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
1901	2026-02-08	Deep learning-based imaging model to predict early hematoma enlargement and hospital mortality in spontaneous intracerebral hemorrhage 2026-Jan-28, World journal of radiology IF:1.4Q3 DOI:10.4329/wjr.v18.i1.115504 PMID:41640706	研究论文	本研究开发了一种基于深度学习的成像模型，用于预测自发性脑出血患者的早期血肿扩大和院内死亡率	结合手工放射组学特征和深度学习提取的特征，通过临床-放射学整合模型，提高了对脑出血患者早期血肿扩大和院内死亡率的预测性能	研究为回顾性设计，样本量相对较小（322例患者），且仅针对基底节区脑出血患者，可能限制了结果的普适性	评估和验证基于非增强CT的放射组学和深度学习特征对自发性脑出血患者早期血肿扩大和院内死亡率的预测能力	自发性脑出血患者，特别是基底节区出血的患者	数字病理学	脑出血	非增强CT成像	CNN, SVM	医学图像	322例患者（训练集225例，测试集97例）	NA	预训练的卷积神经网络	AUC, 准确率, 敏感性, 特异性	NA
1902	2026-01-21	Deep learning based prediction of RNA 5hmC modifications using composite feature representations and comparative benchmarking with transformer models 2026-Jan-19, BioData mining IF:4.0Q1 DOI:10.1186/s13040-025-00517-x PMID:41555424	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1903	2026-02-08	Optimization-driven steganographic system based on fused maps and blowfish encryption 2026-Jan-09, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-35556-9 PMID:41513810	研究论文	提出一种基于融合映射和Blowfish加密的优化驱动隐写系统，用于在数字图像中隐藏信息	结合融合映射嵌入与进化优化，引入自适应图像隐写，通过PSO优化嵌入位置选择与顺序，并使用优先级引导的LSB替换	未明确提及系统在极端图像条件或大规模数据集上的泛化能力	开发一种平衡不可感知性、容量和鲁棒性的安全图像隐写系统	数字图像（封面图像和秘密图像）	计算机视觉	NA	图像隐写术、加密技术	NA	图像	使用BOSSbase数据集作为封面图像，USC-SIPI数据集作为秘密图像	NA	NA	峰值信噪比（PSNR）、结构相似性指数（SSIM）、曲线下面积（AUC）、RS统计量	NA
1904	2026-02-08	Improving malware detection performance using hybrid deep representation learning with heuristic search algorithms 2026-Jan-08, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-35481-x PMID:41507326	研究论文	提出一种基于混合深度学习框架的恶意软件检测性能提升方法	结合卷积神经网络、双向长短期记忆网络和自注意力机制构建混合模型，并采用启发式搜索算法优化特征选择	仅基于Android恶意软件数据集进行验证，未涉及其他操作系统或更广泛的恶意软件类型	提升Android恶意软件检测的准确性和可扩展性	Android操作系统上的恶意软件应用	机器学习	NA	深度学习	CNN, BiLSTM, Self-Attention	恶意软件特征数据	Android恶意软件数据集（具体数量未明确）	NA	CBiLSTM-SA（卷积神经网络、双向长短期记忆网络、自注意力机制混合架构）	准确率	NA
1905	2026-02-08	Domain-adaptive faster R-CNN for non-PPE identification on construction sites from body-worn and general images 2026-Jan-07, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-35148-7 PMID:41501148	研究论文	本研究开发了一种基于域自适应的Faster R-CNN模型，用于在建筑工地上检测未佩戴个人防护装备的情况	提出了一种结合图像级和实例级对抗域分类器的域自适应Faster R-CNN框架，通过梯度反转层学习领域不变特征，利用通用上下文数据集缓解真实工地违规样本稀缺的问题	研究依赖于合成或替代的非PPE样本，真实工地违规实例仍然稀缺，模型性能可能受到领域差异的影响	提高建筑工地上个人防护装备合规性检测的准确性和鲁棒性	建筑工地工人未佩戴的五类个人防护装备：非头盔、非口罩、非手套、非背心、非安全鞋	计算机视觉	NA	深度学习，域自适应	Faster R-CNN	图像	使用完全标注的建筑工地数据集和通用上下文数据集，具体样本数量未明确说明	NA	ResNet-152, Faster R-CNN	平均精度均值	NA
1906	2026-02-08	A multi-scale dual-stream fusion network for high-accuracy sEMG-based gesture classification 2026-Jan-07, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-34909-0 PMID:41501380	研究论文	本文提出了一种用于高精度表面肌电信号手势分类的多尺度双流融合网络	提出了多尺度Mamba模块以提取多尺度时间特征并建模短期与长期依赖关系，以及双向注意力融合模块以动态融合时域和频域互补信息	NA	提升基于表面肌电信号的手势识别准确性和鲁棒性	表面肌电信号手势分类	机器学习	NA	表面肌电信号采集	深度学习框架	时间序列信号	NinaPro数据集（DB2、DB3、DB4子集）	NA	多尺度双流融合网络（MSDS-FusionNet），包含多尺度Mamba模块和双向注意力融合模块	准确率	NA
1907	2026-02-08	Understanding the impact of emotional engagement on learning outcomes in online education: an automated analysis approach 2026-Jan-07, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-34871-x PMID:41501519	研究论文	本研究开发了一种基于优化视觉Transformer和迁移学习的自动化方法，用于检测在线教育中的情感投入，并分析了情感投入对学习成果的影响	首次将优化的视觉Transformer模型与迁移学习相结合，用于自动化分析在线学习中的情感投入，并揭示了情感投入与学习成果之间的显著正相关关系	研究样本仅包括40名本科生，可能限制结果的普适性；仅使用面部数据进行情感投入分析，未考虑其他行为指标	探究情感投入对在线教育学习成果的影响，并开发自动化监测方法	在线教育中的学习者情感投入	计算机视觉	NA	面部数据采集与分析	Vision Transformer	图像	40名本科生，共71,185张标注图像	NA	Vision Transformer	分类准确率	NA
1908	2026-02-08	Social network analysis for crime prediction under social computing and deep learning technology 2026-Jan-06, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-34891-7 PMID:41491265	研究论文	提出一种基于账户关联的关键人物识别模型（KPI-AA），用于犯罪网络中的关键节点识别与行为预测	结合局部邻居相似性与全局边介数，并利用图神经网络对社交网络中的关键节点进行深度表征，以揭示复杂社会结构中的潜在组织核心和犯罪网络中的潜在扩散路径	NA	识别犯罪网络中的隐藏关键人物并预测犯罪行为，服务于社会安全治理与刑事侦查应用	犯罪网络、社交网络中的关键节点	社交计算、机器学习	NA	社交网络分析、图神经网络	GNN	网络图数据	Zachary网络、Harry Potter网络、Twitter数据集	NA	图神经网络	传播动力学（感染节点数）、网络鲁棒性（相对连通性）、排名一致性（Kendall's tau系数）、计算效率	NA
1909	2026-02-08	Knowledge graph-enhanced deep learning for pharmaceutical demand forecasting 2026-Jan-06, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-35113-4 PMID:41491846	研究论文	本文提出了一种结合知识图谱与深度学习的混合模型KG-GCN-LSTM，用于提高药品需求预测的准确性和鲁棒性	首次将药品知识图谱与深度学习技术结合，通过GCN提取相关药品特征，LSTM捕捉时序动态，以解决传统方法难以处理的非线性需求模式	未提及模型在更广泛数据集或不同医疗环境下的泛化能力，以及知识图谱构建的依赖性和可扩展性	提高药品需求预测的准确性，以优化医疗供应链管理	药品需求预测，基于药房销售数据和药品知识图谱	机器学习	NA	知识图谱构建，深度学习	GCN, LSTM	时序销售数据，知识图谱	未明确指定，但基于真实世界药房销售数据	未明确指定，可能为PyTorch或TensorFlow	GCN, LSTM	SMAPE	未明确指定
1910	2026-02-08	Multimodal graph, surface, and language-based model for protein protein interaction prediction 2026-Jan-06, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-34758-x PMID:41495146	研究论文	本文提出了一种名为GSMFormer-PPI的新型多模态框架，用于预测蛋白质-蛋白质相互作用，通过整合蛋白质分子表面特征、3D结构图和残基级序列嵌入来提高预测准确性	引入几何深度学习提取表面物理化学描述符，结合图卷积网络处理结构上下文，并采用带有线性投影器的Transformer编码器学习超越简单拼接的复杂跨模态交互	未明确说明模型在更大或更复杂数据集上的泛化能力，也未讨论计算效率或资源需求的具体限制	提高蛋白质-蛋白质相互作用预测的准确性，以理解生物过程和疾病机制	蛋白质-蛋白质相互作用	机器学习	NA	几何深度学习，图卷积网络，Transformer编码器	GCN, Transformer	蛋白质分子表面特征，3D结构图，残基级序列嵌入	基于策划的PINDER数据集进行评估，具体样本数量未明确	NA	MaSIF, GCN, Transformer	NA	NA
1911	2026-02-08	Innovative Learning in Anatomy Education: Assessing the Impact of Low-Cost 3D Deep Learning Anatomical Models in Museum-Based Instruction 2026-01, Journal of surgical education IF:2.6Q1 DOI:10.1016/j.jsurg.2025.103748 PMID:41187606	研究论文	本研究评估了基于低成本交互式3D模型和深度学习的虚拟解剖博物馆教学方法，在提升医学生临床推理和解剖学理解方面的有效性	将PointNeXt深度学习骨干网络与AnatoVision模块结合，构建了一个基于网络的虚拟解剖博物馆平台，为资源有限环境下的解剖学教育提供了一种低成本、可扩展的交互式补充方案	研究为非实验性观察性研究，样本量较小（40名本科生），且对照组与目标组的教学方法存在质性差异，无法进行直接比较；技术困难报告率为25%	评估虚拟解剖博物馆教学方法在提升医学生临床推理和解剖学熟练度方面的有效性	哈利德国王大学应用医学科学学士课程的40名本科医学生	数字病理	NA	虚拟解剖博物馆，交互式3D模型可视化	深度学习	3D模型，问卷数据	40名本科医学生（目标组20人，对照组20人）	NA	PointNeXt, AnatoVision Block	5点李克特量表评分，案例问卷评分（接受度、临床问题解决创造力、动机、知识获取、沟通技巧），p值	NA
1912	2026-02-08	Sequence to Location: Protein Subcellular Localization Driven by Deep Pretrained Language Model 2026 Jan-Feb, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3634612 PMID:41259184	研究论文	本研究提出了一种名为SubLoc的深度学习算法，用于预测蛋白质亚细胞定位，结合了蛋白质语言模型、图卷积网络和注意力机制	首次将深度预训练的蛋白质语言模型ProtT5与3D蛋白质结构图模型及双向门控循环单元结合，用于蛋白质亚细胞定位预测	仅针对10个亚细胞区室进行预测，未涵盖所有可能的细胞定位，且依赖于蛋白质序列和结构数据的可用性	开发一种高效、准确的蛋白质亚细胞定位预测方法，以替代传统耗时耗力的实验技术	蛋白质序列及其亚细胞定位	自然语言处理	NA	蛋白质语言模型，图卷积网络，注意力机制	ProtT5, 图卷积网络, 双向门控循环单元, 多头注意力机制	蛋白质序列，蛋白质结构图	NA	NA	ProtT5, 图卷积网络, 双向门控循环单元	精确度, 召回率, MCC平均值	NA
1913	2025-12-06	Deep Learning to Differentiate Parkinsonian Syndromes: From Proof of Concept to Clinical Trust 2026-Jan, Movement disorders : official journal of the Movement Disorder Society IF:7.4Q1 DOI:10.1002/mds.70139 PMID:41346225	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1914	2026-02-08	iDeep-Cancer: Predicting Cancer-Related circRNA-RBP Binding Sites Using a Hybrid Network Framework 2026 Jan-Feb, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3642248 PMID:41370173	研究论文	本文提出了一种名为iDeep-Cancer的混合网络框架，用于预测癌症相关的circRNA-RBP结合位点	结合改进的DenseNet、双向门控循环单元和自注意力机制，仅使用circRNA序列进行预测，克服了现有方法特征学习不足和可扩展性差的问题	NA	预测circRNA与RNA结合蛋白之间的相互作用位点，以促进人类疾病调控研究	circRNA序列及其与RNA结合蛋白的相互作用	自然语言处理	癌症	NA	CNN, LSTM	序列数据	NA	NA	DenseNet, BiGRU, Self-attention	NA	NA
1915	2025-12-31	Reply to: Deep Learning to Differentiate Parkinsonian Syndromes: From Proof of Concept to Clinical Trust 2026-Jan, Movement disorders : official journal of the Movement Disorder Society IF:7.4Q1 DOI:10.1002/mds.70136 PMID:41346228	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1916	2026-02-08	GEXPNET: A Novel Gene EXPression NETwork for Tumor Classification Using the ResNet-Based Deep Learning Approach 2026 Jan-Feb, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3637184 PMID:41385413	研究论文	本文提出了一种名为GexpNet的新型深度学习架构，用于从微阵列基因表达数据中准确分类癌症亚型	提出了一种集成动态多头残差块和自适应密集分类器的深度学习架构，并引入了包含中位数插补、分位数归一化和基于逻辑回归的监督特征选择的定制预处理流程	未明确说明模型在更大规模或更复杂数据集上的泛化能力，也未讨论计算效率或模型可解释性	开发一种用于癌症亚型分类的深度学习框架，解决高维性、类别不平衡和样本量有限等挑战	微阵列基因表达数据	机器学习	癌症	微阵列基因表达分析	CNN	基因表达数据	四个公开数据集（包括Mendeley数据集）	NA	ResNet	准确率, F1分数	NA
1917	2026-02-08	Deep Learning Reconstruction Enhances Lung Cancer CT Imaging 2026-Jan, Cureus DOI:10.7759/cureus.100762 PMID:41640929	研究论文	本文通过一个病例研究，展示了超高清CT结合深度学习重建技术在评估肺尖部肿瘤中的应用	将超高清CT与深度学习重建技术结合，显著减少了图像噪声和伪影，提高了对肺尖部肿瘤与邻近结构关系的评估能力	仅基于单个病例研究，样本量有限，需要更大规模的研究来验证其普遍适用性	评估深度学习重建技术在增强肺癌CT成像质量方面的效果	一位70岁男性患者的右肺上叶腺癌	数字病理学	肺癌	超高清CT扫描，深度学习重建	深度学习模型	CT图像	1例患者	NA	NA	图像质量改善，噪声和伪影减少	NA
1918	2026-02-07	Integrative Transcriptomic and Bioinformatics Approaches Combined With Transformer Models Identify Key Gene Networks in Atherosclerosis 2026-Jan-31, FASEB journal : official publication of the Federation of American Societies for Experimental Biology IF:4.4Q2 DOI:10.1096/fj.202503988R PMID:41524613	研究论文	本研究通过整合基于Transformer的深度学习与经典生物信息学及实验验证，识别了与人类动脉粥样硬化进展相关的关键基因网络	首次将TabTransformer模型与SHAP分析结合用于动脉粥样硬化基因表达数据，以识别关键基因并验证其生物学意义	研究仅基于一个数据集（GSE100927），样本量相对有限（104个样本），且实验验证仅在体外细胞模型中进行	识别与动脉粥样硬化进展相关的关键转录组介质，并探索其作为生物标志物或治疗靶点的潜力	人类动脉粥样硬化斑块基因表达数据及氧化低密度脂蛋白处理的人脐静脉内皮细胞	生物信息学	心血管疾病	转录组学分析，差异表达分析，网络拓扑分析，通路富集分析，体外细胞实验	Transformer	基因表达数据	104个样本（69个斑块，35个对照）	limma, STRING, Cytoscape	TabTransformer	AUC	NA
1919	2026-02-07	Attention-based deep learning for immunoglobulin typing from electrophoresis and laboratory data 2026-Jan-30, Clinica chimica acta; international journal of clinical chemistry DOI:10.1016/j.cca.2025.120735 PMID:41297746	研究论文	本研究开发了一种基于注意力的深度学习模型，用于结合血清蛋白电泳图像和实验室数据进行免疫球蛋白分型	首次提出结合Sebia毛细管免疫分型系统图像和临床实验室参数的多模态深度学习模型，并引入注意力机制增强模型可解释性	仅使用单一供应商（Sebia）的电泳系统数据，样本不平衡问题通过混合采样处理但可能仍存在偏差	开发自动化工具以辅助临床医生解释血清蛋白电泳免疫分型结果，减少人工解读的劳动强度和观察者间差异	来自Sebia毛细管免疫分型系统的电泳图像及相关的临床实验室参数（肌酐、钙、乳酸脱氢酶等）	数字病理	NA	毛细管电泳	深度学习	图像, 实验室数据	内部验证集未明确数量，外部验证使用200例独立队列病例	NA	注意力机制	准确率, Cohen's Kappa, F1分数, 召回率	NA
1920	2026-02-07	CLM-former for enhancing multi-horizon time series forecasting and load prediction in smart microgrids using a robust transformer-based model 2026-Jan-28, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-34870-y PMID:41606036	研究论文	本文提出了一种名为CLM-Former的新型混合深度学习架构，用于增强智能微电网中的多时间尺度时间序列预测和负荷预测	提出了一种结合时间序列分解、基于自相关的注意力机制以及专门设计的CLM-subNet子网络的混合架构，该子网络融合了卷积层和循环层，以同时捕获季节性依赖和高分辨率用电变化	未明确提及	提高智能电网（特别是住宅环境）中多时间尺度负荷预测的准确性和鲁棒性，以支持电网稳定、需求响应和分布式调度	智能电表的真实世界用电数据	机器学习	NA	NA	Transformer, CNN, RNN	时间序列数据	未明确提及具体数量	NA	CLM-Former, Autoformer	未明确提及具体指标	NA