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
1741	2026-06-06	TransSE: A Transfer Learning-Based Predictive Model for Distinguishing Super Enhancers and Typical Enhancers 2026 Mar-Apr, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2026.3657361 PMID:41576119	研究论文	提出TransSE深度学习框架，结合卷积与循环神经网络及跨物种迁移学习，用于区分超级增强子和典型增强子	提出两阶段策略（预训练+物种特异性微调）结合跨物种迁移学习，实现高效跨物种预测；通过序列表征学习达到10.4倍的聚类指标提升	未在更多物种上验证泛化性，且对稀有增强子类型可能表现有限	开发高精度、跨物种适用的超级增强子预测模型，提升基因调控机制研究能力	人类和小鼠基因组的超级增强子与典型增强子序列	机器学习	NA	DNA序列分析	卷积神经网络与循环神经网络混合模型	基因序列数据	人类与小鼠基因组组合数据集	PyTorch	CNN, RNN	AUC（人类0.828，小鼠0.832），聚类指标	GPU（类型未指定）
1742	2026-06-06	Multimodal-based crystal graph convolution neural networks for predicting soil toxicity to earthworms 2026-Mar-01, Environmental research IF:7.7Q1 DOI:10.1016/j.envres.2026.123770 PMID:41577106	研究论文	提出一种基于多模态晶体图卷积神经网络的方法，用于预测土壤化学物质对蚯蚓的毒性	首次将分子级特征（通过晶体图卷积网络提取原子和键信息）与暴露条件、土壤及生物属性等多尺度特征融合，构建多模态深度学习模型提升毒性预测性能	文献来源的数据集规模有限，可能影响模型泛化性	开发集成异构数据的多模态深度学习框架，实现土壤化学毒性的可解释性预测	14种化学物质对蚯蚓（标准土壤测试物种）的半致死浓度（LC50）	机器学习	NA	NA	图卷积神经网络（GCNN）	分子结构数据、土壤暴露条件、生物属性数据	14种化学物质对应的蚯蚓毒性数据	NA	晶体图卷积神经网络	决定系数（R²）	NA
1743	2026-06-06	Artificial intelligence in diagnosis of pediatric neurodevelopmental disorders: a scoping review 2026-Mar, World journal of pediatrics : WJP IF:6.1Q1 DOI:10.1007/s12519-025-00999-z PMID:41593252	综述	综述人工智能技术在儿童神经发育障碍诊断中的应用现状	系统总结了深度学习、监督机器学习、决策支持系统和生物信号分析等多种AI技术在儿童神经发育障碍诊断中的应用效果	研究设计、人群和算法标准化存在差异，面临数据隐私、可解释性、公平性及算法偏见等伦理问题	评估AI技术提升儿童神经发育障碍诊断准确性的现有证据	儿童神经发育障碍（包括自闭症谱系障碍和注意缺陷多动障碍）	机器学习	神经发育障碍	精神影像学、生物信号分析	深度学习、监督机器学习、决策支持系统	神经影像数据、生物信号数据	包含22项研究	NA	NA	诊断准确率	NA
1744	2026-06-06	U2AD: Uncertainty-based unsupervised anomaly detection framework for detecting T2 hyperintensity in MRI spinal cord 2026-Mar, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2026.103939 PMID:41558246	研究论文	提出一种基于不确定性的无监督异常检测框架U2AD，用于检测脊髓MRI中的T2高信号	引入不确定性引导的掩码策略，结合Vision Transformer架构的“掩码-重建”范式，通过蒙特卡洛推理估计重建不确定性，解决正常重建与异常检测之间的任务冲突	未在多种不同临床数据集上进行泛化验证，可能面临域偏移挑战	开发一种无需异常数据标注的无监督异常检测方法，用于检测脊髓T2高信号病变	脊髓T2高信号区域，特别关注退变性颈椎病相关的MRI图像	计算机视觉	退变性颈椎病	MRI	Vision Transformer	影像（MRI）	未在摘要中明确说明	PyTorch	Vision Transformer	患者级识别和区域级定位性能指标	NA
1745	2026-06-06	From treadmill to outdoor overground walking: Enhancing ground contact timing detection for older adults using transfer learning 2026-Mar, Experimental gerontology IF:3.3Q2 DOI:10.1016/j.exger.2026.113056 PMID:41654277	研究论文	利用迁移学习增强老年人户外地面接触时间检测	首次将迁移学习应用于从跑步机到户外地面行走的老年人步态识别，验证了深度学习模型在不同行走条件下的泛化能力	下坡行走场景下模型性能较差，表明需要更先进的建模策略；样本量有限且未涉及其他年龄段或病理步态	提高老年人户外行走时地面接触时间检测的准确性，推动真实环境下的移动监测	20名年轻人和26名老年人的步态数据	机器学习	老年疾病	惯性测量单元	CNN, 双向LSTM, 全连接神经网络	时间序列数据	20名年轻人（跑步机）和26名老年人（跑步机及户外平地、上坡、下坡）的数据	NA	CNN, 双向LSTM, 全连接神经网络	F1分数, 平均绝对误差	NA
1746	2026-06-06	Artificial Intelligence and Machine Learning for Osteoarthritis and Cartilage Assessment 2026-Mar, Radiologic clinics of North America IF:2.1Q2 DOI:10.1016/j.rcl.2025.09.001 PMID:41656050	综述	评估人工智能和机器学习在骨关节炎和软骨评估中的应用	全面综述AI在骨关节炎影像分析中的多种应用，包括X光片和磁共振成像的先进技术	未提及具体性能比较或数据偏倚问题	评估AI在骨关节炎影像评估中的应用现状	X光片和磁共振成像中的骨关节炎及相关软骨评估	医学影像分析	骨关节炎	NA	深度学习	影像数据	NA	NA	NA	NA	NA
1747	2026-06-06	Association between cognitive status and structural brain changes in Alzheimer's disease: Clinical implication of lightweight deep learning-aided diagnosis 2026-Mar, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2026.112678 PMID:41558396	研究论文	构建轻量级深度学习模型，揭示阿尔茨海默病中认知状态与脑结构变化之间的关联	采用分组卷积、全局池化和高效通道注意力实现轻量级设计，模型参数减少高达十倍，同时保持高准确率，并利用遮挡图提供可解释性	未明确提及局限性，但可能包括基于有限样本量和单一数据库的潜在泛化问题	探索轻量级深度学习模型在阿尔茨海默病诊断中的临床实用性，并揭示认知状态与脑结构变化的关系	阿尔茨海默病患者的T1加权磁共振图像和认知状态	计算机视觉	阿尔茨海默病	T1加权磁共振成像	CNN	图像	418名阿尔茨海默病患者和418名年龄匹配的认知正常对照者	NA	轻量级CNN（含分组卷积、全局池化和高效通道注意力）	准确率、遮挡图、层次回归R²变化	NA
1748	2026-06-06	Development of a Deep Learning Algorithm for Posterior Fossa Abnormality Recognition on First-Trimester US Screening Scans: AIRFRAME Study Part 1 2026-Mar, Radiology. Artificial intelligence DOI:10.1148/ryai.250394 PMID:41563074	研究论文	开发一种深度学习算法，用于自动识别孕早期超声筛查中的后颅窝异常，包括开放性脊柱裂和囊性后颅窝畸形	首次提出基于MobileNetV3 Large Weights的深度学习算法，实现孕早期超声图像中后颅窝异常的自动评估，并区分开放脊柱裂和囊性后颅窝畸形	NA	开发并验证一种能自动评估孕早期超声筛查中后颅窝异常（开放性脊柱裂和囊性后颅窝畸形）的深度学习算法	孕11至14周胎儿的后颅窝超声图像	计算机视觉, 深度学习	开放性脊柱裂, 囊性后颅窝畸形	超声成像	卷积神经网络, MobileNetV3 Large Weights	医学图像	251个胎儿的超声图像（150正常和101异常：43例开放性脊柱裂，58例囊性后颅窝畸形）	NA	MobileNetV3 Large Weights	受试者工作特征曲线下面积, 准确率, 召回率, 特异度, 精确率, 阴性预测值, F1分数	NA
1749	2026-06-06	AI-Guided Design and Predictive Modeling of Synthetic Escherichia coli Promoters through Comprehensive -10/-35 Box Engineering 2026-Feb-20, ACS synthetic biology IF:3.7Q1 DOI:10.1021/acssynbio.5c00765 PMID:41589500	研究论文	通过系统性改造-10/-35框，结合AI预测与生成模型，实现大肠杆菌合成启动子的精准设计与转录强度调控	首次建立-10/-35框序列与转录活性的深度学习双向框架，整合CNN预测模型与平衡生成对抗网络实现特定强度启动子的定制化设计	未明确指出潜在不足，推测包括文库覆盖度有限、模型对异常序列的泛化能力待验证	解析-10/-35框序列组成与转录输出的定量关系，开发理性设计合成启动子的AI平台	大肠杆菌合成启动子文库中-10/-35框序列	机器学习	NA	荧光激活细胞分选测序	卷积神经网络, 平衡生成对抗网络	序列数据	20,799个不同启动子序列	NA	卷积神经网络, 梯度惩罚生成对抗网络	皮尔逊相关系数	NA
1750	2026-06-06	PTET-DDI: Dual-Channel Drug-Drug Interaction Prediction with a Pre-Trained Language Model and Equivariant Graph Transformer 2026-Feb-20, ACS synthetic biology IF:3.7Q1 DOI:10.1021/acssynbio.5c00722 PMID:41563056	研究论文	提出一种双通道框架PTET-DDI，结合化学语义与几何结构信息预测药物相互作用	首次将预训练分子语言模型（ChemBERTa）与改进的完全等变图Transformer相结合，同时捕获一维序列语义、二维图结构及三维分子构象信息，并实现可解释性	未明确提及局限性	准确预测药物相互作用以提升联合治疗的安全性和有效性	药物相互作用预测任务	机器学习	NA	NA	双通道框架	化学分子数据	三个基准数据集，采用5折交叉验证	PyTorch	ChemBERTa, 完全等变图Transformer	NA	NA
1751	2026-06-06	Multi-task non-contact ballistocardiogram-based vital signs monitoring in acupuncture 2026-Feb-15, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2026.111461 PMID:41548353	研究论文	提出一种结合多通道心冲击图信号与多任务学习的非接触式生命体征监测方法，用于针刺治疗中的心率、呼吸率估计和卧姿检测	首次将多任务深度学习应用于针刺场景下的生命体征监测，采用PVDF薄膜传感器和GRU+多头自注意力机制实现高效的非接触式监测	实验仅涉及25名参与者，样本量有限；且传感器仅置于患者背部下方，可能对不同体型或睡姿的泛化性有限	实现针刺治疗中非接触式生命体征的准确监测，包括心率、呼吸率估计和卧姿分类	针刺治疗中的患者生命体征（心率、呼吸率）和卧姿	机器学习	NA	多通道心冲击图	GRU与多头自注意力机制	心冲击图信号	25名参与者	NA	GRU、多头自注意力	准确率、平均绝对误差	NA
1752	2026-06-06	Towards contrast- and pathology-agnostic clinical fetal brain MRI segmentation using SynthSeg 2026-Feb-15, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2026.121729 PMID:41548822	研究论文	本研究提出一种数据驱动的训练时采样策略，结合SynthSeg框架的域随机化技术，用于提高胎儿脑MRI分割网络对病理和对比度变化的泛化能力	提出一种新颖的数据驱动训练时采样策略，能充分利用训练数据集的多样性来增强网络的域泛化能力，并整合到SynthSeg框架中	在重度解剖异常的测试对象上分割质量显著提升，但在异常较少的案例中性能略有下降	训练能够自动分割胎儿脑MRI的网络，使其能应对生理结构差异和采集环境差异带来的域偏移，特别是病理情况下常见的形状差异	胎儿脑MRI图像，包括不同生理结构和病理情况的样本	计算机视觉	神经发育疾病	MRI	CNN	图像	NA	NA	SynthSeg	分割质量（p值）	NA
1753	2026-06-06	Neural-linguistic analysis for Alzheimer's detection: A deep learning approach informed by cognitive neuroscience 2026-Feb-15, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2026.121739 PMID:41570955	研究论文	提出一种受认知神经科学启发的深度学习框架COASTAL，通过神经语言学分析进行阿尔茨海默病检测	首次将认知神经科学中的层级语音处理通路模型（如额颞语言网络）与深度学习结合，通过专门转换模块将声学模式转为离散符号，并保留细粒度时间特征以提升诊断准确性	未讨论模型在更大规模或多样化人群中的泛化能力，也未明确提及计算资源需求	开发一种非侵入性、低成本的阿尔茨海默病早期检测方法	阿尔茨海默病患者的语音信号	机器学习	阿尔茨海默病	语音信号处理	深度学习模型	语音	ADReSSo语料库（未明确具体样本数量）	PyTorch	COASTAL	准确率	未明确说明
1754	2026-06-06	SiQDs and [Ru(bpy)2(phen-NH2)]2+ based ratiometric fluorescence probe for point-of-care testing of 6PPD-quinone with 3D-printing portable devices 2026-Feb-15, Analytica chimica acta IF:5.7Q1 DOI:10.1016/j.aca.2026.345075 PMID:41577417	研究论文	提出了一种基于SiQDs和[Ru(bpy)2(phen-NH2)]2+的比率荧光探针，结合3D打印便携设备和深度学习，用于6PPD-Q的即时检测	首次将硅量子点与钌配合物结合构建比率荧光探针，并集成YOLOv5深度学习和智能手机，实现6PPD-Q的可视化、低成本、实时检测	NA	开发一种快速、高响应、特异性强的6PPD-Q检测方法	N-苯基-N'-(1,3-二甲基丁基)-p-苯二胺醌	计算机视觉	NA	荧光光谱分析	深度学习模型	图像	NA	PyTorch	YOLOv5	线性关系, 检测限	NA
1755	2026-06-06	Rapid Single-Cell Phenotypic Antifungal Susceptibility Testing on a SlipChip Enabled by Deep Learning 2026-Feb-10, Analytical chemistry IF:6.7Q1 DOI:10.1021/acs.analchem.5c07370 PMID:41568544	研究论文	提出一种结合SlipChip微流控芯片和深度学习图像分析的快速、无标记单细胞抗真菌药敏测试平台，可在4小时内确定最低抑菌浓度	首次将深度学习驱动的图像分析与SlipChip微流控技术相结合，实现4小时内单细胞水平的快速抗真菌药敏检测	未明确提及，可能包括临床样本多样性不足或对耐药机制的解析能力有限	开发一种快速、可扩展的临床适用的抗真菌药敏测试方法，以缩短传统检测时间	真菌细胞（包括临床分离株）	数字病理学, 计算机视觉	真菌感染	微流控芯片（SlipChip）、明场显微成像	ResNet-34, U-Net	图像（明场显微图像）	10个临床分离株	PyTorch	ResNet-34分类器, U-Net分割模型	敏感性, 分割准确性, 分类一致性	NA
1756	2026-06-06	Amplifying image quality gain in x-ray phase contrast imaging of mastectomy samples with deep learning denoising 2026-Feb-10, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ae3c54 PMID:41570391	研究论文	利用基于U-Net的深度学习去噪方法增强乳腺切除样本的X射线相衬成像质量，在保持辐射剂量的同时提高图像质量	首次将监督式深度学习去噪应用于乳腺相衬CT图像，在保持空间分辨率不变的情况下将信噪比提升4倍，同时减少辐射剂量	未提及	进一步降低相衬CT的辐射剂量，同时保持或提高图像质量，为后续活体患者乳腺癌成像做准备	34个新鲜全乳腺切除样本	机器视觉	乳腺癌	相衬计算机断层扫描	卷积神经网络	图像	34个乳腺切除样本的PCT扫描（28对用于训练，6对用于测试）	NA	U-Net	信噪比、空间分辨率、结构相似性指数、峰值信噪比	NA
1757	2026-06-06	On-device single channel EEG classification on Android smartphones using lightweight machine learning models 2026-Feb-10, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ae3ca4 PMID:41576423	研究论文	提出一种在安卓智能手机上利用轻量级机器学习模型实现单通道脑电图分类的流水线	首次在安卓设备上实现离线单通道脑电图信号分类，使用轻量级模型（支持向量机）并达到90%准确率，无需大量计算资源或大数据集	依赖多个软件平台，无法实现实时分类	实现移动端设备上基于脑电图信号的分类，促进自然环境下生理测量方法学的发展	十名受试者的睁眼和闭眼脑电图信号	机器学习	NA	脑电图	支持向量机	信号	10名受试者的单通道脑电图信号	NA	支持向量机	准确率, 精确率, 灵敏度, 特异度, F1分数, 马修斯相关系数	安卓设备（Google Pixel 7 Pro, Samsung S22）
1758	2026-06-06	Bioinspired Multifunctional Hydrogels for Deep Learning-Enabled Wound pH Visual Monitoring and Treatment 2026-Feb-10, Analytical chemistry IF:6.7Q1 DOI:10.1021/acs.analchem.5c05725 PMID:41579059	研究论文	报道一种基于仿生酶级联反应的多功能水凝胶，集成pH可视化监测和深层学习分析，用于智能伤口管理	首次将葡萄糖氧化酶-血红素酶级联引发的原位聚合用于快速成型水凝胶，并结合ResNet34深度学习模型实现高精度pH监测与伤口治疗一体化	研究仅在动物模型上进行验证，未在人体临床试验中测试；深度学习模型基于有限的数据集（1000张图像）训练	开发一种能够实时监测伤口pH并提供抗菌和促进愈合功能的智能水凝胶敷料	多功能水凝胶材料及其在伤口感染模型中的性能	机器学习	慢性伤口	原位氧化还原引发聚合、酶级联反应	CNN（卷积神经网络）	图像	1000张水凝胶比色图像用于深度学习训练	PyTorch	ResNet34	分类准确率	NA
1759	2026-06-06	National-scale open cattle feedlot detection using deep learning and high-resolution aerial images: Spatial distribution and animal welfare analysis 2026-Feb-10, The Science of the total environment DOI:10.1016/j.scitotenv.2026.181451 PMID:41579720	研究论文	提出利用深度学习模型（YOLO）和高分辨率航空影像，对美国本土的开放式牛场进行全国尺度检测，并分析其空间分布与动物福利相关问题	首次构建全国范围开放式牛场检测框架，结合YOLOv11m模型与NAIP影像，实现大规模自动化检测，并提供空间分布与动物福利热应激风险的关联分析	未提及检测模型在极端天气或遮挡条件下的鲁棒性，且训练数据主要集中在高产区县，可能影响模型对其他区域牧场特征的泛化能力	建立美国开放式牛场全国数据库，评估其空间分布特征，并分析环境胁迫因子（如夏季高温、稳定蝇孵化）对动物福利的影响	美国本土（CONUS）开放式牛场设施	计算机视觉, 数字病理学	动物福利相关疾病	NAIP航空影像（1米分辨率GeoTIFF）	YOLO（You Only Look Once）	航空影像	训练集：11,746个牛场标注和13,000个背景图像块；全国推理：43TB NAIP影像（2019-2022年）	NA	YOLOv11m	精确率, 召回率, F1分数, 交并比（IoU）	NA
1760	2026-06-06	DeepDBPI: DNA-Binding Protein Identifier Using a Deep Learning Model with Transformed Denoised Features 2026-Feb-09, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02637 PMID:41566703	研究论文	提出了一种名为DeepDBPI的深度学习模型，用于通过变换去噪特征预测DNA结合蛋白	利用进化与图形特征，结合小波去噪算法去除噪声，并使用多种深度学习架构（如Bi-GRU）提升预测性能	未明确讨论在极端不平衡数据集或跨物种泛化能力上的局限性	开发高效的DNA结合蛋白预测计算协议，以替代费时费力的湿实验方法	DNA结合蛋白	机器学习, 生物信息学	NA	蛋白质序列特征提取方法（CC-PSSM, BP-PSSM, TRG-PSSM, FEGS）	深度学习模型（ResNet, LSTM, BiLSTM, RNN, BiRNN, BiGRU）	蛋白质序列	未明确提供具体样本数量	NA	BiGRU, ResNet, LSTM, BiLSTM, RNN, BiRNN	准确性（ACC）, 灵敏度（SN）, 特异性（SP）, 马修斯相关系数（MCC）	NA