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
661	2026-01-06	De novo design of protein competitors for small molecule immunosensing 2025-Dec-16, bioRxiv : the preprint server for biology DOI:10.64898/2025.12.16.694474 PMID:41446193	研究论文	本文利用深度学习模型设计蛋白质竞争性结合剂，用于小分子免疫传感，实现了对地高辛的灵敏检测	采用BindCraft管道设计针对抗原结合位点的竞争性结合剂，并通过筛选选择与小分子分析物产生空间冲突的结合剂，避免了传统竞争性免疫分析中需要定制合成竞争分子的繁琐步骤	设计的结合剂结合亲和力从低到中等（42 nM - 1.1 μM），可能在某些高灵敏度应用中受限	开发一种基于深度学习设计蛋白质竞争性结合剂的方法，以简化小分子生物标志物的竞争性免疫分析	小分子生物标志物（如地高辛）的检测	机器学习	NA	竞争性免疫分析，生物发光测定	深度学习模型	NA	在细菌裂解液中直接筛选了10个结合剂，其中7个成功	NA	BindCraft管道	结合亲和力（Kd），检测灵敏度（IC50）	NA
662	2026-01-06	scCotag: Diagonal integration of single-cell multi-omics data via prior-informed co-optimal transport and regularized barycentric mapping 2025-Dec-15, bioRxiv : the preprint server for biology DOI:10.64898/2025.12.11.693589 PMID:41446270	研究论文	本文提出了一种名为scCotag的深度学习框架，用于单细胞多组学数据的对角线整合，通过先验信息引导的共最优传输和正则化重心映射来提高细胞对齐和特征嵌入的准确性	该方法首次结合先验信息引导的共最优传输（COOT）与正则化重心映射，迭代推断细胞对齐和特征对应关系，解决了现有方法假设所有细胞可对齐且先验特征对应完全可靠的局限性	未明确说明计算资源需求或框架在超大规模数据集上的可扩展性限制	开发一种鲁棒的单细胞多组学数据对角线整合方法，以提升细胞对齐精度和生物调控机制的细粒度解析	单细胞RNA-seq和ATAC-seq数据，涉及人类大脑、骨髓和血液样本，以及阿尔茨海默病（AD）和非AD（NoAD）患者的死后脑组织数据	机器学习	阿尔茨海默病	单细胞RNA-seq, ATAC-seq	深度学习框架	单细胞多组学数据	涉及人类大脑、骨髓和血液数据集，具体样本数量未明确说明	未明确指定（如TensorFlow, PyTorch等），但基于深度学习框架	基于共最优传输（COOT）和正则化重心映射的定制架构	细胞对齐精度, 嵌入精度	NA
663	2026-01-06	Lightweight deep learning models for EEG decoding: a review 2025-Dec-12, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/ae2717 PMID:41330041	综述	本文系统回顾了用于脑电图信号分类的轻量级深度学习模型	将现有轻量级模型方法归纳为三大策略：基于多尺度特征融合的信息整合策略、隐藏层优化策略以及基于结构优化的混合改进策略，并综合了最新进展、识别新兴趋势并展望未来研究方向	NA	回顾轻量级深度学习模型在脑电图解码中的应用，旨在为设计高效、鲁棒的脑机接口分类架构提供参考	脑电图信号	机器学习	NA	NA	深度神经网络	脑电图信号	NA	NA	NA	NA	NA
664	2026-01-06	Landscape of 2D Deep Learning Segmentation Networks Applied to CT Scan from Lung Cancer Patients: A Systematic Review 2025-Dec, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01458-x PMID:40038137	系统性综述	本文系统综述了应用于肺癌患者CT扫描的2D深度学习分割网络的现状与前景	系统性地总结了2020年至2024年间2D深度学习网络在肺癌CT分割中的应用，并识别了研究中的关键概念与主要差距	综述主要基于2020年至2024年的文献，可能未涵盖更早或最新的技术发展；且纳入的124项研究可能存在发表偏倚	评估2D深度学习网络在肺癌CT图像分割中的当前应用与未来潜力，以改善诊断、治疗和患者生存	肺癌患者的CT扫描图像	计算机视觉	肺癌	CT扫描	CNN	图像	基于124项符合纳入标准的研究，具体样本量未在摘要中明确给出，但提及LIDC-LIDR数据集是最常用数据集	NA	U-Net及其变体	Dice相似系数	NA
665	2026-01-06	Deep Learning for the Diagnosis and Treatment of Thyroid Cancer: A Review 2025-Dec, Endocrine practice : official journal of the American College of Endocrinology and the American Association of Clinical Endocrinologists IF:3.7Q2 DOI:10.1016/j.eprac.2025.07.020 PMID:40749944	综述	本文综述了深度学习在甲状腺癌诊断与治疗中的应用进展	系统总结了深度学习在甲状腺癌诊断、治疗及预后预测中的最新应用，并指出了技术、临床和伦理方面的挑战	深度学习在临床广泛采用仍面临显著的技术、临床和伦理障碍	为临床医生提供深度学习应用于甲状腺癌诊断与治疗的最新研究进展	甲状腺癌	数字病理学	甲状腺癌	深度学习	CNN, LSTM, GAN	超声图像, 病理图像	NA	NA	卷积神经网络, 长短期记忆网络, 生成对抗网络	NA	NA
666	2026-01-06	Segmentation of honeycomb cysts, traction bronchiectasis and emphysematous lung parenchyma using the deep learning method 2025-Dec, Tuberkuloz ve toraks DOI:10.5578/tt.2025041118 PMID:41486792	研究论文	本研究利用深度学习技术，在HRCT图像上对蜂窝囊肿、牵拉性支气管扩张和肺气肿区域进行分割	首次将U-Net架构应用于MinIP图像，对间质性肺病分类的关键参数（蜂窝囊肿、牵拉性支气管扩张和肺气肿）进行自动分割	研究仅包含265例患者，样本量有限；未明确说明深度学习模型的具体训练细节和超参数设置	开发基于深度学习的医学图像分割方法，辅助间质性肺病的分类诊断	265例被诊断为寻常型间质性肺炎患者的HRCT图像	数字病理学	肺病	高分辨率计算机断层扫描	深度学习	医学图像	265例患者	NA	U-Net	灵敏度, 精确度, F1分数, AUC, 准确度	NA
667	2026-01-05	Deep learning regression model based on data pairing and pseudo-label fusion for NIR predictive modeling in food and pharmaceutical quality analysis 2025-Dec-29, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2025.127399 PMID:41483668	研究论文	本文提出了一种基于数据配对和伪标签融合的深度学习回归模型DeepSS，用于食品和药品质量分析中的近红外预测建模	提出DeepSS方法，采用金字塔编码器提取近红外光谱的低维潜在特征，并引入数据配对策略通过组合样本对的潜在特征并减去其标签来增强训练数据，测试时通过将测试样本与训练特征配对生成伪标签，结合决策策略进行最终预测	NA	解决食品和药品行业中因样本化学成分测量困难导致标记数据集小、近红外光谱分析可靠性受限的问题	片剂、苹果和西洋参数据集中的关键成分	机器学习	NA	近红外光谱	深度学习回归模型	光谱数据	NA	NA	金字塔编码器	预测误差	NA
668	2026-01-05	Performance of artificial intelligence in predicting hepatocellular carcinoma recurrence after thermal ablation: A systematic review 2025-Dec-27, World journal of hepatology IF:2.5Q2 DOI:10.4254/wjh.v17.i12.111425 PMID:41479509	系统综述	本文通过系统综述评估了基于人工智能的影像组学模型在预测肝细胞癌热消融后复发方面的性能	整合多模态影像组学分析与临床数据，优化治疗选择，并展示影像模型在预测治疗结果方面优于单独临床参数的能力	仅纳入十项研究，样本量有限，且为系统综述，未进行原始数据分析	评估人工智能驱动的预测模型在预测肝细胞癌复发方面的有效性	接受热消融治疗的肝细胞癌患者	数字病理学	肝细胞癌	影像组学分析	深度学习, 机器学习	影像数据, 临床实验室变量	NA	NA	NA	曲线下面积, 一致性指数	NA
669	2026-01-05	Cardiovascular pulsing-based ultrasound strain imaging with deep learning using paired proximal and distal strain sequences for liver fibrosis detection: a feasibility study 2025-Dec-27, Ultrasonics IF:3.8Q1 DOI:10.1016/j.ultras.2025.107936 PMID:41483589	研究论文	本研究提出了一种结合心血管搏动超声应变成像与深度学习的框架，用于检测左肝叶纤维化	利用心血管搏动超声应变成像结合深度学习，采用配对近端和远端应变序列策略，利用内在心脏运动进行左肝叶纤维化检测	样本量有限（104名患者），需要更大规模队列研究进行验证	评估心血管搏动超声应变成像结合深度学习在左肝叶纤维化检测中的可行性	肝纤维化患者	医学影像分析	肝纤维化	心血管搏动超声应变成像，声辐射力脉冲成像，FibroScan测量	RNN, LSTM, GRU, Transformer, TCN	超声图像，应变序列	104名患者	NA	RNN, LSTM, GRU, Transformer, TCN	AUROC	NA
670	2026-01-05	[Analysis of occupational stress risk factors and risk prediction research for female coal miners] 2025-Dec-20, Zhonghua lao dong wei sheng zhi ye bing za zhi = Zhonghua laodong weisheng zhiyebing zazhi = Chinese journal of industrial hygiene and occupational diseases DOI:10.3760/cma.j.cn121094-20240723-00343 PMID:41483940	研究论文	本研究分析了女性煤矿工人的职业应激风险因素，并构建了风险预测模型	首次将XGBoost和LightGBM等深度学习模型应用于女性煤矿工人职业应激预测，并利用SHAP算法解释模型结果	研究样本仅来自甘肃省一家大型煤矿，可能存在地域局限性，且为横断面研究，无法确定因果关系	分析女性煤矿工人职业应激的风险因素并构建风险预测模型	甘肃省一家大型煤矿的在岗女性工人	机器学习	NA	问卷调查	XGBoost, LightGBM	问卷数据	1435名有效问卷参与者	NA	XGBoost, LightGBM	决定系数, 均方误差, 均方根误差	NA
671	2026-01-05	Artificial intelligence in hepatopathy diagnosis and treatment: Big data analytics, deep learning, and clinical prediction models 2025-Dec-14, World journal of gastroenterology IF:4.3Q1 DOI:10.3748/wjg.v31.i46.111176 PMID:41479639	综述	本文综述了人工智能在肝病诊断与治疗中的应用，涵盖大数据分析、深度学习图像分析、组织病理学解读、生物标志物发现及临床预测模型等领域	系统性地探讨了联邦学习在保护患者隐私的跨中心模型训练中的应用，以及可解释AI技术在提升临床医生信任度方面的作用，并展望了多组学、影像与临床数据融合的精准肝病诊疗前景	临床转化仍面临数据异质性、算法偏差、监管不确定性以及缺乏与电子健康记录实时整合等挑战	探讨人工智能技术在肝病学领域的应用，旨在实现自动化数据解读、早期疾病检测和个体化治疗策略	慢性肝病，包括非酒精性脂肪性肝病、肝硬化和肝细胞癌	数字病理学	肝病	大数据分析，深度学习图像分析，组织病理学解读，生物标志物发现，临床预测建模	CNN	图像，临床数据	NA	NA	卷积神经网络	AUC	NA
672	2026-01-05	IRESeek: structure-informed deep learning method for accurate identification of internal ribosome entry sites in circular RNAs 2025-Dec, NAR genomics and bioinformatics IF:4.0Q1 DOI:10.1093/nargab/lqaf210 PMID:41480593	研究论文	本文提出了一种名为IRESeek的双分支深度学习框架，用于高精度检测环状RNA中的内部核糖体进入位点	结合Transformer进行RNA序列建模和图卷积网络进行RNA结构指导，利用基于物理的热力学能量和碱基对概率作为结构特征，实现RNA序列与碱基对相互作用的全面联合学习	NA	准确识别环状RNA中的内部核糖体进入位点	环状RNA及其内部核糖体进入位点	自然语言处理	NA	NA	Transformer, GCN	RNA序列和结构数据	NA	NA	Transformer, GCN	NA	NA
673	2026-01-04	A Systematic Review of Drug-Related InteractionsUtilizing Deep Learning and LLMs for Prediction and Mitigation 2025-Dec-23, ACS omega IF:3.7Q2 DOI:10.1021/acsomega.5c04997 PMID:41476460	综述	本文系统回顾了2020年至2025年间发表的100多篇论文，探讨了深度学习、机器学习和大型语言模型在药物发现中的应用，重点关注药物-药物相互作用、药物-靶点相互作用和药物不良反应三个关键领域	强调了自然语言处理和大型语言模型在从生物医学文献和化学数据中提取有意义见解的变革性影响，并提出了一个更全面的方法来填补现有研究中的空白	现有研究缺乏同时处理药物-药物相互作用、药物-靶点相互作用和药物不良反应提取的综合研究	审查机器学习和深度学习技术在药物发现中的整合，以筛选潜在治疗方法并降低疾病管理的成本和时间	药物-药物相互作用、药物-靶点相互作用和药物不良反应	自然语言处理	NA	深度学习、机器学习、图学习、混合模型、自然语言处理	深度学习模型、大型语言模型	生物医学文献、化学数据	超过100篇论文	NA	NA	性能指标	NA
674	2026-01-04	A deep learning fusion network trained with medical records and laryngoscopic images in the early diagnosis of glottic carcinoma 2025-Dec-19, iScience IF:4.6Q1 DOI:10.1016/j.isci.2025.114231 PMID:41476948	研究论文	本研究开发了一种深度学习融合网络，通过整合结构化电子病历和喉镜图像分析，以实现声门癌的早期准确诊断	提出了一种融合多模态数据（结构化病历和喉镜图像）的深度学习网络，用于声门癌的早期诊断，并构建了人机对抗队列进行临床效用评估	研究数据主要来自中国的一家三级医院，外部验证仅涉及另外两个独立医疗中心，样本来源和多样性可能存在局限	开发一个用于声门癌早期诊断的深度学习融合模型	声门癌患者	数字病理学	喉癌	喉镜检查	深度学习融合网络	图像, 结构化文本	来自中国一家三级医院的数据进行训练和验证，并在另外两个独立医疗中心进行外部验证	NA	NA	AUC	NA
675	2026-01-04	Image-Based Recognition of Children's Handwritten Arabic Characters Using a Confidence-Weighted Stacking Ensemble 2025-Dec-18, Sensors (Basel, Switzerland) DOI:10.3390/s25247671 PMID:41471665	研究论文	本文提出了一种基于置信度加权的堆叠集成框架，用于识别儿童手写的阿拉伯字符图像	引入了动态置信度阈值机制，通过优化阈值过滤不确定预测，并集成了三种高性能CNN模型（ConvNeXtBase、DenseNet201、VGG16）通过全连接元学习器进行融合	未明确提及模型在更大规模或更多样化儿童手写样本上的泛化能力，也未讨论计算效率或实时应用的限制	提高儿童手写阿拉伯字符图像识别的可靠性和准确性	儿童手写的阿拉伯字符图像	计算机视觉	NA	图像采集（扫描或摄像头捕获）	CNN, 集成学习	图像	使用了两个基准数据集：Hijja和Dhad（具体样本数量未在摘要中提供）	未明确提及，可能为TensorFlow或PyTorch	ConvNeXtBase, DenseNet201, VGG16	准确率, 宏F1分数	NA
676	2026-01-04	Cellular interactions in the sentinel lymph node predict melanoma recurrence 2025-Dec-17, bioRxiv : the preprint server for biology DOI:10.64898/2025.12.15.694104 PMID:41446197	研究论文	本文通过空间蛋白质组学分析，揭示了黑色素瘤前哨淋巴结中免疫细胞的空间组织与疾病复发的关系	首次应用Effect Size Interaction mapping (ESI-map)计算工具包分析前哨淋巴结中细胞间空间相互作用，并发现Tregs与耗竭CD8 T细胞的特异性空间相互作用可作为新的免疫标志物	研究仅针对I期和II期黑色素瘤患者，样本量可能有限，且未涉及更晚期疾病或长期随访数据	探究前哨淋巴结中免疫细胞空间组织如何影响黑色素瘤患者的疾病复发和预后	I期和II期黑色素瘤患者的前哨淋巴结组织样本	数字病理学	黑色素瘤	多重免疫荧光成像，空间蛋白质组学分析	深度学习	图像	未明确指定样本数量，但涉及I期和II期黑色素瘤患者的前哨淋巴结样本	未明确指定	未明确指定	未明确指定	未明确指定
677	2026-01-04	Leveraging Time-Frequency Distribution Priors and Structure-Aware Adaptivity for Wideband Signal Detection and Recognition in Wireless Communications 2025-Dec-17, Sensors (Basel, Switzerland) DOI:10.3390/s25247650 PMID:41471645	研究论文	本文提出了一种基于时频分布先验和结构感知自适应性的新型模型TFDP-SANet，用于无线通信中的宽带信号检测与识别任务	引入了条带池化模块和坐标注意力机制以聚合长距离依赖关系，采用自适应椭圆高斯编码策略生成热图，并设计了利用先验信息调整预测框类别的时频聚类优化器	NA	提升宽带信号检测与识别的性能	宽带采样信号	机器学习	NA	NA	深度学习	时频表示	NA	NA	TFDP-SANet	NA	NA
678	2026-01-04	Distributed Deep Learning in IoT Sensor Network for the Diagnosis of Plant Diseases 2025-Dec-17, Sensors (Basel, Switzerland) DOI:10.3390/s25247646 PMID:41471641	研究论文	本文提出了一种基于联邦学习的分布式深度学习框架，用于物联网传感器网络中的植物病害诊断	采用联邦学习框架，在物联网节点和边缘计算节点上协作训练EfficientNet B0模型，无需传输本地数据，并评估了标准单模型和分层两种训练管道	未明确提及具体局限性	早期检测植物病害以提高农业生产力并确保粮食安全	植物病害诊断	计算机视觉	植物病害	联邦学习	CNN	图像	NA	TensorFlow, PyTorch	EfficientNet B0	分类准确率, 鲁棒性, 延迟, 能耗	物联网节点, 边缘计算节点
679	2026-01-04	A Cybersecurity NER Method Based on Hard and Easy Labeled Training Data Discrimination 2025-Dec-16, Sensors (Basel, Switzerland) DOI:10.3390/s25247627 PMID:41471620	研究论文	本文提出了一种基于难易标注训练数据区分的网络安全命名实体识别方法，通过混合策略划分数据、调整比例并应用数据增强来优化模型性能	首次在网络安全NER中引入难易样本区分策略，结合深度学习与规则方法划分数据，并探索了难易样本比例对性能的影响，找到了1:1的最优平衡点	未公开提及具体数据集规模或隐私处理细节，且方法可能依赖于特定领域规则，泛化能力有待验证	提高网络安全领域命名实体识别的性能，解决标注数据缺乏的问题	网络安全文本数据中的命名实体	自然语言处理	NA	深度学习，规则方法，数据增强	NA	文本	NA	NA	NA	NA	NA
680	2026-01-04	Forecasting Energy Demand in Quicklime Manufacturing: A Data-Driven Approach 2025-Dec-16, Sensors (Basel, Switzerland) DOI:10.3390/s25247632 PMID:41471627	研究论文	本研究提出了一种基于深度学习的框架，用于预测生石灰生产公司的能源需求，旨在提高运营效率并支持工业可扩展性的数据驱动决策	将时间变量和操作变量（如负荷曲线、有功功率、班次指标和生产相关代理变量）整合到深度学习模型中，以捕捉制造过程中能源使用的动态变化	仅使用了一年的真实电力消耗数据，可能无法完全捕捉长期季节性变化或极端生产情况	预测生石灰制造过程中的短期能源需求，以优化运营效率和成本效益	生石灰生产公司的电力消耗数据及相关操作变量	机器学习	NA	NA	LSTM, GRU, CNN	时间序列数据（电力消耗、操作变量）	一年的真实电力消耗数据	NA	LSTM, GRU, Conv1D	RMSE, MAE, SMAPE	NA