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
221	2026-09-21	Two-Minute Deep Learning-Powered Brain Quantitative Mapping: Accelerating Clinical Imaging With Synthetic Magnetic Resonance Imaging 2026-01-23, JMIR medical informatics IF:3.1Q2 DOI:10.2196/79389 PMID:41576342	研究论文	该研究利用基于深度学习（DL）的超分辨率重建技术，对超快速全脑合成磁共振成像（MRI）进行处理，以获得与常规临床扫描高度接近的定量T1/T2/PD图谱，同时大幅缩短扫描时间并保持诊断图像质量	将超分辨率生成对抗网络（SRGAN）应用于超快速合成MRI，实现全脑定量T1/T2/PD图谱的加速获取，在扫描时间减半的情况下保持与常规合成MRI高度相关	T2值存在中等程度的系统性低估（线性回归斜率0.8057），且重建图像在感知自然度上尚未完全达到常规成像水平	探索基于深度学习的超分辨率重建能否从超快速全脑合成MRI中获得与常规临床扫描高度接近的定量T1/T2/PD图谱，同时大幅缩短扫描时间并保持诊断图像质量	151名健康成人和7名不同病理个体	医学图像处理	NA	定量磁共振成像、合成磁共振成像、超分辨率重建	生成对抗网络	图像	158名参与者（151名健康成人 + 7名患者），其中120名健康个体（75.95%）用于训练，38名个体（24.05%，包括31名健康人和7名患者）用于测试；每位参与者接受常规和快速两次扫描	NA	SRGAN	R²、线性回归斜率、Bland-Altman分析、变异系数、结构相似性图像度量、峰值信噪比、自然度图像质量评估器	NA
222	2026-09-21	Evaluating single-cell ATAC-seq atlasing technologies using sequence-to-function modeling 2026-Jan-22, Nature communications IF:14.7Q1 DOI:10.1038/s41467-026-68742-4 PMID:41571655	研究论文	本文介绍了改进的HyDrop v2单细胞ATAC-seq方法，并对不同scATAC-seq平台在训练序列到功能（S2F）深度学习模型方面的能力进行了首次基准测试	引入了改进的HyDrop v2定制液滴scATAC-seq方法，并首次系统性地对不同scATAC-seq平台在训练S2F模型和生成跨物种转录因子足迹方面的能力进行了基准测试	未明确说明S2F模型构建训练数据集的最优标准，不同scATAC-seq平台之间的系统差异尚未完全阐明	解码细胞类型身份背后的顺式调控逻辑，评估不同scATAC-seq平台训练S2F深度学习模型的能力	单细胞染色质可及性数据、scATAC-seq平台、S2F深度学习模型	机器学习	NA	scATAC-seq	深度学习	序列、图像	NA	NA	NA	增强子预测、序列可解释性、转录因子足迹	NA
223	2026-09-21	Reciprocal cooperative gating fusion of SqueezeNet and ShuffleNetV2 for breast cancer detection in histopathology images 2026-Jan-21, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-36375-8 PMID:41565837	研究论文	本文提出了一种轻量级的互惠门控融合框架，结合SqueezeNet和ShuffleNetV2两种高效卷积神经网络，用于乳腺癌组织病理图像检测，在ICIAR-2018和BreakHis数据集上取得了高准确率。	提出互惠门控融合机制，实现SqueezeNet和ShuffleNetV2之间的结构化双向交互，增强互补特征交换并抑制冗余响应，生成信息量更丰富的融合表示；框架轻量，计算开销显著降低。	未明确提及 limitations。	开发一种计算高效的乳腺癌检测计算机辅助诊断方案，克服现有基于Transformer、深度集成、多尺度注意力网络等计算密集架构的局限性。	乳腺癌组织病理图像	数字病理学	乳腺癌	组织病理图像分析	CNN	图像	使用了ICIAR-2018和BreakHis两个基准数据集，具体样本数量未在摘要中说明	NA	SqueezeNet, ShuffleNetV2	准确率	NA
224	2026-09-21	Deep Learning-Based Classification of Temporal Stages of AT8-Labeled Tau Pathology After Experimental Traumatic Brain Injury 2026-Jan-19, Neuroinformatics IF:2.7Q3 DOI:10.1007/s12021-025-09763-0 PMID:41553585	研究论文	本文评估了一个深度学习框架，用于对实验性创伤性脑损伤小鼠模型中AT8标记的tau蛋白病理的时间阶段进行分类，比较了自定义CNN和两种迁移学习模型（InceptionV3和DenseNet）的性能	首次将深度学习应用于实验性创伤性脑损伤后tau蛋白病理时间阶段的自动分类，这是一个此前未被充分探索的应用领域；使用AT8染色皮质显微图像进行多时间点分类	结果仅基于内部交叉验证，缺乏独立的动物级别标识符或外部队列验证；最早损伤后阶段（1天）的可分离性有限；需要更大规模的多中心数据集和切片级别建模来评估泛化能力	评估深度学习框架对tau蛋白病理进展的多个时间阶段进行分类的可行性，探索其在临床前组织学中自动化时间分期的应用潜力	实验性创伤性脑损伤小鼠模型的AT8染色皮质显微图像	数字病理学	tau蛋白病、创伤性脑损伤	AT8免疫组化染色、组织学显微成像	CNN、迁移学习	图像	NA	NA	自定义CNN、InceptionV3、DenseNet	准确率、macro-F1、各类别F1、一对多AUC	NA
225	2026-09-21	Maxillary sinus classification for sex and age using 23 artificial intelligence architectures 2026-Jan-19, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-36112-1 PMID:41554805	研究论文	本研究评估了卷积神经网络（CNN）和视觉Transformer（ViT）在通过上颌窦的放射学评估对个体进行性别和年龄分类方面的诊断准确性	测试了23种人工智能架构（包括21种CNN和2种基于Transformer的架构）用于上颌窦的性别和年龄分类，并发现Transformer（DeiT, ViT）在性能上始终优于传统CNN	多分类应用仍不成熟，在推荐用于法医实践之前需要进一步研究	评估深度学习模型（CNN和ViT）在通过上颌窦进行性别和年龄分类中的诊断准确性	6至22.99岁个体的全景X光片	计算机视觉	NA	全景X光片	CNN, Vision Transformer	图像	6至22.99岁个体的全景X光片，具体数量未提及	NA	DeiT, ViT, EfficientNetV2M, YOLOv11（以及其他18种CNN）	准确率（accuracy）	NA
226	2026-09-21	Prediction of left ventricular systolic dysfunction in left bundle branch block using a fine-tuned ECG foundation model 2026-Jan-17, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-34911-6 PMID:41545539	研究论文	该研究提出了一种微调的心电图基础模型，用于增强左束支传导阻滞患者中左心室收缩功能障碍的检测	使用微调的心电图基础模型（ECG-FM）来预测左束支传导阻滞患者的左心室收缩功能障碍，并比较了不同的微调策略，发现单步全微调性能最佳，顺序部分微调灵敏度最高	回顾性研究，样本量有限（892名患者），需要在更大规模的前瞻性队列中验证	提高左束支传导阻滞患者中左心室收缩功能障碍的早期检测能力，以便在超声心动图不可及时进行临床诊断	左束支传导阻滞患者的心电图-超声心动图配对数据	机器学习	心血管疾病	心电图（ECG）	CNN, LSTM, Transformer	心电图信号, 超声心动图数据	2031对心电图-超声心动图数据集，来自892名左束支传导阻滞患者	NA	全卷积网络（FCN）, LSTM-FCN, ResNet, InceptionTime, 心电图基础模型（ECG-FM）	准确率, 灵敏度, AUROC	NA
227	2026-09-21	Inferring Clinically Relevant Molecular Subtypes of Pancreatic Cancer from Routine Histopathology Using Deep Learning 2026-Jan-16, Research square DOI:10.21203/rs.3.rs-8545050/v1 PMID:41646417	研究论文	本文提出了一种可解释的深度学习框架 PanSubNet，可直接从常规 H&E 染色全切片图像中预测胰腺导管腺癌的治疗相关分子亚型。	开发了双尺度架构的 PanSubNet，融合细胞级形态与组织级结构，利用注意力机制进行多尺度表征学习，并提供透明的特征归因；无需 RNA 测序即可从 H&E 图像中推断分子亚型，且在外部队列中无需微调即展现稳健的泛化能力。	预测不确定性部分与中间转录状态相关而非分类噪声；需要通过两家机构的前瞻性数据进一步验证真实世界性能，并评估其在数字病理工作流程中的整合效果。	利用深度学习从常规 H&E 染色全切片图像中推断具有临床意义的胰腺导管腺癌分子亚型（基底样和经典型），以克服 RNA 测序在成本、周转时间和组织需求方面的限制。	来自两个多机构队列（PANCAN，n=846；TCGA，n=209）的 1,055 例胰腺导管腺癌患者，拥有配对的 H&E 组织病理图像和 RNA 测序数据。	数字病理	胰腺癌	H&E 染色全切片图像、RNA 测序	CNN、注意力机制	图像、文本（RNA 测序数据）	1,055 例患者（PANCAN 队列 846 例，TCGA 队列 209 例），均具有配对的组织病理图像和 RNA 测序数据	NA	PanSubNet（双尺度架构，融合细胞级与组织级特征，采用注意力机制）	AUC、灵敏度、特异度	NA
228	2026-09-21	Sex and Stress Govern the Function and Innervation of a Basolateral Amygdala to Nucleus Accumbens Corticotropin-Releasing Hormone/GABA-Expressing Projection 2026-01-14, The Journal of neuroscience : the official journal of the Society for Neuroscience DOI:10.1523/JNEUROSCI.1239-25.2025 PMID:41271439	研究论文	该研究探讨了性别和压力如何影响基底外侧杏仁核到伏隔核的促肾上腺皮质激素释放激素/GABA能投射的功能和神经支配	首次揭示了CRH/GABA BLA-NAc投射在奖励行为中的性别特异性功能，并通过全脑映射发现了性别和早期生活逆境依赖的神经支配模式差异	研究仅在小鼠模型中进行，尚未在人类中验证；DREADDs操作可能影响其他脑区；样本量未明确说明	探究CRH/GABA BLA-NAc投射在奖励行为中的性别特异性作用及其神经支配模式	成年雄性和雌性CRH-Cre小鼠，在对照或早期生活逆境条件下饲养	神经科学	情感障碍	化学遗传学操作、组织透明化、光片荧光显微镜、深度学习	DREADDs	图像	NA	NA	深度学习管道	NA	NA
229	2026-09-21	Multi-Task Deep Learning Model for Automated Detection and Severity Grading of Lumbar Spinal Stenosis on MRI: Multi-Center External Validation 2026-Jan-14, Diseases (Basel, Switzerland) DOI:10.3390/diseases14010032 PMID:41590247	研究论文	本研究评估了基于深度学习特征提取方法（VGG19、ConvNeXt-Tiny 和 DINOv2）结合经典机器学习分类器在腰椎管狭窄症自动多级评估中的泛化能力	采用多中心外部验证，系统比较了 VGG19、ConvNeXt-Tiny 和 DINOv2 三种深度学习特征提取方法结合逻辑回归、SVM 和 LightGBM 经典分类器在腰椎管狭窄症自动分级中的表现	DINOv2 特征的泛化能力较差，尤其是与 LightGBM 结合时准确率仅 0.6222，大多数分类错误发生在相邻等级之间	评估基于深度学习的特征提取方法结合经典机器学习分类器在腰椎管狭窄症自动多级评估中的泛化能力	轴位 MRI 图像中的腰椎管狭窄症	数字病理学, 计算机视觉	腰椎管狭窄症	MRI	CNN, Transformer, 逻辑回归, SVM, LightGBM	图像	NA	NA	VGG19, ConvNeXt-Tiny, DINOv2	准确率, 精确率, 召回率, F1分数, 混淆矩阵, 多类ROC曲线, AUC	NA
230	2026-09-21	Non-Invasive Brain-Computer Interfaces: Converging Frontiers in Neural Signal Decoding and Flexible Bioelectronics Integration 2026-Jan-12, Nano-micro letters IF:31.6Q1 DOI:10.1007/s40820-025-02042-2 PMID:41521257	综述	系统回顾过去十年非侵入式脑机接口中神经解码算法与柔性生物电子平台的代表性进展，并讨论多模态融合、软硬件协同优化及闭环控制策略	从神经信号解码、柔性电极材料创新与系统集成策略三个维度进行跨学科系统性整合，强调多模态数据融合、软硬件协同优化与闭环控制，并兼顾临床应用与工业转化的工程挑战	非侵入式脑机接口仍面临个体差异、生物相容性限制、复杂环境干扰等问题，在泛化能力、长期可靠性及真实场景鲁棒性方面仍需进一步验证与优化	梳理非侵入式脑机接口在神经解码算法与柔性生物电子平台方面的进展，为推进其实际可扩展部署提供参考	非侵入式脑机接口技术，包括神经信号解码算法与柔性生物电子平台	脑机接口、机器学习	神经系统疾病、康复医学	脑电信号采集、柔性可拉伸电极、纳米结构导体	深度学习	神经信号、脑电信号	NA	NA	NA	解码准确率、鲁棒性	NA
231	2026-09-21	TENG-Based Self-Powered Silent Speech Recognition Interface: from Assistive Communication to Immersive AR/VR Interaction 2026-Jan-12, Nano-micro letters IF:31.6Q1 DOI:10.1007/s40820-025-01982-z PMID:41521368	研究论文	本文提出了一种基于摩擦纳米发电机（TENG）的自供电柔性压力传感器与CNN-LSTM深度学习框架相结合的实时无声语音识别系统，用于辅助通信和沉浸式AR/VR交互	将多孔金字塔结构硅胶薄膜作为负摩擦层的TENG柔性压力传感器与CNN-LSTM混合网络集成，实现高灵敏度下颌运动检测和实时无声语音识别，并拓展至智能手机非接触控制和AR眼镜交互	未明确说明	实现无声语音信号的实时采集与准确解码，为言语障碍者提供辅助通信方案，并探索在AR/VR人机交互中的应用	下颌运动产生的压力信号、无声语音信号、30类日常词汇	人机交互	言语障碍	摩擦纳米发电机（TENG）、柔性压力传感	CNN-LSTM	压力传感信号（电信号）	NA	NA	CNN-LSTM	分类准确率	NA
232	2026-09-21	Decoding of Inconsistent Biological Data: A Critical Step toward Enhanced AI Predictivity in Drug Discovery 2026-Jan-09, ACS pharmacology & translational science IF:4.9Q1 DOI:10.1021/acsptsci.5c00677 PMID:41536274	观点文章	本文讨论了不同来源的同一靶点生物活性数据合并时产生的噪声问题，重点关注实验方案中缓冲液组成和实验设置变化的影响，并探讨了深度学习模型和大型语言模型在药物发现中的应用	强调了常被忽视的实验方案变化（缓冲液组成和实验设置）对生物活性数据噪声的深远影响，并通过酶和病毒表面蛋白两个实例展示了外在因素驱动的构象变化问题，同时通过专家访谈探索了LLM和代理AI在药物发现中的最新应用前景	计算研究在评估蛋白质-配体相互作用方面存在当前局限性，深度学习模型在药物发现中的应用仍面临挑战	解决不同来源生物活性数据合并导致的噪声问题，提高AI在药物发现中的预测能力	同一靶点的生物活性数据、酶抑制剂/结合剂、病毒表面蛋白、蛋白质-配体相互作用	机器学习	NA	NA	深度学习, 大型语言模型	生物活性数据	NA	NA	NA	NA	NA
233	2026-09-21	Fold-switching proteins push the boundaries of conformational ensemble prediction 2026-Jan-08, ArXiv PMID:41542156	综述	探讨折叠转换蛋白对构象集合预测的挑战，并评估深度学习方法的泛化能力	以折叠转换蛋白作为测试案例，揭示深度学习模型通过训练集结构关联预测构象集合的局限	未提出具体的改进计算方法，主要基于观察和讨论	研究折叠转换蛋白的构象集合建模，评估深度学习方法的泛化性	折叠转换蛋白	机器学习	NA	NA	深度学习	NA	NA	NA	NA	NA	NA
234	2026-09-21	Inferring Clinically Relevant Molecular Subtypes of Pancreatic Cancer from Routine Histopathology Using Deep Learning 2026-Jan-08, medRxiv : the preprint server for health sciences DOI:10.64898/2026.01.06.26343539 PMID:41542662	研究论文	该研究开发了PanSubNet，一个可解释的深度学习框架，能够直接从常规H&E染色全切片图像中预测胰腺导管腺癌的治疗相关分子亚型（基底样和经典型）	提出了PanSubNet，一个能够直接从常规H&E染色全切片图像预测胰腺癌分子亚型（基底样和经典型）的可解释深度学习框架，采用双尺度架构融合细胞级形态学和组织级结构，利用注意力机制进行多尺度表示学习和透明特征归因，无需RNA测序即可实现分子分型	预测不确定性仅与中间转录状态相关而非分类噪声；需要从两个机构收集数据以进一步验证和评估真实世界性能；目前仍在支持整合到数字病理工作流程中	开发一种快速、经济有效的工具，从常规H&E染色切片中实现胰腺导管腺癌的分子分型，以克服RNA测序在临床实践中成本高、周转时间长和组织要求高等限制	胰腺导管腺癌（PDAC）患者，来自两个多机构队列（PANCAN，n=846；TCGA，n=209）	数字病理学	胰腺癌	H&E染色全切片图像分析，RNA测序	深度学习	图像	1055例患者（PANCAN队列846例，TCGA队列209例），具有配对的组织学和RNA测序数据	NA	双尺度架构，融合细胞级形态学和组织级架构，采用注意力机制	AUC（内部验证均值88.5%，外部验证84.0%），灵敏度，特异性	NA
235	2026-09-21	LungGANDetectAI: a GAN-augmented and attention-guided deep learning framework for accurate and explainable lung cancer detection 2026-Jan-07, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-34750-5 PMID:41501145	研究论文	本文提出了一种名为 LungGANDetectAI 的 GAN 增强、注意力引导的深度学习框架，用于准确且可解释的肺癌检测。	结合 GAN 生成合成 CT 图像以缓解类别不平衡，并提出基于 ResNet50 主干并加入空间与通道注意力模块的 GenAttnNet 分类模型，同时利用 Grad-CAM 增强临床可解释性。	仅在 IQ-OTH/NCCD 数据集上验证，样本规模有限，尚未在更大规模多中心临床数据中评估泛化能力。	解决肺癌检测中数据稀缺、类别偏差、过拟合以及黑箱不可解释等问题，构建稳健、数据高效且可解释的肺癌检测框架。	肺癌 CT 图像，尤其是肺结节良恶性分类。	计算机视觉	肺癌	CT 成像	GAN, CNN, 注意力机制, Grad-CAM	图像	IQ-OTH/NCCD 数据集	NA	GAN, ResNet50, GenAttnNet, SCAM	准确率, 精确率, 召回率, F1-score	NA
236	2026-09-21	DL-GapFilling: a novel deep learning framework for improved plant genome gap filling 2026-Jan-07, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbag007 PMID:41587320	研究论文	本文提出了一种基于深度学习的基因组组装和间隙填充框架DL-GapFilling，用于提高植物基因组间隙填充的效率和准确性	提出了新型深度填充神经网络模型（Deep Filling Neural Network）高效提取上下文侧翼序列信息，结合BeamStar收缩-扩展算法（整合重新定义的成本函数、增强搜索策略和基因组结构先验），并引入PredictionFilter机制选择性保留高置信度预测	未明确提及研究的局限性	提高植物基因组组装中间隙填充的效率和准确性，构建高质量参考基因组	多种植物或藻类基因组数据集	生物信息学、基因组学	NA	深度学习、基因组组装、间隙填充	深度填充神经网络（Deep Filling Neural Network）、BeamStar收缩-扩展算法、PredictionFilter机制	基因组序列数据	多种植物或藻类基因组数据集	NA	深度填充神经网络	间隙填充数量、效率、准确性	NA
237	2026-09-21	BiChemoCLAM: a weakly supervised multimodal framework for chemotherapy response prediction 2026-Jan-07, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaf728 PMID:41587322	研究论文	本文提出了一种名为BiChemoCLAM的双模态化疗反应多实例学习框架，结合注意力驱动的多实例学习和多模态紧凑双线性池化，用于可解释且数据高效的化疗反应预测	提出了结合注意力驱动多实例学习和多模态紧凑双线性池化的新型多模态深度学习框架，能够有效整合全切片图像和基因表达数据，在复杂化疗反应和小样本场景下实现可解释且数据高效的预测	未明确提及	有效预测癌症患者的化疗反应，以降低化疗风险	卵巢浆液性囊腺癌、结直肠腺癌和膀胱尿路上皮癌数据集	数字病理学	卵巢癌、结直肠癌、膀胱癌	全切片图像分析、基因表达分析	注意力驱动多实例学习、多模态紧凑双线性池化	图像、文本（基因表达数据）	NA	NA	多实例学习、紧凑双线性池化	AUC	NA
238	2026-09-21	Comprehensive perturbation of transcription factors in human cardiomyocytes reveals the regulatory architecture of congenital heart disease 2026-Jan-05, bioRxiv : the preprint server for biology DOI:10.64898/2025.12.15.694070 PMID:41446109	研究论文	该论文通过系统扰动人类干细胞分化过程中心肌细胞中的转录因子，揭示了先天性心脏病的调控架构	系统扰动了1983个转录因子和981个增强子，构建了转录因子-基因调控网络，并开发了深度学习Transformer模型从转录组预测扰动的转录因子	未明确提及	定义先天性心脏病基因的调控架构，理解发育网络结构，并解读CHD变异和机制	人类干细胞分化而来的心肌细胞、1983个转录因子、981个增强子、CHD患者转录组	机器学习	先天性心脏病	转录因子扰动、增强子扰动、转录组分析、深度学习	Transformer	转录组数据	1983个转录因子、981个增强子、CHD患者转录组样本（具体数量未明确）	NA	Transformer	NA	NA
239	2026-09-21	Nephrocast-V: A Deep Learning Model for the Prediction of Vancomycin Trough Concentration Using Electronic Health Record Data 2026-01, Pharmacotherapy IF:2.9Q2 DOI:10.1002/phar.70062 PMID:41025800	研究论文	该研究开发并验证了一种深度学习模型（Nephrocast-V），利用电子健康记录数据提前2天预测重症患者的万古霉素谷浓度，并提供剂量调整建议	首次将LSTM与多头注意力机制结合并辅以跳跃连接来整合既往剂量信息，用于提前2天预测万古霉素谷浓度，性能与危重症药剂师使用贝叶斯给药软件相当	研究为单中心回顾性研究，样本量有限（2205例），仅基于加州大学圣地亚哥健康系统的ICU患者，外部验证不足	验证深度学习模型能否准确提前2天预测重症患者的万古霉素谷浓度，并提供最优剂量调整建议以达到目标药物浓度	2016年1月1日至2024年6月30日期间加州大学圣地亚哥健康系统ICU收治的成人患者	机器学习	感染性疾病	电子健康记录数据分析	LSTM, 多头注意力机制	电子健康记录数据（包括人口统计学、合并症、生命体征、实验室检查、用药及万古霉素剂量信息）	2205例ICU患者就诊记录	NA	LSTM, 多头注意力机制, 跳跃连接	平均绝对误差, 均方根误差	NA
240	2026-09-21	DeepIMB: Imputation of non-biological zero counts in microbiome data 2026-01, Genes & genomics IF:1.6Q3 DOI:10.1007/s13258-025-01693-0 PMID:41196474	研究论文	提出了一种基于深度学习的微生物组数据插补方法DeepIMB，用于识别和插补非生物零计数	首次将深度学习与伽马-正态混合模型结合，并整合分类群丰度、样本协变量和系统发育距离等多源信息来插补非生物零	仅在模拟研究中验证，缺乏真实微生物组数据集的实验验证	解决微生物组数据中非生物零计数对下游分析造成的干扰问题	微生物组数据中的非生物零计数	机器学习	NA	NA	深度神经网络	数值型	NA	NA	深度学习神经网络	均方误差, 皮尔逊相关系数, 瓦瑟斯坦距离	NA