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
921	2026-05-06	Multirate Industrial Process Forecasting With Hybrid Deep Learning and Adaptive Filtering 2026-May, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2025.3631923 PMID:41264431	研究论文	提出一种结合时间序列分解、iTransformer特征提取和修改的最小门控单元网络的混合深度学习框架，用于处理多速率工业过程预测中的变采样频率和缺失数据问题	创新性地结合了iTransformer和修改的最小门控单元网络，并引入基于死区卡尔曼滤波的自适应参数更新算法来处理缺失质量变量	NA	解决多速率工业过程中因采样频率不同和数据缺失导致的预测准确性问题	多速率工业过程中的质量变量预测	机器学习	NA	NA	混合深度学习模型（iTransformer和修改的最小门控单元网络）	工业过程数据	NA	NA	iTransformer、修改的最小门控单元网络	平均绝对误差、均方根误差、合格率	NA
922	2026-05-06	Deep Model Fusion: A Survey 2026-May, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2025.3628666 PMID:41289107	综述	总结了深度模型融合/合并技术的现状，涵盖权重平均、模式连通性、对齐和集成学习四类方法	全面综述了深度模型融合技术，包括四种主要方法及其在大规模DL模型中的应用挑战	未详细讨论不同异构模型间的计算开销和融合干扰问题，未来研究方向仍待进一步探索	总结深度模型融合的进展并分析其挑战,为未来研究提供方向	多种深度学习模型的参数或预测集成方法，包括大型语言模型和基础模型	机器学习	NA	NA	权重平均、模式连通性、对齐、集成学习	NA	NA	NA	NA	NA	NA
923	2026-05-06	Accurate Protein-Protein Interaction Prediction: Based on Multiview Heterogeneous Graph Autoencoders and Random Masking 2026-May, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2025.3632083 PMID:41329588	研究论文	提出MEGAE模型，利用多视图异构图自编码器和随机遮蔽策略实现高精度蛋白质-蛋白质相互作用及其位点预测	通过向量量化自编码器重构氨基酸微环境，并引入多视图随机遮蔽训练策略，有效融合序列、理化性质和结构特征	NA	精准预测蛋白质相互作用和相互作用位点	蛋白质及其相互作用关系	机器学习	NA	蛋白质相互作用预测	图神经网络（GNN）、向量量化自编码器	蛋白质序列、结构、理化性质数据	NA	PyTorch	MEGAE（包含图自编码器和随机遮蔽策略）	准确率、精确率、召回率、F1分数、AUC	NA
924	2026-05-06	Accelerating imaging: deep learning for enhanced 123I-ioflupane SPECT efficiency 2026-May, Japanese journal of radiology IF:2.9Q2 DOI:10.1007/s11604-025-01933-z PMID:41407995	研究论文	本研究评估了深度学习重建技术能否使5分钟扫描的123I-ioflupane SPECT图像达到诊断质量	首次系统比较多种卷积架构在SPECT加速成像中的表现，发现紧凑的四层U-Net可将扫描时间缩短80%而不损失诊断保真度	回顾性研究设计，样本来自单一中心，需前瞻性多中心验证	验证深度学习重建能否使5分钟SPECT扫描替代传统25-40分钟扫描的诊断图像质量	123I-ioflupane SPECT图像	计算机视觉	帕金森病	SPECT	CNN	图像	207例研究（1035张切片），来自120例训练、37例验证、50例测试患者的600、185、250张图像	NA	U-Net（一到五层深度）、V-Net、U-Net++、R2U-Net、Attention U-Net、TransUNet	峰值信噪比（PSNR）、结构相似性指数（SSIM）、加权κ系数、组内相关系数（ICC）	NA
925	2026-05-06	WSI AFB and AI deliver highest sensitivity for TB detection 2026-May, Tuberculosis (Edinburgh, Scotland) DOI:10.1016/j.tube.2026.102747 PMID:41814116	研究论文	开发一种结合全切片成像和深度学习的人工智能平台，用于结核病检测，显著提高灵敏度	提出一种新型全切片成像平台，采用专有曲面聚焦算法实现高速全切片数字化，并整合两阶段深度学习管道（YOLOv5和ResNet-18）自动识别抗酸杆菌	未提及具体局限性	提高结核病痰涂片检测的灵敏度	1097名患者的痰涂片样本	数字病理学	结核病	全切片成像, 油浸数字化, 抗酸染色	CNN (YOLOv5, ResNet-18)	病理图像	1097名患者	NA	YOLOv5, ResNet-18	灵敏度, 特异性	NA
926	2026-05-06	Artificial intelligence iterative reconstruction in lower extremity computed tomography angiography (CTA) of diabetic patients: Improved visualization of distal and collateral arteries 2026-May, Acta radiologica (Stockholm, Sweden : 1987) DOI:10.1177/02841851261429969 PMID:41841341	研究论文	比较深度学习重建算法AIIR与常规混合迭代重建HIR在糖尿病下肢CTA中对远端和侧支动脉的可视化效果	首次探索新型深度学习重建算法AIIR在糖尿病下肢CTA中对远端和侧支动脉可视化的影响	回顾性研究，样本量较小（59例），可能影响结果的普遍性	评估AIIR在糖尿病下肢CTA中显示远端和侧支动脉的性能	59名接受下肢CTA检查的糖尿病患者	医学影像	糖尿病	CTA	深度学习重建模型	CT图像	59例糖尿病患者的下肢CTA图像	NA	NA	血管可视化评分、侧支循环描绘评分、噪声、信噪比、对比度噪声比、主观图像质量评分	NA
927	2026-05-06	A Novel Covalent Inhibitor Fragment for the SARS-CoV-2 Main Protease Identified by Target-Specific Deep Learning 2026-May-01, ACS chemical biology IF:3.5Q2 DOI:10.1021/acschembio.6c00120 PMID:42066065	research paper	利用靶向特异性深度学习工作流程识别SARS-CoV-2主蛋白酶的新型共价抑制剂片段	结合微调抑制剂预测模型与溶解度、亲脂性模型及分子相似性分析，从超50万化合物库中快速筛选出新型共价抑制剂片段，并通过晶体结构验证其独特作用机制	NA	加速发现SARS-CoV-2主蛋白酶的新型抑制剂化合物和片段类起点	SARS-CoV-2主蛋白酶（Mpro）及其抑制剂	machine learning	COVID-19	深度学习，生化分析，X射线晶体学	目标特异性深度神经网络	实验抑制剂数据，分子结构数据	可购买化合物库超50万种，实验测试24种候选化合物	NA	微调预测模型，溶解度模型，亲脂性模型	IC50值，晶体结构分辨率（1.76 Å）	NA
928	2026-05-06	DeepOTG: An effective deep learning framework for identifying human protein O-linked threonine glycosylation sites via attention-based information bottleneck 2026-May, International journal of biological macromolecules IF:7.7Q1 DOI:10.1016/j.ijbiomac.2026.152152 PMID:42025727	研究论文	提出了一种名为DeepOTG的双分支深度学习框架，用于识别人类蛋白质中O-连接苏氨酸糖基化位点	结合蛋白语言模型ESM-2的全局语义语境与基于PSSM的局部进化模式，通过融合多头自注意力和变分信息瓶颈的模块，有效融合互补信息并抑制冗余	未明确提及限制	开发一种计算工具用于准确预测O-连接苏氨酸糖基化位点，以辅助生物学研究	人类蛋白质中的O-连接苏氨酸糖基化位点	机器学习	NA	蛋白质语言模型ESM-2, 位置特异性评分矩阵（PSSM）	多尺度CNN-BiGRU, 多头自注意力, 变分信息瓶颈	蛋白质序列数据	基准数据集（平衡测试集和非平衡测试集）	PyTorch	多尺度CNN-BiGRU	MCC	NA
929	2026-05-04	Optimizing land use and land cover classification with deep learning on multi-resolution datasets 2026-May-02, Environmental monitoring and assessment IF:2.9Q3 DOI:10.1007/s10661-026-15391-1 PMID:42068382	研究论文	探索三种深度学习架构（MobileNetV3、ResNet34、GoogleNet）结合迁移学习、数据增强和自适应学习率调度在多分辨率数据集上的土地覆盖分类性能	通过迁移学习、数据增强和自适应学习率调度的优化训练流程，系统比较三种现代深度学习架构在多分辨率遥感数据集上的分类性能	NA	优化深度学习方法用于多分辨率数据集上的土地覆盖分类	EuroSAT和PatternNet两个基准数据集中的遥感图像	计算机视觉	NA	卫星遥感图像处理	卷积神经网络	图像	EuroSAT数据集包含10类土地覆盖的Sentinel-2卫星图像，PatternNet数据集包含38种多样化类别的高分辨率航空图像	NA	MobileNetV3, ResNet34, GoogleNet	准确率, 推理时间	NA
930	2026-05-04	The Use of Statistical Shape and Appearance Modelling for Predicting Osteoporotic Fracture Risk 2026-May-02, Current osteoporosis reports IF:4.2Q1 DOI:10.1007/s11914-026-00966-1 PMID:42068423	综述	探讨统计形状与外观建模在预测骨质疏松性骨折风险中的应用进展	将统计形状与外观建模与有限元分析和机器学习结合，从2D临床图像重建3D对象进行生物力学评估	临床推广受限于模型的泛化能力不足	评估统计形状与外观建模在骨质疏松性骨折风险预测中的研究进展	骨质疏松性骨折的骨几何结构和内部密度分布	计算机视觉	骨质疏松性骨折	统计形状与外观建模	NA	图像	NA	NA	NA	NA	NA
931	2026-05-04	Fusion attention-based nasopharyngeal carcinoma segmentation model in predicting the clinical outcome of cervical lymph node residue after IMRT 2026-May-02, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-026-02356-6 PMID:42069522	研究论文	提出一种基于融合注意力的鼻咽癌分割模型，用于预测调强放疗后颈部淋巴结残留的临床结局，并构建影像组学列线图	将融合注意力机制引入U-Net框架，改进通道和空间注意力模块以聚焦小目标，并将2D交错稀疏自注意力扩展至3D，解决低对比度问题；结合临床因素和影像组学特征建立预测列线图	样本量较小（69例），为单中心回顾性研究，仅使用CT图像，缺乏外部验证集	实现鼻咽癌原发灶的自动分割，并根据治疗后残留淋巴结的影像组学特征预测其最终结局	69例接受调强放疗的鼻咽癌患者，治疗后首次MRI显示残留转移性淋巴结但无残留原发灶，中位随访53个月	医学影像分析	鼻咽癌	调强放疗CT图像	融合注意力卷积神经网络	CT图像	69例患者的放疗CT影像	PyTorch, PyRadiomics	U-Net, 通道和空间注意力模块, 3D交错稀疏自注意力	平均Dice系数, 相对体积误差, 平均对称表面距离, Hausdorff距离, 曲线下面积	NA
932	2026-05-04	A multicenter-validated interpretable transformer model for pituitary microadenoma detection on non-contrast multiparametric MRI 2026-May-02, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-026-02391-3 PMID:42069529	研究论文	开发了一种基于非对比多参数MRI的Transformer深度学习模型，用于检测垂体微腺瘤，并通过可解释AI技术增强模型透明度	首次将Transformer模型应用于非对比多参数MRI的垂体微腺瘤检测，并结合Grad-CAM和SHAP可解释性技术提升CNN分类的透明度和泛化能力	未在更大规模的多中心外部验证集中测试，且非对比MRI可能仍存在一定的敏感性限制，需进一步临床验证	提高非对比多参数MRI检测垂体微腺瘤的准确性、泛化性和可解释性	来自三家医院的590名患者的非对比多参数MRI鞍区扫描数据	计算机视觉, 数字病理学	垂体微腺瘤	多参数MRI	Transformer, CNN	MRI图像	590名患者	PyTorch	Transformer, 2D_DL, 2.5D_DL, 2D_multichannel	AUC, 准确率, 精确率, 召回率, F1分数	NVIDIA GPU（如V100或A100）
933	2026-05-04	Hybrid deep learning model for multimodal vocal and lung signal analysis in health monitoring 2026-May-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32779-0 PMID:42069761	研究论文	提出一种混合深度学习模型，通过整合语音和肺部信号分析实现非侵入式健康监测	创新性地采用多模态数据处理方法，将卷积神经网络与双向循环神经网络融合为卷积双向循环神经网络模型，并行处理语音和肺音数据集，并通过集成模型进行综合评估	未提及模型在实际临床环境中的部署挑战，以及不同噪声条件下对模型性能的影响	开发一种多网络模型用于语音和肺部异常检测，以提高健康监测系统的准确性和可靠性	语音信号和肺部信号数据	机器学习	呼吸道疾病	梅尔频率倒谱系数	卷积双向循环神经网络	语音和肺部信号	未提及具体样本数量	NA	卷积神经网络、双向循环神经网络、卷积双向循环神经网络、集成模型	准确率	NA
934	2026-05-04	A synthetic dataset for time series super-resolution with deep learning 2026-May-02, Scientific data IF:5.8Q1 DOI:10.1038/s41597-026-07344-7 PMID:42069808	研究论文	介绍用于时间序列超分辨率研究的合成数据集CoSiBD，包含2500个高分辨率信号及其低分辨率版本	首次提供专为可重复时间序列超分辨率研究设计的合成基准数据集，信号生成采用分段频率调制和样条振幅包络以模拟非平稳行为	数据集为合成数据，可能无法完全反映真实世界时间序列的复杂性，且仅包含四种降采样水平	为深度学习时间序列超分辨率模型提供标准化训练和评估基准	生成的非平稳时间序列信号，包括清洁和含噪变体	机器学习	不适用	合成信号生成，均匀降采样	深度学习模型（基准测试中）	时间序列（一维信号）	2500个高分辨率信号（每个信号5000样本点），以及四个降采样水平（150、250、500、1000样本点）的对应低分辨率版本	NumPy	不适用（提供基线超分辨率结果，未指定特定架构）	谱分析指标，超分辨率基准性能（具体指标未在摘要中明确）	不适用（未提及）
935	2026-05-04	Breast ultrasound images for segmentation and classification using multi-task U-Net 2026-May-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-51534-7 PMID:42069816	研究论文	提出一种多任务U-Net框架，用于乳腺超声图像的联合分割与分类，以提升乳腺癌自动检测性能	创新点包括确定性过采样策略解决类别不平衡、预测-细化模块确保分割与分类输出一致性、以及注意力引导特征学习机制增强病灶定位能力	数据集规模小且不平衡，注释不一致，缺乏集成学习策略，临床适用性受限	开发一个有效且可靠的自动乳腺癌检测方法，提高乳腺超声图像中肿瘤分割和分类的性能	乳腺超声图像中的病变分割和肿瘤分类	数字病理学	乳腺癌	超声成像	多任务U-Net	图像	使用BUSI数据集，通过去除重复和不一致样本构建了精选版本	TensorFlow, PyTorch	U-Net	Dice系数, 准确率	NA
936	2026-05-04	A compact and interpretable multi-source framework for heterogeneous medical image classification 2026-May-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-51120-x PMID:42069855	研究论文	提出了一种轻量级多源框架ML-ConvNet，用于异构医学图像分类，在降低计算开销的同时保持竞争性诊断性能	设计了仅4.2K参数和924M FLOPs的紧凑架构，融合多分支重参数化卷积、层次双路径注意力、特征自变换和局部方差加权优化策略，实现高效且可解释的医学图像分类	仅在公开数据集上验证，缺乏多机构外部验证，泛化性和临床适用性有待进一步评估	设计结构紧凑、可解释的多源医学图像分类框架，在资源受限场景下提供竞争性诊断性能	脑部MRI、肺部CT和胸部X光三种异质成像模态的公开基准数据集	数字病理学, 计算机视觉	NA	深度学习, 图像分类	轻量级卷积神经网络	医学图像	三个公开基准数据集（脑部MRI、肺部CT、胸部X光），具体样本数量未明确	NA	ML-ConvNet（含多分支重参数化卷积、层次双路径注意力、特征自变换）	F1分数, PR-AUC, 推理延迟	CPU和移动硬件测试，具体型号未明确
937	2026-05-04	Physics-guided resampling and asymmetric fusion for ultra-high-frequency bolt-loosening detection 2026-May-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-50662-4 PMID:42069869	研究论文	提出一种物理引导的重采样和不对称融合的深度学习框架，用于螺栓松动检测中的高频振动信号处理	首次将物理引导的重采样算子与异构梯度-谱张量表示及不对称融合模块结合，实现高压缩比下保留瞬态信号特征	未明确讨论对多螺栓耦合松动或大规模工业部署的泛化能力	实现工业监控中兼顾瞬态保真度和计算效率的压缩学习流程	六类1 MHz PVDF振动信号数据集，包含109,668个片段	机器学习	NA	高频振动信号分析	深度学习框架	波形信号	109,668个振动信号片段，测试集16,131个片段	PyTorch	PGRF-Net	准确率	NA
938	2026-05-04	Leveraging population-scale proteomic data with deep learning for head and neck cancer detection in saliva 2026-May-02, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-026-02658-7 PMID:42069923	research paper	该文章提出了一种利用深度学习和人群规模蛋白质组学数据检测唾液中头颈癌的方法	通过样本类型迁移和合成数据增强技术，提高了癌症检测模型在不同样本类型间的泛化能力	仍需进一步验证，且独立验证数据集样本量较小（n=156）	开发基于血液蛋白质组学数据的深度学习框架，用于癌症早期检测	UK Biobank中的血浆蛋白质组数据和独立头颈癌病例对照研究中的唾液蛋白质组数据	machine learning	head and neck cancer	蛋白质组学	CNN	蛋白质组数据	13,208例泛癌病例和39,806例对照的血浆数据，以及156例独立唾液样本	PyTorch	CNN-Synth, VAE	AUC	NA
939	2026-05-04	Development and external validation of an interpretable multimodal deep learning model for 5-year mortality in high-risk stage ii colorectal cancer 2026-May-02, International journal of colorectal disease IF:2.5Q1 DOI:10.1007/s00384-026-05132-8 PMID:42069945	研究论文	开发并外部验证了一个可解释的多模态深度学习模型，用于预测高风险II期结直肠癌患者的5年死亡率	首次将临床数据、血清生物标志物和静脉期CT影像融合为多模态深度学习模型，用于高风险II期结直肠癌的预后预测，并利用SHAP和Grad-CAM增强模型可解释性	回顾性研究设计、样本量相对较小（特别是外部验证队列仅58例），且需要前瞻性验证才能用于治疗调整	提高高风险II期结直肠癌患者5年死亡率的风险分层准确性，支持风险适应性监测和临床决策	高风险II期结直肠癌患者（接受辅助化疗且有完整术前临床、生物标志物和CT数据）	机器学习	结直肠癌	NA	多模态深度学习模型（结合数值和影像输入）	数值（临床+生物标志物）和影像（CT）	778名患者（开发队列720名，外部测试队列58名）	NA	NA	AUC（曲线下面积）	NA
940	2026-05-04	Protein foundation models: a comprehensive survey 2026-May, Science China. Life sciences DOI:10.1007/s11427-025-3147-2 PMID:41530646	综述	全面综述蛋白质基础模型的发展、应用、挑战与前景	系统梳理了蛋白质基础模型从序列到三维结构、功能注释和相互作用网络的多模态数据集资源，并探讨了自编码、自回归、扩散和流匹配等多种模型架构的进展	面临数据瓶颈、评估复杂性和模型可解释性等主要挑战	为计算生物学家提供路线图，为实验研究者提供应用蛋白质基础模型的战略框架	蛋白质基础模型	机器学习	NA	NA	自编码模型、自回归模型、扩散模型、流匹配模型	蛋白质序列、三维结构、功能注释、相互作用网络	NA	NA	NA	NA	NA