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
641	2026-02-08	AMPCliff: Quantitative definition and benchmarking of activity cliffs in antimicrobial peptides 2026-Feb, Journal of advanced research IF:11.4Q1 DOI:10.1016/j.jare.2025.04.046 PMID:40318764	研究论文	本文提出了一个名为AMPCliff的定量定义和基准测试框架，用于研究由标准氨基酸组成的抗菌肽中的活性悬崖现象	首次针对抗菌肽中的活性悬崖现象提出了定量定义和系统性的基准测试框架，并评估了多种机器学习、深度学习和语言模型在该任务上的表现	当前基于深度学习的表示模型在预测抗菌肽活性悬崖方面仍有局限，需要整合原子级动态信息以更准确捕捉抗菌肽特性	定量定义和基准测试抗菌肽中的活性悬崖现象，并评估现有预测模型的性能	由标准氨基酸组成的抗菌肽，特别是针对金黄色葡萄球菌的抗菌肽对	机器学习	NA	NA	机器学习, 深度学习, 掩码语言模型, 生成语言模型	序列数据	来自公开AMP数据集GRAMPA的成对抗菌肽基准数据集	NA	ESM2	Spearman相关系数	NA
642	2026-02-08	Machine learning models in the prediction of chronic or shunt-dependent hydrocephalus following subarachnoid hemorrhage: A systematic review and meta-analysis 2026-Feb, The neuroradiology journal DOI:10.1177/19714009251345104 PMID:40405362	系统综述与荟萃分析	本文通过系统综述和荟萃分析评估了机器学习模型在预测蛛网膜下腔出血后慢性或分流依赖性脑积水方面的性能	首次对机器学习模型在预测蛛网膜下腔出血后慢性或分流依赖性脑积水方面的预测性能进行了系统性的综述和荟萃分析	纳入的研究数量有限（6项），且仅提取了各研究中性能最佳模型的数据，可能存在选择偏倚	评估机器学习模型预测蛛网膜下腔出血后慢性或分流依赖性脑积水的准确性	蛛网膜下腔出血患者	机器学习	脑积水	NA	机器学习，深度学习	NA	2096名个体	NA	NA	AUC，准确率，灵敏度，特异性，诊断比值比	NA
643	2026-02-08	Deep learning and iterative image reconstruction for head CT: Impact on image quality and radiation dose reduction-Comparative study 2026-Feb, The neuroradiology journal DOI:10.1177/19714009251345108 PMID:40406852	研究论文	本研究客观评估了深度学习图像重建算法在无增强头部CT中，相较于自适应统计迭代重建算法，在改善图像质量和降低辐射剂量方面的能力	首次将深度学习图像重建算法应用于头部CT，并与标准迭代重建算法进行对比，展示了其在图像质量和辐射剂量降低方面的显著优势	研究样本量较小，且剂量降低功能在宽探测器扫描仪中因缺乏机架角度调整而效果有限	评估深度学习图像重建算法在头部CT中的图像质量改善和辐射剂量降低能力	无增强头部CT扫描图像	医学影像分析	NA	CT扫描	深度学习	图像	35名患者	NA	深度学习图像重建	信噪比, 对比噪声比	NA
644	2026-02-08	FusionMVSA: Multi-View Fusion Strategy With Self-Attention for Enhancing Drug Recommendation 2026-Feb, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3586758 PMID:40622834	研究论文	本文提出了一种名为FusionMVSA的创新深度学习模型，用于预测药物与疾病之间的关联，以增强药物推荐	提出了一种结合多视图融合策略与自注意力机制的特征提取方法，利用共享组参数计算多视角自注意力以突出共同特征，并利用生物医学相似性作为引导捕获更细微特征	NA	开发一种动态整合多源数据的方法以预测药物与疾病关联，提升药物推荐效果	药物与疾病之间的关联关系	机器学习	NA	多源数据整合	多层感知机神经网络, 自注意力机制	多源生物医学数据	NA	NA	FusionMVSA	NA	NA
645	2026-02-08	mRSubLoc: A Novel Multi-Label Learning Framework Integrating RNA Large Language Model for mRNA Subcellular Localization 2026-Feb, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3591454 PMID:40694461	研究论文	提出了一种名为mRSubLoc的新型多标签深度学习框架，用于预测mRNA的亚细胞定位	整合了RNA大语言模型RNAErnie与one-hot编码和Word2Vec嵌入来构建mRNA序列的全面表示，并采用多标签学习框架处理多定位任务	未在摘要中明确说明	预测mRNA的亚细胞定位，以促进基因表达调控研究和靶向药物开发	信使RNA (mRNA)	自然语言处理, 机器学习	NA	RNA大语言模型, one-hot编码, Word2Vec嵌入	TextCNN, BiLSTM, MLP	序列 (mRNA序列)	NA	NA	TextCNN, BiLSTM, 多头自注意力机制, MLP	Aiming, Coverage, Accuracy, Absolute-True, Absolute-False	NA
646	2026-02-08	Stroke-Aware CycleGAN: Improving Low-Field MRI Image Quality for Accurate Stroke Assessment 2026-Feb, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2025.3605566 PMID:40902054	研究论文	提出一种名为Stroke-Aware CycleGAN (SA-CycleGAN)的3D深度学习模型，用于提升低场MRI图像质量以改善常规卒中评估	在传统CycleGAN基础上，引入卒中病灶先验知识，通过新颖的空间特征变换机制，并结合梯度差异损失以解决合成图像过度平滑的问题	NA	提升低场便携式MRI设备图像质量，以支持更精确的卒中诊断和病灶量化	卒中患者的低场和高场扩散加权成像(DWI)图像	计算机视觉	卒中	扩散加权成像(DWI)	GAN	图像	101对高场和低场DWI图像，来自同一患者的双扫描	NA	CycleGAN	病灶体积相关性(R值), 平均绝对体积差异	NA
647	2026-02-08	A Physics-ASIC Architecture-Driven Deep Learning Photon-Counting Detector Model Under Limited Data 2026-Feb, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2025.3605886 PMID:40907044	研究论文	本文提出了一种基于物理-ASIC架构驱动的深度学习光子计数探测器模型，用于在有限校准数据下准确建模光子计数CT中的探测器响应	该模型创新性地结合物理原理与ASIC架构，能够全面捕捉探测器传感器和ASIC的响应，在有限数据下实现高精度建模	模型在有限校准数据条件下开发，可能对数据稀缺性敏感，且未明确讨论模型在极端条件下的泛化能力	解决光子计数CT中探测器在有限校准数据下的准确建模问题，以促进该技术的广泛应用	光子计数探测器（PCDs）及其在光子计数CT中的应用	医学影像	NA	光子计数CT（PCCT）	深度学习模型	校准数据	有限校准数据	NA	NA	校准误差、参数估计精度、材料分解图像质量	NA
648	2026-02-08	Lesion Asymmetry Screening Assisted Global Awareness Multi-View Network for Mammogram Classification 2026-Feb, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2025.3607877 PMID:40924534	研究论文	本文提出了一种名为LAS-GAM的新型端到端框架，用于乳腺癌诊断，通过模拟放射科医生分析乳腺X光片的工作流程，整合多视图信息进行患者级别的预测	提出了一种患者级别的诊断框架，结合全局模块和病灶筛查模块，模拟放射科医生的全面评估和病灶定位过程，仅使用患者级别标签进行训练，降低了数据标注成本	未明确说明模型在更广泛数据集上的泛化能力，以及计算效率的具体分析	开发一种基于深度学习的计算机辅助系统，用于乳腺X光片的分类诊断，提高诊断性能和可解释性	乳腺X光片图像，特别是患者的四个视图（双侧乳房的CC和MLO视图）	计算机视觉	乳腺癌	深度学习	CNN	图像	使用了DDSM数据集和内部数据集，具体样本数量未明确说明	NA	LAS-GAM（病灶不对称筛查辅助全局感知多视图网络）	AUC	NA
649	2026-02-08	Vision Mamba: A Comprehensive Survey and Taxonomy 2026-Feb, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2025.3610435 PMID:40982514	综述	本文对Mamba模型在视觉领域的应用进行了全面的调查和分类研究	首次系统地将Mamba从自然语言处理领域扩展到视觉领域，并对其在不同视觉任务和数据类型的应用进行了全面的综述和分类	作为一篇综述性文章，主要基于现有文献进行总结，未提出新的模型或实验验证	全面理解和分类Mamba模型在视觉领域的应用潜力	Mamba模型及其在视觉任务中的应用	计算机视觉	NA	状态空间模型	Mamba	序列数据，时间序列，自然语言，视频	NA	NA	Mamba	NA	NA
650	2026-02-08	Fuzzy Rule-Based Differentiable Representation Learning 2026-Feb, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2025.3609722 PMID:40991592	研究论文	本文提出了一种基于模糊规则的可微表示学习方法，旨在解决现有表示学习方法缺乏透明度和可解释性的问题	提出了一种基于TSK模糊系统的可微表示学习方法，通过前件部分将数据映射到高维模糊特征空间，并设计了一种新颖的可微优化方法用于后件部分的学习，在保持可解释性的同时有效捕捉数据非线性关系	未明确说明方法在大规模数据集上的计算效率，也未与其他可解释表示学习方法进行详细比较	开发一种既具有高性能又保持可解释性的表示学习方法	机器学习中的表示学习任务	机器学习	NA	模糊系统，可微优化	模糊规则模型，TSK模糊系统	基准数据集	NA	NA	Takagi-Sugeno-Kang模糊系统	NA	NA
651	2026-02-08	BrainAuth: A Neuro-Biometric Approach for Personal Authentication 2026-Feb, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3613234 PMID:40991601	研究论文	本文提出了一种基于深度强化学习的个人身份认证框架BrainAuth，利用伽马和贝塔脑电波进行身份验证	采用深度强化学习框架，结合Dyna框架和双重估计技术，引入分层结构架构以减少探索时间，并在可见和未见数据上验证了模型的鲁棒性	未明确说明训练数据的具体规模，且模型在复杂数据结构和延迟敏感环境中的泛化能力仍需进一步评估	开发一个用户友好、鲁棒且可靠的个人身份认证系统	个体的脑电波模式，特别是伽马（γ）和贝塔（β）脑电波	机器学习	NA	脑电波采集与分析	深度强化学习, 深度神经网络	脑电波信号	NA	NA	深度神经网络	等错误率, 真阳性, 假阳性, 真阴性, 假阴性, 错误接受率, 错误拒绝率, 真接受率	NA
652	2026-02-08	Conditional Virtual Imaging for Few-Shot Vascular Image Segmentation 2026-Feb, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2025.3608467 PMID:40996986	研究论文	本文提出了一种用于少样本血管图像分割的条件虚拟成像框架，通过结合有限标注数据和大量未标注数据生成高质量图像，以提高分割学习的准确性和鲁棒性	提出了条件虚拟成像框架，包含两个创新点：1）对齐的图像-掩码对生成，利用大型预训练模型的强大图像生成能力，仅用少量训练图像即可生成具有复杂结构的高质量血管图像；2）双重一致性学习策略，同时训练生成器和分割模型，使它们能够相互学习并最大化有限数据的利用率	未明确说明实验数据的具体来源和规模，也未详细讨论模型在不同血管类型或成像模态上的泛化能力	解决少样本情况下血管图像分割的挑战，提高分割模型的准确性和鲁棒性	血管图像	数字病理	NA	深度学习	生成模型, 分割模型	图像	少量标注血管图像与大量未标注数据	NA	NA	NA	NA
653	2026-02-08	Automated surgical instrument recognition in laparoscopic cholecystectomy videos: a novel two-step deep learning approach with virtual image synthesis 2026-Feb, Surgical endoscopy DOI:10.1007/s00464-025-12341-9 PMID:41184678	研究论文	本文提出了一种用于腹腔镜胆囊切除术视频中手术器械自动识别的两步深度学习新方法，结合虚拟图像合成技术	通过虚拟图像合成技术生成训练数据，并采用两步深度学习模型（先定位后分类）进行手术器械识别，提高了模型的泛化能力	在公共数据集上的性能（AUC 0.688）相对较低，表明模型在更广泛数据上的泛化能力仍有提升空间	优化手术流程并预防手术器械遗留，通过自动识别腹腔镜手术器械来提高手术效率和安全性	腹腔镜胆囊切除术视频中的手术器械	计算机视觉	胆囊疾病	虚拟图像合成	深度学习模型	图像	来自52名患者的311张器械图像和1610张背景图像，通过数据增强生成6023张合成图像	NA	NA	平均精度, 交并比, 曲线下面积	NA
654	2026-02-08	Application of AI-assisted magnifying colonoscopy system in the diagnosis of colorectal tumors: a multicenter exploratory diagnostic study 2026-Feb, Surgical endoscopy DOI:10.1007/s00464-025-12196-0 PMID:41238992	研究论文	本研究开发了一种基于JNET分类的AI辅助诊断模型，用于结直肠肿瘤的诊断，并评估其与不同经验水平内镜医师的诊断性能	开发了基于改进DeepLabV3+模型的AI辅助诊断系统，用于结直肠肿瘤的JNET分类，并证明其能提升初级内镜医师的诊断准确性	需要在真实临床环境中进一步评估其有效性和成本效益	评估AI辅助放大结肠镜系统在结直肠肿瘤诊断中的应用	结直肠肿瘤	数字病理	结直肠癌	放大内镜	CNN	图像	219名患者的2645张放大图像	NA	DeepLabV3+	准确率, 灵敏度, 特异性, AUC	NA
655	2026-02-08	Exploring potential gene signatures in dengue through machine learning and deep learning approaches 2026-Feb, Virus genes IF:1.9Q4 DOI:10.1007/s11262-025-02204-9 PMID:41329415	研究论文	本研究通过机器学习和深度学习方法探索登革热中的潜在基因特征	结合递归特征消除和遗传算法的机器学习与深度学习技术识别登革热生物标志物，并鉴定出七个与登革热诊断相关的枢纽基因	枢纽基因的预后效用需要在更大、更多样化的队列中进一步验证	识别登革热临床条件下的差异表达基因，探索潜在的诊断标志物	登革热患者与对照组的基因表达数据	机器学习	登革热	微阵列数据分析	Random Forest, Support Vector Machine	基因表达数据	来自四个微阵列数据集（GSE84331、GSE18090、GSE43777、E-MTAB-3162）的样本	NA	NA	NA	NA
656	2026-02-08	Artificial intelligence and sleep medicine II: A scoping review of applications, advancements, and future directions 2026-Feb, Sleep medicine reviews IF:11.2Q1 DOI:10.1016/j.smrv.2025.102212 PMID:41330180	综述	本文是一篇范围综述，总结了人工智能在睡眠医学中的应用、进展及未来方向	系统性地综述了AI在睡眠医学中的最新应用，并指出了未来研究应优先考虑多中心验证、伦理治理和文化包容性AI框架	存在显著的真实世界验证差距，且实施挑战依然存在	总结当前人工智能在睡眠医学领域的应用、进展及未来研究方向	睡眠医学领域，特别是阻塞性睡眠呼吸暂停、失眠和发作性睡病等睡眠障碍	机器学习	睡眠障碍	NA	深度学习	NA	NA	NA	NA	准确率, 灵敏度, 特异性	NA
657	2026-02-08	Deep learning and generative artificial intelligence methods in enzyme and cell engineering 2026-Feb, Current opinion in biotechnology IF:7.1Q1 DOI:10.1016/j.copbio.2025.103393 PMID:41344283	综述	本文综述了深度学习和生成式人工智能在酶与细胞工程领域的应用进展	系统总结了AI在酶发现、工程化及从头设计以及细胞基因表达调控、代谢途径优化中的最新应用	当前AI方法的可靠性和泛化能力仍面临挑战	加速优化生物催化剂和细胞内遗传网络的发展，以推动可持续生物经济转型	酶和微生物工厂（细胞）	机器学习	NA	NA	深度学习, 生成式人工智能	NA	NA	NA	NA	NA	NA
658	2026-02-08	Efficient Collaborative Model Training Mechanism With Privacy-Preserving Data for the IoMT 2026-Feb, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3646067 PMID:41411349	研究论文	本文提出了一种用于IoMT时序数据的隐私保护协同训练模型SecLSTF，并设计了新的秘密共享协议Pleione以优化计算效率	提出了SecLSTF隐私保护协同训练模型，设计了模型组件与多方计算协议的映射策略，并创新性地开发了基于超可逆矩阵和配对双随机扩展机制的Pleione秘密共享协议，显著减少了随机数生成所需的通信轮次	未在真实大规模跨机构医疗环境中进行验证，协议安全性分析可能未覆盖所有潜在攻击向量	解决IoMT时序数据在跨机构协同深度学习训练中的隐私保护问题	医疗物联网时序数据	机器学习	NA	多方计算，秘密共享	深度学习时序预测模型	时序数据	NA	NA	SecLSTF	计算时间，计算精度，组件效率	NA
659	2026-02-08	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从发现到临床应用的转化过程	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，从而弥合临床转化中的鸿沟	NA	加速细胞外囊泡生物标志物的临床转化，推动精准医学发展	细胞外囊泡及其作为非侵入性生物标志物的应用	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
660	2026-02-08	A Multimodal Deep Learning Architecture for Estimating Quality of Life for Advanced Cancer Patients Based on Wearable Devices and Patient-Reported Outcome Measures 2026-Feb, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3597054 PMID:40788808	研究论文	本研究提出了一种基于可穿戴设备和患者报告结局指标的多模态深度学习架构，用于估计晚期癌症患者的健康相关生活质量	引入了一种结合CNN、BiLSTM和注意力机制的混合模型，用于处理生理数据和患者报告结局指标，以多模态方式估计晚期癌症患者的HRQoL	研究样本量相对较小（204名患者），且数据收集周期为42天，可能限制了模型的泛化能力	开发一种基于可穿戴设备和患者报告结局指标的连续、实时HRQoL监测方法，以改善晚期癌症患者的护理	晚期癌症患者	机器学习	癌症	可穿戴设备数据采集，患者报告结局指标收集	CNN, BiLSTM	生理数据（如心率、睡眠质量），患者报告结局指标（如HADS、IPOS）	204名患者，数据收集周期为42天	NA	结合CNN和BiLSTM的混合模型，带有注意力机制	平均绝对百分比误差（MAPE）	NA