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
121	2026-06-09	AI-enhanced Centiloid quantification of amyloid PET images 2026-Feb, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz.71162 PMID:41670187	研究论文	提出DeepSUVR深度学习方法，通过惩罚不合理的纵向轨迹来校正淀粉样蛋白PET图像的Centiloid量化，提高跨示踪剂和跨研究的一致性	创新性地利用惩罚生物学上不合理纵向轨迹的训练策略，使模型无需纵向数据即可学习标准化摄取值比校正因子，显著提升Centiloid量化的跨示踪剂一致性和纵向稳定性	未提及具体局限性	提高淀粉样蛋白PET图像Centiloid量化的准确性和一致性，增强认知评估、视觉读片和神经病理学的关联性	淀粉样蛋白PET扫描图像及其Centiloid量化值	计算机视觉	阿尔茨海默病	淀粉样蛋白PET成像	深度学习模型	图像	训练集：2,129名参与者（7,149次Aβ PET扫描）；验证集：10,543名参与者（15,807次Aβ PET扫描）	NA	DeepSUVR	相关性、变异性、认知关联度、视觉读片一致性、神经病理学关联性、纵向一致性、效应量	NA
122	2026-06-09	How does a deep neural network look at lexical stress in English words? 2026-Feb-01, The Journal of the Acoustical Society of America IF:2.1Q1 DOI:10.1121/10.0042429 PMID:41670352	研究论文	本研究探讨深度神经网络如何从英语双音节词的频谱表示中预测词汇重音位置，并利用层级相关传播技术解释模型决策	首次将层级相关传播用于分析神经网络对英语词汇重音的感知机制，并提出了特征特定相关性分析方法，揭示了模型依赖于自然语音中分布式的重音线索	研究仅关注双音节词，未涉及多音节词或更复杂的重音模式；数据集缺乏最小重音对可能导致模型偏向特定特征	解释深度神经网络在预测英语词汇重音时的决策依据，探索其能否捕捉自然语音中的分布式重音线索	英语双音节词的重音位置预测，包括无最小重音对词和最小重音对词	自然语言处理	NA	频谱分析	卷积神经网络（CNN）	语音频谱图	从朗读和自发言语中自动构建的英语双音节词数据集，具体数量未明确说明	NA	多种卷积神经网络架构	准确率	NA
123	2026-06-09	The Transformative Impact of Deep Learning and Artificial Intelligence on Parasitic Disease Diagnosis 2026-Feb-01, Clinical laboratory IF:0.7Q4 DOI:10.7754/Clin.Lab.2025.250543 PMID:41670505	评论	本文综述了深度学习与人工智能在寄生虫病诊断中的应用，重点讨论了卷积神经网络和机器学习在检测疟疾、利什曼病和血吸虫病中的潜力与挑战	系统分析了AI与便携式诊断设备结合在资源受限地区的应用前景，指出了数据异质性和算法偏差对诊断公平性的影响	缺乏具体的实验验证和量化性能对比，讨论基于现有文献而非新数据	评估深度学习与人工智能在寄生虫病诊断中的变革性影响及实施挑战	疟疾、利什曼病和血吸虫病的诊断方法	机器学习	寄生虫病	NA	卷积神经网络、机器学习	临床样本、影像数据、流行病学数据	NA	NA	卷积神经网络	敏感性、特异性	NA
124	2026-06-08	Multi-scale structural similarity embedding search across entire proteomes 2026-Feb-28, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btag058 PMID:41632625	研究论文	提出一种基于蛋白质语言模型和深度神经网络的跨蛋白质组多尺度结构相似性嵌入搜索方法	通过将三维结构转化为定长向量，结合向量数据库实现大规模蛋白质结构相似性的高效检索，且能泛化至全长多肽链和多聚体组装体	NA	开发可扩展的高效结构相似性搜索策略，应对日益增长的生物大分子三维结构数据	实验测定结构和AI/DL预测的结构模型（包括全长多肽链和多聚体组装体）	机器学习	NA	蛋白质语言模型、深度神经网络	深度神经网络	蛋白质三维结构数据	NA	PyTorch	NA	TM-score	NA
125	2026-06-08	Rapid and interpretable protein contact map prediction using a pattern-matching strategy 2026-Feb-20, Physical biology IF:2.0Q3 DOI:10.1088/1478-3975/ae443c PMID:41666568	研究论文	提出一种基于模板的模式匹配方法，通过识别同源实验结构中的保守结构基序来预测蛋白质接触图，无需深度学习或大量同源序列	首次将模式匹配策略应用于蛋白质接触图预测，仅需少量结构模板（50-500个）即可在标准硬件上快速完成预测，兼顾效率与可解释性	依赖已有实验结构作为模板，对全新折叠类型或无同源结构的蛋白质预测能力有限	开发一种计算高效且可解释的蛋白质接触图预测方法，以替代深度学习和共进化方法	蛋白质接触图预测方法	机器学习	未明确提及	结构模式匹配	模式匹配模型	蛋白质序列与结构数据	25个蛋白质结构域（验证集）和7599条低注释序列（测试集）	NA	模式匹配框架	相关系数、准确率、接触覆盖率、平均F1分数	标准硬件（无需GPU或高性能计算集群）
126	2026-06-08	Temporal fusion transformer-based forecasting of COVID-19 infection trends using environmental indicators 2026-Feb-15, Journal of hazardous materials IF:12.2Q1 DOI:10.1016/j.jhazmat.2026.141381 PMID:41653747	研究论文	基于时间融合转换器利用环境指标预测COVID-19感染趋势	结合废水质量、空气质量和天气条件等多维环境变量进行预测，并采用间接估计方法（基于病例数比例变化）提升预测准确性	测试数据集中病例数被低估，直接预测不可靠；研究局限于单一地区（区级）和单一疾病（COVID-19）	开发并评估基于时间融合转换器的多元时间序列预测模型，以环境指标预测COVID-19病例动态	2020年2月至2022年5月期间的区级COVID-19确诊病例数据及环境变量（废水质量、空气质量、天气条件）	机器学习	传染病	时间序列预测	时间融合转换器	时间序列数据	区级数据，时间跨度约2年4个月	NA	时间融合转换器	R值	NA
127	2026-06-08	Truth-based physics informed estimation of material composition in spectral CT in terms of density and effective atomic number 2026-Feb-13, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ae4284 PMID:41643313	研究论文	开发并验证一种基于物理信息的深度学习模型，用于从光谱CT图像中分解出密度和有效原子序数图	将物理信息正则化损失融入生成对抗网络训练，以提升材料分解的精度，并使用验证过的模拟数据训练模型，弥补了深度学习缺乏物理原理和真实数据的局限性	临床数据样本量较小，限制了结果的泛化能力	实现光谱CT图像中密度和有效原子序数图的材料分解，并评估其临床实用性	光谱CT图像中的密度和有效原子序数图	计算机视觉	肝脏病变	光谱CT	生成对抗网络	图像	32个人类模型的模拟腹部PCCT扫描用于训练，16个计算体模和6个临床病例用于验证，30张图像切片用于读者研究	NA	生成对抗网络	NRMSE, SSIM, PSNR, RMSE, 显著度评分	NA
128	2026-06-08	A lightweight depthwise separable convolution and channel attention based GRU network for multichannel EEG seizure detection 2026-Feb-11, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ae4106 PMID:41632979	研究论文	提出一种轻量级端到端注意力深度学习网络，用于从原始多通道脑电图信号中自动检测癫痫发作	采用残差深度可分离卷积块与通道注意力机制结合门控循环单元，实现高效空间特征提取和时间依赖建模，同时保持低计算复杂度	NA	开发快速、准确且非侵入性的癫痫发作检测框架，改善癫痫诊断和管理	多通道脑电图信号中的癫痫发作检测	机器学习	癫痫	NA	卷积神经网络与门控循环单元混合模型	脑电图信号	CHB-MIT数据集，采用留一病人交叉验证方法	NA	残差深度可分离卷积块、通道注意力机制、门控循环单元	准确率、精确率、灵敏度、特异性、F1分数	NA
129	2026-06-08	Expert-level probabilistic breathing event detector informs phenotyping of sleep apnea 2026-Feb-09, Nature communications IF:14.7Q1 DOI:10.1038/s41467-026-69163-z PMID:41663368	研究论文	开发了一个专家级别的概率性呼吸事件检测器，用于睡眠呼吸暂停的表型分析	提出了端到端深度学习架构训练的自动呼吸事件检测器，能够输出概率性结果（“apnotyping”），从而揭示睡眠呼吸暂停的病因，并比传统指数更紧密地与关键睡眠呼吸暂停特征相关	未提及明确限制	开发自动分类阻塞性呼吸暂停、中枢性呼吸暂停、低通气和孤立呼吸事件的方法，以提升诊断准确性和支持个性化治疗	来自六个队列的5456次多导睡眠图用于训练，1099次用于测试	机器学习	睡眠呼吸暂停	NA	深度学习	多导睡眠图信号	训练集5456次多导睡眠图，测试集1099次多导睡眠图	NA	端到端深度学习架构	F1分数，相关系数	NA
130	2026-06-08	A fine-grained fundus image dataset for cataract severity assessment and diagnosis 2026-Feb-07, Scientific data IF:5.8Q1 DOI:10.1038/s41597-026-06684-8 PMID:41654552	研究论文	构建了白内障严重程度与诊断图像数据集（CSDI），并提出基于多模态大语言模型的精细诊断框架	首次将多模态大语言模型技术应用于白内障的精确量化诊断，实现从眼底图像进行细粒度严重程度评分并生成专业诊断文本	未明确提及具体局限性，但现有方法仅提供二元评估，而临床需要多级严重程度评估	解决缺乏高质量、公开可用的细粒度白内障分类数据集的问题，并实现精细诊断	187例眼底图像病例及其详细的临床诊断报告	计算机视觉, 自然语言处理	白内障	多模态大语言模型	多模态大语言模型	图像, 文本	187例眼底图像病例	NA	多模态大语言模型	严重程度评估和诊断报告生成的基准测试指标	NA
131	2026-06-08	Design and rationale of the artifiCiAl intelligence Model for Evaluating the surgical techniques of caRdiAc surgeons (CAMERA): a cohort study 2026-Feb-06, BMJ open IF:2.4Q1 DOI:10.1136/bmjopen-2025-106359 PMID:41651534	研究论文	开发并验证基于人工智能的框架，利用真实手术视频自动评估冠状动脉搭桥手术的技术技能	首次将AI驱动的技能评估应用于高风险心脏手术（CABG），采用混合AI管道结合视觉印象和工具轨迹准确性进行评分	单中心前瞻性观察研究，样本来源单一，可能限制泛化性	建立并验证基于真实手术视频的CABG手术技能自动评估AI框架	接受择期CABG的成年患者及其完整术中视频数据	计算机视觉	心血管疾病	手术视频分析	混合AI模型	手术视频	单中心，具体样本数量待定	NA	NA	组内相关系数、一致性分析、工具轨迹分析、相关性分析	NA
132	2026-06-08	EgyPLI: A Real-life Annotated Image Dataset for Egyptian Plant Leaf Identification 2026-Feb-06, Scientific data IF:5.8Q1 DOI:10.1038/s41597-025-06539-8 PMID:41651848	研究论文	介绍埃及植物叶片图像数据集EgyPLI，用于支持自动植物识别研究	首个在埃及本地收集的综合性植物叶片图像数据集，包含真实农业环境下的自然噪声和变化，弥补了当地代表性数据集的缺失	未明确说明限制	提供地理多样性的数据集，支持开发通用化自动植物识别模型	八种广泛种植的植物叶片：苹果、浆果、无花果、番石榴、橙子、李子、柿子、番茄，包括健康叶片和病害叶片	计算机视觉	植物病害	NA	CNN	图像	3588张叶片图像	PyTorch	ResNet50, VGG16, 自定义CNN	准确率	NA
133	2026-06-08	Explainable and physics-informed machine learning for seasonal water quality prediction in the monsoon-driven Padma River Basin, Bangladesh 2026-Feb-05, Environmental geochemistry and health IF:3.2Q2 DOI:10.1007/s10653-026-03031-z PMID:41642410	research paper	开发首个结合机器学习、深度学习和物理信息神经网络的集成可解释人工智能框架，预测孟加拉国帕德玛河流域的季节性水质动态	首次将可解释人工智能与物理信息神经网络相结合，实现季节性水质预测、解释和空间特征化，并在采样有限条件下通过PINN数据增强提高模型泛化能力	样本量仅44个地表水样，可能限制模型在不同流域的泛化能力；季节性因素主导而空间变异性较弱，需更多数据验证	开发可解释且具有物理信息的机器学习框架，预测季风驱动流域的季节性水质动态，提升预测可靠性和决策相关性	孟加拉国帕德玛河流域的冬季和季风季节地表水样	machine learning	NA	NGS	Deep Neural Networks, Ridge Regression, Voting Ensemble, Physics-Informed Neural Networks	数值型水质指标数据（pH、DO、NO等）	44个地表水样（冬季和季风季节）	NA	Deep Neural Networks, Ridge Regression, Voting Ensemble, Physics-Informed Neural Networks	相关系数R, 均方根误差RMSE	NA
134	2026-06-08	A deep learning approach to emotionally intelligent AI for improved learning outcomes 2026-Feb-05, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-37750-1 PMID:41644608	研究论文	提出一种多模态情感感知深度学习框架，整合情感智能到教育AI中，提升学习效果	首次通过图融合机制联合分析面部表情、语音和文本多模态数据，实现情感感知自适应反馈	伦理考量如数据隐私、知情同意和责任部署仍需进一步深入研究	开发具有情感智能的教育AI系统，提升学习者参与度、情绪调节和任务持续性	学习者情感状态、多模态数据（面部表情、语音、文本）	自然语言处理	不适用	不适用	深度学习	图像、语音、文本	使用AffectNet和IEMOCAP基准数据集	NA	图融合机制	情感识别性能、学习者参与度、情绪调节、任务持续性	NA
135	2026-06-08	Leveraging in-silico deep learning and computational analyses to predict the pathogenicity of ROBO4 variants of uncertain significance in aortic aneurysm and dissection patients 2026-Feb-04, BMC cardiovascular disorders IF:2.0Q3 DOI:10.1186/s12872-025-05357-5 PMID:41639767	研究论文	利用计算分析和AlphaFold2等工具预测ROBO4基因意义不明确变异在主动脉瘤和夹层患者中的致病性	将AlphaFold2等计算工具与临床数据结合，建立评估意义不明确变异致病性的新型工作流程，并揭示基因型-表型相关性	样本量小（仅5例患者），缺乏功能实验验证	预测ROBO4基因错义意义不明确变异在胸主动脉瘤和夹层中的致病潜力	5例携带杂合ROBO4意义不明确变异并患有胸主动脉瘤或夹层的患者	计算生物学	主动脉瘤和夹层	AlphaFold2, AlphaMissense, REVEL, PolyPhen-2, SIFT, FATHMM, MutationTaster2, GranthamMatrix, PhastCons	AlphaFold2, AlphaMissense	临床数据, 基因序列数据	5例患者	NA	AlphaFold2	NA	NA
136	2026-06-08	Deep Learning-based Assessment of Eyelid and Periorbital Parameters: Assisting Diagnosis and Treatment Planning in Blepharoptosis 2026-Feb-04, Journal of medical systems IF:3.5Q2 DOI:10.1007/s10916-026-02339-8 PMID:41634468	研究论文	开发并评估一种基于深度学习的系统，用于自动测量眼睑和眶周参数并分类提上睑肌功能，辅助诊断和治疗计划制定	首次将深度学习模型应用于眼睑和眶周参数的自动测量及提上睑肌功能分级，且系统性能与眼科医生评估水平相当	未在摘要中明确说明局限性，可能包括回顾性设计、单中心数据、样本量有限等	开发基于深度学习的眼睑和眶周参数自动测量及提上睑肌功能分级系统，支持个性化诊断和手术规划	眼睑下垂患者的眼睑和眶周参数，包括眼眶边缘距离1和眉毛高度	机器学习	眼睑下垂	NA	深度学习模型、多项逻辑回归模型	图像	1177名接受提睑术的患者	NA	深度学习分割模型（具体架构未在摘要中明确）	Dice系数、组内相关系数、准确率、AUC	NA
137	2026-06-08	An improved seam carving method for enhancing the visual field of tunnel vision patients 2026-Feb-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-35527-0 PMID:41634090	研究论文	提出一种改进的接缝裁剪方法，用于增强隧道视野患者的视野范围	通过多尺度图像融合（结合深度、显著性、前景分割和边缘检测特征）计算能量图，并采用前向-中间方法进行接缝移除	NA	改善隧道视野患者的视觉体验，将输入图像宽度缩小以适应患者视角，同时保留重要物体和细节	隧道视野患者的视觉场景图像	计算机视觉	眼科疾病	图像重定向	NA	图像	NA	NA	NA	SSIM, SIFT特征匹配, 深度学习感知质量指标, 综合评分	NA
138	2026-06-08	Self-supervised pretraining with NuSPIRe unlocks nuclear morphology-driven insights in spatial omics 2026-Feb-03, Genome biology IF:10.1Q1 DOI:10.1186/s13059-026-03987-2 PMID:41634826	研究论文	提出一种自监督深度学习模型NuSPIRe，通过分析DAPI染色的细胞核形态图像，挖掘空间组学数据中的核形态信息	首次将自监督预训练应用于细胞核形态分析，并在空间组学中整合核形态与基因表达数据，实现AI驱动的实验优化	未提及	利用细胞核形态信息提升空间组学数据分析的效率和准确性	DAPI染色的细胞核图像及空间组学数据	计算机视觉, 数字病理学	未提及	DAPI染色, 空间组学	自监督深度学习模型	图像	1552万个细胞核图像	PyTorch	NuSPIRe	未提及	未提及
139	2026-06-08	Integrating deep learning and radiomics for precise identification of luminal A/B breast cancer subtypes on dynamic contrast-enhanced MRI 2026-Feb-03, Cancer imaging : the official publication of the International Cancer Imaging Society IF:3.5Q1 DOI:10.1186/s40644-026-00996-z PMID:41634854	research paper	开发并验证一种结合影像组学和深度学习特征从动态对比增强磁共振成像（DCE-MRI）中精准区分Luminal A/B乳腺癌亚型的混合分类模型	首次将影像组学特征与3D ResNet-50深度学习特征通过堆叠集成方法融合，实现乳腺癌亚型的非侵入性分类，并应用SHAP和Grad-CAM增强模型可解释性	样本量相对有限（312例患者），且研究局限于Luminal A/B亚型，尚未进行前瞻性验证及与基因组学数据的整合	开发一种非侵入性影像学方法替代有创活检，实现乳腺癌Luminal A/B亚型的精准分类	来自中国、俄罗斯和保加利亚的312例确诊Luminal亚型乳腺癌患者（含独立外部验证队列148例）	computer vision, digital pathology	breast cancer	DCE-MRI	CNN, 3D ResNet-50, 堆叠集成模型	image	312例患者（训练及测试），148例独立外部验证	PyRadiomics, PyTorch	3D ResNet-50, 堆叠集成模型	AUC, sensitivity, specificity	NA
140	2026-06-08	The expectations of in silico fragment-based drug design and future challenges 2026-Feb, Expert opinion on drug discovery IF:6.0Q1 DOI:10.1080/17460441.2026.2623154 PMID:41630652	评论	本文概述了基于片段的药物设计（FBDD）中计算机方法的最新进展，特别是人工智能和机器学习在加速药物发现中的作用	强调了AI通过强化学习、生成化学和口袋感知设计等方法，自动优化化合物性质、提升化学多样性并拓展靶向难治蛋白的能力	尽管AI减少了开发时间并提高了准确性，但实验验证仍不可或缺，且大片段库训练模型的实际效果有待进一步验证	综述基于片段的计算机药物设计（FBDD）的最新发展，并讨论未来挑战	FBDD中的计算机方法，特别是AI-ML技术及其在药物发现中的应用	机器学习	NA	计算药物设计，计算机辅助药物设计	强化学习模型，变分自编码器，生成模型	分子结构数据	NA	NA	VAE，强化学习模型	NA	NA