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
8821	2026-01-18	Perturbations of whole-brain model reveal critical areas related to relapse of early psychosis 2026, Network neuroscience (Cambridge, Mass.) DOI:10.1162/NETN.a.502 PMID:41536425	研究论文	本文通过全脑建模结合解剖结构和功能MRI数据，研究了早期精神病复发相关的关键脑区	利用深度学习变分自编码器进行低维流形降维，结合模型扰动分析揭示与复发相关的脑区	样本量有限（196名参与者），且分类基于临床阶段，可能受主观因素影响	识别与早期精神病复发相关的关键脑区，以辅助治疗预测	196名参与者，包括不同精神病阶段的患者（首次发作、不完全缓解、缓解后复发等）	机器学习	精神病	MRI	VAE	图像	196名参与者	NA	变分自编码器	准确率	NA
8822	2026-01-18	Application and performance of deep learning models for the automated diagnosis of cervical central spinal stenosis on MRI: a systematic review 2026, Brain & spine DOI:10.1016/j.bas.2025.105902 PMID:41536514	系统综述	本文系统综述了深度学习模型在MRI上自动诊断颈椎中央椎管狭窄的应用与性能	首次系统性地评估了深度学习模型在自动诊断颈椎中央椎管狭窄方面的性能指标，并总结了当前研究的局限性和未来方向	纳入研究多为单中心回顾性研究，样本量小，外部验证稀缺，报告标准不一致，泛化能力不确定	评估人工智能模型在诊断颈椎中央椎管狭窄方面的性能指标	使用MRI诊断或分级颈椎中央椎管狭窄的人工智能模型研究	医学影像分析	颈椎中央椎管狭窄	MRI	CNN, Transformer	图像	NA	NA	ResNet-50, EfficientNet, Transformer	灵敏度, 特异度, AUC, 准确度	NA
8823	2026-01-18	Prediction of protein-protein interactions using point transformer and spherical Convex Hull graphs 2026, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2025.12.008 PMID:41536689	研究论文	本文提出了一种结合蛋白质表面点云与几何图的深度学习框架PT-PPI，用于预测蛋白质-蛋白质相互作用	引入了无超参数的球形凸包方法构建稀疏且连接良好的几何图，并结合点Transformer网络与序列嵌入，提升了模型对蛋白质空间关系的利用能力	未明确讨论模型的计算复杂度或对大规模数据集的可扩展性限制	实现蛋白质-蛋白质相互作用的准确预测和大规模识别，以理解其生物机制和功能	蛋白质-蛋白质相互作用	机器学习	NA	几何深度学习	Point Transformer, GCN, GAT	蛋白质表面点云、序列数据	基于PINDER数据集进行评估，具体样本数量未明确说明	PyTorch（推断，因提及Transformer架构）	Point Transformer	未明确列出具体指标，但通过与其他模型（D-SCRIPT, GCN, GAT, Struct2Graph, SpatialPPIv2）比较展示性能提升	NA
8824	2026-01-18	Comment on "Deep learning in CT-based organ-at-risk delineation for pediatric flank irradiation": Methodological and clinical considerations 2026-Jan, Clinical and translational radiation oncology IF:2.7Q2 DOI:10.1016/j.ctro.2025.101065 PMID:41536764	comments	本文是对Ding等人关于深度学习辅助儿童侧腹放疗危及器官勾画研究的评论，指出了其方法学和临床分析上的局限性	提出了针对深度学习在放疗勾画应用中的关键方法学改进方向，包括透明化标注标准、整合概率模型、纳入剂量学终点和真实世界评估	作为评论文章，本身不包含原始研究数据或实验验证	评估和批判现有深度学习在放疗计划中自动勾画研究的科学严谨性与临床适用性	深度学习辅助的儿童侧腹放疗危及器官勾画方法	digital pathology	pediatric cancer	NA	deep learning	CT images	NA	NA	NA	Dice, HD95	NA
8825	2026-01-18	The impact of heart rate on echocardiographic measures of left ventricular function: novel insights facilitated by deep learning 2026-Jan, European heart journal. Imaging methods and practice DOI:10.1093/ehjimp/qyaf163 PMID:41536930	研究论文	本研究利用心房起搏和深度学习技术，探讨了心率对左心室功能超声心动图测量指标的影响	首次结合心房起搏和透明多步骤深度学习方法来全面、自动化地分析心率对左心室功能测量指标的影响，实现了快速、准确且可重复的分析	研究样本仅包括50名植入永久起搏器的参与者，可能限制了结果的普遍性；未探讨心率变化对特定心脏疾病患者的影响	探索心率与左心室整体纵向应变、射血分数、舒张末期容积和收缩末期容积等超声心动图测量指标之间的关系	50名植入永久起搏器的参与者	数字病理学	心血管疾病	超声心动图，心房起搏	深度学习	图像（超声心动图10次心跳电影循环）	50名参与者，共分析了10161个心动周期	NA	NA	可行性（97%），处理时间（每个心动周期1.3秒）	NA
8826	2026-01-18	A prior-sampling conditional variational autoencoder for neuroimaging normative modelling: Benchmarking deep learning against statistical approaches 2026, Imaging neuroscience (Cambridge, Mass.) DOI:10.1162/IMAG.a.1098 PMID:41537055	研究论文	本文提出了一种基于先验采样条件变分自编码器的神经影像规范建模框架，用于处理高维脑成像数据并量化个体偏差	通过先验采样推理直接从协变量生成预测，改进了现有cVAE方法在概率预测可靠性方面的不足，同时保持了规范建模原则	研究主要基于UK Biobank数据，可能受限于特定人群和成像特征，未全面评估其他神经疾病或协变量的适用性	开发一种深度学习框架，用于神经影像规范建模，以量化个体脑结构测量相对于协变量的偏差	UK Biobank中的8,551名正常血压参与者和18,180名高血压参与者	神经影像分析	高血压相关脑损伤	神经影像衍生表型分析	条件变分自编码器	脑成像衍生特征	26,731名参与者	TensorFlow, PyTorch	条件变分自编码器	准确性, 敏感性, 偏差量化	GPU
8827	2026-01-18	Deep Learning-Enhanced High-Precision Wind Field Concurrent Triboelectric Sensing 2026-Jan, Advanced materials (Deerfield Beach, Fla.) DOI:10.1002/adma.202514540 PMID:41055251	研究论文	本文开发了一种结合深度学习的磁涡流摩擦电传感系统，用于高精度、实时的风场监测	将摩擦纳米发电机与涡激振动结构、磁增强弹性元件耦合，并采用深度学习模型从多通道信号中提取时频域特征，实现了高精度风速风向预测及恶劣环境下的鲁棒运行	NA	为环境监测和分布式气象预报提供可靠、实时的风场传感解决方案	风场（风速和风向）	机器学习	NA	摩擦电传感，涡激振动	Transformer	多通道电信号（时域和频域特征）	NA	NA	Regression Transformer (ReT)	风速最大误差（0.69 m/s），预测误差（低于5%），风向误差（1°以内）	NA
8828	2026-01-18	Artificial Intelligence as a Catalyst for Advancements in Medical Virology 2026-Jan-01, Clinical laboratory IF:0.7Q4 DOI:10.7754/Clin.Lab.2025.250474 PMID:41543085	评论	本文探讨了人工智能（包括机器学习和深度学习）在医学病毒学中的关键作用，及其在基因组分析、诊断、治疗和流行病学建模方面的应用	强调了AI与量子计算和蛋白质语言模型等先进技术的结合，预示着病毒学进步的新时代	存在数据隐私、算法偏见和伦理困境等挑战	促进跨学科合作，利用AI的变革能力应对病毒感染，同时保持严格的伦理监督	病毒性疾病的研究与治疗	机器学习	NA	NA	NA	NA	NA	NA	NA	NA	NA
8829	2026-01-18	Audio-visual speech enhancement in noisy environments using emotion-based contextual cues 2026-Jan-01, The Journal of the Acoustical Society of America IF:2.1Q1 DOI:10.1121/10.0042239 PMID:41543276	研究论文	本研究提出了一种基于情感上下文线索的音频-视觉语音增强系统，用于在嘈杂环境中提升语音清晰度	首次将情感特征作为新的上下文线索整合到音频-视觉语音增强框架中，通过面部关键点提取情感信息来改进语音增强性能	研究仅在特定数据集（CMU-MOSEI）上进行训练和评估，未在更广泛或更具挑战性的真实场景中进行验证	在嘈杂环境中提高语音的清晰度和可懂度	人类语音信号及其对应的视觉（面部）和情感信息	多模态机器学习	NA	音频-视觉信号处理，情感特征提取	深度学习，编码器-解码器网络	音频，视频，面部关键点	使用卡内基梅隆大学多模态观点情感和情绪强度数据集（CMU-MOSEI），该数据集包含多样化的带情感标注的音频-视觉录音	未明确指定，可能为PyTorch或TensorFlow	基于UNet的编码器-解码器网络	PESQ（语音质量感知评估），STOI（短时客观可懂度），S-SNR（尺度不变信噪比）	NA
8830	2026-01-17	Electroencephalography-Based Machine and Deep Learning Approaches for the Diagnosis of Dissociative Disorders: A Comprehensive Review 2026-Mar, Biological psychiatry global open science DOI:10.1016/j.bpsgos.2025.100654 PMID:41532081	综述	本文系统综述了基于脑电图（EEG）的机器学习和深度学习方法在分离性障碍（DDs）诊断与监测中的应用	全面评估了EEG结合ML/DL在DDs诊断中的有效性，识别了关键EEG生物标志物，并指出混合及原始特征深度学习方法的优越性能	面临数据稀缺、模型可解释性不足及泛化能力有限等挑战	评估EEG结合机器学习和深度学习在分离性障碍诊断与监测中的应用效果及未来方向	分离性障碍（包括分离性身份障碍和人格解体障碍）患者	机器学习	分离性障碍	脑电图（EEG）	支持向量机（SVM）、卷积神经网络（CNN）、循环神经网络（RNN）	EEG数据	NA	NA	CNN, RNN	分类准确率	NA
8831	2026-01-17	OCT-PRO: A Multimodal Model Integrating OCT and Clinical Traits to Predict Postoperative Outcomes in Cataract Patients 2026-Feb, Ophthalmology science IF:3.2Q1 DOI:10.1016/j.xops.2025.101013 PMID:41532137	研究论文	本研究开发并验证了OCT-PRO，一种整合OCT图像和临床特征的多模态机器学习模型，用于预测白内障患者术后视力结果	首次结合OCT图像和临床特征构建多模态模型预测白内障术后视力，相比传统方法和眼科医生具有更高准确性	研究为前瞻性队列设计，可能存在选择偏倚；外部验证仅在中国医院进行，需更多样化人群验证	开发预测白内障患者术后视力结果的多模态机器学习模型	白内障患者	计算机视觉	白内障	OCT成像, 激光干涉测量	深度学习	图像, 结构化元数据	2225只眼（来自1911名患者），其中1304名用于模型开发，607名用于外部测试	TensorFlow, PyTorch	InceptionResNetV2	平均绝对误差, 均方根误差	NA
8832	2026-01-17	Fully automated Res3DNet model to predict IDH mutation of gliomas from whole-brain MRI free of tumor segmentation 2026-Jan-16, iScience IF:4.6Q1 DOI:10.1016/j.isci.2025.114373 PMID:41531733	研究论文	本研究开发了一种全自动的Res3DNet模型，用于从无需肿瘤分割的全脑MRI中预测胶质瘤的IDH突变状态	提出了一种无需肿瘤分割的全自动Res3DNet模型，能够直接从全脑MRI预测IDH突变，并在多中心数据集上验证了其性能优于现有模型和放射科医生	研究未详细讨论模型在不同MRI扫描协议或设备间的泛化能力，且样本主要来自特定数据集，可能存在选择偏倚	预测胶质瘤患者的IDH突变状态，以辅助诊断、预后和治疗规划	胶质瘤患者的术前全脑MRI图像	数字病理学	胶质瘤	MRI	CNN	图像	2537例胶质瘤患者的术前MRI，包括训练集1382例、内部验证集346例和外部测试集809例（其中242例来自TCGA数据集）	NA	Res3DNet	AUC, 准确率	NA
8833	2026-01-17	Stratifying amyloid burden in early Alzheimer's disease using cascaded attention-guided vision transformer using [¹⁸F]Florbetapir PET 2026-Jan-15, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-12261-1 PMID:41537783	研究论文	本研究开发了一种级联注意力引导视觉变换器模型，用于从[¹⁸F]Florbetapir PET图像中准确分类阿尔茨海默病的β-淀粉样蛋白沉积阶段	提出了一种新颖的级联注意力引导视觉变换器框架，能够提取具有生物学意义的区域信息，实现细粒度分类，并验证了其在辅助医生诊断中的临床效用	研究样本来自两个队列，可能存在选择偏倚；模型在跨中心验证中表现良好，但需在更多样化的数据集中进一步验证	开发深度学习模型以辅助医生准确分类阿尔茨海默病早期β-淀粉样蛋白沉积阶段	阿尔茨海默病患者的[¹⁸F]Florbetapir PET图像	计算机视觉	阿尔茨海默病	[¹⁸F]Florbetapir PET成像	Vision Transformer	医学图像	1327名受试者，来自两个队列	NA	级联注意力引导视觉变换器	准确率	NA
8834	2026-01-17	Towards Enhanced Representation Learning for Single-Source Domain Generalization in LiDAR Semantic Segmentation 2026-Jan-15, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2026.3654352 PMID:41538344	研究论文	本文提出了一种用于LiDAR语义分割单源域泛化的表示学习方法DGLSS++，旨在通过增强表示学习提升模型在未见域上的鲁棒性	提出了广义掩码稀疏不变特征一致性（GMSIFC）和局部语义相关性一致性（LSCC）两种约束，并设计了新颖的掩码策略以排除多类不一致的体素特征	仅针对LiDAR传感器配置和场景分布变化导致的域偏移，未考虑其他类型的域差异（如天气、光照变化）	解决LiDAR语义分割中的单源域泛化问题，提升自动驾驶感知系统在未知环境下的鲁棒性	LiDAR点云数据	计算机视觉	NA	LiDAR传感器数据采集	3D深度学习模型	3D点云数据	基于四个真实世界数据集（具体数量未明确说明）	PyTorch	未明确指定具体架构（提及3D深度学习模型）	未明确说明具体指标（实验表明优于UDA和DG基线方法）	NA
8835	2026-01-17	DPM: A Deep Learning and Optimal Transport Framework for Cost-Effective Spatial Metabolomics 2026-Jan-15, Analytical chemistry IF:6.7Q1 DOI:10.1021/acs.analchem.5c06903 PMID:41538726	研究论文	本文提出了一种基于深度学习和最优传输理论的框架DPM，用于预测空间代谢组学中质谱成像数据的空间代谢物分布，以提高成本效益和分辨率	结合深度学习与最优传输理论，通过优化映射策略从相邻切片准确预测质谱成像切片的代谢物空间分布，并展示了提升成像分辨率的潜力	未明确说明模型在复杂组织或异质性样本中的泛化能力，以及计算资源需求的具体细节	开发一种成本效益高的空间代谢组学方法，以预测质谱成像中的代谢物空间分布	质谱成像（MSI）数据中的空间代谢物分布	空间代谢组学	NA	质谱成像（MSI）	深度学习模型	图像数据（质谱成像切片）	NA	NA	NA	对齐精度，预测准确性	NA
8836	2026-01-17	Application of deep learning to single-shot gas-phase laser-induced breakdown spectroscopy 2026-Jan-15, Optics letters IF:3.1Q2 DOI:10.1364/OL.583775 PMID:41538818	研究论文	本文应用贝叶斯优化的卷积神经网络（CNN）来解释单次飞秒激光诱导击穿光谱（LIBS）测量，以捕获脉冲功率聚变驱动器中纳秒尺度的电极解吸现象	首次将贝叶斯优化的CNN应用于低密度气体混合物中的单次LIBS测量，有效解析了信号重叠严重的复杂条件	研究仅针对特定气体压力范围（80-530 mTorr）和两种气体（H和CH）的混合物，未涉及更广泛的气体类型或压力条件	开发一种深度学习方法来解释单次LIBS测量，以监测脉冲功率聚变驱动器中的电极解吸现象	低密度气体混合物（H和CH）在特定压力下的单次LIBS光谱数据	机器学习	NA	激光诱导击穿光谱（LIBS）	CNN	光谱数据	256种不同的测量条件，气体压力范围为80-530 mTorr，H流量为100-250 sccm，CH流量为50-200 sccm，以10 sccm为增量混合	NA	卷积神经网络（CNN）	均方根误差（RMSE），平均相对预测误差	NA
8837	2026-01-17	Deep learning-assisted metalens imaging over a wide depth of field 2026-Jan-15, Optics letters IF:3.1Q2 DOI:10.1364/OL.580297 PMID:41538839	研究论文	本文提出了一种基于生成对抗网络的深度学习模型，用于恢复高数值孔径毫米级超透镜捕获的全彩图像，以增强其成像质量	开发了专门针对高数值孔径超透镜的生成对抗网络，实现了在超过17.5厘米景深范围内无需额外训练的图像质量提升	未提及模型在不同环境或光照条件下的泛化能力，以及计算资源需求的具体细节	解决超透镜在小型化成像系统中因高数值孔径导致的色散和分辨率下降问题	毫米级高数值孔径（0.447）超透镜捕获的全彩图像	计算机视觉	NA	深度学习辅助成像	GAN	图像	NA	NA	Metalens Depth-of-Field Generative Adversarial Network	峰值信噪比, 感知损失	NA
8838	2026-01-17	PIPN: Physics-inspired phase retrieval network for propagation-based X-ray phase-contrast imaging 2026-Jan-15, Optics letters IF:3.1Q2 DOI:10.1364/OL.581596 PMID:41538865	研究论文	提出了一种基于物理启发的相位恢复网络（PIPN）及其加速策略，用于传播式X射线相位对比成像，无需训练数据即可实现高质量相位恢复	结合单一近似条件和物理成像模型，无需训练数据即可实现相位恢复，并引入了加速策略以提高重建效率	未提及实验中的具体样本数量或广泛的外部验证	解决传播式X射线相位对比成像中的单距离相位恢复问题	软组织的X射线相位对比成像数据	计算机视觉	NA	传播式X射线相位对比成像（PB-XPCI）	深度学习网络	图像	NA	NA	物理启发相位恢复网络（PIPN）	NA	NA
8839	2026-01-17	TCR representation learning with protein language models: a comprehensive review 2026-Jan-14, International immunology IF:4.8Q2 DOI:10.1093/intimm/dxaf048 PMID:40855636	综述	本文综述了蛋白质语言模型在T细胞受体（TCR）库分析中的应用，重点关注其如何利用自然语言处理技术从TCR序列中学习表示，并探讨了抗原特异性预测等关键应用	系统总结了蛋白质语言模型在TCR库分析中的最新进展，强调了其通过迁移学习从大规模无标记数据中捕获上下文特征的优势，并提出了未来多模态整合的发展方向	TCR库分析仍面临数据稀缺、偏差以及缺乏配对链信息等挑战，需要更严格的数据集优化和增强策略	综述蛋白质语言模型在TCR库分析中的应用，以提升TCR功能属性的预测能力	T细胞受体（TCR）库及其序列数据	自然语言处理	NA	蛋白质语言模型	NA	蛋白质序列	NA	NA	NA	NA	NA
8840	2026-01-17	Medical Microwave Imaging Using Physics-Guided Deep Learning Part 2: The Inverse Solver 2026-Jan-14, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2026.3653974 PMID:41533603	研究论文	提出一种基于物理引导深度学习的医学微波成像逆求解方法，以改进异常组织检测	提出一种受扭曲Born迭代方法启发的深度神经网络，避免使用格林函数，并通过混合损失函数和序列迭代网络块准确重建被健康组织信号掩盖的异常组织	未明确说明计算资源需求或模型泛化能力限制	解决医学微波断层扫描中逆问题的不适定性和高计算成本，提高异常组织检测精度	医学微波成像中的异常组织（如肿瘤）	医学成像	NA	微波成像	深度神经网络	微波信号数据	NA	NA	基于扭曲Born迭代方法的神经网络块序列	相对误差, 结构相似性指数, Dice相似系数, Hausdorff距离	NA