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
881	2026-02-07	A CT-based deep learning approach to differentiate multiple primary lung cancers, metastases, and benign nodules 2026-Jan-02, BMC cancer IF:3.4Q2 DOI:10.1186/s12885-025-15501-1 PMID:41485033	研究论文	本研究开发并验证了一种基于CT的深度学习分类系统，用于区分多原发性肺癌、肺内转移瘤和良性肺结节	首次将MambaOut-Kobe等六种预训练架构用于CT图像的多分类任务，并通过五种子消融实验和决策曲线分析评估临床实用性，结合Grad-CAM提供可解释性支持	研究样本量相对有限（260名患者），未来需要在更大规模、多中心数据集上进行验证，并提升模型对多原发性肺癌与肺内转移瘤的区分能力	开发自动化深度学习分类系统，以快速、客观地区分多原发性肺癌、肺内转移瘤和良性肺病变，优化患者治疗规划	260名患者的881张轴向CT切片，包括多原发性肺癌（83例）、肺内转移瘤（81例）和良性肺病变（96例）	计算机视觉	肺癌	CT成像	深度学习	图像	260名患者，881张轴向CT切片	NA	DenseNet-121, EfficientNet-B1, MambaOut-Kobe, ResNet-50, SwinV2-CR-Tiny-224, ViT-Tiny-Patch16-224	AUC, 准确率, 决策曲线分析	NA
882	2026-02-07	Shaping the Future of Personalized Therapy in Bladder Cancer Using Artificial Intelligence 2026-Jan, European urology focus IF:4.8Q1 DOI:10.1016/j.euf.2025.07.011 PMID:40753031	综述	本文简要概述了人工智能在膀胱癌管理各步骤中的应用及其对个体化治疗策略的潜在贡献	整合人工智能工具（主要是机器学习和深度学习方法）到当前膀胱癌工作流程中，为治疗提供更个性化的方法	尽管取得显著进展，但主要障碍仍阻碍人工智能在膀胱癌临床工作流程中的广泛应用，需要更多研究才能用于常规临床实践	探讨人工智能在膀胱癌管理中的应用潜力，以实现更精确的个体化治疗	膀胱癌患者	机器学习	膀胱癌	NA	机器学习, 深度学习	NA	NA	NA	NA	NA	NA
883	2026-02-07	Deep learning application for genomic data analysis 2026-Jan, BMB reports IF:2.9Q3 PMID:40962325	综述	本文综述了深度学习在基因组学四个领域（变异检测、基因表达调控、基序发现和3D染色质互作）中的应用，总结了模型开发的关键方面，并讨论了未来挑战	系统性地回顾了深度学习在基因组学中的最新应用，并重点讨论了基因组标记化和多组学数据整合等前沿挑战	作为综述文章，未提出新的实验数据或模型，主要基于现有文献进行总结	探讨深度学习在基因组数据分析中的应用现状、关键模型开发策略及未来研究方向	基因组学数据，包括变异检测、基因表达调控、基序发现和3D染色质互作相关的数据	机器学习	NA	现代基因组测序技术	深度学习模型	基因组数据	NA	NA	NA	NA	NA
884	2026-02-07	Generation of multimodal realistic computational phantoms as a test-bed for validating deep learning-based cross-modality synthesis techniques 2026-Jan, Medical & biological engineering & computing IF:2.6Q3 DOI:10.1007/s11517-025-03437-4 PMID:41015634	研究论文	提出一种利用计算体模生成逼真CT和MRI图像的新框架，用于验证基于深度学习的跨模态合成技术	利用生成的计算体模作为验证数据，为深度学习跨模态合成技术提供可靠的真实性测试平台	NA	验证基于深度学习的医学图像跨模态合成技术，特别是用于放射治疗的MRI到合成CT生成	计算体模生成的CT和MRI图像	医学影像	NA	计算体模生成，CycleGAN	GAN	图像	NA	NA	CycleGAN	直方图相关性，剂量学准确性	NA
885	2026-02-07	iDRKAN: Interpretable miRNA-Disease Association Prediction Based on Dual-Graph Representation Learning and Kolmogorov-Arnold Network 2026 Jan-Feb, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3634550 PMID:41259182	研究论文	提出了一种基于双图表示学习和Kolmogorov-Arnold网络的可解释miRNA-疾病关联预测方法iDRKAN	结合双图表示学习（相似性视图和元路径视图）、多通道注意力机制、语义层注意力机制、对比学习策略以及可解释的Kolmogorov-Arnold网络，以捕获异构节点深层语义信息并提升模型可解释性	NA	准确预测miRNA与疾病之间的关联，以支持生物医学研究和临床应用	miRNA-疾病关联	生物信息学	NA	图表示学习，注意力机制，对比学习	图卷积网络，Kolmogorov-Arnold网络	图数据（相似性矩阵和关联矩阵）	两个公共数据集	NA	GCN, KAN	多个性能指标（未具体列出）	NA
886	2026-02-07	Spatial Hierarchical Protein-Protein Interaction Site Prediction Using Squeeze-and-Excitation Capsule Networks 2026 Jan-Feb, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3638901 PMID:41325125	研究论文	本文提出了一种名为MSE-CapsPPISP的深度学习模型，用于预测蛋白质-蛋白质相互作用位点，通过考虑蛋白质序列特征的空间层次关系来提高预测性能	设计了基于胶囊网络的模型，利用向量神经元捕捉蛋白质序列特征的空间层次关系，并结合多尺度CNN和Squeeze-and-Excitation块增强特征表示	未在摘要中明确提及	开发计算方法来预测蛋白质-蛋白质相互作用位点，以补充耗时且易受噪声影响的生物实验	蛋白质序列及其相互作用位点	生物信息学	NA	深度学习	胶囊网络, CNN	蛋白质序列数据	NA	NA	MSE-CapsPPISP, Capsule Network, 多尺度CNN, Squeeze-and-Excitation块	F1, MCC, AUROC, AUPR	NA
887	2026-02-07	A Multi-Modal Contrastive Learning Framework for Cyclic Peptide Permeability Prediction 2026 Jan-Feb, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3643437 PMID:41379908	研究论文	本文介绍了一个名为MCPerm的多模态深度学习框架，用于预测环肽的细胞膜渗透性	提出了一种新颖的模态共享和对比学习策略，协同整合了1D SMILES、2D拓扑和3D几何信息，并引入了基于注意力的可视化分析，使模型具有可解释性	NA	开发一个计算框架以准确预测环肽的细胞膜渗透性，加速细胞可渗透环肽药物的合理设计与发现	环肽分子	机器学习	NA	深度学习	Transformer, 对比学习	1D SMILES序列, 2D拓扑结构, 3D几何结构	NA	NA	图Transformer, 预训练肽语言模型	NA	NA
888	2026-02-07	DriverMONI: Cancer Driver Gene Prediction With Multimodal Deep Learning Integrating Multiomics Data and Condition-Specific Network Information 2026 Jan-Feb, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3643887 PMID:41396756	研究论文	本文提出了一种名为DriverMONI的多模态深度学习方法，用于整合多组学数据和条件特异性网络信息以预测癌症驱动基因	利用条件特异性蛋白质-蛋白质相互作用子网络生成图注意力网络的输入图和节点属性，使模型具有条件特异性并提高预测准确性	未明确提及具体局限性	开发一种多模态深度学习方法，用于更准确地识别癌症驱动基因	癌症驱动基因	机器学习	癌症	多组学数据分析	图注意力网络	多组学数据、生物网络数据	NA	NA	图注意力网络	预测准确性	NA
889	2026-02-07	DeepNhKcr: Explainable Deep Learning Framework for the Prediction of Crotonylation Sites of Non-Histone Lysine in Plants Based on Pre-Trained Protein Language Model 2026 Jan-Feb, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3643930 PMID:41396754	研究论文	本研究提出了一种名为DeepNhKcr的深度学习框架，用于预测植物非组蛋白赖氨酸的克罗托尼化位点	结合预训练蛋白质语言模型（ESM2）与双向长短期记忆网络（BiLSTM），并采用焦点损失函数处理数据不平衡问题，同时提供可解释性分析	未明确提及模型在跨物种或不同植物类型中的泛化能力限制	开发一种计算方法来快速准确预测植物非组蛋白中的克罗托尼化位点	植物非组蛋白中的赖氨酸克罗托尼化位点	生物信息学	NA	蛋白质语言模型, 深度学习	BiLSTM	蛋白质序列	NA	NA	ESM2, BiLSTM	准确率	NA
890	2026-02-07	SG-DCNN: A Deep Learning Method Integrating Self-Attention Mechanism and Generative Adversarial Network for Predicting Ion-Ligand Binding Residues in Small Samples 2026 Jan-Feb, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3645246 PMID:41406298	研究论文	提出了一种结合自注意力机制和生成对抗网络的深度学习方法SG-DCNN，用于预测小样本中离子配体的结合残基	首次将生成对抗网络和自注意力机制集成到深度卷积神经网络框架中，以解决小样本和类别不平衡问题	仅针对八种小样本离子配体进行了验证，未在大规模或更多种类的配体上进行测试	提高蛋白质与离子配体结合残基的预测准确性	离子配体与蛋白质的结合残基	机器学习	NA	NA	CNN, GAN	NA	八种小样本离子配体	NA	深度卷积神经网络, 生成对抗网络, 自注意力机制	准确率, 马修斯相关系数	NA
891	2026-02-07	DeepR2OM: Accurate Recognition for RNA 2'-O-Methylation Sites in Human Genome Using Deep Learning 2026 Jan-Feb, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3647488 PMID:41433162	研究论文	本文提出了一种名为DeepR2OM的新方法，通过整合特征选择和深度学习技术，用于准确预测人类基因组中的RNA 2'-O-甲基化位点	开发了DeepR2OM，一种结合了八种RNA描述符编码、特征选择算法降维以及深度学习网络训练的新型预测方法，并评估了多种深度学习架构以优化模型性能	未明确提及具体局限性，但传统检测方法存在资源密集、可能损伤RNA样本和高成本等问题，而本研究未讨论模型在更广泛数据集或实际应用中的泛化能力	准确预测人类基因组中的RNA 2'-O-甲基化位点，以理解RNA的生物学功能及相关病理	人类基因组中的RNA 2'-O-甲基化位点	机器学习	NA	RNA描述符编码	CNN, Multi-Head Self-Attention, DNN	序列数据	NA	NA	CNN, Multi-Head Self-Attention, DNN	准确率, 召回率, 精确率, 马修斯相关系数	NA
892	2026-02-07	Drug Effect Classification Using Frequency-Based Graph Traversal Approach 2026 Jan-Feb, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3648860 PMID:41452695	研究论文	本研究提出了一种基于频率的图遍历方法，用于将药物分类为症状缓解型或疾病修饰型	采用异质网络和引导最短路径遍历框架，通过识别最短元路径中频繁出现的基因来分类药物，并提高了模型的可解释性	NA	基于药物对疾病治疗的影响，将其分类为症状缓解型或疾病修饰型	药物、基因和疾病	机器学习	多发性硬化症	图遍历方法	图模型	网络数据	NA	NA	引导最短路径遍历框架	分类准确率	NA
893	2026-02-07	Foundation Models for Neural Signal Decoding: EEG-Centered Perspectives Toward Unified Representations 2026-Jan, The European journal of neuroscience DOI:10.1111/ejn.70376 PMID:41459740	综述	本文综述了用于神经信号解码的基础模型，特别聚焦于EEG，并探讨了构建统一神经表征的设计原则与挑战	提出了以EEG为中心的基础模型开发框架，强调生理感知表征学习、结构感知架构和可解释性机制三大设计原则，以支持跨空间和时间尺度的统一神经表征	许多现有模型仍沿用非神经领域的训练目标，未能充分利用电极拓扑或功能连接等空间先验信息	探讨基础模型在神经信号解码中的应用，旨在构建鲁棒、可迁移且具有生理学基础的统一神经表征	EEG、ECoG和皮层内记录等神经信号	机器学习	NA	EEG、ECoG、皮层内记录	基础模型	神经信号	NA	NA	Patched Brain Transformer, CBraMod, BrainGPT	NA	NA
894	2026-02-07	BELE: Blur Equivalent Linearized Estimator 2026, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2026.3651959 PMID:41528899	研究论文	本文提出了一种轻量级且感知可解释的全参考图像质量评估模型BELE，通过分离强边缘退化与纹理失真的影响来桥接主观感知与客观度量	提出基于位置费舍尔信息损失的线性化估计器计算模糊指数，引入复峰值信噪比捕捉纹理失真，并采用带聚焦项的低阶多项式拟合替代传统VQEG校正方法	未明确说明模型在极端失真类型或跨模态图像评估中的泛化能力	开发感知可解释且计算高效的全参考图像质量评估方法	图像质量评估	计算机视觉	NA	NA	无训练参数模型	图像	六个基准数据集	NA	BELE	与MOS的相关性	NA
895	2026-02-07	Large Language Models Improve Scene-Invariant Detection of Behavior of Risk in Dementia Residential Care Across Multiple Surveillance Camera Views 2026, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society IF:4.8Q1 DOI:10.1109/TNSRE.2026.3656747 PMID:41564063	研究论文	本文提出了一种无监督的场景不变融合深度学习网络，用于检测痴呆症患者护理环境中的风险行为，通过结合语言模型和视频异常检测来提高跨摄像头场景的泛化性能	提出了一种结合语言模型字幕生成与评分以及视频异常检测评分的无监督场景不变融合网络，以改善在未见过摄像头场景中的泛化能力	研究仅基于九名痴呆症患者的数据，且摄像头数量有限，可能限制了模型的广泛适用性	开发一种能够跨不同摄像头场景检测痴呆症患者风险行为的自动化深度学习系统	痴呆症患者在护理环境中的行为风险检测	计算机视觉	老年疾病	视频监控、深度学习	自编码器、大型语言模型	视频	九名痴呆症患者的视频数据，通过三个不同的走廊摄像头记录	NA	深度加权时空自编码器	接收者操作特征曲线下面积	NA
896	2026-02-07	Technology-Enhanced Dual-Task Testing for Alzheimer's Disease and Related Dementias: A Review of Trends, Tools, and Emerging Directions 2026, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society IF:4.8Q1 DOI:10.1109/TNSRE.2026.3658013 PMID:41587242	综述	本文全面综述了2010年至2025年10月期间，基于双任务测试（DT）评估阿尔茨海默病及相关痴呆症（ADRD）的技术趋势、工具和新兴方向	整合了工程学与临床神经科学的见解，探讨了广泛的双任务范式、传感技术和分析方法，并强调了现代传感器与AI技术在增强早期ADRD检测中的作用	文章作为综述，本身不包含原始研究数据，其总结的局限性主要基于现有文献，并强调了当前方法在公平性、可扩展性和临床可行性方面的挑战	为工程师、数据科学家和临床医生开发用于神经退行性疾病早期检测和监测的技术驱动工具提供关键资源	阿尔茨海默病及相关痴呆症（ADRD）的早期检测方法	数字病理学	老年病	双任务测试（DT）、可穿戴传感器、电子步道、红外/深度相机、视频、平板电脑、脑成像工具（如fMRI和fNIRS）、眼动追踪、基于AI的视频姿态估计	深度学习	多模态数据（运动数据、视频、脑成像数据等）	NA	NA	NA	NA	NA
897	2026-02-02	Deep learning framework for timely detection and classification of chili leaf diseases and pests 2026-Jan-31, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-34477-3 PMID:41620433	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
898	2026-02-06	Adversarial robust EEG-based brain-computer interfaces using a hierarchical convolutional neural network 2026-Jan-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-34024-0 PMID:41617748	研究论文	本研究提出了一种用于脑机接口的三层分层卷积神经网络，旨在同时提升运动意图分类的准确性和对抗攻击的鲁棒性	提出了一种新颖的三层分层卷积神经网络架构，通过结构化的层次化解码流程（区分运动想象与执行、单侧与双侧任务、细粒度运动分类）来提升模型对抗攻击的鲁棒性	研究仅在公开的BCI Competition IV-2a数据集上进行评估，且数据仅来自健康受试者，未在临床患者数据或更大规模数据集上验证	提升基于脑电图的脑机接口在对抗攻击下的鲁棒性和可靠性，以保障其在康复治疗和辅助设备控制等安全关键应用中的安全性	运动想象和运动执行任务相关的脑电图信号	机器学习	NA	脑电图	CNN	脑电图信号	9名健康受试者的多类运动想象脑电图记录（来自BCI Competition IV-2a数据集）	NA	分层卷积神经网络	准确率	NA
899	2026-02-06	Multi-timescale representation with adaptive routing for deep tabular learning under temporal shift 2026-Jan-30, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2026.108670 PMID:41638097	研究论文	提出一种名为TARS的即插即用方法，用于提升深度学习模型在时序漂移下的表格数据学习鲁棒性	首次提出多时间尺度表示与自适应路由机制，通过显式时序编码器分解时间戳为短、中、长期嵌入，并结合隐式漂移编码器跟踪高阶分布统计，实现动态时间尺度加权	未明确说明方法在极端时序漂移场景下的性能边界，也未讨论计算复杂度增加对实际部署的影响	解决表格数据因时间演化导致的时序漂移问题，提升深度学习模型的长期性能稳定性	随时间演化的真实世界表格数据集	机器学习	NA	NA	深度学习	表格数据	八个真实世界数据集（来自TabReD基准）	未指定	MLP, DCNv2	相对改进率	NA
900	2026-02-06	Adaptive fusion based deep learning framework for restoring underwater image quality using multi scale attention features 2026-Jan-29, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32519-4 PMID:41611737	研究论文	本文提出了一种基于自适应融合的深度学习框架，利用多尺度注意力特征来恢复水下图像质量	提出了ERUI-MSAF模型，该模型集成了通道和空间注意力特征，并采用自适应双边滤波进行预处理，结合深度小波网络和EfficientNet进行特征融合，以自适应地强调水下图像中的信息特征和区域	NA	开发一种有效的方法来恢复水下图像，通过提高可见性和增强图像整体质量	水下图像	计算机视觉	NA	NA	深度学习	图像	使用了EUVP和UIEB两个数据集，具体样本数量未明确说明	NA	深度小波网络, EfficientNet	PSNR	NA