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
3561	2026-02-22	Unified model with random penalty entropy loss for robust nasogastric tube placement analysis in X-ray 2026-Feb, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society IF:5.4Q1 DOI:10.1016/j.compmedimag.2026.102715 PMID:41637852	研究论文	本文提出了一种基于nnUNet的统一深度学习模型，结合分割与分类任务，用于X射线中鼻胃管放置的鲁棒性分析	引入了随机惩罚熵损失函数，动态调整训练中的熵惩罚，以增强模型的鲁棒性和泛化能力	未明确提及模型在更广泛数据集或不同医疗设备下的性能验证	提高鼻胃管放置评估的自动化和可靠性，减少人为错误	胸部X射线图像中的鼻胃管放置	计算机视觉	NA	X射线成像	深度学习模型	图像	内部数据集（来自三家韩国医院的5674张胸部X射线）和外部数据集（MIMIC-CXR）	PyTorch	nnUNet	F1分数, AUROC, MCE, ECE	NA
3562	2026-02-22	An interpretable machine learning framework with data-informed imaging biomarkers for diagnosis and prediction of Alzheimer's disease 2026-Feb, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society IF:5.4Q1 DOI:10.1016/j.compmedimag.2026.102722 PMID:41655407	研究论文	本研究提出了一种结合卷积神经网络特征提取与可解释增强机的可解释机器学习框架，用于阿尔茨海默病的诊断和预测	将数据驱动的CNN特征提取与EBMs的固有透明度相结合，实现群体和个体层面的可解释性，识别影像生物标志物	未在更广泛或多样化的外部队列中进行验证，可能影响泛化能力	开发一种可解释的机器学习框架，以改善阿尔茨海默病的早期和准确诊断与预测	阿尔茨海默病患者、轻度认知障碍患者及健康对照者	机器学习	阿尔茨海默病	神经影像学	CNN, EBM	影像数据	ADNI队列及独立外部队列	未明确指定	CNN, EBM	AUC	NA
3563	2026-02-22	Learning geometric and visual features for medical image segmentation with vision GNN 2026-Feb, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society IF:5.4Q1 DOI:10.1016/j.compmedimag.2026.102720 PMID:41655408	研究论文	本文提出了一种名为MedSegViG的新型医学图像分割模型，结合视觉图神经网络（ViG）和混合特征解码器，以提升分割精度和鲁棒性	将图像表示为图结构，利用ViG编码器提取多层次图特征和图像特征，并通过混合特征解码器融合，强调对象间关系，解决了传统网格结构方法对对象关系关注不足的问题	未在摘要中明确说明，可能包括模型在更复杂或多样病变类型上的泛化能力有待进一步验证	开发一种基于视觉图神经网络的医学图像分割方法，以提高分割准确性、鲁棒性和泛化能力	息肉、皮肤病变和视网膜血管三种类型的病变图像	计算机视觉	息肉, 皮肤病变, 视网膜血管疾病	深度学习	ViG	图像	六个数据集	NA	Vision GNN (ViG)	分割准确性, 鲁棒性, 泛化能力	NA
3564	2026-02-22	Developing an automatic decision-assistance tool to choose proton/photon radiotherapy for patients with prostate cancer 2026-Feb, Journal of applied clinical medical physics IF:2.0Q3 DOI:10.1002/acm2.70497 PMID:41704219	研究论文	本研究开发了一种自动决策辅助工具，用于为前列腺癌患者选择质子或光子放疗技术	提出了一种结合深度学习剂量预测模型和正常组织并发症概率（NTCP）计算的自动决策方法，以辅助临床选择放疗技术	样本量较小（48例患者），且仅针对前列腺癌，未涉及其他癌症类型	开发自动决策辅助工具，优化前列腺癌患者放疗技术（质子 vs 光子）的选择	前列腺癌患者	医学影像与放疗计划	前列腺癌	深度学习剂量预测	深度学习模型	放疗计划数据（剂量分布）	48例前列腺癌患者	NA	NA	平均绝对误差（MAE），准确性，AUC，p值	NA
3565	2026-02-22	Volumetric choroidal biomarkers in central serous chorioretinopathy using swept-source optical coherence tomography: a deep learning approach 2026-Feb, Graefe's archive for clinical and experimental ophthalmology = Albrecht von Graefes Archiv fur klinische und experimentelle Ophthalmologie DOI:10.1007/s00417-025-07014-1 PMID:41165808	研究论文	本研究利用深度学习技术分析慢性中心性浆液性脉络膜视网膜病变（cCSC）患者与健康对照的脉络膜体积生物标志物	采用基于残差UNet的深度学习方法和Phansalkar阈值法进行脉络膜层分割和血管提取，首次在cCSC中应用体积化脉络膜生物标志物分析	样本量较小（仅48只眼），且为回顾性研究，可能影响结果的普遍性	探究cCSC患者与健康对照在脉络膜体积生物标志物上的差异	慢性中心性浆液性脉络膜视网膜病变（cCSC）患者和健康年龄匹配个体的眼睛	数字病理学	脉络膜视网膜疾病	扫频源光学相干断层扫描（SS-OCT）	CNN	图像	48只眼（24只健康眼，24只cCSC眼）	NA	残差UNet	NA	NA
3566	2026-02-22	Fuzzy rough set loss for deep learning-based precise medical image segmentation 2026-Feb, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society IF:5.4Q1 DOI:10.1016/j.compmedimag.2026.102716 PMID:41581251	研究论文	本文提出了一种新颖的模糊粗糙集损失函数，用于提高医学图像分割的精度，特别是在边界模糊和类别不平衡的情况下	提出了一种基于模糊粗糙集理论的损失函数，通过结合像素的模糊相似性关系和边界不确定性模型，增强了边界敏感性和处理预测不确定性的能力	主要针对中度类别不平衡情况，对于极端不平衡或更复杂场景的适用性未充分探讨	开发一种改进的损失函数，以提升医学图像分割的准确性和鲁棒性	医学图像分割任务，包括病变边界、类别不平衡和复杂解剖结构	计算机视觉	多种疾病（包括乳腺癌、胃肠道息肉、脑部疾病、胸部疾病和皮肤病变）	医学图像分析	深度学习模型（未指定具体类型，但涉及分割网络）	图像	涉及五个数据集，具体样本数量未在摘要中提供	未指定	未指定	Dice分数，其他未指定但提到所有评估指标均有显著改进	未指定具体硬件，但提到计算效率高（平均推理时间0.075-0.12秒每图像，内存4.5 MB）
3567	2026-02-22	A deep learning-based automated pipeline for colorectal cancer detection in contrast-enhanced CT images 2026-Feb, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society IF:5.4Q1 DOI:10.1016/j.compmedimag.2026.102717 PMID:41633187	研究论文	本研究提出了一种基于深度学习的自动化检测流程，用于在门静脉期增强CT图像中识别和定位结直肠癌	在YOLOv11基线架构中集成了ResNet50模块以增强图像特征提取，并设计了引入自适应系数和缩放因子的尺度自适应损失函数，以自适应地测量IoU和中心点距离，从而提升检测性能	需要在更大规模的队列中进行验证以确认其临床转化价值	开发一种自动检测结直肠癌的流程，以支持下游的癌症分期、预后评估和治疗规划	结直肠癌	计算机视觉	结直肠癌	门静脉期增强CT扫描	CNN	图像	内部数据集和外部公共数据集	NA	YOLOv11, ResNet50	召回率, 精确率, F1分数	NA
3568	2026-02-22	PAIRNet: Predicting PIWI cleavage specificity via position-aware RNA interaction modeling 2026-Feb, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1013936 PMID:41712585	研究论文	本文提出了一种名为PAIRNet的深度学习框架，用于预测PIWI蛋白介导的RNA切割速率	PAIRNet通过显式建模引导-靶标相互作用，整合了生化见解与计算创新，包括编码配对状态、错配类型、插入和缺失，以及可学习的位置嵌入，以量化空间依赖性	未在摘要中明确提及	预测PIWI切割特异性，加速RNA引导的基因组防御机制研究	PIWI蛋白介导的RNA切割过程	自然语言处理	NA	Cleave-N'-Seq (CNS-seq)	CNN, Transformer	RNA序列数据	四个PIWI引导数据集	NA	混合CNN-Transformer架构	PCC（皮尔逊相关系数）	NA
3569	2026-02-22	Self-supervised out-of-distribution detection-Metal implants and other anomaly 2026-Feb, Medical physics IF:3.2Q1 DOI:10.1002/mp.70339 PMID:41719005	研究论文	本文提出了一种基于自监督生成模型的人工智能方法，用于检测腹部-骨盆CT扫描中的异常或分布外数据，以提升下游应用的性能	结合了VQVAE和VIT-MAE两种生成模型，构建了2D和3D架构，能够在无先验知识的情况下检测多种未知异常，并在非共享医疗合作环境中作为服务部署	在外部验证中，24.7%的假阳性率主要由体外异常触发，模型对异常类型的泛化能力仍有提升空间	开发AI模型以检测和识别腹部-骨盆CT检查中的异常或分布外数据，改善下游医学影像应用的鲁棒性	腹部-骨盆CT扫描图像，重点关注第三腰椎切片或整个扫描序列	计算机视觉	NA	CT成像	生成模型	医学影像（CT图像）	训练集：超过2850例50岁以上成年人的腹部-骨盆CT体积数据；前瞻性测试集：544例CT（2024年7月）；外部测试集：AbdominalCT-1k数据集的1062例CT扫描	PyTorch	Vector Quantized Variational Autoencoder (VQVAE), Vision Transformer-Masked Autoencoder (VIT-MAE)	真阳性率, 假阳性率	NA
3570	2026-02-02	SBTM: epileptic seizure prediction from EEG signal using deep learning in blockchain-enabled smart healthcare monitoring with IoT networking 2026-Jan-31, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-36425-1 PMID:41620453	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
3571	2026-02-22	A systematic assessment of machine learning for structural variant filtering 2026-Jan-30, bioRxiv : the preprint server for biology DOI:10.64898/2026.01.27.702059 PMID:41659531	研究论文	本文系统评估了五种机器学习范式在长读长测序数据中结构变异过滤任务上的性能、效率和实用性	首次将基于扩散的异常检测和稀疏自编码器应用于结构变异分析，并进行了全面的基准比较	更复杂的模型（如扩散模型和稀疏自编码器）在分类性能上并未显著超越简单的随机森林模型	评估和比较不同机器学习方法在结构变异过滤任务中的表现	长读长测序数据中的结构变异	机器学习	NA	长读长测序	随机森林, CNN, 扩散模型, 稀疏自编码器	基因组数据	两个样本（HG002和HG005）的标准化Genome in a Bottle数据	NA	ResNet50, VICReg, Evo2-7B	F1分数	NA
3572	2026-02-22	Deep learning-enabled speckle reduction for cleared-sample coherent scattering tomography 2026-Jan-30, bioRxiv : the preprint server for biology DOI:10.64898/2026.01.27.702188 PMID:41659538	研究论文	本文提出了一种专门用于清除样本相干散射断层成像的深度学习去噪网络CLEAR Net，以有效抑制全脑白质图像中的散斑噪声	针对CAST成像特点专门设计了深度学习去噪网络CLEAR Net，解决了现有OCT去噪方法因样本和噪声统计差异而无法直接迁移的问题	未在摘要中明确说明	开发专门用于清除样本相干散射断层成像的散斑噪声抑制方法	全脑白质图像	计算机视觉	NA	清除辅助散射断层成像	深度学习网络	图像	未在摘要中明确说明	NA	CLEAR Net	未在摘要中明确说明	NA
3573	2026-01-30	Development and validation of a deep learning-based emergency triage model: a feasibility and effectiveness study 2026-Jan-28, BMC emergency medicine IF:2.3Q1 DOI:10.1186/s12873-026-01489-9 PMID:41606477	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
3574	2026-02-22	STRIKER: a spectral metadata repairing tool for expanding the comprehensiveness of spectral libraries 2026-Jan-27, Journal of cheminformatics IF:7.1Q1 DOI:10.1186/s13321-026-01150-4 PMID:41593726	研究论文	本研究介绍了一个名为STRIKER的光谱元数据修复工具，旨在通过基于距离的度量和深度学习模型解决加合物元数据缺陷，从而提高公共光谱库的完整性和数据质量	开发了首个专门用于修复光谱库加合物元数据的工具，结合了基于距离的相似性方法和多层感知器（MLP）深度学习模型，能够预测缺失的加合物信息并纠正现有错误，而非简单地排除有问题的数据	工具主要针对加合物元数据进行修复，可能无法处理光谱库中其他类型的元数据错误或质量问题；性能评估基于特定数据集，在更广泛的光谱库中的泛化能力需要进一步验证	开发一个工具来修复和标准化公共光谱库中的元数据，特别是加合物信息，以提高代谢物注释的准确性和机器学习应用的数据质量	公共质谱光谱库中的光谱数据及其元数据，特别是人类代谢组数据库（HMDB）中的光谱数据	生物信息学	NA	质谱光谱分析，代谢组学	深度学习，多层感知器（MLP）	光谱数据，元数据	NA	Python	多层感知器（MLP）	加合物匹配正确率，加合物纠正准确率	NA
3575	2026-02-22	Deep Learning-Based Spatial Immunoprofiling of Multiplex Immunofluorescence Images Distinguishes Tuberculosis Disease States in Diversity Outbred Mice 2026-Jan-27, bioRxiv : the preprint server for biology DOI:10.64898/2026.01.26.701667 PMID:41659494	研究论文	本文利用深度学习技术对多重免疫荧光图像进行空间免疫分析，以区分多样性远交小鼠中的结核病不同疾病状态	开发了新的准确模型来自动分割肺肉芽肿并提取细胞空间特征，并首次提出使用大型语言模型解码肉芽肿内的复杂细胞模式	研究基于小鼠模型，无法直接应用于人类，且样本数量有限	识别指示无症状肺部感染的细胞空间特征，以填补结核病肉芽肿组织知识空白	感染结核分枝杆菌的多样性远交小鼠的肺组织切片	数字病理学	结核病	多重免疫荧光染色	深度学习模型, 大型语言模型	图像	多样性远交小鼠的肺组织切片，涵盖急性肺结核、无症状感染和慢性肺结核三种疾病状态	NA	NA	NA	NA
3576	2026-02-22	Aegis: a transformer-based deep learning framework for the accurate identification of anticancer peptides 2026-Jan-26, BMC biology IF:4.4Q1 DOI:10.1186/s12915-026-02520-y PMID:41588397	研究论文	本文介绍了一种基于Transformer的深度学习框架Aegis，用于准确识别抗癌肽	提出了一种新颖的基于Transformer的深度学习框架，通过多种特征提取方法和特征重要性分析，确定了最优特征子集，在独立测试数据集上实现了最先进的性能	未明确提及研究的局限性	开发一种计算方法来快速准确地预测抗癌肽，以替代昂贵且耗时的实验识别	抗癌肽序列	自然语言处理	癌症	多种特征提取方法，包括CKSAAP、CTDC、CTDT、CTDD和PAAC	Transformer	序列数据	NA	NA	Transformer	NA	NA
3577	2026-02-22	Deep learning for malignancy and tumor origin prediction using cytology or histopathology whole slide images 2026-Jan-24, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-026-02359-1 PMID:41580547	研究论文	提出一种数据高效的深度学习框架MAMILE-UNI，用于从细胞学或组织病理学全玻片图像中预测恶性肿瘤和肿瘤起源	首次将深度学习应用于胸腹水细胞学领域，开发了可直接从细胞学涂片或细胞块全玻片图像检测恶性肿瘤的数据高效框架	未明确说明模型在外部验证集上的泛化能力及临床部署的可行性	提高胸腹水细胞学中恶性肿瘤诊断和肿瘤起源预测的准确性与一致性	胸腹水细胞学涂片、细胞块和组织病理学全玻片图像	数字病理学	转移性癌症	全玻片成像	深度学习	图像	1250张细胞学全玻片图像和1196张组织病理学全玻片图像	NA	MAMILE-UNI	AUROC, MeanSS, 准确率, 精确率, 灵敏度, F1分数, 特异度	NA
3578	2026-02-22	HMC-transducer: hierarchical mamba-CNN transducer for robust liver tumor segmentation 2026-Jan-23, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-026-02361-7 PMID:41577985	研究论文	提出一种名为HMC-transducer的新型混合架构，用于从CT扫描中准确分割肝脏肿瘤	提出了一种结合CNN与Mamba状态空间模型优势的混合架构，核心创新包括方向感知的3D Mamba块和带有门控融合机制的Mamba-CNN Transducer块，以线性复杂度实现长程依赖建模	NA	开发一种鲁棒且高效的肝脏肿瘤分割模型，以克服现有CNN和Transformer模型在局部特征捕获与长程依赖建模之间的权衡问题	肝脏肿瘤	计算机视觉	肝癌	计算机断层扫描	CNN, Mamba	图像	NA	NA	HMC-transducer, DA3D-Mamba, Mamba-CNN Transducer	分割准确率	NA
3579	2026-02-22	Enhancing kcat prediction through residue-aware attention mechanism and pre-trained representations 2026-Jan-22, Communications biology IF:5.2Q1 DOI:10.1038/s42003-026-09551-9 PMID:41571855	研究论文	本研究提出了一种名为PMAK的深度学习框架，通过整合酶序列和反应SMILES的预训练表示与残基感知注意力机制，以提升酶催化效率参数kcat的预测性能	首次将酶序列与反应SMILES的预训练表示联合建模，并引入残基感知注意力机制，能够同时捕获酶与反应的相互作用并识别影响催化活性的关键残基	论文未明确说明模型在更广泛酶家族或非标准反应条件下的泛化能力，也未讨论计算资源需求对实际应用的影响	开发一种高精度且可解释的酶催化效率（kcat）预测计算方法	酶催化反应及其动力学参数	机器学习	NA	深度学习	注意力机制,预训练模型	序列数据（酶氨基酸序列）,文本数据（反应SMILES字符串）	未明确说明具体样本数量，但采用五折交叉验证进行评估	未明确说明，可能为PyTorch或TensorFlow	基于注意力机制的神经网络架构	R²（决定系数）	NA
3580	2026-02-22	Reconstruction of Extreme Sea Levels in coastal China using Multiple Deep Learning models 2026-Jan-19, Scientific data IF:5.8Q1 DOI:10.1038/s41597-026-06593-w PMID:41554759	研究论文	本研究利用多种深度学习模型重建了中国沿海1970-2020年逐日最大水位数据集	首次将基于Informer的深度学习工作流应用于中国沿海风暴潮残差预测，并综合多种模型（LSTM、CNN-LSTM、ConvLSTM）进行性能对比	数据重建存在平均14.9厘米的非重合偏差，且极端水位事件的预测相关性相对较低（0.68）	重建中国沿海极端水位数据以支持海岸灾害缓解研究	中国沿海23个潮位站的逐日最大水位数据	机器学习	NA	深度学习模型集成、天文潮汐估计（UTide）、再分析数据融合	Informer, LSTM, CNN-LSTM, ConvLSTM	时间序列数据（水位、气象再分析数据）	23个潮位站1970-2020年的逐日数据	NA	Informer, LSTM, CNN-LSTM, ConvLSTM	相关系数, RMSE	NA