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
841	2026-06-06	Spectral Representation of Neurochemicals With Phase, Frequency Offset, and Lineshape Invariance: Application to JPRESS for In Vivo Concentration and T2 Mapping by Deep Learning 2026-Jun, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.70291 PMID:41654995	研究论文	提出一个基于深度学习的神经网络模型，利用JPRESS时域数据直接映射到神经递质浓度和平均横向弛豫时间(T2)，并对相位偏移、频率偏移和线型变化具有不变性	通过WaveNet和门控循环单元的联合架构生成TE特异性表示并整合为统一的JPRESS表示，模型对相位、频率和线型变化具有不变性，无需先验知识即可自动定量代谢物浓度和T2值，并能检测低浓度神经递质如GABA	仅使用计算机合成数据训练，未提及在真实临床数据上的验证，可能面临体内数据复杂性和噪声的挑战	利用深度学习从JPRESS数据中无创定量神经化学物质的浓度和T2值	JPRESS时域数据中的神经化学物质信号，包括GABA等低浓度代谢物	机器学习	NA	JPRESS磁共振波谱	混合神经网络，结合WaveNet和门控循环单元	JPRESS时域数据	NA	NA	WaveNet, 门控循环单元	NA	NA
842	2026-06-06	HKD-CPI: high-order knowledge distillation enhanced inductive compound-protein interaction prediction 2026-Jun-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btag290 PMID:42179166	研究论文	提出了一种基于高阶知识蒸馏的归纳式化合物-蛋白质相互作用预测框架HKD-CPI	引入分子图标记化机制，将化合物分子图特征与序列预训练大语言模型的标记嵌入对齐；构建基于超图的表示来建模功能相似生物分子间的高阶关系；采用知识蒸馏策略将高阶交互知识从超图迁移至轻量学生模型	未明确说明	提高对未见化合物-蛋白质对的泛化能力，加速药物发现	化合物与蛋白质的相互作用	机器学习, 自然语言处理	NA	知识蒸馏, 分子图标记化, 超图表示	大语言模型, 轻量学生模型	分子图, 序列数据	五个基准数据集	NA	超图构建模型, 知识蒸馏模型	AUROC, AUPRC	NA
843	2026-06-06	FSSM-DDI: Fusion State Space Model for predicting drug-drug interaction using social-media and drug descriptions 2026-Jun-01, BMC biology IF:4.4Q1 DOI:10.1186/s12915-026-02648-x PMID:42226246	研究论文	提出融合状态空间模型FSSM，利用社交媒体和药物描述预测药物相互作用	首次将选择性状态空间模型与基于交互的选择性过滤模块结合，实现高效长距离依赖建模和冗余信息滤除	在DDIExtraction-2013语料库上F1得分仅为75.23%，性能提升有限且未在更大规模数据集验证	开发高效药物相互作用预测方法，平衡预测性能与计算效率	药物相互作用预测任务，涉及社交媒体数据和药物描述文本	自然语言处理	NA	NA	状态空间模型	文本	DDIExtraction-2013语料库	NA	FSSM融合状态空间模型，包含选择性SSM和ISF模块	F1-score	NA
844	2026-06-06	RIMGOGraph: integrating AlphaFold-derived residue interaction graphs and protein language embeddings for structure-informed protein function prediction 2026-Jun, International journal of biological macromolecules IF:7.7Q1 DOI:10.1016/j.ijbiomac.2026.152509 PMID:42119874	研究论文	提出RIMGOGraph框架，结合AlphaFold预测的残基相互作用图和ESM-2蛋白质语言嵌入，进行结构信息驱动的蛋白质功能预测	首次将AlphaFold预测的结构拓扑与预训练蛋白质语言模型的序列嵌入通过图神经网络和协同注意力融合模块进行多模态集成	目前仅基于人类蛋白质数据集验证，缺乏多物种训练和低同源性基准测试，未来需扩展更多生物学模态	开发可扩展的结构引导蛋白质功能预测框架，解决序列与结构信息有效融合的开放问题	人类蛋白质及其基因本体论（GO）功能注释	机器学习	NA	AlphaFold预测结构	图神经网络	蛋白质序列与结构数据	已标注GO功能的人类蛋白质数据集	PyTorch	图神经网络（GNN）、协同注意力融合模块	Fmax, AUC, AUPR	NA
845	2026-06-06	RLSFmode: A deep learning approach for predicting RNA-small molecule binding modes via molecular surface modeling 2026-Jun, International journal of biological macromolecules IF:7.7Q1 DOI:10.1016/j.ijbiomac.2026.152711 PMID:42190788	研究论文	开发了基于分子表面建模的深度学习方法RLSFmode，用于预测RNA与小分子的结合模式	通过结合RNA-配体表面指纹、序列信息和能量评分函数，实现了结合模式的完整预测，包括姿态识别和亲和力估计	RNA结合口袋的复杂性和结构数据的稀缺性给模型开发带来挑战	预测RNA与小分子的结合模式，辅助基于结构的合理药物设计	RNA与小分子结合模式	机器学习	NA	NA	深度学习模型	分子结构数据	NA	NA	NA	NA	NA
846	2026-06-06	KGT: Knowledge-guided graph transformer for neurodegenerative disease diagnosis and brain age prediction with MRI 2026-Jun-01, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2026.104143 PMID:42242081	研究论文	提出KGT，一种知识引导的图Transformer网络，整合医学领域知识与脑图像，用于神经退行性疾病诊断和脑龄预测	首次将医学领域知识（知识图谱）与脑图像特征及空间邻近性结合，构建混合脑图，并通过图Transformer实现特征交互与融合	未明确提及，但依赖性于公共医疗数据集中知识图谱的质量和完整性	利用领域知识增强深度学习模型，提高神经退行性疾病诊断和脑龄预测的性能	脑部结构磁共振成像（sMRI）数据中的感兴趣区域（ROIs）	机器学习, 计算机视觉	神经退行性疾病（如阿尔茨海默病、帕金森病）	结构磁共振成像（sMRI）	图Transformer（Graph Transformer）	图像（脑部MRI）	来自ADNI、PPMI和UKB数据集，具体样本数量未提及	NA	卷积自编码器, 图Transformer	患病诊断和年龄预测的准确率、精确率、召回率、F1分数等（具体未详述）	未明确提及
847	2026-06-06	TSProm: deep learning framework to predict tissue-specific regulatory logic 2026-Jun, NAR genomics and bioinformatics IF:4.0Q1 DOI:10.1093/nargab/lqag050 PMID:42244857	研究论文	提出TSProm框架，基于DNA基础模型解码组织特异性启动子的调控逻辑	首次将DNA基础模型（DNABERT2）应用于组织特异性调控逻辑的预测，并设计双模型对比策略，同时集成可解释AI模块用于交叉验证特征解释	研究仅针对人脑、肝脏和睾丸三种组织进行验证，尚未在更广泛组织类型中评估泛化能力	开发可解释且泛化的框架，用于预测组织特异性调控元件，揭示非编码DNA中的潜在调控语法	人类组织特异性启动子的调控逻辑	自然语言处理	神经胶质瘤, 神经母细胞瘤	DNA测序	DNABERT2（DNA基础模型）	DNA序列	包含人脑、肝脏和睾丸三种组织的启动子样本	PyTorch	DNABERT2, 注意力机制	注意力权重分析, SHAP值	NA
848	2026-06-06	Satellite and ground-level residential greenness and hair steroid hormones during pregnancy 2026-Jun, Environmental epidemiology (Philadelphia, Pa.) DOI:10.1097/EE9.0000000000000492 PMID:42245540	研究论文	利用卫星和地面街景图像评估孕期居住绿地与头发类固醇激素水平的关系	首次结合卫星归一化植被指数和谷歌街景图像，评估孕期绿地暴露对多种头发类固醇激素的影响	横断面设计，样本量有限，仅覆盖孕期第二和第一孕期	探究孕期居住绿地暴露与头发类固醇激素水平的关联	385名孕期个体的头发样本和居住地址	机器学习	NA	液相色谱-质谱联用法	深度学习算法	图像和激素浓度数据	385名孕妇，176,196张谷歌街景图像	NA	NA	NA	NA
849	2026-06-05	Redesign to Mechanism: Interpretable AI Reveals Determinants of Protein Hydrate Binding 2026-Jun-04, The journal of physical chemistry letters IF:4.8Q1 DOI:10.1021/acs.jpclett.6c00954 PMID:42175929	研究论文	建立了一个集成深度学习、分子动力学模拟和可解释机器学习的计算框架，用于合理设计天然抗冻蛋白	首次提出Chill+算法并整合XGBoost和SHAP分析，揭示空间结构特征比统计序列特征更准确预测抑制活性，并阐明Asn和Ser-Ile突变对水合物结合的关键机制	未提及模型在大规模多样本下的泛化性验证以及实验验证的具体蛋白产量数据	通过可解释AI框架实现抗冻蛋白的理性设计，平衡结构稳定性、表达效率和功能活性	天然抗冻蛋白及其设计肽段	机器学习	NA	深度学习和分子动力学模拟	XGBoost和深度学习模型	分子结构数据和序列数据	NA	XGBoost	Chill+算法和XGBoost	抑制活性预测准确率	NA
850	2026-06-05	Imaging foundation model for universal enhancement of non-ideal measurement CT 2026-Jun-04, Nature communications IF:14.7Q1 DOI:10.1038/s41467-026-73943-y PMID:42236476	研究论文	提出了一种成像基础模型TAMP，用于通用增强非理想测量CT图像	首次将多尺度集成Transformer放大器作为基础模型，并基于1080万张物理模拟图像预训练，实现跨多种非理想测量CT设置、缺陷程度和身体区域的通用增强	未提及具体局限性	开发一种通用的非理想测量CT图像增强方法	非理想测量CT图像	计算机视觉，数字病理学	NA	CT成像	Transformer	图像	1080万张物理模拟非理想测量CT图像	NA	多尺度集成Transformer放大器（TAMP）	图像质量、临床可接受性	NA
851	2026-06-05	Artificial intelligence in forensic science: a systematic review. Part I: personal identification 2026-Jun-04, International journal of legal medicine IF:2.2Q1 DOI:10.1007/s00414-026-03855-5 PMID:42236556	系统综述	对2012至2026年间89项关于人工智能在法医学个人识别中应用的研究进行系统综述，涵盖性别推断、人类识别、祖先推断和亲缘关系分析等任务	首个系统性地总结法医个人识别中AI应用证据的综述，包括方法学特征、模型性能及挑战	研究间方法学异质性大、主要依靠特定人群数据集、缺乏充分的独立外部验证	综合评估AI模型在法医个人识别中的可用证据、方法学特征和性能	89项涉及AI法医个人识别的原始研究	机器学习	不适用	计算断层扫描、X射线影像、深度学习模型	深度学习模型、传统机器学习模型	影像数据（主要是CT和X光图像）	89项研究（2012-2026年发表）	NA	NA	准确率（中位91.4%，四分位距88.9-95.0%）	NA
852	2026-06-05	Physics-informed deep learning enables reliable and scalable organoid quantification for drug screening via OCT 2026-Jun-04, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-026-02847-4 PMID:42236584	研究论文	提出物理信息引导的深度学习框架DICE-2DSeg，实现基于OCT的类器官高通量药物筛选量化	创新性地将OCT物理原理（层内相干增强）与图结构层间上下文聚合结合，解决高精度与高通量矛盾，实现多尺度一致分割	依赖93个体积数据验证，未说明更大规模外推性；物理先验可能对非OCT数据泛化有限	开发可靠且可扩展的类器官量化方法，用于基于OCT的高通量药物筛选	患者来源类器官（PDOs）的光学相干断层扫描（OCT）图像	计算机视觉, 数字病理学	癌症	OCT	CNN, GNN	图像	93个OCT体积数据，涵盖多种癌症类型和药物处理	PyTorch	nnUNet3D, DICE-2DSeg	准确率, 速度（加速比）, 多尺度一致性	NA
853	2026-06-05	CT-based deep learning radiogenomics for predicting key glioma genotypes (IDH, ATRX, EGFR, TP53) 2026-Jun-04, Neuroradiology IF:2.4Q2 DOI:10.1007/s00234-026-04043-3 PMID:42236611	研究论文	评估基于CT的影像基因组学与机器学习结合预测胶质瘤关键基因型（IDH、ATRX、EGFR、TP53）的性能	首次系统评估非对比CT影像组学与深度学习模型预测多种胶质瘤临床相关基因突变（IDH、ATRX、EGFR、TP53）的有效性，并比较传统机器学习与深度学习方法的表现	EGFR亚组样本量小（n=17），结果可能不具备推广性；缺乏外部验证；回顾性研究设计存在偏差风险	验证CT影像组学结合机器学习能否准确预测胶质瘤的临床相关分子标志物	197例经组织学确诊胶质瘤患者的非对比CT扫描数据及对应的分子标志物突变状态	机器学习, 数字病理	胶质瘤	CT影像组学, 非对比CT扫描	传统机器学习（六种经典分类器）和深度学习（自定义全连接神经网络FCNN和TabNet）	影像数据（非对比CT扫描）	197例成人患者（ATRX：81例突变，EGFR：17例突变，TP53：71例突变，IDH：183例突变）	NA	TabNet, 自定义全连接神经网络（FCNN）	ROC-AUC	NA
854	2026-06-05	Shortening MRI scanning time for acute ischemic stroke: analysis of the effect of 3.0T MRI compressed sensing deep learning reconstruction 2026-Jun-04, Emergency radiology IF:1.7Q3 DOI:10.1007/s10140-026-02496-w PMID:42236638	研究论文	评估压缩感知深度学习重建技术能否在保持诊断图像质量的同时缩短急性缺血性中风患者的3.0T MRI扫描时间	首次评估压缩感知深度学习重建在三种加速倍数（R3、R4、R5）下对急性缺血性中风MRI扫描时间和图像质量的影响	单中心回顾性设计，样本量较小（69例），未评估不同病变大小和位置的图像质量差异	评估压缩感知深度学习重建能否减少急性缺血性中风MRI扫描时间并维持诊断图像质量	急性缺血性中风患者	数字病理学	脑血管疾病	MRI	深度学习重建网络	图像	69例急性缺血性中风患者	NA	压缩感知深度学习重建	信噪比、对比噪声比、总体质量评分、噪声评分、清晰度评分	NA
855	2026-06-05	An explainable AI framework for enhanced software defect prediction using transformer-assisted boosting 2026-Jun-04, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-44202-3 PMID:42236753	research paper	提出一种结合Transformer自注意力机制与XGBoost的可解释AI框架，用于提升软件缺陷预测的准确性和可解释性	首次将Transformer自注意力机制与XGBoost集成，实现高预测性能与可解释性的统一，并利用SHAP解释关键特征重要性	未讨论框架在不同规模数据集上的泛化能力及计算资源消耗细节	开发一种兼具高准确度和可解释性的软件缺陷预测模型，帮助质量保证从业者优化缺陷管理和资源分配	NASA Metrics Data Program和Code4Code数据集中的软件缺陷数据	machine learning	NA	NA	Transformer、XGBoost	数值型软件度量数据（圈复杂度、Halstead属性、代码行数）	NASA MDP和Code4Code两个数据集，具体样本量未提及	XGBoost	Transformer	AUC, ROC, accuracy	NA
856	2026-06-05	A comparative analysis of deep learning models for disease classification in multi-organ histopathological images 2026-Jun-04, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-56045-z PMID:42236837	研究论文	比较了深度学习模型在多器官组织病理学图像疾病分类中的表现	首次系统比较了卷积神经网络和视觉Transformer在多器官疾病分类中的性能，并验证了从单器官扩展到多器官分类时性能不下降	NA	评估并比较CNN和ViT模型在多器官组织病理学图像疾病分类中的性能	人体主要器官（心脏、肺、肝脏、胰腺）的组织病理学全切片图像	数字病理学	NA	组织病理学全切片图像	卷积神经网络、视觉Transformer	图像	NA	NA	Swin-T, DenseNet-161	分类准确率	NA
857	2026-06-05	Deep learning enables automated detection of dinosaur footprints with high accuracy 2026-Jun-04, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-56031-5 PMID:42236855	研究论文	提出一种基于YOLOv8深度学习的自动化恐龙足迹检测系统，实现高精度识别与跨区域泛化	首次将YOLOv8目标检测网络应用于恐龙足迹自动检测，开发了多尺度检测方法以解决分辨率依赖问题，并在韩国和巴西不同足迹点验证了跨区域泛化能力	检测精度受光照条件、保存质量和轮廓标记存在性的影响	开发高效自动化恐龙足迹检测系统以替代耗时的人工调查	韩国多个足迹点的兽脚类、鸟脚类和蜥脚类恐龙足迹	计算机视觉	不适用	目标检测	CNN	图像	49,242张来自AI-Hub数据集的图像	PyTorch	YOLOv8	平均精度均值mAP50, mAP50-95	不适用
858	2026-06-05	Differentiating advanced from non-advanced hepatic fibrosis: a hybrid deep learning-radiomics model leveraging synthetic contrast-enhanced CT from CycleGAN 2026-Jun-04, Abdominal radiology (New York) DOI:10.1007/s00261-026-05563-5 PMID:42240649	研究论文	开发并验证一种混合深度学习-影像组学模型，利用CycleGAN合成的增强CT图像区分晚期和非晚期肝纤维化	首次结合CycleGAN合成增强CT图像与混合深度学习-影像组学模型，用于肝纤维化分期的非侵入性诊断，且融合真实平扫与合成增强CT图像进一步提升性能	NA	开发并验证一种基于CycleGAN合成增强CT图像的混合深度学习-影像组学模型，以区分晚期与非晚期肝纤维化	410例经活检确诊的肝纤维化患者	计算机视觉, 机器学习	肝纤维化	CT成像, CycleGAN	CycleGAN, 深度学习模型, 放射组学模型, 机器学习分类器	图像	410例患者的非增强和增强CT图像	NA	CycleGAN, 端到端深度学习模型	AUC, 准确率, 校准曲线, 决策曲线分析, DeLong检验	NA
859	2026-06-05	Deep learning for clinically significant prostate cancer detection on MRI: a systematic review, HSROC meta-analysis, and direct comparison with PI-RADS-based interpretation 2026-Jun-04, Abdominal radiology (New York) DOI:10.1007/s00261-026-05594-y PMID:42240646	综述	系统评价深度学习在MRI检测临床显著性前列腺癌中的诊断准确性，并与PI-RADS解读进行直接比较	首次对深度学习在前列腺MRI中检测csPCa进行系统综述和HSROC荟萃分析，并直接对比深度学习单独、PI-RADS单独及AI辅助联合解读三种模式的诊断效能	特异性异质性高、HSROC预测区域宽泛限制了合并特异性的可迁移性；缺乏前瞻性验证、校准和患者层面安全性研究	评估深度学习在前列腺MRI中检测临床显著性前列腺癌的诊断准确性及其临床适用性	基于MRI的深度学习模型检测临床显著性前列腺癌	计算机视觉	前列腺癌	MRI	深度学习	MRI图像	36项研究共9411例患者	NA	NA	敏感性、特异性、阳性似然比、阴性似然比	NA
860	2026-06-05	Decoding Occult Cervical Lymph Node Metastasis in Head and Neck Squamous Cell Carcinoma: From AI-Driven Multimodal Fusion to Clinical Translation 2026-Jun-04, Current oncology reports IF:4.7Q1 DOI:10.1007/s11912-026-01802-6 PMID:42240903	综述	探讨多组学技术与人工智能驱动的跨尺度多模态融合在检测头颈部鳞状细胞癌隐匿性颈部淋巴结转移中的应用及其临床转化	将高吞吐组学数据（如全基因组DNA甲基化和空间转录组学）与传统影像组学通过深度学习模型结合，显著提升检测性能，并引入栖息地影像组学和跨模态融合网络以更精细地刻画空间肿瘤异质性和早期转移微环境演变	需要进一步验证以支持安全的手术降级和更个性化的治疗策略	解决临床淋巴结阴性头颈部鳞状细胞癌患者中隐匿性转移检测的长期挑战，平衡过度治疗与治疗不足	头颈部鳞状细胞癌患者，特别是临床淋巴结阴性的患者	机器学习, 数字病理学	头颈部鳞状细胞癌	全基因组DNA甲基化测序, 空间转录组学, 影像组学	深度学习模型	组学数据, 影像数据	NA	NA	栖息地影像组学网络, 跨模态融合网络	检测性能（具体指标未提及）	NA