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
10501	2026-04-24	Deep learning for predicting stem cell efficiency for use in beta cell differentiation 2026-Mar-09, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-42830-3 PMID:41803201	研究论文	提出基于图像深度学习模型，预测干细胞克隆效率，用于β细胞分化指导	利用无标记相位差成像与深度学习（EfficientNet-V2-S）相结合，实现分化的早期预测（53小时），克隆级准确率达96.7%，并通过层相关性传播和傅立叶分析解释模型特征	本研究仅为概念验证，且未提及模型在更大样本或不同干细胞系上的泛化能力	开发基于图像的深度学习模型，早期预测干细胞克隆在β细胞分化中的效率，以降低细胞生产成本	患者来源的干细胞克隆（高效与低效克隆）	计算机视觉, 数字病理学	糖尿病	相位差成像	卷积神经网络（EfficientNet-V2-S）	图像（相位差成像）	干细胞克隆样本（具体数量未给出）	NA	EfficientNet-V2-S	准确率（96.7%）	NA
10502	2026-04-24	Adaptive Logit Fusion for Mitigating Class Imbalance in Multi-Category Sperm Morphology Assessment 2026-Mar-09, Life (Basel, Switzerland) DOI:10.3390/life16030438 PMID:41900957	研究论文	提出一种基于深度学习的集成方法，用于对精子细胞进行18类形态学分类，包括1类正常和17类异常	通过自适应逻辑融合策略结合EfficientNetV2-S和ResNet50V2两种架构，并优化融合权重以最大化召回率、精确率和F1分数，有效缓解了类别不平衡问题	视觉特征不明显的缺陷类型分类性能较低	提高多类别精子形态评估中类别不平衡下的分类性能	精子细胞，涵盖1个正常和17个异常形态类别	计算机视觉	男性不育症	深度学习	卷积神经网络集成模型	图像	未明确说明样本数量	TensorFlow, Keras	EfficientNetV2-S, ResNet50V2	准确率, 召回率, 精确率, F1分数	自动混合精度训练，未明确GPU类型
10503	2026-04-24	EpiExpr: Predicting gene expression using epigenetic data and chromatin interactions 2026-Mar-06, bioRxiv : the preprint server for biology DOI:10.64898/2026.02.06.704509 PMID:41867859	研究论文	EpiExpr是一个灵活的深度学习框架，利用一维表观遗传数据和三维染色质相互作用预测基因表达	整合一维表观遗传图谱和三维染色质相互作用进行基因表达预测，无需序列嵌入即可达到与基于DNA序列的transformer模型相当的性能	NA	从表观基因组图谱解码基因表达，捕获远端调控效应	GM12878和K562细胞	机器学习	NA	CRISPRi-FlowFISH	残差卷积网络、图神经网络、图注意力模型、图变换器模型	表观遗传图谱、染色质相互作用数据	两种细胞系（GM12878和K562）	PyTorch	ResNet, GNN, GAT, Graph Transformer	预测精度、AUC	NA
10504	2026-04-24	Artificial Intelligence-Driven Discovery and Optimization of Antimicrobial Peptides Targeting ESKAPE Pathogens and Multidrug-Resistant Fungi 2026-Mar-06, Microorganisms IF:4.1Q2 DOI:10.3390/microorganisms14030591 PMID:41900351	综述	本文综述了人工智能在针对ESKAPE病原体和多重耐药真菌的抗菌肽发现与优化中的应用	结合机器学习、深度学习及基于transformer的蛋白质语言模型，以及生成式方法（如变分自编码器、扩散模型和强化学习）实现从头多目标肽设计和病原导向优化	尚未有完全由AI设计的抗菌肽获得监管批准，临床转化仍受毒性、稳定性和生产限制	评估人工智能在加速下一代抗多重耐药病原体的抗菌肽临床转化中的潜力	抗菌肽、ESKAPE病原体、多重耐药真菌	机器学习	抗微生物耐药性感染	NA	机器学习、深度学习、transformer、变分自编码器、扩散模型、强化学习	序列数据	NA	NA	transformer, 变分自编码器, 扩散模型	NA	NA
10505	2026-04-24	AI-Driven Drug Discovery: Focus on Targets for Solid Tumors 2026-Mar-06, Pharmaceutics IF:4.9Q1 DOI:10.3390/pharmaceutics18030329 PMID:41900815	综述	探讨人工智能在实体肿瘤药物靶点发现中的应用进展与挑战	系统总结了近三年特别是大语言模型在肿瘤药物发现中的应用，并聚焦于AI辅助靶点识别的最新进展	未提及具体实验验证或定量性能比较，且侧重于综述性分析而非技术方法创新	综述AI在实体肿瘤药物靶点发现中的应用现状及未来方向	实体肿瘤及其药物靶点	机器学习	实体肿瘤	NA	大语言模型	多组学生物数据、真实世界证据	NA	NA	NA	NA	NA
10506	2026-04-24	MRI-based qualitative, quantitative, and radiomics/deep learning methods for assessing treatment response after neoadjuvant chemoradiotherapy in patients with locally advanced rectal cancer 2026-Mar, Precision radiation oncology DOI:10.1002/pro6.70055 PMID:42022355	综述	总结基于MRI的定性、定量、影像组学和深度学习方法在评估局部进展期直肠癌新辅助放化疗疗效中的现状与未来展望	综合阐述了功能MRI技术（如弥散加权成像、灌注加权成像等）以及新兴的影像组学和深度学习方法在评估新辅助放化疗后病理完全缓解中的应用	未明确提及，但综述性质可能导致缺乏实证对比分析	评估新辅助放化疗后病理完全缓解的术前准确评估方法	局部进展期直肠癌患者	医学影像分析, 机器学习	直肠癌	MRI, 功能MRI, 影像组学, 深度学习	深度学习模型（未具体指定）	MRI图像	NA	NA	NA	NA	NA
10507	2026-04-24	Early Cancer Detection: What's Going on and What's Next 2026-Mar, MedComm IF:10.7Q1 DOI:10.1002/mco2.70653 PMID:42022539	综述	本文综述了基于血液的多癌种早期检测技术的现状、挑战与未来方向	整合多组学分析与先进分子成像的协同方法，以及风险适应的MCED范式，可能提高检测准确性和肿瘤定位能力	MCED方法在方法学、临床和实施方面仍面临重大障碍，影响了其广泛应用	评估多癌种早期检测技术的发展现状、优势及局限，并探讨人工智能在其中的作用	循环游离DNA和循环肿瘤DNA为基础的检测方法	机器学习	癌症	多组学分析、分子成像、循环游离DNA测序、循环肿瘤DNA测序	深度学习	血液样本中的DNA数据	NA	NA	NA	灵敏度、特异性、预测性能	NA
10508	2026-04-24	Explainable Artificial Intelligence in Healthcare: Current Landscape, Challenges, and Future Directions 2026-Mar, Health science reports IF:2.1Q3 DOI:10.1002/hsr2.72172 PMID:42022614	综述	系统综述了可解释人工智能在医疗健康领域的当前状况、挑战与未来方向	首次系统性地将可解释人工智能技术与具体医疗领域（如肿瘤学、心脏病学）进行映射分析，并识别出新兴趋势如混合可解释模型和人本设计	真实世界验证不足、可解释性指标缺乏标准化、伦理监管框架不完善	综合评估可解释人工智能在医疗健康中的应用现状，识别关键挑战并指出未来发展方向	2017-2025年间发表的70篇同行评审研究文献	机器学习	肿瘤学、心脏病学、传染病、神经学	NA	深度学习（CNN、RNN、LSTM、Transformer）、树模型（随机森林、XGBoost、决策树）	文本	70篇研究文献	NA	CNN, RNN, LSTM, Transformer, 随机森林, XGBoost, 决策树	NA	NA
10509	2026-04-24	Wearable Hybrid Strain-Myoelectric Sensing System for Machine-Learning-Assisted Sarcopenia Screening 2026-Mar, Small science IF:11.1Q1 DOI:10.1002/smsc.202500582 PMID:42022867	研究论文	提出一种可穿戴混合应变-肌电传感系统，结合CNN-LSTM深度学习框架，用于机器学习辅助的肌肉减少症早期筛查	首次集成表面肌电信号与压电应变传感技术，同时捕捉电生理信号和机械变形信号，结合CNN-LSTM深度学习和特征工程（9种生理相关特征）实现高精度筛查，并利用SHAP可解释性分析揭示神经肌肉退行性变化机制	仅在75名老年参与者中验证，样本量较小，且未明确说明该方法在更广泛人群或临床环境中的泛化能力	开发一种便携、低成本、无辐射的肌肉减少症早期筛查系统	肌肉减少症患者的神经肌肉状态，特别是肌肉收缩时的电生理信号和机械变形信号	机器学习	老年疾病	表面肌电图、压电应变传感	CNN-LSTM	信号	75名老年参与者	PyTorch	CNN, LSTM	准确率, 曲线下面积	NA
10510	2026-04-24	A Novel Ensemble Learning Approach for Grouping the State-of-the-Art YOLOV10 and YOLOV11 Models for Kidney Stone Detection in CT and Ultrasound Images 2026-Feb, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01499-2 PMID:40234345	研究论文	提出一种集成YOLOV10和YOLOV11模型的集成学习方法，用于在CT和超声图像中检测肾结石	首次将YOLOV10和YOLOV11模型集成用于肾结石检测，通过减少假阴性和假阳性错误提升个体模型性能	未提及具体计算资源和数据集规模等限制	提高肾结石在医学图像中的检测准确性和精确度	CT和超声图像中的肾结石	计算机视觉	肾结石	深度学习	YOLOV10, YOLOV11	图像	未提及	NA	YOLOV10, YOLOV11	精确率, 召回率, F1分数, Map50	NA
10511	2026-04-24	The Lack of Neurofeedback Training Regulation Guidance and Process Evaluation May be a Source of Controversy in Post-Traumatic Stress Disorder-Neurofeedback Research: A Systematic Review and Statistical Analysis 2026-Feb, Brain connectivity IF:2.4Q3 DOI:10.1089/brain.2024.0084 PMID:40371570	系统综述与统计分析	对脑机接口神经反馈训练在创伤后应激障碍干预中的方法学与实验设计进行系统评价	揭示了神经反馈训练中缺乏明确调控指导与过程评估机制是争议来源，并提出机器学习/深度学习方法在小样本场景下的应用方向	仅包含Web of Science数据库文献，未纳入非英语或未发表研究；样本量较小限制了高级分析方法的应用	分析神经反馈技术在PTSD调控中的主要技术路线与结果，探讨有效性争议原因并提出改进方向	已发表的PTSD神经反馈原始研究文献（共31篇）	数字病理学	创伤后应激障碍	脑电图神经反馈、功能性磁共振成像神经反馈	机器学习（基础方法）、深度学习（未应用）	时间序列信号（EEG）、脑功能影像（fMRI）	EEG研究平均样本量17.4（SD 7.13），fMRI研究平均样本量14.6（SD 6.37）	NA	NA	NA	NA
10512	2026-04-24	Diffusion Posterior Sampling for Tomographic Reconstruction with Mixed Resolution Priors 2026-Feb, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.3088076 PMID:42017039	研究论文	提出一种基于扩散后验采样的混合先验模型，用于提高断层重建中区域空间分辨率并保持全局结构一致性	结合全局扩散模型和区域块状扩散模型，通过频域方法融合低频和高频成分，并采用移位块划分机制消除拼接伪影	混合先验模型依赖高质量训练数据，且区域先验的应用需手动定义掩膜	在断层图像重建中通过混合先验模型提升区域分辨率，同时保持全局稳定性和一致性	断层重建中的图像数据	计算机视觉	NA	扩散后验采样	扩散模型	图像	NA	PyTorch	扩散模型（全局+区域块状模型）	重建质量	NA
10513	2026-04-24	Evaluation of Fluence Reduction versus Sparsity for Diffusion Posterior Sampling Reconstruction in Low-Dose CT 2026-Feb, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.3087836 PMID:42017038	研究论文	系统模拟研究低剂量CT中光子通量减少与稀疏采样对扩散后验采样重建性能的影响	首次在同一框架下系统比较低剂量CT协议中两种降剂量策略（稀疏采样与每视角光子通量减少）对扩散后验采样重建的影响，并提出联合优化方案	仅基于模拟研究，未涉及真实临床数据验证	探究低剂量CT协议设计时，如何平衡稀疏采样与光子通量减少以最优维持重建图像质量	基于扩散后验采样算法的低剂量CT重建	计算机视觉, 数字病理学	NA	CT扫描	扩散概率模型	图像	模拟数据集（通过调整视角数和每视角入射光子数生成的不同组合）	PyTorch	扩散后验采样	PSNR, 偏差, 后验样本变异性	NA
10514	2026-04-24	Comparative Evaluation of Advanced Deep Learning, Image-to-Text Models, and Radiomics for Predicting Tumor Budding and Tumor-Stroma Ratio from Breast Ultrasound in Invasive Ductal Carcinoma 2026-Jan, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2025.10.020 PMID:41176437	研究论文	比较深度学习、图像到文本模型和影像组学在预测浸润性导管癌超声图像中肿瘤出芽和肿瘤-基质比率方面的性能	首次系统比较了先进图像分类深度学习模型（YOLOv11x-cls、DINOv2、Vision Transformer）、图像到文本模型（BLIP-2）和基于影像组学的机器学习算法在预测乳腺癌肿瘤微环境关键参数方面的效果	样本量较小（153例患者），且为单中心回顾性研究，模型泛化性可能有限	从术前超声图像中预测浸润性导管癌的肿瘤出芽和肿瘤-基质比率，以助力个性化治疗策略制定	浸润性导管癌患者的术前超声图像	数字病理学, 计算机视觉	乳腺癌	超声成像	卷积神经网络, Transformer, 多模态模型	图像	153例浸润性导管癌患者	PyTorch, Scikit-learn	YOLOv11x-cls, DINOv2, Vision Transformer, BLIP-2, KNN, SVM, XGBoost	AUC, Accuracy	NA
10515	2026-04-24	Exploring the Power of Machine Learning in Analysing Protein-Protein Sequences 2026 Jan-Dec, IET systems biology IF:1.9Q3 DOI:10.1049/syb2.70066 PMID:42018649	综述	全面回顾了用于蛋白质序列分析的机器学习与深度学习方法，重点评估其在预测蛋白质结构和相互作用方面的应用	系统性地基于方法论基础、数据集和性能特征对现有方法进行分类，并比较其优缺点，为研究人员提供结构化的技术选择参考	未详细说明各方法的具体性能指标和计算资源需求，且对新兴AI驱动蛋白质建模的趋势仅作概述性讨论	帮助研究人员系统评估和选择适用于特定生物学应用的蛋白质序列分析方法	蛋白质序列、蛋白质-蛋白质相互作用、蛋白质结构与功能的关系	机器学习, 自然语言处理	NA	蛋白质序列分析技术（同源建模、机器学习、深度学习、自然语言处理等）	机器学习模型, 深度学习模型	蛋白质序列数据	NA	NA	NA	性能特征（具体指标未详述）	NA
10516	2026-04-24	Enhancing age and gender verification in OTT accounts using deep learning techniques 2026, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2026.1763101 PMID:42022145	研究论文	提出一种基于卷积神经网络的年龄和性别验证方法，用于OTT平台，以限制儿童访问不适当内容	将CNN模型定制用于OTT账户中的年龄和性别识别，并开发了基于OpenCV和Flask框架的用户界面，实现自动化年龄验证	未提及模型在不同数据集上的泛化能力、计算效率或实际部署中的挑战	提高OTT平台中用户年龄和性别验证的准确性，以保护儿童免受不适当内容的影响	OTT平台用户的年龄和性别识别	计算机视觉	NA	深度学习	卷积神经网络	图像	UTK Face数据集（具体数量未提及）	OpenCV, Flask	CNN（定制化卷积神经网络）	准确率	NA
10517	2026-04-24	AI-driven magnetoencephalography biomarkers in dementia risk prediction: current evidence, challenges and future perspectives 2026, Frontiers in dementia DOI:10.3389/frdem.2026.1743627 PMID:42022294	综述	系统梳理基于人工智能的脑磁图生物标志物在痴呆风险预测中的现有证据、挑战与未来展望	首次系统综述AI驱动MEG分析在痴呆分类、预测和预后中的应用，覆盖传统机器学习与深度学习架构，并强调多模态整合与光学泵磁力计等下一代MEG技术潜力	纳入研究间存在方法学异质性，缺乏标准化预处理流程，样本量有限且多为单中心数据	评估AI结合MEG在轻度认知障碍和痴呆分类、预测及预后中的当前证据、方法学进展及临床转化潜力	健康对照、主观认知下降、轻度认知障碍、阿尔茨海默病及其他痴呆患者	机器学习	痴呆	脑磁图	支持向量机、随机森林、卷积神经网络	脑磁图信号	共14项研究，涵盖健康对照至痴呆患者多种人群	NA	支持向量机、随机森林、卷积神经网络	分类准确率	NA
10518	2026-04-24	Morphology-guided attention networks for explainable skin cancer detection under clinical uncertainty 2026, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2026.1804329 PMID:42022332	研究论文	提出一种形态引导注意力框架，用于在临床不确定性下实现可解释且可靠的皮肤癌检测	融合病变分割保留形态结构，结合注意力机制提升可解释性，并加入不确定性估计模块量化预测置信度	未提及具体局限性，但可能依赖公开数据集，真实临床场景泛化性需进一步验证	解决皮肤镜图像中视觉变异大、病变重叠及临床不确定性导致的检测挑战	皮肤镜图像中的皮肤病变分类（恶性与良性）	计算机视觉, 数字病理学	皮肤癌	皮肤镜成像	注意力网络	图像	公开皮肤镜数据集（具体样本量未说明）	NA	形态引导注意力网络（含分割模块、注意力分类网络、不确定性估计模块）	准确率, 召回率	NA
10519	2026-04-24	Artificial intelligence in drug discovery from advanced molecular representation to pipeline applications 2026, Frontiers in bioinformatics IF:2.8Q2 DOI:10.3389/fbinf.2026.1755843 PMID:42022447	综述	本文综述了人工智能在药物发现中的应用，从先进的分子表示到管线集成，强调通过模拟复杂生物系统加速研发流程	系统性地覆盖了从字符串方法到图神经网络（GNNs）、三维感知几何深度学习（GDL）、量子机器学习（QML）及混合量子-经典神经网络（HQNNs）等先进分子表示，并提出了集成量子计算、自主实验和生成模型的Q-BioFusion框架	三维分子预测和生成的几何保真度有待提高，数据效率需要增强，生物测定中固有的数据稀疏问题仍未完全解决	利用人工智能技术，通过先进分子表示加速药物发现管线的研发过程，降低成本和失败率	药物发现管线中的分子表示、模型性能、计算资源与集成框架	机器学习	NA	量子机器学习 (QML), 混合量子-经典神经网络 (HQNNs)	图神经网络 (GNNs), 三维感知几何深度学习 (GDL), 量子机器学习 (QML)	分子表示数据	NA	NA	图神经网络, 三维感知几何深度学习, 量子机器学习, 混合量子-经典神经网络	药效(PD)预测, 毒理效应预测	NA
10520	2026-04-24	Deep learning for intracranial hemorrhage detection and classification in brain CT scans: a systematic review and hybrid model approach 2026, Frontiers in digital health IF:3.2Q2 DOI:10.3389/fdgth.2026.1703634 PMID:42022505	系统综述	该论文对深度学习在颅内出血CT影像检测与分类中的应用进行了系统综述，并提出了混合模型方法	系统回顾了传统CNN、3D CNN、混合集成框架及新兴Transformer架构在该领域的应用，并评估了Grad-CAM等可解释性方法	存在泛化能力不足、数据集异质性及临床验证缺失等挑战	整合分析基于机器学习和深度学习的非增强CT颅内出血检测与分类方法	从非增强CT影像中检测和分类颅内出血及其亚型（硬膜外、硬膜下、脑实质内、脑室内和蛛网膜下腔出血）	计算机视觉	颅内出血	CT成像	CNN, 3D CNN, Transformer	CT影像	NA	NA	卷积神经网络, 三维卷积神经网络, Transformer	灵敏度, 特异性	NA