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
81	2026-01-09	[Artificial intelligence for the management and monitoring of cardiovascular disease] 2026-Jan, Giornale italiano di cardiologia (2006) DOI:10.1714/4618.46266 PMID:41441829	综述	本文综述了人工智能在心血管疾病管理与监测中的应用、潜力及挑战	整合了机器学习、深度学习与自然语言处理技术，结合多模态数据，为心血管疾病提供早期诊断、动态风险分层和个性化治疗的新途径，并探讨了AI与远程医疗、数字疗法结合带来的远程监测和临床决策支持机会	存在算法偏见、可解释性不足、伦理法律问题以及医疗专业人员培训需求等挑战，且欧洲AI法案的严格监管标准可能减缓大规模实施	探讨人工智能在心血管疾病管理与监测中的变革性作用及其临床应用潜力	心血管疾病的管理与监测过程	自然语言处理, 机器学习	心血管疾病	机器学习, 深度学习, 自然语言处理	NA	电子健康记录, 影像数据, 可穿戴设备数据, 传感器数据	NA	NA	NA	NA	NA
82	2026-01-09	Assessing an Automated Noncontrast CT-based Pipeline for Sacral Tumor Classification Using a Hip Bone Reference Frame 2026-Jan, Radiology. Imaging cancer DOI:10.1148/rycan.250098 PMID:41481488	研究论文	本研究开发了一种基于术前非增强CT的自动化混合模型，用于骶骨肿瘤的分类	首次将髋骨作为参考坐标系用于肿瘤定位，并开发了一个创新的六分类模型，可同时输入肿瘤图像、临床数据和位置信息	该研究为回顾性、多中心研究，可能存在选择偏倚	开发一种全自动混合方法，从术前非增强CT图像预测骶骨肿瘤类型	690名经组织病理学确诊的骶骨肿瘤患者	数字病理学	骶骨肿瘤	非增强CT	CNN	图像	690名患者	NA	CL-MedImageNet	AUC, F1分数, 混淆矩阵, Dice系数, 精确度, 灵敏度	NA
83	2026-01-09	MedNeXt for accurate medical image classification and segmentation: A lightweight transformer-style convolutional neural network 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0340108 PMID:41490062	研究论文	本文提出了一种名为MedNeXt的轻量级Transformer风格卷积神经网络，用于医学图像的分类和分割任务	重新思考大核CNN和MLP在医学图像分析中的作用，用它们替代计算量大的自注意力操作，并设计了三个轻量级模块（线性注意力前馈网络、空间编码模块和平滑深度可分离卷积前馈网络），在性能和效率之间取得了更好的平衡	NA	开发一种在性能和计算效率之间取得更好平衡的医学图像分析模型	医学图像（CT扫描、皮肤病变图像等）	计算机视觉	多种疾病（COVID-19、猴痘、心脏疾病等）	NA	CNN, MLP	图像	五个不同规模和疾病的数据集	NA	MedNeXt（基于大核CNN和MLP的架构）	准确率（SARS-COV2-CT-Scan: 98.39%, Monkeypox Skin Lesion Dataset: 98.12%, Large COVID-19-CT scan slice: 98.58%）, Dice系数（Synapse: 79.45%, ACDC: 91.28%）	NA
84	2026-01-09	MMSpa is a deep learning-based tool that enhances the identification of spatial domains in spatial transcriptomics studies 2026-Jan, PLoS biology IF:7.8Q1 DOI:10.1371/journal.pbio.3003580 PMID:41490241	研究论文	本文提出了一种名为MMSpa的深度学习工具，用于增强空间转录组学研究中空间域的识别	MMSpa采用掩码图注意力自编码器框架，结合边移除策略构建增强空间图，以解决跨域干扰并刻画更清晰的域边界	NA	提高空间转录组学中空间域识别的准确性	空间转录组学数据	机器学习	NA	空间转录组学技术	自编码器	空间转录组数据	NA	NA	掩码图注意力自编码器	多种准确性评估	NA
85	2026-01-09	Similarity-aware VAE with wavelet-convolutional 1D-CNN for rolling bearing fault diagnosis 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0338388 PMID:41490447	研究论文	提出一种结合改进变分自编码器与Wavelet-Convolutional 1D-CNN的滚动轴承故障诊断框架	提出相似性感知VAE，采用新型相似性损失函数进行数据增强，并通过增强注意力机制自动调整训练参数；用基于连续小波变换的小波卷积层替换CNN首层实现多尺度特征提取	NA	解决深度学习故障诊断中故障类别分布不均的问题	滚动轴承故障数据	机器学习	NA	连续小波变换	VAE, CNN	一维时序数据	NA	NA	Wavelet-Convolutional 1D-CNN	NA	NA
86	2026-01-09	LncTracker: A Unified Multi-Channel Framework for Multi-Label lncRNA Localization 2026-Jan, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3597589 PMID:40788811	研究论文	本文提出了一种名为LncTracker的高效深度学习框架，用于长非编码RNA（lncRNA）在七个不同亚细胞区室的多标签亚细胞定位预测	LncTracker采用多通道架构，整合了序列和二级结构信息，并将二级结构转化为属性图以捕获核苷酸间的空间关系，从而学习序列与结构的联合表示，提高了预测性能和鲁棒性，特别是在处理不平衡定位场景方面优于现有方法	NA	开发一个深度学习框架，用于准确预测lncRNA的亚细胞定位，以理解其在细胞调控和疾病机制中的生物学功能	长非编码RNA（lncRNAs）	自然语言处理	NA	深度学习	深度学习框架	序列数据（RNA序列）、结构数据（二级结构）	NA	NA	多通道架构	NA	NA
87	2026-01-09	OPDoctorNet: Deep Learning Revolutionizes Opportunistic Screening of Osteoporosis Based on Clinical Data 2026-Jan, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3597467 PMID:40788810	研究论文	本研究开发了一种名为OPDoctorNet的深度学习算法，用于基于临床数据的骨质疏松症机会性筛查	结合Transformer和Mamba特征提取的优势，创新性地提出了多尺度特征融合和FeatureBake Block，以深度提取全局和局部特征	未明确说明	提高临床数据中骨质疏松症识别的准确性，并满足多任务需求	骨质疏松症患者	机器学习	老年疾病	深度学习	Transformer, Mamba	临床数据	未明确说明	未明确说明	OPDoctorNet, FeatureBake Block	准确率, 召回率, F1分数	未明确说明
88	2026-01-09	Enhanced Post-Prandial Glycemic Response Prediction in Type 2 Diabetes with Microbiome Data and Deep Learning 2026-Jan, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3602827 PMID:40864582	研究论文	本研究开发了一种结合肠道微生物组数据和多模态深度学习的模型，用于预测2型糖尿病患者的餐后血糖反应	首次在2型糖尿病人群中大规模整合真实世界的饮食、血糖监测、临床人口统计学和肠道微生物组数据，揭示了饮食-微生物组-餐后血糖反应之间的因果关系，并开发了显著超越传统碳水化合物预测方法和现有机器学习算法的多模态深度学习模型	研究样本量相对有限（88名患者），且为观察性研究，需要进一步的外部验证和前瞻性研究来确认模型的普适性	提高2型糖尿病患者餐后血糖反应的预测准确性，以支持精准营养和血糖管理	2型糖尿病患者	机器学习	2型糖尿病	连续血糖监测，肠道微生物组分析	深度学习	多模态数据（饮食日志、连续血糖记录、临床人口统计学数据、肠道微生物组数据）	88名2型糖尿病患者，超过2000份真实世界餐食数据	NA	NA	决定系数R	NA
89	2026-01-09	Unleashing the Power of Pretrained Transformer for Dense Prediction in Physiological Signals 2026-Jan, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3592687 PMID:40875430	研究论文	提出了一种利用预训练Transformer进行生理信号密集预测的通用编码器-解码器架构	首次将预训练Transformer与轻量级卷积Restormer解码器结合用于生理信号密集预测，无需复杂的任务特定架构设计，并通过知识蒸馏平衡性能与计算效率	未明确说明模型在跨设备或跨人群数据上的泛化能力，也未讨论对罕见生理模式的预测效果	探索预训练Transformer在生理信号密集预测任务中的应用潜力，提升医疗诊断效果	生理信号（如血压波形、PPG、ECG）	机器学习	NA	深度学习	Transformer, CNN	生理信号序列数据	NA	PyTorch	Transformer, Restormer	NA	NA
90	2026-01-09	An exploratory study on integrating radiomics with vision transformers for enhancing medical imaging classification accuracy 2026-Jan, Medical physics IF:3.2Q1 DOI:10.1002/mp.70246 PMID:41499345	研究论文	本研究提出了一种统一的放射组学嵌入视觉变换器（RE-ViT）框架，通过结合手工放射组学特征和视觉变换器的数据驱动嵌入来增强医学图像分类的准确性	提出了一种新颖的RE-ViT框架，首次将手工放射组学特征与视觉变换器的补丁嵌入在架构层面进行融合，以弥补ViT数据需求大且缺乏归纳偏置的不足，同时提升放射组学的可扩展性	研究仅在三个公开数据集上进行了验证，尚未在更大规模或更多样化的临床数据集中进行广泛测试；框架的泛化能力有待进一步评估	开发并评估一个集成放射组学和视觉变换器的框架，以改善异质数据集上医学图像分类的特征表示	医学图像，具体包括乳腺超声图像、胸部X光图像和视网膜OCT图像	计算机视觉	乳腺癌, 肺炎, 视网膜疾病	放射组学特征提取（强度、纹理、空间异质性描述符）	Vision Transformer (ViT), CNN	图像	三个公开数据集：BUSI（乳腺超声）、ChestXray2017（胸部X光）、Retinal OCT（视网膜OCT），使用10折交叉验证	PyTorch (推断，因提及ViT和CNN比较)	Vision Transformer (ViT), VGG-16, ResNet, TransMed	准确率, AUC, 敏感度, 特异度	NA
91	2026-01-09	A Multimodal Feature Fusion Model for Predicting Secondary Loss of Response After Infliximab Treatment in Crohn's Disease Patients: A Multicenter Study 2026-Jan, Digestive endoscopy : official journal of the Japan Gastroenterological Endoscopy Society IF:5.0Q1 DOI:10.1111/den.70097 PMID:41499486	研究论文	本研究开发并验证了一种多模态深度学习模型，利用基线内镜溃疡病变预测克罗恩病患者英夫利西单抗治疗后的继发性失应答	结合深度学习溃疡检测模型自动识别溃疡病变，并融合内镜图像与临床数据构建多模态预测模型，通过Grad-CAM提供模型可解释性支持	回顾性研究设计，样本量相对有限（385名患者），需进一步前瞻性验证	早期预测克罗恩病患者接受英夫利西单抗治疗后出现继发性失应答，以优化治疗策略	克罗恩病患者	数字病理学	克罗恩病	内镜检查	深度学习	图像, 临床数据	385名克罗恩病患者，来自三个中心，包含12,092张内镜图像	NA	NA	精确度, ROC曲线下面积	NA
92	2026-01-09	Evaluating few-shot prompting for spectrogram-based lung sound classification using a multimodal language model 2026-Jan, PLOS digital health DOI:10.1371/journal.pdig.0001179 PMID:41499578	研究论文	本研究评估了通用多模态大语言模型GPT-4o在梅尔频谱图肺音分类中的应用，并比较了零样本提示与少样本提示策略的性能差异	首次将多模态大语言模型（GPT-4o）应用于基于梅尔频谱图的肺音分类任务，并系统评估了少样本提示策略相对于零样本提示的性能提升	模型当前性能尚不足以满足临床部署要求，分类准确率仍有较大提升空间	评估多模态大语言模型在肺音分类任务中的效用，探索提示策略对模型性能的影响	ICBHI 2017呼吸音数据库中的6898个标注呼吸周期	自然语言处理	肺疾病	梅尔频谱图转换	多模态大语言模型	图像（梅尔频谱图）	6898个呼吸周期	NA	GPT-4o	准确率, 精确率, 召回率, F1分数	NA
93	2026-01-09	TissUnet: Improved extracranial tissue and cranium segmentation for children through adulthood 2026, Imaging neuroscience (Cambridge, Mass.) DOI:10.1162/IMAG.a.1067 PMID:41503005	研究论文	本文提出了一种名为TissUnet的深度学习模型，用于从常规三维T1加权MRI中分割颅外组织（颅骨、皮下脂肪和肌肉）	TissUnet模型在广泛年龄范围（包括儿童和成人）及脑肿瘤患者中进行了验证，相比现有方法表现更优，支持大规模颅面形态、治疗效果和心脏代谢风险研究	模型训练数据主要基于155对MRI-CT扫描，可能在其他病理或成像协议下泛化能力有限	开发一种快速、准确且可重复的颅外组织分割方法，以支持健康表征和临床决策	儿童至成人的脑部MRI图像，包括健康个体和脑肿瘤患者	数字病理学	脑肿瘤	MRI, CT	CNN	图像	155对MRI-CT扫描用于训练，并在9个数据集（包括健康成人和肿瘤病例）上进行验证	NA	U-Net	Dice系数	NA
94	2026-01-09	MethConvTransformer: A Deep Learning Framework for Cross-Tissue Alzheimer's Disease Detection 2026-Jan-01, ArXiv PMID:41503096	研究论文	本文提出了一个名为MethConvTransformer的深度学习框架，用于整合脑组织和外周组织的DNA甲基化数据，以实现阿尔茨海默病的跨组织检测和生物标志物发现	开发了一个结合线性投影、卷积层和自注意力层的Transformer框架，能够同时捕捉CpG位点的局部和长程依赖关系，并整合受试者层面的协变量和组织嵌入，以区分共享和区域特异性的甲基化效应	未明确说明模型在更广泛、更多样化人群中的泛化能力，以及计算资源需求的具体细节	开发一个稳健的深度学习框架，用于发现跨组织的阿尔茨海默病表观遗传生物标志物，并提高基于甲基化的诊断的可重复性	阿尔茨海默病患者和对照个体的DNA甲基化数据	机器学习	阿尔茨海默病	DNA甲基化分析	Transformer, CNN	DNA甲基化谱数据	六个GEO数据集和一个独立的ADNI验证队列	NA	MethConvTransformer（结合线性投影、卷积和自注意力层的自定义架构）	区分度, 泛化能力	NA
95	2026-01-09	Synthetic multi-inversion time magnetic resonance images for visualization of subcortical structures 2026-Jan, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.13.1.014002 PMID:41503368	研究论文	本文提出了一种名为SyMTIC的深度学习方法，用于从常规MRI序列生成合成多反转时间图像，以增强皮层下结构的可视化	结合深度神经网络与成像物理原理，通过估计纵向弛豫时间和质子密度图来合成任意反转时间的多TI图像	未明确说明方法在极端病理条件下的泛化能力或计算效率限制	改善脑部MRI图像中皮层下结构的可视化，支持神经科学研究和临床手术规划	脑部MRI图像，特别是皮层下灰质结构	医学影像分析	NA	多反转时间T1加权磁共振成像	深度神经网络	图像	使用配对的MPRAGE和FGATIR图像以及T2加权和FLAIR图像进行训练，具体样本数量未明确说明	NA	NA	图像质量比较，分割改进	NA
96	2026-01-09	LCSD-Net: a light-weight cross-attention-based semantic dual transformer for domain generalization in melanoma detection 2026-Jan, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.13.1.014502 PMID:41503367	研究论文	本文提出了一种轻量级交叉注意力语义双变换器模型，用于提高黑色素瘤检测中的领域泛化能力	模型通过提取全局语义信息、特征归一化和语义查询来减少对疾病无关视觉伪影的依赖，并优化计算复杂度以支持实时移动应用	NA	开发一种可靠且高效的黑色素瘤检测模型，以应对临床环境中的领域泛化挑战	皮肤病变图像	计算机视觉	黑色素瘤	深度学习	Transformer	图像	三个数据集：Derm7pt-Dermoscopic、Derm7pt-Clinical和PAD-UFES-20	NA	LCSD-Net	分类准确率	NA
97	2026-01-09	Integrated biomarker analysis and next-generation AI for precision diabetes prediction 2026-Jan, Toxicological research IF:1.6Q4 DOI:10.1007/s43188-025-00312-0 PMID:41503444	研究论文	本研究探索了将先进深度学习与关键药物生物标志物相结合，以增强糖尿病的早期预测	开发了一种多模态集成方法，利用Transformer架构捕捉异构医疗数据中的复杂依赖关系，并使用扩散模型通过生成合成样本来解决类别不平衡问题	需要多中心验证，并整合更多组学数据，以及在多样化人群中进行专门验证	提升糖尿病的早期预测精度，并推动个性化糖尿病管理	糖尿病患者，包括1型糖尿病和妊娠期糖尿病等少数群体	机器学习	糖尿病	NGS, 电子健康记录, 医学影像, 可穿戴设备时间序列数据	Transformer, Diffusion Models	图像, 文本, 时间序列数据	NA	NA	Transformer	准确率, AUC, 精确率, 召回率, F1分数	NA
98	2026-01-08	Battery SOH estimation based on thermodynamic parameters from an electrochemical fractional-order model and LSTM 2026-Jan-16, iScience IF:4.6Q1 DOI:10.1016/j.isci.2025.114234 PMID:41488788	研究论文	本文提出了一种基于电化学分数阶模型热力学参数和LSTM的锂离子电池健康状态估计方法	结合电池机理模型与深度学习，利用热力学参数替代传统外部特征，提高了估计精度和可解释性	未明确说明模型在极端工况或不同电池类型上的泛化能力	提高锂离子电池健康状态估计的准确性和可解释性	锂离子电池	机器学习	NA	电化学分数阶模型	LSTM	热力学参数	8个验证电池	NA	LSTM	均方根误差	NA
99	2026-01-08	Dimensionality reduction of genetic data using contrastive learning 2026-Jan-07, Genetics IF:3.3Q2 DOI:10.1093/genetics/iyaf068 PMID:40194517	研究论文	本文提出了一种基于对比学习的降维框架，用于处理遗传数据，以生成类似PCA的种群可视化	定义了一种优于常用对比学习损失函数的损失函数，并针对SNP基因型数据集设计了专门的数据增强方案	未明确说明	开发一种用于遗传数据降维的对比学习方法，以改进种群可视化和结构保留	狗和人类基因型数据集	机器学习	NA	SNP基因型分析	对比学习	遗传数据	两个数据集（狗和人类基因型）	NA	NA	局部和全局结构保留、泛化能力	NA
100	2026-01-08	Robust CNN multi-nested-LSTM framework with compound loss for patch-based multi-push ultrasound shear wave imaging and segmentation 2026-Jan-07, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ae2db8 PMID:41401501	研究论文	提出了一种新颖的两阶段深度学习框架，用于解决超声剪切波成像中的噪声敏感性、多推策略效率低和标注数据有限等问题，实现稳健的弹性重建和病灶分割	提出了一种结合CNN和多嵌套LSTM的两阶段深度学习框架，采用基于块的训练策略和复合损失函数，有效解决了数据稀缺和噪声敏感性问题	方法在模拟和体模数据上验证，虽在猪肝数据上测试，但临床人体数据验证仍需进一步研究	开发一种稳健的深度学习框架，用于超声剪切波弹性成像的重建和病灶分割	超声剪切波弹性成像数据	医学影像分析	组织病理学评估	超声剪切波弹性成像	CNN, LSTM	超声运动数据	模拟数据、CIRS体模数据和猪肝实验数据	NA	ResNet3D, Nested CNN-LSTM	峰值信噪比, 对比度噪声比, 交并比	NA