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
2361	2026-03-06	Enhanced diabetes prediction using pre-trained CNNs, LSTM, and conditional GAN on transformed numerical data 2026-Feb-10, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-38942-5 PMID:41667617	研究论文	本研究提出了一种结合表格数据到图像转换、预训练卷积神经网络和长短期记忆网络的深度学习框架，用于增强糖尿病预测	通过将数值特征转换为基于相关性和特征重要性的二维图像表示，并利用条件生成对抗网络生成合成样本，结合预训练CNN和LSTM进行特征提取与分类	结果可能部分受合成数据影响，且样本量有限，需在更大、更多样化的数据集上进行验证以确保泛化能力	开发一种深度学习框架以提高从结构化生物医学数据中进行糖尿病预测的准确性	糖尿病预测	机器学习	糖尿病	表格数据到图像转换，条件生成对抗网络	CNN, LSTM, GAN	结构化数值数据，图像表示	Pima印第安人糖尿病数据集和法兰克福糖尿病数据集	NA	DenseNet201, ResNet152, Xception, EfficientNetB4, LSTM	准确率, AUC	NA
2362	2026-02-12	Development and validation of a deep learning model for identifying high-quality laryngoscopic images 2026-Feb-10, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-38252-w PMID:41667718	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2363	2026-03-06	Deep learning enabled pseudonymization for preserving data privacy of financial identifiers in public documents in India 2026-Feb-10, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-39309-6 PMID:41667731	研究论文	本文提出了一种基于全卷积神经网络的伪匿名化框架，用于保护印度公共文档中手写签名的数据隐私	首次针对公开文档中的手写签名提出伪匿名化方法，采用集成可微分输出解码的SuperPoint架构，在保护敏感数据的同时保持文档可用性	研究仅针对印度PAN卡文档，未涉及其他类型政府文档或不同国家的应用场景	开发一种保护公共文档中手写签名隐私的伪匿名化技术，支持可追溯的身份保护	印度政府颁发的永久账户号码（PAN）卡中的手写签名	计算机视觉	NA	深度学习	CNN	图像	500多张真实世界PAN卡	NA	SuperPoint	精确率, 召回率, SSIM, 运行时间效率, 空间开销	NA
2364	2026-02-12	Integrating deep learning with physics based modeling enables high precision antibody antigen interface prediction 2026-Feb-10, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-39466-8 PMID:41667775	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2365	2026-03-06	Deep learning model for identification of metabolic bone disease of prematurity using wrist radiographs 2026-Feb-09, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-37116-7 PMID:41656355	研究论文	本研究提出了一种基于手腕X光片的深度学习模型，用于识别早产儿代谢性骨病的影像学特征，并评估其决策支持的影响	开发了首个基于手腕X光片的深度学习模型，专门用于识别早产儿代谢性骨病的影像学特征，并通过外部验证和读者研究证明了其在临床环境中的潜在应用价值，特别是对非放射科医生的辅助诊断效果	研究为回顾性设计，样本主要来自两家医院，可能限制了模型的泛化能力；未涉及更广泛的早产儿群体或其他医疗机构的数据	开发并验证一个深度学习模型，以辅助识别早产儿代谢性骨病的影像学特征，提高诊断准确性和及时性	早产儿（出生体重低于1500克），包括来自首尔国立大学医院（内部数据集）和首尔国立大学盆唐医院（外部数据集）的婴儿	数字病理学	代谢性骨病	手腕X光摄影	CNN	图像	内部数据集814名受试者，外部数据集261名受试者	NA	DenseNet	AUROC, 灵敏度, 特异性, 准确率	NA
2366	2026-03-06	Ninja optimization algorithm based ultra wideband antenna electromagnetic band gap modeling via a generative adversarial network 2026-Feb-09, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-39068-4 PMID:41656364	研究论文	本文提出了一种集成生成对抗网络与忍者优化算法的智能预测框架，用于精确建模和预测超宽带天线电磁带隙结构的电磁性能	将对抗性学习与基于忍者优化算法的优化相结合，以提高天线-电磁带隙系统代理建模的准确性和鲁棒性	NA	为超宽带天线电磁带隙结构的设计和优化建立高效、可扩展、高精度的建模途径	超宽带天线电磁带隙结构	机器学习	NA	NA	GAN, LSTM, GRU, RNN, ANN	NA	NA	NA	GAN, LSTM, GRU, RNN, ANN	均方误差, 均方根误差, 决定系数	NA
2367	2026-03-06	SwinCup-DiscNet: A fusion transformer framework for glaucoma diagnosis using optic disc and cup features 2026-Feb-09, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-39065-7 PMID:41663489	研究论文	本文提出了一种名为SwinCup-DiscNet的融合Transformer框架，通过整合视盘/视杯分割和特征提取，用于青光眼的早期诊断	结合了U-Net与注意力机制进行视盘和视杯分割，并利用Swin Transformer编码器提取特征，最后通过概率融合方法整合结构生物标志物（杯盘比）和深度学习特征进行分类	NA	开发一种有效的青光眼早期筛查和诊断方法	青光眼患者	计算机视觉	青光眼	NA	Transformer, CNN	图像	三个公开数据集：LAG、ACRIMA和DRISTHI-GS	NA	U-Net, Swin Transformer	DSC IoU, 准确率, F1分数, 杯盘比平均绝对误差	NA
2368	2026-02-11	Non-local attention enhanced deep learning for robust cyberattack detection in industrial IoT-based SCADA systems 2026-Feb-09, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-37146-1 PMID:41663554	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2369	2026-03-06	MM-GradCAM: an improved multimodal GradCAM method with 1D and 2D ECG data for detection of cardiac arrhythmia 2026-Feb-09, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-38654-w PMID:41663616	研究论文	本研究提出了一种创新的多模态GradCAM方法，结合1D ECG信号和2D ECG图像数据，用于心律失常检测并提供模型可解释性	首次提出结合1D ECG信号和2D ECG图像两种数据格式的多模态可解释性方法，为医学AI应用提供更高的透明度和可靠性	未明确说明模型在不同心律失常类型间的性能差异，也未提及外部验证数据集的测试结果	开发一种可解释的深度学习模型，用于心律失常的自动检测和诊断	心电图（ECG）数据，包括1D信号和2D图像格式	医学人工智能	心血管疾病	心电图分析	CNN	1D信号, 2D图像	超过10,000名患者的数据集	NA	17层CNN	准确率	NA
2370	2026-02-11	Evaluation of deep learning models for segmentation of hippocampus volumes from MRI images in Alzheimer's disease 2026-Feb-09, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-38220-4 PMID:41663727	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2371	2026-03-06	SpliceRead: Improving Canonical and Non-Canonical Splice Site Prediction with Residual Blocks and Synthetic Data Augmentation 2026-Feb-09, bioRxiv : the preprint server for biology DOI:10.64898/2026.02.05.703825 PMID:41726927	研究论文	提出了一种名为SpliceRead的新型深度学习模型，通过结合残差卷积块和合成数据增强技术，旨在提高对规范和非规范剪接位点的分类准确性	结合残差卷积块和合成数据增强技术，专门针对非规范剪接位点的稀有序列多样性进行优化，显著降低了非规范位点的误分类率	未明确提及模型在极端罕见变异或跨物种泛化中的具体限制	改进规范和非规范剪接位点的预测准确性，以促进基因表达和相关疾病的理解	多物种的400和600核苷酸序列数据集	自然语言处理	NA	合成数据增强	CNN	序列数据	未明确指定具体样本数量，但基于多物种的400和600核苷酸序列数据集	未明确指定	残差卷积块	F1分数, 准确率, 精确率, 召回率	未明确指定
2372	2026-03-06	Hybrid vision transformer and graph neural network model with region-adaptive attention for enhanced skin cancer prediction 2026-Feb-07, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32502-z PMID:41654513	研究论文	提出了一种结合视觉变换器、图神经网络和区域自适应注意力的混合模型，用于增强皮肤癌预测	首次将视觉变换器与图神经网络结合，并引入区域自适应注意力机制，通过元学习方法提升模型对不同肤色和成像条件的泛化能力	未明确说明模型在临床实际部署中的计算效率、对罕见亚型皮肤癌的识别能力，以及需要的外部验证数据	开发一种能够更准确、可解释地诊断皮肤癌的深度学习模型	皮肤病变图像（皮肤镜图像）	计算机视觉	皮肤癌	皮肤镜成像	Vision Transformer, Graph Neural Network	图像	NA	NA	Hybrid Vision Transformer with Graph Neural Network	分类准确率	NA
2373	2026-03-06	Multimodal Artificial Intelligence for Predicting 3- and 5-Year Risks of Myopic Choroidal Neovascularization in High Myopia 2026-Feb-06, Ophthalmology. Retina DOI:10.1016/j.oret.2026.02.003 PMID:41655768	研究论文	本研究开发了基于人工智能的模型，用于预测高度近视眼中近视性黄斑新生血管（MNV）在1年、3年和5年内的风险	结合眼底图像和临床变量的多模态生存模型（基于DeepSurv框架），实现了对MNV风险的纵向时间-事件风险评估和临床有意义的风险分层	单中心回顾性研究，需要进一步的外部验证	开发人工智能模型以评估高度近视眼中近视性黄斑新生血管（MNV）的发病风险	高度近视患者的眼睛（来自2501名患者的4235只眼）	数字病理学	近视性黄斑新生血管	眼底摄影，临床变量分析	深度学习模型，多模态生存模型	图像（眼底照片），临床变量	4235只眼（来自2501名患者）	PyTorch（推断自DenseNet使用），DeepSurv	DenseNet-121	AUC（受试者工作特征曲线下面积），一致性指数（C-index），校准指标，临床效用指标	NA
2374	2026-03-06	Plasmonic artificial inspector for herbal medicines via surface-enhanced Raman spectroscopy and deep learning 2026-Feb-05, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-38497-5 PMID:41644682	研究论文	本研究提出了一种基于表面增强拉曼光谱（SERS）和深度学习（DL）的等离子体人工草药检查器，用于草药的安全监测	通过SERS与DL的协同集成，实现了对35种外观相似或同属草药的高准确度（约95%）自动化区分，为传统感官检查提供了高效可靠的辅助方法	未明确提及样本量的具体限制、模型泛化能力或在实际应用环境中的验证情况	开发一种高效可靠的草药安全监测辅助工具，以替代或补充传统劳动密集型的感官检查	草药样本，特别是外观相似或属于同一属的35种不同草药物种	机器学习	NA	表面增强拉曼光谱（SERS）	深度学习模型	光谱数据（SERS光谱）	涉及35种草药物种，但未提供具体样本数量	NA	NA	准确度	NA
2375	2026-03-06	Artificial intelligence risk stratification from dynamic digital subtraction angiography radiomics predicts pulmonary embolism and associates with clinical outcomes in deep vein thrombosis: A retrospective cohort study 2026-Feb-03, Journal of vascular surgery. Venous and lymphatic disorders DOI:10.1016/j.jvsv.2026.102450 PMID:41638306	研究论文	本研究开发并验证了一种基于动态数字减影血管造影影像组学的人工智能风险分层系统，用于预测下肢深静脉血栓患者的肺栓塞风险并指导精准治疗	首次提出结合Transformer-UNet空间特征提取和LSTM时间序列分析的混合深度学习模型，用于处理动态DSA序列并量化血栓运动学和血流动力学新参数	回顾性单中心研究，样本量有限（168例患者），需要前瞻性多中心验证	开发人工智能风险分层系统，改善下肢深静脉血栓患者的肺栓塞预测和临床决策	下肢深静脉血栓患者	数字病理学	心血管疾病	动态数字减影血管造影	混合深度学习模型（Transformer-UNet + LSTM）	动态影像序列	168例患者（2019-2023年单中心回顾性队列）	NA	Transformer-UNet, LSTM	AUC, 相对风险, 置信区间	NA
2376	2026-03-06	Data-efficient learning for accurate identification of MAPK1 inhibitors using an active meta-deep learning framework 2026-Feb-03, Journal of cheminformatics IF:7.1Q1 DOI:10.1186/s13321-026-01159-9 PMID:41634737	研究论文	本研究提出了一种数据高效的活动元深度学习框架，用于预测MAPK1抑制剂，以解决药物发现中实验数据有限的问题	结合主动学习与一个由四种深度学习架构组成的元模型，显著提升了在有限训练数据下的预测性能	NA	开发一种数据高效的框架，用于准确识别MAPK1抑制剂，以加速癌症相关药物发现	MAPK1抑制剂分子	机器学习	癌症	分子对接	CNN, 注意力机制, GCN, GNN-注意力	分子描述符, 图表示	NA	NA	卷积神经网络, 注意力机制, 图卷积网络, 图神经网络-注意力	AUPRC, MCC, 平衡准确度	NA
2377	2026-03-06	Integrating deep learning and radiomics for precise identification of luminal A/B breast cancer subtypes on dynamic contrast-enhanced MRI 2026-Feb-03, Cancer imaging : the official publication of the International Cancer Imaging Society IF:3.5Q1 DOI:10.1186/s40644-026-00996-z PMID:41634854	研究论文	本研究开发了一种结合放射组学和深度学习特征的混合模型，用于基于动态对比增强磁共振成像（DCE-MRI）无创区分乳腺浸润癌的Luminal A和B亚型	提出了一种结合放射组学特征和深度学习特征的混合模型，通过堆叠集成方法整合两种方法，显著提高了分类性能，并利用SHAP和Grad-CAM技术增强模型可解释性	研究为回顾性设计，未来需要前瞻性验证，并计划整合基因组和临床数据以进一步提升模型在精准肿瘤学框架内的应用	开发并验证一种基于DCE-MRI的非侵入性成像方法，用于准确区分乳腺浸润癌的Luminal A和B亚型，以辅助治疗策略选择	来自中国、俄罗斯和保加利亚的312名经免疫组化（IHC）确认的乳腺浸润癌Luminal亚型女性患者	医学影像分析	乳腺癌	动态对比增强磁共振成像（DCE-MRI），免疫组化（IHC）分析	卷积神经网络（CNN），集成学习	医学影像（DCE-MRI）	312名患者（训练/测试集）及148名患者的外部验证队列	PyRadiomics, 未明确指定深度学习框架（可能为PyTorch或TensorFlow）	3D ResNet-50	AUC, 敏感性, 特异性	NA
2378	2026-03-06	Predicting Traumatic Brain Injury Post-Trauma Using Temporal Attention on Sleep-Wake Data 2026-Feb, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3592009 PMID:40705576	研究论文	本研究利用深度学习模型分析创伤后7天内的睡眠/觉醒数据，以预测创伤性脑损伤	首次将时间注意力机制应用于创伤后睡眠/觉醒数据，并确定了创伤后7天为识别TBI的最佳时间窗口	模型特异性较低（7天数据仅25%），样本量虽大但仅限于急诊科患者	探索睡眠/觉醒行为作为创伤性脑损伤生物标志物的潜力，并确定最佳监测时间窗口	2000多名急诊科患者（包括GFAP生物标志物确诊的TBI阳性与阴性病例）	机器学习	创伤性脑损伤	睡眠/觉醒行为监测，血液生物标志物检测（GFAP）	深度学习模型（含时间注意力机制）	时间序列数据（每日纵向睡眠/觉醒记录）	超过2000名急诊科患者	未明确说明	未明确说明具体架构，但包含时间注意力机制	灵敏度，特异性，F1分数	NA
2379	2026-03-06	Diagnostic performance of deep learning for predicting glioma isocitrate dehydrogenase and 1p/19q co-deletion in MRI: a systematic review and meta-analysis 2026-Feb, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-11898-2 PMID:40817944	系统综述与荟萃分析	本文通过系统综述和荟萃分析，评估了基于深度学习的影像组学模型利用MRI序列无创预测胶质瘤患者IDH突变和1p/19q共缺失状态的诊断性能，并识别了影响准确性和泛化性的方法学因素	首次对基于深度学习的MRI影像组学模型在预测胶质瘤IDH突变和1p/19q共缺失状态方面的诊断性能进行了全面的系统综述和荟萃分析，并识别了肿瘤分割方法和深度学习在影像组学流程中的整合程度是研究间异质性的重要来源	研究纳入的文献存在异质性，临床转化仍需多中心数据协调、标准化自动分割、广泛的外部验证和前瞻性临床验证等关键步骤	评估基于深度学习的影像组学模型在胶质瘤分子分类中的诊断性能，并探讨影响其准确性的方法学因素	胶质瘤患者的MRI影像数据	数字病理学	胶质瘤	MRI	深度学习模型	医学影像（MRI）	来自1517篇独特出版物，其中104篇用于定性综合，72篇用于荟萃分析	NA	NA	敏感性, 特异性	NA
2380	2026-03-06	Deep learning-based radiomics does not improve residual cancer burden prediction post-chemotherapy in LIMA breast MRI trial 2026-Feb, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-11801-z PMID:40770139	研究论文	本研究评估了基于深度学习的放射组学在预测局部晚期乳腺癌新辅助化疗后残留癌症负担方面的附加价值，并与标准预测因子（肿瘤体积和亚型）进行比较	首次在LIMA试验中比较了三种深度学习网络（nnU-Net、Attention U-net和向量量化编码器-解码器）提取的深度放射组学特征与肿瘤体积和亚型在预测残留癌症负担方面的性能	研究为回顾性设计，样本量有限（训练集105例，测试集41例），且未观察到深度学习模型与标准预测因子之间存在统计学显著差异	评估深度放射组学在预测乳腺癌新辅助化疗后残留癌症负担方面的潜在附加价值	局部晚期乳腺癌患者在新辅助化疗后但手术前的MRI影像	数字病理学	乳腺癌	DCE-MRI（动态对比增强磁共振成像）	CNN	医学影像（MRI）	训练集105例（单机构），测试集41例（三机构外部验证）	PyTorch	nnU-Net, Attention U-net, 向量量化编码器-解码器	AUC（曲线下面积）, Spearman相关系数	NA