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
1621	2026-08-20	Deep capsule neural network for identifying anticancer peptides using sequence to image transformation-based local embedded features 2026-02-11, BMC biology IF:4.4Q1 DOI:10.1186/s12915-026-02547-1 PMID:41673852	研究论文	本文提出了一种基于深度胶囊神经网络（pACP-CapsNet）的方法，通过将序列转化为图像并提取局部特征来准确识别抗癌肽	创新性地结合序列到图像转换（SMR和RECM）与多种特征提取技术（HOG、DWT、CLBP），并利用混洗蛙跳算法进行特征选择，最后采用胶囊神经网络（CapsNet）进行预测，在ACP240和ACP740测试集上分别提升了约3%和4%的性能	未明确提及局限性，但可能依赖于特定数据集，泛化能力有待进一步验证	开发一种高效准确的抗癌肽识别模型，以支持癌症药物的研发和诊断	抗癌肽（ACPs）序列	机器学习	癌症	序列到图像转换、特征提取（HOG、DWT、CLBP）、混洗蛙跳算法	胶囊神经网络（CapsNet）	序列数据（抗癌肽序列）	使用ACP240和ACP740测试集，具体样本数量未在摘要中给出	未在摘要中指定	CapsNet	准确率（Accuracy）、AUC	未在摘要中提及
1622	2026-08-20	CMMSCL-DPI: cross-modal multi-structural contrastive learning for predicting drug-protein interactions 2026-02-09, BMC biology IF:4.4Q1 DOI:10.1186/s12915-026-02533-7 PMID:41664132	研究论文	本研究提出CMMSCL-DPI，一种跨模态多结构对比学习模型，用于预测药物-蛋白质相互作用。	将对比学习分别应用于蛋白质和药物的多维结构特征，并整合DPI异构图网络的交互特征以促进跨模态对比学习，有效捕捉关键差异和相似性，增强模型对新药物-靶点对的泛化能力。	信息未在标题和摘要中明确提及。	通过有效利用药物和蛋白质的多结构和多模态数据，提高药物-蛋白质相互作用预测的准确性。	药物-蛋白质相互作用预测，包括新药物-靶点对。	机器学习	NA	NA	对比学习模型	多模态数据（药物和蛋白质的多维结构特征，异构图网络）	四个基准数据集，未提及具体样本数量	NA	CMMSCL-DPI	总体性能（未具体指明指标）	全原子分子动力学模拟，未提及具体GPU等资源
1623	2026-08-20	Development and Validation of a Protein Electrophoresis Classification Algorithm: Tabular Data-Based Alternative 2026-01-28, JMIR formative research IF:2.0Q4 DOI:10.2196/83124 PMID:41605495	研究论文	提出了一种基于表格数据的机器学习算法，用于血清蛋白电泳分类，作为图像深度学习方法的高效、可解释替代方案	首次直接利用数值型SPE轮廓数据进行机器学习分类，避免了图像预处理复杂性，提高了可解释性和效率	未提及具体局限性	开发和验证一种基于表格数据的蛋白质电泳分类算法，并为图像深度学习方法提供替代方案	血清蛋白电泳数值数据	机器学习	NA	血清蛋白电泳	机器学习模型	表格数据	NA	NA	NA	NA	NA
1624	2026-08-20	Aegis: a transformer-based deep learning framework for the accurate identification of anticancer peptides 2026-01-26, BMC biology IF:4.4Q1 DOI:10.1186/s12915-026-02520-y PMID:41588397	研究论文	本文介绍了一个基于Transformer的深度学习框架Aegis，用于准确识别抗癌肽	首次将Transformer架构应用于抗癌肽识别，并通过SHAP特征重要性分析确定最优特征子集，实现性能超越现有模型	摘要中未提及具体局限性	开发一种快速且准确的计算方法用于抗癌肽的预测	抗癌肽序列	机器学习	癌症	序列特征提取方法（CKSAAP、CTDC、CTDT、CTDD、PAAC）	Transformer	序列数据	未明确说明，但使用了独立测试数据集	未明确说明	Transformer	准确率	未明确说明
1625	2026-08-20	COPD-TransNet: A Swin Transformer Network with Quantitative Emphysema Feature Fusion for COPD Detection and Staging from Opportunistic CT Scans 2026-Jan-07, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01785-z PMID:41501304	研究论文	提出一种基于Swin Transformer架构的深度学习模型COPD-TransNet，用于从肺癌筛查CT扫描中检测和分期慢性阻塞性肺疾病（COPD），并整合了肺气肿特征和LAV-950%指标	首次将Swin Transformer与定量肺气肿特征（LAV-950%）融合用于COPD检测和分期，在机会性CT扫描中实现了优于主流方法的性能	未提及	开发基于Swin Transformer的深度学习模型，利用肺癌筛查CT扫描根据GOLD标准检测和分期COPD	肺结节患者的CT图像、肺气肿特征和LAV-950%指标	医学影像分析	慢性阻塞性肺疾病（COPD）	CT成像	Swin Transformer	图像（CT扫描）	637例肺结节患者（内部数据集，按4:1划分训练和测试），另用1464例NLST队列CT扫描进行外部验证	NA	Swin Transformer	AUC、F1分数、准确率	NA
1626	2026-01-30	Deep Learning-Based Instance-Level Segmentation of Kidney and Liver Cysts in Computed Tomography Images of Patients Affected by Polycystic Kidney Disease 2026-Jan-01, Kidney360 IF:3.2Q1 DOI:10.34067/KID.0000000924 PMID:40811034	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1627	2026-08-20	Development and testing of a smart empowerment education system for gout patients in suburban areas 2026, Frontiers in public health IF:3.0Q2 DOI:10.3389/fpubh.2026.1753575 PMID:42145497	研究论文	本研究旨在开发和评估一种智能赋权教育系统，该系统整合了赋权教育、精细化管理方案和智能技术，用于郊区痛风患者的管理。	创新点在于将赋权教育与智能技术（如深度学习算法）相结合，并针对资源有限的郊区环境开发了基于SpringBoot+Vue框架的智能管理系统，以提高患者自我管理能力和治疗效果。	研究局限性可能包括样本量较小（仅90例）且来自单一社区健康服务中心，可能影响结果的普遍性；此外，系统长期效果和更大规模应用的可行性尚未评估。	研究目的是开发并评估一种智能赋权教育系统，以改善郊区痛风患者的自我管理能力、治疗依从性和临床结局，如血清尿酸控制和肾功能。	研究对象为郊区社区健康服务中心收治的痛风患者，共90例，随机分为对照组和观察组。	机器学习	痛风	深度学习算法（用于个性化推荐）	深度学习模型	患者临床数据	90例痛风患者（对照组45例，观察组45例）	NA	NA	响应时间、预测准确率、自我管理能力评分、空腹血清尿酸值、肝肾功能指标	NA
1628	2026-08-20	An Automated Hybrid Deep Learning-based Model for Breast Cancer Detection using Mammographic Images 2026, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056427227251219161545 PMID:41716062	研究论文	提出一种基于混合深度学习模型的自动化框架，用于利用乳腺X线图像进行乳腺癌的早期准确检测	创新性地结合了引导滤波预处理、改进的Dingo优化算法进行分割、预训练的U-Net特征提取、搜索与救援优化算法进行特征选择以及双阶段脉冲卷积神经网络进行分类，形成了端到端的混合模型	未在摘要中明确提及局限性	旨在开发一种稳健的自动化系统，以提高乳腺癌检测的诊断准确性、精确度、召回率和F-measure，从而支持临床决策	乳腺X线图像中的肿瘤区域	计算机视觉, 数字病理学	乳腺癌	乳腺X线成像	脉冲卷积神经网络, U-Net, 优化算法	图像	未在摘要中明确提及，但使用了CBIS-DDSM数据集	未在摘要中明确提及	U-Net, 双阶段脉冲卷积神经网络	准确率, 精确度, 召回率, F-measure	未在摘要中明确提及
1629	2026-08-20	fMRI-based prediction of eye gaze during naturalistic movie viewing reveals eye-movement-related brain activity 2026, Psychoradiology DOI:10.1093/psyrad/kkag026 PMID:42534530	研究论文	本研究在零样本设置下应用DeepMReye预训练模型，从fMRI信号预测自然观影时的眼动轨迹，并评估其跨数据集泛化能力及在脑活动映射中的实用性	首次在多个独立fMRI数据集上评估预训练眼动解码模型的零样本泛化性能，并展示组平均预测可有效揭示眼动相关的脑活动区域	个体水平预测精度有限，年龄相关效应结果不一致，且未进行数据集特定微调	评估fMRI眼动解码模型在无真实眼动数据场景下的可用性，以支持自然观影神经影像研究	三个独立的功能磁共振成像（fMRI）数据集中的受试者	机器学习, 神经影像分析	不适用	功能磁共振成像（fMRI）	深度学习模型（DeepMReye）	功能磁共振影像数据、眼动追踪数据	三个独立fMRI数据集	不适用（未明确指定）	DeepMReye（具体架构未明确）	相关系数（r）、患者间相关性（ISC）	未明确提及
1630	2026-08-20	PLUTO: a YOLO-based lung field detector for pediatric lateral chest X-rays generalizable to adults 2026, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2026.1874287 PMID:42548667	研究论文	本文介绍了一种基于YOLO的儿科侧位胸片肺野检测器PLUTO，该模型不仅适用于儿科，还能泛化到成人侧位胸片，并通过年龄分层评估和跨域迁移测试验证了其性能	PLUTO通过系统性的年龄分层评估框架和对成人图像的跨域迁移显式评估，推动了该新兴领域的发展	跨域泛化性仅在初步水平得到验证，更大规模的确认仍需未来工作	开发一种可泛化到成人的儿科侧位胸片肺野检测深度学习模型，以支持结核病及相关疾病的影像分析	儿科和成人侧位胸片图像，特别是用于评估结核病相关的淋巴结病和胸内结构	计算机视觉	结核病	深度学习	YOLO（目标检测模型）	医学图像（X光片）	研究涉及内部儿科保留数据、外部儿科及成人胸片，具体数量未在摘要中提供	NA	YOLO11s	平均精度均值（mAP@[0.5:0.95]）	NA
1631	2026-08-20	Explainable hybrid deep learning framework with Grad-CAM for heartbeat-level arrhythmia classification 2026, Frontiers in physiology IF:3.2Q2 DOI:10.3389/fphys.2026.1848316 PMID:42609215	研究论文	提出了一种可解释的混合深度学习框架，用于自动分类心电图心律失常，集成了1D-CNN、GRU和通道注意力机制，并利用Grad-CAM增强可解释性	结合1D-CNN、GRU和通道注意力技术，并集成Grad-CAM模块以突出影响模型决策的心电信号复杂部分，提高可解释性	未明确提及，但可能受限于数据集和单导联信号的应用范围	开发一种准确且可解释的自动心电图心律失常分类方法，适用于实时临床部署	心电图信号中的心律失常分类	深度学习	心血管疾病	心电图信号分析	混合深度学习模型（1D-CNN、GRU、通道注意力）	心电图信号	三个基准数据集：MIT-BIH心律失常、圣彼得堡INCART和MIT-BIH室上性心律失常数据库（SVDB）	NA	1D-CNN、GRU、Grad-CAM	准确率、宏F1分数、特异性	NA
1632	2026-08-20	A fully automated machine learning assisted pipeline to predict disease progression for early-stage hypertrophic cardiomyopathy from echocardiography 2026, Frontiers in cardiovascular medicine IF:2.8Q2 DOI:10.3389/fcvm.2026.1875305 PMID:42609278	研究论文	本研究利用全自动机器学习管道从超声心动图中预测早期肥厚型心肌病的疾病进展，并识别出左房室耦合指数作为稳健的风险标志物。	首次将全自动深度学习分割与基于形状的放射组学特征相结合，用于预测无症状HCM的疾病进展，并推导出可操作的超声心动图标志物LACI。	研究为回顾性设计，样本量相对较小，外部验证队列仅有48例，可能限制结果的普适性。	评估超声心动图在预测无症状HCM疾病进展中的预后价值，并构建全自动机器学习管道。	早期（NYHA I级）肥厚型心肌病患者，共260例，来自两个中心。	医学影像分析，机器学习	肥厚型心肌病	超声心动图	深度学习分割模型、梯度提升树生存模型	超声心动图B模式心尖四腔序列图像	发现队列212例，验证队列48例，共260例	未明确指定，但涉及深度学习分割和梯度提升树，可能使用PyTorch或Scikit-learn	深度学习分割网络（具体架构未指明）、梯度提升树（如XGBoost或LightGBM）	C指数，95%置信区间，3年风险率	未在摘要中提及具体GPU或云平台资源
1633	2026-08-20	ORDER-DR: external validation of severity grading and referable-risk stratification from fundus images 2026, Frontiers in endocrinology IF:3.9Q2 DOI:10.3389/fendo.2026.1923216 PMID:42609287	研究论文	本研究开发并外部验证了一个名为ORDER-DR的双分支序数风险框架，用于从眼底图像进行五级糖尿病视网膜病变严重程度分级和可转诊风险分层	提出验证校准的双分支序数风险框架，结合高分辨率类平衡判别和病变顺序敏感风险建模，并强调阈值校准与外部验证的互补性	外部验证中序数分级一致性与可转诊风险排序之间存在权衡，且Messidor-2上的可转诊风险预期校准误差较高	评估眼底图像深度学习模型在外部数据集上的序数分级和风险分层性能，并建立可复现的实证评估框架	糖尿病视网膜病变患者的彩色眼底照片	计算机视觉	糖尿病视网膜病变	眼底成像	EfficientNet-B0	图像	1744张可分级Messidor-2图像及APTOS数据集	PyTorch	EfficientNet-B0	二次加权卡帕、宏F1、准确率、AUROC、AUPRC、预期校准误差	未明确提及，可能使用GPU进行深度学习训练
1634	2026-08-20	Image-based deep learning in otology: a state-of-the-art review 2026, Frontiers in neurology IF:2.7Q3 DOI:10.3389/fneur.2026.1884951 PMID:42609328	综述	本文综述了深度学习在耳科影像中的应用现状，涵盖中耳疾病分类、内耳结构分割及低剂量CT重建等。	系统梳理了深度学习在耳科影像中的最新进展，特别关注3D U-Net和UNETR在CT/MRI分析中的应用。	面临罕见病数据稀缺、微小结构（如镫骨）分割性能差、与临床工作流整合不足等挑战。	总结深度学习在耳科影像诊断和治疗中的应用文献，评估其潜力与挑战。	中耳疾病（如中耳炎）和听小骨、耳蜗、内耳结构。	医学影像分析	耳科疾病	N/A	CNN, 3D U-Net, UNETR	耳内镜图像, CT, MRI三维体积数据	N/A	N/A	3D U-Net, UNETR	N/A	N/A
1635	2026-08-20	Deep learning enables edge deployment for citrus leaf disease recognition in natural orchard scenes 2026, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2026.1896487 PMID:42609366	研究论文	基于YOLOv11n开发轻量级目标检测模型SKM-YOLOv11，用于自然果园场景下柑橘叶部病害识别，并在边缘设备上实现高效部署	引入StarNet-S050作为骨干网络，设计C3k2-Star模块以增强跨尺度特征融合，并构建轻量共享检测头MNS-Head以减少预测冗余，在提升精度的同时大幅降低计算复杂度	未在论文标题和摘要中明确提及局限性	实现自然果园场景下准确且高效的柑橘叶部病害识别，并支持资源受限设备上的实时检测	柑橘叶部病害图像，涵盖六类	计算机视觉	柑橘叶部病害	深度学习	目标检测模型（YOLOv11变体）	图像	6414张图像，分为六类	PyTorch	YOLOv11n（改进型），StarNet-S050骨干，C3k2-Star模块，MNS-Head	精确率、召回率、mAP@0.5、FLOPs、参数数量、模型大小、推理速度（FPS）	Jetson Orin NX Super边缘设备
1636	2026-08-20	Development of a deep learning-based grid walking test for assessing post-stroke motor function in mice 2026, Frontiers in behavioral neuroscience IF:2.6Q3 DOI:10.3389/fnbeh.2026.1873231 PMID:42609386	研究论文	开发了一种基于深度学习的网格行走测试，用于评估小鼠卒中后的运动功能	首次将DeepLabCut用于网格行走测试的自动化误步量化，实现了毫米级跟踪精度，并检测到卒中小鼠脚部失误增加约3倍，优于商业自动化梯子测试	未提及	开发一种比商业自动化梯子测试更敏感、客观的深度学习方法，用于评估卒中后小鼠的运动功能恢复	光血栓性卒中模型小鼠	计算机视觉	卒中	DeepLabCut姿态估计	深度学习模型（基于DeepLabCut）	视频图像	未明确说明，但涉及卒中小鼠和对照组小鼠	未提及	DeepLabCut（基于ResNet）	跟踪精度、误步次数增加倍数	未提及
1637	2026-08-20	The application of traditional machine learning and deep learning with EEG for mild cognitive impairment: a bibliometric analysis 2026, Frontiers in aging neuroscience IF:4.1Q2 DOI:10.3389/fnagi.2026.1880346 PMID:42609573	研究论文	本研究采用文献计量学方法分析脑电图与机器学习在轻度认知障碍研究中的应用现状，包括出版趋势、地理分布、高被引文献和关键词聚类等	首次综合使用多个国内外数据库对脑电图和机器学习在轻度认知障碍研究进行系统的文献计量分析，并结合关键词突变检测揭示当前研究前沿	分析可能受限于数据库覆盖范围和文献筛选标准，且中文核心文献数量与英文存在显著差距，可能影响结论的全面性	分析脑电图和机器学习在轻度认知障碍研究中的应用现状、发展趋势和研究热点	脑电图和机器学习在轻度认知障碍研究中的相关文献	文献计量学	轻度认知障碍	脑电图	传统机器学习模型（如支持向量机）、深度学习模型（如卷积神经网络、人工神经网络）	文献元数据	547项有效研究（包括523项英文研究和24项中文核心期刊文章）	NA	支持向量机、卷积神经网络、人工神经网络	NA	NA
1638	2026-08-20	Artificial intelligence standardizes CT-based body composition analysis in breast cacer to address methodological heterogeneity 2026, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2026.1891251 PMID:42609826	综述	本文深入剖析了基于CT的乳腺癌身体成分分析中的方法学异质性，并展示了人工智能（特别是深度学习）如何通过标准化分析流程来解决这一问题	提出利用人工智能实现从智能切片定位、多标签组织分割到生成人群特异性参考曲线和多元风险预测的标准化工作流程，为乳腺癌精准肿瘤学提供新途径	未提及具体局限性	探讨人工智能如何标准化CT身体成分分析以解决方法学异质性，推动其在乳腺癌临床实践中的应用	乳腺癌患者的CT图像及身体成分参数（骨骼肌面积、肌肉密度、内脏和肌间脂肪组织）	医学影像分析	乳腺癌	CT成像	深度学习模型	医学影像（CT图像）	未提及	未提及	未提及	准确性	未提及
1639	2026-08-20	CSAG-DETR: a lightweight detector for accurate weed detection in sugar beet fields under complex field conditions 2026, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2026.1875124 PMID:42609975	研究论文	提出了一种基于RT-DETR-R18的轻量级杂草检测框架CSAG-DETR，用于甜菜田复杂田间条件下的准确杂草检测	引入跨阶段多尺度网络（CSMN）、跨阶段局部细节模块（CSLM）和全局注意力门控双路径上下采样模块（GAGDU和GAGDD）来增强特征交互和跨尺度变换稳定性	文中未明确提及局限性	在复杂田间环境下实现准确、高效且鲁棒的杂草检测，以支持实时农业系统	甜菜田中的九种常见杂草	计算机视觉	不适用	深度学习	RT-DETR-R18	图像	构建了包含九种常见杂草物种的BeetWeed数据集，并在公共CottonWeedDet12数据集上进行泛化实验	NA	RT-DETR-R18	mAP@0.5, mAP@0.5:0.95, FPS	NA
1640	2026-08-20	Two Deep Image Reconstructions for a 320-Row CT: Review of Clinical Applications 2026, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056429078260131131101 PMID:41716060	综述	本文综述了320排CT上两种深度学习图像重建方法（DLR和DIR）的临床应用，并强调它们在临床实践中的互补作用。	首次在320排CT平台上对DLR和DIR进行临床导向的对比综述，突出了DLR在心脏CT和DIR在其他部位CT中的差异化优势。	未提及具体局限性，但可能缺乏对两种方法技术细节的深入量化比较。	为放射科医生提供DLR和DIR在320排CT上的临床应用概述，并为未来研究提供灵感。	320排CT平台上的深度学习重建（DLR）和深度迭代重建（DIR）方法及其临床应用。	医学影像，深度学习	不特定，涉及心脏、胸部、腹部、血管和灌注CT成像。	深度学习重建（DLR）和深度迭代重建（DIR）	深度神经网络（具体架构未指定）	CT图像	未提供具体样本量，综述多中心研究。	未指定	未指定	未明确提及，但提到图像质量改善的量化证据。	未提及