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
1221	2026-02-09	Harnessing multi-omics and machine learning for predicting immune checkpoint blockade responses: Advances, challenges, and future directions 2026-Jan, Fundamental research IF:5.7Q1 DOI:10.1016/j.fmre.2025.08.009 PMID:41647536	综述	本文综述了如何利用多组学数据和机器学习/深度学习模型来预测免疫检查点阻断疗法的疗效，并探讨了其进展、挑战和未来方向	系统性地整合了临床、基因组、放射组学和转录组学等多组学数据，并应用人工智能模型进行患者分层预测，体现了基础研究与临床应用的结合	NA	优化免疫检查点阻断疗法的患者分层，提高治疗反应的预测精度	接受免疫检查点阻断治疗的癌症患者	机器学习	癌症	多组学数据整合（临床、基因组、放射组学、转录组学）	机器学习, 深度学习	多组学数据	NA	NA	NA	NA	NA
1222	2026-02-09	Multiple conformational states assembly of multidomain proteins using evolutionary algorithm based on structural analogues and sequential homologues 2026-Jan, Fundamental research IF:5.7Q1 DOI:10.1016/j.fmre.2024.05.003 PMID:41647552	研究论文	本研究开发了一种名为M-SADA的多域蛋白质组装方法，用于组装多个构象状态	提出了一种基于多群体进化算法的方法，结合同源和类似模板以及深度学习预测的域间距离来采样多个构象状态	未明确提及	准确建模多域蛋白质的全链结构，特别是具有多个构象状态的结构	多域蛋白质	机器学习	NA	深度学习	NA	蛋白质结构数据	72个具有多个构象状态的多域蛋白质和296个具有单个构象状态的多域蛋白质	NA	NA	TM-score	NA
1223	2026-02-09	Application of artificial intelligence in life science: Historical review and future perspectives 2026-Jan, Fundamental research IF:5.7Q1 DOI:10.1016/j.fmre.2024.10.014 PMID:41647562	综述	本文回顾了人工智能在生命科学中的应用历史，并通过文献计量分析评估了AI方法的特点、贡献和变化，同时讨论了未来挑战	通过文献计量分析系统评估AI在生命科学中的历史贡献与变化，并展望未来发展方向	作为综述文章，未涉及具体实验数据或模型验证	总结人工智能在生命科学领域的历史应用并展望未来趋势	生命科学数据与人工智能方法	生物信息学	NA	文献计量分析	深度学习算法, Transformer神经网络	生命科学数据	NA	NA	NA	NA	NA
1224	2026-02-09	MULGONET: An interpretable neural network framework to integrate multi-omics data for cancer recurrence prediction and biomarker discovery 2026-Jan, Fundamental research IF:5.7Q1 DOI:10.1016/j.fmre.2025.01.004 PMID:41647565	研究论文	提出一种名为MULGONET的新型端到端深度学习框架，用于整合多组学数据以预测癌症复发并发现生物标志物	有效解决了多组学数据整合中的维度灾难和模型可解释性不足问题，并探索了基因与GO术语之间的相互作用和调控关系	NA	通过整合多组学数据来更好地理解肿瘤发生机制并预测癌症复发	膀胱癌、胰腺癌和胃癌的多组学数据	机器学习	癌症	多组学数据整合	神经网络	多组学数据	NA	NA	MULGONET	AUPR	NA
1225	2026-02-09	Jumping in the human brain: A review on somatic transposition 2026-Jan, Fundamental research IF:5.7Q1 DOI:10.1016/j.fmre.2025.03.001 PMID:41647578	综述	本文综述了人类大脑中体细胞转座（“跳跃基因”）的研究现状，包括其功能、检测挑战及方法学进展	系统梳理了体细胞转座率估计的广泛变异性和方法学挑战，并指出单细胞基因组扩增与深度学习软件结合是未来突破的关键方向	现有研究对体细胞转座的功能认知仍有限，且检测方法易受人工嵌合体和多拷贝特性影响导致假阳性/假阴性结果	综述人类大脑体细胞转座研究的最新进展，探讨其功能意义与检测方法学	人类大脑中的转座元件（跳跃基因）	NA	NA	单细胞基因组扩增技术	深度学习	基因组数据	NA	NA	NA	NA	NA
1226	2026-02-08	HeartUnloadNet: A cycle-consistent graph network with reduced supervision for predicting unloaded cardiac geometry from diastolic states 2026-Apr, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2026.109243 PMID:41529595	研究论文	本研究提出了一种名为HeartUnloadNet的深度学习框架，用于直接从临床舒张末期状态预测心脏的无负荷几何形状	提出了一种结合图注意力和生理参数的循环一致性双向训练策略的神经网络，能够在仅需少量标注数据的情况下实现高精度预测，计算速度比传统方法快10万倍以上	模型基于有限元模拟数据进行训练和验证，尚未在真实临床影像数据上进行测试	开发高效准确的深度学习框架，用于预测心脏无负荷几何形状，以支持个性化心脏生物力学建模	左心室的无负荷几何形状	数字病理学	心血管疾病	有限元模拟	图神经网络	网格数据	10,350个有限元模拟案例	NA	图注意力网络	Dice相似系数, Hausdorff距离, 平均距离, 节点误差标准差	NA
1227	2026-02-08	A diagnosis tool for early detection and classification of heart disease in individuals using transformer mechanisms 2026-Apr, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2026.109248 PMID:41576777	研究论文	本文提出了一种基于Transformer的模型，用于早期检测和分类心脏病，并开发了Android应用以实现实时风险评估	首次将Transformer架构应用于心脏病分类，结合电子健康记录中的症状特征，并开发了移动应用以实现实时临床决策支持	研究仅基于单一医院的电子健康记录数据，可能缺乏外部验证和泛化能力	开发一种高效的心脏病早期诊断和分类工具，以降低死亡率并支持实时风险评估	一般人群中的个体，使用电子健康记录数据	自然语言处理	心血管疾病	电子健康记录分析	Transformer	文本	NA	NA	Transformer编码器	准确率, 精确率, 召回率, F1分数	NA
1228	2026-02-08	CellViT++: Energy-efficient and adaptive cell segmentation and classification using foundation models 2026-Apr, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2025.109206 PMID:41576779	研究论文	本研究提出了一种名为CellViT++的数据高效且轻量级的框架，用于通用细胞分割，能够以最少的数据快速适应新的细胞类型	利用冻结的预训练基础模型进行分割，并在前向传播过程中无额外计算成本地提取深度细胞嵌入，仅需训练轻量级分类器即可适应新细胞类型，显著降低了计算成本和数据需求	未明确提及框架在处理极端罕见细胞类型或高度异质性组织样本时的性能限制	开发一种数据高效、计算成本低且适应性强的细胞分割与分类方法，以克服数字病理学中现有模型的局限性	数字病理学中的细胞分割与分类	数字病理学	结肠癌	免疫荧光染色	Vision Transformer	图像	七个公共数据集	PyTorch	Vision Transformer	F1分数	未明确指定GPU类型，但提及训练时间从小时级减少到分钟级，二氧化碳排放减少96.93%
1229	2026-02-08	Application of artificial intelligence in colonoscopy imaging for polyp analysis-A systematic review 2026-Apr, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2026.109239 PMID:41621228	综述	本文对深度学习在结肠镜图像息肉分析中的应用现状进行了全面且批判性的分析	系统性地回顾了包括卷积神经网络、基于Transformer的模型和混合方法在内的多种深度学习架构，并探讨了AI辅助工具的临床相关性及普遍性挑战	识别了现有技术面临的挑战，如数据不平衡、实时部署以及在不同人群和结肠镜设备间的泛化性问题	旨在为研究人员、临床医生和开发者提供利用深度学习增强结直肠息肉检测、诊断和临床决策的宝贵资源	结直肠息肉	计算机视觉	结直肠癌	结肠镜成像	CNN, Transformer	图像	NA	NA	NA	NA	NA
1230	2026-02-08	Artificial Intelligence for Postoperative Wound Monitoring: An Integrative Review of Digital Innovation and Clinical Feasibility 2026-Mar, The American surgeon DOI:10.1177/00031348251385104 PMID:41027651	综述	本文对人工智能在术后伤口监测中的应用进行了综合性评述，评估了其技术进展、临床可行性与未来发展方向	首次系统性地聚焦于术后伤口（而非慢性伤口）的AI监测，提出了整合深度学习、可穿戴生物传感器、移动应用和自然语言处理等技术的临床实施路线图	现有研究缺乏大规模标准化数据集、可解释AI框架和严格的临床验证研究	评估人工智能技术在术后伤口监测中的最新进展、临床可行性及未来整合路径	术后伤口监测相关的AI技术应用	数字病理学	NA	深度学习, 可穿戴生物传感器, 移动应用, 自然语言处理	NA	图像, 传感器数据, 文本	基于118篇符合纳入标准的相关文献	NA	NA	NA	NA
1231	2026-02-08	A Gravity-Informed Spatiotemporal Transformer for Human Activity Intensity Prediction 2026-Mar, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2025.3625859 PMID:41150240	研究论文	本文提出了一种基于物理约束的深度学习框架Gravityformer，用于预测人类活动强度	通过集成万有引力定律来优化Transformer注意力机制，以解决现有方法忽视空间交互物理约束的问题	未明确说明模型在极端或异常情况下的鲁棒性	预测人类活动强度，以支持基于位置的服务	人类活动数据	机器学习	NA	深度学习	Transformer, 图卷积网络	时空数据	六个大规模真实世界活动数据集	NA	Transformer, 图卷积网络	定量和定性评估	NA
1232	2026-02-08	Joint Sparse Optical Flow Estimation and Keypoint Detection via Dual-task Imperative Learning 2026-Mar, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2025.3627192 PMID:41171660	研究论文	本文提出了一种新颖的双任务强制学习框架，用于联合优化稀疏光流估计和自适应关键点检测	通过双任务强制学习框架，结合EM范式和高斯-牛顿推理引擎，实现了稀疏光流估计与关键点检测的协同优化，增强了模型的可解释性和跨域适应性	仅使用了200个训练图像对进行训练，可能限制了模型的泛化能力	解决深度学习在光流估计中面临的模型可解释性、泛化能力和部署效率问题，特别是在视觉里程计等应用中	稀疏光流估计和关键点检测	计算机视觉	NA	深度学习	CNN	图像	200个训练图像对	NA	NA	端点误差, F1-all, 视觉里程计轨迹精度	NA
1233	2026-02-08	Revisiting Transformation Invariant Geometric Deep Learning: An Initial Representation Perspective 2026-Mar, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2025.3626735 PMID:41171655	研究论文	本文提出了一种名为TinvNet的通用插件方法，通过设计变换不变且保持距离的初始点表示，来实现几何深度学习的变换不变性，而无需复杂的网络层设计	发现变换不变且保持距离的初始点表示足以实现变换不变性，并提出了一种简单通用的插件方法TinvNet，该方法可与现有神经网络结合，严格保证变换不变性	未明确说明方法在极端变换或噪声数据下的鲁棒性，也未讨论计算复杂度相对于传统方法的详细对比	研究如何使深度神经网络在处理几何数据（如点云和图）时保持对平移、旋转、缩放等变换的不变性	几何数据，包括点云和图	机器学习	NA	NA	图神经网络, 深度神经网络	点云, 图数据	NA	NA	TinvNet	NA	NA
1234	2026-02-08	OoDBench+: Quantifying and Understanding Two Dimensions of Out-of-Distribution Generalization 2026-Mar, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2025.3628027 PMID:41182941	研究论文	本文提出并量化了两种分布偏移类型（多样性偏移和相关性偏移），用于评估和理解OoD泛化算法的性能	识别并形式化定义了两种普遍存在的分布偏移类型，证明了OoD算法性能受其上限约束，并将不同研究领域的OoD数据集和算法整合到一个统一框架中	未在论文摘要中明确说明具体限制	量化并理解OoD泛化中的两种分布偏移维度，为未来研究提供基础	OoD泛化算法及其在分类和目标检测数据集上的性能	机器学习	NA	NA	NA	图像数据（基于分类和目标检测任务推断）	NA	NA	NA	NA	NA
1235	2026-02-08	Ensemble Learning Model: A Novel Technique to Detect Malignancy in Effusion Cytology 2026-Mar, Cytopathology : official journal of the British Society for Clinical Cytology IF:1.2Q3 DOI:10.1111/cyt.70036 PMID:41205194	研究论文	本研究应用集成学习模型结合六种迁移学习架构来检测积液细胞学中的恶性肿瘤	首次在积液细胞学中应用六模型集成深度学习方法	NA	检测积液细胞学中的恶性肿瘤	积液细胞学样本	数字病理学	恶性肿瘤	细胞学染色	集成学习模型	图像	110例积液细胞学病例（59例良性，51例恶性），共755张代表性显微照片	Jupyter Notebook	DenseNet121, Xception, ResNet50, MobileNetV2, InceptionV3, VGG16	灵敏度, 特异度, 准确率, 精确率, 阴性预测值, F1分数, AUROC	NA
1236	2026-02-08	Deep Learning With Data Privacy via Residual Perturbation 2026-Mar, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2025.3637239 PMID:41296949	研究论文	本文提出了一种基于随机微分方程的残差扰动方法，用于在深度学习（DL）中保护数据隐私，通过向ResNets的每个残差映射注入高斯噪声来实现	提出了一种新颖的残差扰动机制，该机制在保证差分隐私（DP）的同时，减少了深度学习的泛化差距，并在计算效率和效用维护方面优于现有的差分隐私随机梯度下降（DPSGD）方法	未明确提及具体局限性，但可能涉及噪声注入对模型性能的潜在影响或在不同网络架构中的适用性	研究在深度学习中保护数据隐私的方法，旨在减少隐私保护机制带来的效用损失和计算开销	深度学习模型，特别是ResNets（残差网络）	机器学习	NA	随机微分方程，高斯噪声注入	ResNet	NA	NA	NA	ResNet	效用维护，泛化差距	NA
1237	2026-02-08	Deep Tabular Representation Corrector 2026-Mar, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2025.3637810 PMID:41308107	研究论文	提出了一种名为TRC的深度表格表示校正器，用于增强已训练的深度表格模型的表示，而无需修改其参数	引入了一种模型无关的表示校正方法，通过两个任务（表格表示重估计和表格空间映射）来缓解表示偏移和冗余，提高预测性能	NA	提升深度表格机器学习模型的表示质量	表格数据	机器学习	NA	NA	Transformer, ResNet	表格数据	NA	NA	Transformer, ResNet	NA	NA
1238	2026-02-08	Physics-Driven Neural Compensation for Electrical Impedance Tomography 2026-Mar, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2025.3639647 PMID:41336161	研究论文	提出一种名为PhyNC的无监督深度学习框架，用于解决电阻抗断层成像中的逆问题不适定性和灵敏度分布不均的挑战	结合EIT的物理原理，通过动态分配神经表示能力到低灵敏度区域，实现准确且平衡的电导率重建	未明确提及具体局限性	提升电阻抗断层成像的重建精度和鲁棒性，特别是在低灵敏度区域	电阻抗断层成像的逆问题与灵敏度分布	医学成像	NA	电阻抗断层成像	深度学习	模拟数据与实验数据	NA	NA	NA	细节保留与伪影抵抗能力	NA
1239	2026-02-08	Development of a deep learning classification model using a codeless platform for orthodontic extraction decision-making: Impact of image type on model performance 2026-Mar, Journal of dentistry IF:4.8Q1 DOI:10.1016/j.jdent.2025.106296 PMID:41389871	研究论文	本研究评估了图像类型对深度学习分类模型在正畸治疗计划决策中性能的影响，并探讨了人工智能在利用口内照片和数字模型扫描确定拔牙与非拔牙治疗计划中的临床适用性	使用无代码平台自动开发深度学习分类模型，通过自动超参数调优优化模型，无需手动编码，并比较了不同图像类型（口内照片与数字扫描）对模型性能的影响	研究为回顾性设计，样本量相对有限（共1200张图像），且仅比较了两种图像类型，可能未涵盖所有临床相关图像模态	评估图像类型对深度学习分类模型在正畸治疗计划决策中性能的影响，并探讨人工智能在确定拔牙与非拔牙治疗计划中的临床适用性	已完成正畸治疗的患者，包括其治疗前数据和正畸治疗计划	计算机视觉	正畸疾病	深度学习	深度学习分类模型	图像	1200张口内照片和1200张数字模型扫描，共2400张图像，包括600例拔牙病例和600例非拔牙病例	无代码平台	NA	准确率, 精确率, 召回率, F1分数	NA
1240	2026-02-08	M44TMD: A multimodal, multi-task deep learning framework for comprehensive assessment of TMD-related abnormalities 2026-Mar, Journal of dentistry IF:4.8Q1 DOI:10.1016/j.jdent.2025.106322 PMID:41461305	研究论文	本研究提出了一种多模态、多任务的深度学习框架M44TMD，用于同时评估颞下颌关节紊乱相关的退行性关节病、前椎间盘移位和积液	M44TMD框架整合了多序列、多切片的MRI与临床数据，克服了现有方法在任务单一、数据模态有限以及MRI利用不足方面的局限	NA	开发一个多模态深度学习框架，以全面评估颞下颌关节紊乱相关的异常	765名参与者的1410个颞下颌关节，包括其MRI切片和临床数据	数字病理学	颞下颌关节紊乱	磁共振成像	CNN	图像, 临床数据	765名参与者（1410个颞下颌关节）的12,690个MRI切片及临床数据	NA	ResNet50	ROC-AUC, 准确率	NA