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
21	2026-10-01	Classification of Alzheimer's Disease by Modeling Brain Networks as Signed Networks Under Deep Learning Frameworks 2026 Mar-Apr, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2026.3655150 PMID:41553900	研究论文	本文通过构建带符号脑网络模型并利用带符号图神经网络技术，对阿尔茨海默病进行分类预测与分析。	创新性地将脑网络建模为带符号图（包含正相关和负相关），并利用图卷积网络及其变体处理带符号脑网络，证明了负相关信息对提升诊断精度的重要性。	未明确提及研究的局限性。	提高阿尔茨海默病的诊断准确性，特别是在早期阶段，并识别重要的脑区生物标志物。	阿尔茨海默病患者与健康对照的脑网络数据。	医学图像分析	阿尔茨海默病	带符号图神经网络、图卷积网络	图卷积网络（GCN）及其变体	脑网络图数据	未明确说明	未明确说明	图卷积网络（GCN）及其变体	诊断精度（准确率）	未明确说明
22	2026-10-01	TransSE: A Transfer Learning-Based Predictive Model for Distinguishing Super Enhancers and Typical Enhancers 2026 Mar-Apr, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2026.3657361 PMID:41576119	研究论文	提出了一种结合卷积和循环神经网络与跨物种迁移学习的深度学习框架TransSE，用于从基因组序列中预测超级增强子	采用两阶段策略：在人类和小鼠数据上预训练学习保守调控特征，然后进行物种特异性微调；结合卷积和循环层捕捉序列特征；实现跨物种迁移学习提高预测性能	未明确说明，可能受限于训练数据规模、物种范围或实验验证的全面性	开发一种高精度、可跨物种通用的计算模型，从基因组序列中识别超级增强子，并研究其调控机制和疾病相关变异	人类和小鼠的基因组序列数据	基因组学	NA	深度学习	CNN, RNN	序列	人类和小鼠的基因组序列数据集	NA	CNN, RNN	AUC	NA
23	2026-10-01	AGEP_TWAS: A Deep Learning-Based Framework for Predicting Gene Expression Levels in Tissues 2026 Mar-Apr, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2026.3663364 PMID:41666075	研究论文	提出了一种基于深度学习的框架AGEP_TWAS，利用landmark基因预测其他基因在不同组织中的表达水平，并应用于TWAS	使用密集连接网络、自适应激活函数和参数剪枝策略，在非线性特征提取计算框架中预测基因表达，并考虑了训练群体中缺失的SNP	未明确提及	准确预测不同组织中的基因表达水平，以理解基因功能并辅助转录组范围关联研究	人类GEO表达数据集和CattleGTEx数据集中的基因表达数据	机器学习	NA	NA	密集连接网络	基因表达数据	人类GEO表达数据集和CattleGTEx数据集，具体样本量未提及	NA	密集连接网络	均方误差, 皮尔逊相关系数	NA
24	2026-10-01	Deep Temporal Sequence Classification and Mathematical Modeling for Cell Tracking in Dense 3D Microscopy Videos of Bacterial Biofilms 2026 Mar-Apr, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2026.3663936 PMID:41671139	research paper	本文提出了一种名为DenseTrack的新型细胞追踪算法，结合深度学习和数学模型，用于在密集的3D显微镜视频中追踪细菌生物膜中的细胞	将细胞追踪问题形式化为深度学习的时间序列分类任务，并结合数学优化和特征分解策略来检测细胞分裂	未明确提及	在密集环境中实现准确的细胞追踪和细胞分裂检测	细菌生物膜中的细胞	计算机视觉	NA	3D time-lapse显微镜成像	CNN	图像	NA	NA	NA	定性评估指标, 定量评估指标	NA
25	2026-10-01	SCImputation: Mitigating Feature Confounding From a Structural Causal Perspective for Data Imputation 2026 Mar-Apr, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2026.3665199 PMID:41697814	研究论文	本文从结构因果视角审视数据插补，提出SCImputation策略以缓解特征混杂，并将其与KNNimpute和LLSimpute集成，在五个数据集上验证了有效性。	从结构因果视角揭示目标特征作为混杂因子导致偏差，提出SCImputation策略，利用实例级和特征级信息细化邻居选择，并应用后门调整公式重加权局部估计。	未明确提及	解决数据插补中缺失数据导致的偏差和可靠性降低问题。	五个数据集：NACC、三个NCBI微阵列和Turkiye学生评估数据集。	机器学习	NA	NA	NA	表格数据	五个数据集（NACC、三个NCBI微阵列、Turkiye学生评估）	NA	NA	准确率，均方根误差	NA
26	2026-10-01	Deep_TPPred: Improved Prediction of Protein Toxicity Using Feature Fusion and Hybrid Neural Network Approach 2026 Mar-Apr, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2026.3656227 PMID:41557578	研究论文	本研究提出了一种名为Deep_TPPred的混合深度学习模型，通过特征融合技术结合CNN和RNN来预测蛋白质毒性	创新性地将CNN和RNN结合，并采用特征融合技术整合多种蛋白质序列描述符，以捕捉复杂的序列关系	未明确说明，但可能受限于基准数据集的规模和多样性	提高蛋白质毒性预测的准确性，以支持药物发现、安全性评估和毒理学研究	蛋白质序列	生物信息学	NA	深度学习、特征融合	混合深度学习模型（CNN+RNN）	蛋白质序列数据	基准数据集（具体数量未提及）	NA	CNN, RNN	准确率, 特异性, 灵敏度, Kappa, MCC	NA
27	2026-10-01	scGPD: single-cell informed gene panel design for targeted spatial transcriptomics 2026-Mar-01, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbag160 PMID:41996577	研究论文	本文提出了一种基于深度学习的基因面板设计框架scGPD，利用单细胞RNA-seq数据为靶向空间转录组学选择紧凑、非冗余的基因集。	使用基因-基因相关性感知的门控机制提取信息特征，鼓励所选基因的多样性并消除冗余，从而克服了现有基于先验知识或启发式规则（如高变基因选择）方法的局限性。	摘要中未明确提及研究的局限性。	设计用于靶向空间转录组学的高效基因面板，以捕获组织内细胞和空间异质性。	单细胞RNA-seq数据和空间转录组学数据。	计算生物学、空间转录组学	NA	单细胞RNA-seq、空间转录组学	深度学习	基因表达数据	NA	NA	NA	转录组范围表达恢复、细胞类型分类性能	NA
28	2026-10-01	Deep representation learning for temporal inference in cancer omics: a systematic literature review 2026-Mar-01, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbag147 PMID:42043943	综述	本文系统综述了深度表示学习（尤其是变分自编码器）在癌症组学数据中用于时间相关过程建模（如肿瘤进展和演化动态）的应用	首次系统性地综述了深度表示学习特别是变分自编码器在癌症组学时间推断中的应用，并提出了将VAE作为生成模型用于癌症分期的前瞻性研究方向	纵向组学数据的稀缺限制了更深入的时间分析，现有方法大多支持亚型分型、诊断和预后，而很少强调时间信息	探索深度表示学习特别是变分自编码器在癌症组学研究中对时间相关过程（如肿瘤进展和演化动态）的建模应用	癌症组学数据及相关深度表示学习方法	机器学习	癌症	组学数据分析	VAE	组学数据	NA	NA	变分自编码器	NA	NA
29	2026-10-01	Comparative evaluation of lightweight and pre-trained deep learning models for multi-class classification of infected freshwater fish species in Thailand 2026-Mar, Veterinary world IF:1.7Q2 DOI:10.14202/vetworld.2026.1215-1228 PMID:42046675	研究论文	该研究比较了轻量级三层CNN与预训练深度学习模型（VGG16、InceptionV3、ResNet50）在泰国受感染淡水鱼物种多分类任务中的性能	针对泰国淡水养殖鱼类，构建了平衡的小规模图像数据集，并系统比较了轻量级CNN与多种预训练模型在疾病多分类中的表现	数据集规模较小（仅224张图像），分类准确率普遍偏低，模型泛化能力有限，未涵盖更多鱼种和疾病类型	比较轻量级与预训练深度学习模型在受感染淡水鱼物种多分类中的性能，探索适用于资源有限养殖环境的自动化疾病检测方法	泰国六个省份养殖场中临床感染的四种淡水鱼：尖吻鲈、红罗非鱼、蛇皮攀鲈和线鳢	计算机视觉	水产动物疾病	图像采集与深度学习图像分类	CNN	图像	共424张图像，预处理后平衡数据集为每类56张，总计224张（训练集80%，测试集20%）	NA	三层CNN, VGG16, InceptionV3, ResNet50	准确率, 精确率, 召回率, F1分数, 混淆矩阵, 五折交叉验证	NA
30	2026-09-28	Deep Learning Decoding of Steady-State Visual Evoked Potential (SSVEP) for Real-Time Mobile Brain-Computer Interfaces: A Narrative Review from Laboratory Settings to Lightweight Engineering Applications 2026-Mar-31, Brain sciences IF:2.7Q3 DOI:10.3390/brainsci16040387 PMID:42041797	综述	本文综述了自2023年以来基于清华基准数据集的SSVEP深度学习解码研究，重点关注面向实时移动应用的实时性、低计算复杂度和高鲁棒性技术发展。	系统总结了面向实时移动SSVEP解码的深度学习关键技术，并分析了这些技术如何应对移动脑机接口工程实现中的核心挑战，包括实时处理需求、资源约束和环境鲁棒性。	作为叙述性综述，未进行定量元分析或系统性偏倚评估，可能受文献选择偏倚影响，且未提供实验验证。	综述面向实时移动应用的SSVEP深度学习解码技术，为移动脑机接口从实验室走向实际部署建立技术基础。	自2023年以来发表的、使用清华基准数据集的SSVEP深度学习解码研究。	脑机接口	NA	稳态视觉诱发电位（SSVEP）	深度学习	脑电信号	NA	NA	NA	NA	NA
31	2026-09-28	Small-molecule binding and sensing with a designed protein family 2026-Mar-28, Nature communications IF:14.7Q1 DOI:10.1038/s41467-026-70953-8 PMID:41904144	研究论文	结合深度学习与基于物理的方法设计多样小分子结合蛋白，为六种小分子靶标计算设计结合剂，并基于皮质醇结合剂构建化学诱导二聚化生物传感器	结合深度学习与物理方法生成具有多样且可设计口袋几何结构的NTF2折叠蛋白家族，实现对小分子的从头结合与传感设计	未明确说明设计蛋白在复杂生理环境中的稳定性与特异性，且仅验证了六种小分子靶标，通用性有待进一步验证	开发可按需设计的小分子结合蛋白与传感器，用于分析、环境及生物医学应用	六种小分子靶标及其设计的结合蛋白，以及基于皮质醇结合剂的化学诱导二聚化系统	蛋白质设计	NA	深度学习与基于物理的蛋白质设计方法	深度学习模型	蛋白质结构数据与结合亲和力数据	六个小分子靶标及其结合蛋白	NA	NA	结合亲和力（纳摩尔至低微摩尔）与原子级设计精度	NA
32	2026-09-28	Deep Learning Assisted Proton Pure Shift NMR Spectroscopy 2026-Mar-11, Journal of the American Chemical Society IF:14.4Q1 DOI:10.1021/jacs.5c22860 PMID:41770844	研究论文	该文章提出了一种深度学习方法，将自旋回波调制的1H NMR谱转换为高灵敏度高分辨率的单峰NMR谱（即虚拟同核去耦纯位移谱）	利用深度学习将自旋回波调制的1H NMR谱转化为纯位移谱，超越了现有方法，并能预测变换的不确定性以支持定量分析	未明确提及	开发一种深度学习方法，实现高灵敏度、高分辨率的纯位移NMR谱，以克服传统谱中多重峰重叠的问题	复杂有机化合物的实验NMR谱	机器学习	NA	NMR波谱学	NA	谱图数据	未明确提及具体样本量	NA	NA	NA	NA
33	2026-09-28	Percutaneous nephrostomy guidance by a convolutional-neural-network-based optical coherence tomography endoscope 2026-Mar-06, Communications engineering DOI:10.1038/s44172-026-00613-8 PMID:41792429	研究论文	本研究开发了一种基于卷积神经网络的光学相干断层扫描内窥镜探头，用于经皮肾造瘘术中的针导航，通过组织识别和血管检测实验验证其有效性	首次将光学相干断层扫描内窥镜探头与深度学习相结合用于经皮肾造瘘术导航，实现了高精度的组织分类和血管检测	摘要中未提及样本多样性或临床环境验证的局限性	提高经皮肾造瘘术中针放置的精确性并避免血管破裂导致的出血	三十一个人肾脏样本	计算机视觉	肾脏疾病	光学相干断层扫描	CNN	图像	31个人肾脏	NA	Inception, nnU-net	准确率, IoU	NA
34	2026-09-26	Developmental Brain Age Estimation From MRI Data: A Systematic Review of Deep Learning Approaches and Open Datasets 2026-Mar, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.70180 PMID:41414873	综述	本文系统综述了基于MRI数据的深度学习脑龄估计方法，聚焦于发育中大脑（胎儿至2岁），并比较了开放数据集和模型性能	全面综述了发育脑龄估计的深度学习方法和开放数据集，涵盖了临床和技术层面，并提出了未来研究方向	作为综述文章，未进行原始实验验证，可能受限于已发表研究的质量和范围	综述深度学习在发育脑龄估计中的应用，比较模型性能，讨论临床应用和挑战	发育中大脑（胎儿至2岁）的MRI数据	医学图像分析	神经发育障碍	MRI	深度学习	图像	NA	NA	NA	评估指标（未具体列出）	NA
35	2026-09-24	From Aphrodite to Algorithm: Assessing the Unassessable 2026 Mar-Apr 01, The Journal of craniofacial surgery IF:1.0Q3 DOI:10.1097/SCS.0000000000011542 PMID:40488729	评论	本文探讨了从神话理想到现代算法对美的量化尝试，并论证美最终无法被完全量化	从神话中的阿佛洛狄忒到现代深度学习算法，跨学科审视美的量化历史与局限，并结合整形外科实践提出美抵抗完全量化的观点	本文为观点性评论，未开展实证研究或算法验证，未提出新的量化方法或模型	探讨美是否可以从神话中的神圣不可言说转变为科学精确评估，并分析算法评估美的潜力与局限	美的量化历史、面部吸引力评估工具（如Marquardt Phi Mask、SCUT-FBP5500深度学习模型）、整形外科中的美学标准	计算机视觉	NA	NA	深度学习模型	NA	NA	NA	NA	NA	NA
36	2026-09-24	The Ongoing Evolution of AI in Craniofacial Surgery: From Theory to Reality and Beyond 2026 Mar-Apr 01, The Journal of craniofacial surgery IF:1.0Q3 DOI:10.1097/SCS.0000000000012123 PMID:41213058	综述	本文概述了人工智能（AI）在颅面外科中的理论、当前应用和未来方向，涵盖从产前诊断到术后评估的围手术期各阶段	系统性地按围手术期阶段对AI在颅面外科的应用进行分类，并指出未来进展将依赖于联邦学习、生成设计和可解释AI（XAI）	数据集有限、技术准确性和临床可接受性边界存在顾虑、外部验证或泛化能力不足、透明度及伦理问题	探讨人工智能在颅面外科中的持续演进，包括理论、当前应用现状及未来发展方向	颅面外科相关的AI、机器学习和深度学习模型及其临床应用	医学人工智能	颅面疾病	NA	机器学习, 深度学习	NA	NA	NA	NA	NA	NA
37	2026-09-24	Exploring the Feasibility of a Deep Learning Algorithm for Postoperative Outcome Assessment in Unilateral Cleft Lip Repair: A Pilot Study 2026 Mar-Apr 01, The Journal of craniofacial surgery IF:1.0Q3 DOI:10.1097/SCS.0000000000012199 PMID:41263442	研究论文	本研究开发了一种基于EfficientNet-B1的卷积神经网络，用于单侧唇裂修复术后结局评估，并识别需要二次修复的高风险患者	首次探索将深度学习算法应用于唇裂术后结局评估，利用真实世界二次修复结局标签训练模型，并采用类别平衡数据集和严格的预处理与验证协议	属于试点研究，样本量较小（500张照片），仅基于单一机构数据，模型准确率（74%）和AUC（0.79）仍有提升空间，尚未在更大规模多中心队列中验证	探索深度学习算法辅助单侧唇裂修复术后结局评估的可行性，并识别需要二次修复的高风险患者	接受单侧唇裂修复手术的患者的标准化术后面部照片	计算机视觉	唇裂	深度学习图像分类	CNN	图像	500张标准化术后面部照片（类别平衡数据集），并在独立测试集上评估	NA	EfficientNet-B1	准确率, AUC, 召回率	NA
38	2026-09-24	MetaChrome: an open-source, user-friendly tool for automated metaphase chromosome analysis 2026-Mar, Methods (San Diego, Calif.) DOI:10.1016/j.ymeth.2025.12.013 PMID:41475630	研究论文	本文介绍了MetaChrome，一个开源的图形用户界面软件平台，用于自动化的中期染色体分割和DNA FISH信号共定位分析	采用手动注释的中期染色体数据集微调Cellpose分割模型，实现了比传统图像处理方法更高的分割精度，并自动将DNA FISH斑点分配给单个染色体，结合了稳健的染色体分割和全面的共定位分析功能	摘要中未明确提及	解决高通量成像中中期染色体精确自动分割和DNA FISH信号共定位的挑战，提供开源工具以促进染色体生物学研究	DNA FISH染色体图像、中期染色体、染色体特异性FISH探针和免疫荧光标记的蛋白质	计算机视觉	NA	DNA荧光原位杂交（DNA FISH）、高通量成像（HTI）	CNN	图像	NA	NA	Cellpose	分割精度	NA
39	2026-09-23	Combined explainable deep learning model to predict pediatric sleep apnea from ECG and SpO2 2026-Mar-10, Measurement : journal of the International Measurement Confederation IF:5.2Q1 DOI:10.1016/j.measurement.2025.120259 PMID:42421779	研究论文	本文提出了一种可解释的深度学习模型，结合卷积神经网络与夜间血氧饱和度和心电图信号，用于识别儿童阻塞性睡眠呼吸暂停。	首次同时分析心电图和血氧饱和度数据，并应用SHAP可解释性技术解释模型决策，揭示呼吸与心脏模式之间的关联。	需要在更多样化的数据集上验证模型的泛化能力。	利用可解释的深度学习模型，通过心电图和血氧饱和度信号诊断儿童阻塞性睡眠呼吸暂停。	患有或疑似患有阻塞性睡眠呼吸暂停的儿童。	机器学习	儿童阻塞性睡眠呼吸暂停	深度学习、可解释人工智能	CNN	信号数据（心电图和血氧饱和度）	3320名患者	NA	CNN	Cohen's 4-class kappa	NA
40	2026-09-21	Efficient Vision Mamba for MRI Super-Resolution via Hybrid Selective Scanning 2026-Mar-07, ArXiv PMID:41479458	研究论文	本文提出了一种基于多头选择性状态空间模型与轻量级通道MLP的高效MRI超分辨率框架，采用混合扫描策略，在脑部和前列腺MRI数据集上实现了优于多种基线方法的性能，同时大幅降低计算量	提出了基于多头选择性状态空间模型（MHSSM）结合轻量级通道MLP的超分辨率框架；采用2D patch提取与混合扫描策略（垂直、水平、对角线）以捕获长程依赖并缓解像素遗忘；设计了MambaFormer模块，融合MHSSM、深度可分离卷积和门控通道混合以平衡局部与全局特征表示	摘要中未明确提及研究的局限性	开发一种高效且准确的深度学习MRI超分辨率框架，在保持精细解剖细节的同时维持低计算开销，以实现临床工作流的实际集成	7T脑部T1 MP2RAGE图像（142名受试者）和1.5T前列腺T2加权MRI图像（334名受试者）	计算机视觉, 医学图像处理	脑部疾病, 前列腺癌	MRI超分辨率重建	Mamba, 状态空间模型, 多层感知机	图像	7T脑部数据集142名受试者，1.5T前列腺数据集334名受试者	NA	MambaFormer（含MHSSM、深度可分离卷积、门控通道混合）	SSIM, PSNR, LPIPS, GMSD	NA