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
421	2026-06-01	Overcoming photon and spatiotemporal sparsity in fluorescence lifetime imaging with SparseFLIM 2024-10-21, Communications biology IF:5.2Q1 DOI:10.1038/s42003-024-07080-x PMID:39433929	研究论文	提出SparseFLIM智能方法，利用耦合双向传播网络从稀疏光子测量中实现高保真度荧光寿命成像重建	首次通过深度学习实现从稀疏光子测量中重建高质量荧光寿命图像，实现光子计数十倍富集，远超传统方法的采集速度限制	NA（摘要中未提及局限性信息）	克服荧光寿命成像中光子与时空稀疏性限制，提高采集速度并保持图像质量	荧光寿命成像显微图像中的稀疏光子数据	数字病理学	NA（未具体指定疾病）	荧光寿命成像显微术	耦合双向传播网络	图像	NA（样本数量未提及）	NA（未明确指定框架）	耦合双向传播网络	信噪比, 寿命准确度, 相关性	NA（未提供计算资源信息）
422	2026-06-01	Graph attention automatic encoder based on contrastive learning for domain recognition of spatial transcriptomics 2024-10-18, Communications biology IF:5.2Q1 DOI:10.1038/s42003-024-07037-0 PMID:39424696	研究论文	提出一种基于图注意力自编码器和对比学习的空间转录组学域识别方法GAAEST	结合图注意力网络编码器和自监督对比学习，在局部、全局和上下文三个层次优化空间嵌入，提升空间域识别性能	未提及具体局限性	提高空间转录组学中空间域识别的准确性和鲁棒性	空间转录组学数据中的空间域	数字病理学	NA	空间转录组学	图注意力网络	空间转录组学数据（基因表达和空间位置信息）	多个数据集	PyTorch	图注意力自编码器	聚类准确率、空间域识别性能	NA
423	2026-06-01	mACPpred 2.0: Stacked Deep Learning for Anticancer Peptide Prediction with Integrated Spatial and Probabilistic Feature Representations 2024-09-01, Journal of molecular biology IF:4.7Q1 DOI:10.1016/j.jmb.2024.168687 PMID:39237191	研究论文	开发了mACPpred 2.0模型，通过堆叠深度学习整合空间与概率特征表示，用于抗癌肽的高效预测	首次整合空间与概率特征表示来预测抗癌肽，并采用堆叠深度学习（SDL）方法结合1D CNN和混合特征	NA	提升抗癌肽预测的准确性和鲁棒性，更新并超越现有预测方法	抗癌肽（ACPs）和非抗癌肽的氨基酸序列数据	机器学习	癌症	深度学习、自然语言处理（NLP）嵌入、特征选择	堆叠深度学习（SDL）、1D卷积神经网络（1D CNN）	序列数据（氨基酸序列）	整合所有公开可用的ACPs数据集构建更新基准数据集	深度学习框架（未指定具体名称）	1D CNN	交叉验证、独立测试（具体指标如准确率、F1值等未列出）	NA
424	2026-06-01	GalaxySagittarius-AF: Predicting Targets for Drug-Like Compounds in the Extended Human 3D Proteome 2024-09-01, Journal of molecular biology IF:4.7Q1 DOI:10.1016/j.jmb.2024.168617 PMID:39237198	研究论文	GalaxySagittarius-AF是一个结合深度学习预测结构进行药物类似化合物靶点预测的网络服务器	利用AlphaFold预测的结构扩展人类蛋白质组覆盖范围，并采用基于相似性和基于结构的双重方法进行靶点预测	未明确提及，但可能依赖于预测结构的准确性以及数据库的完整性	开发一个能够预测药物类似化合物在扩展人类3D蛋白质组中靶点的网络服务器	药物类似化合物及其在人类蛋白质组中的潜在靶点	机器学习和计算生物学	不适用	AlphaFold结构预测和GalaxySite结合位点预测	基于相似性和基于结构的预测模型	蛋白质结构数据和化合物结构数据	不适用	不适用	不适用	不适用	网络服务器，无需注册即可访问，运行速度比前代快2-3倍
425	2026-06-01	ModFOLD9: A Web Server for Independent Estimates of 3D Protein Model Quality 2024-09-01, Journal of molecular biology IF:4.7Q1 DOI:10.1016/j.jmb.2024.168531 PMID:39237204	研究论文	介绍ModFOLD9网络服务器，用于独立评估3D蛋白质模型质量	整合了基于深度学习的新评分方法，显著提高了预测准确性	未提及具体局限性	提供可靠的独立模型质量估计以识别错误并选择最佳模型	蛋白质三维结构模型	机器学习	NA	NA	深度学习模型	蛋白质结构数据	NA	NA	NA	预测准确性	NA
426	2026-06-01	Deep learning-based pathological prediction of lymph node metastasis for patient with renal cell carcinoma from primary whole slide images 2024-06-14, Journal of translational medicine IF:6.1Q1 DOI:10.1186/s12967-024-05382-6 PMID:38877591	研究论文	基于深度学习从肾细胞癌原发性全切片图像预测淋巴结转移的病理学模型	利用聚类约束注意力多实例学习方法开发了直接从原发性全切片图像预测肾细胞癌淋巴结转移的深度学习策略，并验证其在冰冻病理切片上的适用性及对预后预测的作用	NA	开发并验证基于病理组学的肾细胞癌微转移预测模型，辅助临床治疗决策	肾细胞癌患者的原发性全切片图像	数字病理学	肾细胞癌	全切片成像	深度学习模型	全切片图像	895张福尔马林固定石蜡包埋全切片图像（来自上海总医院、CPTAC和TCGA三个队列）和588张TCGA冰冻切片全切片图像	NA	聚类约束注意力多实例学习网络	AUC	NA
427	2026-06-01	Imaging at the nexus: how state of the art imaging techniques can enhance our understanding of cancer and fibrosis 2024-06-13, Journal of translational medicine IF:6.1Q1 DOI:10.1186/s12967-024-05379-1 PMID:38872212	综述	详细描述了癌症和纤维化这两种疾病的最先进成像技术进展及其相互交叉应用	阐明了癌症与纤维化共同的分子病理生理学机制，并系统总结了PET、MRI、SGHI、超声、影像组学和人工智能等多种成像技术如何相互促进以提高对两种疾病的检测和监测能力	未提及具体研究局限	综述癌症和纤维化成像技术的最新进展及交叉应用，以改善诊断和监测	癌症和纤维化疾病的成像技术	医学影像、人工智能、数字病理学	癌症、纤维化	PET、MRI、SGHI、超声、影像组学、人工智能	深度学习	图像	NA	NA	深度学习架构	NA	NA
428	2026-06-01	Nacre-like block lattice metamaterials with targeted phononic band gap and mechanical properties 2024-06, Journal of the mechanical behavior of biomedical materials IF:3.3Q3 DOI:10.1016/j.jmbbm.2024.106511 PMID:38518512	研究论文	提出一种基于人工神经网络的深度学习方法来设计具有同时波动过滤和增强力学性能的层级块格超材料，通过贝叶斯优化确定最优几何参数	首次将深度学习与贝叶斯优化相结合，用于仿生多层次块格超材料的前向预测、参数设计和拓扑设计，实现多目标优化（力学性能与波动过滤）	仅通过数值模拟验证，未涉及实验样机制造和实际测试；层级结构对动态行为的影响机制尚未完全阐明	克服传统设计方法的局限，开发能够同时实现波动过滤和增强力学性能的层级架构块格超材料	仿珍珠层复合材料的块格超材料，包括其几何构型、体积分数分布对声波/弹性波带隙和力学性能的影响	机器学习	NA	NA	人工神经网络（ANN）	数值模拟数据	NA	NA	人工神经网络	NA	NA
429	2026-06-01	Application of Artificial Intelligence to the Monitoring of Medication Adherence for Tuberculosis Treatment in Africa: Algorithm Development and Validation 2023 Jan-Dec, JMIR AI DOI:10.2196/40167 PMID:38464947	研究论文	本研究开发并验证了基于深度学习模型的视频监测方法，用于自动分类结核病治疗中的药物依从性	首次在非洲资源有限环境中应用人工智能进行视频药物依从性监控，并系统评估多种卷积神经网络模型的性能	由于缺乏公开可用数据集，未进行外部验证；正负样本不平衡（405正样本vs 92负样本），可能影响模型泛化能力	探索深度学习模型在结核病治疗中药物依从性监测的可行性，提高视频监测效率	乌干达结核病患者的药物摄入视频图像	计算机视觉	结核病	视频监测技术	卷积神经网络	视频图像	861个视频图像，经筛选后497个视频用于模型训练（405正样本，92负样本）	NA	3D ResNet, 以及其他三种未指定架构的卷积神经网络	灵敏度, 特异性, F1分数, 精确率, AUC, 每视频处理速度	NA
430	2026-06-01	Automated grading of enlarged perivascular spaces in clinical imaging data of an acute stroke cohort using an interpretable, 3D deep learning framework 2022-01-17, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-021-04287-4 PMID:35039524	研究论文	开发了一种可解释的3D深度学习框架，用于自动化分级急性卒中患者临床影像数据中的血管周围间隙扩大	首次利用3D-ResNet-152和3DGradCAM可解释性技术，在异质性急性卒中队列的临床级影像数据中实现自动化EPVS严重程度分级	样本量较小（n=262），且仅基于T2加权图像进行单一解剖区域（基底节）的评估	开发一个可解释的3D神经网络，用于自动化分级急性卒中患者基底节区血管周围间隙扩大（EPVS）的严重程度	262名急性卒中患者的T2加权影像数据	计算机视觉，数字病理学	脑血管疾病	磁共振成像（MRI）	3D卷积神经网络（CNN）	图像（临床级T2加权MRI）	262名急性卒中患者（训练/测试集：85%/15%）	PyTorch	3D-ResNet-152	准确率（0.897），AUC（0.879）	NA
431	2026-05-31	Redefining spiking neural networks through the lens of dynamical superspace 2026-Dec, Cognitive neurodynamics IF:3.1Q2 DOI:10.1007/s11571-026-10470-y PMID:42212279	观点/展望论文	本文通过动力学超空间框架重新定义脉冲神经网络，从时间密度和状态空间复杂度角度审视神经计算，并提出从同步到异步计时、从平衡态到非平衡动力学的演进路线图	提出动力学超空间概念将神经计算重新定义为由时间密度和状态空间复杂度决定的连续层次，揭示了真实神经形态优势来源于异步计时与非平衡动力学，并构建了全局优化与局部执行的桥梁	该框架尚处于概念阶段，缺乏具体实验验证和定量分析；从理论到实际应用的技术路径未详细展开	重新定义脉冲神经网络的计算范式，揭示其作为动力系统而非高效量化的本质，为下一代智能系统提供理论基础	脉冲神经网络（SNN）的计算原理、时间动力学特性及其与生物神经电路的关系	机器学习, 神经形态计算	NA	NA	脉冲神经网络（SNN）	NA	NA	NA	NA	NA	NA
432	2026-05-31	A new method for accurate detection of counterfeit sesame oil using three-dimensional fluorescence spectroscopy 2026-Nov-05, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2026.128055 PMID:42143998	研究论文	提出一种基于差分光谱重建和TabTransformer-XGBoost深度学习模型的方法，用于准确检测掺假芝麻油	首次将差分光谱重建技术与TabTransformer-XGBoost深度学习模型结合，同时实现芝麻油真伪分类和芝麻香精浓度的定量预测	未提及方法在不同品牌或不同批次芝麻油中的泛化能力，以及样本来源和数量的具体描述	开发一种高精度检测芝麻油掺假的新方法	芝麻油及掺入芝麻香精的假冒产品	机器学习	不适用	三维荧光光谱	TabTransformer-XGBoost	三维荧光光谱数据	不适用	TabTransformer, XGBoost	TabTransformer, XGBoost	准确率, 相关系数R, 均方根误差RMSE, 平均绝对百分比误差MAPE, 平均绝对误差MAE	NA
433	2026-05-31	Deep learning-assisted metasurface-enhanced near-infrared spectroscopy for alcohol detection 2026-Nov-05, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2026.128007 PMID:42085821	研究论文	本研究介绍了一种深度学习辅助的超表面平台，用于近红外光谱分析，能够同时定性和定量检测多种醇类物质	结合超表面增强近红外光谱与深度学习模型（CNN-Transformer混合架构），实现了醇类物质的高精度定性和定量检测	NA	开发深度学习辅助的超表面近红外光谱平台，用于多醇类物质的定性和定量分析	多种醇类物质	机器学习, 计算机视觉	NA	近红外光谱, 超表面	CNN, Transformer	光谱数据	NA	NA	CNN, Transformer	决定系数, 均方根误差, 识别准确率	NA
434	2026-05-31	Identification of soybean variety based on spectral data and RGB image fusion combined with deep learning method 2026-Nov-05, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2026.128009 PMID:42107308	研究论文	提出一种基于高光谱数据与RGB图像融合及改进YOLOv11深度学习框架的大豆品种识别方法	创新性融合高光谱与RGB图像数据，提出线性插值方法集成光谱与视觉信息，并通过优化参数效率和增强空间注意力机制改进YOLOv11架构	未明确提及局限性	实现大豆品种的高精度识别，为农产品分类和质量控制提供新策略	大豆品种	计算机视觉, 机器学习	NA	高光谱成像, RGB成像	YOLOv11	图像, 光谱数据	NA	NA	YOLOv11	准确率	NA
435	2026-05-30	Early apple moldy core classification via multi-modal sensing and SE-ResNet18 2026-Nov-05, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2026.128056 PMID:42161033	研究论文	提出一种融合可见-近红外光谱与电子鼻数据的多模态图像编码方法，结合SE-ResNet18深度学习模型，实现对苹果早期霉心病的高效、无损分类	首次结合格拉米角场、马尔可夫转移场和递归图编码技术，将一维时域和光谱数据转换为图像表示，并构建基于通道注意力机制的SE-ResNet18双分支融合模型，显著提升多模态特征提取与分类性能	研究未提及模型在不同品种苹果或其他病害上的泛化能力，且在实际部署中可能存在传感器成本较高的问题	实现苹果霉心病早期内部病变的无损、高效分类，验证多模态数据互补性及注意力机制在特征融合中的有效性	苹果（早期霉心病样本）	计算机视觉, 机器学习	植物病害（苹果霉心病）	光谱分析法（可见-近红外光谱）, 电子鼻技术	卷积神经网络 (SE-ResNet18)	图像（编码后的时域和光谱图像）	未在标题和摘要中明确说明	PyTorch	SE-ResNet18（双分支架构）	分类准确率 (95.93%)	未在标题和摘要中明确说明
436	2026-05-31	Deep Learning-Assisted identification and quantification of cell-associated microplastics using darkfield hyperspectral imaging 2026-Oct-01, Talanta IF:5.6Q1 DOI:10.1016/j.talanta.2026.129864 PMID:42019285	研究论文	开发了结合暗场高光谱成像与深度学习管道的自动化策略，用于在单细胞水平检测和量化细胞相关的聚苯乙烯微塑料	首次将Mask R-CNN、LS-SVM和圆形霍夫变换整合为完整图像分析管道，实现微塑料与细胞相互作用的单细胞分辨率定量评估	该方法需要针对不同颗粒类型和细胞系进行重新训练和验证，目前仅验证了聚苯乙烯微塑料在Caco-2细胞中的效果	建立自动化策略以检测和量化细胞相关的微塑料，评估其潜在健康风险	人结肠腺癌细胞Caco-2和聚苯乙烯微塑料	计算机视觉	微塑料相关健康风险	暗场高光谱成像	CNN, 支持向量机	图像	Caco-2细胞在不同浓度聚苯乙烯微塑料（1×10^7、1×10^8、1×10^9颗粒/mL）处理下的样本	NA	Mask R-CNN, 最小二乘支持向量机, 圆形霍夫变换	精确率, 准确率	NA
437	2026-05-31	Enhancing saline soil quality using enriched sheep manure compost and organic fertilizer: A FTIR-Deep learning evaluation of physiochemical and electrical properties 2026-Oct-01, Talanta IF:5.6Q1 DOI:10.1016/j.talanta.2026.129880 PMID:42035676	研究论文	通过傅里叶变换红外光谱结合深度学习评估改良羊粪堆肥和有机肥对盐渍土壤质量的影响	首次将FTIR光谱与深度学习模型（LSTM和1D-CNN）结合，用于盐渍土壤性质的快速准确评估，并利用SHAP解释模型预测的关键光谱区域	未提及模型在不同土壤类型或长期田间条件下的泛化能力，且PLSR模型部分参数（如有机肥处理的R值为0.27）表现较差，可能受样本量或实验条件限制	建立基于FTIR光谱与机器/深度学习的框架，快速评估盐渍土壤改良效果，并预测关键理化性质	盐渍土壤样本，经改良羊粪堆肥和有机肥处理后进行理化性质分析	机器学习	不适用	傅里叶变换红外光谱	长短期记忆网络、一维卷积神经网络、偏最小二乘回归	光谱数据	未明确说明，涉及盐渍土壤样本及两种改良处理（有机肥和羊粪堆肥）	不适用	LSTM, 1D-CNN	决定系数R	未提及
438	2026-05-31	3D-printed real-time biosensing system integrating deep learning for label-free in vitro T cell culture analysis 2026-Oct-01, Talanta IF:5.6Q1 DOI:10.1016/j.talanta.2026.129892 PMID:42035675	研究论文	利用3D打印模块构建的自动无标记监测平台，结合深度学习实现T细胞培养过程的实时分析	首次将3D打印模块化组件、自动化细胞培养、实时明场成像和深度学习算法集成于一个平台，实现T细胞形态、活力和迁移行为的连续追踪，无需标记	未提及对细胞代谢功能的直接检测，以及在不同T细胞亚型或临床样本中的验证	开发一种用于癌症免疫治疗中T细胞培养的实时、无标记监测技术	体外培养的T细胞	计算机视觉	癌症	NA	深度学习	明场图像	NA	NA	NA	平均精度	NA
439	2026-05-31	Chemical composition imaging and class imbalance handling using a 2D-CNN with SMOTE and threshold moving for tobacco origin classification 2026-Oct-01, Talanta IF:5.6Q1 DOI:10.1016/j.talanta.2026.129950 PMID:42105520	研究论文	提出一种结合化学组分成像、2D-CNN与SMOTE及阈值移动的方法，用于烟草产地分类	将多维化学组分转换为结构化2D图像，利用2D-CNN捕捉化学指标间的复杂相关性，并结合SMOTE与阈值移动缓解类别不平衡	未提及相关限制	解决烟草产地分类中复杂的化学关系与地理样本不平衡问题	烟草样品及其化学组分	计算机视觉, 机器学习	无特定疾病分类	化学组分成像, SMOTE	2D-CNN	图像（化学组分转换的2D图像）	八个生态区域的烟草样本	NA	2D-CNN, 1D-CNN（用于对比）	准确率, 精确率, 召回率, F1分数	NA
440	2026-05-31	A hybrid chemometric and deep learning model for monitoring quality loss in thermally processed edible oils 2026-Aug-31, Food research international (Ottawa, Ont.) DOI:10.1016/j.foodres.2026.119497 PMID:42215142	研究论文	提出一种结合化学计量学和深度学习的方法，用于监测热加工食用油的质量损失	将FTIR光谱和介电测量与CARS-PLS、RF-PLS和1D-CNN等先进化学计量学和深度学习模型相结合，并通过SHAP可解释AI分析揭示关键光谱贡献，实现对热加工食用油降解过程的敏感、非破坏性监测	该研究为实验室概念验证，尚未在工业或家庭真实烹饪条件下进行大规模验证	开发一种集成光谱、介电分析与预测建模的方法，用于评估食用油在热处理过程中的质量退化	花生油、芝麻油和餐厅收集油的热降解过程	机器学习	NA	FTIR光谱、介电测量	1D-CNN、CARS-PLS、RF-PLS	光谱数据、介电常数、酸值	花生油、芝麻油和餐厅收集油样本（具体数量未提及）	NA	1D-CNN	训练R值、外部测试R值、RMSE	NA