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	2026-07-10	Multi-task deep learning for sub-clinical screening of mood and sleep disturbances using physical activity biomarkers 2026-Nov-01, Journal of affective disorders IF:4.9Q1 DOI:10.1016/j.jad.2026.122055 PMID:42217638	研究论文	开发并验证了一个多任务深度学习框架MUSCLE，利用体力活动生物标志物同时筛查情绪障碍和睡眠障碍风险	首次将多任务深度学习应用于亚临床情绪与睡眠障碍筛查，利用体力活动数据实现了并发风险识别，并显著优于传统机器学习与单任务神经网络	未明确提及，但可能包括样本来自单一国家数据集（台湾）以及依赖自我报告幸福感指标等局限性	开发并验证一个利用体力活动生物标志物进行情绪障碍和睡眠障碍亚临床筛查的多任务深度学习框架	台湾全国体力活动评估与自我报告幸福感指标数据集（n=69,559），经过预处理后使用44,477条完整记录	机器学习	情绪障碍、睡眠障碍	体力活动生物标志物分析	CNN-LSTM（卷积神经网络结合长短期记忆网络）	体力活动评估数据与自我报告幸福感指标	69,559个样本，经预处理后使用44,477条完整记录	PyTorch	MUSCLE（多任务同步卷积LSTM评估器），集成CNN与LSTM	精确率、召回率、F1分数	未明确提及，但10折交叉验证可能使用标准GPU（如NVIDIA RTX系列）或云端计算资源
2	2026-07-10	Week-ahead prediction of depressive episodes using wearable-derived circadian biomarkers: A multicenter deep learning study with risk-based operating thresholds 2026-Nov-01, Journal of affective disorders IF:4.9Q1 DOI:10.1016/j.jad.2026.122076 PMID:42242428	研究论文	基于可穿戴设备衍生的昼夜节律生物标志物，利用深度学习模型提前一周预测抑郁发作	首次将心率与睡眠时间衍生的两种互补昼夜节律标志物整合到深度学习中，并引入风险基操作阈值增强临床可解释性	需要外部验证、概率校准、可迁移性评估以及前瞻性发作起点评估后才能应用于临床	评估基于可穿戴设备数据的深度学习模型在提前一周预测抑郁发作方面的可行性	144名情感障碍患者的昼夜节律数据（心率余弦峰值和基于睡眠时间的褪黑素相位起点代理指标）	机器学习	情感障碍（抑郁发作）	NA	时间序列模型（深度学习）	可穿戴设备数据（心率、睡眠时间）	144名参与者，共90281人天的数据	NA	NA	AUROC, 阳性预测值, 风险排名捕获率, 预后提升倍数, 审查负担	NA
3	2026-06-16	A deep learning-assisted turn-on fluorescent probe for L-BPA detection with mechanistic insight 2026-Nov-15, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2026.128109 PMID:42202743	研究论文	本文报道了一种基于深度学习的开启型荧光探针，用于检测L-BPA，并探讨其机制	首次开发了结合深度学习的开启型荧光探针WF324，实现对L-BPA的高选择性和快速响应，并揭示了其荧光增强机制	探针在真实样品中的回收率和RSD虽然良好，但检测范围有限（0-6 μM），且尚未在体内环境中验证其性能	开发一种高效检测和实时监测L-BPA的工具，以支持硼中子捕获治疗（BNCT）的研究与发展	L-BPA（硼载体药物）及其在人尿液中的检测	机器学习	癌症	荧光检测	深度学习模型	荧光光谱数据	人尿液样本	NA	NA	检测限（80.48 nM）、回收率（90.40-103.11%）、相对标准偏差（0.78-3.96%）	NA
4	2026-06-08	Optimization of a hybrid microplastic model method based on grad-CAM combined with convolutional neural networks 2026-Nov-15, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2026.128060 PMID:42155220	研究论文	提出一种基于Grad-CAM与卷积神经网络相结合的混合微塑料模型优化方法，提升了光谱识别准确性	利用Grad-CAM可解释性分析揭示模型特征提取不平衡，引入多头注意力和多区域注意力机制优化全局与局部特征提取，并设计ResM2A-CNN模型缓解梯度消失问题	未明确提及模型的泛化能力验证及在实际复杂环境中的测试	提高混合微塑料样本光谱识别的准确性和模型可解释性	混合微塑料样本的ATR-FTIR光谱数据	机器学习	不适用	ATR-FTIR光谱	CNN	光谱数据	不适用	不适用	ResM2A-CNN	准确率	不适用
5	2026-06-08	Interpretable hyperspectral analysis of soluble solids content in apples: spectral attribution and mechanistic insights from linear and deep learning models 2026-Nov-15, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2026.128106 PMID:42190359	research paper	开发了一个可解释的高光谱分析框架，用于研究苹果可溶性固形物含量的预测，并比较了线性和深度学习模型的光谱利用模式	结合SHAP和集成梯度方法，揭示了线性和深度学习模型在可溶性固形物含量预测中不同的光谱利用机制，首次定量分析了模型依赖的光谱响应模式	仅使用苹果果肉区域的平均光谱进行分析，未考虑空间信息的影响	开发可解释的高光谱分析框架，研究模型依赖的光谱利用机制，提高苹果品质评估的可靠性和可解释性	苹果可溶性固形物含量的高光谱预测	machine learning	NA	hyperspectral imaging	partial least squares regression, convolutional neural network	hyperspectral image	NA	PyTorch, Scikit-learn	PLSR, BrixCNN	R, RPD	NA
6	2026-06-06	Early apple moldy core classification via multi-modal sensing and SE-ResNet18 2026-Nov-05, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2026.128056 PMID:42161033	研究论文	提出一种融合可见近红外光谱与电子鼻数据的多模态图像编码方法，结合SE-ResNet18深度学习模型，实现苹果霉心病早期无损检测	首次将格拉姆角场、马尔科夫转移场和递归图等图像编码技术用于融合一维时间序列和光谱数据，并构建基于通道注意力的双分支SE-ResNet18模型，有效增强模态融合和特征表征能力	文中未提及明显局限性	实现苹果霉心病的早期、高效、无损诊断	苹果霉心病（早期内部病变）	机器视觉, 深度学习	苹果霉心病	可见近红外光谱, 电子鼻	SE-ResNet18（加入通道注意力机制的残差网络）	一维时间序列数据（光谱数据与电子鼻传感器数据）, 图像（经编码转换）	未明确说明具体样本数量	PyTorch	SE-ResNet18	准确率	未明确说明
7	2026-05-31	A new method for accurate detection of counterfeit sesame oil using three-dimensional fluorescence spectroscopy 2026-Nov-05, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2026.128055 PMID:42143998	研究论文	提出一种基于差分光谱重建和TabTransformer-XGBoost深度学习模型的方法，用于准确检测掺假芝麻油	首次将差分光谱重建技术与TabTransformer-XGBoost深度学习模型结合，同时实现芝麻油真伪分类和芝麻香精浓度的定量预测	未提及方法在不同品牌或不同批次芝麻油中的泛化能力，以及样本来源和数量的具体描述	开发一种高精度检测芝麻油掺假的新方法	芝麻油及掺入芝麻香精的假冒产品	机器学习	不适用	三维荧光光谱	TabTransformer-XGBoost	三维荧光光谱数据	不适用	TabTransformer, XGBoost	TabTransformer, XGBoost	准确率, 相关系数R, 均方根误差RMSE, 平均绝对百分比误差MAPE, 平均绝对误差MAE	NA
8	2026-05-31	Deep learning-assisted metasurface-enhanced near-infrared spectroscopy for alcohol detection 2026-Nov-05, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2026.128007 PMID:42085821	研究论文	本研究介绍了一种深度学习辅助的超表面平台，用于近红外光谱分析，能够同时定性和定量检测多种醇类物质	结合超表面增强近红外光谱与深度学习模型（CNN-Transformer混合架构），实现了醇类物质的高精度定性和定量检测	NA	开发深度学习辅助的超表面近红外光谱平台，用于多醇类物质的定性和定量分析	多种醇类物质	机器学习, 计算机视觉	NA	近红外光谱, 超表面	CNN, Transformer	光谱数据	NA	NA	CNN, Transformer	决定系数, 均方根误差, 识别准确率	NA
9	2026-05-31	Identification of soybean variety based on spectral data and RGB image fusion combined with deep learning method 2026-Nov-05, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2026.128009 PMID:42107308	研究论文	提出一种基于高光谱数据与RGB图像融合及改进YOLOv11深度学习框架的大豆品种识别方法	创新性融合高光谱与RGB图像数据，提出线性插值方法集成光谱与视觉信息，并通过优化参数效率和增强空间注意力机制改进YOLOv11架构	未明确提及局限性	实现大豆品种的高精度识别，为农产品分类和质量控制提供新策略	大豆品种	计算机视觉, 机器学习	NA	高光谱成像, RGB成像	YOLOv11	图像, 光谱数据	NA	NA	YOLOv11	准确率	NA