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
61	2026-10-01	SpaHNR: a spatial domain identification method via sparse attention-based hierarchical node representation and multi-view contrastive learning 2026-Jul-03, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-026-06545-6 PMID:42399758	研究论文	该论文提出了一种名为SpaHNR的方法，通过稀疏注意力分层节点表示和多视角对比学习来识别空间转录组数据中的空间域	利用稀疏注意力分层节点表示和多视角对比学习，充分考虑了生物组织中固有的分层结构，通过整合组织图像、基因表达、空间坐标和推断的细胞通讯来识别空间域	摘要中未明确提及研究的局限性	利用深度学习方法在空间转录组数据上识别组织内不同的空间域，从而阐明细胞的空间组织及其基因表达	空间转录组数据，包括人类背外侧前额叶皮层数据集、人类乳腺癌数据集和小鼠胚胎数据集	空间转录组学、计算生物学	乳腺癌	空间转录组测序、组织学图像分析	GCN、稀疏注意力机制、对比学习	空间转录组数据、组织学图像、基因表达矩阵、空间坐标	人类背外侧前额叶皮层数据集、人类乳腺癌数据集和小鼠胚胎数据集	NA	GCN、稀疏注意力分层节点融合模块	空间域识别性能（与现有方法比较）	NA
62	2026-10-01	A Driving Regime-Embedded Deep Learning Framework for Modeling Intradriver Heterogeneity in Multiscale Car-Following Dynamics 2026-Jul, IEEE transactions on cybernetics IF:9.4Q1 DOI:10.1109/TCYB.2026.3660643 PMID:41671114	研究论文	提出了一种新颖的数据驱动跟驰框架，将离散驾驶状态嵌入车辆运动预测中，以建模多尺度跟驰动力学中的驾驶员内异质性	将离散驾驶状态（如稳态跟随、加速、巡航）系统性地嵌入车辆运动预测中，并采用混合深度学习架构结合GRU和LSTM，统一离散决策过程与连续车辆动力学，以全面表征驾驶员间和驾驶员内异质性	未明确提及	准确表征跟驰建模中驾驶行为的多尺度复杂性，特别是单一驾驶员在不同条件下动态波动的驾驶员内异质性	跟驰动力学、驾驶行为、车辆轨迹数据	机器学习	NA	高分辨率交通轨迹数据集、自底向上分割算法、动态时间规整	GRU, LSTM	车辆轨迹数据	NA	NA	GRU, LSTM	预测误差（多种指标）	NA
63	2026-10-01	DREAM: A Benchmark Study for Deepfake PhotoRealism AssessMent 2026-07, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2026.3663547 PMID:41671124	研究论文	该论文提出了DREAM基准，用于深度伪造视频的逼真度评估，包含大规模数据集、人工标注和18种评估方法的综合评测	首次系统性地提出深度伪造逼真度评估这一新研究方向，构建了包含140000个逼真度评分和3500名标注者文本描述的大规模基准，并提出了一种新的描述对齐CLIP方法	论文未明确说明局限性	实现深度伪造逼真度的自动化评估，使其接近人类对深度伪造的感知，用于评估深度伪造的质量和欺骗性	深度伪造视频及其逼真度感知	计算机视觉	NA	NA	CLIP	视频、文本	包含140000个逼真度评分，来自3500名人工标注者	NA	CLIP	NA	NA
64	2026-10-01	50 Years of Automated Face Recognition 2026-07, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2026.3664269 PMID:41686677	综述	回顾了自动人脸识别50年的历史与技术演进，从早期手工方法到现代深度学习系统	系统梳理了人脸识别50年发展脉络，重点分析了数据集构建、损失函数、网络架构和特征融合等关键创新，并探讨了数据规模与模型泛化能力的关系	大规模部署下误报率随库规模增大而升高，可扩展训练、多模态融合、合成数据和可解释性框架等开放问题尚未解决	梳理自动人脸识别的历史和技术演进，分析关键创新和未来方向	自动人脸识别技术	计算机视觉	NA	深度学习	CNN	图像	NIST FRTE 1:N基准测试中超过1000万个身份	NA	NA	FNIR, FPIR	NA
65	2026-10-01	UCGR: Closing the Discretization Gap in Light Field Depth Estimation via Unified Continuous Geometry Representation 2026-Jul, IEEE transactions on visualization and computer graphics IF:4.7Q1 DOI:10.1109/TVCG.2026.3667981 PMID:41740115	研究论文	本文提出了统一连续几何表示（UCGR）框架和连续几何网络（CGNet），用于解决光场深度估计中的空间与深度离散化问题	将空间和深度离散化视为同一问题的两个方面，设计自适应平面采样算子和上下文深度校正算子，实现连续几何表示与深度估计的协同优化	未明确提及	通过统一连续几何表示弥合离散化鸿沟，提升光场深度估计的精度与鲁棒性	光场图像及其深度信息	计算机视觉	不适用	光场成像	CNN	图像	不适用	不适用	连续几何网络（CGNet）包含自适应平面采样算子和上下文深度校正算子，具体主干网络未明确	精度、鲁棒性（未指定具体指标）	不适用
66	2026-10-01	Average Calibration Losses for Reliable Uncertainty in Medical Image Segmentation 2026-Jul, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2026.3673118 PMID:41811722	研究论文	该论文提出了可微分的边际L1平均校准误差（mL1-ACE）作为辅助损失函数，用于改善医学图像分割中的像素级校准，并在四个数据集上验证了其效果	提出了可微分的mL1-ACE损失函数，可直接在每张图像上计算，并比较了硬分箱和软分箱两种方法；引入了数据集可靠性直方图来聚合每张图像的可靠性图，以分析校准性能及其变异性	软分箱变体虽然在校准方面改进最大，但往往会损害分割性能；硬分箱mL1-ACE虽然保持了分割性能，但校准改进较弱	解决医学图像分割中深度神经网络过度自信的问题，提高模型的可靠性和临床实用性，通过辅助损失函数直接改善像素级校准	医学图像分割模型	计算机视觉	心血管疾病, 肺癌, 前列腺癌, 脑肿瘤	深度学习	CNN	图像	四个数据集（ACDC, AMOS, KiTS, BraTS），具体样本数量未提供	PyTorch	NA	平均校准误差（ACE）, 最大校准误差（MCE）, Dice相似系数（DSC）	NA
67	2026-10-01	Bilevel Optimized Implicit Neural Representation for Scan-Specific Accelerated MRI Reconstruction 2026-Jul, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2026.3686724 PMID:42019070	研究论文	本文提出了一种基于双层优化的隐式神经表示（INR）方法，用于扫描特定的加速MRI重建，无需大规模训练数据集即可实现高质量重建	首次将双层优化与隐式神经表示结合用于MRI重建，通过高斯过程回归自动优化超参数，实现无需训练数据的扫描特定重建，且重建速度快	未明确讨论方法在高维3D采集或极端加速因子下的表现，可能依赖于高斯过程回归的优化效率	解决深度学习MRI重建中对大规模训练数据的依赖和泛化能力差的问题，实现扫描特定的高效加速重建	加速MRI扫描数据，具体为欠采样的k空间数据	计算机视觉	NA	磁共振成像（MRI），双层优化，隐式神经表示，高斯过程回归	隐式神经表示（INR），多层感知机（MLP）	图像（MRI k空间数据）	NA	NA	隐式神经表示（包含可训练位置编码器和小型多层感知机）	图像质量（未指定具体指标，但提到与先前方法相当或更好）	扫描仪硬件，典型2D笛卡尔扫描需几分钟优化，重建在数秒内完成
68	2026-10-01	GMC-Bind: A Multimodal Framework for RNA-Protein Binding Site Prediction With Bidirectional Cross-Attentional Fusion 2026 Jul-Aug, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2026.3700035 PMID:42235009	研究论文	该文提出了一个名为GMC-Bind的多模态框架，通过结合多尺度窗口卷积、图注意力和双向交叉注意力机制，实现RNA-蛋白质结合位点的预测。	首次协同整合多尺度窗口卷积、图注意力网络和基于位置编码的双向交叉注意力机制，高效融合序列局部特征与RNA二级结构全局依赖，解决现有模型在多尺度序列模体与动态结构协同建模上的不足。	摘要未提及模型的可解释性、计算复杂度或对其他数据集的泛化能力，可能仅在特定数据集上验证。	提高RNA-蛋白质结合位点预测的准确性，以深入理解基因调控和疾病机制。	RNA序列及其二级结构，以及蛋白质结合位点。	机器学习	NA	多尺度窗口卷积, 图注意力, 双向交叉注意力	多尺度卷积神经网络, 图注意力网络, 双向交叉注意力机制	序列和结构数据	RBP-24数据集中的24个子数据集	NA	多尺度卷积神经网络, 图注意力网络, 双向交叉注意力	AUC	NA
69	2026-10-01	A cloud-based miniscope for neurosurveillance of brain health and disease in freely behaving animals 2026-Jul, Nature methods IF:36.1Q1 DOI:10.1038/s41592-026-03111-z PMID:42332086	研究论文	该文章介绍了一种基于云的微型显微镜CloudScope，用于自由活动动物的多对比度神经监测，并展示了其在脑疾病模型中的应用	CloudScope是首个基于云的多对比度微型显微镜，支持长期（>24小时）远程操作和多变量神经生理监测，包括神经元活动、血流、血容量、氧合和细胞动力学，并实现了时间共享成像以减少动物使用	未明确提及	开发一种基于云的微型显微镜，用于自由活动动物的自主神经监测，以研究中枢神经系统疾病的病因和演变	自由活动的动物（如小鼠或大鼠）及其中枢神经系统疾病模型（如癫痫、脑肿瘤）	数字病理学, 计算机视觉, 机器学习	脑肿瘤, 癫痫	微型显微镜成像, 多对比度成像, 深度学习	CNN	图像	未明确提及，但涉及24小时的神经影像数据	NA	NA	NA	云平台
70	2026-10-01	DiffBulk: Enhancing Spatial Transcriptomic Prediction With Diffusion-Based Training 2026-Jul, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2026.3688322 PMID:42048193	研究论文	本文提出DiffBulk，一个基于扩散模型的两阶段框架，用于从H&E染色病理图像预测空间基因表达	提出条件扩散模型学习富含基因表达信息的图像表示，包括具有置换不变性的开放嵌入基因编码器实现跨基因面板统一训练，并将扩散特征与病理基础模型表示融合	未在摘要中明确说明	从H&E染色组织病理图像预测空间基因表达，以降低空间转录组技术的高成本限制	空间转录组数据及对应的H&E染色组织病理图像	数字病理学	癌症	空间转录组学，H&E染色	扩散模型	图像，基因表达数据	来自HEST数据集和CrunchDAO挑战赛的高质量Xenium空间转录组数据	NA	条件扩散模型，病理基础模型	NA	NA
71	2026-10-01	CIM-VTP: Correlation-Guided Image Modeling With Visual-Textual Task Prompt for Universal Medical Image Registration 2026-Jul, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2026.3690772 PMID:42090536	研究论文	提出一个两阶段的通用医学图像配准框架CIM-VTP，利用相关性引导图像建模预训练和视觉-文本任务提示实现跨任务自适应配准	1. 提出相关性引导图像建模（CIM）预训练策略，利用跨图像相关性指导掩码建模，增强空间对应捕获能力；2. 设计视觉-文本任务提示（VTP）模块，通过提示学习自适应调整解码器参数；3. 引入配准任务分类器量化任务相似性，实现零样本泛化	未明确说明（可能包括计算资源需求较大、对未见任务的泛化能力仍需进一步验证等）	解决通用医学图像配准中跨任务特征表示泛化性不足和模型参数固定缺乏灵活性的问题	多种医学图像配准任务（包括六个不同配准任务）	计算机视觉	NA	NA	CNN, Transformer	图像	NA	NA	NA	NA	NA
72	2026-10-01	DSHARP: Deep Incompressible Motion Estimation With Sinusoidal-Transformed Harmonic Phase for Tagged MRI 2026-Jul, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2026.3693998 PMID:42139136	研究论文	本文提出了一种名为DSHARP的新方法，将谐波相位（HARP）与无监督深度学习配准框架结合，用于从标记MRI中估计二维和三维的微分同胚且几乎不可压缩的运动场	1. 将HARP方法与无监督深度学习配准框架进行创新性集成；2. 通过对谐波相位进行正弦变换以消除相位包裹不连续性，实现端到端网络训练；3. 利用缩放与平方技术从静态速度场估计微分同胚运动；4. 提出一种新的雅可比行列式损失项以鼓励不可压缩性；5. 在跟踪精度、计算速度和不可压缩性保持方面均优于HARP、SinMod、SyN、PVIRA、VoxelMorph和DeepTag	NA	开发一种能够估计微分同胚且几乎不可压缩的二维和三维运动场的方法，以改进标记MRI的分析，解决标签衰减、计算时间长以及确保微分同胚不可压缩运动场的挑战	二维和三维体模数据（模拟不可压缩运动）、真实三维人类舌头数据（健康受试者和舌切除术受试者说话时采集）、以及来自公开STACOM 2011基准的心脏标记MRI数据	计算机视觉	心血管疾病	标记磁共振成像（tMRI）	CNN	图像	二维和三维体模数据、真实三维人类舌头数据（健康受试者和舌切除术受试者）、STACOM 2011心脏标记MRI基准数据集	NA	NA	跟踪精度、计算速度、不可压缩性保持	NA
73	2026-10-01	A deep learning framework for efficient pathology image analysis 2026-07-01, Nature communications IF:14.7Q1 DOI:10.1038/s41467-026-74918-9 PMID:42386722	研究论文	该文章介绍了一个名为EAGLE的深度学习框架，通过模拟病理学家选择性分析信息区域，实现高效的病理图像分析，并在多种癌症任务中超越现有基础模型	EAGLE结合了任务无关的图块选择与详细特征提取，模拟病理学家的工作方式，仅分析信息区域，大幅减少计算量，同时保持高分类性能，并支持可审计的工作流程	未明确提及	开发一个高效且可审计的深度学习框架，用于病理图像分析，以克服现有方法计算效率低下的问题	九种癌症类型的全切片图像，涵盖形态学、生物标志物预测、治疗反应和预后等任务	数字病理学	肺癌, 前列腺癌, 乳腺癌, 结直肠癌, 胃癌, 肝癌, 肾癌, 膀胱癌, 胰腺癌	全切片图像分析	深度学习	图像	43个任务，来自九种癌症类型	NA	NA	分类性能, 计算时间	NA
74	2026-10-01	Deep Learning-Based Volition Detection and Action Potential Extraction for Fully Automated Diagnosis of Neuromuscular Disease Using Needle Electromyography Signals 2026 Jul-Aug, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2026.3686921 PMID:42102089	研究论文	本研究开发了一种基于深度学习的自主收缩检测模型，用于自动化针极肌电图信号的神经肌肉疾病诊断流程并提高分类性能	提出了一种直接处理原始nEMG信号的深度学习模型，能够自动提取自主收缩信号（运动单位动作电位），无需依赖医生的预处理步骤	未明确说明	开发基于深度学习的自主收缩检测模型，以自动化诊断流程并改善神经肌肉疾病的分类	神经肌肉疾病患者及正常受试者的针极肌电图信号	机器学习	神经肌肉疾病	针极肌电图	CNN	信号	训练集：来自57名受试者的376个nEMG信号；外部验证集：来自115名受试者的751个nEMG信号	NA	nEMGNet	AUROC	NA
75	2026-10-01	Robust CRISPR-Cas Protein Identification Using Max-Margin Regularized Transformer Models 2026 Jul-Aug, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2026.3693528 PMID:42133523	研究论文	本文利用基于最大间隔正则化的Transformer模型和微调的ProtBert模型对CRISPR-Cas蛋白质进行识别和分类	提出了一种新的基于间隔的损失函数，用于在Transformer编码器的蛋白质序列嵌入潜在空间中最大化类间可分离性和类内紧凑性，并开发了LSRMT模型，在较小数据集上训练即超越了微调的最先进大型蛋白质模型	未明确说明模型在更大规模或更多样化数据集上的泛化能力，以及计算资源需求	利用深度学习技术构建分类模型，区分Cas与非Cas蛋白质，并识别Cas9和Cas12亚家族，以促进新型Cas蛋白质的设计和发现	CRISPR-Cas蛋白质，包括Cas9、Cas12和非Cas蛋白质	机器学习	NA	NA	Transformer	蛋白质序列	NA	NA	Transformer编码器, ProtBert	准确率	NA
76	2026-10-01	Unveiling Viral Escape Mechanisms With Machine Learning: A Transformative Approach to Mutation Analysis for SARS-CoV-2 and Beyond 2026 Jul-Aug, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2026.3695225 PMID:42160252	研究论文	本文利用基于长短期记忆网络的深度学习架构分析超过310万条病毒刺突蛋白序列，以SARS-CoV-2为例预测病毒逃逸突变	提出名为Escape Elite Network（EEN）的LSTM深度学习模型，在多个数据集上显著优于现有方法NPVE和SEN，能够主动预测病毒逃逸突变，指导疫苗和治疗方法的开发	摘要中未明确提及研究的局限性	利用机器学习方法预测病毒逃逸突变，以指导更有效的疫苗和治疗方法的开发	病毒刺突蛋白序列，以SARS-CoV-2为主要研究对象，并涉及流感病毒、HIV和非洲猪瘟病毒	机器学习	COVID-19	深度学习序列分析	LSTM	序列数据	超过310万条独特的病毒刺突蛋白序列	NA	LSTM	AUC	NA
77	2026-10-01	FGAIM: Identifying Drug-Target Activation and Inhibition Mechanisms via Inductive Graph Neural Networks Based on Fine-Grained Interaction Strategies 2026 Jul-Aug, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2026.3695928 PMID:42166265	研究论文	该研究提出了一种名为FGAIM的计算方法，通过基于细粒度交互策略的归纳式图神经网络来识别药物与靶标之间的激活与抑制机制	设计了多尺度GNN模块学习药物分子嵌入，同时整合预训练语言模型嵌入和3D构象结构信息构建蛋白质表示，并利用GraphSAGE从原始药物图和细粒度药物-蛋白质交互图中提取特征，实现了对药物-靶标激活/抑制机制的精准识别	未明确说明	有效识别药物与靶标之间的激活和抑制机制，揭示靶标功能的潜在调控通路，助力药物发现与开发	药物分子与蛋白质靶标之间的激活和抑制相互作用关系	机器学习	NA	图神经网络，预训练语言模型，3D构象结构分析	GNN，GraphSAGE，MLP	图结构数据，分子结构数据，蛋白质序列及3D结构数据	两个公开数据集	NA	GraphSAGE，MLP，预训练语言模型	分类预测性能指标，注意力权重分析	NA
78	2026-10-01	Minimum Description Length-Driven Fragment Mining for Pretraining Molecule Property Prediction Model 2026 Jul-Aug, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2026.3697250 PMID:42189691	研究论文	本文提出了一种基于最小描述长度的自适应片段挖掘方法，用于预训练分子性质预测模型，通过多视图自监督学习整合分子结构信息	将片段发现形式化为组合优化问题，以描述长度为目标实现自适应提取分子片段和动态构建片段库，并设计多视图自监督预训练框架对齐片段、全局和数据增强视图	未明确提及	提升分子性质预测的泛化性和适用性，通过自适应片段挖掘和多视图预训练改进分子表示学习	分子性质预测任务中的分子数据	机器学习	NA	自监督预训练，多视图学习，组合优化	自监督预训练模型	分子结构数据	NA	NA	NA	NA	NA
79	2026-10-01	AdPrST:An Adversarial Graph Deep Learning Pre-Clustering Framework for Deciphering Spatiotemporal Structures in Spatially Resolved Transcriptomics 2026 Jul-Aug, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2026.3697726 PMID:42202195	研究论文	提出了一种对抗图深度学习预聚类框架AdPrST，用于解析空间分辨转录组学中的时空结构	结合预聚类、双视图图结构、对抗自监督对比学习和Wasserstein距离GAN生成稳健的低维嵌入，并通过点积注意力融合	未明确提及局限性	准确解析复杂组织中的时空结构，包括空间域识别、轨迹推断和伪时空图构建	空间分辨转录组学数据	空间转录组学	NA	空间分辨转录组学	GAN, 对比学习, 图神经网络	基因表达数据, 空间信息	NA	NA	KNN图, r-radius图, Wasserstein GAN, 点积注意力机制	NA	NA
80	2026-10-01	Deep Learning for Temporal Super-Resolution 4D Flow MRI 2026-Jul, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2026.3676987 PMID:41880246	研究论文	本研究设计并评估了一个残差数据驱动网络，用于4D Flow MRI的时间超分辨率重建，以提高时间分辨率并减少噪声，从而更准确地量化血流	将现有的空间超分辨率网络（4DFlowNet）重新设计用于时间上采样，通过调整输入维度和优化内部层结构，首次探索了4D Flow MRI的时间超分辨率	研究主要基于合成数据，虽然也在体内数据上进行了评估，但样本量有限，且未与其他先进的时间超分辨率方法进行广泛比较	实现并评估一个残差数据驱动网络，用于4D Flow MRI的时间超分辨率，以克服时间分辨率不足的问题	4D Flow MRI数据，包括合成的和临床采集的体内数据	医学图像处理	心血管疾病	4D Flow MRI	残差网络	图像	未明确说明，包括合成数据和体内数据	NA	4DFlowNet	平均绝对误差（MAE）	NA