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
681	2026-04-05	From digital chest tomosynthesis to 3D CT 2026-Mar-13, Radiation protection dosimetry IF:0.8Q4 DOI:10.1093/rpd/ncaf162 PMID:41821455	研究论文	本研究提出了一种基于深度学习的框架，从数字胸部断层合成的小块投影数据重建矢状CT切片，以降低计算资源需求	通过将体素分割为空气、软组织或骨骼类别，而非预测连续的HU值，实现了更高效的低资源断层合成体积成像方法	方法在重建精细细节方面存在困难，目前尚不适合临床部署	开发一种计算效率更高的方法，从有限角度投影数据重建3D CT图像	数字胸部断层合成的投影数据	计算机视觉	NA	数字胸部断层合成	深度学习	图像	NA	NA	NA	一致性	NA
682	2026-04-05	Improving visibility of small anatomical details on low and ultra-low dose computed tomography with artificial intelligence-based image reconstructions 2026-Mar-13, Radiation protection dosimetry IF:0.8Q4 DOI:10.1093/rpd/ncaf171 PMID:41821465	研究论文	评估人工智能图像重建技术在不同辐射剂量水平下对胸部CT图像诊断质量的影响	首次在超低剂量CT中比较深度学习图像重建（DLIR-H）与传统重建方法（ASiR-V和FBP）对解剖细节可见度的提升效果	研究仅使用体模和离体肺标本，缺乏真实患者数据的验证	探究AI图像重建技术在低剂量CT中提升诊断图像质量的潜力	PBU-50人体模型和风干人体肺标本	医学影像分析	肺部疾病	CT扫描	深度学习图像重建	CT图像	1个体模和1个肺标本在6个剂量水平下扫描	NA	DLIR-H	解剖再现、噪声、伪影、诊断质量评分	NA
683	2026-04-05	A web-based deep learning cascade for automated detection and quantification of marginal bone loss 2026-Mar-07, BMC oral health IF:2.6Q1 DOI:10.1186/s12903-026-07962-y PMID:41792690	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
684	2026-04-05	DeepTESite: The Prediction of Protein Arginine Methylation Sites Using Amino Acids Sequence Symmetric Position Encodings Based on Transformer Encoder 2026 Mar-Apr, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3650228 PMID:41477806	研究论文	本文提出了一种基于Transformer编码器的DeepTESite模型，用于预测蛋白质精氨酸甲基化位点，通过引入氨基酸序列对称位置编码和双向多头注意力机制来提高预测准确性和计算效率	首次提出基于甲基化对称假说的氨基酸序列对称位置编码，以减少位置编码计算量，并应用双向多头注意力机制来提取序列和空间信息特征	未明确提及模型在更广泛蛋白质序列或不同甲基化类型上的泛化能力限制	预测蛋白质精氨酸甲基化位点，以揭示甲基化分子机制	蛋白质氨基酸序列	自然语言处理	NA	深度学习	Transformer	序列数据	NA	NA	Transformer编码器	准确率	NA
685	2026-04-05	Classification of Alzheimer's Disease by Modeling Brain Networks as Signed Networks Under Deep Learning Frameworks 2026 Mar-Apr, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2026.3655150 PMID:41553900	研究论文	本文提出了一种通过构建带符号的脑网络模型并利用带符号图神经网络技术来预测和分析阿尔茨海默病的新方法	将脑网络建模为包含正负相关性的带符号图，以更有效地捕捉脑区间的细微交互，并利用带符号图神经网络技术显著提升预测准确性	未明确提及研究的局限性	预测和分析阿尔茨海默病，提高其诊断准确性	阿尔茨海默病患者（通过脑网络数据建模）	机器学习	阿尔茨海默病	脑网络建模，带符号图神经网络	图卷积网络（GCN）及其变体	脑网络数据（建模为带符号图）	NA	NA	图卷积网络（GCN）及其变体	诊断精度（提升至少19%）	NA
686	2026-04-05	TransSE: A Transfer Learning-Based Predictive Model for Distinguishing Super Enhancers and Typical Enhancers 2026 Mar-Apr, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2026.3657361 PMID:41576119	研究论文	本研究提出了一种基于迁移学习的深度学习框架TransSE，用于从基因组序列中区分超级增强子和典型增强子	结合卷积和循环神经网络，并采用跨物种迁移学习策略，提升了预测准确性和跨物种泛化能力	未明确提及模型在更多物种或更复杂基因组区域上的性能限制	开发一种高精度、可跨物种泛化的计算模型来识别超级增强子	人类和小鼠的基因组序列中的超级增强子与典型增强子	生物信息学	NA	基因组序列分析	CNN, RNN	基因组序列数据	人类和小鼠数据集（具体数量未明确）	NA	结合卷积和循环神经网络的定制架构	AUC	NA
687	2026-04-05	Real-world diagnostic performance of knee MRI protocols accelerated using simultaneous multi-slice acquisition and deep learning reconstruction 2026-Mar, Skeletal radiology IF:1.9Q3 DOI:10.1007/s00256-025-05058-2 PMID:41109866	研究论文	评估使用同步多层采集和深度学习重建的加速膝关节MRI协议在检测内部紊乱损伤方面是否不劣于传统并行成像协议	结合同步多层采集和深度学习重建技术加速MRI扫描，并在真实世界临床环境中验证其诊断性能	部分指标未达到严格的非劣效性边界，研究为回顾性队列设计	评估加速膝关节MRI协议的诊断性能	接受膝关节MRI并随后进行关节镜检查的患者	医学影像分析	膝关节损伤	同步多层采集, 深度学习重建, 3T MRI, 二维涡轮自旋回波序列	深度学习重建模型	MRI图像	1055名患者	NA	NA	灵敏度, 特异性, 95%置信区间	NA
688	2026-04-05	AGEP_TWAS: A Deep Learning-Based Framework for Predicting Gene Expression Levels in Tissues 2026 Mar-Apr, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2026.3663364 PMID:41666075	研究论文	本文提出了一种基于深度学习的基因表达预测框架AGEP_TWAS，用于跨组织预测基因表达水平	利用密集连接网络、自适应激活函数和参数剪枝策略，通过核心基因预测其他基因的表达水平，解决了传统方法效率低且忽略缺失SNPs的问题	未明确提及模型在更广泛物种或复杂疾病中的泛化能力限制	开发一种高效准确的基因表达预测方法，以支持转录组范围关联研究	人类和牛的基因表达数据	机器学习	NA	基因表达预测	深度学习	基因表达数据	人类GEO表达数据集和CattleGTEx数据集	NA	密集连接网络	均方误差, 皮尔逊相关系数	NA
689	2026-04-05	Deep Temporal Sequence Classification and Mathematical Modeling for Cell Tracking in Dense 3D Microscopy Videos of Bacterial Biofilms 2026 Mar-Apr, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2026.3663936 PMID:41671139	研究论文	本文提出了一种名为DenseTrack的新型细胞追踪算法，结合深度学习与基于数学模型的策略，用于在密集3D显微镜视频中准确追踪细菌生物膜中的细胞	将细胞追踪问题重新定义为基于深度学习的时间序列分类任务，并引入基于特征值分解的细胞分裂检测策略，利用细胞几何知识提高追踪准确性	NA	开发一种能够在密集环境中准确追踪细胞并识别亲代-子代关系的方法	细菌生物膜中的密集包装细胞	计算机视觉	NA	3D延时显微成像，荧光成像	深度学习	3D时间序列图像，荧光图像序列	模拟和实验荧光图像序列	NA	NA	定性和定量评估指标	NA
690	2026-04-05	SCImputation: Mitigating Feature Confounding From a Structural Causal Perspective for Data Imputation 2026 Mar-Apr, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2026.3665199 PMID:41697814	研究论文	本文提出了一种基于结构因果视角的数据插补方法SCImputation，旨在通过优化邻居选择和利用后门调整公式来减轻目标特征带来的混淆效应	从结构因果视角分析数据插补问题，揭示了目标特征作为混淆因子的作用，并提出了一种结合实例级和特征级信息的邻居选择策略以及后门调整公式来减轻混淆	NA	解决数据缺失问题，提高数据插补的准确性和可靠性	缺失数据	机器学习	NA	数据插补	KNNimpute, LLSimpute	结构化数据（如微阵列数据、评估数据）	五个数据集（NACC、三个NCBI微阵列、Turkiye Student Evaluation）	NA	NA	准确率, RMSE	NA
691	2026-04-05	Deep_TPPred: Improved Prediction of Protein Toxicity Using Feature Fusion and Hybrid Neural Network Approach 2026 Mar-Apr, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2026.3656227 PMID:41557578	研究论文	本研究提出了一种名为Deep_TPPred的新型混合深度学习模型，通过融合卷积神经网络和循环神经网络，结合特征融合技术，用于准确预测蛋白质毒性	提出了一种结合CNN和RNN的混合深度学习模型，并采用特征融合技术整合多种蛋白质序列描述符，以捕捉复杂的序列关系，从而在蛋白质毒性预测上实现了最先进的性能	NA	提高蛋白质毒性预测的准确性，以支持药物发现、安全评估和毒理学研究	蛋白质序列	生物信息学	NA	深度学习	CNN, RNN	蛋白质序列数据	NA	NA	混合神经网络（CNN与RNN结合）	准确率, 特异性, 灵敏度, Kappa值, MCC值	NA
692	2026-04-05	Transformer-based deep learning model for real-time prediction of intraoperative hypotension using dynamic time-series vital signs: A retrospective study 2026-Mar, PLoS medicine IF:10.5Q1 DOI:10.1371/journal.pmed.1005024 PMID:41880331	研究论文	本研究开发了一种基于Transformer的深度学习模型，用于利用动态时间序列生命体征实时预测术中低血压，并通过回顾性数据验证其性能	首次将Transformer架构应用于实时术中低血压预测，使用常规可得的连续生命体征时间序列数据而非高分辨率波形数据，并进行了大规模多中心外部验证	研究设计为回顾性，需要前瞻性、多中心验证来确认模型的实时适用性和泛化能力	开发并验证一种能够实时预测术中低血压的深度学习模型，以改善手术期间的患者监护	手术患者	机器学习	心血管疾病	连续生命体征时间序列数据分析	Transformer, XGBoost	时间序列数据	训练集：319,699例手术病例（中国三级医院，2013-2023年）；外部验证集：来自韩国的独立数据集	NA	Transformer	AUC, 召回率, 准确率, 特异性, 预期校准误差	NA
693	2026-03-02	Explainable deep learning and radiomics integration for differentiating insulinomas from NF-PNETs in EUS imaging 2026-Feb-28, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-026-03388-2 PMID:41764459	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
694	2026-03-02	Deep learning prediction model based on multi-modal transvaginal ultrasound scan images for endometrial cancer 2026-Feb-28, Cancer imaging : the official publication of the International Cancer Imaging Society IF:3.5Q1 DOI:10.1186/s40644-026-01013-z PMID:41764582	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
695	2026-04-05	Attenuation correction of cardiac 82Rb pet using deep learning generated synthetic CT 2026-Feb-26, EJNMMI physics IF:3.0Q2 DOI:10.1186/s40658-026-00849-5 PMID:41746532	研究论文	本研究评估了使用深度学习从非衰减校正的Rb-PET图像生成合成CT（sCT）以进行心脏82Rb PET衰减校正的可行性	首次引入基于条件生成对抗网络（cGAN）和Attention U-Net生成器的深度学习方法，直接从非衰减校正的Rb-PET图像生成合成CT图像，用于衰减校正，以减少传统CT-AC中的错位和金属伪影	sCT在心脏区域存在轻微偏差（RME=4.2±7.8%），可能是由于sCT中软组织u-map的均匀高估所致，且结果基于视觉检查的个案分析	评估深度学习生成的合成CT在心脏82Rb PET衰减校正中的可行性和性能	心脏82Rb PET图像和对应的CT图像	医学影像分析	缺血性心脏病	PET/CT心肌灌注成像（MPI），Rubidium-82（Rb）正电子发射断层扫描	cGAN（条件生成对抗网络）	图像（PET和CT）	544次PET/CT MPI扫描	NA	Attention U-Net	SSIM, PSNR, MAE, ME, RME, RMAE, iTPD, LVEFR	NA
696	2026-04-05	Predicting concrete compressive strength using optimized deep learning and large language models 2026-Feb-26, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-41072-7 PMID:41748670	研究论文	本研究提出了一种结合iHow优化算法与时空图卷积网络的混合框架，用于预测混凝土抗压强度	引入iHow优化算法优化STGCN架构，并利用大语言模型进行数据预处理，提高了预测精度	需要更多样化的数据集和实际场景验证以评估其泛化能力和实际适用性	提高混凝土抗压强度的预测准确性，支持可持续建筑材料设计	混凝土混合物成分、外加剂和养护条件	机器学习	NA	大语言模型驱动的预处理流程	STGCN	结构化数据（混凝土成分、养护条件等）	公共数据集（具体数量未明确）	NA	时空图卷积网络	预测误差，相关系数	NA
697	2026-04-05	AI-based intelligent sensing detection of cybersecurity threats using multimodal sensor data in smart devices 2026-Feb-26, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-40614-3 PMID:41748759	研究论文	本文提出了一种基于深度学习的多模态感知架构，用于检测智能设备中由传感器数据引发的网络安全威胁	提出了一种新的混合CNN-RNN-Transformer架构，能够融合多模态传感器特征并考虑时空交互	未明确说明模型在极端或未知攻击场景下的泛化能力	开发一种能够实时检测智能设备中网络物理威胁的智能感知系统	智能设备中的多模态传感器数据（如加速度计、陀螺仪、麦克风、温度传感器）	机器学习	NA	深度学习	CNN, RNN, Transformer	多模态传感器数据	使用了一个手动标注的多模态数据集和两个公开基准数据集（CICIDS-2017和IoT-23）	未明确指定，可能为TensorFlow或PyTorch	混合CNN-RNN-Transformer架构	AUC, F1分数, 推理延迟	边缘硬件（具体类型未明确说明）
698	2026-04-05	An explainable deep learning framework for video violence detection using unsupervised keyframe selection and attention-based CNN 2026-Feb-26, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-40977-7 PMID:41748832	研究论文	提出了一种用于视频暴力检测的可解释深度学习框架，该框架集成了无监督关键帧选择、注意力机制和基于Grad-CAM++的可视化解释	将无监督关键帧选择、注意力驱动的特征学习和基于Grad-CAM++的可解释性集成到一个统一的框架中，以解决视频暴力检测中的冗余性、透明性和泛化性挑战	未明确提及，但可能包括对特定场景或数据分布的依赖性	开发一种智能、可解释且高效的视频暴力检测系统，适用于监控和公共安全场景	视频数据中的暴力行为	计算机视觉	NA	无监督关键帧选择，注意力机制，Grad-CAM++	CNN	视频	使用了五个基准数据集：RLVS, Hockey Fight, Violent Flow, ShanghaiTech, UCF-Crime	NA	CNN（具体架构未指定），但提及了注意力模块	准确率，F1分数，FPS（每秒帧数），内存使用量	NA
699	2026-04-05	TumorSageNet CNN hybrid architecture enables accurate detection of mango leaf pathologies 2026-Feb-25, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-40944-2 PMID:41741529	研究论文	本研究提出了一种基于深度学习的新型框架，用于芒果叶病理的分类，通过先进的卷积和混合神经网络架构实现高精度检测	提出了两种新架构：一个定制的CNN模型和一个结合了EfficientNet-B7、LSTM和注意力机制的混合模型，其中定制CNN模型在多项指标上达到了100%的性能	研究仅使用了来自孟加拉国Rajshahi地区的800张芒果叶图像，数据集规模和地理多样性可能有限	开发一个可扩展、可解释且高性能的解决方案，用于芒果种植中的实时病害监测，以应对全球粮食安全挑战	芒果叶	计算机视觉	植物病害	深度学习，数据增强，颜色空间变换	CNN, LSTM, 混合模型	图像	800张高分辨率芒果叶图像	NA	AlexNet, VGG16, VGG19, EfficientNet-B7, 定制CNN, 混合模型（EfficientNet-B7 + LSTM + 注意力机制）	准确率, 精确率, 召回率, F1分数	NA
700	2026-02-28	Soil microbiome prediction using traditional machine learning and deep learning models 2026-Feb-25, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-39537-w PMID:41741537	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA