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
4141	2026-02-14	CPE-Pro: A Structure-Sensitive Deep Learning Method for Protein Representation and Origin Evaluation 2026-Mar, Interdisciplinary sciences, computational life sciences DOI:10.1007/s12539-025-00732-4 PMID:40483648	研究论文	本文提出了一种名为CPE-Pro的结构敏感深度学习模型，用于蛋白质结构的表示和来源评估	整合了预训练的蛋白质结构序列语言模型和几何向量感知器-图神经网络，以学习结构感知的蛋白质表示并捕获结构差异，从而实现对四种结构数据来源的准确分类	未明确提及具体局限性，但未来研究方向包括扩展架构至更多蛋白质结构范式及开发低pLDDT预测结构的评估方法	评估蛋白质结构的来源，以评估实验解析和计算预测方法的可靠性，并指导下游生物学研究	蛋白质结构	机器学习	NA	深度学习	SSLM, GVP-GNN	蛋白质结构数据	NA	NA	SSLM, GVP-GNN	NA	NA
4142	2026-02-14	Automated Multi-grade Brain Tumor Classification Using Adaptive Hierarchical Optimized Horse Herd BiLSTM Fusion Network in MRI Images 2026-Mar, Interdisciplinary sciences, computational life sciences DOI:10.1007/s12539-025-00708-4 PMID:40533703	研究论文	本文提出了一种用于MRI图像中脑肿瘤多级分层分类的MGHCN模型，通过改进的预处理和特征提取方法，结合自适应优化的BiLSTM融合网络，以提高分类精度	提出了自适应分层优化马群BiLSTM融合网络（AHOHH-BiLSTM），用于多级脑肿瘤分层分类，并采用改进的自适应强度归一化（IAIN）和增强三角特征的DTCWT进行特征提取	未明确提及模型的计算复杂度、泛化能力到其他数据集或临床环境中的实际应用限制	提高MRI图像中不同级别脑肿瘤分类的精确度	MRI图像中的脑肿瘤	医学影像	脑肿瘤	MRI	BiLSTM	图像	使用了BraTS Challenge 2021、Br35H和BraTS Challenge 2023数据集，具体样本数量未明确	NA	自适应分层优化马群BiLSTM融合网络（AHOHH-BiLSTM）	精确度、召回率、F1分数	NA
4143	2026-02-14	Criteria for Keratoconus Progression: A Systematic Review of Diagnostic Test Accuracy 2026-Mar-01, Cornea IF:1.9Q2 DOI:10.1097/ICO.0000000000004020 PMID:41247279	系统综述	本文对用于定义圆锥角膜进展的诊断标准进行了诊断测试准确性的系统综述	首次系统性地评估和比较了多种圆锥角膜进展诊断标准的准确性，并识别出综合指数和全局测量作为更理想的进展定义标准	纳入的研究数量有限（15项），且主要为回顾性研究，可能存在偏倚风险	评估用于定义圆锥角膜进展的各种诊断标准的准确性	圆锥角膜患者的眼睛	医学诊断	圆锥角膜	Belin/Ambrósio Enhanced Ectasia Display (BAD-D), ABCD 1 criteria, 前表面最佳拟合球面半径, 最大角膜曲率 (Kmax), 深度学习彩色编码图, 前段光学相干断层扫描	深度学习	医学影像数据（如角膜地形图）	3547只眼睛（来自2654名患者）	NA	NA	灵敏度, 特异性, 诊断比值比	NA
4144	2026-02-14	Developmental Brain Age Estimation From MRI Data: A Systematic Review of Deep Learning Approaches and Open Datasets 2026-Mar, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.70180 PMID:41414873	综述	本文系统综述了基于MRI数据和深度学习方法用于发育期大脑年龄估计的研究现状、开放数据集及临床意义	首次对胎儿期至2岁发育阶段的大脑年龄估计深度学习方法进行全面综述，整合了临床与技术视角、开放数据集及模型性能比较	证据等级为3级，技术效能处于第2阶段，表明研究仍处于发展阶段，可能存在方法学异质性和数据局限性	系统回顾和评估深度学习方法在发育期大脑年龄估计中的应用，推动该领域理论理解与临床实践	发育期（胎儿阶段至2岁）的大脑MRI数据	医学影像分析	神经发育障碍	MRI	深度学习	MRI图像	NA	NA	NA	NA	NA
4145	2026-02-14	The AENEAS Project: Intraoperative Anatomical Guidance Through Real-Time Landmark Detection Using Machine Vision 2026-Mar, Mayo Clinic proceedings. Digital health DOI:10.1016/j.mcpdig.2025.100308 PMID:41669377	研究论文	本研究开发了一种基于深度学习的机器视觉模型，用于在复杂的显微手术（如翼点经侧裂入路）中实时检测解剖标志	首次将YOLOv7x深度学习目标检测模型应用于复杂神经外科手术中的解剖标志实时识别，验证了机器视觉在术中解剖引导的可行性	浅表结构（如硬脑膜和皮质脑回）的检测精度较低，可能由于形态相似性和光学变异性，且存在数据限制	开发一种机器视觉模型，用于术中解剖引导，以提高手术定位准确性并减少外科医生间的变异性	接受翼点经侧裂入路手术的76名患者的78个手术视频	计算机视觉	神经外科疾病	深度学习目标检测	YOLO	视频	78个手术视频（来自76名患者），包含5307个标注帧	NA	YOLOv7x	平均精度（AP50）	NA
4146	2026-02-14	A Spatiotemporal Causal Model for Revealing Developmental Changes in Infants' Brain Effective Connectivity Networks During the First Year of Life 2026-Mar, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3596893 PMID:40773400	研究论文	本研究提出了一种新颖的时空格兰杰因果模型，用于揭示婴儿第一年大脑有效连接网络的发展变化	首次采用因果发现方法揭示婴儿第一年大脑有效连接网络的变化，模型通过从时间序列中学习时空特征并施加稀疏性惩罚来提取格兰杰因果关系，不同于现有基于深度学习的模型从神经网络第一层权重推断因果关系	NA	揭示婴儿第一年大脑有效连接网络的发展变化	健康婴儿的静息态脑电图数据	机器学习	NA	静息态脑电图	格兰杰因果模型	时间序列	NA	NA	时空格兰杰因果模型	AUROC, AUPRC	NA
4147	2026-02-14	Representation Learning for Cerebrovascular Autoregulation: A Model Study With Experimental Data Classification 2026-Mar, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3598592 PMID:40802622	研究论文	本研究开发了一种新颖的深度表示学习模型，用于动态监测脑血管自动调节状态，并通过实验数据分类验证其性能	提出了一种基于深度表示学习的新模型，用于动态监测脑血管自动调节状态，并通过特征提取和分类模型显著提升了分类性能	研究基于模型研究和实验数据，可能未涵盖所有临床场景或患者群体	理解模型在脑血管自动调节状态下的行为，并开发基于特征提取的分类模型以优于现有压力反应性指数	脑血管自动调节状态，特别是创伤性脑损伤后的动态变化	机器学习	创伤性脑损伤	深度表示学习，交叉谱分析	深度学习模型	时间序列数据	NA	NA	深度表示学习模型	精确度，召回率	NA
4148	2026-02-14	DINOMotion: Advanced Robust Tissue Motion Tracking With DINOv2 in 2D-Cine MRI-Guided Radiotherapy 2026-Mar, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3599457 PMID:40811295	研究论文	本文提出了一种基于DINOv2与LoRA层的新型深度学习框架DINOMotion，用于2D-Cine MRI引导放疗中的鲁棒、高效且可解释的组织运动追踪	结合DINOv2的强大特征表示与LoRA层减少可训练参数，实现直接计算图像配准，提供显式视觉对应以增强可解释性，并有效处理大错位	NA	开发一种鲁棒、高效且可解释的运动追踪方法，以提升2D-Cine MRI引导放疗的治疗效果和安全性	志愿者和患者数据集中的肾脏、肝脏和肺部组织	计算机视觉	NA	2D-Cine MRI	深度学习框架	图像	NA	NA	DINOv2, LoRA	Dice系数, Hausdorff距离	NA
4149	2026-02-14	DeepArousal-Net: A Multi-Block Recurrent Deep Learning Model for Proactive Forecasting of Non-Apneic Arousals From Multichannel PSG 2026-Mar, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3596900 PMID:40824988	研究论文	本研究开发了一种名为DeepArousal-Net的深度学习模型，用于从多通道PSG记录中准确预测非呼吸暂停性睡眠觉醒	提出了一种新颖的多块循环深度学习模型，能够提前30秒预测非呼吸暂停性睡眠觉醒，相比传统时间序列预测方法具有优越性能	NA	开发一个深度学习模型，用于准确预测非呼吸暂停性睡眠觉醒，以改善睡眠质量和整体健康	多通道PSG记录，包括EEG、ECG、EOG、EMG、血氧饱和度和气流信号	机器学习	睡眠障碍	多通道PSG	CNN, Bi-LSTM	多通道生理信号	NA	NA	DeepArousal-Net	准确率, 灵敏度, 特异性	NA
4150	2026-02-14	Meta-Learning With Unlabeled Query Updating and Consistency Learning for Few-Shot OCT Image Classification 2026-Mar, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3602687 PMID:40853820	研究论文	本文提出了一种用于少样本OCT图像分类的新算法，结合元学习、无标签查询更新和一致性学习来提高模型对罕见疾病的诊断能力	首次在元学习中引入基于查询数据的无监督学习，提出跨集一致性学习以减少支持集和查询集之间元知识的差距，并集成数据混合以增强数据多样性	NA	解决传统深度学习在训练数据不足时难以实现罕见疾病自动诊断的问题	光学相干断层扫描（OCT）图像，用于筛查常见和罕见视网膜疾病	计算机视觉	视网膜疾病	光学相干断层扫描（OCT）	深度神经网络，元学习	图像	基于公共OCT数据集构建的轻量级子集，并在组织学图像数据集上进行了额外实验	NA	NA	分类准确率	NA
4151	2026-02-14	Classification of Brain Tumors in MRI Images with Brain-CNXSAMNet: Integrating Hybrid ConvNeXt and Spatial Attention Module Networks 2026-Mar, Interdisciplinary sciences, computational life sciences DOI:10.1007/s12539-025-00743-1 PMID:40739060	研究论文	本文提出了一种结合ConvNeXt和空间注意力模块的混合模型Brain-CNXSAMNet，用于MRI图像中脑肿瘤的分类	整合ConvNeXt以扩大感受野并捕获更广泛的空间上下文信息，同时引入空间注意力机制使网络能选择性关注信息丰富的区域，从而提升模型区分脑肿瘤类型和捕获复杂空间关系的能力	NA	开发一种AI驱动的诊断系统，用于准确高效地识别MRI图像中的脑肿瘤类型	脑肿瘤（包括脑膜瘤、垂体瘤和胶质瘤）的MRI图像	计算机视觉	脑肿瘤	磁共振成像（MRI）	CNN	图像	NA	NA	ConvNeXt, 空间注意力模块（SAM）	准确率	NA
4152	2026-02-14	AIP-TranLAC: A Transformer-Based Method Integrating LSTM and Attention Mechanism for Predicting Anti-inflammatory Peptides 2026-Mar, Interdisciplinary sciences, computational life sciences DOI:10.1007/s12539-025-00761-z PMID:40830309	研究论文	本文提出了一种名为AIP-TranLAC的新型深度学习框架，用于准确预测抗炎肽	整合了Transformer嵌入、双向长短期记忆网络、多头注意力和卷积神经网络，以捕获序列的局部和全局模式	未明确提及具体局限性	开发一种计算工具以加速治疗性肽的发现和炎症研究	抗炎肽	自然语言处理	炎症性疾病	深度学习	Transformer, LSTM, CNN	序列数据	NA	NA	Transformer, Bi-LSTM, CNN	NA	NA
4153	2026-02-14	AlzhiNet: Traversing from 2D-CNN to 3D-CNN, Towards Early Detection and Diagnosis of Alzheimer's Disease 2026-Mar, Interdisciplinary sciences, computational life sciences DOI:10.1007/s12539-025-00764-w PMID:40846816	研究论文	本研究提出了一种名为AlzhiNet的新型混合深度学习框架，用于阿尔茨海默病的早期检测与诊断	提出了一种结合2D-CNN和3D-CNN的混合深度学习框架，并引入了自定义损失函数和体积数据增强技术，以增强特征提取能力	未明确提及研究的局限性	提高阿尔茨海默病的早期检测和诊断准确性	阿尔茨海默病患者	数字病理学	阿尔茨海默病	磁共振成像	CNN	图像	来自Kaggle和MIRIAD数据集的MRI数据	NA	2D-CNN, 3D-CNN, ResNet-18	准确率, AUC	NA
4154	2026-02-14	Hot-Spot-Guided Generative Deep Learning for Drug-Like PPI Inhibitor Design 2026-Mar, Interdisciplinary sciences, computational life sciences DOI:10.1007/s12539-025-00756-w PMID:40897867	研究论文	本文提出了一种名为Hot2Mol的生成式深度学习框架，用于从头设计靶点特异性和类药物的蛋白质-蛋白质相互作用抑制剂	Hot2Mol框架通过捕获热点残基的关键药效团特征，无需已知生物活性配体，实现了对PPI界面的精确靶向，并整合了条件Transformer、E(n)-等变图神经网络和变分自编码器以生成新颖多样的分子结构	未在摘要中明确提及	加速针对蛋白质-蛋白质相互作用的理性药物发现	蛋白质-蛋白质相互作用抑制剂	机器学习	NA	生成式深度学习	Transformer, 图神经网络, 变分自编码器	分子结构数据	NA	NA	Transformer, E(n)-等变图神经网络, 变分自编码器	结合亲和力, 类药物性, 合成可及性, 新颖性, 独特性	NA
4155	2026-02-14	Evaluating Performance of a Deep Learning-based Artificial Intelligence Model for Ovarian Tumor Classification Using a Multicenter CT Dataset 2026-Mar, Radiology. Imaging cancer DOI:10.1148/rycan.250027 PMID:41686074	研究论文	本研究开发了一种基于深度学习的计算机辅助诊断模型，用于术前CT扫描中的卵巢肿瘤分类，并在多中心数据集上评估其性能	首次开发了基于CT扫描的深度学习模型用于卵巢肿瘤术前分类，并采用自监督学习在公共和机构数据集上进行训练，与现有超声模型和放射科医生评估进行了多中心比较	模型在外部测试集上的性能（AUC 0.61）明显低于内部测试集，表明模型泛化能力仍需提升，需要进一步改进才能投入临床应用	开发并评估基于深度学习的计算机辅助诊断模型，用于术前卵巢肿瘤的良恶性分类	卵巢肿瘤患者的CT扫描图像	数字病理学	卵巢癌	CT扫描	深度学习模型	医学影像（CT图像）	387个卵巢肿瘤图像，来自344名患者（226个良性，118个恶性）	NA	NA	AUC, 敏感性, 特异性, 阳性预测值, 阴性预测值	NA
4156	2026-02-14	Truth-based physics informed estimation of material composition in spectral CT in terms of density and effective atomic number 2026-Feb-13, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ae4284 PMID:41643313	研究论文	本研究开发并验证了一种基于物理信息生成对抗网络（GAN）的模型，用于将能谱CT图像分解为密度和有效原子数图	提出了一种结合物理信息正则化损失的GAN模型，利用经过验证的模拟数据进行训练，以提高材料分解的准确性和鲁棒性	临床验证样本量较小，限制了结果的泛化能力	开发并验证一种物理信息深度学习模型，用于能谱CT图像的材料分解	模拟腹部光子计数CT扫描数据、计算体模和临床病例	计算机视觉	NA	光子计数CT（PCCT）、能谱CT	GAN	图像	32个人体模型的模拟数据用于训练，16个计算体模和6个临床病例用于验证	NA	GAN	NRMSE, SSIM, PSNR, RMSE	NA
4157	2026-02-14	A novel automated parathyroid glands detection and segmentation method in thyroidectomy 2026-Feb-13, BMC surgery IF:1.6Q2 DOI:10.1186/s12893-026-03590-z PMID:41680745	研究论文	提出一种基于深度学习的术中甲状旁腺自动检测与分割方法PG-AI，用于甲状腺切除术中辅助识别	结合YOLOX定位子网与新型语义分割模型Trans-U-HRNet，实现实时术中图像中甲状旁腺的精确分割	数据集仅包含976张来自121例开放甲状腺切除术患者的图像，样本量有限且未说明外部验证集的具体来源与规模	开发一种术中自动识别与分割甲状旁腺的方法，以辅助外科医生在甲状腺切除术中保护甲状旁腺	甲状腺切除术患者的术中图像，重点关注甲状旁腺的检测与分割	计算机视觉	甲状腺疾病	近红外自体荧光成像	CNN, Transformer	图像	976张图像来自121例患者，其中101例用于训练与内部验证	NA	YOLOX, Trans-U-HRNet	准确率, 召回率, 识别率	NA
4158	2026-02-14	NanoLoop: A Deep Learning Framework Leveraging Nanopore Sequencing for Chromatin Loop Prediction 2026-Feb-13, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202517692 PMID:41684299	研究论文	本文介绍了NanoLoop，一个利用纳米孔测序数据进行全基因组染色质环预测的深度学习框架	首次提出利用纳米孔测序数据预测染色质环的算法框架，并发现了四种影响组蛋白修饰水平的环锚点甲基化模式	NA	预测全基因组染色质相互作用，研究DNA甲基化与三维基因组组织之间的潜在联系	人类淋巴母细胞系	机器学习	NA	纳米孔测序	深度学习	测序数据	四个人类淋巴母细胞系	NA	NA	NA	NA
4159	2026-02-14	Vector-Based Comparison and Average Slope Can Refine Bioequivalence Claims: A Machine and Deep Learning Approach 2026-Feb-13, Biopharmaceutics & drug disposition IF:1.7Q3 DOI:10.1002/bdd.70023 PMID:41684335	研究论文	本研究探讨了平均斜率（AS）和向量比较（VBC）两种创新概念在生物等效性研究中的应用，旨在提高吸收率测量的准确性和效率	结合AS和VBC方法，利用机器学习和人工神经网络技术，改进生物等效性研究的统计效能并减少样本量需求	NA	提高生物等效性研究的准确性和效率，简化研究流程并降低成本	生物等效性研究中的药代动力学参数和临床终点	机器学习	NA	药代动力学分析，向量分析	人工神经网络	药代动力学数据集	14个实际数据集	NA	NA	统计效能，变异性减少	NA
4160	2026-02-14	Deep learning-based cerebellar segmentation on T2-weighted fluid-attenuated inversion recovery magnetic resonance imaging for detecting cerebellar hypoplasia/atrophy in infants 2026-Feb-13, Pediatric radiology IF:2.1Q2 DOI:10.1007/s00247-026-06545-x PMID:41686223	研究论文	本研究开发并验证了一种基于深度学习的模型，用于婴儿脑部MRI中小脑体积的测量，旨在检测小脑发育不全或萎缩	针对婴儿（特别是2岁以下）小脑尺寸小、MRI组织对比度低的挑战，开发了首个专注于婴儿小脑分割的深度学习模型，并利用预测年龄与实际年龄的差异（Δage）作为分类指标来辅助诊断	模型在异常数据集上的分割精度（DSC 0.882）低于正常数据集（DSC 0.962），且异常数据集样本量较小（40例），可能影响模型的泛化能力和诊断性能评估	开发并验证一个深度学习模型，用于婴儿脑部MRI中的小脑分割和体积测量，以检测小脑发育不全或萎缩	婴儿脑部MRI扫描图像，包括正常婴儿和患有小脑发育不全或萎缩的婴儿	数字病理学	小脑发育不全/萎缩	T2加权液体衰减反转恢复磁共振成像	深度学习分割模型	MRI图像	训练集：558例新生儿MRI扫描；验证集：正常组492例，异常组40例	NA	NA	Dice相似系数, AUC	NA