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
121	2026-04-05	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	本文提出了一种通过构建带符号的脑网络模型并利用带符号图神经网络技术来预测和分析阿尔茨海默病的新方法	将脑网络建模为包含正负相关性的带符号图，以更有效地捕捉脑区间的细微交互，并利用带符号图神经网络技术显著提升预测准确性	未明确提及研究的局限性	预测和分析阿尔茨海默病，提高其诊断准确性	阿尔茨海默病患者（通过脑网络数据建模）	机器学习	阿尔茨海默病	脑网络建模，带符号图神经网络	图卷积网络（GCN）及其变体	脑网络数据（建模为带符号图）	NA	NA	图卷积网络（GCN）及其变体	诊断精度（提升至少19%）	NA
122	2026-04-05	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	本研究提出了一种基于迁移学习的深度学习框架TransSE，用于从基因组序列中区分超级增强子和典型增强子	结合卷积和循环神经网络，并采用跨物种迁移学习策略，提升了预测准确性和跨物种泛化能力	未明确提及模型在更多物种或更复杂基因组区域上的性能限制	开发一种高精度、可跨物种泛化的计算模型来识别超级增强子	人类和小鼠的基因组序列中的超级增强子与典型增强子	生物信息学	NA	基因组序列分析	CNN, RNN	基因组序列数据	人类和小鼠数据集（具体数量未明确）	NA	结合卷积和循环神经网络的定制架构	AUC	NA
123	2026-04-05	Real-world diagnostic performance of knee MRI protocols accelerated using simultaneous multi-slice acquisition and deep learning reconstruction 2026-Mar, Skeletal radiology IF:1.9Q3 DOI:10.1007/s00256-025-05058-2 PMID:41109866	研究论文	评估使用同步多层采集和深度学习重建的加速膝关节MRI协议在检测内部紊乱损伤方面是否不劣于传统并行成像协议	结合同步多层采集和深度学习重建技术加速MRI扫描，并在真实世界临床环境中验证其诊断性能	部分指标未达到严格的非劣效性边界，研究为回顾性队列设计	评估加速膝关节MRI协议的诊断性能	接受膝关节MRI并随后进行关节镜检查的患者	医学影像分析	膝关节损伤	同步多层采集, 深度学习重建, 3T MRI, 二维涡轮自旋回波序列	深度学习重建模型	MRI图像	1055名患者	NA	NA	灵敏度, 特异性, 95%置信区间	NA
124	2026-04-05	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	本文提出了一种基于深度学习的基因表达预测框架AGEP_TWAS，用于跨组织预测基因表达水平	利用密集连接网络、自适应激活函数和参数剪枝策略，通过核心基因预测其他基因的表达水平，解决了传统方法效率低且忽略缺失SNPs的问题	未明确提及模型在更广泛物种或复杂疾病中的泛化能力限制	开发一种高效准确的基因表达预测方法，以支持转录组范围关联研究	人类和牛的基因表达数据	机器学习	NA	基因表达预测	深度学习	基因表达数据	人类GEO表达数据集和CattleGTEx数据集	NA	密集连接网络	均方误差, 皮尔逊相关系数	NA
125	2026-04-05	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	研究论文	本文提出了一种名为DenseTrack的新型细胞追踪算法，结合深度学习与基于数学模型的策略，用于在密集3D显微镜视频中准确追踪细菌生物膜中的细胞	将细胞追踪问题重新定义为基于深度学习的时间序列分类任务，并引入基于特征值分解的细胞分裂检测策略，利用细胞几何知识提高追踪准确性	NA	开发一种能够在密集环境中准确追踪细胞并识别亲代-子代关系的方法	细菌生物膜中的密集包装细胞	计算机视觉	NA	3D延时显微成像，荧光成像	深度学习	3D时间序列图像，荧光图像序列	模拟和实验荧光图像序列	NA	NA	定性和定量评估指标	NA
126	2026-04-05	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	本文提出了一种基于结构因果视角的数据插补方法SCImputation，旨在通过优化邻居选择和利用后门调整公式来减轻目标特征带来的混淆效应	从结构因果视角分析数据插补问题，揭示了目标特征作为混淆因子的作用，并提出了一种结合实例级和特征级信息的邻居选择策略以及后门调整公式来减轻混淆	NA	解决数据缺失问题，提高数据插补的准确性和可靠性	缺失数据	机器学习	NA	数据插补	KNNimpute, LLSimpute	结构化数据（如微阵列数据、评估数据）	五个数据集（NACC、三个NCBI微阵列、Turkiye Student Evaluation）	NA	NA	准确率, RMSE	NA
127	2026-04-05	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的新型混合深度学习模型，通过融合卷积神经网络和循环神经网络，结合特征融合技术，用于准确预测蛋白质毒性	提出了一种结合CNN和RNN的混合深度学习模型，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，从而在蛋白质毒性预测上实现了最先进的性能	NA	提高蛋白质毒性预测的准确性，以支持药物发现、安全评估和毒理学研究	蛋白质序列	生物信息学	NA	深度学习	CNN, RNN	蛋白质序列数据	NA	NA	混合神经网络（CNN与RNN结合）	准确率, 特异性, 灵敏度, Kappa值, MCC值	NA
128	2026-04-05	Transformer-based deep learning model for real-time prediction of intraoperative hypotension using dynamic time-series vital signs: A retrospective study 2026-Mar, PLoS medicine IF:10.5Q1 DOI:10.1371/journal.pmed.1005024 PMID:41880331	研究论文	本研究开发了一种基于Transformer的深度学习模型，用于利用动态时间序列生命体征实时预测术中低血压，并通过回顾性数据验证其性能	首次将Transformer架构应用于实时术中低血压预测，使用常规可得的连续生命体征时间序列数据而非高分辨率波形数据，并进行了大规模多中心外部验证	研究设计为回顾性，需要前瞻性、多中心验证来确认模型的实时适用性和泛化能力	开发并验证一种能够实时预测术中低血压的深度学习模型，以改善手术期间的患者监护	手术患者	机器学习	心血管疾病	连续生命体征时间序列数据分析	Transformer, XGBoost	时间序列数据	训练集：319,699例手术病例（中国三级医院，2013-2023年）；外部验证集：来自韩国的独立数据集	NA	Transformer	AUC, 召回率, 准确率, 特异性, 预期校准误差	NA
129	2026-04-04	A deep learning-based IoT malware detection approach for electric vehicle charging stations 2026-Mar-31, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-45220-x PMID:41917121	研究论文	本文提出了一种基于深度学习的物联网恶意软件检测方法，专门针对电动汽车充电站，通过统一中间表示和多模态特征融合提升检测性能	该方法首次将多CPU架构的opcode统一转换为PCode中间表示，并集成了全局结构特征、统计特征和语义特征，采用动态加权机制和多层编码器进行深度特征融合	未明确说明方法在实时检测场景下的性能表现，也未讨论对新型或未知恶意软件的泛化能力	提高电动汽车充电站中物联网恶意软件检测的准确性和适应性	物联网恶意软件样本，特别是针对电动汽车充电站环境的样本	机器学习	NA	反编译工具，深度学习算法	深度学习模型	二进制灰度图像，PCode中间表示数据	基于公共物联网恶意软件数据集，具体数量未明确说明	NA	多层编码器	F1分数	NA
130	2026-04-04	TCMNet: an AI-driven strategy for optimizing traditional Chinese medicine 2026-Mar-31, Chinese medicine IF:5.3Q1 DOI:10.1186/s13020-026-01360-w PMID:41918015	研究论文	本文提出了一种名为TCMNet的人工智能驱动策略，用于优化传统中药，通过整合大型语言模型辅助的疾病知识挖掘、蛋白质-蛋白质相互作用网络和深度学习结合预测来评估中药方剂并识别活性化合物	TCMNet创新性地结合了大型语言模型（TCMChat）进行语义加权目标识别、加权PPI网络评估以及深度学习（Boltz-2）结合预测，为中药方剂优化提供了系统化的AI驱动策略	研究仅以帕金森病作为代表性案例，未广泛验证于其他疾病；依赖文献数据，可能受限于现有知识的覆盖范围	开发一种人工智能驱动的策略，以优化传统中药方剂设计并识别其活性化合物	传统中药方剂（如天麻钩藤饮、六味地黄丸等）、临床优化方剂（平颤颗粒）及其与西药（左旋多巴）的联合方案，以及单味草药银杏	自然语言处理, 机器学习	帕金森病	大型语言模型, 蛋白质-蛋白质相互作用网络分析, 深度学习结合预测	大型语言模型, 深度学习	文本, 网络数据	涉及四种经典中药方剂、一种临床优化方剂（平颤颗粒）、其与西药的联合方案及单味草药银杏	NA	Boltz-2	目标覆盖率, Jaccard相似性, 加权接近度, Z分数	NA
131	2026-04-04	Data-Driven Toxicity Prediction: Advances in Machine Learning, Deep Learning, and Predictive Tools - A Systematic Review 2026-Mar-31, Current reviews in clinical and experimental pharmacology IF:1.3Q4 DOI:10.2174/0127724328441651260211220550 PMID:41926296	综述	本文系统回顾了机器学习、深度学习和新兴后深度学习策略在药物发现和环境安全领域毒性预测中的应用进展	总结了从传统机器学习到深度学习，再到应对数据稀缺问题的后深度学习策略（如属性增强、迁移学习和半监督学习）的演进，并综述了多端点预测的在线工具平台	该领域仍面临数据集有限、数据质量参差不齐以及缺乏机制可解释性等挑战	系统总结和评估数据驱动方法在毒性预测中的最新进展，以促进药物发现和环境安全研究	毒性预测相关的机器学习、深度学习模型及预测工具	机器学习	NA	NA	卷积神经网络, 图神经网络, 支持向量机, 随机森林	NA	从1020篇文献中筛选出50篇进行综述	NA	卷积神经网络, 图神经网络	准确率, AUC, F1分数	NA
132	2026-04-04	Multi-scale adaptive fusion network for retinal layer and fluid segmentation in optical coherence tomography B-scans 2026-Mar-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-44006-5 PMID:41912546	研究论文	本文提出了一种用于OCT B扫描中视网膜层和液体分割的多尺度自适应融合网络	提出了自适应多域融合网络（AMDF-Net），集成了混合光谱-空间变换器（HSST）以有效获取全局和局部特征，并引入了动态注意力融合（DAF）模块和疾病包容性分割（DIS）模块来增强对特定视网膜液体特征的识别和分割精度	未明确说明模型在临床环境中的泛化能力或对不同OCT设备的适应性	改进视网膜疾病的检测，特别是对视网膜层和液体（如积液）的精确分割	光学相干断层扫描（OCT）B扫描图像	计算机视觉	视网膜疾病（如糖尿病性黄斑水肿、年龄相关性黄斑变性、视网膜静脉阻塞）	光学相干断层扫描（OCT）成像	深度学习网络	图像（OCT B扫描）	公开可用数据和实时数据（具体数量未明确）	NA	自适应多域融合网络（AMDF-Net），包含混合光谱-空间变换器（HSST）、动态注意力融合（DAF）模块、疾病包容性分割（DIS）模块	Dice系数, 分类准确率	NA
133	2026-04-04	A unified low-carbon cybersecurity framework integrating energy-efficient intrusion detection, lightweight cryptography, and carbon-aware scheduling for edge-cloud architectures 2026-Mar-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-44260-7 PMID:41912554	研究论文	本文提出了一种名为GreenShield的统一低碳网络安全框架，集成能效入侵检测、轻量级密码学和碳感知调度，用于边缘-云架构	提出了一种威胁自适应量化机制和碳感知调度控制器，结合知识蒸馏、动态量化、ASCON轻量级密码学和分层联邦学习，实现能效和碳减排的网络安全解决方案	NA	开发一个低碳、能效的网络安全框架，以减少边缘-云计算环境中的能源消耗和碳足迹	边缘-云计算架构中的网络安全系统，特别是入侵检测系统	机器学习	NA	NA	深度学习	网络流量数据	基于UNSW-NB15和CIC-IDS2017数据集进行实验	NA	NA	检测准确率, 能源减少百分比, 碳排放减少百分比, 通信开销减少百分比, 推理能源减少百分比	NA
134	2026-04-01	EEG imagined speech neuro-signal preprocessing and deep learning classification 2026-Mar-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-39395-6 PMID:41912561	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
135	2026-04-04	Detection of DSCP-based traffic prioritization manipulations and their impact on network performance 2026-Mar-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-44350-6 PMID:41912577	研究论文	本研究采用深度学习模型检测基于DSCP的流量优先级操纵及其对网络性能的影响	首次将CNN、RNN和LSTM的集成方法应用于DSCP操纵检测，实现了99.28%的高准确率	尚未在真实网络环境中部署，缺乏跨网络适应性和模型可解释性	检测DSCP流量优先级操纵并评估其对网络性能的影响	网络流量数据	机器学习	NA	深度学习	CNN, RNN, LSTM	网络流量数据	包含正常和操纵流量模式的标注数据集	NA	CNN, RNN, LSTM	准确率	NA
136	2026-04-01	DengueGNN: Graph-based deep learning for modeling disease spread dynamics and prediction 2026-Mar-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-43073-y PMID:41912593	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
137	2026-04-04	MetaCAM as an ensemble-based class activation mapping framework improves model explainability 2026-Mar-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-42879-0 PMID:41912604	研究论文	本文提出了一种基于集成学习的类激活映射框架MetaCAM，用于提升深度学习模型的可解释性	提出MetaCAM框架，通过集成多个现有CAM方法并基于top-k%高激活像素的共识来改进模型解释性能，同时引入自适应阈值处理和Cumulative Residual Effect（CRE）方法来总结大规模集成实验	NA	提高卷积神经网络（CNN）模型预测的可解释性，特别是在医学和生物识别等高关键性领域	类激活映射（CAM）方法及其在图像解释中的应用	计算机视觉	NA	NA	CNN	图像	NA	NA	NA	ROAD（Remove and Debias）	NA
138	2026-04-04	Enhanced swin transformer with dual attention for knee osteoarthritis severity grading from X-ray images 2026-Mar-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-44174-4 PMID:41912656	研究论文	本研究提出了一种名为Swin-O-NETS的新型混合深度学习框架，用于从膝关节X射线图像中分级骨关节炎的严重程度	结合了改进的Swin Transformer与多头通道自注意力机制以及快速极限学习网络，用于特征提取，实现了更高的鲁棒性和更低的计算复杂度	模型尚未在更大的多中心临床数据集上进行测试，且未整合多模态成像数据	通过深度学习模型对膝关节骨关节炎的严重程度进行自动分级，以支持早期诊断和治疗规划	膝关节X射线图像	计算机视觉	骨关节炎	X射线成像	Transformer, CNN	图像	2,047张来自骨关节炎倡议（OAI）数据集的X光片，涵盖五个Kellgren-Lawrence（KL）严重程度等级	NA	Swin Transformer, ResNet, DenseNet	准确率, 精确率, 召回率, 特异性, F1分数	NA
139	2026-04-01	DeepSentRec: a deep learning-based sentiment-aware product recommendation system 2026-Mar-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-45953-9 PMID:41912685	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
140	2026-03-31	Remote sensing-based landslide prediction and risk assessment using a hybrid CNN-LSTM deep learning model 2026-Mar-29, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-43927-5 PMID:41905998	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA