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
1461	2025-12-06	Deep learning enhanced label-free cervical screening via stimulated Raman cytology 2026-Feb-01, Talanta IF:5.6Q1 DOI:10.1016/j.talanta.2025.128982 PMID:41109050	研究论文	本文提出了一种基于刺激拉曼细胞学的无标记宫颈筛查平台，结合深度学习实现宫颈细胞的快速筛查和诊断	开发了VAD-SRC平台，通过刺激拉曼散射显微镜获取细胞内在生物分子对比，结合深度卷积神经网络实现高精度诊断和细胞类型自动分割	未提及研究的具体局限性	提高宫颈癌筛查的诊断通量和灵敏度	宫颈细胞样本	数字病理学	宫颈癌	刺激拉曼散射显微镜	CNN	图像	未提及具体样本数量	NA	深度卷积神经网络	准确率, 灵敏度	NA
1462	2025-12-06	SE-PDS enhanced NIR spectral transfer learning: A machine learning approach for cross-instrument jet fuel property quantification 2026-Feb-01, Talanta IF:5.6Q1 DOI:10.1016/j.talanta.2025.129005 PMID:41124770	研究论文	本研究提出了一种改进的共享嵌入增强分段直接标准化算法，结合随机森林模型，实现了跨仪器对喷气燃料16种理化性质的定量预测	提出了改进的SE-PDS算法，整合了所有光谱段的光谱矩阵和窗口索引，使单个模型能够利用不同特征间的共享信息，并自动识别和消除光谱数据中的不规则波动和突变	研究仅使用了86个喷气燃料样本进行验证，样本量相对较小	实现跨仪器近红外光谱的迁移学习，用于喷气燃料性质的定量预测	喷气燃料的理化性质	机器学习	NA	近红外光谱	随机森林	光谱数据	86个喷气燃料样本	NA	随机森林	相关系数, 决定系数, 相对误差率	NA
1463	2025-12-05	Laser spectral enhancement and analysis based on blind-spot networks and Kolmogorov-Arnold networks 2026-Feb-01, Talanta IF:5.6Q1 DOI:10.1016/j.talanta.2025.128806 PMID:40934630	研究论文	本文提出了一种结合盲点网络和Kolmogorov-Arnold网络的自监督深度学习框架，用于增强激光诱导击穿光谱的分析性能	提出了一种无需干净参考数据的自监督光谱去噪网络（BSSDN），并首次将Kolmogorov-Arnold网络（KANs）架构应用于LIBS定量分析，通过自适应样条基函数和局部加权改进了传统多层感知机的局限性	研究仅在六种认证不锈钢参考材料上进行了验证，样本类型和数量有限，未在其他材料或更复杂基体中进行广泛测试	解决激光诱导击穿光谱技术中光谱噪声干扰和定量分析精度有限的问题，提升LIBS的分析性能	激光诱导击穿光谱数据，特别是来自六种认证不锈钢参考材料（JZG201-JZG206B）的光谱	机器学习	NA	激光诱导击穿光谱	盲点网络, Kolmogorov-Arnold网络	光谱数据	六种认证不锈钢参考材料（36 × 36 mm固体块）	NA	盲点光谱去噪网络, Kolmogorov-Arnold网络	平均光谱相对标准偏差, 特征峰保留率, 强度保真度, 决定系数, 预测均方根误差	NA
1464	2025-12-05	ResFusionNet-TSMT: A residual network for pesticide detection using surface-enhanced Raman spectroscopy 2026-Feb-01, Talanta IF:5.6Q1 DOI:10.1016/j.talanta.2025.128852 PMID:40972279	研究论文	本文提出了一种名为ResFusionNet-TSMT的新型深度学习框架，用于基于表面增强拉曼光谱同时进行农药分类和浓度定量检测	该模型创新性地将残差网络的局部特征提取能力与Transformer的全局依赖建模相结合，采用双流架构处理原始和多尺度光谱输入，引入注意力池化机制聚焦判别性峰值，并利用Transformer编码器进行鲁棒特征融合，同时通过新颖的类别注意力机制优化分类与回归任务的联合学习	NA	提高农药检测的准确性，解决光谱干扰和信号变异性问题	农药	机器学习	NA	表面增强拉曼散射	CNN, Transformer	光谱	NA	NA	ResNet, Transformer	准确率, F1分数, 平均绝对误差, 相关系数R	NA
1465	2025-12-05	Metabolic profiling of Yangxinshi tablet based on time-staggered ion list dynamic detection integrated with metabolic molecular network 2026-Feb-01, Talanta IF:5.6Q1 DOI:10.1016/j.talanta.2025.128910 PMID:41016099	研究论文	本文开发了一种基于时间交错离子列表动态检测与代谢分子网络整合的综合分析策略，用于系统表征大鼠口服养心氏片后的体内代谢谱	创新性地建立了BS-VPMDF-tsPIL-AE数据采集模式，结合代谢分子网络和深度学习辅助的质量缺陷过滤智能分类，有效提升了低丰度药物衍生成分的检测能力	研究仅在大鼠血浆和尿液中进行，未涉及其他组织或物种，且部分原型成分仅通过标准品对比初步鉴定，需进一步验证	系统表征养心氏片在大鼠体内的代谢产物，以推进中药药效物质基础研究	大鼠口服养心氏片后的血浆和尿液样本	代谢组学	NA	质谱分析，代谢分子网络，深度学习辅助质量缺陷过滤	深度学习	质谱数据	大鼠血浆和尿液样本，具体数量未明确说明	R编程，Python	NA	NA	NA
1466	2025-12-05	Study on discrimination of Glycyrrhizae Radix et Rhizoma (Licorice) varieties and origin traceability based on composite feature reconstruction combined with HLOA-CNN algorithm 2026-Feb-01, Talanta IF:5.6Q1 DOI:10.1016/j.talanta.2025.128821 PMID:40946482	研究论文	本研究提出了一种基于复合特征重构与HLOA-CNN算法的甘草品种鉴别与产地溯源方法	整合多源表型和化学特征，并采用角蜥蜴优化算法（HLOA）优化CNN超参数，构建了HLOA-CNN分类模型，实现了对甘草品种和产地的精确识别	未明确提及模型在其他数据集或实际应用场景中的泛化能力测试	开发一种准确鉴别甘草品种和追溯其产地的智能方法，以保障功能性食品的真实性	甘草（Glycyrrhizae Radix et Rhizoma）样本	机器学习	NA	多源特征提取（RGB颜色、可见光谱、Tamura纹理）、化学成分测量、主成分分析（PCA）、偏最小二乘判别分析（PLS-DA）	CNN	多源特征数据（表型特征、化学特征）	未明确说明具体样本数量，但提及收集了甘草样本并构建了多源特征数据集	NA	CNN（具体架构未指定，但由HLOA优化超参数）	准确率	NA
1467	2025-12-05	Deep-learning-driven spectral image analysis for intelligent monitoring of multiple pesticides and antibiotics 2026-Feb-01, Talanta IF:5.6Q1 DOI:10.1016/j.talanta.2025.128942 PMID:41052491	研究论文	本研究提出了一种基于深度学习的谱图像分析方法，用于智能监测农业水体中的多种农药和抗生素	采用微调的ResNet-50深度学习模型，通过建立光谱特征与参考浓度之间的映射，实现了对未知污染物浓度的有效预测，为农药和抗生素的快速识别提供了新视角	在3.8-10 μg/L浓度范围内，自然水样的异常预测频率有所增加，尽管整体准确率仍相对较高	开发一种快速、同时检测多种农药和抗生素的智能监测方法，以应对环境污染物带来的健康风险	农业水体中的农药（草甘膦、苯达松）和抗生素（苄青霉素钾、盐酸四环素）	计算机视觉	NA	光谱分析	CNN	光谱图像	6100个样本，包含草甘膦、苯达松、苄青霉素钾和盐酸四环素，浓度范围为3.8-550 μg/L	NA	ResNet-50	决定系数, 可靠预测率, 检测限	NA
1468	2025-12-05	Swin-EffuseNet: A dual-stream attention-based model combining Swin transformer V2 and EfficientNet-BO for bone fracture classification 2026-Feb, Journal of orthopaedics IF:1.5Q3 DOI:10.1016/j.jor.2025.10.016 PMID:41340716	研究论文	提出了一种名为Swin-EffuseNet的双流深度学习模型，用于X射线图像中的骨折分类	通过注意力机制融合Swin Transformer V2和EfficientNet-B0，结合全局语义特征与细粒度局部纹理，提升骨折分类性能	未明确提及模型在更广泛数据集或临床环境中的泛化能力限制	开发一个准确、高效且可解释的智能骨折分类模型，以支持诊断工作流程	X射线图像中的骨折分类，包括无骨折、发丝状骨折、简单骨折和复杂骨折四类	计算机视觉	骨折	深度学习	Transformer, CNN	图像	4370张X射线图像，来自两个公开数据集	NA	Swin Transformer V2, EfficientNet-B0	准确率, 精确率, 召回率, F1分数, ROC-AUC, 对数损失	NA
1469	2025-12-03	Making AI accessible for forensic DNA profile analysis 2026-Feb, Forensic science international. Genetics DOI:10.1016/j.fsigen.2025.103345 PMID:40848662	研究论文	本研究探索使用案例工作中收集的数据和广泛采用的U-Net架构训练高性能模型，用于法医DNA分析中的等位基因自动识别	首次利用案例工作数据而非手动标注数据训练U-Net模型进行等位基因识别，实现了与人类分析师相当的性能，并公开了代码、模型权重和研究数据以促进社区发展	未明确说明数据、标注或模型架构中哪些方面对性能起关键作用，未来工作需进一步探索这些因素	开发一种易于访问且高性能的深度学习模型，用于自动化法医DNA分析中的等位基因识别	法医DNA分析中的电泳图（EPG）数据，包括案例数据和独立混合研究数据	计算机视觉	NA	DNA分析，电泳图（EPG）技术	CNN	图像（电泳图扫描点）	未明确指定具体样本数量，但包括案例数据和独立混合研究数据	未明确指定，但可能基于PyTorch或TensorFlow（因U-Net常用）	U-Net	F1分数	NA
1470	2025-12-01	Deep learning-based quantitative assessment of renal chronicity indices in lupus nephritis 2026-Feb, Annals of diagnostic pathology IF:1.5Q3 DOI:10.1016/j.anndiagpath.2025.152537 PMID:40876259	研究论文	开发基于深度学习的自动化评估狼疮性肾炎肾脏慢性指数的流程	首个从疾病特异性角度自动化评估肾脏慢性指数的深度学习流程，显著提高观察者间一致性并增强预后预测能力	两个队列存在轻微人口统计学差异，特别是年龄和血红蛋白水平	开发自动化评估狼疮性肾炎肾脏慢性指数的有效深度学习流程	狼疮性肾炎患者	数字病理学	狼疮性肾炎	深度学习	CNN	病理切片图像	141名患者的282张切片（训练队列30名患者60张切片，内部测试148张切片，外部测试74张切片）	NA	NA	分割性能，与病理学家相关性，观察者间一致性，预后准确性	NA
1471	2025-11-26	A deep learning approach to predicting hospitalized patients' SEIRD states using multimodal spatiotemporal data 2026-Feb, International journal of medical informatics IF:3.7Q2 DOI:10.1016/j.ijmedinf.2025.106157 PMID:41161262	研究论文	本研究开发了多模态深度学习模型，利用医院时空数据预测住院患者的SEIRD状态和医院获得性感染风险	提出了一种新颖的混合架构，先让专门组件独立学习时空数据的表示，然后通过联合微调阶段智能融合这些预训练表示	研究使用合成医院模拟数据集，未来需要在真实临床数据上进行验证	开发个体层面的医院获得性感染风险预测模型，为针对性干预提供支持	住院患者	机器学习	医院获得性感染	深度学习	LSTM, DCRNN, 图卷积网络	多模态时空数据	基于同行评审的合成医院模拟数据集，采用分层10折交叉验证	NA	异构图卷积长短期记忆网络, 扩散卷积循环神经网络, 混合模型	准确率, F1分数	NA
1472	2025-11-26	A multi-task deep learning framework for intraoperative diagnosis of thyroid cancer metastasis using whole slide images 2026-Feb, International journal of medical informatics IF:3.7Q2 DOI:10.1016/j.ijmedinf.2025.106176 PMID:41237514	研究论文	开发基于CLAM的多任务深度学习框架，用于甲状腺癌术中冰冻切片全玻片图像的转移诊断	首次将聚类约束注意力多实例学习应用于甲状腺癌术中诊断，实现淋巴结转移检测、T分期分类和解剖定位三项临床任务	T分期分类性能相对较低，样本量有限，需要进一步外部验证	提升甲状腺癌术中淋巴结转移诊断的准确性和可解释性	甲状腺乳头状癌患者的术中冰冻切片全玻片图像	数字病理	甲状腺癌	全玻片图像分析	CNN, 多实例学习	病理图像	来自两个独立中心的569例患者样本	PyTorch	ResNet50, CLAM	AUC	NA
1473	2025-11-26	Enhancing the prediction accuracy of pathological downstaging in locally advanced rectal cancer using deep learning models with preoperative MRI and clinicopathological data 2026-Feb, International journal of medical informatics IF:3.7Q2 DOI:10.1016/j.ijmedinf.2025.106142 PMID:41100929	研究论文	本研究开发并验证了基于术前T2加权MRI影像联合放射学和临床病理数据的深度学习模型，用于预测局部晚期直肠癌新辅助放化疗后的病理T分期降期	首次将T2加权MRI影像与放射学特征和临床病理数据相结合构建深度学习模型，显著提高了病理降期预测准确率	回顾性研究设计，样本量相对有限（总样本406例），需要进一步前瞻性验证	提高局部晚期直肠癌新辅助放化疗后病理T分期降期的预测准确性	局部晚期直肠癌患者	数字病理	直肠癌	磁共振成像，深度学习	深度学习模型	医学影像，临床数据	总样本406例（训练集223例，内部测试集95例，外部测试集88例）	NA	NA	AUC，ROC曲线分析	NA
1474	2025-11-26	Hybridized artificial intelligence system for reducing neonatal mortality in Nigeria 2026-Feb, International journal of medical informatics IF:3.7Q2 DOI:10.1016/j.ijmedinf.2025.106162 PMID:41138617	研究论文	开发了一种混合人工智能系统，用于检测多种新生儿疾病以降低尼日利亚新生儿死亡率	提出了一种新颖的混合LSTM-ANN架构，并在尼日利亚本地数据集上验证了其优越性能	需要外部验证和前瞻性临床试验才能进行临床部署	开发能够检测多种新生儿疾病的人工智能系统，促进早期干预	尼日利亚西南部的新生儿患者	机器学习	新生儿疾病	SMOTE过采样技术	ANN, LSTM, 混合LSTM-ANN	临床记录	4027名新生儿患者，来自三个州五家三级医院	NA	人工神经网络, 长短期记忆网络, 混合LSTM-ANN	准确率, 精确率, 召回率, F1分数	NA
1475	2025-11-24	Artificial Intelligence and Radiogenomics for Pediatric CNS Neoplasms 2026-Feb, Neuroimaging clinics of North America IF:1.3Q3 DOI:10.1016/j.nic.2025.09.003 PMID:41274766	综述	本文探讨人工智能和影像基因组学在儿童中枢神经系统肿瘤诊断和治疗中的应用	整合WHO第五版CNS肿瘤分类标准，强调分子特征与影像学特征的关联，通过AI技术实现无创肿瘤表征	面临数据变异性和伦理问题等挑战	推进儿童神经肿瘤学的精准诊断和个性化治疗	儿童中枢神经系统肿瘤	数字病理	中枢神经系统肿瘤	DNA甲基化分析, 下一代测序	机器学习, 深度学习	影像数据	NA	NA	NA	NA	NA
1476	2025-11-22	Ergonomic handheld chip: An instrument-free RPA-CRISPR platform for rapid home self-testing 2026-Feb-01, Biosensors & bioelectronics IF:10.7Q1 DOI:10.1016/j.bios.2025.118157 PMID:41177006	研究论文	开发了一种无需仪器的便携式微流控芯片平台，用于家庭自测分子检测	将机械、生化和智能模块集成到手持设备中，通过单次摆动产生瞬时加速度驱动试剂流动，无需外部泵、加热器或电源	样本量较小(52个样本)，仅验证了HPV检测应用	开发低成本、无需仪器、用户友好的分子检测平台用于分散或家庭环境	高风险人乳头瘤病毒(HPV)	生物医学工程	病毒感染疾病	RPA-CRISPR, 微流控技术, 荧光成像	深度学习模型	智能手机采集的荧光图像	52个临床样本	NA	NA	检测限, 特异性, 准确率, 一致性	智能手机
1477	2025-11-22	MR Imaging of the Triangular Fibrocartilage Complex: Anatomy and Relevant Pathology 2026-Feb, Magnetic resonance imaging clinics of North America IF:1.5Q3 DOI:10.1016/j.mric.2025.08.004 PMID:41265977	综述	本文探讨了三角纤维软骨复合体磁共振成像的技术要求、解剖结构及相关病理表现	介绍了深度学习新技术在提高三角纤维软骨复合体磁共振成像分辨率和诊断准确性方面的应用潜力	磁共振成像与关节镜检查作为金标准的一致性仍面临挑战	优化三角纤维软骨复合体的磁共振成像技术和诊断准确性	三角纤维软骨复合体及其相关病理变化	医学影像	腕关节疾病	磁共振成像, 深度学习	NA	医学影像	NA	NA	NA	NA	NA
1478	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
1479	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
1480	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