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
11201	2026-01-23	Radiomics in non-oncologic musculoskeletal diseases: from pixels to practice 2026-Jan, Clinical radiology IF:2.1Q2 DOI:10.1016/j.crad.2025.107106 PMID:41162310	综述	本文综述了放射组学在非肿瘤性肌肉骨骼疾病中的应用，从基本原理到临床实践	将放射组学从肿瘤学领域扩展到非肿瘤性肌肉骨骼疾病，并强调了标准化和可重复性在临床整合中的重要性	成像协议、分割和特征提取的标准化和可重复性不足，限制了更广泛的临床整合	概述放射组学在非肿瘤性肌肉骨骼疾病中的应用原理、工作流程和挑战	非肿瘤性肌肉骨骼疾病，包括骨质疏松症、骨关节炎、风湿性疾病、神经病理学和创伤相关损伤	医学影像分析	肌肉骨骼疾病	放射组学	NA	放射学图像	NA	NA	NA	NA	NA
11202	2026-01-23	Severity prediction in patients with oedema in cerebral contusion using deep learning from computed tomography scans 2026-Jan, Clinical radiology IF:2.1Q2 DOI:10.1016/j.crad.2025.107113 PMID:41240817	研究论文	本研究开发了一种结合深度学习的模型，用于评估脑挫伤水肿的严重程度	提出了一种结合血肿和水肿的深度学习模型（水肿指数，EI），用于预测脑挫伤水肿的严重程度，并展示了其与现有CT分类系统结合能提高预测性能	研究样本量相对较小（高风险组56例，低风险组66例），且仅基于单一机构的CT扫描数据，可能限制模型的泛化能力	开发一种深度学习模型来预测脑挫伤水肿的严重程度	脑挫伤水肿患者	计算机视觉	脑挫伤	CT扫描	深度学习模型	CT图像	脑挫伤水肿患者共122例（高风险组56例，低风险组66例），另用于血肿体积量化的创伤性脑出血患者141例	NA	NA	AUC（曲线下面积），体积百分比误差	NA
11203	2026-01-23	Radiomics in clinical radiology: advances, challenges, and future directions 2026-Jan, Clinical radiology IF:2.1Q2 DOI:10.1016/j.crad.2025.107165 PMID:41360019	综述	本文综述了放射组学在临床放射学中的进展、挑战与未来方向，重点探讨了其与人工智能（特别是大语言模型和代理AI模型）的融合	聚焦于放射组学与新兴AI技术（大语言模型、代理AI模型）的融合，并系统讨论了标准化、验证框架和多中心研究等关键问题	作为一篇综述文章，其局限性在于主要基于现有文献进行总结和分析，未提出新的原始数据或模型	总结放射组学的发展现状，突出当前挑战，并为放射组学在临床实践中的广泛应用提出未来方向	放射组学相关研究文献，特别是关注验证框架、标准化、深度学习、大语言模型、多中心研究和代理流程库的研究	医学影像分析	NA	放射组学（高通量定量图像特征提取）	深度学习, 大语言模型, 代理AI模型	医学影像	NA	NA	NA	诊断准确性, 预后性能, 可重复性	NA
11204	2026-01-23	Radiomics of hepatopancreatobiliary cancer diagnosis, management, and future prospects 2026-Jan, Clinical radiology IF:2.1Q2 DOI:10.1016/j.crad.2025.107167 PMID:41365695	综述	本文综述了影像组学在肝胆胰癌症诊断、管理和未来前景中的应用	展示了影像组学作为非侵入性肿瘤异质性标记物的潜力，并探讨了其与基因组学、代谢组学和免疫学数据的整合，以开发高预测性集成模型	需要进一步评估最佳成像策略、图像标准化以及在多样化患者群体中的前瞻性验证，才能广泛用于常规临床实践	探讨影像组学在改善肝胆胰癌症诊断和管理中的应用潜力	肝胆胰癌症，包括肝细胞癌、胰腺癌和胆管癌	医学影像分析	肝胆胰癌症	影像组学	深度学习, 机器学习	影像数据	NA	NA	NA	NA	NA
11205	2026-01-23	Artificial intelligence in oncological positron emission tomography: advancing image analysis and interpretation 2026-Jan, Clinical radiology IF:2.1Q2 DOI:10.1016/j.crad.2025.107187 PMID:41401681	综述	本文综述了人工智能在肿瘤学正电子发射断层扫描中的应用，重点讨论了其在改善图像质量和定量分析方面的进展与挑战	强调了AI在提升PET图像诊断准确性和预后建模中的价值，并指出了未来发展方向如多模态集成、联邦学习和概率深度学习	面临图像数据标准化、可解释性方法开发及监管框架建立等挑战，临床实践应用仍需克服这些障碍	探讨人工智能在肿瘤学PET成像中的应用，以优化临床管理和个体化治疗	肿瘤患者的正电子发射断层扫描图像	医学影像分析	癌症	正电子发射断层扫描	深度学习	图像	NA	NA	NA	诊断准确性	NA
11206	2026-01-23	Clinical value of deep learning image reconstruction in chest computed tomography (CT) imaging: a systematic review 2026-Jan, Clinical radiology IF:2.1Q2 DOI:10.1016/j.crad.2025.107184 PMID:41411962	系统综述	本文系统综述了深度学习图像重建（DLIR）在胸部CT成像中的临床诊断价值，并与传统重建方法进行比较	首次系统评估DLIR在胸部CT中的诊断性能，并量化其在结节检测、纹理分析和间质性肺病分类方面的优势	纳入研究存在异质性，缺乏大规模临床结局数据，需要更多研究验证对患者预后的影响	评估DLIR在胸部CT成像中的临床诊断价值	胸部CT图像及人类参与者	医学影像分析	肺部疾病	CT成像	深度学习图像重建（DLIR）	CT图像	13项研究（来自1967条记录）	NA	NA	敏感性, AUC, Cohen's κ	NA
11207	2026-01-23	Uncertainty-aware genomic deep learning with knowledge distillation 2026, NPJ artificial intelligence DOI:10.1038/s44387-025-00053-3 PMID:41523993	研究论文	提出一种名为DEGU的方法，通过集成学习和知识蒸馏提升基因组学中深度神经网络预测的鲁棒性和可解释性	结合集成学习与知识蒸馏，同时捕捉预测平均值和变异性以量化认知不确定性，并可选择性地建模数据不确定性	未明确说明方法在计算资源消耗或特定基因组任务中的潜在限制	提高基因组学中深度神经网络预测的可靠性和可解释性	调控基因组学中的功能基因组预测任务	机器学习	NA	NA	DNN	基因组序列数据	NA	NA	NA	校准不确定性估计, 覆盖率保证	NA
11208	2026-01-23	Integrating Ant Colony Optimization with Deep Learning for Improved Lung Cancer Diagnosis and Prognosis 2026-Jan-01, Asian Pacific journal of cancer prevention : APJCP DOI:10.31557/APJCP.2026.27.1.129 PMID:41569180	研究论文	本研究提出了一种结合蚁群优化算法与深度学习的集成方法，用于提高肺癌诊断和预后的准确性与可靠性	创新性地将蚁群优化算法与多种深度学习模型（DenseNet、ResNet 50、VGG 19、LSTM）集成，用于特征选择优化，显著提升了模型性能	NA	提高肺癌诊断的准确性和可靠性，为AI驱动的医疗解决方案奠定基础	肺癌	计算机视觉	肺癌	CT扫描	CNN, LSTM	图像, 文本	NA	NA	DenseNet, ResNet 50, VGG 19, LSTM	准确率	NA
11209	2026-01-22	Deep Learning Photo Processing for Periodontitis Screening 2026-Feb, Journal of dental research IF:5.7Q1 DOI:10.1177/00220345251347508 PMID:40650464	研究论文	本研究开发了一种基于深度学习的口腔图像处理模型，用于牙周炎筛查	采用全局激活池化的多实例深度学习模型，无需图像标注地标，仅基于口腔正面视图图像即可准确识别II至IV期牙周炎，且模型关注的兴趣区域与牙周病专家高度一致	需要更多的开发和验证以将该方法推广为全球多人群的筛查工具	测试口腔图像中的诊断信息能否辅助深度学习算法检测牙周炎病例	在上海第九人民医院就诊的连续受试者及其口腔数字孪生图像	计算机视觉	牙周炎	深度学习图像处理	深度学习模型	图像	内部开发与测试387名受试者，外部测试183名受试者	NA	ResNet50	AUROC, 敏感性, 特异性	NA
11210	2026-01-22	AI-Driven Fall Prediction across Generations: Integrating Deep Learning and Machine Learning for Young, Middle-Aged, and Older Adults 2026, Gerontology IF:3.1Q3 DOI:10.1159/000549410 PMID:41196832	研究论文	本研究开发并比较了多种机器学习和深度学习模型，用于预测不同年龄段成年人的跌倒风险，并识别关键预测特征	首次将深度学习模型（特别是AGRU）应用于跨世代（年轻、中年、老年）的跌倒风险预测，并通过年龄分层分析揭示了年龄特异性的风险因素	模型在独立数据集上的外部验证仅显示中等泛化能力，且需要更大、更多样化的数据集以及整合时序或传感器数据进行实际应用验证	开发和比较不同的ML/DL模型，以预测跌倒风险并识别跨年龄组的关键预测特征	1441名台湾南部社区居住的20岁以上成年人，包括有和无跌倒史的参与者	机器学习	老年疾病	NA	机器学习, 深度学习	人口统计学、临床和身体性能数据	1441名社区居住成年人	NA	KNN, RF, GBDT, XGBoost, CatBoost, GRU, AGRU	准确率, 精确率, 召回率, F1分数, AUROC	NA
11211	2026-01-21	DeepHFFT-m7G: A dual-channel self-attention and hybrid feature fusion framework for RNA m7G modification identification 2026-Apr, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108812 PMID:41314160	研究论文	本文提出了一种名为DeepHFFT-m7G的新方法，用于高效识别RNA序列中的m7G甲基化位点	提出了基于混合特征融合和双通道自注意力网络的新框架，结合了多分支CNN进行局部特征提取和Transformer编码器进行全局特征提取	未明确说明方法在更广泛数据集或不同物种中的泛化能力，也未讨论计算复杂度	开发一种更准确的RNA m7G修饰位点预测方法	RNA序列中的N7-甲基鸟苷（m7G）修饰位点	自然语言处理	NA	RNA序列分析	CNN, Transformer, MLP	RNA序列数据	NA	NA	多分支CNN, Transformer编码器, 多层感知机	AUROC, 准确率, MCC, 特异性	NA
11212	2026-01-21	DLS-SUC: A precision prediction framework for lysine succinylation sites integrating the protein language model (ESM-2) and dual imbalance strategies 2026-Apr, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108842 PMID:41406781	研究论文	本文提出了一种名为DLS-SUC的新型深度学习框架，用于精确预测赖氨酸琥珀酰化（Ksucc）位点	整合了One-hot编码与ESM-2预训练蛋白质语言模型特征，结合DenseNet和BiLSTM架构捕获局部序列模式和长程依赖，并引入SENet注意力机制自适应重新校准特征通道重要性，同时采用双“算法-系统”策略缓解类别不平衡问题	NA	提高赖氨酸琥珀酰化位点预测的准确性和泛化能力	赖氨酸琥珀酰化位点	生物信息学	癌症、神经退行性疾病、代谢综合征	深度学习	DenseNet, BiLSTM, SENet	蛋白质序列数据	NA	NA	DenseNet, BiLSTM, SENet	Sn, Sp, BAcc, MCC, AUC	NA
11213	2026-01-21	Opt Deep CSSAN: Optimized Deep Convolutional Spectral-Spatial Attention Network for hyperspectral image classification 2026-Apr, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108769 PMID:41418717	研究论文	提出了一种结合优化算法与深度注意力网络的高光谱图像分类方法	提出了DES-AFO优化算法进行波段选择，并设计了结合深度CNN与光谱-空间注意力网络（SSAN）的Opt Deep CSSAN分类模型	未在摘要中明确说明	提高高光谱图像分类的准确性和效率	高光谱图像	计算机视觉	NA	高光谱成像	CNN, 注意力网络	高光谱图像	未在摘要中明确说明	未在摘要中明确说明	ResNet50, 深度CNN, 光谱-空间注意力网络（SSAN）	准确率, 真阳性率（TPR）, Kappa系数, 真阴性率（TNR）, 阳性预测值（PPV）	未在摘要中明确说明
11214	2026-01-21	From 16S rRNA to deep learning: Evolution of computational approaches in human microbiome studies 2026-Apr, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108852 PMID:41418718	综述	本文回顾了人类微生物组研究中计算方法的演变，从传统的16S rRNA测序发展到整合多组学数据和深度学习算法的现代计算框架	系统阐述了从传统微生物组分析方法向整合网络建模、基因组尺度代谢重建和深度学习等先进计算框架的范式转变，并强调了AI驱动的生物信息学平台在推动该领域从描述性学科向预测性和转化性科学发展中的关键作用	面临数据异质性、AI模型可解释性有限以及数据共享中的伦理问题等挑战，这些因素阻碍了临床转化应用	回顾人类微生物组研究中计算方法的演变历程，并展望未来发展方向	人类微生物组及其与宿主健康、疾病的相互作用	机器学习	NA	16S rRNA测序，多组学数据整合（基因组学、蛋白质组学、代谢组学）	深度学习	多组学数据	NA	NA	NA	NA	NA
11215	2026-01-21	Automated lung sound detection via Bi-GRU-modified SqueezeNet architecture with new stock well feature set 2026-Apr, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108851 PMID:41443142	研究论文	本研究提出了一种名为BGRMSNet的新型深度学习模型，用于自动检测和分类肺音，以辅助诊断多种呼吸系统疾病	提出了一种结合双向门控循环单元（Bi-GRU）和改进型SqueezeNet（MSNet）的混合架构（BGRMSNet），并引入了改进的批量归一化、多头注意力机制、改进的指数Softmax激活函数等增强技术，同时采用了基于阈值维纳滤波的预处理方法和包含改进型Stockwell变换等的新特征集	未明确说明模型在临床实际环境中的泛化能力测试、计算效率分析以及与其他最先进深度学习模型的全面比较	开发一种自动化的肺音检测与分类系统，以辅助呼吸系统疾病的诊断	肺音信号	机器学习	呼吸系统疾病（包括哮喘、支气管扩张、细支气管炎、COPD、下呼吸道感染、肺炎、上呼吸道感染）	信号处理与特征提取（包括改进型Stockwell变换、短时傅里叶变换、排列熵、谱质心、谱滚降）	深度学习混合模型（Bi-GRU与CNN结合）	音频信号（肺音）	未明确说明	未明确说明	Bidirectional-Gated Recurrent Unit-Modified SqueezeNet (BGRMSNet), 包含Bi-GRU和Modified SqueezeNet (MSNet)	准确率, 特异性, 阴性预测值	未明确说明
11216	2026-01-21	Structural alterations related to emotion dysregulation, anxiety and self-harm in adolescents borderline personality disorder. A source-based morphometry study 2026-Apr-01, Journal of affective disorders IF:4.9Q1 DOI:10.1016/j.jad.2025.121035 PMID:41453667	研究论文	本研究利用源基形态测量学（SBM）和深度神经网络，结合遗传算法优化架构，探讨青少年边缘型人格障碍（BPD）的脑结构差异及其与情绪失调、焦虑和自伤行为的关联	首次在迄今最大的青少年BPD样本中，结合无监督和监督机器学习方法（SBM和深度神经网络），系统研究脑结构异常与临床特征的关系，并优化模型架构以提高性能	样本虽为迄今最大，但可能仍存在代表性限制；研究为横断面设计，无法推断因果关系；未考虑其他混杂因素如药物使用或共病精神障碍	探究青少年边缘型人格障碍的脑结构差异，并关联情绪失调、焦虑和自伤行为等临床特征	129名青少年BPD患者（12-17岁）和107名年龄、性别、教育匹配的健康对照	神经影像学	边缘型人格障碍	高分辨率T1加权结构MRI	深度神经网络	MRI图像	129名青少年BPD患者和107名健康对照	NA	深度神经网络（架构通过遗传算法优化）	泛化性能	NA
11217	2026-01-21	TEWS: Transformer-empowered weakly supervised prediction of immune score and genetic mutations in liver cancer from whole slide image 2026-Apr, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108837 PMID:41455181	研究论文	提出一种基于Transformer的弱监督深度学习模型，用于从肝癌全切片图像中直接预测免疫评分和基因突变	首次将Swin Transformer与门控注意力池化机制、多示例学习相结合，实现直接从WSI预测免疫评分，并改进了伪标签分配的准确性	未明确提及模型在计算资源有限机构的具体部署挑战或泛化到其他癌症类型的验证	开发一种弱监督深度学习模型，以克服全切片图像分析中标注成本高和计算需求大的挑战	肝癌患者的全切片图像	数字病理学	肝癌	全切片成像	Transformer	图像	NA	NA	Swin Transformer	AUC	NA
11218	2026-01-21	SSHF-DTI: Leveraging structural similarity and hierarchical features through a fusion network for drug-target interaction prediction 2026-Apr, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108853 PMID:41455180	研究论文	本文提出了一种名为SSHF-DTI的模型，通过整合结构相似性和多源子结构特征来预测药物-靶点相互作用和结合亲和力	模型结合了基于Tanimoto系数评估Morgan指纹相似性的数据增强方法，并采用Transformer和卷积组件的混合架构进行层次特征融合，显著提升了预测性能	未明确提及具体局限性	开发一个更鲁棒且可泛化的模型，用于药物-靶点相互作用和结合亲和力预测	药物-靶点相互作用、结合亲和力以及药物-药物相互作用	机器学习	NA	Morgan指纹相似性评估	Transformer, CNN	分子结构数据	NA	NA	Transformer, 卷积神经网络	ROC-AUC, PR-AUC	NA
11219	2026-01-21	Efficient drug-target affinity prediction via interaction features and parallel CNN-BiLSTM with attention 2026-Apr, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108862 PMID:41478193	研究论文	本文提出了一种名为EDTA的高效深度学习架构，用于药物-靶点亲和力预测，该架构结合了并行CNN-BiLSTM与注意力机制	提出了一种并行CNN-BiLSTM架构，结合注意力机制，以同时捕获局部结构模式和全局序列依赖关系，在保证准确性的同时显著提升了计算效率	未明确提及模型在更广泛数据集或真实药物发现场景中的泛化能力限制	开发一种高效且准确的药物-靶点亲和力预测方法，以降低药物研发的失败率	药物-靶点相互作用	机器学习	NA	深度学习	CNN, BiLSTM, Attention	分子序列/结构数据	使用了Davis、KIBA和DUD-E基准数据集，具体样本数量未明确给出	未明确提及	并行CNN-BiLSTM	皮尔逊相关系数 (r)	未明确提及具体硬件，但强调模型参数更少、内存占用更低、推理速度更快
11220	2026-01-21	Optimizing depression diagnosis: fNIRS and machine learning differentiate unipolar, bipolar, and healthy states 2026-Apr-01, Journal of affective disorders IF:4.9Q1 DOI:10.1016/j.jad.2025.121097 PMID:41478383	研究论文	本研究利用fNIRS和机器学习技术，通过前额叶血流动力学信号对单相抑郁、双相抑郁和健康对照进行三元分类	首次系统评估了fNIRS结合多种机器学习模型在临床相关三元分类（单相抑郁、双相抑郁、健康对照）中的效用，并比较了全脑特征与八个前额叶亚区域的表现	样本量有限，特别是双相抑郁队列较小；深度学习模型因样本量有限和特征维度高而表现中等；双相抑郁与健康对照之间存在持续重叠，分类仍具挑战性	优化抑郁症诊断，区分单相抑郁、双相抑郁和健康状态	171名参与者（单相抑郁72人，双相抑郁59人，健康对照40人）	机器学习	抑郁症	fNIRS（功能性近红外光谱成像）	SVM, Random Forest, XGBoost, Logistic Regression, Naive Bayes, Decision Tree, CNN, LSTM	前额叶血流动力学信号	171名参与者	NA	1D-CNN, LSTM	准确率, 敏感度, 特异度, AUC	NA