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
341	2026-04-04	Integrating Multiview Information for Enhanced Deep Learning-Based Acute Dermal Toxicity Prediction 2026-Mar-23, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02959 PMID:41789561	研究论文	本文提出了一种名为MVIToxNet的新型深度学习模型，通过整合分子指纹和SMILES序列的多视图特征，以增强急性皮肤毒性预测的准确性	MVIToxNet首次整合了分子指纹和SMILES序列的多视图特征，并采用字符级和原子级特征捕获SMILES信息，同时利用字节对编码分词来区分相似SMILES的子结构	研究中使用的数据集规模较小且不平衡，仅基于最佳验证性能选择单一模型可能无法可靠反映测试集的最佳泛化能力	开发一种深度学习模型以准确预测急性皮肤毒性，替代昂贵且存在伦理问题的动物毒性测试	分子化合物（通过分子指纹和SMILES序列表示）	机器学习	NA	深度学习	深度学习模型	分子指纹、SMILES序列	小型且不平衡的数据集	NA	MVIToxNet	验证分数、测试集性能	NA
342	2026-04-04	Cardiovascular and Autonomic Phenotypes Reveal Distinct Mechanisms of Sepsis Decompensation via Deep Learning 2026-Mar-23, Research square DOI:10.21203/rs.3.rs-9136766/v1 PMID:41928797	研究论文	本研究开发了一个深度学习框架，从ICU患者的生理波形数据中识别出四种稳定的脓毒症生理表型，这些表型与不同的临床结局相关	利用连续记录的生理波形（如心电图、光电容积描记图和呼吸阻抗波形）进行脓毒症表型识别，而非依赖间歇性临床变量，并采用特征标记化Transformer编码器提取和嵌入生理标志物	研究基于特定ICU患者队列（Sepsis-3标准），可能无法推广到其他医疗环境或患者群体，且依赖于预处理的五分钟波形数据	识别脓毒症的生理表型以支持精准医疗	符合Sepsis-3标准的2,174名ICU患者	机器学习	脓毒症	心电图、光电容积描记图、呼吸阻抗波形记录	Transformer	生理波形数据	2,174名ICU患者	NA	Feature Tokenizer Transformer encoder	死亡率、休克发生率、血管加压药使用率、机械通气率、28天生存轨迹	NA
343	2026-04-04	Hidden immune memory niches in inflammatory skin diseases 2026-Mar-23, bioRxiv : the preprint server for biology DOI:10.64898/2026.03.20.713219 PMID:41929140	研究论文	本研究通过构建空间分辨多模态分子图谱，结合深度学习解码了健康与疾病状态下的人类皮肤微环境，揭示了传统组织病理学无法识别的免疫记忆微环境	发现了传统组织病理学无法识别的免疫活性微环境（如皮脂腺中的驻留记忆T细胞富集微环境和汗腺中的浆细胞富集微环境），并建立了组织病理学与图谱规模基因组学的联系	研究主要聚焦于皮肤组织，作为示例组织，其发现向其他组织的推广性有待验证	揭示炎症性皮肤疾病的发病机制、慢性化过程及潜在治疗途径	人类皮肤细胞（约500万个），包括113个皮肤切片	数字病理学	炎症性皮肤疾病	Xenium-5k空间转录组分析，多模态分子图谱构建	深度学习	空间转录组数据，分子图谱数据	约500万个人类皮肤细胞，113个皮肤切片	NA	NA	NA	NA
344	2026-04-04	Bacterial proteome foundation model enhances functional prediction from enzymes to ecological interactions 2026-Mar-23, bioRxiv : the preprint server for biology DOI:10.64898/2026.03.07.710335 PMID:41929197	研究论文	本文介绍了BacPT，一种基于细菌蛋白质组的预训练基础模型，用于从基因组数据中预测多种生物功能	提出了首个基于大规模细菌蛋白质组的预训练基础模型，能够捕获局部和全基因组信息，生成上下文感知的基因嵌入和功能丰富的全基因组表示	模型依赖于有限的细菌基因组功能注释数据，可能无法完全覆盖所有细菌类群和复杂生物网络	开发一个通用框架，全面捕捉细菌基因组与其编码的多样化生物功能之间的关系	细菌基因组和蛋白质组数据	自然语言处理	NA	基因组测序，蛋白质组学	深度学习基础模型	基因组序列，蛋白质序列	数万个完整细菌基因组，涵盖多样化细菌类群	NA	NA	NA	NA
345	2026-04-04	AI-Assisted Pneumonia Detection, Localisation and Report Generation from Chest X-rays 2026-Mar-23, medRxiv : the preprint server for health sciences DOI:10.64898/2026.03.20.26348879 PMID:41929300	研究论文	本文介绍了一种基于深度学习的全流程计算机辅助诊断系统，用于从胸部X光片中检测、定位肺炎并生成结构化报告	利用本地大型语言模型对放射学报告进行重新标注，显著提高了肺炎标签的敏感性和与人工标注的一致性，并构建了迄今为止最大的公开胸部X光片复合数据集	Grad-CAM定位的F1分数仅为中等水平（52.9%），表明在病灶定位精度方面仍有改进空间	开发一个集肺炎检测、定位和报告生成为一体的计算机辅助诊断系统，以克服现有深度学习模型在泛化性和可解释性方面的局限	胸部X光片	计算机视觉	肺炎	深度学习，大型语言模型，梯度加权类激活映射	CNN	图像，文本（放射学报告）	922,634张胸部X光片（来自公开数据集）	NA	DenseNet-121	敏感性，精确度，F1分数	NA
346	2026-04-04	DeepIM: Integrating Channel-Spatial Attention with Transformer for DNA i-Motif Folding Status Prediction 2026-Mar-19, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.6c00023 PMID:41854168	研究论文	本文提出了一种名为DeepIM的新型深度学习模型，该模型结合了通道-空间注意力机制与Transformer架构，用于高精度、可解释地预测DNA i-Motif结构的折叠状态	首次将通道-空间注意力机制与Transformer架构相结合用于i-Motif预测，通过注意力机制分别关注C-rich区域和侧翼区域，并利用Transformer建模长程依赖关系，提高了预测准确性和模型可解释性	模型在酸性条件下的i-Motif预测性能未明确讨论，且可能依赖于大规模标注数据的可用性	开发一种高精度、高通量的计算方法来预测DNA i-Motif结构的折叠状态，以克服传统实验方法的局限性	DNA序列中的i-Motif（iM）四链体结构	生物信息学	癌症	DNA序列分析，深度学习	注意力机制，Transformer	DNA序列数据	超过750,000条序列	未明确提及	通道-空间注意力机制，Transformer	准确率	NA
347	2026-04-04	Hybrid Graph-Machine Learning Framework for Accurate and Interpretable Band Gap Prediction 2026-Mar-19, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.6c00365 PMID:41855083	研究论文	本文提出了一种结合图深度学习嵌入与经典机器学习算法的混合人工智能框架，用于实现高精度、可解释且计算高效的电子带隙预测	创新点在于将CGCNN、MEGNet和SchNet等图神经网络的深度结构嵌入与物理意义明确的晶体描述符（如最大电负性、晶系、空间群和自旋轨道耦合）相结合，并利用优化的梯度提升和神经网络架构进行训练，从而在保持高精度的同时降低了计算资源需求并增强了可解释性	未明确提及具体限制，但可能依赖于Materials Project数据库的数据质量和覆盖范围，且模型性能在未见材料类型上的泛化能力有待进一步验证	研究目的是加速半导体和能源材料的发现与设计，通过开发一种准确、可解释且计算高效的电子带隙预测方法	研究对象为来自Materials Project数据库的136,000个晶体结构	机器学习	NA	NA	图神经网络, 梯度提升, 神经网络	晶体结构数据	136,000个晶体结构	NA	CGCNN, MEGNet, SchNet	R², MAE, MSE	NA
348	2026-04-04	A proof-of-concept machine learning model for short-term suicide risk stratification in depressed youth 2026-Mar-19, Translational psychiatry IF:5.8Q1 DOI:10.1038/s41398-026-03944-4 PMID:41856968	研究论文	本研究开发了一种机器学习模型，用于预测青少年抑郁症患者在治疗30天内的自杀企图，并评估其短期风险分层能力	首次针对中国青少年抑郁症患者开发短期自杀风险分层的机器学习模型，并比较了多种算法的性能，强调了正则化和简约性在事件稀少情况下的重要性	事件数量少限制了模型稳定性，队列同质性和单国招募限制了泛化能力，缺乏时间验证无法评估模型漂移	开发并验证用于青少年抑郁症患者短期自杀风险分层的机器学习模型	602名15-24岁的中国青少年抑郁症患者	机器学习	抑郁症	机器学习建模	支持向量机, 弹性网络, 随机森林, 深度学习	临床与心理社会数据	602名患者（训练集421人，测试集181人），其中30例自杀企图事件	Scikit-learn	支持向量机, 弹性网络, 随机森林, 深度学习模型	AUC	NA
349	2026-04-04	A novel framework for expanding RNNs with biophysical detail to solve cognitive tasks 2026-Mar-17, bioRxiv : the preprint server for biology DOI:10.64898/2026.03.13.711746 PMID:41889922	研究论文	本文提出了一种结合生物物理细节的储备池计算框架，用于解决认知任务，特别是工作记忆任务	开发了生物物理详细储备池计算框架，将多室生物物理活性树突等细胞级特性整合到循环神经网络中，以提取机制性见解	框架在训练生物物理详细模型时可能偏离已验证的高效循环神经网络训练机制，且仅应用于简化的工作记忆任务	解决在循环神经网络中整合生物物理现实性以模拟认知任务的挑战	具有生物物理细节的神经网络模型，特别是包含兴奋性和抑制性细胞的储备池网络	机器学习	NA	储备池计算	RNN	模拟数据	NA	NA	储备池计算网络	任务解决能力	NA
350	2026-04-04	Dose-aware diffusion model for 3D PET image denoising: Multi-institutional validation with reader study and real low-dose data 2026-Mar-17, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2026.104039 PMID:41930496	研究论文	本文提出了一种用于3D PET图像去噪的剂量感知扩散模型，并在多机构数据集上进行了验证	开发了DDPET-3D模型，通过2.5D条件化骨干网络实现3D一致性重建，解决了现有扩散模型在低剂量PET成像中沿z轴不连续、泛化能力差和细节失真等问题	模型并非完全3D扩散网络，而是通过2.5D条件化实现3D一致性	开发一种能够泛化到不同噪声水平、扫描仪和临床协议的低剂量PET图像去噪方法	低剂量/低计数PET图像	医学影像分析	NA	PET成像	扩散模型	3D医学图像	9783项F-FDG研究（1596名患者），剂量水平从1%到50%	PyTorch	DDPET-3D（基于2.5D条件化骨干网络的扩散模型）	定性视觉评估，病变级定量准确性	NA
351	2026-04-04	Recent advances and current landscape of software tools for image analysis and dosimetry in nuclear medicine 2026-Mar-08, EJNMMI physics IF:3.0Q2 DOI:10.1186/s40658-026-00847-7 PMID:41795779	综述	本文综述了核医学图像分析和剂量学软件工具的最新进展与现状	强调AI驱动的分割和时间-活性曲线建模作为提高工作流效率的关键创新，并探讨开源工具在资源受限环境中的可及性	现有工具在复杂剂量学场景（如α和俄歇疗法）中的验证、标准化和鲁棒性开发仍需加强	评估和促进核医学图像处理与剂量学软件工具的应用，以提升治疗安全性和疗效评估	核医学图像分析软件工具，包括开源和商业解决方案	数字病理	NA	SPECT/CT, PET/CT, 深度学习	NA	图像	NA	NA	NA	准确性, 可重复性	NA
352	2026-04-04	Grounding olfactory perception in language: Benchmarks and models for generating natural language odor descriptions 2026-Mar-05, bioRxiv : the preprint server for biology DOI:10.64898/2026.03.04.709650 PMID:41867788	研究论文	本文介绍了用于生成自然语言气味描述的基准数据集ODIEU和基于Transformer的模型CIRANO，旨在解决气味感知预测中词汇固定和缺乏标准化评估的问题	提出了首个结合大规模分子感知描述数据集（ODIEU）和基于Transformer的分子结构到文本生成模型（CIRANO）的标准化框架，并创新性地利用可逆SBERT模型实现神经数据到文本的预测	研究依赖于有限规模的气味描述数据集（约10,000个分子），且模型性能可能受限于训练数据的覆盖范围和多样性	建立标准化框架，实现从分子结构或神经数据生成自然语言气味描述，并评估其与人类感知的一致性	气味分子结构、人类气味感知描述、小鼠嗅球神经数据	自然语言处理	NA	分子结构预测、神经数据编码	Transformer, SBERT	文本、分子结构数据、神经信号数据	超过10,000个分子的感知描述数据	PyTorch	Sentence-BERT, Transformer	基于SBERT的语义相似度评估、人类对齐度	未明确指定，但提及代码开源在GitHub
353	2026-04-04	ICP-WAVES: Intracranial Pressure Waveform Analysis and Visualization for Enhanced Signal Processing 2026-Mar-03, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2026.3669377 PMID:41774667	研究论文	本文介绍了一种基于Transformer的基础模型，用于分析颅内压波形，并通过SVM分类器对波形形态进行分类，同时开发了图形用户界面以增强临床决策支持	首次将Transformer基础模型应用于颅内压波形分析，实现了对复杂时间动态的捕捉，并开发了交互式可视化工具以支持实时临床分析	模型在1-peak compliant波形分类上的准确率仅为77.5%，且数据集规模有限，可能影响泛化能力	开发一种能够分析颅内压波形形态以评估脑顺应性的深度学习系统	颅内出血患者和脑室外引流患者的颅内压波形数据	数字病理学	颅内出血	生理波形数据分析	Transformer, SVM	生理波形数据	190名颅内出血患者和23名脑室外引流患者，共标注8406个ICP脉冲	NA	Transformer基础模型	AUC, 混淆矩阵, 准确率	NA
354	2026-04-04	A Deep Representation Learning Method for Quantitative Immune Defense Function Evaluation and Its Clinical Applications 2026-Mar, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202515929 PMID:41536212	研究论文	本研究提出了一种基于RNA-seq数据的深度表示学习方法ImmuDef，用于定量评估抗感染免疫防御功能，并开发了防御免疫评分DImmuScore	首次利用变分自编码器（VAE）构建潜在空间，通过计算患者与健康对照在潜在空间中的距离来量化免疫防御功能，建立了跨疾病免疫防御评估的定量标准	研究样本主要集中于特定免疫状态和感染性疾病，可能未涵盖所有免疫相关疾病或人群，且模型在更广泛临床环境中的泛化能力需进一步验证	开发一种定量评估个体抗感染免疫防御功能的方法，并应用于临床预后和疾病严重程度评估	免疫缺陷、免疫受损、免疫正常和免疫活跃四种免疫状态下的样本，包括艾滋病、严重脓毒症、COVID-19等感染性疾病患者	机器学习	感染性疾病	RNA-seq	VAE	RNA-seq数据	3202个样本	NA	变分自编码器（VAE）	分类准确率	NA
355	2026-04-04	Generating Dynamic Structures Through Physics-Based Sampling of Predicted Inter-Residue Geometries 2026-Mar, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202518469 PMID:41566646	研究论文	本文提出了一种名为trRosettaX2-Dynamics（trX2-D）的创新方法，通过结合深度学习预测与基于物理的采样技术，来预测蛋白质的动态结构和替代构象	trX2-D基于CASP15和CASP16获奖方法trRosettaX2，采用基于物理的迭代采样策略处理预测的残基间几何分布，无需先验知识即可生成动态结构，这是对现有静态结构预测方法的重要扩展	方法依赖于预训练和微调数据，可能受限于可用高分辨率X射线结构和动态NMR结构的数量与质量，且未明确讨论计算效率或大规模应用的可行性	旨在解决蛋白质动态结构和替代构象预测的未解问题，推动蛋白质结构预测领域的发展	蛋白质的动态结构和替代构象	机器学习	NA	深度学习，基于物理的采样，X射线结构分析，NMR结构分析	Transformer	蛋白质结构数据（高分辨率X射线结构和动态NMR结构）	预训练使用高分辨率X射线结构，微调使用约7000个动态NMR结构	NA	Transformer-based neural network	在三个数据集上进行了基准测试，具体指标未明确说明，但涉及替代构象和动态结构的预测准确性	NA
356	2026-04-04	Machine Learning Discovery of Record-Low Lattice Thermal Conductivity in Double Perovskites 2026-Mar, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202515766 PMID:41701522	研究论文	本研究开发了一种深度学习原子间势能模型，用于高通量筛选双钙钛矿材料的晶格热导率，并发现了创纪录的低热导率材料	开发了Elemental-SDNNFF深度学习原子间势能模型，结合主动学习框架，实现了对数千种双钙钛矿材料声子性质的高效预测，并发现了各向同性块体材料中最低的晶格热导率记录	研究主要关注立方结构双钙钛矿，未涵盖所有可能的双钙钛矿结构类型	开发高效机器学习框架，用于快速筛选复杂材料的动态稳定性和准确预测声子传输性质	双钙钛矿材料（ABCD型）	机器学习	NA	密度泛函理论（DFT）、深度学习原子间势能、玻尔兹曼输运方程、四声子散射计算、分子动力学模拟	深度学习原子间势能模型	DFT计算力数据、材料结构数据	9709种立方双钙钛矿结构，其中1597种动态稳定候选材料	主动学习框架、DeePMD	Elemental-SDNNFF	晶格热导率预测值、带隙值	NA
357	2026-04-04	A Self-Supervised Foundation Model Based on Three-Dimensional Chest CT Scans for Lung Cancer Diagnosis and Prognosis Prediction 2026-Mar, Radiology. Imaging cancer DOI:10.1148/rycan.250360 PMID:41718531	研究论文	本研究开发了一种基于三维胸部CT扫描的自监督基础模型，用于肺癌的诊断和预后预测	提出了一种名为UCLIF的自监督胸部CT基础模型，通过对比掩码图像建模任务进行预训练，并在多中心数据集上微调，用于肺癌的组织学亚型分类、分期、生存和复发预测，性能优于主流深度学习和机器学习算法	研究为回顾性多中心研究，可能存在选择偏倚；模型在特定时间段（1958年至2019年）的数据上训练，可能无法完全代表最新临床实践	开发并评估一个基于三维胸部CT的自监督基础模型在肺癌临床任务中的性能	肺癌患者的胸部CT扫描图像	数字病理学	肺癌	三维胸部CT扫描	自监督学习基础模型	三维医学图像	预训练使用33,901例三维胸部CT扫描，下游评估包含656名患者	NA	UCLIF（Unified CT-Based Lung Cancer Imaging Foundation）	准确率, 敏感度, 特异度, AUC	NA
358	2026-04-04	Pathomics Signature for Prognosis and CA19-9 Interception in Pancreatic Ductal Adenocarcinoma: A Real-Life, Multi-Center Study 2026-Mar, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202515952 PMID:41556438	研究论文	本研究开发并验证了一种基于深度学习的自动化预后模型，用于从胰腺导管腺癌（PDAC）患者的数字化全切片图像中提取病理组学特征，以预测患者预后并指导治疗决策	首次在多中心真实世界研究中，利用CrossFormer架构从常规H&E切片中自动提取预后特征，并揭示了CA19-9的预后价值在不同风险组中的差异性，为个性化治疗提供了新见解	研究仅基于手术切除患者，未包含晚期或不可切除患者；模型在更广泛人群中的泛化能力仍需进一步验证	开发并验证一种基于深度学习的自动化预后模型，用于胰腺导管腺癌患者的风险分层和治疗指导	873名接受手术切除的胰腺导管腺癌（PDAC）患者	数字病理学	胰腺癌	深度学习，数字化全切片图像分析	深度学习模型	数字化全切片图像（H&E染色）	873名PDAC患者，来自三个学术中心	PyTorch	CrossFormer, ResNet-18, ResNet-50, DenseNet-121	AUC（曲线下面积），风险比（HR），p值	未明确指定，但提及了深度学习训练所需GPU资源
359	2026-04-04	Foundation Model-Enabled Multimodal Deep Learning for Prognostic Prediction in Colorectal Cancer with Incomplete Modalities: A Multi-Institutional Retrospective Study 2026-Mar, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202510931 PMID:41556415	研究论文	本文提出了一种名为FLARE的多模态深度学习框架，用于结直肠癌的预后预测，能够处理不完整的多模态数据	FLARE框架整合了病理图像、放射影像和临床文本报告，利用基础模型进行高效特征提取，采用注意力机制的多分支框架增强模态间的协同与独特性，并引入多样性促进损失函数，同时通过模态和缺失感知提示、伪嵌入及模态级增强策略有效处理数据不完整问题	研究为回顾性设计，可能存在选择偏倚；数据来自四个临床中心，但样本量（1679例患者）可能仍有限；未在外部独立队列中进行前瞻性验证	开发一个多模态深度学习框架，以准确预测结直肠癌患者的生存和进展风险，优化个性化治疗策略	结直肠癌患者	数字病理学	结直肠癌	多模态深度学习	深度学习	图像, 文本	1679名结直肠癌患者	NA	注意力机制的多分支框架	一致性指数, Kaplan-Meier分析	NA
360	2026-04-04	Social compatibility in opposite-sex prairie vole pairs is modulated by early-life sleep experience 2026-Mar, PLoS biology IF:7.8Q1 DOI:10.1371/journal.pbio.3003434 PMID:41894400	研究论文	本研究利用深度学习工具分析草原田鼠异性配对间的社会互动，探讨早期睡眠经历如何影响社会亲和力	首次在非人类动物模型中量化神经类型匹配现象，模拟人类自闭症研究中的配对匹配效应	研究仅使用草原田鼠作为模型，未涉及其他物种或更复杂的社会行为评估	探究早期睡眠经历对成年后社会行为的影响，特别是神经类型匹配现象在动物模型中的表现	草原田鼠（Microtus ochrogaster）的异性配对	机器学习	自闭症	早期睡眠干扰（ELSD）模拟神经发育影响	深度学习	视频	未明确说明样本数量，但涉及控制组和ELSD组的草原田鼠配对	未明确说明	未明确说明	未明确说明	未明确说明