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	2026-02-07	Accelerating OLED development with machine learning: advances and prospects 2026-Feb-05, Chemical communications (Cambridge, England) DOI:10.1039/d5cc06175j PMID:41537217	综述	本文全面探讨了机器学习在加速有机发光二极管（OLED）技术发展中的作用，包括材料性能预测、结构-性质关系构建及器件优化	系统性地将机器学习作为数据驱动范式应用于OLED创新，整合了通用ML模型与深度学习在OLED材料与器件研究中的案例评估	未详细讨论实验数据质量对模型性能的影响，且未来研究方向仅提供前瞻性建议而非具体实施方案	加速OLED材料与器件的研发进程，通过机器学习提升研究效率与可扩展性	OLED发光材料、器件结构及相关光电技术	机器学习	NA	机器学习、深度学习	通用ML模型、深度学习模型	材料性质数据、结构数据、器件性能数据	NA	NA	NA	NA	NA
222	2026-02-07	Fairness Correction in COVID-19 Predictive Models Using Demographic Optimization: Algorithm Development and Validation Study 2026-Feb-03, Online journal of public health informatics DOI:10.2196/78235 PMID:41632023	研究论文	本文提出了一种名为DemOpts的公平性校正方法，用于改进COVID-19预测模型在不同种族和民族群体间的公平性	提出了一种新颖的去偏方法DemOpts，通过人口统计学优化来减少预测误差在不同种族和民族群体间的差异，相比现有方法能更好地实现误差均等	研究主要关注聚合地理层面的预测，可能未考虑个体层面的偏差；且依赖于潜在有偏的数据集，如移动性或社会人口数据	开发并验证一种公平性校正方法，以提高COVID-19预测模型在不同种族和民族群体间的公平性	COVID-19病例预测模型，特别是针对不同种族和民族群体的预测公平性	机器学习	COVID-19	深度学习	深度学习模型	多模态数据（包括移动性数据、社会人口数据）	NA	NA	NA	误差均等性、平均预测误差	NA
223	2026-02-07	Analysis and prediction of schizophrenia patients based on high-order graph attention generative adversarial networks 2026-Feb-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-15602-8 PMID:41629367	研究论文	提出了一种基于高阶图注意力生成对抗网络的模型，用于分析和预测精神分裂症患者	首次将高阶图注意力生成对抗网络应用于EEG数据，以捕捉持续性图像的高阶拓扑特征，用于精神分裂症的早期诊断和预测	未明确说明样本量、计算资源细节以及模型在其他频段的泛化能力	研究高阶脑功能网络对精神分裂症患者的影响，并开发早期诊断和预测模型	精神分裂症患者的EEG数据	机器学习	精神分裂症	EEG	GAN, GAT, LSTM	图像（持续性图像）、EEG信号	NA	NA	高阶图注意力生成对抗网络（结合图注意力网络和长短期记忆网络）	AUC, MAP, 准确率	NA
224	2026-02-07	Multi-AOP: a lightweight multi-view deep learning framework for antioxidant peptide discovery 2026-Feb-02, Bioresources and bioprocessing IF:4.3Q1 DOI:10.1186/s40643-025-01004-1 PMID:41627618	研究论文	本研究提出了一种轻量级多视图深度学习框架Multi-AOP，用于高效发现抗氧化肽	开发了一个参数轻量化的多视图深度学习框架，通过融合序列学习和图学习来增强抗氧化肽的发现能力	未在摘要中明确说明	提高抗氧化肽发现的效率和准确性	抗氧化肽	自然语言处理, 机器学习	NA	深度学习	xLSTM, MPNN	序列数据, 分子图数据	基于AnOxPePred、AnOxPP和AOPP三个基准数据集	未在摘要中明确说明	Extended Long Short-Term Memory, Message Passing Neural Network	准确率	未在摘要中明确说明
225	2026-02-07	An integrative deep learning model based on dual-mode ultrasound for diagnosing gallbladder polyps 2026-Feb-02, Insights into imaging IF:4.1Q1 DOI:10.1186/s13244-026-02213-8 PMID:41627678	研究论文	本研究开发了一种基于双模式超声的融合深度学习模型，用于自动分割胆囊病灶并诊断胆囊息肉的性质	提出了一种基于双模式超声（灰阶超声和彩色多普勒血流成像）的融合深度学习模型，能够同时实现胆囊病灶的自动分割以及息肉性质（非肿瘤性/肿瘤性、良性/恶性）的鉴别诊断	研究为回顾性设计，样本量相对有限（339例患者），且仅来自两家医院，可能存在选择偏倚	开发人工智能模型以自动区分胆囊息肉的性质，辅助临床诊断并减少不必要的胆囊切除术	接受胆囊切除术的胆囊息肉患者	数字病理学	胆囊息肉	常规超声（灰阶超声和彩色多普勒血流成像）	深度学习模型	超声图像	339例患者（平均年龄53.17±15.89岁，女性182例）	NA	U-Net, EfficientNet-B4	Dice系数, IoU, AUC	NA
226	2026-02-07	SaccpaNet: A Separable Atrous Convolution- Based Cascade Pyramid Attention Network to Estimate Body Landmarks Using Cross-Modal Knowledge Transfer for Under-Blanket Sleep Posture Classification 2026-Feb, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3432195 PMID:39042546	研究论文	本文开发了一种基于深度相机的睡眠姿势监测与分类系统，用于家庭或社区环境，并设计了一个深度学习模型以应对毯子干扰	提出了SaccpaNet，一种结合可分离空洞卷积的金字塔注意力网络，通过跨模态知识转移（从RGB图像预训练到深度图像）和创新的数据增强技术（如类内混合和覆盖翻转切割）来提高模型在毯子干扰下的鲁棒性	研究仅在150名参与者的数据集上进行，样本量相对有限，且毯子条件可能未覆盖所有现实场景	开发一个能够抵抗毯子干扰的深度相机睡眠姿势分类系统，用于家庭或社区环境中的睡眠监测	睡眠姿势分类，特别是针对毯子覆盖条件下的身体关键点估计和姿势识别	计算机视觉	NA	深度相机成像	CNN	深度图像	150名参与者，执行七种睡眠姿势，覆盖四种毯子条件	NA	SaccpaNet（基于可分离空洞卷积的级联金字塔注意力网络），可能包含残差网络作为骨干	PCK@0.1, F1-score, 准确率	NA
227	2026-02-07	Neuro-BERT: Rethinking Masked Autoencoding for Self-Supervised Neurological Pretraining 2026-Feb, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3415959 PMID:38889028	研究论文	本文提出了一种基于傅里叶域掩码自编码的自监督预训练框架Neuro-BERT，用于神经信号处理	引入了傅里叶反演预测（FIP）预训练任务，利用傅里叶域中的频率和相位分布来揭示复杂的神经活动，无需依赖精心设计的数据增强或孪生结构	未明确说明预训练数据的具体规模或多样性限制，以及模型在更广泛神经信号任务中的泛化能力	解决神经信号处理中标注数据稀缺的问题，通过自监督预训练提升下游任务的性能	神经信号（如脑电图等生理信号）	机器学习	NA	傅里叶变换、掩码自编码	Transformer	神经信号（时序数据）	NA	NA	Transformer编码器	NA	NA
228	2026-02-07	MRGCDDI: Multi-Relation Graph Contrastive Learning Without Data Augmentation for Drug-Drug Interaction Events Prediction 2026-Feb, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3483812 PMID:39437275	研究论文	本文提出了一种名为MRGCDDI的新方法，用于药物-药物相互作用事件预测，该方法结合了多关系图对比学习，无需数据增强	引入了一种无需数据增强的多关系图对比学习方法，避免了额外噪声，并通过简单的对比学习策略在编码器扰动中保持图数据语义，无需手动试错或昂贵领域知识来选择增强	NA	预测药物-药物相互作用事件，以减少潜在不良反应并提高治疗安全性	药物分子图和多关系药物-药物相互作用网络	机器学习	NA	图神经网络，对比学习	GNN	图数据（药物分子图和DDI网络）	NA	NA	NA	准确率, Macro-F1, Macro-Recall, Macro-Precision	NA
229	2026-02-07	A Semantic Conditional Diffusion Model for Enhanced Personal Privacy Preservation in Medical Images 2026-Feb, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3511583 PMID:40030430	研究论文	本文提出了一种基于语义条件扩散模型的医学图像生成框架，旨在通过合成与原始数据分布一致的图像来增强个人隐私保护	提出了医学语义扩散模型（MSDM），通过自适应批量归一化（AdaBN）将语义信息编码到高维潜在空间，并直接嵌入去噪神经网络中，从而在提升图像质量和语义准确性的同时确保合成图像与原始图像同分布；此外，引入了Spread算法来自动生成语义掩码，减少了对人工标注的依赖	未明确说明模型在处理极端或罕见病例图像时的泛化能力，以及合成图像在临床诊断中的实际可用性验证可能不足	开发一种能够合成医学图像以保护患者隐私的深度学习框架，同时保持图像质量和语义准确性	医学图像，特别是包含个人可识别信息（如面部特征、独特解剖结构、罕见病变或特定纹理模式）的图像	计算机视觉	NA	扩散模型	扩散模型	图像	使用了BraTS 2021、MSD Lung、DSB18和FIVES数据集，具体样本数量未明确说明	NA	医学语义扩散模型（MSDM），包含自适应批量归一化（AdaBN）和Spread算法	Dice分数	NA
230	2026-02-07	BSN With Explicit Noise-Aware Constraint for Self-Supervised Low-Dose CT Denoising 2026-Feb, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3587639 PMID:40638344	研究论文	本文提出了一种名为噪声感知盲点网络的新型自监督学习方法，用于高质量低剂量CT图像去噪	通过引入显式的噪声感知约束机制，在自监督学习过程中无需参考干净数据，并突破了现有方法对相邻噪声独立性假设的依赖	未明确说明方法在极端低剂量或特定病理条件下的性能表现	开发一种不依赖配对训练数据的自监督深度学习方法来处理低剂量CT图像中的空间相关噪声	低剂量CT图像	计算机视觉	NA	低剂量CT成像	CNN	图像	多种临床数据集（未指定具体数量）	NA	盲点网络	NA	NA
231	2026-02-07	ChemFixer: Correcting Invalid Molecules to Unlock Previously Unseen Chemical Space 2026-Feb, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3593825 PMID:40748798	研究论文	本文提出了一种名为ChemFixer的框架，旨在将深度学习分子生成模型产生的无效分子修正为有效分子，以扩展可用的化学空间	开发了基于Transformer架构的ChemFixer框架，通过预训练和微调大规模有效/无效分子对数据集，能够修正无效分子并保持其化学与生物学分布特性	未明确提及框架在极端复杂无效分子上的修正能力限制或计算效率的具体分析	解决深度学习分子生成模型产生无效分子的问题，扩展可用的化学空间并提升药物发现效率	深度学习生成的无效化学分子	机器学习	NA	深度学习分子生成	Transformer	分子结构数据	大规模有效/无效分子对数据集（具体数量未提供）	未明确提及	Transformer	分子有效性、化学与生物学分布特性保持度、药物-靶点相互作用预测性能	未明确提及
232	2026-02-07	Leveraging Large Language Models for Personalized Parkinson's Disease Treatment 2026-Feb, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3594014 PMID:40748804	研究论文	本研究提出了一种利用大语言模型（LLMs）设计个性化帕金森病治疗策略的新框架，整合患者自然语言信息和外部文本知识源	首次将大语言模型（LLMs）与蒙特卡洛树搜索（MCTS）、检索增强生成（RAG）和思维链（CoT）推理结合，用于帕金森病的个性化治疗策略设计，提高了可解释性和动态调整能力	方法依赖于自然语言形式的患者信息和外部文本知识源，可能受数据质量和完整性的限制；实验基于特定数据集（PPMI），泛化能力需进一步验证	开发一个个性化帕金森病治疗策略设计框架，以克服症状异质性和传统方法的局限性	帕金森病患者	自然语言处理	帕金森病	大语言模型（LLMs），蒙特卡洛树搜索（MCTS），检索增强生成（RAG），思维链（CoT）推理	大语言模型（LLMs）	文本（自然语言形式的患者信息和外部文本知识源）	使用帕金森病进展标记倡议（PPMI）数据集，具体样本数量未明确说明	NA	NA	修订统一帕金森病评定量表第三部分（MDS-UPDRS-III）分数降低值	NA
233	2026-02-07	CINeMA: Conditional Implicit Neural Multi-Modal Atlas for a Spatio-Temporal Representation of the Perinatal Brain 2026-Feb, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2025.3605194 PMID:40902057	研究论文	提出了一种名为CINeMA的新型框架，用于创建高分辨率、时空多模态的围产期大脑图谱，适用于数据稀缺的场景	在潜在空间中操作，避免了计算密集的图像配准，将图谱构建时间从数天缩短至数分钟，并支持基于解剖特征的灵活条件生成	未明确提及具体的数据稀缺程度或模型在极端数据不足情况下的性能边界	开发适用于低数据环境的围产期大脑高分辨率时空多模态图谱构建方法	胎儿和新生儿大脑的磁共振成像数据	医学图像分析	围产期脑发育异常（如胼胝体发育不全、脑室扩大）	磁共振成像	条件隐式神经表示模型	多模态医学图像	NA	PyTorch（基于代码仓库推断）	条件隐式神经表示网络	准确性、效率、多功能性（文中提及超越现有方法，但未列具体指标）	NA
234	2026-02-07	Ape Optimizer: A p-Power Adaptive Filter-Based Approach for Deep Learning Optimization 2026-Feb, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2025.3610665 PMID:40996994	研究论文	本文提出了一种名为Ape的新型深度学习优化器，它基于自适应滤波中的最小均方p次幂算法，通过p次幂调整机制处理重尾梯度分布	首次将自适应滤波领域的LMP算法引入深度学习优化，提出针对α稳定分布梯度噪声的优化器设计，通过p次幂机制压缩大梯度并放大小梯度	未明确说明在超大规模模型或特定网络架构下的性能表现，实验范围主要限于基准数据集	开发一种能够有效处理非高斯分布梯度噪声的深度学习优化器	深度学习优化算法	机器学习	NA	NA	NA	基准数据集	NA	NA	NA	准确率, 训练速度	NA
235	2026-02-07	M-TabNet: A Transformer-Based Multi-Encoder for Early Neonatal Birth Weight Prediction Using Multimodal Data 2026-Feb, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3614285 PMID:41021962	研究论文	本文提出了一种基于Transformer的多编码器模型M-TabNet，用于利用多模态数据早期预测新生儿出生体重	提出了一种新颖的注意力机制Transformer模型，采用多编码器架构，有效整合了生理、生活方式、营养和遗传等多模态母体数据，解决了现有模型（如TabNet）的局限性，并实现了孕早期（<12周）的高精度预测	模型主要基于内部私有数据集进行开发和验证，虽然使用了IEEE儿童数据集进行独立验证以证明其泛化能力，但未在更广泛、更多样化的公共数据集上进行全面测试	开发一个准确、可解释且个性化的工具，用于早期预测新生儿出生体重，以识别高危妊娠并优化新生儿健康结局	孕妇及其新生儿	机器学习	新生儿疾病	多模态数据整合分析	Transformer	多模态数据（包括生理、生活方式、营养和遗传数据）	内部私有数据集和IEEE儿童数据集（具体样本数量未在摘要中提供）	NA	Transformer, 多编码器架构	平均绝对误差, R², 灵敏度, 特异性	NA
236	2026-02-07	EnsembleRegNet: Interpretable deep learning for transcriptional network inference from single-cell RNA-seq 2026-Feb, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108702 PMID:41043336	研究论文	本文提出了一种名为EnsembleRegNet的深度学习框架，用于从单细胞RNA测序数据中推断基因调控网络	通过集成编码器-解码器和多层感知机架构，结合Hodges-Lehmann估计器二值化、案例删除分析、RcisTarget基序富集和AUCell调控子活性评分，提高了网络推断的鲁棒性和生物学可解释性	未在摘要中明确提及	从高维单细胞RNA测序数据中准确推断基因调控网络结构	转录因子与靶基因关系、细胞类型特异性调控模块	机器学习	NA	单细胞RNA测序	集成编码器-解码器, 多层感知机	单细胞RNA测序数据	模拟和真实单细胞RNA测序数据集	NA	EnsembleRegNet	聚类性能, 调控准确性	NA
237	2026-02-07	Robust Deep Learning for Pulse-Echo Speed of Sound Imaging via Time-Shift Maps 2026-Feb, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2025.3602000 PMID:40844937	研究论文	本文提出了一种基于深度学习的鲁棒方法，用于通过时间偏移映射进行脉冲回波声速成像	开发了一种不依赖于特定前向模型的深度学习框架，通过时间偏移映射非线性映射到声速分布，并采用两阶段训练策略增强模型鲁棒性和泛化能力	未在临床人体数据上进行验证，计算成本较高（特别是全波仿真阶段）	提高脉冲回波模式下声速成像的准确性和鲁棒性，以改善超声图像质量和诊断价值	超声声速分布成像	医学影像处理	NA	脉冲回波超声成像，深度学习	深度学习模型	超声数据，时间偏移映射	NA	NA	NA	结构相似性指数，重建精度，对比度噪声比	NA
238	2026-02-07	Deep learning in stroke therapeutics: drug repurposing and beyond 2026-Feb, Expert opinion on drug discovery IF:6.0Q1 DOI:10.1080/17460441.2026.2619641 PMID:41549848	综述	本文综述了深度学习在卒中治疗研究中的应用，特别是在药物再利用方面的作用	强调了深度学习在加速卒中药物再利用和开发中的新兴应用，并指出了其在连接转化研究鸿沟方面的潜力	模型可解释性、泛化能力和真实世界验证方面仍存在挑战	探讨深度学习在卒中治疗研究中的应用，特别是药物发现和再利用	卒中治疗研究，包括临床前模型和临床决策支持	机器学习	卒中	NA	NA	高维数据	NA	NA	NA	NA	NA
239	2026-02-07	The expectations of in silico fragment-based drug design and future challenges 2026-Feb, Expert opinion on drug discovery IF:6.0Q1 DOI:10.1080/17460441.2026.2623154 PMID:41630652	综述	本文讨论了基于片段的药物发现（FBDD）中计算机模拟方法的最新进展，特别是人工智能和机器学习如何加速药物发现过程	强调人工智能和机器学习在FBDD中的应用，包括生成模型、强化学习以及口袋感知设计，以加速化合物设计、预测相互作用并增强化学多样性	尽管AI加速了发现过程，但实验验证仍然是关键，且未详细讨论具体模型的局限性	探讨计算机模拟片段药物设计方法的期望和未来挑战，以加速药物发现过程	基于片段的药物发现（FBDD）方法，特别是针对激酶和GPCRs等靶点	机器学习	NA	生成模型、强化学习、变分自编码器（VAEs）	生成模型、强化学习模型、深度学习模型	化学化合物数据、蛋白质-片段相互作用数据	NA	NA	NA	NA	NA
240	2026-02-07	A Hybrid Deep Learning Approach for Epileptic Seizure Detection in EEG signals 2026-Feb, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2023.3265983 PMID:37037252	研究论文	本文提出了一种混合深度学习方法来检测脑电图信号中的癫痫发作	结合K-means SMOTE平衡数据，并集成1D CNN与基于TBPTT的BiLSTM网络，以高效提取时空序列信息并降低计算复杂度	未明确说明方法在实时应用或不同数据集上的泛化能力	开发一种高效准确的自动化癫痫发作检测方法	脑电图信号	机器学习	癫痫	脑电图	CNN, LSTM	信号	使用公开的UCI癫痫发作识别数据集，未明确具体样本数量	NA	1D CNN, BiLSTM	精确度, 灵敏度, 特异性, F1分数	NA