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
1081	2026-07-05	Enhancing Volumetric Imaging in Linear-Array Photoacoustic Tomography: multiview fusion with deep learning 2026-Jul-03, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2026.3709999 PMID:42397995	研究论文	提出一种基于模型深度学习框架MV-FISTA-Net，通过多视角融合提升线性阵列光声断层扫描的三维成像分辨率	将快速迭代收缩阈值算法展开为可学习的3D架构，并设计两阶段训练策略弥合合成数据与真实实验数据之间的差距	未提及	解决线性阵列光声断层扫描中三维成像的各向异性空间分辨率问题，特别是提升仰角方向分辨率	光声断层扫描成像	计算机视觉	NA	光声断层扫描	深度学习模型	图像	仿真数据、体模数据、人体在体数据集	PyTorch	FISTA, MV-FISTA-Net	分辨率提升倍数	未提及
1082	2026-07-05	Graph Network Feature Space Fusion for Predicting Irregularly Sampled Medical Time-Series Data: Deep Learning Model Development and Validation Study 2026-Jul-03, JMIR medical informatics IF:3.1Q2 DOI:10.2196/81145 PMID:42398019	研究论文	提出一种基于图网络特征空间融合的方法，用于预测不规则采样的医疗时间序列数据	将时间序列数据转换为图网络结构，并通过图卷积神经网络和门控卷积注意力机制分别提取点特征空间和边权重空间，实现特征融合，提高预测准确性和可解释性	未提及具体局限性	解决医疗数据中缺失值和不规则采样时间间隔对预测结果的影响，开发更有效的预测模型	急诊患者的复杂动态条件与临床数据	机器学习	NA	图卷积神经网络、门控卷积注意力机制	图网络模型	时间序列数据	4个数据集（具体样本数量未说明）	NA	图卷积神经网络、门控卷积注意力机制	准确率、曲线下面积、平均绝对误差	NA
1083	2026-07-05	EssTFNet: integration of adaptive time-frequency and DNA language models for interpretable human essential gene prediction 2026-Jul-03, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbag349 PMID:42398069	研究论文	提出EssTFNet，一个结合自适应时频分析与DNA语言模型的可解释深度学习框架，用于准确预测人类必需基因并实现生物学机制解释	首次将自适应时频分析（ATFNet架构）与DNA语言模型相结合，将DNA序列映射为等效时间序列信号以提取周期性和非平稳特征，在预测精度、模型可解释性和跨组织泛化能力之间取得良好平衡	未提及具体局限性，但可能包括对非人类物种的泛化能力未验证，以及需要更多实验验证识别的功能基序	开发一个可解释的深度学习框架，实现人类必需基因的准确预测并提供生物学机制见解	人类必需基因	机器学习	NA	DNA语言模型、自适应时频分析	深度学习框架（基于ATFNet架构）	DNA序列数据	S1基准任务数据集	PyTorch	ATFNet	AUC, AUPRC	NA
1084	2026-07-05	A historical journey of metabolite-protein interaction discovery: from data harmonization to AI-driven prediction 2026-Jul-03, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbag355 PMID:42398072	综述	追溯代谢物-蛋白质相互作用研究的历史，从数据协调到人工智能驱动预测的演进过程	提出以标准驱动的数据集成和校准的结构感知建模为核心的历史结构化路线图，为系统级代谢物-蛋白质相互作用图谱提供支持	未具体说明研究局限性，但指出数据碎片化、未解析代谢物身份和生理背景有限等持续挑战限制代谢组学的机制解释	梳理代谢物-蛋白质相互作用研究的历史发展，并展望未来方向以促进机制性理解和治疗设计	代谢物-蛋白质相互作用的相关数据、资源、预测工具及建模方法	机器学习	NA	代谢组学、蛋白质组尺度结构预测	深度学习	文本	NA	NA	NA	NA	NA
1085	2026-07-05	Bridging local-global transmembrane protein contexts with contrastive pretraining for alignment-free pathogenicity prediction 2026-Jul-03, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbag352 PMID:42398071	研究论文	提出Mem-Patho深度学习框架，通过对比预训练方法预测跨膜蛋白突变致病性	提出蛋白质内部标签指导的监督对比预训练策略，无需多序列比对或实验结构即可直接学习序列编码的生物物理信号	依赖蛋白质语言模型和序列推导的局部结构代理，可能无法捕获复杂的构象变化	实现跨膜蛋白突变致病性的准确预测，为精准医学提供无需序列比对的计算工具	跨膜蛋白突变体	机器学习	遗传性疾病	深度学习	对比学习模型	序列数据	跨膜蛋白基准数据集和独立KCNQ1离子通道队列	PyTorch	蛋白质语言模型, 对比学习网络	准确率	NA
1086	2026-07-05	A multimodal deepsurv approach: integrating radiomics and clinical factors for brain metastasis survival prediction 2026-Jul-03, Journal of clinical neuroscience : official journal of the Neurosurgical Society of Australasia IF:1.9Q4 DOI:10.1016/j.jocn.2026.112180 PMID:42398164	研究论文	提出一种结合影像组学和临床因素的多模态深度生存模型，用于脑转移瘤患者生存预测	首次将影像组学特征与临床因素整合至DeepSurv框架，用于脑转移瘤生存预测，并利用时间依赖的AUROC评估不同时间点预测性能	样本量相对较小且来自单一机构，不同原发肿瘤来源类别不平衡，需外部多机构验证后方可临床应用	开发并评估基于影像组学的深度学习模型，利用治疗前MRI和临床数据预测脑转移瘤患者的生存结局	199例来自Pretreat-MetsToBrain-Masks数据集的脑转移瘤患者	数字病理学	脑转移瘤	MRI	DeepSurv	影像数据（MRI序列）、临床数据	199名患者	PyRadiomics, PyTorch	DeepSurv	C-index, 综合Brier分数, 综合负二项对数似然分数, 时间依赖AUROC	NA
1087	2026-07-05	Artificial Intelligence in Echocardiography for Valvular Heart Disease 2026-Jul-03, Trends in cardiovascular medicine IF:7.3Q1 DOI:10.1016/j.tcm.2026.06.006 PMID:42398662	review	系统总结了人工智能在心脏瓣膜病超声心动图评估中的最新进展	探讨了AI通过无监督聚类挖掘潜在高风险表型以及整合多模态数据预测不良结局的能力	当前在数据标准化、模型可解释性和临床转化方面仍面临挑战	为提升心脏瓣膜病患者的精准诊断和预后评估提供新思路	心脏瓣膜病的超声心动图评估	计算机视觉	心脏瓣膜病	深度学习	卷积神经网络	图像	NA	NA	卷积神经网络	NA	NA
1088	2026-07-05	Neuroimaging-derived biotypes of self-reported insomnia symptoms are differentially associated with affective symptoms 2026-Jul-03, Biological psychiatry. Cognitive neuroscience and neuroimaging DOI:10.1016/j.bpsc.2026.06.014 PMID:42398825	研究论文	通过生成式深度学习模型，识别出伴有自我报告失眠症状的青少年中的两种神经解剖学生物型，并发现它们与情感症状的不同关联	首次采用生成式深度学习模型从灰质体积数据中识别失眠症状的神经解剖学生物型，并揭示不同生物型在行为与遗传水平上对焦虑和抑郁的差异化易感性	未明确提及	探究失眠症状的神经解剖学异质性如何差异化影响睡眠障碍与情感症状之间的关系	伴有自我报告失眠症状的青少年样本，以及用于验证的成人样本	机器学习	失眠症状、焦虑症、抑郁症	神经影像学（灰质体积数据）	生成式深度学习模型	神经影像数据（灰质体积）	研究涉及青少年样本和用于验证的成人样本，具体数量未明确说明	NA	NA	NA	NA
1089	2026-07-05	Segmentation of the parasagittal dura mater on multi-center 3D-FLAIR MRI 2026-Jul-03, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2026.122099 PMID:42398843	研究论文	开发了一种基于nnU-Net的深度学习模型mcPSD-Net，用于在多个中心的3D-FLAIR MRI图像上自动分割矢状窦旁硬脑膜	首次实现了多中心、多扫描仪条件下矢状窦旁硬脑膜的自动分割，并利用该模型分析了PSD体积随年龄和性别的变化	未提及具体限制，但可能包括样本量较小、分割精度在部分指标上有限（如Dice系数0.76）	开发自动化分割矢状窦旁硬脑膜的工具，并探究PSD体积与年龄、性别的关系	矢状窦旁硬脑膜（PSD）	计算机视觉	阿尔茨海默病相关	3D-FLAIR MRI	nnU-Net	图像	训练集55例，测试集25例，来自ADNI及本地数据集	PyTorch	nnU-Net	Dice系数、精确率、召回率、Hausdorff距离、HD95、平均对称表面距离	NA
1090	2026-07-05	Prediction of Type 2 Diabetes Mellitus From Chest X-Rays Using a Suite of Previously Developed Chronic Disease Deep Learning Models in an Ethnically Diverse Cohort: Observational Study 2026-Jul-03, JMIR AI DOI:10.2196/85248 PMID:42398923	研究论文	本研究在一个种族多样化的城市队列中外部验证了基于胸部X光片的深度学习模型在预测2型糖尿病方面的表现和泛化能力	首次在一个种族多样性高、社会剥夺程度高、2型糖尿病患病率高的城市队列中验证了基于胸部X光片的深度学习模型的泛化能力，并证明了该模型与人口统计学和BMI结合后能显著提升预测性能	发病率预测准确性低于患病率，可能需纳入糖化血红蛋白等临床变量进一步优化	外部验证基于胸部X光片的深度学习模型在多样化人群中对2型糖尿病的预测性能，并评估其与人口统计学和BMI结合的效果	来自芝加哥三级学术医疗中心的39,908名成人患者，其中53.4%为非西班牙裔黑人，23%为拉丁裔，14%为非西班牙裔白人	机器学习	2型糖尿病	胸部X光成像	深度学习模型	图像（胸部X光片）	39,908名患者	NA	NA	AUC（曲线下面积）、一致性指数（C指数）	NA
1091	2026-07-05	Vasculature segmentation in 3D hierarchical phase-contrast tomography images of human kidneys 2026-Jul-03, Nature communications IF:14.7Q1 DOI:10.1038/s41467-026-74050-8 PMID:42399229	研究论文	本文通过组织全球机器学习竞赛，对三维分层相衬断层扫描图像中肾脏血管分割算法进行元分析	创新点包括：利用伪标签方法挖掘数据分布、优化血管表面和拓扑的损失函数、处理数据异质性的多尺度方法	NA	开发高效的三维血管分割算法，用于研究和临床应用	三维分层相衬断层扫描肾脏图像中的血管结构	计算机视觉, 机器学习	肾脏疾病	分层相衬断层扫描	深度学习模型（具体架构未明确）	图像	1401名参赛者参与的全球竞赛数据	NA	NA	分割准确率，形态学指标	NA
1092	2026-07-05	A deep learning optimized model for classification and detection of rice leaf diseases 2026-Jul-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-42220-9 PMID:42399274	研究论文	提出一种基于深度学习的优化模型，用于水稻叶部疾病的分类和检测	利用雷莫拉优化算法（ROA）优化深度最大输出网络（DMN）和深度自编码器（DAE）的学习参数，实现了更好的收敛性和避免局部最小值	未提及明显的局限性	开发一种精确的水稻叶部疾病分类和预测模型，以提高食品安全	水稻叶部疾病	计算机视觉	水稻叶部疾病	NA	深度最大输出网络（DMN）、深度自编码器（DAE）	图像	NA	NA	深度最大输出网络（DMN）、深度自编码器（DAE）	准确率	NA
1093	2026-07-05	A hybrid quantum-classical framework for MRI-based deep brain tumor segmentation and classification 2026-Jul-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-58823-1 PMID:42399301	研究论文	提出了一种混合量子经典框架QFormer-Brain，用于基于MRI的脑肿瘤分割和分类	将量子表示学习集成到Transformer模型中，利用量子编码和变分量子电路增强非线性特征表示，提高对复杂MRI数据的判别特征提取能力	未在更广泛的数据集或临床环境中验证，量子计算资源当前受限	提升MRI脑肿瘤自动分割和分类的准确性	脑肿瘤MRI图像	机器学习	脑肿瘤	MRI	混合量子经典模型	图像	BraTS 2021公开数据集	IBM Qiskit	Swin-UNETR, 变分量子电路, 量子Transformer分类器	Dice相似系数, 交并比, 准确率, 灵敏度, 特异度, F1分数	8量子比特变分量子电路, 1024次测量, 通过IBM Qiskit Aer模拟器运行
1094	2026-07-05	Anatomically constrained deep learning for clinical-grade volumetric pancreatic cancer segmentation: development, validation, and architectural benchmarking 2026-Jul-03, NPJ precision oncology IF:6.8Q1 DOI:10.1038/s41698-026-01587-8 PMID:42399351	研究论文	开发并验证了一种用于胰腺导管腺癌体积分割的解剖约束三维卷积神经网络模型，并在大规模多机构数据集上进行了基准测试	首次在大规模多机构、治疗初期的活检确诊胰腺导管腺癌CT影像集（1859例）上，系统验证了解剖约束三维卷积神经网络模型的临床级性能，并进行了与Swin UNETR等先进架构的受控比较	需在临床试验工作流程中进行前瞻性验证，定位误差不是性能下降的主要原因但仍有改善空间	实现胰腺导管腺癌的临床级自动分割，以支持精准肿瘤学中的体积量化、治疗反应评估和多模态结果建模	1859例多机构、治疗初期且经活检确诊的胰腺导管腺癌CT影像	计算机视觉, 数字病理学	胰腺癌	CT成像	三维卷积神经网络	医学影像（CT）	1859例胰腺导管腺癌CT检查	NA	Model-BB（胰腺局部化三维卷积神经网络）, Swin UNETR（三维视觉Transformer，用于基准测试）	Dice相似系数, 一致性相关系数	NA
1095	2026-07-05	Integrating DNA methylation biomarkers for breast cancer risk prediction using artificial intelligence 2026-Jul-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-59983-w PMID:42399352	研究论文	该研究分析DNA甲基化图谱，利用机器学习与深度学习模型预测乳腺癌风险，随机森林模型表现最优	将高维表观基因组生物标志物与人工智能相结合，实现乳腺癌风险的早期预测，为微创筛查和个性化预防提供新途径	未提及具体局限，但可能包括样本量有限、外部验证缺失或平台特异性	开发基于DNA甲基化生物标志物的乳腺癌风险预测工具	GSE51032 EPIC-Italy队列中的224例诊断前乳腺癌病例和418例对照，共642份样本	机器学习	乳腺癌	DNA甲基化测序（Illumina HumanMethylation450K平台）	随机森林、机器学习与深度学习分类器	DNA甲基化图谱数据	642份样本（224例乳腺癌病例，418例对照）	NA	随机森林	AUC、准确率	NA
1096	2026-07-05	Automated identification of clinically important Candida yeast species for microscopic images using self-supervised learning 2026-Jul-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-60672-x PMID:42399363	研究论文	开发并验证了一种基于自监督深度学习模型（DINOv2）的自动化系统，用于从显微镜图像中识别临床相关的念珠菌物种	首次将自监督学习模型DINOv2应用于临床念珠菌显微镜图像识别，结合YOLOv4 tiny目标检测和UNet语义分割，在多种分类任务中超越传统基线模型	需要多中心外部验证，且当前仅针对两种念珠菌物种进行验证，未来需扩展至更多物种和临床场景	实现临床重要念珠菌物种的自动、快速且高准确率的显微镜图像识别	白色念珠菌（Candida albicans）和克柔念珠菌（C. krusei）的显微镜图像	计算机视觉	真菌感染疾病	显微镜成像	自监督深度学习（DINOv2）、卷积神经网络（YOLOv4 tiny、UNet）	显微镜图像	未明确提及总体样本量，但包含二分类和四分类任务，以及五折交叉验证（准确率94.8-98.3%）	PyTorch	DINOv2、YOLOv4 tiny、UNet、Vision Transformer	平均精度均值（mAP@50）、精确率-召回率曲线下面积（AUC-PR）、Dice系数、交并比（IOU）、豪斯多夫距离、准确率、召回率、F1分数、AUC-ROC	未明确提及
1097	2026-07-05	Automated diagnosis of keratitis from low-quality slit-lamp images using an improved generative adversarial network 2026-Jul-03, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-026-02952-4 PMID:42399459	研究论文	提出一种用于低质量裂隙灯图像角膜炎自动诊断的框架，集成图像增强和病变感知分类	提出随机退化算法模拟临床常见伪影，并结合改进生成对抗网络恢复诊断特征与上下文感知分类器增强病变表征	NA	实现低质量裂隙灯图像的角膜炎自动诊断，减少资源有限环境的诊断差距	角膜炎的低质量裂隙灯图像	计算机视觉	角膜炎	裂隙灯成像	生成对抗网络	图像	10,498张裂隙灯图像（多中心数据集）	NA	改进生成对抗网络	AUC	NA
1098	2026-07-05	A hybrid underwater crack image enhancement method 2026-Jul-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-60181-x PMID:42399472	研究论文	提出一种结合传统图像处理与深度学习的混合水下裂缝图像增强方法	创新性地融合传统算法的可解释性与深度学习算法的通用性，引入深度可分离卷积和像素注意力机制提升特征提取能力并降低计算复杂度	NA	提升水下裂缝图像的清晰度与质量	水下裂缝图像	计算机视觉	NA	NA	卷积神经网络 (CNN)	图像	NA	NA	边缘特征提取网络	峰值信噪比，结构相似性，水下图像质量度量，基于像素的对比度质量指标	NA
1099	2026-07-05	Annotation-efficient weed detection using DINOv3-distilled YOLOv12 2026-Jul-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-60555-1 PMID:42399661	研究论文	提出一种基于DINOv3蒸馏YOLOv12的标注高效杂草检测方法	创新性地利用经过DINOv3 ViT-B/16教师模型对大规模无标注农业图像进行特征分布蒸馏，然后仅用少量标注样本微调轻型YOLOv12n骨干网络，实现标签高效的杂草检测	全标签监督训练仍然是最强设置，所提方法仅提供适度且一致的标注效率提升，而非完全取代全监督训练	解决深度学习杂草检测在大规模部署时边界框标注成本高昂的问题，提出一种标注高效的杂草检测框架	杂草检测，精度农业中的杂草识别	计算机视觉	NA	NA	CNN, Transformer	图像	Roboflow Weeds基准数据集（单类别）和CottonWeedDet12多类别数据集，实验中仅使用20%标注子集	PyTorch, Streamlit	DINOv3 ViT-B/16, YOLOv12n	mAP@0.5:0.95	NA
1100	2026-07-05	Computing inspired by the brain: a journey from algorithms to organoids 2026-Jul-03, Nature computational science IF:12.0Q1 DOI:10.1038/s43588-026-01012-x PMID:42399712	评论	本文追踪了从符号逻辑系统到人工神经网络、神经形态处理器，最终到整合活体神经结构的生物混合计算机的脑启发计算演化历程，并探讨了类器官智能的变革潜力及其面临的技术、生物和伦理挑战	提出了类器官智能这一新兴前沿方向，利用实验室培养的活体神经类器官作为计算基质，超越了传统神经形态计算的局限	类器官智能面临重大的技术、生物学和伦理挑战，目前仍处于早期探索阶段	梳理脑启发计算从算法到类器官的演变过程，并评估类器官智能的变革潜力	脑启发计算的不同阶段：符号逻辑系统、人工神经网络、神经形态处理器、生物混合计算机及类器官智能	机器学习	NA	NA	人工神经网络、神经形态处理器	NA	NA	NA	NA	NA	NA