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
821	2026-06-05	Evaluating OCT Device-Reported Image Quality Score: Towards a Task-Specific Quality Gate for Deep Learning-based Outer-Retina and Choroid Boundary Segmentation 2026-May-20, medRxiv : the preprint server for health sciences DOI:10.64898/2026.05.17.26353399 PMID:42238405	研究论文	评估OCT设备报告图像质量评分对深度学习视网膜外层和脉络膜边界分割任务的有效性	首次系统验证制造商定义的信号强度指数与深度学习分割精度的关系，并引入最优传输理论中的推土机距离作为边界评估指标	Q-score对深度学习边界分割精度预测能力极差，解释方差不超过1.4%，且存在解剖深度相关误差层级和悖论相关性	探究OCT设备信号强度指数（Q-score）能否作为深度学习分割模型性能的可靠质量门控	103只眼睛的5,047张B扫描图像，包含椭圆体带、Bruch膜和脉络膜外边界三个解剖边界	计算机视觉	眼部疾病	OCT成像	U-Net	图像	103只眼睛的5,047张B扫描图像	NA	U-Net	平均绝对误差、均方误差、Dice相似系数、推土机距离	NA
822	2026-06-05	HiCP2GAN: A Plug and Play Foundation Model-based GAN for Hi-C Enhancement 2026-May-20, bioRxiv : the preprint server for biology DOI:10.64898/2026.05.18.725960 PMID:42239130	研究论文	提出HiCP2GAN，一种基于预训练视觉Transformer基础模型作为判别器的即插即用生成对抗网络，用于增强Hi-C数据分辨率	首次将预训练的Hi-C基础模型（基于视觉Transformer）作为GAN判别器，利用其在大规模跨物种Hi-C数据上学习的丰富表示能力，提供生物有意义的对抗梯度；提出生成器无关框架，允许直接比较不同增强架构	仅在人细胞系上验证，未涉及其他物种或细胞类型；判别器仅冻结深层Transformer层并微调浅层，可能未充分探索最优微调策略	开发一种即插即用、生成器无关的GAN框架，利用预训练基础模型提升Hi-C数据增强性能	人类细胞系中的Hi-C接触图谱（稀疏接触图）	机器学习	不适用	Hi-C	生成对抗网络（GAN）	Hi-C接触矩阵	118百万个跨物种和细胞类型的Hi-C补丁用于预训练；人类细胞系样本用于实验（具体数量未提供）	PyTorch	视觉Transformer（ViT）作为判别器主干；生成器架构无关（任何兼容的Hi-C增强架构）	不适用	不适用
823	2026-06-05	"There's not one part of the programme that hasn't been useful in my clinical practice": undergraduate nursing students' views and experiences of a Dementia Education Programme 2026-May-19, Gerontology & geriatrics education IF:0.8Q3 DOI:10.1080/02701960.2026.2674047 PMID:42154616	研究论文	探讨嵌入本科护理课程的三年期痴呆教育项目如何影响学生的知识、态度和临床实践	超越传统结果测量，聚焦教育过程和机制，揭示痴呆教育转化为临床实践的深层机理	未在摘要中明确提及	理解痴呆教育项目如何塑造护理学生的知识、态度和临床实践	英国某大学本科护理专业学生	医学教育	痴呆症	NA	NA	定性访谈数据	13名学生	NA	NA	NA	NA
824	2026-06-05	Bidirectional Perceptual Multimodal Interaction Network Based on Contrastive Learning for Breast Cancer pCR Prediction 2026-May-19, Tomography (Ann Arbor, Mich.) DOI:10.3390/tomography12050074 PMID:42188715	研究论文	提出一种基于对比学习的双向感知多模态交互网络（BPMINet），用于乳腺癌新辅助化疗后病理完全缓解（pCR）的早期准确预测	通过双向交叉模态注意力融合机制解决高维DCE-MRI与低维临床数据之间的语义不对齐问题；设计多模态对比感知特征增强模块，提升难分类样本的判别能力和泛化性能	NA	提高乳腺癌pCR预测性能和泛化能力，克服肿瘤异质性和多模态语义不对齐的挑战	乳腺癌患者新辅助化疗前的DCE-MRI影像数据和临床信息	计算机视觉	乳腺癌	DCE-MRI	CNN	影像，文本	两个公开多中心数据集（MAMA-MIA和ISPY1）	PyTorch	双向交叉模态注意力网络（BiCMA），多模态对比感知特征增强模块（MCFE）	AUC，准确率	NA
825	2026-06-05	A Supervised Contrastive Variational Autoencoder with Probabilistic Latent Alignment for Cross-Domain EEG Emotion Recognition 2026-May-19, Sensors (Basel, Switzerland) DOI:10.3390/s26103217 PMID:42198025	研究论文	提出一种监督对比变分自编码器网络用于跨领域脑电图情绪识别	利用变分自编码器的重建机制和潜在空间概率化，结合最大均值差异损失减少分布差异，并通过多视图监督对比学习增强类别内一致性和类别间可分性	未在更多样化的数据集或实际应用场景中验证，计算资源消耗信息未提及	提升跨领域脑电图情绪识别的性能，解决源域和目标域分布差异问题	脑电图信号	机器学习	NA	脑电图（EEG）	变分自编码器（VAE）	脑电图信号	SEED数据集和SEED-IV数据集，具体样本数量未明确	NA	SCVAE-Net	准确率	NA
826	2026-06-05	Opportunistic CT Attenuation Biomarkers of Anemia Are Associated With Impaired Myocardial Flow Reserve and Cardiovascular Outcomes 2026-May-19, medRxiv : the preprint server for health sciences DOI:10.64898/2026.05.14.26353239 PMID:42238410	研究论文	利用深度学习方法从CT图像中测量心脏密度作为贫血的生物标志物，并评估其与心肌血流储备和心血管结局的关系	首次在大型多模态数据集中验证了CT测量的心脏密度可以作为贫血的替代标志物，且与心肌血流储备受损及心血管事件独立相关	未提及具体限制，但可能需要考虑CT扫描参数、患者体型等因素对密度测量的影响	评估心脏密度测量与血红蛋白、PET结果和心血管事件之间的关系	来自REFINE-PET研究的33460名患者和肺癌筛查CT的24368名患者	计算机视觉	贫血，心血管疾病	CT成像，PET成像	深度学习模型	图像	57828名患者	NA	NA	调整后优势比，调整后风险比，95%置信区间	NA
827	2026-06-05	Replicability of unsupervised deep learning derived image phenotypes 2026-May-19, bioRxiv : the preprint server for biology DOI:10.64898/2026.05.19.726257 PMID:42239250	研究论文	评估无监督深度学习图像表型在模型初始化、数据划分和队列变化条件下的可重复性	首次系统评估无监督深度学习图像表型在不同训练条件（随机种子、交叉验证、独立数据集）下的可重复性，并引入核方法（CKA、KCCA）和遗传发现稳定性指标	仅评估了CNN和ViT两种架构，未涵盖其他深度学习方法；研究所用数据仅来自UKB和ADNI两个队列，可能存在选择性偏倚	验证无监督深度学习图像表型是否具有跨实验条件的可重复性，以支持其在影像遗传学中的应用	无监督深度学习图像表型	机器学习	NA	脑MRI成像	CNN、ViT	图像	UKB发现队列22,985例，外加UKB和ADNI独立数据集	PyTorch	CNN、ViT	CKA（中心核对齐）、KCCA（核典型相关分析）、位点重叠率	NA
828	2026-06-05	NeuroPupil: A generalization-first framework for scalable and biologically informative cross-species pupillometry 2026-May-18, bioRxiv : the preprint server for biology DOI:10.64898/2026.05.14.725098 PMID:42239082	研究论文	提出了一种名为NeuroPupil的深度学习框架，用于高通量、跨物种的瞳孔测量，强调在受试者、行为背景和成像条件下的稳健泛化能力	通过系统基准测试训练策略与网络架构，发现池化多受试者训练结合优化的U-Net架构是实现可靠且可迁移瞳孔追踪性能的关键因素，同时集成基准测试、可扩展性和可获取的软件工具	未明确提及局限性，但可能受限于训练数据集的多样性及跨物种应用的进一步验证	实现准确、可扩展且可泛化的瞳孔测量，以促进其在系统神经科学和转化神经科学中的应用	小鼠和人类瞳孔图像数据	数字病理学	神经系统疾病	深度学习	U-Net	图像	跨多样的小鼠和人类数据集	PyTorch	U-Net	准确性、计算效率	NA
829	2026-06-05	DamageFormer: a damage-aware multimodal deep learning framework for DNA lesion identification from nanopore sequencing 2026-May-18, bioRxiv : the preprint server for biology DOI:10.64898/2026.05.14.725245 PMID:42239454	研究论文	提出DamageFormer，一种多模态深度学习框架，用于从纳米孔测序数据中识别DNA损伤	引入损伤感知基因组基础模型LesionBERT，通过自适应门控机制整合序列上下文和纳米孔信号证据，实现跨模态一致性和空间精度	仅在氧化性DNA损伤基准上验证，对其他类型损伤的泛化性需进一步测试	实现核苷酸分辨率下DNA损伤的精准检测与定位	DNA损伤（如氧化性鸟嘌呤损伤）	自然语言处理	癌症	纳米孔测序	Transformer	序列和信号数据	未明确说明	PyTorch	DNABERT-2, LesionBERT	AUROC, 平均绝对定位误差	未明确说明
830	2026-06-05	CRISPR-initiated exponential amplification on fluorescently-barcoded microspheres for deep learning-assisted multiplexed HPV detection 2026-May-15, Biosensors & bioelectronics IF:10.7Q1 DOI:10.1016/j.bios.2026.118488 PMID:41653672	研究论文	提出结合CRISPR引发指数扩增、量子点编码微珠和深度学习图像分析的多重人乳头瘤病毒检测平台	首次将CRISPR/Cas9特异性引发指数扩增与量子点编码荧光微珠及定制深度学习算法结合，实现自动化多重核酸检测	未提及	开发快速、低成本、多重核酸检测方法，用于人乳头瘤病毒DNA的现场即时检测	人乳头瘤病毒DNA（HPV16、HPV18、HPV33）	机器学习	宫颈癌相关病毒	CRISPR/Cas9引发指数扩增、荧光编码微珠	定制深度学习算法	荧光图像	NA	NA	NA	检测限（0.2 pM）	NA
831	2026-06-05	Multi-mechanism-driven dual-mode array based on a single PFC-1/QD probe enables AI-assisted on-site identification of biogenic amines and real-time food freshness monitoring 2026-May-15, Biosensors & bioelectronics IF:10.7Q1 DOI:10.1016/j.bios.2026.118501 PMID:41666536	研究论文	开发了一种基于PFC-1/QD探针的荧光/比色双模式传感器阵列，结合深度学习和智能手机成像，用于生物胺分类和食品新鲜度实时监测	首次将单一PFC-1/QD探针与YOLOv12算法集成，实现多机制驱动（AIE、PET、IFE）的双模式检测及现场智能分析	NA	实现生物胺的现场快速分类和食品新鲜度实时监测	五种生物胺（腐胺、尸胺等）及虾类腐败样品	计算机视觉, 机器学习	NA	荧光光谱法, 比色法	YOLOv12（深度学习目标检测模型）	图像	虾类样品在4°C和25°C储存条件下进行腐败监测	YOLOv12	YOLOv12	分类精度, 灵敏度, 定量检测范围, 响应时间	智能手机（集成YOLOv12算法）
832	2026-06-05	Spectrally optimised YOLOv10s-SeqOpt framework for real-time UAV-based early detection of avocado foliar diseases in indian orchards 2026-May-14, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-50025-z PMID:42135362	研究论文	提出基于YOLOv10s-SeqOpt的无人机多光谱成像框架，用于印度果园牛油果叶部病害的早期实时检测	设计Sequential SGD-AdamW（SeqOpt）优化器，结合SGD全局探索与AdamW自适应精调，实现多光谱噪声下梯度稳定；首次将YOLOv10s与多光谱OCN输入结合用于牛油果叶部病害检测，并在嵌入式AI平台（Jetson Orin Nano和Raspberry Pi 5）上实现实时推理	未提及在多种环境条件（如不同光照、天气、地形）下的泛化能力评估；数据仅来自印度南部果园，可能限制对其他区域的适用性	解决传统田间巡检和RGB成像无法检测密集树冠下早期病害感染的问题，实现大规模果园病害的实时无人机监测	牛油果叶部病害（炭疽病、根腐病、藻斑病、疮痂病）的早期检测	计算机视觉	牛油果叶部病害	多光谱成像、RGB成像、深度学习	YOLO（YOLOv5s-YOLOv10s）	图像	5,953张标注图像，包含35,422个边界框实例，覆盖4种病害类别	PyTorch, ONNX	YOLOv10s	准确率、F1分数、mAP@0.5	NVIDIA Jetson Orin Nano（PyTorch运行时，69.5毫秒/帧）、Raspberry Pi 5（ONNX运行时，1.545秒/帧）
833	2026-06-05	BC-SwinNet: Swin transformer and CNN with multi-objective optimization for multi-class breast cancer detection using Histopathological images 2026-May-11, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-51698-2 PMID:42115270	研究论文	提出一种混合深度学习框架BC-SwinNet，用于组织病理图像的多类乳腺癌检测	整合条件Swin Transformer（ConSwinTras）、多目标麋鹿群优化算法（MEHO）和分层注意力卷积神经网络（CA-CNN），实现高效特征提取与分类	未提及模型在真实临床环境下的泛化能力验证及计算资源消耗细节	开发自动化、高精度且计算高效的乳腺癌亚型分类系统	乳腺癌组织病理图像	计算机视觉	乳腺癌	组织病理成像	混合深度学习模型（Transformer+CNN）	图像	BreakHis和BACH两个基准数据集	NA	ConSwinTras, MEHO, CA-CNN	分类准确率	NA
834	2026-06-05	Real-Time Pain Assessment from Electrodermal Activity Using Deep Learning 2026-May-11, Sensors (Basel, Switzerland) DOI:10.3390/s26103020 PMID:42197829	研究论文	提出一种基于皮肤电导信号的完全卷积网络用于实时疼痛评估	首次在疼痛识别中采用完全卷积网络以保持低计算复杂度的同时实现实时推理	基于AI4Pain数据集的三类分类准确率在实时操作中为73.14%，性能仍有提升空间	开发一种计算高效、适用于可穿戴设备的实时生理疼痛监测系统	皮肤电导信号中的疼痛相关自主神经响应模式	机器学习	疼痛相关疾病	皮肤电导测量	完全卷积网络	生理信号	AI4Pain数据集（具体样本量未明确）	NA	FCN	准确率，延迟	支持实时推理的嵌入式系统
835	2026-06-05	Deep Learning for Disease Detection: Building a Leaf Image Classifier for Roses 2026-May-11, Sensors (Basel, Switzerland) DOI:10.3390/s26103023 PMID:42197832	研究论文	利用卷积神经网络对玫瑰叶图像进行分类，实现病害检测	比较了轻量级CNN和残差网络在玫瑰叶病害检测中的表现，并评估了两种预处理策略（色调分离与灰度转换）对鲁棒性的影响	仅在小型测试集上验证，需更多样化的数据集确认在多变光照、背景复杂性和生长阶段下的泛化能力	探索深度学习在玫瑰叶病害检测中的可行性，并评估不同模型和预处理方法的效果	玫瑰叶片图像，用于二分类（健康vs病害）	计算机视觉	植物病害（玫瑰叶病害）	图像分类	卷积神经网络（CNN）	图像	小型测试集（具体数量未提及）	NA	轻量级CNN、残差网络（ResNet）	分类性能（具体指标未提及）	NA
836	2026-06-05	Fluoroscopy-Guided Motion Management in Particle Therapy: Evolution, Challenges, and AI-Enabled Opportunities 2026-May-09, Tomography (Ann Arbor, Mich.) DOI:10.3390/tomography12050066 PMID:42188707	综述	综述了粒子治疗中荧光透视引导运动管理技术的发展、挑战及人工智能驱动的机遇	总结了从图像增强器到平板探测器的技术演变、历史及近期供应商支持的荧光引导粒子治疗策略，并系统调查了基于人工智能的图像配准算法在无标记肿瘤追踪中的最新进展	基于机器学习的图像配准在泛化能力和可解释性方面仍存在挑战，且需要植入基准标记物的方法限制了适用部位	综述荧光透视引导粒子治疗在运动管理中的应用，并探讨人工智能驱动的无标记追踪潜力	粒子治疗中的肿瘤运动管理技术，特别是荧光透视引导下的实时追踪方法	机器学习	NA	荧光透视，粒子治疗	深度学习	医学影像	NA	NA	NA	NA	NA
837	2026-06-05	RT-AFNet: A Hybrid ResNet-Transformer Architecture with Multi-Scale Fusion for Atrial Fibrillation Detection 2026-May-09, Biosensors DOI:10.3390/bios16050275 PMID:42187471	研究论文	提出一种名为RT-AFNet的混合ResNet-Transformer架构，用于房颤检测，通过多尺度融合策略提升心房颤动检测的准确性和鲁棒性	创新性地将ResNet的局部特征提取能力与轻量级自注意力机制的全局时序建模能力相结合，并引入多尺度特征融合策略以优化特征表示	未提及在真实临床环境中的部署复杂性或对极端噪声数据的鲁棒性评估	开发高准确率和鲁棒性的自动化房颤检测方法，解决现有模型在同时捕捉局部形态异常和长程时间依赖方面的局限性	房颤患者的心电图信号	机器学习	心血管疾病	NA	混合ResNet-Transformer	心电图信号	使用三个公共数据库：CPSC2018、CinC2017和MIT-BIH AF数据库	NA	ResNet, Transformer, 多尺度融合模块	F1分数, AUC	NA
838	2026-06-05	Sensor-Driven Deep Learning for Smart Home Intelligence: Signal Analysis, Multimodal Perception, and System-Level Applications 2026-May-09, Sensors (Basel, Switzerland) DOI:10.3390/s26102993 PMID:42197801	综述	综述了基于传感器驱动的深度学习在智能家居应用中的最新进展，涵盖信号分析、多模态感知及系统级应用	从传感器驱动角度系统组织研究，将代表性方法范式（如卷积神经网络、Transformer、图学习、多模态融合和深度强化学习）与信号表示、多模态集成及决策模型相结合	高质量标注数据稀缺、连续感知带来的隐私安全问题、跨环境与跨用户泛化能力有限、边缘设备约束以及模型输出可解释性不足	支持下一代智能家居系统稳健可部署深度学习解决方案的研发	智能家居中的异构传感器数据及深度学习模型	机器学习	NA	NA	卷积神经网络, 循环神经网络, Transformer, 图学习, 多模态融合, 深度强化学习	传感器信号（异质数据）	NA	NA	卷积神经网络, 循环神经网络, Transformer	NA	NA
839	2026-06-05	A hyperspectral co-design framework guided by occlusion sensitivity for early mould detection in bamboo 2026-May-05, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2026.127546 PMID:41662805	研究论文	提出一种基于遮挡敏感性的共设计框架，用于竹子早期霉变的高光谱检测	将遮挡敏感性分析作为主动共优化引擎，同时指导模型架构优化和特征波长选择，实现高光谱系统在准确性、效率和可解释性之间的平衡	未提及在更大规模或不同环境下验证框架的泛化能力	开发一种集成的共设计框架，用于高光谱检测系统，平衡准确性、效率和可解释性	高光谱成像数据与深度学习模型	计算机视觉	竹子霉变	高光谱成像	卷积神经网络（CNN）	高光谱图像	未明确报告样本数量	PyTorch	ResNet, ResNet-HS	准确率	NA
840	2026-06-05	Artificial Intelligence-Assisted Pathogen Detection: Algorithms, Biosensing Platforms, and Applications 2026-May-05, Biosensors DOI:10.3390/bios16050267 PMID:42187463	综述	系统回顾人工智能在病原体检测中的应用，包括算法、生物传感平台及其应用，并提供一个综合分析框架	克服了现有综述往往聚焦单一模态（如仅成像或仅分子诊断）的局限性，提供了新颖的综合分析框架	面临数据标准化、模型泛化性、可解释性和临床转化等关键挑战	为人工智能、生物传感和临床医学交叉领域的研究人员和临床医生提供全面参考和未来发展方向	病原体检测中的成像数据、分子诊断数据、传感器信号、显微图像和多模态数据	机器学习	感染性疾病	NA	机器学习、深度学习	成像数据、分子诊断数据、传感器信号、显微图像、多模态数据	NA	NA	NA	检测灵敏度、特异性、自动化水平、即时检测能力	NA