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
10121	2026-01-30	Artificial Intelligence Meets Nail Diagnostics: Emerging Image-Based Sensing Platforms for Non-Invasive Disease Detection 2026-Jan-08, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering13010075 PMID:41596006	综述	本文首次全面综述了结合人工智能/机器学习进行指甲病变图像分析以用于诊断目的的研究现状	首次对融合AI/ML的指甲病变图像分析诊断进行大规模综合评述，并特别关注诊断与筛查，提出了可扩展、公平、可信的基于指甲的医学诊断技术路径	面临数据稀缺、皮肤类型差异、标注错误以及临床采纳法规等现实世界应用障碍	探讨人工智能与机器学习在指甲诊断中的应用，推动非侵入性疾病检测	指甲病变图像，作为系统性疾病（如贫血、糖尿病、银屑病、黑色素瘤、真菌病）的非侵入性生物标志物	计算机视觉	NA	智能手机成像、皮肤镜、光学相干断层扫描	深度学习	图像	NA	NA	NA	NA	NA
10122	2026-01-30	Explainable Transformer-Based Modelling for Pathogen-Oriented Food Safety Inspection Grade Prediction Using New York State Open Data 2026-Jan-08, Foods (Basel, Switzerland) DOI:10.3390/foods15020223 PMID:41596821	研究论文	本研究开发了一个基于Transformer的可解释框架，利用纽约州公开的多模态检查数据来预测食品安全检查等级	首次将基于Transformer的模型与可解释人工智能（XAI）相结合，用于面向病原体的食品安全风险评估，并利用多模态数据（结构化元数据和非结构化缺陷描述）进行建模	研究仅基于纽约州的公开数据，模型在其他地区的泛化能力尚未验证；未详细讨论计算资源需求和实时部署的可行性	开发可解释的AI框架，用于预测食品安全检查等级，支持面向病原体的实时风险评估	纽约州食品安全检查数据，包括结构化元数据和非结构化缺陷描述文本	自然语言处理	食源性疾病	文本分析，多模态数据融合	Transformer, BiLSTM, LightGBM	文本，结构化数据	未明确说明具体样本数量，但使用纽约州公开的食品安全检查数据集	未明确说明，但提及了经典机器学习、深度学习和Transformer模型	RoBERTa, BiLSTM, LightGBM	F1分数	NA
10123	2026-01-30	Artificial Intelligence in Rheumatology: From Algorithms to Clinical Impact in Osteoporosis and Chronic Inflammatory Rheumatic Diseases 2026-Jan-08, Journal of clinical medicine IF:3.0Q1 DOI:10.3390/jcm15020491 PMID:41598430	综述	本文总结了人工智能在骨质疏松症和慢性炎症性风湿病领域的研究现状、应用潜力及面临的挑战	系统性地回顾了2015年至2025年间AI在风湿病学领域的研究进展，并特别关注了方法学稳健性和临床适用性	大多数研究依赖于回顾性单中心数据集，外部验证有限，可解释性欠佳，且缺乏真实世界应用的证据	总结人工智能在骨质疏松症和慢性炎症性风湿病中的当前证据，评估其临床转化潜力	骨质疏松症和慢性炎症性风湿病（如骶髂关节炎）	数字病理学	风湿病	NA	机器学习, 深度学习	影像数据, 临床数据, 生物学数据	基于323篇纳入文章	NA	NA	NA	NA
10124	2026-01-30	Predicting enviromically adapted varieties with big data 2026-Jan-07, Genome biology IF:10.1Q1 DOI:10.1186/s13059-025-03914-x PMID:41495804	研究论文	本研究提出了一种结合基因组数据和环境信息的预测框架，用于选择适应特定环境的高产冬小麦基因型	通过整合大规模基因组和环境数据，利用卷积神经网络和机器学习方法预测基因型与环境互作，显著提升了环境特异性性能预测的准确性	研究主要基于中欧地区的冬小麦数据，可能在其他地理区域或作物类型中适用性有限	开发一种基于大数据的基因组预测框架，以选择适应特定环境的高产作物品种	冬小麦的基因型（包括6,766个品系和6,519个杂交种）及其在31个中欧试验点的产量表现	机器学习	NA	基因组预测，环境变量分析	CNN，机器学习模型	基因组数据，环境数据，产量数据	13,285个基因型（6,766个品系和6,519个杂交种）在31个试验点从2010年至2022年的数据	NA	卷积神经网络	预测准确性，性能提升百分比（23%）	NA
10125	2026-01-30	AI driven hybrid convolutional and transformer based deep learning architecture for precise lung nodule classification 2026-Jan-07, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-34569-0 PMID:41501139	研究论文	本研究提出了一种结合图像增强与分割的AI驱动混合深度学习架构，用于精确分类肺部结节	提出了一种结合自适应对比度拉伸、各向异性扩散、自适应阈值、三维连通性和形态学操作的混合图像增强与分割流程，并采用卷积与Transformer混合的深度学习架构进行结节分类	研究仅基于公开数据集LIDC IDRI进行验证，未在临床实时环境中测试，且未与其他最先进的深度学习分割方法进行广泛比较	设计和验证一个全面的图像增强与分割流程，以高空间精度检测肺部结节并保持低假阳性率	肺部CT图像中的肺结节	计算机视觉	肺癌	计算机断层扫描(CT)	CNN, Transformer	医学图像(CT扫描)	1000次扫描(来自LIDC IDRI公开数据集)	NA	混合卷积和Transformer架构	重叠分数, 灵敏度, 每扫描假阳性数	NA
10126	2026-01-30	Voxel Normalization in LDCT Imaging: Its Significance in Texture Feature Selection for Pulmonary Nodule Malignancy Classification: Insights from Two Centers 2026-Jan-07, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16020186 PMID:41594162	研究论文	本研究评估了体素归一化对肺结节分类的影响，并提出了一种基于快速傅里叶变换的轮廓融合方法作为更可解释的替代方案	引入基于快速傅里叶变换的轮廓融合方法，提供比生成对抗网络更具临床可解释性的专家标注整合方案	研究仅基于两个医疗中心的数据，未来需要在多中心环境中进一步验证	提高低剂量CT影像中肺结节恶性分类的准确性和可解释性	肺结节	数字病理学	肺癌	低剂量计算机断层扫描	机器学习模型,深度学习模型,Transformer	医学影像	来自两个医疗中心的415名患者的病理确诊LDCT数据	NA	Transformer	准确率	NA
10127	2026-01-30	A Gas Production Classification Method for Cable Insulation Materials Based on Deep Convolutional Neural Networks 2026-Jan-07, Polymers IF:4.7Q1 DOI:10.3390/polym18020155 PMID:41599454	研究论文	本文提出了一种基于深度卷积神经网络的多标签分类框架，用于准确识别五种典型电力电缆绝缘材料在故障条件下的气体生成特性	利用深度卷积神经网络实现多标签分类，能够同时预测多种降解状态或并发故障模式组合，解决了传统方法在处理混合气体数据时缺乏多标签识别能力的问题	NA	提高电力电缆设备绝缘状态评估的准确性	五种典型电力电缆绝缘材料：三元乙丙橡胶、乙烯-醋酸乙烯共聚物、硅橡胶、聚酰胺和交联聚乙烯	机器学习	NA	演化气体分析	CNN	气体浓度数据	NA	NA	深度卷积神经网络	NA	NA
10128	2026-01-30	Image-based rachis phenotyping facilitates genetic dissection of spikelet distribution in wheat 2026-Jan-06, Plant physiology IF:6.5Q1 DOI:10.1093/plphys/kiaf666 PMID:41419219	研究论文	本研究开发了一种基于深度学习的表型分析流程RachisSeg，用于自动测量小麦穗轴图像中的性状，以促进穗粒分布遗传分析	引入了基于穗轴节间长度的穗粒分布性状，提供了穗结构的定量见解，并开发了RachisSeg这一自动化表型分析工具	未明确说明样本多样性或环境条件对结果的影响，可能受限于图像扫描质量	通过图像表型分析促进小麦穗粒分布的遗传解析和育种应用	小麦（Triticum aestivum L）的穗轴图像	计算机视觉	NA	深度学习	CNN	图像	小麦种质资源（包括地方品种、美国品种和中国品种）及重组自交系群体	NA	NA	R2值	NA
10129	2026-01-30	Soft sonocapacitor with topologically integrated piezodielectric nanospheres enables wireless epidural closed-loop neuromodulation 2026-Jan-06, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-67723-3 PMID:41495062	研究论文	本文开发了一种拓扑纤维结构声电容（SonoCap），用于实现无线、高电容电荷密度注入的神经调控	提出了一种独特的压电-介电复合纳米球（UCapT）结构，具有压电核心-空腔-介电笼的拓扑结构，能高效耦合超声激发实现压电电子-电容转移，其高度组装的SonoCap实现了累积电荷存储、高离子可及表面积和宏观柔软性	NA	开发一种无线、高电容电荷密度注入的神经调控方案，用于癫痫等疾病的治疗	大鼠和猪的大脑神经回路	生物医学工程	癫痫	超声激发、电容耦合电刺激	NA	NA	NA	NA	NA	电容电荷密度输出（9.7 mC cm⁻²）、法拉第电荷（2 nC cm⁻²）	NA
10130	2026-01-30	On Construction of Tibial Plateau Fracture Detection in Different Radiographic Views Using YOLO Models 2026-Jan-06, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16020182 PMID:41594158	研究论文	本研究评估了四种YOLO深度学习模型在不同X射线视图下检测胫骨平台骨折的性能	首次系统比较了YOLOv4、YOLOv5、YOLOv8和YOLOv9在胫骨平台骨折检测中的表现，并发现AP视图训练的模型性能最优	研究仅使用了单一医疗中心的X射线图像，样本量相对有限，且未涉及其他影像模态如CT或MRI	评估不同YOLO模型在不同X射线视图下检测胫骨平台骨折的准确性和泛化能力	胫骨平台骨折的X射线图像	计算机视觉	骨折	X射线成像	YOLO	图像	1489张膝关节X射线图像（727张骨折图像，762张非骨折图像）	NA	YOLOv4, YOLOv5, YOLOv8, YOLOv9	准确率, 特异性, 精确率, F1分数, AUC, 灵敏度, 阴性预测值	NA
10131	2026-01-30	A Supervised Deep Learning Model Was Developed to Classify Nelore Cattle (Bos indicus) with Heat Stress in the Brazilian Amazon 2026-Jan-06, Animals : an open access journal from MDPI IF:2.7Q1 DOI:10.3390/ani16020161 PMID:41594351	研究论文	本研究开发了一种用于分类内洛尔牛热应激状态的监督深度学习模型	首次为巴西亚马逊地区的Bos indicus品种牛开发了基于深度学习的非侵入式热应激分类模型	模型特异性较低（42%），可能受类别不平衡和输入特征不足影响，在识别热舒适动物方面存在困难	开发深度学习模型以实时监测和分类牛的热应激状态，支持精准畜牧业决策	内洛尔牛（Nelore cattle, Bos indicus）	机器学习	NA	深度学习，生物与环境参数监测	神经网络	多模态数据（生物变量：直肠温度、呼吸频率；环境变量：气温、相对湿度）	30头牛（18-20月龄），共676个样本，覆盖每日4个时段（6:00, 12:00, 18:00, 24:00）	NA	NA	准确率, 召回率, 特异性	NA
10132	2026-01-30	Comment on Korkmaz et al. A Deep Learning and Explainable AI-Based Approach for the Classification of Discomycetes Species. Biology 2025, 14, 719 2026-Jan-06, Biology DOI:10.3390/biology15020106 PMID:41594841	评论	本文是对Korkmaz等人关于使用深度学习和可解释AI分类盘菌物种研究的评论	NA	NA	讨论和评价Korkmaz等人研究中深度学习和可解释AI在盘菌物种分类中的应用	盘菌物种	自然语言处理	NA	NA	NA	NA	NA	NA	NA	NA	NA
10133	2026-01-30	Reply to Pastore, E.P. Comment on "Korkmaz et al. A Deep Learning and Explainable AI-Based Approach for the Classification of Discomycetes Species. Biology 2025, 14, 719" 2026-Jan-06, Biology DOI:10.3390/biology15020107 PMID:41594842	回复	本文是对Pastore, E.P.评论的正式回复，针对原论文《A Deep Learning and Explainable AI-Based Approach for the Classification of Discomycetes Species》中提出的统计独立性、选择偏差和捷径学习等议题进行回应	NA	NA	回应评论中关于盘菌物种分类深度学习方法的统计独立性、预处理偏差和模型校准等议题	盘菌物种分类的深度学习与可解释AI方法	自然语言处理	NA	NA	NA	NA	NA	NA	NA	NA	NA
10134	2026-01-30	Deep Learning-Based Identification of Pathogenicity Genes in Phytophthora infestans Using Time-Series Transcriptomics 2026-Jan-06, Plants (Basel, Switzerland) DOI:10.3390/plants15020178 PMID:41599985	研究论文	本研究提出了一种LSTM-Transformer混合模型，用于从基因表达时间序列数据中识别致病性相关基因，以应对马铃薯晚疫病的挑战	提出了一种结合LSTM和Transformer的混合模型，并引入了具有生物学意义的时间注意力架构、基因时间序列特定的数据划分策略以及可解释的深度分析模块	研究仅基于32,917个基因的18个样本进行分析，样本量相对有限，且模型在更广泛病原体或作物中的泛化能力尚未验证	识别与致病性相关的基因，为培育抗晚疫病马铃薯品种和加强植物保护策略提供分子靶点	致病疫霉（Phytophthora infestans）的基因表达时间序列数据	自然语言处理	植物病害	时间序列转录组学	LSTM, Transformer	基因表达时间序列数据	18个样本（3个感染时间点 × 6个生物学重复）覆盖32,917个基因	NA	LSTM-Transformer混合模型	NA	NA
10135	2026-01-30	Applicability study of AI attribution methods for ophthalmic image classification 2026-Jan-05, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-33120-5 PMID:41491079	研究论文	本研究评估了三种前沿归因方法在眼科图像分类中的适用性，以解释基于VGG16的深度学习模型在糖尿病视网膜病变和视网膜积液检测中的预测	首次系统地将自然图像领域的归因方法（DeepLIFT、AGI、AttEXplore）应用于眼科医学影像，评估其在病理和正常病例中的临床相关性，并指出即使定量性能高，归因结果仍需结合临床专业知识解读	归因方法的结果因基础假设和超参数敏感性而差异显著，高插入或低删除分数不一定对应临床有意义的视觉归因，且在正常病例中全局上下文证据的确认可能使归因信息量降低	探索归因方法在医学影像领域的适用性，以提高深度学习模型在眼科诊断中的可解释性和临床接受度	糖尿病视网膜病变和视网膜积液	计算机视觉	糖尿病视网膜病变	光学相干断层扫描（OCT）、宽视野OCT血管造影（OCTA）	CNN	图像	NA	NA	VGG16	准确率、插入分数、删除分数	NA
10136	2026-01-30	Predicting Physical Appearance from Low Template: State of the Art and Future Perspectives 2026-Jan-05, Genes IF:2.8Q2 DOI:10.3390/genes17010059 PMID:41595479	综述	本文综述了从低模板DNA预测外貌特征的现状与未来展望，重点评估了机器学习模型在提升预测精度和操作可行性方面的应用	系统评估了机器学习模型在低模板DNA表型预测中的应用，并比较了不同算法在关键数据集上的性能，同时探讨了多组学整合、可解释AI等未来方向	在混合人群和多基因复杂性状预测方面仍存在局限性，模型的可解释性和偏差缓解对于法庭可采性至关重要	评估和改进从低模板DNA进行法医DNA表型预测的准确性和可靠性	低模板DNA样本及其预测的外部可见特征（如眼睛、头发、皮肤颜色、祖先、年龄）	法医基因组学	NA	SNP-based trait modeling, genotype imputation, epigenetic age estimation, probabilistic inference	Random Forests, Support Vector Machines, Gradient Boosting, deep learning	基因组数据	1000 Genomes Project, UK Biobank, 法医案例样本	NA	NA	AUC	NA
10137	2026-01-30	Emerging Artificial Intelligence Models for Estimating Breslow Thickness from Dermoscopic Images 2026-Jan-03, Biomedicines IF:3.9Q1 DOI:10.3390/biomedicines14010097 PMID:41595633	综述	本文综述了利用深度学习模型从皮肤镜图像中无创估算Breslow厚度的研究进展	系统性地总结了基于卷积神经网络和视觉Transformer的AI模型在Breslow厚度估算中的应用，并强调了预处理技术和可解释性方法对临床适用性的提升	外部验证显示模型性能下降，在临床关键厚度范围（0.4-1.0毫米）区分能力差，训练数据存在显著偏差（主要代表浅肤色类型），缺乏前瞻性临床试验验证临床效用，监管审批路径未定义	评估人工智能模型在无创估算皮肤黑色素瘤Breslow厚度方面的潜力与挑战	皮肤镜图像	计算机视觉	皮肤黑色素瘤	深度学习	CNN, Transformer	图像	单中心数据集（具体数量未提供）	NA	ResNet, EfficientNet, Vision Transformers	准确率, AUC	NA
10138	2026-01-30	Microbial Ecological Signatures Predict Pathogen Emergence and Multidrug Resistance in Cystic Fibrosis Airways up to a Year in Advance 2026-Jan-02, medRxiv : the preprint server for health sciences DOI:10.64898/2025.12.28.25342520 PMID:41503489	研究论文	本研究开发了一种基于自编码器的新框架，通过整合囊性纤维化患者气道微生物组的分类学和功能数据，预测病原体定植、多重耐药性和即将发生的感染，可提前长达一年进行预测	开发了新的自编码器框架，整合分类和功能数据形成潜在“系统发育和功能簇”，结合梯度提升随机森林，首次实现了对囊性纤维化气道病原体出现和多重耐药性的长期预测	研究样本量相对有限（64名患者，127个样本），模型在更广泛人群中的泛化能力仍需进一步验证	开发预测囊性纤维化患者气道病原体出现和多重耐药性的早期标志物	囊性纤维化患者的气道微生物组	机器学习	囊性纤维化	宏基因组测序	自编码器, 梯度提升随机森林	宏基因组数据	127个痰液和支气管肺泡灌洗液宏基因组样本（来自64名囊性纤维化患者），以及来自22个独立数据集的1000多个全球宏基因组样本	NA	自编码器	准确率	NA
10139	2026-01-30	RoBep: a region-oriented deep learning model for B-cell epitope prediction 2026-Jan-02, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btag006 PMID:41527265	研究论文	本文介绍了一种名为RoBep的区域导向深度学习模型，用于预测B细胞表位，通过结合蛋白质语言模型和等变图神经网络，并引入区域约束机制，以提高预测的准确性和生物合理性	RoBep引入了新颖的区域约束机制，将先进的蛋白质语言模型ESM-Cambrian与等变图神经网络结合，显式建模表位残基的空间聚类，确保预测的表位残基在空间上紧凑，从而增强生物合理性和实用性	未在摘要中明确提及，但可能包括对特定数据集或蛋白质结构的依赖，以及计算资源需求	开发一种区域导向的深度学习模型，用于准确预测B细胞表位残基，以支持抗体设计和结构引导的疫苗开发	B细胞表位残基和抗体-抗原结合区域	自然语言处理, 机器学习	NA	蛋白质语言模型, 等变图神经网络	深度学习模型, 图神经网络	蛋白质结构数据	NA	PyTorch	ESM-Cambrian, 等变图神经网络	F1分数, Matthews相关系数, 精确率-召回率曲线下面积, AUROC0.1	NA
10140	2026-01-30	Development and clinical validation of a novel deep learning-based mediastinal endoscopic ultrasound navigation system for quality control: a single-center, randomized controlled trial 2026-Jan-01, International journal of surgery (London, England) DOI:10.1097/JS9.0000000000003469 PMID:40990678	研究论文	本研究开发并临床验证了一种基于深度学习的新型纵隔内镜超声导航系统，旨在通过实时AI反馈提升纵隔EUS检查的质量控制	首次开发并在一项随机对照试验中验证了用于纵隔内镜超声质量控制的AI导航系统，实现了实时解剖标志识别与扫描引导	研究为单中心试验，未发现对第2站（隆突下区域）的扫描完整性有显著改善，且未报告不良事件，外部泛化性需进一步验证	开发并评估一种人工智能系统，以辅助纵隔内镜超声检查中的解剖标志识别和扫描引导，从而改善临床实践中的质量控制	需要进行纵隔内镜超声检查的患者	数字病理学	纵隔疾病	内镜超声	深度学习	图像	训练集来自120名患者的11230张标注图像，内部验证1972张图像，外部验证824张图像（来自三个机构）；随机对照试验纳入148名患者（AI辅助组72人，对照组76人）	NA	NA	标准站完整性、结构完整性、手术时间	NA