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
1341	2026-02-07	Decoding polyphenol-protein interactions with deep learning: From molecular mechanisms to food applications 2026 Mar-Apr, Biotechnology advances IF:12.1Q1 DOI:10.1016/j.biotechadv.2026.108803 PMID:41544721	综述	本文探讨了深度学习如何重塑多酚-蛋白质相互作用的研究，从分子机制到食品应用	利用深度学习高效预测结合位点、相互作用亲和力和分子动力学，克服传统实验和计算方法的可扩展性、通量和可重复性限制	深度学习的有效性受限于数据可用性、质量和代表性，特别是在天然产物领域	研究深度学习在多酚-蛋白质相互作用分析中的应用，以加速营养科学和治疗开发	多酚和蛋白质及其相互作用	机器学习	NA	深度学习	NA	高维生物信息学和化学信息学数据	NA	NA	NA	NA	NA
1342	2026-02-07	Controlling gene expression using AI designed Cis-regulatory elements 2026 Mar-Apr, Biotechnology advances IF:12.1Q1 DOI:10.1016/j.biotechadv.2026.108802 PMID:41554183	综述	本文回顾了人工智能技术在顺式调控元件预测与设计中的应用，探讨了当前挑战与未来方向	探讨了AI在顺式调控元件设计中的新兴应用，包括多模态建模、强化学习和系统级调控网络设计等前沿方向	数据可用性有限、计算预测与实验结果存在差距、模型可解释性不足，且生成能力受数据质量和序列特征依赖的约束	研究如何利用AI技术更系统、有针对性地设计合成顺式调控元件	顺式调控元件（CREs），包括启动子、增强子和更复杂的调控结构	机器学习	NA	深度学习, DNA基础模型	NA	基因组序列数据	NA	NA	NA	NA	NA
1343	2026-02-07	Computational methods for spatial multi-omics integration 2026 Mar-Apr, Biotechnology advances IF:12.1Q1 DOI:10.1016/j.biotechadv.2026.108807 PMID:41564956	综述	本文首次系统总结了现有的空间多组学整合方法，从两个角度进行分类和比较	首次系统性地对空间多组学整合方法进行总结和分类，并比较了不同方法的优缺点	NA	总结和比较空间多组学整合的计算方法，以推动其在揭示组织微环境和疾病过程多层调控机制中的应用	空间多组学整合算法及其支持的下游分析任务	机器学习	NA	空间多组学技术（转录组学、蛋白质组学、表观基因组学）	深度学习	空间多组学数据（转录组、蛋白质组、表观基因组）	NA	NA	NA	NA	NA
1344	2026-02-07	A Comprehensive Survey on Evidential Deep Learning and its Applications 2026-Mar, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2025.3625258 PMID:41134959	综述	本文全面综述了证据深度学习（EDL）的理论基础、最新进展及其在机器学习和下游任务中的广泛应用	提出了证据深度学习（EDL）这一新范式，能够在单次前向传播中以最小计算开销提供高质量的不确定性估计	NA	为读者提供对证据深度学习（EDL）领域的广泛介绍，无需先验知识	证据深度学习（EDL）的理论、方法及应用	机器学习	NA	NA	NA	NA	NA	NA	NA	NA	NA
1345	2026-02-07	IntNet: Lightweight yet high-performance deep learning system for intuitive radar patterns analysis and human fall detection 2026-Feb-15, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2026.111485 PMID:41547050	研究论文	本文提出了一种基于雷达的轻量级深度学习系统IntNet，用于直观雷达模式分析和人体跌倒检测，在复杂现实场景中实现了高性能和边缘计算能力	提出了一种轻量级深度学习系统IntNet，在保持边缘计算能力的同时实现了前所未有的性能（召回率98.99%，精确率99.32%），并引入了新的性能比较方法学	未明确说明系统在极端环境条件下的鲁棒性或跨不同人群的泛化能力	开发一种高性能、隐私保护且适用于边缘计算的雷达基跌倒检测系统	老年人及独居年轻人的跌倒检测	机器学习和计算机视觉	老年疾病	雷达传感器技术	深度学习系统	雷达模式数据	未明确说明，但使用了文献中最具现实代表性的数据集	未明确指定	IntNet	召回率, 精确率	边缘计算设备，模型参数量211.8k，FLOPs约8.84M
1346	2026-02-07	Multi-task non-contact ballistocardiogram-based vital signs monitoring in acupuncture 2026-Feb-15, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2026.111461 PMID:41548353	研究论文	本研究提出了一种结合多通道心冲击图信号和多任务学习的创新方法，用于针灸过程中的高效生命体征监测	利用聚偏氟乙烯薄膜传感器和深度神经网络，通过非接触式床垫下心冲击图信号进行心率、呼吸率估计和卧姿检测	NA	开发一种基于心冲击图信号的非接触式生命体征监测系统，用于针灸等医疗场景	25名参与者的心冲击图信号	机器学习	NA	心冲击图	GRU, MHSA	信号	25名参与者	NA	GRU, 多头自注意力	准确率, 平均绝对误差	NA
1347	2026-02-07	HybridDeepSynergy: A hybrid deep learning model integrating CNN, LSTM, and attention mechanisms for cancer drug synergy prediction 2026-Feb-15, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2026.111471 PMID:41570613	研究论文	本文提出了一种名为HybridDeepSynergy的混合深度学习模型，通过整合CNN、LSTM和注意力机制来预测癌症药物协同作用	首次结合CNN、LSTM和Transformer注意力机制，构建混合深度学习模型用于药物协同预测，并引入多种协同评分模型进行综合评估	模型尚未在临床环境中验证，未来需要纳入更多癌症数据集以增强预测能力	优化癌症治疗策略，通过预测药物组合的协同作用来支持精准医疗	多种药物组合和癌细胞系	机器学习	癌症	NA	CNN, LSTM, Transformer	基因组数据集	包含大量药物组合的综合数据集	NA	CNN, LSTM, Transformer	RMSE, MAE, 决定系数, Pearson相关系数, Spearman相关系数	NA
1348	2026-02-07	Automated Lymph Node and Extranodal Extension Assessment Improves Risk Stratification in Oropharyngeal Carcinoma 2026-Feb-10, Journal of clinical oncology : official journal of the American Society of Clinical Oncology IF:42.1Q1 DOI:10.1200/JCO-24-02679 PMID:41435207	研究论文	本研究开发了一个自动化人工智能影像平台，用于评估口咽癌患者的淋巴结和结外侵犯情况，以改进风险分层	首次将自动淋巴结分割与结外侵犯预测整合到AI平台中，并证明AI预测的结外侵犯淋巴结数量可作为新的风险因素	研究为回顾性多中心设计，可能存在选择偏倚，且仅基于CT影像，未整合其他影像模态	评估自动化AI预测的结外侵犯淋巴结数量在口咽癌风险分层中的预后价值	口咽癌患者	数字病理学	口咽癌	计算机断层扫描	深度学习	医学影像	1,733名口咽癌患者	NA	NA	C指数, 风险比	NA
1349	2026-02-07	A review of AI/ML approaches in wastewater surveillance advancement 2026-Feb-10, The Science of the total environment DOI:10.1016/j.scitotenv.2026.181364 PMID:41576591	综述	本文系统性地回顾了过去五年中人工智能和机器学习模型在废水流行病学中的应用，重点评估了其在病原体检测和疾病趋势预测方面的有效性	提出了一个基于预测目标、数据类型和时间依赖性的决策支持框架来指导模型选择，并强调了结合混合建模方法和环境元数据以增强废水监测系统的重要性	NA	评估人工智能和机器学习模型在废水流行病学中的有效性，并为其应用提供指导	废水流行病学中的病原体检测和疾病趋势预测	机器学习	传染病	废水监测	随机森林, 支持向量机, 人工神经网络, 长短期记忆网络, K-means聚类, 时间序列机器学习模型	时序数据	NA	NA	NA	R值, 均方根误差, 分类准确率, 均方误差, 平均绝对误差	NA
1350	2026-02-07	National-scale open cattle feedlot detection using deep learning and high-resolution aerial images: Spatial distribution and animal welfare analysis 2026-Feb-10, The Science of the total environment DOI:10.1016/j.scitotenv.2026.181451 PMID:41579720	研究论文	本研究提出了一种利用YOLO目标检测模型和高分辨率航空影像，在全美范围内自动检测开放式牛饲养场的框架，并分析了其空间分布及相关的动物福利问题	首次开发了基于深度学习的全国性开放式牛饲养场自动检测框架，并利用大规模高分辨率航空影像（NAIP）生成了首个全面的设施空间分布数据库	检测模型可能受到影像质量、季节变化及背景复杂性的影响，且标注数据仅覆盖了内布拉斯加、堪萨斯和德克萨斯三个高产州的部分县	实现美国本土开放式牛饲养场的自动化、大规模检测与空间分布分析，以支持牛肉生产洞察、动物福利改善及环境影响评估	美国本土（CONUS）的开放式牛饲养场设施	计算机视觉	NA	航空影像分析，目标检测	CNN	图像	标注了11,746个饲养场和13,000个背景图像块，用于模型训练、验证和测试	PyTorch	YOLOv11	精确率，召回率，F1分数，交并比	NA
1351	2026-02-07	Improvements to Casanovo, a Deep Learning De Novo Peptide Sequencer 2026-Feb-06, Journal of proteome research IF:3.8Q1 DOI:10.1021/acs.jproteome.5c00706 PMID:41468557	研究论文	本文介绍了对Casanovo深度学习从头肽段测序器的一系列改进，旨在提升其评分可解释性、扩展软件功能、加速运行速度，并提供工作流和可视化工具以促进应用	改进了Casanovo的评分可解释性，扩展了其在数据库搜索中的通用性，优化了训练和预测的运行速度，并引入了新的工作流和可视化工具	NA	提升Casanovo深度学习模型在肽段测序中的准确性、易用性和应用范围	质谱和蛋白质组学数据中的肽段序列	机器学习	NA	质谱分析	深度学习模型	质谱数据	NA	NA	Casanovo	NA	NA
1352	2026-02-07	Prediction of CSF Intervention in Fetal Ventriculomegaly via Artificial Intelligence-Powered Normative Modeling 2026-Feb-05, AJNR. American journal of neuroradiology DOI:10.3174/ajnr.A9000 PMID:40957691	研究论文	本文提出了一种基于人工智能的方法，用于胎儿脑MRI中脑室的自动分割、体积量化和分类，以预测产后干预需求	利用nnUNet深度学习模型进行胎儿脑室自动分割，并基于此建立跨孕龄的脑室体积正常参考范围，首次实现了对胎儿脑室扩大及产后干预需求的客观预测	研究为回顾性设计，样本量相对有限（222例患者），且依赖于手动分割数据进行模型训练，可能引入主观偏差	开发一种基于人工智能的客观方法，用于胎儿脑室扩大与脑积水的准确区分，并预测产后脑脊液干预的必要性	胎儿脑MRI图像，包括正常胎儿、脑室扩大胎儿及需产后干预的病例	数字病理学	胎儿脑室扩大	胎儿脑MRI	深度学习	图像	222例单胎妊娠患者，包括20例手动分割的机构数据、80例公开数据集、138例正常胎儿MRI及64例脑室扩大胎儿（其中14例需产后干预）	nnUNet	nnUNet	Dice系数, 灵敏度, 特异性, AUC, 95%置信区间	NA
1353	2026-02-07	Nitrilotriacetic acid functionalized gold nanopillars enable stochastic detection and deep learning analysis of prolines and hydroxyprolines by surface enhanced Raman spectroscopy 2026-Feb-05, Nanoscale IF:5.8Q1 DOI:10.1039/d5nr04125b PMID:41524279	研究论文	本文开发了一种基于金纳米柱功能化的随机表面增强拉曼散射方法，结合深度学习分析，用于快速检测脯氨酸和羟脯氨酸	通过功能化金纳米柱形成NTA-Ni结构，实现脯氨酸和羟脯氨酸的可逆瞬态结合，将检测时间缩短至30分钟内，并首次结合一维卷积神经网络分析SERS时间序列数据	未明确说明方法在复杂生物流体中的实际应用限制或可能存在的干扰因素	开发一种快速、高灵敏度的脯氨酸和羟脯氨酸检测方法，用于疾病监测和生物医学分析	脯氨酸和羟脯氨酸分子	机器学习	胶原代谢相关疾病	表面增强拉曼散射	CNN	光谱时间序列数据	NA	NA	一维卷积神经网络	准确率	NA
1354	2026-02-07	Accelerating OLED development with machine learning: advances and prospects 2026-Feb-05, Chemical communications (Cambridge, England) DOI:10.1039/d5cc06175j PMID:41537217	综述	本文全面探讨了机器学习在加速有机发光二极管（OLED）技术发展中的作用，包括材料性能预测、结构-性质关系构建及器件优化	系统性地将机器学习作为数据驱动范式应用于OLED创新，整合了通用ML模型与深度学习在OLED材料与器件研究中的案例评估	未详细讨论实验数据质量对模型性能的影响，且未来研究方向仅提供前瞻性建议而非具体实施方案	加速OLED材料与器件的研发进程，通过机器学习提升研究效率与可扩展性	OLED发光材料、器件结构及相关光电技术	机器学习	NA	机器学习、深度学习	通用ML模型、深度学习模型	材料性质数据、结构数据、器件性能数据	NA	NA	NA	NA	NA
1355	2026-02-07	Fairness Correction in COVID-19 Predictive Models Using Demographic Optimization: Algorithm Development and Validation Study 2026-Feb-03, Online journal of public health informatics DOI:10.2196/78235 PMID:41632023	研究论文	本文提出了一种名为DemOpts的公平性校正方法，用于改进COVID-19预测模型在不同种族和民族群体间的公平性	提出了一种新颖的去偏方法DemOpts，通过人口统计学优化来减少预测误差在不同种族和民族群体间的差异，相比现有方法能更好地实现误差均等	研究主要关注聚合地理层面的预测，可能未考虑个体层面的偏差；且依赖于潜在有偏的数据集，如移动性或社会人口数据	开发并验证一种公平性校正方法，以提高COVID-19预测模型在不同种族和民族群体间的公平性	COVID-19病例预测模型，特别是针对不同种族和民族群体的预测公平性	机器学习	COVID-19	深度学习	深度学习模型	多模态数据（包括移动性数据、社会人口数据）	NA	NA	NA	误差均等性、平均预测误差	NA
1356	2026-02-07	Analysis and prediction of schizophrenia patients based on high-order graph attention generative adversarial networks 2026-Feb-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-15602-8 PMID:41629367	研究论文	提出了一种基于高阶图注意力生成对抗网络的模型，用于分析和预测精神分裂症患者	首次将高阶图注意力生成对抗网络应用于EEG数据，以捕捉持续性图像的高阶拓扑特征，用于精神分裂症的早期诊断和预测	未明确说明样本量、计算资源细节以及模型在其他频段的泛化能力	研究高阶脑功能网络对精神分裂症患者的影响，并开发早期诊断和预测模型	精神分裂症患者的EEG数据	机器学习	精神分裂症	EEG	GAN, GAT, LSTM	图像（持续性图像）、EEG信号	NA	NA	高阶图注意力生成对抗网络（结合图注意力网络和长短期记忆网络）	AUC, MAP, 准确率	NA
1357	2026-02-07	Multi-AOP: a lightweight multi-view deep learning framework for antioxidant peptide discovery 2026-Feb-02, Bioresources and bioprocessing IF:4.3Q1 DOI:10.1186/s40643-025-01004-1 PMID:41627618	研究论文	本研究提出了一种轻量级多视图深度学习框架Multi-AOP，用于高效发现抗氧化肽	开发了一个参数轻量化的多视图深度学习框架，通过融合序列学习和图学习来增强抗氧化肽的发现能力	未在摘要中明确说明	提高抗氧化肽发现的效率和准确性	抗氧化肽	自然语言处理, 机器学习	NA	深度学习	xLSTM, MPNN	序列数据, 分子图数据	基于AnOxPePred、AnOxPP和AOPP三个基准数据集	未在摘要中明确说明	Extended Long Short-Term Memory, Message Passing Neural Network	准确率	未在摘要中明确说明
1358	2026-02-07	An integrative deep learning model based on dual-mode ultrasound for diagnosing gallbladder polyps 2026-Feb-02, Insights into imaging IF:4.1Q1 DOI:10.1186/s13244-026-02213-8 PMID:41627678	研究论文	本研究开发了一种基于双模式超声的融合深度学习模型，用于自动分割胆囊病灶并诊断胆囊息肉的性质	提出了一种基于双模式超声（灰阶超声和彩色多普勒血流成像）的融合深度学习模型，能够同时实现胆囊病灶的自动分割以及息肉性质（非肿瘤性/肿瘤性、良性/恶性）的鉴别诊断	研究为回顾性设计，样本量相对有限（339例患者），且仅来自两家医院，可能存在选择偏倚	开发人工智能模型以自动区分胆囊息肉的性质，辅助临床诊断并减少不必要的胆囊切除术	接受胆囊切除术的胆囊息肉患者	数字病理学	胆囊息肉	常规超声（灰阶超声和彩色多普勒血流成像）	深度学习模型	超声图像	339例患者（平均年龄53.17±15.89岁，女性182例）	NA	U-Net, EfficientNet-B4	Dice系数, IoU, AUC	NA
1359	2026-02-07	SaccpaNet: A Separable Atrous Convolution- Based Cascade Pyramid Attention Network to Estimate Body Landmarks Using Cross-Modal Knowledge Transfer for Under-Blanket Sleep Posture Classification 2026-Feb, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3432195 PMID:39042546	研究论文	本文开发了一种基于深度相机的睡眠姿势监测与分类系统，用于家庭或社区环境，并设计了一个深度学习模型以应对毯子干扰	提出了SaccpaNet，一种结合可分离空洞卷积的金字塔注意力网络，通过跨模态知识转移（从RGB图像预训练到深度图像）和创新的数据增强技术（如类内混合和覆盖翻转切割）来提高模型在毯子干扰下的鲁棒性	研究仅在150名参与者的数据集上进行，样本量相对有限，且毯子条件可能未覆盖所有现实场景	开发一个能够抵抗毯子干扰的深度相机睡眠姿势分类系统，用于家庭或社区环境中的睡眠监测	睡眠姿势分类，特别是针对毯子覆盖条件下的身体关键点估计和姿势识别	计算机视觉	NA	深度相机成像	CNN	深度图像	150名参与者，执行七种睡眠姿势，覆盖四种毯子条件	NA	SaccpaNet（基于可分离空洞卷积的级联金字塔注意力网络），可能包含残差网络作为骨干	PCK@0.1, F1-score, 准确率	NA
1360	2026-02-07	Neuro-BERT: Rethinking Masked Autoencoding for Self-Supervised Neurological Pretraining 2026-Feb, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3415959 PMID:38889028	研究论文	本文提出了一种基于傅里叶域掩码自编码的自监督预训练框架Neuro-BERT，用于神经信号处理	引入了傅里叶反演预测（FIP）预训练任务，利用傅里叶域中的频率和相位分布来揭示复杂的神经活动，无需依赖精心设计的数据增强或孪生结构	未明确说明预训练数据的具体规模或多样性限制，以及模型在更广泛神经信号任务中的泛化能力	解决神经信号处理中标注数据稀缺的问题，通过自监督预训练提升下游任务的性能	神经信号（如脑电图等生理信号）	机器学习	NA	傅里叶变换、掩码自编码	Transformer	神经信号（时序数据）	NA	NA	Transformer编码器	NA	NA