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
141	2026-06-29	The feasibility of using deep learning technologies to preliminarily identify patients with advanced knee osteoarthritis via smartphone videos 2026-Mar-06, Journal of neuroengineering and rehabilitation IF:5.2Q1 DOI:10.1186/s12984-026-01904-z PMID:41792743	研究论文	利用智能手机视频和深度学习技术初步识别晚期膝关节炎患者的可行性研究	首次提出利用低成本、易用的智能手机视频和深度学习技术（AlphaPose和VideoPose）提取三维时空信息，结合离散小波变换分析，构建时间序列模型以区分晚期膝关节炎患者与身体功能下降的个体	未明确说明，可能包括样本量有限、视频质量依赖患者自录、模型泛化性需进一步验证	开发和验证一种简单的家庭人工智能方法，用于初步识别晚期膝关节炎患者	357名参与者的坐-站测试和步态视频	计算机视觉	膝关节炎	AlphaPose、VideoPose、离散小波变换	时间序列模型	视频	357名参与者	AlphaPose、VideoPose	AlphaPose, VideoPose, 时间序列模型	AUC	NA
142	2026-06-29	Respiratory sound analysis for ICU clinical decision support: deep learning-based classification of normal and abnormal sounds using real ICU data 2026-03-06, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-026-03409-0 PMID:41792763	研究论文	利用深度学习模型对ICU环境中的呼吸音进行分类，评估噪声预处理技术对性能的影响	在真实ICU嘈杂环境下收集临床数据，系统比较三种降噪预处理技术对呼吸音分类性能的影响，并基于VGG-16迁移学习构建分类模型	模型性能有限（AUC最高0.80），仅进行正常/异常二分类，需进一步开展多类分类、高级降噪策略和多中心验证	评估深度学习模型在ICU环境中分类呼吸音的性能，并测试降噪预处理技术的效果	ICU患者的呼吸音录音（正常音和异常音如湿啰音、哮鸣音、鼾音）	医疗人工智能	呼吸系统疾病	呼吸音分析	卷积神经网络（CNN）	音频	701个呼吸音录音（325个正常音、376个异常音）	NA	VGG-16	AUC	NA
143	2026-06-29	GoLoCo-Net: global-local guided contextual attention network for medical images segmentation 2026-Mar-05, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-42415-0 PMID:41786873	研究论文	提出一种名为GoLoCo-Net的深度学习网络，结合双解码器结构，用于医学图像分割，能够在捕捉局部和全局上下文关系方面取得先进性能	设计双解码器结构，分别包含上下文注意力特征增强模块和全局引导局部特征模块，有效结合局部与全局上下文信息	未提及限制	提升医学图像分割的准确性，通过捕捉像素间的短程和长程关系来应对复杂结构和多样模式	医学图像分割任务	计算机视觉	NA	NA	CNN	图像	两个动态MRI数据集和一个多器官CT数据集	NA	GoLoCo-Net	NA	NA
144	2026-06-29	Machine-learning with multiomics for radiotherapy-induced acute rectal toxicities and survival outcome in patients with cervical cancer 2026-Mar-05, Radiation oncology (London, England) DOI:10.1186/s13014-026-02814-z PMID:41787421	研究论文	利用机器学习和多组学模型预测宫颈癌放疗引起的急性直肠毒性及其与生存结果的关系	首次将剂量组学、影像组学和临床特征结合构建多组学XGBoost模型，并探索放疗急性直肠毒性对患者生存结局的影响	单中心回顾性研究，样本量有限，需前瞻性验证	构建并评估机器学习多组学模型，预测宫颈癌放疗引起的急性直肠毒性关键特征、治疗反应和生存结局	2016-2023年接受放疗的370例宫颈癌患者，其中231例出现放疗急性直肠毒性，129例未出现	机器学习	宫颈癌	CT成像、放疗剂量分析	XGBoost	影像数据、剂量数据、临床数据	370例宫颈癌患者（训练集80%，测试集20%）	Scikit-learn, LASSO	XGBoost	AUC、生存分析风险比	NA
145	2026-06-29	Optimizing high-resolution knee MRI at 3 tesla: conventional acceleration versus deep learning reconstruction 2026-Mar-03, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-026-02251-0 PMID:41776433	研究论文	比较3特斯拉下时间优化的标准膝关节MRI与深度学习重建的高分辨率膝关节MRI的图像质量和分辨率	首次在膝关节MRI中系统比较时间优化标准方案与深度学习重建方案，证明DL-MRI可在轻微缩短扫描时间的同时实现两倍平面分辨率和更薄层厚	单中心回顾性研究，样本量有限（150例），未包含多种病理类型的深度学习模型验证	优化3特斯拉膝关节MRI，在时间效率与图像质量之间取得平衡	150例膝关节MRI检查（75例sMRI，75例DL-MRI）	数字病理学	膝关节疾病	MRI	深度学习重建模型	MRI图像	150例膝关节MRI检查（75例标准方案，75例深度学习增强方案）	NA	深度学习重建网络	整体图像质量、解剖结构清晰度、脂肪抑制程度、运动伪影、异物伪影（5点Likert量表）、信噪比（SNR）、对比噪声比（CNR）、广义SNR和CNR	NA
146	2026-06-29	Interpretable Feature Selection and Hybrid Deep Learning Models for Depressive Symptoms Prediction from Wearable Device Data 2026-Mar-03, Journal of medical systems IF:3.5Q2 DOI:10.1007/s10916-026-02354-9 PMID:41774238	研究论文	提出一种混合深度学习和机器学习框架，利用可穿戴设备收集的表格数据预测抑郁症状	结合可解释人工智能技术（SHAP和LIME）进行特征选择，并开发1D卷积神经网络与多层感知机结合LightGBM的混合模型，在提升预测性能的同时增强模型可解释性	未提及相关限制	利用可穿戴设备数据早期检测和预测抑郁症状，提升心理健康结局	可穿戴设备用户	机器学习	抑郁症	NA	1D卷积神经网络、多层感知机、LightGBM	表格数据（睡眠模式、身体活动、健康相关指标）	NA	NA	1D卷积神经网络、多层感知机、LightGBM	准确率	NA
147	2026-06-29	Automated opportunistic cardiovascular risk assessment in non-small cell lung cancer patients on routine chest CT using an optimised nnU-net framework 2026-Mar-03, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-026-02252-z PMID:41772492	研究论文	提出一种基于优化nnU-Net框架的自动化机会性心血管风险评估方法，用于非小细胞肺癌患者的常规胸部CT	利用深度学习模型从常规CT中自动评估非小细胞肺癌患者的心血管疾病风险，无需额外扫描或增加工作量	未明确说明局限性	为非小细胞肺癌患者提供无创性心血管疾病筛查机会	非小细胞肺癌患者	计算机视觉, 数字病理学	肺癌, 心血管疾病	CT扫描	nnU-Net	图像（CT）	训练集97例，测试集232例（AIMI 95例、ICHNT 87例、TCIA 50例）	PyTorch	nnU-Net	准确率、灵敏度、特异度、阳性预测值、阴性预测值、F1分数、Kappa系数、AUC	未明确说明
148	2026-06-29	Graph convolutional network-derived pathomics and clinical integration for predicting chemoimmunotherapy response in advanced lung squamous cell carcinoma: a multicenter study 2026-Mar-03, Journal of translational medicine IF:6.1Q1 DOI:10.1186/s12967-026-07962-0 PMID:41772672	研究论文	提出一种基于图卷积网络(GCN)的病理组学与临床特征整合模型，用于预测晚期肺鳞状细胞癌免疫化疗疗效	首次将GCN衍生的病理组学特征与临床变量结合，构建预测免疫化疗客观缓解率和风险分层的深度学习模型，并在多中心外部验证中展现优于传统方法的表现	回顾性研究设计，化疗单药队列和非肺癌来源队列中模型效果有限，仅关注晚期肺鳞癌	开发并验证整合GCN病理组学与临床特征的深度学习模型，预测免疫化疗客观缓解率，实现临床意义的风险分层	436例经病理确诊的晚期肺鳞状细胞癌患者，来自三个中心，包括AK105-302 III期试验及两个外部免疫化疗队列	数字病理学	肺癌（肺鳞状细胞癌）	全切片成像(WSI)	图卷积网络(GCN)，卷积神经网络(CNN)	图像	436例患者（训练队列343例，外部验证队列63例和30例）	NA	Inception_v3, 图卷积网络	AUC, 校准曲线, 决策曲线分析, Kaplan-Meier生存分析, Cox回归, 风险比(HR), 交互p值	NA
149	2026-06-29	Interpretable hybrid ensemble with attention-based fusion and EAOO-GA optimization for lung cancer detection 2026-Mar-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-37187-6 PMID:41776195	研究论文	提出一种基于注意力融合和EAOO-GA优化的可解释混合集成框架用于肺癌检测	采用EAOO-GA元启发式算法优化集成权重，结合SE块进行自适应特征重校准，并利用SMOTE处理类别不平衡	未在更多样化数据集上验证泛化能力，计算资源需求可能较高	提高肺癌CT图像分类的准确性、可解释性和泛化能力	IQ-OTH/NCCD和LIDC-IDRI肺癌CT数据集	计算机视觉	肺癌	CT扫描	混合集成模型	图像	IQ-OTH/NCCD和LIDC-IDRI数据集（具体数量未说明）	NA	DenseNet201, EfficientNetB6, Inception v3, MobileNetV2, DenseNet121, ResNet50	准确率, 精确率, 召回率, F1分数	NA
150	2026-06-29	Predicting pyrazinamide resistance in Mycobacterium tuberculosis using a graph convolutional network 2026-Mar-03, BMC microbiology IF:4.0Q2 DOI:10.1186/s12866-026-04876-1 PMID:41776391	研究论文	使用图卷积网络预测结核分枝杆菌对吡嗪酰胺的耐药性	首次将图神经网络与AlphaFold2预测的蛋白质三维结构结合，利用氨基酸级别的图表示和化学特征来预测耐药性，超越了传统机器学习方法	训练数据集较小且变异较少，可能影响模型在更广泛遗传多样性病原体上的泛化能力	利用图神经网络整合蛋白质结构信息，提高对抗菌药物耐药性预测的准确性	结核分枝杆菌的PncA蛋白变体（包含错义突变）	机器学习	结核病	NGS（下一代测序）	图卷积网络（GCN）	蛋白质序列和结构数据	未明确说明，但标注为小数据集	PyTorch	图卷积网络（GCN）	F1分数, 灵敏度, 特异度	NA
151	2026-06-29	A multi-task deep learning and radiomics framework for fetal anatomical structure detection and classification in ultrasound imaging 2026-Mar-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-41635-8 PMID:41772028	研究论文	提出基于多任务深度学习和影像组学的框架，用于检测和分类早孕期超声图像中的胎儿解剖结构	融合YOLOv11和Swin Transformer进行目标检测，结合影像组学和深度学习特征，使用TabTransformer分类器，实现高精度、高稳定性的胎儿结构自动分析	未明确提及局限性，但可能受限于回顾性数据、特定胎龄范围（11-14周）和仅针对脑部及颅面结构	开发综合的多任务深度学习与影像组学流程，提高胎儿超声图像中关键解剖结构的检测和分类准确性与可重复性	9个医疗中心收集的4532例早孕期（11-14周）胎儿超声扫描图像	计算机视觉, 数字病理学	胎儿结构异常（早期筛查）	超声成像	Swin Transformer, YOLOv11, TabTransformer	图像	4532例胎儿超声扫描（9个医疗中心）	PyTorch	Swin Transformer, YOLOv11, TabTransformer	准确率, AUC, 敏感度, IoU, F1分数	NA
152	2026-06-29	Brain Health from Sleep EEG: A Multicohort, Deep Learning Biomarker for Cognition, Disease, and Mortality 2026-Mar, NEJM AI DOI:10.1056/aioa2500487 PMID:41953210	研究论文	基于睡眠脑电图的多队列深度学习生物标志物，用于评估认知、疾病和死亡率	首次利用端到端的多任务深度学习框架从睡眠脑电图学习脑健康潜在表征，并将其浓缩为单一分数，同时预测认知、疾病和死亡率	未在独立外部队列中验证，且未考虑其他模态数据（如影像）的整合	开发一种基于睡眠脑电图的可解释深度学习生物标志物，用于评估脑健康	来自六个队列的27,000名受试者的36,000次多导睡眠图记录	机器学习	老年疾病	NA	多任务深度神经网络	脑电图信号（一维时间序列或二维时频谱图）	27,000名受试者，36,000次多导睡眠图记录	PyTorch	多任务深度神经网络	相关系数, AUC, 风险比	NA
153	2026-06-26	Identifying Temporal Drivers for Microbial Community Assembly in Wastewater Treatment by Stochastic Physics-Informed Deep Learning Based on Limited-View and Sparsely Sampled Data 2026-03-24, Environmental science & technology IF:10.8Q1 DOI:10.1021/acs.est.5c11756 PMID:41816806	研究论文	本研究提出了一种随机物理信息深度学习（SPI-DL）框架，用于基于有限视图和稀疏采样数据识别废水处理中微生物群落组装的时序驱动因素	将广义Lotka-Volterra模型、随机微分方程及其积分器嵌入深度学习，并首次提出对数似然解耦方法结合SHAP分析，实现确定性和随机性驱动因素的时变贡献分解	NA	识别废水处理中微生物群落组装的时序驱动因素，优化智能废水处理系统	废水处理系统中的微生物群落，特别是氨氧化菌和亚硝酸盐氧化菌	机器学习	NA	NA	深度学习	时序数据	NA	PyTorch	广义Lotka-Volterra模型、随机微分方程	NA	NA
154	2026-06-26	Real-World Prospective Validation and Economic Evaluation of Deep Learning- Based Diabetic Retinopathy Detection From Fundus Photographs: A Systematic Review and Meta-analysis 2026-03-01, Diabetes care IF:14.8Q1 DOI:10.2337/dc25-1493 PMID:41259706	系统综述与荟萃分析	对基于眼底照片的深度学习糖尿病视网膜病变检测进行前瞻性验证与经济学评价的系统综述和荟萃分析	首次综合前瞻性验证和经济学证据，评估深度学习糖尿病视网膜病变系统在不同国家的实施可行性，并识别影响模型性能的关键因素	缺乏评估多种严重程度糖尿病视网膜病变或糖尿病性黄斑水肿的研究，限制了我们进行亚组分析的能力；对低收入国家的洞察因缺乏相关研究而受限	评估基于眼底照片的深度学习糖尿病视网膜病变系统在不同国家的实施可行性	深度学习糖尿病视网膜病变检测系统中的前瞻性验证研究和经济学分析研究	数字病理学	糖尿病视网膜病变	眼底照相	深度学习	图像	47项研究纳入荟萃分析，15项研究纳入经济学评论	NA	NA	AUROC	NA
155	2026-02-22	Deep Learning-Enabled Diabetic Retinopathy Screening: A Techno-Clinical Revolution or Just More Artificial Intelligence Hype? 2026-Mar-01, Diabetes care IF:14.8Q1 DOI:10.2337/dci25-0123 PMID:41719471	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
156	2026-06-23	Few-Shot and Zero-Shot Biomedical Named Entity Recognition: A Procedure for Enhancing BioBERT with Prompt-Based Learning and Large Language Models 2026-Mar-31, Journal of visualized experiments : JoVE DOI:10.3791/69390 PMID:42008560	研究论文	提出一种结合BioBERT、提示学习和大型语言模型的混合框架，用于增强生物医学命名实体识别中的少样本和零样本学习能力	首次将提示学习与大型语言模型集成到BioBERT中，显著提升了低资源生物医学术语和未见实体的泛化能力	未明确讨论模型在不同语言或特定子领域（如罕见病）的泛化性能，且可能对大型语言模型的计算资源需求较高	通过混合框架解决传统深度学习模型在生物医学NER中面临的数据稀缺、领域适应和未知实体泛化问题	生物医学文献和临床文本中的命名实体识别任务	自然语言处理, 生物医学	不限定具体疾病	提示学习, 大型语言模型, 预训练变换器	BioBERT, 大型语言模型	文本	多个生物医学基准数据集（具体数量未明确）	NA	BioBERT, 提示学习架构	准确率, 精确率, 召回率, F1分数	NA
157	2026-06-23	CRESCENT: a deep learning framework with multi-scale attention for detecting recurrent copy number alterations 2026-Mar-01, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbag167 PMID:41996576	研究论文	提出一个名为CRESCENT的深度学习框架，通过多尺度采样、卷积神经网络和自注意力机制检测复发拷贝数变异	首次整合多尺度采样与自注意力机制，实现了对焦点、片段和臂级CNAs事件的平衡检测，并在非TCGA独立队列上验证了泛化能力	未明确讨论模型对罕见癌症类型的适用性及计算资源需求，且未提供可解释性分析以揭示特征生物学意义	开发一种高灵敏度、泛化性强的深度学习方法，用于可靠识别癌症基因组中的复发拷贝数变异	来自20个TCGA癌症项目的7689例患者的拷贝数变异图谱	机器学习	癌症	全基因组拷贝数分析	CNN（卷积神经网络）结合自注意力机制	拷贝数变异图谱	7689例患者样本（20个TCGA项目）	PyTorch（推断，基于框架特性）	多尺度CNN与自注意力机制的并行特征融合架构	AUC（曲线下面积）	NA（未提供具体信息）
158	2026-06-23	scGPD: single-cell informed gene panel design for targeted spatial transcriptomics 2026-Mar-01, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbag160 PMID:41996577	研究论文	提出单细胞引导的基因面板设计框架scGPD，用于靶向空间转录组学，以选择信息丰富的非冗余基因集	引入基因-基因相关性感知门控机制，从单细胞RNA-seq数据中提取信息特征，鼓励所选基因多样性并消除冗余	NA	解决现有基因面板设计方法忽略基因间相关性导致覆盖度不足的问题，实现紧凑非冗余的基因选择	靶向空间转录组学中的基因面板设计	数字病理学, 机器学习	NA	单细胞RNA测序, 空间转录组学	深度学习	基因表达数据	多个单细胞数据集	NA	NA	转录组广度恢复性能, 细胞类型分类准确率	NA
159	2026-06-22	Letter to the editor: testing the generalizability of DeepPlantAllergy on challenging allergen prediction scenarios 2026-Mar-01, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbag149 PMID:41947418	评论	对DeepPlantAllergy模型在植物蛋白过敏原预测中的泛化能力进行测试和评论	指出数据集构建中去除与过敏原序列一致性>20%的非过敏原序列可能导致性能估计过于乐观，并提出在类不平衡条件下使用精确率-召回率曲线来更准确评估模型性能	未提供实验验证建议的改进方法	评估DeepPlantAllergy模型在挑战性过敏原预测场景中的泛化能力	DeepPlantAllergy深度学习模型及其使用的植物蛋白过敏原预测数据集	自然语言处理	过敏性疾病	NA	深度学习	蛋白质序列	NA	NA	DeepPlantAllergy	ROC-AUC, 精确率-召回率曲线下的面积	NA
160	2026-06-22	PLM-effector: unleashing the potential of protein language models for bacterial secreted protein prediction 2026-Mar-01, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbag143 PMID:41947423	研究论文	提出PLM-Effector，一个整合蛋白质语言模型和混合深度学习框架的细菌分泌蛋白预测工具	首次采用双层集成策略整合多种蛋白质语言模型（ESM-1b、ESM2_t33、ProtT5）与神经网络架构，实现五种主要分泌系统（T1SS-T4SS和T6SS）的类型感知预测	依赖蛋白特异性语言模型嵌入，可能泛化能力受限；仅覆盖五种分泌系统，未包括其他分泌机制	开发能准确预测多种细菌分泌系统效应蛋白的计算方法	细菌分泌蛋白，特别是通过专用分泌系统传递的效应蛋白	机器学习	细菌感染相关疾病	蛋白质语言模型嵌入	混合深度学习框架（CNN、RNN等集成）	蛋白质序列数据	独立测试集包含五种分泌系统的效应蛋白样本	PyTorch	ESM-1b、ESM2_t33、ProtT5蛋白质语言模型及多层神经网络集成	宏F1分数	NA