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
1561	2026-06-06	Hybrid Dual-Context Prompted Cross-Attention Framework with Language Model Guidance for Multi-Label Prediction of Human Off-Target Ligand-Protein Interactions 2026-Jan-22, International journal of molecular sciences IF:4.9Q2 DOI:10.3390/ijms27021126 PMID:41596767	研究论文	提出HDPC-LGT框架，融合图化学推理、蛋白质语言模型嵌入和结构先验，用于预测人类脱靶配体-蛋白质相互作用	首次将双上下文提示交叉注意力与语言模型引导结合，实现多标签预测脱靶配体-蛋白质相互作用，并提供可解释性输出	未提及	提高药物脱靶毒性预测准确性，优化药物发现管线	16种与抗生素毒性相关的人类翻译相关蛋白质	机器学习	抗生素毒性	NA	图Transformer	配体-蛋白质对	216,482个经验证配体-蛋白质对	PyTorch	交叉注意力图Transformer	macro ROC-AUC, micro F1-score	NA
1562	2026-06-06	Generalizable machine learning models for rapid antimicrobial resistance prediction in unseen health care settings 2026-Jan-21, GigaScience IF:11.8Q1 DOI:10.1093/gigascience/giaf156 PMID:41553357	研究论文	开发通用性强的机器学习模型，利用MALDI-TOF质谱数据快速预测未知医疗环境中的抗菌药物耐药性	结合掩码自动编码器（MAE）处理MALDI-TOF谱图，以及化学语言模型和SELFIES编码表示抗菌药物，提升模型在不同医院和时段间的泛化性能	模型在超出训练数据之外的医院或时间框架下性能显著下降，且泛化能力仍有局限	提高机器学习模型在抗菌药物耐药性快速预测中的通用性和稳定性，指导临床治疗决策	来自4家医疗机构的MALDI-TOF质谱数据及其对应的抗菌药物耐药性信息	机器学习	抗菌药物耐药性	MALDI-TOF质谱	掩码自动编码器（MAE）、化学语言模型、SELFIES编码、Molformer语言模型	质谱谱图、化学文本数据	4家医疗机构的样本数据	NA	MAE、Molformer	精确率-召回率曲线下面积（AUC-PR）	NA
1563	2026-06-06	Quantitative assessment of neonatal health using dried blood spot metabolite profiles and deep learning 2026-Jan-21, Science translational medicine IF:15.8Q1 DOI:10.1126/scitranslmed.adv4942 PMID:41564154	研究论文	利用干血斑代谢物谱和深度学习定量评估新生儿健康	首次将新生儿筛查干血斑代谢物谱与深度学习结合，建立了一个可泛化的早产生物学风险指标，该指标捕获了与胎龄和出生体重不同的风险信号，并优于其他机器学习算法和临床风险变量模型	NA	开发基于新生儿筛查干血斑的代谢健康指数，以对早产儿患支气管肺发育不良、脑室内出血、坏死性小肠结肠炎和早产儿视网膜病变的风险进行分层	早产新生儿	机器学习	早产相关疾病	干血斑代谢物谱	深度学习模型	代谢物数据	13536例加利福尼亚州早产儿（12096例病例和1440例对照）用于模型开发，3299例加拿大安大略省极早产儿（2117例病例和1182例对照）用于外部验证	NA	NA	NA	NA
1564	2026-06-06	PoseR: a deep learning toolbox for classifying animal behaviour 2026-Jan-21, Open biology IF:4.5Q1 DOI:10.1098/rsob.250322 PMID:41558809	研究论文	提出了一个名为PoseR的深度学习工具箱，用于从姿态估计中快速准确地对动物行为进行分类	使用时空图卷积网络仅依赖姿态估计和动物固有结构进行分类，实现了跨物种、跨场景的通用行为分析标准化	未明确说明，但基于摘要内容推测可能受限：未提及模型的泛化能力验证、计算资源需求及在复杂环境下的鲁棒性	开发一个高效、可标准化且适用多物种的动物行为分类工具，简化行为分析工作流程	斑马鱼幼虫、果蝇、小鼠和大鼠的行为分类	计算机视觉、深度学习、动物行为学	NA	NA	时空图卷积网络	视频数据中的姿态估计坐标	四种模式生物：斑马鱼幼虫、果蝇、小鼠、大鼠	NA	时空图卷积网络	速度和精度（具体指标未在摘要中列出）	NA
1565	2026-06-06	Shortcomings of deep learning for distributional predictors: a note 2026-Jan-20, Biostatistics (Oxford, England) DOI:10.1093/biostatistics/kxaf051 PMID:41555576	研究论文	探讨在预测变量具有排列不变性时，无序深度学习方法与有序预测器神经网络在预测误差和估计精度上的差异	明确指出了无序深度学习在处理分布性预测变量时的预测误差增大的缺点，并引入有序预测器神经网络来利用排列不变性提高性能	仅通过模拟进行验证，缺乏真实生物医学数据的实证支持	评估无序深度学习方法在排列不变任务中的有效性，并推荐利用结构优势的建模方法	分布性预测变量（如生物医学中重复测量数据）的映射关系学习与点估计	机器学习	NA	NA	神经网络	模拟数据	NA	NA	无序神经网络、有序预测器神经网络	预测误差、估计精度	NA
1566	2026-06-06	UniCAS: A foundation model for cervical cytology screening 2026-Jan-20, Cell reports. Medicine DOI:10.1016/j.xcrm.2025.102570 PMID:41564861	研究论文	提出了一个名为UniCAS的宫颈细胞学基础模型，该模型在48532张宫颈全切片图像上进行预训练，能够实现多种临床分析任务并显著提升诊断效率	首次构建了针对宫颈细胞学的大规模基础模型，通过多任务聚合器整合滑动级诊断、区域级分析和像素级图像增强，实现高效的多尺度分析	未提及模型在不同医疗设备和染色协议下的泛化能力，以及临床部署中的计算资源需求	开发一种统一的基础模型以解决宫颈细胞学筛查中形态多样性导致的诊断碎片化问题	宫颈全切片图像中的异常细胞学特征	数字病理学	宫颈癌	全切片成像	基础模型	全切片图像	48532张宫颈全切片图像	NA	多任务聚合器	曲线下面积（AUC）	NA
1567	2026-06-06	Enhancing dietary management and nutritional analysis through deep learning: a multi-model approach for food classification and volume estimation 2026-Jan-20, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32610-w PMID:41559127	研究论文	提出基于深度学习的多模型方法，用于食物分类和体积估计，以增强饮食管理和营养分析	集成Inception V3进行食物分类、Mask R-CNN进行二维面积估计、MiDaS进行单视图深度估计，实现了高精度分类与体积估计的结合	未提及实际应用场景的验证和模型在真实世界环境中的鲁棒性	改进饮食管理中的食物识别与营养分析精度，减少手动跟踪的误差	食物图像数据集中的饮食物品	计算机视觉	营养不良及相关健康问题	深度学习	卷积神经网络	图像	使用Food101、UEC-food256和Indian Food Images Dataset等基准数据集	NA	Inception V3, Mask R-CNN, MiDaS	准确率	NA
1568	2026-06-06	A zero-shot learning framework for chilli leaf disease detection, classification and severity estimation using contrastive image text representations 2026-Jan-20, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32959-y PMID:41559188	研究论文	提出一种基于零样本学习的双编码器框架，用于辣椒叶病害检测、分类和严重程度估计	首次将Vision Transformer和RoBERTa语义编码器结合用于农业病害的零样本学习，无需重训练即可识别未见过的病害类别并估计严重程度	仅在辣椒叶数据集上评估，可能对其他作物或环境泛化性有限；依赖高质量图像-文本对数据	实现农业病害的实时、可扩展监测，解决传统模型无法识别新疾病模式的问题	辣椒叶病害	计算机视觉	辣椒叶病害	对比学习、图像文本表示	Vision Transformer、RoBERTa	图像、文本	辣椒叶数据集（未提供具体样本数量）	PyTorch	Vision Transformer、RoBERTa	准确率、精确率、召回率	NA
1569	2026-06-06	Cha-PO and CVNet: a hybrid approach for automated cataract detection using adaptive feature selection and deep learning for high accuracy and efficiency 2026-Jan-20, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-34889-1 PMID:41559203	研究论文	提出了一种结合混沌自适应杨树-细菌优化（Cha-PO）特征选择与白内障视觉网络（CVNet）深度学习的混合方法，用于白内障自动检测，以提高准确性和效率	创新性地结合了Cha-PO特征选择算法与CVNet深度学习模型，降低了特征维度并优化了网络参数，在高精度（99.10%）和低计算资源（执行时间99秒）方面优于传统模型	仅使用了Eye Cataract Kaggle数据集进行验证，数据多样性不足，可能影响模型在实际临床环境中的泛化能力	提高白内障自动检测的准确性和运行效率，解决现有模型的计算复杂、特征冗余、精度不足等问题	眼底图像中的白内障感染图像	计算机视觉, 机器学习	白内障	NA	深度学习模型（CVNet）, 优化算法（Cha-PO）	图像（眼底图像）	Eye Cataract Kaggle数据集（具体数量未给出）	NA	CVNet（白内障视觉网络）	准确率, 精确率, 召回率, F1值	执行时间99秒，计算资源低于其他基线模型（具体GPU类型未给出）
1570	2026-06-06	A study on the coupling mechanism between the urban environment and depression perception based on deep learning and street view image 2026-Jan-20, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-36804-8 PMID:41559177	研究论文	基于深度学习与街景图像，量化城市环境对居民抑郁感知的影响，并揭示其耦合机制	首次构建基于多维度城市要素（如绿视率、天空开阔度、围合度等）的系统性定量框架，利用深度学习从街景图像中提取视觉元素，并结合逐步回归分析抑郁感知与城市环境的耦合关系	研究仅基于武汉市数据，可能缺乏对其他城市或区域的一般性；未深入探讨个体差异（如年龄、性别）对抑郁感知的影响	建立街景级城市环境与抑郁感知之间的深层联系，为健康城市设计提供情感导向策略	武汉市居民及其周边城市环境	计算机视觉	心理健康、抑郁症相关情绪	深度学习、街景图像分析	深度学习模型（具体类型未指定）	图像（街景图像）	133,114张街景图像	NA	NA	逐步回归分析的统计指标（如相关系数）	NA
1571	2026-06-06	Integrative multimodal hybrid data fusion for mortality prediction 2026-Jan-20, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-36296-6 PMID:41559273	研究论文	提出一种整合表格数据、心电图和医疗文本的新型多模态机器学习方法用于死亡率预测	提出混合融合策略（早期、晚期、混合）比较，并利用注意力机制增强多模态数据交互	训练数据中存在死亡率类别不平衡问题，且复杂深度学习模型的可解释性有待提升以利于临床采纳	通过多模态数据融合实现患者健康状况的全面评估，从而改善临床决策和预后	MIMIC-IV、MIMIC-ECG、MIMIC-IV-Note数据集中的患者数据	机器学习	死亡率预测	多模态机器学习	深度神经网络	表格数据、心电图、文本	未明确说明，但基于MIMIC系列数据集	NA	注意力机制	AUC-ROC、精确率、召回率、F分数	NA
1572	2026-06-06	Exploring students' emotion recognition and teachers' teaching feedback in college foreign language classroom based on AFCNN model 2026-Jan-18, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-36747-0 PMID:41549127	研究论文	基于AFCNN模型探索大学外语课堂中学生情绪识别与教师教学反馈	引入注意力特征卷积神经网络（AFCNN）模型进行大学外语课堂情感识别，实时捕捉学生情绪变化并为教师提供教学反馈，提出融合心理情感分析的外语教师专业发展路径	模型在有遮挡情况下识别精度下降，仅在两种情绪（高兴和中性）上表现较好	研究大学外语课堂中学生情绪识别与教师教学反馈，支持教师专业发展	大学外语课堂中的学生和外语教师	计算机视觉	NA	NA	卷积神经网络（CNN）	图像	NA	NA	AFCNN, VGG16, ResNet18	识别准确率, 鲁棒性	NA
1573	2026-06-06	Predicting aquatic toxicity of organic compounds using the ML-DL-ens model: An integrated approach of machine learning and deep learning 2026-Jan-15, Ecotoxicology and environmental safety IF:6.2Q1 DOI:10.1016/j.ecoenv.2026.119803 PMID:41610586	research paper	提出一种整合机器学习和深度学习的ML-DL-ens模型，用于预测有机化合物的水生毒性	将四种机器学习算法与AttentiveFP图神经网络集成，并采用粒子群优化算法优化权重，实现了优于单一模型和其他集成方法的预测性能，同时通过SHAP值分析提供可解释性	NA	提高有机化合物水生毒性预测的准确性和可解释性，克服传统机器学习方法的局限性	有机化合物的水生毒性数据，包括96小时LC50、40小时IGC50、48小时LC50-DM及综合数据集	machine learning	NA	计算毒理学	集成模型	化学分子结构数据	多个数据集，具体数量未在摘要中说明	NA	AttentiveFP, K-Nearest Neighbors, Support Vector Machines, Extreme Gradient Boosting, Random Forests	AUC-ROC	NA
1574	2026-06-06	Harnessing artificial intelligence for the assessment of liver fibrosis and steatosis via multiparametric ultrasound 2026-Jan-14, World journal of gastroenterology IF:4.3Q1 DOI:10.3748/wjg.v32.i2.113059 PMID:41551823	综述	探讨人工智能在多参数超声评估肝纤维化和脂肪变性中的应用现状与未来潜力	系统综述了AI与多参数超声结合在肝病评估中的技术进展，强调了诊断精确性、可重复性提升及减少操作者依赖等优势	需要大规模数据集、算法透明性和临床验证，当前仍面临挑战	探索AI在多参数超声评估肝纤维化和脂肪变性中的临床应用及未来发展方向	肝纤维化和脂肪变性患者	机器学习	肝病	多参数超声，包括弹性成像和多普勒成像	NA	超声影像	NA	NA	NA	诊断灵敏度	NA
1575	2026-06-06	AI-Based Prediction of Gene Expression in Single-Cell and Multiscale Genomics and Transcriptomics 2026-Jan-13, International journal of molecular sciences IF:4.9Q2 DOI:10.3390/ijms27020801 PMID:41596454	综述	本文综述了基于人工智能的方法在单细胞和多尺度基因组学与转录组学中预测基因表达的最新进展	结合深度学习与量子计算方法，用于多组学数据分析和基因表达预测，以提升预测效率与可靠性	未提及具体实验验证或模型比较，属于综述性质，缺乏实证数据支撑	探讨AI框架在单细胞和多组学基因表达预测中的应用潜力，推动个性化医疗发展	基因表达、单细胞测序数据、多组学数据（基因组学、转录组学、表观组学）	机器学习	NA	单细胞测序、DNA测序、RNA-seq、表观遗传学分析	深度学习网络、量子机器学习模型	基因序列、转录组数据、表观遗传数据	NA	NA	NA	NA	量子计算
1576	2026-06-06	Pose-Based Static Sign Language Recognition with Deep Learning for Turkish, Arabic, and American Sign Languages 2026-Jan-13, Sensors (Basel, Switzerland) DOI:10.3390/s26020524 PMID:41600322	研究论文	提出一种基于姿态的跨语言手语识别框架，适用于土耳其、阿拉伯和美国手语	在相同特征集上对ConvNeXt、Swin Transformer和Vision Mamba三种先进深度学习架构进行综合比较，并评估模型在三种不同手语上的泛化能力	NA	开发一种稳健的跨语言手语识别系统，并比较不同深度学习模型的表现	三种手语（土耳其、美国英语、阿拉伯）的静态手语识别	计算机视觉	听力障碍	MediaPipe手部关键点提取	CNN、Transformer、状态空间模型	图像	从九个公开数据集（四个阿拉伯、三个美国、两个土耳其）精心构建的图像数据集，覆盖不同角度和距离	NA	ConvNeXt, Swin Transformer, Vision Mamba	NA	NA
1577	2026-06-06	Comparative Study of Different Algorithms for Human Motion Direction Prediction Based on Multimodal Data 2026-Jan-12, Sensors (Basel, Switzerland) DOI:10.3390/s26020501 PMID:41600297	研究论文	基于足底压力和惯性传感器数据，开发了一种融合CNN和BiLSTM的混合深度学习模型，用于预测人体运动方向	系统对比了四种深度学习模型（CNN、BiLSTM、CNN-LSTM和CNN-BiLSTM）在运动方向预测中的表现，并证明了CNN-BiLSTM在捕捉局部空间特征和双向时间依赖方面的优越性	未说明具体局限性	优化和比较用于时空特征提取的深度学习算法，为实时人体运动预测提供可靠框架	人体运动方向预测	机器学习	NA	多模态数据融合（足底压力和惯性传感器）	CNN, BiLSTM	多模态传感器数据（足底压力和惯性）	NA	NA	CNN-BiLSTM, CNN, BiLSTM, CNN-LSTM	RMSE, MAE, R	NA
1578	2026-06-06	MS-TSEFNet: Multi-Scale Spatiotemporal Efficient Feature Fusion Network 2026-Jan-09, Sensors (Basel, Switzerland) DOI:10.3390/s26020437 PMID:41600232	研究论文	提出一种多尺度时空高效特征融合网络（MS-TSEFNet），用于脑电信号中的运动想象信号解码	通过多尺度卷积模块学习不同时间尺度的动态变化，结合空间注意力机制捕获电极空间相关性，并采用高效特征融合策略深度融合不同层级特征	未明确说明	提升运动想象信号解码的准确性和鲁棒性	脑电信号中的运动想象模式	机器学习	NA	EEG	CNN	脑电信号	BCIC-IV2a、BCIC-IV2b和ECUST三个公共数据集	PyTorch	多尺度卷积模块、空间注意力机制、特征融合模块	平均分类准确率	NA
1579	2026-06-06	Emerging Trends in Artificial Intelligence-Assisted Colorimetric Biosensors for Pathogen Diagnostics 2026-Jan-09, Sensors (Basel, Switzerland) DOI:10.3390/s26020439 PMID:41600240	综述	本文综述了人工智能辅助比色生物传感器在病原体诊断中的新兴趋势，总结了主要病原体的类型、毒性和感染相关死亡率，并讨论了近五年机器学习与深度学习算法在临床样本中的应用	系统比较了传统光学传感器与新兴AI辅助比色方法的差距，提出了开发鲁棒、可解释且兼容智能手机的AI辅助检测方法的前景	未详细说明具体模型性能指标或大规模临床试验验证，且对AI模型的局限性（如预训练适应性不足）分析较泛	为临床和健康应用提供快速、准确且用户友好的病原体检测方法选择指导	细菌和病毒病原体及其引起的感染性疾病	机器学习	感染性疾病	比色传感器	机器学习，深度学习	颜色变化数据	NA	NA	NA	诊断准确性	NA
1580	2026-06-06	An AI-Based Radiomics Model Using MRI ADC Maps for Accurate Prediction of Advanced Prostate Cancer Progression 2026-Jan-08, Current oncology (Toronto, Ont.) DOI:10.3390/curroncol33010035 PMID:41590356	research paper	利用MRI ADC图像的深度学习放射组学模型预测晚期前列腺癌进展	首次使用治疗前的MR表观扩散系数（ADC）图构建深度学习放射组学模型，预测晚期前列腺癌进展时间，并比较AI自动分割与手动专家分割的效果	仅纳入182例患者，样本量较小；单中心研究；未评估不同治疗方案的差异	开发并验证基于MRI ADC图的深度学习放射组学模型，预测晚期前列腺癌治疗后进展风险并实现风险分层	182例经超声引导系统前列腺活检确诊的晚期前列腺癌患者	machine learning	prostate cancer	MRI ADC成像	CNN	image	182例晚期前列腺癌患者	NA	NA	AUC	NA