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
2301	2026-03-07	From Motion Artifacts to Clinical Insight: Multi-Modal Deep Learning for Robust Arrhythmia Screening in Ambulatory ECG Monitoring 2026-Feb-10, Sensors (Basel, Switzerland) DOI:10.3390/s26041135 PMID:41755076	研究论文	本文提出了一种双流深度学习框架，通过多模态传感器融合和多信噪比训练，实现运动鲁棒的心律失常二元分类	采用注意力门控融合与门多样性正则化，根据信号可靠性自适应加权多模态数据，并在多信噪比噪声增强数据上进行训练以实现噪声不变性学习	NA	开发一种鲁棒的心律失常筛查系统，以克服可穿戴心电图监测中运动伪影导致的误报警问题	可穿戴心电图信号和加速度计运动模式	机器学习	心血管疾病	NA	CNN, LSTM	图像, 时间序列	基于MIT-BIH数据库，并在三个噪声水平（24、12、6 dB）上进行增强	NA	ResNet-18, CNN-BiLSTM	准确率, 假阳性率	NA
2302	2026-03-07	HiCInterpolate: 4D Spatiotemporal Interpolation of Hi-C Data for Genome Architecture Analysis 2026-Feb-09, bioRxiv : the preprint server for biology DOI:10.64898/2026.02.06.704438 PMID:41726976	研究论文	本研究开发了HiCInterpolate，一种基于深度学习的4D时空插值架构，用于从两个时间点的Hi-C接触矩阵插值生成高分辨率的中间Hi-C接触矩阵	提出首个4D时空插值架构，结合深度学习流预测器和类似U-Net的编码器-解码器结构，实现Hi-C数据的高分辨率插值，并支持下游3D基因组特征分析	未明确提及具体限制，但基于方法描述，可能受限于Hi-C数据质量和时间点间隔	开发一种简单且成本效益高的方法，用于在两个时间点之间持续生成基因组数据，以克服连续基因组测序的高成本和不可行性限制	Hi-C接触矩阵，用于研究染色质3D结构的动态变化	计算机视觉	NA	Hi-C协议	深度学习	Hi-C接触矩阵（图像数据）	NA	NA	U-Net	PSNR, SSIM, GenomeDISCO, HiCRep, LPIPS	NA
2303	2026-03-07	Artificial Intelligence (AI) in Detection of Abiotic Stress in Plants: A Review 2026-Feb-09, Sensors (Basel, Switzerland) DOI:10.3390/s26041122 PMID:41755064	综述	本文综述了人工智能（特别是机器学习和深度学习算法）结合成像技术与物联网基础设施，在检测植物非生物胁迫方面的应用、优势与挑战	不同于以往仅关注单一技术或算法的综述，本文系统性地将非生物胁迫检测作为核心目标，综合评估了AI结合多种协同技术（成像与物联网）在该领域的应用潜力与进展	作为一篇综述文章，其局限性在于未提出新的原创性算法或模型，主要基于对现有文献的分析与比较	评估人工智能技术在检测植物非生物胁迫方面的应用潜力，并比较其与传统方法的优劣	受非生物胁迫影响的植物	机器学习	NA	成像技术，物联网（IoT）基础设施	机器学习，深度学习	图像数据，物联网传感器数据	NA	NA	NA	NA	NA
2304	2026-03-07	Improving Individual-Specific SSVEP-BCI with Adaptive Channel and Subspace Selection in TRCA 2026-Feb-09, Sensors (Basel, Switzerland) DOI:10.3390/s26041123 PMID:41755066	研究论文	本研究提出了一种名为AS-TRCA的方法，通过自适应通道和子空间选择来改进个体特异性稳态视觉诱发电位脑机接口的性能	首次提出结合最优通道学习与选择和最优子空间选择的AS-TRCA方法，以充分利用个体特异性知识，建立纯粹的个体特异性SSVEP-BCI	未明确说明方法在跨个体或不同实验条件下的泛化能力，以及计算复杂度可能较高	提高个体特异性SSVEP-BCI的解码性能，促进其实际应用	基于稳态视觉诱发电位的脑机接口系统	机器学习	NA	稳态视觉诱发电位	NA	脑电信号	NA	NA	NA	准确率	NA
2305	2026-03-07	Lightweight Multi-Scale Framework for Human Pose and Action Classification 2026-Feb-08, Sensors (Basel, Switzerland) DOI:10.3390/s26041102 PMID:41755045	研究论文	本文提出了一种基于Swin Transformer的轻量级模块化注意力架构，用于人体姿态和动作分类	提出了一种新颖的双重加权交叉注意力模块，并结合空间注意力和上下文感知通道注意力模块，实现了空间和通道线索的有效融合	未明确说明模型在更复杂或更大规模数据集上的泛化能力	开发一种轻量级且高效的人体姿态和动作分类方法	人体姿态和动作	计算机视觉	NA	深度学习	Transformer	图像	两个数据集：Yoga-82（6类和20类配置）和Stanford 40 Actions	PyTorch	Swin Transformer	准确率, 精确率, 召回率, F1分数, 平均精度均值	NA
2306	2026-03-07	A Vision-Based Deep Learning Framework for Monitoring and Recognition of Chemical Laboratory Operations 2026-Feb-08, Sensors (Basel, Switzerland) DOI:10.3390/s26041106 PMID:41755048	研究论文	本研究提出了一种基于视觉的深度学习框架，用于化学实验室移液操作的自动化监测与识别	利用时空特征结合YOLO姿态提取与双向LSTM网络，实现对复杂人机交互的实时监测，相比静态或帧级分析具有更强的鲁棒性	研究仅针对移液操作，未扩展到其他实验室手动操作；实验环境可能存在光照、遮挡等未明确讨论的干扰因素	开发自动化监测系统以提升化学实验室操作的安全性与可重复性	化学实验室中的移液操作过程	计算机视觉	NA	非接触视觉传感	CNN, LSTM	视频	未明确说明	YOLO	YOLO, 双向LSTM	未明确说明	NA
2307	2026-03-07	Integrated Transcriptomic and Histological Analysis of TP53/CTNNB1 Mutations and Microvascular Invasion in Hepatocellular Carcinoma 2026-Feb-03, Genes IF:2.8Q2 DOI:10.3390/genes17020190 PMID:41751574	研究论文	本研究通过整合转录组学和病理学分析，探讨了TP53/CTNNB1突变及微血管侵犯在肝细胞癌中的分子与形态学关联	首次结合转录组差异表达与弱监督多任务深度学习模型，从常规H&E染色全切片图像中无空间标注地推断关键风险因子的形态学模式	图像模型在不同任务间性能存在差异，且仅基于切片级标签进行训练，缺乏空间注释可能限制形态特征的精确解析	探究肝细胞癌中TP53/CTNNB1突变和微血管侵犯的分子效应与肿瘤形态学之间的关系	肝细胞癌样本	数字病理学	肝细胞癌	RNA测序, 差异表达分析, 机器学习特征选择	弱监督多任务深度学习模型	转录组数据, H&E染色全切片图像	未明确样本数量，但涉及肝细胞癌样本的RNA测序数据和全切片图像	未明确指定，可能涉及TensorFlow或PyTorch	未明确指定具体架构	未明确指定具体指标，但提到“高于随机水平的区分能力”	NA
2308	2026-03-07	PON-Del predictor for sequence retaining protein deletions 2026-Feb, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1014020 PMID:41739875	研究论文	开发了一种名为PON-Del的新型预测器，用于预测保留序列的蛋白质缺失变异	首个包含意义未明变异（VUSs）的缺失变异解释方法，提供二元和三元预测输出	仅适用于短序列（1-10个氨基酸）的保留序列缺失	开发蛋白质缺失变异的预测工具	保留序列的蛋白质缺失变异	生物信息学	NA	梯度提升算法	梯度提升	蛋白质序列特征数据	广泛收集的已验证蛋白质缺失数据集	NA	NA	NA	NA
2309	2026-03-07	From the Clinic, to the Clinic: Improving the Fluorescent Imaging Quality of ICG via Amphiphilic NIR-IIa AIE Probe 2026-Feb-01, Biosensors DOI:10.3390/bios16020090 PMID:41744708	研究论文	本研究通过开发一种新型两亲性NIR-IIa AIE探针TCP，并基于深度学习模型将低质量NIR-I ICG图像转换为高分辨率NIR-IIa样图像，以提升临床荧光成像的质量与速度	提出了一种结合新型NIR-IIa AIE探针与深度学习模型的“探针+AI”协同范式，显著改善荧光成像的穿透深度、对比度和清晰度	未明确提及样本量的具体构成或模型在多样化临床场景中的泛化能力限制	提高临床荧光成像的质量和速度，以增强诊断和图像引导手术的效果	荧光成像中的ICG图像及新型TCP探针生成的NIR-IIa图像	计算机视觉	NA	荧光成像，NIR-IIa AIE探针技术	深度学习模型	图像	约200对配准的NIR-I/NIR-IIa图像对	NA	SwinUnet	信号背景比	NA
2310	2026-03-07	Intelligent Attention-Driven Deep Learning for Hip Disease Diagnosis: Fusing Multimodal Imaging and Clinical Text for Enhanced Precision and Early Detection 2026-Jan-24, Medicina (Kaunas, Lithuania) DOI:10.3390/medicina62020250 PMID:41752650	研究论文	本研究开发了一种基于注意力机制的多模态深度学习框架，用于融合X光、CT影像和临床文本数据，以提升髋关节疾病的早期诊断和精确分类性能	提出了一种结合影像（X光、CT）与临床文本的多模态深度学习框架，并采用注意力机制进行特征融合，提高了髋关节疾病诊断的准确性和可解释性	研究为回顾性设计，外部验证队列样本量较小（仅24例），可能影响模型的泛化能力评估	开发一个多模态深度学习系统，以改善髋关节疾病的早期诊断和精确分类	髋关节，包括正常髋关节、骨关节炎、股骨头坏死和股骨髋臼撞击症	数字病理学	骨关节疾病	X光成像，CT成像，临床文本分析	CNN, Transformer	图像，文本	内部数据集包含605个髋关节（来自中心A，2018-2024年），外部验证集包含24个髋关节（来自中心B，2024-2025年）	PyTorch, TensorFlow (推断，因使用BERT和ResNet)	ResNet50, 3D-ResNet50, BERT	AUC, 准确率, 灵敏度, 特异性, 决策曲线分析	NA
2311	2026-03-07	ProMMF_Kron: a multimodal deep learning model for immunotherapy response prediction in stomach adenocarcinoma 2026, Frontiers in immunology IF:5.7Q1 DOI:10.3389/fimmu.2026.1602846 PMID:41743737	研究论文	本文开发了一种名为ProMMF_Kron的多模态深度学习模型，用于预测胃腺癌患者对免疫检查点抑制剂治疗的响应	提出了一种结合Kronecker乘积运算和反向投影模块的两阶段特征融合策略，有效整合分子谱和病理图像特征，显著提升了预测性能	研究样本量相对较小（282名患者），且主要基于胃腺癌数据，尽管在结直肠癌数据上进行了验证，但泛化能力仍需在更多癌症类型中进一步测试	开发可靠的预测工具，以区分胃腺癌中的微卫星不稳定（MSI）和微卫星稳定（MSS）亚型，并预测免疫治疗响应	胃腺癌患者，包括MSI和MSS亚型	数字病理学	胃腺癌	差异基因分析，预训练的深度卷积神经网络	CNN	分子谱数据，病理图像	282名患者	NA	预训练的深度卷积神经网络	AUC	NA
2312	2026-03-07	An interpretable deep learning framework based on TabNet-Cox for risk stratification and prognostic assessment in hepatocellular carcinoma immunotherapy 2026, Frontiers in immunology IF:5.7Q1 DOI:10.3389/fimmu.2026.1751829 PMID:41756275	研究论文	本研究开发并验证了一种基于TabNet-Cox的可解释深度学习生存模型，用于预测接受免疫检查点抑制剂治疗的肝细胞癌患者的总生存期	首次将TabNet-Cox模型应用于肝细胞癌免疫治疗的预后评估，结合SHAP分析和无监督聚类实现模型可解释性和表型探索	研究为回顾性设计，外部验证队列来自同一医疗系统，需进一步多中心前瞻性验证	开发可解释的深度学习模型用于肝细胞癌免疫治疗患者的风险分层和预后评估	接受免疫检查点抑制剂治疗的肝细胞癌患者	机器学习	肝细胞癌	深度学习，生存分析	TabNet-Cox	临床基线数据（人口统计学、肿瘤特征、治疗类别、实验室参数）	训练队列339例，内部验证队列114例，外部验证队列105例	PyTorch	TabNet	C-index, AUC, Brier score	未明确说明
2313	2026-03-07	Application of artificial intelligence in differentiating IgG4-related ophthalmic disease and orbital MALT lymphoma: a review of radiomics and deep learning advances 2026, Frontiers in immunology IF:5.7Q1 DOI:10.3389/fimmu.2026.1722733 PMID:41756276	综述	本文综述了人工智能（特别是影像组学和深度学习）在鉴别IgG4相关眼病与眼眶MALT淋巴瘤中的应用进展	系统性地总结了AI技术在该特定临床鉴别诊断中的最新应用，并整合了多模态影像数据融合与深度学习架构优化的策略	回顾性单中心研究设计、样本量小、数据变异性大、模型可解释性不足以及缺乏稳健的外部验证	提高IgG4相关眼病与眼眶MALT淋巴瘤的鉴别诊断准确性，以支持更精准的临床决策	IgG4相关眼病（IgG4-ROD）和眼眶黏膜相关淋巴组织（MALT）淋巴瘤的影像数据	数字病理学	眼病，淋巴瘤	影像组学，深度学习	深度学习模型	影像数据	NA	NA	NA	诊断准确性	NA
2314	2026-03-07	SeizureFormer: A Multi-Scale Transformer for Seizure Risk Forecasting from RNS-Derived Biomarkers 2026, Pacific Symposium on Biocomputing. Pacific Symposium on Biocomputing DOI:10.1142/9789819824755_0007 PMID:41758135	研究论文	本文提出了一种基于Transformer的模型SeizureFormer，用于利用从响应性神经刺激系统提取的结构化生物标志物进行长期癫痫发作风险预测	首次将Transformer架构应用于基于RNS生物标志物的长期癫痫发作风险预测，并集成了多尺度CNN补丁嵌入、跨变量时间卷积和挤压-激励注意力机制，以同时捕捉短期波动和长期发作周期	仅在五名患者中进行了测试，样本量较小，且模型性能可能受限于RNS系统数据的可用性和质量	开发一种能够进行长期（1-14天）癫痫发作风险预测的模型，以支持个性化和主动的癫痫护理干预	从响应性神经刺激系统提取的发作间期癫痫样活动和长发作事件等结构化生物标志物	机器学习	癫痫	响应性神经刺激系统	Transformer	结构化生物标志物数据	五名患者	NA	Transformer, CNN	ROC AUC, PR AUC	NA
2315	2026-03-07	From Detection to Mitigation: Addressing Bias in Deep Learning Models for Chest X-Ray Diagnosis 2026, Pacific Symposium on Biocomputing. Pacific Symposium on Biocomputing DOI:10.1142/9789819824755_0039 PMID:41758167	研究论文	本文提出了一种针对胸部X光诊断中深度学习模型偏见的检测与缓解框架，旨在减少性别、年龄和种族相关的性能差异	通过将CNN的最后一层替换为eXtreme Gradient Boosting分类器，在保持或提升整体预测性能的同时改善了子组的公平性，并展示了该方法的模型无关性和计算高效性	研究主要基于CheXpert和MIMIC数据集，可能在其他数据集或临床环境中的泛化能力有待进一步验证	开发并验证一种能够检测和缓解胸部X光诊断深度学习模型中基于人口统计学偏见的框架	胸部X光图像及其相关的诊断任务，针对四种医疗条件进行多标签分类	计算机视觉	NA	NA	CNN, XGBoost	图像	基于CheXpert和MIMIC数据集，具体样本数量未在摘要中明确说明	NA	DenseNet-121, ResNet-50	NA	NA
2316	2026-03-07	Integrating Imaging-Derived Clinical Endotypes with Plasma Proteomics and External Polygenic Risk Scores Enhances Coronary Microvascular Disease Risk Prediction 2026, Pacific Symposium on Biocomputing. Pacific Symposium on Biocomputing DOI:10.1142/9789819824755_0045 PMID:41758173	研究论文	本研究通过整合影像衍生的临床内型、血浆蛋白质组学和外源性多基因风险评分，开发了一种用于冠状动脉微血管疾病风险预测的综合模型	首次将影像学内型分型与遗传、蛋白质组学数据整合用于CMVD风险预测，并开发了基于灌注PET数据的无监督内型分型框架，揭示了超越传统病例-对照定义的异质性患者亚群	CMVD的大规模全基因组关联研究数据缺乏，依赖冠状动脉疾病GWAS作为代理权重，可能无法完全捕捉CMVD特有的遗传风险	开发一种整合多模态数据的冠状动脉微血管疾病风险预测模型，以提高诊断精度和个性化水平	冠状动脉微血管疾病患者	数字病理学	心血管疾病	全基因组关联研究，血浆蛋白质组学，灌注PET成像	机器学习，深度学习	影像数据，遗传数据，蛋白质组学数据，临床数据	NA	NA	NA	AUROC	NA
2317	2026-03-07	Prototype Learning to Create Refined Interpretable Digital Phenotypes from ECGs 2026, Pacific Symposium on Biocomputing. Pacific Symposium on Biocomputing DOI:10.1142/9789819824755_0049 PMID:41758177	研究论文	本研究探讨了基于原型的深度学习模型在心电图分类中的应用，并评估其原型在外部临床数据库中与医院出院诊断的关联性	展示了原型学习模型能够从生理时间序列数据中提取可解释的数字表型，这些原型在外部人群中与临床结果具有强关联性，超越了原始训练目标	研究依赖于特定数据集（PTB-XL和MIMIC-IV），可能限制了模型的泛化能力；原型解释性虽强，但未详细探讨其临床验证过程	评估基于原型的神经网络在心电图分类中提取的可解释数字表型是否与更广泛的临床表型对齐	心电图数据及其对应的医院出院诊断（phecode分类）	数字病理学	心血管疾病	深度学习，原型学习	基于原型的神经网络	生理时间序列数据（心电图）	PTB-XL数据集用于训练，MIMIC-IV临床数据库用于推理	NA	基于原型的深度学习模型	AUC	NA
2318	2026-03-07	Annotation-free prediction of immunotherapy response in melanoma using single-cell transcriptomic data 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0343633 PMID:41758825	研究论文	本研究开发了一种基于人工智能的模型，利用单细胞转录组数据无需细胞类型注释即可预测黑色素瘤患者对免疫检查点抑制剂的反应	首次提出无需细胞类型注释的单细胞转录组数据AI预测模型，识别出29个关键预测生物标志物，如CCR7和MTRNR2L2，并验证了其在独立数据集中的临床关联	研究主要基于公开数据集，样本量相对有限，且模型性能需在更大队列中进一步验证	预测黑色素瘤患者对免疫检查点抑制剂的治疗反应	黑色素瘤患者的肿瘤浸润细胞	数字病理学	黑色素瘤	单细胞RNA测序	极端梯度提升, 随机森林, 逻辑回归, 支持向量机, 前馈神经网络, 卷积神经网络	单细胞转录组数据	16,290个肿瘤浸润细胞	NA	NA	曲线下面积	NA
2319	2026-03-07	Transformer-Based Deep Learning Model Using MRI-Derived Microvascular Atlas for Predicting Lymphovascular Invasion in Breast Cancer Patients 2026 Jan-Dec, Technology in cancer research & treatment IF:2.7Q3 DOI:10.1177/15330338261426280 PMID:41761479	研究论文	本研究提出了一种基于MRI微血管图谱和TwinsSVT深度学习架构的非侵入性预测乳腺癌淋巴血管浸润状态的新方法	首次将MRI衍生的多参数微血管图谱与TwinsSVT Transformer架构结合，用于预测乳腺癌淋巴血管浸润，并探索了模型的生物学可解释性	回顾性研究设计，样本量相对有限（436例），且仅来自两个医疗中心	开发一种非侵入性方法，用于术前预测乳腺癌患者的淋巴血管浸润状态	乳腺癌患者	数字病理学	乳腺癌	高分辨率多b值扩散加权成像	Transformer	图像	436例乳腺癌患者（来自两个医疗中心）	NA	TwinsSVT	AUC, F1分数	NA
2320	2026-03-07	A Novel Network-Level Fused Self-Attention Deep Neural Network for Cervical Cancer Classification from Cervicography Images 2026 Jan-Dec, Technology in cancer research & treatment IF:2.7Q3 DOI:10.1177/15330338261426741 PMID:41761498	研究论文	本文提出了一种基于网络级融合自注意力机制的深度神经网络，用于从宫颈摄影图像中自动分类宫颈癌	提出了两个新颖的深度学习模块（11-PIRBnet和9-PIRSANet），并通过深度连接层在网络层面融合，形成新的375NFNet架构，同时利用贝叶斯优化初始化超参数	未明确说明数据集的样本量、计算资源细节以及模型在外部验证集上的泛化性能	开发一个全自动的计算机辅助诊断系统，用于宫颈癌的自动分类	宫颈摄影图像	计算机视觉	宫颈癌	NA	深度学习, 神经网络	图像	NA	NA	11-PIRBnet, 9-PIRSANet, 375NFNet, 浅层神经网络	准确率, 精确率, AUC	NA