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
361	2026-06-09	Reliability-Aware Deep Learning Framework for Chemical Genotoxicity Prediction with Uncertainty Quantification 2026-Jun-08, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.6c00885 PMID:42160670	研究论文	提出一种可靠性感知的深度学习框架，用于化合物遗传毒性预测，并量化预测不确定性	将实验数据可靠性分级与分层学习策略结合，并集成保形预测以量化预测不确定性，提升模型可靠性和透明度	仅使用了分子指纹和消息传递神经网络，未探索更复杂的图神经网络架构；保形预测的覆盖率和效率可能需要更多调优	开发一种融合数据可靠性和不确定性量化的计算模型，用于化学遗传毒性预测	8300多种化合物及其遗传毒性数据，标注有实验可靠性等级	机器学习	NA	分子指纹、消息传递神经网络	消息传递神经网络、随机森林、支持向量机、逻辑回归	分子结构数据（SMILES或分子图）	8389种化合物	Scikit-learn, PyTorch	消息传递神经网络、随机森林、支持向量机（RBF核）、逻辑回归	AUC, Brier得分, 经验覆盖率	NA
362	2026-06-09	The Tsetlin Machine: A "Third Way" in QSAR Modeling 2026-Jun-08, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c03109 PMID:42208944	研究论文	提出Tsetlin Machine作为QSAR建模中的新范式，结合规则方法、迭代学习和内在可解释性	将有限状态自动机与强化学习结合的TM方法应用于QSAR，提供分子属性图和WAC分数的可解释性工具	TM-QSAR的二元性质限制了对离散化连续描述符的性能表现	开发兼具准确性、计算效率和可解释性的QSAR方法，作为虚拟筛选中的标准方法	化合物结构与生物活性关系，包括MOR和CYP2A4等生物靶标	机器学习	不适用	ECFP4描述符	Tsetlin Machine	分子描述符数据	不适用	不适用	Tsetlin Machine	ROC-AUC, PRC-AUC, PPV	不适用
363	2026-06-09	A comprehensive review of deep learning applications in the segmentation and classification of skin cancer 2026-Jun-08, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ae74d6 PMID:42214390	综述	系统综述2014至2024年间深度学习在皮肤癌分割与分类中的应用	整合2014-2024年77项研究，进行偏倚风险评估，揭示类别不平衡和数据泄露问题，并指出从单一CNN向混合框架及多源特征融合策略的范式转变	类别不平衡、数据集多样性有限、临床验证不足	探讨深度学习技术在皮肤病变分割与分类中的应用	皮肤癌（黑色素瘤和非黑色素瘤）	计算机视觉	皮肤癌	NA	卷积神经网络(CNN)、U-Net及其变体、混合框架、集成框架	图像	77项实验研究（来自540篇文献）	NA	CNN、U-Net、混合模型、集成模型	准确率	NA
364	2026-06-09	Are We Underestimating Overfitting? 2026-Jun-08, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.6c00518 PMID:42206593	评论文章	讨论在定量构效关系中过拟合与过参数化的理解及其对预测能力的影响	挑战传统观点，提出过参数化机器学习模型可能提高外部数据预测准确性，并给出信息论论证和示例	未具体说明实验验证或数据规模限制，可能缺乏定量分析	探讨过拟合和过参数化在定量构效关系建模中的含义	过参数化机器学习模型在合成和真实数据上的预测性能	机器学习	NA	NA	机器学习模型	合成和真实数据	NA	NA	NA	预测准确率	NA
365	2026-06-09	Scan-wise generalized PET denoising with contrastive adversarial learning 2026-Jun-08, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ae7231 PMID:42173146	研究论文	提出了一种基于对比对抗学习的逐扫描泛化PET图像去噪方法	首次从域泛化角度解决跨扫描去噪性能下降问题，并提出有序对比对抗学习框架，利用纵向扫描作为伪正样本	未提及具体局限性	实现低计数PET图像的无偏去噪，应对扫描间分布变化	低计数PET图像去噪任务中的扫描间域泛化	计算机视觉	阿尔茨海默病	PET成像	生成对抗网络 (GAN)	图像（PET扫描）	80名受试者的192次纵向扫描，1920组噪声实现	PyTorch	对比对抗网络（CADG）	峰值信噪比（PSNR）、结构相似性指数（SSIM）、偏差、标准差	NA
366	2026-06-09	Deep learning-enhanced X-space reconstruction for magnetic particle imaging: a physics-consistent approach 2026-Jun-08, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ae737d PMID:42202833	研究论文	提出一种物理一致的深度学习框架X-Space-PC-Restore，用于改善磁粒子成像X空间重建质量，减少点扩散函数模糊	首次将混合U-Net编码器-解码器架构与Transformer注意力机制及PSF引导损失函数结合，实现物理一致的MPI重建	仅在合成数据集上评估，未在真实MPI数据上验证；训练数据集规模有限（1600样本）	提高磁粒子成像X空间重建的保真度、空间分辨率和鲁棒性	磁粒子成像系统X空间重建中的图像退化问题	数字病理学	不适用	磁粒子成像	混合U-Net编码器-解码器、Transformer	合成图像（线、圆、椭圆、十字四种模体）	1600个合成样本，涵盖4种模体类型、李萨如轨迹和5-15 dB信噪比	PyTorch	U-Net、Transformer	峰值信噪比（PSNR）、归一化均方根误差（NRMSE）、半高全宽	GPU（具体型号未说明）
367	2026-06-09	Quantitative RNA spatial profiling using single-molecule RNA FISH on plant tissue cryosections 2026-Jun-08, Plant communications IF:9.4Q1 DOI:10.1016/j.xplc.2026.101943 PMID:42252663	研究论文	提出了一种优化的单分子RNA荧光原位杂交（cryo-smFISH）方案，用于植物组织冷冻切片中单mRNA分子的可视化和定量分析	开发了适应植物组织冷冻切片的简化且稳健的smFISH方法，并整合了基于深度学习的图像分析算法，实现了核质区室中的RNA丰度精确定量，以及与免疫荧光的稳健联合应用	NA	建立一种简单、稳健的植物组织切片smFISH方法，实现细胞和亚细胞分辨率下的定量转录分析	植物组织冷冻切片中的单mRNA分子	数字病理	NA	smFISH, 冷冻切片, 免疫荧光, scRNA-seq	深度学习模型	图像	NA	NA	NA	灵敏度	NA
368	2026-06-09	Developing an Advanced Deep Learning-based MR Image Framework for Brain Stroke Segmentation and Classification with Novel Activation Function 2026-Jun-08, The International journal of neuroscience DOI:10.1080/00207454.2026.2685181 PMID:42252862	研究论文	提出了一种基于深度学习的MRI图像框架，用于脑卒中分割和分类，并引入新型激活函数	提出区域掩码注意力多扩张Inception Unet++（RMA-MIUnet++）用于精确分割卒中区域，以及采用新型激活函数的高效InceptionV3（EIV3-NAF）进行分类	未提及与传统模型相比的具体局限性，但传统模型存在手动特征工程和泛化能力不足的问题	开发基于深度学习的卒中预测框架，利用MRI提供专业且灵活的诊断指导	脑卒中患者	计算机视觉	脑卒中	MRI	CNN	图像	NA	NA	RMA-MIUnet++, Efficient InceptionV3	分类性能指标	NA
369	2026-06-09	A Large-Scale Nanocrystal Database with Aligned Synthesis and Properties, Enabling Generative Inverse Design 2026-Jun-08, ACS nano IF:15.8Q1 DOI:10.1021/acsnano.6c03070 PMID:42253088	研究论文	开发了纳米晶体提取器和设计器，构建大规模合成-性质数据库，实现生成式逆设计	首次利用大语言模型从非结构文献中提取纳米晶体合成路线与其性质对齐的高质量数据集，并实现生成式逆合成设计	未给出明确局限性，可能依赖文献质量，数据增强策略可能引入噪声	加速纳米晶体发现，实现数据驱动的逆合成设计	纳米晶体合成路线与理化性质	机器学习	NA	大语言模型，数据增强	大语言模型	文本	近160,000条对齐条目	NA	NanoExtractor, NanoDesigner	加权平均分，F1分数	NA
370	2026-06-09	iDeepLC: Chemical Structure Information Yields Improved Retention Time Prediction of Peptides with Unseen Modifications 2026-Jun-08, Analytical chemistry IF:6.7Q1 DOI:10.1021/acs.analchem.5c08017 PMID:42253128	研究论文	提出iDeepLC模型，基于化学结构信息改进肽段保留时间预测，尤其对训练中未见修饰的肽段表现更优	利用化学结构信息（SMILES）替代仅化学组成，显著提升对未见修饰肽段保留时间的预测准确性	未提及模型对不同液相色谱系统或非标准条件的泛化能力评估	改进深度学习模型对含化学修饰肽段的保留时间预测能力	液相色谱-质谱（LC-MS）数据中的肽段保留时间	机器学习	不适用	液相色谱-质谱（LC-MS）	深度学习模型（基于DeepLC改进）	肽段保留时间与化学结构数据（SMILES表示）	未明确说明（基于公共或内部LC-MS数据集）	PyTorch	基于DeepLC的改进架构（具体未明确提及）	预测精度、泛化性能	未明确说明
371	2026-06-09	Beyond 0.29±0.02 mm intrinsic spatial resolution based on monolithic crystals using convolutional neural network: a simulation study 2026-Jun-08, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ae796a PMID:42257692	研究论文	通过卷积神经网络提升单晶探测器在正电子发射断层扫描中的固有空间分辨率至0.29±0.02毫米	提出基于深度学习的定位算法以更精确地确定湮没事件位置，结合晶体尺寸优化策略减轻边缘效应，并建立定量评估机制优化晶体-传感器耦合结构	基于模拟研究验证，尚未在实验系统中实施，实际性能可能受噪声和校准差异影响	实现单晶探测器亚毫米级固有空间分辨率，支持单细胞追踪和啮齿类大脑动态成像等应用	正电子发射断层扫描系统中的单晶探测器	计算机视觉	不适用	不适用	CNN	模拟数据	不适用	不适用	卷积神经网络	空间分辨率	不适用
372	2026-06-09	The impact of a novel deep learning reconstruction algorithm on image quality in ultralow-dose CT: a quantitative phantom study 2026-Jun-08, European radiology experimental IF:3.7Q1 DOI:10.1186/s41747-026-00751-w PMID:42257775	研究论文	评估新型深度学习重建算法在超低剂量CT成像中的图像质量表现	首次系统量化深度学习重建算法在极低剂量（94%剂量减少）下的噪声抑制、低碘浓度检测能力及图像质量保持效果	基于体模实验，临床适用性需进一步验证	评估深度学习重建算法在超低剂量CT成像中的噪声抑制、对比噪声比提升及低碘浓度检测能力	九孔体模（含0-40 mg/mL碘浓度）	机器学习	NA	CT成像	深度学习重建算法	图像	NA	NA	深度学习图像重建	噪声、对比噪声比、CT值准确性（Bland-Altman分析）	NA
373	2026-06-09	Deep learning-based biliary stent classification and transfer learning adaptation to an additional stent type 2026-Jun-08, European radiology experimental IF:3.7Q1 DOI:10.1186/s41747-026-00749-4 PMID:42257782	研究论文	开发深度学习模型用于胆道支架分类，并通过迁移学习适应新型支架	首次将ResNet-50深度学习模型应用于胆道支架分类，并验证迁移学习策略可高效适应新型支架类型，无需完整重新训练	单中心研究，样本量有限（185例患者），仅评估了五种支架类型，可能影响模型泛化能力	开发并评估深度学习模型在放射影像和透视图像上对胆道支架进行分类的可靠性，以及迁移学习适应新型支架的效果	185名接受胆道支架置入患者的X射线和透视图像，包含Epic™、EGIS、Niti-S、Bonastent® uncovered和Bonastent® partially covered五种支架	计算机视觉, 数字病理学	胆道疾病	X射线成像, 透视成像	CNN	图像	185名患者，共488张图像（主数据集412张来自151例患者，增强数据集488张来自185例患者）	PyTorch	ResNet-50	准确率, 精确率, 召回率, F1分数	NA
374	2026-06-09	A round-robin exercise for the precise prediction of aqueous solubility of organic chemicals using chemometric, machine learning, and stacking ensemble of deep learning models 2026-Jun-08, Journal of computer-aided molecular design IF:3.0Q2 DOI:10.1007/s10822-026-00854-x PMID:42258020	研究论文	通过对比多种机器学习和深度学习模型，使用大型数据集预测有机化学品水溶性，并识别最优预测模型	采用轮询比较策略，结合统计排名差异法和共识排名策略选择最优模型，并引入堆叠集成深度q-RASPR模型	研究未探讨模型在新化学空间中的泛化能力，且数据集中可能存在重复和混合物的影响	开发可靠的水溶性预测模型，以辅助药物筛选和生态毒理学评估	有机化学品的水溶性预测	机器学习	NA	NA	机器学习和深度学习模型（如堆叠集成深度q-RASPR模型）	数值型化学描述符	超过6000种化合物	NA	堆叠集成深度q-RASPR模型	平均绝对误差、均方根误差、留一法交叉验证、十折交叉验证	NA
375	2026-06-09	Deep learning based depth of anaesthesia monitoring using EEG: a 4-layer CNN model with PSD and BSR correlation features 2026-Jun-08, Physical and engineering sciences in medicine IF:2.4Q2 DOI:10.1007/s13246-026-01753-z PMID:42258106	研究论文	基于深度学习的脑电图麻醉深度监测方法：采用4层CNN模型结合PSD和BSR相关性特征	将功率谱密度（PSD）与爆发抑制比（BSR）的关联特征融入CNN架构，提升对麻醉深度的区分能力	对过渡状态（充足/轻度麻醉）区分敏感度不足，因光谱特征重叠导致分类性能受限	通过脑电图分析实现麻醉深度监测，支持手术中的患者安全与麻醉优化	三种临床相关麻醉状态：深度麻醉、充足麻醉和清醒状态	机器学习	NA	脑电图频谱图转换	卷积神经网络	脑电图信号	3个代表性患者案例	NA	4层CNN	准确率, 精确率, 召回率, F1分数	NA
376	2026-06-09	SBEM-UNet: A Semantic Boundary and Contour-Enhanced Framework for Semisupervised Medical Image Segmentation 2026-Jun-08, Journal of imaging informatics in medicine DOI:10.1007/s10278-026-02033-8 PMID:42258115	研究论文	提出SBEM-UNet框架，通过语义边界增强和轮廓增强解码器，在半监督学习中解决医学图像分割中的模糊边界问题	首次在半监督框架中联合使用语义边界增强模块（SBEM）和轮廓增强解码器（CED），显著提升模糊和不连续边界的定位精度	依赖伪标签一致性正则化，在极端低标注场景下可能引入噪声，且未探讨跨数据集泛化能力	提升医学图像分割中模糊或不连续边界的精确解剖描绘能力，尤其是标注稀缺条件下	医学图像中的模糊或非连续边界区域	医学图像分析	NA	深度学习半监督分割	U-Net增强框架	医学图像	多个公开基准数据集	PyTorch	SBEM-UNet（包含语义边界增强模块、轮廓增强解码器）	区域准确率, 边界分割质量	NA
377	2026-06-09	Correction: ThyroFusion: A Multi-modal Deep Learning Framework Integrating Vision and Language for Thyroid Nodule Malignancy Risk Assessment 2026-Jun-08, Journal of imaging informatics in medicine DOI:10.1007/s10278-026-02054-3 PMID:42258118	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
378	2026-06-09	Deep Learning-Based Restoration of Distorted Transmission Raman Spectra through Biological Tissue 2026-Jun-08, Analytical chemistry IF:6.7Q1 DOI:10.1021/acs.analchem.5c07804 PMID:42258226	研究论文	开发了一种基于深度学习的框架，恢复通过生物组织传输后失真的拉曼光谱，以提高定量准确性	首次利用1D U-Net模型学习生物组织引起的拉曼光谱逆变换，实现全光谱恢复，达到>95%余弦相似度	未提及在体内实时应用或更复杂组织类型的验证	恢复通过散射介质传输的拉曼光谱，提升定量分析精度	18种拉曼活性样本的透射拉曼或表面增强拉曼散射光谱	深度学习	NA	拉曼光谱、表面增强拉曼散射	1D U-Net	光谱数据	4410对透射前后拉曼或SERS光谱（来自18个样本）	NA	U-Net	余弦相似度	NA
379	2026-06-09	Artificial Intelligence in Burn and Wound Care: Image Analysis, Prediction, and Clinical Integration 2026-Jun-07, Journal of burn care & research : official publication of the American Burn Association IF:1.5Q3 DOI:10.1093/jbcr/irag090 PMID:42251750	综述	综述2015至2025年间人工智能在烧伤与创面护理中的图像分析、预测模型及临床整合研究	系统总结了深度学习在创面识别分割、愈合/感染/截肢预测以及远程监测平台集成三方面的最新进展	存在肤色偏差导致的算法偏见、数据集多样性不足、模型行为不透明、工作流整合困难及监管框架不完善等挑战	评估人工智能在烧伤与慢性创面客观评估、预后预测及临床部署中的潜力和障碍	烧伤创面和糖尿病/血管疾病/活动受限相关的慢性创面	计算机视觉	烧伤、糖尿病足溃疡、血管性疾病创面	深度学习	卷积神经网络	创面影像数据	NA	NA	卷积神经网络	Dice系数、灵敏度、准确率、受试者工作特征曲线下面积	NA
380	2026-06-09	A fractal-enhanced deep learning framework for forecasting agricultural production in India 2026-Jun-07, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-55859-1 PMID:42252319	研究论文	提出一种结合分形插值函数与LSTM/Bi-LSTM的深度学习框架，用于预测印度四种主要农作物的年产量	首次将具有可变缩放因子的分形插值函数作为数据增强技术集成到LSTM和Bi-LSTM中，有效捕获农业时间序列的非光滑特征和局部波动性，显著提升了预测精度	仅针对印度四种农作物（小米、玉米、小麦、水稻）进行验证，未涵盖其他作物或地理区域；模型对降雨依赖性和气候敏感性作物的适用性可能有限	评估分形插值函数作为数据增强方法在提高印度农作物产量预测准确性方面的有效性	印度四种主要作物（小米、玉米、小麦、水稻）的年度产量数据（1961-2023年）	机器学习	NA	分形插值函数	LSTM, 双向LSTM	时间序列数据	四种农作物1961至2023年的年产量数据	NA	LSTM, Bi-LSTM	MAPE, R²	NA