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
301	2026-09-16	Shortcomings of deep learning for distributional predictors: a note 2026-01-20, Biostatistics (Oxford, England) DOI:10.1093/biostatistics/kxaf051 PMID:41555576	研究论文	本文比较了非结构化神经网络与显式利用置换不变性的有序预测变量神经网络在预测变量分布问题上的表现，发现后者在预测误差和估计精度上均优于前者	提出有序预测变量神经网络，显式利用输入向量的置换不变性来简化学习任务，并在神经贝叶斯估计中展示了其优势	主要基于模拟研究，未在真实生物医学数据集上广泛验证	探讨在预测变量具有置换不变性时，是否应使用显式利用该不变性的学习或统计建模方法，而非非结构化深度学习	具有大量同类型测量预测变量的生物医学数据，关注个体内分布	机器学习	NA	NA	神经网络	模拟数据	NA	NA	有序预测变量神经网络，非结构化神经网络	预测误差，估计精度	NA
302	2026-01-16	Towards digital twin-enabled perioperative care: extending the potential of multimodal deep learning for cardiovascular risk stratification 2026-Jan-13, International journal of surgery (London, England) DOI:10.1097/JS9.0000000000004617 PMID:41537304	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
303	2026-09-16	Discovery of Tetrahydroisoquinoline-Based SARS-CoV-2 Helicase Inhibitors with Iterative, Deep Learning-Enhanced Virtual Screening 2026-01-12, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02059 PMID:41400222	研究论文	该论文通过三轮虚拟筛选（结合人工智能）靶向SARS-CoV-2解旋酶，发现四氢异喹啉类抑制剂，并利用深度神经网络提高筛选效率	在第三轮虚拟筛选中引入深度神经网络优先筛选含有先前命中片段的商业分子，将命中识别效率提高了21%；发现了具有新变构抑制机制的THIQ类化合物	未明确说明	发现靶向SARS-CoV-2解旋酶的抑制剂	SARS-CoV-2解旋酶（Nsp13）和四氢异喹啉衍生物	药物发现	COVID-19	基于结构的药物发现，虚拟筛选，深度学习	深度神经网络	分子结构数据	18个3-苯基-1,2,3,4-四氢异喹啉衍生物	NA	深度神经网络	选择性指数（CC/EC），EC50	NA
304	2026-09-16	Bayesian Inference of Gene Regulatory Networks at Stochastic Steady State 2026-Jan-12, bioRxiv : the preprint server for biology DOI:10.64898/2026.01.10.698684 PMID:41659677	研究论文	本文提出了一种基于化学朗之万方程的贝叶斯推断方法，用于在随机稳态下推断基因调控网络的结构和动力学参数	首次将化学朗之万方程与正则化马蹄先验结合用于基因调控网络推断，无需观测瞬态动力学即可推断动力学参数、识别网络结构及调控环，兼具生物可解释性和结构可辨识性	仅使用合成基因表达数据进行评估，未在真实生物学数据上验证	开发一种考虑基本生化过程的贝叶斯推断方法，在随机稳态下推断基因调控网络结构和动力学参数	基因调控网络，具体为合成基因表达数据	机器学习	NA	贝叶斯推断，化学朗之万方程	贝叶斯模型	数值	NA	NA	NA	NA	NA
305	2026-09-16	Integration of clinical, pathological, and endoscopic data improves prediction for lymph node metastasis in early gastric cancer: a retrospective multicenter study 2026-Jan-07, International journal of surgery (London, England) DOI:10.1097/JS9.0000000000004707 PMID:41536186	研究论文	该研究整合临床、病理和内镜数据，构建深度学习模型预测早期胃癌淋巴结转移，并评估其对内镜医师诊断性能的影响	开发了LNMate深度学习模型用于ESD前淋巴结转移预测，并构建了基于深度学习的内镜列线图（DLEN）用于ESD后风险估计；同时结合免疫组化分析探索了免疫细胞浸润与淋巴结转移预测的关联	回顾性研究设计可能存在选择偏倚；免疫组化分析样本量较小（仅32例）；模型的外部验证有待进一步开展	提高早期胃癌淋巴结转移的术前预测准确性，为内镜医师的ESD前治疗规划和外科医师的ESD后手术决策提供支持	605例接受内镜黏膜下剥离术和/或手术的早期胃癌患者，以及32例患者的组织样本	数字病理学	胃癌	深度学习，免疫组化分析	深度学习模型	图像，临床数据，病理数据，内镜数据	605例早期胃癌患者，32例组织样本	NA	NA	AUC，准确率，特异性	NA
306	2026-09-16	2DSDNN: A Novel Approach for Alzheimer's Disease Classification 2026, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056368237251028221129 PMID:42163688	研究论文	该文提出一种颅骨剥离算法和2D序列深度学习神经网络（2DSDNN）模型，用于基于MRI图像的阿尔茨海默病二分类和多分类诊断	提出颅骨剥离算法结合阈值处理和形态学操作进行精确图像分割；设计2D序列深度学习神经网络（2DSDNN）模型；结合高斯滤波和形态学操作提升图像分割质量；在T1和T2加权MRI模态上使用序列深度学习框架，性能优于传统CNN和DNN模型	仅使用ADNI数据集的1,044张MRI扫描图像，样本量有限；未与其他大规模多中心数据集进行验证；未讨论模型的可解释性和泛化能力	利用神经影像技术和机器学习方法实现阿尔茨海默病的早期检测和阶段分类	阿尔茨海默病（AD）、轻度认知障碍（MCI）和认知正常（CN）患者的MRI影像	医学图像分类	阿尔茨海默病	MRI（T1加权和T2加权）、颅骨剥离算法、阈值处理、形态学操作、高斯滤波	深度学习神经网络	图像	1,044张来自ADNI数据集的MRI扫描图像	NA	2D序列深度学习神经网络（2DSDNN）	准确率、灵敏度、特异性、精确率、召回率、F1分数、AUC	NA
307	2026-09-13	The Narrative Review: Advancements in Heart Failure Diagnosis and Management using Artificial Intelligence: A New Era of Patient Care 2026, Current cardiology reviews IF:2.4Q2 DOI:10.2174/011573403X369978250818060357 PMID:40947703	综述	本文综述了人工智能在心衰诊断和管理中的最新进展，探讨了机器学习和深度学习等技术如何改善临床决策和患者护理	系统性地总结了AI在心衰诊疗中的应用现状与未来潜力，涵盖影像分析、心电图解读、风险预测和个性化治疗等多个维度	尚未充分解决数据整合、预测准确性、患者参与度、数据隐私与伦理以及临床工作流整合等问题	概述人工智能在心衰诊断和管理中的当前进展及未来潜力，以确保护理质量和医疗实践的提升	心衰患者及心衰相关的临床数据（影像、心电图等）	机器学习	心血管疾病	机器学习，深度学习	NA	图像，文本	NA	NA	NA	NA	NA
308	2026-09-13	RMETNet: A cross-subject motor imagery EEG signal classification model based on TSLANet and riemannian geometry features 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0347671 PMID:42018586	研究论文	该研究提出了一种基于TSLANet和黎曼几何特征的跨被试运动想象脑电信号分类模型RMETNet，通过融合时空卷积模块和多尺度黎曼几何特征模块，并引入最大均值差异损失进行域适应，以解决跨被试分类中的分布偏移问题	提出了RMETNet框架，创新性地将TSLANet、时空卷积模块和多尺度黎曼几何特征模块进行融合，并引入最大均值差异损失进行域适应，有效缓解了跨被试特征分布差异问题，提升了运动想象脑电解码的跨被试泛化能力	摘要中未明确提及研究的局限性	解决运动想象脑电信号分析中深度学习模型因被试间差异导致的跨被试泛化能力不足的问题，提升脑机接口中运动想象脑电解码的跨被试分类性能	运动想象脑电信号	机器学习	NA	运动想象脑电解码	CNN	脑电信号	BCI Competition IV 2a数据集（四分类）和BCI Competition IV 2b数据集（二分类），具体被试数量未在摘要中提及	NA	TSLANet, 时空卷积模块, 多尺度黎曼几何特征模块	准确率	NA
309	2026-09-13	A hybrid CNN-XLSTM-GRU deep learning model with autoencoder-based feature selection for hypothyroidism diagnosis 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0347203 PMID:42013160	研究论文	提出了一种混合CNN-XLSTM-GRU深度学习模型FusionNet-CXG，并采用自编码器特征选择用于甲状腺功能减退症诊断	结合CNN、扩展LSTM和GRU的混合架构，并引入自编码器特征选择和SHAP可解释性分析	缺乏外部验证，未来需在更多样化的真实世界队列中验证并纳入时间临床数据	开发准确的甲状腺功能减退症预测模型	甲状腺功能减退症患者数据	机器学习	甲状腺功能减退症	NA	CNN, LSTM, GRU	表格数据	3772条记录，30个特征	NA	CNN, XLSTM, GRU	准确率, F1分数, AUC-ROC	NA
310	2026-09-10	stRGAT: identifying spatial domains in spatial transcriptomics via a relational graph attention network 2026-01-14, Journal of translational medicine IF:6.1Q1 DOI:10.1186/s12967-025-07676-9 PMID:41535938	研究论文	开发了stRGAT，一种基于关系图注意力网络的深度学习框架，用于整合空间信息和基因表达以识别空间转录组中的空间域	通过自适应建模相邻和跨区域点之间的相似性，实现连贯的空间分割，并能扩展到检测空间可变基因	未在摘要中明确提及局限性	准确识别具有连贯转录组和形态模式的空间域，并提高空间转录组分析的性能	空间转录组数据中的空间域和空间可变基因	机器学习和空间转录组学	NA	空间转录组学	图注意力网络	基因表达数据、空间坐标、组织图像	跨物种数据集、连续组织切片、精细小鼠脑干数据集	NA	图注意力网络	聚类一致性指标和域边界清晰度	NA
311	2026-09-10	inMOTIFin: a lightweight end-to-end simulation software for regulatory sequences 2026-01-03, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btag026 PMID:41557841	研究论文	提出一个轻量级端到端的Python软件inMOTIFin，用于调控序列的模拟与修改，评估基于基序的方法和深度学习模型的可解释性	提供模块化、用户友好的模拟工具，支持对基序位置、共现和间距的精确控制，并能直接修改真实序列，填补了现有模拟器在端到端灵活性和易集成性方面的空白	文中未提及具体限制	开发多功能工具以支持转录调控语法的模拟和评估	DNA调控序列、基序实例	生物信息学	NA	模拟软件	NA	DNA序列数据	NA	Python	NA	NA	Docker
312	2026-09-10	RP3Net: a deep learning model for predicting recombinant protein production in Escherichia coli 2026-01-02, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btag003 PMID:41520295	研究论文	介绍RP3Net，一种基于深度学习的大肠杆菌重组蛋白生产效率预测模型	利用最新的蛋白质和基因组基础模型，并整合内部实验数据与公共数据，显著提高了预测准确性	未提及具体局限性	预测大肠杆菌中小规模异源可溶性蛋白的表达效率，以优化重组蛋白生产	重组蛋白表达	深度学习	不适用	蛋白质和基因组基础模型	深度学习模型	蛋白质序列和基因组数据	包含来自AstraZeneca和结构基因组学联盟的多种数据，以及独立验证的97个构建体	不明确（依赖基础模型）	未明确指定具体架构（可能涉及Transformer等）	AUROC，以及准确率和成功识别率	未提及（但模型开源可在GitHub获取）
313	2026-09-10	RoBep: a region-oriented deep learning model for B-cell epitope prediction 2026-01-02, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btag006 PMID:41527265	研究论文	本文提出了一种区域导向的深度学习模型RoBep，用于B细胞表位预测，通过显式建模表位残基的空间聚类来提高预测的生物学合理性	引入新颖的区域约束机制，结合高级蛋白质语言模型ESM-Cambrian和等变图神经网络，确保预测的表位残基空间紧凑，增强生物学合理性	摘要中未提及明确的局限性	提高B细胞表位残基预测的准确性，并为抗体设计和疫苗开发提供生物学合理的预测结果	B细胞表位残基和抗体-抗原结合区域	深度学习、蛋白质预测	NA	蛋白质语言模型和等变图神经网络	深度学习模型（结合蛋白质语言模型和等变图神经网络）	蛋白质序列和结构数据	基准数据集（具体数量未在摘要中提及）	PyTorch	等变图神经网络	F1分数、马修斯相关系数、精确率-召回率曲线下面积、AUROC0.1	未在摘要中提及
314	2026-09-10	Real-time corneal image segmentation for cataract surgery based on detection framework 2026-Jan, International journal of computer assisted radiology and surgery IF:2.3Q2 DOI:10.1007/s11548-025-03506-x PMID:40911268	研究论文	提出一种基于椭圆建模的无锚框框架EllipseNet，用于白内障手术中角膜的实时分割	引入椭圆建模，仅需简单的矩形边界框标注，即可自动推断角膜椭圆的长短轴，生成更贴合角膜形状的椭圆边界框，同时实现快速分割并显著减少标注工作量	未在摘要中明确提及局限性	实现白内障手术中角膜和手术器械的实时、准确分割，降低对像素级标注的依赖，便于临床应用	白内障手术中的角膜和手术器械图像	计算机视觉	白内障	NA	Hourglass网络	图像	未在摘要中提供具体样本量	NA	Hourglass网络	Dice系数, 分割速度（每帧毫秒数）	NA
315	2026-09-10	Deep learning for suppressing EMG and motion artifacts in armband ECG R-peak detection 2026-Jan, Biomedical engineering letters IF:3.2Q2 DOI:10.1007/s13534-025-00507-2 PMID:41584807	研究论文	本文提出一种基于卷积神经网络增强编码器-解码器架构的深度学习框架，用于抑制臂带心电图信号中的肌电伪影和运动伪影，实现鲁棒的R波检测。	引入CNNAED架构，通过幅度增强选择性突出R波并抑制干扰信号成分，应用于臂带心电图信号处理。	未明确提及局限性。	提高可穿戴心电图设备在日常生活活动中受肌电和运动伪影影响下的R波检测准确性。	10名健康参与者的臂带心电图和临床级Holter监测数据。	信号处理	不适用	心电图信号处理，时频分析	卷积神经网络	心电图信号	10名健康参与者的24小时监测，包含11,598个验证段	未指定	CNNAED（卷积神经网络增强编码器-解码器）	平均绝对误差，均方根逐次差异	未提及
316	2026-09-10	Toward zero-calibration MEG brain-computer interfaces based on event-related fields 2026-Jan, Biomedical engineering letters IF:3.2Q2 DOI:10.1007/s13534-025-00503-6 PMID:41584816	研究论文	本文提出了一种基于事件相关场的零校准脑磁图脑机接口系统，结合空间滤波与深度学习技术，实现跨受试者泛化	首次实现无需用户特定校准的MEG-BCI系统，通过xDAWN空间滤波和DeepConvNet深度学习实现跨受试者零校准分类	零校准下的准确率（80.32%）和ITR（12.75 bits/min）相比在线校准（94.29%准确率，20.47 bits/min）有所降低，可能影响实际应用效率	开发一种零校准的MEG-BCI系统，避免用户特定校准需求，提高实用性和跨受试者泛化能力	MEG信号中的事件相关场响应，用于视觉oddball范式下的目标与非目标分类	脑机接口、深度学习、脑电图/脑磁图	不适用	MEG（脑磁图）	卷积神经网络（CNN）	MEG信号数据	多受试者数据集（具体未提供）	未提及	DeepConvNet	准确率，信息传输率（ITR）	未提及
317	2026-09-09	Precise Identification of Gastric Cancer Pathological Differentiation Based on Hyperspectral Imaging and Lightweight Deep Learning Models 2026-01, Journal of biophotonics IF:2.0Q3 DOI:10.1002/jbio.202500242 PMID:40903818	研究论文	本研究提出结合高光谱成像与轻量级深度学习模型的改进深度残差网络，以实现胃癌组织病理分化的精确识别	提出轻量级改进深度残差网络（IDRN），结合光谱预处理、降维和带注意力机制的残差CNN，在保持高效性的同时增强特征提取能力	摘要未提及研究局限性，如样本量、外部验证或潜在临床转化挑战	利用高光谱图像和轻量级深度学习模型实现对胃癌组织分化程度的精确分类，以辅助预后和治疗决策	胃癌组织样本	数字病理学、机器学习、计算机视觉	胃癌	高光谱成像	CNN、SVM、ResNet、ViT、改进深度残差网络（IDRN）	高光谱图像	未提及	未提及	改进深度残差网络（IDRN）、ResNet50、ViT	性能指标（具体如准确率等未提及，但比较实验使用）	未提及
318	2026-09-07	Deep learning-assisted near-real-time identification of the inferior mesenteric artery and vein during laparoscopic rectal resection: a single-center proof-of-concept study 2026, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2026.1891914 PMID:42698441	研究论文	开发并内部评估了一种基于深度学习的分割模型，用于腹腔镜直肠切除术中肠系膜下动脉和静脉的实时识别。	首次使用标准白光腹腔镜视频进行近实时语义分割，支持术中解剖识别。	单中心回顾性研究，样本量较小，未进行外部验证，缺乏客观人因实验和前瞻性临床评估。	开发并初步评估一种近实时语义分割模型，以辅助腹腔镜直肠切除术中肠系膜下动脉和静脉的识别。	肠系膜下动脉和肠系膜下静脉的术中视频帧	计算机视觉	直肠癌	腹腔镜视频	U-Net	图像	16例患者，共2720帧RGB图像（1758帧IMA，962帧IMV）；内部测试集3例患者460帧	nnU-Net v2	2D U-Net	Dice系数，精度，召回率	NVIDIA RTX 3090 GPU，推理速度12.7帧/秒
319	2026-09-07	Visual and lesion descriptor fusion using cross-attention for skin disease diagnosis 2026, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2026.1885137 PMID:42698561	研究论文	提出一种基于交叉注意力的框架，融合视觉特征与结构化病变描述符，用于皮肤病的早期诊断	首次将视觉特征与基于ABCD规则自动生成的结构化病变描述符相结合，采用交叉注意力机制进行多模态融合，增强诊断的准确性和可解释性	未明确提及，但可能受限于数据集的规模和多样性，以及描述符生成的准确性	提升皮肤病的早期诊断准确性，通过多模态融合增强特征提取和泛化能力	皮肤病图像及其对应的结构化病变描述符	计算机视觉, 自然语言处理	皮肤病	NA	Transformer, BERT	图像, 文本	ISIC 2018数据集（数量未明确）	NA	Transformer, BERT	准确率	NA
320	2026-09-07	EnviroSpect-guided ConvMixer-ViT framework for environment-robust potato leaf disease detection 2026, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2026.1886452 PMID:42698553	研究论文	提出了一种结合ConvMixer和Vision Transformer的混合深度学习框架，并引入EnviroSpect预处理方案，用于环境鲁棒的马铃薯叶部病害检测。	创新点在于提出EnviroSpect预处理方案，独立重映射色调、增强饱和度并标准化强度，以在异构成像条件下保留疾病判别线索；同时采用原型网络头结合softmax分类，以及元素级集成的混合骨干网络。	未明确提及局限，但可推断依赖特定数据集，可能对极端环境或新病害类型的泛化能力有限。	提高马铃薯叶部病害检测在真实世界环境变异性下的鲁棒性和准确性，同时保持模型轻量高效，适用于资源受限的边缘设备。	马铃薯叶部病害，包括早疫病和晚疫病，以及可能的其他类别。	计算机视觉	马铃薯早疫病、晚疫病	图像处理（基于HSI颜色空间的预处理）	混合模型（ConvMixer + Vision Transformer）	图像	5304张图像，来自三个数据集（PlantVillage, Potato Plants, AgriPlant），涵盖三种病害类别。	未明确提及框架，但可能使用PyTorch或TensorFlow（根据惯例推断），此处输出为NA	ConvMixer, Vision Transformer (ViT)	准确率, 宏F1分数, 精确率, 召回率	GPU（未指定具体型号），每张图像推理时间19毫秒，模型参数8.9百万。