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	2026-05-26	A unified deep learning framework for cross-platform harmonization of multi-tracer PET quantification in neurodegenerative disease 2026-Mar-30, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-026-02570-0 PMID:41912831	研究论文	提出一个统一的深度学习框架，用于跨平台和多示踪剂的PET定量分析在神经退行性疾病中的标准化	首次开发统一的、解剖引导的深度学习框架，能够在多种示踪剂和扫描仪制造商之间将PET-MRI定量标准化为PET-CT标准，零样本泛化到未见示踪剂	将淀粉样蛋白Centiloid差异从23.6降至4.1，虽接近但略高于PET-CT重测变异，表明仍有改进空间	解决PET-MRI和PET-CT之间的系统偏差，实现跨平台诊断阈值和纵向监测的一致性	神经退行性疾病患者的PET扫描数据	机器学习	神经退行性疾病	PET	视觉Transformer自编码器	图像	70例同日配对扫描（F-FDG、F-florbetaben、F-florzolotau）；420例多中心验证（3个站点，4个供应商）	PyTorch	视觉Transformer自编码器，注意力引导残差校正	偏差降低（>80%），淀粉样蛋白Centiloid差异，tau SUVR阈值	NA
222	2026-05-26	A Deep Learning Model for Absolute Risk Prediction of Alcohol Use Disorder in Adolescents and Young Adults 2026-03, Drug and alcohol review IF:3.0Q2 DOI:10.1111/dar.70131 PMID:41748155	研究论文	开发了一种深度学习模型，用于预测青少年和年轻人酒精使用障碍的绝对风险	首次提出用于酒精使用障碍绝对风险预测的深度学习模型	NA	构建个性化绝对风险预测模型，早期识别高风险青少年和年轻酒精使用者	美国青少年至成人健康纵向研究（Add Health）中的青少年和年轻人	机器学习	酒精使用障碍	NA	深度学习模型	表格数据（纵向调查数据）	NA	NA	NA	AUC, E/O比率	NA
223	2026-05-26	Benchmarking foundation models for splice site and exon annotation 2026-Feb-23, bioRxiv : the preprint server for biology DOI:10.64898/2026.02.22.707219 PMID:42124697	研究论文	基准测试基础模型在剪接位点和外显子注释中的表现	系统性评估多种基础模型（包括Transformer和CNN架构）在不同类型外显子（如编码与非编码、组成性与选择性剪接、转座子衍生外显子）上的注释性能，并引入新微调模型STEP2h	模型对训练数据中代表性不足的外显子类别（如非编码内部外显子、末端外显子、选择性剪接外显子及LINE-1衍生外显子）性能显著下降	评估基础模型在基因结构注释中的泛化能力，并识别其在不同外显子类别上的性能差异	基因和剪接位点注释模型	机器学习	NA	NA	CNN, Transformer	基因组序列	NA	NA	SegmentNT, Enformer, Borzoi, SpliceAI, AlphaGenome, STEP2h	NA	NA
224	2026-05-26	Few-shot learning for highly accelerated 3D time-of-flight MRA reconstruction 2026-02, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.70072 PMID:40931540	研究论文	提出一种基于少样本学习的3D时间飞跃法磁共振血管成像重建方法，以极少的实验获取数据实现高质量重建	提出了专为3D TOF-MRA设计的3D变分网络，利用模拟多线圈K空间数据进行预训练，仅用两个单层实验数据集进行微调，解决了高分辨率全脑血管成像数据获取耗时的难题	未明确提及局限性，但训练数据仅限于模拟和少量实验数据，可能影响极端临床场景的泛化性	开发一种深度学习重建方法，实现高度加速的3D TOF-MRA成像，在极有限原始数据下保持高质量重建和鲁棒泛化	3D时间飞跃法磁共振血管成像（TOF-MRA）数据	计算机视觉	脑血管疾病	磁共振血管成像（MRA）、K空间模拟	变分网络	复数多线圈K空间数据、幅度图像	5名健康志愿者的回顾性欠采样in vivo数据、2名额外受试者的前瞻性欠采样数据	PyTorch	3D变分网络	重建质量评估（保留细血管、最小伪影）、加速倍数（8倍）	NA
225	2026-05-26	Deep Learning-Based Supervised and Semisupervised Segmentation of Confocal and SEM Micrographs for Microstructural Characterization of Plant Protein Gels 2026-01-02, Microscopy and microanalysis : the official journal of Microscopy Society of America, Microbeam Analysis Society, Microscopical Society of Canada IF:2.9Q1 DOI:10.1093/mam/ozaf129 PMID:41524148	研究论文	开发了一种半监督学习框架，仅用10%标注数据实现植物蛋白凝胶共聚焦和扫描电镜图像的微结构分割	提出基于伪标签的半监督学习框架，在仅使用10%标注数据的条件下达到与全监督学习相当的图像分割精度，并结合尺度不变结构描述符实现跨成像条件的可靠比较	尚未纳入尺寸相关特征，仅依赖尺度不变描述符	为植物蛋白凝胶的微结构表征提供高通量、少标注的图像分割解决方案	植物蛋白凝胶的共聚焦显微镜和扫描电子显微镜图像	计算机视觉, 数字病理学	NA	共聚焦显微镜, 扫描电子显微镜	卷积神经网络（基于半监督学习）	图像（显微图像）	NA（具体样本数量未提供）	NA	U-Net（推测的常见分割架构，需原文确认）	IoU, Dice系数, 分形维数, 蛋白质聚集面积	NA
226	2026-05-26	A Deep Learning Model to Identify Mitral Valve Prolapse From the Echocardiogram 2026-Jan, JACC. Cardiovascular imaging DOI:10.1016/j.jcmg.2025.08.011 PMID:41031982	研究论文	开发了一个名为DROID-MVP的深度学习模型，用于从超声心动图视频中识别二尖瓣脱垂	首次利用深度学习模型从数字超声心动图视频中自动分类二尖瓣脱垂，并验证了模型预测与临床终点（如二尖瓣反流和未来二尖瓣修复或置换）的关联	模型依赖于外部验证的样本量有限，且可能受到超声心动图质量差异的影响	开发一个深度学习模型来自动识别二尖瓣脱垂，简化诊断过程并生成临床显著性数字标记	MGH（马萨诸塞总医院）的16,902名心脏病患者和外部验证中的BWH（布莱根妇女医院）初级保健患者	计算机视觉	心血管疾病	超声心动图视频分析	深度学习模型	视频	内部验证：1,043,893个超声心动图视频（48,829次研究）来自16,902名患者；外部验证：MGH 8,888名初级保健患者和BWH 257名初级保健患者	NA	DROID-MVP（深度学习方法，具体架构未明确）	AUROC (受试者工作特征曲线下面积), AP (平均精确度)	未明确提及
227	2026-05-26	TDD-YOLO: A novel model for precise detection of tomato diseases 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0334989 PMID:42172292	研究论文	提出了一种基于YOLOv11改进的TDD-YOLO模型，用于在复杂农业环境中精确检测番茄病害	添加特征增强模块提升主干网络提取病害斑点纹理的能力；引入联合注意力机制显式建模跨维度依赖以抑制背景干扰；增加特征融合模块保留多尺度病害信息并降低计算成本	未明确提及局限性	解决现有深度学习模型在提取细微病害特征、抑制复杂背景干扰及处理多尺度病害表示方面的不足	番茄叶片上的六种病害	计算机视觉	番茄病害	NA	YOLOv11	图像	Tomato-Village数据集（含田间采集的番茄叶片图像，六种病害，复杂背景和光照变化）；Tomato-Disease数据集（更多样化的番茄病害类型及健康叶片样本）	PyTorch	TDD-YOLO（基于YOLOv11改进）	mAP@50, mAP@50:95	NA
228	2026-05-26	Enhancing precision harvesting in smart orchards: a light-weight neural network for apple maturity detection 2026, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2026.1820164 PMID:42179477	研究论文	提出轻量化神经网络HRLN-YOLO用于智能果园中苹果成熟度检测，在保证精度的同时大幅减少网络参数量与计算量	设计了轻量化骨干网络HGBackbone以增强特征提取和加速推理；构建增强型颈部模块RCF_Neck提升遮挡下的多尺度特征融合；开发轻量化检测头LADH-Head以减少任务冲突并降低计算成本；引入NWD-Loss提高小目标定位稳定性	未明确讨论模型在不同天气条件、品种或更大规模数据集上的泛化能力，也未提及部署后的实时能耗或硬件兼容性测试	实现资源受限边缘设备上的高精度、轻量化苹果成熟度检测，支持智能果园自动化采摘	果园环境中的苹果成熟度检测任务	计算机视觉	NA	深度学习	YOLO	图像	Orchard Apple Maturity Dataset（具体数量未给出）	NA	HRLN-YOLO (HGBackbone, RCF_Neck, LADH-Head)	平均精度均值 (mAP@0.5), 参数数量, 计算复杂度（FLOPs）	NA
229	2026-05-26	Bridging scales: integrated multi-omics and deep phenotyping for climate resilience in crop plants 2026, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2026.1777294 PMID:42179484	综述	该文综述了深度表型分析与多组学数据相结合，以推动气候适应性作物育种革命的潜力	系统性地讨论了深度表型分析与多组学数据整合如何利用关联作图和机器学习框架来识别优良等位基因和调控中枢，从而打通基因型到表型通路，实现从分子到田间性能的预测育种	面临数据维度高、基础设施成本高以及需要标准化流程等挑战	评估将深度表型与多组学数据结合，开发高通量作物改良策略以应对气候变化和保障粮食安全	农作物（多种作物）	机器学习	NA	下一代测序, 多组学, 深度表型分析, 非侵入性成像	监督学习, 无监督学习, 深度学习	多组学数据（基因组、转录组等）, 图像（表型成像）	NA	NA	NA	NA	NA
230	2026-05-26	Detection and classification of lung cancer using sequential hybridization of CNN and RNN type architectures 2026, Frontiers in big data IF:2.4Q2 DOI:10.3389/fdata.2026.1786859 PMID:42179777	研究论文	提出一种融合CNN和RNN的深度学习框架用于CT图像肺癌多分类	采用DenseNet201提取特征后串联双向门控循环单元（BiGRU）进行序列表示学习，并通过CLAHE增强、形态学分割和结节聚焦掩码优化预处理	需在更大规模多中心数据集和临床测试中验证	开发自动化可靠的CT图像肺癌分类框架，区分良性、恶性和正常肺组织	1,600张CT扫描图像	计算机视觉	肺癌	CT成像	CNN-RNN混合模型	图像	1,600张CT图像（约70%训练，30%验证）	TensorFlow	DenseNet201, 双向门控循环单元（BiGRU）	准确率, 精确率, 召回率, F1分数	NA
231	2026-05-26	A patient-aware benchmarking of CNN and transformer architectures for breast cancer histopathology classification 2026, Frontiers in digital health IF:3.2Q2 DOI:10.3389/fdgth.2026.1752938 PMID:42179815	研究论文	在乳腺癌组织病理学分类任务中，对CNN和Transformer架构进行患者感知的基准测试	采用严格的无数据泄露患者感知交叉验证协议，系统比较了九种深度学习架构在乳腺癌组织病理学分类中的性能，并发现不同架构间的性能差异无统计学显著性	仅使用BreaKHis单一数据集，且高倍率（400×）图像因上下文信息不足导致性能下降	建立无数据泄露的基准测试框架，评估不同深度学习架构在乳腺癌组织病理学分类中的可靠性	BreaKHis数据集中82名患者的7909张乳腺癌组织病理学图像	数字病理学	乳腺癌	组织病理学成像	CNN和Transformer	图像	82名患者的7909张图像	PyTorch	ResNet50, MobileNetV2, VGG16, DenseNet121, Xception, EfficientNetB0, ConvNeXt, Swin-Small, Swin-Base	准确率, 精确率, 召回率, F1分数, 配对t检验, 威尔科克森符号秩检验, 邦费罗尼校正	未指定（NA）
232	2026-05-26	Generative AI-Driven CNN Framework for Enhanced Lung Cancer Detection, Prediction, and Treatment: A Novel Approach to Overcoming AI Limitations 2026, International journal of biomedical imaging IF:3.3Q2 DOI:10.1155/ijbi/8726222 PMID:42179834	研究论文	提出一种生成式AI驱动CNN框架，用于肺癌检测、风险预测及治疗规划，通过GAN数据增强和深度学习特征提取提升诊断性能	将合成数据生成、CNN特征提取、注意力机制分类和概率风险预测统一集成到单一框架中，尚未有研究全面探索此整合方式	未提及具体局限，但依赖单中心数据和实验室环境可能限制通用性	克服传统AI诊断局限，提高肺癌检测准确率并优化治疗建议	肺癌患者信息、CT扫描特征及癌症风险评分数据集	计算机视觉、机器学习	肺癌	深度学习、生成对抗网络（GAN）、CNN特征提取	卷积神经网络（CNN）、生成对抗网络（GAN）	医学图像（CT扫描）和结构化临床数据	NA	TensorFlow, Keras	CNN, GAN, 注意力机制	准确率、精确率、召回率、F1分数、AUC、ROC-AUC	NA（未明确说明GPU型号或云平台）
233	2026-05-26	Computational predictive processing models of consciousness: a systematic review of non-invasive brain signal analysis in disorders of consciousness 2026, Frontiers in computational neuroscience IF:2.1Q3 DOI:10.3389/fncom.2026.1797090 PMID:42179888	综述	系统综述了近15年计算预测处理模型在意识障碍患者无创脑信号分析中的应用	从简单波形平均转向层次预测误差的高维解码，并验证了全局信息共享标记物在区分意识状态中的有效性	未详细说明具体计算模型的可解释性及临床转化中的实际部署障碍	评估计算PP模型对意识障碍患者的诊断和预后价值，并识别临床转化的方法学挑战	意识障碍患者（植物状态/无反应觉醒综合征和最小意识状态）	机器学习	意识障碍	无创脑信号分析（如脑电图、脑磁图等，但未明确指定具体技术）	深度学习和多变量模式分析	脑信号（非图像/文本，属于生理信号）	约2045名参与者	NA	NA	特异性和敏感度（用于预测苏醒）	NA
234	2026-05-26	Feasibility of multi-class dental caries detection using deep learning-based smartphone images: a pilot prospective study 2026, Frontiers in oral health IF:3.0Q1 DOI:10.3389/froh.2026.1805448 PMID:42179881	研究论文	本研究评估了基于深度学习的智能手机图像在多类龋齿检测中的可行性	首次将YOLOv6-L6模型应用于智能手机拍摄的多类龋齿检测，并对比了不同分类方案（二类、四类、五类）的性能	样本量较小（70名成人），为初步试点研究，且有类不平衡问题导致平均精度（mAP）较低	评估深度学习辅助智能手机图像进行多类龋齿检测的可行性及其在患者驱动筛查中的潜力	70名成人自拍的6张口内智能手机图像	计算机视觉	龋齿	智能手机成像	YOLOv6	图像	70名成人，共420张图像	PyTorch	YOLOv6-L6	灵敏度、特异性、精确率、准确率、F1分数、平均精度	NA
235	2026-05-26	High-throughput Screening of Sequence Elements Associated with RNA Localization 2026, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.34133/csbj.0107 PMID:42179915	研究论文	介绍SRLE-seq方法高通量筛选与RNA定位相关的序列元件	设计了SRLE-seq技术，通过测序高通量筛选RNA定位功能元件，并结合深度学习模型实现72%的亚细胞定位预测准确率	未在论文标题和摘要中明确提及局限性信息	开发高效方法识别RNA定位相关功能序列元件	RNA分子及其亚细胞定位相关的序列元件	机器学习, 自然语言处理	肺癌	高通量测序, SRLE-seq	深度学习模型	序列数据	6-mer序列文库，包含110个核滞留相关和49个核输出相关的6-mer	NA	深度学习模型（具体架构未明确）	准确率	NA
236	2026-05-26	A deep learning and radiomics fusion model enhances endoscopic ultrasonography diagnosis of gastric tumors 2026, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2026.1718061 PMID:42180041	研究论文	提出一种融合深度学习与影像组学特征的模型，用于增强超声内镜对胃肿瘤的诊断	创新性地将深度学习特征与影像组学特征相结合，通过t检验和LASSO方法进行特征选择，并整合临床特征构建多参数模型，提升胃肿瘤分类性能	基于回顾性研究，样本量有限，可能影响模型泛化性	开发更准确高效的胃肿瘤分类模型，辅助临床诊断	219名患者的4806张超声内镜图像	计算机视觉, 数字病理学	胃肿瘤	超声内镜	深度学习模型, 影像组学模型	图像	219名患者的4806张超声内镜图像	NA	NA	AUC, 敏感性, 特异性, 阳性预测值, 阴性预测值, 准确率	NA
237	2026-05-26	Hybrid Ant-Baby Optimizer and BiLSTM framework for high-performance IoT intrusion detection 2026, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2026.1795030 PMID:42180302	研究论文	提出一种结合蚁宝宝优化器与双向长短时记忆网络的混合框架，用于物联网入侵检测	首次将蚁宝宝优化器用于特征选择，通过互信息替换低相关特征，再结合双向LSTM捕捉双向时序依赖	计算复杂度与数据集限制的相互影响未充分量化	解决物联网入侵检测中高维流量数据、类别不平衡和攻击模式多变的问题	物联网网络中的入侵检测数据流	机器学习	NA	NA	BiLSTM	网络流量数据	CICIoT2023数据集	NA	BiLSTM	准确率, 精确率, 召回率, F1值, 推理延迟, 吞吐量	NA
238	2026-05-26	Learning instance-specific counterfactual models for continuous treatments using hypernetworks 2026, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2026.1819009 PMID:42180309	研究论文	提出一种利用超网络学习连续治疗实例特异性反事实模型的新方法	将超网络应用于连续治疗效应估计，解决治疗相关性问题，保持深度学习模型灵活性	未提及具体局限性	估计连续治疗的治疗效应	观测数据中的个体治疗效应	机器学习	NA	NA	神经网络	合成和半合成数据集	NA	NA	超网络	精度	NA
239	2026-05-26	DeepForgeryNet: a hybrid CNN-LSTM and transfer learning framework for robust image forgery and deepfake detection 2026, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2026.1810912 PMID:42180308	研究论文	提出DeepForgeryNet，一种结合CNN-LSTM和迁移学习的框架，用于稳健的图像伪造和深度伪造检测	将基于误差水平分析的预处理与混合CNN-LSTM网络相结合，同时捕捉空间和上下文信息，实现更可靠的伪造检测	对极小篡改或重度压缩图像的检测仍存在挑战	开发一种强大的检测工具，利用人工痕迹和上下文不一致性进行图像伪造和深度伪造检测	数字图像和AI生成图像中的伪造痕迹	计算机视觉	不适用	误差水平分析、CNN、LSTM	CNN-LSTM	图像	公开基准数据集（具体数量未说明）	PyTorch	CNN-LSTM	准确率、精确率、召回率、F1分数、AUC	未说明
240	2026-05-26	Deep learning approaches for head pose estimation in sports impacts 2026, Sports engineering IF:1.5Q3 DOI:10.1007/s12283-026-00552-9 PMID:42180423	研究论文	本研究通过基准测试三种深度学习模型在受控足球头球过程中的单目头部姿态估计性能，验证了现代全身人体网格恢复模型在运动碰撞剧烈遮挡和动态条件下的优势	首次系统比较仅头部姿态回归器、端到端面部重建模型和全身人体网格恢复模型在运动碰撞场景中的表现，发现全身网格恢复模型在遮挡和动态条件下优于专用头部姿态估计器	侧视镜头、旋转试验和低面部可见性条件下误差增大，且实验仅在受控足球头球场景中验证，泛化至其他运动碰撞可能受限	评估深度学习模型在运动碰撞中头部姿态估计的准确性，并比较不同模型在强遮挡和高速运动条件下的表现	10名参与者的受控线性头球和旋转头球动作	计算机视觉	NA	视频测距，红外运动捕捉	CNN，人体网格恢复模型	视频，运动捕捉数据	10名参与者，每位执行多种头球动作	PyTorch，TensorFlow	SAM 3D，LSTM，ResNet	测地误差，增量测地误差	NA