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
2601	2026-03-05	Deep Few-view High-resolution Photon-counting Extremity CT at Halved Dose for a Clinical Trial 2024-Mar-19, ArXiv PMID:38562444	研究论文	本研究提出了一种基于深度学习的PCCT图像重建方法，旨在在减半剂量和加倍速度下进行临床诊断	提出了一种基于块的体积细化网络以缓解GPU内存限制，使用合成数据训练网络，并采用基于模型的迭代细化来弥合合成数据与真实数据之间的差距	GPU内存限制、训练数据稀缺以及领域差距问题	改进PCCT的辐射剂量和成像速度，以用于对比增强和其他研究	新西兰临床试验中的8名患者	计算机视觉	NA	X射线光子计数计算机断层扫描	深度学习	图像	8名患者	NA	基于块的体积细化网络	诊断图像质量评分	GPU内存限制
2602	2026-03-05	Spatiotemporal Rhythmic Seizure Sources Can be Imaged by means of Biophysically Constrained Deep Neural Networks 2023-Dec-01, medRxiv : the preprint server for health sciences DOI:10.1101/2023.11.30.23299218 PMID:38076950	研究论文	本文提出了一种基于深度学习的源成像框架DeepSIF，用于从耐药性局灶性癫痫患者的高密度脑电图记录中成像发作活动	采用神经质量模型生成具有时空频谱特征的合成训练数据，并开发了DeepSIF框架，在空间特异性和分散度方面优于传统方法	研究仅限于耐药性局灶性癫痫患者，样本量为33人，可能需进一步验证于更广泛人群	研究非侵入性动态脑成像技术，以改善癫痫发作活动的源定位	耐药性局灶性癫痫患者的高密度脑电图记录	机器学习	癫痫	高密度脑电图记录	深度学习神经网络	脑电图信号	33名耐药性局灶性癫痫患者	NA	DeepSIF	空间特异性, 空间分散度, 平均距离	NA
2603	2026-03-05	Bipartite invariance in mouse primary visual cortex 2023-Mar-16, bioRxiv : the preprint server for biology DOI:10.1101/2023.03.15.532836 PMID:36993218	研究论文	本研究通过扩展“inception loops”范式，系统性地表征了小鼠初级视觉皮层中单个神经元的双部分不变性，揭示了其在纹理定义物体边界检测中的作用	发现了一种新型的双部分不变性，其中感受野的一部分编码相位不变的纹理样模式，另一部分编码固定的空间模式，并与自然图像中的空间频率差异定义的物体边界对齐	研究主要基于小鼠初级视觉皮层，可能未完全覆盖其他视觉层次、细胞类型或感觉模态，且实验时间有限可能影响系统性表征	理解大脑如何从高维感官输入中泛化并推断行为相关的潜在原因，通过表征神经元的选择性和不变性特征	小鼠初级视觉皮层中的单个神经元	神经科学	NA	大规模记录、神经预测模型、实验验证	深度学习模型	视觉输入、自然刺激图像	NA	NA	NA	NA	NA
2604	2026-03-05	Time series forecasting of COVID-19 transmission in Asia Pacific countries using deep neural networks 2023, Personal and ubiquitous computing DOI:10.1007/s00779-020-01494-0 PMID:33456433	研究论文	本研究利用深度学习模型预测亚太国家COVID-19的传播趋势	首次在亚太国家（特别是巴基斯坦、阿富汗、印度和孟加拉国）应用LSTM、RNN和GRU等深度学习模型进行COVID-19时间序列预测，并考虑了时间变量和数据非线性	仅预测未来10天的情况，且数据截止到2020年7月1日，可能无法反映疫情长期动态	预测COVID-19在亚太国家的传播趋势，为政府决策提供参考	亚太国家（巴基斯坦、阿富汗、印度、孟加拉国）的COVID-19病例数据	自然语言处理	COVID-19	时间序列分析	LSTM, RNN, GRU	时间序列数据	四个国家的COVID-19病例数据（具体数量未明确）	NA	LSTM, RNN, GRU	准确率	NA
2605	2026-03-05	Prediction of muscular paralysis disease based on hybrid feature extraction with machine learning technique for COVID-19 and post-COVID-19 patients 2023, Personal and ubiquitous computing DOI:10.1007/s00779-021-01531-6 PMID:33679282	研究论文	本研究提出了一种基于混合特征提取和机器学习技术的模型，用于预测COVID-19及后COVID-19患者的肌肉麻痹疾病	提出了一种结合Yule-Walker、Burg方法、Renyi熵、均值绝对值、最小-最大电压特征提取等17种传统特征的混合特征提取方法，并应用Relief-F特征选择方法优化特征	研究仅使用了UCI的EMG-下肢数据集，样本来源和规模可能有限，未提及模型在其他数据集或临床环境中的泛化能力	早期检测和预测COVID-19及后COVID-19患者的肌肉疲劳和肌肉麻痹疾病	COVID-19患者及后COVID-19患者	机器学习	肌肉麻痹疾病	肌电图信号分析	深度学习分类器	EMG信号	UCI EMG-下肢数据集（具体数量未在摘要中说明）	未明确提及	未明确提及具体架构，但提到了神经网络和支持向量机作为对比方法	精确度	NA
2606	2026-03-05	Pseudonymisation of neuroimages and data protection: Increasing access to data while retaining scientific utility 2021-Dec, Neuroimage. Reports DOI:10.1016/j.ynirp.2021.100053 PMID:40568426	综述	本文探讨了神经影像数据在开放科学与数据保护之间的平衡，分析了现有去标识化技术的隐私局限性，并提出了促进数据共享的技术和组织措施	结合机器学习的最新进展，重新评估了神经影像去标识化技术的隐私风险，并提出了综合性的解决方案以在保护隐私的同时保持数据科学效用	未提供具体的实验验证或量化分析来支持所讨论的技术措施的有效性	旨在澄清神经影像数据匿名化、假名化和去标识化的概念，并探索在满足数据保护要求的同时最大化数据科学效用的方法	神经影像数据及其相关的隐私保护技术	机器学习和数字病理学	NA	去脸、颅骨剥离、面部掩码/模糊化等面部特征移除技术	NA	神经影像数据	NA	NA	NA	NA	NA
2607	2026-03-03	Deep-learning based adaptive fusion of CC and MLO views for improved mammographic cancer diagnosis 2026-Jun, MethodsX IF:1.6Q2 DOI:10.1016/j.mex.2026.103827 PMID:41768877	研究论文	本文提出了一种名为MammoFusion-Net的双分支深度学习框架，用于基于乳腺X线摄影的乳腺癌分类，通过自适应融合CC和MLO视图以提升诊断性能	引入了Gated Cross-View Fusion机制自适应整合多视图特征，并利用残差卷积流独立处理CC和MLO视图以保留视图特异性解剖信息	NA	改进基于乳腺X线摄影的乳腺癌分类性能，解决视图间特征不一致、诊断细节丢失和可解释性有限等挑战	乳腺X线摄影图像（CC和MLO视图）	计算机视觉	乳腺癌	乳腺X线摄影	CNN	图像	VinDr-Mammo数据集和INBreast数据集（具体样本数量未提供）	NA	ResNet	准确率	NA
2608	2026-03-03	iAFP-fLRM: Accurate identification of antifungal peptides via hybrid deep learning architecture and multi-modal feature fusion 2026-May, Biophysical chemistry IF:3.3Q2 DOI:10.1016/j.bpc.2026.107591 PMID:41653519	研究论文	本文提出了一种名为iAFP-fLRM的混合深度学习框架，用于仅基于氨基酸序列准确识别抗真菌肽	设计了一个双分支特征融合模块，集成了自适应池化对齐和跨分支注意力增强机制，以动态对齐序列长度并自适应调整异构特征的贡献，从而增强互补性	仅基于氨基酸序列信息，未整合其他生物信息学特征或实验验证数据	开发一种计算工具，用于计算机辅助识别抗真菌肽，以促进新型抗真菌疗法的发现	抗真菌肽	自然语言处理	真菌感染	氨基酸序列分析	Transformer, LSTM, MLP	序列数据	基准数据集	PyTorch	Transformer encoder, LSTM-ResMLP	准确率, AUC, 马修斯相关系数	NA
2609	2026-03-03	Deep learning of committor for ion dissociation and interpretable analysis of solvent effects using atom-centered symmetry functions 2026-Mar-07, The Journal of chemical physics IF:3.1Q1 DOI:10.1063/5.0315825 PMID:41769876	研究论文	本研究利用深度学习识别水中NaCl离子对结合与解离的反应坐标，并通过可解释人工智能技术分析溶剂效应	采用基于原子中心对称函数的描述符编码离子周围溶剂环境，并应用SHAP分析识别对反应坐标有贡献的ACSFs，为离子解离机制提供分子层面解释	未明确说明模型泛化能力或对其他离子体系的适用性	识别水中离子对结合与解离过程的反应坐标，并分析溶剂效应	水中的NaCl离子对	机器学习	NA	分子动力学模拟，原子中心对称函数	神经网络	分子模拟数据	NA	NA	NA	committor作为反应坐标的定量度量	NA
2610	2026-03-03	A Deep Learning Framework Integrating Tumor Microenvironmental Features Accurately Predicts Multiple Driver Gene Mutations in Lung Cancer Pathology Images 2026-Mar-02, Cancer research IF:12.5Q1 DOI:10.1158/0008-5472.CAN-25-0582 PMID:41289566	研究论文	本文提出了一种名为NAVF-Bio的深度学习框架，通过整合肿瘤微环境特征，从肺癌病理图像中准确预测多种驱动基因突变	开发了基于多实例学习的自适应多视图特征融合框架，能够整合全切片图像中的肿瘤微环境特征，不仅预测驱动基因突变，还能识别突变亚型和外显子变异，超越了现有方法仅进行突变水平预测的限制	研究主要基于中国四家医院的数据，可能限制了模型在其他人群或地区的泛化能力；未详细讨论模型在临床实际部署中的具体挑战	开发一个深度学习框架，从常规组织病理学切片中预测肺癌的驱动基因突变，以指导靶向治疗选择	肺癌患者的病理图像和下一代测序数据	数字病理学	肺癌	下一代测序	多实例学习	图像	来自中国四家医院的2,573名肺癌患者	NA	NAVF-Bio	NA	NA
2611	2026-03-03	Domain adaptation for low-dose CT denoising via pretraining and self-supervised fine-tuning 2026-Mar-02, Journal of X-ray science and technology IF:1.7Q3 DOI:10.1177/08953996261419893 PMID:41769819	研究论文	本文提出了一种基于预训练和自监督微调的低剂量CT去噪领域自适应方法	提出了一种无需目标域标签的自监督微调方法，通过像素洗牌图像预处理和两阶段微调策略来弥合领域差距，并设计了双尺度SwinIR模型作为预训练骨干网络	未明确说明方法在更广泛或临床数据集上的泛化能力，以及计算效率的详细评估	开发一种有效的领域自适应技术，以提升低剂量CT去噪模型在跨域数据集上的性能	低剂量CT图像	计算机视觉	NA	低剂量CT成像	深度学习模型	图像	基于两个公共数据集进行评估，具体样本数量未明确说明	PyTorch（基于代码仓库推断）	SwinIR	去噪性能指标（如PSNR、SSIM等，具体未列出）	NA
2612	2026-03-03	Assessment of deep learning reconstruction effects on detection and differentiation of liver metastasis from hepatic hemangioma in diffusion-weighted imaging 2026-Mar, Japanese journal of radiology IF:2.9Q2 DOI:10.1007/s11604-025-01904-4 PMID:41196555	研究论文	评估并比较了使用压缩感知的扩散加权成像与结合模型深度学习重建的扩散加权成像在检测和区分肝转移瘤与肝血管瘤方面的性能	首次将模型深度学习重建应用于腹部扩散加权成像，以评估其在肝转移瘤与血管瘤检测和区分中的效果	研究为回顾性分析，样本量较小（53名患者），且未在独立外部数据集上验证	评估深度学习重建对腹部扩散加权成像在肝转移瘤与血管瘤检测和区分中图像质量和诊断性能的影响	肝转移瘤和肝血管瘤患者	数字病理	肝转移瘤, 肝血管瘤	扩散加权成像, 压缩感知, 深度学习重建	深度学习模型	医学影像（扩散加权成像）	53名患者（34名男性，19名女性，平均年龄65.9岁），包括59个转移瘤和33个血管瘤	NA	NA	信号噪声比, 对比噪声比, 表观扩散系数, 受试者工作特征曲线下面积, 敏感性, 特异性	NA
2613	2026-03-03	Artificial Intelligence in Cardiovascular MRI: From Imaging to Biomechanics and Diagnosis 2026-Mar-01, Journal of thoracic imaging IF:2.0Q3 DOI:10.1097/RTI.0000000000000864 PMID:41321165	综述	本文综述了人工智能（特别是深度学习）如何重塑心血管磁共振成像的各个方面，从规划、采集到重建、分析和临床报告生成	全面概述了深度学习在心血管MRI全流程（从采集到诊断）中的应用进展，并强调了其在提升效率、图像质量和自动化分析方面的潜力	NA	探讨人工智能在心血管磁共振成像中的应用及其对临床实践的变革	心血管磁共振成像技术及其相关数据处理流程	医学影像分析	心血管疾病	磁共振成像	深度学习	医学影像数据	NA	NA	NA	NA	NA
2614	2026-03-03	Low-dose CBCT image reconstruction: a review 2026-Mar, Strahlentherapie und Onkologie : Organ der Deutschen Rontgengesellschaft ... [et al] IF:2.7Q2 DOI:10.1007/s00066-025-02492-y PMID:41348234	综述	本文深入分析了低剂量锥形束计算机断层扫描（CBCT）图像重建的最新研究进展	系统性地综述了低剂量CBCT重建中解析重建算法、迭代重建算法和深度学习方法的特点与应用，并指出了当前技术的挑战与未来方向	作为综述文章，未提出新的算法或模型，主要基于现有文献进行分析	旨在减少CBCT使用中的辐射风险，同时保持图像质量，以促进临床诊断与治疗	低剂量CBCT图像重建技术	医学影像	NA	锥形束计算机断层扫描（CBCT）	NA	CBCT图像	NA	NA	NA	NA	NA
2615	2026-03-03	PoseShot: hybrid CNN-BiLSTM transformer model for free throw action recognition via pose analysis 2026-Mar-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-41025-0 PMID:41766037	研究论文	提出了一种名为PoseShot的新型混合CNN-BiLSTM-Transformer模型，用于通过姿态分析识别篮球罚球动作	提出了一种新颖的双通道混合CNN-BiLSTM-Transformer模型，专注于分析单个罚球动作中细粒度、阶段依赖的力学特征，而非传统的粗粒度活动标签	NA	通过数据驱动的方法，对篮球罚球技术进行客观、全面的分析，以弥补传统主观评估方法的不足	篮球罚球动作	计算机视觉	NA	姿态分析	CNN, BiLSTM, Transformer	视频	NA	NA	CNN-BiLSTM-Transformer混合架构	F1分数, 精确率, 召回率	NA
2616	2026-03-03	Transformer-based classification and interpretability of NR3C1 expression patterns in OSCC: Metabolic adaptation insights 2026 Mar-Apr, Journal of oral biology and craniofacial research DOI:10.1016/j.jobcr.2026.101427 PMID:41768316	研究论文	本研究评估了四种基于Transformer的模型在NR3C1蛋白序列分类中的性能，并与深度学习和传统机器学习方法进行比较	首次将Transformer模型（如RoBERTa、ALBERT）应用于NR3C1蛋白序列分类，并展示了其在准确性和参数效率上的优势	研究仅基于5个UniProt序列的小样本数据集，可能限制模型的泛化能力	评估Transformer模型在蛋白序列分类任务中的性能，并探索其在口腔鳞状细胞癌（OSCC）相关蛋白NR3C1表达模式分类中的应用	NR3C1蛋白的肽序列	自然语言处理	口腔鳞状细胞癌	蛋白序列分析	Transformer, 深度学习模型, 传统机器学习分类器	蛋白序列（文本）	5个UniProt序列，分为中等长度（200-500 aa）和长序列（>500 aa）两类	NA	BERT, RoBERTa, DistilBERT, ALBERT	F1分数	NA
2617	2026-03-03	Deep learning-assisted tumor radiomic dynamics on MRI predict pathological complete response in HCC undergoing immune-based therapy followed by hepatectomy 2026-Feb-26, Hepatology (Baltimore, Md.) DOI:10.1097/HEP.0000000000001724 PMID:41746634	研究论文	本研究开发并验证了一个整合临床病理和影像组学特征的模型，用于预测不可切除肝细胞癌患者在接受免疫治疗和肝切除术后达到病理完全缓解的可能性	首次将动态影像组学特征与血清AFP反应结合，构建预测模型，显著提高了预测病理完全缓解的准确性	研究为回顾性多中心设计，样本量相对较小，可能存在选择偏倚	预测不可切除肝细胞癌患者在接受转换治疗和肝切除术后达到病理完全缓解	不可切除肝细胞癌患者	数字病理学	肝细胞癌	MRI影像分析，血清AFP检测	机器学习模型	MRI影像，临床数据	训练集78例，内部测试集32例，独立验证集44例	Scikit-learn	随机森林，LASSO	AUC, NPV, PPV, 敏感性, 特异性, 校准曲线, 决策曲线分析	NA
2618	2026-03-03	Signature-aware deep learning reveals distinct driver gene programs and mutational processes in glioblastoma and colon adenocarcinoma 2026-Feb-26, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2026.108984 PMID:41764951	研究论文	本研究提出了一种名为ResMLP-GL的签名感知残差多层感知器，用于变异级别的癌症驱动基因预测，并在胶质母细胞瘤和结肠腺癌中揭示了不同的驱动基因程序和突变过程	首次将COSMIC SBS上下文概率向量与功能及序列特征明确整合，并设计了包含投影残差块和特征门控模块的网络架构，以增强梯度流并促进过程感知表征学习	模型主要基于TCGA和ICGC的胶质母细胞瘤与结肠腺癌外显子组数据训练和验证，在其他癌症类型或数据模态上的泛化能力有待进一步评估	精确识别癌症驱动突变，以支持精准肿瘤学研究	胶质母细胞瘤和结肠腺癌的体细胞突变	机器学习	胶质母细胞瘤, 结肠腺癌	外显子组测序	多层感知器	基因组变异数据, 功能评分, 序列特征	TCGA GBM/COAD外显子组数据（训练/测试）及独立ICGC队列（验证）	PyTorch	ResMLP-GL（签名感知残差多层感知器）	AUC	NA
2619	2026-02-26	Correction: Deep learning-based image enhancement for improved black blood imaging in brain metastasis 2026-Feb-24, European radiology IF:4.7Q1 DOI:10.1007/s00330-026-12348-3 PMID:41733645	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2620	2026-03-03	Exploration of Novel Chemical Spaces to Discover JAK1 Inhibitors: An Ensemble Docking-Guided Deep Learning Approach 2026-Feb-24, ACS omega IF:3.7Q2 DOI:10.1021/acsomega.5c10773 PMID:41768660	研究论文	本研究开发了一种结合集成对接引导的深度学习虚拟筛选框架，用于从大规模化合物库中探索新型化学空间，以发现高选择性的JAK1抑制剂	将蛋白质构象多样性（通过八个高分辨率晶体结构捕获）明确整合到可扩展的深度学习虚拟筛选框架中，实现了对超过11亿化合物的高效探索，并发现了大量与已知JAK1抑制剂骨架不同的新型化学型	研究主要基于计算虚拟筛选和对接分析，尚未进行实验验证以确认候选化合物的实际活性和选择性	克服现有JAK抑制剂（如托法替尼和鲁索替尼）因骨架局限导致的亚型选择性差、JAK3交叉反应性和剂量限制性毒性等问题，通过探索新型化学空间开发更具选择性的JAK1抑制剂	Janus激酶1（JAK1）的ATP结合口袋及其抑制剂	药物发现，计算化学	自身免疫性疾病，炎症性疾病，肿瘤	集成分子对接，深度学习虚拟筛选	深度神经网络（DNN）分类器	化合物结构数据（SMILES等），蛋白质晶体结构数据	超过11亿个来自ZINC数据库的商业可用化合物	NA	NA	对接分数，活性阈值通过率（57%的候选物在所有受体构象中均超过阈值），新型化学型数量（7652个独特骨架）	NA