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
21	2026-08-16	Deep Learning Assisted Heteroporous Covalent Organic Framework Hydrogels Enable Dual-Mode Tracking and Analysis to Parkinson's Management 2026-Aug, Small (Weinheim an der Bergstrasse, Germany) DOI:10.1002/smll.74297 PMID:42360202	研究论文	本文介绍了一种可穿戴水凝胶（Gel@COF），用于同时监测帕金森病的多巴胺水平和静止性震颤，并结合卷积神经网络实现早期检测与干预	首次将具有分形和异质孔结构的共价有机框架（COF-101）封装于自交联水凝胶中，实现多巴胺和震颤的双模式传感，并集成CNN算法将预测准确率提升至95%以上	摘要中未提及研究的局限性，可能包括临床转化中需要进一步验证，以及水凝胶在长期穿戴中的稳定性等问题	开发一种双功能可穿戴水凝胶，用于帕金森病的早期检测和干预，通过同时监测多巴胺水平和静止性震颤	帕金森病患者，特别是早期患者，以及用于传感的水凝胶材料	数字病理学	帕金森病	共价有机框架合成、水凝胶制备	卷积神经网络（CNN）	传感信号（应变、荧光）	未在摘要中明确说明样本数量，可能涉及患者样本或传感器测试样本	NA	卷积神经网络（CNN）	准确率（>95%）、灵敏度（1%应变）、响应/恢复时间（16.0毫秒）	NA
22	2026-08-16	Deep Learning-Based Prediction of Heart Failure Readmission Using Longitudinal Cardiac Device Data 2026-Aug, Journal of cardiovascular electrophysiology IF:2.3Q2 DOI:10.1111/jce.70406 PMID:42296299	研究论文	利用心脏植入式电子设备记录的纵向数据，通过深度学习模型预测心力衰竭患者出院后60天内的再入院风险	首次使用CIED设备记录的日常诊断参数（如活动量、阻抗、心率变异性等）在出院后30天内的纵向变化轨迹，基于深度学习模型预测60天内心衰再入院，显著提高了预测准确性	排除出院后7天内再入院和大量设备数据缺失的患者，可能引入选择偏倚；数据来源仅限于远程监测人群，结论可能不适用于其他患者群体；依赖设备数据的完整性和准确性	利用深度学习模型预测心力衰竭患者60天内的再入院风险，以支持出院后的早期干预和风险分层	植入ICD或CRT-D设备并进行远程监测的心力衰竭患者	机器学习	心力衰竭	NA	1D CNN	数值数据	5734名患者，12369次心衰住院事件，其中2489次指数住院后发生再入院	NA	1D 卷积神经网络 (1D CNN), 其他神经网络（未指定）	灵敏度, 特异性, AUROC	NA
23	2026-08-16	Deep learning embedded latent class joint modelling of time-to-event and longitudinal data 2026-Aug, Statistical methods in medical research IF:1.6Q1 DOI:10.1177/09622802261465334 PMID:42429452	研究论文	本文提出了一种基于深度学习的潜在类别联合模型（NN-JLCM），用于分析纵向数据和事件发生时间数据，通过神经网络改进类别成员子模型，以提高预测精度和类别分离度。	首次将神经网络应用于联合潜在类别模型的类别成员子模型中，替代传统的多项逻辑回归，以捕捉非线性关系，提高模型灵活性。	摘要中未明确说明局限性。	扩展联合潜在类别模型，利用神经网络建模类别成员概率，提升预测性能和类别分离效果。	纵向数据和事件发生时间数据（如医学数据）。	机器学习	NA	NA	神经网络（NN）	纵向数据和事件发生时间数据	NA	NA	神经网络	预测精度、类别分离度、模型拟合	NA
24	2026-08-16	Deep Learning Interpretation of Echocardiographic Images Predicts Incident Heart Failure and Subtypes 2026-Jul-15, Journal of cardiac failure IF:6.7Q1 DOI:10.1016/j.cardfail.2026.07.003 PMID:42457081	研究论文	本文开发并验证了一种深度学习模型（Echo2HF），利用超声心动图图像预测心力衰竭（HF）的10年发病风险。	首次利用大规模超声心动图视频数据训练深度学习模型，以预测心力衰竭及其亚型，优于传统临床风险评分。	研究为回顾性分析，且外部验证仅限于单一医疗系统；未来工作需评估AI风险分层在临床实践中的广泛适用性。	评估深度学习模型从超声心动图图像预测心力衰竭发病风险的准确性和泛化能力。	接受纵向门诊护理的患者，包括MGH的内部测试集和BWH的外部测试集。	计算机视觉、数字病理学	心力衰竭	深度学习	深度学习模型	超声心动图视频	70,763名患者（内部开发），34,802名患者（外部验证）	NA	NA	AUC	NA
25	2026-08-16	Acanthamoeba keratitis: Insights into diagnostic challenges and treatment advances 2026-Jul-14, Survey of ophthalmology IF:5.1Q1 DOI:10.1016/j.survophthal.2026.07.006 PMID:42448152	综述	本文综述了棘阿米巴角膜炎的诊断挑战和治疗方法的最新进展	强调深度学习图像分析作为未来诊断方向的潜力	未具体说明局限性	讨论棘阿米巴角膜炎的最新诊断和治疗方法，并阐明现有挑战	棘阿米巴角膜炎	医学影像分析	棘阿米巴角膜炎	NA	深度学习	图像	NA	NA	NA	NA	NA
26	2026-08-16	Positional interpretation of cis-regulatory code and nucleosome organization with deep learning models 2026-Jul-04, Nature communications IF:14.7Q1 DOI:10.1038/s41467-026-74807-1 PMID:42401553	研究论文	本文介绍了一种名为PISA的深度学习方法，用于解释序列到功能神经网络在基因组数据上的预测，特别是核小体占据和顺式调控代码。	PISA通过成对影响分析，能够组合解码特定基因组坐标上碱基对输出的贡献，识别复杂贡献模式的未发现基序，并揭示实验偏差，从而改进核小体预测模型。	未明确提及局限性。	开发一种可解释的深度学习工具，以理解顺式调控代码和核小体组织。	基因组序列及其相关的实验数据，特别是MNase-seq数据。	深度学习	不适用	MNase-seq	神经网络	基因组序列和MNase-seq数据	不明确，但涉及多个基因组数据集。	未明确指定，但可能使用PyTorch或TensorFlow。	未明确指定，但涉及序列到功能的神经网络。	未明确指定，但可能包括准确性、AUC等。	未明确提及。
27	2026-08-16	Vasculature segmentation in 3D hierarchical phase-contrast tomography images of human kidneys 2026-Jul-03, Nature communications IF:14.7Q1 DOI:10.1038/s41467-026-74050-8 PMID:42399229	研究论文	组织全球机器学习竞赛，对用于人类肾脏三维层次相位衬度断层扫描图像的血管分割深度学习方法进行元分析，并展示顶性能解决方案的方法创新和评估指标	通过全球竞赛揭示收敛性方法创新，包括利用数据分布的伪标签方法、优化血管表面和拓扑的指标与损失函数，以及处理数据异质性的多尺度方法	未明确说明，但从上下文推断可能涉及竞赛解决方案的泛化性和实际临床应用的局限性，摘要未具体提及	开发高效算法以规模化分割三维医学成像数据集中的血管，并评估和比较不同深度学习方法的表现	人类肾脏的三维层次相位衬度断层扫描图像中的血管	计算机视觉, 数字病理学	NA	层次相位衬度断层扫描	深度学习模型	三维医学图像	1401名参与者；未指定具体图像数量或样本数，但涉及标注的金标准分割数据集	NA	NA	分割准确度, 形态学分析指标	未在摘要中提及，可能涉及全球竞赛平台资源，但未明确
28	2025-12-29	Deep Learning-Based denoising improves myocardial late enhancement imaging with spectral photon-counting CT 2026 Jul-Aug, Journal of cardiovascular computed tomography IF:5.5Q1 DOI:10.1016/j.jcct.2025.12.002 PMID:41455687	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
29	2026-08-16	Automatic annotation to train ROI detection algorithm for premature infant respiration monitoring in NICU 2026-Jul, Medical & biological engineering & computing IF:2.6Q3 DOI:10.1007/s11517-026-03596-y PMID:42340562	研究论文	提出一种基于运动周期性的自动标注方法，用于生成新生儿呼吸监测中的感兴趣区域掩膜，并验证其可用于训练深度学习分割模型	提出无需人工标注的自动数据集生成方法，利用运动周期性自动生成新生儿腹部或胸部区域的呼吸相关掩膜，并证明其可直接用于训练常见分割架构	未提及具体限制，但自动生成掩膜与临床真实标注的重叠度（平均IoU=0.580，Dice=0.735）仍有提升空间	实现新生儿呼吸监测中感兴趣区域检测算法的自动标注，避免耗时费力的人工数据收集和标注	新生儿腹部或胸部区域的呼吸相关区域掩膜	计算机视觉	新生儿疾病	NA	深度学习分割模型（如常见分割架构，具体类型未提及）	图像（视频帧）	未明确提及样本数量，但涉及新生儿呼吸监测数据	NA	常见分割架构（如U-Net等，具体未指明）	定位一致性（[公式]）、平均IoU、Dice系数	NA
30	2026-08-16	Effect of Signal-Strength Filtering on 3D Convolutional Neural Network-Based Visual Field Estimation From Macular OCT 2026-Jul-01, Translational vision science & technology IF:2.6Q2 DOI:10.1167/tvst.15.7.17 PMID:42439429	研究论文	本研究旨在确定在训练深度学习模型时，排除低信号强度的光学相干断层扫描（OCT）图像是否有助于提高从黄斑OCT体积中估计视野（VF）的准确性。	首次系统评估了在不同信号强度指数（SSI）下训练数据筛选对基于三维卷积神经网络（3DCNN）的视野估计性能的影响，并发现包含全范围SSI的训练策略能提高低SSI测试样本的估计准确性。	未明确提及局限性，但可能包括数据来源特定（NIDEK OCT）、回顾性设计以及仅在特定框架（EfficientNet 3D）下验证。	确定信号强度过滤对基于三维卷积神经网络从黄斑OCT估计视野的影响，以优化训练数据选择策略。	从五家机构收集的79,803对OCT和视野检查数据，来自8,511名患者。	计算机视觉	眼科疾病	OCT成像	三维卷积神经网络（3DCNN）	图像	79,803对OCT和视野检查数据，来自8,511名患者	NA	EfficientNet 3D	平均绝对误差（MAE）、绝对MD误差	NA
31	2026-08-16	Precision medicine's inevitable trajectory toward rare-disease-sized cohorts: implications for machine learning and deep learning 2026-Jul, The Lancet. Digital health DOI:10.1016/j.landig.2026.101000 PMID:42297703	观点文章	本文探讨了精准医疗向罕见病规模队列发展的趋势及其对机器学习和深度学习带来的挑战，并提出了应对策略。	首次从罕见病研究视角系统分析精准医疗中罕见病规模队列对现有算法和基础设施的冲击，并提出综合路线图。	作为观点文章，未提供实证数据或具体算法解决方案，主要基于理论分析和经验总结。	分析精准医疗中罕见病规模队列带来的挑战，并提出应对这些挑战的方法和系统变革建议。	精准医疗中的罕见病规模队列，以及相关的机器学习和深度学习模型。	机器学习	罕见病	NA	NA	文本	NA	NA	NA	NA	NA
32	2026-08-16	Artificial Intelligence in Health Care: Clinical Opportunities, Validation Trends, and Implementation Challenges (2020-2025) 2026 Jul-Sep 01, Journal for healthcare quality : official publication of the National Association for Healthcare Quality IF:0.9Q4 DOI:10.1097/JHQ.0000000000000524 PMID:42008829	系统评价	本系统评价遵循PRISMA 2020指南，检索了2020年至2025年间AI在临床医疗中的应用研究，分析了其临床机会、验证趋势和实施挑战	与早期综述（2015-2019）相比，本研究发现近期研究外部验证率提高（从23%升至46.7%），并更关注算法公平性	仅纳入15项研究，样本量较小；检索范围仅限于三个数据库，可能遗漏部分相关研究	系统评估2020-2025年间AI在医疗保健中的临床应用机会、验证趋势和实施挑战	2020年1月至2025年9月期间发表的AI临床应用原创研究，涉及医学影像、肿瘤学、心脏病学等领域	机器学习, 医学影像	肿瘤, 心血管疾病	深度学习, 卷积神经网络	CNN	医学图像	15项研究	NA	卷积神经网络	AUC	NA
33	2026-08-16	mFLIP: metabolic flux interval prediction 2026-Jun-09, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-026-06500-5 PMID:42265586	研究论文	提出了一种基于机器学习的代谢通量区间预测框架mFLIP，以替代计算密集型的通量可变性分析（FVA）方法	首次将多种机器学习和深度学习方法应用于代谢通量区间预测，显著降低计算时间，从分钟级降至亚秒级	依赖FVA生成的数据进行训练，可能受限于FVA本身的精度；深度学习模型性能略逊于传统机器学习模型	开发一种快速且准确的代谢通量区间预测方法，以支持大规模队列的代谢组学研究	代谢通路中的反应通量区间	机器学习	癌症	代谢组学数据	随机森林、XGBoost、CNN、GNN、VAE、FT-Transformer	代谢组学数据	超过22,000个样本，以及六个独立癌症数据集（乳腺癌、结肠癌、胰腺癌、前列腺癌和两种阶段的透明细胞肾癌）	未指定	随机森林、XGBoost、CNN、GNN、VAE、FT-Transformer	回归误差、分类分数	未指定
34	2026-08-16	Home-based eye tracking for early autism screening: a scoping review of approaches, evidence, and implementation challenges 2026-Jun-06, BMC psychiatry IF:3.4Q2 DOI:10.1186/s12888-026-08255-y PMID:42251334	综述	本综述汇总了90项关于居家部署眼动追踪作为早期自闭症谱系障碍筛查数字生物标志物的研究，评估其方法、证据和实施可行性	首次系统综述居家部署眼动追踪用于早期ASD筛查，涵盖四种平台阶段（硬件、可穿戴、网络摄像头、居家部署），并评估转化就绪度	仅限英文文献、两个数据库、2015-2025年时间窗口，未进行严格质量评价	综合居家可部署眼动追踪作为早期ASD筛查数字生物标志物的证据、机器学习方法和实施可行性	婴幼儿和儿童（年龄范围5个月至18岁）的ASD相关眼动行为数据	机器学习	自闭症谱系障碍	眼动追踪	监督学习（SVM、随机森林）和深度学习	眼动数据（注视时间、注视比例、扫视动力学等）	90项研究，样本量从30到1000+不等	NA	SVM、随机森林、深度学习管道	PPV、NPV、区分度（准确性、敏感性、特异性等）	NA
35	2026-08-16	Deep learning enables automated detection of dinosaur footprints with high accuracy 2026-Jun-04, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-56031-5 PMID:42236855	研究论文	本研究利用YOLOv8深度学习模型自动检测恐龙足迹，在韩国和巴西的足迹点实现了高精度检测，并验证了跨区域泛化能力	首次将YOLOv8应用于恐龙足迹的自动检测，并开发了多尺度检测方法结合八种图像分辨率以解决分辨率相关的检测挑战	检测精度受光照条件、保存质量和轮廓标记存在的影响	开发一种高效、客观、可重复的自动化恐龙足迹检测系统，以替代传统人工调查方法	韩国和巴西恐龙足迹点中的兽脚类、鸟脚类和蜥脚类恐龙足迹	计算机视觉	不适用	不适用	卷积神经网络（YOLOv8）	图像	49,242张来自AI-Hub数据集的图像	PyTorch	YOLOv8	平均精度均值（mAP50）和mAP50-95	不适用
36	2026-08-16	MAGC-DTI: modality-shared space and adaptive gated interactive cross-attention for drug-target interaction prediction 2026-Jun-04, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-50141-w PMID:42243162	研究论文	提出MAGC-DTI模型，通过模态共享空间和自适应门控交互交叉注意机制预测药物-靶点相互作用	提出三种创新：多尺度注意力聚合（MSAA）捕捉蛋白质层级模式、自适应门控交互交叉注意力（AGICA）实现上下文感知的跨模态交互、多路径残差分类器（MPRC）保持模态信息的融合	未提及明显局限性	提高药物-靶点相互作用预测的准确性，处理蛋白质序列的层级模式及药物和蛋白质模态间的双向信息交换	药物-靶点相互作用预测	机器学习	不适用	深度学习	交叉模态深度学习模型	药物和蛋白质序列数据	六个基准数据集	未提及	多尺度注意力聚合、自适应门控交互交叉注意力、多路径残差分类器	准确率等（具体未提及）	未提及
37	2026-08-16	EEG-based dynamic emotion recognition using multi-scale wavelet transform with a Spatio-Temporal neural network 2026-Jun-04, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-53295-9 PMID:42243241	研究论文	本文提出了一种基于多尺度小波变换和时空神经网络的脑电信号动态情绪识别系统，通过先进信号处理、自适应通道选择和深度学习技术提高分类准确性	采用强化学习深度Q网络进行自适应通道选择，结合多尺度特征融合和集成图神经网络与记忆增强神经网络的混合模型，实现跨受试者和情绪状态的鲁棒情绪分类	摘要中未提及局限性信息	提高脑电信号情绪识别的分类准确性，增强人机交互的自适应能力	脑电信号中的情绪状态	机器学习, 深度学习	NA	脑电图（EEG）	深度Q网络、图神经网络、记忆增强神经网络、基于时空注意力网络的混合模型	脑电信号	使用了多个基准数据集，包括EEG脑波数据集、DEAP数据集和基于电脑游戏的数据集，具体样本数量未在摘要中说明	NA	Spatio-Temporal Attention Networks, Ensemble of GNNs and MANNs	准确率	NA
38	2026-08-16	Hybrid deep learning approach for early emphysema diagnosis combining fuzzy C-means, TransUNet, and faster mask R-CNN 2026-Jun-04, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-55142-3 PMID:42243289	研究论文	提出一种混合深度学习框架，用于早期肺气肿的诊断，结合改进模糊C均值聚类、TransUNet和Faster Mask R-CNN进行分割和检测	首次结合IFCM、TransUNet和Faster Mask R-CNN，实现像素级分割与对象级检测，提高准确性和可解释性，优于单一深度模型	未提及具体计算资源需求或模型在多样化临床数据上的泛化性验证	早期肺气肿的自动检测与定位，提高诊断准确性和可解释性	CT扫描图像中的肺气肿区域	计算机视觉	肺气肿	CT成像	混合深度模型（CNN与Transformer结合）	图像（CT扫描）	2000张CT图像	未提及（可能包含TensorFlow或PyTorch）	TransUNet, Faster Mask R-CNN, IFCM	验证准确率，Dice系数	未提及具体GPU或计算平台
39	2026-08-16	Tri-MCA fusion: cross-modal attention and dynamic gating for multimodal sentiment analysis 2026-Jun-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-56224-y PMID:42230901	研究论文	本文提出一种用于多模态情感分析的三模态交叉注意力与自适应门控融合架构，在多个基准数据集上提升了情感预测性能	提出三模态交叉注意力模块和自适应门控机制，以更好地捕捉文本、音频和视觉模态间的复杂交互，并处理模态不平衡和噪声信号	摘要中未提及局限性	改进多模态情感分析中异质模态交互建模，提升情感预测性能	文本、音频和视觉三种模态数据	自然语言处理、多模态学习	NA	交叉注意力机制、门控机制	交叉注意力网络	文本、音频、视觉信号	三个基准数据集：CMU-MOSI、CMU-MOSEI 和 SIMS	NA	三模态交叉注意力模块、自适应门控机制	准确率、F1分数	NA
40	2026-08-16	Semi-automated detection of cleaning interactions using supervised machine learning 2026-Jun-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-56200-6 PMID:42230992	研究论文	本研究开发了一种半自动化系统，利用基于深度学习的DeepLabCut进行无标记姿态估计，以跟踪并分类清洁鱼与客户鱼之间的清洁互动行为，从而减少人工视频分析的工作量。	首次将DeepLabCut应用于海洋互利共生行为（清洁互动）的自动化检测，并结合定制分类算法实现高准确率的互动识别，显著减少人工标注需求。	算法将约15%的非互动误判为互动，且实验在受控的三维实验室环境中进行，可能限制在自然条件下的适用性。	开发并评估一种用于自动检测清洁鱼类互动行为的半自动化系统，以减少人工视频分析的时间和误差。	清洁鱼（Labroides dimidiatus）和粉蓝刺尾鱼（Acanthurus leucosternon）在受控实验室环境中的互动行为。	计算机视觉	NA	DeepLabCut（基于深度学习的无标记姿态估计）	卷积神经网络（CNN）	视频数据	NA（具体样本数量未在摘要中提供）	DeepLabCut	ResNet	准确率（90%）、误报率（15%）	NA（摘要中未提及具体计算资源）