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
261	2026-06-13	Prescription‑dose stratification improves deep learning‑based VMAT dose prediction in locally advanced NSCLC 2026-Mar-09, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-43192-6 PMID:41796211	研究论文	本文评估了处方剂量分层对基于深度学习的VMAT剂量预测性能的影响	首次系统地比较了单一处方模型与混合处方模型在局部晚期非小细胞肺癌VMAT剂量预测中的表现，证实了处方剂量分层能改善预测精度	样本量较小（72例），且仅针对单一病种和单一治疗技术，未考虑其他处方剂量组合或不同放疗技术的泛化性	评估处方剂量分层是否能够提高深度学习VMAT剂量预测的性能	72例局部晚期非小细胞肺癌VMAT病例	机器学习	肺癌	VMAT计划数据重算	3D U-Net	剂量分布数据	72例（42例训练，10例验证，20例测试）	NA	3D U-Net	平均绝对误差	NA
262	2026-06-13	Survival prediction for bladder cancer using multimodal data with quantum neural networks and transformer architectures 2026-Mar-07, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-42047-4 PMID:41794871	研究论文	本研究提出了一种结合量子神经网络和Transformer架构的混合模型QTMPN，用于膀胱癌生存预测，实现了多模态数据的高效融合	提出了QTMPN框架，创新性地融合量子神经网络、Transformer和图神经网络，通过量子特征提取器（QFE）捕获长距离依赖，并采用注意力引导动态图的多模态融合模块	尚未提及局限性信息	提高膀胱癌生存预测准确性，支持精准医学	膀胱癌患者的多模态数据，包括全切片病理图像和临床特征	机器学习和数字病理学	膀胱癌	NA	量子神经网络（QNN）、Transformer、图神经网络（GNN）	图像（病理全切片图像）、结构化数据（临床特征）	TCGA-BLCA数据集	NA	QTMPN（包含QFE、TCF模块）	准确率（Accuracy）	NA
263	2026-06-13	Development trajectory and trends of ultrasound biomicroscopy in glaucoma research: a comprehensive 20-year bibliometric analysis 2026-Mar-06, International ophthalmology IF:1.4Q3 DOI:10.1007/s10792-026-04010-0 PMID:41790279	综述	对过去20年间超声生物显微镜在青光眼研究中应用的综合文献计量分析	首次通过文献计量学方法系统梳理了超声生物显微镜在青光眼研究中的应用发展轨迹和趋势，并识别出新兴前沿研究方向，包括深度学习、三维重建和微创青光眼手术	仅涵盖2005年至2024年间发表的文章，可能遗漏早期或近期的重要文献；分析基于单一数据库，可能存在数据完整性不足	评估超声生物显微镜在青光眼研究中的应用进展、趋势和未来方向	557篇关于超声生物显微镜在青光眼研究中应用的相关文献	自然语言处理	青光眼	文献计量分析	NA	文献数据	557篇文献	VOSviewer, CiteSpace	NA	NA	NA
264	2026-06-13	Leveraging Naturalistic Driving Digital Biomarkers for Early Mild Cognitive Impairment Detection: Deep Learning Strategies 2026-Mar-06, JMIR medical informatics IF:3.1Q2 DOI:10.2196/83622 PMID:41791118	研究论文	利用自然驾驶数字生物标志物通过深度学习策略早期检测轻度认知障碍	首次将自然驾驶数据结合深度学习模型用于早期轻度认知障碍检测，并比较了多种数据融合策略（单视图、特征级融合、模型级晚期融合）的性能	样本量较小（仅22名参与者），且数据来自单一驾驶场景，可能限制了模型的泛化能力	开发基于自然驾驶数据的深度学习模型，以实现轻度认知障碍的早期非侵入性检测	轻度认知障碍患者和认知正常的驾驶员	机器学习	轻度认知障碍	GPS、加速度计、陀螺仪传感器	深度学习模型（未指定具体类型）	驾驶行为数据（GPS、加速度计、陀螺仪信号）	22名参与者，包括8名轻度认知障碍患者和14名认知正常者，其中3名在实验完成前退出	NA	NA	准确率、受试者工作特征曲线下面积	NA
265	2026-06-13	Enhancing trustworthiness of Arabic online health information quality evaluation using an enhanced BERT architecture with PCA and ICA feature weighting 2026-Mar-06, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-43158-8 PMID:41792455	研究论文	使用增强版阿拉伯语BERT架构结合PCA和ICA特征加权来提高在线阿拉伯语健康信息质量评估的可信度	提出了增强版阿拉伯语BERT模型用于医疗数据，结合PCA和ICA特征提取技术，并采用基于信息熵的改进损失函数提高模型确定性和校准能力	NA	利用人工智能技术评估在线健康信息质量，模拟人类级别的评估能力	在线阿拉伯语健康信息	自然语言处理	NA	特征提取（PCA和ICA）	增强版阿拉伯语BERT	文本	NA	NA	增强版阿拉伯语BERT	准确率	NA
266	2026-06-13	DiNovo enables high-coverage and high-confidence de novo peptide sequencing via mirror proteases and deep learning 2026-Mar-05, Nature communications IF:14.7Q1 DOI:10.1038/s41467-026-70224-6 PMID:41786727	研究论文	提出一种名为DiNovo的软件系统，利用镜像蛋白酶互补性和深度学习实现高覆盖、高可信度的从头肽测序	利用镜像蛋白酶互补性提高肽段覆盖度和可信度；提出独立于预测序的镜像谱识别算法、基于深度学习和图论的测序算法，以及无需先验肽段识别的结果评估方法	未明确说明，但可能受限于蛋白酶组合和深度模型泛化能力	开发高覆盖、高可信度的从头肽测序方法，克服单一蛋白酶实验的碎片不完全和酶解不充分问题	肽段和蛋白质序列	机器学习	NA	质谱（蛋白质组学、蛋白酶消化）	NA	质谱数据（肽段片段谱）	NA	NA	NA	测序可信度（高置信度氨基酸数）、序列覆盖率	NA
267	2026-06-13	An explainable deep learning framework for few shot crop disease detection in rice and sugarcane using CNN based feature extraction 2026-Mar-05, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-37501-2 PMID:41786811	研究论文	提出一种基于CNN特征提取的可解释深度学习框架，用于水稻和甘蔗作物的少样本病害检测	将少样本学习方法（原型网络和MAML）与可解释人工智能（Grad-CAM）结合，用于作物病害检测	未提及模型在不同环境或数据集上的泛化能力及计算资源消耗	实现水稻和甘蔗叶部病害的快速、自动化、精确检测与预测	水稻和甘蔗叶部病害	机器学习	作物病害	图像处理	CNN, 原型网络, 模型无关元学习（MAML）	图像	NA	NA	CNN, 原型网络, 模型无关元学习（MAML）, Grad-CAM	准确率, 特异性	NA
268	2026-06-13	Cross-species gene redesign leveraging ortholog information and generative modeling 2026-Mar-03, Nature communications IF:14.7Q1 DOI:10.1038/s41467-026-69966-0 PMID:41775687	研究论文	提出OrthologTransformer模型，利用直系同源基因数据和生成式建模跨物种重新设计基因，以超越传统密码子优化的局限	首次利用Transformer深度学习模型从大规模直系同源基因数据中学习，实现跨物种基因重新设计，能够捕捉非同义突变和插入/缺失等进化适应性变化	未明确提及局限性，但可能依赖直系同源基因数据集的规模和质量，以及模型在不同物种间泛化能力的验证	开发一种基于AI的基因设计方法，通过直系同源信息生成功能性更强、表达量更高的跨物种基因序列	细菌直系同源基因序列，特别是PETase酶在枯草芽孢杆菌中的表达	机器学习和数字病理学不适用，可归为计算生物学或生成式建模	不适用	Transformer深度学习模型，直系同源基因数据训练	Transformer	基因序列数据（编码序列）	大规模直系同源基因数据集（具体数量未说明），以及多种细菌物种对	PyTorch	Transformer	序列相似性、蛋白功能保持、表达产量（如反应产物量10倍提升）	未指定，可能包括GPU加速
269	2026-06-13	An IoT-enabled CRNN framework for secure wearable sensor-based activity recognition in physical education 2026-Mar-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-42082-1 PMID:41776307	研究论文	提出一个基于IoT的CRNN框架用于体育教育中基于可穿戴传感器的活动识别	提出了一种新型CRNN架构，能同时建模多模态可穿戴传感器数据流的空间和时间特征，并集成到IoT框架中	未明确提及局限性	解决可穿戴传感器信号中时空依赖建模不足的问题，实现高精度的活动识别	多模态可穿戴传感器数据（心率变异性、三轴加速度计、陀螺仪角速度、磁力计方向、皮肤温度等）	机器深度学习	NA	可穿戴传感器技术	CRNN	时间序列数据	未提及具体样本数量	NA	CRNN（CNN + RNN）	准确率98.2%, 灵敏度97.2%, 特异度99.2%, 召回率97.4%, 精确率97.6%	NA
270	2026-06-13	CAGAD: dynamic community attention for prediction gene regulatory network 2026-Mar-03, Theory in biosciences = Theorie in den Biowissenschaften DOI:10.1007/s12064-026-00460-3 PMID:41774282	研究论文	提出CAGAD框架，通过动态社区注意力机制预测基因调控网络，整合基因表达数据和已知基因关系以提升预测准确性	首次将社区注意力机制与GraphSAGE结合，利用结构特征和社区级特征提高基因互作预测的准确性和可解释性	未明确讨论方法的局限性	构建能够处理测量误差、整合生物学先验知识并具有高可解释性的稳健基因调控网络预测模型	大肠杆菌和酿酒酵母的基因调控网络	机器学习	NA	基因表达数据分析，基因调控网络构建	图神经网络（GNN），GraphSAGE	基因表达数据，已知基因关系数据	NA	GraphSAGE	社区注意力机制结合GraphSAGE	预测准确性（相较于最先进方法的性能提升）	NA
271	2026-06-13	Deep learning-based identification and maturation assessment of the zygomaticomaxillary suture in cone-beam computed tomography images 2026-Mar-02, Progress in orthodontics IF:3.5Q1 DOI:10.1186/s40510-026-00614-5 PMID:41770475	研究论文	基于深度学习的锥形束CT图像中颧上颌缝识别与成熟度评估系统	首次提出双网络深度学习架构（3D U-Net结合3D ResNet50）实现CBCT中颧上颌缝的自动化定位与成熟度分期评估，克服了传统主观评分的局限性	数据集规模有限（505例），且不同分期任务（五阶段分类）准确率较低（0.611），模型泛化能力有待验证	开发可定量、可复现的颧上颌缝成熟度评估系统，优化上颌前牵引治疗的时机决策	锥形束CT图像中的颧上颌缝结构及其成熟度分期	计算机视觉	上颌发育不足	CBCT	CNN、3D U-Net、3D ResNet50	图像（三维锥形束CT扫描）	505例锥形束CT扫描数据	PyTorch	3D U-Net、3D ResNet50	准确率、精确率、召回率、F1分数、AUC	NA
272	2026-06-13	Evaluation of a Community-Based AI-Assisted Visual Impairment Screening Model for Performance, Operational Efficiency, Acceptability, Feasibility, and Costs: Protocol for a 2-Arm Pragmatic Randomized Controlled Trial 2026-Mar-02, JMIR research protocols IF:1.4Q3 DOI:10.2196/74164 PMID:41773693	研究论文	评估基于社区的人工智能辅助视力障碍筛查模型在性能、运营效率、可接受性、可行性和成本方面的表现	首次通过双臂实用随机对照试验设计，系统比较AI辅助筛查与传统筛查在转诊准确性、运营效率、患者可接受性、工作流程可行性和成本方面的真实世界证据	研究仍在招募中，结果尚未最终完成，且仅针对新加坡50岁及以上人群，可能限制结果的普适性	评估AI辅助视力障碍筛查模型与传统筛查模型在转诊准确性、运营效率、可接受性、可行性和成本方面的比较	1000名50岁及以上视力障碍风险人群	机器学习	视力障碍	深度学习模型分析视网膜图像	深度学习模型	视网膜图像	1000名参与者，其中符合条件（视力低于6/12）的参与者随机分为AI辅助组和传统筛查组，每组约500人	NA	AI for Disease-related Visual Impairment Screening Using Retinal Imaging模型	曲线下面积	NA
273	2026-06-13	3DViT-GAT: a unified atlas-based 3D vision transformer and graph learning framework for major depressive disorder detection using structural MRI data 2026-Mar-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-42108-8 PMID:41772023	研究论文	提出一种基于3D视觉变压器和图神经网络的统一框架，用于利用结构MRI数据检测重度抑郁症	首次将3D视觉变压器与图神经网络结合形成一个统一管线，利用脑图谱进行区域嵌入提取和关系建模，以提升抑郁症检测性能	未在更多独立数据集上验证；基于图谱的方法依赖预定义分割，可能限制对新区域的发现	开发基于深度学习的方法，提高重度抑郁症诊断准确性并实现早期干预	重度抑郁症患者的结构性MRI数据	机器学习, 数字病理学	重度抑郁症	sMRI	3D Vision Transformer, Graph Neural Network	影像	REST-meta-MDD数据集（具体数量未在摘要中说明）	NA	ViT, GNN	准确率, 灵敏度, 特异性, 精确率, F1分数	NA
274	2026-06-13	Application of LSTM-CNN in skiing action recognition under artificial intelligence technology 2026-Mar-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-42324-2 PMID:41772118	研究论文	提出一种结合视觉感知的深度学习模型，用于提升复杂场景下自动滑雪动作识别的准确性	采用双流三维卷积网络-双向长短期记忆架构，引入可学习加权融合方法有效整合视觉特征，并通过双向时序建模捕捉完整动作的上下文信息	未在更多样化的真实滑雪场景和更大规模数据集上进行系统验证	提升复杂场景下自动滑雪动作识别的准确性和稳定性	滑雪运动员的完整动作序列，包含背景干扰、光照变化和身体自遮挡的复杂场景	计算机视觉	NA	NA	C3D-BiLSTM（三维卷积-双向长短期记忆网络）	图像（RGB帧）、光流场	使用SkiTB数据集，具体样本量未明确	PyTorch	C3D, BiLSTM	精确率、召回率、F1分数、平均精确率	NA
275	2026-06-13	PoseShot: hybrid CNN-BiLSTM transformer model for free throw action recognition via pose analysis 2026-Mar-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-41025-0 PMID:41766037	研究论文	提出了一种混合CNN-BiLSTM-Transformer模型PoseShot，用于通过姿态分析识别篮球罚球动作	不同于传统人体活动识别关注粗粒度活动标签，PoseShot专门设计用于分析单个篮球罚球动作中细粒度、分阶段的技术细节，通过双通道深度学习架构融合训练视频和精准身体姿态角度计算	NA （摘要中未明确提及局限性）	实现篮球罚球技术的客观、数据驱动评估，弥合主观评价与高级运动分析之间的差距	篮球罚球动作中的身体姿态和运动机制	计算机视觉	NA	姿态分析	CNN, BiLSTM, Transformer	视频（训练录像）	NA	NA	CNN, BiLSTM, Transformer编码器	F-score, 精确率, 召回率	NA
276	2026-06-13	Could statistical potential models achieve comparable or better performance than deep learning models? 2026-Mar-01, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbag088 PMID:41766645	研究论文	评估统计势模型在蛋白-配体相互作用预测中的表现，并提出混合势模型HybridSP	提出HybridSP混合势模型，结合距离依赖和方向依赖的原子-原子及原子-残基势，并采用亲和力加权方案校正统计分布偏差，在性能上可与深度学习模型媲美甚至超越	未提及具体局限性，但可能受限于传统统计势在数据丰富场景下的扩展性	比较统计势模型与深度学习模型在蛋白-配体对接和虚拟筛选中的性能	蛋白-配体相互作用	计算机辅助药物设计	NA	NA	统计势模型	分子结构数据	NA	NA	HybridSP	对接成功率、富集因子	NA
277	2026-06-13	Transformer-based multidimensional feature fusion for accurate prediction of lipid nanoparticles transfection efficiency 2026-Mar-01, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbag092 PMID:41766648	研究论文	提出了基于Transformer的多维特征融合方法，用于准确预测脂质纳米颗粒转染效率	构建了包含超过10000个实验测量转染效率值的基准数据集LNPs-TE，并引入LNPs集成特征融合Transformer（LIFT）深度学习框架，有效整合可电离脂质的多维分子表示，实现优于现有技术的预测性能	未明确提及局限性	促进脂质纳米颗粒早期设计和优化，增强RNA递送效率预测	脂质纳米颗粒转染效率预测	机器学习	NA	NA	Transformer	分子表示	超过10000个实验测量的转染效率值	PyTorch	Transformer	皮尔逊相关系数, AUC-ROC, 决定系数R²	NA
278	2026-06-13	From data to treatment plan: An AI-driven path for automated breast radiotherapy planning 2026-Mar, Journal of applied clinical medical physics IF:2.0Q3 DOI:10.1002/acm2.70491 PMID:41769854	研究论文	提出并验证了TARS-B框架，该框架结合深度学习决策模块和自动治疗计划系统，实现乳腺癌放疗的全自动规划	首次将深度学习决策模块与全自动治疗计划系统结合，实现放疗技术选择和计划生成的端到端自动化，并显著缩短规划时间	样本量较小（仅60例患者），且部分解剖异常病例的自动计划未能满足全部标准	开发和验证用于乳腺癌放疗的自动化框架TARS-B，以优化放疗技术选择和治疗计划生成	60例乳腺癌患者（30例接受3D-CRT，30例接受IMRT）	机器学习	乳腺癌	三维适形放疗（3D-CRT）、调强放疗（IMRT）	深度学习神经网络	CT影像及患者剂量数据	60例乳腺癌患者（其中30例原接受3D-CRT，30例原接受IMRT）	NA	神经网络	剂量学参数（PTV覆盖率V95%、热点V105%、OAR约束）、低剂量和中剂量浴体积、规划时间	NA
279	2026-06-13	Deep learning in biology faces a transferability crisis 2026-Mar, PLoS biology IF:7.8Q1 DOI:10.1371/journal.pbio.3003656 PMID:41774686	研究论文	探讨深度学习在生物学领域面临的迁移性危机	指出深度学习模型在生物学中的迁移性被误导性声称所威胁，并提出潜在解决方案	未详述具体解决方法的实施细节或验证效果	评估深度学习在生物科学中迁移性问题的严重性并提出改进建议	生物学领域的深度学习模型及其迁移性评估	机器学习	NA	NA	NA	NA	NA	NA	NA	NA	NA
280	2026-06-13	Deep Learning-Based Super-Resolution for Vessel Enhancement in Photoacoustic Microscopy Imaging 2026-Mar, Journal of biophotonics IF:2.0Q3 DOI:10.1002/jbio.70221 PMID:41780538	研究论文	提出了一种基于深度学习的超分辨率网络GDSU-Net，用于增强光声显微成像中的血管细节	在U-Net架构基础上集成了组归一化、深度可分离卷积、挤压激励模块和像素重排解码器四项关键组件，实现了计算高效的光声成像超分辨率重建	未提及在多种光声成像系统或不同组织类型中的泛化能力验证	解决光声成像中空间分辨率与成像深度之间的权衡问题，提升血管结构重建质量	光声显微成像中的血管网络	计算机视觉	NA	光声显微成像	卷积神经网络	图像	NA	NA	GDSU-Net（基于U-Net改进的架构）	结构相似性指数, 峰值信噪比, 均方根误差, 平均绝对误差	NA