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
221	2026-04-05	Machine Learning-Based Multimodal Molecular Biomarkers for Predictive Health Analytics 2026-01-16, Journal of visualized experiments : JoVE DOI:10.3791/69241 PMID:41628017	研究论文	本文提出了一种基于机器学习的多模态分子生物标志物方法，用于预测性健康分析，旨在通过整合蛋白质、化学和遗传生物标志物来提高疾病预测的准确性	通过整合分子蛋白质、化学和遗传生物标志物与新兴机器学习特征（如TabNet和AutoInt）进行多模态分组，显著提升了预测准确性	未明确提及具体局限性，如数据样本量、模型泛化能力或临床验证范围	开发高度敏感的多模态生物标志物和有效调查方法，以准确检测和监测患者健康结果，包括预后、风险评估、患者分层和疾病监测	涉及多种健康问题，如心脏病、呼吸道感染、神经功能障碍、认知压力、癌症、中风、糖尿病等	机器学习	多种疾病	NA	传统机器学习算法, 传统深度学习方法, 现代深度学习技术（TabNet和AutoInt）	多模态分子数据（蛋白质、化学、遗传生物标志物）	NA	NA	TabNet, AutoInt	准确性	NA
222	2026-04-05	Artificial intelligence models for point-of-care ultrasound diagnostics in dogs 2026, Frontiers in veterinary science IF:2.6Q1 DOI:10.3389/fvets.2026.1729114 PMID:41884304	研究论文	本研究评估了深度学习模型在犬只创伤重点超声评估中检测危及生命的积液和气胸的可行性和诊断性能	首次将深度学习模型应用于犬只的即时超声诊断，特别是针对创伤重点超声评估中的积液和气胸检测，为兽医急诊护理提供了AI辅助决策的可行性支持	样本量较小，仅包含钝性创伤和非创伤性病理，存在类别不平衡，以及积液体积和位置在呈现时的变异性	评估深度学习模型在犬只即时超声诊断中检测危及生命的积液和气胸的可行性和诊断性能	五只健康的军用工作犬和二十只客户拥有的犬只（22-55公斤），包括有确认的腹部、胸膜、心包积液或气胸的犬只	计算机视觉	创伤	即时超声，创伤重点超声评估	CNN	图像	25只犬（5只健康军用工作犬，20只客户拥有犬）	NA	卷积神经网络	召回率, 准确率	NA
223	2026-04-04	Retraction: An inherently interpretable deep learning model for local explanations using visual concepts 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0346306 PMID:41926417	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
224	2026-04-05	A two-stage deep learning framework for predicting the onset of Atrial fibrillation using RR interval-based embeddings 2026 Jan-Mar, Biocybernetics and biomedical engineering IF:5.3Q1 DOI:10.1016/j.bbe.2026.01.004 PMID:41878690	研究论文	本文提出了一种基于RR间期的两阶段深度学习框架，用于提前一小时预测心房颤动的发作	提出了一种新的两阶段深度学习框架，结合了卷积和双向LSTM网络进行特征提取和预测，并利用掩码技术增强临床可解释性	未明确提及具体局限性	开发一个能够提前预测心房颤动发作的模型，以支持预防性干预	重症监护病房患者的心电信号RR间期数据	机器学习	心血管疾病	NA	CNN, LSTM	时间序列数据（RR间期）	未明确提及具体样本数量，但涉及美国ICU中每年约500万危重患者中的一部分	未明确提及	卷积神经网络, 双向长短期记忆网络	灵敏度, 特异度, F1分数, AUROC, AUPRC	未明确提及
225	2026-04-05	EfficientNet-driven deep learning for accurate detection of faults in photovoltaic cells 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0342647 PMID:41931557	研究论文	本研究提出了一种基于EfficientNetV2架构的深度学习框架，用于准确检测光伏电池中的故障	首次评估了三种EfficientNetV2变体（EfficientNetV2B0、EfficientNetV2B2和EfficientNetV2M）在光伏电池故障检测中的应用，并展示了EfficientNetV2M模型在异常检测任务中的优越性能	研究仅使用了2500张图像的数据集，样本量相对较小，可能影响模型的泛化能力	提高光伏电池故障识别的准确性，以优化光伏系统性能并延长太阳能电池板的使用寿命	光伏电池（包括有缺陷和无缺陷的电池）	计算机视觉	NA	深度学习	CNN	图像	2500张图像（包含有缺陷和无缺陷的光伏电池）	NA	EfficientNetV2B0, EfficientNetV2B2, EfficientNetV2M	准确率, 精确率, 召回率, F1分数	NA
226	2026-04-05	A robust deep learning approach for impulse noise filtering using hybrid auto-encoder with fuzzy median filter 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0343141 PMID:41931562	研究论文	本文提出了一种结合DnCNN、自编码器和模糊中值滤波器的深度学习图像去噪方法，用于检测和消除高密度脉冲噪声	提出了一种混合自编码器与模糊中值滤波器的深度学习去噪方法，有效整合了DnCNN和自编码器进行噪声分类，并通过模糊中值滤波器重建干净图像	仅使用12张标准测试图像进行训练和验证，样本规模较小	开发一种有效的图像恢复技术，用于去除图像中的脉冲噪声	受脉冲噪声污染的图像	计算机视觉	NA	图像去噪	CNN, 自编码器	图像	12张标准测试图像	NA	DnCNN, 自编码器	准确率, FPR, FNR, F1分数, PSNR, SSIM	NA
227	2026-04-05	Quantitative evaluation of spatially-variant deformations recovered by deep learning on clinical-like breast lesions 2025-Dec-26, IEEE transactions on radiation and plasma medical sciences IF:4.6Q1 DOI:10.1109/trpms.2025.3649164 PMID:41929561	研究论文	本文提出了一种基于深度学习的定量评估方法，用于减少专用双面板乳腺PET扫描仪中的空间变异变形，并改善乳腺病灶的成像质量和量化分析	开发了一种生成合成临床样乳腺图像的方法，包括复杂病灶形状（如毛刺状病灶）和示踪剂依赖性活动特征（[F]FES和[F]FDG），并在临床样合成数据上训练神经网络以抑制双面板PET重建中的变形	先前研究仅使用简化几何对象和均匀背景进行训练和测试，未能完全代表乳腺PET成像的临床复杂性；本研究虽引入临床样数据，但合成数据可能仍与真实临床场景存在差异	评估深度学习在减少专用双面板乳腺PET扫描仪空间变异变形方面的效果，以改善病灶可视化和量化	临床样乳腺病灶，包括复杂形状病灶（如毛刺状病灶）和示踪剂依赖性活动特征（[F]FES和[F]FDG）	医学影像分析	乳腺癌	专用双面板乳腺PET扫描（B-PET），统计迭代重建（DIRECT-RAMLA）	深度学习神经网络	合成临床样乳腺PET图像	NA	NA	NA	病灶对比度指标，图像粗糙度	NA
228	2026-04-05	Multimodal Motion Capture Toolbox for Enhanced Analysis of Intersegmental Coordination in Children with Cerebral Palsy and Typically Developing 2025-12-16, Journal of visualized experiments : JoVE DOI:10.3791/69604 PMID:41490048	研究论文	本研究开发了一个多模态运动捕捉工具箱，用于增强脑瘫儿童和正常发育儿童节段间协调性的分析	结合了多种运动捕捉技术（包括研究级运动学设备、惯性测量单元、3D无标记系统和基于MediaPipe的2D无标记系统），并采用开源方法解决感觉处理问题患者群体的挑战	样本量较小（仅包括两名脑瘫儿童和两名正常发育儿童），可能限制结果的普遍性	评估和比较3D标记与2D无标记运动捕捉系统在分析儿童运动协调模式中的可行性和效果	脑瘫儿童和正常发育儿童	计算机视觉	脑瘫	运动捕捉技术、深度学习人体姿态估计	NA	视频、运动学数据	4名儿童（2名脑瘫儿童，2名正常发育儿童）	MediaPipe	NA	NA	NA
229	2026-04-05	Case-Based Reasoning with Deep Learning for a Hybrid Approach to Legal Text Summarization 2025-12-12, Journal of visualized experiments : JoVE DOI:10.3791/69287 PMID:41460740	研究论文	本文提出了一种结合案例推理与深度学习的混合方法，用于法律文本摘要生成	将案例推理与多阶段Transformer架构相结合，用于法律文本摘要，在事实准确性、推理保真度和法律实体保留方面表现优异	未明确说明模型的计算复杂度或处理超长法律文档的具体限制	开发一种能够准确高效生成法律文本摘要的混合方法	法律案例文本	自然语言处理	NA	深度学习，案例推理	Transformer	文本	4,968个法律案例	未明确说明	多阶段Transformer架构	准确率，ROUGE分数，连贯性	NA
230	2026-04-05	Overcoming Extrapolation Challenges of Deep Learning by Incorporating Physics in Protein Sequence-Function Modeling 2025-Nov-11, bioRxiv : the preprint server for biology DOI:10.1101/2025.11.09.687530 PMID:41293023	研究论文	本文提出了一种通过整合蛋白质物理相互作用和动力学来改进深度学习模型在蛋白质序列-功能建模中外推能力的方法	将基于物理的建模（如突变能量效应量化）直接整合到卷积和图卷积神经网络中，以克服数据稀缺导致的外推限制	未明确提及具体实验设置或数据集的局限性，但暗示了传统深度学习模型在外推任务中的普遍挑战	提高深度学习模型在预测未见位置或突变类型变异功能效应时的外推准确性	蛋白质序列-功能关系，特别是通过深度突变扫描数据和可用结构学习序列到功能的映射	机器学习	NA	深度突变扫描	CNN, 图卷积神经网络, Transformer	序列数据, 结构数据	NA	NA	卷积神经网络, 图卷积神经网络, Transformer	NA	NA
231	2026-04-05	Deep learning in CT image reconstruction and processing: techniques, performance evaluation, radiation dose, and future perspective 2025-Nov-01, The British journal of radiology DOI:10.1093/bjr/tqaf260 PMID:41099810	综述	本文综述了基于深度学习的CT图像重建与处理技术，涵盖技术实现、性能评估、辐射剂量降低及未来展望	系统分类DLR方法（投影空间、投影到图像空间、图像空间及混合技术），并强调虚拟成像试验等定量评估技术的重要性	在低对比度病变检测和表征方面存在挑战，辐射剂量降低可能仍低于传统方法的50%，且低剂量下可能产生虚假结构	概述深度学习在CT图像重建与处理中的应用，以优化算法降低辐射剂量并提升诊断性能	CT图像重建与处理技术，包括噪声降低、伪影校正和空间分辨率增强	计算机视觉	NA	深度学习图像重建	NA	CT图像	NA	NA	NA	噪声降低、伪影校正、空间分辨率增强	NA
232	2026-04-05	The Synergy of Artificial Intelligence and 3D Bioprinting: Unlocking New Frontiers in Precision and Tissue Fabrication 2025-Oct-28, Advanced functional materials IF:18.5Q1 DOI:10.1002/adfm.202509530 PMID:41181574	综述	本文综述了人工智能在3D生物打印中的变革性作用，重点关注AI如何提升其精度、功能性和可扩展性	系统性地探讨了AI（包括机器学习、计算机视觉、机器人学等）如何通过实时过程监控、错误纠正和参数优化来革新3D生物打印技术，并强调了其在自动化质量控制、预测性维护和减少生物墨水浪费方面的创新应用	在过程监控、质量控制和生物打印系统的可扩展性方面仍存在挑战	指导科学家、工程师和医疗保健提供者理解AI增强型生物打印的复杂性和潜力，促进对其在再生医学和个性化医疗中未来作用的更深入认识	3D生物打印技术及其与人工智能的融合	机器学习, 计算机视觉, 自然语言处理	NA	3D生物打印	深度学习	复杂数据集	NA	NA	NA	细胞活力, 结构保真度	NA
233	2026-04-05	Artificial intelligence-assisted glaucoma detection on color fundus images: with comorbidity and cross-institutional analysis 2025-Oct-01, Journal of the Chinese Medical Association : JCMA IF:1.9Q2 DOI:10.1097/JCMA.0000000000001289 PMID:41102915	研究论文	本研究开发了一种基于人工智能的辅助青光眼检测系统，通过彩色眼底图像进行诊断，并进行了跨机构和共病分析	开发了一个结合图像增强、视神经区域自动识别和深度学习分类的分步AI管道，并在多种临床环境和共病条件下验证了其高准确性和鲁棒性	研究未提及系统在更广泛人群或不同青光眼亚型中的泛化能力，以及长期临床应用的验证	开发并验证一个可靠的人工智能系统，用于在彩色眼底图像上检测青光眼，特别是在存在共病眼病和跨机构设置下	彩色眼底图像，包括来自台北荣民总医院的训练图像和五个跨区域外部数据集，以及一个代表共病眼病的内部图像集	计算机视觉	青光眼	彩色眼底摄影	深度学习	图像	训练集：1696张图像；测试集：五个外部数据集和一个包含151张图像的内部共病数据集	NA	NA	平衡准确率，曲线下面积	NA
234	2026-04-05	ACtriplet: An improved deep learning model for activity cliffs prediction by in tegrating triplet loss and pre-training 2025-Aug, Journal of pharmaceutical analysis IF:6.1Q1 DOI:10.1016/j.jpha.2025.101317 PMID:40893440	研究论文	本文提出了一种名为ACtriplet的改进深度学习模型，通过整合三元组损失和预训练策略来预测活性悬崖	将人脸识别中的三元组损失与预训练策略相结合，开发了专门针对活性悬崖的预测模型，以更好地利用现有数据	未提及具体的数据量限制或模型泛化能力的详细评估	开发一种改进的深度学习模型，用于预测药物发现中的活性悬崖，以优化分子结构	活性悬崖（相似化合物对，其结构微小差异导致结合亲和力显著不同）	机器学习	NA	深度学习	深度神经网络	分子图像或图数据	基于30个基准数据集进行实验	NA	ACtriplet	NA	NA
235	2026-04-05	mamp-ml: A deep learning approach to epitope immunogenicity in plants 2025-Jul-15, bioRxiv : the preprint server for biology DOI:10.1101/2025.07.11.664399 PMID:40791437	研究论文	本文介绍了一种名为mamp-ml的机器学习框架，用于预测植物受体-配体相互作用，特别是针对植物免疫系统中的免疫原性结果	结合了超过二十年的功能数据和大型蛋白质语言模型ESM-2，构建了一个能够预测免疫原性结果的管道和模型，即使在没有实验结构的情况下也能实现预测	NA	开发一个机器学习框架以预测植物受体-配体相互作用，用于高通量筛选和工程化植物免疫系统	植物免疫系统中的受体和配体，特别是LRR受体-配体组合	自然语言处理	NA	蛋白质语言模型, 机器学习	深度学习	蛋白质序列数据	NA	NA	ESM-2	准确率	NA
236	2026-04-05	Hybrid CNN and random forest model with late fusion for detection of autism spectrum disorder in Toddlers 2025-Jun, MethodsX IF:1.6Q2 DOI:10.1016/j.mex.2025.103278 PMID:40236798	研究论文	本研究提出了一种结合VGG16预训练深度CNN与随机森林分类器的混合模型，用于检测幼儿自闭症谱系障碍	通过后期融合策略将深度学习特征提取与随机森林的集成分类能力相结合，提高了诊断准确性	模型尚未整合多模态数据（如遗传和社会人口学数据），且需在更多样化数据集上进一步测试以提升泛化能力	实现幼儿自闭症谱系障碍的准确早期诊断	幼儿自闭症谱系障碍患者	计算机视觉	自闭症谱系障碍	深度学习与机器学习融合	CNN, 随机森林	图像, 问卷数据	Kaggle上的ACD图像数据集和ACD问卷数据集	TensorFlow, PyTorch, Scikit-learn	VGG16, EfficientNetB0, AlexNet	准确率	NA
237	2026-04-05	Seeing through multimode fibers using real-valued intensity transmission matrix with deep learning 2025-Apr-07, Optics express IF:3.2Q2 DOI:10.1364/OE.553949 PMID:40219515	研究论文	本文提出了一种结合实值强度传输矩阵与深度学习的方法，用于通过多模光纤增强图像检索	提出了一种混合方法，结合实值强度传输矩阵与分层并行多尺度注意力U-Net，以提高图像质量并减少训练数据需求	未明确提及具体局限性，但暗示纯深度学习方法通常需要大量训练数据且泛化能力有限	改善通过多模光纤的图像传输质量，应用于生物医学内窥镜和电信领域	多模光纤中的图像传输	计算机视觉	NA	实值强度传输矩阵算法，深度学习	U-Net	图像	NA	NA	分层并行多尺度注意力U-Net	结构相似性指数, 峰值信噪比	NA
238	2026-04-05	Predictions from Deep Learning Propose Substantial Protein-Carbohydrate Interplay 2025-Mar-15, bioRxiv : the preprint server for biology DOI:10.1101/2025.03.07.641884 PMID:40161692	研究论文	本文开发了名为PiCAP和CAPSIF2的深度学习模型，用于预测蛋白质与碳水化合物的非共价结合及其相互作用位点	提出了新的数据集和神经网络架构PiCAP用于蛋白质水平的碳水化合物结合预测，以及CAPSIF2用于残基水平的相互作用位点预测，在预测性能上超越了现有模型	未明确说明模型在更广泛蛋白质组或不同物种中的泛化能力，以及实验验证的详细程度	预测蛋白质与碳水化合物的非共价结合及其相互作用位点，以探索蛋白质-碳水化合物相互作用的广泛性	蛋白质，特别是已知的碳水化合物结合蛋白、DNA结合转录因子、细胞骨架成分、特定抗体和小分子结合蛋白	机器学习	NA	深度学习	神经网络	蛋白质序列数据	基于已知碳水化合物结合蛋白的数据集，具体数量未明确	NA	PiCAP, CAPSIF2	平衡准确率, Dice系数	NA
239	2026-04-05	Assessing the Performance of the DINOv2 Self-supervised Learning Vision Transformer Model for the Segmentation of the Left Atrium from MRI Images 2025-Feb, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.3048192 PMID:41878116	研究论文	本研究评估了基于自监督学习的视觉Transformer基础模型DINOv2在MRI图像上分割左心房的性能	探索了在自然图像上预训练的DINOv2模型在医学图像分割任务中的开箱即用潜力，并证明了其在有限标注数据下的优异表现	研究主要针对左心房分割，且数据量和患者数量有限，未广泛验证于其他心脏结构或医学影像模态	评估DINOv2模型在心脏MRI图像中左心房分割任务的准确性和一致性，探索其在医学影像领域的应用潜力	心脏MRI图像中的左心房结构	计算机视觉	心血管疾病	MRI成像	Transformer	图像	未明确说明具体样本数量，但提及了不同数据集大小和患者数量的少样本学习实验	NA	DINOv2	Dice系数, IoU	NA
240	2026-04-05	Diagnostic performance and generalizability of deep learning for multiple retinal diseases using bimodal imaging of fundus photography and optical coherence tomography 2025, Frontiers in cell and developmental biology IF:4.6Q1 DOI:10.3389/fcell.2025.1665173 PMID:41018263	研究论文	本研究开发并评估了基于彩色眼底照相和光学相干断层扫描的双模态深度学习模型，用于检测多种视网膜疾病，并评估其诊断性能和泛化能力	提出了双模态融合模型（Fusion-MIL），结合了彩色眼底照相和光学相干断层扫描数据，在多种设备和扫描模式下表现出优于单模态模型的诊断性能和高泛化能力	研究为横断面设计，未进行前瞻性验证；样本量相对有限，且数据来自特定医院和设备，可能影响模型在更广泛人群中的适用性	开发并评估深度学习模型，用于检测和分类多种视网膜疾病，提升诊断准确性和泛化能力	视网膜疾病患者，包括糖尿病视网膜病变、年龄相关性黄斑变性、病理性近视、视网膜前膜和黄斑水肿等	计算机视觉	视网膜疾病	彩色眼底照相，光学相干断层扫描	深度学习模型，多实例学习	图像	1445对CFP-OCT图像来自1029名患者，另有1184对用于ATN分类	NA	Fusion-MIL, CFP-MIL, OCT-MIL	AUC	NA