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
7321	2026-05-23	Development and validation of deep learning for predicting the growth of ovarian cancer organoids 2026-Jan-05, Chinese medical journal IF:7.5Q1 DOI:10.1097/CM9.0000000000003575 PMID:40709801	研究论文	开发并验证基于深度学习的模型，用于预测卵巢癌类器官的生长	提出了一种可解释的深度学习模型，能够提前预测卵巢癌类器官的培养结果，并采用了同质迁移学习优化方法提升预测性能	研究可能受限于样本量及特定癌症类型，模型在临床实用性和过程自动化方面仍有待进一步发展	开发可解释的深度学习模型，提前预测卵巢癌类器官的培养结果	卵巢癌类器官及其纵向显微镜图像	数字病理学	卵巢癌	显微镜成像	卷积神经网络和Transformer	图像	517个卵巢癌类器官液滴（训练集325、验证集88、测试集104），外加179个多中心样本用于前瞻性验证	PyTorch	ResNet18, VGG11, ConvNeXt v2, Swin Transformer v2	AUC, Brier评分	NA
7322	2026-05-20	Multi-scale drift characteristics of Ulva prolifera in the Yellow Sea derived from deep learning-based MODIS and Sentinel-1 observations 2026-Jul, Marine pollution bulletin IF:5.3Q1 DOI:10.1016/j.marpolbul.2026.119516 PMID:41855964	研究论文	利用深度学习模型融合MODIS和Sentinel-1数据，分析黄海浒苔多尺度漂移特征	提出融合注意力机制与Vision Transformer的AttFusionViT-UNet模型，首次实现多源遥感数据（MODIS和Sentinel-1）的融合，生成周、月、年多尺度浒苔时空分布，提升短期漂移过程的捕捉能力	未明确讨论模型对极端天气或高云覆盖场景的鲁棒性，且融合方法可能引入数据配准误差	量化黄海浒苔空间覆盖及不同时间尺度的漂移特征，改善预测能力	黄海浒苔的短期涌现、扩展和漂移过程	计算机视觉，遥感	不适用	MODIS遥感， Sentinel-1合成孔径雷达	深度神经网络， Vision Transformer	卫星图像	MODIS数据（2008-2024年）和Sentinel-1数据（2015-2024年）	NA	AttFusionViT-UNet	平均交并比（mean IoU）	NA
7323	2026-05-20	De Novo Multi-Mechanism Antimicrobial Peptide Design via Multimodal Deep Learning 2026-May, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202515835 PMID:41801219	研究论文	提出了一种基于多模态深度学习的多机制抗菌肽从头设计管道M3-CAD，并构建了QLAPD数据库	首次整合3D结构特征、物种特异性抗菌活性和机制进行抗菌肽的从头设计，提出创新性的3D体素着色方法捕捉氨基酸的细微理化上下文	体内实验验证了抗菌效果且毒副作用有限	利用人工智能驱动抗菌肽发现，实现多机制抗菌肽的从头设计以对抗多重耐药菌	多机制抗菌肽	机器学习	多重耐药菌感染	NA	多模态深度学习模型	序列、结构、抗菌活性数据	12,914个抗菌肽样本	NA	生成模块、回归模块、分类模块	抗菌活性、毒性	NA
7324	2026-05-20	Deep learning-based precision phenotyping of spine curvature identifies novel genetic risk loci for scoliosis in the UK Biobank 2026-Mar-26, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-026-02540-6 PMID:41882318	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
7325	2026-05-20	2D Multimodal Image Collection for Fluorescence Prediction from Transmitted Light Microscopy 2026-Mar-24, Scientific data IF:5.8Q1 DOI:10.1038/s41597-026-07004-w PMID:41876523	研究论文	介绍一个大规模开放存取数据集Light My Cells Database，包含2,574个采集集和56,984张显微镜2D图像，用于从透射光图像预测荧光	提供了一个多模态、多中心、标准化的大规模显微镜图像数据集，支持机器学习模型从无标记透射光图像预测荧光信号，并遵循REMBI元数据标准	未明确说明研究局限性，但可能面临数据覆盖范围有限、实际应用中的泛化挑战	开发用于从透射光显微镜图像预测荧光的机器学习模型	生物样品，包括细胞核、线粒体、微管蛋白和肌动蛋白等亚细胞结构	计算机视觉, 数字病理学	NA	明场显微镜, 相差显微镜, 微分干涉差显微镜, 荧光显微镜	NA	图像	2,574个采集集，56,984张图像，来自30项独立实验和8个国家成像中心	NA	NA	NA	NA
7326	2026-05-20	A Sensor based turning dataset for data-driven surface roughness estimation 2026-Mar-24, Scientific data IF:5.8Q1 DOI:10.1038/s41597-026-07061-1 PMID:41876568	研究论文	介绍了一种用于车削过程表面粗糙度估计的传感器数据集，特别是在Inconel-625难加工材料上的应用	提供了针对难加工合金Inconel-625的公开车削传感数据集，包括振动、力和力矩数据，以及表面粗糙度测量结果，便于开发在线估计模型	未提及具体的数据集限制或模型验证结果	为基于机器学习和深度学习的数据驱动表面粗糙度估计提供公开数据集，减少材料浪费并提高加工效率	Inconel-625合金在车削过程中的表面粗糙度与传感器数据的关系	机器学习	不适用	三轴加速度计、测力计、表面粗糙度测试仪	尚未指定具体模型类型	振动信号、力与力矩数据、表面粗糙度测量值	共382,189,197个样本，来自27组数据采集	不适用	不适用	不适用	Kirloskar Turnmaster 40车床用于加工，Mitutoyo表面粗糙度测试仪用于测量
7327	2026-05-20	Detection of Structural Glaucoma Progression with Deep Learning on Serial Optic Disc Photographs 2026-Mar-17, Ophthalmology. Glaucoma DOI:10.1016/j.ogla.2026.03.005 PMID:41856358	研究论文	使用深度学习模型检测基于眼底照片序列的青光眼结构性进展	首次采用孪生卷积神经网络对序列眼底照片进行青光眼进展检测，实现了临床相关精度的自动化分类	未在论文标题和摘要中明确说明局限性	设计有监督深度学习模型以检测青光眼结构性进展	青光眼患者的序列眼底照片	计算机视觉	青光眼	NA	孪生卷积神经网络	图像	1510只眼（916名患者），每只眼至少2年随访并有2对眼底照片	NA	孪生卷积神经网络	AUC, 准确率, 灵敏度, 特异度	NA
7328	2025-12-11	The road to bedside: addressing key hurdles for deep learning prognostic models in light-chain cardiac amyloidosis 2026-Feb-27, European heart journal. Cardiovascular Imaging DOI:10.1093/ehjci/jeaf344 PMID:41364678	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
7329	2026-05-20	Rapid prediction of cardiac activation in the left ventricle with geometric deep learning: a step towards cardiac resynchronization therapy planning 2026-Feb-07, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-026-02399-7 PMID:41654658	研究论文	利用几何深度学习快速预测左心室激活时间图，为心脏再同步治疗规划提供支持	首次构建基于图神经网络和几何信息神经算子的几何深度学习模型，实现左心室激活时间图的实时预测，并开发了用于优化起搏点选择的工作流	模型在真实左心室几何结构上的性能略低于合成数据，且尚未在临床环境中进行验证	开发一种用于个性化心脏再同步治疗规划的计算方法，通过快速预测激活时间图并优化起搏点位置	左心室几何形状上的激活时间图预测	机器学习	心脏疾病（心脏衰竭）	有限元模拟	图神经网络（GNN）和几何信息神经算子（GINO）	合成和真实左心室几何形状的激活时间图数据	基于广泛合成左心室形状、起搏点配置和组织电导率生成的有限元模拟大样本数据集	PyTorch	图神经网络（GNN），几何信息神经算子（GINO）	误差率（百分比）	NA
7330	2026-05-20	AI Prognostication in Nonsmall Cell Lung Cancer: A Systematic Review 2026-02-01, American journal of clinical oncology DOI:10.1097/COC.0000000000001238 PMID:40679809	综述	对人工智能算法在非小细胞肺癌预后预测中的应用进行系统文献综述	比较了不同人工智能类型（机器学习和深度学习）的预后性能，并评估了与TNM分期等传统预后系统的对比	建议在临床应用前需通过精心设计的临床试验进行充分验证	评估人工智能算法在非小细胞肺癌预后预测中的应用效果	非小细胞肺癌患者的预后预测	机器学习	肺癌	NA	机器学习, 深度学习	组织学数据, 遗传数据, CT, PET, MRI图像	初始3880篇文献，经筛选后纳入309篇	NA	NA	预后性能（具体指标未明确）	NA
7331	2026-05-20	Accelerated water residual removal in MRS: Exploring deep learning versus fitting-based approaches 2026-01, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.70031 PMID:40891397	研究论文	提出并验证两种快速去除MRS中水残留信号的新方法：DeepWatR和WaterFit	分别采用U-Net类似架构结合注意力机制和Torch自动微分技术，实现了快速准确的水残留去除，较传统HLSVDPro方法大幅提升速度	模拟数据集与实际临床数据的差异可能影响方法泛化性；DeepWatR在去除水后代谢物拟合精度低于WaterFit	开发临床适用的快速水残留去除方法，提升磁共振波谱（MRS）的临床实用性	模拟和体内1H脑部MRS数据集中的水残留信号	机器学习	NA	MRS	U-Net	磁共振波谱数据	模拟和体内1H脑部数据集，包含10,000个体素和100个体素两个测试集	PyTorch	U-Net	平均百分比量化误差、速度提升倍数	低端图形处理单元（GPU）
7332	2026-05-19	Technical system of electroencephalography-based brain-computer interface: Advances, applications, and challenges 2026-Sep-01, Neural regeneration research IF:5.9Q1 DOI:10.4103/NRR.NRR-D-25-00217 PMID:40903968	综述	系统分析基于脑电图的脑机接口技术在信号采集、范式设计、解码算法及应用方面的进展与挑战	全面梳理了脑电-脑机接口系统的四大支柱（信号采集、范式设计、解码算法、应用），并特别强调了非侵入式电极舒适性提升、微创技术实现近侵入式信号保真度、多模态融合（如结合眼动追踪）以及Riemann几何与深度学习的解码算法创新	信号质量长期稳定性不足、运动干扰、伦理数据问题、跨设备兼容性差以及跨个体校准需求高	弥合脑电-脑机接口技术与实际应用之间的差距，指导未来研究方向	基于脑电图的脑机接口系统、信号采集技术（湿/干/半干电极、微针阵列、血管内探针）、范式设计（运动想象、稳态视觉诱发电位、P300拼写器）、解码算法（Riemann几何、深度学习、迁移学习）	机器学习	卒中	脑电图	深度学习	脑电图信号	NA	NA	NA	NA	NA
7333	2026-05-19	Artificial intelligence and peripheral neuropathies: Strategies for the development, application, and repair of regenerative biomaterials 2026-Sep-01, Neural regeneration research IF:5.9Q1 DOI:10.4103/NRR.NRR-D-25-00561 PMID:41017675	review	探讨人工智能在周围神经再生生物材料开发中的应用，涵盖材料设计、性能预测和虚拟实验	系统探讨人工智能通过机器学习和深度学习优化神经再生生物材料的策略	数据整合、算法复杂性及临床转化的挑战	探索人工智能在神经再生生物材料研发中的应用潜力	周围神经再生生物材料	machine learning	周围神经病	NA	machine learning, deep learning	NA	NA	NA	NA	NA	NA
7334	2026-05-19	Deep learning-based cognitive impairment brain imaging analysis: New methods, new technologies, and new paradigms 2026-Sep-01, Neural regeneration research IF:5.9Q1 DOI:10.4103/NRR.NRR-D-25-00332 PMID:42148603	综述	探讨深度学习在由缺血性中风、阿尔茨海默病和帕金森病引起的认知障碍脑磁共振成像分析中的应用，聚焦于病变分割、目标检测和图像分类三大核心任务	系统总结了U-Net、混合CNN-Transformer和3D-CNN等模型在三种疾病中的最新应用进展，并提出了联邦学习、域适应、自动标注和可解释人工智能等新范式以克服临床整合障碍	高质量标注数据集稀缺、站点间差异性大、标注成本高以及模型可解释性有限，阻碍了临床整合	探索深度学习在认知障碍脑磁共振成像分析中的应用，提升病变分割、异常区域定位和疾病分类的准确性、鲁棒性和泛化能力	缺血性中风、阿尔茨海默病和帕金森病引起的认知障碍患者的脑磁共振成像数据	计算机视觉	心血管疾病、阿尔茨海默病、帕金森病	磁共振成像	卷积神经网络、变换器	图像	NA	NA	U-Net、混合卷积神经网络-变换器、三维卷积神经网络、ResNet、Vision Transformer	Dice系数、准确率	NA
7335	2026-05-19	An integrated wearable microfluidic electrochemical/colorimetric intelligent sensing platform for comprehensive sweat analysis 2026-Aug-15, Biosensors & bioelectronics IF:10.7Q1 DOI:10.1016/j.bios.2026.118746 PMID:42061345	研究论文	提出了一种集成微流控电化学/比色传感的智能可穿戴平台，用于全面汗液分析	首次将高性能CuS/PDA@MXene纳米复合材料电化学传感层与水凝胶微流控/比色传感层结合，实现汗液成分与皮肤微环境的多模态监测，并采用CNN-LSTM深度学习架构处理比色信号	未提及	开发智能可穿戴平台用于动态监测汗液成分和皮肤微环境，推动个性化健康监测和数字医疗	汗液中的葡萄糖、乳酸、钾离子、钠离子，以及汗液皮肤微环境的pH值、温度和紫外线强度	机器学习, 数字化病理学	未指定	电化学传感, 微流控比色传感	CNN-LSTM	图像信号（比色信号）	未提及	NA	CNN-LSTM	未提及	NA
7336	2026-05-19	Self-supervised Deep Learning for Denoising in Ultrasound Microvascular Imaging 2026-Aug-15, Biomedical signal processing and control IF:4.9Q1 DOI:10.1016/j.bspc.2026.110368 PMID:42147495	研究论文	提出一种自监督深度学习框架HA2HA，用于超声微血管成像中的去噪，提升图像质量	创新性地使用互补角度子集的超声射频血流数据构建自监督训练对，无需标记数据即可实现去噪，并适用于无对比剂和增强对比剂的场景	未提及	解决超声微血管成像中低信噪比问题，提高血管可视化和下游分析质量	猪肾脏、人类肾脏和人类肝脏的超声微血管成像数据	计算机视觉, 数字病理学	未提及	超声成像	深度学习	图像（超声射频血流数据）	训练数据：无对比剂猪肾脏数据；测试数据：未见过个体的无对比剂和增强对比剂猪肾脏、人类肾脏和人类肝脏数据	NA	NA	对比噪声比	NA
7337	2026-05-19	Construction of a multi-dimensional predictive model for college students' academic performance based on deep learning 2026-May-18, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-51012-0 PMID:42144405	研究论文	构建基于深度学习的大学生学业成绩多维预测模型，融合时间序列、行为与人口学特征	提出一种新型GatedLSTMU-Dove模型，通过优化算法提升收敛速度与预测精度，并实现可解释的时间模式可视化	未说明模型在更大规模或多样化数据集上的泛化能力，以及实际教学干预中的效果验证	开发一个鲁棒的预测模型，利用多维数据（时间、行为和人口学特征）预测大学生学业表现	2000名大学生的学业数据，包括成绩、出勤率、学习管理系统交互、心理测量和人口统计记录	机器学习	NA	NA	门控长短期记忆单元（Gated LSTM）	表格数据（数值型与分类型特征）	2000名学生样本	Python 3.10（未明确指定具体框架）	GatedLSTMU-Dove	分类准确率（98.85%）、低误差指标、可解释的时间模式可视化	NA
7338	2026-05-19	Automated periapical lesion segmentation and area-based PAI indexing: a comparative deep learning study on periapical radiographs 2026-May-18, BMC oral health IF:2.6Q1 DOI:10.1186/s12903-026-08645-4 PMID:42144602	研究论文	本研究系统比较了四种深度学习架构在根尖周X线片上自动分割根尖周病变并基于面积计算根尖周指数（PAI）的性能	首次在统一协议下将像素级分割映射到临床可解释的根尖周指数（PAI）类别，并提出基于面积的PAI评分（aPAI）	未纳入定性影像特征（如边界定义、小梁变化），且仅使用单一数据集，缺乏外部验证	评估不同深度学习架构在根尖周病变分割及基于面积的PAI指数计算中的性能，并比较其优劣	900张匿名根尖周X线片及其专家标注的病变掩膜	计算机视觉	根尖周病变	X线成像	CNN	图像	900张根尖周X线片（训练集594张，验证集145张，测试集161张）	NA	U-Net, ResUNet34, DeepLabV3, HRNet	准确率, 敏感度, 特异度, 精确率, F1分数, AUC	NA
7339	2026-05-19	Graph attention network-based prediction of oral multi-drug resistance efflux protein sequence 2026-May-18, Minerva dental and oral science IF:1.1Q3 DOI:10.23736/S2724-6329.25.04946-0 PMID:42149558	研究论文	利用图注意力网络预测口腔多药耐药外排蛋白序列	首次将图注意力网络与超注意力机制应用于口腔耐药组蛋白序列预测	模型敏感度较低（0.51），可能遗漏部分阳性病例；样本量小，仅涵盖少数细菌蛋白序列	预测口腔多药耐药外排蛋白序列，为药物发现和耐药管理提供支持	口腔多药耐药外排蛋白序列（来自MprA、MarA、CpxA和MdtC蛋白的FASTA序列）	机器学习	NA	NA	图注意力网络 (GAT)	序列数据	7条蛋白质FASTA序列	Deepbio	图注意力网络, 超注意力机制	敏感度, 特异性, 真阴性率 (TNR)	NA
7340	2026-05-19	Customer churn prediction in privacy-preserving HashCode-based security abstractions 2026-May-17, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-53357-y PMID:42144427	研究论文	提出一种基于哈希码的安全抽象方法，在保护隐私的前提下实现客户流失预测	将隐私设计理念融入客户流失统计，使用哈希码安全抽象在保持分析完整性的同时保护身份信息，无需依赖丰富标识符或大量基础设施假设	仅使用行为、交易和时间等结构化数据，未涉及非结构化数据或外部数据源	在严格隐私标准下评估和平衡多种机器学习与深度学习模型在客户流失预测中的性能	客户行为、交易及时间相关特征	机器学习	NA	匿名化哈希编码	逻辑回归、随机森林、XGBoost、多层感知机	结构化数据（行为、交易、时间）	未指定样本数量	Keras, Scikit-learn	Logistic Regression, Random Forest, XGBoost, Multilayer Perceptron	准确率、精确率、召回率、F1分数、AUC	未指定