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
7221	2026-06-29	Optimized U-net model for precise retinal blood vessel segmentation from colour fundus images 2026-Apr-13, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-48475-6 PMID:41974826	研究论文	介绍一种基于深度学习的改进U-Net模型，用于从彩色眼底图像中精确分割视网膜血管，以辅助早期眼病筛查和诊断	采用改进的U-Net架构结合先进图像处理技术，在DRIVE和CHASEDB1等基准数据集上实现高精度分割，优于现有方法	具体局限性未在摘要中明确说明	提升视网膜疾病（如糖尿病性视网膜病、青光眼、高血压性视网膜病）的早期筛查与诊断能力，为医生提供可靠的血管提取工具	彩色眼底图像中的视网膜血管	计算机视觉	视网膜疾病	卷积神经网络（CNN）	U-Net	图像	使用DRIVE和CHASEDB1数据库中的眼底图像（具体样本数未提及）	NA	改进型U-Net	准确性、效率	NA
7222	2026-06-29	Improving motor imagery decoding methods for an EEG-based mobile brain-computer interface in the context of the 2024 Cybathlon 2026-Apr-13, Journal of neuroengineering and rehabilitation IF:5.2Q1 DOI:10.1186/s12984-026-01969-w PMID:41975456	研究论文	开发一种基于脑电图（EEG）的移动脑机接口系统，用于改善运动想象解码方法，并在2024年Cybathlon竞赛中验证其实用性	提出模块化、在线、低成本的脑机接口系统，结合S4D深度学习层进行运动想象分类，并通过训练游戏和移动应用实现用户反馈，首次将实验室技术推向真实比赛场景	在Cybathlon比赛环境中受压力等因素影响，性能下降；与EEGEncoder相比，S4D模型训练更快但性能稍低	开发便携式脑机接口框架，弥合实验室与日常应用之间的差距，提高严重运动障碍（如四肢瘫痪）患者的可及性	四肢瘫痪患者和一名额外参与者	自然语言处理	四肢瘫痪	EEG	S4D（对角化结构化状态空间序列层）	EEG信号	两名参与者（一名原始飞行员和一名额外参与者）	NA	S4D层	分类准确率	低成本的硬件
7223	2026-06-29	Deep learning detection of retinitis pigmentosa inheritance forms through synthetic data expansion of a rare disease dataset 2026-Apr-11, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-47341-9 PMID:41965358	研究论文	提出一种基于Vision Transformer的深度学习模型，通过变分自编码器合成数据扩展，从彩色眼底照片中区分视网膜色素变性的常染色体与X连锁遗传形式	首次应用Vision Transformer模型于视网膜色素变性遗传模式分类，并创新性地引入变分自编码器数据扩展策略应对罕见病数据稀缺问题	研究仅聚焦于视网膜色素变性，未覆盖其他遗传性视网膜疾病；合成数据扩展方法的泛化能力及临床应用效果有待进一步验证	探索基于深度学习的表型分析方法，通过眼底图像自动推断遗传模式，补充现有基因检测方法	视网膜色素变性患者的彩色眼底照片及对应的遗传模式标签（常染色体与X连锁）	计算机视觉	视网膜色素变性	彩色眼底摄影	Vision Transformer	图像	NA	PyTorch	Vision Transformer, 变分自编码器	AUC	NA
7224	2026-06-29	GGAR: gradient guided adaptive regularization enhances deep learning classification of brassica species using codon usage bias 2026-Apr-11, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-026-06440-0 PMID:41965534	研究论文	探索基于密码子使用偏好分类四种芸薹属物种的深度学习模型，并验证新型梯度引导自适应正则化多层感知机模型的有效性	提出梯度引导自适应正则化（GGAR）多层感知机模型，在低学习率和中小批量下实现近完美分类性能，优于传统L1/L2正则化方法和CNN模型	GGAR训练时间较长（6.38–124.78分钟），计算效率低于Fixed L1模型，且仅在低学习率和小批量设置中优势显著	评估不同正则化方法对基于密码子使用频率的深度基因组分类模型性能的影响，并为生物信息学中的模型选择提供实用指导	四种芸薹属物种：芥菜、甘蓝型油菜、甘蓝和白菜的完整CDS基因组密码子使用频率模式	机器学习	NA	全基因组CDS密码子使用频率分析	MLP, 1D-CNN	基因组密码子使用频率数据	四个芸薹属物种的完整CDS基因组数据	NA	多层感知机（MLP）、一维卷积神经网络（1D-CNN）	准确率, 精确率, 召回率, F1分数, 马修斯相关系数	NA
7225	2026-06-29	Learning CT-to-electron-density mapping for radiotherapy treatment planning using neural networks 2026-Apr-11, Radiation oncology (London, England) DOI:10.1186/s13014-026-02838-5 PMID:41965816	研究论文	提出一种名为双路径Mamba网络（DPM-Net）的深度学习框架，从常规CT图像生成与能谱CT相当的电子密度图，用于精确放疗治疗计划	首次将基于Mamba的架构结合残差和密集连接路径用于CT到电子密度图的转换，有效捕获长程上下文依赖关系，并实现了与能谱CT高精度相当的结果	仅基于92例头颈癌患者的配对数据集进行验证，样本量相对较小，且未在多种解剖部位或不同CT扫描仪上进行广泛测试，可能影响模型的泛化性	开发一种无需昂贵能谱CT设备即可生成高精度电子密度图的深度学习模型，推动精确放疗计划的临床应用	92例头颈癌患者的常规CT图像及其对应的能谱CT电子密度图	计算机视觉	头颈癌	能谱CT	神经网络（双路径Mamba网络）	图像	92例头颈癌患者的配对常规CT和能谱CT图像	NA	双路径Mamba网络（DPM-Net）	平均绝对误差（MAE）、剂量分布偏差（<0.5%）	NA
7226	2026-06-29	Advancing cardiovascular screening: deep learning-based heart-sound classification using SMOTE and temporal modeling 2026-Apr-11, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-45276-9 PMID:41965773	research paper	提出一种结合SMOTE和时间建模的深度学习心音分类框架，用于提高心血管筛查的准确性	首次将基于峰值分割、MFCC特征提取、SMOTE类平衡和RNN时间建模整合为防泄露的心音分类框架，并采用不同层级的数据划分防止相关性偏差	未探讨模型在真实临床环境中的部署可行性及计算效率	开发一种鲁棒、可扩展的非侵入性心脏筛查方法，尤其适用于专科评估资源有限的场景	心音信号（PCG）中的心脏杂音自动分类	machine learning	cardiovascular disease	心音图记录	RNN	audio	PhysioNet 2016数据集和PhysioNet 2022数据集，具体样本量未提及	NA	RNN	accuracy, precision, recall, F1-score	NA
7227	2026-06-29	QuantumNeuroXAI: a quantum-inspired deep learning framework with explainability for brain signal analysis and neurological disorder detection 2026-Apr-10, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-47627-y PMID:41963527	研究论文	提出一种量子启发的深度学习框架，用于脑电图信号分析及神经疾病检测，并内置可解释性模块	将量子神经网络启发的结构化特征编码与深度时序卷积及注意力循环建模混合，并整合多级可解释性模块，在经典硬件上实现无需量子硬件的可解释AI	当前仅针对EEG信号验证，尚未扩展到多模态脑信号；对数据集偏移的鲁棒性分析虽有，但跨数据集泛化性仍需更广泛验证	开发一种兼具高准确率与临床可解释性的EEG神经疾病诊断模型	来自TUH EEG、CHB-MIT和BCI Competition IV-2a三个公开数据集的脑电图信号	机器学习	神经疾病	EEG	混合模型（时序卷积+注意力循环网络）	脑电图信号	三个公开数据集（TUH EEG、CHB-MIT、BCI Competition IV-2a）	PyTorch	时序卷积网络、注意力机制、量子神经网络启发编码模块	macro-F1	经典计算资源（具体GPU未说明，但强调无需量子硬件）
7228	2026-06-29	Prediction of chemoresistance in ovarian cancer based on deep learning with pathological images 2026-Apr-10, Functional & integrative genomics IF:3.9Q1 DOI:10.1007/s10142-026-01857-5 PMID:41961331	研究论文	基于病理图像和深度学习预测高级别浆液性卵巢癌的化疗耐药性	构建了一个完整的深度学习流程，从全切片图像中分类肿瘤与正常组织并预测化疗反应，结合多种机器学习模型进行特征选择，发现耐药评分与肿瘤微环境及淋巴细胞浸润的关联性	未明确说明，但可能包括样本量有限、外部验证不足以及模型在预测化疗反应上的AUC仅为0.662，性能有提升空间	探索基于病理图像的深度学习在预测卵巢癌化疗耐药性中的应用，并为预后和个体化治疗提供潜在生物标志物	高级别浆液性卵巢癌患者的全切片病理图像和临床数据	数字病理学	卵巢癌	H&E染色病理切片成像	卷积神经网络，Lasso，AdaBoost，朴素贝叶斯，XGBoost，随机森林	图像（病理全切片）及临床数据	来自癌症基因组图谱和机构数据库的数据集（具体数量未明示）	NA	CNN	AUC	NA
7229	2026-06-29	DecoderDTA: enhancing drug-target binding affinity prediction via decoding fidelity in multi-task learning 2026-Apr-10, Journal of computer-aided molecular design IF:3.0Q2 DOI:10.1007/s10822-026-00807-4 PMID:41963700	研究论文	提出DecoderDTA多任务框架，通过辅助序列重建任务增强药物-靶标结合亲和力预测	首次将解码保真度作为辅助任务引入DTA预测，通过重建SMILES字符串和氨基酸序列保留更丰富的结构和语义信息，且推理时不增加计算开销	联合优化两种重建任务并不总是优于单一解码器，揭示多任务框架中目标间复杂的相互作用，需进一步研究自适应任务权重等架构优化	提升药物-靶标结合亲和力预测的准确性	药物分子（以SMILES表示）和靶标蛋白质（以氨基酸序列表示）	机器学习	NA	NA	CNN、图神经网络	序列数据（SMILES字符串和氨基酸序列）	NA	PyTorch	DeepDTA（CNN）、GraphDTA（GNN）	均方误差（MSE）、一致性指数（CI）、[公式：r²m]	NA
7230	2026-06-29	Detection of pediatric cataracts through non-invasive facial photography using deep convolutional neural networks for early diagnosis 2026-Apr-10, BMC ophthalmology IF:1.7Q3 DOI:10.1186/s12886-026-04795-9 PMID:41963865	研究论文	基于深度卷积神经网络通过非侵入性面部照片检测婴幼儿白内障，用于早期诊断	首次利用非侵入性面部照片和深度学习模型检测婴幼儿白内障，无需专业设备或散瞳，在视觉发育关键期实现早期筛查	数据集相对较小，且为单中心研究，可能影响模型泛化性	开发基于深度学习的方法，利用婴幼儿非侵入性面部照片检测白内障，以促进关键视觉发育期的早期诊断	婴幼儿白内障患者和健康对照者的面部照片	计算机视觉	儿童白内障	数码单反相机闪光照明拍照	卷积神经网络	图像	32例白内障患者（47只眼）和93例健康对照（186只眼），共727张裁剪图像（149张白内障和578张对照）	NA	Inception V3	灵敏度、特异度、准确率、AUC、F1分数	NA
7231	2026-06-29	AI-driven integration of Framingham Heart Study data with machine learning, deep learning, and explainable AI for enhanced pharmaceutical marketing 2026-Apr-09, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-45770-0 PMID:41957161	研究论文	提出一个整合弗拉明汉心脏研究数据与机器学习、深度学习和可解释人工智能的框架，用于增强药物营销	将弗拉明汉心脏研究这一心血管研究的金标准纵向数据集与机器学习、深度学习和可解释人工智能技术相结合，以预测基于心血管风险因素的死亡或生存概率，并提升药物营销的精准度，同时使用SHAP和LIME等可解释人工智能方法使模型输出可解释	集成基础学习器（如XGBoost、随机森林和逻辑回归）在识别高风险病例方面存在准确率和召回率较低的限制	预测心血管风险因素相关的死亡或生存概率，并增强药物营销的精准度	弗拉明汉心脏研究数据集中的结构化数据，包括年龄、胆固醇水平、血压、吸烟状况和糖尿病发病率等风险因素	机器学习	心血管疾病	NA	支持向量机、随机森林、XGBoost、逻辑回归、前馈神经网络、多层感知机	结构化表格数据	弗拉明汉心脏研究队列样本	NA	支持向量机、随机森林、XGBoost、逻辑回归、前馈神经网络、多层感知机	准确率、精确率、召回率、F1分数、ROC AUC	NA
7232	2026-06-29	Predicting mild familial exudative vitreoretinopathy with autosomal dominant inheritance using deep learning 2026-Apr-09, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-48051-y PMID:41957171	研究论文	利用深度学习预测常染色体显性遗传的轻度家族性渗出性玻璃体视网膜病变	首次应用深度学习从彩色眼底图像中识别与AD-N/BC基因突变携带者相关的眼底特征，并在缺乏遗传变异确认的个体中实现表型精确分类	测试集灵敏度仅31.6%，可能受限于样本量小或轻度病例的特征模糊性；仅依赖外周荧光素血管造影定义金标准，未纳入其他基因型	探索深度学习能否从彩色眼底图像中识别AD-N/BC基因突变携带者及具有相似眼底特征的个体	来自101个家庭共305只眼的305张彩色眼底图像	计算机视觉、数字病理学	家族性渗出性玻璃体视网膜病变	NA	深度学习模型	图像（超广角彩色眼底图像）	305张图像（来自101个家庭，305只眼）	NA	NA	灵敏度、特异度、AUC	NA
7233	2026-06-29	Deep learning-based detection of the second mesiobuccal canal in maxillary first molars using cone-beam computed tomography 2026-Apr-09, BMC oral health IF:2.6Q1 DOI:10.1186/s12903-026-08207-8 PMID:41957600	研究论文	开发并验证一种基于深度学习的模型，用于在锥束CT图像上自动检测上颌第一磨牙的第二近颊根管，并评估其对初级牙医诊断性能的影响	首次提出结合改进VGG16网络定位和ConvNeXt-Transformer架构分类的两阶段深度学习框架用于检测MB2根管，并系统评估其对初级牙医诊断准确性和一致性的提升	为单中心研究，样本量和多样性有限，需要进一步多中心验证以确立泛化性和临床适用性	开发并验证用于自动检测MB2根管的深度学习模型	上颌第一磨牙的CBCT扫描图像	计算机视觉	牙科疾病	锥束CT	深度学习模型（CNN和Transformer混合架构）	图像	1022名患者的CBCT扫描，训练集1944个ROI，测试集100个ROI（50个MB2阳性，50个MB2阴性）	NA	改进VGG16, ConvNeXt-Transformer	敏感性, 特异性, 阳性预测值, 阴性预测值, F1分数, AUC	NA
7234	2026-06-29	Machine-learning methods for epilepsy diagnosis and therapeutic prevention: advances, setbacks, and opportunities 2026-Apr-09, Neurological sciences : official journal of the Italian Neurological Society and of the Italian Society of Clinical Neurophysiology IF:2.7Q3 DOI:10.1007/s10072-026-08996-4 PMID:41951834	综述	综述机器学习在癫痫诊断与治疗预防中的进展、挑战及未来机遇	全面总结了机器学习（尤其是CNN、RNN、SVM和集成方法）在EEG信号分析、神经影像定位、生物标志物识别、药物选择及可穿戴设备实时监测等方面的应用，并指出了数据异质性、模型可解释性和临床验证等关键挑战	数据异质性、模型可解释性不足以及临床验证缺乏	探讨机器学习如何提升癫痫诊断准确性、个性化治疗及癫痫发作预测，并推动临床转化	癫痫患者及其EEG信号、神经影像、生物标志物、可穿戴传感器数据	机器学习	癫痫	EEG信号分析、神经影像分析、生物标志物识别	CNN, RNN, SVM, 集成方法	EEG信号、神经影像、生物标志物数据、可穿戴传感器数据	NA	NA	CNN, RNN, SVM, 集成方法	NA	NA
7235	2026-06-29	Explainable hybrid machine learning model for predicting stunting and identifying key risk factors among Ethiopian children under five 2026-Apr-09, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-46417-w PMID:41957445	研究论文	开发了一种可解释的混合机器学习模型，用于预测埃塞俄比亚五岁以下儿童发育迟缓并识别关键风险因素	结合Extra Tree和Multilayer Perceptron两种顶级算法构建混合模型，利用后验可解释性方法（如LIME）揭示AI决策过程，超越传统黑箱模型	预测风险因素基于横截面数据的统计关联，不能解读为确定的因果驱动因素	开发高级可解释混合模型预测儿童发育迟缓，识别关键风险因素，为公共卫生政策设计建立信任	埃塞俄比亚五岁以下儿童的发育迟缓状态	机器学习	儿童发育迟缓	NA	混合模型（Extra Tree + Multilayer Perceptron）	结构化表格数据	11,121个实例，17个特征	NA	Extra Tree, Multilayer Perceptron	准确率	NA
7236	2026-06-29	Attention-based deep learning for analysis of pathology images and gene expression data in lung squamous premalignant lesions 2026-Apr-08, Genome medicine IF:10.4Q1 DOI:10.1186/s13073-026-01636-8 PMID:41952176	研究论文	提出基于Transformer的多模态框架，结合病理图像与基因表达数据，分析肺鳞状癌前病变	首次采用Transformer架构灵活融合全切片图像与基因表达数据，实现单模态或多模态训练与测试，提升模型在癌前病变风险分层中的灵活性和可扩展性	训练数据依赖已发表研究，可能引入批次效应；仅采用二分类标签，未充分利用组织学等级信息	开发多模态深度学习模型以区分支气管异型增生或更严重病变与正常/增生/化生病变	支气管癌前病变患者的气管镜活检全切片图像和基因表达数据	数字病理学, 自然语言处理	肺癌	RNA-seq, 全切片图像分析	Transformer	图像, 基因表达数据	来自4项已发表研究的支气管活检与刷检样本，具体数量未在摘要中明确	PyTorch	Transformer	AUROC	NA
7237	2026-06-29	Deep learning-based differential diagnosis of major depression and bipolar disorder using microglia-cellular sensors and patient-derived small extracellular vesicles 2026-Apr-07, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-47476-9 PMID:41946777	研究论文	提出一种基于深度学习和微胶质细胞生物传感器的诊断方法，利用患者来源的小细胞外囊泡诱导的细胞图像特征，区分重度抑郁症和双相情感障碍	首次将微胶质细胞生物传感器与深度学习结合，通过患者血浆小细胞外囊泡诱导的细胞形态变化实现抑郁症和双相情感障碍的鉴别诊断	样本量较小（仅45名受试者），需进一步在更大队列中验证	开发基于微胶质细胞图像和深度学习的抑郁症与双相情感障碍鉴别诊断方法	重度抑郁症（MDD）和双相情感障碍（BD）患者及健康对照（CTRL）受试者	数字病理学	抑郁症, 双相情感障碍	荧光显微镜	卷积神经网络（CNN）	图像	45名受试者（MDD、BD和CTRL组）	NA	DenseNet121	准确率	NA
7238	2026-06-29	AI-assisted diagnosis of neuro-ophthalmic disorders: a systematic review from optic neuritis to papilledema 2026-Apr-06, BMC ophthalmology IF:1.7Q3 DOI:10.1186/s12886-026-04772-2 PMID:41947081	综述	系统评价人工智能在神经眼科疾病（视神经炎和视乳头水肿）诊断中的应用现状、准确性和挑战	首次系统总结AI在神经眼科少数病种（视神经炎和视乳头水肿）中的诊断能力，并指出AI在鉴别诊断（如区分轻度假性视乳头水肿）中的局限性	研究仅纳入32项研究，多数为回顾性设计；关注病种较少，缺失急性视神经炎诊断模型；缺乏大规模多中心数据集和前瞻性验证	评估AI模型对视神经炎和视乳头水肿的诊断准确性，分类成像模态和深度学习技术，识别关键挑战和未来机遇	视神经炎和视乳头水肿	计算机视觉	视神经炎, 视乳头水肿	OCT, 眼底照相	深度学习模型	图像（OCT和眼底照片）	32项研究	NA	DL模型（未具体说明）	AUC	NA
7239	2026-06-29	Attention-Enhanced U-Net for Sensor-Efficient High-Density EEG Reconstruction in Wearable Brain Monitoring Systems 2026-Apr-06, Journal of medical systems IF:3.5Q2 DOI:10.1007/s10916-026-02374-5 PMID:41936725	研究论文	提出了一种基于注意力机制增强的轻量级U-Net架构VEEG-A-U-Net，用于从低通道密度脑电图信号重建高通道密度脑电图信号，实现便携式脑监测系统	结合球面样条插值与可学习校正信号自适应建模时空特征，采用注意力门控和残差学习实现轻量化设计，在减少参数量的同时保持高性能重建	仅基于SEED数据集进行验证，跨数据集实验虽评估但临床评估为初步探索，重建精度和泛化能力仍有提升空间	开发传感器高效的高密度脑电图重建方法，降低脑监测系统的硬件成本和空间复杂度，实现便携式应用	脑电图信号（高密度与低密度）	机器学习	NA	脑电图（EEG）	U-Net	脑电图信号	SEED数据集（具体样本数未提及）	PyTorch	注意力增强U-Net（VEEG-A-U-Net）	归一化均方误差（NMSE）、信噪比（SNR）、皮尔逊相关系数（PCC）	NA
7240	2026-06-29	CNN4Essential: a convolutional neural network model for predicting bacterial gene essentiality based on multi-feature fusion 2026-Apr-06, BMC genomics IF:3.5Q2 DOI:10.1186/s12864-026-12819-3 PMID:41942844	研究论文	提出基于多特征融合的卷积神经网络模型CNN4Essential，用于预测细菌必需基因	创新性地融合序列数据、基因注释、蛋白质-蛋白质相互作用网络和亚细胞定位信息等多种生物特征，结合随机森林特征重要性和截断奇异值分解降维，构建CNN模型提升预测准确性	跨物种预测性能低于种内预测，且依赖多种生物特征的获取与整合	提高细菌必需基因预测的准确性，为抗生素靶点发现提供支持	22种原核生物物种的必需基因	机器学习	NA	NA	卷积神经网络	序列数据、基因注释、蛋白质-蛋白质相互作用网络、亚细胞定位信息	22种原核生物物种	NA	CNN	AUC	NA