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
2121	2026-01-17	Automatic radiation-free evaluation of Cobb angle for spinal curvature based on fringe projection profilometry and deep learning technology 2026-Jan-15, Spine deformity IF:1.6Q3 DOI:10.1007/s43390-025-01270-1 PMID:41537944	研究论文	本研究提出了一种结合条纹投影轮廓术和深度学习技术的全自动、无辐射的脊柱侧弯Cobb角评估方法	首次将条纹投影轮廓术与卷积神经网络结合，实现无辐射、全自动的Cobb角评估，替代传统测量工具	样本量较小（仅48名参与者），且仅基于医院临床诊断患者，可能缺乏广泛代表性	开发一种无辐射、自动化的脊柱侧弯筛查方法，用于早期检测和干预	临床诊断为脊柱侧弯的48名参与者（儿科患者）	计算机视觉	脊柱侧弯	条纹投影轮廓术，七步相移算法	CNN	三维表面重建图像	48名临床诊断为脊柱侧弯的参与者	NA	NA	相关系数，决定系数	NA
2122	2026-01-17	Towards Enhanced Representation Learning for Single-Source Domain Generalization in LiDAR Semantic Segmentation 2026-Jan-15, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2026.3654352 PMID:41538344	研究论文	本文提出了一种用于LiDAR语义分割单源域泛化的表示学习方法DGLSS++，旨在通过增强表示学习提升模型在未见域上的鲁棒性	提出了广义掩码稀疏不变特征一致性（GMSIFC）和局部语义相关性一致性（LSCC）两种约束，并设计了新颖的掩码策略以排除多类不一致的体素特征	仅针对LiDAR传感器配置和场景分布变化导致的域偏移，未考虑其他类型的域差异（如天气、光照变化）	解决LiDAR语义分割中的单源域泛化问题，提升自动驾驶感知系统在未知环境下的鲁棒性	LiDAR点云数据	计算机视觉	NA	LiDAR传感器数据采集	3D深度学习模型	3D点云数据	基于四个真实世界数据集（具体数量未明确说明）	PyTorch	未明确指定具体架构（提及3D深度学习模型）	未明确说明具体指标（实验表明优于UDA和DG基线方法）	NA
2123	2026-01-17	Single-Photon Imaging in Complex Scenarios via Physics-Informed Deep Neural Networks 2026-Jan-15, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2026.3654264 PMID:41538339	研究论文	本文提出了一种物理信息深度神经网络框架，用于在复杂场景中实现单光子成像，通过嵌入成像物理进行无监督学习，提高了光子利用效率并扩展了应用范围	提出物理信息深度神经网络框架，将成像物理嵌入深度神经网络以实现无监督学习，通过定制U-Net跳跃连接施加多尺度时空先验，并引入体积渲染和双分支结构以处理多深度和雾遮挡问题	未明确说明计算资源需求或模型在极端低信噪比条件下的性能边界	解决复杂场景下单光子成像的挑战，提高成像质量和泛化能力	单光子成像系统在复杂环境下的三维结构重建	计算机视觉	NA	单光子成像	深度神经网络	图像	NA	NA	U-Net	均方根误差	NA
2124	2026-01-17	DPM: A Deep Learning and Optimal Transport Framework for Cost-Effective Spatial Metabolomics 2026-Jan-15, Analytical chemistry IF:6.7Q1 DOI:10.1021/acs.analchem.5c06903 PMID:41538726	研究论文	本文提出了一种基于深度学习和最优传输理论的框架DPM，用于预测空间代谢组学中质谱成像数据的空间代谢物分布，以提高成本效益和分辨率	结合深度学习与最优传输理论，通过优化映射策略从相邻切片准确预测质谱成像切片的代谢物空间分布，并展示了提升成像分辨率的潜力	未明确说明模型在复杂组织或异质性样本中的泛化能力，以及计算资源需求的具体细节	开发一种成本效益高的空间代谢组学方法，以预测质谱成像中的代谢物空间分布	质谱成像（MSI）数据中的空间代谢物分布	空间代谢组学	NA	质谱成像（MSI）	深度学习模型	图像数据（质谱成像切片）	NA	NA	NA	对齐精度，预测准确性	NA
2125	2026-01-17	Application of deep learning to single-shot gas-phase laser-induced breakdown spectroscopy 2026-Jan-15, Optics letters IF:3.1Q2 DOI:10.1364/OL.583775 PMID:41538818	研究论文	本文应用贝叶斯优化的卷积神经网络（CNN）来解释单次飞秒激光诱导击穿光谱（LIBS）测量，以捕获脉冲功率聚变驱动器中纳秒尺度的电极解吸现象	首次将贝叶斯优化的CNN应用于低密度气体混合物中的单次LIBS测量，有效解析了信号重叠严重的复杂条件	研究仅针对特定气体压力范围（80-530 mTorr）和两种气体（H和CH）的混合物，未涉及更广泛的气体类型或压力条件	开发一种深度学习方法来解释单次LIBS测量，以监测脉冲功率聚变驱动器中的电极解吸现象	低密度气体混合物（H和CH）在特定压力下的单次LIBS光谱数据	机器学习	NA	激光诱导击穿光谱（LIBS）	CNN	光谱数据	256种不同的测量条件，气体压力范围为80-530 mTorr，H流量为100-250 sccm，CH流量为50-200 sccm，以10 sccm为增量混合	NA	卷积神经网络（CNN）	均方根误差（RMSE），平均相对预测误差	NA
2126	2026-01-17	Deep learning-assisted metalens imaging over a wide depth of field 2026-Jan-15, Optics letters IF:3.1Q2 DOI:10.1364/OL.580297 PMID:41538839	研究论文	本文提出了一种基于生成对抗网络的深度学习模型，用于恢复高数值孔径毫米级超透镜捕获的全彩图像，以增强其成像质量	开发了专门针对高数值孔径超透镜的生成对抗网络，实现了在超过17.5厘米景深范围内无需额外训练的图像质量提升	未提及模型在不同环境或光照条件下的泛化能力，以及计算资源需求的具体细节	解决超透镜在小型化成像系统中因高数值孔径导致的色散和分辨率下降问题	毫米级高数值孔径（0.447）超透镜捕获的全彩图像	计算机视觉	NA	深度学习辅助成像	GAN	图像	NA	NA	Metalens Depth-of-Field Generative Adversarial Network	峰值信噪比, 感知损失	NA
2127	2026-01-17	PIPN: Physics-inspired phase retrieval network for propagation-based X-ray phase-contrast imaging 2026-Jan-15, Optics letters IF:3.1Q2 DOI:10.1364/OL.581596 PMID:41538865	研究论文	提出了一种基于物理启发的相位恢复网络（PIPN）及其加速策略，用于传播式X射线相位对比成像，无需训练数据即可实现高质量相位恢复	结合单一近似条件和物理成像模型，无需训练数据即可实现相位恢复，并引入了加速策略以提高重建效率	未提及实验中的具体样本数量或广泛的外部验证	解决传播式X射线相位对比成像中的单距离相位恢复问题	软组织的X射线相位对比成像数据	计算机视觉	NA	传播式X射线相位对比成像（PB-XPCI）	深度学习网络	图像	NA	NA	物理启发相位恢复网络（PIPN）	NA	NA
2128	2026-01-17	TCR representation learning with protein language models: a comprehensive review 2026-Jan-14, International immunology IF:4.8Q2 DOI:10.1093/intimm/dxaf048 PMID:40855636	综述	本文综述了蛋白质语言模型在T细胞受体（TCR）库分析中的应用，重点关注其如何利用自然语言处理技术从TCR序列中学习表示，并探讨了抗原特异性预测等关键应用	系统总结了蛋白质语言模型在TCR库分析中的最新进展，强调了其通过迁移学习从大规模无标记数据中捕获上下文特征的优势，并提出了未来多模态整合的发展方向	TCR库分析仍面临数据稀缺、偏差以及缺乏配对链信息等挑战，需要更严格的数据集优化和增强策略	综述蛋白质语言模型在TCR库分析中的应用，以提升TCR功能属性的预测能力	T细胞受体（TCR）库及其序列数据	自然语言处理	NA	蛋白质语言模型	NA	蛋白质序列	NA	NA	NA	NA	NA
2129	2026-01-17	Medical Microwave Imaging Using Physics-Guided Deep Learning Part 2: The Inverse Solver 2026-Jan-14, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2026.3653974 PMID:41533603	研究论文	提出一种基于物理引导深度学习的医学微波成像逆求解方法，以改进异常组织检测	提出一种受扭曲Born迭代方法启发的深度神经网络，避免使用格林函数，并通过混合损失函数和序列迭代网络块准确重建被健康组织信号掩盖的异常组织	未明确说明计算资源需求或模型泛化能力限制	解决医学微波断层扫描中逆问题的不适定性和高计算成本，提高异常组织检测精度	医学微波成像中的异常组织（如肿瘤）	医学成像	NA	微波成像	深度神经网络	微波信号数据	NA	NA	基于扭曲Born迭代方法的神经网络块序列	相对误差, 结构相似性指数, Dice相似系数, Hausdorff距离	NA
2130	2026-01-17	Consistency-Aware Spot-Guided Transformer for Accurate and Versatile Point Cloud Registration 2026-Jan-14, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2026.3653989 PMID:41533614	研究论文	本文提出了一种一致性感知的斑点引导Transformer（CAST）方法，用于提升点云配准的准确性和效率	设计了两种稀疏注意力机制：一致性感知自注意力通过全局一致对应点增强特征判别性；斑点引导交叉注意力利用局部一致性限制注意力范围，减少干扰	未明确说明方法在极端噪声或极端遮挡场景下的性能表现	开发高效且准确的点云配准方法，适用于大规模实时应用	室外LiDAR数据集和室内RGB-D相机数据集中的点云数据	计算机视觉	NA	NA	Transformer	点云	NA	NA	一致性感知斑点引导Transformer（CAST）	准确性、效率、鲁棒性、泛化能力	NA
2131	2026-01-17	EnsDTI: Predicting Drug-Target Interaction with Mixture-of-Experts and Confidence Assessment 2026-Jan-14, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2026.3653990 PMID:41533615	研究论文	提出EnsDTI框架，通过混合专家架构和置信度评估来预测药物-靶点相互作用，以平衡速度与准确性	结合基于结构和基于配体的药物设计方法，采用混合专家架构增强预测，并引入归纳共形预测器提供置信度评分	未明确说明模型在超大规模化合物库上的计算效率具体数据，也未讨论对罕见靶点类型的泛化能力	开发一个能高效排序和筛选潜在药物候选物的计算工具，平衡预测速度与准确性	药物-靶点相互作用	机器学习	NA	深度学习	混合专家架构	蛋白质和分子特征数据	四个广泛使用的基准数据集	NA	混合专家架构	预测准确性, 置信度估计, 与对接亲和力的相关性	NA
2132	2026-01-17	Systematic Review on Deep Learning Algorithms for Blood Glucose Forecasting in Type 1 Diabetes 2026-Jan-14, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3630214 PMID:41533628	综述	本文是关于深度学习算法在1型糖尿病血糖预测应用中的系统性综述	首次针对深度学习在1型糖尿病血糖预测领域的应用进行系统性综述，填补了该领域缺乏全面总结的空白	现有深度学习模型在生理保真度和可解释性方面仍存在挑战，可能影响临床采纳	系统评估深度学习算法在1型糖尿病血糖预测中的应用现状与挑战	1型糖尿病患者的血糖预测研究	机器学习	1型糖尿病	连续血糖监测	深度学习算法	时间序列数据	26项符合纳入标准的研究	NA	NA	NA	NA
2133	2026-01-17	Robust Physics-Based Deep MRI Reconstruction via Diffusion Purification 2026-Jan-14, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2025.3631742 PMID:41533627	研究论文	提出一种基于扩散模型的鲁棒化策略，用于提升深度学习MRI重建方法的抗干扰能力	利用预训练的扩散模型作为净化器，无需解决传统对抗训练中的minimax优化问题，仅需对净化样本进行高效微调	未明确说明方法在极端噪声或复杂病理条件下的性能边界	解决深度学习MRI重建方法在测试时对测量扰动、参数变化和分布偏移的脆弱性问题	磁共振成像（MRI）重建	医学影像分析	NA	扩散模型	扩散模型	k空间数据，图像	NA	NA	扩散模型	NA	NA
2134	2026-01-17	Impact of fine-grained learning rate configuration on the performance of medical image segmentation models 2026-Jan-14, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ae3830 PMID:41534111	研究论文	本文提出了一种细粒度学习率配置算法，用于提升医学图像分割模型的性能	首次系统研究了不同网络层次间差异化学习率初始化对医学图像分割性能的影响，并提出了一种基于早期训练结果与最终最优性能统计关系的通用配置算法	算法在更多模态和复杂解剖结构数据集上的泛化能力仍需进一步验证	探索细粒度学习率配置对医学图像分割模型性能的影响，并开发一种优化算法	医学图像分割模型	计算机视觉	结直肠息肉、胃肠道息肉、乳腺肿瘤、甲状腺结节、皮肤病变	深度学习	CNN	医学图像	使用了五个公开数据集：CVC-ClinicDB、Kvasir-SEG、BUSI、甲状腺结节分割数据集、皮肤病变分割数据集	未明确说明	H-vmunet, MSRUNet	mIoU	未明确说明
2135	2026-01-17	Short-TR Acquisition Time-of-flight MR Angiography with Deep Learning Reconstruction: Technical Feasibility and Initial Clinical Evaluation in Moyamoya Disease 2026-Jan-14, Magnetic resonance in medical sciences : MRMS : an official journal of Japan Society of Magnetic Resonance in Medicine IF:2.5Q2 DOI:10.2463/mrms.mp.2025-0139 PMID:41535020	研究论文	本研究开发并评估了短TR采集飞行时间磁共振血管成像技术，结合深度学习重建，在烟雾病中实现了扫描时间减少并保持图像质量	结合优化的短TR采集与深度学习重建，实现了扫描时间约50%的减少，同时保持或提升颅内动脉可视化图像质量	患者样本量较小（仅3例烟雾病患者），初步临床评估范围有限	开发并评估短TR采集飞行时间磁共振血管成像技术，以减少扫描时间并保持图像质量	健康志愿者（10名）和烟雾病患者（3名）的颅内动脉	医学影像	烟雾病	3D飞行时间磁共振血管成像，短TR采集，变密度泊松圆盘采样	深度学习	磁共振图像	10名健康志愿者和3名烟雾病患者	NA	展开式深度学习重建	信噪比，对比噪声比，图像质量评分	NA
2136	2026-01-17	Correction: Quality assessment of colour fundus and fluorescein angiography images using deep learning 2026-Jan-14, The British journal of ophthalmology DOI:10.1136/bjo-2022-321963corr1 PMID:41535099	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2137	2026-01-17	Deep learning-based restoration of PET images from a dual-panel breast dedicated scanner 2026-Jan-14, Zeitschrift fur medizinische Physik IF:2.4Q2 DOI:10.1016/j.zemedi.2026.01.001 PMID:41535178	研究论文	本研究利用深度学习技术，旨在提升专用双面板乳腺PET扫描仪的图像质量，使其接近全环扫描仪的性能	首次将SwinUNETR架构应用于从双面板PET数据合成全环等效图像，显著提升了图像质量指标	研究基于蒙特卡洛模拟和临床数据生成的仿真图像，尚未在真实双面板扫描仪采集的原始数据上进行验证	通过深度学习改善低成本双面板乳腺专用PET扫描仪的图像质量，以降低乳腺癌诊断和监测的成本	乳腺PET图像	数字病理学	乳腺癌	PET成像，蒙特卡洛模拟（GATE工具包）	深度学习	图像	51例¹⁸F-FDG乳腺PET/CT临床病例数据用于仿真	NA	SwinUNETR	结构相似性指数（SSIM），峰值信噪比（PSNR），均方根误差（RMSE），体素相关性	NA
2138	2026-01-17	Comprehensive mapping of RNA modification dynamics and crosstalk via deep learning and nanopore direct RNA-sequencing 2026-Jan-14, Nature communications IF:14.7Q1 DOI:10.1038/s41467-026-68419-y PMID:41535294	研究论文	本文介绍了一种名为ORCA的深度学习框架，用于通过纳米孔直接RNA测序全面绘制RNA修饰图谱	ORCA采用领域对抗学习和迁移学习模块，能够同时检测多种RNA修饰类型，并揭示修饰位点间的相互作用	NA	解码RNA修饰动态及其在多种生物背景下的调控复杂性	人类细胞系中的RNA修饰	机器学习	NA	纳米孔直接RNA测序	深度学习	RNA测序数据	多种人类细胞系	NA	NA	NA	NA
2139	2026-01-17	A Novel Hybrid Model Based on GAN and Stacking for Improving Minority Class Detection in an Imbalanced Dataset of Endotracheal Tubes Position Errors 2026-Jan-14, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01840-9 PMID:41535602	研究论文	提出一种基于GAN和堆叠集成的新混合模型，用于改善气管插管位置错误不平衡数据集中少数类别的检测性能	采用两阶段方法：第一阶段通过GAN和过采样合成少数类特征以平衡数据集；第二阶段使用特征平衡数据集训练多分类器的堆叠集成模型	未明确说明模型在外部验证集上的泛化能力，且仅针对特定数据集进行验证	解决气管插管位置分类中因数据不平衡导致的少数类检测性能下降问题	基于胸部X光图像的气管插管位置异常检测	计算机视觉	呼吸系统疾病	胸部X光成像	GAN, 堆叠集成	图像	未明确说明具体样本数量，但提及使用公开ETT数据集且存在极端不平衡	未明确说明	未明确说明具体GAN架构	召回率, F1分数	通过特征级训练替代像素级训练显著降低计算成本，但未具体说明硬件配置
2140	2026-01-17	Unpacking Genomic Biomarkers for Programmed Cell Death Receptor-1 Immunotherapy Success in Non-Small Cell Lung Cancer Using Deep Neural Networks: Quantitative Study 2026-Jan-13, JMIR bioinformatics and biotechnology DOI:10.2196/70553 PMID:41529246	研究论文	本研究利用深度神经网络分析非小细胞肺癌患者的RNA-seq数据，以识别预测PD-1免疫疗法反应的基因组生物标志物	开发了DeepImmunoGene模型，通过特征选择减少基因集，并应用深度学习识别高预测性基因子集，在预测准确性和AUC方面优于传统机器学习方法	研究样本量相对有限（355名患者），且仅基于RNA-seq数据，可能未涵盖其他基因组或临床因素	识别预测非小细胞肺癌患者对PD-1免疫疗法反应的基因组生物标志物，以改善患者预后和治疗策略	非小细胞肺癌患者的RNA-seq数据	机器学习	肺癌	RNA-seq	DNN, SVM, XGBoost	基因表达数据	355名非小细胞肺癌患者	NA	DeepImmunoGene	准确率, AUC, 召回率	NA