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
3701	2026-06-07	Pediatric coronary MR angiography with a two-minute scan using de-aliasing regularization based compressed sensing 2026-May, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2026.110627 PMID:41638264	研究论文	本研究探索了基于去混叠正则化压缩感知（DARCS）的加速冠状动脉磁共振血管成像在儿童人群中的临床应用可行性	首次将DARCS重建方法应用于儿童冠状动脉磁共振血管成像，实现两分钟扫描并保持冠状动脉动脉瘤诊断准确性	NA	评估DARCS加速CMRA在儿童冠状动脉成像中的图像质量和诊断性能，重点关注冠状动脉动脉瘤检测	儿童冠状动脉及冠状动脉动脉瘤检测	数字病理学	心血管疾病	冠状动脉磁共振血管成像	去混叠正则化压缩感知	k空间数据	123例儿童患者（96例回顾性，27例前瞻性）	NA	DARCS	峰值信噪比,结构相似性指数,血管长度,血管锐度,视觉评分,灵敏度,特异度	3.0T磁共振扫描仪
3702	2026-06-07	MMCL: A Multi-Modal Contrastive Learning Framework for Molecular Property Prediction 2026 May-Jun, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2026.3663206 PMID:41666076	研究论文	提出一种名为MMCL的多模态对比学习框架，用于预测分子性质，以促进药物发现	通过利用分子的不同视图学习相似分子间的共同特征，并将官能团显式表示为分子图中的节点，促使模型学习与分子性质相关的特征	未提及具体限制	提高分子性质预测的准确性和信息多样性，促进药物发现	分子及其官能团	机器学习	NA	NA	对比学习框架	分子数据（分子图、分子视图）	NA	NA	NA	NA	NA
3703	2026-06-07	Deep Learning Segmentation of Pelvic Soft Tissue in Isotropic and Anisotropic MRI Using Routine T2 Scans 2026 May-Jun 01, Journal of computer assisted tomography IF:1.0Q4 DOI:10.1097/RCT.0000000000001828 PMID:41701554	研究论文	对比各向同性与各向异性MRI重建下深度学习模型对骨盆软组织的分割性能	首次系统比较各向同性与各向异性MRI重建在骨盆软组织和神经分割中的效果差异，并利用nnU-Net模型量化评估两种数据类型的性能优劣	样本量较小（仅35例直肠癌患者），且未涉及其他骨盆病变类型或不同MRI参数设置的泛化性验证	评估基于各向同性与各向异性MRI重建训练的深度学习模型对骨盆肌肉和神经组织的分割性能差异，为术前规划与手术导航提供优化方案	35例直肠癌患者的骨盆MRI图像（包括骶神经、闭孔神经和梨状肌）	数字病理学	直肠癌	T2加权MRI	nnU-Net	MRI图像	35例直肠癌患者的轴向、矢状面和冠状面T2加权MRI扫描	PyTorch	nnU-Net	Dice相似系数、交并比、精确率、召回率	NA
3704	2026-06-07	A Spectral Clustering-Based Approach for Balancing Data in TF-Target Gene Interaction Prediction Using Heterogeneous Network Embedding 2026 May-Jun, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2026.3666856 PMID:41729651	研究论文	提出一种基于谱聚类的数据平衡方法，结合异质网络嵌入预测转录因子与靶基因的相互作用	创新性地将谱聚类引入未知交互样本选择，通过从远离聚类中心的未知交互中选取样本来平衡数据集，显著提升预测性能	文章未明确讨论局限性	解决转录因子-靶基因相互作用预测中的数据不平衡问题	转录因子与靶基因之间的交互关系	自然语言处理	NA	谱聚类、随机游走采样、Skip-gram嵌入	深度学习（随机游走+Skip-gram）	网络结构数据（生物学网络）	未明确说明	NA	NA	AUC	NA
3705	2026-06-07	A Deep Learning Framework for Identifying Essential Proteins Based on Vision Transformer 2026 May-Jun, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2026.3669744 PMID:41774661	研究论文	提出基于Vision Transformer的深度学习框架EPViT，用于识别必需蛋白质	首次将Vision Transformer用于必需蛋白质识别，且无需主观选择亚细胞定位特征	仅在酵母数据上验证，缺乏其他物种泛化性评估	提高必需蛋白质识别准确率	酵母细胞中的必需蛋白质	机器学习	NA	NA	Vision Transformer	蛋白质相互作用网络数据、亚细胞定位信息	酵母数据集	PyTorch	Vision Transformer	识别率	NA
3706	2026-06-07	Fast reconstruction of degenerate populations of conductance-based neuron models from spike times 2026-May, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1014337 PMID:42166500	研究论文	提出一种结合深度学习和动态输入电导的方法，从峰电位时间快速重建基于电导的神经元模型的简并群体	将深度学习和动态输入电导理论框架相结合，通过轻量级神经网络将峰电位时间直接映射到阈值的DIC密度，然后用迭代补偿算法生成简并的CBM群体，实现快速、可扩展的重建	未明确说明，但在本摘要中未提及具体限制	解决从实验可获得的峰电位记录中推断电导基础模型参数的反问题，处理神经元简并性	神经元模型，包括两个神经元模型（如spiking、bursting和不规则模式）	机器学习, 计算神经科学	NA	深度学习, 动态输入电导框架	神经网络（轻量级神经网络）	峰电位时间序列	两个神经元模型（未具体说明样本数量）	NA	轻量级神经网络（未具体说明架构）	高准确性、鲁棒性（未具体列出指标，如准确率等）	标准硬件（如普通计算机），毫秒级运行速度
3707	2026-06-07	Hybrid Deep Learning Framework for Enhanced Melanoma Detection 2026 May-Jun, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3596589 PMID:40811190	research paper	提出了一种名为SegFusion框架的混合深度学习方法，结合U-Net和EfficientNet，用于黑色素瘤检测	创新性地融合了U-Net的精确分割能力和EfficientNet的强大分类性能，构建了一个统一的混合框架SegFusion，在黑色素瘤检测任务上取得了显著优于现有模型的效果	NA	提高黑色素瘤检测的准确性和效率	黑色素瘤检测方法	computer vision	melanoma	NA	CNN	image	使用HAM10000数据集和ISIC 2020数据集	NA	U-Net, EfficientNet	accuracy, precision, recall, F1 score, MCC	NA
3708	2026-06-07	Spatial Multiomics Reveal Insights Into ADC Efficacy 2026-05, European journal of immunology IF:4.5Q2 DOI:10.1002/eji.70190 PMID:42083302	综述	综述空间多组学技术如何揭示抗体药物偶联物（ADC）疗效的生物学见解	提出将空间转录组学和蛋白质组学与机器学习/深度学习分析相结合的综合框架，用于患者分层、毒性预测和ADC设计优化	未讨论具体实验验证或临床应用案例	探讨空间多组学在解码ADC作用机制和耐药性中的应用，并建议整合人工智能分析方法	抗体药物偶联物（ADC）及其靶点（NECTIN-4、HER2、TROP2），主要针对转移性尿路上皮癌	数字病理学	转移性尿路上皮癌	空间多组学（空间转录组学、多重蛋白质成像）	机器学习/深度学习模型	空间转录组学数据、多重蛋白质成像数据	NA	NA	NA	NA	NA
3709	2026-06-07	Simulated wildfire smoke particulate matter elicits STING-dependent astrocyte-mediated inflammatory signaling and neurotoxicity 2026-May, Neurotoxicology IF:3.4Q2 DOI:10.1016/j.neuro.2026.103473 PMID:42190922	研究论文	研究模拟野火烟雾颗粒物通过STING信号通路诱导星形胶质细胞介导的炎症反应和神经毒性	首次揭示野火烟雾暴露通过cGAS-STING通路触发星形胶质细胞炎症反应和神经毒性的分子机制，并整合了体外和体内转录组数据	研究主要基于体外培养的星形胶质细胞混合胶质细胞，可能无法完全反映体内复杂微环境	探究野火烟雾颗粒物导致神经退行性疾病的细胞和分子机制	野火烟雾颗粒物对星形胶质细胞的影响及其炎症信号传导	数字病理学	神经退行性疾病	高通量显微镜、深度学习图像分析、转录组学	深度学习	图像、转录组数据	原代星形胶质细胞富集的混合胶质细胞培养物（具体数量未说明）	NA	NA	NA	NA
3710	2026-06-07	The association of environmental exposure with multiple sclerosis severity score: A study based on sequential data modeling 2026-Apr-15, International journal of medical informatics IF:3.7Q2 DOI:10.1016/j.ijmedinf.2026.106295 PMID:41616738	研究论文	利用人工智能方法，结合临床数据和环境暴露信息，预测多发性硬化症严重程度评分（MSSS）	首次将环境暴露数据（空气污染和天气条件）与纵向临床数据结合，通过深度学习模型预测MSSS，并采用自动机器学习进行特征选择，发现环境变量是重要预测因子	研究基于意大利帕维亚单一中心的回顾性数据，环境数据基于患者居住地，可能受位置精度和混杂因素影响；预测性能在不同历史窗口长度下降可比，但未探索更长时间窗口的收益	研究环境暴露与多发性硬化症严重程度评分之间的关联，并评估深度学习模型在预测MS进展中的有效性	多发性硬化症患者的纵向临床记录和环境暴露数据（空气污染和天气条件）	机器学习	多发性硬化症	NA	循环神经网络、长短期记忆网络、门控循环单元	临床记录和环境时间序列数据	535名患者的4022次就诊记录	AutoML（自动机器学习）	循环神经网络、长短期记忆网络、门控循环单元	曲线下面积（AUC）	NA
3711	2026-06-07	Multimodal deep feature fusion with transformer for brain tumor classification from magnetic resonance imaging 2026-Apr-11, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-44957-9 PMID:41965397	研究论文	提出一种多模态深度特征融合框架，结合Transformer进行脑肿瘤MRI图像的自动检测与分割	融合CapsNet、ResNet-50和AlexNet的多模态特征提取，结合双向卷积长短期记忆网络与Transformer的TBConvL-Net分类模型，以及nnUNet精确分割	NA	开发多模态深度学习模型，实现脑肿瘤的精确检测和分割	脑肿瘤MRI图像	计算机视觉	脑肿瘤	MRI	CNN, LSTM, Transformer	图像	NA	NA	CapsNet, ResNet-50, AlexNet, TBConvL-Net, nnUNet	准确率	NA
3712	2026-06-07	Lightweight attention enhanced YOLOv11 for accurate multi class detection of brinjal diseases 2026-Apr-11, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-47734-w PMID:41965414	研究论文	提出一种轻量级注意力增强的YOLOv11模型，用于茄子病害的多类别精准检测	结合EMA（高效多尺度注意力）模块、IRMB（倒置残差移动块）和LDFM（局部细节特征模块）提取细粒度病变特征，并采用改进的MPDIoU损失函数提升目标定位精度	未提及在真实田间环境下的部署测试或对不同光照、遮挡条件的鲁棒性验证	开发可实时、准确识别茄子多种病害的轻量级深度学习模型，用于精准农业	茄子叶片病害图像，涵盖6种真菌、2种细菌、3种病毒和1种线虫感染类别	计算机视觉	茄子病害	深度学习图像识别	YOLOv11（目标检测模型）	图像	未明确样本总数，但包含6种真菌、2种细菌、3种病毒和1种线虫感染的多类别数据集	PyTorch	IEMA-YOLOv11（改进的高效多尺度注意力YOLOv11），包含EMA、IRMB、LDFM模块	精确率、召回率、mAP@50、mAP@50:95	NA
3713	2026-06-07	CRViT-YOLO: A method for multi-morphological blood cell detection using convolution-restructured vision transformer 2026-Apr, Tissue & cell IF:2.7Q3 DOI:10.1016/j.tice.2026.103312 PMID:41529371	研究论文	提出一种基于卷积重构视觉变换器的CRViT-YOLO方法，用于多形态血细胞检测	在YOLOv9架构中引入卷积重构视觉变换器（CRViT）模块，同时捕获局部和全局上下文信息，并设计特征增强模块（FEM）和集成EIoU损失函数，提升密集或重叠细胞的定位精度	未提及	提高血细胞检测的准确性和效率	多形态血细胞（包括正常和病理细胞）	计算机视觉	血液疾病	NA	YOLOv9	图像	四个公开数据集：BCCD、BCDD、LISC和BBBC041	PyTorch	CRViT, FEM	平均精度（mAP@50）	NA
3714	2026-06-07	HeartUnloadNet: A cycle-consistent graph network with reduced supervision for predicting unloaded cardiac geometry from diastolic states 2026-Apr, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2026.109243 PMID:41529595	研究论文	提出HeartUnloadNet，一种基于图注意力网络的深度学习框架，用于从舒张期状态直接预测心脏卸载几何形状，具有减少监督的特点	首次结合图注意力网络、循环一致双向训练策略和生理参数（压力、心肌硬度、纤维方向）实现高效准确的无负载心脏几何预测，并大幅减少监督需求	论文未明确说明局限性，但可能包括仅针对左心室建模，未考虑右心室或其他心脏结构，以及模拟数据与真实临床数据的潜在差异	开发一种高效准确的深度学习框架，直接从临床舒张末期状态预测左心室无负载几何形状，替代传统逆有限元求解器	左心室无负载几何形状的预测	机器学习	心血管疾病	有限元模拟	图注意力网络	有限元模拟生成的网格数据	10,350个有限元模拟样本	NA	图注意力网络	Dice相似系数、Hausdorff距离、平均距离、节点误差标准差	NA
3715	2026-06-07	Deep learning-enhanced QSAR modeling for predicting developmental neurotoxicity based on molecular initiating events from adverse outcome pathways 2026-Apr, Molecular diversity IF:3.9Q2 DOI:10.1007/s11030-025-11454-6 PMID:41575478	研究论文	提出了一种深度学习增强的QSAR建模框架，用于预测与农药污染大麻相关的发育神经毒性	首次将深度学习与AOP框架中的分子起始事件结合，用于预测发育神经毒性，并利用SHAP值增强模型可解释性	NA	开发深度学习增强的QSAR模型以预测化学物质的发育神经毒性	分子起始事件和关键事件的结合亲和力	机器学习	发育神经毒性	QSAR建模	深度神经网络	分子结构数据	24,476种化合物，来自ChEMBL数据库	NA	深度神经网络	相关系数，均方根误差	NA
3716	2026-06-07	Artificial intelligence in animal anatomy: Exploring the technologies, applications, benefits, and challenges 2026-Apr, Annals of anatomy = Anatomischer Anzeiger : official organ of the Anatomische Gesellschaft DOI:10.1016/j.aanat.2026.152796 PMID:41577147	综述	探讨人工智能在动物解剖学中的应用，包括技术、应用、优势和挑战	系统综述了机器学习与深度学习在兽医解剖学中的应用，尤其是计算机视觉和三维建模的整合，以及数字化尸体在教育和诊断中的创新使用	数据稀缺、物种间不一致、标准化数据集有限，以及数据异质性和质量问题	综述人工智能在动物解剖学中的技术、应用、益处和挑战	动物解剖学中的数字技术、机器学习、深度学习、计算机视觉和三维建模	机器学习	兽医疾病	微计算机断层扫描、图像处理	CNN、深度学习模型	图像	不适用	不适用	EspINA、ZeBraInspector、Anatomage Table	不适用	不适用
3717	2026-06-07	Integrating artificial intelligence (AI) into colorectal cancer reporting 2026-Apr, The Journal of pathology IF:5.6Q1 DOI:10.1002/path.70029 PMID:41588707	综述	探讨将人工智能整合到结直肠癌报告中的进展，包括标准化病理报告和发现新的预后生物标志物	提出将传统病理特征与AI衍生预后指标相结合的协调方法以改进风险分层	未在文中明确说明，但综述性质可能缺乏实证验证	综述AI在结直肠癌病理报告标准化和新型预后生物标志物发现中的应用	结直肠癌病理报告和预后评估	自然语言处理, 机器视觉	结直肠癌	深度学习, 多模态视觉语言模型	深度学习, 视觉语言模型	全切片图像, 文本	不适用	不适用	不适用	不适用	不适用
3718	2026-06-07	Accurate enzyme specificity constant prediction with iESC 2026-Apr, Bioresource technology IF:9.7Q1 DOI:10.1016/j.biortech.2026.134067 PMID:41592658	研究论文	提出了一种基于酶序列和底物结构预测酶特异性常数（包括米氏常数和转换数）的深度学习模型iESC	首次仅基于酶序列和底物结构即可准确预测酶特异性常数，无需耗时实验测量	NA	准确预测酶特异性常数，加速酶特性表征	酶-底物对的动力学参数（K和k值）	机器学习	NA	深度学习	深度学习模型	酶序列和底物结构	41,907个酶-底物动力学参数	NA	集成多种先进特征提取和深度学习技术	决定系数R、均方根误差RMSE、平均绝对误差MAE	NA
3719	2026-06-07	Deep learning in fetal, infant, and toddler neuroimaging research 2026-Apr, Developmental cognitive neuroscience IF:4.6Q1 DOI:10.1016/j.dcn.2026.101680 PMID:41604954	综述	综述深度学习在胎儿、婴儿和幼儿神经影像研究中的应用，包括结构图像分析、数据采集增强、认知与感知过程建模及自动视频标注	针对胎儿、婴儿和幼儿神经影像数据稀缺、解剖变异大的挑战，系统总结深度学习在该领域的应用，并提供面向非AI专业人员的DL概念概述	应用案例为非穷尽选择，未涵盖所有相关研究；主要针对FIT领域，可能不适用于其他医学影像领域	为FIT研究社区（包括临床医生、神经科学家和发展科学家）提供深度学习在神经影像中应用的易懂综述	胎儿、婴儿和幼儿神经影像数据	医学影像分析	NA	NA	深度学习	图像、视频	NA	NA	NA	NA	NA
3720	2026-06-07	Artificial intelligence and multi-omics convergence in breast cancer: Revolutionizing diagnosis, prognostication, and precision oncology 2026-Apr, Critical reviews in oncology/hematology DOI:10.1016/j.critrevonc.2026.105160 PMID:41616992	综述	总结人工智能与多组学整合在乳腺癌诊断、预后和精准肿瘤学中的进展、挑战与未来方向	系统总结深度学习在多模态融合中的代表性框架，提出缺失感知融合、可解释建模及工作流评估等可落地方向	缺乏前瞻性临床验证，多中心异质性、跨平台标准化不足、模型可解释性有限等关键障碍	促进多模态AI与多组学整合在乳腺癌临床管理中的可靠应用	乳腺癌多组学数据（基因组、转录组、表观组、蛋白质组、代谢组）与临床、影像、病理数据	机器学习	乳腺癌	多组学测序（基因组、转录组、表观组、蛋白质组、代谢组）	深度学习	多组学数据、影像、病理、临床变量	NA	NA	多模态融合架构、深度表示学习	NA	NA