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	2026-04-11	Computational dual-loop frameworks bridging single-enzyme design and cascade tunnel network engineering for next-generation biosynthetic systems 2026 Jul-Aug, Biotechnology advances IF:12.1Q1 DOI:10.1016/j.biotechadv.2026.108850 PMID:41763370	综述	本文综述了计算酶工程的最新进展，重点介绍了结构预测、突变效应建模、多尺度分子模拟和多酶网络工程，并将其置于一个连接分子水平酶设计与途径水平整合的双循环DBTL框架中	与现有主要关注单一计算方法或单酶优化的综述不同，本文强调在统一的DBTL框架内，将机制性酶建模与多酶网络设计相结合，提供了一个连接单酶设计与级联隧道网络工程的双循环框架	NA	总结计算酶工程的最新进展，并为下一代生物合成系统提供一个连接分子设计与系统集成的结构化框架	酶（单酶及多酶系统）	计算生物学	NA	结构预测、突变效应建模、分子动力学模拟、量子力学/分子力学分析	深度学习	NA	NA	NA	NA	NA	NA
2	2026-03-29	Non-invasive differentiation of light chain amyloidosis and multiple myeloma based on Raman spectroscopy analysis using one-dimensional convolutional neural networks 2026-Jul-05, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2026.127591 PMID:41793999	研究论文	本研究开发了一种结合血清拉曼光谱与一维卷积神经网络的创新分析框架，用于无创区分轻链淀粉样变性和多发性骨髓瘤	首次将血清拉曼光谱与一维卷积神经网络结合，实现了对两种相关浆细胞疾病的快速、无创鉴别诊断	研究样本量有限，且仅基于血清样本进行分析，未考虑其他生物标志物或临床参数	开发一种快速、无创的辅助诊断方法，以区分轻链淀粉样变性和多发性骨髓瘤	临床诊断为轻链淀粉样变性或多发性骨髓瘤患者的血清样本	机器学习	浆细胞疾病	拉曼光谱分析	CNN	光谱数据	未明确具体数量，但来自临床诊断患者	未明确指定	一维卷积神经网络	AUC, 准确率, 灵敏度, 特异性	NA
3	2026-03-29	Online detection of apple moldy core using near-infrared spectroscopy with flexible transmission tray and deep learning 2026-Jul-05, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2026.127682 PMID:41797157	研究论文	本研究提出了一种结合近红外光谱、定制柔性透射托盘和深度学习分类的集成方法，用于在线检测苹果霉心病	开发了柔性透射托盘以稳定水果位置、减少环境光干扰并引导近红外光穿透果核，结合SCARS-SPA波长选择策略和CNN-LSTM混合架构，实现了高精度、高通量的早期霉心病检测	未明确提及样本规模外的具体局限性，如对不同苹果品种或环境条件的泛化能力	实现苹果霉心病的早期、准确和高通量检测，以减少采后损失并改善供应链质量控制	苹果（健康、轻度感染和重度感染的霉心病样本）	机器学习	苹果霉心病	近红外光谱技术	BP, CNN, LSTM, CNN-LSTM	光谱数据	未明确指定具体样本数量	未明确指定	CNN-LSTM	分类准确率	未明确指定
4	2026-03-29	Dual-channel self-supervised multi-task learning for spectral detection of soluble solids content and firmness in Korla fragrant pears 2026-Jul-05, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2026.127684 PMID:41797164	研究论文	本研究提出了一种结合多源光谱数据、自监督学习和多任务学习的深度学习框架，用于库尔勒香梨的可溶性固形物含量和硬度的光谱检测	提出了一种结合多源光谱数据、自监督学习和多任务学习的深度学习框架，以降低水果品质检测中标记数据的成本，并提高小样本情况下的预测性能	NA	提高库尔勒香梨可溶性固形物含量和硬度的光谱检测性能，并降低对标记数据的依赖	库尔勒香梨	机器学习	NA	可见光/近红外和近红外光谱数据采集	CNN	光谱数据	仅使用700个样本进行训练	NA	卷积神经网络	预测相关系数, 均方根误差	NA
5	2026-03-16	Predicting transcranial ultrasound insertion loss using skull CT: A deep learning approach 2026-Jul, Ultrasonics IF:3.8Q1 DOI:10.1016/j.ultras.2026.107976 PMID:41637984	研究论文	本研究提出了一种基于颅骨CT扫描的深度学习方法来预测经颅超声插入损失	提出了一种改进的双路径Inception神经网络（mDPI-Net），用于从颅骨CT图像中直接预测超声插入损失，相比传统数值方法显著提升了计算效率	研究仅使用了20个人类颅骨样本，样本量相对较小；实验设置固定，未考虑临床操作中的变异性	优化经颅超声的能量传输，实现更精确的剂量控制	人类颅骨标本	医学影像分析	脑部疾病	CT扫描，超声传输实验	CNN	图像（CT扫描）	20个人类颅骨标本	NA	改进的双路径Inception神经网络（mDPI-Net）	峰值压力误差，插入损失偏差	NA
6	2026-03-09	Non-invasive screening for ovarian cancer by combining serum SERS with interpretable machine learning models 2026-Jul-01, Talanta IF:5.6Q1 DOI:10.1016/j.talanta.2026.129572 PMID:41724105	研究论文	本研究结合血清表面增强拉曼光谱与可解释机器学习模型，开发了一种用于卵巢癌非侵入性筛查的诊断模型	首次将血清SERS光谱与两阶段特征选择（基于LightGBM特征重要性及SHAP值）及深度神经网络相结合，构建了高精度的卵巢癌筛查模型	未提及模型在更大规模、多中心数据集上的验证情况，也未讨论不同亚型卵巢癌的鉴别能力	实现卵巢癌的高效、精准非侵入性筛查	临床确诊的卵巢癌患者、健康个体及卵巢子宫内膜异位症患者的血清样本	机器学习	卵巢癌	表面增强拉曼光谱	LightGBM, DNN	光谱数据	未明确说明具体样本数量，但包含三类人群（卵巢癌患者、健康者、卵巢子宫内膜异位症患者）的血清样本	未明确说明，但提及了LightGBM和DNN	深度神经网络	准确率	NA
7	2026-03-09	Open-set deep learning enabled LIBS sensor for label-free and on-site identification of unknown pathogen powders 2026-Jul-01, Talanta IF:5.6Q1 DOI:10.1016/j.talanta.2026.129539 PMID:41712987	研究论文	本研究开发了一种基于开放集深度学习的LIBS传感技术，用于病原体粉末的无标记现场识别	通过将分类-重构开放集识别策略集成到残差网络中，构建了改进的开放集深度学习模型，显著提升了模型对未知样本的拒绝能力	未在摘要中明确说明	开发一种能够现场、无标记识别病原体粉末的技术，以提高生物安全和反恐应对的有效性	病原体粉末，包括已知目标病原体和未知样本（如生物样本、培养基和非生物干扰物）	机器学习	NA	激光诱导击穿光谱	深度学习	光谱数据	测试集包含五种已知目标病原体和九种未知样本	NA	ResNet	识别准确率	NA
8	2026-02-15	Evaluation of a markerless motion capture to measure 3D joint kinematics during occupational lifting tasks using mobile devices 2026-Jul, Applied ergonomics IF:3.1Q2 DOI:10.1016/j.apergo.2026.104743 PMID:41628493	研究论文	本研究评估并改进了基于智能手机的无标记运动捕捉系统OpenCap，用于测量职业举重任务中的三维关节运动学	针对OpenCap在职业举重任务中性能不足的问题，提出并训练了一个任务特定的模型，显著降低了运动学误差和误差变异性	原始模型在未包含于训练数据集的活动（如职业举重任务）中表现较差，本研究通过任务特定模型解决了此限制，但可能仍需针对其他特定任务进行类似适配	评估和改进无标记运动捕捉技术，以低成本、易用且适用于现场的方式收集三维举重运动学数据，用于人机工程学应用	职业举重任务中的三维关节运动学	计算机视觉	NA	无标记运动捕捉	深度学习模型	视频	基于大量多样化手动举重任务数据集	NA	标记增强器	均方根误差, 误差变异性	NA