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
921	2026-08-03	Threshold-Free Neural Network Models for Swim Bout Detection of Larval Zebrafish 2026-Jul-22, bioRxiv : the preprint server for biology DOI:10.64898/2026.01.11.698899 PMID:42539050	研究论文	开发了无阈值深度学习模型，用于斑马鱼幼体游泳爆发检测，提高了检测精度并揭示了行为学差异。	提出无阈值模型，避免主观阈值设定，提高低振幅游泳爆发的检测精度，并比较了离线和在线两种模型。	未在摘要中明确说明局限性。	开发并验证无阈值深度学习模型，用于斑马鱼幼体游泳爆发检测，以促进稳健可重复的行为分析。	斑马鱼幼体	深度学习，行为分析	不适用	深度学习，时间序列分析	深度学习模型	尾部曲率时间序列	未在摘要中明确说明具体样本量。	未在摘要中明确说明。	未在摘要中明确说明具体架构。	精确度	未在摘要中明确说明。
922	2026-08-03	Deep Learning Based Cross-Modality Histological Brain Section Registration in Multiple Species Using Synthetic Images 2026-Jul-22, bioRxiv : the preprint server for biology DOI:10.64898/2026.07.17.738987 PMID:42539034	研究论文	开发了一种利用合成图像训练卷积神经网络的方法，用于跨模态组织学脑切片配准，并在多个物种中验证有效性	使用完全模拟数据训练配准模型，无需大量标注数据，且适用于不同物种（小鼠和狨猴）	未在摘要中明确提及局限性	实现大规模脑图谱研究中跨模态组织学图像的快速配准	小鼠和狨猴的组织学脑切片图像	计算机视觉	NA	NA	卷积神经网络	图像（合成图像和真实组织学图像）	未在摘要中明确提及样本量	NA	卷积神经网络	Dice系数，Hausdorff距离	NA
923	2026-08-03	Learning shared forecast-error structure to improve ensemble forecasts of seasonal respiratory outbreaks 2026-Jul-22, medRxiv : the preprint server for health sciences DOI:10.64898/2026.07.20.26358508 PMID:42539140	研究论文	该文章研究多模型集成预测季节性呼吸道疫情时共享误差结构，并提出一种深度学习框架利用历史预测来校正集成预测，提高流感住院和ILI预测的准确性。	创新点在于识别出多模型集成预测中组件模型存在共享系统性误差，并开发了深度学习框架学习历史预测中的结构化残差误差以改进集成预测，且该方法具有跨模型集合的泛化能力。	该方法对ILI预测的改进效果较小，且文章可能未提及模型的解释性、计算成本或在不同地域或疫情场景下的适用性。	研究目的是检验多模型集成预测中组件模型误差独立性假设，并开发一种通用方法改进季节性呼吸道疫情的实时预测。	研究对象为美国流感住院和流感样疾病（ILI）的实时预测数据。	机器学习	流感	NA	深度学习框架	结构化时间序列数据（预测和残差数据）	美国流感住院和ILI实时预测数据，具体样本量未提及。	PyTorch（推测，具体未提及）	深度学习框架，具体架构未提及	加权区间分数（Weighted Interval Score），可能还有预测准确性。	NA
924	2026-08-03	Deep interpretable learning of sample representations for characterizing disease states in single-cell transcriptomics 2026-Jul-22, bioRxiv : the preprint server for biology DOI:10.64898/2026.07.21.738207 PMID:42539244	研究论文	介绍Phenoverse，一个可解释的深度学习框架，用于从单细胞转录组数据中学习样本级别的疾病状态表征，并在多个疾病队列中验证其效用	提出细胞类型感知的残差编码、原型学习和基于Perceiver的聚合方法，实现样本级疾病状态的可解释表征，且仅用二元表型标签训练即可预测疾病严重程度	未明确提及局限性	开发可解释的深度学习框架，从单细胞转录组数据中学习样本级别的疾病状态表征，以反映系统和细胞状态	独立单细胞转录组队列，涵盖COVID-19、阿尔茨海默病和系统性红斑狼疮	数字病理学	COVID-19, 阿尔茨海默病, 系统性红斑狼疮	单细胞转录组测序	深度学习框架（可解释）	单细胞转录组数据	超过500万个细胞	未明确提及	Perceiver, 原型学习, 残差编码	未明确提及	未明确提及
925	2026-08-03	Breaking the denoising dilemma in NMR spectroscopy by blind source separation 2026-Jul-21, Chemical science IF:7.6Q1 DOI:10.1039/d6sc03538h PMID:42540673	研究论文	提出一种基于盲源分离的NMR去噪协议CCA-NMR，以解决传统迭代算法与深度学习方法之间的去噪困境，实现快速、可解释且通用的噪声抑制	创新性地利用自相关系数进行盲源分离来区分噪声与真实信号，打破了传统算法耗时和深度学习缺乏泛化性与可解释性的两难局面，兼顾降噪性能、计算速度和普适性	文中未明确提及限制，但可能受限于自相关系数对特定噪声类型的假设，以及在不同NMR实验中的适用性需进一步验证	开发一种高效、通用且可解释的NMR光谱去噪方法，以提高灵敏度、恢复被噪声掩盖的真实峰，并缩短实验采集时间	不同NMR平台下的噪声光谱数据，包括弛豫和扩散拉普拉斯NMR、多维蛋白质NMR以及实时电催化反应中的时间分辨NMR	信号处理	NA	NMR光谱	盲源分离	光谱数据	多种NMR平台下的实验数据，具体样本数量未在摘要中说明	NA	NA	降噪性能、计算时间、普适性（具体指标如信噪比或峰值恢复未在摘要中详细说明）	NA
926	2026-08-03	What Do Persistent Misclassifications Tell Us About Alzheimer's Disease Detection using Structural MRI? 2026-Jul-20, medRxiv : the preprint server for health sciences DOI:10.64898/2026.07.17.26358326 PMID:42539013	研究论文	本研究通过训练两种深度学习架构对ADNI数据集中的sMRI进行分类，检查误分类是否在多个模型和训练配置中持续存在，并分析持续误分类受试者的特征	系统性地研究了深度学习分类器在阿尔茨海默病检测中的持续误分类现象，并发现这些误分类与萎缩亚型分布差异相关	样本量较小	探究持续误分类是否反映早期疾病阶段或非典型疾病表现，并强调疾病异质性在临床AI模型开发与评估中的重要性	阿尔茨海默病（AD）患者和认知正常（CN）参与者，以及来自ADNI数据集的sMRI数据	机器学习, 医学影像分析	阿尔茨海默病	NA	深度学习模型	结构性MRI图像	ADNI数据集中的AD和CN受试者，具体数量未提及	NA	两种深度学习架构（具体未提及）	准确率（隐含），误分类率（隐含）	NA
927	2026-08-03	AI-Assisted Hyperspectral Interferometry and Single-Cell Dispersion Imaging 2026-Jul-20, ArXiv PMID:42539078	研究论文	本文提出一种基于AI增强的宽带干涉测量方法，结合超光谱成像实现单细胞色散成像，用于细胞分类和疾病诊断	提出通用偏振共路干涉测量法，放松传统共路干涉的偏振限制，通过偏振解耦实现振幅和相位同时测量，并利用深度自编码器检测相位异常，显著提升相位稳定性一个数量级	未明确提及	开发一种稳定、紧凑的宽带相位测量和单细胞色散成像技术，应用于计量学、分子诊断、药物发现和量子传感等领域	正常皮肤细胞（CCD-32Sk）和癌细胞（COLO-829）	计算光学成像、机器学习	皮肤癌	干涉测量、超光谱成像	深度自编码器、卷积神经网络	干涉图像、相位数据	两种皮肤细胞系：CCD-32Sk（正常）和COLO-829（癌变）	PyTorch	ConvNeXt V2, 自编码器	相位稳定性、分类准确性	未明确提及（可能使用GPU）
928	2026-08-03	ProteinDock: A physics-informed layer to improve protein-protein docking reliability 2026-Jul-20, bioRxiv : the preprint server for biology DOI:10.64898/2026.07.17.739238 PMID:42539256	研究论文	开发了一种名为ProteinDock的基于物理信息的工具，可叠加到领先的建模程序上，以改善蛋白质-蛋白质对接的可靠性，特别针对抗体-抗原接口进行了案例研究。	提出了一种基于物理的层，能够与传统建模程序（如Rosetta）结合使用，显著提高对接可靠性，并展示了截断版本可用于从多个深度学习工具的输出中选择最优预测。	文中未明确说明局限性。	提高蛋白质-蛋白质对接的可靠性，尤其是针对具有独特特征（如抗体）的蛋白质，并提供物理信息层以改进现有建模工具。	抗体-抗原接口和蛋白质-蛋白质对接基准集（Docking Benchmark Set 5.5）中的目标。	计算生物学	NA	基于物理的对接层	基于物理信息的模型（非深度学习）	蛋白质结构数据	Docking Benchmark Set 5.5中包含的目标（具体数量未提供）	Rosetta	NA	CAPRI质量标准（可接受质量或更好）	NA
929	2026-08-03	scWeave: A deep learning model that bidirectionally translates between gene expression and chromatin structure at single-cell resolution 2026-Jul-18, bioRxiv : the preprint server for biology DOI:10.64898/2026.07.13.738265 PMID:42523313	研究论文	开发了名为scWeave的深度学习模型，实现单细胞分辨率下基因表达与染色质结构之间的双向转换。	首次在单细胞分辨率下实现基因表达与三维染色质架构之间的双向翻译，采用双自编码器提取细胞水平潜在表示，并利用专用翻译模块进行跨模态转换。	依赖共测数据，可能受限于不同模态间测量误差及样本偏差，且未在更多物种或条件下验证。	表征三维染色质架构与基因表达之间的关系，并实现单模态测量下的跨模态推断。	小鼠胚胎发育、小鼠皮层、小鼠嗅上皮、人类骨髓细胞。	机器学习	NA	scRNA-seq, scHi-C	自编码器	单细胞基因表达数据、三维染色质构象数据	六个公共共测数据集，涵盖小鼠胚胎发育、大脑皮层、嗅上皮及人类骨髓细胞。	PyTorch	双自编码器（dual autoencoders）	Spearman相关系数, HiCRep相似度	NA
930	2026-08-03	CasanovoGUI: a cross-platform desktop application for deep learning-based de novo peptide sequencing with Casanovo 2026-Jul-16, bioRxiv : the preprint server for biology DOI:10.64898/2026.07.11.737889 PMID:42523267	研究论文	介绍CasanovoGUI，一个跨平台桌面应用程序，为深度学习驱动的从头测序肽段提供图形界面，简化安装、配置和结果解读。	提供图形界面，自动安装Python环境和GPU匹配的Casanovo构建，集成谱图注释和蛋白组映射功能，无需先验软件配置。	未在摘要中提及明确限制，可能包括依赖自动安装的潜在问题或特定环境兼容性限制。	使Casanovo的从头测序功能更易于非计算科学家使用，提高可用性和可访问性。	Casanovo模型及其在Windows、macOS和Linux平台上的应用。	生物信息学	NA	串联质谱	深度学习模型（Casanovo）	串联质谱数据	NA	NA	Casanovo	NA	GPU（自动匹配）
931	2026-08-03	AI-based quantification of inflammatory extent for relapse prediction in ulcerative colitis: a prospective cohort study 2026-Jul-07, Journal of Crohn's & colitis DOI:10.1093/ecco-jcc/jjag115 PMID:42531703	研究论文	开发了一种基于深度学习的溃疡性结肠炎定量评估（QUAD）模型，并评估在临床缓解期加入炎症空间范围对复发预测的改善效果	首次探索AI评估炎症范围对临床复发预测的效用，并通过前瞻性队列研究验证	未在摘要中明确提及局限性	评估包含炎症范围的AI评分系统是否能提高溃疡性结肠炎患者在临床缓解期的复发预测准确性	来自三中心的998名溃疡性结肠炎患者的84,743张图像	数字病理学	溃疡性结肠炎	深度学习	深度神经网络	图像	998名患者，84,743张图像	NA	QUAD模型（具体架构未提及）	曲线下面积（AUC）	NA
932	2026-08-03	Development and Validation of a Multimodal-Multitask Deep Learning Approach for Estimating Late Distant Recurrence Risk in HR-Positive Early Breast Cancer 2026-Jul-01, Cancer research communications IF:2.0Q3 DOI:10.1158/2767-9764.CRC-26-0362 PMID:42467849	研究论文	开发并验证了一种多模态多任务深度学习模型，用于评估激素受体阳性早期乳腺癌的晚期远处复发风险	首次将数字化全切片图像与临床病理变量整合到多模态深度学习框架中，用于晚期远处复发风险分层，并探索延长来曲唑治疗的异质性获益	未在摘要中明确提及，可能包括外部验证队列的回顾性设计、特定治疗背景（如ET）的限制等	改善激素受体阳性早期乳腺癌患者完成5年内分泌治疗后的长期风险分层，并探索延长来曲唑治疗的个体化获益	激素受体阳性早期乳腺癌患者，来自NSABP B-42试验（2271名）和TAILORx试验（4300名）	数字病理学	乳腺癌	数字病理学（全切片图像）结合临床病理变量	多模态多任务深度学习模型	图像（H&E全切片）和临床数据	NSABP B-42试验中2271名患者，TAILORx试验中4300名患者	NA	NA	风险比（HR），绝对风险差异	NA
933	2026-08-03	Leakage-Aware Visit-Level Benchmarking Reveals Representational Overlap in Deep Learning for Bacterial Versus Fungal Keratitis Classification 2026-Jul-01, Translational vision science & technology IF:2.6Q2 DOI:10.1167/tvst.15.7.28 PMID:42506962	研究论文	本研究在泄漏感知、就诊级别的框架下，对深度学习在细菌性与真菌性角膜炎分类中的应用进行了基准测试，并分析了嵌入空间的表征重叠作为潜在的性能上限	首次在泄漏感知、就诊级别的框架下对细菌性与真菌性角膜炎分类进行基准测试，并分析嵌入空间几何作为性能上限，使用严格的病人不重叠交叉验证和多种模型范式比较	单中心研究，样本量相对较小，性能上限可能是任务固有或站点特定，需多中心验证	基准测试深度学习在细菌性与真菌性角膜炎分类中的性能，并评估嵌入空间表征重叠作为性能天花板	来自101名培养确诊的细菌性或真菌性角膜炎患者的裂隙灯照片（258次就诊，658张图像）	数字病理学	角膜炎	裂隙灯摄影	CNN、MIL、DINOv2	图像	101名患者，258次就诊，658张图像	PyTorch	CNN、MIL、DINOv2	AUROC、ECE、Brier分数	NA
934	2026-08-03	A Deep Learning-Based Study on Automatic Measurement Method of Biological Parameters in Anterior Segment UBM Images of Angle-Closure Glaucoma 2026-Jul-01, Translational vision science & technology IF:2.6Q2 DOI:10.1167/tvst.15.7.27 PMID:42506963	研究论文	本研究开发了一种基于深度学习的模型，用于自动测量前段UBM图像中的生物参数，以辅助原发性闭角型青光眼的早期筛查和诊断	首次集成多区域分割和四点定位，直接从UBM图像自动计算七项前段参数，为早期PACG诊断和发病机制研究提供精确可靠的数据支持	NA	开发基于深度学习的模型，自动测量前段UBM图像中的生物参数，辅助临床医生进行原发性闭角型青光眼的早期筛查和诊断	原发性闭角型青光眼患者的前段超声生物显微镜图像	计算机视觉、数字病理学	青光眼	超声生物显微镜成像	深度学习模型（包括分割模型和目标检测模型）	图像	NA	NA	DeepLabv3+, YOLOv11s	平均交并比（mIoU）、精确率、召回率、Dice系数、平均精度均值（mAP50）、欧氏距离平均绝对误差、均方根误差、组内相关系数（ICC）	NA
935	2026-08-03	Aligning deep learning and interpretable models for blood cell classification: A dual-model framework for explainability 2026-Jul, PLOS digital health DOI:10.1371/journal.pdig.0001514 PMID:42531177	研究论文	提出一种由深度YOLO分类器和可解释浅层模型组成的双模型框架，用于血细胞分类，并通过SHAP和Score-CAM增强透明度，在专有和公共数据集上取得高AUC和临床专家高一致性	将深度YOLO模型与可解释的浅层模型配对，通过SHAP量化特征重要性并标记不一致，结合Score-CAM激活图进行验证，提高临床透明度和信任度	未说明	提高血细胞分类的临床可解释性，增强预测信心并提供临床相关洞察	血细胞图像，包括专有数据集和公共数据集（PBC, Raabin）	计算机视觉	未说明	图像分类与分割	CNN（YOLO）	图像	专有数据集、PBC和Raabin公共数据集；用户研究涉及9名血液学家和实验室医学技师	未说明	YOLO	AUC, 一致性率	未说明
936	2026-08-03	A structured literature review of computer vision methods for insect identification 2026-Jul-01, Journal of insect science (Online) DOI:10.1093/jisesa/ieag050 PMID:42533852	综述论文	本文通过PRISMA指南指导的文献综述，系统分析了计算机视觉方法在昆虫识别中的应用。	该研究提供了一种基于加权质量评估标准的系统综述方法，并强调了深度学习在昆虫识别中的主导地位及领域泛化挑战。	综述发现公共数据集稀缺且地理分布不均，限制结果的复现性和公平比较，且实验室性能优于实地部署。	评估计算机视觉方法在昆虫分类和识别中的现状、趋势和挑战。	成年昆虫，特别是鳞翅目、双翅目、半翅目和鞘翅目。	计算机视觉	不适用	PRISMA系统性文献综述	深度学习模型（如CNN、YOLO变体、ResNet、EfficientNet、MobileNet、Transformer）	文献数据	230篇文章经全文评估，111篇高质量研究被纳入。	不适用（综述论文）	YOLO、ResNet、EfficientNet、MobileNet、CNN与经典分类器的混合模型	准确率、性能评估（具体指标未详述）	不适用（综述论文）
937	2026-08-03	Artificial intelligence for design strategies of tissue engineering materials 2026-Jul, Fundamental research IF:5.7Q1 DOI:10.1016/j.fmre.2025.09.010 PMID:42539665	综述	本文系统回顾了基于机器学习和深度学习算法在组织工程材料设计与性能预测中的应用，包括优化机械性能、评估生物相容性和促进组织再生等方面	系统梳理了机器学习与深度学习在组织工程材料设计中的技术优势、挑战及未来方向，特别强调了深度学习在处理复杂生物数据如材料-细胞-蛋白质相互作用方面的优越性	未明确提及具体局限性	探讨人工智能驱动的组织工程材料设计策略，为再生医学提供见解	组织工程材料及其与细胞、蛋白质的相互作用	机器学习	NA	NA	机器学习算法和深度学习算法	生物材料数据	NA	NA	NA	NA	NA
938	2026-08-03	Geometric deep learning-enabled metal-binding site identification and grafting 2026-Jul, Fundamental research IF:5.7Q1 DOI:10.1016/j.fmre.2024.11.012 PMID:42539690	研究论文	提出了MeSiteIG，一个基于几何深度学习的双功能工具，用于金属结合位点的识别和移植	采用E3等变图神经网络预测金属结合位点残基，无需配位残基类型和侧链信息，实现了快速且高性能的金属结合位点识别与移植	信息未在标题和摘要中明确说明	开发一个能够识别和移植金属结合位点的工具，以帮助发现新蛋白功能和设计新金属蛋白	蛋白质金属结合位点，包括抗体表面和蛋白口袋	几何深度学习	不适用	几何深度学习	E3等变图神经网络	蛋白质结构数据	独立测试集中约300个样本每秒处理速度，具体数量未说明	未明确提及	E3等变图神经网络	性能优越，具体指标未说明	未明确提及
939	2026-08-03	Photonic biosensors based on nanoparticle superstructures: from data analysis to artificial intelligence (AI) detection 2026-Jul, Fundamental research IF:5.7Q1 DOI:10.1016/j.fmre.2025.09.014 PMID:42539804	综述	本文综述了基于纳米粒子超结构的光子生物传感器，从数据分析到人工智能检测的应用，重点讨论了其在智能诊断中的潜力与挑战	系统性地探讨了人工智能特别是深度学习算法与超结构光子生物传感器的集成，以解决目标结合特异性、长期稳定性和信号解码效率等瓶颈问题	该领域仍需克服目标结合特异性、长期稳定性及信号解码效率等限制，且AI集成面临技术挑战	总结超结构光子生物传感器在疾病诊断、药物递送和细胞成像中的应用，并探讨AI集成的未来发展方向	纳米粒子超结构光子生物传感器及人工智能检测方法	光子学、生物传感、人工智能	NA	自组装、光子传感	深度学习模型	光谱、图像	NA	NA	NA	灵敏度、实时性、信号解码效率	NA
940	2026-08-03	A channel-independent transformer approach for ride-hailing demand prediction with internet sentiment and transport capacity 2026-Jul, Fundamental research IF:5.7Q1 DOI:10.1016/j.fmre.2025.04.009 PMID:42539890	研究论文	提出一种结合互联网情感和运输能力的通道独立Transformer方法用于网约车需求预测	创新性地将基于BERT、BiLSTM和注意力机制的情感分析集成到定制的CiFormer模型中，并同时纳入运输能力等外源性特征，以提升预测精度	未在摘要中明确提及局限性	提高网约车需求预测的准确性，特别是考虑社会情感趋势和运输能力动态波动等现实因素	北京西站的网约车需求及相关的互联网情感和运输能力数据	机器学习	NA	深度学习（Transformer、BERT、BiLSTM）	Transformer（CiFormer）、BERT、BiLSTM	文本数据和网约车需求时间序列数据	来自北京西站的真实世界数据集，具体样本量未在摘要中说明	NA	CiFormer、BERT、BiLSTM、注意力机制	预测指标（未指定具体指标名称）	NA