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
521	2025-12-17	Self identity mapping 2026-Feb, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2025.108132 PMID:41077025	研究论文	提出了一种名为自身份映射（SIM）的数据内在正则化框架，通过逆映射机制增强表示学习，并实例化为ρSIM以降低计算复杂度	提出了一种模型无关、任务无关的即插即用正则化模块，通过重构输入来减少前向传播中的信息损失并促进更平滑的梯度流	NA	开发一种通用的正则化框架以增强深度学习的泛化能力并缓解过拟合	深度学习模型的正则化	机器学习	NA	NA	NA	图像, 音频, 时间序列	NA	NA	NA	NA	NA
522	2025-12-17	Spatial single-cell proteomics landscape decodes the tumor microenvironmental ecosystem of intrahepatic cholangiocarcinoma 2026-Jan-01, Hepatology (Baltimore, Md.) DOI:10.1097/HEP.0000000000001283 PMID:39999448	研究论文	本研究利用人工智能辅助的空间多组学技术，生成了肝内胆管癌的全面空间图谱，揭示了肿瘤微环境的空间特征与预后及免疫治疗的关系	首次结合多种空间多组学技术（如成像质谱流式、空间蛋白质组学、空间转录组学等）和深度学习系统，系统解析了肝内胆管癌肿瘤微环境的细胞空间拓扑结构，并识别出与预后相关的空间亚型	空间转录组学样本量较小（n=4），部分数据依赖公共数据库，可能影响结果的普遍性	生成肝内胆管癌的空间肿瘤微环境图谱，识别与预后和免疫治疗相关的空间特征	肝内胆管癌患者的肿瘤组织样本	数字病理学	肝内胆管癌	成像质谱流式、空间蛋白质组学、空间转录组学、多重免疫荧光、单细胞RNA测序、批量RNA测序、批量蛋白质组学	深度学习	图像、蛋白质组数据、转录组数据	超过106万个细胞，包括155个内部成像质谱流式样本、155个内部空间蛋白质组学样本、4个内部空间转录组学样本、20个内部多重免疫荧光样本、9个内部和34个公共单细胞RNA测序样本、244个公共批量RNA测序样本、110个内部和214个公共批量蛋白质组学样本	NA	NA	高准确度	NA
523	2025-12-17	Deep learning analysis of MRI accurately detects early-stage perihilar cholangiocarcinoma in patients with primary sclerosing cholangitis 2026-Jan-01, Hepatology (Baltimore, Md.) DOI:10.1097/HEP.0000000000001314 PMID:40112296	研究论文	本研究开发了一个基于3D DenseNet-121的深度学习模型，用于分析MRI图像以检测原发性硬化性胆管炎患者的早期肝门部胆管癌	首次将3D DenseNet-121深度学习模型应用于MRI图像分析，以检测原发性硬化性胆管炎患者的早期肝门部胆管癌，并在多中心国际队列中验证其性能优于专家放射科医生	研究为回顾性设计，可能受限于数据选择和潜在偏差；模型在无肿块情况下的特异性虽好但非完美	创建并验证一个深度学习模型，通过分析MRI图像来检测原发性硬化性胆管炎患者的早期肝门部胆管癌，并与专家放射科医生的诊断性能进行比较	患有大胆管原发性硬化性胆管炎的成年患者，包括训练队列150人和测试队列248人，其中肝门部胆管癌患者共230人	医学影像分析	肝门部胆管癌	对比增强MRI	深度学习	MRI图像	398名患者（训练队列150人，测试队列248人），其中肝门部胆管癌患者230人	NA	3D DenseNet-121	敏感性, 特异性, 受试者工作特征曲线下面积	NA
524	2025-12-17	Clinical Translation of Integrated PET-MRI for Neurodegenerative Disease 2026-Jan, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.70046 PMID:40679171	综述	本文综述了集成PET-MRI在神经退行性疾病临床实践中的转化应用，包括技术进展、临床益处及未来前景	总结了集成PET-MRI在神经退行性疾病中的最新技术革新，如基于MRI的衰减校正、运动校正方法以及深度学习在疾病分类和预测中的应用	NA	探讨集成PET-MRI在神经退行性疾病临床诊断和研究中的应用价值及技术发展	阿尔茨海默病及其他神经退行性疾病患者	数字病理学	神经退行性疾病	集成PET-MRI, MRI, PET	深度学习	图像	NA	NA	NA	NA	NA
525	2025-12-17	A Deep Learning-Based Fully Automated Cardiac MRI Segmentation Approach for Tetralogy of Fallot Patients 2026-Jan, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.70113 PMID:40916364	研究论文	本文评估了基于深度学习的模型用于法洛四联症患者心脏磁共振图像的左心室、右心室和左心室心肌的自动分割	采用MultiResUNet模型在混合数据集（包含法洛四联症和非法洛四联症病例）上训练，实现了对法洛四联症患者心脏结构的准确自动分割，并进行了内部和外部验证	研究为回顾性设计，样本量有限（特别是外部验证仅12例），且仅使用了一种成像序列	评估深度学习模型在法洛四联症患者心脏磁共振图像自动分割中的性能，以替代耗时且存在变异性的手动分割	427名患有不同心脏疾病的患者（包括122名法洛四联症患者和305名非法洛四联症患者）的心脏磁共振图像	数字病理学	心血管疾病	稳态自由进动电影序列	CNN	图像	427名患者（395名用于训练/验证，32名法洛四联症患者用于内部测试，12名外部法洛四联症患者用于泛化性评估）	NA	U-Net, Deep U-Net, MultiResUNet	Dice相似系数, 交并比, F1分数	NA
526	2025-09-11	Editorial for "A Deep Learning-Based Fully Automated Cardiac MRI Segmentation Approach for Tetralogy of Fallot Patients" 2026-Jan, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.70114 PMID:40928233	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
527	2025-12-17	Innovative Learning in Anatomy Education: Assessing the Impact of Low-Cost 3D Deep Learning Anatomical Models in Museum-Based Instruction 2026-Jan, 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3D深度学习解剖模型的虚拟解剖博物馆教学方法对医学生临床推理和解剖学理解的影响	将低成本的交互式3D模型与深度学习技术（PointNeXt和AnatoVision Block）结合，创建了一个虚拟解剖博物馆平台，用于增强医学生的临床相关性和空间定向能力	研究样本量较小（40名学生），且为概念验证性研究；技术困难报告率为25%；对照组采用传统授课加3D打印模型，与实验组的数字交互方法存在质性差异，并非直接比较	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	沙特阿拉伯国王哈立德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可视化	深度学习	3D模型、问卷数据	40名本科医学生（实验组20人，对照组20人）	NA	PointNeXt, AnatoVision Block	平均分、标准差、p值、百分比	NA
528	2025-12-17	Predicting Radiation Pneumonitis Integrating Clinical Information, Medical Text, and 2.5D Deep Learning Features in Lung Cancer 2026-Jan-01, International journal of radiation oncology, biology, physics DOI:10.1016/j.ijrobp.2025.07.1437 PMID:40844448	研究论文	本文构建了一个基于临床信息、医学文本和2.5D深度学习特征的肺癌患者放射性肺炎预测模型	提出了一种结合临床信息、医学文本和2.5D多实例学习特征的放射性肺炎预测模型，为预测放疗副作用提供了新思路	模型在不同测试队列中的最优模型类型存在差异，可能影响泛化能力	构建放射性肺炎的预测模型以评估放疗副作用	肺癌患者	数字病理学	肺癌	CT成像, 放射治疗剂量切片	深度学习模型	图像, 文本	594名患者（356名来自一个中心，238名来自三个其他中心）	NA	DenseNet121, DenseNet201, Twins-SVT	AUC	NA
529	2025-12-15	MediFlora-Net: Quantum-enhanced deep learning for precision medicinal plant identification 2026-Feb, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108674 PMID:40974619	研究论文	本研究提出了一种名为MediFlora-Net的新型深度学习模型，用于精确识别药用植物	结合了多模态深度学习、量子辅助特征提取和混合集成方法，并引入了量子启发的特征提取技术，利用量子概率特征映射和基于纠缠的表征来提取高阶植物学特征	NA	提高药用植物识别的准确性和灵活性，以支持生物多样性保护、民族植物学研究和药理学应用	药用植物	计算机视觉	NA	多模态深度学习，量子辅助特征提取	CNN, GAN, Transformer	图像（RGB，高光谱植物图像）	NA	NA	Vision Transformer (ViT), Convolutional Neural Networks (CNNs), Med-Plant-Generative Adversarial Networks (GANs)	NA	NA
530	2025-12-15	EnsembleRegNet: Interpretable deep learning for transcriptional network inference from single-cell RNA-seq 2026-Feb, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108702 PMID:41043336	研究论文	本文提出了一种名为EnsembleRegNet的深度学习框架，用于从单细胞RNA测序数据中推断基因调控网络	结合了集成编码器-解码器和多层感知机架构，并引入了Hodges-Lehmann估计器二值化、案例删除分析、RcisTarget基序富集和AUCell调控子活性评分，以增强鲁棒性和生物学可解释性	未明确提及	从高维单细胞RNA测序数据中准确推断基因调控网络结构	转录因子与靶基因关系	机器学习	NA	单细胞RNA测序	集成编码器-解码器, 多层感知机	单细胞RNA测序数据	模拟和真实单细胞RNA测序数据集	NA	EnsembleRegNet	聚类性能, 调控准确性	NA
531	2025-12-15	Microbiome-transcriptome-histology triad enhances survival risk stratification in multiple cancers 2026-Feb, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108703 PMID:41043335	研究论文	本研究提出了一个名为HMTsurv的多模态生存预测框架，通过整合数字组织病理学、宿主转录组学和肿瘤相关微生物组特征，以增强多种癌症的生存风险分层能力	首次将组织病理学、转录组学和微生物组特征整合到一个统一的多模态框架中，用于癌症生存预测，并识别了跨癌种的生存生物标志物	研究基于回顾性多组学数据集，临床实用性仍需前瞻性验证；模型在四种癌症中表现良好，但泛化到其他癌种的能力有待进一步评估	开发一个可泛化的多模态架构，用于癌症预后预测，并阐明生存的病理学、分子和生态学决定因素之间的复杂相互作用	结直肠癌、胃癌、肝细胞癌和乳腺癌患者的多组学数据	数字病理学	多种癌症	数字组织病理学、转录组学、微生物组分析	深度学习	图像、转录组数据、微生物组数据	来自四种主要恶性肿瘤的多组学数据集	NA	HMTsurv	c-index, log-rank p值	NA
532	2025-12-15	TK-DDI: Accurate and efficient drug-drug interaction prediction via token encoding 2026-Feb, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108734 PMID:41161125	研究论文	本文提出了一种基于分子标记化的深度学习框架TK-DDI，用于准确预测药物相互作用	通过分子标记化统一表示2D结构和3D构象信息，并采用两阶段注意力策略（分子内和分子间）来突出关键亚结构并融合药物对表示	未在摘要中明确说明	准确预测药物相互作用，以预防不良药物事件并确保患者安全	药物分子	机器学习	NA	分子标记化	Transformer	分子序列（2D结构和3D构象信息）	基准数据集（未指定具体数量）	NA	Transformer编码器	NA	NA
533	2025-12-15	Survey on phylogenetic tree construction using machine learning 2026-Feb, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108751 PMID:41172604	综述	本文综述了利用机器学习进行系统发育树构建的经典与机器学习方法，涵盖多序列比对和系统发育推断的算法、工具及评估指标	提供了系统发育分析流程的全面视觉总结，并整合了机器学习驱动的技术，特别关注了通过嵌入或端到端学习绕过传统比对的新方法	NA	综述机器学习在系统发育树构建中的应用，理解当前趋势并评估新兴技术如何重塑系统发育推断	系统发育分析中的多序列比对和系统发育推断方法	机器学习	NA	NA	NA	序列数据	NA	NA	NA	评估指标	NA
534	2025-12-15	Deep ensemble model with blockchain technology for lung cancer detection with secured data sharing 2026-Feb, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108729 PMID:41177067	研究论文	本文提出了一种结合区块链技术的深度集成模型，用于肺癌检测并实现安全的数据共享	提出了一种新型混合集成深度学习模型HCNN-ALSTM，结合了Autoencoder和LSTM进行特征提取，并采用改进的磷虾群算法MKHA进行参数优化，同时利用区块链智能合约确保数据共享的安全性和隐私性	未明确说明模型在跨机构数据异构性、计算资源需求或临床部署可行性方面的具体限制	开发一个安全高效的肺癌早期检测框架，提升诊断准确性并实现隐私保护的数据共享	CT扫描图像	计算机视觉	肺癌	CT扫描	CNN, Autoencoder, LSTM	图像	来自多个基准数据集的CT扫描数据（具体数量未明确）	未明确指定	HCNN-ALSTM（混合卷积神经网络结合自编码器和长短期记忆网络）	准确率, 特异性, 马修斯相关系数, Fowlkes-Mallows指数, Bookmaker Informedness, Markedness	未明确说明
535	2025-12-15	Discovery of Mangifera indica-based natural inhibitors against TEM-1 β-lactamase from Escherichia coli using machine learning approaches 2026-Feb, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108797 PMID:41297205	研究论文	本研究应用深度学习引导的流程，从芒果植物化学物中筛选出潜在的TEM-1 β-内酰胺酶抑制剂	首次将深度学习与分子对接、分子动力学模拟及密度泛函理论相结合，系统性地从芒果植物化学物中识别出新型β-内酰胺酶抑制剂，其结合性能优于现有临床抑制剂他唑巴坦和克拉维酸	研究主要基于计算模拟和体外数据，缺乏体内实验验证；筛选的化合物库仅限于芒果来源的植物化学物，可能遗漏其他天然来源的有效抑制剂	发现新型天然来源的β-内酰胺酶抑制剂以应对抗生素耐药性	大肠杆菌中的TEM-1 β-内酰胺酶及芒果植物化学物	机器学习	NA	深度学习, 分子对接, 分子动力学模拟, 密度泛函理论	神经网络	化学化合物数据	220个化合物用于训练神经网络，并从芒果植物化学物中筛选出25个顶级化合物	NA	NA	ROC-AUC, PR-AUC, Matthews相关系数, 富集因子	NA
536	2025-12-15	A systematic review on deep learning based brain tumor segmentation and detection using MRI: Past insights, present techniques and future trends 2026-Feb, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108696 PMID:41046785	综述	本文系统回顾了基于深度学习的MRI脑肿瘤分割与检测技术，涵盖历史洞察、当前方法和未来趋势	提供了深度学习模型在脑肿瘤分析中的详细时序分析，并强调了现有技术的优势、局限及研究空白	作为综述文章，未提出新的实验模型或数据，主要依赖现有文献的总结与分析	概述脑肿瘤分割与检测技术，分析深度学习模型在处理MRI数据中的应用与进展	脑肿瘤的MRI图像	计算机视觉	脑肿瘤	MRI	深度学习模型	图像	NA	NA	NA	NA	NA
537	2025-12-15	GAN-based novel feature selection approach with hybrid deep learning for heartbeat classification from ECG signal 2026-Feb, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108704 PMID:41046784	研究论文	本文提出了一种基于GAN和混合深度学习的ECG信号心跳分类新方法	结合GAN进行特征选择，并采用SExpHGS优化的DBN-VGG混合模型进行心跳分类	NA	开发一种最优的深度学习技术用于心跳分类	心电图信号中的心跳	机器学习	心血管疾病	ECG信号处理	GAN, DBN, VGG	信号	NA	NA	DBN-VGG	准确率, 灵敏度, 特异性	NA
538	2025-12-15	GDT-Net: Multi-level feature extraction network for precise diagnosis of atrial and ventricular fibrillation 2026-Feb, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108715 PMID:41086643	研究论文	提出了一种名为GDT-Net的神经网络，用于在复合噪声条件下对心房颤动和心室颤动进行稳健的心电图分类	设计了一种结合分组卷积、密集连接架构和Transformer编码器的多模块网络，专门针对复合噪声条件下的ECG信号分类，提高了诊断的鲁棒性	未明确提及，但可能包括对特定数据集（MIT-BIH）的依赖以及未在其他噪声类型或数据集上进行广泛验证	提高在复合噪声条件下对心房颤动和心室颤动的自动诊断准确性和鲁棒性	心电图信号	机器学习	心血管疾病	心电图分析	CNN, Transformer	时序信号	基于MIT-BIH数据集构建的六个子集（具体样本数未明确给出）	未明确提及	GDT-Net（包含G模块、D模块、T模块的自定义架构）	F1分数	未明确提及
539	2025-12-15	Ovarian cancer detection from mutual information-ranked clinical biomarkers using an explainable attention-based residual multilayer perceptron 2026-Feb, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108714 PMID:41086647	研究论文	本文开发了一种名为EA-ResMLP的自动化深度学习模型，用于卵巢癌检测，通过集成残差多层感知器、挤压-激励注意力块和可解释人工智能技术，以提高诊断准确性和可解释性	提出了一种结合残差连接、注意力机制和可解释人工智能的深度学习模型EA-ResMLP，通过自适应重校准强调信息丰富的特征，实现了比传统多层感知器更高的诊断准确性	未明确提及模型在外部验证集上的性能、计算资源需求或临床部署的可行性	优化工作流程效率并提高卵巢癌诊断的准确性	卵巢癌	机器学习	卵巢癌	NA	多层感知器	临床生物标志物数据	NA	NA	残差多层感知器, 挤压-激励注意力块	准确率	NA
540	2025-12-15	Optimized ensemble learning with multi-feature fusion for enhanced anti-inflammatory peptide prediction 2026-Feb, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108723 PMID:41086648	研究论文	本文提出了一种基于多特征融合和集成学习的优化方法，用于增强抗炎肽的预测性能	通过集成多种深度学习与传统机器学习分类器，并采用软投票策略，显著提升了抗炎肽预测的准确度，同时揭示了抗炎肽序列中带正电荷残基的富集特征	研究依赖于公开数据集，可能受数据质量和平衡性影响；特征选择和集成策略的泛化能力需进一步验证	开发一种高效的计算方法以预测抗炎肽，克服传统实验方法的高成本和低通量限制	抗炎肽序列及其特征	机器学习	NA	NA	LSTM, CNN, DNN, XGBoost, RF, AdaBoost, GBDT, LightGBM	序列数据	NA	NA	LSTM, CNN, DNN	NA	NA