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
2041	2026-07-15	Anxiety detection using neural and physiological signals and artificial intelligence: A comprehensive review 2026-Jul, Neuroscience and biobehavioral reviews IF:7.5Q1 DOI:10.1016/j.neubiorev.2026.106669 PMID:41933676	综述	对使用神经和生理信号及人工智能进行焦虑检测的研究进行了全面综述	系统梳理了2015-2025年间从传统机器学习到深度学习的演变，强调了CNN-LSTM和Transformer等混合模型在多模态数据集成中的前沿地位	依赖有限实验室训练数据集、缺乏标准化验证程序、复杂模型透明度不足，阻碍临床转化	评估机器学习和深度学习技术在焦虑检测中的应用，并指出临床转化差距与未来研究方向	脑电图（EEG）、心电图（ECG）、光电容积描记法（PPG）和皮肤电活动（EDA）信号	机器学习, 数字心理健康	焦虑症	EEG, ECG, PPG, EDA	机器学习, 深度学习, CNN-LSTM, Transformer	神经信号, 生理信号	NA	NA	CNN-LSTM, Transformer	准确率	NA
2042	2026-07-15	Bilevel Optimized Implicit Neural Representation for Scan-Specific Accelerated MRI Reconstruction 2026-Jul, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2026.3686724 PMID:42019070	研究论文	提出一种双层优化的隐式神经表示方法，用于针对特定扫描的加速MRI重建，无需训练数据即可实现个性化重建	首次将MRI重建问题显式建模为双层优化问题，并通过高斯过程回归自动优化超参数，结合可训练位置编码器和小型多层感知器实现高效重建	仅评估了2D笛卡尔扫描场景，对3D或非笛卡尔采集的适用性未提及；离线优化需数分钟，实时性可能受限	开发无需训练数据、自动优化超参数的MRI重建方法，提升模型泛化能力和加速性能	特定扫描的加速MRI重建问题及超参数优化策略	计算机视觉	NA	MRI	隐式神经表示（INR）	MRI图像（欠采样k空间数据）	NA（未明确说明样本数量，但基于典型2D笛卡尔扫描评估）	PyTorch（-合理推断，因其常用于INR实现）	可训练位置编码器 + 小型多层感知器（MLP）	图像质量（与基于模型和自监督学习方法的比较，未明确定量指标）	NA（仅提及每典型2D扫描需数分钟离线优化，在线重建在数秒内完成）
2043	2026-07-15	An Enhanced Machine Learning-Based Multimodal Framework for Seizure Detection Using EEG and MRI Data 2026-07, Developmental neurobiology IF:2.7Q3 DOI:10.1002/dneu.70049 PMID:42273988	研究论文	提出一种基于机器学习的多模态框架，集成脑电图和磁共振成像数据用于癫痫发作检测	创新性地整合特征学习、跨模态融合、不平衡感知分类和置信度校准于同一统一学习管道中	仅针对实验设置进行验证，未提及真实临床环境下的泛化能力评估	解决癫痫发作检测中的类别不平衡和判别特征提取问题，提升诊断准确性	癫痫患者的脑电图和磁共振成像数据	机器学习	癫痫	EEG, MRI	改进激活函数深度卷积神经网络 (IADCNN), 极端梯度提升模型 (CLXGBoost)	图像, 时间序列信号	CHB-MIT 和 NITRC 公开数据集	NA	IADCNN, CLXGBoost	准确率 (99.56%)	NA
2044	2026-07-15	An Effective LRSF-DLNN-Based Autism Spectrum Disorder Prediction Using EEG and fMRI 2026-07, Developmental neurobiology IF:2.7Q3 DOI:10.1002/dneu.70047 PMID:42281195	研究论文	提出一种基于LRSF-DLNN的ASD预测方法，利用EEG和fMRI数据实现高效分类	首次将逻辑回归尺度函数与深度神经网络结合构建LRSF-DLNN分类器，并设计余弦巴特沃斯滤波器进行EEG去噪、加权惩罚因子变分模态分解和距离函数绿蟒优化算法进行特征选择	未提及模型在真实临床环境中的泛化能力验证及不同亚型ASD的区分效果	通过融合EEG和fMRI多模态数据实现自闭症谱系障碍的准确早期预测	自闭症谱系障碍患者与健康对照组的脑电信号和功能磁共振成像数据	机器学习	自闭症谱系障碍	EEG、fMRI	逻辑回归尺度函数深度神经网络	EEG信号和fMRI图像	NA	NA	LRSF-DLNN	准确率	NA
2045	2026-07-15	Sheep biometric identification based on multiple body parts 2026-Jul, Animal : an international journal of animal bioscience IF:4.0Q1 DOI:10.1016/j.animal.2026.101863 PMID:42398354	研究论文	基于计算机视觉和深度学习技术，利用多个身体部位（面部、背部、腿部）自动识别绵羊个体，并验证组合预测可提高识别准确率	首次在无人干预的饮水场景中，利用多个身体部位（面部、背部、腿部）的视觉特征组合进行绵羊个体识别，并整合视觉耳标识别进一步提升准确率	腿部特征单独识别准确率较低（0.64），组合时仅产生微小且不一致的效果；研究仅基于单一农场的85只绵羊数据，样本量有限	开发自动化的绵羊个体识别系统，验证多身体区域视觉特征组合与视觉耳标识别对识别准确率的提升作用	绵羊个体	计算机视觉	NA	RGB-D成像, 深度学习, 目标检测, 文本识别	卷积神经网络 (CNN), 目标检测模型	图像（RGB-D深度图像）	85只绵羊的287次饮水访问记录	YOLOv8, ResNet50, GLASS	YOLOv8 (用于目标检测), ResNet50 (用于特征提取), GLASS (用于文本识别)	准确率 (accuracy)	Intel RealSense D435 RGB-D相机, Jetson Orin设备
2046	2026-07-15	Human-like AI-based auto-field-in-field whole-brain radiotherapy treatment planning with conversation large language model feedback 2026-Jul, Journal of applied clinical medical physics IF:2.0Q3 DOI:10.1002/acm2.70689 PMID:42418216	研究论文	提出了一种结合深度学习超参数预测模型和大语言模型对话界面的自动化全脑放疗计划生成流程	首次将深度学习超参数预测与大语言模型驱动的对话式交互结合，实现全脑放疗计划的自动化生成和交互式优化	研究样本量较小（训练55例，测试15例），且仅针对全脑放疗计划，泛化性有待验证	开发一种高效、临床可接受的全脑放疗自动计划系统，减少人工操作时间	全脑放疗患者计划中的临床靶区和危及器官几何特征	机器学习	肿瘤	NA	深度学习超参数预测模型、大语言模型（GPT-4o）	文本（医学报告）	55例训练，15例独立测试	NA	NA	临床指标、专家评审、剂量一致性、热点减少	计算时间小于1分钟，总工作流约7分钟
2047	2026-07-15	DiffBulk: Enhancing Spatial Transcriptomic Prediction With Diffusion-Based Training 2026-Jul, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2026.3688322 PMID:42048193	研究论文	提出DiffBulk，一种基于条件扩散模型的两阶段框架，用于增强空间转录组预测	首次将条件扩散模型与病理基础模型融合，通过基因到图像的扩散过程学习富含基因表达信息的图像表征，并采用排列不变的开放嵌入基因编码器实现跨不同基因面板的统一训练	NA	利用扩散模型学习基因与组织形态之间的复杂关系，提高空间转录组预测的准确性	H&E染色的组织病理学图像与空间转录组数据	数字病理学	癌症	空间转录组学	条件扩散模型	图像和基因表达数据	来自HEST数据集和CrunchDAO挑战的高质量Xenium空间转录组数据，构建了瓦片级别的伪批量数据集	NA	条件扩散模型、病理基础模型	所有指标均优于基线，具体指标未详细说明	NA
2048	2026-07-15	Deep learning for discriminating cochlear malformations on temporal bone CT 2026 Jul-Aug, Brazilian journal of otorhinolaryngology IF:1.7Q2 DOI:10.1016/j.bjorl.2026.101811 PMID:42054756	研究论文	评估深度学习在颞骨CT图像中诊断耳蜗畸形的效用	首次系统评估深度学习模型在耳蜗畸形诊断中的性能，并与耳科医生进行对比	未在文中明确提及	评估深度学习分析在颞骨CT图像中诊断耳蜗畸形的效用	颞骨CT图像中的耳蜗	计算机视觉	耳蜗畸形	CT成像	Swin UNETR, ResNet50, EfficientNet-B0, DenseNet121	图像	373例颞骨CT（187例正常，186例耳蜗畸形）	NA	Swin UNETR, ResNet50, EfficientNet-B0, DenseNet121	Dice系数, AUC	NA
2049	2026-07-15	CIM-VTP: Correlation-Guided Image Modeling With Visual-Textual Task Prompt for Universal Medical Image Registration 2026-Jul, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2026.3690772 PMID:42090536	研究论文	提出一种基于关联引导图像建模与视觉-文本任务提示的通用医学图像配准框架	提出两阶段通用配准框架，包括基于关联引导图像建模的预训练策略和视觉-文本任务提示模块，通过提示学习自适应调整解码器参数，提升跨任务配准的通用性和零样本表现	依赖任务分类器识别输入任务类型，可能对未见任务类型分类不准确；多分辨率提示模块增加了模型复杂度	实现单一模型处理多种医学图像配准任务的通用配准方法，提升跨任务泛化能力和零样本配准性能	六种不同的医学图像配准任务	数字病理学, 机器学习	不适用	深度学习图像配准	CNN（卷积神经网络）	医学图像	六种配准任务涉及的不同医学图像数据集	PyTorch	U-Net, 多头自注意力	配准精度、Dice系数	NVIDIA GPU（具体类型未指定）
2050	2026-07-15	Decoding common and rare noncoding variant effects across cellular and developmental contexts 2026-Jul, Nature genetics IF:31.7Q1 DOI:10.1038/s41588-026-02619-6 PMID:42298188	研究论文	通过深度学习模型解读人类发育过程中细胞和组织特异性非编码变异的影响	首次大规模应用深度学习预测不同胎儿和成人细胞情境下的染色质可及性，区分常见与罕见非编码变异的细胞类型特异性效应，并开发FLARE框架整合进化约束优先化具有极端调控效应的变异	未提及具体限制	研究非编码变异在人类发育和不同细胞类型中的调控效应及其对疾病的影响	胎儿和成人细胞中的非编码变异，包括常见变异和超罕见变异	机器学习	发育性疾病, 精神分裂症	深度学习序列模型, 单细胞染色质可及性分析	深度学习序列模型	染色质可及性预测数据, 群体遗传学数据	30亿次深度学习预测	NA	NA	NA	NA
2051	2026-07-15	Integrating computed tomography and deep learning to assess tibiotarsus cortical bone area for leg health evaluation in purebred male turkeys 2026-Jul, Animal : an international journal of animal bioscience IF:4.0Q1 DOI:10.1016/j.animal.2026.101854 PMID:42314622	研究论文	利用计算机断层扫描和深度学习评估纯种雄性火鸡胫跗骨皮质骨面积，用于腿部健康评价	首次将深度学习与CT影像结合来衍生火鸡胫跗骨皮质骨面积指标，并估计其遗传参数及其与生产性状的相关性	Ct.Ar不能完全反映骨骼完整性，需进一步探索其他CT衍生腿部健康性状	从CT图像中通过深度学习提取Ct.Ar，估计其遗传参数，并评估与生产性状的关联	纯种雄性火鸡（品系A和品系B）	计算机视觉, 数字病理学	骨骼疾病	计算机断层扫描	深度学习	图像	2605只纯种雄性火鸡（品系A）和3337只（品系B）	PyTorch	Detectron2 panoptic segmentation	遗传力估计值，相关系数	NA
2052	2026-07-15	AmesNet: A Task-Conditioned Deep Learning Model with Enhanced Sensitivity and Generalization in Ames Mutagenicity Prediction 2026-Jun-29, Chemical research in toxicology IF:3.7Q2 DOI:10.1021/acs.chemrestox.6c00082 PMID:42371678	研究论文	提出一种任务条件化的深度学习模型AmesNet，在Ames诱变性预测中实现增强的灵敏度和泛化能力	采用双分支架构，包含分子编码器和专用通道来条件化Ames检测上下文（如代谢活化和菌株类型），在保持高平衡准确度的同时提升灵敏度，避免现有模型的灵敏度折衷问题	未提及具体限制	开发一种高灵敏度的in silico Ames诱变性预测模型，解决现有模型在域外分子上的灵敏度下降问题	小分子药物的Ames诱变性	机器学习	NA	NA	条件化深度学习模型	分子结构数据	NA	NA	双分支架构（分子编码器+条件化通道）	灵敏度、平衡准确度	NA
2053	2026-07-15	State of the Art: Artificial Intelligence Approaches for Enhancing Medical Imaging in Burkina Faso - A Case Study on Early Detection of Breast Cancer from Pathology Imaging 2026-Jun-29, Studies in health technology and informatics DOI:10.3233/SHTI260812 PMID:42393974	综述	这篇综述回顾了人工智能方法在布基纳法索等低资源环境下通过病理图像早期检测乳腺癌的应用，分析了30/50项精选研究	该文章聚焦于资源有限地区的AI乳腺癌检测应用，强调了本地数据集和基础设施适应性的重要性	挑战包括数据可用性不足、模型可解释性差以及难以适应本地上下文	探讨AI方法在布基纳法索等低资源环境下通过病理图像早期检测乳腺癌的应用	乳腺癌检测的人工智能方法	数字病理学	乳腺癌	组织病理学成像	CNN	图像	30/50项精选研究	NA	CNN	灵敏度	NA
2054	2026-07-15	TCIA Radiology Image Processing for AI and Radiomics 2026-Jun-24, medRxiv : the preprint server for health sciences DOI:10.64898/2026.06.15.26354651 PMID:42396283	研究论文	开发了一个标准化、可重复的CT影像预处理框架，用于多机构影像库（如TCIA）以支持放射组学和AI分析	提出了一个模块化、可重复的预处理流程，能够处理多机构影像数据中的采集协议差异、元数据不一致和图像质量变化，减少非生物变异性对放射组学特征稳定性和模型性能的影响	仅基于CT影像数据验证，未涉及其他模态影像；预处理步骤的通用性需要进一步在更多异质性数据集上验证	建立标准化的影像预处理框架以减少多机构影像数据中的非生物变异性，提升放射组学和AI分析的鲁棒性	TCIA上的TCGA-KIRC患者CT影像数据	数字病理学	肾癌	CT成像	NA	影像	使用TCGA-KIRC患者数据集，具体样本量未说明	NA	NA	NA	NA
2055	2026-07-15	Mind Melodies: An NLP platform to examine music cognition 2026-Jun-16, Behavior research methods IF:4.6Q1 DOI:10.3758/s13428-026-03059-0 PMID:42303808	研究论文	开发了一个结合艺术、科学和技术的交互平台Mind Melodies，用于研究希腊音乐调式对个体和集体引发的心理场景、情感和概念	首次将自然语言处理和深度学习算法与希腊音乐调式研究结合，提供定量且生态有效的音乐认知分析框架	初步试点研究样本量有限（142人），可能无法完全代表广泛人群的音乐认知反应	探究希腊音乐调式（伊奥尼亚、多利亚、弗里吉亚、吕底亚、混合吕底亚、爱奥尼亚、洛克里亚）对个体和集体引发的心理场景和情感影响	希腊音乐调式及其引发的心理场景、情感和概念	自然语言处理	NA	NA	深度学习	文本	142名参与者	NA	NA	NA	NA
2056	2026-07-15	Super-Resolution enhanced deep learning for efficient and accurate urban flood simulation at the street scale 2026-Jun-15, Water research IF:11.4Q1 DOI:10.1016/j.watres.2026.125819 PMID:41930893	研究论文	提出基于超分辨率增强深度学习的街道尺度城市洪水高效精确模拟方法	通过集成多源异构数据、注意力机制和空间感知一致性损失函数，以及迁移学习机制，显著提升了城市洪水超分辨率重建的精度和鲁棒性	未明确说明，但可能包括对极端降雨场景或不同城市区域的泛化能力有待验证	实现街道尺度城市洪水的高效高精度模拟以支持风险管理与应急响应	城市洪水超分辨率重建模型及其在两种不同案例上的应用表现	计算机视觉	NA	超分辨率重建	深度学习模型	图像	12种降雨场景，案例1和案例2	PyTorch	UFSR	均方根误差	NA
2057	2026-07-15	Modeling and prediction of desalination performance in a scaled-up membrane capacitive deionization system using machine learning and deep learning 2026-Jun-15, Water research IF:11.4Q1 DOI:10.1016/j.watres.2026.125839 PMID:41934772	研究论文	利用机器学习和深度学习模型预测规模化膜电容去离子系统脱盐性能	首次将严格的时间序列数据切分策略用于泄漏评估，结合SHAP解释性分析揭示电流和pH的关键作用，建立了稳健的数据驱动建模框架	研究数据来自单一放大系统，模型泛化性可能受限于实际多变进水条件	探索数据驱动模型预测规模化MCDI系统出水电导率的可行性，并解释模型决策的物理化学逻辑	规模化膜电容去离子系统中在不同进水条件下的运行数据	机器学习	NA	膜电容去离子	随机森林、极端梯度提升、多层感知机、长短期记忆网络	时间序列数据	一种规模化MCDI系统在多种进水条件下的运行数据集	Scikit-learn, XGBoost, PyTorch	RF, XGBoost, MLP, LSTM	决定系数R²、均方根误差RMSE、平均绝对误差MAE	NA
2058	2026-07-15	Deep learning model for predicting mRNA half-life based on 3'UTR sequences 2026-Jun-04, Biochemical and biophysical research communications IF:2.5Q3 DOI:10.1016/j.bbrc.2026.153691 PMID:41932116	研究论文	提出结合预训练RNA语言模型与Transformer骨干网络的序列驱动框架，从3'UTR序列预测酵母mRNA半衰期	首次将RNA语言模型（RNA-FM）与Transformer结合用于3'UTR序列的mRNA半衰期预测，并实现高性能与生物可解释性的统一	仅基于已知基因的新型转录本进行验证，且单次突变效应量中等，可能存在遗漏复杂调控模式的风险	开发一种从3'UTR序列预测mRNA半衰期的深度学习方法，兼顾预测精度与机制可解释性	酿酒酵母转录本的3'非翻译区序列	机器学习	NA	RNA-seq	Transformer	序列	独立保留测试集，5折交叉验证	PyTorch	Transformer, RNA-FM	RMSE, MAE, R	NA
2059	2026-07-15	Deep learning and eye tracking: Convolutional neural networks provide converging evidence for experience-driven attention within visual search 2026-Jun-04, Behavior research methods IF:4.6Q1 DOI:10.3758/s13428-026-03057-2 PMID:42240817	研究论文	利用卷积神经网络分析眼动追踪数据，验证视觉搜索中经验驱动的注意力机制	首次将卷积神经网络应用于原始眼动时间序列数据分类，能够客观整合传统分析中丢弃的方差信息，并通过特征可视化揭示注意力动态模式	仅使用了视觉搜索任务中的眼动数据，且数据集规模有限，可能影响模型泛化性	探索深度学习是否能够帮助科学家客观地整合眼动追踪中原始数据中被传统简化指标排除的信息	人类受试者在视觉搜索任务中的眼动位置时间序列数据	计算机视觉, 机器学习	不适用	眼动追踪	卷积神经网络（CNN）	时间序列数据	三个数据集：来自两项先前的视觉搜索研究（Massa等, 2024; Grubb & Li, 2018）以及一项独立验证研究（Doyle等, 2025）	NA	卷积神经网络（CNN）	分类准确率	不适用
2060	2026-07-15	Dose-aware diffusion model for 3D PET image denoising: Multi-institutional validation with reader study and real low-dose data 2026-Jun, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2026.104039 PMID:41930496	研究论文	提出一种剂量感知扩散模型DDPET-3D，用于3D低剂量PET图像去噪，并通过多中心验证和读者研究证明其有效性	首次将扩散模型应用于3D低剂量PET去噪，通过2.5D条件骨干网络实现3D一致重建，具备剂量感知能力，可泛化至不同噪声水平、扫描仪和临床方案	模型采用2.5D而非全3D扩散网络，可能在完全3D一致性上有局限；未详细讨论计算资源需求	开发一种通用性强、图像质量高的低剂量PET去噪方法，解决现有深度学习模型在3D一致性、噪声泛化性和细节保真度方面的不足	低剂量/低计数PET图像（包括低噪声水平和不同扫描协议）	数字病理学	NA	PET成像	扩散模型	图像	9783例F-FDG研究（来自1596名患者），低剂量水平从1%到50%	PyTorch	2.5D条件骨干网络	定性视觉评估、读者评分、蒙特卡洛仿真、病变分割网络评估	NA