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	2026-02-10	Risk prediction in IgA nephropathy: from conventional models to machine learning, deep learning, and precision nephrology 2026-Dec, Renal failure IF:3.0Q1 DOI:10.1080/0886022X.2026.2613606 PMID:41656155	综述	本文全面回顾了IgA肾病风险预测模型的演变，从传统模型到机器学习和深度学习，并讨论了向精准肾脏病学发展的趋势	强调了从静态基线模型向集成多组学数据、连续临床测量和数字病理特征的动态、数据驱动预测工具的转变，并展望了可解释AI和实时决策支持	传统模型依赖静态参数，无法充分反映疾病动态轨迹，限制了其在实时临床管理中的应用	回顾IgA肾病风险预测模型的演变，总结其优势与局限，并讨论临床转化的考虑因素	IgA肾病（IgAN）患者	精准肾脏病学	IgA肾病	多组学数据、连续临床测量、数字病理特征	机器学习（ML）、深度学习（DL）	临床数据、组织病理学数据、多组学数据	NA	NA	NA	NA	NA
2	2026-02-10	Optimized cortical EEG modeling for Parkinson disease diagnosis with snow Shepherd Stride tuning mechanism 2026-Dec, Cognitive neurodynamics IF:3.1Q2 DOI:10.1007/s11571-025-10406-y PMID:41657964	研究论文	本文提出了一种结合堆叠自编码器和MobileNet卷积块的CortiMoS-Net模型，用于从脑电图信号中准确诊断帕金森病，并引入了雪牧羊人步幅配置调优优化技术	提出CortiMoS-Net模型，结合堆叠自编码器和MobileNet卷积块进行深度皮层建模，并引入S3C-Tune混合优化技术以提升模型收敛性和参数优化	未明确说明模型在不同临床环境或多样化患者群体中的泛化能力，以及计算资源需求的具体细节	开发一种基于脑电图的帕金森病诊断模型，提高诊断准确性和鲁棒性	帕金森病患者的脑电图信号	数字病理学	帕金森病	脑电图分析	堆叠自编码器, CNN	脑电图信号	NA	NA	堆叠自编码器, MobileNet	准确率, 精确率, 召回率, F1分数, 错误率, 损失值	NA
3	2026-02-10	A data fusion deep learning approach for accurate organelle-based classification of cancer cells 2026-Dec, Health information science and systems IF:4.7Q1 DOI:10.1007/s13755-025-00425-8 PMID:41659840	研究论文	提出了一种基于数据融合的深度学习框架，利用高分辨率荧光显微镜图像，通过细胞器特征对乳腺癌细胞系进行自动分类	开发了一种端到端的自动化框架，结合了基于补丁的采样、稀疏性过滤和通道级中间融合策略，独立提取并整合细胞器特异性特征，无需手动分割和3D渲染步骤	研究仅针对六种乳腺癌细胞系进行评估，未在其他癌症类型或更广泛的细胞系中进行验证	开发一种可扩展、自动化和可解释的深度学习解决方案，用于基于显微镜的癌症细胞分类	六种乳腺癌细胞系的高分辨率荧光显微镜图像	数字病理学	乳腺癌	荧光显微镜成像	深度学习	图像	六种乳腺癌细胞系的荧光显微镜图像数据集，使用5折交叉验证	NA	NA	准确率	NA
4	2026-02-10	Feasibility of single-phase DECT as an alternative to triple-phase CT for imaging-defined risk factors assessment in neuroblastoma for dose reduction 2026-Jun, European journal of radiology open IF:1.8Q3 DOI:10.1016/j.ejro.2026.100732 PMID:41657758	研究论文	本研究探讨了在神经母细胞瘤患者中使用单期相双能CT评估影像定义风险因素的可行性，以实现辐射剂量降低和检查流程优化	首次将单期相双能CT与深度学习图像重建技术结合，用于神经母细胞瘤的影像定义风险因素评估，相比传统三期相CT显著降低辐射剂量	研究样本量相对较小（94例），且为单中心回顾性研究，可能影响结果的普遍适用性	评估单期相双能CT在神经母细胞瘤影像定义风险因素评估中的可行性，以降低辐射剂量并优化检查流程	94例儿科神经母细胞瘤患者（年龄0-17岁）	数字病理学	神经母细胞瘤	双能CT，深度学习图像重建	NA	CT图像	94例儿科神经母细胞瘤患者	NA	NA	CT值，对比噪声比，边缘上升斜率，图像质量评分	NA
5	2026-02-10	ConcreteCARB: A comprehensive image dataset of concrete carbonation for computer vision tasks 2026-Apr, Data in brief IF:1.0Q3 DOI:10.1016/j.dib.2026.112493 PMID:41657407	研究论文	本文介绍了ConcreteCARB数据集，这是一个包含903张高分辨率混凝土表面图像的综合数据集，用于基于酚酞测试的碳化检测，旨在支持计算机视觉在土木工程中的应用	该数据集首次系统提供了基于酚酞测试的混凝土碳化图像，涵盖不同混合设计（如水灰比和添加剂）的样本，并经过专家手动标记，为AI在混凝土诊断中的训练和基准测试提供了宝贵资源	数据收集在受控实验室条件下进行，可能无法完全代表现场环境；样本数量有限（903张图像），且依赖于手动分割和标记，可能存在主观性	开发一个用于混凝土碳化检测的图像数据集，以支持人工智能在结构健康监测和材料降解分析中的应用	混凝土棱柱体样本，具有不同混合设计（包括水灰比和添加剂如工业硅废料和天然掺合料）	计算机视觉	NA	酚酞测试	NA	图像	903张高分辨率图像	NA	NA	NA	NA
6	2026-02-10	Deep learning for automated 3D assessment of rotator cuff muscle atrophy and fat infiltration prior to total shoulder arthroplasty 2026-Mar, Journal of shoulder and elbow surgery IF:2.9Q1 DOI:10.1016/j.jse.2025.07.025 PMID:40902715	研究论文	本研究开发了一种基于深度学习的模型，用于在肩部CT扫描上自动分割肩袖肌肉，并提出了体积肌肉萎缩的T评分分类方法	首次利用深度学习实现肩袖肌肉的自动三维分割，并引入T评分系统量化肌肉萎缩，同时定义了独特的萎缩表型、三维脂肪浸润百分比及前后平衡指标	研究样本主要来自特定患者群体（aTSA和rTSA），可能限制了结果的普适性；深度学习模型的性能依赖于CT图像质量	开发自动化工具以可靠评估肩袖肌肉萎缩和脂肪浸润，改善全肩关节置换术前的病理评估	肩袖肌肉（冈上肌、肩胛下肌、冈下肌、小圆肌）	数字病理学	肩关节疾病	计算机断层扫描（CT）	深度学习模型	三维CT图像	952例肩部CT扫描（762例健康对照，103例aTSA患者，87例rTSA患者）	NA	NA	T评分分类，三维脂肪浸润百分比，前后肌肉体积比，统计显著性（P值）	NA
7	2026-02-10	Artificial intelligence predicts c-KIT exon 11 genotype by phenotype in canine cutaneous mast cell tumors: Can human observers learn it? 2026-Mar, Veterinary pathology IF:2.3Q1 DOI:10.1177/03009858251380284 PMID:41059708	研究论文	本研究探讨人工智能预测犬皮肤肥大细胞肿瘤c-KIT外显子11基因型的能力，并评估人类观察者学习此任务的效果	首次结合深度学习算法与人类观察者训练，探索犬皮肤肥大细胞肿瘤中c-KIT外显子11内部串联重复突变（-11-ITD）的形态学特征识别	人类观察者通过自我训练后分类准确率提升有限，且未发现可靠的形态学预测特征	识别与-11-ITD相关的形态学特征，并评估人类观察者学习人工智能预测任务的能力	犬皮肤肥大细胞肿瘤（ccMCTs）的数字化苏木精-伊红染色组织切片（全切片图像）和图像块	数字病理学	犬皮肤肥大细胞肿瘤	深度学习，组织病理学分析	深度学习算法	图像	17位未经训练的病理学家，涉及8个全切片图像和200个图像块（训练阶段），以及15个新全切片图像和200个新图像块（测试阶段）	NA	NA	分类准确率	NA
8	2026-02-10	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	本文评估了人工智能和机器学习在骨关节炎和软骨评估中的应用，特别是在X光片和磁共振成像分析中的进展	综述了AI在骨关节炎诊断和管理中的最新应用，包括X光片分级与分割以及MRI序列优化、快速采集、去噪、软骨测量和评分系统等多个任务	NA	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，以应对其复杂的病理生理学带来的诊断和管理挑战	骨关节炎患者的X光片和磁共振成像数据	数字病理学	骨关节炎	X光成像, 磁共振成像	深度学习	图像	NA	NA	NA	NA	NA
9	2026-02-10	High-Resolution MR Imaging of Elbow Ligament Injuries and Associated Impingement and Instability Syndromes 2026-Mar, Radiologic clinics of North America IF:2.1Q2 DOI:10.1016/j.rcl.2025.09.005 PMID:41656056	综述	本文详细阐述了用于评估肘关节韧带损伤及相关撞击与不稳定综合征的高分辨率磁共振成像技术	强调了高场强磁体、专用表面线圈、三维成像和深度学习重建等先进技术在增强韧带结构可视化方面的应用	NA	评估肘关节韧带病变及相关不稳定和撞击综合征	肘关节韧带（内侧和外侧韧带复合体）及相关病理状态	数字病理学	NA	高分辨率磁共振成像，三维成像，深度学习重建	NA	磁共振图像	NA	NA	NA	NA	NA
10	2026-02-10	Corrigendum to "Geometric evaluation of a deep learning method for segmentation of urinary OARs on magnetic resonance imaging for prostate cancer radiotherapy". [Clin. Transl. Radiat. Oncol. 56 (2026) 101091] 2026-Mar, Clinical and translational radiation oncology IF:2.7Q2 DOI:10.1016/j.ctro.2025.101103 PMID:41657361	correction	本文是对一篇关于深度学习在MRI图像中分割前列腺癌放疗相关危及器官（OARs）的几何评估研究的更正	NA	NA	NA	NA	digital pathology	prostate cancer	magnetic resonance imaging	deep learning	image	NA	NA	NA	NA	NA
11	2026-02-10	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	本文提出了一种名为DeepDBPI的深度学习模型，用于预测DNA结合蛋白，通过结合多种新型描述符和去噪技术提升预测性能	开发了结合CC-PSSM、BP-PSSM、TRG-PSSM和FEGS等新型描述符的深度学习模型，并应用小波去噪算法处理序列特征，提高了DNA结合蛋白的预测准确性	未明确提及模型在更广泛数据集上的泛化能力或计算效率的具体限制	开发高效的深度学习模型以预测DNA结合蛋白，替代传统昂贵且耗时的湿实验方法	DNA结合蛋白（DBPs）	生物信息学	NA	小波去噪（WD）算法	ResNet, LSTM, BiLSTM, RNN, BiRNN, BiGRU	蛋白质序列数据	NA	NA	ResNet, LSTM, BiLSTM, RNN, BiRNN, BiGRU	准确率（ACC）、灵敏度（SN）、特异度（SP）、马修斯相关系数（MCC）	NA
12	2026-02-10	Graph-Based Deep Learning Models for Predicting pKa Values of Protein-Ionizable Residues via Physically Inspired Feature Engineering 2026-Feb-09, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c01681 PMID:41570305	研究论文	本研究提出了一种融合分子动力学模拟和深度学习模型的集成框架，用于提高蛋白质可电离残基pKa值的预测准确性	采用AMOEBA极化力场进行高通量分子建模，构建了富含原子静电学和其他物理启发特征的蛋白质结构数据集，并训练了三种基于图的神经网络模型，在预测精度和可解释性方面均优于现有工具	研究仅针对四种可电离残基类型（天冬氨酸、谷氨酸、赖氨酸、组氨酸）进行评估，未涵盖所有可能的残基类型	提高蛋白质残基pKa值的预测准确性，以促进对酶活性和蛋白质-配体结合的理解	蛋白质可电离残基的pKa值	机器学习	NA	分子动力学模拟，AMOEBA极化力场	图神经网络	图数据（蛋白质结构特征）	基于PKAD-2数据集的实验测定pKa值	NA	图注意力网络	预测准确性	NA
13	2026-02-10	Deep GIST: Deep Learning Models for Predicting the Distribution of Hydration Thermodynamics around Proteins 2026-Feb-09, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02389 PMID:41574593	研究论文	本研究开发了一套名为Deep GIST的深度学习模型，用于高效预测蛋白质周围水合热力学量的空间分布	首次使用深度学习模型替代计算密集的网格非均匀溶剂化理论（GIST）方法，将预测时间从数十小时缩短至数十秒，并能够考虑蛋白质构象波动	对于水合熵ΔS(r)和水合焓ΔH(r)的预测精度（决定系数）低于水合自由能ΔG(r)	开发高效预测蛋白质周围水合热力学分布的计算方法	蛋白质周围的水合热力学分布	机器学习	NA	分子动力学模拟	深度学习模型	分子结构数据	NA	NA	NA	决定系数, 相关系数	单GPU
14	2026-02-10	Attention-Guided Multiview Deep Learning Framework Uncovers miRNA-Drug Associations for Therapeutic Discovery 2026-Feb-09, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02839 PMID:41592800	研究论文	本文提出了一种注意力引导的多视图深度学习框架（DLMVF），用于预测miRNA-药物关联，以促进治疗发现	该框架首次全面整合了miRNA和药物的多源信息，而非仅依赖已知的相互作用图数据，并通过视图级注意力机制自适应学习不同特征的重要性	NA	预测miRNA-药物关联，以支持基于miRNA的治疗方法开发	miRNA和药物	机器学习	癌症	深度学习	注意力机制	多源信息（包括属性数据和相互作用数据）	基于最新数据库手动构建的实验基准数据集	NA	DLMVF（包含miRNA属性视图编码器、药物属性视图编码器和miRNA-药物相互作用编码器模块）	AUROC, AUPRC	NA
15	2026-02-10	CompBind: Complex Guided Pretraining-Based Structure-Free Protein-Ligand Affinity Prediction 2026-Feb-09, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02451 PMID:41562952	研究论文	提出了一种名为CompBind的新型框架，用于仅使用蛋白质和配体序列预测结合亲和力，无需依赖实验解析的3D复合物结构	通过结合双向交叉注意力和双目标预训练策略，从现有复合物结构中学习潜在相互作用模式，实现仅从序列推断结合亲和力，解决了结构数据稀缺性问题	未明确说明模型对新型蛋白质-配体对或高度变异序列的泛化能力，也未讨论计算效率的具体数据	开发一种不依赖3D结构输入的蛋白质-配体结合亲和力预测方法，以加速药物发现流程	蛋白质-配体复合物及其结合亲和力	机器学习	NA	深度学习预训练	基于注意力机制的深度学习模型	蛋白质序列、配体序列、3D复合物结构（仅预训练用）	NA	NA	双向交叉注意力架构	排名准确性（案例研究中）	NA
16	2026-02-10	NeuroTDPi: Interpretable Deep Learning Models with Multimodal Fusion for Identifying Neurotoxic Compounds 2026-Feb-09, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02639 PMID:41609193	研究论文	本研究开发了一个名为NeuroTDPi的多层全连接深度神经网络模型，用于识别神经毒性化合物	采用多模态融合策略，整合分子表征与针对三个特定神经毒性终点的特征表示，并利用SHAP方法增强模型可解释性	未明确说明模型在外部验证集上的泛化性能或对未知化合物的预测能力	开发可解释的深度学习模型，用于早期预测化学神经毒性	神经毒性化合物	机器学习	NA	分子表征，多模态融合	深度神经网络	分子特征数据	未明确说明	未明确说明	多层全连接神经网络	AUC	未明确说明
17	2026-02-10	Towards holistic phenotype prediction beyond genotypic data 2026-Feb-09, Journal of experimental botany IF:5.6Q1 DOI:10.1093/jxb/erag068 PMID:41656352	综述	本文探讨了超越基因组数据整合多种数据类型以增强表型预测能力的潜力	提出了五种数据整合策略（消除、促进、聚合、纳入、调制），并系统综述了其在提升表型预测准确性和全面理解复杂生物系统中的应用	作为综述论文，未提供具体实验验证，且各策略的优缺点依赖于现有研究，可能缺乏统一评估标准	增强表型预测能力，超越传统基因组选择，实现更全面的生物系统理解	多种数据类型（如环境数据）及其在表型预测中的整合应用	机器学习	NA	NA	CNN	基因组数据、环境数据等多种数据类型	NA	NA	卷积神经网络	NA	NA
18	2026-02-10	Deep learning model for identification of metabolic bone disease of prematurity using wrist radiographs 2026-Feb-09, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-37116-7 PMID:41656355	研究论文	本研究提出了一种基于手腕X光片的深度学习模型，用于识别早产儿代谢性骨病的放射学特征，并评估其决策支持的影响	开发了首个基于手腕X光片的深度学习模型，专门用于识别早产儿代谢性骨病的放射学特征，并证明了其在外部验证和临床辅助诊断中的有效性	研究为回顾性设计，样本主要来自两家医院，可能存在选择偏倚，且模型性能在更广泛人群中的泛化能力需进一步验证	开发并验证一个深度学习模型，以辅助临床医生（尤其是非放射科医生）识别早产儿代谢性骨病的放射学特征，实现及时诊断和治疗	早产儿（出生体重低于1500克），包括来自首尔国立大学医院（内部数据集）和首尔国立大学盆唐医院（外部数据集）的婴儿	数字病理学	代谢性骨病	手腕X光摄影	深度学习模型	图像（手腕X光片）	内部数据集814名受试者，外部数据集261名受试者	NA	DenseNet	AUROC, 灵敏度, 特异性, 准确率	NA
19	2026-02-10	Ninja optimization algorithm based ultra wideband antenna electromagnetic band gap modeling via a generative adversarial network 2026-Feb-09, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-39068-4 PMID:41656364	研究论文	本文提出了一种集成生成对抗网络与忍者优化算法的智能预测框架，用于精确建模和预测超宽带天线电磁带隙结构的电磁性能	将对抗性学习与基于忍者优化算法的优化相结合，以提高天线-电磁带隙系统代理建模的准确性和鲁棒性	NA	为超宽带天线电磁带隙结构的设计和优化提供高效、可扩展、高精度的建模途径	超宽带天线电磁带隙结构	机器学习	NA	NA	GAN, LSTM, GRU, RNN, ANN	NA	NA	NA	GAN, LSTM, GRU, RNN, ANN	均方误差, 均方根误差, 决定系数	NA
20	2026-02-10	Cardiac MR function analysis with DL-based super resolution reconstruction: application in the clinical setting 2026-Feb-09, The international journal of cardiovascular imaging DOI:10.1007/s10554-026-03642-8 PMID:41656477	研究论文	本研究评估了深度学习超分辨率重建在心脏磁共振成像中，与传统并行成像方法在容积测量、图像质量和采集时间方面的差异	首次将深度学习超分辨率重建算法应用于压缩感知加速采集的心脏磁共振图像，显著缩短了采集时间同时保持了图像质量和容积测量准确性	样本量较小（31例患者），且研究为回顾性设计，可能存在选择偏倚	评估深度学习超分辨率重建在心脏磁共振功能分析中的临床应用价值	31例接受心脏磁共振检查的患者，用于评估缺血性和非缺血性心肌病	数字病理学	心血管疾病	心脏磁共振成像，平衡稳态自由进动电影序列，并行成像，压缩感知	深度学习	医学图像	31例患者	NA	NA	相关系数，平均差异，一致性界限，p值	1.5T Philips Ingenia MRI扫描仪