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
1	2026-10-17	Benchmarking deep learning-based reconstruction methods for photoacoustic computed tomography with clinically relevant synthetic datasets 2027-Jan, Journal of biomedical optics IF:3.0Q2 DOI:10.1117/1.JBO.32.S1.S14903 PMID:42876942	研究论文	本文提出了一个用于光声计算断层成像（PACT）中深度学习声学反演方法的基准测试框架，提供了开源、解剖学合理的合成数据集和评估策略，并通过初步基准研究比较了基于深度学习和基于物理的重建方法	提出了首个面向PACT的标准化基准测试框架，包含超过10,000个具有临床相关病变的二维随机乳腺对象合成数据集，结合传统图像质量指标和基于任务的评估指标，揭示了传统指标在评估深度学习重建方法时的不足	数据集仅限于二维合成乳腺模型，可能无法完全反映真实临床三维成像的复杂性；初步基准研究仅比较了有限的方法	建立标准化的基准测试框架，为PACT中基于深度学习的声学反演方法提供公平比较和可重复评估的平台	光声计算断层成像（PACT）中基于深度学习的声学反演重建方法	医学图像重建	乳腺癌	光声计算断层成像	NA	图像	超过10,000个二维随机乳腺对象合成数据	NA	NA	传统图像质量指标、基于任务的评估指标	NA
2	2026-10-08	A neural network with multi-type attention for enhancing motor imagery EEG decoding 2027-Jan-05, Behavioural brain research IF:2.6Q3 DOI:10.1016/j.bbr.2026.116482 PMID:42764074	研究论文	本文提出了一种具有多类型注意力的新型端到端神经网络（MTANet），用于提取运动想象脑电信号中的时-频-空耦合特征，以增强运动想象脑电解码性能	提出了MTANet网络，包含EEG inception注意力模块和并行时序注意力模块，能够高效提取并加权脑电信号中固有的时-频-空特征，并通过并行时序卷积网络增强特征表示	未明确提及	解决运动想象脑电解码中因脑电信噪比低以及时域、频域和空间域中运动想象相关信息探索不足而导致解码性能有限的问题	运动想象脑电信号	脑机接口、机器学习	NA	脑电图（EEG）	CNN	脑电信号（时序信号）	BCI Competition IV数据集IIa和IIb以及BCI Competition III数据集IIIa	NA	MTANet（包含EEG inception注意力模块和并行时序注意力模块）	准确率	NA
3	2026-09-18	Inferring Gene Regulatory Networks in Stem Cells: Methods and Applications 2027, Methods in molecular biology (Clifton, N.J.) DOI:10.1007/978-1-0716-5539-9_1 PMID:42734741	综述	本章综述了干细胞中基因调控网络推断的实验和计算方法，重点关注单细胞方法，并包含一个实际案例研究	提供了四种计算推断框架的系统分类，并展示了pySCENIC工作流在小鼠外周血单核细胞单细胞RNA测序数据中的应用	作为综述章节，可能未能全面覆盖所有最新方法或缺乏对方法性能的系统基准测试	为研究人员提供理解和实施干细胞生物学及相关领域中基因调控网络推断方法的实用指南	干细胞，基因调控网络，单细胞RNA测序数据，小鼠外周血单核细胞	机器学习，生物信息学	NA	单细胞RNA测序，染色质可及性检测，转录因子结合位点检测	NA	基因表达数据，单细胞RNA测序数据	小鼠外周血单核细胞单细胞RNA测序数据集	pySCENIC	NA	NA	NA