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
6941	2026-03-16	Multivariate feature analysis of early-stage laryngeal cancer serum components using surface-enhanced Raman spectroscopy 2026-Jun-05, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2026.127625 PMID:41740394	研究论文	本研究系统探讨了表面增强拉曼光谱结合深度学习模型在早期喉癌血清筛查中的临床应用价值	首次将融合注意力机制的一维卷积神经网络应用于早期喉癌血清SERS光谱分析，并证实其优于传统机器学习模型	样本量相对有限，仅包含早期喉癌、声带息肉和健康对照三组，且为单中心研究	开发一种高效、准确的早期喉癌筛查方法	早期喉癌患者、声带息肉患者和健康对照者的血清样本	机器学习	喉癌	表面增强拉曼光谱	CNN	光谱数据	三组血清样本（早期喉癌、声带息肉、健康对照），具体数量未明确说明	NA	1D-CNN, CNN-attention, CNN-baseline	准确率	NA
6942	2026-03-16	Three-dimensional fluorescence spectroscopy recognition and component analysis based on machine learning 2026-Jun-05, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2026.127633 PMID:41759433	研究论文	本研究提出了一种结合机器学习与三维荧光光谱的有效方法，用于实现样品污染检测与成分分析	提出了一种名为SE-UNet的改进U型网络架构，利用PARAFAC导出的光谱轮廓作为参考目标来训练模型，在复杂混合物场景下表现出比传统方法更稳定的性能和更强的泛化能力	研究在模拟污染环境中进行数据采集，实际环境复杂性可能影响模型性能；未明确说明模型在极端污染浓度下的表现	开发基于机器学习的三维荧光光谱识别与成分分析方法，提高污染检测的准确性和可靠性	荧光物质及其在污染环境中的识别与成分分析	机器学习	NA	三维激发-发射矩阵荧光光谱技术	KNN, RF, CNN, U-Net	光谱数据	NA	NA	CNN, VGG, U-Net, SE-UNet	RMSE, NRMSE, 余弦相似度, WMAE	NA
6943	2026-03-16	Flow rate determination in a two-phase system using radioactive particle tracking and deep learning 2026-May, Applied radiation and isotopes : including data, instrumentation and methods for use in agriculture, industry and medicine IF:1.6Q3 DOI:10.1016/j.apradiso.2026.112520 PMID:41723967	研究论文	本研究提出了一种结合放射性粒子追踪技术和深度学习的方法，用于预测两相系统中的流体体积分数并计算表观速度，以实现非侵入式的流量测定	提出了一种基于放射性粒子追踪和深度学习的非侵入式流量测定方法，避免了传统流量计需要直接接触流体和定期维护的问题	研究基于模拟数据（MCNP6蒙特卡洛模拟），未在真实工业环境中进行验证；仅针对分层盐水-油流态进行了测试	开发一种非侵入式方法，用于准确测定石油工业中两相管道系统的流量	两相系统（盐水-油）中的流体流动	机器学习	NA	放射性粒子追踪技术，蒙特卡洛模拟（MCNP6）	深度神经网络	模拟辐射信号数据	NA	NA	NA	平均绝对百分比误差（MAPE）	NA
6944	2026-03-16	CXCL9 as a key feature for deep learning-based immune subtyping and prediction of immune checkpoint blockade response in triple-negative breast cancer 2026-Apr-15, International immunopharmacology IF:4.8Q1 DOI:10.1016/j.intimp.2026.116439 PMID:41759266	研究论文	本研究通过整合多组学数据，利用深度学习驱动的无监督聚类方法识别三阴性乳腺癌的免疫亚型，并发现CXCL9作为关键生物标志物与免疫检查点阻断反应正相关，受IDO1调控	开发了一种基于深度学习的无监督聚类方法（AE-K-means）对三阴性乳腺癌进行免疫亚型分类，并首次将CXCL9识别为与免疫检查点阻断反应相关的关键特征，揭示了IDO1可能通过调控CXCL9影响肿瘤微环境	研究主要基于公共数据集（GEO、TCGA、GTEx），样本可能缺乏多样性；体外实验初步验证了调控机制，但需进一步体内实验确认；深度学习模型的泛化能力有待更多独立队列验证	开发一种新的免疫分类系统，以更准确地预测三阴性乳腺癌患者对免疫检查点阻断疗法的反应，并探索相关的生物标志物和调控机制	三阴性乳腺癌患者的多组学数据（包括基因表达、单细胞测序数据）以及体外培养的巨噬细胞	机器学习	乳腺癌	多组学数据整合、单细胞RNA测序（scRNA-seq）、qRT-PCR、Western blotting、免疫荧光、ELISA	深度学习无监督聚类（AE-K-means）、随机森林（RF）、其他机器学习算法	基因表达数据、单细胞测序数据、实验数据	来自GEO、TCGA和GTEx数据集的多个三阴性乳腺癌样本，具体数量未明确说明，但涉及训练、测试和验证集	未明确指定，但可能涉及TensorFlow或PyTorch（用于深度学习聚类）及Scikit-learn（用于机器学习算法）	自编码器（AE）与K-means结合的聚类架构，其他模型包括NMF、ConsensusClusterPlus、VAE-GMM	轮廓系数（Silhouette Coefficient）、戴维斯-布尔丁指数（Davies-Bouldin Index）、AUC（曲线下面积）	未明确说明，但可能使用GPU进行深度学习模型训练
6945	2026-03-16	Beyond whole-image learning: anatomically partitioned deep learning models for superior sinonasal disease classification 2026-Mar-15, European radiology IF:4.7Q1 DOI:10.1007/s00330-026-12436-4 PMID:41832258	研究论文	本研究提出了一种基于解剖分区的深度学习模型，用于提升鼻窦疾病的CT诊断准确性	通过解剖分区策略替代全图像学习，针对鼻窦解剖异质性设计疾病特异性网络，显著提高了诊断性能	研究为回顾性设计，样本量有限（150例手动分割），且仅针对特定解剖区域	提升基于CT的鼻窦疾病分类诊断准确性	鼻窦CT图像中的13个解剖区域（包括双侧鼻腔、上颌窦、筛窦等）	数字病理学	鼻窦疾病	CT成像	深度学习	医学图像（CT）	2947例CT检查（其中150例用于手动分割）	nnU-Net v2	nnU-Net	敏感性, 特异性, AUC, Dice系数	NA
6946	2026-03-16	Integrative Approaches in Lung Cancer Diagnosis: Bridging Molecular Biomarkers and AI Driven Imaging 2026-Mar-14, Biomarkers : biochemical indicators of exposure, response, and susceptibility to chemicals IF:2.0Q4 DOI:10.1080/1354750X.2026.2644329 PMID:41830914	综述	本文综述了分子生物标志物与人工智能驱动的影像学在肺癌诊断中的整合方法	分析了将分子生物标志物（如EGFR、ALK、KRAS等）与人工智能（特别是机器学习和深度学习）驱动的影像学（如低剂量CT扫描的影像组学和模式识别）进行整合的潜力，以实现更快、更精确、更具个性化的肺癌诊断	面临数据标准化、模型可解释性、临床验证和伦理问题等诸多挑战	探讨肺癌诊断领域如何整合分子生物学和计算技术的最新进展	肺癌	数字病理学	肺癌	液体活检、循环肿瘤DNA、下一代测序、多组学方法（基因组学、转录组学、蛋白质组学）	机器学习, 深度学习	图像, 分子数据	NA	NA	NA	NA	NA
6947	2026-03-16	Decoding soil properties from surface cracks using Minkowski functionals, junction crack angle distributions, and AI-based image analysis 2026-Mar-14, The European physical journal. E, Soft matter DOI:10.1140/epje/s10189-026-00567-x PMID:41830988	研究论文	本研究通过Minkowski泛函、裂缝交汇角分布和基于AI的图像分析，解码土壤表面裂缝以识别土壤类型和亚型	结合形态学描述符（如Minkowski泛函和裂缝交汇角分布）与卷积神经网络，实现对土壤类型的精确分类，准确率达100%	NA	通过分析干燥裂缝模式，准确识别土壤类型和亚型，应用于农业土壤评估、行星地形研究等领域	不同土壤类型及其亚类（如洪水左岸和非洪水右岸的土壤）	计算机视觉	NA	图像分析	CNN	图像	NA	NA	NA	准确率	NA
6948	2026-03-16	Super-resolution deep learning reconstruction enhances visualization of cerebral aneurysms on magnetic resonance angiography 2026-Mar-14, Neuroradiology IF:2.4Q2 DOI:10.1007/s00234-026-03965-2 PMID:41831007	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
6949	2026-03-16	A multimodal feature disentanglement model for lymphadenopathy diagnosis based on BUS and CDFI ultrasound videos: a retrospective, prospective, multicenter study 2026-Mar-14, European radiology IF:4.7Q1 DOI:10.1007/s00330-026-12409-7 PMID:41831029	研究论文	本研究开发并验证了一种基于B超和彩色多普勒血流成像视频的多模态深度学习模型，用于淋巴结病变的诊断	提出了一种多模态特征解耦模型，整合了B超和彩色多普勒血流成像视频以及患者临床信息，以提高淋巴结病变的诊断准确性	NA	开发并验证一个深度学习模型，用于基于多模态超声视频诊断淋巴结病变	淋巴结病变患者	计算机视觉	淋巴结病变	B超, 彩色多普勒血流成像	深度学习模型	视频	7371名患者，共提取147,420个关键帧	NA	多模态特征解耦模型	AUC, 准确率, 灵敏度, 特异度, 精确度	NA
6950	2026-03-16	MyoClass: A modular multimodal auto-classification system for myocardial tissue characterization 2026-Mar-14, The international journal of cardiovascular imaging DOI:10.1007/s10554-026-03684-y PMID:41831142	研究论文	提出了一种名为MyoClass的深度学习框架，用于整合多模态心脏磁共振成像数据和患者元数据，实现心肌组织的自动分类	开发了一个模块化的多模态自动分类系统，首次整合了多种CMR序列、左心室形态描述符、T1定量映射和患者元数据，无需手动分割即可实现准确分类	研究样本量相对较小（150名患者），需要在更大规模的多中心数据集中进一步验证	开发一个自动化系统，用于区分健康心肌、心肌炎和心肌梗死	心肌组织	数字病理学	心血管疾病	心脏磁共振成像	MLP	图像, 元数据	150名患者（每类50名）	NA	多层感知机	准确率	NA
6951	2026-03-16	Development and Validation of a Deep Learning System for Echocardiographic Assessment of 16-Segment LV Wall Thickness 2026-Mar-13, Ultrasound in medicine & biology DOI:10.1016/j.ultrasmedbio.2026.01.014 PMID:41832107	研究论文	本研究开发并验证了一种基于深度学习的系统，用于自动测量16段左心室壁厚度，通过超声心动图评估左心室肥厚的病理进展	首次提出基于深度学习的自动测量16段左心室壁厚度的方法，并在体内和体外数据集中进行验证，减少了传统方法的时间消耗和变异性	研究样本量相对有限（197名患者），且未在更广泛或多样化的临床人群中验证，可能影响泛化能力	开发并验证一种自动测量16段左心室壁厚度的深度学习系统，以改善左心室肥厚的诊断和治疗评估	超声心动图图像，包括正常壁厚度和增厚壁厚度的患者队列	计算机视觉	心血管疾病	超声心动图	深度学习算法	图像	92,984张超声心动图（正常壁厚度队列），26,523张超声心动图（增厚壁厚度数据集），2,238张超声心动图（体外数据集），总计197名患者	NA	NA	Dice相似系数，Hausdorff距离，平均绝对误差	NA
6952	2026-03-16	Deep learning techniques for crop classification in complex agricultural landscapes 2026-Mar-12, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-37806-2 PMID:41820421	研究论文	本文提出了一种结合植被指数和注意力机制的深度学习方法，用于复杂农业景观中的作物分类	引入了Tanh激活的自注意力机制，在作物分类中取得了最高准确率（88.89%），优于乘法注意力、软注意力和全局注意力	NA	提高复杂农业景观中作物分类的准确性	遥感数据中的作物类型	计算机视觉	NA	遥感技术、植被指数分析	深度学习模型	时间序列遥感数据、频率信息数据	NA	NA	自注意力机制、乘法注意力、软注意力、全局注意力	准确率	NA
6953	2026-03-16	Enhanced pneumonia prognosis via a hybrid deep learning ensemble: Dense Net, Efficient Net, and VGG16 integration 2026-Mar-12, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2026.109009 PMID:41830760	研究论文	本研究提出了一种集成DenseNet、EfficientNet和VGG16的深度学习框架，用于增强肺炎的预后诊断	提出了一种结合深度CNN和InceptionV3的混合特征提取方法，并应用贝叶斯优化与粒子群优化的混合策略进行超参数调优	NA	开发一个稳健、临床可行且高度可靠的早期准确肺炎诊断解决方案	肺炎	计算机视觉	肺炎	深度学习	CNN	图像	NA	NA	DenseNet, EfficientNet, VGG16, InceptionV3	准确率, 灵敏度, 特异性	NA
6954	2026-03-16	AI in the Prediction of Hepatic Fibrosis Progression Using Non-Coding RNAs 2026-Mar-12, Clinica chimica acta; international journal of clinical chemistry DOI:10.1016/j.cca.2026.120973 PMID:41831666	综述	本文综述了人工智能在利用非编码RNA预测肝纤维化进展中的应用，包括最新发现、挑战与未来机遇	整合人工智能与多组学数据及非编码RNA互作网络，提升肝纤维化进展预测的精确性和非侵入性诊断工具	数据标准化和临床验证的必要性尚未完全解决，存在潜在挑战	探讨人工智能在肝纤维化中识别非编码RNA生物标志物、预测疾病分期和风险分层的作用	肝纤维化及其进展至肝硬化和肝细胞癌的过程	机器学习	肝纤维化	转录组数据分析	NA	转录组数据	NA	NA	NA	NA	NA
6955	2026-03-16	Evolutionary-Based Deep Learning Network Model using Adaptive Mixing Differential Evolution and Application in Acute Pulmonary Embolism 2026-Mar-12, Journal of advanced research IF:11.4Q1 DOI:10.1016/j.jare.2026.03.009 PMID:41831678	研究论文	本文提出了一种基于进化计算的深度学习网络模型EDLAlexNet，用于急性肺栓塞的预测和分析	提出了一种结合Q学习和对立学习的自适应混合差分进化算法MIXDE，并将其集成到AlexNet模型中，用于急性肺栓塞的预测	NA	开发一种高效、准确的工具，用于急性肺栓塞的预测和分析，以克服现有评估方法的复杂性、耗时性和侵入性等局限	中低风险和高风险的急性肺栓塞患者	机器学习	急性肺栓塞	NA	CNN	血液生化指标、生命体征、临床参数和临床特征	NA	NA	AlexNet	准确率, 特异性, 敏感性, AUC	NA
6956	2026-03-16	Molecular Design with Artificial Intelligence: Progress and Perspectives for Small Molecules 2026-Mar-11, Chemical reviews IF:51.4Q1 DOI:10.1021/acs.chemrev.5c00689 PMID:41764645	综述	本文回顾了人工智能在分子设计领域的发展路径，并探讨了AI对化学的实际影响	整合了生成式人工智能（如变分自编码器、大语言模型和扩散模型）于化学分子设计，推动了该领域的爆炸性发展	讨论了AI生成分子合成相关的可能性和问题，但未具体说明技术或应用限制	探讨人工智能在化学分子设计中的进展与前景	小分子	机器学习	NA	NA	变分自编码器, 大语言模型, 扩散模型	NA	NA	NA	NA	NA	NA
6957	2026-03-16	Deep Learning Assisted Proton Pure Shift NMR Spectroscopy 2026-Mar-11, Journal of the American Chemical Society IF:14.4Q1 DOI:10.1021/jacs.5c22860 PMID:41770844	研究论文	本文提出了一种基于深度学习的质子纯位移核磁共振光谱方法，用于将自旋回波调制的氢核磁共振光谱转换为高灵敏度、高分辨率的单峰光谱	利用深度学习将复杂重叠的多重峰模式转换为虚拟同核去耦纯位移光谱，并预测转换不确定性以实现定量分析	未明确说明方法在特定低灵敏度样品或可交换质子系统中的具体应用限制	开发一种深度学习辅助的核磁共振光谱分析技术，以改善复杂有机化合物光谱的解析能力	复杂有机化合物，包括天然产物和药物类有机分子	机器学习	NA	核磁共振光谱学，质子纯位移光谱	深度学习	核磁共振光谱数据	NA	NA	NA	NA	NA
6958	2026-03-16	Untangling biological complexity: A deep learning approach to separating multiple signals in single-cell data 2026-Mar-11, Cell genomics IF:11.1Q1 DOI:10.1016/j.xgen.2026.101188 PMID:41819074	研究论文	本文介绍了一种名为CellUntangler的深度学习模型，用于从单细胞RNA测序数据中捕获和过滤多个生物信号	开发了基于深度学习的CellUntangler模型，能够有效分离单细胞数据中的多个生物信号	NA	从单细胞RNA测序数据中分离多个生物信号	单细胞RNA测序数据	机器学习	NA	单细胞RNA测序	深度学习	基因表达数据	NA	NA	NA	NA	NA
6959	2026-03-16	Bridging Population Patterns and Individual Prediction: Framework for Prospective Multimorbidity Study 2026-Mar-10, JMIR medical informatics IF:3.1Q2 DOI:10.2196/84261 PMID:41806366	研究论文	本研究提出了一种创新的框架，将人群层面的共病模式识别与个体层面的预测建模相结合，用于前瞻性预测个体未来的共病模式	提出了一种新颖的深度学习模型CLA-Net，它结合了GRU和Transformer架构的优势，并引入了双时间定向交叉注意力机制，以同时捕捉时间依赖性和复杂的特征交互	未明确说明研究数据的来源、时间跨度或潜在的样本偏差，也未讨论模型在外部验证或不同人群中的泛化能力	将共病研究从描述性分析推进到前瞻性的共病模式预测，以支持个性化的预防和管理	纵向健康随访数据中的个体	机器学习	共病	潜在转变分析，深度学习	GRU, Transformer	纵向健康随访数据	NA	NA	CLA-Net	准确率, 精确率, 召回率, F1分数, AUC	NA
6960	2026-03-16	Computer-aided diagnosis of papillary thyroid carcinoma based on deep learning technology 2026-Mar-10, Critical reviews in oncology/hematology DOI:10.1016/j.critrevonc.2026.105235 PMID:41819301	综述	本文系统评估了深度学习技术在甲状腺乳头状癌（PTC）诊断中的应用，包括影像学和病理学分析，并探讨了未来发展方向	系统性地综述了深度学习在PTC诊断中的多模态应用（超声、CT、MRI、H&E染色病理切片），并前瞻性地提出了结合影像组学与分子生物标志物的混合模型以及可解释AI框架的发展方向	存在数据集异质性、模型可解释性限制以及影像标准化挑战等局限性	评估深度学习技术在甲状腺乳头状癌（PTC）诊断中的应用现状与未来方向，以优化临床决策	甲状腺乳头状癌（PTC）的影像学（超声、CT、MRI）和病理学（H&E染色切片）数据	数字病理学	甲状腺癌	深度学习，影像组学分析	深度学习模型	图像（超声、CT、MRI影像，H&E染色病理切片）	NA	NA	NA	准确性	NA