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
1	2026-02-13	Development of a deep neural network model for simultaneous analysis of extracellular analyte gradients for a population of cells 2026-Jun, Artificial intelligence in the life sciences DOI:10.1016/j.ailsci.2026.100156 PMID:41669397	研究论文	本研究开发了一种结合单壁碳纳米管荧光传感平台与深度学习模型的方法，用于快速分析细胞群体外部分析物的空间梯度	创新性地将YOLOv8分割模型与纳米技术结合，实现了对多种形态和集群细胞的高精度识别及一氧化氮空间动力学的像素级分辨率分析	未明确说明模型在更复杂生物环境或不同分析物中的泛化能力	开发一种自动化框架以加速细胞外部分析物（特别是一氧化氮）的空间数据分析，用于理解细胞通讯机制	细胞群体及其释放的细胞外一氧化氮	计算机视觉	NA	荧光传感平台、单壁碳纳米管技术	CNN	图像	涉及多幅图像中的多个细胞，具体数量未明确说明	NA	YOLOv8	召回率, 精确率	NA
2	2026-02-13	Artificial intelligence driven protein design and sustainable nanomedicine for advanced theranostics 2026-Jun, Bioactive materials IF:18.0Q1 DOI:10.1016/j.bioactmat.2026.01.036 PMID:41674557	综述	本文综述了人工智能驱动的蛋白质设计、可持续纳米医学及其在先进诊疗一体化系统中的融合应用	整合人工智能、蛋白质工程与可持续纳米医学，推动诊疗一体化范式转变，实现高度精准的疾病诊断与靶向治疗	NA	总结AI驱动的蛋白质设计策略、可持续纳米载体工程及其在下一代诊疗一体化系统中的融合，并讨论其机制见解、转化挑战和设计原则	蛋白质、肽、纳米材料、智能纳米载体	机器学习	肿瘤学	机器学习、深度学习	NA	复杂的生物和化学数据集	NA	NA	NA	NA	NA
3	2026-02-13	Advances and challenges in multiscale biomolecular simulations: artificial intelligence-driven paradigm shift 2026-Jun, Quantitative biology (Beijing, China) DOI:10.1002/qub2.70024 PMID:41675594	综述	本文讨论了生物分子模拟技术的最新进展，特别是人工智能驱动的范式转变，并探讨了其应用、发展趋势和主要挑战	整合机器学习特别是深度学习算法，推动生物分子模拟领域的创新，实现从传统方法向人工智能驱动范式的转变	NA	探讨生物分子模拟技术的最新进展、新兴应用、发展趋势和主要挑战	生物分子事件，如蛋白质折叠、构象动力学和蛋白质-蛋白质相互作用	机器学习	NA	分子模拟技术	深度学习算法	NA	NA	NA	NA	NA	NA
4	2026-02-13	Protein design and RNA design: Perspectives 2026-Jun, Quantitative biology (Beijing, China) DOI:10.1002/qub2.70029 PMID:41675592	综述	本文综述了深度学习和生成模型在蛋白质与RNA设计领域的最新进展及其应用	系统性地对比了蛋白质与RNA设计领域基于AI方法的最新进展，并展望了统一的蛋白质-RNA建模、大规模采样与自动化实验流程的未来方向	模型泛化能力与实验验证方面仍存在持续挑战	探讨AI驱动的分子工程在蛋白质与RNA设计领域的发展现状与未来趋势	蛋白质与RNA等生物分子	机器学习	NA	深度学习和生成模型	生成模型	序列与结构数据	NA	NA	NA	NA	NA
5	2026-02-13	Development of a deep learning-based histological evaluation model for critical-size bone defect healing in rats - an objective tool 2026-Apr, Bone IF:3.5Q2 DOI:10.1016/j.bone.2026.117791 PMID:41525839	研究论文	本研究开发了一种基于深度学习的组织学评估模型，用于客观评估大鼠临界尺寸骨缺损的愈合情况	首次将改进的U-Net模型应用于Movat五色染色组织切片，实现骨愈合阶段的语义分割与分类，并开发了可量化的骨愈合评分系统	研究仅基于大鼠模型，尚未在临床人体样本中验证；训练数据量相对有限（n=669）	开发客观、可扩展的骨愈合组织学评估工具，减少人工评估的主观性和时间消耗	大鼠股骨临界尺寸缺损模型的组织学切片	数字病理学	骨科疾病	组织学染色（Movat pentachrome染色）	CNN	图像	669张组织学切片图像	未明确说明	改进的U-Net	Spearman相关系数, 平均绝对偏差, ICC（组内相关系数）	NA
6	2026-02-13	Optimized data augmentation for osteosarcoma detection in deep and lightweight networks 2026-Apr, Journal of orthopaedics IF:1.5Q3 DOI:10.1016/j.jor.2025.12.013 PMID:41675170	研究论文	本文提出了一种系统性的深度学习方法，研究预处理和数据增强对骨肉瘤图像分类的影响	通过控制数据增强设置（无增强及每类合成图像数量）系统研究数据集扩大对模型泛化性能的影响，并强调增强效果与模型类型相关	统计分析显示模型间差异不显著（p > 0.05），可能限制了对最优模型选择的明确结论	优化数据增强策略以提升骨肉瘤检测在深度和轻量网络中的性能	骨肉瘤的H&E染色组织病理学图像	计算机视觉	骨肉瘤	组织病理学成像	CNN	图像	来自公开UT Southwestern/UT Dallas骨肉瘤数据集的图像，增强设置包括每类650、1000和1500张合成图像	TensorFlow, Keras	VGG19, InceptionV3, InceptionResNetV2, NasMobileNet	准确率, 敏感度, 特异度, ROC-AUC	NA
7	2026-02-13	MetaChrome: an open-source, user-friendly tool for automated metaphase chromosome analysis 2026-Mar, Methods (San Diego, Calif.) DOI:10.1016/j.ymeth.2025.12.013 PMID:41475630	研究论文	本文介绍了一款名为MetaChrome的开源软件平台，该平台专为自动中期染色体分析而设计，集成了深度学习模型进行染色体分割和FISH信号共定位分析	开发了首个结合图形用户界面、基于微调深度学习模型（Cellpose）进行自动中期染色体分割与FISH信号共定位分析的开源软件平台	未明确提及模型在多样化或低质量图像上的泛化能力，也未与其他开源工具进行系统性比较	开发一个用户友好、开源的工具，以解决自动中期染色体分割和DNA FISH信号共定位分析的挑战，促进高通量染色体分析工作流程	中期染色体图像，特别是用于DNA荧光原位杂交（FISH）分析的图像	数字病理学	NA	DNA荧光原位杂交（DNA FISH），高通量成像（HTI）	深度学习模型（基于Cellpose）	图像	NA	NA	Cellpose	分割准确性	NA
8	2026-02-13	A Few-Shot Learning Framework for Time-Varying Scientific Data Generation via Conditional Diffusion Model 2026-Mar, IEEE transactions on visualization and computer graphics IF:4.7Q1 DOI:10.1109/TVCG.2026.3656934 PMID:41570098	研究论文	本文提出了一种基于条件扩散模型的少样本学习框架，用于生成时变科学数据，以解决科学可视化中数据稀疏的问题	引入了一种时间感知的UNet架构和噪声感知损失函数，能够在仅使用少量训练样本（如1、3或5个）的情况下，通过条件扩散模型实现泛化能力和性能的平衡	未明确提及计算资源需求或模型在更复杂数据集上的可扩展性限制	解决科学可视化中因模拟计算成本高和数据存储挑战导致的数据稀疏问题，提升深度学习模型的训练效果	时变科学数据，具体应用于空间超分辨率、时间超分辨率和变量转换三个科学可视化任务	科学可视化	NA	条件扩散模型	扩散模型	体积数据（volumetric data）	少量训练样本（例如1、3或5个）	NA	时间感知UNet	定量评估和定性评估	NA
9	2026-02-13	A Spatiotemporal Causal Model for Revealing Developmental Changes in Infants' Brain Effective Connectivity Networks During the First Year of Life 2026-Mar, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3596893 PMID:40773400	研究论文	本研究提出了一种新颖的时空格兰杰因果模型，用于揭示婴儿第一年大脑有效连接网络的发展变化	首次采用因果发现方法揭示婴儿第一年大脑有效连接网络的变化，提出了一种新的时空格兰杰因果模型，该模型从时间序列中学习时空特征并施加稀疏性惩罚以提取格兰杰因果关系，不同于现有基于深度学习的模型从神经网络第一层权重推断因果关系	NA	揭示婴儿第一年大脑有效连接网络的发展变化	健康婴儿的静息态脑电图数据	机器学习	NA	静息态脑电图	格兰杰因果模型	时间序列	NA	NA	时空格兰杰因果模型	AUROC, AUPRC	NA
10	2026-02-13	Representation Learning for Cerebrovascular Autoregulation: A Model Study With Experimental Data Classification 2026-Mar, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3598592 PMID:40802622	研究论文	本研究开发了一种新型深度表示学习模型，用于动态监测脑血管自动调节状态，并通过实验数据分类验证其性能	提出了一种基于深度表示学习的新型模型，能够通过分析动脉血压和颅内压力时间序列来动态监测脑血管自动调节状态，并利用模型输出特征进行分类，显著提升了分类精度	研究为模型研究，基于实验数据，可能未涵盖所有临床场景或患者群体	理解深度学习模型在脑血管自动调节状态下的行为，并开发基于模型特征的分类方法，以优于现有压力反应性指数	脑血管自动调节状态，特别是在创伤性脑损伤后的动态变化	机器学习	创伤性脑损伤	深度表示学习，交叉谱分析	深度学习模型	时间序列数据	NA	NA	深度表示学习模型	精度，召回率	NA
11	2026-02-13	DINOMotion: Advanced Robust Tissue Motion Tracking With DINOv2 in 2D-Cine MRI-Guided Radiotherapy 2026-Mar, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3599457 PMID:40811295	研究论文	提出了一种基于DINOv2与LoRA层的新型深度学习框架DINOMotion，用于2D-Cine MRI引导放疗中鲁棒、高效且可解释的组织运动追踪	首次将DINOv2视觉基础模型与LoRA层结合用于医学图像运动追踪，通过自动检测对应标志点实现可解释的配准，直接计算配准而非迭代优化	仅针对2D-Cine MRI数据验证，未明确说明模型在极端运动情况下的性能边界	开发鲁棒高效的组织运动追踪方法以提升MRI引导放疗的精准性与安全性	肾脏、肝脏、肺部组织的运动追踪	医学图像分析	肿瘤放疗（通用）	2D-Cine MRI成像	深度学习	2D医学图像序列	志愿者与患者数据集（未提供具体数量）	PyTorch（基于DINOv2推断）	DINOv2 with LoRA layers	Dice系数, Hausdorff距离	未明确说明
12	2026-02-13	DeepArousal-Net: A Multi-Block Recurrent Deep Learning Model for Proactive Forecasting of Non-Apneic Arousals From Multichannel PSG 2026-Mar, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3596900 PMID:40824988	研究论文	本研究开发了一种名为DeepArousal-Net的深度学习模型，用于从多通道PSG记录中预测非呼吸暂停性睡眠觉醒	提出了一种新颖的多块循环深度学习模型，结合CNN和Bi-LSTM，能够提前30秒预测非呼吸暂停性睡眠觉醒，相比传统时间序列预测方法性能更优	NA	开发一个深度学习模型，准确预测非呼吸暂停性睡眠觉醒，以改善睡眠管理和干预策略	多通道PSG记录，包括EEG、ECG、EOG、EMG、血氧饱和度和气流信号	机器学习	睡眠障碍	多通道PSG	CNN, Bi-LSTM	时间序列信号	NA	NA	DeepArousal-Net	准确率, 灵敏度, 特异性	NA
13	2026-02-13	Meta-Learning With Unlabeled Query Updating and Consistency Learning for Few-Shot OCT Image Classification 2026-Mar, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3602687 PMID:40853820	研究论文	本文提出了一种结合元学习和无监督查询更新的新算法，用于少样本OCT图像分类，以解决罕见视网膜疾病诊断中训练数据不足的问题	首次在元学习中引入基于查询数据的无监督学习，并提出跨集一致性学习以减少支持集和查询集之间的元知识差距，同时集成数据混合以增强数据多样性	未明确说明算法在更大规模或更复杂疾病数据集上的泛化能力，且实验主要基于构建的轻量级子集	开发一种少样本学习算法，用于光学相干断层扫描（OCT）图像分类，以支持罕见视网膜疾病的自动诊断	OCT图像数据，特别是用于筛查常见和罕见视网膜疾病的图像	计算机视觉	视网膜疾病	光学相干断层扫描（OCT）	深度神经网络，元学习模型	图像	基于公共OCT数据集构建的轻量级子集，具体数量未明确说明	未明确指定，可能涉及TensorFlow或PyTorch	未明确指定具体架构，但基于预训练模型	分类准确率	未明确说明
14	2026-02-13	Deep learning deciphers behavioral states from muscle activation patterns 2026-Mar, Journal of pharmacological sciences IF:3.0Q2 DOI:10.1016/j.jphs.2026.01.007 PMID:41672643	研究论文	本文提出了一种基于深度学习的多部位肌电图分析方法，用于自动分类小鼠的行为状态	利用深度学习分析多部位肌电图数据，实现行为状态的自动分类，提供了一种客观、可扩展的行为评估框架	NA	开发一种自动、客观的行为分类方法，以克服手动视频观察的限制	小鼠的肢体和颈部肌肉	机器学习	NA	肌电图记录	CNN	肌电图信号	NA	NA	自定义卷积神经网络	分类准确率	NA
15	2026-02-13	BiGraph-DTA: Predicting drug-target interactions of hepatoprotective agents with graph convolutional networks 2026-Mar, Quantitative biology (Beijing, China) DOI:10.1002/qub2.70022 PMID:41676328	研究论文	本研究提出了一种名为BiGraph-DTA的新预测模型，用于预测肝保护剂与靶点之间的亲和力	结合图卷积网络和双向长短期记忆网络，同时处理分子结构的图表示和蛋白质序列的序列信息，以捕获复杂的依赖关系和相互作用	NA	预测药物-靶点亲和力，以加速肝保护剂的发现和开发	肝保护化合物及其对应的蛋白质靶点	机器学习	肝病	NA	图卷积网络, 双向长短期记忆网络	分子结构图, 蛋白质序列	来自ChEMBL数据库的21,421个相互作用数据	NA	BiGraph-DTA	均方误差, R², 一致性指数	NA
16	2026-02-13	Deep learning approaches to map individual differences in macroscopic neural structure with variations in spatial navigation behavior 2026-Feb-15, Neuropsychologia IF:2.0Q3 DOI:10.1016/j.neuropsychologia.2025.109352 PMID:41443585	研究论文	本研究采用深度学习方法来探索年轻人群大脑宏观结构与空间导航行为个体差异之间的关联	首次应用图卷积神经网络和3D卷积神经网络等深度学习模型，以数据驱动方式分析复杂大脑结构特征与空间导航能力的关系	研究样本量较小（N=90），仅使用单一行为测量指标，可能限制了预测能力	探究健康年轻成年人大脑结构特征与空间导航能力之间的关联	年轻成年人群	机器学习	NA	T1 MRI	GCNN, 3DCNN	图像	90名参与者	NA	图卷积神经网络, 3D卷积神经网络	预测值	NA
17	2026-02-13	CT-free attenuation and scatter correction of [11C]CFT brain PET using a Bi-directional matching network 2026-Feb-15, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2026.121721 PMID:41539466	研究论文	本研究提出并扩展了一种基于双向匹配网络的CT-free衰减和散射校正方法，用于[11C]CFT脑部PET成像，旨在避免CT相关的辐射暴露	采用双向离散过程匹配网络，通过离散一致性约束在未校正和完全校正的PET图像之间建立可逆变换，无需生成伪CT或依赖解剖先验信息	研究仅在90名帕金森综合征患者中进行评估，样本量相对有限，且方法在其他PET示踪剂或疾病中的泛化能力尚未验证	开发一种无需CT扫描的PET衰减和散射校正方法，以减少辐射暴露并保持定量准确性	帕金森综合征患者的[11C]CFT脑部PET图像	医学影像分析	帕金森病	PET成像，深度学习	Bi-DPM网络	PET图像	90名帕金森综合征患者	NA	Bi-DPM网络	MAE, PSNR, SSIM, CCC, PCC, Dice系数	NA
18	2026-02-13	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	本研究提出了一种基于SynthSeg框架的数据驱动采样策略，旨在提升胎儿脑部MRI分割模型在对比度和病理差异下的泛化能力	引入了一种新颖的数据驱动训练时采样策略，充分利用训练数据集的多样性，增强网络对领域偏移（如生理和采集环境差异）的泛化能力	在异常较少的情况下，模型性能略有下降	训练能够自动分割具有广泛领域偏移（包括病理形状差异）的胎儿脑部MRI的网络	胎儿脑部磁共振成像（MRI）	计算机视觉	胎儿神经发育异常	磁共振成像（MRI）	CNN	图像	NA	NA	NA	分割质量（基于统计显著性p<1e-4）	NA
19	2026-02-13	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	本文提出了一种受认知神经科学启发的深度学习框架COASTAL，用于通过语音分析检测阿尔茨海默病	提出了认知声学符号转换（COASTAL）框架，该框架模拟了大脑的分层语音处理通路，将声学模式转换为离散符号元素，然后进行上下文分析，从而克服了传统方法在捕捉语义认知内容和处理老年人发音变异方面的局限性	研究仅在ADReSSo语料库上进行了评估，样本来源和规模可能存在限制；未详细讨论模型在不同人口统计学群体或疾病阶段中的泛化能力	开发一种非侵入性、基于语音的早期阿尔茨海默病检测方法	阿尔茨海默病患者的语音数据	自然语言处理	阿尔茨海默病	语音分析，认知声学符号转换	深度学习	语音	ADReSSo语料库（具体样本数未在摘要中提供）	NA	分层转换架构（具体名称如ResNet等未提及）	准确率	NA
20	2026-02-13	Silencer variants are key drivers of gene up-regulation in Alzheimer's disease 2026-Feb-13, Science advances IF:11.7Q1 DOI:10.1126/sciadv.adz3323 PMID:41671378	研究论文	本文开发了一个深度学习框架，整合组蛋白修饰数据和单细胞开放染色质谱，以评估阿尔茨海默病中非编码变体的调控潜力	首次整合批量组蛋白修饰数据与单细胞开放染色质谱，识别了阿尔茨海默病相关的沉默子和增强子变体，并分类基因位点功能	未明确说明样本数量或数据来源的具体细节，可能限制模型的泛化能力	研究阿尔茨海默病中非编码变体的遗传机制及其对基因上调的驱动作用	阿尔茨海默病相关的非编码变体，特别是背外侧前额叶皮层中的沉默子和增强子变体	机器学习	阿尔茨海默病	组蛋白修饰分析，单细胞开放染色质谱	深度学习	表观遗传数据，单细胞数据	NA	NA	NA	方向一致性	NA