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
4041	2026-02-16	A multi-class framework for fish species classification using deep learning technique 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0342901 PMID:41678491	研究论文	本研究开发了一个基于YOLO深度学习框架的多类别鱼类物种分类系统，用于自动识别鱼类物种	提出使用YOLO深度学习框架进行鱼类物种识别，并在Fish-Pak数据集上实现了99%的准确率和99.65%的mAP，性能优于现有文献	研究仅针对热带鱼类，数据集规模有限（915张图像，6个类别），且未考虑季节和地理位置变化对识别的影响	开发一个自动化深度学习系统，用于准确识别鱼类物种，以支持生态研究、渔业管理和海洋生物学	热带鱼类物种，具体基于Fish-Pak数据集中的6个目标类别	计算机视觉	NA	深度学习，图像检测	CNN, YOLO	图像	915张图像，涵盖6个鱼类物种类别	NA	YOLO v3, YOLO v4	准确率, mAP	NA
4042	2026-02-16	TensorFlow-based MobileNetV2 U-Net tumor segmentation and multiparametric MRI radiomics for predicting cervical lymph node metastasis in oral tongue squamous cell carcinoma 2026, Therapeutic advances in medical oncology IF:4.3Q2 DOI:10.1177/17588359261421325 PMID:41684966	研究论文	本研究提出了一种基于TensorFlow的MobileNetV2 U-Net网络，用于自动分割口腔舌鳞状细胞癌肿瘤，并结合多参数MRI影像组学预测颈部淋巴结转移	首次将MobileNetV2 U-Net网络应用于口腔舌鳞状细胞癌的自动肿瘤分割，并构建融合影像组学特征和临床数据的列线图来预测淋巴结转移	这是一项回顾性试点研究，样本量相对较小（136例患者），且为单中心研究，需要进一步的外部验证	开发一种自动化工具来分割口腔舌鳞状细胞癌肿瘤并预测颈部淋巴结转移，以辅助个性化手术规划	口腔舌鳞状细胞癌患者	数字病理	口腔舌鳞状细胞癌	多参数MRI（包括对比增强T1加权、T2加权和T1加权序列）	CNN	MRI图像	136例患者（100名男性，36名女性，平均年龄50.29±12.25岁）	TensorFlow	MobileNetV2 U-Net	Dice相似系数, 平均交并比, ROC曲线下面积	NA
4043	2026-02-16	A comprehensive review of artificial intelligence as a catalyst in aging research: insights, gaps and future perspectives 2026, Frontiers in aging IF:3.3Q2 DOI:10.3389/fragi.2026.1644669 PMID:41685266	综述	本文全面回顾了人工智能在衰老研究中的应用，包括机器学习、深度学习和计算机视觉在经典衰老模型中的作用，并提出了改进AI研究质量的评估指标和概念框架	提出了AI质量评估指标（AI-QAM）和概念框架，以系统评估和整合AI方法与衰老生物学机制	仅3%的研究包含生物学验证，存在数据集小、不平衡、偏差、预测噪声、缺乏跨物种分析、无细胞毒性测试及过度依赖合成数据等问题	探讨人工智能在衰老研究中的催化剂作用，分析当前应用的见解、差距和未来前景	四种经典衰老模型（酵母、线虫、果蝇、小鼠）及相关高吞吐量数据（临床、影像、多组学）	机器学习	老年疾病	NA	机器学习, 深度学习, 计算机视觉	临床数据, 影像数据, 多组学数据	NA	NA	NA	NA	NA
4044	2026-02-16	Identification and validation of γ-Linolenic acid as a natural FABP5 inhibitor in hepatocellular carcinoma through deep learning and experimental approaches 2026, Frontiers in immunology IF:5.7Q1 DOI:10.3389/fimmu.2026.1700347 PMID:41685317	研究论文	本研究通过深度学习与实验方法相结合，鉴定并验证了γ-亚麻酸作为肝细胞癌中天然FABP5抑制剂	整合了基于机器学习的虚拟筛选、分子对接和分子动力学模拟，以识别与FABP5高亲和力结合的自然化合物，并通过实验验证了γ-亚麻酸的抗肿瘤活性	NA	鉴定并验证肝细胞癌中天然FABP5抑制剂，以开发潜在的治疗靶点	肝细胞癌细胞系	机器学习	肝细胞癌	虚拟筛选、分子对接、分子动力学模拟、体外实验	深度学习	化学化合物数据、细胞实验数据	NA	NA	NA	NA	NA
4045	2026-02-16	Radiology as a pillar in AI-based COVID-19 research: Insights from a diverse bibliometric analysis 2026 Jan-Feb, Radiologia IF:1.1Q3 DOI:10.1016/j.rxeng.2025.101651 PMID:41690763	综述	本研究通过文献计量分析，探讨了人工智能在COVID-19研究中的知识结构和研究现状	首次结合描述性引文分析和文献耦合分析，系统性地揭示了COVID-19与AI交叉领域的研究格局和知识流动	分析基于特定数据库（WoS和Scopus），可能未涵盖所有相关文献；样本选择可能受引文偏倚影响	探索人工智能在COVID-19背景下的研究现状，识别最具影响力的文献，并勾勒该领域的概念框架	8057篇关于COVID-19和人工智能的学术文献	自然语言处理	COVID-19	文献计量分析	NA	文本	8057篇文献（其中1000篇高被引文献用于描述性引文分析）	R Bibliometrix/Biblioshiny, VOSviewer	NA	NA	NA
4046	2026-02-16	KGLGANSynergy: knowledge graph-based local and global attention network for drug synergy prediction 2025-Dec-21, Journal of translational medicine IF:6.1Q1 DOI:10.1186/s12967-025-07545-5 PMID:41423603	研究论文	提出了一种基于知识图谱的深度学习框架KGLGANSynergy，用于预测药物协同作用	整合了局部图注意力网络（LGAT）和全局图注意力网络（GGAT），并通过互交叉注意力（MCA）机制融合局部与全局特征，克服了现有方法忽视边属性和全局语义上下文的局限	未在摘要中明确说明	开发一种更准确的药物协同作用预测计算工具	药物组合和细胞系	机器学习	复杂疾病（泛指）	图表示学习	图注意力网络	图数据（知识图谱）	两个基准数据集：DrugCombDB和Oncology-Screen	NA	LGAT, GGAT	AUPR	NA
4047	2026-02-16	Comprehensive non-small cell lung cancer targets: From computational prediction to clinical breakthroughs in overcoming drug resistance 2025-Dec, Biochemical pharmacology IF:5.3Q1 DOI:10.1016/j.bcp.2025.117333 PMID:40946977	综述	本文全面综述了非小细胞肺癌靶向治疗的研究进展，涵盖从计算预测到临床突破的多个方面	整合了基于配体、结构和多特征深度学习模型的最新靶点预测方法，并探讨了第四代酪氨酸激酶抑制剂及合成致死等新兴策略	作为综述文章，未报告原始实验数据，主要基于现有文献进行分析	总结非小细胞肺癌靶向治疗的研究进展，分析当前局限并指导未来治疗开发	非小细胞肺癌的靶点预测方法、临床治疗进展及耐药机制	机器学习	肺癌	深度学习模型	深度学习模型	NA	NA	NA	NA	NA	NA
4048	2026-02-16	DART-Net: A Novel Deep Learning Framework for Precise Radiotherapy Planning with Automated Multiorgan Segmentation and RTSTRUCT Generation 2025 Oct-Dec, Journal of medical physics IF:0.7Q4 DOI:10.4103/jmp.jmp_238_25 PMID:41684493	研究论文	本研究提出了一种名为DART-Net的新型深度学习框架，用于精确放射治疗规划，实现自动多器官分割和RTSTRUCT生成	首次将双编码器架构、注意力机制和残差连接统一起来，用于自动分割和直接RTSTRUCT生成，这种组合在盆腔分割中先前未被探索	未明确提及，但可能包括训练数据量有限（125个样本）以及对盆腔特定区域的关注	解决放射治疗规划中手动勾画盆腔器官的瓶颈，减少临床时间消耗和观察者间变异性	盆腔器官（膀胱、前列腺、直肠）	数字病理	前列腺癌	CT扫描	CNN	图像	125个专家标注的盆腔CT扫描	NA	DART-Net	Dice相似系数, Hausdorff距离	NA
4049	2026-02-16	Uncertain Feature-refinement Attention Unet: Considering Suitable Convolutional Neural Network Model for Real-time Segmentation in Markerless Tumor Tracking 2025 Oct-Dec, Journal of medical physics IF:0.7Q4 DOI:10.4103/jmp.jmp_112_25 PMID:41684490	研究论文	本研究提出了一种名为UFA-Unet的卷积神经网络模型，用于无标记肿瘤跟踪中的实时分割，旨在解决因噪声和解剖变化导致的域偏移问题	提出UFA-Unet模型，通过不确定特征精炼注意力机制抑制过激活，提高了在域分布偏移下的分割准确性	研究主要基于模拟数字重建放射影像和体模数据，临床真实世界验证有限	开发适用于实时无标记肿瘤跟踪的卷积神经网络分割模型	肺癌病例的4DCT数据、数字重建放射影像、千伏X线透视图像以及动态体模图像	计算机视觉	肺癌	4DCT, 数字重建放射影像, 千伏X线透视	CNN	图像	10例肺癌病例，每例包含两个数据集（首次计划和二次计划），以及动态体模图像	NA	UFA-Unet, U-Net, Attention-Unet, Swin-Unet	分割准确性, 95百分位3D误差	NA
4050	2026-02-16	Application and Optimization of Lee Filter for Segmentation of Benign Tumor in Breast Ultrasound Images 2025 Oct-Dec, Journal of medical physics IF:0.7Q4 DOI:10.4103/jmp.jmp_131_25 PMID:41684505	研究论文	本研究通过优化Lee滤波器的窗口尺寸，提升乳腺超声图像中良性肿瘤分割的准确性	优化Lee滤波器的窗口尺寸以提升乳腺超声图像去噪和分割性能，并利用U-Net模型进行定量评估	NA	优化Lee滤波器窗口尺寸以改善乳腺超声图像中良性肿瘤的分割性能	乳腺超声图像中的良性肿瘤	数字病理学	乳腺癌	超声成像	CNN	图像	NA	NA	U-Net	IoU, PSNR, UQI	NA
4051	2026-02-16	Medical Image Segmentation Assisted with Clinical Inputs via Language Encoder in A Deep Learning Framework 2025-Mar, Machine learning: science and technology DOI:10.1088/2632-2153/adb371 PMID:41078606	研究论文	提出一种结合临床文本输入的深度学习框架，用于医学图像分割，特别是在癌症放疗中自动分割肿瘤体积和危及器官	通过基于Transformer的文本编码器将临床文本信息整合到图像分割过程中，弥补了传统自动分割方法在捕捉不可见微观肿瘤侵袭信息方面的不足	仅在前列腺癌分割示例中进行了验证，尚未在其他癌症类型或器官上广泛测试	提高癌症放疗中临床靶区（CTV）和危及器官（OAR）的自动分割精度	局部前列腺癌放疗中的前列腺分割	医学图像分割	前列腺癌	深度学习	深度学习框架	医学图像, 临床文本	NA	NA	Transformer	NA	NA
4052	2026-02-16	High-Resolution Estimation of Daily PM2.5 Levels in the Contiguous US Using Bi-LSTM with Attention 2025-Jan, Remote sensing IF:4.2Q2 DOI:10.3390/rs17010126 PMID:41674857	研究论文	本文开发了一种基于Bi-LSTM与注意力机制的深度学习模型，用于提高美国本土每日PM2.5浓度的高分辨率估计精度	通过结合注意力机制的Bi-LSTM网络，整合多源数据（包括现场测量、遥感数据和野火烟雾密度观测），显著提升了高浓度日子的PM2.5估计精度	模型主要针对美国本土，缺乏开源代码可能限制了在其他地区和时间段的直接应用，尽管本文已发布开源框架以改善可重复性	提高地表PM2.5浓度的估计精度，特别是针对高浓度日子，以支持公共卫生监测和队列研究	美国本土的每日PM2.5浓度数据	机器学习	NA	深度学习，多源数据整合（现场测量、遥感、野火烟雾观测）	Bi-LSTM	时间序列数据，包括测量数据、遥感数据和观测数据	2005年至2021年美国本土的PM2.5估计数据集	TensorFlow, PyTorch	Bi-LSTM with Attention	RMSE	NA
4053	2026-02-16	Performance and generalizability impacts of incorporating location encoders into deep learning for dynamic PM2.5 estimation 2025, GIScience & remote sensing IF:6.0Q1 DOI:10.1080/15481603.2025.2594797 PMID:41684775	研究论文	本研究评估了在动态PM2.5浓度估算的深度学习模型中整合地理位置编码器对模型性能和地理泛化能力的影响	首次在复杂、时间动态的估算场景中集成并系统评估了地理位置编码器，并比较了原始坐标与预训练编码器在区域内外泛化能力上的差异	某些区域存在由高次基函数和稀疏上游样本引起的伪影模式，且不同位置编码器（如SatCLIP与GeoCLIP）的性能表现存在差异	评估地理位置信息在提升深度学习模型性能及地理泛化能力方面的作用，并指导空气污染估算模型开发	美国本土的地表日PM2.5浓度	机器学习	NA	遥感数据、地面监测数据	深度学习	地理空间数据、时间序列数据	NA	NA	基于现有最先进的PM估算模型（未指定具体架构）	聚合性能指标、定性分析、消融实验结果	NA
4054	2026-02-15	Evaluation of a markerless motion capture to measure 3D joint kinematics during occupational lifting tasks using mobile devices 2026-Jul, Applied ergonomics IF:3.1Q2 DOI:10.1016/j.apergo.2026.104743 PMID:41628493	研究论文	本研究评估并改进了基于智能手机的无标记运动捕捉系统OpenCap，用于测量职业举重任务中的三维关节运动学	针对OpenCap在职业举重任务中性能不足的问题，提出并训练了一个任务特定的模型，显著降低了运动学误差和误差变异性	原始模型在未包含于训练数据集的活动（如职业举重任务）中表现较差，本研究通过任务特定模型解决了此限制，但可能仍需针对其他特定任务进行类似适配	评估和改进无标记运动捕捉技术，以低成本、易用且适用于现场的方式收集三维举重运动学数据，用于人机工程学应用	职业举重任务中的三维关节运动学	计算机视觉	NA	无标记运动捕捉	深度学习模型	视频	基于大量多样化手动举重任务数据集	NA	标记增强器	均方根误差, 误差变异性	NA
4055	2026-02-15	Artificial intelligence driven protein design and sustainable nanomedicine for advanced theranostics 2026-Jun, Bioactive materials IF:18.0Q1 DOI:10.1016/j.bioactmat.2026.01.036 PMID:41674557	综述	本文综述了人工智能驱动的蛋白质设计与可持续纳米医学在先进诊疗一体化中的整合应用	将人工智能、蛋白质工程与可持续纳米医学相结合，推动诊疗一体化范式转变，实现高精度疾病诊断和靶向治疗	NA	总结AI驱动的蛋白质设计策略、可持续纳米载体工程及其在下一代诊疗系统中的融合	蛋白质、肽、纳米材料、纳米载体	机器学习	肿瘤学	机器学习、深度学习	NA	生物和化学数据集	NA	NA	NA	NA	NA
4056	2026-02-15	Advances and challenges in multiscale biomolecular simulations: artificial intelligence-driven paradigm shift 2026-Jun, Quantitative biology (Beijing, China) DOI:10.1002/qub2.70024 PMID:41675594	综述	本文讨论了生物分子模拟技术的最新进展，并探讨了生物分子动力学模拟中的新兴应用、发展趋势和主要挑战	整合机器学习特别是深度学习算法，推动了生物分子模拟领域的创新	NA	讨论生物分子模拟技术的最新进展，并探索生物分子动力学模拟中的新兴应用、发展趋势和主要挑战	生物分子模拟技术	机器学习	NA	分子模拟技术	深度学习算法	NA	NA	NA	NA	NA	NA
4057	2026-02-15	Protein design and RNA design: Perspectives 2026-Jun, Quantitative biology (Beijing, China) DOI:10.1002/qub2.70029 PMID:41675592	综述	本文综述了深度学习和生成模型在蛋白质与RNA设计领域的最新进展，强调了其在创造具有定制结构和功能的新型生物分子方面的应用潜力	整合了蛋白质与RNA设计的生成式深度学习框架，支持前所未有的精确度进行骨架生成、序列优化及序列-结构协同设计，并展望了统一建模、大规模采样和自动化实验管道的新时代	模型泛化能力和实验验证方面仍存在挑战	探讨深度学习和生成模型如何推动蛋白质与RNA设计领域的发展，以加速可编程生物系统和下一代疗法的创建	蛋白质和RNA生物分子	机器学习	NA	深度学习, 生成建模	生成模型	序列数据, 结构数据	NA	NA	NA	NA	NA
4058	2026-02-15	A deep learning mobile application for tomato leaf nutrition deficiency identification with YOLOv8 and enhanced augmentation 2026-Mar, Plant science : an international journal of experimental plant biology IF:4.2Q1 DOI:10.1016/j.plantsci.2026.112973 PMID:41506476	研究论文	本研究提出了一种基于YOLOv8和增强数据增广的深度学习移动应用，用于番茄叶片营养缺乏的识别	结合了最新的YOLOv8目标检测模型与分层数据增广方案，并开发了Android移动应用以实现实时检测	未明确说明模型在复杂田间环境或不同光照条件下的泛化能力，也未提及与其他先进模型的全面对比	实现番茄叶片营养缺乏的早期、准确检测，以支持精准农业中的及时干预	番茄叶片	计算机视觉	NA	深度学习目标检测	YOLOv8	图像	NA	NA	YOLOv8	mAP@0.50, mAP@0.50-0.95, 准确率, 精确率, 召回率, F1分数	NA
4059	2026-02-15	Explainable deep learning-based multiclass classification of foot radiographs into normal, plantar fasciitis, and flatfoot 2026-Mar, Clinical imaging IF:1.8Q3 DOI:10.1016/j.clinimag.2026.110724 PMID:41548324	研究论文	本研究开发了一种可解释的深度学习模型，用于将足部X光片分类为正常、足底筋膜炎和平足症三类	利用合成X光图像训练模型，并结合Grad-CAM++增强模型可解释性，提供解剖学上一致的激活模式分析	模型基于合成数据集训练，需在真实临床环境中进一步验证	开发并解释能够对足部X光片进行多类分类的深度学习模型	足部X光片（正常、足底筋膜炎、平足症）	计算机视觉	足部疾病	X光成像	CNN	图像	9500张合成侧位足部X光图像	PyTorch	DenseNet-121	准确率, F1分数	NA
4060	2026-02-15	AlphaMissense pathogenicity scores predict response to immunotherapy and enhances the predictive capability of tumor mutation burden 2026-Mar, Translational oncology IF:4.5Q1 DOI:10.1016/j.tranon.2026.102697 PMID:41637811	研究论文	本研究提出了一种名为AlphaTMB的复合生物标志物，结合了肿瘤突变负荷（TMB）和AlphaMissense深度学习模型预测的错义变异致病性评分，以改善癌症患者对免疫检查点抑制剂（ICI）治疗的生存预测	首次将TMB与基于深度学习的错义变异致病性评分（AlphaMissense）相结合，创建了AlphaTMB复合生物标志物，显著提升了免疫治疗反应的预测能力，并能够重新分类TMB边界病例	研究基于回顾性队列（MSK-IMPACT研究），需要在前瞻性研究中进一步验证；样本量相对有限（1,662例患者）	开发一种改进的生物标志物，以更准确地预测癌症患者对免疫检查点抑制剂（ICI）治疗的反应和生存结局	接受免疫检查点抑制剂（ICI）治疗的泛癌患者队列	机器学习	癌症	深度学习模型预测错义变异致病性	深度学习模型	基因组测序数据（错义变异）	1,662例来自MSK-IMPACT研究的患者	NA	AlphaMissense	风险比（HR）, p值, Spearman相关系数（ρ）	NA