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
361	2026-06-08	Machine learning-based DNA microarray analysis for disease detection using the MICRO-AI framework 2026 Apr-Jun, Science progress IF:2.6Q2 DOI:10.1177/00368504261436834 PMID:41925147	研究论文	提出 MICRO-AI 机器学习框架，用于分析 DNA 微阵列数据并实现自动疾病诊断	集成注意力加权自适应特征选择、异构集成分类和注意力特征融合机制，在保留生物意义的同时将维度降低超99%	未提及对更复杂疾病或更大样本量的泛化能力，以及模型的可解释性分析	开发高效的DNA微阵列分析框架，解决噪声、高维度和类不平衡问题，实现自动疾病诊断	六个基准数据集，涵盖乳腺癌、胃癌、卵巢癌和白血病，共2321个样本	机器学习	乳腺癌, 胃癌, 卵巢癌, 白血病	DNA微阵列	梯度提升机, 随机森林, 支持向量机	基因表达数据	2321个样本（来自155-1097个样本的六个数据集）	Scikit-learn	集成模型（GBM, RF, SVM）	准确率, 灵敏度, 特异度, F1分数, 马修斯相关系数, AUC	NA
362	2026-06-07	The association of environmental exposure with multiple sclerosis severity score: A study based on sequential data modeling 2026-Apr-15, International journal of medical informatics IF:3.7Q2 DOI:10.1016/j.ijmedinf.2026.106295 PMID:41616738	研究论文	利用人工智能方法，结合临床数据和环境暴露信息，预测多发性硬化症严重程度评分（MSSS）	首次将环境暴露数据（空气污染和天气条件）与纵向临床数据结合，通过深度学习模型预测MSSS，并采用自动机器学习进行特征选择，发现环境变量是重要预测因子	研究基于意大利帕维亚单一中心的回顾性数据，环境数据基于患者居住地，可能受位置精度和混杂因素影响；预测性能在不同历史窗口长度下降可比，但未探索更长时间窗口的收益	研究环境暴露与多发性硬化症严重程度评分之间的关联，并评估深度学习模型在预测MS进展中的有效性	多发性硬化症患者的纵向临床记录和环境暴露数据（空气污染和天气条件）	机器学习	多发性硬化症	NA	循环神经网络、长短期记忆网络、门控循环单元	临床记录和环境时间序列数据	535名患者的4022次就诊记录	AutoML（自动机器学习）	循环神经网络、长短期记忆网络、门控循环单元	曲线下面积（AUC）	NA
363	2026-06-07	Multimodal deep feature fusion with transformer for brain tumor classification from magnetic resonance imaging 2026-Apr-11, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-44957-9 PMID:41965397	研究论文	提出一种多模态深度特征融合框架，结合Transformer进行脑肿瘤MRI图像的自动检测与分割	融合CapsNet、ResNet-50和AlexNet的多模态特征提取，结合双向卷积长短期记忆网络与Transformer的TBConvL-Net分类模型，以及nnUNet精确分割	NA	开发多模态深度学习模型，实现脑肿瘤的精确检测和分割	脑肿瘤MRI图像	计算机视觉	脑肿瘤	MRI	CNN, LSTM, Transformer	图像	NA	NA	CapsNet, ResNet-50, AlexNet, TBConvL-Net, nnUNet	准确率	NA
364	2026-06-07	Lightweight attention enhanced YOLOv11 for accurate multi class detection of brinjal diseases 2026-Apr-11, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-47734-w PMID:41965414	研究论文	提出一种轻量级注意力增强的YOLOv11模型，用于茄子病害的多类别精准检测	结合EMA（高效多尺度注意力）模块、IRMB（倒置残差移动块）和LDFM（局部细节特征模块）提取细粒度病变特征，并采用改进的MPDIoU损失函数提升目标定位精度	未提及在真实田间环境下的部署测试或对不同光照、遮挡条件的鲁棒性验证	开发可实时、准确识别茄子多种病害的轻量级深度学习模型，用于精准农业	茄子叶片病害图像，涵盖6种真菌、2种细菌、3种病毒和1种线虫感染类别	计算机视觉	茄子病害	深度学习图像识别	YOLOv11（目标检测模型）	图像	未明确样本总数，但包含6种真菌、2种细菌、3种病毒和1种线虫感染的多类别数据集	PyTorch	IEMA-YOLOv11（改进的高效多尺度注意力YOLOv11），包含EMA、IRMB、LDFM模块	精确率、召回率、mAP@50、mAP@50:95	NA
365	2026-06-07	CRViT-YOLO: A method for multi-morphological blood cell detection using convolution-restructured vision transformer 2026-Apr, Tissue & cell IF:2.7Q3 DOI:10.1016/j.tice.2026.103312 PMID:41529371	研究论文	提出一种基于卷积重构视觉变换器的CRViT-YOLO方法，用于多形态血细胞检测	在YOLOv9架构中引入卷积重构视觉变换器（CRViT）模块，同时捕获局部和全局上下文信息，并设计特征增强模块（FEM）和集成EIoU损失函数，提升密集或重叠细胞的定位精度	未提及	提高血细胞检测的准确性和效率	多形态血细胞（包括正常和病理细胞）	计算机视觉	血液疾病	NA	YOLOv9	图像	四个公开数据集：BCCD、BCDD、LISC和BBBC041	PyTorch	CRViT, FEM	平均精度（mAP@50）	NA
366	2026-06-07	HeartUnloadNet: A cycle-consistent graph network with reduced supervision for predicting unloaded cardiac geometry from diastolic states 2026-Apr, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2026.109243 PMID:41529595	研究论文	提出HeartUnloadNet，一种基于图注意力网络的深度学习框架，用于从舒张期状态直接预测心脏卸载几何形状，具有减少监督的特点	首次结合图注意力网络、循环一致双向训练策略和生理参数（压力、心肌硬度、纤维方向）实现高效准确的无负载心脏几何预测，并大幅减少监督需求	论文未明确说明局限性，但可能包括仅针对左心室建模，未考虑右心室或其他心脏结构，以及模拟数据与真实临床数据的潜在差异	开发一种高效准确的深度学习框架，直接从临床舒张末期状态预测左心室无负载几何形状，替代传统逆有限元求解器	左心室无负载几何形状的预测	机器学习	心血管疾病	有限元模拟	图注意力网络	有限元模拟生成的网格数据	10,350个有限元模拟样本	NA	图注意力网络	Dice相似系数、Hausdorff距离、平均距离、节点误差标准差	NA
367	2026-06-07	Deep learning-enhanced QSAR modeling for predicting developmental neurotoxicity based on molecular initiating events from adverse outcome pathways 2026-Apr, Molecular diversity IF:3.9Q2 DOI:10.1007/s11030-025-11454-6 PMID:41575478	研究论文	提出了一种深度学习增强的QSAR建模框架，用于预测与农药污染大麻相关的发育神经毒性	首次将深度学习与AOP框架中的分子起始事件结合，用于预测发育神经毒性，并利用SHAP值增强模型可解释性	NA	开发深度学习增强的QSAR模型以预测化学物质的发育神经毒性	分子起始事件和关键事件的结合亲和力	机器学习	发育神经毒性	QSAR建模	深度神经网络	分子结构数据	24,476种化合物，来自ChEMBL数据库	NA	深度神经网络	相关系数，均方根误差	NA
368	2026-06-07	Artificial intelligence in animal anatomy: Exploring the technologies, applications, benefits, and challenges 2026-Apr, Annals of anatomy = Anatomischer Anzeiger : official organ of the Anatomische Gesellschaft DOI:10.1016/j.aanat.2026.152796 PMID:41577147	综述	探讨人工智能在动物解剖学中的应用，包括技术、应用、优势和挑战	系统综述了机器学习与深度学习在兽医解剖学中的应用，尤其是计算机视觉和三维建模的整合，以及数字化尸体在教育和诊断中的创新使用	数据稀缺、物种间不一致、标准化数据集有限，以及数据异质性和质量问题	综述人工智能在动物解剖学中的技术、应用、益处和挑战	动物解剖学中的数字技术、机器学习、深度学习、计算机视觉和三维建模	机器学习	兽医疾病	微计算机断层扫描、图像处理	CNN、深度学习模型	图像	不适用	不适用	EspINA、ZeBraInspector、Anatomage Table	不适用	不适用
369	2026-06-07	Integrating artificial intelligence (AI) into colorectal cancer reporting 2026-Apr, The Journal of pathology IF:5.6Q1 DOI:10.1002/path.70029 PMID:41588707	综述	探讨将人工智能整合到结直肠癌报告中的进展，包括标准化病理报告和发现新的预后生物标志物	提出将传统病理特征与AI衍生预后指标相结合的协调方法以改进风险分层	未在文中明确说明，但综述性质可能缺乏实证验证	综述AI在结直肠癌病理报告标准化和新型预后生物标志物发现中的应用	结直肠癌病理报告和预后评估	自然语言处理, 机器视觉	结直肠癌	深度学习, 多模态视觉语言模型	深度学习, 视觉语言模型	全切片图像, 文本	不适用	不适用	不适用	不适用	不适用
370	2026-06-07	Accurate enzyme specificity constant prediction with iESC 2026-Apr, Bioresource technology IF:9.7Q1 DOI:10.1016/j.biortech.2026.134067 PMID:41592658	研究论文	提出了一种基于酶序列和底物结构预测酶特异性常数（包括米氏常数和转换数）的深度学习模型iESC	首次仅基于酶序列和底物结构即可准确预测酶特异性常数，无需耗时实验测量	NA	准确预测酶特异性常数，加速酶特性表征	酶-底物对的动力学参数（K和k值）	机器学习	NA	深度学习	深度学习模型	酶序列和底物结构	41,907个酶-底物动力学参数	NA	集成多种先进特征提取和深度学习技术	决定系数R、均方根误差RMSE、平均绝对误差MAE	NA
371	2026-06-07	Deep learning in fetal, infant, and toddler neuroimaging research 2026-Apr, Developmental cognitive neuroscience IF:4.6Q1 DOI:10.1016/j.dcn.2026.101680 PMID:41604954	综述	综述深度学习在胎儿、婴儿和幼儿神经影像研究中的应用，包括结构图像分析、数据采集增强、认知与感知过程建模及自动视频标注	针对胎儿、婴儿和幼儿神经影像数据稀缺、解剖变异大的挑战，系统总结深度学习在该领域的应用，并提供面向非AI专业人员的DL概念概述	应用案例为非穷尽选择，未涵盖所有相关研究；主要针对FIT领域，可能不适用于其他医学影像领域	为FIT研究社区（包括临床医生、神经科学家和发展科学家）提供深度学习在神经影像中应用的易懂综述	胎儿、婴儿和幼儿神经影像数据	医学影像分析	NA	NA	深度学习	图像、视频	NA	NA	NA	NA	NA
372	2026-06-07	Artificial intelligence and multi-omics convergence in breast cancer: Revolutionizing diagnosis, prognostication, and precision oncology 2026-Apr, Critical reviews in oncology/hematology DOI:10.1016/j.critrevonc.2026.105160 PMID:41616992	综述	总结人工智能与多组学整合在乳腺癌诊断、预后和精准肿瘤学中的进展、挑战与未来方向	系统总结深度学习在多模态融合中的代表性框架，提出缺失感知融合、可解释建模及工作流评估等可落地方向	缺乏前瞻性临床验证，多中心异质性、跨平台标准化不足、模型可解释性有限等关键障碍	促进多模态AI与多组学整合在乳腺癌临床管理中的可靠应用	乳腺癌多组学数据（基因组、转录组、表观组、蛋白质组、代谢组）与临床、影像、病理数据	机器学习	乳腺癌	多组学测序（基因组、转录组、表观组、蛋白质组、代谢组）	深度学习	多组学数据、影像、病理、临床变量	NA	NA	多模态融合架构、深度表示学习	NA	NA
373	2026-06-07	Passive data do not improve prediction or detection of alcohol consumption beyond temporal patterns in major depression: A 90-day cross-validated study 2026-Apr, Addictive behaviors IF:3.7Q1 DOI:10.1016/j.addbeh.2026.108624 PMID:41610630	研究论文	本研究探究深度学习模型能否利用被动收集的数据（如加速度计、心率等）检测和预测重度抑郁症患者的酒精使用情况	首次在重度抑郁症患者中系统评估被动数据结合深度学习对酒精使用检测和预测的效果，并发现时间模式（如星期几）本身已包含主要预测信号	被动数据并未显著提升预测性能，模型效果与仅使用时间信息作为预测因子的基线方法相当，表明模型附加价值有限	评估被动数据（来自智能手机和智能手表）对酒精使用的检测和预测能力，并与时间模式基线对比	300名临床确诊的重度抑郁症患者	机器学习	重度抑郁症、酒精使用障碍	被动数据采集（加速度计、心率、呼吸频率、屏幕使用、GPS数据）	深度学习模型（具体未明确指定）	时间序列数据、自我报告数据	300名临床重度抑郁症患者，90天纵向研究	NA	NA	AUC	NA
374	2026-06-07	Artificial intelligence for single-omics in ovarian cancer: a methodological review 2026-Apr, International journal of gynecological cancer : official journal of the International Gynecological Cancer Society IF:4.1Q2 DOI:10.1016/j.ijgc.2025.104452 PMID:41617590	综述	对2021至2024年间14项应用人工智能于卵巢癌单组学数据的研究进行方法学综述	系统总结了AI在卵巢癌基因组、转录组、代谢组、微生物组和表观基因组中的应用，并强调了数据预处理、归一化和特征选择等关键方法学因素	样本量小、回顾性单中心设计、验证数据集使用不一致、回归方法应用不足	综述AI与组学数据整合在卵巢癌诊断、预后和个性化治疗中的最新进展与挑战	上皮性卵巢癌患者的基因组、转录组、代谢组、微生物组和表观基因组数据集	机器学习	卵巢癌	NA	CNN, LSTM, GAN	组学数据（基因组、转录组、代谢组、微生物组、表观基因组）	14项研究，样本量描述不具体	NA	深度学习, 随机森林, 支持向量机	分类准确率, AUC	NA
375	2026-06-07	Predicting functional bioactivities in fermented milk using deep learning on liquid chromatography-mass spectrometry metabolomics 2026-Apr, Journal of dairy science IF:3.7Q2 DOI:10.3168/jds.2025-27048 PMID:41581659	研究论文	利用深度学习从液相色谱-质谱代谢组学数据预测发酵乳的功能生物活性	提出了一个结合稳健预处理、正则化和数据增强的1D-CNN框架，能够在有限样本量下从LC-MS代谢组学签名高精度预测多项体外生物活性指标	样本量较小（仅18个发酵乳样品），且生物活性评估仅限于9项体外试验，可能无法完全代表体内功效	探索深度学习能否作为传统化学分析的更快、更高效的替代方案，用于评估发酵乳制品的健康促进性能	18份来自骆驼奶和牛奶并用不同细菌菌株发酵的发酵乳样品及其LC-MS代谢组学数据和9项体外生物活性测量值	机器学习	NA	液相色谱-质谱（LC-MS）	一维卷积神经网络（1D-CNN）	代谢组学数据（LC-MS谱图）	18个发酵乳样品（来自骆驼奶和牛奶，不同菌株发酵）	NA	1D-CNN	平均绝对误差（MAE）	NA
376	2026-06-06	Geometry-aware graph attention networks to explain single-cell chromatin states and gene expression with SEAGALL 2026-Apr-23, Genome biology IF:10.1Q1 DOI:10.1186/s13059-026-04066-2 PMID:42026624	研究论文	提出SEAGALL方法，利用几何感知图注意力网络解释单细胞染色质状态和基因表达	首次结合几何正则化自编码器与可解释图注意力网络，从单细胞多组学数据中量化分子特征对细胞表型的影响，超越传统差异标记基因分析	NA	开发可解释深度学习方法，揭示驱动细胞身份的核心分子特征	单细胞测序数据中的分子特征与细胞表型关系	机器学习	NA	单细胞测序	图注意力网络	单细胞多组学数据	NA	PyTorch	几何正则化自编码器, 可解释图注意力网络	NA	NA
377	2026-06-06	Protein and ligand novelty in drug-target interaction prediction: a dual-encoder fusion strategy for more interpretable and generalizable modeling 2026-Apr-22, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-026-06457-5 PMID:42021142	研究论文	提出一种双编码器融合框架用于药物-靶标相互作用预测，并采用新颖性感知评估协议验证泛化能力	首次系统评估配体和蛋白质新颖性对DTI预测的影响，采用决策级融合结合预训练的ESM蛋白质嵌入与两种互补配体表示（ChemBERTa分子语言编码器和图结构编码器），并引入配体中心梯度可解释性分析	外部验证（Davis和KIBA数据集）中AUC值相对较低（0.60-0.64），表明面对显著生物化学领域偏移时性能仍有限	提高DTI预测模型对新化合物和新蛋白质目标的泛化能力和可解释性	药物-靶标相互作用，包括配体（药物分子）和蛋白质靶标	机器学习, 自然语言处理	NA	NA	ESM, ChemBERTa, 图神经网络	序列数据, 图数据	大规模BindingDB数据集，外部验证使用Davis和KIBA数据集	PyTorch（基于ESM和ChemBERTa常用框架推断）	ESM, ChemBERTa, 图编码器	F1分数, AUC, 召回率	NA
378	2026-06-06	Fast cardiac magnetic resonance (CMR) protocol for biventricular functional assessment and tissue characterisation 2026-Apr-15, International journal of cardiology IF:3.2Q2 DOI:10.1016/j.ijcard.2026.134197 PMID:41605334	研究论文	比较传统标准心脏磁共振方案与基于深度学习重建的新颖快速方案，评估图像质量、功能测量、心肌特征及总扫描时间	首次验证包含深度学习重建（Sonic DL bSSFP cine和AIR Recon DL的2D多段PSIR LGE）的快速CMR方案在保持诊断质量的同时将总扫描时间缩短近60%至10分钟内	单中心研究且样本量有限（100例），需进一步在更大规模多中心队列中验证	评估基于深度学习重建的快速CMR方案与传统标准方案在双心室功能评估和组织特征分析中的等效性	100例已知或疑似心肌病变患者（男性78%，平均年龄52±16岁）	医学影像	心肌疾病	心脏磁共振成像	深度学习重建模型	磁共振图像	100例患者临床数据	NA	Sonic DL, AIR Recon DL	Likert评分, 心室大小, 功能参数, 左心室质量	NA
379	2026-06-06	A research on applying the diffusion model algorithm for Infrared and Raman spectroscopy data augmentation to improve the accuracy of diseases 2026-Apr-15, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2026.127466 PMID:41558273	研究论文	提出基于扩散模型的红外和拉曼光谱数据增强方法，以提升疾病诊断准确率	将扩散模型应用于光谱数据增强，通过多尺度多头部注意力机制提取光谱形态和局部特征，实现条件约束下的准确去噪和特征重建	未提及模型在更大规模多中心数据上的验证，以及实际临床部署的鲁棒性	解决光谱数据样本量小、噪声干扰和设备差异导致深度学习模型过拟合和泛化能力差的问题	甲状腺和系统性红斑狼疮疾病的光谱数据	机器学习	甲状腺肿瘤, 系统性红斑狼疮	红外光谱, 拉曼光谱	扩散模型	光谱数据	甲状腺红外数据集、系统性红斑狼疮红外数据集、甲状腺拉曼数据集、系统性红斑狼疮拉曼数据集	PyTorch	EfficientNet, MLP, Transformer	皮尔逊相关系数, 相似度, 准确率	NA
380	2026-06-06	Boosting underwater image quality: a deep learning approach to denoising and enhancement 2026-Apr-14, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-47888-7 PMID:41981021	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA