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
1261	2026-05-26	Explainable TabNet for gestational diabetes prediction with physician-in-the-loop and multi-site clinical validation 2026-Aug, International journal of medical informatics IF:3.7Q2 DOI:10.1016/j.ijmedinf.2026.106488 PMID:42155534	研究论文	开发了一种可解释的TabNet模型用于妊娠期糖尿病预测，并通过医师参与和多中心临床验证	首次结合TabNet深度学习的可解释性与双阶段医师参与验证，并在三个独立医院进行前瞻性外部验证	外部验证中F1分数下降，部分归因于不同医院间特征可用性和临床数据记录协议的差异	开发一个临床验证的、可解释的深度学习框架，用于妊娠期糖尿病预测，并评估其临床适用性	妊娠期糖尿病预测模型	机器学习	妊娠期糖尿病	NA	TabNet	临床记录	3525份训练记录和80例前瞻性外部验证病例	PyTorch	TabNet	准确率、精确率、召回率、F1分数、Cohen's kappa、Fleiss' kappa	NA
1262	2026-05-26	Comparative analysis of traditional and deep learning time series architectures for influenza A infectious disease forecasting 2026-Jul-15, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2026.111736 PMID:42127736	研究论文	比较传统时间序列模型和深度学习架构在甲型流感预测中的性能，并提出基于Transformer的单变量框架HistoFluAFormer	首次系统性比较六种深度学习架构与传统时间序列模型在甲型流感月度病例预测中的表现，并引入仅依赖历史发病率序列的单变量Transformer模型，展示了自注意力机制在捕捉非线性季节性、异常激增和长期依赖方面的优势	未明确提及限制，但可能包括模型仅基于历史序列数据，未考虑外部协变量（如气候、人口流动）的影响，且测试集仅为一年数据，泛化性需进一步验证	评估不同时间序列模型在甲型流感预测中的效果，提高预测准确性以支持公共卫生准备与资源分配	美国2009年1月至2023年12月的甲型流感月度病例数据	机器学习，时间序列预测	甲型流感	NA	ARIMA, Holt-Winters指数平滑, 简单RNN, LSTM, GRU, 双向LSTM, 双向GRU, Transformer	数值型时间序列数据	2009年1月至2023年12月共180个月度数据点，其中训练集168个月（2009-2022年），测试集12个月（2023年）	NA	ARIMA, Holt-Winters, 简单RNN, LSTM, GRU, BiLSTM, BiGRU, Transformer	均方误差，平均绝对误差， GMRAE, Theil U1	NA
1263	2026-05-26	Toward protocol simplification: Deep learning-based image synthesis in three-phase CT urography 2026-Jul-15, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2026.111746 PMID:42140070	研究论文	开发并评估一种利用扩散模型与Swin Transformer相结合的方法，在CT尿路造影中从非对比期和排泄期图像合成三维尿路上皮期图像	首次提出dsSNICT模型，将扩散模型与Swin Transformer结合用于CT尿路造影的三相图像合成，实现辐射剂量降低33%而保持图像质量	单中心回顾性研究，样本量相对较小（335例），仅关注图像质量而缺乏对诊断准确性的全面评估	开发基于深度学习的图像合成方法，简化CT尿路造影的采集协议，减少辐射剂量并提高检查安全性	CT尿路造影中的三维尿路上皮期图像	医学影像	泌尿系统疾病	CT尿路造影	扩散模型	图像	335例患者，179男156女，平均年龄63±15岁	PyTorch	Swin Transformer	峰值信噪比, 结构相似性指数, 平均绝对误差, Fréchet视频距离	NA
1264	2026-05-26	Hybrid fractional groupers and moray eels driven deep learning for pneumonia detection using multi-modal data in federated learning 2026-Jul-15, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2026.111739 PMID:42155376	研究论文	提出一种基于多模态数据和联邦学习的新型深度学习模型，用于肺炎检测	将分数阶群鱼和鳗鱼优化算法与联邦学习框架结合，并开发了EESHLossNet损失函数来改进Shepard卷积金字塔膨胀网络	未提及模型在不同数据集上的泛化能力验证，且联邦学习框架可能面临通信开销和隐私保护的实际挑战	提高肺炎检测的准确性并保护医疗数据安全性	肺炎患者的多模态医学图像数据（CT、胸部X光片和频谱图）	计算机视觉，数字病理学	肺炎	CT成像， X光成像，频谱成像，深度递归残差网络，阿尔法修剪均值滤波，伽马校正	Shepard卷积金字塔膨胀网络，深度递归残差网络	图像	未提及具体样本数量	未提及	Shepard卷积金字塔膨胀网络，深度递归残差网络	损失函数，均方误差，准确率，真阳性率，真阴性率，精确率， F1分数，假阴性率，假阳性率	未提及
1265	2026-05-26	Interpretable Deep Regression Models With Interval-Censored Failure Time Data 2026-Jun, Statistics in medicine IF:1.8Q1 DOI:10.1002/sim.70609 PMID:42179352	研究论文	提出一种结合深度神经网络与部分线性变换模型的区间删失失效时间数据回归框架	首次将可解释的深度回归模型扩展至区间删失数据，兼顾关键参数的线性可解释性和干扰协变量的非线性灵活性	未详细讨论模型在高维协变量场景下的计算效率和可扩展性	建立用于区间删失失效时间数据的可解释深度回归模型	区间删失失效时间数据	机器学习	阿尔茨海默病	NA	深度神经网络	NA	NA	NA	NA	NA	NA
1266	2026-05-26	An upper limb stroke rehabilitation exercise video dataset 2026-Jun, Data in brief IF:1.0Q3 DOI:10.1016/j.dib.2026.112819 PMID:42181301	研究论文	提出一个用于上肢中风康复运动视频数据集，包含491个视频和四种上肢肌肉强化运动，由十名志愿者在多种背景和光照条件下使用RGB相机录制	第一个专门针对家庭康复场景、包含四种不同上肢肌肉强化运动、由普通RGB相机拍摄并具有详细标注的视频数据集	样本量有限（仅十名志愿者），运动种类较少（仅四种），未提及患者实际康复效果验证	为开发基于深度学习的低成本远程康复系统提供数据支持，改善中低收入国家中风患者的康复护理可及性	中风患者上肢康复运动视频	计算机视觉	中风	RGB视频录制	深度学习（通用，未指定具体模型）	视频	491个视频，来自10名志愿者	NA	NA	NA	NA
1267	2026-05-26	Predicting Visual Field Loss in Glaucoma Using OCT and Deep Learning: A Comparative Study of U-Net Variants 2026-Jun, Ophthalmology science IF:3.2Q1 DOI:10.1016/j.xops.2026.101169 PMID:42181664	研究论文	本研究使用三种深度学习模型（R2 U-Net、Dense U-Net 和 Nested U-Net++）基于OCT图像预测青光眼患者的视野缺损	首次应用生成式人工智能模型（如R2 U-Net）基于OCT数据预测视野缺损	样本来自单一三级转诊中心，仅分析左眼以避免眼间相关性，未涉及多中心验证	评估不同U-Net变体在基于OCT的视网膜神经纤维层厚度图预测视野结果中的性能	1640名青光眼患者的OCT和视野数据	计算机视觉	青光眼	OCT	深度学习生成模型（U-Net变体）	图像（OCT视网膜神经纤维层厚度图）	1640名青光眼患者，每例分析一只左眼	NA	R2 U-Net, Dense U-Net, Nested U-Net (UNet++)	均方误差(MSE), 平均绝对误差(MAE), 峰值信噪比(PSNR), 结构相似性指数(SSIM), Fréchet初始距离(FID)	NA
1268	2026-05-26	Content matters, context matters: unraveling behavior dynamics in an online health community for tobacco cessation 2026-Jun, JAMIA open IF:2.5Q3 DOI:10.1093/jamiaopen/ooag068 PMID:42181702	研究论文	探索在线健康社区中关于戒烟交流的内容和上下文对信息传播及行为动态的影响	将大型语言模型与网络分析相结合，利用随机行动者导向模型分析内容和上下文对社交网络拓扑与行为动态的交互影响	未提及	研究在线健康社区中关于烟草使用交流的信息扩散模式，以及内容和特定上下文因素对行为动态的影响	在线戒烟论坛QuitNet中的社区成员及消息	自然语言处理	烟草成瘾及戒烟行为	大型语言模型，社交网络分析	大型语言模型（LLMs）	文本	64,632名成员，239万条消息（2000-2015年），三个波次分别有3055、2475和2289名成员	NA	大型语言模型（LLMs）	F1分数	NA
1269	2026-05-26	Deep Learning-Enhanced DNAzyme-Driven Rolling-Circle Amplification Encoding for Multibacterial Detection 2026-May-25, Angewandte Chemie (International ed. in English) DOI:10.1002/anie.4446117 PMID:41983347	研究论文	提出一种基于DNAzyme驱动滚环扩增与分子信标编码系统，结合智能手机卷积神经网络，实现多种活菌的同步检测和定量	首次将DNAzyme驱动滚环扩增与分子信标编码系统结合智能手机CNN，实现三菌同时检测，并达到10-10 CFU/mL的灵敏度	可能受限于实际样本复杂性和细菌蛋白质分泌稳定性，且检测细菌种类有限	开发一种高灵敏度、高特异性的多细菌检测方法，替代传统方法无法同时处理多种活菌的局限	三种活菌（金黄色葡萄球菌、椰毒假单胞菌、大肠杆菌）在食品、临床和环境样本中的检测与定量	机器学习, 数字病理学	NA	DNAzyme驱动滚环扩增, 分子信标编码	卷积神经网络	图像	2800张训练图像, 32个实际样本	PyTorch	CNN	灵敏度, 阳性符合率, 阴性符合率	NA
1270	2026-05-26	Domain shift analysis of deep learning models for tooth detection in pediatric panoramic radiographs 2026-May-25, Dental materials journal IF:1.9Q4 DOI:10.4012/dmj.2025-301 PMID:42091502	研究论文	本研究在儿童全景X光片上外部验证了用于全面牙齿检测的目标检测模型，量化了跨机构和成像协议的域转移影响，并比较了YOLOv8和YOLOv10	首次对牙齿检测深度学习模型进行跨机构外部验证，系统量化域转移影响，并比较YOLOv8与YOLOv10在儿童全景X光片上的性能	域转移会改变错误模式并损害罕见但临床重要类别的检测	外部验证牙齿检测深度学习模型并量化域转移影响	儿童全景X光片中牙齿检测	计算机视觉	口腔疾病	NA	YOLOv8, YOLOv10	图像	内部数据集200张早期混合牙列无咬合块图像，外部开源数据集192张有咬合块图像	PyTorch	YOLOv8, YOLOv10	平均平均精度（mAP）、各类别AP、精确度-召回率曲线、混淆矩阵	NA
1271	2026-05-26	The robust frequency domain feature and hybrid CNN model for fatigue detection based on sEMG signal 2026-May-25, Computer methods in biomechanics and biomedical engineering IF:1.7Q3 DOI:10.1080/10255842.2026.2675492 PMID:42179231	研究论文	提出基于自回归模型的新特征和混合CNN模型，用于表面肌电信号疲劳检测	将基于自回归模型的鲁棒频域特征与Inception块及特征重构模块整合到CNN中，同时融合手工特征与深度学习特征以增加多样性	NA	提高肌肉疲劳检测在特征捕获、鲁棒性和泛化能力方面的性能	表面肌电信号中的肌肉疲劳状态	机器学习	肌肉疲劳	表面肌电信号分析	混合卷积神经网络	表面肌电信号波形	两个数据集（dataset1和dataset2）	NA	CNN, Inception块, 特征重构模块	准确率	NA
1272	2026-05-26	Prediction of groundwater level in shallow and complex aquifers using hybrid soft computing models and metaheuristic algorithms 2026-May-24, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-43005-w PMID:42178317	研究论文	提出两种混合软计算模型ANN-HBO和ANN-POA，用于预测浅层复杂含水层的地下水位动态	创新性地将人工神经网络与蜜獾优化算法（HBO）和鹈鹕优化算法（POA）两种元启发式优化算法耦合，动态优化数据稀缺非平稳环境下的网络权重，解决深度学习架构收敛性差和过拟合问题	未提及具体局限性，但隐含需要进一步验证在其他含水层或气候条件下的泛化能力	开发适用于数据有限区域的地下水位预测方法，支持从被动管理向主动预测管理转变	伊朗北部Astaneh-Kuchesfahan含水层的浅层松散含水层系统	机器学习	NA	最小冗余最大相关性(MRMR)算法	ANN, ANN-HBO, ANN-POA	水文气象时间序列数据	256个月的水文气象记录，3个观测井	未明确提及，但涉及人工神经网络和元启发式优化算法	ANN, ANN-HBO, ANN-POA	RMSE, MAE	NA
1273	2026-05-26	WHiAR-Net: an interpretable multi-scale forecasting framework via Wavelet-Hilbert feature engineering 2026-May-24, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-54363-w PMID:42178322	研究论文	提出了一种名为WHiAR-Net的可解释多尺度预测框架，该框架融合了小波理论与希尔伯特谱分析，用于分离长期趋势与瞬时波动，并在电力和环境数据集上取得了竞争性的精度	通过结构化嵌入算子误差界，将小波与希尔伯特特征工程引入透明架构，替代传统黑箱模型，实现了可解释的多尺度非平稳时间序列预测	所提信息不足以识别具体限制	准确预测非平稳时间序列中的复杂波动	电力和环境时间序列数据	机器学习	NA	小波变换、希尔伯特谱分析	神经网络	时间序列	NA	NA	WHiAR-Net	精度	NA
1274	2026-05-26	Research on the application of deep learning-driven urban change detection in sustainable development of hilly-area cities in western China 2026-May-24, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-53767-y PMID:42178339	研究论文	研究深度学习驱动的城市变化检测在西部丘陵城市可持续发展中的应用，以南充市为案例	针对西部丘陵城市景观特征，构建了区域自适应的建筑与道路语义分割数据集和变化检测数据集，并应用深度学习模型有效解决了丘陵城市复杂环境中的破碎化景观、建筑分散和光谱混合特征等挑战	未提及局限性	探究深度学习驱动的城市变化检测技术在支持西部丘陵城市可持续发展中的实践价值	四川省南充市的城市变化检测、建筑与道路语义分割	计算机视觉	不适用	中分辨率遥感影像	深度学习模型	遥感影像	不适用	NA	NA	NA	NA
1275	2026-05-26	Representation learning for multi-modal spatially resolved transcriptomics data 2026-May-21, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btag316 PMID:42179160	研究论文	介绍了一种卷积深度学习模型AESTETIK，用于整合空间、转录组和形态学信息，学习精确的斑点表示	在结构组织（如脑组织）中中位ARI相比先前最先进方法提高21%，在异质性细胞群体癌症组织（乳腺癌、黑色素瘤、肝癌）中表现优异，提升幅度达21%至79%	NA	开发整合多模态空间分辨转录组数据的方法，以提升聚类分配和精确医学应用	多模态空间转录组数据，包括空间、转录组和形态学信息	深度学习，数字病理学	乳腺癌，黑色素瘤，肝癌	空间转录组学，卷积神经网络 (CNN)	CNN	图像，基因表达数据，空间坐标	多个数据集，涵盖10x Genomics和NanoString平台的数据	PyTorch	卷积神经网络 (具体架构未详细说明)	ARI (Adjusted Rand Index)	NA
1276	2026-05-26	Predicting intrinsic clearance using deep learning-based drug-metabolic enzyme interaction features on an IVIVE-harmonized endpoint dataset 2026-May-20, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2026.109456 PMID:42177842	研究论文	提出一种结合深度学习药物-代谢酶相互作用特征与物理化学性质的内在清除率预测框架，并利用IVIVE一致化终点数据集进行验证	首次将基于ChemBERTa和ProtBERT预训练的DTI特征融入内在清除率预测模型，并引入IVIVE一致化方法统一异质终点标签，实现生物学信息与计算方法的融合	预测性能仍有限，需扩大数据集、增强独立外部验证，并纳入肾清除和转运体介导等其他消除途径	开发一种生物学信息驱动的计算框架，用于早期候选化合物内在清除率的可靠预测	人类肝脏代谢酶（CYP、UGT、SULT家族）的抑制剂与底物相互作用特征，以及化合物物理化学性质	机器学习	NA	体外-体内外推法（IVIVE），深度学习	多层感知机（MLP），Transformer编码器	表格数据（化合物结构描述符、DTI特征）	185种化合物（独立外部验证集）；内部训练集未明确数量	PyTorch（推测），ChemBERTa，ProtBERT	MLP，Transformer编码器	r²m, r², CI, AFE, 2倍误差内比例, 3倍误差内比例	NA
1277	2026-05-26	Deep learning-driven anomaly detection and feature discovery in Ce-rich (Ni-Fe-Co-Ce)O x catalysts for oxygen evolution reaction 2026-May-20, RSC advances IF:3.9Q2 DOI:10.1039/d6ra02168a PMID:42181719	研究论文	提出一种基于深度学习的异常检测框架，用于从高通量实验数据中发现高性能析氧反应催化剂	首次将原子级描述符与卷积神经网络结合进行相似性稳定分析，并利用迭代数据清洗机制自动识别高异常值催化剂	目前仅针对Ni-Fe-Co-Ce-O催化剂数据验证，泛化能力需进一步测试	开发可靠的数据驱动分析工具，加速新型催化材料的发现与优化	Ce元素富集的(Ni-Fe-Co-Ce)O_x析氧反应催化剂	机器学习	NA	高通量实验	卷积神经网络（CNN）	数值型原子级描述符数据	基于(Ni-Fe-Co-Ce)O_x催化剂的高通量数据集	TensorFlow, PyTorch	CNN	R²分数	NA
1278	2026-05-26	Visible-Near-Infrared Hyperspectral Imaging Enables Nondestructive Identification of Bean Accessions via 1D Spectral Reflectance Analysis 2026-May-19, ACS omega IF:3.7Q2 DOI:10.1021/acsomega.6c00225 PMID:42179609	研究论文	利用可见-近红外高光谱成像结合一维光谱反射分析，实现豆类种质资源无损伤鉴别	首次利用VNIR高光谱成像与一维光谱反射分析实现32个豆类种质的无损伤鉴别，并发现狭窄绿光窗口（562.85-584.65 nm）作为关键分类波段，为缩减波段多光谱传感器设计提供直接指导	每个种质仅分析一个种子批次且在受控实验室条件下进行，未测试储存条件、种子含水量和收获时间对鲁棒性的影响；未进行靶向化学分析验证绿光窗口与种皮颜色、图案及表面微结构的关联	实现豆类种质无损伤、可扩展的鉴别方法，支持种质资源保存、可追溯性和育种	32个豆类种质（包括30个普通菜豆地方品种和2个外群豆类），共计3200粒种子，每种种质100粒种子	计算机视觉	NA	VNIR高光谱成像	线性支持向量机（Linear SVM）、多层感知机（MLP）	一维光谱反射数据	3200粒种子，来自32个豆类种质（每种种质100粒种子）	NA	Linear SVM, MLP_1D	准确率、加权F1分数	NA
1279	2026-05-26	A network-based deep learning model integrating subclonal architecture for therapy response prediction in cancer 2026-May-18, Cell reports methods IF:4.3Q2 DOI:10.1016/j.crmeth.2026.101411 PMID:41999762	研究论文	提出一个名为SubNetDL的深度学习框架，通过整合亚克隆突变谱和蛋白质-蛋白质相互作用网络来预测癌症治疗效果	不同于依赖条件特异性方法，SubNetDL仅利用体细胞突变，适用于多种癌症类型和治疗方式，并能识别非网络中心但具有治疗特异性的候选生物标志物基因	NA	开发一个稳健且可解释的框架，利用突变谱和网络背景识别预测性生物标志物并分层患者	10种TCGA癌症-药物组合以及两个独立的免疫治疗数据集	机器学习	癌症	NA	深度学习	基因突变数据、蛋白质-蛋白质相互作用网络数据	10种TCGA癌症-药物组合和两个独立的免疫治疗数据集	NA	SubNetDL	AUROC	NA
1280	2026-05-26	A protein surface-aware multimodal framework for residue-level metal-binding site recognition 2026-May-18, Cell reports methods IF:4.3Q2 DOI:10.1016/j.crmeth.2026.101414 PMID:42013856	研究论文	提出了一种名为MetalBind的蛋白质表面感知多模态深度学习框架，用于残基级别的金属结合位点识别	整合了蛋白质序列嵌入、原子特异性物理化学特征和几何感知表面点学习模块，在多种金属特异性数据集上取得更优预测性能，且对稀疏训练数据仍有效	NA	准确识别金属结合位点以阐明金属蛋白功能，并推动大规模金属蛋白质组注释和工程金属蛋白设计	蛋白质中的金属结合位点（涵盖多种生物相关金属）	机器学习	NA	深度学习	多模态深度学习框架	蛋白质序列和结构数据	13种金属特异性数据集	NA	NA	准确性、精确率、召回率、F1分数、AUC	NA