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
1	2026-07-18	Automated interictal epileptic spike detection from simple and noisy annotations in MEG data 2026-May-30, Brain structure & function IF:2.7Q3 DOI:10.1007/s00429-026-03118-4 PMID:42217046	研究论文	本文提出使用深度学习方法从含噪标注的脑磁图数据中自动检测发作间期癫痫棘波	提出两种模型架构（基于特征的人工神经网络和卷积神经网络），采用交互式机器学习策略迭代提升数据标注质量，无需大量标注数据即可处理真实临床中的不完美标注	测试集仅含10名留出患者，样本量较小，可能限制泛化能力；模型F1分数（CNN=0.46, ANN=0.44）仍有提升空间	开发实用高效的自动检测方法，用于药物难治性癫痫患者的术前评估中辅助定位致痫区	脑磁图记录中发作间期癫痫棘波的检测	机器学习	癫痫	脑磁图	人工神经网络、卷积神经网络	脑磁图时间序列信号	82名患者的脑磁图数据	NA	基于特征的人工神经网络、卷积神经网络	F1分数	NA
2	2026-07-18	Validation of an automated AI-based micro-CT organ segmentation workflow against expert annotations and its impact on fluorescence quantification 2026-May-29, European radiology experimental IF:3.7Q1 DOI:10.1186/s41747-026-00742-x PMID:42213317	研究论文	验证基于AI的自动微CT器官分割工作流对荧光定量的影响	首次系统评估基于AI的器官分割在几何精度之外对下游荧光定量分析的影响，提出任务导向的验证策略	仅评估小鼠全身微CT数据，未涵盖其他动物模型或成像模态；DSC评分低的结果解释为系统边界差异，可能忽略部分分割误差来源	验证商业AI器官分割工具在微CT成像中的准确性、可重复性、处理速度及其对FLT定量的影响	小鼠心脏、肺、肝脏和肾脏的微CT图像分割	数字病理学	非特定疾病	微计算机断层扫描（micro-CT）	深度学习	图像	27只小鼠	NA	NA	Sørensen-Dice相似系数（DSC）、器官体积	NA
3	2026-07-18	A novel hybrid deep learning framework for customer churn prediction using RFM and embedding clustering 2026-May-28, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-53220-0 PMID:42209595	研究论文	提出一种融合RFM特征工程、深度嵌入聚类和深度学习模型的混合框架，用于客户流失预测	首次将RFM特征工程、深度嵌入聚类（DEC）和深度序列模型（GRU和LSTM）统一集成在同一框架中，实现客户细分和流失预测的联合优化	传统机器学习模型（逻辑回归、支持向量机）在处理异构数据分布时适应性有限	解决电子商务中客户流失预测面临的标签数据不足和传统模型难以捕捉复杂动态行为模式的问题	电子商务客户交易数据，具体包括Online Retail数据集和Events数据集两个真实世界数据集	机器学习	NA	NA	LSTM, GRU, 深度自编码器	交易数据（结构化数据）	两个数据集：Online Retail数据集和Events数据集，规模和行为复杂度差异显著	PyTorch, Scikit-learn	LSTM, GRU, 深度自编码器	准确率	NA
4	2026-07-18	Artificial intelligence in cancer immunotherapy: current trends in predicting response and personalizing treatment 2026-May-28, Journal of the Egyptian National Cancer Institute IF:2.1Q3 DOI:10.1186/s43046-026-00371-w PMID:42209845	综述	本文综述了人工智能在癌症免疫治疗中的应用，重点预测治疗反应和个性化治疗的趋势	综合了多模态AI模型（结合基因组学、转录组学、放射组学、数字病理学、循环生物标志物和临床证据）来创建复合预测特征，并讨论了数字孪生、联邦学习等新兴系统	前瞻性及多中心验证稀缺，外部验证性能下降，临床实施受限于数据异质性、偏差、缺乏纵向验证、可重复性差和模型透明度不足	探讨AI如何提升癌症免疫治疗中治疗反应预测和个性化治疗的准确性及临床转化	癌症免疫治疗中预测生物标志物（如PD-L1、TMB、MSI）、多模态数据（图像、组学、临床数据）及细胞疗法（如CAR-T）的患者选择和毒性预测	机器学习	癌症	多模态数据融合（基因组学、转录组学、放射组学、数字病理学）	深度学习、集成模型	图像、文本、组学数据	NA	NA	NA	AUC	NA
5	2026-07-18	Enhancing resolution and image quality in musculoskeletal MRI using deep learning reconstruction 2026-May-28, European radiology experimental IF:3.7Q1 DOI:10.1186/s41747-026-00743-w PMID:42207458	研究论文	将深度学习重建技术整合进1.5T肌肉骨骼磁共振成像协议中，以提高图像分辨率并保持信噪比	首次在1.5T肌肉骨骼MRI标准协议中应用深度学习重建，在缩短采集时间的同时提高空间分辨率和图像质量	NA	评估深度学习重建在1.5T肌肉骨骼MRI中提高图像分辨率和质量的效果	膝关节、肩关节、踝关节和髋关节的MRI图像	机器视觉	肌肉骨骼疾病	MRI	深度学习重建	图像	39例MRI检查	NA	NA	Likert评分, SNR, CNR	1.5T MRI扫描仪
6	2026-07-18	Detection of Microbehavior Intervals for Predicting Mental Health: Clinically Relevant and Advanced Multimodal Temporal Analysis 2026-May-27, Journal of medical Internet research IF:5.8Q1 DOI:10.2196/87049 PMID:42202278	研究论文	通过检测微观行为间隔来预测医疗工作者的心理困扰状况，提出了一种无需人工标注的多模态时间分析方法	首次聚焦于微观行为间隔（短暂、非自愿的多模态非语言信号变化）来区分心理困扰特征，采用无监督异常检测模型自动提取间隔，无需人工标注	未明确提及研究局限性	评估微观行为间隔是否能改善对医疗工作者心理困扰特征（如职业倦怠和创伤后应激障碍）的区分能力	医疗工作者的心理困扰状态（包括中度-重度职业倦怠、亚阈值-临时性PTSD、共病及韧性类别）	计算机视觉, 机器学习	心理疾病（职业倦怠和创伤后应激障碍）	计算机视觉模型	无监督异常检测模型（MOMENT）、深度学习分类器	视频（面部表情、头部运动、目光、身体姿势和手势的时间序列数据）	151名医疗工作者的258个访谈录音	PyTorch	MOMENT（时间序列基础模型）	宏F1分数, 宏AUC	NA
7	2026-07-18	Deep Learning-Based Spatiotemporal Analysis of Cataract Surgery Videos for Surgical Risk Assessment 2026-May-15, Journal of visualized experiments : JoVE DOI:10.3791/70025 PMID:42224114	研究论文	提出一种深度学习框架，通过提取术中显微镜视频的时空特征来预测玻璃体切除手术风险	整合了cGAN增强预处理、图卷积网络结构感知特征提取、自适应向日葵优化特征选择和Transformer时序建模的创新框架	仅基于两个公开数据集验证，未在真实临床环境中测试	实现基于术中视频分析的实时手术风险预测，辅助临床决策	白内障手术视频中的时空特征与术后并发症风险关联	计算机视觉	白内障	cGAN增强预处理、图卷积网络、自适应向日葵优化、Transformer	深度学习模型（CNN、GAN、GCN、Transformer）	手术视频	CaDIS和SICS-105两个公开数据集	NA	cGAN、图卷积网络、自适应向日葵优化、Transformer	准确率、精确率、召回率、F1分数、AUC、像素准确率、每类准确率、mIoU、灵敏度、特异度	NA
8	2026-07-18	Quantum computing applications in drug discovery 2026-May-04, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbag274 PMID:42218713	综述	探讨量子计算在药物发现早期阶段（深度学习虚拟筛选、分子对接虚拟筛选和分子动力学）中的集成应用，强调其在噪声中等规模量子（NISQ）约束下的模块化协处理角色	系统分析了量子计算在三种计算策略中的具体插入点，提出以决策相关的可重复增益作为评估标准，而非单纯追求量子模块的可行性	指出量子模块在实际运行时间和资源约束下能否提供决策相关增益是核心问题，同时强调当前量子计算难以完全替代经典方法	评估量子计算在药物发现早期阶段的集成潜力和近中期进步评估标准	深度学习虚拟筛选、分子对接虚拟筛选和分子动力学这三种计算策略	机器学习	NA	NISQ, 量子计算	CNN, LSTM, GAN	NA	NA	NA	NA	NA	NA
9	2026-07-18	Artificial intelligence for antimicrobial resistance: advancing reproducibility, interpretability, and clinical deployment 2026-May-04, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbag269 PMID:42218717	综述	本文综述了人工智能在抗菌素耐药性领域从概念验证向临床决策支持系统转变过程中，在可重复性、可解释性和临床部署方面面临的挑战与解决方案	提出了一套实用标准框架，涵盖数据集整理、多中心外部验证、透明模型卡和系统化错误成本分析，并倡导成本敏感评估方法整合管理指标	未提供具体实验验证结果，主要基于文献分析提出框架性建议	推动AI-AMR从概念验证向临床嵌入式决策支持系统转化，建立严格的可重复性、可解释性和评估标准	人工智能在抗菌素耐药性领域的应用技术和方法	机器学习	抗菌素耐药性相关感染性疾病	NA	深度学习、基础模型、生成模型	文本、基因组数据	NA	NA	NA	准确性、假阳性率、假阴性率、时间至有效治疗、抗菌谱窄化、治疗天数	NA
10	2026-07-18	CLCNet: a contrastive learning and chromosome-aware network for genomic prediction in plants 2026-May-04, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbag270 PMID:42218721	研究论文	提出一种融合对比学习和染色体感知特征建模的新型深度学习框架CLCNet，用于提升植物基因组预测准确性	首次将对比学习与染色体感知网络相结合，通过对比学习模块捕捉基因型依赖的表型差异，染色体感知模块实现结构化特征选择，有效克服基因组预测中维度灾难和个体间变异捕获困难问题	未明确说明局限性	提高植物基因组预测模型的准确性，解决传统方法难以捕捉个体间变异和受维度限制的问题	玉米、油菜、大豆、棉花4种作物及其10个农艺重要性状	机器学习	NA	基因组选择，SNP标记	对比学习，染色体感知网络	基因组SNP数据，表型数据	4种作物品种，10个农艺性状	PyTorch	CLCNet（对比学习模块+染色体感知模块）	皮尔逊相关系数，均方误差	NA
11	2026-07-18	USADAE: a deep learning approach to disentangle hidden covariates in RNA-seq data 2026-May-04, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbag261 PMID:42218722	研究论文	提出了USADAE，一种基于深度学习的自编码器框架，用于从RNA-seq数据中分离隐含混杂因素与生物信号	首次将对抗解耦学习应用于RNA-seq数据中隐含混杂因素的自动分离，替代了传统线性假设方法	未提及具体局限性，但可能依赖数据量且需高计算资源	开发能有效从RNA-seq数据中解除隐含混杂因素干扰的深度学习方法	RNA-seq数据中的生物信号与未测技术变异和非线性混杂因素	机器学习	NA	RNA-seq	自编码器（Autoencoder）	基因表达数据	NA	PyTorch	对抗自编码器（Adversarial Autoencoder）	差异表达分析准确性、eQTL分析效果	NA
12	2026-07-18	Efficient vision mamba for MRI super-resolution via hybrid selective scanning 2026-May, Medical physics IF:3.2Q1 DOI:10.1002/mp.70508 PMID:42204783	研究论文	提出一种基于多头选择性状态空间模型与轻量通道MLP的高效MRI超分辨率框架，实现低计算开销下的高保真重建	首次将多头选择性状态空间模型与混合扫描策略（垂直、水平、对角）结合用于MRI超分辨率，在0.9M参数和57GFLOPs的超低计算量下达到与扩散模型相当的精度	未在低场强或临床常见序列（如T2-FLAIR）上验证泛化能力，且混合扫描策略的复杂性可能增加训练难度	开发兼顾高重建精度与计算效率的MRI超分辨率深度学习框架，推动临床转化	7T脑部T1 MP2RAGE图像（142名受试者）和1.5T前列腺T2w MRI图像（334名受试者）	计算机视觉	NA	MRI超分辨率	状态空间模型（SSM）+ 轻量通道MLP	图像	脑部数据集142例，前列腺数据集334例	PyTorch	MambaFormer（MHSSM + 深度可分离卷积 + 门控通道混合）	SSIM, PSNR, LPIPS, GMSD	NA
13	2026-07-18	Learning ordinal representation across MRI sequences for liver fibrosis staging 2026-May, Medical physics IF:3.2Q1 DOI:10.1002/mp.70504 PMID:42206568	研究论文	提出一种基于非对比MRI的细粒度深度学习模型进行肝纤维化分期	提出混合对比三元组学习方法和加权策略，结合多尺度学习和可学习注意力机制，从非对比MRI中捕获有序表示以处理分期不平衡和细微差异	NA	利用非对比MRI实现准确且改进的肝纤维化分期诊断	450例肝病的非对比MRI数据	机器学习	肝纤维化	MRI	深度学习模型	图像	450例	NA	多尺度学习、可学习注意力机制、混合对比三元组学习	AUC	NA
14	2026-07-17	Artificial intelligence (AI)-assisted ultrasound in clinical trials: Endpoint automation, decentralized monitoring, and regulatory readiness 2026-May-17, Drug discoveries & therapeutics DOI:10.5582/ddt.2026.01020 PMID:42002939	综述	本文综述了人工智能辅助超声在临床试验中的三大应用方向：终点自动化、分散化监测和监管准备	系统整合了AI辅助超声在终点自动化、分散化监测和监管框架三大领域的最新进展，并分析了多中心临床试验中的实际证据和监管指导	在供应商间的领域泛化、亚组公平性以及持续试验中的算法变更管理方面仍存在挑战	评估人工智能辅助超声在临床试验中提升终点可重复性、实现分散化监测的潜力及其监管适应性	临床试验中的超声成像及其AI辅助应用	机器学习	心血管疾病	超声成像	深度学习	影像	NA	NA	NA	NA	NA
15	2026-07-17	T3SS effector and regulator discovery by predicting interacting partners of T3SS chaperones in Pseudomonas aeruginosa 2026-May, Protein science : a publication of the Protein Society IF:4.5Q1 DOI:10.1002/pro.70551 PMID:42003191	研究论文	通过预测铜绿假单胞菌中T3SS伴侣蛋白的相互作用伙伴，发现新的效应蛋白和调控因子	首次将AlphaFold2和AlphaFold3应用于全蛋白质组范围的蛋白-蛋白相互作用预测，结合基因组学和深度学习结构预测技术，系统性地挖掘铜绿假单胞菌泛基因组中潜在的T3SS效应蛋白和调控因子	仅基于计算预测，需要实验验证；预测的相互作用伙伴中可能存在假阳性；研究局限于铜绿假单胞菌，结果可能不适用于其他细菌	利用结构辅助的同源搜索和深度学习蛋白-蛋白相互作用预测，发现铜绿假单胞菌中未被识别的T3SS效应蛋白和调控因子	铜绿假单胞菌的T3SS伴侣蛋白及其相互作用伙伴	机器学习	铜绿假单胞菌感染	基因组学分析，AlphaFold2，AlphaFold3	AlphaFold2, AlphaFold3	基因组序列数据，蛋白质序列数据	超过15,000个高质量铜绿假单胞菌基因组	AlphaFold2, AlphaFold3	AlphaFold2, AlphaFold3	NA	NA
16	2026-07-17	Artificial Intelligence in Drug Discovery and Development: Transforming Pharmaceutical Innovation 2026-May, Drug development research IF:3.5Q2 DOI:10.1002/ddr.70281 PMID:42003205	综述	综述人工智能在药物发现与开发中的应用，及其对药物创新流程的变革影响	系统剖析了AI整条药物研发管线中的应用，包括靶点识别、命中发现、先导物优化和药物重定位，并强调AI驱动的临床前预测能力与个性化药物开发潜力	讨论了算法透明度、数据质量、互操作性和监管接受度等关键挑战	评估AI在药物发现与开发中的演变角色，及其在制剂开发和个性化医学中的影响	AI药物发现技术、制药行业合作模式及关键挑战	机器学习	NA	NA	机器学习、深度学习、自然语言处理	文本	NA	NA	NA	NA	NA
17	2026-07-15	Integrated deep learning model for multi-label retinal disease diagnosis 2026-May-23, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-54982-3 PMID:42177338	研究论文	提出一种集成深度学习模型，用于多标签视网膜疾病诊断	采用混合卷积结构整合两个互补特征提取分支，并实现包含对比度增强、亮度校正、降噪和视网膜掩膜的多阶段预处理流程	未明确说明	实现多标签视网膜疾病的自动诊断	眼底图像中的视网膜疾病	数字病理学	视网膜疾病	NA	混合卷积神经网络	图像	2208张眼底图像	NA	混合卷积结构	F1-micro, PR-AUC micro, ROC-AUC micro	NA
18	2026-07-15	GFETM: Genome foundation-based embedded topic model for scATAC-seq modeling 2026-May-20, Cell systems IF:9.0Q1 DOI:10.1016/j.cels.2026.101563 PMID:41932342	研究论文	提出一种基于基因组基础模型的嵌入主题模型GFETM，用于分析单细胞ATAC测序数据，以提高建模准确性和泛化能力	首次将基因组基础模型与嵌入主题模型结合，利用DNA序列嵌入增强单细胞ATAC-seq数据分析，实现零样本推理和注意力机制分析捕获细胞状态特异性转录因子活性	未明确提及具体限制	通过结合基因组基础模型的序列嵌入，改进单细胞ATAC-seq数据建模的准确性和泛化能力	单细胞ATAC测序数据中的开放染色质区域	机器学习	肾脏糖尿病	scATAC-seq	嵌入主题模型	序列数据	未明确提及	NA	GFETM	准确性，泛化能力	NA
19	2026-07-15	A hybrid deep learning framework for accurate breast cancer classification using MRI images 2026-May-20, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-026-03557-3 PMID:42163216	研究论文	提出一种基于深度学习的混合框架，利用MRI图像自动分类乳腺良恶性病变	通过并行结构融合MobileNetV2和VGG16两种模型，并结合两阶段训练策略，在乳腺癌MRI图像分类中取得了优于单模型架构的性能	NA	提升乳腺癌早期检测的准确性和可靠性，为计算机辅助诊断系统提供更优方案	乳腺MRI图像中的良性和恶性病变	计算机视觉	乳腺癌	MRI成像	卷积神经网络	图像	约25,000张乳腺MRI图像	TensorFlow, PyTorch, Keras	MobileNetV2, VGG16	准确率, 精确率, 召回率, 特异性, F1分数, ROC-AUC	NA
20	2026-07-15	Development and validation of an MRI-based deep learning system for triple-class ER expression classification in breast cancer: a large-scale multicenter study 2026-May-20, BMC medicine IF:7.0Q1 DOI:10.1186/s12916-026-04912-x PMID:42163319	研究论文	开发并验证一种基于MRI的深度学习系统，用于乳腺癌三分类ER表达水平的非侵入性分类	首次提出基于MRI的深度学习系统，能够非侵入性区分ER阴性、ER低阳性和ER高阳性乳腺癌，解决了传统ER评估的局限性	NA（摘要中未明确提及局限性）	开发并验证一种基于MRI深度学习系统（BERC），用于非侵入性分类乳腺癌ER表达水平，以支持个性化治疗	3500例乳腺癌患者的预处理DCE-MRI数据，来自六个医疗机构	计算机视觉, 数字病理学	乳腺癌	DCE-MRI	深度学习（CNN）	图像（DCE T1加权MRI）	3500例乳腺癌患者（1862例训练集，1638例测试集，来自四个外部中心）	NA（未指定）	NA（未指定具体架构）	AUC, 敏感度, 特异度, 准确率, 阳性预测值, 阴性预测值	NA（未提及）