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
3821	2026-06-25	Retraction: Multi-modal deep learning methods for classification of chest diseases using different medical imaging and cough sounds 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0351197 PMID:42335102	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
3822	2026-06-25	Retraction: Evaluation of influencing factors of China university teaching quality based on fuzzy logic and deep learning technology 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0351269 PMID:42335152	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
3823	2026-06-25	Bayesian Uncertainty-aware Deep Learning with noisy labels: Tackling annotation ambiguity in EEG seizure detection 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0352191 PMID:42335163	研究论文	提出一种贝叶斯不确定性感知深度学习算法，用于处理脑电图癫痫发作检测中的标签噪声问题	通过将领域知识融入贝叶斯框架，推导出基于KL散度的新型损失函数，利用不确定性学习癫痫特征，且无需向现有架构添加任何参数	未明确提及局限性，但可能依赖模拟数据及特定数据集验证，通用性需进一步研究	解决头皮脑电图标注模糊性导致的标签噪声问题，增强癫痫发作检测系统的鲁棒性	癫痫发作检测及发作起始区定位任务	机器学习	癫痫	NA	深度学习模型（通用）	脑电图信号	使用一个模拟数据集和两个公开数据集（天普大学医院TUH、波士顿儿童医院CHB-MIT）及跨站点验证西耶纳脑电图数据集	PyTorch	CNN, LSTM, 或其他基础模型（文中提及三种基础模型）	鲁棒性指标、噪声识别能力、发作起始区定位准确性	NA
3824	2026-06-25	A lightweight hybrid deep learning approach for fashion mnist classification with explainable attention visualization 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0351671 PMID:42335173	研究论文	提出一种轻量级混合深度学习架构，用于时尚图像分类任务，并结合可解释性注意力可视化技术	提出TinyCNN结合线性自注意力的轻量级混合架构，参数量少于50万，可在CPU上训练，并集成了多种XAI技术增强模型透明度	未提及在更多真实场景或更复杂数据集上的验证，可能未充分讨论模型泛化能力	解决深度模型在资源受限和边缘设备上的适用性问题，实现高效准确的时尚图像分类	时尚MNIST数据集中的灰度服装图像	计算机视觉	NA	NA	CNN与Transformer混合模型	图像	Fashion-MNIST数据集（包含70,000张灰度图像）	NA	TinyCNN, Linear Self-Attention	准确率	CPU
3825	2026-06-25	Dual chaotic encryption method for wireless communication privacy data based on deep learning 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0341253 PMID:42335192	研究论文	提出一种基于深度学习的双重混沌加密方法，用于无线通信隐私数据保护，通过BiLSTM预测密钥更新时机，并结合AES算法实现数据加密	将一维Logistic映射与二维Henon映射结合生成双重混沌密钥以扩展密钥空间，并使用BiLSTM网络预测密钥更新时机以增强抗攻击能力	实验未提及在真实复杂无线环境下的验证情况，且可能依赖充足的历史数据来训练BiLSTM模型	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
3826	2026-06-25	Lightweight deep learning for medical imaging using MobileNetV2-based brain pathology classification with Grad-CAM interpretability 2026, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2026.1810860 PMID:42338932	研究论文	提出一种基于MobileNetV2的轻量级深度学习框架，用于脑CT图像分类，并结合Grad-CAM实现可解释性	采用四种预训练模型（MobileNetV2、ResNet-50、EfficientNet-B0、VGG-16）进行特征提取与集成预测，对比评估了轻量模型在临床部署中的效率优势，并首次将Grad-CAM用于脑CT异常检测的可视化解释	研究仅使用了单一数据集，未探讨模型在不同医院、不同扫描设备上的泛化能力；ResNet50和EfficientNetB0在该任务中表现差，可能受限于数据预处理或模型适配不足	提高脑CT异常检测的准确性与可解释性，同时探索轻量模型在临床部署中的实用性	脑CT扫描图像中的异常（肿瘤、癌症、动脉瘤等）	计算机视觉、数字病理	脑部疾病（肿瘤、癌症、动脉瘤）	CT成像	卷积神经网络	图像	脑CT扫描数据集，具体样本数未提及	TensorFlow、Keras	MobileNetV2、ResNet-50、EfficientNet-B0、VGG-16	准确率、宏AUC	训练时间89秒，测试时间38.16秒，未提及具体GPU型号
3827	2026-06-25	A multi-task deep learning framework for simultaneous prediction of microsatellite instability and tumor mutational burden in gastric cancer from histopathological images 2026, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2026.1755232 PMID:42339119	研究论文	本文提出了一种多任务深度学习框架，用于从组织病理图像中同时预测胃癌患者的微卫星不稳定性和肿瘤突变负荷	创新性地将多任务学习、注意力机制与多模态紧致双线性池化层结合，实现从全切片图像和临床数据中同时预测MSI和TMB，并通过注意力热图提供模型可解释性	外部验证集因域偏移导致性能适度下降，模型泛化性在不同扫描仪下存在挑战	开发一种经济有效的工具，利用常规组织病理图像和临床数据同时预测胃癌免疫治疗生物标志物MSI和TMB	胃癌患者的组织病理全切片图像和结构化临床数据（性别、年龄、T/N/M分期）	数字病理学	胃癌	全切片成像	CNN	图像和结构化数据	训练集312名患者（TCGA），外部验证集121名患者（中国医学科学院肿瘤医院）	PyTorch	ResNet50	AUC	NA
3828	2026-06-25	Deep learning‑based cell type prediction in lung tissue from brightfield histology using CODEX-derived labels 2026, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.3088120 PMID:42339368	research paper	利用CODEX标记从明场组织学图像中深度学习预测肺组织细胞类型	首次使用CODEX生成的大规模标签数据训练深度学习模型，从常规H&E染色组织学图像中预测肺组织细胞类型，替代昂贵多重成像技术	模型五类平衡准确率仅51.3%，性能有限	开发基于H&E染色组织学图像自动预测肺组织细胞类型的深度学习方法	肺组织活检中的细胞类型（上皮细胞、免疫细胞、内皮细胞、基质细胞、收缩细胞）	digital pathology, deep learning, computer vision	geriatric disease, lung cancer, NA	H&E染色, CODEX多重成像	DeepLabV3+	明场组织学图像（H&E染色图像）	来自多位捐赠者的肺组织切片，包含超过230万标记细胞	NA	DeepLabV3+ with ResNet backbone	balanced accuracy	NA
3829	2026-06-25	Double-stage insect recognition model based on synergistic localization of key parts 2026, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2026.1854371 PMID:42339385	研究论文	提出一种基于关键部位协同定位的两阶段昆虫识别模型，用于准确识别形态相似的蚂蚁物种	提出双阶段识别架构，结合目标检测网络定位关键部位、全局上下文增强模块和自适应协同机制融合多部位特征，提升形态相似昆虫的分类准确率	未在文章中明确说明局限性	解决形态相似小昆虫（如入侵火蚁）的准确识别问题，推动昆虫识别与生态监测应用	形态相似的蚂蚁物种（红火蚁等）	计算机视觉	NA	NA	目标检测网络与分类网络结合	图像	构建了Ant7C数据集（具体样本数量未提及）	NA	目标检测网络+分类网络+全局上下文增强模块	准确率	NA
3830	2026-06-24	Deep learning based on CD3 histological slides for prediction of colon cancer outcome: analysis of three international stage III colon cancer cohorts 2026-Dec-31, Oncoimmunology IF:6.5Q1 DOI:10.1080/2162402X.2026.2668797 PMID:42100890	研究论文	开发基于CD3组织切片的深度学习模型，用于自动分析并预测III期结肠癌患者的预后	首次利用深度学习从CD3免疫组化切片自动提取肿瘤核心和浸润边缘区域特征，实现稳健的预后分层，且不受染色和扫描变异影响	外部验证集中肿瘤核心区域的差异无统计学意义；传统CD3计数方法在不同队列中表现不一致	提高III期结肠癌预后分层的准确性和可重复性	来自三个国际队列（PETACC08、PRODIGE-13、HARMONY）的1737名III期结肠癌患者	数字病理学	结肠癌	NGS	CNN	图像	1737名III期结肠癌患者	NA	VGG19, UNI	无病生存期	NA
3831	2026-06-24	Unsupervised Convolutional Neural Networks Using Home Presence Sensors for Behavioural Anomaly Detection in Older Adults 2026-Sep, International journal of neural systems IF:6.6Q1 DOI:10.1142/S0129065726500279 PMID:42099056	研究论文	本研究利用非侵入式家庭存在传感器和無監督卷積自编码器检测老年人行为异常，旨在识别可能与认知或功能衰退相关的日常行为变化	首次将無監督卷積自编码器与低成本存在传感器结合，用于老年人行为异常检测，并采用控制性注入合成异常的方法进行系统评估	数据集不包含临床标注的异常事件，依赖合成异常进行验证，可能无法完全反映真实场景中的异常行为多样性和复杂性	探索通过非侵入式监测系统与無監督深度学习模型识别老年人日常行为中的异常变化，为后续健康评估提供依据	老年人的日常行为活动模式	机器学习	老年疾病	NA	卷积自编码器	传感器时序数据	三个数据集：两个公开数据集（CASAS Aruba和HH120）以及来自50户长期监测家庭的专有数据集（MIRATAR）	NA	卷积自编码器	F1分数	NA
3832	2026-06-24	Towards scalable deep learning for automated microscopy in harmful algal bloom monitoring: Data-centric workflow and multi-region generalisation 2026-Aug-15, Water research IF:11.4Q1 DOI:10.1016/j.watres.2026.126038 PMID:42090852	research paper	本研究提出了一个多区域显微镜数据集，并采用YOLOv12目标检测模型，通过数据为核心的流程优化，评估了自动化显微镜在有害藻华监测中的可扩展性和跨区域泛化能力	构建了包含105个微藻/蓝藻类群的多区域数据集，并确立了数据驱动的优化流程，系统评估了真实条件下数据集设计选择对自动化显微镜的影响	模型跨区域泛化性能显著下降（mAP@0.5 ≤ 0.10），即使目标域微调后性能仍远低于域内水平，表明领域泛化是部署的关键瓶颈	推动深度学习在有害藻华监测中自动化显微镜的可扩展应用	来自澳大利亚三个区域的105个微藻/蓝藻类群显微镜图像	computer vision, digital pathology	NA	light microscopy	YOLOv12	image	105个微藻/蓝藻类群，来自三个区域	PyTorch	YOLOv12	mAP@0.5	NA
3833	2026-06-24	How improper dataset split hinders model generalizability: a systematic comparison in Human activity recognition and exercise evaluation tasks 2026-Aug, International journal of medical informatics IF:3.7Q2 DOI:10.1016/j.ijmedinf.2026.106464 PMID:42097112	研究论文	系统比较不同数据集划分方式对人类活动识别和运动评估模型泛化能力的影响	首次系统量化非跨对象与跨对象数据划分对模型性能估计的偏差，并引入方差分解方法解释预测不稳定性来源	仅使用两个公开数据集，未涵盖更多真实临床场景，且未深入探讨样本量不足对划分策略的影响	探究不恰当的数据划分方式如何导致模型泛化能力被高估，并评估不同划分策略对机器学习与深度学习模型性能估计的影响	人类活动识别和运动评估模型的数据集划分策略	计算机视觉	康复医学相关疾病	NA	机器学习与深度学习模型	图像	NTU RGB+D 120数据集（大规模）和IntelliRehabDS数据集（康复专用），具体样本数未说明	PyTorch	NA	准确性、精确率、召回率、F1分数	NA
3834	2026-06-24	Calibrated ROI-gated conditional computation for high-throughput and backbone-agnostic brain tumor MRI classification 2026-Aug-01, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2026.109409 PMID:42092367	研究论文	提出一种可训练、与骨干网络无关的效率层，通过校准的感兴趣区域门控条件计算，实现高吞吐量和可靠的脑肿瘤MRI分类	提出可训练的、与骨干网络无关的效率层，通过可微空间定位和计算控制选择，实现无需外部分割的条件计算，同时保持全局图像上下文和置信度可靠性	未明确提及，但可能依赖于多源数据集的一致性处理和特定硬件设置	实现脑肿瘤MRI分类的高吞吐量、高诊断准确性和可靠置信度，适用于资源受限和实时临床部署	脑肿瘤MRI图像，包含T1、对比增强T1和T2三种模态	数字病理学	脑肿瘤	MRI	卷积神经网络	图像	三个公共脑肿瘤MRI数据集：Fernando Feltrin、Nickparvar和BRISC数据集	NA	多个卷积神经网络骨干网络	分类准确率、预期校准误差、推理吞吐量	使用一致的硬件和批次设置进行控制推理协议
3835	2026-06-24	Elucidating superoxide dismutase interactions with whey protein isolate using multi-spectroscopy, deep learning, and molecular dynamic simulations 2026-Jul-15, Food chemistry IF:8.5Q1 DOI:10.1016/j.foodchem.2026.149498 PMID:42090922	研究论文	利用多光谱、深度学习和分子动力学模拟揭示超氧化物歧化酶与乳清蛋白的相互作用	首次结合多光谱分析、深度学习和分子动力学模拟，系统阐明了乳清蛋白通过形成蛋白-蛋白复合物增强超氧化物歧化酶热稳定性的分子机制	实验仅在体外进行，未验证在真实运动饮料体系中的稳定性效果；深度学习分析仅聚焦于β-乳球蛋白，忽略乳清蛋白中其他组分可能的影响	探究乳清蛋白对超氧化物歧化酶热稳定性的增强作用及分子机制	超氧化物歧化酶与乳清蛋白的复合物	机器学习，分子动力学模拟	NA	多光谱分析，分子动力学模拟	深度学习模型（具体未指定）	光谱数据，分子结构数据	乳清蛋白与超氧化物歧化酶以5:1比例混合的样本	NA	NA	热稳定性（半衰期），结合自由能（ΔG°），结合常数（K）	NA
3836	2026-06-24	Artificial intelligence applications in OCT and OCTA for diabetic retinopathy: A systematic review 2026-Jul, Experimental eye research IF:3.0Q1 DOI:10.1016/j.exer.2026.111046 PMID:42092679	系统综述	系统综述了人工智能在利用OCT和OCTA图像进行糖尿病视网膜病变检测和分析中的应用，特别关注深度学习方法	系统性地总结了深度学习在OCT和OCTA图像中检测DR的最新进展，并比较了不同算法架构（CNN、Vision Transformer、U-Net）的性能表现	公共数据集有限、缺乏跨机构验证、模型可解释性不足	系统回顾人工智能特别是深度学习在利用OCT和OCTA图像进行糖尿病视网膜病变检测和分析中的应用	利用OCT和OCTA图像进行糖尿病视网膜病变检测和分析的相关研究	计算机视觉	糖尿病视网膜病变	OCT, OCTA	CNN, Vision Transformer, U-Net	图像	175项研究	NA	CNN, Vision Transformer, U-Net	AUC	NA
3837	2026-06-24	Deep learning model for noninvasive prediction of Ki-67 expression and prognostic stratification in breast cancer: a multicenter retrospective study 2026-Jul, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-12203-x PMID:42095876	研究论文	通过深度学习方法基于超声和临床信息无创预测乳腺癌患者Ki-67表达并评估预后风险	首次开发了一种基于超声图像和临床数据的无创深度学习模型，用于预测Ki-67表达状态，并进一步评估淋巴结转移和复发风险	样本量相对有限，且为回顾性研究，可能存在选择偏倚	开发一种无创的Ki-67预测模型，评估其在乳腺癌淋巴结转移和预后风险分层中的表现	来自四个中心的乳腺癌患者，共660例	计算机视觉	乳腺癌	超声成像	卷积神经网络	图像、临床信息	训练集264例，验证集96例，内部测试集96例，外部测试集204例	PyTorch	ResNet-50	AUC, 准确率, 混淆矩阵, 校准曲线, 决策曲线分析	NA
3838	2026-06-24	The negative sigmoid loss for controlling false positive rate in osteolytic lesion segmentation 2026-Jul-01, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2026.111713 PMID:42096863	研究论文	提出负Sigmoid损失函数以控制骨溶解病灶分割中的假阳性率	提出可加至传统损失函数的负Sigmoid损失项，能调节负样本分割的惩罚权重，从而灵活控制病灶检测与假阳性率的平衡	降低假阳性率的同时伴随召回率和病灶检测率下降	通过控制假阳性分割数量，提升深度学习在骨溶解病灶自动分割中的临床适用性	多发性骨髓瘤相关的骨溶解病灶	计算机视觉	多发性骨髓瘤	NA	U-Net	低剂量CT图像	NA	NA	2D U-Net	假阳性率、召回率、病灶检测率、精确率	NA
3839	2026-06-24	Deep learning insights into β-lactamase dynamics and resistance evolution 2026-Jun-03, The Biochemical journal DOI:10.1042/BCJ20260196 PMID:42101477	综述	综述深度学习在分析β-内酰胺酶构象动力学及耐药性进化中的应用	系统性地总结了卷积变分自编码器、DiffNets、BindSiteS-CNN、几何深度学习及图神经网络等深度学习技术在揭示β-内酰胺酶构象异质性、活性位点重塑和长程变构耦合方面的最新进展	未具体讨论方法的局限性，如模型对模拟数据质量的依赖或计算成本	理解β-内酰胺酶通过构象动力学演变产生耐药性的机制	A至D类β-内酰胺酶的构象动力学	机器学习	NA	分子动力学模拟	卷积变分自编码器、DiffNets、几何深度学习、图神经网络	分子动力学模拟轨迹数据	NA	NA	卷积变分自编码器、DiffNets、BindSiteS-CNN、几何深度学习、图神经网络	NA	NA
3840	2026-06-24	Integrating protein and DNA embeddings for improving genome-wide transcription factor binding site prediction 2026-Jun, NAR genomics and bioinformatics IF:4.0Q1 DOI:10.1093/nargab/lqag047 PMID:42099803	研究论文	提出了一种名为TransBind的蛋白质感知深度学习架构，通过整合DNA序列信息和蛋白质嵌入来改进全基因组转录因子结合位点的预测	首次将蛋白质语言模型派生的蛋白质序列与结构嵌入与DNA序列信息相结合，通过交叉注意力机制使转录因子嵌入根据其独特结合属性选择性关注基因组区域	未提及	提高转录因子结合位点预测的准确性和泛化能力，特别是对于训练数据中不存在的新转录因子	转录因子结合位点预测方法	自然语言处理	NA	ChIP-seq	深度学习	DNA序列、蛋白质序列与结构数据	690个ChIP-seq实验，涵盖161个转录因子和91种人类细胞类型	PyTorch	Transformer, 交叉注意力机制	AUROC, AUPR	NA