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
481	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
482	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