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
2761	2026-03-02	A Review of U-Net Based Deep Learning Frameworks for MRI-Based Brain Tumor Segmentation 2026-Feb-07, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16040506 PMID:41750656	综述	本文综述了2019年至2025年间发表的35项研究，重点关注基于U-Net架构的深度学习框架在MRI脑肿瘤分割中的应用	系统性地回顾并分析了U-Net架构从原始2D/3D模型到更先进变体的演变，并总结了该领域的标准评估指标与基准数据集	作为一篇综述文章，其本身不包含新的实验数据或模型创新，主要依赖于对现有文献的分析与综合	回顾和分析基于U-Net的深度学习框架在MRI脑肿瘤自动分割中的应用与发展	MRI图像中的脑肿瘤	数字病理学	脑肿瘤	磁共振成像	U-Net	图像	NA	NA	U-Net, 2D U-Net, 3D U-Net	NA	NA
2762	2026-03-02	Cascaded Deep Learning-Based Model for Classification and Segmentation of Plaques from Carotid Ultrasound Images 2026-Feb-06, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering13020190 PMID:41749730	研究论文	提出一种级联深度学习框架，通过共享斑块位置信息，联合实现颈动脉超声图像中斑块的分类与分割	提出了一种结合分类与分割的级联框架，通过共享斑块位置信息（使用CAM作为提示）提升两项任务的性能；引入了基于真实边界的区域特征池化策略和两阶段迭代推理方法	未明确说明样本来源的多样性（如多中心数据）、模型在外部验证集上的泛化能力，以及计算效率的具体分析	提升颈动脉斑块的分类与分割精度，以支持更准确的卒中风险评估	颈动脉超声图像中的动脉粥样硬化斑块	计算机视觉	心血管疾病	超声成像	CNN, Transformer	图像	NA	PyTorch	ResNet, MedSAM	F1-score, Dice相似系数	NA
2763	2026-03-02	ICIsc: A Deep Learning Framework for Predicting Immune Checkpoint Inhibitor Response by Integrating scRNA-Seq and Protein Language Models 2026-Feb-06, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering13020187 PMID:41749727	研究论文	提出一个名为ICIsc的深度学习框架，通过整合单细胞RNA测序数据和蛋白质语言模型来预测免疫检查点抑制剂的反应	首次将单细胞RNA测序数据与蛋白质语言模型（ESM2）结合，并利用双线性注意力模块和GATv2图注意力网络来融合患者和药物表示，以建模免疫微环境异质性	未明确说明框架在更大或更多样化患者队列中的验证情况，以及计算资源需求可能较高	准确预测免疫检查点抑制剂（ICI）的治疗反应，以改善癌症免疫疗法的疗效	接受PD-1/PD-L1和CTLA-4靶向免疫检查点抑制剂治疗的癌症患者	机器学习	癌症	单细胞RNA测序（scRNA-seq），蛋白质语言模型（ESM2）	深度学习框架，图注意力网络（GATv2）	转录组数据，氨基酸序列数据，单细胞RNA测序数据	NA	PyTorch（推测，基于GATv2和深度学习框架的常见实现）	GATv2，双线性注意力模块	基准评估指标（如准确性、AUC等，具体未列明），SHAP解释性分析	NA
2764	2026-03-02	Leveraging Cross-Subject Transfer Learning and Signal Augmentation for Enhanced RGB Color Decoding from EEG Data 2026-Feb-06, Brain sciences IF:2.7Q3 DOI:10.3390/brainsci16020195 PMID:41750196	研究论文	本研究通过结合跨被试迁移学习和信号增强技术，旨在提升从脑电图数据中解码RGB颜色的性能	创新点在于整合跨被试迁移学习与信号增强（如频率切片重组和高斯噪声添加），以应对被试间变异性和数据稀缺问题，从而提高EEG信号中RGB颜色分类的准确性和泛化能力	研究基于31名被试的EEG数据集，样本规模相对有限，可能影响模型在更广泛人群中的泛化性能；且未详细探讨不同增强技术对特定颜色类别解码的差异化影响	研究目标是克服脑电图信号解码中的被试间变异性和数据不足挑战，通过迁移学习和数据增强提升RGB颜色分类性能，以推动基于视觉特征的脑机接口应用	研究对象为31名先前研究中的被试的脑电图信号数据，用于解码RGB颜色分类	机器学习	NA	脑电图信号处理	CNN, 注意力机制	脑电图信号	31名被试的EEG数据集	NA	DeepConvNet, Adaptive Temporal Convolutional Network	分类准确率	NA
2765	2026-03-02	Artificial Intelligence as a Catalyst for Antimicrobial Discovery: From Predictive Models to De Novo Design 2026-Feb-06, Microorganisms IF:4.1Q2 DOI:10.3390/microorganisms14020394 PMID:41753681	综述	本文全面回顾了人工智能在加速抗菌药物发现和设计中的应用进展	整合了机器学习、深度学习和生成模型，特别是图神经网络、注意力机制和基于大语言模型的生成器，用于虚拟筛选、活性预测和从头设计，以识别结构新颖的化合物并促进窄谱抗菌策略	面临数据稀缺与不平衡、实验验证有限以及临床转化障碍等挑战	加速抗菌药物发现，应对抗菌素耐药性这一全球健康挑战	小分子抗生素和抗菌肽	机器学习	NA	NA	机器学习, 深度学习, 生成模型	化学和生物数据	NA	NA	图神经网络, 注意力机制, Transformer, 变分自编码器, 大语言模型	NA	NA
2766	2026-03-02	MMHC-OCPR: Prediction of Platinum Response and Recurrence Risk in Ovarian Cancer with Multimodal Deep Learning 2026-Feb-02, Biomedicines IF:3.9Q1 DOI:10.3390/biomedicines14020348 PMID:41751247	研究论文	本研究开发了一个多模态深度学习模型MMHC-OCPR，用于预测卵巢癌患者的铂类化疗反应和复发风险	采用弱监督多实例学习框架整合组织病理学图像与临床病理变量，并引入基于Transformer的预训练编码器UNI2-h以提升模型预测性能	研究为回顾性多中心设计，样本量相对有限（431例患者），且外部验证仅依赖TCGA公开数据	预测卵巢癌患者的铂类化疗反应和复发风险，以实现早期个性化治疗并改善预后	卵巢癌患者	数字病理学	卵巢癌	全切片图像分析	多模态深度学习	图像, 临床数据	431例患者（来自两个独立数据集），包含1182张全切片图像	NA	UNI2-h	AUC, C-index	NA
2767	2026-03-02	One Method for Improving Overlay Accuracy Through Focus Control 2026-Feb-02, Micromachines IF:3.0Q2 DOI:10.3390/mi17020207 PMID:41753863	研究论文	本文提出了一种结合光学硬件设计与软件算法的集成优化策略，以提高图像套刻对准（IBO）设备的测量精度与效率	提出了一种集成优化策略，结合了采用双波长双探测器架构的硬件方案与基于深度学习实时预测调整标记位置和离焦量的软件方案，以协同方式提升套刻测量性能	NA	解决先进工艺节点中套刻测量精度与效率之间的权衡问题	图像套刻对准（IBO）设备中的套刻标记测量	机器视觉	NA	光学反射成像	深度学习	图像	NA	NA	NA	NA	NA
2768	2026-03-02	Unpaired Learning-Enabled Nanotube Identification from AFM Images 2026-Feb, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202512504 PMID:41449757	研究论文	提出一种基于深度学习的无配对学习方法，用于从原子力显微镜图像中提取纳米管形态	利用基于cycleGAN的图像到图像翻译框架，结合专门设计的损失函数，将包含纳米管的AFM图像转换为纯基底图像，从而有效分离纳米管形态	模型泛化能力有待扩展，未来工作旨在与实时AFM成像集成	优化纳米管网络形态的表征，以支持柔性电子应用的开发	单壁碳纳米管（SWCNTs）及其在柔性聚合物基底上的网络形态	计算机视觉	NA	原子力显微镜（AFM）成像	GAN	图像	NA	NA	cycleGAN	灵敏度, 准确度	NA
2769	2026-03-02	CLinNET: An Interpretable and Uncertainty-Aware Deep Learning Framework for Multi-Modal Clinical Genomics 2026-Feb, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202512842 PMID:41604548	研究论文	本文介绍了一种名为CLinNET的可解释且具有不确定性感知的深度学习框架，用于多模态临床基因组学分析，旨在增强基因管理和VUS解释	CLinNET采用双分支设计整合多模态数据，结合生物信息学架构、基于置信度的不确定性量化以及分层SHAP解释，提高了预测准确性和生物相关性	模型主要针对神经认知障碍数据集进行训练，在其他疾病类型中的普适性仍需进一步验证	开发一个可解释且不确定性感知的深度学习框架，以识别神经认知障碍的分子驱动因子和诊断基因	神经认知障碍（NDs）相关的基因数据，包括测序数据、基因表达、生物通路和基因本体（GO）信息	机器学习	神经认知障碍	测序数据、基因表达分析、生物通路分析、基因本体（GO）分析	深度神经网络	多模态数据（测序、基因表达、通路、GO）	NA	NA	双分支深度神经网络	F1分数, 准确率, 精确率-召回曲线下面积（AUC-PR）	NA
2770	2026-03-02	CA-CAE: A deep learning-based multi-omics model for pan-cancer subtype classification and prognosis prediction 2026-Feb, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1014015 PMID:41719374	研究论文	本研究提出了一种结合通道注意力机制的卷积自编码器预后模型（CA-CAE），用于基于多组学数据进行泛癌症亚型分类和预后预测	提出了一种结合通道注意力机制的卷积自编码器模型，能够更准确地识别癌症亚型并预测生存结果，相比传统统计方法和其他深度学习方法表现更优	NA	通过整合深度学习技术，更准确地识别癌症亚型，为癌症患者的个性化治疗提供可靠依据	多种癌症类型的多组学数据	机器学习	癌症	高通量测序技术	卷积自编码器	多组学数据	NA	NA	卷积自编码器	生存预测性能	NA
2771	2026-03-02	Yin-Dan-Ping-Gan Capsule Mitigates CCL4-Induced Liver Fibrosis via Regulating PPAR γ/GPX4 Signaling and Suppressing Ferroptosis 2026-Feb-01, Pharmaceuticals (Basel, Switzerland) DOI:10.3390/ph19020251 PMID:41754793	研究论文	本研究探讨了银丹平肝胶囊通过调控PPARγ/GPX4信号通路抑制铁死亡，从而减轻四氯化碳诱导的小鼠肝纤维化的作用机制	首次结合蛋白质组学、深度学习和网络药理学方法，系统揭示了银丹平肝胶囊通过调控PPARγ/GPX4信号通路抑制铁死亡来抗肝纤维化的新机制	研究仅基于小鼠模型，尚未在人体中进行验证；机制研究主要集中于PPARγ/GPX4通路，可能存在其他未探索的作用途径	探究银丹平肝胶囊治疗肝纤维化的分子机制	四氯化碳诱导的肝纤维化小鼠模型	数字病理学	肝纤维化	蛋白质组学、Western blot、深度学习、网络药理学	深度学习模型	蛋白质组数据、生化指标数据、图像数据	小鼠模型样本（具体数量未明确说明）	NA	NA	纤维化指数、肝功能指标、MDA含量、铁含量、GSH活性	NA
2772	2026-03-02	PolyAseqTrap: a universal tool for genome-wide identification and quantification of polyadenylation sites from different 3' end sequencing data 2026-Jan-31, Genome biology IF:10.1Q1 DOI:10.1186/s13059-026-03963-w PMID:41620776	研究论文	本文提出PolyAseqTrap，一个用于从多种3'端测序数据中识别和量化多聚腺苷酸化位点的通用R包	提出了一种多聚腺苷酸化读段优先策略以精确定位polyA位点，并引入了一个可迁移的跨物种深度学习模型来缓解长期存在的内部引物问题	NA	开发一个通用工具，用于全基因组范围内识别和量化不同3'端测序数据中的多聚腺苷酸化位点	多种3'端测序技术生成的数据，涉及多个物种	生物信息学	NA	3'端测序	深度学习模型	测序数据	涉及16种不同的3'端测序技术，跨多个物种	R	NA	NA	NA
2773	2026-03-02	Machine Learning-Based Estimation of Knee Joint Mechanics from Kinematic and Neuromuscular Inputs: A Proof-of-Concept Using the CAMS-Knee Datasets 2026-Jan-31, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering13020173 PMID:41749713	研究论文	本研究探索了利用深度学习模型基于体内生物力学数据估计胫股关节接触力的可行性	首次结合双向长短期记忆网络与多层感知器以及时序卷积网络，利用CAMS-Knee数据集预测日常活动中膝关节接触力，为个性化膝关节负荷估计提供了可扩展的替代方案	个体力分量的预测精度略低，且TCN模型在不同力分量和活动中的表现较为多变，EMG特征对整体预测性能贡献有限	评估深度学习模型在估计膝关节接触力方面的可行性，替代传统的肌肉骨骼模拟	膝关节接触力，特别是胫股关节的接触力	机器学习	NA	NA	biLSTM-MLP, TCN	运动学和神经肌肉输入数据	使用CAMS-Knee数据集，具体样本数量未明确说明	NA	双向长短期记忆网络与多层感知器组合，时序卷积网络	均方根误差，皮尔逊相关系数	NA
2774	2026-03-02	Deep Learning-Based Classification of Common Lung Sounds via Auto-Detected Respiratory Cycles 2026-Jan-30, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering13020170 PMID:41749710	研究论文	本研究通过自动检测呼吸周期，利用深度学习技术对常见肺音进行分类，旨在辅助慢性呼吸疾病的早期诊断	提出了一种自动检测呼吸周期的方法，并结合多种时频表示（如谱图、小波图、梅尔谱图和伽马通图）与预训练的CNN模型进行肺音分类，其中伽马通图与CNN架构结合取得了最佳分类准确率	未明确提及研究的局限性，如数据集的多样性、模型泛化能力或临床验证的充分性	开发一种基于人工智能的肺音分类方法，以辅助慢性呼吸疾病的早期诊断	常见肺音（LSs）	机器学习	肺病	信号处理，时频分析（谱图、小波图、梅尔谱图、伽马通图）	CNN, LSTM, SVM	音频信号	NA	TensorFlow, PyTorch, Keras, Scikit-learn	预训练的CNN模型，CNN-LSTM混合架构	分类准确率	NA
2775	2026-03-02	MFST-GCN: A Sleep Stage Classification Method Based on Multi-Feature Spatio-Temporal Graph Convolutional Network 2026-Jan-30, Brain sciences IF:2.7Q3 DOI:10.3390/brainsci16020162 PMID:41750163	研究论文	提出了一种基于多特征时空图卷积网络（MFST-GCN）的睡眠阶段分类方法，用于从脑电图信号中准确识别睡眠阶段	通过三个互补模块（DDFCM、MMFEN、ASTGCN）对神经信号传播的时滞效应和皮层激活模式的区域异质性进行显式建模，特别是双尺度时变功能连接建模和自适应时空图卷积网络的设计	仅在ISRUC-S1和ISRUC-S3数据集上进行了评估，未在其他独立数据集上进行验证；模型复杂度可能较高	开发一种能够更准确分类睡眠阶段的深度学习方法，以评估睡眠质量和诊断睡眠障碍	脑电图（EEG）信号	机器学习	睡眠障碍	脑电图（EEG）	图卷积网络（GCN）	时间序列信号	ISRUC-S1和ISRUC-S3数据集（具体样本数未在摘要中提供）	NA	MFST-GCN（包含DDFCM、MMFEN、ASTGCN模块）	F1分数	NA
2776	2026-03-02	MDEB-YOLO: A Lightweight Multi-Scale Attention Network for Micro-Defect Detection on Printed Circuit Boards 2026-Jan-30, Micromachines IF:3.0Q2 DOI:10.3390/mi17020192 PMID:41753848	研究论文	本文提出了一种名为MDEB-YOLO的轻量级实时检测网络，专门用于印刷电路板上的微缺陷检测	设计了高效多尺度可变形注意力模块、双向残差多尺度特征金字塔网络以及轻量级分组卷积头，以提升对微小、不规则缺陷的检测精度和推理速度	未明确提及模型在更广泛工业场景或不同PCB类型上的泛化能力测试	开发一种在检测精度和推理速度之间达到更好平衡的PCB微缺陷检测方法	印刷电路板表面的微缺陷，如鼠咬缺陷和毛刺缺陷	计算机视觉	NA	NA	CNN	图像	PKU-Market-PCB数据集（具体样本数量未在摘要中提供）	NA	YOLO	平均精度均值, 每秒帧数	NA
2777	2026-03-02	3D Medical Image Segmentation with 3D Modelling 2026-Jan-29, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering13020160 PMID:41749700	研究论文	本文提出了一种增强的交互式Graphcut算法，用于三维医学图像分割，旨在提高乳腺和脑肿瘤在异质组织强度数据集中的边界精度和三维建模效果	通过集成聚类机制（使用2-5个簇）增强标准Graphcut算法，以改进在强度变化组织中的边界检测，无需大量预训练即可达到与先进深度学习基准相当的性能	该方法在临床环境中可能受限于缺乏大规模标注数据集的情况，尽管其设计初衷正是为了应对此挑战	开发一种高效、精确的三维肿瘤分割工具，用于医学诊断和治疗规划	乳腺肿瘤和脑肿瘤的三维DICOM图像数据	医学图像处理	乳腺癌, 脑肿瘤	三维医学图像分割	Graphcut算法	三维DICOM图像	未明确指定具体样本数量，但涉及乳腺和脑肿瘤数据集	PyMaxflow, pydicom	增强的交互式Graphcut算法	Dice相似系数, 边界边缘误差, 处理时间	未明确指定，但使用Python 3.13实现
2778	2026-03-02	Smart Devices and Multimodal Systems for Mental Health Monitoring: From Theory to Application 2026-Jan-29, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering13020165 PMID:41749705	系统综述	本文系统综述了基于智能设备和多模态生物信号系统（如EEG、ECG、EMG）在心理健康监测中的应用、信号处理方法及方法论局限性	首次系统性地将多模态生物信号系统与人工智能支持的心理健康监测应用进行综合评述，并识别了从理论到临床转化的关键挑战	现有研究样本量普遍较小（67%的研究参与者少于100人），生态效度有限，缺乏外部验证，且采集协议和分析流程存在高度异质性	评估和纵向监测心理健康状况，改善心理健康评估方法	人类应用可穿戴/智能设备或多模态生物信号（如EEG/MEG、ECG/HRV、EMG、EDA/GSR、睡眠/活动数据）进行心理健康结果的检测、监测或管理	机器学习	心理健康疾病	EEG/MEG, ECG/HRV, EMG, EDA/GSR, 睡眠/活动监测	SVM, 随机森林, CNN, Transformer	生物信号数据	多数研究样本量低于100名参与者	NA	NA	NA	NA
2779	2026-03-02	Bone-CNN: A Lightweight Deep Learning Architecture for Multi-Class Classification of Primary Bone Tumours in Radiographs 2026-Jan-29, Biomedicines IF:3.9Q1 DOI:10.3390/biomedicines14020299 PMID:41751198	研究论文	本研究提出了一种轻量级深度学习架构Bone-CNN，用于X光片中原发性骨肿瘤的多分类任务	开发了一种计算效率高且专门针对X光片分类的CNN架构，在保持高准确率的同时降低了计算复杂度	研究未提及模型在外部验证集或不同成像设备上的泛化能力	开发一个轻量级且高精度的模型，用于原发性骨肿瘤的多分类	原发性骨肿瘤的X光片	计算机视觉	骨肿瘤	X光成像	CNN	图像	使用公开的Figshare原发性骨肿瘤X光数据集，包含九个不同的肿瘤类别	未明确指定	Bone-CNN	准确率, 宏AUC	未明确指定
2780	2026-03-02	Watershed Encoder-Decoder Neural Network for Nuclei Segmentation of Breast Cancer Histology Images 2026-Jan-28, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering13020154 PMID:41749694	研究论文	本文提出了一种基于分水岭编码器-解码器神经网络（WEDN）的方法，用于乳腺癌组织学图像中的细胞核分割	结合分水岭算法与U-Net架构，通过数据增强和预处理技术（如阈值化、膨胀、距离变换）提升分割性能，在有限数据集上实现高精度分割	方法依赖于数据增强来扩展数据集，可能无法完全解决原始图像质量差和结构复杂性问题；在更广泛或多样化数据集上的泛化能力未验证	开发一种深度学习模型，用于乳腺癌组织学图像中癌性病变的精确分割，以辅助早期诊断和治疗	乳腺癌组织学图像中的癌性病变区域	数字病理学	乳腺癌	图像分割，数据增强（阈值化、开运算、膨胀、距离变换），分水岭算法	编码器-解码器神经网络	图像	3000张增强后的分水岭掩码图像（训练集2400张，测试集600张）	未明确指定，但基于U-Net架构	WEDN（分水岭编码器-解码器神经网络），基于U-Net的改进架构	准确率，Dice系数，IoU（交并比）	NA