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
801	2026-03-30	Transformer-Based Deep Learning Approaches for Speech-Based Dementia Detection: A Systematic Review 2026-Mar, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3595781 PMID:40768460	系统综述	本文系统综述了基于语音的深度学习在痴呆症检测中的应用，重点分析了Transformer模型的效果	首次系统性地比较了Transformer架构在语音痴呆检测中的表现，并明确了语言特征优于声学特征的结论	数据集多样性不足、痴呆严重程度分类标准不一致、样本量和性能指标报告方式存在差异	识别未来数据驱动的痴呆症研究的最佳实践，以开发临床诊断决策支持系统	基于语音的痴呆症检测研究	自然语言处理	老年疾病	语音分析	Transformer	语音	80项研究	NA	Transformer	准确率, 灵敏度, 特异性	NA
802	2026-03-29	Efficient Vision Mamba for MRI Super-Resolution via Hybrid Selective Scanning 2026-Mar-07, ArXiv PMID:41479458	研究论文	本研究提出了一种基于多头选择性状态空间模型和轻量级通道多层感知器的高效MRI超分辨率框架，旨在提升图像分辨率的同时保持低计算开销	提出了一种结合多头选择性状态空间模型、深度卷积和门控通道混合的MambaFormer块，并采用混合扫描策略来捕获长程依赖关系，在保持高精度的同时显著降低了模型参数和计算量	研究仅在脑部和前列腺两个特定MRI数据集上进行验证，未涵盖更多解剖部位或成像模态，且临床实际工作流集成效果有待进一步评估	开发一种高效且准确的深度学习框架，用于MRI超分辨率，以在临床工作流中实现高保真图像重建	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	NA	MRI	基于Mamba的状态空间模型	医学图像	脑部数据集142名受试者，前列腺数据集334名受试者	NA	MambaFormer, 多头选择性状态空间模型, 轻量级通道多层感知器	结构相似性, 峰值信噪比, 学习感知图像块相似度, 梯度幅度相似性偏差	NA
803	2026-03-29	Regulatory grammar in human promoters uncovered by MPRA-based deep learning 2026-Mar, Nature IF:50.5Q1 DOI:10.1038/s41586-025-10093-z PMID:41639451	研究论文	本研究提出了一种基于MPRA数据的深度学习模型PARM，用于从DNA序列预测人类启动子活性并揭示其调控语法	开发了轻量级细胞类型特异性深度学习模型PARM，仅从DNA序列即可可靠预测全基因组自主启动子活性，并能设计纯合成强启动子	未明确说明模型在不同细胞类型间的泛化能力及对非编码变异的解释局限性	构建从调控元件序列准确预测全基因组基因表达的计算模型	人类启动子序列	计算生物学	NA	大规模平行报告基因检测（MPRA）	深度学习模型	DNA序列数据	NA	NA	PARM	NA	NA
804	2026-03-29	NeuroMDAVIS: Visualization of Single-Cell Multi-Omics Data under Deep Learning Framework 2026-Mar, Journal of computational biology : a journal of computational molecular cell biology IF:1.4Q2 DOI:10.1177/15578666261423965 PMID:41744270	研究论文	本文提出了一种名为NeuroMDAVIS的新型无监督深度神经网络模型，用于单细胞多组学数据的联合可视化	NeuroMDAVIS是首个为多模态生物数据集提供联合可视化能力的模型，能够同时捕获模态特定信息和跨模态共同信息	未在摘要中明确提及	解决单细胞多组学数据的高维可视化挑战，实现数据的降维和联合可视化	单细胞多组学数据	机器学习	NA	单细胞技术	深度神经网络	多组学数据	NA	NA	NA	准确率, 精确率, 召回率, F1分数, 聚类有效性指数	NA
805	2026-03-29	DP-OTG: A Feature-Free Deep Learning Model for Accurate Prediction of Human O-Linked Threonine Glycosylation Sites 2026-Mar, Journal of computational biology : a journal of computational molecular cell biology IF:1.4Q2 DOI:10.1177/15578666261424278 PMID:41762162	研究论文	本研究提出了一种名为DP-OTG的免特征深度学习模型，用于准确预测人类蛋白质O-连接苏氨酸糖基化位点	提出了一种免特征、端到端的深度学习框架，无需手动特征工程，通过混合架构自动从原始蛋白质序列中学习序列模式	未明确说明模型在跨物种预测或处理极低丰度糖基化位点方面的泛化能力	开发一种高效的计算工具来预测人类蛋白质O-连接苏氨酸糖基化位点，以替代昂贵且耗时的实验检测方法	人类蛋白质序列及其O-连接苏氨酸糖基化位点	生物信息学	癌症, 神经系统疾病	深度学习	CNN, BiLSTM	蛋白质序列（文本数据）	未明确说明具体样本数量，但使用了平衡和不平衡测试集进行验证	未明确说明，但代码已开源	多核卷积神经网络, 双向长短期记忆网络, 可训练嵌入层	准确率, 马修斯相关系数	未明确说明
806	2026-03-29	Artificial intelligence in preterm birth prediction: a narrative review of current approaches and clinical applicability 2026-Mar, Obstetrics & gynecology science IF:2.0Q2 DOI:10.5468/ogs.26043 PMID:41775248	综述	本文是一篇关于人工智能在早产预测中应用现状、方法学质量及临床适用性的叙述性综述	系统性地评估了不同数据模态下AI预测早产的方法学质量和临床适用性，并指出了当前研究在方法学严谨性上的普遍不足	综述本身不产生新数据，且指出纳入的研究普遍存在样本量不足、缺乏外部验证、未报告校准指标以及高偏倚风险等局限性	评估人工智能在早产预测领域的应用现状、方法学质量及临床适用性	用于预测自发性早产的机器学习模型及相关研究	机器学习	早产	电子健康记录分析、超声图像分析、宫颈纹理和影像组学特征提取、弹性成像参数、多组学整合	深度学习, Transformer	电子健康记录, 超声图像, 多组学数据	NA	NA	Transformer	受试者工作特征曲线下面积	NA
807	2026-03-28	Functional-based multi-omics early prediction of radiation pneumonitis in NSCLC using AI-generated perfusion and ventilation from planning CT 2026-Mar-27, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ae5209 PMID:41825133	研究论文	本研究开发了一种基于功能区域的多组学模型，用于早期预测非小细胞肺癌患者放疗后肺炎	首次系统性地证明从CT衍生的高功能肺区域提取的特征能捕获重要的功能差异，并为放疗后肺炎提供强预测价值，整合影像组学、剂量组学和基于CT的功能信息进一步提升了预测性能	回顾性研究设计，样本量有限（121名患者），且仅使用单中心数据	开发早期预测非小细胞肺癌患者放疗后肺炎的预测模型	121名接受根治性调强放疗的局部晚期非小细胞肺癌患者	数字病理学	肺癌	深度学习，超体素方法，CT成像	机器学习	CT图像，剂量分布图	121名患者	未明确说明	未明确说明	AUC, 准确率, 精确率, 召回率, F1分数	NA
808	2026-03-28	Toward Robust End-to-End Delay Prediction: A GNN Approach With Routing-Aware Attention and Masked Subgraph Sampling 2026-Mar-26, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2026.3670186 PMID:41886318	研究论文	本文提出了一种基于图神经网络的端到端延迟预测模型，通过引入全局路由表示和路由感知注意力机制，提升了模型对未见路由方案的泛化能力	提出了不依赖路由序列的全局路由表示方法，设计了路由感知注意力机制，并采用掩码子图采样策略从部分流交互中推断全局路由相关性	未来需要在更复杂和动态的路由场景下进一步验证模型性能	提高端到端延迟预测的鲁棒性和泛化能力，以支持智能网络管理	网络流量端到端延迟	机器学习	NA	图神经网络	GNN	图数据	四个公开数据集：TnCwD、NSFNET、GBN、GEANT2	NA	图神经网络（含路由感知注意力机制）	预测精度	NA
809	2026-03-28	Less is More: Infrared and Visible Images Fusion via Semantic-Guided Mixture of Multi-Feature Experts 2026-Mar-26, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2026.3675500 PMID:41886321	研究论文	本文提出了一种基于语义引导的多特征专家混合的红外与可见光图像融合方法，旨在提升融合图像质量并促进后续语义分割任务	引入语义引导的多特征专家混合机制，动态选择专家网络处理不同特征类型，有效减少模态冗余并提升融合效果	未明确说明方法在极端光照或复杂动态场景下的泛化能力，且计算复杂度可能较高	开发一种能够有效整合红外与可见光图像互补信息、减少冗余的红外与可见光图像融合方法	红外与可见光图像对	计算机视觉	NA	NA	专家网络混合模型	图像	在五个红外与可见光图像融合和分割基准数据集上进行了广泛实验	NA	语义引导的多特征专家混合架构	NA	NA
810	2026-03-28	Distinctive DNA sequence features define epigenetic longevity of inflammatory memory 2026-Mar-26, Science (New York, N.Y.) DOI:10.1126/science.adz6830 PMID:41886579	研究论文	本研究通过深度学习探究小鼠表皮干细胞在银屑病样皮肤炎症后形成的长期表观遗传记忆机制，发现CpG二核苷酸密度是记忆持久性的主要驱动因素	首次揭示DNA序列特征（特别是CpG密度）通过整合DNA去甲基化、甲基敏感转录因子、核小体排斥倾向和组蛋白变体H2A.Z等多重机制，驱动炎症记忆在细胞世代间持久维持	研究基于小鼠模型，人类组织中的验证尚需进一步研究；深度学习模型的具体架构和训练细节未在摘要中详细说明	探究炎症记忆在组织干细胞中如何跨时间和细胞分裂持久维持的表观遗传机制	小鼠表皮干细胞	表观遗传学	银屑病	深度学习，染色质可及性分析，DNA甲基化分析	深度学习模型	染色质动态数据，DNA序列数据	NA	NA	NA	NA	NA
811	2026-03-28	A Deep Learning-Driven Framework Integrating Organoid-Based Functional Validation Identifies Universal Neoantigens from Recurrent Glioma Mutations 2026-Mar-26, Cancer research IF:12.5Q1 DOI:10.1158/0008-5472.CAN-25-2679 PMID:41886621	研究论文	本研究开发了一种结合HLA结合和TCR识别特征的深度学习驱动新抗原预测算法TCRscore，并利用患者来源的胶质母细胞瘤类器官模型进行功能验证，以识别胶质母细胞瘤中的通用新抗原	整合了HLA结合和TCR识别特征的新抗原预测算法TCRscore，结合患者来源的类器官模型进行功能验证，提高了预测准确性并识别出潜在共享新抗原	未明确说明算法在更大规模数据集上的泛化能力，类器官模型可能无法完全模拟体内肿瘤微环境的复杂性	提高胶质母细胞瘤新抗原的识别准确性和免疫原性验证	胶质母细胞瘤患者来源的肿瘤样本和类器官模型	机器学习	胶质母细胞瘤	ELISpot检测、流式细胞术、体外杀伤实验、类器官-T细胞共培养系统	深度学习	基因组数据、转录组数据、类器官图像数据	21例异柠檬酸脱氢酶野生型肿瘤来源的胶质母细胞瘤类器官模型	NA	NA	预测准确性	NA
812	2026-03-28	Deep Learning-Based Method for Damage Severity Grading of Black Shell Disease in Hong Kong Oyster (Crassostrea hongkongensis) Caused by Polydora Complex 2026-Mar-26, Journal of fish diseases IF:2.2Q1 DOI:10.1111/jfd.70170 PMID:41887728	研究论文	本研究开发了一种基于改进Deeplabv3+语义分割模型的方法，用于识别和分级香港牡蛎由多毛类寄生虫引起的黑壳病严重程度	将卷积块注意力模块（CBAM）集成到Deeplabv3+模型中，通过通道和空间注意力机制提升了模型性能，并构建了用户友好的基于Web的疾病分级系统	未明确说明模型在不同环境条件或不同牡蛎品种上的泛化能力，也未讨论数据增强技术的具体细节	开发一种基于深度学习的自动化方法，用于准确识别和分级香港牡蛎黑壳病的严重程度，以支持疾病监测和预防	香港牡蛎（Crassostrea hongkongensis）及其由多毛类寄生虫（Polydora complex）引起的黑壳病	计算机视觉	水产动物疾病	图像采集与增强技术	语义分割模型	图像	4590张贝类疾病图像	NA	Deeplabv3+, CBAM	平均交并比（MioU）, 平均精度（average precision）, mFscore	NA
813	2026-03-28	Leveraging weighted embedding and Transformer architecture to improve phenotype prediction of complex traits for crops 2026-Mar-26, Nature communications IF:14.7Q1 DOI:10.1038/s41467-026-71035-5 PMID:41888146	研究论文	本文提出了一种名为GP-WAITER的深度学习框架，通过整合GWAS衍生的SNP权重到混合卷积神经网络和Transformer架构中，以改善作物复杂性状的表型预测	引入了加权嵌入机制和多头自注意力，有效捕捉超长基因组序列中的长程依赖关系，并在预测精度、均方误差减少和计算效率方面显著优于现有模型	未明确提及模型在更广泛作物种类或环境条件下的泛化能力限制	提高作物复杂性状的表型预测准确性，并增强模型的生物学可解释性	作物基因组变异与表型之间的关系	机器学习	NA	GWAS	CNN, Transformer	基因组序列数据	NA	NA	混合卷积神经网络和Transformer架构	预测精度, 均方误差, 计算效率	NA
814	2026-03-28	Letter to the Editor: Deep learning-derived features on neonatal abdominal radiographs-implications and next steps for early NEC diagnosis 2026-Mar-26, European radiology IF:4.7Q1 DOI:10.1007/s00330-026-12463-1 PMID:41888253	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
815	2026-03-28	GHMS-CycleGAN: Graph-Based Hierarchical Multi-stain CycleGAN for Stain Normalization and Classification in Digital Pathology 2026-Mar-26, Journal of imaging informatics in medicine DOI:10.1007/s10278-026-01854-x PMID:41888441	研究论文	本文提出了一种基于图的层次多染色CycleGAN方法，用于数字病理学中的染色归一化和分类任务	提出了新颖的层次多染色CycleGAN（HMS-CycleGAN）和图基HMS-CycleGAN（GHMS-CycleGAN）框架，通过利用数字病理图像中的层次和网络结构来学习图像归一化映射	NA	解决数字病理学中因扫描仪导致的染色变异和失真问题，以提升深度学习辅助诊断系统的性能	组织病理学图像、红细胞（RBC）图像和白细胞（WBC）图像	数字病理学	NA	数字病理扫描	CycleGAN	图像	来自不同扫描仪和机构的组织病理学、RBC和WBC图像数据集	NA	CycleGAN	准确率, F1分数	NA
816	2026-03-28	Multicomponent Simultaneous Identification Network (MSINet): An Advanced Deep Learning Model for Boosting Multiplex SERS Detection in Untreated Real Samples 2026-Mar-26, Analytical chemistry IF:6.7Q1 DOI:10.1021/acs.analchem.5c06647 PMID:41889153	研究论文	本文提出了一种名为MSINet的深度学习模型，用于分析未处理样品的SERS光谱，以同时识别和定量多种目标成分	设计了MSINet模型，通过分层特征提取和多特征整合，增强了模型对信号波动和光谱重叠的鲁棒性，并利用阈值判断规则实现了小样本训练下的目标定量	未明确讨论模型在极端复杂基质或极低浓度目标下的性能限制	提升未处理真实样品中多目标SERS检测的准确性和鲁棒性	海水中的紫外线吸收剂、即饮鸡尾酒中的食品添加剂、人血清中的生物标志物	机器学习	NA	表面增强拉曼光谱	深度学习模型	光谱数据	NA	NA	MSINet	准确度	NA
817	2026-03-28	A generalizable deep learning system for cardiac MRI 2026-Mar-25, Nature biomedical engineering IF:26.8Q1 DOI:10.1038/s41551-026-01637-3 PMID:41882174	研究论文	本文提出了一种基于自监督对比学习的深度学习系统，用于心脏MRI的全面评估，能够表征人类心血管疾病与健康的广泛范围	通过从原始放射学报告中学习视觉概念，利用自监督对比学习训练模型，实现了对39种不同心血管疾病的高精度诊断，且仅需少量训练数据	研究数据主要来自美国四家大型学术临床机构，可能限制了模型在其他地区或人群中的泛化能力	开发一个可泛化的深度学习系统，用于心脏MRI的结构、功能和组织特征评估	心脏MRI扫描图像及伴随的放射学报告文本	计算机视觉	心血管疾病	心脏MRI	深度学习模型	图像, 文本	来自美国四家大型学术临床机构、UK BioBank及两个公开外部数据集的数据	NA	NA	诊断准确性	NA
818	2026-03-28	MuCB-tabpfn: A multimodal feature fusion framework for predicting human blood concentrations of organic pollutants 2026-Mar-25, Ecotoxicology and environmental safety IF:6.2Q1 DOI:10.1016/j.ecoenv.2026.120055 PMID:41886874	研究论文	本文提出了一种名为MuCB-tabpfn的多模态深度学习框架，用于预测人体血液中有机污染物的浓度	开发了一个新颖的多模态深度学习框架，通过整合ADME参数、PaDEL分子描述符和基于图迁移学习获得的Himol特征，实现了对化学性质的全面表征，显著提升了血液浓度预测的准确性	模型训练所使用的数据集规模相对较小（216种化合物），可能限制了其在更广泛化学空间中的泛化能力	开发一个高精度、稳健且可解释的计算模型，以预测人体血液中有机污染物的浓度，支持化学品安全评估和健康风险研究	环境有机污染物，特别是来自NHANES、Biomonitoring California和ExposureExplorer数据库的216种化合物	机器学习	NA	深度学习，图迁移学习，多模态特征融合	深度学习框架	多模态数据（ADME参数，分子描述符，分子图特征）	216种环境化合物	NA	MuCB-tabpfn（自定义多模态融合架构）	R, RMSE	NA
819	2026-03-28	Offshore oil spill detection based on visual information and deep learning 2026-Mar-25, Marine pollution bulletin IF:5.3Q1 DOI:10.1016/j.marpolbul.2026.119633 PMID:41887111	研究论文	本文提出了一种基于视觉信息和深度学习的海上溢油检测方法，利用合成孔径雷达图像和U-Net架构的模型进行检测	提出了一种结合EfficientNet-B7和ResNeXt作为U-Net骨干网络的模型，用于分析合成孔径雷达图像以检测海上溢油	NA	开发高效的海上溢油检测方法，以减少环境损害并确保环境安全	合成孔径雷达图像，具体来自PALSAR和Sentinel-1数据集	计算机视觉	NA	合成孔径雷达成像	CNN	图像	NA	NA	U-Net, EfficientNet-B7, ResNeXt	平均IoU, Dice系数	NA
820	2026-03-28	A Deep Learning Pathomic Signature Predicts Survival and Recurrence in Pancreatic Ductal Adenocarcinoma Independent of CA19-9 2026-Mar-24, Cancer letters IF:9.1Q1 DOI:10.1016/j.canlet.2026.218452 PMID:41887395	研究论文	本研究开发了一种基于深度学习的病理组学特征（PCPS），用于预测胰腺导管腺癌（PDAC）患者的生存和复发风险，其预测能力独立于血清标志物CA19-9	首次开发了基于常规H&E染色全切片图像的深度学习病理组学特征，能够有效对CA19-9阴性患者进行风险分层，并揭示了与免疫抑制微环境和基底样上皮细胞状态相关的生物学机制	研究样本量相对有限（内部队列252例，外部验证队列183例），且为回顾性研究，需要前瞻性多中心验证	开发一种独立于CA19-9的预后生物标志物，以改善胰腺导管腺癌的风险分层和治疗指导	胰腺导管腺癌（PDAC）患者	数字病理学	胰腺癌	苏木精-伊红（H&E）染色全切片图像分析	深度学习模型	病理图像	内部队列252例患者，外部验证队列183例患者（来自TCGA）	NA	NA	C-index, 风险比（HR）, P值	NA