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
1601	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
1602	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
1603	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
1604	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
1605	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
1606	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
1607	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
1608	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
1609	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
1610	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
1611	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
1612	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
1613	2026-01-24	Update Disturbance-Resilient Analog ReRAM Crossbar Arrays for In-Memory Deep Learning Accelerators 2026-Jan, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202504578 PMID:40956570	研究论文	本研究提出了一种抗更新干扰的模拟ReRAM交叉阵列，用于内存深度学习加速器，旨在解决并行权重更新过程中的关键挑战	开发了一种基于350纳米硅技术的ReRAM器件，具有快速非易失性模拟切换和出色的抗更新干扰能力，能承受超过10万次脉冲，并通过COMSOL模拟分析了其干扰容忍机制	研究仍处于早期阶段，未提及大规模实际应用验证或与其他加速器技术的比较	加速内存训练算法，实现更可持续和节能的AI硬件	模拟ReRAM交叉阵列及其在内存深度学习加速器中的应用	机器学习	NA	COMSOL Multiphysics模拟，硅技术制造	NA	模拟电信号数据	NA	NA	NA	抗干扰脉冲次数（超过100k），切换速度（60 ns）	COMSOL Multiphysics模拟软件
1614	2026-01-24	Deep learning powered breast ultrasound to improve characterization of breast masses: a prospective study 2026-Jan, Acta radiologica (Stockholm, Sweden : 1987) DOI:10.1177/02841851251377927 PMID:40997147	研究论文	本研究评估了深度学习工具S-Detect在提高乳腺超声诊断准确性、标准化评估以及减少不必要活检方面的潜力	首次前瞻性评估深度学习工具S-Detect在真实临床环境中对不同经验水平放射科医生诊断性能的影响，并量化了其减少不必要活检的能力	研究样本量相对有限（230个乳腺肿块），且仅评估了单一深度学习工具，未与其他AI模型进行比较	评估深度学习工具S-Detect在增强乳腺超声诊断精度和标准化放射科医生评估方面的效果	216名患者的230个乳腺肿块	数字病理学	乳腺癌	超声成像	深度学习	图像	230个乳腺肿块（来自216名患者）	NA	S-Detect	特异性, 阳性预测值, 阴性预测值, 准确率, 敏感性, AUC, Kappa一致性系数	NA
1615	2026-01-24	A Biologically Informed Vision-Guided Framework for Interpretable T Cell Receptor-Epitope Binding Prediction 2026-Jan, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202512544 PMID:41199631	研究论文	提出了一种名为DAISY的生物信息学引导视觉框架，用于可解释的T细胞受体-表位结合预测	通过生物启发的条件自适应融合模块整合分层物理化学特征，联合建模残基级空间相互作用和全局生化背景，显著提升了在未见表位场景下的泛化能力	未明确说明模型在更广泛抗原多样性或不同MHC等位基因下的性能限制	开发一个稳健且可解释的深度学习框架，以准确预测T细胞受体与抗原表位之间的结合	T细胞受体（TCR）与主要组织相容性复合体（MHC）分子呈递的抗原表位之间的相互作用	机器学习	癌症	深度学习	深度学习框架	序列数据（TCR和表位序列）	NA	NA	条件自适应融合模块	ROC-AUC, PR-AUC	NA
1616	2026-01-24	The value of low-energy images combined with deep learning image reconstruction to improve image quality, reduce radiation and contrast doses in dual-energy computed tomography (CT) portal venography in cirrhotic patients 2026-Jan, Clinical radiology IF:2.1Q2 DOI:10.1016/j.crad.2025.107139 PMID:41297158	研究论文	本研究探讨了在肝硬化患者的双能计算机断层扫描门静脉成像中，结合低能量图像与深度学习图像重建技术以改善图像质量、降低辐射和造影剂剂量的可行性	首次将低能量图像与深度学习图像重建技术结合应用于双能CT门静脉成像，实现了辐射剂量降低48%和造影剂剂量降低32%的同时提升图像质量	样本量较小（仅60例患者），且仅针对肝硬化患者，未涉及其他肝脏疾病或健康对照组	评估低能量图像结合深度学习图像重建在双能CT门静脉成像中改善图像质量并降低辐射和造影剂剂量的效果	肝硬化患者	数字病理学	肝硬化	双能计算机断层扫描，深度学习图像重建	深度学习图像重建	医学影像	60例肝硬化患者	NA	深度学习图像重建-H	对比噪声比，信噪比，主观图像质量评分	NA
1617	2026-01-24	Exploring the Impact of an Artificial Intelligence-Based Intraoperative Image Navigation System in Laparoscopic Surgery on Clinical Outcomes: A Protocol for a Multicenter Randomized Controlled Trial 2026, European surgical research. Europaische chirurgische Forschung. Recherches chirurgicales europeennes DOI:10.1159/000549894 PMID:41452791	研究论文	本研究是一项多中心随机对照试验协议，旨在评估基于深度学习的术中图像导航系统在腹腔镜结直肠手术中对临床结果的影响	首次通过随机对照试验设计，系统评估AI实时图像导航系统在腹腔镜手术中识别输尿管和自主神经的临床效果	研究仅针对腹腔镜左侧结直肠切除术，且样本来自特定高容量中心，可能限制结果的普遍适用性	评估AI术中导航系统在腹腔镜手术中的临床有效性和安全性	计划接受腹腔镜左侧结直肠切除术的18至80岁患者	计算机视觉	结直肠癌	深度学习	CNN	图像	来自日本三个高容量中心的患者，具体数量未在摘要中明确	NA	NA	手术时间、术中并发症、术后并发症、器官识别时间	NA
1618	2026-01-24	Multiview deep-learning-enabled histopathology for prognostic and therapeutic stratification in stage II colorectal cancer: A retrospective multicenter study 2026-Jan, PLoS medicine IF:10.5Q1 DOI:10.1371/journal.pmed.1004614 PMID:41532433	研究论文	本研究开发并验证了名为SurvFinder的可解释深度学习框架，用于从结直肠癌II期患者的H&E染色全切片图像中提取组织生物标志物，以进行预后和治疗分层	首次提出多视角深度学习框架SurvFinder，能够自主识别三级淋巴结构（TLS）作为关键预后特征，并利用可解释AI方法确保模型透明度，超越了传统临床预后参数	研究为回顾性设计，缺乏前瞻性验证和真实世界临床部署	利用深度学习从全切片图像中提取可解释的组织生物标志物，以支持结直肠癌II期患者的个体化风险分层并探索与治疗结果的关联	结直肠癌II期患者	数字病理学	结直肠癌	H&E染色	深度学习	图像	来自1,604名患者的6,950张H&E切片，涵盖中国四个独立队列	NA	SurvFinder	AUROC, 风险比	NA
1619	2026-01-24	Deep learning detection and classification of fungal and non-fungal calcifications on paranasal sinus CT imaging 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0340832 PMID:41557658	研究论文	本研究开发并评估了一种用于在鼻窦CT影像上检测和分类窦内钙化的深度学习算法，以诊断真菌性鼻窦炎并区分真菌性与非真菌性鼻窦炎	开发了一个结合3D U-Net、YOLO v5和CNN的深度学习框架，用于自动分割鼻窦区域、检测钙化并精细分类钙化模式，以辅助真菌性鼻窦炎的诊断	数据集主要来自单一机构，尽管补充了时间和地理外部测试集，但样本量相对有限（277例），可能影响模型的泛化能力	开发一个深度学习算法，用于在鼻窦CT影像上自动检测和分类窦内钙化，以辅助诊断真菌性鼻窦炎	鼻窦CT影像中的窦内钙化	计算机视觉	鼻窦炎	CT成像	CNN	图像	277例鼻窦CT病例，来自韩国高丽大学九老医院，并补充了时间和地理外部测试集	NA	3D U-Net, YOLO v5, CNN	Dice相似系数, 精确率, 召回率, F1分数, 准确率	NA
1620	2026-01-24	Deep learning-based no-reference image quality assessment framework for Cryptosporidium spp. and Giardia spp 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0341160 PMID:41557673	研究论文	本文提出了一种基于深度学习的无参考图像质量评估框架PRIQA，专门用于评估隐孢子虫和贾第鞭毛虫的显微镜图像质量	首次针对寄生虫显微镜图像开发了基于深度学习的无参考图像质量评估模型，并利用小数据集训练，在寄生虫图像质量评估领域填补了空白	模型训练基于小规模寄生虫图像数据集，可能限制了其泛化能力	开发一种专门用于寄生虫显微镜图像的无参考图像质量评估工具，以支持自动化检测系统中的质量控制	隐孢子虫和贾第鞭毛虫的显微镜图像	计算机视觉	寄生虫感染	显微镜成像	CNN	图像	小规模寄生虫图像数据集（具体数量未说明）	NA	ResNet-101	与平均意见得分（MOS）的回归映射比较	NA