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
2401	2026-01-17	Impact of fine-grained learning rate configuration on the performance of medical image segmentation models 2026-Jan-14, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ae3830 PMID:41534111	研究论文	本文提出了一种细粒度学习率配置算法，用于提升医学图像分割模型的性能	首次系统研究了不同网络层次间差异化学习率初始化对医学图像分割性能的影响，并提出了一种基于早期训练结果与最终最优性能统计关系的通用配置算法	算法在更多模态和复杂解剖结构数据集上的泛化能力仍需进一步验证	探索细粒度学习率配置对医学图像分割模型性能的影响，并开发一种优化算法	医学图像分割模型	计算机视觉	结直肠息肉、胃肠道息肉、乳腺肿瘤、甲状腺结节、皮肤病变	深度学习	CNN	医学图像	使用了五个公开数据集：CVC-ClinicDB、Kvasir-SEG、BUSI、甲状腺结节分割数据集、皮肤病变分割数据集	未明确说明	H-vmunet, MSRUNet	mIoU	未明确说明
2402	2026-01-17	Short-TR Acquisition Time-of-flight MR Angiography with Deep Learning Reconstruction: Technical Feasibility and Initial Clinical Evaluation in Moyamoya Disease 2026-Jan-14, Magnetic resonance in medical sciences : MRMS : an official journal of Japan Society of Magnetic Resonance in Medicine IF:2.5Q2 DOI:10.2463/mrms.mp.2025-0139 PMID:41535020	研究论文	本研究开发并评估了短TR采集飞行时间磁共振血管成像技术，结合深度学习重建，在烟雾病中实现了扫描时间减少并保持图像质量	结合优化的短TR采集与深度学习重建，实现了扫描时间约50%的减少，同时保持或提升颅内动脉可视化图像质量	患者样本量较小（仅3例烟雾病患者），初步临床评估范围有限	开发并评估短TR采集飞行时间磁共振血管成像技术，以减少扫描时间并保持图像质量	健康志愿者（10名）和烟雾病患者（3名）的颅内动脉	医学影像	烟雾病	3D飞行时间磁共振血管成像，短TR采集，变密度泊松圆盘采样	深度学习	磁共振图像	10名健康志愿者和3名烟雾病患者	NA	展开式深度学习重建	信噪比，对比噪声比，图像质量评分	NA
2403	2026-01-17	Correction: Quality assessment of colour fundus and fluorescein angiography images using deep learning 2026-Jan-14, The British journal of ophthalmology DOI:10.1136/bjo-2022-321963corr1 PMID:41535099	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2404	2026-01-17	Deep learning-based restoration of PET images from a dual-panel breast dedicated scanner 2026-Jan-14, Zeitschrift fur medizinische Physik IF:2.4Q2 DOI:10.1016/j.zemedi.2026.01.001 PMID:41535178	研究论文	本研究利用深度学习技术，旨在提升专用双面板乳腺PET扫描仪的图像质量，使其接近全环扫描仪的性能	首次将SwinUNETR架构应用于从双面板PET数据合成全环等效图像，显著提升了图像质量指标	研究基于蒙特卡洛模拟和临床数据生成的仿真图像，尚未在真实双面板扫描仪采集的原始数据上进行验证	通过深度学习改善低成本双面板乳腺专用PET扫描仪的图像质量，以降低乳腺癌诊断和监测的成本	乳腺PET图像	数字病理学	乳腺癌	PET成像，蒙特卡洛模拟（GATE工具包）	深度学习	图像	51例¹⁸F-FDG乳腺PET/CT临床病例数据用于仿真	NA	SwinUNETR	结构相似性指数（SSIM），峰值信噪比（PSNR），均方根误差（RMSE），体素相关性	NA
2405	2026-01-17	A Novel Hybrid Model Based on GAN and Stacking for Improving Minority Class Detection in an Imbalanced Dataset of Endotracheal Tubes Position Errors 2026-Jan-14, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01840-9 PMID:41535602	研究论文	提出一种基于GAN和堆叠集成的新混合模型，用于改善气管插管位置错误不平衡数据集中少数类别的检测性能	采用两阶段方法：第一阶段通过GAN和过采样合成少数类特征以平衡数据集；第二阶段使用特征平衡数据集训练多分类器的堆叠集成模型	未明确说明模型在外部验证集上的泛化能力，且仅针对特定数据集进行验证	解决气管插管位置分类中因数据不平衡导致的少数类检测性能下降问题	基于胸部X光图像的气管插管位置异常检测	计算机视觉	呼吸系统疾病	胸部X光成像	GAN, 堆叠集成	图像	未明确说明具体样本数量，但提及使用公开ETT数据集且存在极端不平衡	未明确说明	未明确说明具体GAN架构	召回率, F1分数	通过特征级训练替代像素级训练显著降低计算成本，但未具体说明硬件配置
2406	2026-01-17	Unpacking Genomic Biomarkers for Programmed Cell Death Receptor-1 Immunotherapy Success in Non-Small Cell Lung Cancer Using Deep Neural Networks: Quantitative Study 2026-Jan-13, JMIR bioinformatics and biotechnology DOI:10.2196/70553 PMID:41529246	研究论文	本研究利用深度神经网络分析非小细胞肺癌患者的RNA-seq数据，以识别预测PD-1免疫疗法反应的基因组生物标志物	开发了DeepImmunoGene模型，通过特征选择减少基因集，并应用深度学习识别高预测性基因子集，在预测准确性和AUC方面优于传统机器学习方法	研究样本量相对有限（355名患者），且仅基于RNA-seq数据，可能未涵盖其他基因组或临床因素	识别预测非小细胞肺癌患者对PD-1免疫疗法反应的基因组生物标志物，以改善患者预后和治疗策略	非小细胞肺癌患者的RNA-seq数据	机器学习	肺癌	RNA-seq	DNN, SVM, XGBoost	基因表达数据	355名非小细胞肺癌患者	NA	DeepImmunoGene	准确率, AUC, 召回率	NA
2407	2026-01-17	Deep learning-based segmentation and density estimation of corneal nerves and dendritic cells from In Vivo confocal microscopy images 2026-Jan-13, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-34412-6 PMID:41530230	研究论文	本研究比较了手动评估与基于深度学习分割的自动评估方法在角膜神经纤维长度和树突状细胞密度测量上的表现	利用深度学习分割技术实现角膜神经和树突状细胞的自动分割与密度估计，替代传统手动评估方法	研究样本量相对有限（130名参与者），且仅针对特定人群（COVID-19后眼部症状者与无症状对照）	开发并验证一种自动化的角膜神经纤维长度和树突状细胞密度评估方法	角膜神经纤维和树突状细胞	计算机视觉	眼部疾病	活体共聚焦显微镜成像	深度学习分割模型	图像	130名参与者（100名有症状，30名无症状），共2600张IVCM图像	NA	NA	组间差异p值，置信区间	NA
2408	2026-01-17	ReaGP: integrating residual units and attention mechanisms in convolution neural network for genomic prediction 2026-Jan-13, Genetics, selection, evolution : GSE DOI:10.1186/s12711-025-01015-8 PMID:41530673	研究论文	提出了一种名为ReaGP的新型深度学习模型，通过整合残差单元和注意力机制来提升基因组预测的准确性	首次将残差单元和注意力机制结合到卷积神经网络中用于基因组预测，并引入频率编码的基因组数据以增强特征表示	未明确说明模型在极低遗传力性状或小样本数据集上的表现	开发一种高效的深度学习方法来提高基因组育种值（GEBVs）的预测精度	猪、奶牛、华西牛、小麦和水稻的基因组数据	机器学习	NA	基因组预测	CNN	基因组数据	三个动物数据集和两个植物数据集，涵盖15个性状	NA	整合残差单元和注意力机制的卷积神经网络	预测准确性	NA
2409	2026-01-17	DCDGNet: Dual-frequency cross-feature diffusion GAN for single fusion sonar image generation in exposed subsea pipeline inspection 2026-Jan-13, Marine pollution bulletin IF:5.3Q1 DOI:10.1016/j.marpolbul.2026.119289 PMID:41534269	研究论文	本文提出了一种用于生成海底裸露管道融合声纳图像的双频交叉特征扩散生成对抗网络（DCDGNet）	提出了一种能够从单张图像生成多样化样本的模型，通过频率分解避免空间建模伪影，并设计了三个关键模块进行全局语义融合、局部细节增强和多阶段特征扩散，同时引入了标签同步机制实现生成过程中的自动标注	未明确说明模型在极端环境条件或不同声纳设备配置下的泛化能力	解决海底裸露管道检测中融合声纳图像数据稀缺问题，提高检测精度	海底裸露管道	计算机视觉	NA	多波束回声测深仪（MBES）与侧扫声纳（SSS）融合技术	GAN, 扩散模型	融合声纳图像	NA	NA	DCDGNet, UNet++	Fréchet Inception Distance (FID), Kernel Inception Distance (KID), Inception Score (IS)	NA
2410	2026-01-17	Expanding the clinical utility of deep learning-based radiomics and machine learning for prognostic assessment in IDH-wildtype glioblastoma following maximal safe surgical resection 2026-Jan-13, International journal of surgery (London, England) DOI:10.1097/JS9.0000000000004661 PMID:41537390	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2411	2026-01-17	IFNg_DeepKG: A Novel Model for Identifying Interferon-Gamma-Inducing Epitopes Using Knowledge Graph RAG in Biomedical Applications 2026-Jan-12, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02248 PMID:41474270	研究论文	本文提出了一种名为IFNg_DeepKG的新型深度学习框架，用于准确识别干扰素-γ诱导表位，结合了预训练蛋白质语言模型、知识图谱检索增强生成和多尺度卷积神经网络	首次将知识图谱检索增强生成方法应用于干扰素-γ诱导表位识别，通过整合序列特征与生物上下文信息显著提升预测性能	未明确说明模型在更广泛物种或疾病类型上的泛化能力限制，也未讨论计算资源需求	开发一种计算模型以准确高效地识别干扰素-γ诱导表位，用于下一代疫苗和免疫疗法设计	干扰素-γ诱导表位，特别是与COVID-19和阿尔茨海默病相关的临床相关表位	计算免疫学	COVID-19, 阿尔茨海默病	蛋白质语言模型, 知识图谱, 检索增强生成	多尺度卷积神经网络	蛋白质序列, 生物上下文信息	人类和小鼠数据集（具体数量未明确说明）	NA	ESM2, MSCNN	AUC	NA
2412	2026-01-17	Mod-SE(2): a geometric deep learning framework for brain tumor classification and segmentation in MRI images 2026-Jan-12, Journal of biomedical science IF:9.0Q1 DOI:10.1186/s12929-025-01213-y PMID:41527065	研究论文	本文提出了一种名为Mod-SE(2)的几何深度学习框架，用于MRI图像中的脑肿瘤分类与分割	通过整合几何先验知识，引入保持对称性的群卷积和空间先验，直接编码旋转平移对称性到架构中，提升了模型对空间变异性和方向敏感性的鲁棒性	当前框架主要针对2D图像，未来需扩展到3D体积数据并验证临床就绪性	开发一个几何深度学习框架，以提升脑肿瘤在MRI图像中分类和分割的准确性与鲁棒性	脑肿瘤MRI图像	计算机视觉	脑肿瘤	MRI	CNN, 几何深度学习	图像	三个MRI数据集和两个其他医学图像数据集	NA	Mod-SE(2), U-Net, NN U-Net, VGG16, VGG19, ResNet	准确率, 精确率, Dice系数, IoU	NA
2413	2026-01-17	RLBindDeep: A ResNet-LSTM based novel framework for protein-ligand binding affinity prediction 2026-Jan-12, Journal of molecular graphics & modelling IF:2.7Q2 DOI:10.1016/j.jmgm.2026.109282 PMID:41534323	研究论文	本研究提出了一种名为RLBindDeep的新型深度学习框架，用于高精度预测蛋白质-配体结合亲和力	首次将ResNet与LSTM架构融合，构建了不依赖对接姿态的结合亲和力回归模型，无需执行分子对接或多姿态重评分	仅使用固定复合物结构进行预测，未考虑蛋白质-配体复合物的动态构象变化	提高计算药物发现中蛋白质-配体结合亲和力预测的准确性和鲁棒性	蛋白质-配体复合物	机器学习	NA	深度学习	CNN, LSTM	分子描述符和结构特征	CASF-2016基准数据集	NA	ResNet, LSTM	Pearson相关系数, Spearman相关系数, 均方根误差	NA
2414	2026-01-17	FG-DDI: Functional group-aware graph neural networks for drug-drug interaction prediction 2026-Jan-12, Journal of biomedical informatics IF:4.0Q2 DOI:10.1016/j.jbi.2026.104981 PMID:41534605	研究论文	本文提出了一种名为FG-DDI的图神经网络模型，通过显式注入功能基团的药物化学知识来改进药物-药物相互作用预测	创新点在于将功能基团先验知识以可训练的方式编码到图神经网络的消息传递中，增强了表示质量并提供了可解释的归因	未明确说明模型在处理噪声先验或大规模数据集时的具体限制	改进药物-药物相互作用预测，特别是在转导和归纳设置下	药物-药物相互作用	自然语言处理	NA	图神经网络	GNN	图数据	DrugBank数据集包含1706种药物和86种相互作用类型，TwoSides数据集包含过滤后的三元组	NA	双视图图神经网络	准确率, AUROC, 平均精确率, F1分数	NA
2415	2026-01-17	Automated segmentation of COVID-19 lesions in CT scans using attention U-net with hybrid loss functions 2026-Jan-11, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-26090-1 PMID:41521212	研究论文	本文提出了一种结合CLAHE预处理、注意力U-Net模型和混合损失函数的深度学习框架，用于自动分割CT扫描中的COVID-19病灶	将CLAHE预处理与注意力U-Net结合，并采用混合Dice-Tversky损失函数进行训练，同时应用可解释人工智能技术增强模型透明度	未提及模型在外部数据集上的泛化能力验证或临床部署的具体挑战	开发自动分割COVID-19肺炎病灶的深度学习工具，辅助疾病诊断和严重程度评估	COVID-19患者的CT扫描图像	数字病理学	COVID-19	CT扫描	深度学习	医学图像	公开COVID-19 CT数据集（具体数量未说明）	未明确说明	Attention U-Net	Dice分数, IoU, 准确率	未明确说明
2416	2026-01-17	YOFOR : You only focus on object regions for tiny object detection in aerial images 2026-Jan-10, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2026.108571 PMID:41538898	研究论文	本文提出了一种名为YOFOR的自适应局部感知增强网络，用于解决航空图像中微小物体检测的挑战	提出自适应局部感知模块、模糊增强模块和类别平衡模块，以无监督方式解决物体分布不均、背景干扰和长尾类别问题	未在摘要中明确提及	提高航空图像中微小物体检测的性能	航空图像中的物体检测	计算机视觉	NA	深度学习	CNN	图像	VisDrone、DOTA和AI-TOD数据集	NA	自适应局部感知增强网络	NA	NA
2417	2026-01-17	On the interpretability of machine and deep learning techniques for predicting CBR of stabilized soil containing agro-industrial wastes 2026-Jan-09, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-30501-8 PMID:41513694	研究论文	本研究利用机器学习和深度学习技术预测含有农业工业废料的稳定化土壤的加州承载比（CBR）	首次将多种MDL模型（包括LSTM）应用于预测稳定化土壤的CBR，并比较了两种输入变量方法，同时使用SHAP进行特征重要性分析	未明确提及样本大小或计算资源细节，可能限制模型泛化能力评估	探索农业和工业副产品作为土壤稳定剂的替代方案，并准确预测稳定化土壤的CBR	含有农业工业废料的稳定化土壤	机器学习	NA	NA	MARS, ANN, M5P-MT, XGBoost, LWP, LSTM	土壤工程参数数据	NA	Scikit-learn（用于SHAP和特征重要性分析）	LSTM, XGBoost, MARS, ANN, M5P-MT, LWP	MAE, RMSE, RSD, VAF, U95, R	NA
2418	2026-01-17	Materials Informatics: Emergence to Autonomous Discovery in the Age of AI 2026-Jan-08, Advanced materials (Deerfield Beach, Fla.) DOI:10.1002/adma.202515941 PMID:41504609	综述	本文回顾了材料信息学从概念起源到与人工智能融合的演变历程，并展望了其未来向自主发现发展的方向	将材料信息学定位为一个不断演化的研究生态系统，而非工具集合，并深入探讨了专用大型语言模型与通用模型在材料科学中的优劣，以及AI从预测工具向研究协作伙伴转变的潜力	作为一篇综述，本文未提出新的具体算法或模型，主要基于现有文献进行梳理和展望	梳理材料信息学的发展脉络，评估当前关键方法，并探讨人工智能驱动下材料自主发现的未来方向	材料信息学领域的方法论、技术演进及其在材料发现中的应用	机器学习	NA	机器学习，人工智能，深度学习	Transformer, 大型语言模型	材料科学数据（如性质、合成条件、结构信息等）	NA	NA	Transformer	NA	NA
2419	2026-01-17	CSRefiner: a lightweight framework for fine-tuning cell segmentation models with small datasets 2026-Jan-07, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaf718 PMID:41527855	研究论文	提出了一种轻量级框架CSRefiner，用于在小数据集上微调细胞分割模型，以提升全组织单细胞空间表达分析的精度	CSRefiner是一个轻量级且高效的微调框架，支持微调空间组学中广泛使用的分割模型，并在有限标注数据下实现高精度，具有操作简单和鲁棒性强的特点	未在摘要中明确说明	解决现有微调方法需要大量重新训练或局限于特定模型架构的问题，提升细胞分割模型在全组织分析中的一致性和适应性	细胞分割模型，特别是用于空间组学中核或膜染色图像的分割	数字病理学	NA	空间组学技术，核或膜染色图像	深度学习分割模型	图像	小数据集	NA	NA	准确性	NA
2420	2026-01-17	DeepRMSF: a deep learning-based automated approach for predicting atomic-level flexibility in RNA structure 2026-Jan-07, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaf720 PMID:41529119	研究论文	本文提出了一种基于深度学习的自动化方法DeepRMSF，用于从RNA三级结构预测原子级振动灵活性	首次开发了直接从RNA三级结构预测原子级振动灵活性的深度学习方法，相比传统分子动力学模拟实现了超过3000倍的加速	方法主要针对中等大小RNA（约75个核苷酸），在更大或更复杂RNA结构上的性能需要进一步验证	开发高效预测RNA构象动态性的计算方法，以理解RNA在生物过程中的功能	RNA分子的原子级振动灵活性	计算生物学	NA	分子动力学模拟，深度学习	深度学习模型	RNA三级结构数据，分子动力学模拟数据	371个非冗余RNA（311个用于五折交叉验证，60个作为独立测试集）	NA	NA	皮尔逊相关系数	NA