多支持。本站数据会持续更新，而仅需一次付费，未来就可以随时重新下载到最新版本数据。
当前共找到 12100 篇文献，本页显示第 3201 - 3220 篇。
| 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 |
|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|---|
| 3201 | 2026-08-03 |
Jianpi Bushen Qingchang Huashi formula alleviates DSS-induced colitis through butyrate-associated HDAC1 inhibition and Th17/Treg homeostasis
2026-Jul-29, Journal of ethnopharmacology
IF:4.8Q1
DOI:10.1016/j.jep.2026.122243
PMID:42526547
|
研究论文 | 本研究探讨了健脾补肾清肠化湿方通过丁酸相关的HDAC1抑制和Th17/Treg稳态调节减轻DSS诱导的小鼠结肠炎 | 首次结合网络药理学、深度学习虚拟筛选和分子对接预测JBQHF的活性成分及靶点，并阐明其通过丁酸抑制HDAC1的独特机制 | 研究基于小鼠模型，具体活性成分及临床相关性需进一步验证 | 明确JBQHF在结肠炎模型中的治疗效果及其分子机制 | DSS诱导的结肠炎小鼠模型及JBQHF中药复方 | 数字病理学 | 溃疡性结肠炎 | 16S rRNA基因测序、GC-MS | 深度学习虚拟筛选模型 | 微生物组测序数据、代谢组学数据、分子对接数据 | 小鼠结肠炎模型样本（具体数量未提供） | NA | NA | 疾病活动指数、组织病理评分 | NA |
| 3202 | 2026-08-03 |
Comparative phylogenomics and transcriptional regulatory networks of AQPs, HSPs, and LEA proteins in salt-stressed Portulaca oleracea
2026-Jul-29, Plant science : an international journal of experimental plant biology
IF:4.2Q1
DOI:10.1016/j.plantsci.2026.113347
PMID:42526718
|
研究论文 | 利用深度学习基因组注释、多组织RNA-Seq、系统发育组学和基因调控网络推断，揭示了盐胁迫下马齿苋中水通道蛋白、热激蛋白和LEA蛋白的协同调控机制 | 整合深度学习基因组注释与多组学方法，首次在盐胁迫马齿苋中系统揭示78个AQP、525个HSP和119个LEA蛋白的协同调控，并识别出22个胁迫专属调控因子及特定转录因子与保卫细胞分化的收敛性 | 摘要中未明确说明研究的局限性 | 解码盐生植物马齿苋应对盐胁迫的分子机制，为将耐盐性转移到敏感作物提供理论基础 | 盐胁迫下的马齿苋（Portulaca oleracea） | 转录组学、系统发育组学、基因调控网络 | 非疾病相关（植物盐胁迫） | 深度学习基因组注释、RNA-Seq、系统发育组学、基因调控网络推断 | 深度学习模型（用于基因组注释） | 基因组序列、转录组数据（RNA-Seq）、系统发育数据 | 154个物种的基因组比较，马齿苋58,817个预测基因（96.5% BUSCO完整性），39,065个表达位点 | 未明确指定 | 未明确指定 | BUSCO完整性（96.5%） | 未明确指定 |
| 3203 | 2026-08-03 |
MHCmet: A neural network based epitope prediction tool for orthohantaviruses
2026-Jul-29, Computational biology and chemistry
IF:2.6Q2
|
研究论文 | 本文介绍了MHCmet，一种基于深度学习的工具，用于预测与人类MHC I类受体结合的肽段，以识别正汉坦病毒中的免疫原性片段 | MHCmet的关键创新在于其等位基因特异性编码策略，该策略基于预测性能为每个HLA等位基因动态选择最优编码技术（One-hot、BLOSUM62或非线性Fisher），并结合CNN、多头自注意力和双向LSTM层 | 预测出的候选肽段需要进一步的实验验证后才能在转化应用中使用 | 开发一种深度学习工具，用于高效识别与人类MHC I类受体结合的肽段，以帮助开发诊断试剂、治疗方法和预防性疫苗 | 正汉坦病毒（如多布拉瓦正汉坦病毒）的糖蛋白肽段 | 自然语言处理, 深度学习 | 汉坦病毒感染 | 深度学习 | CNN-双向LSTM | 蛋白质序列数据 | 未明确说明样本数量，涉及病毒蛋白序列和多布拉瓦正汉坦病毒糖蛋白 | 未明确说明 | CNN, 双向LSTM, 多头自注意力 | AUC (中位数0.91，高于NetMHCpan的0.89和MHCflurry的0.85) | 未明确说明，但工具可自由访问于GitHub |
| 3204 | 2026-08-03 |
SpecTUS: Spectral Translator for Unknown Structures Annotation from EI-MS Spectra
2026-Jul-28, Analytical chemistry
IF:6.7Q1
DOI:10.1021/acs.analchem.6c02423
PMID:42441797
|
研究论文 | 介绍了一种名为SpecTUS的深度学习模型，用于从气相色谱电子电离质谱（EI-MS）谱图直接进行从头结构注释，无需参考数据库。 | SpecTUS是一种直接从EI-MS谱图到分子结构的翻译模型，避免了依赖数据库搜索，能识别光谱库中不存在的新化合物。 | 未在摘要中提及具体限制。 | 实现从EI-MS谱图直接进行从头结构注释，以识别未知化合物，提高鉴定准确率。 | EI-MS谱图及其对应的分子结构。 | 计算化学/质谱分析 | 不适用 | 气相色谱-电子电离质谱（GC-EI-MS） | 深度学习模型（具体类型未在摘要中明确，可能为序列到序列或Transformer模型） | 质谱数据（谱图） | NIST 20数据库中的28,267个光谱作为测试集 | 未明确说明 | 未明确说明（可能为Transformer） | 完美重建率、Tanimoto相似度（摩根指纹） | 未明确说明 |
| 3205 | 2026-08-03 |
AI segmentation requires accounting for brain size to maintain performance on developmental MRI cohorts
2026-Jul-25, bioRxiv : the preprint server for biology
DOI:10.64898/2026.07.22.739983
PMID:42539016
|
研究论文 | 本研究评估了SynthSeg在发育期MRI队列中的分割性能，发现直接应用会导致婴儿期分割质量差，通过重缩放和裁剪图像至成人脑尺寸可显著改善性能 | 首次在大规模发育期MRI队列中系统评估SynthSeg性能，并提出图像重缩放和裁剪策略以维持分割性能，显著提高婴儿期分割成功率 | 未提及具体限制，可能包括对不同病理变化的适用性有限 | 评估SynthSeg在发育期MRI数据上的分割性能，并提出改进方法以支持神经发育的计算机分析 | 人类大脑发育过程中的MRI扫描图像 | 计算机视觉 | 神经发育障碍 | MRI | 深度学习分割模型（SynthSeg） | 图像 | 26,000个MRI扫描，覆盖婴儿到成人 | NA | SynthSeg | 自动质量控制评分、视觉检查、空间重叠度（Dice系数） | NA |
| 3206 | 2026-08-03 |
Learning shared forecast-error structure to improve ensemble forecasts of seasonal respiratory outbreaks
2026-Jul-22, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.07.20.26358508
PMID:42539140
|
研究论文 | 该文章研究多模型集成预测季节性呼吸道疫情时共享误差结构，并提出一种深度学习框架利用历史预测来校正集成预测，提高流感住院和ILI预测的准确性。 | 创新点在于识别出多模型集成预测中组件模型存在共享系统性误差，并开发了深度学习框架学习历史预测中的结构化残差误差以改进集成预测，且该方法具有跨模型集合的泛化能力。 | 该方法对ILI预测的改进效果较小，且文章可能未提及模型的解释性、计算成本或在不同地域或疫情场景下的适用性。 | 研究目的是检验多模型集成预测中组件模型误差独立性假设，并开发一种通用方法改进季节性呼吸道疫情的实时预测。 | 研究对象为美国流感住院和流感样疾病（ILI）的实时预测数据。 | 机器学习 | 流感 | NA | 深度学习框架 | 结构化时间序列数据（预测和残差数据） | 美国流感住院和ILI实时预测数据，具体样本量未提及。 | PyTorch（推测，具体未提及） | 深度学习框架，具体架构未提及 | 加权区间分数（Weighted Interval Score），可能还有预测准确性。 | NA |
| 3207 | 2026-08-03 |
Deep interpretable learning of sample representations for characterizing disease states in single-cell transcriptomics
2026-Jul-22, bioRxiv : the preprint server for biology
DOI:10.64898/2026.07.21.738207
PMID:42539244
|
研究论文 | 介绍Phenoverse，一个可解释的深度学习框架，用于从单细胞转录组数据中学习样本级别的疾病状态表征，并在多个疾病队列中验证其效用 | 提出细胞类型感知的残差编码、原型学习和基于Perceiver的聚合方法，实现样本级疾病状态的可解释表征，且仅用二元表型标签训练即可预测疾病严重程度 | 未明确提及局限性 | 开发可解释的深度学习框架，从单细胞转录组数据中学习样本级别的疾病状态表征，以反映系统和细胞状态 | 独立单细胞转录组队列，涵盖COVID-19、阿尔茨海默病和系统性红斑狼疮 | 数字病理学 | COVID-19, 阿尔茨海默病, 系统性红斑狼疮 | 单细胞转录组测序 | 深度学习框架（可解释） | 单细胞转录组数据 | 超过500万个细胞 | 未明确提及 | Perceiver, 原型学习, 残差编码 | 未明确提及 | 未明确提及 |
| 3208 | 2026-08-03 |
What Do Persistent Misclassifications Tell Us About Alzheimer's Disease Detection using Structural MRI?
2026-Jul-20, medRxiv : the preprint server for health sciences
DOI:10.64898/2026.07.17.26358326
PMID:42539013
|
研究论文 | 本研究通过训练两种深度学习架构对ADNI数据集中的sMRI进行分类，检查误分类是否在多个模型和训练配置中持续存在，并分析持续误分类受试者的特征 | 系统性地研究了深度学习分类器在阿尔茨海默病检测中的持续误分类现象，并发现这些误分类与萎缩亚型分布差异相关 | 样本量较小 | 探究持续误分类是否反映早期疾病阶段或非典型疾病表现，并强调疾病异质性在临床AI模型开发与评估中的重要性 | 阿尔茨海默病（AD）患者和认知正常（CN）参与者，以及来自ADNI数据集的sMRI数据 | 机器学习, 医学影像分析 | 阿尔茨海默病 | NA | 深度学习模型 | 结构性MRI图像 | ADNI数据集中的AD和CN受试者，具体数量未提及 | NA | 两种深度学习架构（具体未提及） | 准确率（隐含），误分类率（隐含） | NA |
| 3209 | 2026-08-03 |
AI-Assisted Hyperspectral Interferometry and Single-Cell Dispersion Imaging
2026-Jul-20, ArXiv
PMID:42539078
|
研究论文 | 本文提出一种基于AI增强的宽带干涉测量方法，结合超光谱成像实现单细胞色散成像，用于细胞分类和疾病诊断 | 提出通用偏振共路干涉测量法，放松传统共路干涉的偏振限制，通过偏振解耦实现振幅和相位同时测量，并利用深度自编码器检测相位异常，显著提升相位稳定性一个数量级 | 未明确提及 | 开发一种稳定、紧凑的宽带相位测量和单细胞色散成像技术，应用于计量学、分子诊断、药物发现和量子传感等领域 | 正常皮肤细胞（CCD-32Sk）和癌细胞（COLO-829） | 计算光学成像、机器学习 | 皮肤癌 | 干涉测量、超光谱成像 | 深度自编码器、卷积神经网络 | 干涉图像、相位数据 | 两种皮肤细胞系：CCD-32Sk（正常）和COLO-829（癌变） | PyTorch | ConvNeXt V2, 自编码器 | 相位稳定性、分类准确性 | 未明确提及（可能使用GPU） |
| 3210 | 2026-08-03 |
ProteinDock: A physics-informed layer to improve protein-protein docking reliability
2026-Jul-20, bioRxiv : the preprint server for biology
DOI:10.64898/2026.07.17.739238
PMID:42539256
|
研究论文 | 开发了一种名为ProteinDock的基于物理信息的工具，可叠加到领先的建模程序上，以改善蛋白质-蛋白质对接的可靠性，特别针对抗体-抗原接口进行了案例研究。 | 提出了一种基于物理的层，能够与传统建模程序（如Rosetta）结合使用，显著提高对接可靠性，并展示了截断版本可用于从多个深度学习工具的输出中选择最优预测。 | 文中未明确说明局限性。 | 提高蛋白质-蛋白质对接的可靠性，尤其是针对具有独特特征（如抗体）的蛋白质，并提供物理信息层以改进现有建模工具。 | 抗体-抗原接口和蛋白质-蛋白质对接基准集（Docking Benchmark Set 5.5）中的目标。 | 计算生物学 | NA | 基于物理的对接层 | 基于物理信息的模型（非深度学习） | 蛋白质结构数据 | Docking Benchmark Set 5.5中包含的目标（具体数量未提供） | Rosetta | NA | CAPRI质量标准（可接受质量或更好） | NA |
| 3211 | 2026-08-03 |
CasanovoGUI: a cross-platform desktop application for deep learning-based de novo peptide sequencing with Casanovo
2026-Jul-16, bioRxiv : the preprint server for biology
DOI:10.64898/2026.07.11.737889
PMID:42523267
|
研究论文 | 介绍CasanovoGUI，一个跨平台桌面应用程序，为深度学习驱动的从头测序肽段提供图形界面，简化安装、配置和结果解读。 | 提供图形界面，自动安装Python环境和GPU匹配的Casanovo构建，集成谱图注释和蛋白组映射功能，无需先验软件配置。 | 未在摘要中提及明确限制，可能包括依赖自动安装的潜在问题或特定环境兼容性限制。 | 使Casanovo的从头测序功能更易于非计算科学家使用，提高可用性和可访问性。 | Casanovo模型及其在Windows、macOS和Linux平台上的应用。 | 生物信息学 | NA | 串联质谱 | 深度学习模型（Casanovo） | 串联质谱数据 | NA | NA | Casanovo | NA | GPU（自动匹配） |
| 3212 | 2026-08-03 |
AI-based quantification of inflammatory extent for relapse prediction in ulcerative colitis: a prospective cohort study
2026-Jul-07, Journal of Crohn's & colitis
DOI:10.1093/ecco-jcc/jjag115
PMID:42531703
|
研究论文 | 开发了一种基于深度学习的溃疡性结肠炎定量评估（QUAD）模型，并评估在临床缓解期加入炎症空间范围对复发预测的改善效果 | 首次探索AI评估炎症范围对临床复发预测的效用，并通过前瞻性队列研究验证 | 未在摘要中明确提及局限性 | 评估包含炎症范围的AI评分系统是否能提高溃疡性结肠炎患者在临床缓解期的复发预测准确性 | 来自三中心的998名溃疡性结肠炎患者的84,743张图像 | 数字病理学 | 溃疡性结肠炎 | 深度学习 | 深度神经网络 | 图像 | 998名患者，84,743张图像 | NA | QUAD模型（具体架构未提及） | 曲线下面积（AUC） | NA |
| 3213 | 2026-08-03 |
Development and Validation of a Multimodal-Multitask Deep Learning Approach for Estimating Late Distant Recurrence Risk in HR-Positive Early Breast Cancer
2026-Jul-01, Cancer research communications
IF:2.0Q3
DOI:10.1158/2767-9764.CRC-26-0362
PMID:42467849
|
研究论文 | 开发并验证了一种多模态多任务深度学习模型，用于评估激素受体阳性早期乳腺癌的晚期远处复发风险 | 首次将数字化全切片图像与临床病理变量整合到多模态深度学习框架中，用于晚期远处复发风险分层，并探索延长来曲唑治疗的异质性获益 | 未在摘要中明确提及，可能包括外部验证队列的回顾性设计、特定治疗背景（如ET）的限制等 | 改善激素受体阳性早期乳腺癌患者完成5年内分泌治疗后的长期风险分层，并探索延长来曲唑治疗的个体化获益 | 激素受体阳性早期乳腺癌患者，来自NSABP B-42试验（2271名）和TAILORx试验（4300名） | 数字病理学 | 乳腺癌 | 数字病理学（全切片图像）结合临床病理变量 | 多模态多任务深度学习模型 | 图像（H&E全切片）和临床数据 | NSABP B-42试验中2271名患者，TAILORx试验中4300名患者 | NA | NA | 风险比（HR），绝对风险差异 | NA |
| 3214 | 2026-08-03 |
Leakage-Aware Visit-Level Benchmarking Reveals Representational Overlap in Deep Learning for Bacterial Versus Fungal Keratitis Classification
2026-Jul-01, Translational vision science & technology
IF:2.6Q2
DOI:10.1167/tvst.15.7.28
PMID:42506962
|
研究论文 | 本研究在泄漏感知、就诊级别的框架下，对深度学习在细菌性与真菌性角膜炎分类中的应用进行了基准测试，并分析了嵌入空间的表征重叠作为潜在的性能上限 | 首次在泄漏感知、就诊级别的框架下对细菌性与真菌性角膜炎分类进行基准测试，并分析嵌入空间几何作为性能上限，使用严格的病人不重叠交叉验证和多种模型范式比较 | 单中心研究，样本量相对较小，性能上限可能是任务固有或站点特定，需多中心验证 | 基准测试深度学习在细菌性与真菌性角膜炎分类中的性能，并评估嵌入空间表征重叠作为性能天花板 | 来自101名培养确诊的细菌性或真菌性角膜炎患者的裂隙灯照片（258次就诊，658张图像） | 数字病理学 | 角膜炎 | 裂隙灯摄影 | CNN、MIL、DINOv2 | 图像 | 101名患者，258次就诊，658张图像 | PyTorch | CNN、MIL、DINOv2 | AUROC、ECE、Brier分数 | NA |
| 3215 | 2026-08-03 |
A Deep Learning-Based Study on Automatic Measurement Method of Biological Parameters in Anterior Segment UBM Images of Angle-Closure Glaucoma
2026-Jul-01, Translational vision science & technology
IF:2.6Q2
DOI:10.1167/tvst.15.7.27
PMID:42506963
|
研究论文 | 本研究开发了一种基于深度学习的模型，用于自动测量前段UBM图像中的生物参数，以辅助原发性闭角型青光眼的早期筛查和诊断 | 首次集成多区域分割和四点定位，直接从UBM图像自动计算七项前段参数，为早期PACG诊断和发病机制研究提供精确可靠的数据支持 | NA | 开发基于深度学习的模型，自动测量前段UBM图像中的生物参数，辅助临床医生进行原发性闭角型青光眼的早期筛查和诊断 | 原发性闭角型青光眼患者的前段超声生物显微镜图像 | 计算机视觉、数字病理学 | 青光眼 | 超声生物显微镜成像 | 深度学习模型（包括分割模型和目标检测模型） | 图像 | NA | NA | DeepLabv3+, YOLOv11s | 平均交并比（mIoU）、精确率、召回率、Dice系数、平均精度均值（mAP50）、欧氏距离平均绝对误差、均方根误差、组内相关系数（ICC） | NA |
| 3216 | 2026-08-03 |
Aligning deep learning and interpretable models for blood cell classification: A dual-model framework for explainability
2026-Jul, PLOS digital health
DOI:10.1371/journal.pdig.0001514
PMID:42531177
|
研究论文 | 提出一种由深度YOLO分类器和可解释浅层模型组成的双模型框架，用于血细胞分类，并通过SHAP和Score-CAM增强透明度，在专有和公共数据集上取得高AUC和临床专家高一致性 | 将深度YOLO模型与可解释的浅层模型配对，通过SHAP量化特征重要性并标记不一致，结合Score-CAM激活图进行验证，提高临床透明度和信任度 | 未说明 | 提高血细胞分类的临床可解释性，增强预测信心并提供临床相关洞察 | 血细胞图像，包括专有数据集和公共数据集（PBC, Raabin） | 计算机视觉 | 未说明 | 图像分类与分割 | CNN（YOLO） | 图像 | 专有数据集、PBC和Raabin公共数据集；用户研究涉及9名血液学家和实验室医学技师 | 未说明 | YOLO | AUC, 一致性率 | 未说明 |
| 3217 | 2026-08-03 |
A structured literature review of computer vision methods for insect identification
2026-Jul-01, Journal of insect science (Online)
DOI:10.1093/jisesa/ieag050
PMID:42533852
|
综述论文 | 本文通过PRISMA指南指导的文献综述，系统分析了计算机视觉方法在昆虫识别中的应用。 | 该研究提供了一种基于加权质量评估标准的系统综述方法，并强调了深度学习在昆虫识别中的主导地位及领域泛化挑战。 | 综述发现公共数据集稀缺且地理分布不均，限制结果的复现性和公平比较，且实验室性能优于实地部署。 | 评估计算机视觉方法在昆虫分类和识别中的现状、趋势和挑战。 | 成年昆虫，特别是鳞翅目、双翅目、半翅目和鞘翅目。 | 计算机视觉 | 不适用 | PRISMA系统性文献综述 | 深度学习模型（如CNN、YOLO变体、ResNet、EfficientNet、MobileNet、Transformer） | 文献数据 | 230篇文章经全文评估，111篇高质量研究被纳入。 | 不适用（综述论文） | YOLO、ResNet、EfficientNet、MobileNet、CNN与经典分类器的混合模型 | 准确率、性能评估（具体指标未详述） | 不适用（综述论文） |
| 3218 | 2026-08-03 |
Artificial intelligence for design strategies of tissue engineering materials
2026-Jul, Fundamental research
IF:5.7Q1
DOI:10.1016/j.fmre.2025.09.010
PMID:42539665
|
综述 | 本文系统回顾了基于机器学习和深度学习算法在组织工程材料设计与性能预测中的应用，包括优化机械性能、评估生物相容性和促进组织再生等方面 | 系统梳理了机器学习与深度学习在组织工程材料设计中的技术优势、挑战及未来方向，特别强调了深度学习在处理复杂生物数据如材料-细胞-蛋白质相互作用方面的优越性 | 未明确提及具体局限性 | 探讨人工智能驱动的组织工程材料设计策略，为再生医学提供见解 | 组织工程材料及其与细胞、蛋白质的相互作用 | 机器学习 | NA | NA | 机器学习算法和深度学习算法 | 生物材料数据 | NA | NA | NA | NA | NA |
| 3219 | 2026-08-03 |
Geometric deep learning-enabled metal-binding site identification and grafting
2026-Jul, Fundamental research
IF:5.7Q1
DOI:10.1016/j.fmre.2024.11.012
PMID:42539690
|
研究论文 | 提出了MeSiteIG，一个基于几何深度学习的双功能工具，用于金属结合位点的识别和移植 | 采用E3等变图神经网络预测金属结合位点残基，无需配位残基类型和侧链信息，实现了快速且高性能的金属结合位点识别与移植 | 信息未在标题和摘要中明确说明 | 开发一个能够识别和移植金属结合位点的工具，以帮助发现新蛋白功能和设计新金属蛋白 | 蛋白质金属结合位点，包括抗体表面和蛋白口袋 | 几何深度学习 | 不适用 | 几何深度学习 | E3等变图神经网络 | 蛋白质结构数据 | 独立测试集中约300个样本每秒处理速度，具体数量未说明 | 未明确提及 | E3等变图神经网络 | 性能优越，具体指标未说明 | 未明确提及 |
| 3220 | 2026-08-03 |
Photonic biosensors based on nanoparticle superstructures: from data analysis to artificial intelligence (AI) detection
2026-Jul, Fundamental research
IF:5.7Q1
DOI:10.1016/j.fmre.2025.09.014
PMID:42539804
|
综述 | 本文综述了基于纳米粒子超结构的光子生物传感器，从数据分析到人工智能检测的应用，重点讨论了其在智能诊断中的潜力与挑战 | 系统性地探讨了人工智能特别是深度学习算法与超结构光子生物传感器的集成，以解决目标结合特异性、长期稳定性和信号解码效率等瓶颈问题 | 该领域仍需克服目标结合特异性、长期稳定性及信号解码效率等限制，且AI集成面临技术挑战 | 总结超结构光子生物传感器在疾病诊断、药物递送和细胞成像中的应用，并探讨AI集成的未来发展方向 | 纳米粒子超结构光子生物传感器及人工智能检测方法 | 光子学、生物传感、人工智能 | NA | 自组装、光子传感 | 深度学习模型 | 光谱、图像 | NA | NA | NA | 灵敏度、实时性、信号解码效率 | NA |