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
2901	2026-01-10	Supervised Machine Learning and Graph Neural Networks to Predict Collision Cross-Section Values of Aquatic Dissolved Organic Compounds 2026-Jan-08, Journal of the American Society for Mass Spectrometry IF:3.1Q1 DOI:10.1021/jasms.5c00276 PMID:41505766	研究论文	本研究结合监督机器学习和深度学习，预测水环境中溶解有机化合物的碰撞截面值，以提升复杂环境混合物中分子结构的识别精度	首次将监督机器学习模型与图神经网络结合，针对多种溶解有机分子类别预测CCS值，并通过北极海洋的高分辨率质谱数据验证模型预测能力	模型性能因分子类别和数据集特征而异，未详细讨论模型在极端环境条件下的泛化能力	预测水环境中溶解有机化合物的碰撞截面值，以增强分子分类和环境样本中污染物检测	水环境中的溶解有机分子，包括碳水化合物、碳氢化合物、木质素、脂质、蛋白质、单宁及未分类分子	机器学习	NA	高分辨率质谱	Gradient Boosted Regression, K-Nearest Neighbors, LASSO, Linear Regression, Partial Least Squares, Random Forest, Support Vector Regression, Voting Regressor, Graph Neural Network	分子指纹（SMILES）和结构描述符（/, O/C, H/C, AImod, DBE）	NA	NA	Graph Neural Network	NA	NA
2902	2026-01-10	Emotion recognition from auditory Autonomous Sensory Meridian Response (ASMR) using multi-modal physiological signals 2026-Jan-08, Physiological measurement IF:2.3Q3 DOI:10.1088/1361-6579/ae35ca PMID:41505907	研究论文	本研究利用多模态生理信号（EEG、PPG、EDA）和深度学习模型，对ASMR听觉刺激引发的多种情绪进行分类识别	首次将ASMR研究从低唤醒积极情绪（如放松）扩展到更广泛的情绪范围（包括快乐、悲伤、厌恶），并采用多模态生理信号结合深度学习进行情绪分类	样本量较小（仅23名参与者），且情绪诱导可能受个体差异影响	探索ASMR听觉刺激引发的多种情绪，并开发基于生理信号的情绪分类方法	ASMR体验者（23名参与者）在ASMR听觉刺激下的生理反应	机器学习	NA	多模态生理信号采集（EEG、PPG、EDA）	ANN, CNN	生理信号数据（EEG、PPG、EDA）	23名ASMR体验参与者	NA	人工神经网络, 卷积神经网络	分类准确率	NA
2903	2026-01-10	Foundation model-enhanced unsupervised 3D deformable medical image registration 2026-Jan-08, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ae35c6 PMID:41505905	研究论文	本文提出了一种基于视觉基础模型增强的无监督3D可变形医学图像配准方法，旨在解决传统方法因结构模糊性导致的病态问题	通过集成视觉基础模型的隐式解剖理解到多尺度无监督框架中，显著提升了配准的准确性和鲁棒性	研究主要针对心脏MRI和肝脏CT图像，未广泛验证于其他器官或模态	开发一种准确且鲁棒的无监督可变形图像配准方法，以处理多模态、低对比度的复杂结构医学图像	心脏cine MRI图像和肝脏CT图像	医学图像分析	心血管疾病	无监督深度学习	CNN, MLP	3D医学图像	150例心脏cine MR和40例肝脏CT，来自多机构数据库	PyTorch	金字塔架构，相关感知多层感知机	Dice分数，平均地标误差	NA
2904	2026-01-10	Leveraging large scale deep learning models for diagnosis and visual outcome prediction in retinitis pigmentosa 2026-Jan-08, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-025-02311-9 PMID:41507439	研究论文	本研究开发了基于大规模深度学习模型的诊断和预后模型，用于视网膜色素变性的诊断和视觉结果预测	利用预训练的大规模深度学习模型结合临床数据进行视网膜色素变性的诊断和视觉预后预测，并通过SHAP解释性分析揭示了诊断与预后特征的差异	需要外部和多中心数据集进行进一步验证以实现临床转化	开发视网膜色素变性的诊断和视觉预后预测模型	视网膜色素变性患者	计算机视觉	视网膜色素变性	深度学习, 机器学习生存分析	CNN	图像, 临床元数据	NA	NA	EfficientNetB4	AUC, 时间依赖性AUC	NA
2905	2026-01-10	Automated video-based differentiation of sleep-related hypermotor epilepsy and parasomnia episodes 2026-Jan-08, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-025-02326-2 PMID:41507468	研究论文	本研究评估了基于SlowFast深度学习模型，利用167名个体的视频记录，对睡眠相关过度运动性癫痫、觉醒障碍和快速眼动睡眠行为障碍进行分类的自动化方法	首次应用SlowFast深度学习模型于视频数据，实现睡眠相关运动事件的自动化分类，为临床诊断提供辅助工具	研究样本量相对有限（167名个体），且仅为初步探索，模型性能有待在更大数据集上进一步验证	开发自动化工具以区分睡眠相关过度运动性癫痫与异睡症发作，支持临床评估	睡眠相关过度运动性癫痫、觉醒障碍和快速眼动睡眠行为障碍患者的视频记录	计算机视觉	癫痫	视频记录分析	深度学习	视频	167名个体	PyTorch	SlowFast	准确率	NA
2906	2026-01-10	A deep learning and large language hybrid workflow for omics interpretation 2026-Jan-08, Nature biomedical engineering IF:26.8Q1 DOI:10.1038/s41551-025-01576-5 PMID:41507521	研究论文	本文开发了一个结合深度学习和大型语言模型的混合工作流程LyMOI，用于从多组学数据中机制性解释分子调控网络	结合GPT-3.5进行生物知识推理和图卷积网络构建大型图模型，通过机器思维链机制性解释分子调控角色	NA	开发一个混合工作流程，用于从多组学数据中机制性解释分子调控网络并识别关键调控因子	自噬过程中的分子调控网络，以及人类癌蛋白CTSL和FAM98A	机器学习	癌症	转录组学、蛋白质组学、磷酸化蛋白质组学	GCN, GPT-3.5	多组学数据	涉及1.3 TB的转录组、蛋白质组和磷酸化蛋白质组数据	NA	图卷积网络	NA	NA
2907	2026-01-10	Automatic measurement and evaluation of anterior segment anatomical structures via UBM images using a deep learning-based approach 2026-Jan-08, Graefe's archive for clinical and experimental ophthalmology = Albrecht von Graefes Archiv fur klinische und experimentelle Ophthalmologie DOI:10.1007/s00417-025-07070-7 PMID:41507579	研究论文	本研究开发了一种基于深度学习的方法，用于从术前超声生物显微镜图像中自动测量前段解剖结构参数	首次应用YOLOv8-pose算法于UBM图像，实现前段关键点坐标的自动识别和参数计算，准确性媲美经验丰富的眼科医生	研究为回顾性设计，样本量相对有限（320名受试者），且仅基于单一医疗中心的数据	开发深度学习模型以自动测量植入式Collamer镜片手术候选者的前段参数，为镜片尺寸选择和拱高预测提供指导	320名受试者的638只眼睛的术前全景UBM图像	计算机视觉	眼科疾病	超声生物显微镜成像	深度学习模型	图像	1480张UBM图像（来自638只眼睛，320名受试者）	YOLOv8	YOLOv8-pose	组内相关系数, 平均欧几里得距离, 平均相对误差	NA
2908	2026-01-10	Generating Lung Ventilation Images with Virtual Non-contrast Images from Dual-Energy CT Scans Using Multi-task Conditional Generative Adversarial Networks 2026-Jan-08, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01812-z PMID:41507659	研究论文	本研究开发了一种多任务条件生成对抗网络，用于从虚拟非对比图像生成深度学习肺通气图像，为评估阻塞性肺疾病提供了一种无需氙气吸入的替代功能成像方法	首次提出使用多任务条件生成对抗网络，从双能CT的虚拟非对比图像同时预测肺通气图像和肺气肿掩模，无需实际氙气增强扫描	研究样本仅包含COPD和ACOS患者，未在其他肺部疾病中验证；模型性能仍有提升空间（Dice相似系数0.56）	开发一种无需氙气吸入的深度学习方法来生成肺通气图像，替代传统的氙气增强双能CT扫描	慢性阻塞性肺疾病（COPD）和哮喘-COPD重叠综合征（ACOS）患者	医学影像分析	慢性阻塞性肺疾病	双能CT扫描，虚拟非对比图像生成	条件生成对抗网络（cGAN）	CT图像	177名患者的269次扫描	NA	多任务条件生成对抗网络	Dice相似系数，相关系数（r），Cramer's V，放射科医生评分（5分制）	NA
2909	2026-01-10	Programmable Triboelectric Origami Sensors for Multidimensional Pressure Monitoring 2026-Jan-08, Nano letters IF:9.6Q1 DOI:10.1021/acs.nanolett.5c05773 PMID:41508537	研究论文	本文提出了一种可编程的折纸式传感器，用于多维压力监测，结合自折叠与复合加载技术，实现了高灵敏度和方向性应力感知	通过折纸灵感设计可编程3D传感器，实现多维压力响应，灵敏度比基底材料提高约130倍，并集成深度学习算法达到97.8%的识别准确率	未明确提及传感器在长期使用或极端环境下的稳定性测试	开发具有多维压力感知能力的传感器，用于可穿戴电子和人机交互应用	可编程折纸传感器及其在压力监测中的应用	机器学习和传感器技术	NA	自折叠与复合加载技术	深度学习算法	压力信号数据	NA	NA	NA	识别准确率	NA
2910	2026-01-10	Dimensionality reduction of genetic data using contrastive learning 2026-Jan-07, Genetics IF:3.3Q2 DOI:10.1093/genetics/iyaf068 PMID:40194517	研究论文	本文提出了一种基于对比学习的降维框架，用于遗传数据以生成类似PCA的种群可视化	定义了一种优于常用对比学习损失函数的损失函数，并针对SNP基因型数据集设计了专门的数据增强方案	未明确说明	开发一种用于遗传数据降维的深度学习方法，以改进种群可视化	狗和人类的基因型数据集	机器学习	NA	SNP基因型分析	对比学习	遗传数据	两个数据集（狗和人类基因型），具体样本数未提供	NA	NA	局部和全局结构保持度、泛化能力、个体间相对距离保持度	NA
2911	2026-01-10	UltraMN: Advancing Real-Time Median Nerve Ultrasound Monitoring With a Multitask Deep Learning Framework 2026-Jan-07, Ultrasound in medicine & biology DOI:10.1016/j.ultrasmedbio.2025.12.002 PMID:41506963	研究论文	本研究提出了一个名为UltraMN的多任务深度学习框架，用于实时超声监测正中神经，旨在解决相关挑战	提出了一个新颖的多任务学习模型UltraMN，集成了标准平面分类（UltraCLS）和组织分割（UltraSEG）任务，用于对正中神经进行综合分析	作为一项基于健康受试者的初步可行性研究，其数据完全来自健康正中神经的超声数据，模型在病理情况（如腕管综合征）下的泛化能力需要进一步验证	开发一种先进的深度学习框架，以克服与正中神经实时超声监测相关的挑战	正中神经	医学影像分析	腕管综合征	超声成像	多任务深度学习模型	视频, 图像	446个病例，每个病例双侧采集8个视频，总计3568个视频和249,985张图像，涵盖四个标准化成像平面（4-SIP）	Python	UltraMN, UltraCLS, UltraSEG	准确率, 精确率, 召回率, F1分数, 平均交并比（mIoU）	NA
2912	2026-01-10	Exploring the Potential of AI and Augmented Reality in Cardiovascular Disease Management: A Narrative Review 2026-Jan-07, Current cardiology reviews IF:2.4Q2 DOI:10.2174/011573403X391863251015111807 PMID:41510734	综述	本文是一篇叙述性综述，探讨了人工智能和增强现实在心血管疾病管理中的潜在应用	整合了人工智能和增强现实这两种新兴技术在心血管医学领域的应用现状，并指出了当前研究的空白和未来方向	缺乏对这些模型效能的适当评估，需要更多大规模试验来验证其有效性和安全性	探讨人工智能和增强现实技术在心血管疾病管理中的应用潜力和未来研究方向	心血管疾病患者	机器学习	心血管疾病	NA	CNN, NLP	NA	NA	NA	NA	NA	NA
2913	2026-01-10	Comparing AI-Assisted Problem-Solving Ability With Internet Search Engine and e-Books in Medical Students With Variable Prior Subject Knowledge: Cross-Sectional Study 2026-Jan-06, JMIR medical education IF:3.2Q1 DOI:10.2196/81264 PMID:41493542	研究论文	本研究比较了医学生在不同先验知识水平下，使用AI-LLM GPT、互联网搜索引擎、电子书或自身知识解决多选题的表现	首次评估了AI-LLM GPT（如ChatGPT-4o）在医学教育中，针对不同先验知识水平学生的辅助解题效果，并发现AI能显著提升知识有限学生的表现，甚至使其超越使用传统数字资源的知识丰富学生	研究为横断面设计，未评估AI对深度学习和批判性思维的长期影响，且样本仅来自单一教学医院，可能限制结果的普适性	评估AI-LLM GPT、互联网搜索引擎、电子书和自身知识在医学生解决多选题中的效果，并探讨不同先验知识水平的影响	100名医学生，分为无药理学培训的“新手”组（n=50）和已完成药理学培训的“学习过”组（n=50）	医学教育	NA	多选题（MCQ）评估	大型语言模型（LLM）	文本（多选题）	100名医学生	NA	GPT-4o	分数（均值、标准差）、部分η²（效应量）、P值	NA
2914	2026-01-10	Automated Classification of Lymphoma Subtypes From Histopathological Images Using a U-Net Deep Learning Model: Comparative Evaluation Study 2026-Jan-06, JMIR medical informatics IF:3.1Q2 DOI:10.2196/72679 PMID:41494052	研究论文	本研究利用U-Net深度学习模型对淋巴瘤亚型进行自动分类和分级，以提高诊断的准确性和效率	将U-Net模型与注意力机制和残差网络结合，用于淋巴瘤亚型的分类和分级，并通过对比主流卷积神经网络架构验证了其性能优势	研究仅基于公开数据集，未来需在多中心临床数据集中验证模型的鲁棒性	探索深度学习技术在淋巴瘤亚型分类和分级中的应用，以提升诊断精度和效率	淋巴瘤亚型的组织病理学图像	数字病理学	淋巴瘤	组织病理学成像	U-Net	图像	620张高质量组织病理学图像，代表3种主要淋巴瘤亚型	NA	U-Net, 全卷积网络, SegNet, DeepLabv3+	准确率, 灵敏度, 特异性, F1分数, AUC	NA
2915	2026-01-10	Deep learning-assisted discovery of a potent and cell-active inhibitor of RNA N6-methyladenosine recognition protein YTHDC2 2026-Jan-06, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-65542-0 PMID:41495018	研究论文	本研究开发了一种名为EPMolGen的深度学习分子生成模型，用于发现针对RNA N6-甲基腺苷识别蛋白YTHDC2的高效小分子抑制剂	首次开发了结合受体蛋白静电特征的深度学习分子生成模型EPMolGen，并成功应用于发现高效且具有细胞活性的YTHDC2抑制剂	未提及模型在湿实验验证中的广泛适用性或对其他靶点的泛化能力	发现针对YTHDC2蛋白的高效小分子抑制剂，以探索其作为治疗靶点的潜力	YTHDC2蛋白及其小分子抑制剂	机器学习	NA	深度学习分子生成	生成模型	分子结构数据	NA	NA	EPMolGen	IC50值	NA
2916	2026-01-10	Deep learning guided design of protease substrates 2026-Jan-06, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-67226-1 PMID:41495045	研究论文	本文提出了一种名为CleaveNet的端到端AI流程，用于设计蛋白酶底物	开发了一个端到端AI管道（CleaveNet），用于高效、可调控地设计蛋白酶底物，并引入了条件标签来引导肽生成以实现特定的切割谱	未在摘要中明确说明	加速蛋白酶底物的设计，以研究蛋白酶活性并应用于蛋白酶激活的诊断和治疗	蛋白酶（特别是基质金属蛋白酶）及其底物肽	机器学习	NA	深度学习	NA	肽序列数据	NA	NA	CleaveNet	实验验证（大规模体外筛选）	NA
2917	2026-01-10	AI-generated artwork detection using self-distilled transformers with global-local feature learning and Grad-CAM interpretability 2026-Jan-06, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29229-2 PMID:41495073	研究论文	本研究提出了一种基于自蒸馏Transformer和全局-局部特征学习的框架，用于检测AI生成的艺术作品，并通过Grad-CAM增强可解释性	采用自蒸馏Transformer模型DINO v2，结合全局结构和细粒度视觉线索提取判别性特征，并引入可解释性方法验证预测的可靠性	未明确说明数据集的具体规模和多样性，可能影响模型在更广泛艺术风格上的泛化能力	开发先进的检测机制，以区分人类创作的艺术作品与AI生成的内容，维护艺术真实性	真实艺术作品图像和AI生成的艺术作品图像	计算机视觉	NA	深度学习，数字成像	Transformer	图像	平衡的真实与AI生成艺术图像数据集（具体数量未明确）	PyTorch（基于DINO v2的典型实现）	DINO v2	准确率，精确率，召回率，F1分数，AUC	NA
2918	2026-01-10	A high resolution urban and rural settlement map of Africa using deep learning and satellite imagery 2026-Jan-06, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-34295-7 PMID:41495271	研究论文	本研究开发了一个基于DeepLabV3的深度学习框架，整合多源卫星数据，生成了2016年至2022年非洲大陆10米分辨率的城乡聚落地图	首次利用深度学习语义分割方法，结合Landsat-8、VIIRS夜间灯光等多源数据，在非洲大陆实现了高分辨率（10米）城乡聚落制图，相比现有全球产品具有更高空间精度和适应性	模型在非洲大陆尺度的总体准确率为65%，Kappa系数为0.47，虽然优于现有产品，但仍有提升空间；方法在高度异质性区域的适应性需进一步验证	开发高精度、高分辨率的非洲城乡聚落制图方法，支持可持续发展目标（特别是SDG 11）和空间规划决策	非洲大陆的城乡聚落空间分布	计算机视觉	NA	卫星遥感（Landsat-8、VIIRS夜间灯光）、深度学习语义分割	CNN	卫星影像、夜间灯光数据、土地利用覆盖数据	覆盖整个非洲大陆（2016-2022年）	NA	DeepLabV3	总体准确率、Kappa系数	NA
2919	2026-01-10	Dual deep learning approach for non-invasive renal tumour subtyping with VERDICT-MRI 2026-Jan-06, Npj imaging DOI:10.1038/s44303-025-00135-6 PMID:41495369	研究论文	本研究利用VERDICT-MRI框架和深度学习技术，开发了一种非侵入性肾肿瘤亚型分类方法	采用自监督神经网络拟合三室VERDICT模型，并识别出减少至4个b值的优化扫描协议，显著缩短扫描时间	样本量较小（14名患者，17个肿瘤），且研究为前瞻性单中心试验，需进一步验证	通过扩散MRI和VERDICT-MRI框架表征肾肿瘤微结构，实现非侵入性亚型区分	肾细胞癌（RCC）患者及其肿瘤组织，包括良性和多种RCC亚型	数字病理学	肾癌	扩散MRI（dMRI），VERDICT-MRI框架	自监督神经网络	MRI图像	14名患者，17个肾肿瘤	NA	NA	NA	NA
2920	2026-01-10	Non-contact lung disease classification via orthogonal frequency division multiplexing-based passive 6G integrated sensing and communication 2026-Jan-06, Communications medicine IF:5.4Q1 DOI:10.1038/s43856-025-01181-2 PMID:41495455	研究论文	本文提出了一种基于正交频分复用技术的非接触式6G集成感知与通信方法，用于分类五种呼吸系统疾病	利用非电离6G/WiFi多载波射频信号，通过分析不同呼吸疾病对信号幅度、频率和相位的调制差异，实现非接触式疾病筛查，并展示了在仅使用部分带宽时仍保持高准确性的能力	研究样本量相对有限（220名个体），且仅在医院环境中收集数据，可能影响模型的泛化能力	开发一种非接触式呼吸系统疾病筛查工具，结合6G/WiFi技术实现集成感知与通信	呼吸系统疾病患者（包括哮喘、慢性阻塞性肺疾病、间质性肺疾病、肺炎和肺结核）及健康对照者	机器学习	呼吸系统疾病	正交频分复用技术，6G/WiFi多载波射频信号	CNN	射频信号记录	220名个体（190名患者，30名健康对照），包含超过26,000秒的射频信号记录，覆盖64个频率	NA	Vanilla CNN	准确率，精确率，召回率，F1分数	NA