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
221	2026-10-01	Weak-Mamba-UNet: Visual Mamba Makes CNN and ViT Work Better for Scribble-based Medical Image Segmentation 2026-Mar-02, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2026.3668882 PMID:41770954	研究论文	提出Weak-Mamba-UNet弱监督学习框架，结合CNN、ViT和VMamba三种架构进行基于涂鸦标注的医学图像分割	首次将Visual Mamba架构引入弱监督医学图像分割领域，提出CNN、Swin Transformer和VMamba三种异构网络的协同交叉监督机制，通过伪标签实现迭代学习和网络间相互优化	仅在两个公开数据集上验证，未在更多临床数据集上测试；涂鸦标注仍需人工参与，标注质量可能影响性能；三种网络并行训练的计算成本较高	解决医学图像分割中标注成本高的问题，利用弱监督学习结合涂鸦标注实现高效分割，探索Visual Mamba在医学图像分割中的潜力	医学图像分割任务，特别是基于涂鸦标注的弱监督分割场景	计算机视觉, 医学图像分割	NA	弱监督学习, 涂鸦标注	CNN, Transformer, Mamba	图像	两个公开数据集，使用处理后的涂鸦标注	NA	U-Net, Swin-UNet, Mamba-UNet	NA	NA
222	2026-10-01	Classification of Alzheimer's Disease by Modeling Brain Networks as Signed Networks Under Deep Learning Frameworks 2026 Mar-Apr, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2026.3655150 PMID:41553900	研究论文	本文通过构建带符号脑网络模型并利用带符号图神经网络技术，对阿尔茨海默病进行分类预测与分析。	创新性地将脑网络建模为带符号图（包含正相关和负相关），并利用图卷积网络及其变体处理带符号脑网络，证明了负相关信息对提升诊断精度的重要性。	未明确提及研究的局限性。	提高阿尔茨海默病的诊断准确性，特别是在早期阶段，并识别重要的脑区生物标志物。	阿尔茨海默病患者与健康对照的脑网络数据。	医学图像分析	阿尔茨海默病	带符号图神经网络、图卷积网络	图卷积网络（GCN）及其变体	脑网络图数据	未明确说明	未明确说明	图卷积网络（GCN）及其变体	诊断精度（准确率）	未明确说明
223	2026-10-01	TransSE: A Transfer Learning-Based Predictive Model for Distinguishing Super Enhancers and Typical Enhancers 2026 Mar-Apr, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2026.3657361 PMID:41576119	研究论文	提出了一种结合卷积和循环神经网络与跨物种迁移学习的深度学习框架TransSE，用于从基因组序列中预测超级增强子	采用两阶段策略：在人类和小鼠数据上预训练学习保守调控特征，然后进行物种特异性微调；结合卷积和循环层捕捉序列特征；实现跨物种迁移学习提高预测性能	未明确说明，可能受限于训练数据规模、物种范围或实验验证的全面性	开发一种高精度、可跨物种通用的计算模型，从基因组序列中识别超级增强子，并研究其调控机制和疾病相关变异	人类和小鼠的基因组序列数据	基因组学	NA	深度学习	CNN, RNN	序列	人类和小鼠的基因组序列数据集	NA	CNN, RNN	AUC	NA
224	2026-10-01	AGEP_TWAS: A Deep Learning-Based Framework for Predicting Gene Expression Levels in Tissues 2026 Mar-Apr, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2026.3663364 PMID:41666075	研究论文	提出了一种基于深度学习的框架AGEP_TWAS，利用landmark基因预测其他基因在不同组织中的表达水平，并应用于TWAS	使用密集连接网络、自适应激活函数和参数剪枝策略，在非线性特征提取计算框架中预测基因表达，并考虑了训练群体中缺失的SNP	未明确提及	准确预测不同组织中的基因表达水平，以理解基因功能并辅助转录组范围关联研究	人类GEO表达数据集和CattleGTEx数据集中的基因表达数据	机器学习	NA	NA	密集连接网络	基因表达数据	人类GEO表达数据集和CattleGTEx数据集，具体样本量未提及	NA	密集连接网络	均方误差, 皮尔逊相关系数	NA
225	2026-10-01	Deep Temporal Sequence Classification and Mathematical Modeling for Cell Tracking in Dense 3D Microscopy Videos of Bacterial Biofilms 2026 Mar-Apr, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2026.3663936 PMID:41671139	research paper	本文提出了一种名为DenseTrack的新型细胞追踪算法，结合深度学习和数学模型，用于在密集的3D显微镜视频中追踪细菌生物膜中的细胞	将细胞追踪问题形式化为深度学习的时间序列分类任务，并结合数学优化和特征分解策略来检测细胞分裂	未明确提及	在密集环境中实现准确的细胞追踪和细胞分裂检测	细菌生物膜中的细胞	计算机视觉	NA	3D time-lapse显微镜成像	CNN	图像	NA	NA	NA	定性评估指标, 定量评估指标	NA
226	2026-10-01	SCImputation: Mitigating Feature Confounding From a Structural Causal Perspective for Data Imputation 2026 Mar-Apr, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2026.3665199 PMID:41697814	研究论文	本文从结构因果视角审视数据插补，提出SCImputation策略以缓解特征混杂，并将其与KNNimpute和LLSimpute集成，在五个数据集上验证了有效性。	从结构因果视角揭示目标特征作为混杂因子导致偏差，提出SCImputation策略，利用实例级和特征级信息细化邻居选择，并应用后门调整公式重加权局部估计。	未明确提及	解决数据插补中缺失数据导致的偏差和可靠性降低问题。	五个数据集：NACC、三个NCBI微阵列和Turkiye学生评估数据集。	机器学习	NA	NA	NA	表格数据	五个数据集（NACC、三个NCBI微阵列、Turkiye学生评估）	NA	NA	准确率，均方根误差	NA
227	2026-10-01	Deep_TPPred: Improved Prediction of Protein Toxicity Using Feature Fusion and Hybrid Neural Network Approach 2026 Mar-Apr, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2026.3656227 PMID:41557578	研究论文	本研究提出了一种名为Deep_TPPred的混合深度学习模型，通过特征融合技术结合CNN和RNN来预测蛋白质毒性	创新性地将CNN和RNN结合，并采用特征融合技术整合多种蛋白质序列描述符，以捕捉复杂的序列关系	未明确说明，但可能受限于基准数据集的规模和多样性	提高蛋白质毒性预测的准确性，以支持药物发现、安全性评估和毒理学研究	蛋白质序列	生物信息学	NA	深度学习、特征融合	混合深度学习模型（CNN+RNN）	蛋白质序列数据	基准数据集（具体数量未提及）	NA	CNN, RNN	准确率, 特异性, 灵敏度, Kappa, MCC	NA
228	2026-10-01	scGPD: single-cell informed gene panel design for targeted spatial transcriptomics 2026-Mar-01, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbag160 PMID:41996577	研究论文	本文提出了一种基于深度学习的基因面板设计框架scGPD，利用单细胞RNA-seq数据为靶向空间转录组学选择紧凑、非冗余的基因集。	使用基因-基因相关性感知的门控机制提取信息特征，鼓励所选基因的多样性并消除冗余，从而克服了现有基于先验知识或启发式规则（如高变基因选择）方法的局限性。	摘要中未明确提及研究的局限性。	设计用于靶向空间转录组学的高效基因面板，以捕获组织内细胞和空间异质性。	单细胞RNA-seq数据和空间转录组学数据。	计算生物学、空间转录组学	NA	单细胞RNA-seq、空间转录组学	深度学习	基因表达数据	NA	NA	NA	转录组范围表达恢复、细胞类型分类性能	NA
229	2026-10-01	Deep representation learning for temporal inference in cancer omics: a systematic literature review 2026-Mar-01, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbag147 PMID:42043943	综述	本文系统综述了深度表示学习（尤其是变分自编码器）在癌症组学数据中用于时间相关过程建模（如肿瘤进展和演化动态）的应用	首次系统性地综述了深度表示学习特别是变分自编码器在癌症组学时间推断中的应用，并提出了将VAE作为生成模型用于癌症分期的前瞻性研究方向	纵向组学数据的稀缺限制了更深入的时间分析，现有方法大多支持亚型分型、诊断和预后，而很少强调时间信息	探索深度表示学习特别是变分自编码器在癌症组学研究中对时间相关过程（如肿瘤进展和演化动态）的建模应用	癌症组学数据及相关深度表示学习方法	机器学习	癌症	组学数据分析	VAE	组学数据	NA	NA	变分自编码器	NA	NA
230	2026-10-01	Comparative evaluation of lightweight and pre-trained deep learning models for multi-class classification of infected freshwater fish species in Thailand 2026-Mar, Veterinary world IF:1.7Q2 DOI:10.14202/vetworld.2026.1215-1228 PMID:42046675	研究论文	该研究比较了轻量级三层CNN与预训练深度学习模型（VGG16、InceptionV3、ResNet50）在泰国受感染淡水鱼物种多分类任务中的性能	针对泰国淡水养殖鱼类，构建了平衡的小规模图像数据集，并系统比较了轻量级CNN与多种预训练模型在疾病多分类中的表现	数据集规模较小（仅224张图像），分类准确率普遍偏低，模型泛化能力有限，未涵盖更多鱼种和疾病类型	比较轻量级与预训练深度学习模型在受感染淡水鱼物种多分类中的性能，探索适用于资源有限养殖环境的自动化疾病检测方法	泰国六个省份养殖场中临床感染的四种淡水鱼：尖吻鲈、红罗非鱼、蛇皮攀鲈和线鳢	计算机视觉	水产动物疾病	图像采集与深度学习图像分类	CNN	图像	共424张图像，预处理后平衡数据集为每类56张，总计224张（训练集80%，测试集20%）	NA	三层CNN, VGG16, InceptionV3, ResNet50	准确率, 精确率, 召回率, F1分数, 混淆矩阵, 五折交叉验证	NA
231	2026-10-01	DoC-Informer: Automated Discrimination of Disorders of Consciousness under Adaptive EEG Settings 2026-Feb-27, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2026.3668768 PMID:41758838	研究论文	本文提出了DoC-Informer，一种基于CNN-Transformer的框架，用于在自适应EEG设置下自动区分意识障碍（DoC）	整合了通道独立架构（通过电极位置编码和空间变换器实现）与通道掩码训练策略，以增强对不完整EEG数据的鲁棒性	未明确提及	实现意识障碍的自动判别，以指导治疗和预后	意识障碍患者（包括UWS和MCS患者）的EEG数据	机器学习	意识障碍	EEG	CNN, Transformer	EEG信号	两个真实世界的DoC数据集（包括UWS和MCS患者）	NA	CNN-Transformer	NA	NA
232	2026-10-01	MDDTA: A Drug Target Binding Affinity Prediction Method Based on Molecular Dynamics Simulation Data Enhancement 2026-Feb-27, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2026.3668781 PMID:41758859	研究论文	本文提出了一种基于分子动力学模拟数据增强的药物靶点结合亲和力预测方法MDDTA，通过构建MD-PDBbind数据集和引入FAFormer架构来提升预测性能	构建了MD-PDBbind增强采样分子动力学模拟数据集；提出了包含新型FAFormer架构的MDDTA模型，实现等变性和不变性；设计了动态感知损失函数以增强模型对多种构象的适应性	未明确提及	提高药物靶点结合亲和力预测的准确性，解决现有模型依赖静态结构数据而忽略构象动态性的问题	药物靶点复合物，包括SARS-CoV-2候选化合物	机器学习	COVID-19	分子动力学模拟	FAFormer	分子结构数据	MD-PDBbind数据集（基于PDBbind构建的增强采样分子动力学模拟数据集），CASF-2016基准数据集，以及70个SARS-CoV-2候选化合物	NA	FAFormer	评分和排序性能（具体指标未在摘要中说明）	NA
233	2026-10-01	Physics-Informed Deep Learning for Shear Wave Speed Estimation in MR Elastography 2026-Feb-23, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2026.3666306 PMID:41729656	研究论文	该论文提出了一种物理信息深度学习框架，用于从欠采样k空间数据中估计MR弹性成像的剪切波速度	首次端到端可训练的MRE重建方法，直接从k空间估计SWS图，结合图像重建与MRE反演	未明确说明，但可能受限于回顾性数据评估和特定加速因子	开发一种数据驱动方法，联合图像重建和MRE反演，从欠采样k空间数据中稳健估计SWS	脑部MRE数据（回顾性高度欠采样数据和体内数据）	医学图像处理	脑部疾病	磁共振弹性成像（MRE）	神经网络	k空间数据	未明确说明	NA	NA	NRMSE	NA
234	2026-10-01	Bimodal EEG-fNIRS and Deep Learning for Classifying Intensity-Dependent Cortical Auditory Evoked Responses 2026-Feb-19, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2026.3665889 PMID:41712398	研究论文	本研究开发了基于深度学习的分类模型，利用双模态EEG-fNIRS数据对五种强度水平的皮层听觉诱发反应进行分类	首次系统评估fNIRS作为EEG补充模态在皮层听觉诱发反应强度分类中的增益价值，并对比了基于原始时间序列的CNN模型与基于特征的MLP模型	样本量未明确说明，研究仅在特定听觉刺激范式中验证，未涉及临床病理人群的外部验证	探究fNIRS在分类不同强度听觉刺激引起的皮层反应中的附加价值，并比较深度学习模型与传统机器学习分类器的性能	健康受试者的EEG和fNIRS神经信号数据	机器学习	神经系统疾病	EEG, fNIRS	CNN, MLP	时间序列信号（EEG和fNIRS）	NA	NA	CNN, MLP	准确率, AUC, F1-score	NA
235	2026-10-01	NeuroCLIP: A Multimodal Contrastive Learning Method for rTMS-treated Methamphetamine Addiction Analysis 2026-Feb-11, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2026.3663869 PMID:41671129	研究论文	本文提出了一种名为NeuroCLIP的多模态对比学习框架，通过整合同步采集的脑电图（EEG）和功能近红外光谱（fNIRS）数据，用于甲基苯丙胺成瘾的客观评估及rTMS治疗效果的评估	提出了NeuroCLIP框架，采用渐进式学习策略整合同步EEG和fNIRS数据，克服了单模态局限和传统手工特征提取的不足；建立了与心理测量验证的渴求评分强相关的可信多模态生物标志物	未明确说明样本量、具体计算资源及模型架构细节，且未讨论框架在其他成瘾类型或临床场景中的泛化能力	开发一种基于EEG和fNIRS多模态数据的深度学习方法，用于甲基苯丙胺成瘾的客观评估和rTMS治疗效果的脑基评价	甲基苯丙胺依赖个体和健康对照者，以及接受rTMS治疗的甲基苯丙胺依赖患者	机器学习	成瘾	EEG, fNIRS	对比学习	图像, 时间序列	NA	NA	NA	NA	NA
236	2026-10-01	Subject-Adaptive EEG Decoding via Filter-Bank Neural Architecture Search for BCI Applications 2026-Feb-11, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2026.3663725 PMID:41671134	研究论文	提出滤波组神经架构搜索（FBNAS）框架，自动为个体设计脑电解码网络架构。	使用三个时间单元处理不同频率的脑电信号，并在搜索空间中使用空洞卷积核，通过多路径NAS算法确定最优架构进行多尺度特征提取。	未明确提及	解决脑机接口研究中个体差异带来的挑战，自动设计适用于个体的网络架构。	脑电信号（EEG）	脑机接口	NA	脑电信号处理	神经架构搜索	脑电信号	三个数据集：BCIC-IV-2a、OpenBMI、SEED	NA	NA	跨会话解码准确率	NA
237	2026-10-01	Unsupervised Disentanglement of Brain Heterogeneity for Identifying Subtypes of Alzheimer's Disease 2026-Feb-10, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2026.3663181 PMID:41666058	研究论文	提出一种无监督深度学习框架3D-DisAD，通过解缠阿尔茨海默病特异性神经解剖变异，将患者聚类为四种具有不同脑表型的亚型	利用对比解缠网络与基于扩散生成模型的变换生成网络，从混杂因素中分离AD特异性变异，实现无监督亚型识别	摘要中未明确提及研究局限性	解决AD神经解剖异质性导致的精准诊断和治疗难题，识别具有同质性脑表型的AD亚型	阿尔茨海默病患者与健康对照者的MRI脑影像数据	数字病理学	阿尔茨海默病	MRI	对比学习, 扩散生成模型	图像	四个公共数据集	PyTorch	对比解缠网络, 变换生成网络	NA	NA
238	2026-10-01	Stress Detection Using Heart Rate Variability and Respiratory Signals Derived From a Single-Lead ECG 2026-Feb-10, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2026.3658304 PMID:41666060	研究论文	本文提出了一种结合特征提取与机器学习的混合方法，仅使用单导联心电图信号提取心率变异性与呼吸信号特征，用于压力检测	仅使用单导联心电图信号，同时提取心率变异性与呼吸信号特征，并证明心电图衍生的呼吸特征能显著提高分类准确性和计算效率，优于传统心率变异性方法和深度学习模型	未提及具体局限性，但可能受限于单导联心电图信号的信息量以及ES3数据库的样本多样性	利用单导联心电图实现急性压力检测，探索一种适用于可穿戴设备的实时、高效的压力检测方法	ES3项目数据库中的受试者	机器学习	精神健康	单导联心电图、心率变异性分析、呼吸信号提取	XGBoost	生理信号（心电图）	NA	NA	XGBoost	分类准确率、推理时间	NA
239	2026-10-01	Chemistry-Structure Dual-Perception Large Language Models: Advancing Molecular Property Prediction for Precise Disease Treatment 2026-Feb-06, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2026.3662042 PMID:41650399	研究论文	提出CSLLM方法，利用指令引导大语言模型生成嵌入化学知识的药物分子表示，用于分子性质预测	引入三维指令框架：任务引导、化学感知和结构感知，使大语言模型能够像化学家一样推理并理解药物分子结构	未明确提及	提高药物分子性质预测的准确性，以支持精准疾病诊断和个性化治疗	药物分子	机器学习	NA	大语言模型	大语言模型	分子数据	九个数据集	NA	大语言模型	NA	有限的计算资源
240	2026-10-01	Rapid, label-free cancer detection in fresh pancreatic tissue using deep learning and multispectral Mueller matrix polarimetry 2026-Feb-04, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2026.3661029 PMID:41637699	研究论文	本文提出了一种基于多光谱Mueller矩阵偏振测量和深度学习的新方法，用于新鲜胰腺组织中快速、无标记的癌症检测	结合多光谱Mueller矩阵偏振测量与深度学习，实现无需染色和组织切片的像素级组织微结构分析，可在准实时内自动区分癌性与非癌性活检组织	样本量未明确说明，可能受限于特定患者群体；需进一步验证泛化能力	解决冰冻切片在术中评估中的局限性，如组织伪影、依赖专家和周转慢等问题，实现快速、自动的癌症检测	新鲜胰腺组织活检样本，来自胰腺导管腺癌（PDAC）患者	数字病理学	胰腺癌	多光谱Mueller矩阵偏振测量	深度学习模型	图像	NA	NA	NA	分类性能（与常规冰冻切片评估相当）、诊断速度、与组织学切片像素级注释的一致性和连贯性	NA