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
321	2026-01-18	Dengue fever prediction based on meteorological features and deep learning models 2026-Jun, Infectious Disease Modelling IF:3.0Q1 DOI:10.1016/j.idm.2025.12.010 PMID:41536441	研究论文	本文提出了一种基于多维气象特征和深度学习模型的登革热预测方法，利用时间序列生成对抗网络扩展数据集，并通过信号分解、特征提取和融合技术提高预测性能	结合TimeGAN进行数据增强，采用SGMD和样本熵进行气象序列分解与重构，并引入双向时间卷积网络与注意力机制的BiLSTM进行特征融合与预测	研究仅基于中国广东省的数据，可能无法直接推广到其他地理或气候区域，且未详细讨论模型在不同季节或极端天气条件下的鲁棒性	提高登革热流行病趋势的预测准确性，以支持公共卫生决策	登革热病例数据与多维气象特征（如温度、湿度、降水）	机器学习	登革热	时间序列生成对抗网络（TimeGAN）、辛几何模态分解（SGMD）、样本熵（SE）	GAN, BiTCN, BiLSTM	时间序列数据	基于中国广东省的登革热病例数据，具体样本数量未明确说明	NA	TimeGAN, BiTCN, BiLSTM with attention module	平均绝对误差（MAE）, 平均绝对百分比误差（MAPE）	NA
322	2026-01-11	Integrating Kolmogorov-Arnold networks with ordinary differential equations for efficient, interpretable, and robust deep learning: Epidemiology of infectious diseases as a case study 2026-Jun, Infectious Disease Modelling IF:3.0Q1 DOI:10.1016/j.idm.2025.12.006 PMID:41503372	研究论文	本研究通过将Kolmogorov-Arnold网络与常微分方程结合，提出KAN-UDE框架，用于实现高效、可解释且稳健的深度学习，并以新发传染病流行病学为案例进行验证	将Kolmogorov-Arnold网络整合到通用微分方程框架中，相比基于多层感知机的UDE，显著提升了拟合性能，并在部分时间序列数据下实现了非线性函数的精确重建，同时保持了可解释性	在考虑真实世界数据随机性时，KAN-UDE模型的稳健性和准确性较低	开发一种高效、可解释且稳健的深度学习框架，用于建模和分析复杂动态系统	新发传染病的流行病学动态	机器学习	传染病	常微分方程建模	Kolmogorov-Arnold网络, 通用微分方程	时间序列数据	NA	NA	Kolmogorov-Arnold网络	损失函数	NA
323	2026-01-09	Performance of deep-learning reconstruction combined with metal artifact reduction algorithm for dual-energy computed tomography angiography in intracranial aneurysm coil embolization 2026-Jun, European journal of radiology open IF:1.8Q3 DOI:10.1016/j.ejro.2025.100715 PMID:41492271	研究论文	本研究评估了深度学习图像重建结合金属伪影减少算法在颅内动脉瘤弹簧圈栓塞后双能CT血管成像中的诊断性能	首次将深度学习图像重建与金属伪影减少算法结合应用于颅内动脉瘤弹簧圈栓塞后的双能CT血管成像，并确定了80-90 keV为最优能量范围	样本量较小（54例患者），且为单中心前瞻性研究，需要更大规模的多中心验证	评估深度学习图像重建结合金属伪影减少算法在颅内动脉瘤弹簧圈栓塞后随访中的诊断信心和最优方案选择	颅内动脉瘤弹簧圈栓塞后的患者	医学影像分析	颅内动脉瘤	双能计算机断层扫描血管成像	深度学习图像重建	CT图像	54例患者的前瞻性CTA数据库	NA	NA	伪影指数, 信噪比, 对比噪声比, Likert量表评分	NA
324	2025-12-27	Transfer learning with pre-trained language models for protein expression level prediction in Escherichia coli 2026-Jun, Synthetic and systems biotechnology IF:4.4Q1 DOI:10.1016/j.synbio.2025.11.012 PMID:41438772	研究论文	本研究提出了一种名为TLCP-EPE的迁移学习框架，首次融合密码子和蛋白质水平的预训练语言模型来联合捕获表达决定因素，以预测大肠杆菌中的重组蛋白表达水平	首次将密码子和蛋白质序列的预训练语言模型进行融合，通过低秩适应（LoRA）微调CaLM和ProtT5，并利用BiGRU-MLP预测器整合其嵌入表示，从而学习表达感知的表征	未明确说明模型在其他生物体系或更广泛数据集上的泛化能力，也未讨论计算效率或实时预测的可行性	提高重组蛋白表达水平的预测准确性和泛化能力，为理性蛋白质设计和生物制造应用提供基础	大肠杆菌中的重组蛋白表达	自然语言处理	NA	迁移学习, 低秩适应（LoRA）	预训练语言模型, BiGRU, MLP	序列数据（密码子序列, 蛋白质序列）	两个独立测试数据集（具体数量未提供）	NA	CaLM, ProtT5, BiGRU-MLP	AUC	NA