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
1	2025-11-14	Deep learning-based cross-device standardization of surface-enhanced Raman spectroscopy for enhanced bacterial recognition 2026-Feb-15, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2025.126931 PMID:40991976	研究论文	提出深度学习框架解决便携式与实验室级拉曼光谱设备间的标准化问题，提升细菌识别性能	开发SERS-D2DNet序列到序列网络实现跨设备光谱标准化，结合轻量级SuperRaman网络实现高效细菌分类	仅使用20种分析物类别，设备类型有限（4种便携设备+1种实验室设备）	解决便携式与实验室级拉曼光谱设备间的标准化问题，提升病原体识别可靠性	临床相关细菌特征和参考化合物的SERS光谱数据	机器学习	细菌感染	表面增强拉曼光谱(SERS)	序列到序列神经网络,超操作神经网络(Super-ONN)	光谱数据	20种分析物类别的SERS光谱数据	NA	SERS-D2DNet, SuperRaman	平均绝对误差(MAE), 相关系数(R), 分类准确率	NA
2	2025-11-14	Integrating spectroscopy with machine learning and deep learning for monitoring mung plant responses to silicon dioxide nanoparticles 2026-Feb-15, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2025.126963 PMID:40991978	研究论文	本研究结合共聚焦显微拉曼光谱、紫外-可见光谱与机器学习和深度学习算法，评估绿豆植物对二氧化硅纳米颗粒的生化响应	首次将光谱技术与多种计算算法集成，建立非侵入式监测植物-纳米材料相互作用的框架	仅针对绿豆植物和二氧化硅纳米颗粒进行研究，未验证其他植物或纳米材料	开发监测植物对纳米颗粒生化响应的新方法	暴露于不同浓度二氧化硅纳米颗粒的绿豆植物	机器学习	NA	共聚焦显微拉曼光谱, 紫外-可见光谱	LDA, AGNES, DBSCAN, k-means, 随机森林, 支持向量机, 深度学习	光谱数据	不同浓度二氧化硅纳米颗粒处理的绿豆植物样本	NA	NA	准确率, RI	NA
3	2025-11-14	Analysis of moldy peanuts by Raman hyperspectral imaging 2026-Feb-15, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2025.126971 PMID:41038081	研究论文	利用拉曼高光谱成像技术分析混合品种霉变花生	结合一维光谱数据和二维空间信息，采用s-GoogLeNet深度学习模型实现混合品种霉变花生的高精度检测	仅针对五种特定花生品种进行研究，未涉及其他品种或更广泛的应用场景	开发霉变花生的快速检测方法以提高粮食安全	混合品种霉变花生（包括白沙、伯克、红沙、花红和花衣红火五个品种）	计算机视觉	NA	拉曼高光谱成像	深度学习,传统机器学习	高光谱图像	五种花生品种的混合样本	NA	s-GoogLeNet	准确率,F1分数	NA
4	2025-11-14	Deep neural network-based detection of lead contamination via Förster resonance energy transfer in live cells 2026-Feb-15, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2025.127015 PMID:41075414	研究论文	本研究开发了一种基于FRET生物传感器和深度学习模型的便携式铅污染检测方法	首次将FRET生物传感器与EfficientNet深度学习模型结合，实现现场可部署的铅污染水平分类	30分钟和60分钟反应时间的AUC分别为69.8%和72.0%，识别准确率有待进一步提升	开发一种能够现场检测铅污染水平的便携式检测平台	HEK293T活细胞中的铅离子浓度	计算机视觉	重金属中毒	FRET（Förster共振能量转移）、荧光显微镜、活细胞成像	CNN	图像	1131对图像（30分钟和60分钟反应时间）	NA	EfficientNet	AUC, Youden's J统计量, 损失函数	NA
5	2025-11-14	Deep learning with multimodal Raman spectral fusion framework: An analytical approach for microalgal lipid quantification 2026-Feb-15, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2025.127009 PMID:41076933	研究论文	本研究提出了一种融合多模态拉曼光谱与深度学习的微藻脂质定量分析方法	创新性地将深度学习与多模态拉曼成像相结合，构建了基于双分支注意力机制的卷积神经网络，实现了微藻单细胞脂质积累的精确动态调控	NA	开发精确、绿色、动态的微藻脂质定量检测方法，阐明超声波诱导脂质合成机制	微藻细胞	机器学习	NA	多频超声波、拉曼光谱、RGB成像	CNN	拉曼光谱数据、RGB图像	NA	NA	双分支注意力卷积神经网络(DBACNN)	决定系数(R)、均方根误差(RMSE)	NA
6	2025-11-14	A Shape and Size-Scaled Deep Learning Brain Injury Model for Near Real-Time Dynamic Impact Simulation 2026-Feb-01, Journal of biomechanical engineering DOI:10.1115/1.4070192 PMID:41134603	研究论文	本研究开发了一种形状和尺寸可缩放的深度学习脑损伤模型，用于近实时动态冲击模拟	将通用的50百分位成年男性脑模型扩展到适用于男性、女性和青少年的个性化替代模型，并引入三个缩放因子作为额外输入	模型基于模拟数据训练，需要进一步验证真实世界应用的准确性	开发快速估计脑变形的高效深度学习脑损伤模型	创伤性脑损伤(TBI)中的脑变形和轴索损伤	数字病理	创伤性脑损伤	深度学习，有限元模拟	CNN	体素化脑-颅骨相对位移数据	1363个基于随机缩放Worcester头部损伤模型V1.0的模拟头部冲击样本	NA	多任务卷积神经网络	R2, RMSE, 线性回归斜率, Pearson相关系数, 成功率	笔记本电脑(<1秒) vs 高端集群(>30分钟)
7	2025-11-08	CNN-Autoformer: Automated EEG-Based Seizure Detection and Localization Using Hybrid Deep Learning 2026-Feb, Biomedical signal processing and control IF:4.9Q1 DOI:10.1016/j.bspc.2025.108896 PMID:41189712	研究论文	提出一种结合CNN和Autoformer的混合深度学习框架，用于自动检测和定位癫痫发作	首次将CNN的空间特征提取能力与Autoformer的时间建模能力相结合，通过自相关机制提取周期性依赖并将信号分解为趋势和季节成分	未提及模型在更广泛数据集上的泛化能力及计算效率分析	开发自动癫痫检测和定位方法以辅助临床诊断	多通道脑电图信号	数字病理	癫痫	脑电图	CNN, Autoformer	时序信号	CHB-MIT公共数据集和SH-SDU专有数据集	NA	CNN-Autoformer混合架构	准确率, 灵敏度, 特异性, 精确率, F1分数, 假阳性检测率	NA