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
221	2026-03-30	Solar Power Forecasting Using Hybrid Deep Learning: Performance Enhancement with Random Forest-BiLSTM and Ensemble Modeling 2026-02-03, Journal of visualized experiments : JoVE DOI:10.3791/69743 PMID:41729804	研究论文	本研究提出了一种混合深度学习集成方法，用于通过捕捉辐照度数据中的复杂时间依赖性来预测太阳能发电量	提出了一种集成前三名架构的逆MAE加权平均集成模型，与最佳个体模型相比，预测误差降低了6.2%，有效平衡了模型优势并增强了预测鲁棒性	NA	提高太阳能发电预测的准确性，以支持电网集成和可再生能源系统的运行稳定性	太阳能发电预测	机器学习	NA	NA	RF-BiLSTM, CNN-LSTM, CNN-BiLSTM, CNN-GRU, CNN-Transformer	历史时间序列数据	NA	NA	RF-BiLSTM, CNN-LSTM, CNN-BiLSTM, CNN-GRU, CNN-Transformer	R², MAE, MSE	NA
222	2026-03-29	Parameter Estimation from Phylogenetic Trees Using Neural Networks and Ensemble Learning 2026-Feb-25, Systematic biology IF:6.1Q1 DOI:10.1093/sysbio/syaf060 PMID:40899780	研究论文	本文提出了一种新的集成神经网络方法，用于从系统发育树中估计物种多样化参数	利用多种神经网络（密集神经网络、图神经网络和长短期记忆循环网络）的集成方法，同时从系统发育树的图表示、分支时间和汇总统计中学习，提高了参数估计的效率和准确性	与最大似然估计方法类似，该方法在延展的出生-死亡过程下仍无法精确恢复参数	估计物种多样化参数，包括物种形成和灭绝速率	时间校准的系统发育树	机器学习	NA	深度学习	DNN, GNN, LSTM	图数据、时间序列数据、汇总统计数据	NA	NA	密集神经网络、图神经网络、长短期记忆循环网络	估计速度、偏差、对树大小的敏感性	NA
223	2026-03-29	Deep models of protein evolution in time generate realistic evolutionary trajectories and functional proteins 2026-Feb-20, bioRxiv : the preprint server for biology DOI:10.64898/2026.02.19.706898 PMID:41757065	研究论文	本文介绍了一种名为PEINT的深度学习框架，用于模拟蛋白质序列随时间演变的过程，并生成具有功能性的蛋白质	PEINT框架突破了传统模型中位点独立演化的简化假设，能够学习位点间复杂相互作用，直接从原始序列学习插入缺失动态，并准确模拟自然进化特征	NA	开发一个能够模拟蛋白质真实进化轨迹并生成功能性蛋白质的深度学习模型	蛋白质序列及其进化过程	机器学习	NA	深度学习	深度学习模型	蛋白质序列数据	数百万个跨越不同折叠家族的蛋白质序列	NA	NA	NA	NA
224	2026-03-29	Deep learning-based battery health prediction for enhancing electric vehicle performance 2026-Feb-19, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-39911-8 PMID:41714349	研究论文	本研究提出了一种混合深度学习框架，用于智能电动汽车电池健康诊断，以提高电池诊断的可靠性和可持续性	提出了一种集成了1D-CNN、TCN、LSTM层和注意力机制的混合深度学习框架，用于电池健康状态预测，在精度、推理延迟和能耗方面均优于传统基线模型	未明确提及	通过智能电池健康诊断，提升电动汽车性能，并支持可持续发展目标7（经济适用的清洁能源）	电动汽车电池的健康状态	机器学习	NA	差分电压分析、差分电流分析、增量容量分析	CNN, LSTM, TCN	电池充放电循环数据	来自NASA PCoE、牛津和CALCE电池退化数据集的超过10,000个充放电循环	NA	1D-CNN, TCN, LSTM	准确率, RMSE	NA
225	2026-03-29	Pneumonia detection from enhanced chest X-Ray images based on Double SGAN model 2026-Feb-19, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-39785-w PMID:41714360	研究论文	本研究提出了一种基于双SGAN模型和增强型胸片图像的肺炎检测深度学习诊断系统	创新性地提出了Double SGAN模型以解决类别不平衡问题，并在ResNet18中嵌入了空间注意力机制以聚焦肺炎诊断关键特征区域	研究仅使用儿科肺部图像的肺炎MNIST数据集，未涉及成人或其他类型医学影像数据	开发一种能够处理不平衡数据集并提高肺炎图像分类准确性和鲁棒性的深度学习诊断系统	儿科胸片X光图像	计算机视觉	肺炎	胸片X光成像	GAN, CNN	图像	肺炎MNIST数据集（具体数量未明确说明）	NA	Double SGAN, ResNet18-SA	准确率, 精确率, 召回率, F1分数	NA
226	2026-03-29	The BIOPREVENT machine-learning algorithm predicts chronic graft-versus-host disease and mortality risk using posttransplant biomarkers 2026-Feb-16, The Journal of clinical investigation IF:13.3Q1 DOI:10.1172/JCI195228 PMID:41697751	研究论文	本研究开发了一种名为BIOPREVENT的机器学习算法，利用移植后生物标志物预测慢性移植物抗宿主病和死亡率风险	首次结合移植后90/100天测量的7种血浆蛋白和9个临床变量，开发了能够预测cGVHD和非复发死亡率的机器学习算法，并创建了公开可用的R Shiny网络应用程序支持临床使用	深度学习模型未表现出优于其他机器学习方法的性能，需要进一步研究探索该算法在指导预防性治疗中的作用	开发机器学习算法以改善造血细胞移植后慢性移植物抗宿主病和非复发死亡率的预测准确性	1,310名造血细胞移植受者	机器学习	移植物抗宿主病	血浆蛋白测量	CoxXGBoost, Group SCAD, Adaptive Group Lasso, Random Survival Forests, BART, 深度学习模型	临床变量和生物标志物数据	1,310名患者，分为训练集和验证集	R	贝叶斯加性回归树（BART）被选为最终模型	时间依赖性ROC曲线下面积（AUCt），校准曲线	NA
227	2026-03-29	AI accelerate the identification of druggable targets by 3D structures of proteins and compounds 2026-Feb-14, NPJ precision oncology IF:6.8Q1 DOI:10.1038/s41698-026-01310-7 PMID:41691035	综述	本文综述了人工智能在肿瘤药物开发中的应用，特别是在靶点识别、虚拟筛选和从头分子设计方面的进展	系统性地总结了AI如何通过预测蛋白质三维结构、评估靶点成药性、加速虚拟筛选和从头药物设计来革新肿瘤药物开发流程	讨论了AI药物开发面临的主要挑战，包括数据质量、模型可解释性、计算资源限制以及伦理和监管问题	概述人工智能技术在加速肿瘤药物开发，特别是靶点识别和化合物筛选方面的应用与挑战	蛋白质三维结构、化合物库、药物-靶点相互作用、分子性质	机器学习	肿瘤	机器学习，深度学习	神经网络	分子结构数据，蛋白质结构数据，化学库数据	NA	NA	NA	NA	NA
228	2026-03-29	Kinic index: an artificial intelligence-driven predictive model and multitarget drug discovery framework for hepatocellular carcinoma patients 2026-Feb-14, NPJ precision oncology IF:6.8Q1 DOI:10.1038/s41698-026-01324-1 PMID:41691080	研究论文	本研究建立了一个名为Kinic指数（KI）的人工智能预测模型，用于肝细胞癌（HCC）患者的风险分层、预后预测和多靶点药物发现	首次将异烟酰化（K）修饰与多组学数据整合，通过人工智能模型（KI）对HCC患者进行亚型分类，并结合GraphBAN深度学习和ADMET-AI筛选，优先针对CYP2C9和G6PD进行多靶点药物发现	未明确说明模型在外部验证集上的泛化能力，以及候选化合物的体内实验验证结果	开发一个AI驱动的预测模型和药物发现框架，以改善肝细胞癌患者的预后和治疗选择	肝细胞癌（HCC）患者	机器学习	肝细胞癌	多组学数据整合，单细胞转录组分析，空间转录组分析	LASSO, RSF, 深度学习	多组学数据，转录组数据	NA	GraphBAN, ADMET-AI	NA	总体生存率，结合亲和力验证	NA
229	2026-03-29	Computational frameworks for enhanced extracellular vesicle biomarker discovery 2026-Feb, Experimental & molecular medicine DOI:10.1038/s12276-025-01622-x PMID:41535547	综述	本文综述了利用人工智能等先进计算框架，整合多源数据资源，以加速细胞外囊泡生物标志物的发现与临床转化	提出结合人工智能驱动的蛋白质结构和理化性质预测，优化生物标志物候选物，确保与现有检测系统的兼容性，从而弥合发现与临床应用之间的差距	NA	加速细胞外囊泡生物标志物从发现到临床应用的转化，以增强精准医疗	细胞外囊泡生物标志物	机器学习	NA	多组学整合	深度学习	多组学数据、蛋白质定位数据、组织特异性数据、药物数据、模型系统数据、免疫数据库	NA	NA	NA	预测性能、生物学合理性、临床实用性	NA
230	2026-03-29	Identifying a conserved transcriptional signature of drought and salt stress in Arabidopsis thaliana through meta-analysis, consensus network analysis, and deep learning 2026-Feb-01, Genetica IF:1.3Q4 DOI:10.1007/s10709-026-00261-y PMID:41620995	研究论文	本研究通过整合元分析、共识网络分析和深度学习，系统识别了拟南芥在干旱和盐胁迫下的保守转录特征和关键调控基因	首次将元分析、共识网络分析和深度学习三种方法协同整合，构建了一个新颖的分析框架，用于稳健识别跨胁迫的保守响应基因和核心调控网络	研究仅基于拟南芥的转录组数据，结果在作物中的直接应用需要进一步验证；样本量相对有限（64个样本）	理解植物对非生物胁迫（干旱和盐胁迫）的响应机制，并识别可用于工程化气候韧性作物的关键遗传靶点	拟南芥（Arabidopsis thaliana）	机器学习	NA	转录组测序（RNA-seq）	Autoencoder, MLP	转录组数据	64个样本（来自多个研究的干旱和盐胁迫条件数据集）	NA	Autoencoder, MLP	准确率, AUC	NA
231	2026-03-28	Deep Learning-Based Diagnostic Model for Ocular Surface Neoplastic Diseases 2026-Feb-24, American journal of ophthalmology IF:4.1Q1 DOI:10.1016/j.ajo.2026.02.033 PMID:41748055	研究论文	本研究开发了一种基于深度学习的诊断模型，用于识别眼表肿瘤性疾病，并评估其诊断性能	首次应用YOLOv5深度学习模型于眼表肿瘤的自动诊断，并通过与不同级别眼科专家的比较验证了其高诊断准确性	对于罕见恶性肿瘤（如黑色素瘤和MALT淋巴瘤）的诊断性能有限，需要进一步优化	开发并评估一个深度学习模型，用于辅助诊断眼表肿瘤性疾病	眼表肿瘤图像，包括痣、角膜缘皮样瘤、MALT淋巴瘤、眼表鳞状上皮瘤、黑色素瘤、睑裂斑和翼状胬肉	计算机视觉	眼表肿瘤性疾病	裂隙灯显微镜成像	CNN	图像	1491张眼表图像，代表7种疾病，外部验证使用299张图像	PyTorch	YOLOv5	阳性预测值, 曲线下面积, 敏感性, 特异性	NA
232	2026-03-28	Graph Learning in Bioinformatics: A Survey of Graph Neural Network Architectures, Biological Graph Construction and Bioinformatics Applications 2026-02-23, Biomolecules IF:4.8Q1 DOI:10.3390/biom16020333 PMID:41750401	综述	本文综述了图神经网络在生物信息学中的应用，涵盖图构建、架构设计和生物医学应用	提供了一个结构化框架，从图构建、GNN架构到生物医学应用三个维度系统梳理GNN在生物信息学中的方法与应用，并强调图质量、架构选择和训练动态对性能的联合影响	NA	为理解和应用图神经网络在生物信息学中提供一个系统框架	生物系统，包括蛋白质相互作用网络、基因调控回路、分子图和多组学整合等	生物信息学	NA	图神经网络	GNN, GCN, GAT, GraphSAGE, GIN	图数据	NA	NA	Graph Convolutional Networks, Graph Attention Networks, Graph Sample and AggregatE, Graph Isomorphism Network	NA	NA
233	2026-03-28	Detection of esophageal varices and prediction of hepatic decompensation in unresectable hepatocellular carcinoma using AI 2026-Feb-10, Journal of hepatology IF:26.8Q1 DOI:10.1016/j.jhep.2026.01.021 PMID:41679555	研究论文	本研究开发并外部验证了基于AI的非侵入性模型，用于检测食管静脉曲张和预测肝失代偿，以改善不可切除肝细胞癌患者的预后评估	首次将基础模型HepatoSageCT应用于常规增强CT图像，结合临床数据，实现了对食管静脉曲张和肝失代偿风险的准确非侵入性预测	研究为回顾性设计，需要前瞻性验证来进一步确认模型的临床适用性	开发非侵入性模型以检测食管静脉曲张并预测肝失代偿风险，减少不必要的内镜检查并改善不可切除肝细胞癌患者的预后评估	接受阿特珠单抗-贝伐珠单抗治疗的不可切除肝细胞癌患者	数字病理学	肝细胞癌	对比增强CT	深度学习	图像, 临床数据	489名患者（开发队列279名，外部验证队列210名）	NA	HepatoSageCT	AUROC, 敏感性, 特异性, C指数, 风险比	NA
234	2026-03-25	Toward a unified pipeline for natural product discovery: tools and strategies for NRPS and PKS pathway exploration and engineering 2026-02-25, Natural product reports IF:10.2Q1 DOI:10.1039/d5np00041f PMID:40719200	综述	本文综述了将非核糖体肽合成酶和聚酮合酶系统转变为理性设计平台的最新进展，涵盖基因组挖掘、高通量筛选、合成生物学和计算建模等工具与策略	强调计算建模（如同源建模、分子对接、分子动力学模拟）和深度学习策略与传统技术相结合，加速定制天然产物类似物的发现与组装	NA	探索和改造非核糖体肽合成酶和聚酮合酶生物合成途径，以发现和设计新型天然产物	非核糖体肽合成酶和聚酮合酶系统及其产生的天然产物（如抗生素、免疫抑制剂、抗癌剂）	计算生物学, 合成生物学	NA	基因组挖掘, 高通量筛选, 去重复化, 同源建模, 分子对接, 分子动力学模拟	深度学习模型	基因组数据, 蛋白质结构数据, 化学数据	NA	NA	NA	NA	NA
235	2026-03-24	Deep transfer learning based image colorization using VGG19 and CLAHE 2026-Feb-18, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-40292-1 PMID:41702997	研究论文	本文提出了一种基于深度迁移学习的图像着色方法，利用VGG19网络提取特征并结合CLAHE后处理提升色彩质量	结合预训练的VGG19网络进行特征提取，并引入CLAHE作为后处理步骤以增强输出图像的对比度和色彩鲜艳度	未明确提及方法在极端光照或复杂纹理场景下的泛化能力限制	实现高质量且高效的灰度图像自动着色	灰度图像	计算机视觉	NA	NA	CNN	图像	在ImageNet、COCO-Stuff和Places365等多个数据集上进行实验	NA	VGG19	PSNR, SSIM	NA
236	2026-03-24	Explainable AI in education: integrating educational domain knowledge into the deep learning model for improved student performance prediction 2026-Feb-18, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-40538-y PMID:41703044	研究论文	本研究提出了一种结合教育领域知识优化人工神经网络（ANN）的方法，用于提高学生数学成绩预测的准确性和可解释性	提出了基于SHAP的学生成绩预测解释（SPPE）算法，通过教育领域知识引导重新评估特征贡献，使模型学习的关系与领域知识一致，从而显著提升预测性能	研究仅基于一个包含395名葡萄牙高中学生的公开数据集，模型在其他数据集或教育背景下的泛化能力有待进一步验证	开发可解释的人工智能模型，以更准确、可信地预测学生学业表现	葡萄牙高中学生的数学成绩记录	机器学习	NA	NA	ANN	表格数据	395名葡萄牙高中学生	NA	人工神经网络	预测准确率	NA
237	2026-03-24	Adaptive example selection for prototype based explainable mitosis detection in digital pathology 2026-Feb-18, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-40283-2 PMID:41708713	研究论文	本文提出了一种基于原型的可解释AI框架AES，用于提高有丝分裂检测深度学习模型的可解释性	AES框架通过自适应选择真实世界的支持性和矛盾性原型图像，高保真地局部近似模型置信度表面，不同于以往专注于离散类别预测的方法	NA	提高深度学习模型在数字病理学有丝分裂检测中的可解释性和透明度	有丝分裂检测	数字病理学	癌症	NA	Faster R-CNN	图像	NA	NA	Faster R-CNN	F1-score	NA
238	2026-03-24	Evaluating Sentinel-2 gap filling techniques for cloud removal and data reconstruction 2026-Feb-17, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-39488-2 PMID:41703033	研究论文	本研究评估了多种填补Sentinel-2卫星图像中云层导致数据缺失的技术，包括空间、时间、时空和时空光谱方法	建立了一个评估框架，首次系统比较了不同填补方法在Sentinel-2图像上的性能，并公开了所有代码以确保可重复性	深度学习方法需要更多训练努力，且在所有场景中泛化能力有限	评估Sentinel-2图像中云层导致数据缺失的填补技术，以支持水资源管理、灌溉调度和作物健康预测等时间敏感应用	Sentinel-2卫星图像，特别是可见光（B02、B03、B04）、近红外（B08）和短波红外（B11、B12）波段	计算机视觉	NA	卫星遥感	深度学习	图像	NA	NA	NA	决定系数（R²）、相对均方根误差（rRMSE）、偏差（bias）	NA
239	2026-03-24	Large-Scale Histological Image Dataset with Metadata for Colorectal Cancer Microenvironment 2026-Feb-12, Scientific data IF:5.8Q1 DOI:10.1038/s41597-026-06675-9 PMID:41673045	研究论文	本文介绍了一个用于结直肠癌肿瘤微环境分析的大规模组织学图像数据集HMU-CRC-Hist550K，并展示了其在深度学习模型基准测试中的应用	构建了首个包含55万张标注图像块、覆盖8种不同TME组织类别的大规模结直肠癌组织学图像数据集，填补了该领域高质量标注数据的空白	数据集主要基于公开可用的结直肠癌组织学样本，可能无法完全代表所有临床场景的多样性	解决结直肠癌肿瘤微环境异质性分析中高质量标注数据缺乏的问题，促进AI辅助诊断和个性化治疗	结直肠癌组织学图像中的肿瘤微环境组织成分	数字病理学	结直肠癌	组织学成像	深度学习模型	组织学图像	550,000张标注图像块（来自500张全切片图像）	NA	NA	NA	NA
240	2026-02-14	A comprehensive maternal health risk prediction dataset from IoT-enabled medical cyber-physical systems in developing countries: supporting machine learning and deep learning applications for clinical decision support 2026-Feb-12, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-026-03343-1 PMID:41680779	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA