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
81	2026-07-01	The natural isoflavone puerarin mitigates cerebral ischemia-reperfusion injury by directly targeting CaMKⅡδ to block DLG4-Ser654 phosphorylation 2026-Jun-26, Phytomedicine : international journal of phytotherapy and phytopharmacology IF:6.7Q1 DOI:10.1016/j.phymed.2026.158499 PMID:42372596	研究论文	通过整合定量磷酸化蛋白质组学和深度学习，揭示葛根素直接靶向CaMKIIδ阻断DLG4-Ser654磷酸化从而减轻脑缺血再灌注损伤的机制	首次系统鉴定CaMKIIδ-DLG4-AMPAR病理级联反应在缺血性卒中中的作用，并发现天然异黄酮葛根素通过直接结合CaMKIIδ的ATP结合口袋发挥神经保护作用	未提及	阐明葛根素对脑缺血再灌注损伤的神经保护分子机制，特别是其靶向的激酶-底物网络	大鼠海马组织、PC-12细胞、MCAO大鼠模型	机器学习	脑血管疾病	定量磷酸化蛋白质组学, LC-MS/MS, 深度学习虚拟筛选	深度学习集成模型	磷酸化蛋白质组学数据、分子动力学模拟数据	大鼠模型（具体数量未提供）	NA	NA	NA	NA
82	2026-07-01	Real-time EEG-based epileptic seizure prediction using artificial intelligence: A systematic review 2026-Jun-26, Artificial intelligence in medicine IF:6.1Q1 DOI:10.1016/j.artmed.2026.103476 PMID:42372640	系统综述	系统评估人工智能模型在实时脑电癫痫预测中的操作准备度，并分析架构性能及部署关键因素	提出标准化验证框架，要求同时评估患者特异性、患者非特异性和跨数据集外部验证，并引入端到端延迟预算和24小时假阳性率报告标准	仅纳入23项研究，且过度依赖单一儿童数据集（CHB-MIT占74%），缺乏前瞻性验证和标准化部署指标	评估AI模型对实时癫痫预测的临床转化准备度	2017-2025年发表的基于EEG的实时癫痫预测研究	机器学习	癫痫	EEG	深度学习架构（CNN、混合模型）及传统机器学习	脑电信号	23项研究（主要为CHB-MIT数据集，包含儿科患者）	NA	CNN、混合深度学习模型	灵敏度、假阳性率（次/小时）	NA
83	2026-07-01	Oral cancer in the era of precision medicine: molecular targets and technological innovations 2026-06-25, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-51993-y PMID:42350464	评论	该专题合集探讨口腔癌的分子机制、诊断方法和治疗策略	整合分子肿瘤学、数字诊断和转化临床研究，聚焦深度学习阻抗谱和挥发性有机化合物分析等新兴检测技术	NA	总结当前知识并指导口腔鳞状细胞癌的未来研究方向	口腔癌的分子机制、诊断和治疗策略	机器学习	口腔癌	NA	深度学习	NA	NA	NA	NA	NA	NA
84	2026-07-01	SegJointGene: joint cell segmentation and spatial gene prioritization by information entropy guided convolutional neural networks 2026-Jun-25, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btag447 PMID:42345533	研究论文	提出了SegJointGene，一个联合进行细胞分割和空间基因优先级排序的深度学习框架，通过整合核染色图像和空间基因或蛋白质表达数据来改善复杂组织中的细胞边界检测	设计信息熵引导的卷积神经网络与计算信息丢弃分数，迭代优化基因优先级和细胞边界，实现细胞类型特异性分割	NA	开发一种同时进行细胞分割和空间基因优先级排序的方法，提高复杂组织中细胞边界检测的准确性	细胞分割和空间基因优先级排序任务	数字病理学	NA	空间测序技术	卷积神经网络	图像数据	小鼠海马体空间转录组数据、全小鼠大脑不同区域数据、人类扁桃体空间蛋白质组数据，以及仿真数据	PyTorch	SegJointGene	分子信号分配准确率	NA
85	2026-07-01	Inferring Dynamic Information from Protein Structures by Gaussian Integrals and Deep Learning 2026-Jun-24, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btag446 PMID:42340665	研究论文	提出基于高斯积分和深度学习的框架，从静态蛋白质结构推断动力学信息	首次将30维高斯积分描述符与注意力机制一维CNN结合，实现从静态结构预测蛋白质动力学，替代昂贵的分子动力学模拟	模型基于Cα骨架拓扑，可能未完全捕获侧链和溶剂效应；训练数据限于ATLAS数据库的1,374个蛋白链，泛化性待验证	开发可扩展的结构基方法，从静态蛋白质结构推断动力学特性	蛋白质柔性及协同运动偏差	机器学习	NA	高斯积分描述符，分子动力学模拟	注意力机制1D-CNN，回归模型	蛋白质结构数据（Cα骨架拓扑）	1,374个ATLAS蛋白链，含MD模拟推导的RMSF值	PyTorch	1D-CNN	AUC，皮尔逊相关系数，R²	NA
86	2026-07-01	Cross-domain transfer learning strategy enhances interpretability of deep learning model explanations 2026-06-24, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-59076-8 PMID:42342760	研究论文	研究归纳迁移学习如何增强深度学习模型在心电图房颤检测中的临床可解释性	提出使用归纳迁移学习强化双分支卷积神经网络中特定领域特征分离的方法，并通过深度泰勒分解分析解释特征归因的领域特异性	准确率范围85.70%-95.23%，与原始架构和先前方法相比各有高低，缺乏实际临床部署验证	探索归纳迁移学习能否提升深度学习模型解释的临床可解释性，使特征归因与临床相关ECG区域更好地对齐	基于xECGArch双分支卷积神经网络的心电图房颤检测模型及其解释方法	机器学习, 数字病理学	房颤	心电图分析	卷积神经网络	心电图信号	NA	NA	xECGArch, 双分支卷积神经网络	准确率	NA
87	2026-07-01	Preoperative prediction of lymphovascular and perineural invasion in locally advanced gastric cancer via CT habitat analysis and deep learning: A dual-center study 2026-Jun-24, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2026.113041 PMID:42372557	研究论文	开发并验证一种整合CT生境分析与深度学习特征的联合模型，用于术前预测局部进展期胃癌的淋巴血管及神经侵犯	首次将CT生境分析与深度学习特征相结合，用于预测局部进展期胃癌的淋巴血管和神经侵犯，并通过双中心外部验证提高了模型的泛化能力	未在标题和摘要中明确提及局限性，需要从全文获取更多细节	术前准确预测局部进展期胃癌的淋巴血管和神经侵犯状态，以指导个体化治疗策略	611名局部进展期胃癌患者，包括训练集（374例）、内部验证集（161例）和外部验证集（76例）	计算机视觉、数字病理学	胃癌	CT影像	深度学习模型（如卷积神经网络），K-means聚类	图像（静脉期CT）	611名局部进展期胃癌患者	PyTorch, Scikit-learn	ResNet	AUC, DCA（决策曲线分析）	NA
88	2026-07-01	Machine learning applications in the detection and treatment of esophageal cancer 2026-Jun-23, Discover oncology IF:2.8Q2 DOI:10.1007/s12672-026-05477-0 PMID:42334709	综述	总结机器学习在食管癌检测与治疗中的应用进展	系统梳理了人工智能在食管癌内镜与影像辅助诊断、治疗反应预测及预后评估中的最新应用，并指出了临床转化面临的挑战	大多基于回顾性、单一中心或区域受限的数据集，存在人群异质性、数据标准化不足、外部验证有限和模型可解释性差等问题，阻碍了临床转化	评估人工智能和机器学习在食管癌精准诊疗中的应用潜力与现状	食管癌的内镜和影像数据、临床信息、放射组学特征及生物标志物	机器学习	食管癌	NA	深度学习模型	图像、文本	NA	NA	NA	NA	NA
89	2026-07-01	Interpretable deep learning for rotator cuff calcific tendinopathy diagnosis: a multi-center study 2026-06-22, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-51016-w PMID:42331876	研究论文	开发和评估两种基于深度学习和混合深度学习-机器学习方法的自动框架，用于肩关节X光片的二分类诊断	在大型平衡数据集上微调VGG19架构的卷积神经网络，并构建混合模型通过提取深层特征结合传统机器学习分类器，同时对两种框架进行可解释性评估	仍需要进行前瞻性真实世界验证、在常规患病率条件下评估以及与人类阅片者的直接比较	实现肩关节X光片的二分类诊断并提高人工智能系统的可解释性	肩关节X光片	计算机视觉	肩袖钙化性肌腱炎	不适用	卷积神经网络	图像	训练集4,268张肩关节X光片，内部验证集480张，外部验证集308张	不适用	VGG19	AUC	不适用
90	2026-07-01	IUM-hybrid model for enhanced CAD diagnosis using deep learning and VS Grad-CAM visualization 2026-06-22, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-57536-9 PMID:42331954	研究论文	提出了一种融合 InceptionV3、U-NetR 和 MobileNetV2 的混合模型 IUM，并结合 VS Grad-CAM 可视化技术，用于增强冠状动脉疾病的 CAD 诊断	通过动态加权机制融合三种深度学习模型（InceptionV3、U-NetR 和 MobileNetV2）以提高分类性能，并首次采用 VS Grad-CAM 可视化生成精确热力图以增强模型可解释性	未在真实临床大规模数据集上验证，且混合模型可能增加计算复杂性，可能限制资源受限环境中的部署	提高冠状动脉疾病的早期诊断准确性和可解释性，减少人工错误，实现实时临床诊断	冠状动脉疾病患者	计算机视觉, 机器学习	冠心病	血管造影	混合模型 (CNN + Transformer)	图像	未提及	NA	InceptionV3, U-NetR, MobileNetV2	准确率, F1分数, 特异性, 灵敏度	NA
91	2026-07-01	Cross-attention guided explainable deep transformer model for multi-level classification of rare neurological disorders using MRI images 2026-06-22, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-58491-1 PMID:42332136	研究论文	提出一个基于交叉注意力可解释深度Transformer模型，用于利用MRI图像对罕见神经系统疾病进行多级分类	引入交叉注意力机制促进局部与全局表示动态交互，结合CNN和Transformer网络区分视觉相似的罕见疾病模式，并集成图神经网络、深度信念网络和堆叠自编码器提升鲁棒性与泛化能力	未明确提及局限性，但可能依赖开放MRI数据集，实际临床资源有限环境下需进一步验证	开发一种鲁棒且可解释的深度学习模型，用于罕见神经系统疾病的多标签分类，提升临床诊断可靠性	罕见神经系统疾病（神经退行性、神经生物性和神经发育性障碍）的多级分类	计算机视觉, 深度学习	神经系统疾病, 罕见病	MRI成像	Transformer, CNN, 图神经网络, 深度信念网络, 堆叠自编码器	MRI图像数据	开放访问MRI数据集，具体样本量未提及	TensorFlow, PyTorch（推测，基于GitHub代码）	CNN+Transformer, GNN, DBN, SAE, EigenCAM	多标签分类性能指标（具体如准确率、F1分数等未明确提及）	未提及，但代码公开于GitHub
92	2026-07-01	A highly efficient and interpretable framework for high-precision lithological identification integrating SERS and XGBoost 2026-Jun-22, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2026.128286 PMID:42372367	研究论文	提出一种集成表面增强拉曼光谱与XGBoost的高精度岩性分类框架，实现快速、可解释的岩性识别	首次将SERS与XGBoost模型结合用于岩性分类，利用SHAP增强模型可解释性，有效提取低频谱振动和痕量信号特征	基于自建数据集，未涉及野外复杂环境验证	开发快速、准确且可解释的岩性识别方法	八种不同类型的岩石样本	机器学习	NA	SERS, FDTD模拟	XGBoost	SERS光谱数据	包含八种岩石类型的自建SERS数据集	NA	XGBoost	NA	NA
93	2026-07-01	An optimized cascaded transformer with progressive attention for lung and colon cancer diagnosis from histopathological images 2026-Jun-22, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2026.109205 PMID:42372510	研究论文	提出一种基于优化级联Transformer的新型框架，用于肺和结肠癌组织病理图像分类	结合高斯自适应平滑卡尔曼滤波预处理、卷积Inception封闭MobileNet特征提取和渐进注意力优化级联Transformer网络，并使用随机混沌秃鹰优化算法进行超参数调优	未明确提及，但高计算成本和可扩展性问题可能仍存在	实现肺和结肠癌组织病理图像的准确自动分类	肺和结肠癌组织病理图像	数字病理学	肺癌, 结肠癌	组织病理学成像	Transformer, CNN, MobileNet	图像	NA	NA	级联Transformer网络, Inception模块, MobileNet	准确率, 精确率, 灵敏度, F1分数	NA
94	2026-07-01	GreenAid: a confidence-weighted ensemble deep learning system for real-time plant disease detection and management 2026-06-21, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-57979-0 PMID:42324331	研究论文	提出GreenAid系统，集成置信度加权集成深度学习方法，用于实时植物病害检测和管理	将竞争性分类、边缘部署与完整农业交付管道（包括移动应用、网络仪表板和NLP聊天机器人）进行可复现集成，而非仅关注集成机制本身	NA	开发一个端到端的植物病害检测与管理系统，弥合实验室级深度学习性能与实际农业部署之间的差距	植物病害检测和管理系统	计算机视觉	植物病害	NA	CNN（卷积神经网络）	图像	87,000幅图像，38个类别，14个物种（PlantVillage基准数据集）	TensorFlow Lite	VGG16, ResNet50, InceptionV3	准确率, F1分数	中端智能手机（用于部署推理）
95	2026-07-01	Machine learning-based prediction model for long-term mortality after ischemic stroke 2026-06-21, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-53797-6 PMID:42324308	研究论文	基于机器学习构建缺血性脑卒中后长期死亡率预测模型	首次将时间感知的生存分析方法应用于脑卒中后长期死亡率预测，并与传统风险评分比较，具有更好的性能	样本来自特定地区医院，可能存在选择偏倚；模型未考虑影像学数据	开发一种便捷、时间感知的机器学习预测模型，用于急性脑卒中患者的长期死亡率预测	缺血性脑卒中患者	机器学习	脑血管疾病	NA	Gradient Boosting Cox Proportional Hazards模型	临床数据	开发队列：3411名患者（来自两家三级医院）；外部测试队列：502名患者（来自一家二级心血管中心）	NA	Gradient Boosting Cox模型	C-index	NA
96	2026-07-01	Classifying mental stress from eye tracking data: deep learning approaches for out-of-the-lab conditions 2026-06-20, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-58429-7 PMID:42323438	研究论文	本文研究了在非实验室条件下，利用单模态眼动追踪时间序列数据进行无任务依赖的应激状态检测	首次在非受控环境中仅使用眼动追踪信号（瞳孔直径和注视行为）进行任务无关的应激分类，并比较了两种不同数据集的性能差异	性能在不同数据集中差异显著，有效学习强烈依赖于数据质量、校准、信号特征和任务设计	探究单模态眼动追踪数据在非受控场景下进行无任务依赖的应激检测的可行性	虚拟现实守门员任务和虚拟工作面试数据集中的眼动追踪信号	机器学习	NA	眼动追踪	深度学习模型（具体类型未明确）	时间序列信号	虚拟现实守门员任务数据集和虚拟工作面试数据集（具体样本量未说明）	NA	NA	宏平均F1分数	NA
97	2026-07-01	A computational theory of short-term synaptic plasticity: synapses learn to tell time 2026-Jun-19, Research square DOI:10.21203/rs.3.rs-9916271/v1 PMID:42370245	研究论文	提出突触具有可学习的短期可塑性，能够优化时间信息处理，并验证了该假说在皮层中的预测	提出突触并非单一可学习参数，而是具有多个可学习参数的复杂计算单元，能够通过短期可塑性学习时间信息，填补了生物突触复杂性与模型突触简单性之间的认知空白	未明确提及实验验证的局限性或潜在假设的边界条件	探索短期突触可塑性的计算理论，揭示突触如何学习处理时间信息并增强网络性能	小鼠和人类新皮层中的突触动力学特性	计算神经科学, 机器学习	NA	计算建模	前馈网络	神经生物学数据（突触动力学记录）	小鼠和人类新皮层样本	NA	前馈网络	NA	NA
98	2026-07-01	Cross-Device Adaptation of Mirai for Mammography-Based Breast Cancer Risk Prediction 2026-Jun-17, medRxiv : the preprint server for health sciences DOI:10.64898/2026.06.15.26355696 PMID:42369455	研究论文	探讨Mirai模型在不同品牌乳腺X线摄影设备间的迁移适应策略，提出设备不变性模型以平衡性能	首次系统评估Mirai模型在Hologic与通用电气乳腺X线摄影系统间的域漂移影响，并提出基于交错多设备采样和条件对抗训练的设备不变性模型来缓解灾难性遗忘	研究仅针对两种设备品牌及特定后处理软件，未涵盖更多设备类型；性能提升主要限于短期和中长期预测，长期预测能力未显著改善	开发一种设备不变的乳腺X线摄影风险预测模型，以在异构成像平台间实现稳健的性能迁移	Mirai深度学习模型在不同乳腺X线摄影设备（Hologic、通用电气）及后处理软件（GE Premium View、GE Tissue Equalization）上的适应性与泛化能力	医学影像	乳腺癌	全视野数字乳腺X线摄影	深度学习模型	乳腺X线影像	包含Hologic和通用电气全视野数字乳腺X线摄影系统的大规模筛查队列	PyTorch	Mirai	AUC	未提及
99	2026-07-01	GatedGeoGO:Multi-Modal Geometry-Aware Network with Gated Fusion and GO Semantic Attention for Protein Function Prediction 2026-Jun-15, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.6c00882 PMID:42295121	研究论文	提出GatedGeoGO框架，集成蛋白质序列、三维结构、蛋白质相互作用和GO语义，实现高效多模态融合的蛋白质功能预测	采用门控融合机制选择性保留PPI嵌入、几何感知蛋白图网络捕获多尺度结构特征、GO引导交叉注意力动态注入语义信息，实现上下文感知的多模态融合	未提及具体局限性	解决现有方法在多模态整合和GO语义利用不足的问题，实现大规模蛋白质功能预测	蛋白质功能预测任务	机器学习	NA	NA	深度学习框架	蛋白质序列、三维结构、PPI数据、GO语义	基准数据集（未具体说明样本数量）	PyTorch	门控融合网络、几何感知蛋白图网络、交叉注意力模块	预测性能（未具体说明指标类型）	NA
100	2026-07-01	A Comprehensive Inference-Time Augmentation Framework in Physiological Signals: Application to PPG-Based AF Detection 2026-Jun-15, Physiological measurement IF:2.3Q3 DOI:10.1088/1361-6579/ae7d82 PMID:42297024	研究论文	提出一种统一的推断时增强框架，用于提高基于PPG信号的心房颤动检测的鲁棒性	首次将13种涵盖时域、幅域、频域及伪影注入的增强方法系统性地纳入推断时增强框架，并通过贝叶斯优化自动调优超参数	未提及方法在真实部署场景中的计算开销及对极端噪声的适应性	开发一种无需重新训练的模型无关推断时增强方法，提升生理信号分类在实际部署中的鲁棒性	基于光电容积脉搏波的30秒PPG信号	数字病理学	心房颤动	光电容积脉搏波	GPT-PPG、ResNet	PPG信号	超过400名患者、约9800小时PPG记录，来自5个数据集	PyTorch	GPT-PPG、ResNet	AUROC、AUPRC、FPR	未提及