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
1041	2026-06-06	Robust deepfake video detection using spatio-temporal features and dynamic difference learning 2026-Jun-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-53545-w PMID:42230680	研究论文	提出一种结合时空特征与动态差异学习的深度伪造视频检测框架	引入动态差异模块（DDM）强调面部运动中的突变和非自然变化，增强对时空不一致性的捕获能力	未提及在低质量或高压缩视频上的泛化表现，且可能受限于人脸关键点检测的精度	提升深度伪造视频检测的鲁棒性与泛化能力	深度伪造视频中的时空不一致性特征	计算机视觉, 机器学习	NA	人脸关键点检测	Transformer, CNN, LSTM	视频	三个基准数据集：FaceForensics++ (FF++)、UADFV、DFDC	NA	Transformer编码器, CNN, LSTM	精确率, 召回率, F1分数, 准确率	NA
1042	2026-06-06	CardioMorphNet: Cardiac motion prediction using a shape-guided Bayesian recurrent deep network 2026-Jun-02, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2026.104149 PMID:42242080	研究论文	提出CardioMorphNet，一种基于形状引导的贝叶斯循环深度网络，用于从心脏电影MRI图像中精确估计心脏运动	使用循环变分自编码器建模时空依赖，通过贝叶斯框架推导损失函数，引导网络聚焦解剖区域，无需强度图像配准损失	仅基于UK Biobank和M&M数据集验证，且未提及对异常心脏节律或低质量图像的适用性	实现准确的心脏运动估计，改善心脏功能评估和异常检测	心脏电影MRI短轴图像中的心脏运动场和不确定性图	计算机视觉	心血管疾病	心脏电影MRI（cine CMR）	变分自编码器、贝叶斯循环神经网络	图像（3D短轴MRI序列）	UK Biobank和M&M数据集，具体数量未提及	NA	循环变分自编码器、贝叶斯循环神经网络	掩膜形状对比（warped mask vs ground-truth）、不确定性值、临床指标准确性	NA
1043	2026-06-06	GIN-transformer based pairwise graph contrastive learning framework 2026-Jun, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2026.108621 PMID:41576557	研究论文	提出一种基于GIN-Transformer的成对图对比学习框架，用于rs-fMRI数据的神经精神疾病诊断	集成图同构网络和Transformer实现多尺度特征提取，通过无监督对比学习减少对标注数据的依赖	NA	利用无监督图对比学习方法解决神经精神疾病诊断中的数据稀缺问题	静息态功能磁共振成像（rs-fMRI）数据	机器学习	孤独症谱系障碍、重度抑郁症	rs-fMRI	GIN、Transformer	时间序列影像	两个公开数据集（具体数量NA）	PyTorch	GIN-Transformer	准确率、泛化能力	NA
1044	2026-06-06	Automatic cell type identification methods for single-cell RNA sequencing based on coordinate convolutional neural network 2026-Jun, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2026.108923 PMID:41579556	研究论文	提出了一种基于坐标卷积神经网络的单细胞RNA测序自动细胞类型识别方法	通过引入坐标信息作为额外通道增强空间感知，并采用双三次插值上采样层改进CNN对数据平移变化的适应性	未提及具体局限性	提升单细胞RNA测序数据中自动细胞类型识别的准确性	单细胞RNA测序数据中的细胞类型	机器学习	NA	scRNA-seq	CNN	基因表达数据	五个公共scRNA-seq基准数据集	NA	CoordConv	准确率	NA
1045	2026-06-04	Integrated CT pipeline for automatic intracranial hemorrhage evaluation with GPT-enhanced clinical decision support 2026-Jun, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-12316-3 PMID:41586845	研究论文	开发了一种自动深度学习流水线，用于颅内出血的CT检测、分割和定位，并结合GPT-4o增强临床决策支持	首次将半监督学习用于ICH检测，结合GPT-4o大型语言模型生成临床决策支持，实现从影像分析到治疗建议的端到端自动化	未明确提及外部验证的局限性，但依赖公开数据集可能限制泛化性，且临床建议需神经外科医生评估	提高颅内出血的CT评估效率与准确性，减少诊断延迟，并辅助临床决策	颅内出血患者CT影像	计算机视觉, 自然语言处理, 数字病理学	颅内出血	CT成像, 半监督学习, GPT-4o大型语言模型	深度学习模型（检测、分割、定位模型）	图像（CT扫描）	检测模型：21,784张标记和3,528张未标记CT扫描；分割模型：1,226张扫描；脑积水与中线偏移模型：507张扫描；外部验证：491例患者（CQ500数据集）	PyTorch	检测模型：YOLOv5, 分割模型：U-Net, 定位模型：标准脑区配准	AUC, Dice系数, 一致性相关系数（CCC）, Cohen's Kappa系数	NA
1046	2026-06-06	Deep learning-based computer-aided diagnosis for parotid gland tumors on MRI 2026-Jun, Auris, nasus, larynx DOI:10.1016/j.anl.2026.02.012 PMID:41865703	研究论文	基于深度学习的计算机辅助诊断系统在MRI上提高腮腺肿瘤良恶性鉴别准确率	首次验证深度学习辅助诊断在腮腺肿瘤MRI评估中能提升不同经验水平放射科医生的诊断性能，并揭示其对中高级别和晚期肿瘤的显著价值	未在低级别或pT1期肿瘤中观察到显著改善效果，需进一步验证模型对早期肿瘤的适用性	评估深度学习辅助诊断系统在MRI上区分腮腺肿瘤良恶性的临床增量价值	腮腺肿瘤患者（2000-2022年手术，170例组织学确诊，134例用于读者研究）	计算机视觉, 数字病理学	腮腺肿瘤	MRI	CNN	图像	170例组织学确认的腮腺肿瘤病例（训练），134例用于读者研究	NA	EfficientNet	准确率, AUC, 灵敏度, 特异性	NA
1047	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
1048	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
1049	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
1050	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
1051	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
1052	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
1053	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
1054	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
1055	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
1056	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
1057	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
1058	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
1059	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
1060	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