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
601	2026-06-06	Sickle cell disease detection in low-resource conditions using transfer-learning and contrastive-learning coupled with XAI 2026-Jan-24, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-35831-9 PMID:41580439	研究论文	利用迁移学习和对比学习结合可解释人工智能在低资源条件下检测镰状细胞病	提出结合迁移学习与基于三元组损失的对比学习及可解释人工智能方法，解决低资源条件下深度学习模型训练数据不足的问题	信息不足	提高低资源条件下镰状细胞病自动检测的效率和可解释性	镰状细胞病图像数据集	计算机视觉	镰状细胞病	NA	CNN	图像	NA	NA	ResNet-50, DenseNet-121, EfficientNet-B0	NA	NA
602	2026-06-06	EDEN: multiscale expected density of nucleotide encoding for enhanced DNA sequence classification with hybrid deep learning 2026-Jan-24, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-026-06367-6 PMID:41580658	研究论文	提出基于核密度估计的多尺度编码框架EDEN，用于增强DNA序列分类	首次将核密度估计应用于DNA序列编码，统一捕获局部和长程依赖，并在16个基准数据集中以极少参数取得最优平均性能	N/A	提升DNA序列分类的准确性和效率	DNA序列，涵盖启动子检测、核心启动子检测和转录因子结合预测	机器学习	N/A	N/A	混合深度学习模型	DNA序列数据	16个基准数据集	N/A	混合深度学习架构	平均性能	N/A
603	2026-06-06	DANEELpath open source digital analysis tools for histopathological research in neuroblastoma models 2026-Jan-24, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-37134-5 PMID:41580539	研究论文	介绍DANEELpath，一个用于神经母细胞瘤模型组织病理学研究的开源数字分析工具包	开发了集深度学习、数学形态学管道和空间特征提取于一体的开源图像分析工具包，适用于3D水凝胶培养的神经母细胞瘤模型	NA	开发用于分析3D培养神经母细胞瘤细胞动态的开源图像分析工具，以研究肿瘤微环境中细胞外基质的作用	三维水凝胶培养的神经母细胞瘤细胞模型	数字病理学	神经母细胞瘤	生物图像分析	深度学习模型	全切片图像	NA	NA	数学形态学管道	NA	NA
604	2026-06-06	The role of low-complexity repeats in RNA-RNA interactions and a deep learning framework for duplex prediction 2026-Jan-23, Nature communications IF:14.7Q1 DOI:10.1038/s41467-026-68356-w PMID:41571635	研究论文	分析低复杂度重复序列在RNA-RNA相互作用中的作用，并开发了一个基于深度学习的双链预测框架	首次识别低复杂度重复序列（包括简单串联重复）作为RNA-RNA相互作用的关键驱动因素，并利用核酸语言模型嵌入开发了性能优于传统热力学工具的深度学习模型RIME	未明确指出局限性	阐明低复杂度重复序列在RNA-RNA相互作用中的分子决定作用，并开发更准确的相互作用预测工具	多个大规模RNA-RNA相互作用数据集，以及lncRNA Lhx1os的相互作用组	自然语言处理	不适用	RNA-seq	深度学习	序列数据	多个大规模RNA-RNA相互作用数据集	PyTorch	核酸语言模型	准确性，AUC	不适用
605	2026-06-06	Deep tobit model: an integrated framework for high-dimensional censored regression with variable selection 2026-Jan-23, Lifetime data analysis IF:1.2Q2 DOI:10.1007/s10985-026-09690-5 PMID:41571915	研究论文	提出了一种名为Deep Tobit的集成深度学习框架，用于处理高维左删失回归问题，并同时进行变量选择	首次将Tobit对数似然作为损失函数整合到深度学习框架中，并开发了具有理论保证的两阶段特征选择算法	未明确提及局限性，但可能包括对复杂非线性关系的处理能力有限或计算复杂度较高	解决高维左删失数据中现有方法无法处理非线性关系或进行变量选择的局限	左删失航空发动机壳体振动数据和HIV病毒载量数据	机器学习	HIV感染	NA	Deep Tobit	数值型、删失数据	NA	NA	Deep Tobit	变量选择准确率、预测精度	NA
606	2026-06-06	Community Health Nurses' Knowledge and Perceptions of AI in Canada: National Cross-Sectional Survey 2026-Jan-23, JMIR nursing DOI:10.2196/78560 PMID:41576309	研究论文	一项加拿大全国性横断面调查，评估社区健康护士对人工智能的知识和看法	首次针对社区健康护士这一特定群体，探讨其对人工智能的认知和态度，并分析知识水平与看法之间的关系	样本量较小（228人），且问题回答率不同，可能影响结果的一般性	了解社区健康护士对人工智能的认知、知识和看法，并为更好地让他们参与人工智能应用提供见解	加拿大社区健康护士	机器学习	NA	NA	NA	调查问卷数据	228名加拿大社区健康护士	NA	NA	NA	NA
607	2026-06-06	Groundwater depth prediction based on CNN-GRU-attention model 2026-Jan-23, Environmental monitoring and assessment IF:2.9Q3 DOI:10.1007/s10661-026-14993-z PMID:41577970	研究论文	提出一种结合卷积神经网络、门控循环单元和注意力机制的混合深度学习模型用于地下水位深度预测	首次将CNN、GRU与注意力机制融合构建地下水位深度预测模型，并通过香农熵方法严格筛选输入变量	仅基于中国郑州的时空数据验证，且未考虑土壤性质、地质结构等其他潜在影响因素	开发地下水位深度预测框架以支持干旱半干旱地区可持续水资源管理	郑州市月尺度地下水埋深动态变化时空特征	机器学习	NA	NA	深度学习混合模型（CNN-GRU-注意力机制）	时间序列数据	未明确说明样本量，数据涵盖月蒸发量、降水、平均温度及地下水开采量四个变量	NA	CNN, GRU, 注意力机制	MAE, RMSE, R	NA
608	2026-06-06	Evaluating gait system vulnerabilities through PPO and GAN-generated adversarial attacks 2026-Jan-23, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-37011-1 PMID:41578011	研究论文	本研究探讨了基于深度学习的步态识别系统对对抗性攻击的脆弱性，提出了一种结合PPO和GAN的对抗性攻击方法	创新性地利用PPO确定对抗性补丁的最佳位置，结合GAN生成欺骗性样本，最大化对步态识别系统的干扰	未明确提出具体局限性	评估步态识别系统对对抗性攻击的脆弱性，并推动更安全的生物识别系统开发	步态识别系统	计算机视觉	NA	NA	Proximal Policy Optimization (PPO), Generative Adversarial Networks (GANs)	步态图像数据	使用CASIA步态数据库数据集B和OU-ISIR跑步机数据集B（衣物变化），未明确样本数量	NA	NA	识别准确率	NA
609	2026-06-06	Explainable Hybrid Deep Learning Framework Integrating MobileNetV2, EfficientNetV2B0, and KNN for MRI-Based Brain Tumor Classification 2026-Jan-23, Cellular and molecular neurobiology IF:3.6Q2 DOI:10.1007/s10571-025-01660-z PMID:41578036	研究论文	提出一种结合MobileNetV2、EfficientNetV2B0和KNN的可解释混合深度学习框架，用于基于MRI的脑肿瘤分类	创新性地将MobileNetV2和EfficientNetV2B0双骨干网络通过全局平均池化和向量拼接进行后期融合，并采用KNN作为分类器，同时结合Grad-CAM和SHAP提供临床可解释性	结果基于统一数据集，需要外部验证来确认泛化能力	开发一种轻量级且可解释的混合深度学习框架，用于MRI脑肿瘤的准确分类，同时提供模型决策的透明解释	7,023张MRI脑肿瘤图像，包括胶质瘤、脑膜瘤、垂体瘤和无肿瘤四个类别	数字病理学, 计算机视觉, 机器学习	脑肿瘤	MRI	混合模型（MobileNetV2, EfficientNetV2B0, KNN）	图像	7,023张MRI图像，来自Figshare、SARTAJ和BR35H数据集	NA	MobileNetV2, EfficientNetV2B0	准确率, 精确率, 召回率, F1分数, ROC-AUC	NA
610	2026-06-06	Enhancing kcat prediction through residue-aware attention mechanism and pre-trained representations 2026-Jan-22, Communications biology IF:5.2Q1 DOI:10.1038/s42003-026-09551-9 PMID:41571855	研究论文	提出PMAK深度学习框架，通过整合酶序列和反应SMILES的预训练表示与残基感知注意力机制，提升kcat预测准确性与可解释性	首次将残基感知注意力机制与预训练表示相结合，实现对酶-反应联合建模，捕获关键催化残基并同时提升预测性能和可解释性	未明确说明局限性，可能依赖于预训练模型的质量及反应SMILES的完整性	开发高精度且可解释的酶周转数预测方法	酶催化反应中的酶序列与反应SMILES数据	机器学习	NA	深度学习	残基感知注意力机制	文本（酶序列及反应SMILES字符串）	未在摘要中明确提及具体样本数量	PyTorch（推测）、TensorFlow（可能）	Transformer（预训练表示）、注意力机制	R值（相关系数）	NA
611	2026-06-06	Artificial Intelligence and Machine Learning in Bone Metastasis Management: A Narrative Review 2026-Jan-22, Current oncology (Toronto, Ont.) DOI:10.3390/curroncol33010065 PMID:41590385	综述	人工智能和机器学习在骨转移管理中的应用综述，涵盖病灶检测、分割、预后建模、骨折风险评估和手术决策支持	聚焦于骨转移管理领域的AI/ML应用，特别强调临床可转化性，并指出当前文献异质性大且快速发展，为临床医生提供系统梳理	多数研究缺乏外部验证，新兴工作尚处于早期概念验证阶段，极少框架集成至常规工作流程，且可解释性、偏差缓解和卫生经济学影响评估不足	综述AI/ML在骨转移诊断和管理中的应用现状，识别临床转化机会并提出未来研究方向	骨转移患者的影像诊断、病变检测分割、预后建模、骨折风险评估及手术决策支持	机器学习、数字病理	骨转移（肿瘤相关）	放射组学、深度学习	CNN（卷积神经网络）	影像数据	NA	NA	NA	内部性能指标（未具体说明）	NA
612	2026-06-06	Hybrid Dual-Context Prompted Cross-Attention Framework with Language Model Guidance for Multi-Label Prediction of Human Off-Target Ligand-Protein Interactions 2026-Jan-22, International journal of molecular sciences IF:4.9Q2 DOI:10.3390/ijms27021126 PMID:41596767	研究论文	提出HDPC-LGT框架，融合图化学推理、蛋白质语言模型嵌入和结构先验，用于预测人类脱靶配体-蛋白质相互作用	首次将双上下文提示交叉注意力与语言模型引导结合，实现多标签预测脱靶配体-蛋白质相互作用，并提供可解释性输出	未提及	提高药物脱靶毒性预测准确性，优化药物发现管线	16种与抗生素毒性相关的人类翻译相关蛋白质	机器学习	抗生素毒性	NA	图Transformer	配体-蛋白质对	216,482个经验证配体-蛋白质对	PyTorch	交叉注意力图Transformer	macro ROC-AUC, micro F1-score	NA
613	2026-06-06	Generalizable machine learning models for rapid antimicrobial resistance prediction in unseen health care settings 2026-Jan-21, GigaScience IF:11.8Q1 DOI:10.1093/gigascience/giaf156 PMID:41553357	研究论文	开发通用性强的机器学习模型，利用MALDI-TOF质谱数据快速预测未知医疗环境中的抗菌药物耐药性	结合掩码自动编码器（MAE）处理MALDI-TOF谱图，以及化学语言模型和SELFIES编码表示抗菌药物，提升模型在不同医院和时段间的泛化性能	模型在超出训练数据之外的医院或时间框架下性能显著下降，且泛化能力仍有局限	提高机器学习模型在抗菌药物耐药性快速预测中的通用性和稳定性，指导临床治疗决策	来自4家医疗机构的MALDI-TOF质谱数据及其对应的抗菌药物耐药性信息	机器学习	抗菌药物耐药性	MALDI-TOF质谱	掩码自动编码器（MAE）、化学语言模型、SELFIES编码、Molformer语言模型	质谱谱图、化学文本数据	4家医疗机构的样本数据	NA	MAE、Molformer	精确率-召回率曲线下面积（AUC-PR）	NA
614	2026-06-06	Quantitative assessment of neonatal health using dried blood spot metabolite profiles and deep learning 2026-Jan-21, Science translational medicine IF:15.8Q1 DOI:10.1126/scitranslmed.adv4942 PMID:41564154	研究论文	利用干血斑代谢物谱和深度学习定量评估新生儿健康	首次将新生儿筛查干血斑代谢物谱与深度学习结合，建立了一个可泛化的早产生物学风险指标，该指标捕获了与胎龄和出生体重不同的风险信号，并优于其他机器学习算法和临床风险变量模型	NA	开发基于新生儿筛查干血斑的代谢健康指数，以对早产儿患支气管肺发育不良、脑室内出血、坏死性小肠结肠炎和早产儿视网膜病变的风险进行分层	早产新生儿	机器学习	早产相关疾病	干血斑代谢物谱	深度学习模型	代谢物数据	13536例加利福尼亚州早产儿（12096例病例和1440例对照）用于模型开发，3299例加拿大安大略省极早产儿（2117例病例和1182例对照）用于外部验证	NA	NA	NA	NA
615	2026-06-06	PoseR: a deep learning toolbox for classifying animal behaviour 2026-Jan-21, Open biology IF:4.5Q1 DOI:10.1098/rsob.250322 PMID:41558809	研究论文	提出了一个名为PoseR的深度学习工具箱，用于从姿态估计中快速准确地对动物行为进行分类	使用时空图卷积网络仅依赖姿态估计和动物固有结构进行分类，实现了跨物种、跨场景的通用行为分析标准化	未明确说明，但基于摘要内容推测可能受限：未提及模型的泛化能力验证、计算资源需求及在复杂环境下的鲁棒性	开发一个高效、可标准化且适用多物种的动物行为分类工具，简化行为分析工作流程	斑马鱼幼虫、果蝇、小鼠和大鼠的行为分类	计算机视觉、深度学习、动物行为学	NA	NA	时空图卷积网络	视频数据中的姿态估计坐标	四种模式生物：斑马鱼幼虫、果蝇、小鼠、大鼠	NA	时空图卷积网络	速度和精度（具体指标未在摘要中列出）	NA
616	2026-06-06	Shortcomings of deep learning for distributional predictors: a note 2026-Jan-20, Biostatistics (Oxford, England) DOI:10.1093/biostatistics/kxaf051 PMID:41555576	研究论文	探讨在预测变量具有排列不变性时，无序深度学习方法与有序预测器神经网络在预测误差和估计精度上的差异	明确指出了无序深度学习在处理分布性预测变量时的预测误差增大的缺点，并引入有序预测器神经网络来利用排列不变性提高性能	仅通过模拟进行验证，缺乏真实生物医学数据的实证支持	评估无序深度学习方法在排列不变任务中的有效性，并推荐利用结构优势的建模方法	分布性预测变量（如生物医学中重复测量数据）的映射关系学习与点估计	机器学习	NA	NA	神经网络	模拟数据	NA	NA	无序神经网络、有序预测器神经网络	预测误差、估计精度	NA
617	2026-06-06	UniCAS: A foundation model for cervical cytology screening 2026-Jan-20, Cell reports. Medicine DOI:10.1016/j.xcrm.2025.102570 PMID:41564861	研究论文	提出了一个名为UniCAS的宫颈细胞学基础模型，该模型在48532张宫颈全切片图像上进行预训练，能够实现多种临床分析任务并显著提升诊断效率	首次构建了针对宫颈细胞学的大规模基础模型，通过多任务聚合器整合滑动级诊断、区域级分析和像素级图像增强，实现高效的多尺度分析	未提及模型在不同医疗设备和染色协议下的泛化能力，以及临床部署中的计算资源需求	开发一种统一的基础模型以解决宫颈细胞学筛查中形态多样性导致的诊断碎片化问题	宫颈全切片图像中的异常细胞学特征	数字病理学	宫颈癌	全切片成像	基础模型	全切片图像	48532张宫颈全切片图像	NA	多任务聚合器	曲线下面积（AUC）	NA
618	2026-06-06	Enhancing dietary management and nutritional analysis through deep learning: a multi-model approach for food classification and volume estimation 2026-Jan-20, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32610-w PMID:41559127	研究论文	提出基于深度学习的多模型方法，用于食物分类和体积估计，以增强饮食管理和营养分析	集成Inception V3进行食物分类、Mask R-CNN进行二维面积估计、MiDaS进行单视图深度估计，实现了高精度分类与体积估计的结合	未提及实际应用场景的验证和模型在真实世界环境中的鲁棒性	改进饮食管理中的食物识别与营养分析精度，减少手动跟踪的误差	食物图像数据集中的饮食物品	计算机视觉	营养不良及相关健康问题	深度学习	卷积神经网络	图像	使用Food101、UEC-food256和Indian Food Images Dataset等基准数据集	NA	Inception V3, Mask R-CNN, MiDaS	准确率	NA
619	2026-06-06	A zero-shot learning framework for chilli leaf disease detection, classification and severity estimation using contrastive image text representations 2026-Jan-20, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32959-y PMID:41559188	研究论文	提出一种基于零样本学习的双编码器框架，用于辣椒叶病害检测、分类和严重程度估计	首次将Vision Transformer和RoBERTa语义编码器结合用于农业病害的零样本学习，无需重训练即可识别未见过的病害类别并估计严重程度	仅在辣椒叶数据集上评估，可能对其他作物或环境泛化性有限；依赖高质量图像-文本对数据	实现农业病害的实时、可扩展监测，解决传统模型无法识别新疾病模式的问题	辣椒叶病害	计算机视觉	辣椒叶病害	对比学习、图像文本表示	Vision Transformer、RoBERTa	图像、文本	辣椒叶数据集（未提供具体样本数量）	PyTorch	Vision Transformer、RoBERTa	准确率、精确率、召回率	NA
620	2026-06-06	Cha-PO and CVNet: a hybrid approach for automated cataract detection using adaptive feature selection and deep learning for high accuracy and efficiency 2026-Jan-20, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-34889-1 PMID:41559203	研究论文	提出了一种结合混沌自适应杨树-细菌优化（Cha-PO）特征选择与白内障视觉网络（CVNet）深度学习的混合方法，用于白内障自动检测，以提高准确性和效率	创新性地结合了Cha-PO特征选择算法与CVNet深度学习模型，降低了特征维度并优化了网络参数，在高精度（99.10%）和低计算资源（执行时间99秒）方面优于传统模型	仅使用了Eye Cataract Kaggle数据集进行验证，数据多样性不足，可能影响模型在实际临床环境中的泛化能力	提高白内障自动检测的准确性和运行效率，解决现有模型的计算复杂、特征冗余、精度不足等问题	眼底图像中的白内障感染图像	计算机视觉, 机器学习	白内障	NA	深度学习模型（CVNet）, 优化算法（Cha-PO）	图像（眼底图像）	Eye Cataract Kaggle数据集（具体数量未给出）	NA	CVNet（白内障视觉网络）	准确率, 精确率, 召回率, F1值	执行时间99秒，计算资源低于其他基线模型（具体GPU类型未给出）