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
861	2026-08-28	Predicting influenza in the post-COVID era: assessing LSTM, GRU, and transformer robustness to covariate shift 2026, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2026.1886896 PMID:42643413	研究论文	本文比较了LSTM、GRU和Transformer模型在利用多变量流行病学与环境数据预测流感传播方面的性能，重点关注后COVID时代非平稳性下的鲁棒性	将模型鲁棒性评估置于后COVID时代的协变量偏移背景下，诊断循环网络与Transformer架构的归纳偏好在机制转变中的失效模式	所有模型在后COVID非平稳性下均出现性能崩溃，且不能跨机制泛化，预测准确性受限	评估后COVID时代流感预测的挑战，并比较不同深度学习架构在协变量偏移下的鲁棒性	流感传播及温度数据，来自安大略省（2014-2025年）	机器学习	流感	NA	LSTM, GRU, Transformer	时序数据（流行病学与环境数据）	安大略省2014-2025年流感及温度数据，具体样本量未提供	NA	LSTM, GRU, Transformer	准确率、性能下降程度（具体指标未明确）	NA
862	2026-08-28	An automated deep learning-based pipeline for 3D characterisation of the murine upper airway from micro-CT 2026, Frontiers in medical technology IF:2.7Q3 DOI:10.3389/fmedt.2026.1823048 PMID:42643487	研究论文	开发了一种基于深度学习的自动化流水线，用于从微型CT图像中三维表征小鼠上呼吸道（气管、咽和鼻腔）	首次提出全自动的深度学习流水线，结合nnU-Net框架进行上呼吸道结构分割和表征，减少人工干预并提高测量一致性，且验证了跨实验条件和成像协议的泛化能力	研究基于小鼠模型，可能不直接适用于人类上呼吸道，且外部验证仅限于特定疾病（唐氏综合征）和实验条件	实现上呼吸道微型CT图像的自动化和标准化定量分析，支持机理和转化研究	小鼠上呼吸道，包括气管、咽和鼻腔，来自唐氏综合征研究的野生型和三体小鼠	计算机视觉, 数字病理学	唐氏综合征	微型CT成像	CNN（2D卷积神经网络）	图像（微型CT扫描）	106个扫描用于训练（内部验证），74个扫描用于外部验证	nnU-Net框架	nnU-Net（基于2D U-Net架构）	Dice相似系数（DSC）、相对绝对体积差（RAVD）、Pearson相关系数、Bland-Altman分析	未提供具体GPU信息，但使用了5折交叉验证，可能依赖标准深度学习硬件
863	2026-08-28	Deep Learning to Automate Parameter Extraction and Model Fitting of Two-Dimensional Transistors 2026, Research (Washington, D.C.) DOI:10.34133/research.1103 PMID:42643489	研究论文	提出了一种基于深度学习的方法，用于从二维晶体管的电学测量中自动提取物理参数并进行TCAD模型拟合	采用简单的数据增强和预训练方法，通过辅助神经网络近似物理器件模拟器，所需训练数据量减少40倍以上，且能使用物理上严格的TCAD模型	未明确提及局限性，但可能受限于生成数据的仿真模型准确性和训练数据的多样性	实现二维晶体管关键参数的自动提取和TCAD拟合，支持逆向设计	二维晶体管，包括单层WS晶体管和高电子迁移率晶体管	机器学习	NA	NA	神经网络	电学测量数据	约500个器件的仿真数据；使用实验性单层WS晶体管数据	NA	NA	决定系数（R²）	NA
864	2026-08-28	Using deep learning to monitor children's nutritional status for child stunting identification 2026, Frontiers in pediatrics IF:2.1Q2 DOI:10.3389/fped.2026.1725474 PMID:42643516	研究论文	该研究提出了一种基于深度学习的框架，用于监测儿童营养状况并识别发育迟缓。	提出了一个紧凑的特征提取架构，结合特征融合和分层注意力机制，有效建模儿童属性间的交互，并在保持计算效率的同时实现最佳分类性能	未提及具体的局限性	开发一个数据驱动的儿童发育迟缓识别框架，以提高早期筛查的准确性	儿童，特别是发育迟缓的儿童	机器学习	儿童发育迟缓	NA	深度学习模型（如CNN、Transformer等）	结构化健康调查数据（年龄、性别、身高、体重、BMI）	两个公共卫生调查数据集：NHANES和NFHS 5	NA	紧凑特征提取架构，包含特征融合和分层注意力	分类性能指标（如准确率、精确率、召回率、F1分数、AUC等）	NA
865	2026-08-28	Automated evaluation of dental cavity preparation quality using deep learning and anatomically informed geometric analysis 2026, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2026.1884843 PMID:42643536	研究论文	本研究开发了一个基于增强U-Net架构的深度学习管道，结合解剖学几何分析，利用标准二维图像或三维深度信息自动评估牙体预备质量，并生成透明可解释的窝洞质量评分（CQS）。	提出了一种结合深度学习与解剖学几何分析的混合可解释人工智能框架，首次实现从二维标准照片中自动评估牙体预备质量，并通过椭圆傅里叶描述符实现尺度、旋转和平移不变的形状比较。	需要进一步针对专家总结性评分进行验证，才能在临床教育等高风险场景中应用。	开发一种自动化、客观且临床可解释的框架，用于评估牙体预备质量，以替代传统主观评估方法。	牙齿窝洞预备质量，包括窝洞和牙尖区域的分割及量化指标。	计算机视觉	口腔疾病	二维摄影和三维STL成像	增强U-Net	二维图像和三维STL数据	内部验证数据：未明确指定样本数量；外部验证使用三位独立专家的测量结果	未明确指定	增强U-Net	Dice系数、Intersection-over-Union、平均绝对误差、相关系数	未明确指定
866	2026-08-28	AI-assisted segmentation-based fusion model integrating deep learning, radiomics, and clinical parameters for identifying coronary heart disease risk in patients with MAFLD 2026, Frontiers in endocrinology IF:3.9Q2 DOI:10.3389/fendo.2026.1908048 PMID:42643589	研究论文	开发并验证了一个基于AI辅助分割的融合模型，整合深度学习、影像组学和临床参数，用于识别代谢相关脂肪肝病（MAFLD）患者的冠心病风险	首次将AI辅助分割、深度学习特征、影像组学特征与临床参数相结合，构建融合模型用于MAFLD患者的冠心病风险识别	未提及明确的局限性	开发并验证一个AI辅助分割的深度学习影像组学临床（DLRC）模型，用于识别MAFLD患者的冠心病风险	代谢相关脂肪肝病（MAFLD）患者，共1515例，其中440例合并冠心病	医学图像分析	冠心病、代谢相关脂肪肝病	影像组学、深度学习	集成模型	医学影像数据	1515例MAFLD患者，包括440例合并冠心病	NA	DenseNet-121	AUC、校准曲线、DeLong检验、决策曲线分析（DCA）	NA
867	2026-08-28	Deep learning segmentation of paediatric brain tumours using diffusion-weighted MRI: towards an early, in vivo classification pipeline 2026, Brain communications IF:4.1Q2 DOI:10.1093/braincomms/fcag317 PMID:42643703	研究论文	本研究开发了一种基于深度学习的自动分割方法，利用扩散加权MRI对儿童脑肿瘤进行分割，以支持早期、体内分类。	这是首次仅使用DWI作为输入模态进行儿童脑肿瘤自动分割的研究，并采用了迁移学习和多模态集成策略。	分割准确性仍需提高，或需确定当前性能是否足以满足临床应用需求。	开发一种仅使用DWI的自动分割方法，以便在临床中快速提取定量生物标志物，辅助儿童脑肿瘤的管理。	儿童脑肿瘤患者，共107例。	数字病理学	儿童脑肿瘤	扩散加权MRI	三维卷积神经网络	医学影像	107例儿童脑肿瘤患者的数据	NA	DeepMedic	Dice分数	NA
868	2026-08-28	A systematic literature review exploring the application of deep learning in electric vehicles from 2015 to 2025 2026, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2026.1826633 PMID:42643704	综述	本文对2015至2025年间电动汽车与深度学习交叉领域的研究进行系统性文献综述，识别当前进展并探讨未来扩展潜力	系统梳理了92篇文献，归纳为五个关键主题，并扩展至2025至2026年的前沿框架，评估深度学习在车辆级机械安全和车队级绩效物流中的双重足迹	未明确提及局限性	探索深度学习在电动汽车领域的应用现状与未来扩展潜力	2015至2025年间发表的92篇相关出版物	机器学习	NA	NA	深度学习	文献数据	92篇出版物	NA	神经网络	NA	NA
869	2026-08-28	Digital twins in sports science: applications for performance enhancement, injury prevention, and rehabilitation through advanced big data analytics and deep learning methodologies - a comprehensive narrative review 2026-Jan, Biology of sport IF:4.2Q1 DOI:10.5114/biolsport.2026.161106 PMID:42643759	叙述性综述	本文综述了数字孪生技术在体育科学中的应用，重点探讨其结合大数据分析和深度学习方法在运动表现提升、损伤预防和康复中的作用	系统梳理了数字孪生在体育科学中三个核心领域（表现提升、损伤预防、康复优化）的应用，并整合了生成式AI与物联网的潜在增强效果	作为叙述性综述，缺乏定量元分析，且主要聚焦足球作为案例，可能限制其广泛适用性	评估数字孪生技术在体育科学中的应用现状，并强调其在运动表现、损伤预防和康复中的潜力	数字孪生技术在精英和业余体育中的应用，以足球为主要案例	数字病理学	运动损伤	大数据分析	深度神经网络	多模态传感器数据	不适用	不适用	卷积神经网络、循环神经网络	不适用	不适用
870	2026-08-28	Artificial intelligence in thyroid ultrasound: clinical applications and perspectives 2026, Frontiers in endocrinology IF:3.9Q2 DOI:10.3389/fendo.2026.1877780 PMID:42643768	综述	本综述总结了人工智能在甲状腺超声中的应用，包括图像预处理、结节分割、定量特征分析、良恶性鉴别、TIRADS优化和自动报告，并评估了现有研究的方法学质量、偏倚风险和外部验证情况	系统性地概述了AI在甲状腺超声全流程中的应用，并深入探讨了当前研究的局限性和未来发展方向，强调多模态融合、可解释AI和实时临床系统的潜力	现有AI工具大多处于早期转化阶段，缺乏大规模真实临床环境验证和标准化报告协议，存在数据偏倚、泛化性有限和可解释性差等问题	总结人工智能在甲状腺超声中的临床应用，评估其诊断效能，并讨论转化挑战和未来方向以促进临床落地	甲状腺结节及其超声影像数据	医学影像分析	甲状腺结节	深度学习、影像组学	深度学习模型	超声图像	未提及具体样本量	未提及具体框架	未提及具体架构	未提及具体指标	未提及计算资源
871	2026-08-28	Dual Cross-Attention Network for Hierarchical Feature Fusion in Protein-Protein Interaction Prediction 2026, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.34133/csbj.0200 PMID:42643879	研究论文	提出了一种基于双交叉注意网络的蛋白质-蛋白质相互作用预测框架，通过层级特征融合提升预测性能	创新性地引入了双交叉注意模块，分别处理蛋白质内部序列与结构特征以及蛋白质对之间的交互特征，实现层级特征融合	摘要中未提及局限性	开发高效的深度学习方法来准确预测蛋白质-蛋白质相互作用，克服实验方法的耗时和高成本问题	蛋白质-蛋白质相互作用	机器学习	不适用	深度学习	双交叉注意网络	蛋白质序列和结构数据	未提及	未提及	交叉注意模块	未在摘要中具体提及，但通常包括精确度、召回率、F1分数等	未提及
872	2026-08-28	HELP-TCR: Harmonized Explainable Language Processing Toolkit for T Cell Antigen Receptor Repertoires 2026, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.34133/csbj.0117 PMID:42644114	研究论文	提出HELP-TCR，一种基于自然语言处理的可解释机器学习框架，用于T细胞抗原受体库的样本分类和生物学解释	整合低维可解释特征提取与稳健分类性能，采用非参数概率方法建模位置特异性氨基酸分布，引入共识分组方法提高可重复性，并利用改进的ResNet-18架构和显著图进行后验分析	未明确提及局限性	开发一种可解释的机器学习框架，用于T细胞受体库的功能性分类和生物学特征识别	T细胞抗原受体库样本	机器学习	NA	NA	ResNet-18	序列数据	自助法生成的TCR序列数据集（具体数量未提供）	NA	改进的ResNet-18	AUC	NA
873	2026-08-28	A deep learning approach to mild cognitive impairment detection from electroencephalogram signals 2026, Dementia & neuropsychologia DOI:10.1590/1980-5764-DN-2025-0364 PMID:42644178	研究论文	本文提出了一种基于脑电信号和深度学习的方法来检测轻度认知障碍	创新性地将深度学习应用于脑电信号分析，以非侵入性、高效的方式检测轻度认知障碍，相较于传统神经心理学测试和影像学方法具有更好的可访问性和效率	摘要未提及明确的局限性	旨在开发一种基于脑电信号的深度学习框架，用于早期检测轻度认知障碍	轻度认知障碍患者及其脑电信号	机器学习	轻度认知障碍	脑电图（EEG）	深度学习模型	脑电信号	NA	NA	NA	NA	NA
874	2026-08-28	From prediction of personalized metabolic responses to foods to computational nutrition: Concepts of an emerging interdisciplinary field 2025-12, Clinical nutrition (Edinburgh, Scotland) DOI:10.1016/j.clnu.2025.10.009 PMID:41176812	研究论文	提出计算营养学作为一个新兴跨学科领域，旨在通过统计和计算机科学方法及多模态数据解决营养与健康的复杂挑战。	首次系统提出计算营养学的概念框架，整合人工智能、可穿戴生物传感器和多组学技术，以推动精准营养研究范式的转变。	未提供具体实验验证或实证数据，仅提出概念框架和未来研究方向。	建立计算营养学作为新兴跨学科领域，以应对营养研究中的复杂挑战并推动范式转变。	个性化代谢反应、膳食参考摄入量、营养干预效果、饮食相关疾病风险、公共卫生政策及膳食模式可持续性。	机器学习	饮食相关疾病	统计建模、模拟、因果推断、机器学习、深度学习、多组学、可穿戴生物传感器	机器学习模型、深度学习模型	多模态数据（包括组学数据、传感器数据等）	NA	NA	NA	NA	NA
875	2026-08-28	Temporal structure of natural language processing in the human brain corresponds to layered hierarchy of large language models 2025-Nov-26, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-65518-0 PMID:41298357	研究论文	本研究利用脑皮层电图数据，证明大型语言模型的层级结构与人类大脑语言理解的时间动态相一致	首次展示大型语言模型的层层次与大脑语言理解时间动态的对齐，并发布对齐的神经和语言数据集作为公共基准	未在摘要中明确指出局限性	探究大型语言模型的层级结构与大脑语言理解时间动态的对应关系	人类大脑的语言处理过程，具体包括布罗卡区和语言相关区域	自然语言处理	不适用	脑皮层电图	大型语言模型	脑皮层电图数据和叙事音频	参与者数量未在摘要中明确，数据来自30分钟叙事的聆听过程	不适用	GPT-2 XL, Llama-2	相关性和预测准确度，具体指标未在摘要中明确	未在摘要中提及
876	2026-08-28	A deep learning-based approach for measuring patellar cartilage deformations from knee MR images 2025-Nov, Journal of biomechanics IF:2.4Q3 DOI:10.1016/j.jbiomech.2025.112930 PMID:40915052	研究论文	开发并评估基于深度学习（2D和3D U-Net）的自动分割方法，用于从膝关节MR图像中测量髌骨软骨变形	首次将自动分割网络应用于运动诱导的髌骨软骨变形测量，避免了手动分割的耗时和变异性	未明确提及，但可能包括数据集规模有限（109张MR扫描）和仅评估了跳跃活动后的短期变形	开发卷积神经网络分割髌骨和髌骨软骨，并评估其测量运动诱导软骨变形的能力	膝关节MR图像中的髌骨和髌骨软骨	计算机视觉、数字病理学	膝骨关节炎	MRI	U-Net（2D和3D）	图像（MR扫描）	109个膝关节MR扫描	NA	U-Net（2D和3D）	平均Dice相似系数（mDSC）、组内相关系数（ICC）、平均差异、应变百分比	NA
877	2026-08-28	Gait data generation using lightweight generative deep learning framework 2025-11, Journal of biomechanics IF:2.4Q3 DOI:10.1016/j.jbiomech.2025.112951 PMID:40957131	研究论文	提出一种轻量级混合深度学习框架FNN-AE，用于生成人体步态数据，以解决数据稀缺和计算资源限制问题	首次将前馈神经网络与自编码器集成，构建轻量级混合模型，在保持数据保真度的同时大幅降低计算复杂度，并通过牛顿运动方程和OpenSim平台验证生成数据的生物力学可行性	未提及具体局限性，但模型仅验证了步态数据生成，可能对其他类型数据或更复杂场景的适用性有待探索	开发一种计算高效的生成模型，以缓解步态数据稀缺问题，并确保生成数据在临床和生物力学应用中的可行性	人体步态数据	机器学习	NA	生成对抗网络（GAN）	前馈神经网络和自编码器	步态数据（可能为时间序列或数值数据）	NA	NA	FNN-AE	数据保真度	NA
878	2026-08-28	Comparison of kinematics between markerless and marker-based motion capture systems for change of direction maneuvers 2025-11, Journal of biomechanics IF:2.4Q3 DOI:10.1016/j.jbiomech.2025.112965 PMID:40974779	研究论文	本研究比较了无标记和基于标记的运动捕捉系统在变向动作中的运动学数据，评估无标记系统的适用性。	首次在变向动作中对比无标记和基于标记的运动捕捉系统的运动学数据，利用深度学习进行无标记姿态估计。	关节角度存在显著差异，比较幅度时需谨慎，可能受系统特定差异影响。	评估无标记运动捕捉系统在变向动作运动学分析中的适用性和可靠性。	23名男性参与者的90°变向动作。	运动生物力学	NA	光学运动捕捉（基于标记和无标记）	深度学习模型	运动学数据（三维关节角度）	23名男性参与者，每人5次90°变向动作	NA	深度学习（具体架构未指定）	Bland-Altman分析，组内相关系数（ICC），均方根偏差（RMSD），归一化均方根误差（NRMSE）	NA
879	2026-08-28	PathoRM: Computational inference of pathogenic RNA methylation sites by incorporating multi-view features 2025-11, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1013654 PMID:41212924	研究论文	开发了PathoRM，一种基于生物学信息的深度学习模型，用于推断RNA甲基化位点与疾病之间的关联，并整合多视图特征。	结合大型语言模型、多视图学习、图神经网络、对抗训练和基于‘guilty-by-association’的负采样方法，并引入注意力机制提供生物学可解释性。	未在摘要中提及具体局限性。	通过计算方法准确推断致病性RNA甲基化位点，以辅助疾病治疗和表观转录组研究。	RNA甲基化位点及其与疾病的关联。	生物信息学	多种疾病（未指定）	RNA甲基化测序（推测，摘要未明确）	深度学习模型	序列数据和文本描述	未提供	未指定	大型语言模型、图神经网络	准确率、鲁棒性（具体指标未提及）	未提供
880	2026-08-28	Automated C. elegans behavior analysis via deep learning-based detection and tracking 2025-11, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1013707 PMID:41218058	研究论文	提出了一种基于深度学习的自动化秀丽隐杆线虫行为分析方法，整合YOLOv8和ByteTrack实现多线虫实时精准追踪及运动参数定量分析	创新性地将YOLOv8与ByteTrack集成，开发了增强型线虫检测框架，支持多线虫同时追踪和自动提取多种行为参数，提高了追踪连续性和鲁棒性	未在摘要中明确提及局限性	实现秀丽隐杆线虫行为的高通量、自动化分析，提升实验效率和准确性，为药物筛选和基因功能研究提供工具	秀丽隐杆线虫（Caenorhabditis elegans）	计算机视觉	NA	深度学习	YOLOv8, ByteTrack	图像	NA	NA	YOLOv8, ByteTrack	精确度, 召回率, mAP50, 帧率	NA