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
961	2026-01-24	Comparative machine learning and deep learning frameworks for robust carcinogenicity prediction and activity cliff analysis 2026-Jan-23, Environmental science. Processes & impacts DOI:10.1039/d5em01001b PMID:41575273	研究论文	本研究开发了基于机器学习和深度学习框架的预测模型，用于大鼠致癌性数据的二元分类，并与人类致癌性紧密关联	结合了特征基方法和化学语言建模，引入了c-RASAR模型和ARKA描述符，能够识别活性悬崖并解释误预测原因	NA	开发稳健的致癌性预测模型并进行活性悬崖分析	工业化学品的致癌性数据	机器学习	癌症	化学语言建模	线性判别分析, 人工神经网络, 逻辑回归, LSTM	化学描述符, SMILES字符串	NA	NA	LSTM	NA	NA
962	2026-01-24	Deep learning-enhanced QSAR modeling for predicting developmental neurotoxicity based on molecular initiating events from adverse outcome pathways 2026-Jan-23, Molecular diversity IF:3.9Q2 DOI:10.1007/s11030-025-11454-6 PMID:41575478	研究论文	本文开发了一种基于深度学习的QSAR建模框架，用于预测与农药污染大麻暴露相关的分子起始事件和关键事件的结合亲和力	结合深度学习与QSAR模型，利用SHAP值增强模型可解释性，并将ECFP4特征映射到已知神经毒性化合物上以可视化识别关键区域	模型基于ChEMBL数据库的化合物数据，可能未涵盖所有潜在神经毒性物质，且测试任务仅限于4个MIE和6个KE	预测发育神经毒性，特别是与农药污染大麻暴露相关的分子起始事件和关键事件的结合亲和力	化学化合物，特别是与发育神经毒性相关的分子起始事件和关键事件	机器学习	发育神经毒性	QSAR建模，深度学习	DNN	化学化合物数据	24,476个化合物	NA	DNN	相关系数，均方根误差	NA
963	2026-01-24	Explainable Artificial Intelligence for the Mayo Endoscopic Score in Ulcerative Colitis 2026-Jan-22, Digestion IF:3.0Q2 DOI:10.1159/000550610 PMID:41569974	研究论文	本研究开发了一种用于溃疡性结肠炎Mayo内镜评分的可解释人工智能模型，并评估了其与内镜医师的交互效果	首次将可解释人工智能（XAI）框架应用于溃疡性结肠炎Mayo内镜评分，通过Grad-CAM等技术提供模型决策依据，并验证了AI辅助能提升内镜医师的诊断性能	研究为回顾性多中心设计，样本主要来自中国医疗机构，外部验证数据集的多样性可能有限	开发可解释的深度学习模型用于溃疡性结肠炎内镜严重程度评估，并探索人机交互对诊断性能的影响	溃疡性结肠炎患者的白光内镜图像	计算机视觉	溃疡性结肠炎	深度学习	CNN	图像	训练集2600张图像，三个外部测试集共460张图像（来自不同医院）	未明确指定	Xception	准确率, Matthew相关系数, Cohen's kappa	NA
964	2026-01-24	Decoding Spikes From Multiunit Data 2026-Jan-22, IEEE reviews in biomedical engineering IF:17.2Q1 DOI:10.1109/RBME.2025.3647848 PMID:41570095	综述	本文提供了一个关于从多单元数据中解码尖峰的统一方法论视角，将问题形式化为卷积混合模型下的稀疏源分离任务	通过将尖峰解码问题形式化为卷积混合模型下的稀疏源分离任务，提供了一个统一的方法论视角，并跨应用领域和物理记录模态综合比较了不同方法	作为一篇综述，本文未提出新的解码方法，主要侧重于现有方法的比较和综合	旨在为神经科学、临床诊断和神经接口领域中的多单元数据尖峰解码问题提供方法论指导和路线图	多单元数据或信号，即从活跃细胞/源（如神经元和肌肉纤维）发射的波形混合信号	信号处理	NA	电记录（电极）、光学成像、超声波等多种记录技术	NA	多单元数据/信号	NA	NA	NA	NA	NA
965	2026-01-24	A Conditional GAN-based Framework for Sparse sEMG Data Augmentation with Muscle Synergy Prior Constraints 2026-Jan-22, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2026.3656514 PMID:41570105	研究论文	本文提出了一种基于肌肉协同先验约束的条件GAN框架，用于稀疏表面肌电信号的数据增强	提出了一种新颖的图卷积网络生成器架构，专门针对稀疏sEMG信号设计，通过基于图的表示学习捕获复杂通道间关系，并整合肌肉协同先验约束作为动态损失函数，确保生成信号在生理学上合理	未明确提及	解决高质量表面肌电信号稀缺问题，提升深度学习模型在sEMG分析中的鲁棒性	多通道表面肌电信号	机器学习	NA	表面肌电信号采集	GAN, GCN	多通道sEMG信号	IRASS数据集及公开数据集（NinaPro DB1和DB2）	NA	图卷积网络, 条件GAN	信号真实性, 运动学预测精度	NA
966	2026-01-24	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	本文通过评估单细胞ATAC-seq图谱技术，利用序列到功能建模来解析细胞类型身份的顺式调控逻辑	首次对scATAC-seq平台进行基准测试，重点关注其训练S2F模型的能力和在不同物种中产生TF足迹的能力，并引入改进的HyDrop v2方法	未明确说明训练数据集构建的最优标准，如细胞数量和ATAC片段数量	评估单细胞ATAC-seq图谱技术，以解码增强子逻辑和顺式调控机制	单细胞染色质可及性（scATAC-seq）数据，包括不同物种的细胞类型	机器学习	NA	单细胞ATAC-seq（scATAC-seq），序列到功能（S2F）深度学习建模	深度学习模型	序列数据，染色质可及性数据	未指定具体样本数量，但涉及不同物种的细胞	NA	NA	增强子预测，序列可解释性，转录因子足迹	NA
967	2026-01-24	Deep learning-based automated contrast enema analysis to improve the assessment of Hirschsprung disease 2026-Jan-22, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-12267-9 PMID:41572045	研究论文	本研究开发了一种基于深度学习的自动对比灌肠分析模型，用于改善先天性巨结肠症的评估	首次将预训练的深度神经网络（DenseNet121）应用于对比灌肠图像的自动分析，以辅助先天性巨结肠症的诊断，并与放射科专家的传统评估进行比较	研究为单中心回顾性观察性研究，样本量相对有限（278次对比灌肠），且模型灵敏度（58.5%）较低，可能影响其在临床实践中的广泛应用	比较基于对比灌肠的放射学评估与使用深度神经网络进行自动图像分析在诊断先天性巨结肠症方面的性能	儿科患者（2011年至2023年间接受对比灌肠检查的221名患者）	计算机视觉	先天性巨结肠症	对比灌肠成像	CNN	图像	278次对比灌肠检查，涉及221名患者（64.8%男性，35.2%女性），平均年龄4.14岁，中位年龄2.65岁	NA	DenseNet121	平衡准确率, 灵敏度, 特异性, AUC-ROC, AUC-PR, Cohen's kappa	NA
968	2026-01-24	The application of artificial intelligence in blind ultrasound sweep diagnostics for prenatal medicine: A systematic literature review 2026-Jan-22, Acta obstetricia et gynecologica Scandinavica IF:3.5Q1 DOI:10.1111/aogs.70147 PMID:41574472	综述	本文系统回顾了人工智能在盲超声扫描诊断于产前医学中的应用，评估了其性能、潜力和局限性	首次系统综述了AI应用于盲超声扫描在产前诊断中的表现，突出了其在资源有限地区提升产前超声可及性的创新潜力	准确性在妊娠晚期有所下降，在早期妊娠或异常检测方面的验证有限，临床采用需要更广泛的验证和可解释性改进	评估人工智能在盲超声扫描中用于产前诊断的性能和潜力，以改善全球产前护理的可及性	应用于盲超声扫描的AI模型及其在产前诊断（如孕龄估计、胎位检测、羊水评估）中的性能	医学影像分析	产前医学	盲超声扫描（标准化的经腹扫描）	深度学习	超声图像	NA	NA	NA	平均绝对误差, AUC, Dice系数, 准确率	NA
969	2026-01-24	Explainable artificial intelligence for molecular design in pharmaceutical research 2026-Jan-21, Chemical science IF:7.6Q1 DOI:10.1039/d5sc08461j PMID:41531766	综述	本文探讨了可解释人工智能在药物研究中分子设计领域的应用、挑战与机遇	评估了将领域特定知识融入XAI方法以改进模型、实验设计和假设检验的益处，并讨论了化学语言模型在分子设计中的当前局限性	当前化学语言模型在分子设计和药物发现中的结果评估存在局限性	研究可解释人工智能在药物研究分子设计中的应用与挑战	分子设计中的AI/ML模型，特别是黑盒模型和化学语言模型	机器学习	NA	NA	深度学习框架，化学语言模型	分子数据	NA	NA	NA	NA	NA
970	2026-01-24	Towards robust deep learning-based autosegmentation in MRI-planned gynecological brachytherapy: Importance of scalable development and comprehensive evaluation 2026-Jan-21, Brachytherapy IF:1.7Q3 DOI:10.1016/j.brachy.2025.12.007 PMID:41571559	研究论文	本文提出了一种用于MRI引导的宫颈近距离放疗中盆腔危及器官自动勾画的深度学习模型开发与评估方法	采用可扩展的开发流程和全面的评估方法，包括几何和剂量学指标以及临床医生定性评审，以提升模型在异质数据集上的泛化能力	定量评分与定性结果之间存在差异，且模型在小肠等器官上的表现变异性较大	开发并评估一种适用于MRI引导的妇科近距离放疗中盆腔危及器官自动勾画的深度学习模型	盆腔危及器官（膀胱、直肠、乙状结肠、小肠）的MRI图像及手动勾画轮廓	数字病理学	宫颈癌	MRI成像	CNN	3D MRI图像	200例3D MRI图像（85%训练/验证，15%测试）	PyTorch	nnU-Net	Dice系数, Hausdorff距离95百分位数, 剂量体积直方图, 剂量差异	NA
971	2026-01-24	Role of MRI radiomics in deep learning-based prediction of intestinal diseases 2026-Jan-20, International journal of colorectal disease IF:2.5Q1 DOI:10.1007/s00384-026-05083-0 PMID:41559237	综述	本文综述了基于MRI影像组学和深度学习在肠道疾病预后评估中的应用，重点关注炎症性肠病和结直肠癌	系统性地整合了MRI影像组学与深度学习在肠道疾病预后预测中的最新证据，并强调了多模态融合方法的应用潜力	大多数研究为回顾性设计，缺乏外部验证，且模型的可解释性和泛化性存在挑战	评估MRI影像组学和深度学习在肠道疾病预后评估中的效果与潜力	炎症性肠病和结直肠癌患者	数字病理学	结直肠癌	MRI	CNN, Vision Transformer	图像	NA	NA	卷积神经网络, 视觉Transformer	NA	NA
972	2026-01-24	Deep learning motion correction of quantitative stress perfusion cardiovascular magnetic resonance 2026-Jan-20, Journal of cardiovascular magnetic resonance : official journal of the Society for Cardiovascular Magnetic Resonance IF:4.2Q1 DOI:10.1016/j.jocmr.2026.102697 PMID:41571054	研究论文	本研究开发并评估了一种基于无监督深度学习的运动校正流程，用于定量应力灌注心血管磁共振成像，以提升运动校正的效率和鲁棒性	使用深度学习模型替代耗时的迭代配准优化，实现高效的单次估计，并利用主成分分析减轻动态对比剂影响，提高了处理速度和鲁棒性	研究未明确讨论模型在不同病理条件下的泛化能力，且样本量相对有限	开发一种更高效、鲁棒的运动校正方法，以改进定量应力灌注心血管磁共振成像的自动化分析	心血管磁共振成像中的心肌灌注序列，包括低分辨率动脉输入函数序列和质子密度加权图像	计算机视觉	心血管疾病	心血管磁共振成像	深度学习	图像	201名患者的多厂商数据，其中38例用于独立测试	NA	NA	时间强度曲线平滑度、Dice系数、灌注值标准差	NA
973	2026-01-24	Semi-Supervised Fatty Liver Classification Using Attention-Based Graph Neural Network Models 2026-Jan-19, Journal of Korean medical science IF:3.0Q1 DOI:10.3346/jkms.2026.41.e30 PMID:41555799	研究论文	本研究探讨了基于注意力机制的图神经网络在半监督学习环境下对脂肪肝疾病的预测效果	首次将注意力机制图神经网络应用于脂肪肝疾病的半监督分类，并利用GNNExplainer进行特征重要性分析	研究仅基于健康检查数据，未考虑更复杂的临床因素	开发数据高效的脂肪肝疾病预测模型	7,953名个体的临床变量数据	机器学习	脂肪肝	健康检查临床变量分析	GNN	临床变量数据	7,953名个体	PyTorch	Graph Attention Network (GAT), Simplified Graph Transformer with Graph Attention	AUC	NA
974	2026-01-24	SMGDiff: step mapping generalized diffusion model for efficient noise reduction in cardiac-gated myocardial perfusion SPECT images 2026-Jan-17, EJNMMI physics IF:3.0Q2 DOI:10.1186/s40658-025-00825-5 PMID:41546843	研究论文	本文提出了一种名为SMGDiff的轻量级广义扩散模型，用于高效降低心脏门控心肌灌注SPECT图像中的噪声	提出了一种新颖的步进映射广义扩散模型（SMGDiff），将心脏门控MP-SPECT图像作为扩散端点而非传统高斯噪声，并引入了一种新的均值保持退化算子，显著减少了采样步骤和推理时间；此外，设计了步进映射和误差优化模块（SMEO），利用上下文信息精确校准步进特征，从而最小化重建过程中的累积误差	研究基于回顾性数据集，样本量相对较小（50次扫描，36名患者），且未在外部独立数据集上进行验证	开发并评估一种轻量级广义扩散模型，以高效地对心脏门控心肌灌注SPECT图像进行去噪	心脏门控心肌灌注单光子发射计算机断层扫描（CG MP-SPECT）图像	医学图像处理	心血管疾病	心脏门控SPECT成像	扩散模型	医学图像（SPECT图像）	50次MP-SPECT扫描（来自36名患者），分为8或16个心脏相位，共生成400/800个图像对	未明确指定，但提及了与CNN、U-Net、GAN和去噪扩散概率模型的比较	SMGDiff（步进映射广义扩散模型），包含SMEO模块	峰值信噪比（PSNR）、结构相似性（SSIM）、归一化均方误差（NMSE）、联合直方图、线性回归分析、配对双尾t检验、Wilcoxon符号秩检验	未明确指定，但SMGDiff-5模型每片处理时间仅为0.024秒，相比1000步扩散模型的4.982秒显著提升效率
975	2026-01-24	Ubiquitous sensing of marine activities via the cooperation of autonomous underwater vehicles 2026-Jan-17, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29532-y PMID:41547884	研究论文	本文提出了一种基于自主水下航行器（AUVs）的海洋活动泛在监测系统，通过深度学习技术估计目标姿态，并利用声纳进行水下目标探测	采用AUVs与岸基摄像头协同工作，结合无线通信网络和深度学习技术，实现了低成本、高可靠性的海洋活动智能监测	NA	开发一种智能、低成本、高可靠性的海洋活动监测系统	海洋活动，包括水面目标（如船只、浮标）和水下目标（如沉船、溺水人员）	机器视觉	NA	深度学习技术，声纳探测	NA	图像，声纳数据	NA	NA	NA	NA	NA
976	2026-01-24	Deep generative modeling captures maturation-dependent pairing patterns in human antibodies 2026-Jan-16, iScience IF:4.6Q1 DOI:10.1016/j.isci.2025.114447 PMID:41561375	研究论文	本文开发了一个两阶段深度学习框架，通过Transformer语言模型生成与重链配对的轻链序列，以揭示抗体成熟过程中的配对模式	首次将Transformer语言模型与序列到序列模型结合，用于生成抗体轻链，并揭示了成熟依赖性配对模式及三模态相似性分布	原生轻链恢复率中等，未明确说明模型在特定疾病抗体设计中的泛化能力	解码免疫库结构并设计治疗性抗体，通过计算模型理解抗体重链-轻链配对机制	人类抗体序列，特别是重链和轻链的配对关系	自然语言处理	NA	深度学习，序列生成	Transformer, 序列到序列模型	文本序列（抗体重链和轻链的氨基酸序列）	NA	NA	Transformer	原生轻链恢复率，胚系基因同一性，结构质量，框架和互补决定区覆盖范围	NA
977	2026-01-24	Deep Learning Predicts Cardiac Output from Seismocardiographic Signals in Heart Failure 2026-Jan-15, The American journal of cardiology DOI:10.1016/j.amjcard.2025.09.037 PMID:41038524	研究论文	本研究开发并评估了一种深度学习模型，用于直接从心衰患者的心震图、心电图和体重指数中预测心输出量	首次将深度学习与可穿戴心震图传感器结合，用于无创估计心输出量，尤其在低输出状态下表现出色	需要前瞻性多中心验证以确认普适性并评估临床影响	探索心震图作为无创心输出量测定替代方法的潜力	心衰患者	机器学习	心血管疾病	心震图, 心电图	CNN	信号数据	73名心衰患者	NA	深度卷积神经网络	平均偏差, 一致性界限	NA
978	2026-01-24	Medical support platform for melanoma analysis and detection based on federated learning 2026-Jan-09, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32453-5 PMID:41513722	研究论文	提出一种基于联邦学习的深度学习模型，用于从临床图像中检测黑色素瘤，并开发了配套的Web应用以辅助医生诊断	将联邦学习技术应用于黑色素瘤检测，在保护患者数据隐私的前提下实现多机构协同模型训练，同时整合了日照暴露和患者肤色等临床因素	未明确说明参与联邦学习的机构数量、数据分布异质性处理细节以及模型在不同肤色群体中的泛化性能验证	开发一个支持早期黑色素瘤检测的医疗辅助平台，提高诊断准确性并解决医疗数据孤岛问题	皮肤临床图像（黑色素瘤相关）	计算机视觉	黑色素瘤	深度学习	深度学习模型	图像	未明确说明	未明确说明	未明确说明	准确率, ROC AUC	未明确说明
979	2026-01-24	Advancing endometriosis detection in daily practice: a deep learning-enhanced multi-sequence MRI analytical model 2026-Jan, Abdominal radiology (New York) DOI:10.1007/s00261-025-04942-8 PMID:40232413	研究论文	本研究开发了一种基于深度学习的多序列MRI分析模型，用于提高子宫内膜异位症的检测准确性	首次在大型队列中使用多序列MRI数据构建深度学习模型，用于子宫内膜异位症的检测，并展示了与训练有素的放射科医生相当的检测性能	研究依赖于单一机构的数据库，可能存在选择偏差；模型性能在外部验证中尚未得到充分测试	评估深度学习工具在增强基于多序列MRI的子宫内膜异位症检测准确性方面的应用	经病理确诊的子宫内膜异位症患者及年龄匹配的无子宫内膜异位症诊断的对照组患者	数字病理学	子宫内膜异位症	多序列MRI（矢状位脂肪饱和T1加权、对比增强前后T1加权、T2加权）	CNN	图像	病例组395名患者，对照组356名患者，总计751名患者	NA	3D-DenseNet-121	F1分数, AUROCC, 灵敏度, 特异性, Fleiss' kappa	NA
980	2026-01-24	Artificial intelligence (AI) and CT in abdominal imaging: image reconstruction and beyond 2026-Jan, Abdominal radiology (New York) DOI:10.1007/s00261-025-05031-6 PMID:40522387	综述	本文综述了人工智能在腹部CT成像中的应用，特别是深度学习重建技术及其超越图像重建的扩展作用	介绍了基于卷积神经网络的深度学习重建技术，克服了传统重建方法的高噪声和人工纹理限制，并探讨了其在低对比度病变检测、定量成像和工作流程优化中的扩展应用	在临床验证、标准化和广泛采用方面仍存在挑战	探索人工智能驱动的CT图像重建在腹部成像中的原理、进展和未来方向	腹部器官，包括肝脏、胰腺和肾脏	医学影像	NA	深度学习重建	CNN	CT图像	NA	NA	NA	对比噪声比、病变检测、诊断置信度	NA