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
2021	2026-09-13	CvTFuse: An unsupervised medical image fusion method of gliomas T1-DWI mode 2026-05, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2026.110618 PMID:41547498	研究论文	提出了一种结合CNN和Vision Transformer的无监督双分支医学图像融合网络CvTFuse，用于融合胶质瘤的T1和DWI两种MRI模态图像	提出了双分支编码器结构，分别使用CNN模块提取局部特征和Transformer模块提取全局特征；设计了全局上下文聚合模块（GCAM）聚合Transformer分支的多尺度特征；融合层采用能量感知和梯度增强的融合策略以保留源图像细节	未明确提及局限性	准确有效地融合不同MRI模态图像，精确定位病灶区域，为分析病变性质提供丰富信息	胶质瘤患者的MRI T1和DWI模态图像	计算机视觉	脑胶质瘤	MRI多模态图像融合	CNN, Transformer	图像	NA	NA	CNN, Vision Transformer	平均梯度, 信息熵, 互信息, 视觉显著性	NA
2022	2026-09-13	Pediatric coronary MR angiography with a two-minute scan using de-aliasing regularization based compressed sensing 2026-05, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2026.110627 PMID:41638264	研究论文	本研究旨在评估基于去混叠正则化压缩感知（DARCS）加速的儿科冠状动脉磁共振血管成像（CMRA），以减少扫描时间并检测冠状动脉瘤（CAAs）	首次在儿科人群中探索DARCS加速CMRA的临床可行性，实现了两分钟扫描并保持CAAs诊断准确性	样本量有限（123例儿科患者），且为单中心研究，需要更大规模的多中心验证	减少扫描时间并评估DARCS加速CMRA在儿科冠状动脉成像中的图像质量和诊断性能，重点关注CAAs检测	儿科患者	医学影像	心血管疾病	冠状动脉磁共振血管成像（CMRA）	深度学习	图像	123例儿科患者（96例回顾性，27例前瞻性）	NA	NA	峰值信噪比（PSNR）, 结构相似性指数（SSIM）, 血管长度, 锐度, 视觉评分, 灵敏度, 特异度	NA
2023	2026-09-13	ArchesWeatherGen: Skillful and compute-efficient probabilistic weather forecasting with machine learning 2026-Apr-24, Science advances IF:11.7Q1 DOI:10.1126/sciadv.adx2372 PMID:42018632	研究论文	本文提出了一种基于流匹配的概率天气预测模型ArchesWeatherGen，通过将确定性天气预测投影到ERA5天气状态分布，实现高效且熟练的概率天气预报	利用确定性天气模型辅助设计概率天气模型，基于流匹配（扩散模型的一种现代变体）训练，将确定性预测转化为概率分布，提升性能并降低计算成本	摘要中未明确提及	改进概率天气预报的性能并降低计算成本，同时促进生成式机器学习模型在天气预报研究中的普及	ERA5再分析数据、确定性天气预测模型和概率天气预测	机器学习	NA	NA	流匹配（扩散模型变体）	NA	NA	NA	ArchesWeatherGen	NA	NA
2024	2026-09-13	Artificial intelligence-based prediction of fetal hypoxia: a multicenter model development and nationwide AI-human comparison 2026-03-21, BMC medicine IF:7.0Q1 DOI:10.1186/s12916-026-04794-z PMID:41864912	研究论文	该研究开发了基于人工智能的模型，用于从胎心监护图中预测胎儿缺氧，并进行了多中心模型开发及全国范围的AI与人类专家对比	开发了名为CAP的深度学习模型，在预测胎儿缺氧方面优于人类专家，并通过Grad-CAM和扰动测试验证了模型的可解释性	未明确提及	开发并验证人工智能模型，以从胎心监护图中预测胎儿缺氧，并评估其相对于人类专家的性能和可解释性	胎儿缺氧	机器学习	胎儿缺氧	胎心监护	CNN, Transformer, LSTM, CfC	胎心监护图	20,780条胎心监护图用于模型开发，467例用于全国AI-人类对比，10,571份专家响应	NA	CNN, Transformer, LSTM, CfC	AUROC	NA
2025	2026-09-13	Hybrid tuned deep learning model for breast cancer diagnosis using genetic data 2026-Mar-21, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-41643-8 PMID:41865006	研究论文	本研究开发了一种混合深度学习模型，结合随机森林和关联规则挖掘进行特征选择，使用CNN和BiLSTM进行乳腺癌诊断和预后预测。	采用多阶段特征选择过程，结合随机森林排名和关联规则挖掘发现重要生物标志物；使用混合深度学习模型CNN和BiLSTM，并通过贝叶斯方法优化；引入SMOTE和高斯噪声增强提高模型鲁棒性。	未明确提及	通过开发和应用的稳健混合计算预测方法，在多个全基因组研究中进行测试，提供乳腺癌预测能力。	乳腺癌患者	机器学习	乳腺癌	全基因组研究	CNN, BiLSTM	基因组数据, 临床数据	TCGA和METABRIC数据集（具体样本量未明确，TCGA有17,814个基因，METABRIC有503个临床/基因组特征）	未明确提及	CNN, BiLSTM	准确率, AUC, 召回率	未明确提及
2026	2026-09-13	DeepDegradome: A structure-aware deep learning framework for PROTAC and ligand generation against protein targets 2026-Mar-17, Proceedings of the National Academy of Sciences of the United States of America IF:9.4Q1 DOI:10.1073/pnas.2518248123 PMID:41818153	研究论文	本文提出DeepDegradome，一种结构感知的深度学习框架，用于自动化设计小分子配体和PROTAC分子，并在WDR5和CDK9两个蛋白靶点上进行实验验证	首次实现从零开始同时自动化设计配体和PROTAC，不依赖预定义的弹头或E3连接酶配体；采用基于大片段库的片段组装策略，结合自研iFitDock对接方法，基于靶蛋白口袋的形状和理化特征构建配体，进而构建PROTAC，突破了传统方法仅修饰固定配体间连接子的局限	摘要中未明确提及研究的局限性	解决PROTAC设计中缺乏明确结合位点的蛋白难以设计有效降解剂的挑战，实现结构感知的配体和PROTAC自动化生成	WDR5蛋白和CDK9蛋白	药物发现	癌症	深度学习分子生成、分子对接（iFitDock）、X射线晶体学	深度学习生成模型	分子结构数据（蛋白质结构、化合物结构）	NA	NA	NA	预测结合亲和力、分子有效性、类药性、X射线晶体学验证的结合构象一致性	NA
2027	2026-09-13	Automated Classification of Mitral and Tricuspid Regurgitation With Explainability and Real-World Practice Experience 2026-03-17, Journal of the American Heart Association IF:5.0Q1 DOI:10.1161/JAHA.125.045851 PMID:41804879	研究论文	该研究开发了一个可解释的、考虑血流的端到端深度学习流水线，用于从常规超声心动图DICOM文件中自动选择相关视图，评估瓣膜形态，并结合收缩期相位信息对二尖瓣反流和三尖瓣反流进行联合分级。	提出了一个可解释且具有生理约束的统一人工智能框架，能够自动选择视图、通过瓣叶姿态估计进行瓣膜形态评估、结合收缩期相位感知进行多普勒解读，并联合分级二尖瓣和三尖瓣反流；模型在多个外部机构验证，并保持较强的排除诊断能力。	在房颤或左心室射血分数降低的患者中性能有所下降；外部验证中曲线下面积略低，尤其是在重度反流方面。	开发并验证一个可解释、统一的人工智能框架，用于在真实临床工作流程中自动筛查和分级二尖瓣反流与三尖瓣反流。	接受常规经胸超声心动图检查的患者，包括来自三级中心的门诊研究以及来自另外两个独立机构的外部验证队列。	医学图像分析，数字病理学（心血管影像）	心血管疾病（瓣膜性心脏病，二尖瓣反流和三尖瓣反流）	深度学习，超声心动图，DICOM文件处理，多普勒解读	深度学习（CNN）	图像（超声心动图DICOM文件）	训练和内部测试使用来自三级中心的5086例门诊研究，并在来自另外两个机构的独立队列中进行外部验证。	NA	NA	接收者操作特征曲线下面积，灵敏度，特异度，阳性预测值，阴性预测值	NA
2028	2026-09-13	Improving multi-variable weather forecasting with spatiotemporal feature interaction and large-kernel modeling 2026-Mar-12, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-42553-5 PMID:41813744	研究论文	该论文提出了一种新颖的多变量耦合天气预报模型，结合分支交叉注意力融合策略和大核卷积，以提高多变量天气预报的准确性	引入了分支交叉注意力融合策略以增强特征整合，设计了新的大核卷积模块替代循环网络中的传统卷积，并开发了基于NLK-LSTM单元的NLKRNN时空预测网络	实验仅在自定义的气象数据集上进行，未在大规模标准数据集或实际业务系统中验证	改进多变量天气预报，通过捕捉非线性交互和时空动态来提升预测性能	气象数据，包括温度、露点和U/V风分量	机器学习	NA	NA	LSTM	时间序列	NA	NA	NLK-LSTM	NA	NA
2029	2026-09-13	Mitochondrial apoptosis gene-based pathomics for ovarian cancer prognosis 2026-Mar-12, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-40121-5 PMID:41820464	研究论文	该研究开发并验证了一种基于线粒体凋亡相关基因和数字病理特征的迁移学习模型（MAR-PTL），用于卵巢癌预后预测	将线粒体凋亡基因表达与H&E切片深度学习特征相结合，构建迁移学习框架，并发现BCL2L2为核心预后基因及其与特定ResNet特征的相关性	未明确提及	开发并验证卵巢癌预后预测模型，探索线粒体凋亡与病理特征的相互作用机制	卵巢癌患者	数字病理学	卵巢癌	H&E染色、转录组测序、单细胞RNA测序	迁移学习、ResNet50	病理图像、转录组数据、单细胞RNA测序数据	未明确提及	NA	ResNet50	C-index	NA
2030	2026-09-13	A meta learning and task adaptive approach for drug target affinity prediction 2026-Mar-10, Nature communications IF:14.7Q1 DOI:10.1038/s41467-026-70554-5 PMID:41807414	研究论文	本文提出了AdaMBind，一种基于元学习框架和自适应任务模块的DTA预测模型，用于低数据场景下的药物-靶点亲和力预测	采用动态的“从易到难”任务调度机制，增强训练效率和鲁棒性；结合元学习与自适应任务模块，针对低数据场景设计	未明确提及	实现准确且鲁棒的药物-靶点亲和力预测，特别是在训练数据有限和泛化能力差的情况下	药物-靶点亲和力预测，涉及未见靶点的亲和力预测、虚拟筛选以及针对急性髓系白血病FLT3的抑制剂发现	机器学习	急性髓系白血病	NA	元学习	NA	NA	NA	NA	NA	NA
2031	2026-09-13	A multimodal retinal image dataset for diabetic retinopathy detection using foundation models 2026-Mar-10, Scientific data IF:5.8Q1 DOI:10.1038/s41597-026-07005-9 PMID:41807442	研究论文	该论文介绍了一个用于糖尿病视网膜病变检测的多模态视网膜图像数据集，并使用基础模型进行了基准测试	构建了一个大规模多模态视网膜图像数据集，包含彩色眼底摄影、光学相干断层扫描和超广角眼底成像三种模态，并提供详细的病变级注释和糖尿病视网膜病变及糖尿病黄斑水肿的严重程度分级；首次在该数据集上对多种眼底基础模型和大型视觉语言模型进行基准测试	摘要中未明确提及局限性	解决现有公共视网膜图像数据集规模有限、注释不够精细的问题，为人工智能驱动的糖尿病视网膜病变诊断提供可靠的评估基准	糖尿病视网膜病变和糖尿病黄斑水肿的视网膜图像	医学图像分析	糖尿病视网膜病变, 糖尿病黄斑水肿	彩色眼底摄影, 光学相干断层扫描, 超广角眼底成像	基础模型, 大型视觉语言模型	图像	NA	NA	NA	NA	NA
2032	2026-09-13	A foundation model for multi-task cross-distribution restoration of fluorescence microscopy images 2026-Mar-10, Nature communications IF:14.7Q1 DOI:10.1038/s41467-026-70307-4 PMID:41807447	研究论文	本文提出了一种用于多任务和跨分布荧光显微镜图像恢复的基础模型FluoResFM，利用文本先验信息适应特定任务和数据分布	FluoResFM是首个统一的多任务和跨分布荧光显微镜图像恢复基础模型，利用文本先验信息适应特定任务和数据分布，并通过单样本微调提升性能	摘要中未明确提及限制	开发一个能够处理多任务和跨分布荧光显微镜图像恢复的统一基础模型，提高恢复性能和泛化能力	荧光显微镜图像，涵盖超过20种生物结构	计算机视觉	NA	深度学习	基础模型	图像	训练数据集涵盖三个任务和超过20种生物结构；微调时仅需单个样本	NA	NA	NA	NA
2033	2026-09-13	SYN-OCT:A synthetic dataset of ocular optical coherence tomography images from healthy and glaucoma eyes 2026-Mar-10, Scientific data IF:5.8Q1 DOI:10.1038/s41597-026-06946-5 PMID:41807485	研究论文	本文介绍了一个包含20万张合成眼科OCT图像的公开数据集SYN-OCT，分别来自健康眼和青光眼的生成模型	构建并公开了大规模合成OCT图像数据集，包含健康和青光眼两类，并利用自动分割验证了合成数据的结构特征与真实数据可比	合成数据基于真实数据生成，可能无法完全覆盖真实世界的多样性；未提及对下游任务的直接评估	提供用于青光眼分析和检测的深度学习应用开发或验证的数据集，并研究医学图像合成生成及其可用性	来自健康眼和青光眼的合成环视盘OCT图像	数字病理学	青光眼	光学相干断层扫描（OCT）	生成图像模型	图像	200,000张合成OCT图像（100,000张青光眼，100,000张健康眼）	NA	NA	NA	NA
2034	2026-09-13	Gene driven analytical learning model for accurate breast cancer diagnosis 2026-Mar-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-39430-6 PMID:41776259	研究论文	该研究开发了一种结合CNN和BiLSTM的集成深度学习方法，基于基因表达数据提高乳腺癌预后预测的准确性	提出了一种全混合CNN-BiLSTM模型，通过Pearson相关分析筛选出236个基因集，并在METABRIC数据集上验证了泛化能力，在噪声扰动下表现出极低的方差	未明确提及	基于基因表达数据增强乳腺癌预后预测，为精准医学提供通用计算工具	乳腺癌样本的基因表达数据	机器学习	乳腺癌	基因表达分析	CNN, BiLSTM	基因表达数据	TCGA-BRCA和METABRIC数据集	NA	CNN, BiLSTM	Recall, ROC AUC, F1 score, 方差	双NVIDIA Tesla T4阵列
2035	2026-09-13	Computational nanobody design using graph neural networks and Metropolis Monte Carlo sampling 2026-Mar-01, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbag180 PMID:42015415	研究论文	该文章开发了一种结合图神经网络和Metropolis Monte Carlo采样的计算方法，用于纳米抗体的设计，并以TL1A抗原为例生成了两个高亲和力纳米抗体	提出了一种物理信息深度学习方法来设计纳米抗体，构建了无需复杂结构即可预测蛋白质-蛋白质结合自由能的GNN模型AiPPA，并将其与Metropolis重要性采样结合，从非亲和性模板出发设计低结合自由能的纳米抗体	AiPPA在基准测试上的Pearson相关系数为0.62，预测精度仍有提升空间；仅针对TL1A抗原进行了验证，方法的通用性有待进一步验证	开发一种计算纳米抗体设计方法，以降低实验筛选高亲和力纳米抗体的成本和时间	纳米抗体、抗原TL1A、蛋白质-蛋白质结合自由能	机器学习	NA	图神经网络、Metropolis Monte Carlo采样	GNN	蛋白质序列及结构数据	NA	NA	AiPPA（基于图神经网络架构）	Pearson相关系数	NA
2036	2026-09-13	The Narrative Review: Advancements in Heart Failure Diagnosis and Management using Artificial Intelligence: A New Era of Patient Care 2026, Current cardiology reviews IF:2.4Q2 DOI:10.2174/011573403X369978250818060357 PMID:40947703	综述	本文综述了人工智能在心衰诊断和管理中的最新进展，探讨了机器学习和深度学习等技术如何改善临床决策和患者护理	系统性地总结了AI在心衰诊疗中的应用现状与未来潜力，涵盖影像分析、心电图解读、风险预测和个性化治疗等多个维度	尚未充分解决数据整合、预测准确性、患者参与度、数据隐私与伦理以及临床工作流整合等问题	概述人工智能在心衰诊断和管理中的当前进展及未来潜力，以确保护理质量和医疗实践的提升	心衰患者及心衰相关的临床数据（影像、心电图等）	机器学习	心血管疾病	机器学习，深度学习	NA	图像，文本	NA	NA	NA	NA	NA
2037	2026-09-13	RMETNet: A cross-subject motor imagery EEG signal classification model based on TSLANet and riemannian geometry features 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0347671 PMID:42018586	研究论文	该研究提出了一种基于TSLANet和黎曼几何特征的跨被试运动想象脑电信号分类模型RMETNet，通过融合时空卷积模块和多尺度黎曼几何特征模块，并引入最大均值差异损失进行域适应，以解决跨被试分类中的分布偏移问题	提出了RMETNet框架，创新性地将TSLANet、时空卷积模块和多尺度黎曼几何特征模块进行融合，并引入最大均值差异损失进行域适应，有效缓解了跨被试特征分布差异问题，提升了运动想象脑电解码的跨被试泛化能力	摘要中未明确提及研究的局限性	解决运动想象脑电信号分析中深度学习模型因被试间差异导致的跨被试泛化能力不足的问题，提升脑机接口中运动想象脑电解码的跨被试分类性能	运动想象脑电信号	机器学习	NA	运动想象脑电解码	CNN	脑电信号	BCI Competition IV 2a数据集（四分类）和BCI Competition IV 2b数据集（二分类），具体被试数量未在摘要中提及	NA	TSLANet, 时空卷积模块, 多尺度黎曼几何特征模块	准确率	NA
2038	2026-09-13	A hybrid CNN-XLSTM-GRU deep learning model with autoencoder-based feature selection for hypothyroidism diagnosis 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0347203 PMID:42013160	研究论文	提出了一种混合CNN-XLSTM-GRU深度学习模型FusionNet-CXG，并采用自编码器特征选择用于甲状腺功能减退症诊断	结合CNN、扩展LSTM和GRU的混合架构，并引入自编码器特征选择和SHAP可解释性分析	缺乏外部验证，未来需在更多样化的真实世界队列中验证并纳入时间临床数据	开发准确的甲状腺功能减退症预测模型	甲状腺功能减退症患者数据	机器学习	甲状腺功能减退症	NA	CNN, LSTM, GRU	表格数据	3772条记录，30个特征	NA	CNN, XLSTM, GRU	准确率, F1分数, AUC-ROC	NA
2039	2025-09-13	Infant Electrocardiogram-Based Deep Learning Predicts Critical Congenital Heart Disease 2025-Dec, JACC. Clinical electrophysiology DOI:10.1016/j.jacep.2025.08.005 PMID:40938228	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2040	2026-09-13	Immunological risk factors for recurrent implantation failure using a deep learning model: a multicenter retrospective cohort study 2025-12-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-27561-1 PMID:41326470	研究论文	本研究利用深度学习模型（TabNet）预测复发性植入失败（RIF）患者的活产，并识别免疫学风险因素	首次使用TabNet深度学习模型预测RIF患者的活产，并识别关键免疫学风险因素	回顾性研究设计，可能存在选择偏倚；样本量有限；未进行外部验证	预测复发性植入失败患者的活产，并识别免疫学风险因素	复发性植入失败患者	机器学习	生殖医学	NA	TabNet	表格数据	2463名复发性植入失败患者	NA	TabNet	准确率, AUROC	NA