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
481	2026-05-30	Automatic Grade Classification in Prostate Histopathological Images Using EfficientNet and Ordinal Focal Loss 2026-Apr-26, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering13050503 PMID:42194261	研究论文	提出基于EfficientNet结合序数焦点损失的深度学习流程，用于前列腺组织病理图像中的ISUP分级自动分类	将序数回归与Focal Loss整合为混合损失函数，并采用基于熵的噪声过滤策略去除高不确定性样本	实验仅在PANDA数据集上验证，未在其他独立数据集上测试其泛化能力	提高前列腺癌ISUP分级自动分类的准确性，减少因类别相似、样本不平衡和标签噪声带来的误分类	前列腺组织病理图像中的ISUP分级组	数字病理学	前列腺癌	深度学习	EfficientNet卷积神经网络	组织病理图像	PANDA数据集	PyTorch	EfficientNet	Cohen's Kappa系数（κ）, 准确率（Accuracy）	NA
482	2026-05-30	Impact of Trait Measurement Error on Quantitative Genetic Analysis of Computer Vision-Derived Traits 2026-Apr-24, Genes IF:2.8Q2 DOI:10.3390/genes17050506 PMID:42194963	研究论文	探讨计算机视觉衍生性状测量误差对猪体重定量遗传分析的影响	首次系统评估图像衍生表型中测量误差的遗传性及其对遗传分析结果的潜在偏差	未提及具体局限性	研究动物表型测量误差对定量遗传分析结果的影响	猪的体重（BW）	计算机视觉	NA	计算机视觉算法	深度学习回归模型	图像	未明确提及样本数量	NA	NA	决定系数、拟合优度	NA
483	2026-05-30	Deep Learning-Guided Engineering of Bst DNA Polymerase Improves LAMP-Based Detection of Foodborne Pathogens 2026-Apr-23, Microorganisms IF:4.1Q2 DOI:10.3390/microorganisms14050954 PMID:42197341	研究论文	本研究结合深度学习与半理性设计策略，改造Bst DNA聚合酶，提升基于LAMP的食源性病原体检测性能	首次将深度学习引导的蛋白质工程与融合蛋白技术结合，开发出热稳定性增强、抑制剂耐受性提高的CL7-L105M突变体，显著提升LAMP检测的灵敏度和便携性	未提及在复杂真实食品基质中的验证，且仅针对单一病原体（大肠杆菌O157:H7）进行检测	开发高性能DNA聚合酶，用于快速、灵敏、现场部署的LAMP食源性病原体检测	Bst DNA聚合酶及其突变体（A0A150MFP3、L105M、CL7-突变体）	机器学习, 数字病理学（注：实际为生物技术，但根据选项选择"机器学习"）	食源性疾病（如大肠杆菌O157:H7感染）	LAMP（环介导等温扩增），高通量筛选，融合蛋白工程	深度学习模型（未具体说明架构，如CNN）	序列数据（蛋白质序列），实验数据（酶活性、热稳定性等）	未明确样本数量，仅涉及大肠杆菌O157:H7的纯化和粗提DNA检测	未明确提及，可能包括深度学习框架（如TensorFlow或PyTorch）	未明确指定深度学习模型架构	酶活性增加率（32.92%），Tt值，检测限（1×10^4 CFU/mL）	未提及
484	2026-05-30	Development and validation of the IVENUS artificial intelligence model for automated CEAP classification of early-stage chronic venous disease using lower limb photographs 2026-Apr-21, Journal of vascular surgery. Venous and lymphatic disorders DOI:10.1016/j.jvsv.2026.102503 PMID:42025953	研究论文	开发并验证基于下肢照片自动进行早期慢性静脉疾病CEAP分级的IVENUS人工智能模型	首次利用深度学习模型（基于Swin Transformer V2架构）从下肢照片中自动分类早期CVD的CEAP临床分级（C0-C2），并展示了高诊断价值	未提及具体限制，但可能包括数据集的多样性（仅来自俄罗斯诊所）和模型对极端条件的鲁棒性未测试	开发和验证一个AI模型，以从下肢照片中准确分类早期慢性静脉疾病的CEAP临床分级	早期慢性静脉疾病患者的下肢照片	计算机视觉, 数字病理学	慢性静脉疾病	智能手机和专业相机摄影	深度学习模型（Swin Transformer V2）	图像（下肢照片）	10,745张下肢照片，包含C0期673条腿、C1期4445条腿、C2期5627条腿；外部验证子集1622张照片	PyTorch	Swin Transformer V2	准确率, 精确率, 召回率（灵敏度）, 特异度	NA
485	2026-05-30	A Transformer-Residual Network-Integrated Deep Learning Model for Digital Pathology-Based Grading and Risk Stratification of Metabolic Dysfunction-Associated Steatotic Liver Disease-Related Liver Fibrosis 2026-Apr-20, Clinical and translational gastroenterology IF:3.0Q2 DOI:10.14309/ctg.0000000000001017 PMID:42007561	研究论文	开发并验证了一种结合Transformer和残差网络的深度学习模型，用于基于数字病理图像的MASLD相关肝纤维化分级和风险分层	首次将Transformer与残差网络架构集成应用于MASLD肝纤维化的数字病理分级，并通过可解释性分析支持病理辅助决策	需要整合临床风险因素并在纵向结局框架中进行验证	开发用于MASLD相关肝纤维化自动分级和病理表型识别的深度学习模型	人类肝活检组织的马森染色数字病理图像	数字病理学	代谢功能障碍相关脂肪性肝病	数字病理成像	Transformer-残差网络集成模型	图像	467例肝活检标本（来自Duke 338例、MHH 72例、BI-int 57例）	PyTorch	Transformer, ResNet, 1×1步进卷积, 多头自注意力	准确率, 混淆矩阵, 连续AI评分, 梯度加权类激活映射	NA
486	2026-05-30	Artificial intelligence in microbiology: implications for metagenomics, diagnostics, and AMR surveillance 2026-Apr-11, Biomedical engineering online IF:2.9Q3 DOI:10.1186/s12938-026-01568-9 PMID:41965741	综述	综述人工智能在微生物学中的应用，特别是对宏基因组学、诊断和抗菌素耐药性监测的影响	重点讨论了深度学习、基于Transformer的序列模型、图神经网络和多模态架构在微生物分类、耐药基因检测和耐药性预测中的最新进展，并强调了可解释AI技术的应用	存在数据集变异、模型对数据集的依赖性、可解释性不足和监管审批问题	综述AI辅助微生物学的最新进展，重点关注抗菌素耐药性监测	微生物基因组、宏基因组、临床数据及抗菌素耐药性相关基因和表型	机器学习, 自然语言处理	感染性疾病	宏基因组测序	深度学习, Transformer, 图神经网络, 多模态架构	基因组数据, 宏基因组数据, 临床数据	NA	NA	NA	NA	NA
487	2026-05-30	Utilizing deep learning algorithms and artificial neural networks to forecast the viscosity, thermal conductivity, and electrical conductivity of Fe3O4/TiO2 magnetic hybrid nanofluid 2026-Apr-06, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-45886-3 PMID:41942598	研究论文	利用机器学习算法预测Fe₃O₄/TiO₂磁性混合纳米流体的粘度、热导率和电导率	首次将多元多项式回归模型与多目标灰狼优化器结合，用于同时预测和优化纳米流体的多种热物理性质	NA	预测并优化Fe₃O₄/TiO₂磁性混合纳米流体的热物理性质	Fe₃O₄/TiO₂磁性混合纳米流体	机器学习	NA	NA	多元多项式回归、高斯过程回归、多元线性回归、支持向量回归、多层感知器	实验数据	温度范围10-50°C，体积分数0-0.3%	Scikit-learn	MPR, GPR, MLR, SVR, MLP	相关系数、均方根误差	NA
488	2026-05-30	Malignant vs. Non-malignant Annotations on TCGA Breast Cancer Whole Slide Images for AI Analysis 2026-Apr-02, Scientific data IF:5.8Q1 DOI:10.1038/s41597-026-07106-5 PMID:41922381	研究论文	在TCGA乳腺癌全切片图像上生成恶性和非恶性注释，用于AI分析	利用专家病理学家手动注释及独立复核，生成高质量注释；结合对比-监督混合机器学习流水线进行质量验证，F1分数达0.90	NA	为乳腺癌组织病理学的AI模型提供高质量注释数据集	乳腺癌全切片图像中的恶性和非恶性区域	数字病理学	乳腺癌	全切片成像	对比-监督混合机器学习模型	图像	50张TCGA乳腺癌全切片图像，包含1,882个恶性注释和374个非恶性注释	NA	NA	F1分数	NA
489	2026-05-30	An end-to-end generalizable deep learning framework to comprehensively analyze transcriptional regulation 2026-04-01, Nature communications IF:14.7Q1 DOI:10.1038/s41467-026-70070-6 PMID:41922356	研究论文	介绍BioSeq2Seq，一个端到端的可泛化深度学习框架，通过整合进化保守的DNA序列特征、细胞系特异性转录活性和方向性，推断用于基因组注释的分子检测结果	提出三模态输入（DNA序列、转录活性、方向性）结合梯度引导架构优化的深度学习框架，实现跨任务的通用基因组注释，显著降低实验成本	未提及在跨物种或复杂疾病场景下的泛化性能，且依赖单细胞系输入数据可能限制对组织特异性调控的全面解析	开发一种高效低成本的基因组注释方法，替代传统多分子实验重复工作	基因转录调控机制及基因组功能元件注释	机器学习, 自然语言处理	NA	深度测序	深度学习模型	DNA序列、转录活性数据	NA	PyTorch	BioSeq2Seq	准确率, 改善率	NA
490	2026-05-30	GCNPath: introspecting drug response prediction with pathway-guided graph convolution networks 2026-Apr-01, Communications biology IF:5.2Q1 DOI:10.1038/s42003-026-09957-5 PMID:41922495	研究论文	提出一种结合图卷积网络与路径特征降维的模型GCNPath，用于药物反应预测	首次系统性基准测试验证模型架构与性能的关系，并展示对未见药物和批次效应的鲁棒性	未说明具体限制	开发能适应多样化组学数据集、具实际可用性的药物反应预测模型	癌症细胞系的多组学数据及药物反应	机器学习	癌症	基因表达谱、多细胞组学平台	图卷积网络 (GCN)	组学数据（RNA数据等）	未说明具体样本量	PyTorch	GCN	预测未见药物性能、批次效应克服能力	NA
491	2026-05-27	Bridging the Gap Between Artificial Intelligence and Clinical Readiness in Endometriosis Diagnosis: A Systematic Review 2026-Apr-30, Journal of minimally invasive gynecology IF:3.5Q1 DOI:10.1016/j.jmig.2026.04.016 PMID:42069053	综述	系统评估人工智能在子宫内膜异位症诊断中的方法学质量和诊断性能	首次系统性评估AI在子宫内膜异位症诊断中的方法学质量，并使用QUADAS-2工具进行严格评价	研究主要基于回顾性设计和狭窄的患者选择，存在显著临床异质性和系统脆弱性，如频谱偏倚和选择偏倚	评估AI（尤其是机器学习和深度学习）在通过影像学和临床症状诊断子宫内膜异位症中的方法学质量和诊断性能	子宫内膜异位症患者，基于MRI、超声或患者报告症状的AI诊断模型	机器学习	子宫内膜异位症	NA	机器学习模型，深度学习模型	影像数据（MRI、超声）、文本数据（患者报告症状）	NA	NA	随机森林、XGBoost	准确率、AUC	NA
492	2026-05-27	Imaging Through Scattering Tissue Using Near Infra-Red and a Convolutional Autoencoder 2026-Apr-18, Sensors (Basel, Switzerland) DOI:10.3390/s26082507 PMID:42076614	研究论文	提出一种基于近红外照明与深度学习卷积自编码器的低代价、非侵入性皮下成像方法，用于肿瘤边缘检测	首次将近红外光与基于U-Net的卷积自编码器结合，实现通过散射介质对隐藏结构的高质量重建，克服了传统成像模态的高成本和术中限制	对分布外样本的泛化能力有限，重建结果伴有轻微平滑伪影	开发一种安全、快速、成本效益高的皮下可视化技术，用于临床相关肿瘤边缘检测	组织模拟鸡胸肉幻影下的隐藏结构图案	计算机视觉，数字病理学	肿瘤	近红外成像，深度学习	卷积自编码器	图像	约10,000对样本	PyTorch	U-Net	峰值信噪比（PSNR），结构相似性指数（SSIM），特征相似性指数（FSIM）	NA
493	2026-05-27	Sagittal-Plane Knee Flexion Moment Estimation Using a Lightweight Deep Learning Framework Based on Sequential Surface EMG Feature Frames 2026-Apr-18, Sensors (Basel, Switzerland) DOI:10.3390/s26082500 PMID:42076609	研究论文	提出一种基于顺序表面EMG特征帧的轻量级深度学习框架，用于矢状面膝关节屈曲力矩估计	提出Topo2DCNN-LSTM轻量级二维卷积神经网络模型，将原始sEMG信号转换为紧凑的RMS特征帧，在资源受限设备上实现低延迟推理	仅针对健康受试者的有限行走条件进行验证，且为单侧膝关节力矩估计的概念验证	开发轻量级深度学习模型，实现非卧床场景下膝关节力矩的实时估算，便于可穿戴边缘部署	健康受试者在跑步机上以两种速度行走时的矢状面膝关节屈曲力矩	机器学习, 数字健康	NA	表面肌电图（sEMG），特征帧提取（RMS）	CNN, LSTM	时序信号（sEMG和关节动力学数据）	公开数据集，包含健康受试者在1.2 m/s和1.8 m/s跑步机速度下的数据	NA	Topo2DCNN-LSTM（轻量级2D CNN编码器 + LSTM单元）	均方根误差	SparkFun Thing Plus-SAMD51微控制器，RAM 71,316字节，Flash 257,172字节
494	2026-05-27	Interpretable multimodal PET/CT-EHR fusion via mixture-of-experts for prognostic stratification in mantle cell lymphoma: a multicenter study 2026-Apr-16, BMC medicine IF:7.0Q1 DOI:10.1186/s12916-026-04865-1 PMID:41992190	研究论文	本研究开发了一个可解释的多模态PET/CT-EHR融合深度学习框架，用于套细胞淋巴瘤的个体化风险分层	首次将混合专家网络融合PET/CT与电子健康记录数据，结合视觉编码器、影像组学提取器和医学语言模型构建多模态影像组学特征	NA（需要根据上下文推断，但摘要未明确提及局限性）	建立可解释的深度学习框架，整合PET/CT和电子健康记录数据进行套细胞淋巴瘤预后分层	187例初治套细胞淋巴瘤患者的多中心队列数据	机器学习	套细胞淋巴瘤	FDG-PET/CT成像	混合专家网络	影像数据、文本数据	187例套细胞淋巴瘤患者	PyTorch	混合专家网络、视觉编码器、医学语言模型	AUC, HR, C-index, 时间依赖性ROC, 校准曲线, 决策曲线分析	NA
495	2026-05-27	Non-invasive diagnosis strategy integrating PSMA PET/CT and mpMRI for patients with suspected prostate cancer: a multi-center study 2026-Apr-16, BMC medicine IF:7.0Q1 DOI:10.1186/s12916-026-04859-z PMID:41992197	研究论文	开发并外部验证了一种整合PSMA PET/CT和mpMRI的多模态影像组学模型，用于前列腺癌的自动化诊断	首次构建了多模态PET/CT与mpMRI联合的机器学习模型，并在多中心数据中验证了其外部泛化能力；比较了专家手动分割和深度学习自动分割的前列腺VOI对诊断性能的影响	研究为回顾性设计，可能引入选择偏倚；外部验证队列样本量相对较小	开发并外部验证整合PET/CT和mpMRI的自动化前列腺癌诊断模型	疑似前列腺癌患者	机器学习	前列腺癌	PSMA PET/CT, mpMRI (T2和DWI)	机器学习分类器	影像数据	488名疑似前列腺癌患者（366名用于模型开发和内部验证，41名用于外部验证队列1，81名用于外部验证队列2）	NA	LR, SVM, Random Forest, Extra Trees, XGBoost, LightGBM	AUC, 灵敏度, 特异性, 准确率, 阳性预测值, 阴性预测值	NA
496	2026-05-27	Incorporating normal periventricular changes for enhanced pathological white matter hyperintensity segmentation: on multiclass deep learning approaches 2026-Apr-16, Biomedical engineering online IF:2.9Q3 DOI:10.1186/s12938-026-01555-0 PMID:41992229	研究论文	本研究探讨在深度学习模型训练中将正常脑室周围高信号作为独立类别，以增强病理性白质高信号分割性能	首次将正常年龄相关的脑室周围高信号作为显式类别纳入多类分割训练，相较于传统二分类方法显著提升病理性病变检测能力	数据来自115名神经退行性疾病患者，样本量有限；仅评估了四种架构，未涵盖更多先进模型	通过多类深度学习分割方法区分病理性白质高信号与正常年龄相关高信号，降低假阳性率	115名神经退行性疾病患者的2750张FLAIR MRI图像	计算机视觉	神经退行性疾病	MRI	U-Net, Attention U-Net, DeepLabV3Plus, Trans-U-Net	图像	115名患者，2750张FLAIR图像	PyTorch	U-Net, Attention U-Net, DeepLabV3Plus, Trans-U-Net	Dice系数, Hausdorff距离, Cohen's d	NA
497	2026-05-27	Tripleknock: predicting lethal effect of three-gene knockout in bacteria by deep learning 2026-Apr-10, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-46272-9 PMID:41963398	研究论文	提出Tripleknock深度学习模型，用于预测细菌三基因敲除的致死效应	首次利用蛋白质序列特征和通量平衡分析模拟训练深度学习模型，实现无需基因组规模代谢模型的全基因组三基因敲除致死性预测，速度比FBA快约20倍	模型基于大肠杆菌K-12 MG1655的训练数据，跨物种验证仅针对6种肠杆菌科病原体，且外部验证数据集较小（仅37个三重扰动）	开发快速、不依赖基因组规模代谢模型的生物信息学方法，用于全基因组三基因敲除致死性筛选	细菌三基因敲除的致死效应预测	机器学习	NA	蛋白质序列特征提取、通量平衡分析	深度学习模型（具体架构未明确说明）	蛋白质序列特征、基因敲除模拟结果	大肠杆菌K-12 MG1655的三基因敲除FBA模拟数据，以及6种肠杆菌科病原体的跨物种验证数据	NA	NA	F1分数	NA
498	2026-05-27	LobePrior segments lung lobes on computed tomography images in the presence of severe abnormalities 2026-Apr-10, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-48136-8 PMID:41963526	研究论文	提出LobePrior方法，结合深度神经网络和概率模型，在严重肺部异常情况下实现准确的肺叶分割	将概率模型与深度神经网络结合，利用标签融合导出的先验知识指导严重异常区域的分割，并引入合成病变生成进行数据增强	未明确说明限制	开发在严重肺部异常情况下仍能稳健进行肺叶分割的自动化算法	CT影像中的肺叶区域	数字病理学	肺部疾病（包括癌症结节和COVID-19合并症）	CT成像	AttUNet	图像	使用LOLA11及三个额外数据集（含癌性结节或COVID-19合并症）	PyTorch	AttUNet	Dice系数	NA
499	2026-05-27	Fusing non-textual cues with classical NLP for enhanced multimodal fake news spread detection 2026-Apr-09, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-45735-3 PMID:41957109	研究论文	提出一种融合非文本线索与深度文本特征的多模态深度学习架构，用于提升假新闻检测的准确性和鲁棒性	首次将统计行为特征、字符级特征与词级语义特征通过多头自注意力机制动态融合，实现多模态信息的智能化整合	未说明模型对对抗性文本攻击的鲁棒性，以及跨平台泛化能力验证不足	开发一种高效的多模态假新闻检测系统，以应对传统文本分析方法在复杂虚假信息检测中的局限	社交平台上传播的新闻内容及其发布者的非文本行为特征	自然语言处理	NA	Word2Vec、多头自注意力机制	深度学习多模态模型	文本数据	使用GossipCop和PolitiFact两个公开数据集进行实验	PyTorch	多头自注意力机制、SoftMax分类器	准确率, F1值	NA
500	2026-05-27	Machine-enhanced reconstruction of functional connectomes unravels discriminative brain sub-systems in health and disease 2026-Apr-09, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-47391-z PMID:41957158	研究论文	提出基于机器学习的全连接网络重建方法，利用几何深度学习识别具有区分性的脑子系统，应用于健康与自闭症谱系障碍受试者的功能磁共振成像数据分析	首次提出基于集体功能连接修剪的方法替代传统统计阈值修剪，利用几何深度学习学习网络表征并借助可解释人工智能识别最具有区分性的子网络，从而发现机器学习的子系统协同激活模式可显著提高对受影响个体的识别	方法在自闭症谱系障碍数据集上验证，未在其他脑疾病上测试，且依赖于功能磁共振成像数据的多频分解，可能受限于数据质量与频率选择	开发一种全连接网络重建方法，通过集体共激活模式而非独立统计显著性来保留连接，以更可靠地表征脑部疾病并识别生物标志物	健康与自闭症谱系障碍受试者的功能磁共振成像数据	机器学习, 计算机视觉	自闭症谱系障碍	功能磁共振成像	几何深度学习	功能磁共振成像信号	健康与自闭症谱系障碍受试者（具体数量未提供）	NA	几何深度学习网络	受试者识别准确性	NA