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
41	2026-05-03	Improving consciousness assessment through neuroadaptive artificial intelligence and quantum-enhanced brain-computer interfaces 2026-Jul, Clinical neurology and neurosurgery IF:1.8Q2 DOI:10.1016/j.clineuro.2026.109396 PMID:41850148	研究论文	探讨神经自适应人工智能和量子增强脑机接口在意识障碍患者意识评估中的改进应用	提出神经自适应AI和量子计算融合的方法，以提升脑机接口在意识评估中的灵敏度和可靠性	量子AI研究仍处于探索阶段，需要严格的临床验证和治理框架确保安全部署	改善意识障碍患者的意识评估准确性和临床实用性	意识障碍患者	机器学习, 计算机视觉	意识障碍	神经自适应人工智能, 量子增强机器学习	生成式自适应AI模型	神经生理信号	NA	NA	NA	NA	NA
42	2026-04-24	Deep learning-based segmentation of aneurysmal subarachnoid hemorrhage: toward accurate and scalable prognostic imaging 2026-Jul, Journal of clinical neuroscience : official journal of the Neurosurgical Society of Australasia IF:1.9Q4 DOI:10.1016/j.jocn.2026.111993 PMID:41871480	research paper	开发并评估用于动脉瘤性蛛网膜下腔出血自动分割的深度学习模型，并验证其预后价值	利用nnU-Net实现了对动脉瘤性出血（包括SAH、IPH和IVH）的自动分割，处理时间较手动减少97%，且自动分割的病灶体积预测六个月GOS的能力与手动分割相当	仅基于回顾性数据，且外部验证仅限于部分公开数据集，可能未充分涵盖不同临床场景的出血变异性	开发一种准确且可扩展的动脉瘤性出血自动分割方法，并评估其对预后预测的影响	动脉瘤性蛛网膜下腔出血、脑实质出血和脑室内出血的CT扫描图像	digital pathology	动脉瘤性蛛网膜下腔出血	CT扫描	CNN	图像	实验1: 356名患者；实验2: 530名患者；测试集: 89名出血病例	PyTorch	nnU-Net	Dice系数, 召回率, 组内相关系数类型3, 体积差异中位数, AUC	NA
43	2026-04-22	Deep learning-based early screening for porcine embryos with different developmental potential 2026-Jul-15, Theriogenology IF:2.4Q1 DOI:10.1016/j.theriogenology.2026.117900 PMID:41865699	研究论文	本研究通过建立胚胎滴状培养系统，开发并比较了多种深度学习模型，用于早期筛选具有高发育潜能的猪胚胎	提出了一种新型胚胎滴状培养系统，并首次将MaxViT_T模型应用于猪胚胎发育潜能的早期预测，在4细胞阶段达到最佳预测性能	研究仅使用孤雌激活胚胎数据，未涉及受精胚胎；模型在更早期胚胎阶段的预测性能可能有限	提高猪人工繁殖技术效率，通过早期胚胎筛选优化胚胎选择过程	猪孤雌激活胚胎，涵盖从1细胞到囊胚阶段的发育过程	计算机视觉	NA	胚胎滴状培养系统，亮场显微成像	深度学习	图像	10,041张猪孤雌激活胚胎的亮场图像	NA	MaxViT_T	预测性能	NA
44	2026-04-22	An artificial intelligence model for accurate drug-target affinity prediction in medicinal chemistry 2026-Jul-05, European journal of medicinal chemistry IF:6.0Q1 DOI:10.1016/j.ejmech.2026.118840 PMID:41950652	研究论文	本文提出了一种结合进化蛋白质表征与多模态配体分析的人工智能模型，用于高精度预测药物-靶点亲和力	提出了一种新颖框架，通过PCA从ESM-2特征向量中提取进化信息，结合CNN提取的局部基序捕获多尺度特征；在配体侧整合分子图与多种化学描述符；引入分阶段交互机制结合交叉注意力和自注意力解析细粒度结合模式	未明确说明模型在更广泛数据集或真实药物发现场景中的泛化能力限制	开发高保真度的药物-靶点亲和力预测模型，以加速药物发现中的先导化合物优化	药物-靶点相互作用对	机器学习	NA	深度学习	CNN, 注意力机制	蛋白质序列特征向量, 分子图, 化学描述符	基准数据集（Davis和KIBA）	NA	结合PCA、CNN和注意力机制的混合架构	在Novel-pair和Novel-drug设置下的预测性能	NA
45	2026-04-22	Biochemical biomarker-Driven deep learning framework with SHAP-based feature interpretation for diabetes classification 2026-Jul, Biophysical chemistry IF:3.3Q2 DOI:10.1016/j.bpc.2026.107601 PMID:41935405	研究论文	本研究提出了一种结合深度神经网络、特征排序和统计算法的预测模型，用于糖尿病的早期识别，并通过SHAP增强模型可解释性	整合深度神经网络与特征排序及统计算法，并应用SHAP进行特征解释，以提高糖尿病早期诊断的准确性和可解释性	未明确提及样本来源的多样性或模型在外部验证集上的泛化能力	开发一种早期糖尿病诊断方法，以减少严重并发症的风险	糖尿病患者及处于糖尿病前期状态的个体	机器学习	糖尿病	NA	深度神经网络	生化生物标志物数据	NA	NA	NA	准确率	NA
46	2026-04-21	Multi-timescale representation with adaptive routing for deep tabular learning under temporal shift 2026-Jul, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2026.108670 PMID:41638097	研究论文	本文提出了一种名为TARS的即插即用方法，用于在时间偏移下实现稳健的表格学习，通过多时间尺度表示和自适应路由机制提升深度模型的性能	首次将时间偏移视为多尺度异质动态过程，并设计了显式时间编码器、隐式漂移编码器、漂移感知路由机制和特征-时间融合层四个互补模块，以自适应地加权相关时间尺度	未明确讨论计算开销或模型在极端时间偏移场景下的泛化能力，实验仅限于TabReD基准中的八个数据集	提升深度表格学习模型在时间偏移下的稳健性和长期性能	随时间演变的表格数据集	机器学习	NA	NA	MLP, DCNv2	表格数据	NA	NA	NA	平均相对改进	NA
47	2026-04-21	A two-level neurodynamic approach for heterogeneous networked game under event-triggered quantized mechanism 2026-Jul, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2026.108671 PMID:41666488	研究论文	本文提出了一种基于事件触发量化机制的两级神经动力学方法，用于解决异构网络化博弈问题	在通信信道中引入基于梯度的触发器和对数量化器以降低通信负担，采用基于无源性的策略补偿信息不完全问题，并引入分段时变函数保证规定时间收敛	未明确说明实际应用场景中的具体约束条件和量化误差对性能的详细影响	研究在通信受限和异构动态条件下网络化博弈的纳什均衡跟踪问题	具有异构动态的博弈参与者（如自主移动机器人）	机器学习	NA	事件触发机制、量化通信、Lyapunov稳定性分析	神经动力学模型	动态系统状态数据	NA	NA	两级神经动力学架构	收敛时间、通信频率	NA
48	2026-04-21	AW-EL-PINNs: A multi-task learning physics-informed neural network for Euler-Lagrange systems in optimal control problems 2026-Jul, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2026.108694 PMID:41687236	研究论文	本文提出了一种结合自适应加权欧拉-拉格朗日定理的物理信息神经网络（AW-EL-PINNs），用于解决最优控制问题中的欧拉-拉格朗日系统	通过创新性地将欧拉-拉格朗日定理与深度学习架构结合，建立了多任务学习范式，并引入自适应损失加权机制动态平衡训练中的损失函数组件	NA	解决最优控制问题中的欧拉-拉格朗日系统	欧拉-拉格朗日系统在最优控制问题中的应用	机器学习	NA	NA	物理信息神经网络（PINNs）	数值模拟数据	基于五个数值示例	NA	物理信息神经网络（PINNs）	解决方案准确性、稳定性	NA
49	2026-04-21	MS-STFNN: A multi-scale spatio-temporal fusion neural network for fMRI-based depression diagnosis 2026-Jul, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2026.108685 PMID:41689977	研究论文	本研究提出了一种用于fMRI抑郁症诊断的多尺度时空融合神经网络，通过融合多粒度空间特征和多分辨率时间表征，实现了对不同抑郁症亚型的有效分类	提出了一种新颖的多尺度时空融合神经网络，首次同时整合了从局部到全局的多粒度空间特征、动态功能连接和原始fMRI序列的多分辨率时间表征，并通过多尺度特征融合实现分类	未明确说明模型在更大规模或更多样化数据集上的泛化能力，以及计算复杂度可能较高	开发一种基于fMRI的客观神经影像诊断方法，用于抑郁症的亚型分类	重度抑郁症患者的功能磁共振成像数据	数字病理学	抑郁症	功能磁共振成像	神经网络	功能磁共振成像序列	NA	NA	多尺度时空融合神经网络	分类准确率	NA
50	2026-04-21	L2G-Net: Local-to-global feature enhancement via cluster tokens for 3D place recognition 2026-Jul, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2026.108700 PMID:41691827	研究论文	提出了一种名为L2G-Net的新型网络，通过聚类令牌实现从局部到全局的特征增强，用于3D点云地点识别	设计了三个新模块：点特征增强模块补偿体素特征丢失的细粒度信息；聚类令牌Mamba模块通过状态空间模型高效捕获点云上下文信息；聚类令牌交叉注意力模块通过聚类令牌将局部特征一致性信息传递至全局描述符	NA	提升GPS拒止环境下基于3D点云的地点识别性能，以支持长期SLAM和自主定位	3D点云数据	计算机视觉	NA	深度学习	神经网络	3D点云	多个公开3D点云地点识别数据集	NA	L2G-Net（包含PFE、CTM、CTCA模块）	地点识别性能	NA
51	2026-04-21	Transforming tabular data into images for deep learning models 2026-Jul, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2026.108715 PMID:41691829	研究论文	本研究提出了一种将数值表格数据转换为灰度图像表示的新方法，以利用卷积神经网络等深度学习架构处理传统数值数据集	提出了一种创新的表格数据图像化转换方法，使缺乏空间结构的数值数据能够适用于基于图像处理的深度学习模型	未明确讨论转换方法对高维稀疏表格数据的适用性，且实验数据集规模相对有限	探索将数值表格数据有效整合到深度学习工作流中的方法	公开可用的数值表格数据集（RMSCD、Optdigits、TUNADROMD、Spambase）	机器学习	NA	数据转换技术	CNN, DAG-Net	表格数据、图像数据	四个公开数据集	NA	ResNet-18, DAG-Net	准确率	NA
52	2026-04-21	InfoCAM: An information-weighted class activation mapping for explaining visual neural networks 2026-Jul, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2026.108757 PMID:41747326	研究论文	本文提出了一种名为InfoCAM的信息加权类激活映射方法，用于解释视觉神经网络的决策过程	提出了一种新的信息加权类激活映射框架，通过构建双流信息瓶颈模块，将中间特征激活显式分解为判别性特征流和任务无关噪声流，从而生成可靠的视觉解释	NA	增强视觉神经网络决策过程的透明度，提供可靠的视觉解释	视觉神经网络	计算机视觉	NA	NA	CNN	图像	NA	NA	NA	平均下降, 平均增加	NA
53	2026-04-21	Enhancing progressive ensemble learning via normalized extra-Gradient initialization 2026-Jul, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2026.108733 PMID:41747330	研究论文	本文提出了一种名为归一化额外梯度初始化的新方法，用于提升渐进集成学习的效率和稳定性	将渐进集成学习形式化为函数优化问题，并基于此理论框架提出归一化额外梯度初始化方法，提供了收敛保证和稳定性边缘分析的理论见解	未明确说明方法在超大规模模型或不同领域数据集上的泛化能力	提升渐进集成学习的训练效率和稳定性	深度学习模型，特别是渐进集成学习中的模型集合	机器学习	NA	渐进训练，集成学习	集成模型，Vision Transformer	合成数据，图像数据	使用ImageNet-200和ImageNet-1K数据集	NA	Vision Transformer	NA	NA
54	2026-04-21	Edge-updating graph neural networks for modeling feature interactions in tabular data 2026-Jul, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2026.108724 PMID:41722299	研究论文	本文提出了一种基于图同构网络的消息传递图神经网络，用于在表格数据中建模特征交互	提出了一种基于GIN的GNN架构，通过神经网络学习边属性，并利用节点和边的残差连接来缓解GNN中常见的过平滑问题	NA	开发一种图神经网络模型，以有效建模表格数据中的特征交互并提升分类性能	表格数据	机器学习	NA	NA	图神经网络	表格数据	12个公开可用数据集	NA	图同构网络	NA	NA
55	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
56	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
57	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
58	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
59	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
60	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