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
241	2026-05-04	Predicting DNA replication-related protein expression at the nucleus level from HE: A deep learning study with same-specimen paired data 2026-Jun, Acta histochemica IF:2.3Q4 DOI:10.1016/j.acthis.2026.152334 PMID:42035593	研究论文	基于同一标本配对HE和IHC数据，利用深度卷积网络在细胞核水平预测DNA复制相关蛋白表达	首次在细胞核水平直接从HE核形态预测连续DAB光密度和二元阳性，使用同一标本配对的HE/IHC数据集，并评估多任务学习跨标记预测	样本量小（21例），缺乏外部验证	评估深度卷积网络能否从HE核图像预测DNA复制相关蛋白（CDC6、CDT1、MCM7、ORC1、CDC7、Geminin、Ki-67）的表达	子宫内膜样癌病例的HE和IHC图像中的细胞核	数字病理学	子宫内膜癌	HE染色、IHC染色、NMF颜色分离、HoVer-Net核分割	卷积神经网络	图像（HE和IHC）	21例子宫内膜样癌病例（每级7例）	PyTorch	ResNet-50, EfficientNet-B0, MobileNetV3-Small	AUC-ROC, F1分数, 相关系数, 平均绝对误差	NA
242	2026-05-03	Automated dual-stream deep network design for activity recognition 2026-Jun, Journal of biomechanics IF:2.4Q3 DOI:10.1016/j.jbiomech.2026.113290 PMID:41980401	研究论文	提出一种面向生物力学领域多变量时间序列传感器数据的自动化深度学习框架，用于活动识别任务	首次将自定义遗传算法优化的双流卷积神经网络与自动化深度学习框架相结合，自动提取时域和频域特征并处理类别不平衡问题	仅使用四个公开数据集进行验证，未涉及真实临床环境；频域特征移除在部分数据集上效果不显著	验证自动化深度学习框架在活动识别中的有效性和优势	四种不同惯性测量单元传感器放置位置和类别不平衡比例的公开活动识别数据集	机器学习	NA	惯性测量单元传感器数据	卷积神经网络	时间序列数据	四个公开活动识别数据集	TensorFlow, Keras	双流卷积神经网络	F1分数	Raspberry Pi 3
243	2026-05-03	Three-Dimensional human motion analysis using LiDAR technology: A systematic review 2026-Jun, Journal of biomechanics IF:2.4Q3 DOI:10.1016/j.jbiomech.2026.113292 PMID:42001760	综述	系统回顾了基于LiDAR技术进行三维人体运动分析的数据处理方法	首次系统综述了LiDAR技术在三维人体运动分析中的数据处理方法，并比较了不同深度学习算法的性能	主要挑战在于提高三维LiDAR系统的可用性，特别是在多人场景的处理和LiDAR遮挡下的鲁棒性分析	系统回顾用于人体运动分析的三维LiDAR数据处理方法	38项关于使用LiDAR数据进行三维人体运动检测的研究	计算机视觉	不适用	LiDAR	CNN, PointNet, YOLOv3	点云	38项研究	NA	CNN, PointNet, YOLOv3	人体检测精度, 平均关节位置误差, 活动识别准确率	NA
244	2026-04-24	ConvCGP: A convolutional neural network to predict genetic values of agronomic traits from compressed genome-wide polymorphisms 2026-Jun, The plant genome DOI:10.1002/tpg2.70223 PMID:42003104	研究论文	提出一种名为ConvCGP的卷积神经网络框架，用于从压缩的全基因组多态性数据预测农艺性状的遗传值	将自编码器非线性压缩与卷积神经网络预测集成于端到端可训练流水线，即使仅保留2%原始特征也能保持预测精度	未在更广泛物种或非农艺性状（如人类疾病）中验证；极端压缩可能导致信息丢失；计算资源需求未明确定量	解决高维基因组数据预测中计算负担大、训练时间长的问题	水稻和玉米的高维全基因组多态性数据	机器学习	NA	全基因组多态性分析	卷积神经网络	基因组多态性数据	水稻数据集（高维）和玉米数据集（大规模）	TensorFlow或PyTorch（推测）	自编码器和卷积神经网络	预测精度	NA
245	2026-04-24	Machine learning and deep learning models for predicting colorectal cancer metastases: A comprehensive review 2026-Jun, European journal of radiology open IF:1.8Q3 DOI:10.1016/j.ejro.2026.100747 PMID:42022736	综述	对机器学习与深度学习模型在预测结直肠癌转移中的应用进行全面综述	系统性地比较了传统机器学习与深度学习模型（特别是卷积神经网络）在预测结直肠癌转移中的表现，着重分析了多模态数据整合和迁移学习的优势	综述关注了高质量数据集可用性、模型可解释性以及伦理问题等挑战，但未提供具体实验验证	总结机器学习与深度学习在早期预测结直肠癌转移方面的应用现状、挑战与未来方向	结直肠癌转移预测任务中使用的各类机器学习与深度学习模型	机器学习	结直肠癌	NA	CNN, LSTM, 逻辑回归, 随机森林	影像数据、临床数据、组织学数据、分子与基因组数据	NA	NA	GoogleNet, VGGNet, ResNet, U-Net	NA	NA
246	2026-04-24	Dataset of RGB images of healthy grapevine leaves and with downy mildew, powdery mildew, Esca complex, and erineum mite symptoms 2026-Jun, Data in brief IF:1.0Q3 DOI:10.1016/j.dib.2026.112743 PMID:42023017	research paper	提供了一组健康葡萄叶及分屬四種病害的高解析度RGB图像数据集，支持植物病理学、精准葡萄栽培和计算机视觉研究	该数据集包含三个葡萄牙葡萄品种的健康叶片和四种病害叶片的原位图像，涵盖不同葡萄园环境和管理实践，提供两种分辨率（3000×3000和1024×1024像素）用于机器学习研究	未明确说明	支持植物病理学、精准葡萄栽培和计算机视觉研究，用于疾病检测/分类、品种识别、精准农业及农业机器人	健康及患病葡萄叶片的RGB图像数据集	computer vision	NA	RGB图像采集	CNN	图像	多个葡萄叶片样本，包含健康和四种病害类别	NA	三种深度学习架构（未具体说明）	NA	NA
247	2026-04-22	MorphMaskFormer: a transformer-based deep segmentation model for multi-class Demirjian stage estimation from panoramic radiographs 2026-Jun, Oral surgery, oral medicine, oral pathology and oral radiology DOI:10.1016/j.oooo.2026.01.012 PMID:41856821	研究论文	本研究开发了一种基于Transformer的深度学习模型MorphMaskFormer，用于从全景X光片中自动估计多类Demirjian牙龄阶段，以提高法医和临床应用中牙龄估计的准确性和客观性	提出了MorphMaskFormer模型，该模型在经典UNet架构基础上，引入了受Mask2Former启发的轻量级Transformer注意力模块，实现了对牙齿发育阶段的高精度像素级分割	研究样本量相对有限（888张全景X光片），且模型在某些Demirjian阶段（如B、C、E、F、G）的准确性可能未达到最优，需要进一步验证和优化	开发一个先进的深度学习模型，用于自动确定全景X光片中第三磨牙的发育阶段，以改进牙龄估计的准确性和客观性	来自7至30岁个体的888张全景X光片	计算机视觉	牙科疾病	全景X光成像	CNN, Transformer	图像	888张全景X光片	PyTorch, TensorFlow	UNet, ResUNet, DeepLabV3+, PSPNet, SegNet, MorphMaskFormer	IoU, Dice系数, 精确率, 召回率, 推理时间	GPU（具体型号未提及），可能使用云平台或本地计算资源
248	2026-04-21	Artificial intelligence in knee osteoarthritis imaging and total knee arthroplasty: advances, challenges, and segmentation methods - A review 2026-Jun, The Knee DOI:10.1016/j.knee.2026.104327 PMID:41564627	综述	本文综述了膝关节骨关节炎影像学及全膝关节置换术中的人工智能应用，重点探讨了自动分割和分析方法	系统比较了经典分割方法与基于AI（特别是深度学习）的方法在TKA规划与评估中的能力、局限性和临床相关性	基于AI的方法依赖于大规模标注数据集，且成像协议的变异性仍是重大挑战	综述膝关节成像的自动分割和分析方法，评估其在全膝关节置换术规划与评估中的应用	膝关节骨关节炎的影像数据（如X光、CT、MRI、超声）及相关的分割技术	数字病理学	骨关节炎	影像学技术（X光、CT、MRI、超声）	深度学习模型	图像	NA	NA	NA	NA	NA
249	2026-04-19	GAN-FixMatch: A generative-semi-supervised deep learning framework for small-sample quantitative analysis in near-infrared spectroscopy of agricultural and pharmaceutical materials 2026-Jun-22, Analytica chimica acta IF:5.7Q1 DOI:10.1016/j.aca.2026.345451 PMID:41997678	研究论文	提出了一种名为GAN-FixMatch的生成-半监督深度学习框架，用于解决近红外光谱分析中标记样本有限的问题，以提高定量模型的准确性和鲁棒性	首次将生成式光谱建模与半监督一致性学习相结合，用于近红外定量分析，克服了传统数据增强和GAN标记策略的局限性	NA	在标记样本有限的情况下，实现准确且鲁棒的近红外光谱定量建模	农业和制药材料的近红外光谱数据，包括药品颗粒、玉米籽粒和西洋参	机器学习	NA	近红外光谱分析	GAN, 1D CNN	一维光谱数据	三个代表性近红外数据集（药品颗粒、玉米籽粒、西洋参），具体样本数量未明确说明	NA	NA	决定系数, 均方根误差, 残差预测偏差	NA
250	2026-04-19	Point positioning and counting network: A deep learning-based method for automatic axon counting 2026-Jun, Experimental eye research IF:3.0Q1 DOI:10.1016/j.exer.2026.110968 PMID:41819270	研究论文	本研究提出了一种基于点标注的深度学习框架PPCNet，用于自动计数山羊视神经半薄切片中的轴突密度	PPCNet结合了VGG16骨干网络、多尺度特征提取与横向融合，以及双分支架构进行空间坐标回归和候选点分类，并采用优化的匈牙利算法确保预测点与真实点的一一对应	研究仅在山羊视神经半薄切片数据集上进行评估，未在其他物种或组织类型中验证	开发一种自动、准确的轴突计数方法，以替代繁琐的手动计数和传统基于分割的方法	山羊视神经半薄切片中的轴突	计算机视觉	神经系统疾病	深度学习	CNN	图像	未明确指定样本数量，但包含测试集（轴突计数均值±标准差为901.6±225.6）	未明确指定，但基于深度学习框架	VGG16	线性回归分析中的R值、平均绝对误差(MAE)、Bland-Altman分析的一致性限	NA
251	2026-04-19	Automatic deep learning-based segmentation of cornea and lens in 2D OCT images of rabbit eyes 2026-Jun, Experimental eye research IF:3.0Q1 DOI:10.1016/j.exer.2026.110965 PMID:41819269	研究论文	本文提出了一种基于深度学习的端到端流程，用于在低信噪比的兔眼二维OCT图像中自动分割角膜和晶状体	通过系统架构搜索选择了以ImageNet预训练的EfficientNet-B2为编码器的U-Net模型；引入了残差驱动、掩码引导的非局部均值阶段来抑制背景噪声同时保留边界；采用掩码到表面的转换方法，通过拟合稳健的三阶多项式来生成可用于生物测量的角膜和晶状体界面	训练数据有限，图像质量具有挑战性	开发一种快速、用户独立的自动化分割方法，以支持白内障手术规划	兔眼的前节光学相干断层扫描图像	计算机视觉	白内障	光学相干断层扫描	CNN	图像	440张兔眼B扫描图像	NA	U-Net, EfficientNet-B2	交并比, 均方根误差	NA
252	2026-04-19	Deep learning revolutionizes protein research: Advances in structure prediction, functional annotation, and engineered design 2026-Jun, Journal of biotechnology IF:4.1Q2 DOI:10.1016/j.jbiotec.2026.03.012 PMID:41839238	综述	本文综述了深度学习如何通过一个协同循环，从根本上改变蛋白质研究，该循环连接了结构预测、功能注释和理性设计	提出了一个统一的“预测-理解-创造”范式，展示了深度学习在蛋白质结构预测、功能注释和从头设计方面取得的突破如何相互促进，形成一个自我强化的循环	在数据稀缺性、模型可解释性以及分布外泛化方面仍存在挑战	阐述深度学习如何变革蛋白质研究，并展示结构预测、功能注释和理性设计三个领域如何协同发展	蛋白质，特别是单域、球状蛋白质	机器学习	NA	深度学习，生成式人工智能，逆折叠模型，冷冻电镜与AI结合	深度学习模型，生成式AI模型，多模态模型	蛋白质序列数据，3D坐标数据，相互作用数据	NA	NA	AlphaFold2	NA	NA
253	2026-04-19	A framework of hybrid deep learning and nature-inspired algorithms for accurate multi-class fundus disease classification 2026-Jun, Experimental eye research IF:3.0Q1 DOI:10.1016/j.exer.2026.110966 PMID:41850601	研究论文	提出了一种结合深度学习特征提取与自然启发算法的混合框架，用于多类别眼底疾病图像的准确分类	提出了一种新颖的混合框架，将预训练的深度学习模型（ResNet-18、GoogLeNet）与多种自然启发算法（粒子群优化、灰狼优化器、差分进化、萤火虫算法、遗传算法）相结合进行特征优化，并使用传统机器学习分类器进行分类，在ODIR和RFMiD数据集上实现了100%的多个性能指标	未明确说明计算资源需求、模型的可解释性以及在实际临床环境中的泛化能力	开发一个高精度的多类别眼底疾病自动分类系统，以辅助临床诊断	眼底图像，用于检测糖尿病视网膜病变、青光眼、年龄相关性黄斑变性、白内障和近视等疾病	计算机视觉	眼科疾病	眼底成像	CNN	图像	ODIR和RFMiD数据集（具体样本数量未在摘要中提供）	NA	ResNet-18, GoogLeNet	准确率, 召回率, 精确率, Kappa系数, F1分数, AUC	NA
254	2026-04-18	Utility of breath-hold half-Fourier single-shot turbo spin-echo with deep learning-based reconstruction for acquiring fat-suppressed T2-weighted images of the pancreas 2026-Jun, European journal of radiology open IF:1.8Q3 DOI:10.1016/j.ejro.2026.100740 PMID:41994324	研究论文	本研究评估了三种磁共振成像技术在获取胰腺脂肪抑制T2加权图像方面的性能，包括采集时间和图像质量	首次比较了传统呼吸门控TSE、基于深度学习的呼吸屏气TSE以及基于深度学习的呼吸屏气半傅里叶单次激发TSE在胰腺成像中的效果，并引入了深度学习重建技术	研究样本量相对较小（87名患者），且仅针对胰腺疾病疑似患者，可能无法推广到所有人群	确定获取胰腺脂肪抑制T2加权图像的最佳技术，以优化采集时间和图像质量	疑似胰腺疾病患者及胰腺内大于5毫米的局灶性病变	医学影像	胰腺疾病	磁共振成像（MRI），包括脂肪抑制T2加权成像	深度学习重建模型	医学影像（磁共振图像）	87名患者，其中64个胰腺局灶性病变	NA	NA	图像质量评分（5点量表）、信噪比（SNR）、对比噪声比（CNR）	3-T磁共振扫描仪
255	2026-04-14	An attention fusion of Fourier-analysis-based transformer and CNN-BiLSTM for coastal inorganic nitrogen concentration forecasts 2026-Jun-15, Water research IF:11.4Q1 DOI:10.1016/j.watres.2026.125798 PMID:41904912	研究论文	本研究提出了一种名为AFTB的新型深度学习架构，用于沿海无机氮浓度的多步预测，以应对数据缺失和浓度分布偏斜的挑战	提出了一种融合傅里叶增强Transformer与CNN-BiLSTM网络的新型深度学习架构（AFTB），通过专用注意力机制进行集成，并引入了对数变换、改进的损失函数和极值过采样策略以处理数据偏斜	研究主要基于中国广西的九个浮标站数据，其普适性有待在其他地理区域验证；虽然对训练数据不完整性展现了鲁棒性，但未讨论模型在长期预测或极端气候事件下的表现	开发一种鲁棒且准确的深度学习模型，用于预测沿海无机氮浓度，以帮助缓解有害藻华	沿海无机氮浓度时间序列数据	机器学习	NA	深度学习，时间序列预测	Transformer, CNN, BiLSTM	时间序列数据（水质监测数据）	中国广西九个浮标站的数据（具体样本数量未在摘要中说明）	NA	AFTB（一种融合了傅里叶增强Transformer和CNN-BiLSTM的架构）	准确性，平均性能方差，推理速度	NA
256	2026-04-14	Super-Resolution enhanced deep learning for efficient and accurate urban flood simulation at the street scale 2026-Jun-15, Water research IF:11.4Q1 DOI:10.1016/j.watres.2026.125819 PMID:41930893	研究论文	本研究提出了一种基于深度学习的超分辨率增强模型（UFSR），用于高效且准确地进行城市街道尺度的洪水模拟	通过整合多源异构数据增强对城市微地形和排水结构的感知能力，引入注意力机制动态关注关键淹没区域，并设计了空间感知一致性损失函数以保持复杂地形下的重建一致性	未明确说明模型在极端降雨事件或未见过地形条件下的泛化能力	提高城市洪水模拟的效率和精度，以支持洪水风险管理和应急响应	城市街道尺度的洪水淹没深度	计算机视觉	NA	深度学习	CNN	图像数据	两个案例研究（Case 1和Case 2），其中Case 2涉及12个降雨情景	NA	UFSR	均方根误差	NA
257	2026-04-14	Modeling and prediction of desalination performance in a scaled-up membrane capacitive deionization system using machine learning and deep learning 2026-Jun-15, Water research IF:11.4Q1 DOI:10.1016/j.watres.2026.125839 PMID:41934772	研究论文	本研究利用机器学习和深度学习模型，对放大规模的膜电容去离子（MCDI）系统的脱盐性能进行建模与预测	首次在放大规模的MCDI系统中，采用严格按时间顺序的周期数据划分策略，并结合SHAP方法解释黑盒模型的物理化学逻辑，揭示了电流和pH值等关键影响因素	未明确说明模型在其他MCDI系统或不同操作条件下的泛化能力，且数据仅来自单一放大系统	建立稳健的数据驱动建模框架，以预测MCDI系统的出水导电率，减少传统试错方法的依赖	放大规模的膜电容去离子（MCDI）系统	机器学习	NA	膜电容去离子技术	随机森林, XGBoost, 多层感知机, LSTM	时间序列数据	NA	Scikit-learn, XGBoost, TensorFlow/PyTorch	随机森林, XGBoost, MLP, LSTM	决定系数, 均方根误差, 平均绝对误差	NA
258	2026-04-14	Enhancing cross-regional transferability of super-resolution-based flood surrogate models for data-scarce catchments 2026-Jun-15, Water research IF:11.4Q1 DOI:10.1016/j.watres.2026.125799 PMID:41916127	研究论文	本研究提出了一种迁移学习框架，通过图像超分辨率任务增强洪水替代模型在数据稀缺流域的跨区域可迁移性	将洪水替代建模视为图像超分辨率任务，开发了Residual SwinUNet模型，融合多通道粗网格洪水图与细网格地形特征，并探索了多种迁移学习策略以提升跨流域适应性	研究主要基于中国深圳河上游和澳大利亚里士满河两个流域，模型在其他地理和气候条件下的泛化能力有待进一步验证	提升基于深度学习的洪水替代模型在数据稀缺流域的跨区域可迁移性	洪水替代模型，特别是针对具有不一致基础分辨率和多样化地形特征的流域	计算机视觉	NA	深度学习，迁移学习，图像超分辨率	CNN, Transformer	图像（洪水图，地形特征）	涉及中国深圳河上游流域和澳大利亚里士满河流域的数据，具体样本数量未明确说明	PyTorch	Residual SwinUNet	准确性，基线准确度恢复率，可训练参数比例	NA
259	2026-04-14	Multi-modal deep learning model for predicting recurrence of moderately severe and severe acute pancreatitis 2026-Jun, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2026.112758 PMID:41795349	研究论文	本研究开发并验证了一个多模态深度学习模型APNet，用于预测中重度急性胰腺炎的复发风险	通过多尺度融合整合临床因素和增强CT特征，克服了单模态预测器的局限性，显著提升了预测性能	回顾性研究设计，样本量相对有限（235例患者），需要外部验证以进一步确认泛化能力	预测中重度急性胰腺炎（MSAP/SAP）的复发风险	中重度急性胰腺炎患者	数字病理学	胰腺炎	增强CT成像	深度学习模型	临床数据和CT图像	235例患者（开发队列184例，独立验证队列51例）	PyTorch, LightGBM	ResNet50, ViT（Vision Transformer）	AUC, 准确率, 精确率, 召回率, F1分数	NA
260	2026-04-14	NeuroMix-DL: Improving imaging quality of a fast multiparametric MRI protocol using deep learning 2026-Jun, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2026.112795 PMID:41831364	研究论文	本研究利用深度学习模型SwinUNETR提升快速多对比度脑部MRI协议（NeuroMix）的图像质量	首次将Swin U-Net Transformer（SwinUNETR）应用于快速多对比度MRI图像增强，显著降低图像误差并改善临床质量评分	研究为回顾性设计，样本量相对有限（350例），且未在外部数据集上验证模型泛化能力	通过深度学习提升快速多对比度MRI协议的图像质量，优化MRI的性价比	脑部MRI图像（T1加权、T2加权、T2 FLAIR对比度）	医学影像分析	NA	多对比度MRI序列（NeuroMix协议）	深度学习	医学影像（MRI图像）	350名患者（年龄64±17岁，155名男性）	PyTorch（基于SwinUNETR架构推断）	Swin U-Net Transformer（SwinUNETR）	均方根误差（RMSE），五点图像质量量表评分	NA