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
1061	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
1062	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
1063	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
1064	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
1065	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）
1066	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）
1067	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
1068	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
1069	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
1070	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
1071	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
1072	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
1073	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
1074	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
1075	2026-06-05	A multi-modal deep learning framework for enhanced breast cancer diagnosis using mammograms and clinical data 2026-May-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-48085-2 PMID:42071031	研究论文	提出一种多模态深度学习框架，整合乳腺X线图像与结构化临床数据，提升乳腺癌诊断准确性	采用层次化融合方法，结合跨模态注意力机制和动态模态加权，并集成感兴趣区域关注模块，用于高效整合异质特征	使用了基于已知风险因素分布合成的临床变量，而非真实配对数据，可能影响模型在实际临床中的表现	改进乳腺癌诊断的准确性和可解释性，解决组织重叠、高乳腺密度和细微病变特征导致的诊断难题	乳腺X线图像和结构化临床数据（合成变量）	计算机视觉, 机器学习	乳腺癌	NA	深度学习	图像, 结构化数据	NA	PyTorch, TensorFlow	层次化融合网络, 跨模态注意力机制	准确率, AUC, 置信区间	NA
1076	2026-06-05	Explainable AI in Cardiology Diagnostics: A Systematic Review of Machine Learning, Meta-heuristic Optimization, and Clinical Text Mining for Coronary Artery Disease 2026-May, International journal of medical informatics IF:3.7Q2 DOI:10.1016/j.ijmedinf.2026.106321 PMID:41653696	系统综述	系统回顾了机器学习、自然语言处理、元启发式优化和可解释人工智能在冠状动脉疾病预测与诊断中的应用	首次综合评估了机器学习、自然语言处理、元启发式优化和可解释人工智能在冠状动脉疾病诊断中的协同应用，并特别强调了模型可解释性和优化对临床实践价值的影响	数据稀缺、有限的外部验证、缺乏标准化临床导向的可解释性阻碍了临床应用，多数研究缺乏严格的临床验证	评估各种人工智能方法在冠状动脉疾病预测和诊断中的应用，识别最常用模型、评估其性能，并探索可解释性和优化如何增强临床实用性	2012年8月至2025年8月间发表的、应用机器学习、自然语言处理、元启发式优化和可解释人工智能预测或诊断冠状动脉疾病的相关研究	自然语言处理, 机器学习	冠状动脉疾病	NA	机器学习, 深度学习, Transformer模型, 元启发式算法	文本, 结构化数据	61项研究	NA	BioBERT, ClinicalBERT, Transformer, 遗传算法, 粒子群优化算法	准确率	NA
1077	2026-06-05	Introducing AutoML framework for drug-drug interaction prediction: application of AutoGluon 2026-May, Toxicology mechanisms and methods IF:2.8Q2 DOI:10.1080/15376516.2026.2628929 PMID:41654993	研究论文	首次将AutoGluon AutoML框架应用于药物相互作用预测，利用分子特征自动简化模型开发	首次将AutoML框架AutoGluon应用于药物相互作用预测，无需手动调参即可实现高效建模	仅使用单模态分子特征，未涉及多模态数据或更大规模数据集验证	通过自动化机器学习简化药物相互作用预测模型的开发流程	来自DrugBank的10万对药物对	机器学习	NA	AutoML	AutoGluon-Tabular	分子特征（2D分子描述符、Morgan指纹及其组合）	100,000对药物对	AutoGluon	NA	准确率、AUC	NA
1078	2026-06-05	Cardiac MR function analysis with DL-based super resolution reconstruction: application in the clinical setting 2026-May, The international journal of cardiovascular imaging DOI:10.1007/s10554-026-03642-8 PMID:41656477	研究论文	比较基于深度学习的超分辨率重建与标准并行采集技术在心脏磁共振功能分析中的体积测量、图像质量和采集时间差异	首次在临床环境中评估深度学习超分辨率重建结合压缩感知采集（C-SENSE）对心脏磁共振成像的加速效果和图像质量影响	单中心回顾性研究，样本量较小（31例），未评估病理状态下的诊断准确性	评估深度学习超分辨率重建在心脏MR功能分析中的临床应用价值，特别是缩短采集时间而不损失体积分析准确性	31例接受心脏磁共振检查的患者（平均年龄61.2岁，26%女性，74%男性）	计算机视觉	缺血性和非缺血性心肌病	心脏磁共振成像（MRI），压缩敏感编码（C-SENSE），并行成像（SENSE）	深度学习超分辨率重建（DL-based super resolution）	图像	31例患者	NA	深度学习去噪与超分辨率重建算法	相关系数（r），平均差异，一致性界限（LoA），Likert量表评分	1.5T Philips Ingenia MRI扫描仪
1079	2026-06-05	Artificial intelligence for schizophrenia: from unimodal prediction to multimodal characterization 2026-May-01, Current opinion in psychiatry IF:7.5Q1 DOI:10.1097/YCO.0000000000001076 PMID:41661188	综述	综述了人工智能在精神分裂症诊断、治疗、管理和表征中的应用进展，涵盖神经影像、电生理、电子健康记录和基因组数据等多种模态	从单模态预测向多模态综合表征转变的趋势，包括多模态融合方法、数据驱动的亚组学习、脑网络和精神病连续谱研究，以及大规模多模态数据集、基础模型和机制可解释性方法的兴起	将人工智能模型转化为临床工具仍需关注患者隐私和数据偏倚，并在不同人群和环境间进行严格验证	调研人工智能驱动的精神分裂症诊断、治疗、管理和表征方法，聚焦从单模态到多模态的综合表征转变	精神分裂症患者的相关数据，包括神经影像、电生理、电子健康记录和基因组数据	机器学习	精神分裂症	NA	NA	神经影像、电生理数据、电子健康记录、基因组数据	NA	NA	NA	NA	NA
1080	2026-06-05	Untargeted Metabolomic and Lipidomic Profiles of Gingival Crevicular Fluid in the Context of Periodontitis 2026-May, Journal of clinical periodontology IF:5.8Q1 DOI:10.1111/jcpe.70105 PMID:41664514	研究论文	探究牙周炎与健康个体龈沟液中非靶向代谢组和脂质组特征的差异	采用半监督深度学习方法进行代谢组学峰筛选和数据分析，系统揭示了牙周病变中嘌呤降解、神经酰胺代谢升高及含氧脂肪酸代谢下调的特征	NA	阐明牙周炎与健康龈沟液之间的代谢和脂质差异，为牙周炎的精准诊疗提供依据	龈沟液样本	机器学习	牙周炎	液相色谱/质谱联用	半监督深度学习模型	代谢组学和脂质组学数据	17名健康个体和19名牙周炎患者	NA	NA	q值，对数变换倍数变化	NA