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	2026-06-26	Signature-aware deep learning reveals distinct driver gene programs and mutational processes in glioblastoma and colon adenocarcinoma 2026-08, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2026.108984 PMID:41764951	研究论文	提出一种名为ResMLP-GL的残差多层感知机模型，用于癌症驱动基因突变预测，并整合COSMIC SBS签名上下文概率与功能特征	首次将COSMIC SBS突变签名上下文概率向量显式整合进残差门控MLP网络，通过特征级门控模块实现突变过程感知的表示学习，并在多癌症类型中实现超越传统方法的预测性能	未提及的局限性：依赖TCGA和ICGC数据库的肿瘤外显子数据，可能对罕见突变或非编码区域突变不敏感；模型复杂度较高，可能限制在低资源环境中的部署	开发可解释的癌症驱动基因突变预测方法，明确突变过程与驱动基因选择之间的关联	胶质母细胞瘤和结肠腺癌的肿瘤外显子突变数据	机器学习	胶质母细胞瘤, 结肠腺癌	全外显子测序	残差多层感知机	基因突变数据	TCGA GBM/COAD外显子数据（未明确具体样本数），ICGC独立验证队列	Optuna, ADASYN, SHAP	ResMLP-GL（含两个投影残差块和特征门控模块）	AUC	NA
2	2026-06-26	Enhanced pneumonia prognosis via a hybrid deep learning ensemble: Dense Net, Efficient Net, and VGG16 integration 2026-08, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2026.109009 PMID:41830760	研究论文	提出一种集成DenseNet、EfficientNet和VGG16的混合深度学习框架，用于肺炎预后增强	结合多种深度学习架构与混合特征提取方法（Deep CNN和InceptionV3），并采用贝叶斯优化和粒子群优化的混合超参数调优策略	未提及外部数据集验证、临床落地可实现性或计算开销等限制	提高肺炎诊断的准确性和可靠性，提供稳健的临床辅助方案	肺炎患者胸部影像数据	计算机视觉	肺炎	NA	深度学习集成模型	图像	NA	NA	DenseNet, EfficientNet, VGG16, Deep CNN, InceptionV3	准确率、敏感度、特异度	NA
3	2026-06-26	scDCL: A multi-view single-cell RNA sequencing clustering method based on dual contrastive learning 2026-08, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2026.108998 PMID:41791270	研究论文	提出scDCL框架，结合ZINB掩码自编码器、图神经网络和双对比学习，实现单细胞RNA测序数据的聚类分析	首次将ZINB掩码自编码器、图神经网络与双对比学习协同集成，同时捕捉细胞内特征和全局结构特征，通过双重对比损失优化聚类紧凑性和结构一致性	未明确说明局限性，但可能包括对大规模数据集的计算复杂度或超参数调优需求	解决单细胞RNA测序数据高稀疏性、强非线性和高维度带来的聚类挑战，提高聚类性能	单细胞RNA测序数据中的细胞群体和细胞状态	机器学习	NA	单细胞RNA测序（scRNA-seq）	图神经网络、对比学习	单细胞RNA测序表达数据	多个公开数据集（具体数量未指定）	PyTorch	ZINB掩码自编码器、图神经网络	聚类性能指标（如ARI、NMI等，具体未指定）	NA
4	2026-06-26	Gene Ontology graph embeddings with Dynamic Thresholding based Deep Neural Networks for Multi-label protein subcellular localization prediction 2026-08, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2026.109022 PMID:41865632	研究论文	提出结合基因本体图嵌入与动态阈值深度神经网络的多标签蛋白质亚细胞定位预测方法	首次将基因本体图节点嵌入与动态阈值深度神经网络结合，动态阈值替代固定阈值实现多标签预测，显著提升多定位预测性能	未提及计算资源需求或模型泛化性，且仅基于两个特定基准数据集验证	利用机器学习与深度学习提升蛋白质亚细胞定位预测的准确性与效率	蛋白质亚细胞定位及其多标签分类	机器学习	NA	基因本体图嵌入	深度神经网络	基因本体图数据、蛋白质序列数据	DeepLoc 2.0数据集和Plant-mSubP数据集（具体样本数未提及）	NA	图嵌入模型、深度神经网络	整体实际准确率、松弛准确率	NA
5	2026-06-26	Pipeline-optimized machine learning for chronic fatigue syndrome diagnosis: A lightweight, interpretable model using blood biochemical and metabolomic data 2026-08, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2026.108995 PMID:41791269	研究论文	通过系统性流程优化，利用血液生化与代谢组学数据构建了用于慢性疲劳综合征诊断的轻量级、可解释机器学习模型	创新点包括：采用带重叠条件患者的对照组设计、分层bootstrap抽样确保协变量平衡、整合因果推断（孟德尔随机化）与可解释性分析（SHAP）的双重解释机制	NA	开发一种轻量级、可解释的慢性疲劳综合征诊断模型，利用客观血液生化与代谢标志物实现准确区分	慢性疲劳综合征患者（1137例）与对照组（66838例）的血液生化数据和代谢组学数据	机器学习	慢性疲劳综合征	血浆代谢组学、血液生化分析	随机森林	表格数据（血液生化指标+代谢物）	1137例病例，66838例对照	ClinMetML	随机森林	ROC-AUC、准确率、灵敏度、特异性、F1分数、阴性预测值、阳性预测值、马修斯相关系数	NA
6	2026-06-26	Hierarchical attention-assisted feature pyramid network with Variational Sparse Autoencoder for cancer classification using gene data 2026-08, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2026.109005 PMID:41861429	研究论文	提出一种基于分层注意力辅助特征金字塔网络和变分稀疏自编码器的癌症基因分类方法	将稀疏表示学习、结构诱导空间嵌入和多尺度分层注意力融合，结合改进的梯度下降优化超参数，实现高鲁棒性的癌症分类	未在更多样化的数据集上验证，且未讨论计算开销和模型可解释性	开发一种高效的癌症基因表达数据分类方法，克服数据高噪声和冗余问题	基因表达数据中的癌症类型	机器学习	癌症	基因表达数据	HA-FPN（分层注意力辅助特征金字塔网络）	基因表达数据	两个公开数据集	NA	HA-FPN（分层注意力辅助特征金字塔网络）、变分稀疏自编码器（VSAE）、DeepInsight	准确率、精确率、召回率、F1分数	NA
7	2026-06-26	IDGSA-DRIU-Net: Internal dilated guided self-attention renal mass segmentation model based on dilated residual inception U-Net 2026-08, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2026.109041 PMID:41936194	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
8	2026-06-26	scMapNet: Marker-based cell type annotation of scRNA-seq data via vision transfer learning with tabular-to-image transformations 2026-Jul, Journal of advanced research IF:11.4Q1 DOI:10.1016/j.jare.2025.10.056 PMID:41161490	研究论文	提出scMapNet方法，通过视觉迁移学习和表格到图像转换实现基于标记基因的单细胞RNA测序数据细胞类型注释	首次将掩码自编码器和视觉变换器应用于单细胞数据，通过树图变换整合细胞标记知识并利用未标记数据预训练	未讨论在极端稀疏数据或新发现细胞类型上的有效性，且依赖高质量标记基因数据库	开发一种能充分学习细胞标记知识和未标记数据信息的深度学习细胞类型注释方法	单细胞RNA测序数据的细胞类型注释任务	机器学习	NA	单细胞RNA测序	掩码自编码器与视觉变换器	表格数据（转化为图像）	多个公开数据集（具体数量未提及）	PyTorch	Vision Transformer, 掩码自编码器	准确性, 批次不敏感性	NA
9	2026-06-26	Deep‑learning‑based detection of open‑apex teeth on panoramic radiographs using YOLO models 2026-Jul, Oral radiology IF:1.6Q3 DOI:10.1007/s11282-025-00884-5 PMID:41432878	研究论文	利用YOLO深度学习模型在全景X光片中检测开放根尖牙齿，并比较不同模型性能	首次系统比较YOLOv3、YOLOv4和YOLOv5在开放根尖牙齿检测中的应用性能	仅基于全景X光片，未涉及其他影像模态；样本量相对有限	评估YOLO模型在检测开放根尖牙齿中的效果，以减少额外放射检查需求	开放根尖牙齿	计算机视觉	口腔疾病	NA	YOLO	图像	966张全景X光片	PyTorch	YOLOv3, YOLOv4, YOLOv5	精确率, 召回率, 平均精度（mAP）, F1分数	NA
10	2026-06-26	Impact of image processing techniques on deep learning-based classification accuracy of cervical vertebral maturation 2026-Jul, Oral radiology IF:1.6Q3 DOI:10.1007/s11282-025-00887-2 PMID:41484816	研究论文	本研究探讨了不同图像处理技术对深度学习模型在颈椎骨成熟度分类中性能的影响	首次系统比较了多种图像标注方法（标准、低密度、双色标注）对颈椎骨成熟度分类准确率的影响，发现双色标注显著提升深度学习模型性能	仅使用了单一深度学习架构（AlexNet），未探索其他先进模型；数据集规模相对较小（799张），可能限制泛化性	评估不同图像处理技术如何影响基于深度学习的颈椎骨成熟度分类准确性	799张原本用于正畸诊断的头颅测量X光片，提取包含第二至第四颈椎（C2-C4）的矩形区域作为标准图像	计算机视觉	NA	NA	卷积神经网络（CNN）	图像（X光片）	799张头颅测量X光片，其中641张用于训练，158张用于测试	Neural Network Console	AlexNet	分类准确率	NA
11	2026-06-26	A BMC-Net model for the recognition and segmentation of mandibular canal bifurcation 2026-Jul, Oral radiology IF:1.6Q3 DOI:10.1007/s11282-025-00892-5 PMID:41493698	研究论文	开发BMC-Net深度学习模型用于下颌管分叉的识别与分割	首次提出BMC-Net模型专门用于下颌管分叉的快速诊断和识别，性能显著优于传统UNet模型和临床医生判断	仅基于160例病例图像构建，数据量较小，可能影响模型泛化能力	开发深度学习模型以快速诊断和识别下颌管分叉，帮助牙医避免手术风险并制定有效治疗方案	下颌管分叉	计算机视觉	口腔疾病	NA	CNN	图像	160例病例图像，其中140张训练集，20张测试集	NA	BMC-Net, UNet	Dice相似系数, AUC, 交并比, 召回率, 精确度, 敏感性, 特异性	NA
12	2026-06-26	A fully autonomous AI system for accurate and reproducible Cobb angle measurement in adolescent idiopathic scoliosis: a multicenter study 2026-Jul, The spine journal : official journal of the North American Spine Society DOI:10.1016/j.spinee.2026.01.010 PMID:41506453	研究论文	开发并验证了一种基于AI的全自动系统SPARC，用于青少年特发性脊柱侧弯的Cobb角测量，在多项研究中展现了优于人工评估的性能	设计了全自动的AI管道，包含两个专用模型，无需人工干预即可从全脊柱X光片中检测脊柱曲度、识别椎体并准确估算Cobb角，显著降低了测量误差和变异	作为回顾性观察研究，可能受数据选择偏差影响；样本量有限，需要更大规模前瞻性验证	开发基于AI的自动可重复系统，辅助Cobb角估算，消除人工测量的主观变异性	青少年特发性脊柱侧弯患者的全脊柱正位/后前位X光影像	医学影像分析	青少年特发性脊柱侧弯	X光影像分析	深度学习模型	医疗影像（X光片）	484张X光影像，来自4家三级医院，专家共识共1054条脊柱曲线	NA	两个专用AI模型联合管道	平均绝对误差（MAE）、标准差、误差范围、检测率	NA
13	2026-06-26	Evaluation of the accuracy of detecting C-shaped canals in mandibular second molars identified by cone-beam computed tomography on panoramic radiographs using artificial intelligence algorithms developed with deep learning methods 2026-Jul, Oral radiology IF:1.6Q3 DOI:10.1007/s11282-025-00888-1 PMID:41511700	研究论文	评估基于深度学习方法的卷积神经网络在曲面断层片上检测下颌第二磨牙C形根管形态的准确性	首次在文献中应用多数投票融合模型预测结果来检测下颌第二磨牙C形根管	基于单中心数据，缺乏外部验证	评估深度学习模型在曲面断层片上检测下颌第二磨牙C形根管的准确性	844张标注的曲面断层片，包含C形根管和非C形根管的下颌第二磨牙	计算机视觉	口腔疾病	锥形束计算机断层扫描	深度卷积神经网络	图像（曲面断层片）	592名患者，共844张标注曲面断层片（422张C形根管，422张非C形根管）	NA	11种深度学习模型（具体架构未列出）	准确率、精确率、召回率、特异度、混淆矩阵	NA
14	2026-06-26	Towards accurate occlusal plane positioning in panoramic radiographs: a deep learning-assisted study 2026-Jul, Oral radiology IF:1.6Q3 DOI:10.1007/s11282-025-00891-6 PMID:41511698	研究论文	评估深度学习架构在自动分类全景X光片头部定位错误中的有效性	首次全面评估基于卷积和基于变换器的深度学习架构在检测全景X光片咬合平面定位错误中的性能	数据集规模较小（480张图像），且仅依赖单一放射科专家的标注	探索自动化咬合平面定位错误分类以提升全景X光片标准化和图像质量	全景X光片中的咬合平面定位错误	计算机视觉	口腔疾病	全景X光成像	卷积神经网络（CNN）和视觉变换器（ViT）	图像	480张匿名全景X光图像	PyTorch	ResNet18，视觉变换器	准确率，精确率，召回率，F1分数，ROC-AUC	NA
15	2026-06-26	Web-based AI application for enhanced dental disease diagnosis using advanced object detection integrated with transformer-based attention mechanism 2026-Jul, Oral radiology IF:1.6Q3 DOI:10.1007/s11282-025-00886-3 PMID:41528683	研究论文	提出一种基于YOLOv11-TAM模型的网页AI应用，用于从全景X光片中自动检测和诊断龋齿、深龋、阻生齿和根尖周病变等牙科疾病	将YOLOv11模型与基于Transformer的注意力机制集成，形成YOLOv11-TAM架构，实现了特征提取和定位精度的提升，并开发了用户友好的网页应用平台	由于类别不平衡，模型在龋齿诊断方面仍存在挑战	利用先进深度学习技术提高牙科疾病诊断的准确性、效率和可及性	牙科全景X光影像	计算机视觉	龋齿、深龋、阻生齿、根尖周病变	全景X光成像	YOLOv11-TAM	影像	705张标注全景X光影像	PyTorch	YOLOv11-TAM, C3k2, SPPF, Transformer注意力机制	精确率, 特异性, 定位准确率	NA
16	2026-06-26	A Unified Deep Learning Framework for Visual Diagnosis of Palatal Radicular Grooves in CBCT Scans: A Multicenter Validation Study 2026-Jul, Journal of endodontics IF:3.5Q1 DOI:10.1016/j.joen.2026.01.022 PMID:41655629	研究论文	开发一个用于CBCT扫描中腭侧沟视觉诊断的统深度学习框架，并进行多中心验证	首个集成牙齿分割、PRG诊断与病变分类的统一深度学习框架PRG-Net，并在多中心数据中验证其泛化能力	NA（摘要中未提及局限性）	开发并验证一个可自动进行三维可视化、诊断和分类PRG病变的深度学习框架	腭侧沟病变及CBCT扫描图像	计算机视觉	牙科疾病（腭侧沟）	CBCT扫描	深度学习框架	图像（CBCT扫描）	来自1个内部验证点和3个外部中心的CBCT数据集	NA	PRG-Net	Dice相似系数, 曲线下面积	NA
17	2026-06-26	3D deep-learning radiomics from MR-T2WI for predicting placenta accreta spectrum disorders: A multicenter study 2026-Jul, International journal of gynaecology and obstetrics: the official organ of the International Federation of Gynaecology and Obstetrics DOI:10.1002/ijgo.70874 PMID:41696788	研究论文	基于MR-T2WI的三维深度学习影像组学预测胎盘植入谱系疾病风险的多中心研究	首次利用三维深度学习影像组学方法从MR-T2WI中提取特征，并整合临床特征构建多模态模型，显著提高了预测胎盘植入谱系障碍的准确性	NA	开发基于磁共振T2加权成像的三维深度学习影像组学模型，用于预测胎盘植入谱系障碍的风险	601例疑似胎盘植入谱系障碍患者的多中心回顾性数据	计算机视觉	胎盘植入谱系障碍	磁共振成像	3D深度学习影像组学模型	图像	601例患者（中心A 476例，中心B 63例，中心C 62例）	PyTorch	3D ResNet50, DenseNet121, ShuffleNet	AUC	NA
18	2026-06-26	Prostate MRI quality improvement: a Roadmap from the ESUR Prostate MRI Working Group 2026-Jul, European radiology IF:4.7Q1 DOI:10.1007/s00330-026-12395-w PMID:41826767	研究报告	欧洲泌尿生殖放射学会(ESUR)前列腺MRI工作组提出的三步式质量改进框架，旨在标准化并提升前列腺MRI的采集、解读与报告质量	首次系统化提出Build it right-See it right-Improve and innovate三步式质量改进框架，整合PI-RADS技术标准、PI-QUAL客观评分、AI评估与深度学习重建等新兴技术	尚未提供框架实施后的量化效果验证数据，缺乏多中心前瞻性研究验证其临床效益	建立系统化的前列腺MRI质量改进路线图，提升全球范围内影像采集、解读与报告的标准化与可重复性	前列腺MRI的采集技术、影像质量与报告流程	机器学习	前列腺癌	MRI	NA	影像	NA	NA	NA	NA	NA
19	2026-06-26	A multimodal feature disentanglement model for lymphadenopathy diagnosis based on BUS and CDFI ultrasound videos: a retrospective, prospective, multicenter study 2026-Jul, European radiology IF:4.7Q1 DOI:10.1007/s00330-026-12409-7 PMID:41831029	研究论文	基于B超和彩色多普勒超声视频的多模态特征解耦模型用于淋巴结肿大诊断的多中心研究	提出了基于B超和彩色多普勒超声视频的多模态特征解耦深度学习模型，并整合临床信息以提升淋巴结肿大诊断性能	NA	开发和验证基于B超和彩色多普勒超声视频的多模态深度学习模型，用于诊断淋巴结肿大	7371名接受多模态超声检查的患者，来自中国五个地区六个中心	计算机视觉，数字病理学	淋巴结肿大	B超，彩色多普勒超声	深度学习模型	视频（B超和彩色多普勒超声），临床信息	7371名患者（3824名男性，3547名女性，中位年龄52岁），共147420张关键帧	NA	多模态特征解耦模型	AUC, ACC, SEN, SPE, PRE	NA
20	2026-06-26	Beyond whole-image learning: anatomically partitioned deep learning models for superior sinonasal disease classification 2026-Jul, European radiology IF:4.7Q1 DOI:10.1007/s00330-026-12436-4 PMID:41832258	研究论文	提出一种解剖分区深度学习模型，用于提升鼻窦疾病CT诊断的准确性	首次将解剖区域先验知识与深度学习结合，通过自动解剖分割（nnU-Net v2）实现13个亚区的疾病特异性分类，显著优于传统全图像学习方法	手动分割样本量较小（150例），且模型在低发病率病变上的表现可能需进一步验证	验证解剖分区深度学习策略能否提升鼻窦疾病CT诊断的性能	2947例鼻腔和鼻窦CT检查数据，涵盖13个解剖区域	计算机视觉	鼻窦疾病	CT成像	nnU-Net v2	医学图像	2947例CT检查，其中150例用于手动分割	NA	nnU-Net v2	Dice系数, AUC, 敏感性, 特异性	NA