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
441	2026-07-30	ETDACVO: Structural-Fidelity-Aware Evolutionary Co-Optimization for Robust and Explainable Brain Tumor MRI Classification 2026-Jun-29, Biomedicines IF:3.9Q1 DOI:10.3390/biomedicines14071475 PMID:42511950	研究论文	提出ETDACVO混合进化优化系统，联合优化数据增强和优化器动态，提升脑肿瘤MRI分类的鲁棒性与可解释性	首次将塔斯马尼亚恶魔优化、反保守变量优化和指数加权移动平均平滑结合，在单一进化循环中同时演化数据增强策略和优化器动态，并引入收敛感知的可解释性机制CA-EA-GradCAM	未提及具体局限性	开发鲁棒且高效的可解释优化框架，解决异构成像条件下脑肿瘤MRI分类的域漂移和收敛稳定性问题	脑肿瘤MRI图像	计算机视觉, 机器学习	脑肿瘤	MRI	CNN, Transformer	图像	28151张MRI图像（来自Nickparvar、Mendeley、BRISC和Figshare四个数据集）	NA	GradCAM	准确率, 收敛速度, 域迁移性能保持率	NA
442	2026-07-30	CosFNet: A Lightweight Epileptic EEG Detection Model Based on Cosine Convolution and FNet 2026-Jun-27, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering13070754 PMID:42510421	研究论文	提出一种基于余弦卷积和FNet的轻量级癫痫脑电检测模型CosFNet	创新性地将余弦卷积前端与基于傅里叶变换的FNet编码器结合，实现轻量高效的癫痫脑电检测，模型仅含19,458个可学习参数	未提及模型的实时处理延迟或具体功耗数据，且仅在两个数据集上验证，泛化能力需进一步评估	设计轻量级深度学习模型，实现资源受限环境下癫痫脑电信号的自动检测	癫痫患者的脑电图（EEG）信号	机器学习	癫痫	脑电图（EEG）, 离散傅里叶变换	CosFNet（余弦卷积+FNet编码器混合架构）	脑电图信号	CHB-MIT公开数据集（含多例患者脑电记录）；SH-SDU自建数据集（样本量未明确）	PyTorch	余弦卷积, FNet编码器	敏感度, 特异度, AUC, 假阳性率	NA
443	2026-07-30	Targeting the Undruggable: Deep Learning-Driven Design of Peptide Therapeutics in Cancer 2026-Jun-27, Pharmaceuticals (Basel, Switzerland) DOI:10.3390/ph19070998 PMID:42515682	综述	探讨深度学习驱动的肽类药物设计，用于靶向传统上难以成药的蛋白质	提出将深度学习（特别是扩散生成模型）整合到肽类发现中，实现从经验过程到理性设计范式的转变	主要基于观点和文献综述，缺乏实际实验验证和临床数据支持	探索深度学习方法在解决不可成药蛋白质靶点问题中的应用潜力，并构建实验-计算集成框架	不可成药蛋白（如KRAS、p53、c-MYC）及其蛋白-蛋白相互作用	机器学习	癌症	NA	扩散生成模型、深度学习	NA	NA	NA	NA	NA	NA
444	2026-07-30	Three-Dimensional Deep Learning with Routine Brain Magnetic Resonance Imaging and Clinical Data for Identification of Secondary Progressive Multiple Sclerosis 2026-Jun-26, Brain sciences IF:2.7Q3 DOI:10.3390/brainsci16070670 PMID:42512445	研究论文	利用三维深度学习结合常规脑部MRI及临床数据识别继发性进展型多发性硬化	首次使用3D VGG19、ResNet152和DenseNet-121深度学习框架在常规临床数据集上区分SPMS和RRMS，并应用3D梯度加权类激活映射解释模型，识别关键脑区	样本量有限（140人），且未外部验证，可能限制泛化性	探索三维深度学习框架是否有助于基于常规临床数据集区分SPMS和RRMS，并确定对该区分起主要作用的脑区	70名RRMS患者和70名SPMS患者的前瞻性收集临床及影像数据	数字病理学	多发性硬化	NA	CNN	图像	140人（RRMS和SPMS各70人），训练集120人，测试集20人	PyTorch	VGG19, ResNet152, DenseNet-121	受试者工作特征曲线下面积（AUC）	NA
445	2026-07-30	A Deep Learning Framework for Gastric Cancer Cell Segmentation with Multi-Scale Attention Mechanisms 2026-Jun-25, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering13070740 PMID:42510408	研究论文	提出一种基于多尺度注意力机制的深度学习框架用于胃癌细胞分割	在U-Net编码器中引入多尺度空洞池化融合块增强特征多样性和边界敏感性，在解码器中使用双通道注意力模块替代传统卷积块以恢复细节和重构模糊边界，并引入对角马氏一致性损失函数促进类内紧凑性	未提及	解决胃癌细胞分割中标注成本高、病灶边界模糊和特征表达弱的问题	胃癌细胞图像	数字病理学	胃癌	NA	U-Net	图像	SEED-Gastric Carcinoma Stage 1数据集	NA	MSAF-Net (基于U-Net)	Dice系数, 准确率	NA
446	2026-07-30	A Multi-Task Deep Learning Framework for Characterizing Beating Behavior and Synchrony in Cardiomyocyte Clusters 2026-Jun-25, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering13070742 PMID:42510409	研究论文	提出一种多任务深度学习框架CardioSegNet，从显微成像数据中表征心肌细胞簇的跳动行为与同步性	结合注意力机制与三个预测头（语义分割、轮廓检测、距离变换），并引入Pixel-Difference方法和PeriodAwareNAPTD来提取跳动信号并量化簇间同步性	未明确说明局限性	开发无标记分析流程，用于心肌功能评估和体外心脏毒性筛选	心肌细胞簇	计算机视觉, 深度学习	心血管疾病	显微成像	多任务深度学习模型	图像	独立测试集，具体数量未提及	PyTorch（推测）	CardioSegNet	Dice系数, HD95	NA
447	2026-07-30	Automated Craniofacial Artery Segmentation with Vessel Enhancement-Guided Deep Learning 2026-Jun-24, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering13070728 PMID:42510395	研究论文	提出一种基于血管增强引导的深度学习框架，用于自动分割颅面动脉	通过构建融合血管映射图（FVM）并将其作为空间先验融入损失函数，而非作为额外输入通道，有效引导网络关注血管边界和远端分支，显著提升小口径、弯曲血管的分割精度	NA	开发高精度的自动化颅面血管分割方法，以支持神经外科和重建外科的术前规划	颅面浅表颞动脉和面部血管	深度学习	NA	CTA成像	3D nnU-Net v2	CTA体积图像	72例临床病例	nnU-Net v2	3D nnU-Net	平均对称表面距离	NA
448	2026-07-30	Evidence That Cardiac Pulse Strains Retinal Vessels in and near the Optic Disc During Ocular Ductions 2026-Jun-24, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering13070725 PMID:42510393	研究论文	利用共焦扫描激光检眼镜（cSLO）测量眼动过程中视盘及视盘周围视网膜血管因心脏脉搏产生的机械应变	首次量化了心脏脉搏对视网膜血管的应变影响，并评估了注视方向对脉搏应变的调节作用	样本量较小（25只眼，13名受试者），且未考虑脉搏应变与眼动相关应变研究中的潜在干扰因素	研究心脏脉搏对视盘及视盘周围视网膜血管的应变影响，并分析注视方向对脉搏应变的调节作用	成年人的视网膜血管、视盘及黄斑	数字病理学	NA	共焦扫描激光检眼镜（cSLO）、深度学习模型、光流分析	深度学习模型	图像	25只眼，13名受试者，平均年龄39±18岁（范围：25-81岁）	NA	定制训练的深度学习模型	等效应变（等效应变阈值）	NA
449	2026-07-30	WAVE: Wall-Aligned Vector Embedding for Self-Supervised Learning of Electrocardiograms 2026-Jun-24, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering13070733 PMID:42510400	研究论文	提出一种用于心电图自监督学习的壁对齐向量嵌入框架，减少对标注数据的依赖	通过显式结合心电图导联与心脏壁的对应关系，利用多导联心电图的多样性、协同性和导联相关性，设计了双对齐任务和共享投影机制	未提及具体局限性	实现低成本和标签高效的心电图分析，用于心血管诊断	心电图数据	机器学习	心血管疾病	自监督学习	多分支神经网络	心电图信号	未明确提及	NA	多分支网络	准确性等（未具体列出所有指标）	NA
450	2026-07-30	Information-Theoretic Channel Selection and Spatiotemporal Deep Learning for Early Fault Detection in Microsatellite Thermal Control Systems 2026-Jun-24, Entropy (Basel, Switzerland) DOI:10.3390/e28070725 PMID:42511335	研究论文	提出一种融合信息论特征选择与时空深度学习的方法，用于微卫星热控系统的早期故障检测	首次将广义最大信息系数与双层次季节性趋势分解结合，从高维遥测数据中提取关键温度通道并解耦多尺度周期，实现单日数据内的高精度早期故障检测	依赖遥测数据中温度通道的完整性，未考虑非温度传感器（如电流、电压）的协同作用；自适应阈值机制可能对缓慢演变的早期故障不敏感	解决微卫星热控系统早期故障检测中数据高维冗余、多尺度周期干扰及下行数据量少的三大挑战	微卫星热控系统的温度遥测数据	机器学习	NA	NA	CNN-LSTM	时间序列数据	真实卫星遥测数据集，包含多种故障类型的温度通道历史数据	NA	CNN-LSTM	预测精度、检测可靠性	NA
451	2026-07-30	Unsupervised Deep Representation Learning and Probabilistic Clustering for the Systems-Level Discovery of Germline Mutation Signatures in Pediatric Cancers 2026-Jun-24, Biomedicines IF:3.9Q1 DOI:10.3390/biomedicines14071438 PMID:42511913	研究论文	利用无监督深度学习框架发现儿童癌症中的种系突变特征	首次将无监督深度学习与概率聚类结合，在系统层面发现跨肿瘤类型的种系突变特征，超越传统组织来源分类	治疗映射网络尚处于探索阶段，需前瞻性临床验证	识别并表征儿童恶性肿瘤中的种系突变特征(GMS)，揭示共享致癌机制	420名儿童癌症患者和匹配非癌症对照者的种系全外显子和全基因组测序数据	机器学习	儿童癌症	全外显子测序, 全基因组测序	自编码器	基因组数据	420名儿童癌症患者和匹配非癌症对照者	PyTorch	深度自编码器, 高斯混合模型	Davies-Bouldin指数	NA
452	2026-07-30	Multimodal Deep Learning Approaches for Lung Disease Detection: A Review 2026-Jun-24, Medicina (Kaunas, Lithuania) DOI:10.3390/medicina62071223 PMID:42512766	综述	对2019-2024年间多模态深度学习在肺病检测中的应用进行系统性综述	首次整合影像、声音和电子健康记录多种模态，识别主流架构、性能基准及转化障碍	结果依赖有限数据集，缺乏标准化基准和多中心验证	综述多模态深度学习在肺病检测中的最新进展，并分析其临床转化潜力	肺病检测的深度学习模型和算法	机器学习	肺病	深度学习	CNN, Transformer, Wav2Vec 2.0	图像, 声音, 文本	不明（综述性研究）	NA	CNN, Transformer	不明	NA
453	2026-07-30	Attention-Based Multimodal Framework for Athlete-Performance Analysis and Rehabilitation Monitoring Using Vision and Wearable Sensors 2026-Jun-23, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering13070718 PMID:42510385	研究论文	提出一种基于注意力的多模态框架，融合可穿戴惯性传感器和RGB视频数据，用于运动员表现分析和康复监测	首次提出结合注意力机制、可穿戴惯性传感和计算机视觉的多模态框架，实现运动员运动模式的鲁棒识别与分析	未明确说明局限性	开发并评估一种基于注意力的多模态框架，通过融合可穿戴惯性传感和RGB视频分析，实现运动员表现评估和康复监测中的人体运动模式准确识别	运动模式识别、运动员表现分析、康复监测	计算机视觉, 数字病理学	NA	惯性传感, RGB视频分析, 自适应窗口分割, 轮廓细化	基于注意力的深度学习分类器	图像, 文本, 视频	VIDIMU数据集和UTD-MHAD数据集	PyTorch	注意力机制	准确率	NA
454	2026-07-30	GAN-FixMatch: A generative-semi-supervised deep learning framework for small-sample quantitative analysis in near-infrared spectroscopy of agricultural and pharmaceutical materials 2026-06-22, Analytica chimica acta IF:5.7Q1 DOI:10.1016/j.aca.2026.345451 PMID:41997678	研究论文	提出一种结合生成式对抗网络与半监督学习的GAN-FixMatch框架，解决近红外光谱小样本定量分析中的标签稀缺问题	首次将生成式光谱建模与半监督一致性学习联合应用于近红外定量分析，克服传统数据增强和GAN标签策略的局限性	未提及框架在更大规模数据集或不同光谱仪器上的泛化能力，以及生成光谱对模型长期稳定性的影响	实现近红外光谱小样本条件下的高精度、鲁棒定量分析	农业和药用材料的近红外光谱数据	机器学习	NA	近红外光谱分析	GAN (生成对抗网络), FixMatch (半监督学习)	一维光谱数据	三个代表性数据集：药物颗粒、玉米粒、西洋参，样本量未明确给出	PyTorch	一维卷积神经网络（1D CNN），具体架构未指定	决定系数(R²)、均方根误差(RMSE)、残差预测偏差(RPD)	NA
455	2026-07-30	AI for prognosis and treatment stratification in glioblastoma neurosurgery: a systematic review 2026-Jun-19, Journal of neuro-oncology IF:3.2Q2 DOI:10.1007/s11060-026-05676-3 PMID:42319645	综述	系统回顾了人工智能在胶质母细胞瘤神经外科预后和治疗分层中的应用	首次系统性评估了AI方法在GBM神经外科预后、风险分层、治疗反应评估及分子预测等多任务中的表现，并识别了文献中的异质性和验证不足问题	纳入文献异质性高、外部验证不充分且方法学报告不一致，限制了证据的临床转化	系统评价基于MRI和多模态围手术期数据的AI方法在GBM预后和治疗分层中的研究现状	胶质母细胞瘤患者的神经外科预后、风险分层、治疗反应评估、复发/进展预测及分子预测	机器学习	胶质母细胞瘤	NA	传统机器学习与深度学习混合模型	MRI影像数据及多模态围手术期数据	30项研究	NA	放射组学加传统机器学习、深度学习、混合深度学习加放射组学	NA	NA
456	2026-07-30	Beyond the naked eye: a systematic review on the current state of radiomics approaches to the vestibular schwannoma 2026-Jun-16, Journal of neuro-oncology IF:3.2Q2 DOI:10.1007/s11060-026-05663-8 PMID:42301524	综述	系统评价影像组学在预测前庭神经鞘瘤临床结果和治疗反应中的当前应用	首次全面综述影像组学在前庭神经鞘瘤中的应用，涵盖传统机器学习和深度学习方法，并比较不同模型的预测性能	样本量小、回顾性设计、缺乏标准化和外部验证，限制了模型的广泛适用性	评估和总结影像组学预测前庭神经鞘瘤临床结果和治疗反应的潜力	前庭神经鞘瘤患者的MRI影像组学特征及临床结局	机器学习	前庭神经鞘瘤	MRI影像组学	CNN	影像	13项回顾性研究	NA	CNN	AUC	NA
457	2026-07-30	Multimodal multitask deep learning for grading management system in non-small cell lung cancer 2026-Jun-15, Nature communications IF:14.7Q1 DOI:10.1038/s41467-026-74474-2 PMID:42297835	研究论文	开发了一种多模态多任务深度学习评分系统，整合PET/CT影像与临床变量，用于非小细胞肺癌的亚型分类、TNM分期和预后评估	首次构建了同时处理影像和临床数据的多任务学习框架，实现对NSCLC的亚型、分期和生存风险的非侵入性统一预测	未明确提及局限性，可能包括依赖特定影像协议、外部验证队列规模有限或长期随访数据不足	建立精准的NSCLC分级管理系统，改善肿瘤异质性导致的诊断不确定性	来自多中心的4164例非小细胞肺癌患者	计算机视觉, 机器学习	非小细胞肺癌	PET/CT影像	深度学习多任务网络	影像, 临床变量	4164例患者	NA	多模态多任务深度学习评分系统	AUC	NA
458	2026-07-30	Fully Automated Detection of Pancreaticobiliary Maljunction Based on 3D Magnetic Resonance Cholangiopancreatography Using Deep Learning 2026-Jun-09, Digestion IF:3.0Q2 DOI:10.1159/000552759 PMID:42263040	研究论文	开发并验证一种利用三维磁共振胰胆管成像进行胰胆管合流异常全自动检测的深度学习模型	首次提出基于YOLOv5和Inception-ResNetV2的深度学习模型，实现胰胆管合流异常的全自动检测	未提及具体局限性	提高胰胆管合流异常的早期检测效率和诊断准确性	行磁共振胰胆管成像检查的患者	计算机视觉	胆道癌	磁共振胰胆管成像	YOLOv5, Inception-ResNetV2	医学图像（三维磁共振胰胆管成像）	200名患者（100名胰胆管合流异常，100名非对照组）	PyTorch	YOLOv5, Inception-ResNetV2	平均绝对误差, F1分数, 灵敏度, 特异度, 阳性预测值, 阴性预测值	NA
459	2026-07-30	Single-Sequence Deep Learning Delivers Crystal-Quality Models of Covalent K-Ras G12 Hotspot Complexes 2026-Jun, IUBMB life IF:3.7Q2 DOI:10.1002/iub.70108 PMID:42287093	研究论文	展示Chai-1工具在无需多序列比对情况下准确预测共价K-Ras G12热点复合物结构的能力	首次证明公开可用的结构预测工具Chai-1无需多序列比对即可准确预测共价K-Ras(G12C)复合物，并提供约40倍于AlphaFold3的高通量	在捕捉化学细节如离去基团、键属性和立体化学方面存在局限性	加速共价药物发现，尤其是针对半胱氨酸以外的挑战性靶点	共价K-Ras G12热点复合物抑制剂（如ARS-853和BBO-8520）	结构生物学与深度学习	癌症（K-Ras突变相关）	结构预测	Chai-1	蛋白质-配体复合物结构数据	NA	NA	Diffusion模型（Chai-1基于diffusion架构）	袋对齐均方根偏差（RMSD）	NA
460	2026-07-30	Exploring Real-Time Tracking of Vocal Fold Polyps in Video-Stroboscopy Using Deep Learning 2026-06, The Laryngoscope DOI:10.1002/lary.70396 PMID:41623203	研究论文	开发并评估基于深度学习的声带息肉实时跟踪系统，利用YOLO模型和时域跟踪算法在喉镜视频中实现接近实时的检测	首次将YOLO12与时间追踪算法结合用于声带息肉的视频喉镜实时检测，在保持接近实时速度（21.4fps）的同时将mAP@0.5提升至70.4%	研究为回顾性数据集且样本量有限，未提及不同喉镜设备或病变亚型的泛化能力验证，证据等级为4级	开发用于视频喉镜中声带息肉实时检测的深度学习系统，并评估时间追踪对检测性能的提升效果	声带息肉在视频喉镜图像中的检测与实时跟踪	计算机视觉	喉部疾病	视频喉镜成像	YOLO	视频帧图像	来自55个喉镜视频的12,742个标注帧	PyTorch	YOLO11, YOLO12	精确率, F1分数, 平均精度均值(mAP@0.5), 帧率(fps)	NA