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
301	2026-06-04	Applying transformer-based deep learning models in image-driven cancer diagnosis: a comprehensive bibliometric analysis of global research trends 2026, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2026.1592750 PMID:42232552	综述	对基于Transformer的深度学习模型在图像驱动癌症诊断中的应用进行全面的文献计量分析，揭示全球研究趋势	首次通过文献计量学方法系统分析Transformer在图像驱动癌症诊断中的研究热点、国际合作模式和未来方向	研究成果的泛化性和可扩展性面临挑战，各国和机构的影响力（以引用次数衡量）存在差异	分析Transformer在图像驱动癌症诊断中的全球研究趋势和未来方向	2017年至2026年间发表的关于Transformer在图像驱动癌症诊断中的应用论文	计算机视觉	癌症	NA	Transformer	图像	2923篇论文	CiteSpace, VOSviewer	NA	NA	NA
302	2026-06-04	ASLNet: an explainable deep learning framework for glioma grading and survival prediction 2026, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2026.1818663 PMID:42232555	研究论文	提出一个基于动脉自旋标记MRI的可解释三维残差网络框架，用于胶质瘤分级和生存预测	首次利用ASL MRI数据构建可解释的三维残差网络用于胶质瘤分级和生存预测，并采用集成梯度方法生成显著图以识别关键灌注区域	需要进一步在外部数据集上进行验证	开发并验证基于ASL MRI的可解释深度学习框架，用于预测弥漫性胶质瘤的组织病理学分级和总体生存期	471例经组织学确诊的弥漫性胶质瘤患者，采用ASL MRI采集的图像数据	计算机视觉	胶质瘤	动脉自旋标记MRI	三维残差网络	图像	471例弥漫性胶质瘤患者	PyTorch	ResNet，FiLM型中间融合模型	AUC, macro-F1, accuracy, recall	NA
303	2026-06-04	Interpretable deep learning-based hierarchical multi-modal fusion model for predicting HER2 expression in gastric cancer 2026, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2026.1745228 PMID:42232558	研究论文	提出一种可解释的层级多模态融合模型，用于预测胃癌患者的HER2表达状态	首次构建层级多模态框架，整合内镜深度学习特征、放射组学特征和临床数据来预测HER2表达，并使用SHAP进行特征贡献解释	样本量相对较小，为单中心回顾性研究	提高胃癌患者HER2状态预测的准确性	402名经内镜确诊的胃癌患者	数字病理学, 机器学习	胃癌	内镜成像, 对比增强CT成像, 放射组学	CNN, 逻辑回归	图像, 临床数据	402名胃癌患者（其中92名病理确诊HER2状态）	Pyradiomics, PyTorch	ResNet-50	AUC, 敏感性	NA
304	2026-06-04	Multimodal deep learning fusion model for assessment of fetal lung development in gestational diabetes mellitus and pre-eclampsia 2026, Frontiers in endocrinology IF:3.9Q2 DOI:10.3389/fendo.2026.1832468 PMID:42232760	研究论文	开发了一种多模态深度学习融合模型，结合超声图像与分子和组织病理学数据，评估妊娠期糖尿病和子痫前期对胎肺发育的影响	首次构建了整合超声图像特征与分子和组织病理学数据的多模态深度学习框架，并通过迁移学习将动物模型验证转化至人类胎肺超声图像分析	NA	通过多模态深度学习模型，评估妊娠期糖尿病和子痫前期对胎肺发育的影响，并提供非侵入性监测策略	妊娠期糖尿病和子痫前期大鼠模型及人类胎肺超声图像	计算机视觉, 深度学习	妊娠期糖尿病, 子痫前期	超声成像, 免疫组化, Western印迹, 定量PCR, 基因测序	深度学习模型	超声图像, 组织病理学数据, 分子表达数据	1,183张人类胎肺图像（临床研究），多组动物实验样本（具体数量未提及）	NA	深度学习模型（用于自动肺分割和特征提取），迁移学习模型	准确率, AUC	NA
305	2026-06-04	Rehab-DRLX: explainable neurorehabilitation prognosis using deep reinforcement learning and transformer-based models 2026, Frontiers in computational neuroscience IF:2.1Q3 DOI:10.3389/fncom.2026.1808274 PMID:42232896	研究论文	提出Rehab-DRLX模型，结合深度强化学习和可解释Transformer，用于神经康复预后预测	首次将深度强化学习与可解释Transformer结合，通过强化表示学习模块动态处理多模态康复数据，并利用层次注意力机制提供可解释的预后结果	未提及具体局限性，但需注意模型对多模态数据质量的依赖和临床验证范围	设计可解释、高精度的神经康复预后预测模型，克服传统黑盒工具的可信度不足问题	运动功能障碍和神经损伤患者的功能恢复结果，包括日常生活活动能力	机器学习	神经康复疾病	多模态数据融合（临床记录、传感器运动数据、神经影像）	深度强化学习（DRL）、Transformer、卷积神经网络（CNN）	多模态数据（临床记录、传感器数据、神经影像）	未明确提及样本数量	PyTorch	CNN（嵌入DRL代理）、可解释预后Transformer（包含临床上下文位置编码和层次注意力机制）	准确率、F1分数、均方根误差、平均绝对误差	未明确提及
306	2026-06-04	Deep learning guided propofol ketamine dosing and inflammation trajectories in elderly burns 2026, Frontiers in computational neuroscience IF:2.1Q3 DOI:10.3389/fncom.2026.1824898 PMID:42232895	研究论文	利用深度学习指导老年烧伤患者丙泊酚-氯胺酮给药及炎症轨迹预测	将概率机器学习模型与安全约束的强化学习代理相结合，动态预测炎症标志物轨迹并优化个体化给药方案，实现安全性与疗效的双重提升	基于回顾性数据，需前瞻性试验进一步验证；样本量相对较小；伦理和实时部署挑战	开发并验证一种集成炎症状态预测和用药优化的框架，以改进老年烧伤患者的围手术期管理	老年烧伤患者（≥65岁）在围手术期接受丙泊酚麻醉的614例次事件及206例外部验证事件	机器学习	烧伤	NA	事件Transformer、神经ODE、保守策略Q学习（CPQL）	临床时间序列数据	614例次训练事件和206例次外部验证事件	PyTorch	事件Transformer、神经ODE、保守策略Q学习	平均绝对误差（MAE）、AUROC、预测区间覆盖率、MAP目标时间占比、血管升压药启动率	NA
307	2026-06-04	DNABERT2-CAMP: A Hybrid Transformer-CNN Model for E. coli Promoter Recognition 2025-Dec-28, Genes IF:2.8Q2 DOI:10.3390/genes17010027 PMID:41595447	研究论文	提出一种混合深度学习框架DNABERT2-CAMP，用于准确识别大肠杆菌启动子序列	将预训练Transformer模型DNABERT-2与自定义CNN-Attention-Mean Pooling（CAMP）模块结合，同时捕获长程基因组依赖和精细局部基序，提高启动子识别精度和可解释性	NA	开发一种能够整合全局上下文理解与高分辨率局部基序检测的混合模型，以稳健识别大肠杆菌σ70启动子	大肠杆菌Escherichia coli K-12基因组中的σ70启动子序列	机器学习	NA	NA	混合深度学习模型（Transformer + CNN + Attention + Mean Pooling）	序列数据（81-bp DNA序列）	8720条经过实验验证的正样本和负样本序列（81-bp），来自RegulonDB、文献和E. coli K-12基因组	NA	DNABERT-2（Transformer）+ CAMP（CNN-Attention-Mean Pooling）	准确率（Accuracy）、ROC AUC、马修斯相关系数（MCC）	NA
308	2026-06-04	Detection and Classification of Alzheimer's Disease Using Deep and Machine Learning 2025-Dec-26, Tomography (Ann Arbor, Mich.) DOI:10.3390/tomography12010004 PMID:41591137	研究论文	本研究提出一种融合基于症状的临床数据与MRI影像的双模态框架，结合机器学习与深度学习模型，并利用可解释人工智能增强阿尔茨海默病的检测与分类	将临床数据和MRI影像结合，并引入SHAP和Grad-CAM可解释性技术，为阿尔茨海默病分期提供准确且可靠的诊断路径	尚待进一步验证模型在更大队列和不同人群中的泛化能力	实现阿尔茨海默病的早期准确诊断与分期	阿尔茨海默病患者	机器学习	阿尔茨海默病	MRI	CNN	图像	NA	NA	CNN, EfficientNetB3, DenseNet-121, ResNet-50, MobileNetV2	准确率	NA
309	2026-06-04	ACmix-Swin Deep Learning of 4-Day-Old Apis mellifera Larval Transcriptomes Reveals Early Caste-Biased Regulatory Hubs 2025-Dec-25, Genes IF:2.8Q2 DOI:10.3390/genes17010017 PMID:41595437	研究论文	该文章应用ACmix-Swin深度学习模型分析4日龄西方蜜蜂幼虫转录组，揭示早期等级偏向的调控中枢	首次将混合卷积-注意力模型（ACmix-Swin）与WGAN-GP数据增强结合，用于蜜蜂幼虫分类和等级偏向基因优先排序，实现高通量转录组解读	未明确提及局限性，但可能依赖特定数据集且需qPCR验证	研究蜜蜂幼虫早期发育中的等级和性别特异性转录组差异，并开发深度学习模型发现调控中枢基因	4日龄西方蜜蜂幼虫	机器学习	不适用	RNA-seq	ACmix-Swin、WGAN-GP	转录组数据	不适用	PyTorch	ACmix-Swin	准确率	NA
310	2026-06-04	Artificial Intelligence-Aided Microfluidic Cell Culture Systems 2025-Dec-24, Biosensors DOI:10.3390/bios16010016 PMID:41590268	综述	综述人工智能辅助微流体细胞培养系统与器官芯片平台在生理建模、疾病进展及药物反应研究中的应用	系统总结人工智能特别是机器学习与深度学习在解决微流体和器官芯片数据预处理、特征提取、多模态整合及生物解析瓶颈方面的技术框架，强调轻量级推理模型、解释性特征选择和隐私保护方法	未提及具体性能指标计算资源等细节，侧重于技术框架和应用领域综述	综述人工智能与微流体细胞培养平台及高级器官芯片系统交叉研究的最新进展、技术挑战及未来机遇	微流体细胞培养系统、器官芯片平台及其生成的生物医学数据	机器学习	癌症、心血管疾病等	微流体技术、器官芯片、高分辨率成像、集成传感器、生化分析	机器学习、深度学习	多参数数据（图像、传感器数据、生化分析数据）	NA	NA	NA	NA	NA
311	2026-06-04	Artificial Intelligence and Machine Learning in the Diagnosis and Management of Osteoporosis: A Comprehensive Review 2025-Dec-23, Medicina (Kaunas, Lithuania) DOI:10.3390/medicina62010027 PMID:41597313	综述	对人工智能和机器学习在骨质疏松症诊断与管理中的应用进行了全面综述	系统总结了AI/ML在骨质疏松症诊断、风险预测和个性化治疗中的最新进展，并批判性分析了现有证据的异质性和不足	当前证据异质性大，缺乏稳健的外部验证和定量综合，未充分评估模型在不同人群中的鲁棒性，且对负面或矛盾结果的讨论不足	评估AI和ML在骨质疏松症诊断与管理中的临床应用潜力，并指出未来研究方向	骨质疏松症的诊断和管理流程	机器学习	骨质疏松症	NA	CNN	影像、临床数据、人口统计数据	NA	NA	卷积神经网络	NA	NA
312	2026-06-04	Detection of blueberry based on hyperspectral imaging and deep learning 2025-Dec, Food research international (Ottawa, Ont.) DOI:10.1016/j.foodres.2025.117141 PMID:41606917	研究论文	利用高光谱成像和深度学习方法检测不同品种和成熟度蓝莓的糖含量	首次将分数阶导数与改进拉普拉斯特征映射相结合用于高光谱数据预处理和波段选择，并构建轻量级卷积神经网络模型，显著提高了复杂场景下蓝莓糖分预测的精度和鲁棒性	未提及模型的泛化能力验证、实际应用中的计算效率及对更广泛蓝莓品种的适用性	探索高光谱成像结合深度学习模型快速检测蓝莓糖含量的方法，满足大规模生产需求	蓝莓（F6、L11、L25三个品种，分为成熟、半成熟、未成熟三个类别）	计算机视觉, 深度学习	NA	高光谱成像	卷积神经网络（CNN）	高光谱图像	涉及三个蓝莓品种F6、L11、L25，共三类成熟度，具体样本数量未说明	NA	自定义浅层卷积神经网络（CNN）	相关系数（Rp）、均方根误差（RMSEP）、残差预测偏差（RPD）	NA
313	2026-06-04	AI-based smart pretreatment of fresh fruits and vegetables before processing: Research progress and application prospects 2025-Dec, Food research international (Ottawa, Ont.) DOI:10.1016/j.foodres.2025.117175 PMID:41606923	综述	本文综述了人工智能技术在果蔬加工预处理中的应用研究进展和未来展望	系统总结了机器学习、深度学习、人工神经网络等AI技术在果蔬分选、分级、清洗、去皮、切分、护色、烫漂等预处理环节的应用潜力，并展望了多学科融合实现预处理一体化自动控制的未来方向	目前的研究多集中于分选和缺陷识别，在清洗、去皮等环节的AI应用仍处于初步阶段，且缺乏对跨环节集成控制的实际系统验证	探讨人工智能在果蔬加工预处理中的应用，以克服传统预处理技术效率低、精度难保证等局限性，推动果蔬加工业的智能化发展	新鲜果蔬（F&V）在加工前的预处理环节，包括分选、分级、清洗、去皮、切分、护色、烫漂等	计算机视觉，机器学习	NA	NA	机器学习，深度学习，人工神经网络	图像，气味	NA	NA	NA	NA	NA
314	2026-06-04	Seasonal changes driving shifts in core microbes of Nongxiangxing Daqu: a integrated multi-omics analysis and deep learning 2025-Dec, Food research international (Ottawa, Ont.) DOI:10.1016/j.foodres.2025.117216 PMID:41606940	研究论文	通过整合多组学分析和深度学习，揭示季节变化对浓香型大曲核心微生物群的影响	首次将高通量测序与深度学习结合，利用数据驱动的关键物种识别框架验证不同季节大曲的核心微生物，并揭示随机漂变主导群落组装过程	研究基于112个样品，可能存在地域或工艺差异的影响；深度学习模型的可解释性未详细探讨	阐明季节和压曲方式对浓香型大曲风味动态及微生物演替的影响，并识别核心微生物以优化大曲生产质量	浓香型大曲样品及其微生物群落（细菌和真菌），以及理化特性和风味化合物	机器学习	NA	高通量测序	深度学习（数据驱动关键物种识别框架）	序列数据、理化性质数据、风味化合物数据	120个大曲样品（未明确样品类型，实际为120份固态发酵样品）	NA	数据驱动关键物种识别（DKI）框架（具体架构未明确）	NA	NA
315	2026-06-04	The Rich and the Simple: On the Implicit Bias of Adam and SGD 2025-Dec, Advances in neural information processing systems PMID:42232482	研究论文	探讨Adam和SGD在训练神经网络时的隐含偏差差异，Adam对简单性偏差更具抵抗力	首次证明Adam相比SGD能学习更丰富复杂的特征，产生非线性决策边界，在分布偏移下表现更好	NA	研究Adam与SGD在深层学习中的隐含偏差差异	两层ReLU神经网络	机器学习	NA	NA	两层ReLU神经网络	高斯数据	NA	NA	两层ReLU网络	测试准确率	NA
316	2026-06-04	ATOMIC: a graph attention network for atopic dermatitis prediction using human gut microbiome 2025, Frontiers in immunology IF:5.7Q1 DOI:10.3389/fimmu.2025.1670993 PMID:41583462	研究论文	提出一种基于图注意力网络的模型ATOMIC，利用人类肠道微生物组预测特应性皮炎	首次将图注意力网络与微生物共表达网络结合，整合微生物基因组信息作为节点特征，增强了捕捉功能相关微生物模式的能力，并提供了可解释的注意力机制	研究样本量较小（99个样本），且仅聚焦于特应性皮炎，可能限制模型的泛化能力	开发可解释的深度学习模型，利用肠道微生物组预测特应性皮炎，并识别潜在生物标志物	特应性皮炎患者与健康对照的肠道微生物组样本	机器学习	特应性皮炎	NA	图注意力网络 (GAT)	肠道微生物组丰度数据	99个成年患者与健康对照的肠道微生物组样本	PyTorch	图注意力网络	AUROC, AUPRC	NA
317	2026-06-04	AI-driven transformation of precision medicine: a comprehensive narrative review of key application areas, emerging paradigms, and future directions 2025, Frontiers in public health IF:3.0Q2 DOI:10.3389/fpubh.2025.1656603 PMID:41584179	综述	综合评述人工智能在精准医疗中推动范式转变的关键应用领域、新兴趋势和未来方向	全面分析AI如何重塑从传统诊疗向个性化健康管理生态的转变，并探讨共生AI等未来框架	证据基础不均衡、模型泛化性不足，以及数据隐私、算法公平性和可解释性等伦理问题	阐明AI驱动精准医疗转变的核心作用及未来发展方向	AI技术在精准医疗全价值链中的创新应用	机器学习	NA	深度学习, 机器学习, 自然语言处理	NA	多模态数据	NA	NA	NA	NA	NA
318	2026-06-04	A Review of Deep Learning Techniques for EEG-Based Emotion Recognition: Models, Methods, and Datasets 2025, F1000Research DOI:10.12688/f1000research.171170.2 PMID:41585461	综述	系统回顾了基于深度学习的脑电图情绪识别方法，涵盖模型、方法和数据集	遵循PRISMA指南进行系统综述，覆盖2020至2025年文献，评估公共数据集及其刺激程序和情感表征，以增强调查多样性	NA	提供深度学习在脑电图情绪识别中的应用综述，指导未来研究发展更可解释、可泛化且数据高效的识别系统	基于脑电图信号的深度学习情绪识别方法	机器学习，自然语言处理	NA	脑电图信号采集	深度学习模型，如卷积神经网络、循环神经网络等	脑电图信号	233篇文章	NA	NA	NA	NA
319	2026-06-04	Deep learning-based multimodal approach for non-invasive prediction and prognostic analysis of immune and angiogenic biomarkers in extrahepatic cholangiocarcinoma 2025, Frontiers in immunology IF:5.7Q1 DOI:10.3389/fimmu.2025.1658122 PMID:41607783	research paper	开发基于深度学习的多模态框架，整合MRI、临床和实验室数据，预测肝外胆管癌患者PD-L1和VEGF表达并进行预后分析	首次将深度学习特征、影像组学特征和临床-实验室特征通过重复注意机制整合，实现对肝外胆管癌免疫和血管生成生物标志物的无创预测	回顾性研究设计，样本量有限（96例），模型对PD-L1表达的预测性能中等（AUC=0.71），可能影响泛化能力	开发非侵入性方法预测肝外胆管癌患者的PD-L1和VEGF表达，并评估其预后价值	肝外胆管癌（eCCA）患者	digital pathology	extrahepatic cholangiocarcinoma	MRI成像	CNN	图像	96例患者的16050张原始MRI图像（11505张T1WI，2371张T2WI，2372张DWI）和1570张含肿瘤图像（990张T1WI，289张T2WI，291张DWI）	PyTorch	重复注意机制	AUC	NA
320	2026-06-04	Infectious disease prediction model based on optimized deep learning algorithm 2025, Frontiers in public health IF:3.0Q2 DOI:10.3389/fpubh.2025.1703506 PMID:41613087	研究论文	提出一种基于遗传算法优化的GA-BiLSTM-ARIMA混合深度学习模型，用于传染病预测	通过遗传算法优化BiLSTM与ARIMA模型的混合策略，实现了对时间序列传染病数据的高精度预测，整合了不同模型的优势	NA	提高传染病时间序列预测的准确性，支持防控策略制定和早期预警	COVID-19疫情数据（日本病例数据）	机器学习	COVID-19	NA	ARIMA, BiLSTM, GA	时间序列数据	日本COVID-19病例数据（具体数量未提供）	NA	ARIMA, BiLSTM	均方根误差, 平均绝对误差, 平均绝对百分比误差, R方	NA