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
2141	2026-01-17	Deep learning-based segmentation and density estimation of corneal nerves and dendritic cells from In Vivo confocal microscopy images 2026-Jan-13, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-34412-6 PMID:41530230	研究论文	本研究比较了手动评估与基于深度学习分割的自动评估方法在角膜神经纤维长度和树突状细胞密度测量上的表现	利用深度学习分割技术实现角膜神经和树突状细胞的自动分割与密度估计，替代传统手动评估方法	研究样本量相对有限（130名参与者），且仅针对特定人群（COVID-19后眼部症状者与无症状对照）	开发并验证一种自动化的角膜神经纤维长度和树突状细胞密度评估方法	角膜神经纤维和树突状细胞	计算机视觉	眼部疾病	活体共聚焦显微镜成像	深度学习分割模型	图像	130名参与者（100名有症状，30名无症状），共2600张IVCM图像	NA	NA	组间差异p值，置信区间	NA
2142	2026-01-17	ReaGP: integrating residual units and attention mechanisms in convolution neural network for genomic prediction 2026-Jan-13, Genetics, selection, evolution : GSE DOI:10.1186/s12711-025-01015-8 PMID:41530673	研究论文	提出了一种名为ReaGP的新型深度学习模型，通过整合残差单元和注意力机制来提升基因组预测的准确性	首次将残差单元和注意力机制结合到卷积神经网络中用于基因组预测，并引入频率编码的基因组数据以增强特征表示	未明确说明模型在极低遗传力性状或小样本数据集上的表现	开发一种高效的深度学习方法来提高基因组育种值（GEBVs）的预测精度	猪、奶牛、华西牛、小麦和水稻的基因组数据	机器学习	NA	基因组预测	CNN	基因组数据	三个动物数据集和两个植物数据集，涵盖15个性状	NA	整合残差单元和注意力机制的卷积神经网络	预测准确性	NA
2143	2026-01-17	DCDGNet: Dual-frequency cross-feature diffusion GAN for single fusion sonar image generation in exposed subsea pipeline inspection 2026-Jan-13, Marine pollution bulletin IF:5.3Q1 DOI:10.1016/j.marpolbul.2026.119289 PMID:41534269	研究论文	本文提出了一种用于生成海底裸露管道融合声纳图像的双频交叉特征扩散生成对抗网络（DCDGNet）	提出了一种能够从单张图像生成多样化样本的模型，通过频率分解避免空间建模伪影，并设计了三个关键模块进行全局语义融合、局部细节增强和多阶段特征扩散，同时引入了标签同步机制实现生成过程中的自动标注	未明确说明模型在极端环境条件或不同声纳设备配置下的泛化能力	解决海底裸露管道检测中融合声纳图像数据稀缺问题，提高检测精度	海底裸露管道	计算机视觉	NA	多波束回声测深仪（MBES）与侧扫声纳（SSS）融合技术	GAN, 扩散模型	融合声纳图像	NA	NA	DCDGNet, UNet++	Fréchet Inception Distance (FID), Kernel Inception Distance (KID), Inception Score (IS)	NA
2144	2026-01-17	Expanding the clinical utility of deep learning-based radiomics and machine learning for prognostic assessment in IDH-wildtype glioblastoma following maximal safe surgical resection 2026-Jan-13, International journal of surgery (London, England) DOI:10.1097/JS9.0000000000004661 PMID:41537390	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2145	2026-01-17	IFNg_DeepKG: A Novel Model for Identifying Interferon-Gamma-Inducing Epitopes Using Knowledge Graph RAG in Biomedical Applications 2026-Jan-12, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02248 PMID:41474270	研究论文	本文提出了一种名为IFNg_DeepKG的新型深度学习框架，用于准确识别干扰素-γ诱导表位，结合了预训练蛋白质语言模型、知识图谱检索增强生成和多尺度卷积神经网络	首次将知识图谱检索增强生成方法应用于干扰素-γ诱导表位识别，通过整合序列特征与生物上下文信息显著提升预测性能	未明确说明模型在更广泛物种或疾病类型上的泛化能力限制，也未讨论计算资源需求	开发一种计算模型以准确高效地识别干扰素-γ诱导表位，用于下一代疫苗和免疫疗法设计	干扰素-γ诱导表位，特别是与COVID-19和阿尔茨海默病相关的临床相关表位	计算免疫学	COVID-19, 阿尔茨海默病	蛋白质语言模型, 知识图谱, 检索增强生成	多尺度卷积神经网络	蛋白质序列, 生物上下文信息	人类和小鼠数据集（具体数量未明确说明）	NA	ESM2, MSCNN	AUC	NA
2146	2026-01-17	Mod-SE(2): a geometric deep learning framework for brain tumor classification and segmentation in MRI images 2026-Jan-12, Journal of biomedical science IF:9.0Q1 DOI:10.1186/s12929-025-01213-y PMID:41527065	研究论文	本文提出了一种名为Mod-SE(2)的几何深度学习框架，用于MRI图像中的脑肿瘤分类与分割	通过整合几何先验知识，引入保持对称性的群卷积和空间先验，直接编码旋转平移对称性到架构中，提升了模型对空间变异性和方向敏感性的鲁棒性	当前框架主要针对2D图像，未来需扩展到3D体积数据并验证临床就绪性	开发一个几何深度学习框架，以提升脑肿瘤在MRI图像中分类和分割的准确性与鲁棒性	脑肿瘤MRI图像	计算机视觉	脑肿瘤	MRI	CNN, 几何深度学习	图像	三个MRI数据集和两个其他医学图像数据集	NA	Mod-SE(2), U-Net, NN U-Net, VGG16, VGG19, ResNet	准确率, 精确率, Dice系数, IoU	NA
2147	2026-01-17	RLBindDeep: A ResNet-LSTM based novel framework for protein-ligand binding affinity prediction 2026-Jan-12, Journal of molecular graphics & modelling IF:2.7Q2 DOI:10.1016/j.jmgm.2026.109282 PMID:41534323	研究论文	本研究提出了一种名为RLBindDeep的新型深度学习框架，用于高精度预测蛋白质-配体结合亲和力	首次将ResNet与LSTM架构融合，构建了不依赖对接姿态的结合亲和力回归模型，无需执行分子对接或多姿态重评分	仅使用固定复合物结构进行预测，未考虑蛋白质-配体复合物的动态构象变化	提高计算药物发现中蛋白质-配体结合亲和力预测的准确性和鲁棒性	蛋白质-配体复合物	机器学习	NA	深度学习	CNN, LSTM	分子描述符和结构特征	CASF-2016基准数据集	NA	ResNet, LSTM	Pearson相关系数, Spearman相关系数, 均方根误差	NA
2148	2026-01-17	FG-DDI: Functional group-aware graph neural networks for drug-drug interaction prediction 2026-Jan-12, Journal of biomedical informatics IF:4.0Q2 DOI:10.1016/j.jbi.2026.104981 PMID:41534605	研究论文	本文提出了一种名为FG-DDI的图神经网络模型，通过显式注入功能基团的药物化学知识来改进药物-药物相互作用预测	创新点在于将功能基团先验知识以可训练的方式编码到图神经网络的消息传递中，增强了表示质量并提供了可解释的归因	未明确说明模型在处理噪声先验或大规模数据集时的具体限制	改进药物-药物相互作用预测，特别是在转导和归纳设置下	药物-药物相互作用	自然语言处理	NA	图神经网络	GNN	图数据	DrugBank数据集包含1706种药物和86种相互作用类型，TwoSides数据集包含过滤后的三元组	NA	双视图图神经网络	准确率, AUROC, 平均精确率, F1分数	NA
2149	2026-01-17	Automated segmentation of COVID-19 lesions in CT scans using attention U-net with hybrid loss functions 2026-Jan-11, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-26090-1 PMID:41521212	研究论文	本文提出了一种结合CLAHE预处理、注意力U-Net模型和混合损失函数的深度学习框架，用于自动分割CT扫描中的COVID-19病灶	将CLAHE预处理与注意力U-Net结合，并采用混合Dice-Tversky损失函数进行训练，同时应用可解释人工智能技术增强模型透明度	未提及模型在外部数据集上的泛化能力验证或临床部署的具体挑战	开发自动分割COVID-19肺炎病灶的深度学习工具，辅助疾病诊断和严重程度评估	COVID-19患者的CT扫描图像	数字病理学	COVID-19	CT扫描	深度学习	医学图像	公开COVID-19 CT数据集（具体数量未说明）	未明确说明	Attention U-Net	Dice分数, IoU, 准确率	未明确说明
2150	2026-01-17	YOFOR : You only focus on object regions for tiny object detection in aerial images 2026-Jan-10, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2026.108571 PMID:41538898	研究论文	本文提出了一种名为YOFOR的自适应局部感知增强网络，用于解决航空图像中微小物体检测的挑战	提出自适应局部感知模块、模糊增强模块和类别平衡模块，以无监督方式解决物体分布不均、背景干扰和长尾类别问题	未在摘要中明确提及	提高航空图像中微小物体检测的性能	航空图像中的物体检测	计算机视觉	NA	深度学习	CNN	图像	VisDrone、DOTA和AI-TOD数据集	NA	自适应局部感知增强网络	NA	NA
2151	2026-01-17	On the interpretability of machine and deep learning techniques for predicting CBR of stabilized soil containing agro-industrial wastes 2026-Jan-09, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-30501-8 PMID:41513694	研究论文	本研究利用机器学习和深度学习技术预测含有农业工业废料的稳定化土壤的加州承载比（CBR）	首次将多种MDL模型（包括LSTM）应用于预测稳定化土壤的CBR，并比较了两种输入变量方法，同时使用SHAP进行特征重要性分析	未明确提及样本大小或计算资源细节，可能限制模型泛化能力评估	探索农业和工业副产品作为土壤稳定剂的替代方案，并准确预测稳定化土壤的CBR	含有农业工业废料的稳定化土壤	机器学习	NA	NA	MARS, ANN, M5P-MT, XGBoost, LWP, LSTM	土壤工程参数数据	NA	Scikit-learn（用于SHAP和特征重要性分析）	LSTM, XGBoost, MARS, ANN, M5P-MT, LWP	MAE, RMSE, RSD, VAF, U95, R	NA
2152	2026-01-17	Materials Informatics: Emergence to Autonomous Discovery in the Age of AI 2026-Jan-08, Advanced materials (Deerfield Beach, Fla.) DOI:10.1002/adma.202515941 PMID:41504609	综述	本文回顾了材料信息学从概念起源到与人工智能融合的演变历程，并展望了其未来向自主发现发展的方向	将材料信息学定位为一个不断演化的研究生态系统，而非工具集合，并深入探讨了专用大型语言模型与通用模型在材料科学中的优劣，以及AI从预测工具向研究协作伙伴转变的潜力	作为一篇综述，本文未提出新的具体算法或模型，主要基于现有文献进行梳理和展望	梳理材料信息学的发展脉络，评估当前关键方法，并探讨人工智能驱动下材料自主发现的未来方向	材料信息学领域的方法论、技术演进及其在材料发现中的应用	机器学习	NA	机器学习，人工智能，深度学习	Transformer, 大型语言模型	材料科学数据（如性质、合成条件、结构信息等）	NA	NA	Transformer	NA	NA
2153	2026-01-17	Interpreting free-text cardiac catheterisation reports: A machine learning approach informed by focused ethnography 2026-Jan-08, Nurse education in practice IF:3.3Q1 DOI:10.1016/j.nepr.2026.104715 PMID:41534421	研究论文	本研究探讨如何通过聚焦民族志洞察来指导机器学习管道的开发，以改进从经皮冠状动脉介入治疗（PCI）文档中提取临床相关信息，并支持护理教育和实践	结合聚焦民族志与机器学习，利用民族志洞察指导规则型机器学习管道的迭代开发，以处理现实世界文档中的上下文和结构不一致性	在叙事丰富部分的提取准确率仅约50%，表明模型在处理自由文本变异性方面存在局限	开发一个机器学习管道，以自动化提取PCI文档中的临床相关信息，支持护理教育和实践	经皮冠状动脉介入治疗（PCI）文档，特别是电子健康记录中的自由文本字段	自然语言处理	心血管疾病	NA	规则型模型, 深度学习模型, 大型语言模型	文本	4128份去标识化的PCI报告	NA	NA	提取准确率	NA
2154	2026-01-17	CSRefiner: a lightweight framework for fine-tuning cell segmentation models with small datasets 2026-Jan-07, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaf718 PMID:41527855	研究论文	提出了一种轻量级框架CSRefiner，用于在小数据集上微调细胞分割模型，以提升全组织单细胞空间表达分析的精度	CSRefiner是一个轻量级且高效的微调框架，支持微调空间组学中广泛使用的分割模型，并在有限标注数据下实现高精度，具有操作简单和鲁棒性强的特点	未在摘要中明确说明	解决现有微调方法需要大量重新训练或局限于特定模型架构的问题，提升细胞分割模型在全组织分析中的一致性和适应性	细胞分割模型，特别是用于空间组学中核或膜染色图像的分割	数字病理学	NA	空间组学技术，核或膜染色图像	深度学习分割模型	图像	小数据集	NA	NA	准确性	NA
2155	2026-01-17	DeepRMSF: a deep learning-based automated approach for predicting atomic-level flexibility in RNA structure 2026-Jan-07, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaf720 PMID:41529119	研究论文	本文提出了一种基于深度学习的自动化方法DeepRMSF，用于从RNA三级结构预测原子级振动灵活性	首次开发了直接从RNA三级结构预测原子级振动灵活性的深度学习方法，相比传统分子动力学模拟实现了超过3000倍的加速	方法主要针对中等大小RNA（约75个核苷酸），在更大或更复杂RNA结构上的性能需要进一步验证	开发高效预测RNA构象动态性的计算方法，以理解RNA在生物过程中的功能	RNA分子的原子级振动灵活性	计算生物学	NA	分子动力学模拟，深度学习	深度学习模型	RNA三级结构数据，分子动力学模拟数据	371个非冗余RNA（311个用于五折交叉验证，60个作为独立测试集）	NA	NA	皮尔逊相关系数	NA
2156	2026-01-17	Analysis of trichoscopic images using deep neural networks for the diagnosis and activity assessment of alopecia areata - a retrospective study 2026-Jan, Journal der Deutschen Dermatologischen Gesellschaft = Journal of the German Society of Dermatology : JDDG DOI:10.1111/ddg.15847 PMID:41025749	研究论文	本研究开发了一个深度学习框架，用于通过毛镜图像诊断斑秃并评估其活动水平	首次利用人工智能在斑秃的诊断和分期中实现应用，提高了诊断准确性并改善了患者护理	研究为回顾性分析，可能存在数据偏差，且未明确提及外部验证或模型泛化能力	开发一个深度学习框架，以诊断斑秃并确定其活动水平	从头皮疾病患者和健康对照者收集的毛镜图像	计算机视觉	斑秃	毛镜检查	深度学习模型	图像	未明确指定具体样本数量，但涉及患者和健康对照的毛镜图像	NA	NA	准确率, F1分数	NA
2157	2026-01-17	The application of artificial intelligence in the acute and sub-acute phases of spinal cord injury- a systematic review 2026-Jan, Spinal cord IF:2.1Q1 DOI:10.1038/s41393-025-01155-0 PMID:41345782	系统综述	本文系统综述了人工智能在脊髓损伤急性期和亚急性期管理中的应用，重点关注诊断、预后预测和治疗干预	系统性地总结了2020年至2025年间AI在脊髓损伤管理中的应用，识别了最常用的机器学习模型家族和输入变量，并指出AI在某些研究中表现优于人类	仅纳入2020年至2025年间的英文研究，排除了脑机接口、机器人技术和非神经学方面的研究，可能存在发表偏倚	描述人工智能在创伤性脊髓损伤管理中的应用，特别是在诊断、预后预测和治疗干预方面	脊髓损伤患者，特别是在急性期、损伤后康复期和第一年内的临床方面	机器学习	脊髓损伤	机器学习	经典机器学习模型, 集成学习模型, 深度学习模型	临床数据, 图像数据	23项研究，共120,931名个体	NA	NA	准确性, 精确度, 召回率, F1分数, AUC	NA
2158	2026-01-17	MethConvTransformer: A Deep Learning Framework for Cross-Tissue Alzheimer's Disease Detection 2026-Jan-01, ArXiv PMID:41503096	研究论文	本文提出了一个名为MethConvTransformer的深度学习框架，用于整合大脑和外周组织的DNA甲基化数据，以实现阿尔茨海默病的跨组织检测和生物标志物发现	开发了一个结合CpG位点线性投影、卷积层和自注意力层的Transformer框架，以捕获CpG位点的局部和长程依赖关系，并整合受试者水平协变量和组织嵌入来区分共享和区域特异性甲基化效应，实现了跨组织的鲁棒生物标志物发现	未明确说明	开发一个深度学习框架，利用跨组织的DNA甲基化数据实现阿尔茨海默病的早期检测和生物标志物发现	阿尔茨海默病患者和对照个体的DNA甲基化数据	机器学习	阿尔茨海默病	DNA甲基化分析	Transformer, CNN	DNA甲基化谱数据	六个GEO数据集和一个独立的ADNI验证队列	未明确说明	MethConvTransformer (结合线性投影、卷积和自注意力层的定制架构)	区分度和泛化能力	未明确说明
2159	2026-01-17	RUL prediction method based on sequential health index evaluation with multidimensional coupled degradation data 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0340645 PMID:41528990	研究论文	提出一种基于序列健康指数评估的剩余使用寿命预测方法，用于处理多维耦合退化数据	提出一种融合CNN-Transformer混合模型与序列健康指数评估方案的RUL预测方法，引入分块交互机制降低模型复杂度，并通过马氏距离与序列评估比动态构建健康指数，减少对高质量标记数据的依赖	未明确说明方法在极端工况或噪声强烈环境下的泛化能力，也未讨论实时部署时的计算延迟问题	解决多维耦合退化数据下剩余使用寿命预测的难题，实现无需高质量标记数据的预测维护	具有多维耦合退化特征的工业设备或系统	机器学习	NA	序列健康指数评估	CNN, Transformer	多维退化数据	NA	NA	CNN-Transformer混合模型	预测精度, 鲁棒性	NA
2160	2026-01-17	A physics-inspired memory-augmented deep learning framework for magnetic core loss prediction 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0339490 PMID:41529025	研究论文	本文提出了一种用于磁芯损耗预测的增强记忆增强Mamba模型，结合物理约束和记忆机制，显著提升了预测精度和泛化能力	提出增强记忆增强Mamba模型，通过状态空间记忆增强机制存储典型磁化模式，结合注意力引导的智能特征选择机制识别磁滞曲线关键转折点，并采用物理约束多目标优化框架实现损耗解耦建模	未明确说明模型在超出训练数据范围的新材料或极端工况下的泛化能力极限，也未讨论模型的计算复杂度	提高电力电子系统中磁芯损耗的预测精度，以提升系统效率和可靠性	磁性材料（磁芯）的损耗特性	机器学习	NA	NA	EMA-Mamba	波形数据（B(t)和H(t)波形）	超过150,000个数据点，涵盖10种材料	NA	增强记忆增强Mamba	平均预测误差，决定系数，95百分位误差	NA