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
781	2026-03-24	TAPSeg: An Open-Source Deep Learning Tool for Instance-Level Tooth and Pulp Segmentation in CBCT 2026-Mar-20, Journal of dentistry IF:4.8Q1 DOI:10.1016/j.jdent.2026.106643 PMID:41865812	研究论文	开发了一个基于深度学习的开源一键式CBCT自动分割工具，用于在3D Slicer软件中实现牙齿和牙髓的集成分割与重建	提出了一种结合V-Net和nnU-Net的三阶段协作框架，实现牙齿和牙髓的实例级分割，并作为3D Slicer插件提供一键操作	NA	开发并验证一个通用性强、临床可用的CBCT图像中牙齿和牙髓的自动分割工具	CBCT扫描图像中的牙齿和牙髓	数字病理学	NA	CBCT成像	CNN	3D医学图像	牙齿分割n=198，牙髓分割n=148	PyTorch	V-Net, nnU-Net	Dice相似系数, 95% Hausdorff距离, 敏感度, 精确度	NA
782	2026-03-24	Development and validation of a CT-based deep learning radiomics model for differentiating parathyroid adenoma from atypical parathyroid tumor/parathyroid carcinoma 2026-Mar-19, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2026.112808 PMID:41865473	研究论文	本研究开发并验证了一种基于CT的深度学习放射组学模型，用于术前区分甲状旁腺腺瘤与非典型甲状旁腺肿瘤/甲状旁腺癌	结合了深度学习特征、放射组学特征和临床变量（如血清PTH水平）构建联合模型，以提升诊断性能	回顾性研究设计，样本量有限（共358例），且仅基于单中心数据，可能存在选择偏倚	开发一种术前准确区分甲状旁腺腺瘤与非典型甲状旁腺肿瘤/甲状旁腺癌的模型，以支持个体化治疗决策	经病理证实的甲状旁腺肿瘤患者（包括甲状旁腺腺瘤、非典型甲状旁腺肿瘤和甲状旁腺癌）	数字病理学	甲状旁腺肿瘤	CT成像	KNN, Extra Trees, Random Forest	CT图像	358例患者数据集（训练集250例，测试集108例）	NA	NA	AUC, 准确率, 敏感度, 特异度	NA
783	2026-03-24	Structuring large language models for chemical health risk reasoning in environmental and occupational exposure 2026-Mar-19, Journal of hazardous materials IF:12.2Q1 DOI:10.1016/j.jhazmat.2026.141820 PMID:41865571	研究论文	本文提出了一种集成深度学习、检索增强生成和提示工程的健康风险助手框架，用于改善大语言模型在环境健康领域的化学风险推理能力	通过语义结构化和领域感知提示两种协同策略，将异构知识重组为上下文一致且语义丰富的配置文件，并引导大语言模型进行与毒理学目标对齐的结构化推理	未明确说明模型在更广泛或未见过化合物上的泛化能力，以及计算资源需求的具体细节	开发一个可信且可扩展的AI推理框架，用于环境与职业暴露中的化学健康风险评估，以支持公共和环境健康保护	化学化合物，特别是稀有或研究不足的化合物，涉及多样化的职业和日常暴露场景	自然语言处理	NA	深度学习，检索增强生成，提示工程	大语言模型	文本，化学属性数据	基于一个包含100个问题的基准进行评估，涵盖慢性毒性、职业危害和暴露特定风险	NA	NA	正确性，忠实性，领域特定帮助性	NA
784	2026-03-24	Deep learning-based early screening for porcine embryos with different developmental potential 2026-Mar-19, Theriogenology IF:2.4Q1 DOI:10.1016/j.theriogenology.2026.117900 PMID:41865699	研究论文	本文开发了一种基于深度学习的早期猪胚胎发育潜力筛查方法，通过建立胚胎液滴培养系统并利用MaxViT_T模型预测胚胎发育成囊胚的概率	首次结合胚胎液滴培养系统与深度学习模型（MaxViT_T）对猪早期胚胎发育潜力进行高精度预测，尤其在4细胞阶段达到峰值性能	研究仅基于孤雌激活（PA）胚胎的亮场图像，未涉及其他胚胎类型或更复杂的培养条件	提高猪人工繁殖技术（ART）效率，通过早期筛查筛选出高发育潜力的胚胎	猪孤雌激活（PA）胚胎，从1细胞期到囊胚期	计算机视觉	NA	胚胎液滴培养系统，亮场显微镜成像	深度学习	图像	10,041张猪孤雌激活胚胎的亮场图像	NA	MaxViT_T	预测性能（具体指标未明确说明）	NA
785	2026-03-24	Hard-Soft Acid-Base Principle Drives Rational Synthesis of Super-Dense Rare-Earth-Based Diatomic Sites 2026-Mar-18, Journal of the American Chemical Society IF:14.4Q1 DOI:10.1021/jacs.5c21164 PMID:41847911	研究论文	本文提出了一种基于硬软酸碱原理的通用合成策略，成功制备了14种具有超高金属负载量的稀土基双原子催化剂，并通过深度学习辅助识别方法明确了其异质双原子构型	利用硬软酸碱原理指导合成，实现了稀土基双原子催化剂的超高负载量（12.8-30.7 wt%）和明确构型识别，突破了传统双原子催化剂负载量低、构型不明确的限制	NA	开发一种通用设计原则，用于理性合成高负载双原子催化剂，以提升电催化硝酸盐还原性能	稀土基双原子催化剂	机器学习	NA	深度学习辅助双原子识别方法	深度学习模型	NA	14种稀土基双原子催化剂	NA	NA	氨产率	NA
786	2026-03-24	Gene Ontology graph embeddings with Dynamic Thresholding based Deep Neural Networks for Multi-label protein subcellular localization prediction 2026-Mar-18, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2026.109022 PMID:41865632	研究论文	提出一种结合基因本体图嵌入和动态阈值深度神经网络的两步法，用于多标签蛋白质亚细胞定位预测	首次将基因本体图节点嵌入与动态阈值深度神经网络结合，实现多标签预测，克服了固定阈值仅能单标签预测的限制	NA	提高蛋白质亚细胞定位预测的效率和准确性	蛋白质	机器学习	NA	基因本体图嵌入	深度神经网络	图数据	两个基准数据集：DeepLoc 2.0 和 Plant-mSubP	NA	深度神经网络	总体实际准确率, 宽松准确率	NA
787	2026-03-24	EviCYP: In Silico Prediction of Cytochrome P450 Substrates Based on Vector Quantization and Evidential Deep Learning 2026-Mar-17, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.6c00074 PMID:41843769	研究论文	本文提出了一种名为EviCYP的新型预测框架，用于准确识别细胞色素P450（CYP）底物，该框架结合了证据深度学习和向量量化技术	通过整合证据深度学习和向量量化，首次在CYP底物预测中实现了不确定性量化，并构建了一个高质量、多模态的数据集	未明确提及模型在外部独立数据集上的验证结果或计算资源需求的具体细节	开发一个可靠且可信任的计算工具，用于药物发现和安全评估中的CYP底物预测	细胞色素P450（CYP）酶及其底物和非底物分子	机器学习	NA	证据深度学习，向量量化	深度学习	多模态分子表示，酶序列	10996个样本，包括4388个底物、2880个非底物和3728个伪阴性样本，涵盖9种主要CYP亚型	NA	证据深度学习层，向量量化编码器	AUROC	NA
788	2026-03-24	BlotDx: A deep learning tool for Western blot-based diagnostics 2026-Mar-17, Journal of virological methods IF:2.2Q3 DOI:10.1016/j.jviromet.2026.115385 PMID:41856415	研究论文	本研究开发了一个名为BlotDx的深度学习工具，用于辅助解释Western blot图像，以提高单纯疱疹病毒（HSV-1/HSV-2）血清学诊断的效率和一致性	提出了一个两阶段深度学习方法，结合实例分割/目标检测与分类模型，用于自动化Western blot图像解释，减少了人工解读的时间和变异性	研究主要针对HSV Western blot，未涉及其他疾病或更广泛的Western blot应用；且排除了不确定结果，可能影响实际临床场景的适用性	开发一个深度学习工具，以自动化Western blot图像的解读，提高单纯疱疹病毒血清学诊断的效率和一致性	单纯疱疹病毒（HSV-1和HSV-2）的Western blot图像	计算机视觉	单纯疱疹病毒感染	Western blot	实例分割, 目标检测, 分类模型	图像	主要数据集包含926个斑点对（2016-2017年采集，2018年拍摄），机构验证数据集包含185个斑点对（2019-2024年采集，2025年拍摄）	NA	NA	诊断准确率, 置信区间	NA
789	2026-03-24	Uncertainty Exploration of Deep Learning Enabled Fast Multidimensional NMR Spectroscopy of Proteins 2026-Mar-17, Analytical chemistry IF:6.7Q1 DOI:10.1021/acs.analchem.5c07201 PMID:41844363	研究论文	本研究通过集成不确定性量化框架，为蛋白质多维NMR光谱的深度学习重建提供无参考的质量评估基准，以提升预测可靠性	首次在生物NMR光谱的深度学习重建中建立无参考的质量评估基准，并比较了三种不确定性量化框架（Deep Ensemble、MC Dropout、Evidential Deep Learning）的性能	未明确说明模型在更广泛生物样本或噪声环境下的泛化能力，且计算资源需求可能较高	提升深度学习在加速多维NMR光谱重建中的可靠性，防止过度自信预测和错误生物解释	蛋白质的2D和3D NMR光谱	机器学习	NA	多维NMR光谱	深度学习重建模型	光谱数据	NA	NA	NA	重建准确性、不确定性图与重建残差的一致性、实时估计效率	NA
790	2026-03-24	zERExtractor: An Automated Platform for Enzyme-Catalyzed Reaction Data Extraction from Scientific Literature 2026-Mar-17, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.6c00090 PMID:41844379	研究论文	本文介绍了一个名为zERExtractor的自动化平台，用于从科学文献中提取酶催化反应数据	开发了一个面向准确性且可扩展的多模态信息提取平台，结合了微调的大型语言模型、深度学习以及人类在环的流程，并通过专家数据保真度验证和主动学习实现持续进化	未明确说明平台在处理非结构化文献时的具体限制或错误率	解决酶反应文献快速扩张导致的数据库管理瓶颈，为DL驱动的酶活性预测模型提供结构化数据	科学出版物中的酶催化反应数据	自然语言处理	NA	NA	大型语言模型, 深度学习模型	文本, 表格, 分子反应图	NA	NA	NA	准确率	NA
791	2026-03-24	Domain-Level Classification of Archaea and Bacteria Using AI-Assisted Single-Cell Raman Spectroscopy 2026-Mar-17, ACS omega IF:3.7Q2 DOI:10.1021/acsomega.6c00460 PMID:41867523	研究论文	本研究提出了一种结合拉曼光谱和机器学习的方法，用于在单细胞水平上区分古菌和细菌	开发了一种基于拉曼光谱和LightGBM算法的文化独立方法，用于古菌和细菌的域级分类，无需培养且适用于低丰度微生物	数据集中仅包含22个原核物种（11个古菌和11个细菌），样本规模相对较小，可能限制了模型的泛化能力	开发一种无需培养的方法，以区分古菌和细菌，并促进对复杂微生物群落中古菌的研究	古菌和细菌的单细胞	机器学习	NA	拉曼光谱	LightGBM, CNN	光谱数据	22个原核物种（11个古菌和11个细菌）	LightGBM, 可能包括TensorFlow或PyTorch（用于CNN）	LightGBM（树基模型）, CNN（具体架构未指定）	准确率, 灵敏度	NA
792	2026-03-24	Letter to the Editor concerning "External validation of SpineNetv2 deep learning system for automated lumbar spine MRI analysis: A multi-pathology diagnostic agreement study" by Wu et al. (Eur spine J [2025]; https://doi.org/10.1007/s00586-025-09543-z) 2026-Mar-15, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2026.112802 PMID:41865474	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
793	2026-03-24	Identification of novel biomarkers for Alzheimer's disease: A deep learning omics-based approach to drug pair discovery and exploration of potential therapeutic targets 2026-Mar-14, Neural regeneration research IF:5.9Q1 DOI:10.4103/NRR.NRR-D-25-00989 PMID:41837520	研究论文	本研究采用深度学习与组学方法，探索了阿尔茨海默病的新型生物标志物、潜在治疗靶点及药物组合发现	提出了一个基于组学的智能药物发现框架，用于快速筛选和优化化合物药物对，并将免疫失调确立为疾病早期的核心协同驱动因素，特别是揭示了CD8+ T细胞和Fcγ受体3A在疾病病理生理学中的关键作用	因果关系主要基于孟德尔随机化分析，仍需进一步的实验验证；药物发现框架的有效性需要在临床前和临床研究中进一步评估	探究免疫细胞、血浆蛋白与阿尔茨海默病之间的因果关系，并发现针对血浆蛋白的有效药物组合疗法	阿尔茨海默病患者、轻度认知障碍个体、认知正常参与者、5×FAD小鼠模型、免疫细胞（特别是CD8+ T细胞）、血浆蛋白（特别是Fcγ受体3A）	机器学习	阿尔茨海默病	两样本孟德尔随机化、数据挖掘、分子对接分析、生物信息学分析	神经网络	组学数据、队列数据、药物数据库数据	大型阿尔茨海默病队列、阿尔茨海默病神经影像学倡议数据库、药物数据库	NA	生物因子调控的神经网络	NA	NA
794	2026-03-24	Beyond benchmarks of IUGC: Rethinking requirements of deep learning method for intrapartum ultrasound biometry from fetal ultrasound videos 2026-Mar-14, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2026.104043 PMID:41865530	研究论文	本文详细介绍了IUGC挑战赛，回顾了参赛团队的方法，并分析了自动测量框架在产时超声生物测量中的应用与挑战	提出了首个面向临床应用的多任务自动测量框架，并引入了最大的多中心产时超声视频数据集	研究仍处于早期阶段，临床实施前需要更深入的探索	解决资源有限地区产时超声生物测量中训练有素的超声医师短缺问题	产时超声视频	计算机视觉	产科疾病	超声成像	深度学习模型	视频	774个视频（68,106张图像），来自三家医院	NA	NA	NA	NA
795	2026-03-24	RaMoA: Raman Microspectroscopy and Deep Learning for the Classification of Antimicrobial Mechanism of Action 2026-Mar-13, ACS infectious diseases IF:4.0Q1 DOI:10.1021/acsinfecdis.5c00917 PMID:41824399	研究论文	本文提出了一种结合拉曼显微光谱和深度学习的技术，用于分类抗菌药物的作用机制并预测其新颖性	首次将拉曼显微光谱与一维卷积神经网络结合，用于抗菌药物作用机制的分类和新颖性预测，实现了高准确率	研究仅基于大肠杆菌ATCC 25922野生型菌株，且抗生素种类有限，可能限制了模型的泛化能力	开发一种基于拉曼光谱和深度学习的抗菌药物作用机制分类与新颖性预测技术	大肠杆菌ATCC 25922野生型菌株及其经27种抗生素处理后的拉曼光谱	机器学习	NA	拉曼显微光谱	CNN, 自编码器	光谱数据	27种抗生素处理的大肠杆菌样本，涵盖5种作用机制类别	NA	1D Convolutional Neural Network, 自编码器	准确率	NA
796	2026-03-24	Precisely Identifying Growth Phases of Living Bacteria using Open-Set Deep Learning-Driven Single-Cell Raman Spectroscopy 2026-Mar-13, Analytical chemistry IF:6.7Q1 DOI:10.1021/acs.analchem.5c08187 PMID:41823082	研究论文	本研究提出了一种结合卷积神经网络和长短期记忆模型的开放集深度学习策略，利用单细胞拉曼光谱精确识别活细菌细胞的生长阶段	提出了一种新的开放集深度学习配置，通过集成CNN和LSTM模型，并采用插值算法增强的光谱偏移策略来增强数据多样性，同时开发了增强的Softmax模块以在开放集环境中工作	NA	精确识别和预测单个活细菌细胞的生长阶段	产孢细菌的单个细胞/孢子	机器学习	NA	单细胞拉曼光谱	CNN, LSTM	光谱数据	在13个不同生长时间点采样的细胞/孢子时间依赖性单细胞拉曼光谱	NA	CNN-LSTM集成架构	预测准确率	NA
797	2026-03-24	Self-supervised learning-aided ultrasonic testing for overcoming long-tail problems in stress-strain curve prediction 2026-Mar-11, Ultrasonics IF:3.8Q1 DOI:10.1016/j.ultras.2026.108053 PMID:41865614	研究论文	本研究提出了一种基于VIME的自监督学习框架，用于解决超声测试中应力-应变曲线预测的长尾问题	应用VIME自监督学习框架处理超声测试中的长尾问题，并发现频域信号对改善性能特别有效	研究仅针对铝合金样本，未涉及其他材料或更广泛的缺陷类型	解决超声测试中因缺陷样本导致的长尾问题，提升应力-应变曲线预测的准确性	铝合金样本，包括低屈服强度（100-200 MPa）的案例	机器学习	NA	超声测试	深度学习模型	频域信号（包含基波和二次谐波分量）	816个铝合金样本	NA	VIME-SSL	平均绝对百分比误差（MAPE）	NA
798	2026-03-24	GOUHFI 2.0: A Next-Generation Toolbox for Brain Segmentation and Cortex Parcellation at Ultra-High Field MRI 2026-Mar-10, ArXiv PMID:41647239	研究论文	本文介绍了GOUHFI 2.0，一个用于超强场MRI脑部图像分割和皮层分区的深度学习工具箱	GOUHFI 2.0通过引入更大的训练数据变异性和新增皮层分区及体积测量功能，改进了原始工具箱，成为首个能在超强场MRI上实现稳健皮层分区的深度学习工具箱	NA	开发一个适用于超强场MRI的自动脑部分割和皮层分区工具，以解决信号不均匀性、对比度和分辨率变化等挑战	超强场MRI脑部图像	数字病理学	NA	超强场MRI	CNN	图像	238名受试者，涵盖不同分辨率、场强和人群	NA	3D U-Net	分割准确性	NA
799	2026-03-24	[Deep learning-based assessment of periodontal ligament area changes in maxillary central incisors under different orthodontic regimens using cone beam CT images] 2026-Mar-09, Zhonghua kou qiang yi xue za zhi = Zhonghua kouqiang yixue zazhi = Chinese journal of stomatology DOI:10.3760/cma.j.cn112144-20250722-00280 PMID:41786527	研究论文	本研究利用深度学习技术，基于锥形束CT图像评估不同正畸方案下上颌中切牙牙周膜面积的变化	首次应用CBCT牙周膜分割网络测量牙周膜面积，并与传统牙根长度测量方法进行比较，以更全面地评估牙周支持组织变化	样本量较小（49名患者），且为单中心回顾性研究，可能存在选择偏倚	探究不同正畸治疗方案对上颌中切牙牙周膜面积变化的影响	接受正畸治疗的患者的上颌中切牙	数字病理学	NA	锥形束CT成像	深度学习	医学图像	49名患者（98颗上颌中切牙）	NA	CBCT牙周膜分割网络	NA	NA
800	2026-03-24	Leveraging Naturalistic Driving Digital Biomarkers for Early Mild Cognitive Impairment Detection: Deep Learning Strategies 2026-Mar-06, JMIR medical informatics IF:3.1Q2 DOI:10.2196/83622 PMID:41791118	研究论文	本研究开发了利用自然驾驶数据作为数字生物标志物的深度学习策略，用于早期轻度认知障碍检测	首次在自然驾驶环境中使用深度学习模型分析驾驶行为，提出基于频率的风险评分作为可解释输出，并比较了单视图、特征级融合和模型级晚期融合三种建模策略	样本量较小（仅22名参与者，其中3人中途退出），且仅包含8名MCI患者，可能限制模型的泛化能力	开发基于自然驾驶数据的深度学习策略，用于早期轻度认知障碍的检测	临床分类的参与者（8名MCI患者和14名认知正常者）	机器学习	老年疾病	自然驾驶数据采集	深度学习	传感器信号（GPS、加速度计、陀螺仪）	22名参与者（8名MCI，14名认知正常），其中3人中途退出	NA	NA	准确率, AUC	NA