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
1801	2026-01-26	Age-sensitive urban rail passenger demand forecasting and uncertainty-driven anomaly detection using a hybrid SAINT + CatBoost ensemble 2026-Jan-04, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-34849-9 PMID:41486208	研究论文	本研究提出了一种新颖的年龄敏感需求预测和异常检测框架，用于伊斯坦布尔城市轨道交通网络，通过集成SAINT Transformer和CatBoost的混合模型来优化预测性能	提出了一种两阶段混合集成架构，将SAINT Transformer的深度表征能力与CatBoost的分类鲁棒性相结合，并利用校准的不确定性元特征（熵和最大置信度）进行堆叠，实现了最先进的性能	研究数据仅限于伊斯坦布尔城市轨道交通网络2021年至2023年的乘客出行记录，模型在其他城市或交通系统的泛化能力未经验证	优化城市轨道交通容量和可靠性，通过年龄敏感的需求预测和异常检测支持智能交通规划	伊斯坦布尔城市轨道交通网络的乘客出行需求	机器学习	NA	NA	Transformer, 梯度提升决策树, 线性分类器	表格数据（乘客出行记录）	721,328条乘客出行记录	PyTorch（推测用于SAINT）, CatBoost	SAINT Transformer, CatBoost	准确率, ROC-AUC	NA
1802	2026-01-26	A causal deep learning approach to identifying metabolic signatures of cognitive and functional decline in alzheimer's disease 2026-Jan-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32793-2 PMID:41484308	研究论文	本研究结合因果推断与深度学习，识别阿尔茨海默病认知与功能衰退的代谢特征，并开发了FDG CogNet预测模型	首次将结构因果模型与基于注意力的深度学习模型相结合，以识别对认知和功能评分具有强因果影响的大脑区域，并利用这些区域构建可解释的预测模型	研究数据来源于单一数据库（ADNI），模型在外部数据集上的泛化能力有待验证，且研究为横断面分析，未能完全捕捉疾病进展的动态过程	理解阿尔茨海默病进展中特定脑网络紊乱与认知功能下降的关系，并开发早期诊断和预测工具	认知正常个体、轻度认知障碍患者和阿尔茨海默病患者	数字病理学	阿尔茨海默病	氟代脱氧葡萄糖正电子发射断层扫描	深度学习模型	图像, 临床数据	来自阿尔茨海默病神经影像学倡议数据库的认知正常个体、轻度认知障碍患者和阿尔茨海默病患者（具体数量未在摘要中说明）	NA	FDG-PET-based Cognition Prediction Network	R²	NA
1803	2026-01-26	Self-Driving Microscopes: AI Meets Super-Resolution Microscopy 2026-Jan, Small methods IF:10.7Q1 DOI:10.1002/smtd.202401757 PMID:39797467	综述	本文探讨了机器学习（特别是深度学习）与超分辨率显微镜结合的潜力，旨在实现显微镜的自动化成像任务	将深度学习与超分辨率显微镜结合，推动显微镜向自动化方向发展，以应对动态生物过程并减少人工干预	超分辨率显微镜的自动化仍处于起步阶段，面临适应动态生物过程和最小化人工干预的挑战	探索机器学习在超分辨率显微镜自动化中的应用潜力，以推动生物医学研究	超分辨率显微镜技术及其在生物医学成像中的应用	计算机视觉	NA	超分辨率显微镜	深度学习	图像	NA	NA	NA	NA	NA
1804	2026-01-26	Development and Validation of KCPREDICT: A Deep Learning Model for Early Detection of Coronary Artery Lesions in Kawasaki Disease Patients 2026-Jan, Pediatric cardiology IF:1.5Q2 DOI:10.1007/s00246-024-03762-9 PMID:39825907	研究论文	本研究开发并验证了名为KCPREDICT的深度学习模型，用于早期检测川崎病患者的冠状动脉病变	开发了首个结合患者基本信息、临床体征和实验室测量的24个特征的深度学习模型KCPREDICT，用于川崎病冠状动脉病变的早期检测	研究数据仅来自单一医疗中心（上海儿童医学中心），可能影响模型的泛化能力	开发人工智能算法以区分川崎病患者的冠状动脉病变，支持入院时的诊断决策	川崎病患者	机器学习	心血管疾病	深度学习	决策树	结构化临床数据	1474例川崎病病例	NA	决策树	准确率, 精确率, 召回率, F1分数, AUROC	NA
1805	2026-01-26	Network intrusion detection using a hybrid graph-based convolutional network and transformer architecture 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0340997 PMID:41564087	研究论文	本研究提出了一种结合图卷积层和Transformer编码器层的混合深度神经网络架构，用于网络入侵检测	提出了一种名为GConvTrans的混合模型，首次将图卷积网络与Transformer架构结合用于网络入侵检测，能够同时利用局部结构信息和全局上下文	模型性能依赖于高质量的攻击数据集，且在分布式云环境中捕获复杂动态模式的能力仍需改进	开发更有效的网络入侵检测系统以应对云环境中的复杂攻击	网络流量数据和网络入侵行为	机器学习	NA	NA	图卷积网络, Transformer	表格数据（网络流量数据）	使用CIC-IDS 2018数据集	NA	GConvTrans（图卷积层与Transformer编码器层的混合架构）	准确率	NA
1806	2026-01-26	Explainable depth-wise and channel-wise fusion models for multi-class skin lesion classification 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0340901 PMID:41570053	研究论文	本研究系统探索了深度特征融合方法，用于多类别皮肤病变分类，旨在提高模型的准确性和临床可解释性	设计了六种不同的融合模型，结合了深度和通道融合策略，并整合了Vision Transformers的全局上下文感知能力，通过可解释AI分析揭示了融合策略如何影响临床可解释性	研究仅基于HAM10000数据集，可能未涵盖所有皮肤病变类型或临床场景	开发高性能、临床可靠且透明的AI驱动诊断工具，用于皮肤病变分类	皮肤病变图像	计算机视觉	皮肤病变	深度学习	CNN, Vision Transformer	图像	HAM10000数据集的7个类别	NA	CNN, Vision Transformer	加权平均精确率, 召回率, F1分数	NA
1807	2026-01-26	Automated Mycobacterium tuberculosis Detection in Multivariant Digitized Ziehl-Neelsen Staining Using Faster R-CNN Method 2026, International journal of biomedical imaging IF:3.3Q2 DOI:10.1155/ijbi/6692222 PMID:41573264	研究论文	本研究开发了一种基于Faster R-CNN和ResNet-50的深度学习系统，用于自动检测Ziehl-Neelsen染色痰涂片中的结核分枝杆菌	采用Faster R-CNN结合ResNet-50架构，并应用多种数据增强技术（如随机旋转、翻转及颜色处理）来应对染色厚度变化导致的颜色强度不一致问题，实现了结核菌的自动化检测	未明确提及样本来源的多样性或外部验证结果，可能影响模型在更广泛场景下的泛化能力	开发一个自动化的结核分枝杆菌检测系统，以辅助医疗诊断	Ziehl-Neelsen染色痰涂片图像中的结核分枝杆菌	计算机视觉	结核病	Ziehl-Neelsen染色显微镜检查	Faster R-CNN	图像	未明确说明	TensorFlow	ResNet-50	准确率, 精确率, 召回率, F1分数	未明确说明
1808	2026-01-26	Pathological classification of non-ischaemic dilated cardiomyopathy based on deep learning 2026-Jan, European heart journal. Digital health DOI:10.1093/ehjdh/ztaf113 PMID:41574032	研究论文	本研究利用基于深度学习的计算病理学方法，对非缺血性扩张型心肌病进行病理分类，以识别恶性心律失常和快速进展至终末期心力衰竭的高风险患者亚组	首次将深度学习与无监督聚类结合应用于NIDCM的病理组织切片分析，实现了基于病理特征的自动患者分层，并揭示了与临床高风险相关的独特病理亚组	研究为概念验证性质，样本量相对有限（293例患者），且未在独立队列中进行外部验证，LMNA突变在各病理亚组中的分布无显著差异可能影响遗传因素的整合分析	通过病理特征对非缺血性扩张型心肌病患者进行分层，识别恶性心律失常和快速疾病进展的高风险亚组	非缺血性扩张型心肌病接受心脏移植患者的病理组织切片	数字病理学	心血管疾病	深度学习计算病理学	深度学习模型	病理组织切片图像	293例NIDCM-HTx患者，共3516张心脏组织切片（每位患者6个代表性部位）	NA	NA	P值（用于比较恶性心律失常发生率和诊断至移植时间间隔的统计学差异）	NA
1809	2026-01-26	A pipeline for developing deep learning prognostic prediction models in cardiac magnetic resonance image analysis 2026-Jan, European heart journal. Digital health DOI:10.1093/ehjdh/ztaf101 PMID:41574033	研究论文	本文提出了一种用于开发基于深度学习的预后预测模型的四步流程，专注于心脏磁共振图像分析	提出了一种专门针对心脏磁共振图像分析的深度学习预测模型开发流程，旨在改进心律失常风险预测	模型尚未在临床实践中广泛应用，需要进一步测试验证	开发深度学习预测模型以改进心脏磁共振图像分析中的预后预测，特别是心律失常风险	心脏磁共振图像，重点关注扩张型心肌病患者的心律失常事件预测	数字病理学	心血管疾病	心脏磁共振成像	深度学习模型	医学图像	NA	NA	NA	NA	NA
1810	2026-01-26	Automated estimation of computed tomography-derived left ventricular mass using sex-specific 12-lead ECG-based temporal convolutional network 2026-Jan, European heart journal. Digital health DOI:10.1093/ehjdh/ztaf122 PMID:41574037	研究论文	提出一种基于12导联心电图和深度学习的左心室质量自动估计方法eLVMass-Net	采用同步单心跳波形处理和时序卷积网络作为心电图编码器，并开发了性别特异性模型以提高左心室肥厚分类性能	研究样本主要来自特定数据集（TW-CVAI和NTUH），可能限制模型的泛化能力	开发一种基于心电图的左心室质量自动估计方法	左心室质量	机器学习	心血管疾病	冠状动脉计算机断层扫描血管造影	TCN	心电图信号、人口统计数据、心电图参数	训练集1459例（TW-CVAI数据集），外部验证集2579例（NTUH数据集）	NA	时序卷积网络	平均绝对误差, 平均绝对百分比误差, c统计量	NA
1811	2026-01-26	A fully automated explainable predictive model for diagnosing pre-capillary and post-capillary pulmonary hypertension on routine unenhanced CT: results from the ASPIRE registry 2026-Jan, European heart journal. Digital health DOI:10.1093/ehjdh/ztaf124 PMID:41574043	研究论文	本研究开发了一种全自动深度学习模型，用于从常规非增强CT图像中分割和分析心胸结构，以诊断肺动脉高压及其亚型	首次提出一种全自动可解释的预测模型，利用常规非增强CT图像进行多结构心胸分割，并用于诊断前毛细血管和后毛细血管肺动脉高压	模型在外部验证队列中表现良好，但样本量相对较小，且未提及模型在不同CT扫描仪或协议下的泛化能力	开发深度学习模型以从非增强CT图像中自动分割心胸结构，用于诊断肺动脉高压及其亚型	肺动脉高压患者，包括前毛细血管肺动脉高压和与左心疾病相关的肺动脉高压	数字病理学	心血管疾病	CT成像	深度学习模型	CT图像	机构队列55例（训练/验证/测试：35/9/11），外部队列50例（来自26家医院），诊断分析队列368例（训练/测试：254/114）	NA	NA	Dice相似系数, 组内相关系数, AUC, 敏感性, 特异性	NA
1812	2026-01-25	Machine Learning Approach Enables Highly Accurate Identification of At-Risk Metabolic Dysfunction-Associated Steatohepatitis 2026-Jan-23, Hepatology research : the official journal of the Japan Society of Hepatology IF:3.9Q1 DOI:10.1111/hepr.70125 PMID:41575840	研究论文	本研究开发了一种基于随机森林的机器学习模型，用于仅使用七个常规临床参数准确识别高危代谢功能障碍相关脂肪性肝炎	提出了一种无需肝脏硬度测量的简单机器学习模型，在识别高危MASH方面表现出高准确性，优于现有非侵入性方法	研究基于特定多中心队列，可能在不同人群或医疗环境中的普适性有限	开发一种无需肝脏硬度测量的机器学习模型，以准确识别高危代谢功能障碍相关脂肪性肝炎	884名经组织学确认的代谢功能障碍相关脂肪性肝病患者	机器学习	代谢功能障碍相关脂肪性肝炎	机器学习算法训练与验证	随机森林, 逻辑回归, 梯度提升, 支持向量机, 深度学习	临床参数（年龄、性别、BMI、血液学/生化参数、合并症）	884名患者（80%用于推导，20%用于验证）	NA	随机森林	AUROC	NA
1813	2026-01-25	Expression of Concern: Data Mining-Based Model for Computer-Aided Diagnosis of Autism and Gelotophobia: Mixed Methods Deep Learning Approach 2026-Jan-23, JMIR formative research IF:2.0Q4 DOI:10.2196/91833 PMID:41576282	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1814	2026-01-25	Enhancing knowledge graph recommendations through deep reinforcement learning 2026-Jan-23, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31109-8 PMID:41577729	研究论文	本文提出了一种基于知识图谱和深度强化学习的推荐框架RKGnet，旨在解决推荐系统中的冷启动和可解释性问题	结合知识图谱的结构优势与强化学习的自适应决策能力，动态迭代用户偏好并揭示用户的层次化潜在兴趣	NA	提高推荐系统的准确性和可解释性，解决冷启动问题	推荐系统中的用户和物品	机器学习	NA	深度强化学习	深度强化学习模型	知识图谱数据	NA	NA	RKGnet	准确性, 鲁棒性, 可解释性	NA
1815	2026-01-25	Hybrid deep learning framework MedFusionNet assists multilabel biomedical risk stratification from imaging and tabular data 2026-Jan-23, Communications medicine IF:5.4Q1 DOI:10.1038/s43856-025-01334-3 PMID:41577997	研究论文	提出一种结合单变量阈值与多变量建模的混合并行深度学习框架MedFusionNet，用于多标签医学图像分类和癌症风险分层	提出融合自注意力机制、密集连接和特征金字塔网络的混合并行架构，支持多模态数据融合，并引入单变量阈值预筛选特征以提升模型性能与可解释性	未明确说明模型在更广泛疾病类型或更大规模数据集上的泛化能力，且对计算资源需求未详细分析	开发一个鲁棒且可解释的多标签医学图像分类与癌症风险分层系统	医学图像（如胸部X光片）及对应的文本与临床元数据	计算机视觉	肺癌, 宫颈癌	深度学习	CNN, 自注意力机制	图像, 文本, 表格数据	多个数据集（包括NIH ChestX-ray14和自定义宫颈癌数据集），具体样本数量未明确	未明确指定	MedFusionNet（融合自注意力机制、密集连接、特征金字塔网络）	准确率, 鲁棒性, 可解释性	未明确说明
1816	2026-01-25	Detection and imaging of chemicals and hidden explosives using terahertz time-domain spectroscopy and deep learning 2026-Jan-22, Light, science & applications DOI:10.1038/s41377-026-02190-z PMID:41565620	研究论文	本研究提出了一种结合太赫兹时域光谱与深度学习的化学成像系统，用于准确检测和识别隐藏的化学品与爆炸物	首次将太赫兹时域光谱与深度学习结合，实现像素级化学物质识别，并利用等离子体纳米天线阵列增强系统性能，在复杂环境下保持高分类准确率	未明确提及系统在极端环境或更广泛材料类型下的性能限制	开发一种非侵入式、远距离的化学与爆炸物检测技术，以应对全球安全挑战	隐藏的化学品和爆炸物，包括药物辅料和爆炸化合物	计算机视觉	NA	太赫兹时域光谱	深度神经网络	光谱数据	八种化学品	NA	NA	分类准确率	NA
1817	2026-01-25	Corrigendum to 'Predictions of Response in Non-small Cell Lung Cancer Patients Treated with Immune Checkpoint Inhibitors Using Clinical Data, Deep Learning, and Radiomics' [Acad Radiol 33 (2026) 236-254] 2026-Jan-22, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2026.01.012 PMID:41577514	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1818	2026-01-25	DynamicGT: A dynamic-aware geometric transformer model to predict protein-binding interfaces in flexible and disordered regions 2026-Jan-21, Cell systems IF:9.0Q1 DOI:10.1016/j.cels.2025.101454 PMID:41435823	研究论文	本文提出了一种动态感知的几何Transformer模型（DynamicGT），用于预测蛋白质结合界面，特别是在无序和柔性区域	将构象动力学整合到协作图神经网络与几何Transformer中，通过动态调节核心与表面残基间的消息传递，增强了关键相互作用的检测	模型依赖于分子动力学模拟和AlphaFlow生成的构象数据，可能受限于数据质量和覆盖范围	提高蛋白质结合界面预测的准确性，特别是在无序和柔性区域	蛋白质-蛋白质相互作用，特别是无序、瞬态和未结合结构	机器学习	NA	分子动力学模拟，AlphaFlow生成的构象	图神经网络（GNN），Transformer	蛋白质结构数据，分子动力学模拟数据	基于1毫秒分子动力学模拟数据集，并增强AlphaFlow生成的构象	NA	协作图神经网络（Co-GNN），几何Transformer（GT）	预测准确性	NA
1819	2026-01-25	Zero-shot deep learning with multi-objective optimization improves thermostability of zearalenone hydrolase and xylanase 2026-Jan-19, New biotechnology IF:4.5Q1 DOI:10.1016/j.nbt.2026.01.009 PMID:41565015	研究论文	本研究通过结合序列和结构深度学习模型，利用零样本设计策略，成功提升了玉米赤霉烯酮水解酶和木聚糖酶的热稳定性，同时保持了高酶活性	提出了一种零样本深度学习与多目标优化相结合的策略，整合了序列模型（MSA Transformer）和结构模型（ABACUS-R），在无需大量实验的情况下，高效设计出同时提升热稳定性和保持活性的多位点突变体	研究仅以两种酶（RmZHD和木聚糖酶）作为模型系统进行验证，其普适性有待在更多酶类中进一步检验	开发一种高效设计兼具高热稳定性和高活性的工业用酶的方法	玉米赤霉烯酮水解酶（RmZHD）和木聚糖酶	机器学习	NA	深度学习模型，多目标优化，Markov Chain Monte Carlo采样	Transformer, 深度学习模型	蛋白质序列数据，蛋白质结构数据	NA	NA	ABACUS-R, ProGen2, MSA Transformer	热稳定性提升（ΔT），野生型活性保留百分比	NA
1820	2026-01-25	Construction of musculoskeletal quantitative model based on deep learning and study of musculoskeletal relationship in patients with osteoporosis 2026-Jan-18, Journal of advanced research IF:11.4Q1 DOI:10.1016/j.jare.2026.01.037 PMID:41558598	研究论文	本研究基于深度学习构建了用于骨质疏松患者腰椎CT和MRI的肌肉骨骼定量模型，并探索了肌肉骨骼关系	开发了基于U-Net的UNet3D模型，能同时分割CT上的L1-S1椎体和MRI上的椎旁肌/肌间隙，并在性能上超越了U-Net、U2-Net和Mask R-CNN	研究为回顾性分析，样本来自两个中心，可能存在选择偏倚；外部测试集样本量相对较小	开发用于骨质疏松筛查的深度学习肌肉骨骼定量模型，并研究骨质疏松患者的肌肉骨骼关系	骨质疏松患者的腰椎CT、MRI和DXA扫描图像	数字病理学	骨质疏松	CT, MRI, DXA扫描	CNN	图像	410名骨质疏松患者（平均年龄65±10岁，240名女性），包含76,700张CT轴位切片和6,210张T2 MRI轴位切片，分为训练集（266例）、验证集（76例）、内部测试集（38例）和外部测试集（30例）	未明确指定，但提及了U-Net、U2-Net、Mask R-CNN等模型	UNet3D, U-Net, U2-Net, Mask R-CNN	像素准确率（PA）、平均像素准确率（mPA）、平均交并比（mIoU）	NA