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
4781	2026-02-10	High-Resolution MR Imaging of Elbow Ligament Injuries and Associated Impingement and Instability Syndromes 2026-Mar, Radiologic clinics of North America IF:2.1Q2 DOI:10.1016/j.rcl.2025.09.005 PMID:41656056	综述	本文详细阐述了用于评估肘关节韧带损伤及相关撞击与不稳定综合征的高分辨率磁共振成像技术	强调了高场强磁体、专用表面线圈、三维成像和深度学习重建等先进技术在增强韧带结构可视化方面的应用	NA	评估肘关节韧带病变及相关不稳定和撞击综合征	肘关节韧带（内侧和外侧韧带复合体）及相关病理状态	数字病理学	NA	高分辨率磁共振成像，三维成像，深度学习重建	NA	磁共振图像	NA	NA	NA	NA	NA
4782	2026-02-10	Corrigendum to "Geometric evaluation of a deep learning method for segmentation of urinary OARs on magnetic resonance imaging for prostate cancer radiotherapy". [Clin. Transl. Radiat. Oncol. 56 (2026) 101091] 2026-Mar, Clinical and translational radiation oncology IF:2.7Q2 DOI:10.1016/j.ctro.2025.101103 PMID:41657361	correction	本文是对一篇关于深度学习在MRI图像中分割前列腺癌放疗相关危及器官（OARs）的几何评估研究的更正	NA	NA	NA	NA	digital pathology	prostate cancer	magnetic resonance imaging	deep learning	image	NA	NA	NA	NA	NA
4783	2026-02-10	DeepDBPI: DNA-Binding Protein Identifier Using a Deep Learning Model with Transformed Denoised Features 2026-Feb-09, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02637 PMID:41566703	研究论文	本文提出了一种名为DeepDBPI的深度学习模型，用于预测DNA结合蛋白，通过结合多种新型描述符和去噪技术提升预测性能	开发了结合CC-PSSM、BP-PSSM、TRG-PSSM和FEGS等新型描述符的深度学习模型，并应用小波去噪算法处理序列特征，提高了DNA结合蛋白的预测准确性	未明确提及模型在更广泛数据集上的泛化能力或计算效率的具体限制	开发高效的深度学习模型以预测DNA结合蛋白，替代传统昂贵且耗时的湿实验方法	DNA结合蛋白（DBPs）	生物信息学	NA	小波去噪（WD）算法	ResNet, LSTM, BiLSTM, RNN, BiRNN, BiGRU	蛋白质序列数据	NA	NA	ResNet, LSTM, BiLSTM, RNN, BiRNN, BiGRU	准确率（ACC）、灵敏度（SN）、特异度（SP）、马修斯相关系数（MCC）	NA
4784	2026-02-10	Attention-Guided Multiview Deep Learning Framework Uncovers miRNA-Drug Associations for Therapeutic Discovery 2026-Feb-09, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02839 PMID:41592800	研究论文	本文提出了一种注意力引导的多视图深度学习框架（DLMVF），用于预测miRNA-药物关联，以促进治疗发现	该框架首次全面整合了miRNA和药物的多源信息，而非仅依赖已知的相互作用图数据，并通过视图级注意力机制自适应学习不同特征的重要性	NA	预测miRNA-药物关联，以支持基于miRNA的治疗方法开发	miRNA和药物	机器学习	癌症	深度学习	注意力机制	多源信息（包括属性数据和相互作用数据）	基于最新数据库手动构建的实验基准数据集	NA	DLMVF（包含miRNA属性视图编码器、药物属性视图编码器和miRNA-药物相互作用编码器模块）	AUROC, AUPRC	NA
4785	2026-02-10	CompBind: Complex Guided Pretraining-Based Structure-Free Protein-Ligand Affinity Prediction 2026-Feb-09, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02451 PMID:41562952	研究论文	提出了一种名为CompBind的新型框架，用于仅使用蛋白质和配体序列预测结合亲和力，无需依赖实验解析的3D复合物结构	通过结合双向交叉注意力和双目标预训练策略，从现有复合物结构中学习潜在相互作用模式，实现仅从序列推断结合亲和力，解决了结构数据稀缺性问题	未明确说明模型对新型蛋白质-配体对或高度变异序列的泛化能力，也未讨论计算效率的具体数据	开发一种不依赖3D结构输入的蛋白质-配体结合亲和力预测方法，以加速药物发现流程	蛋白质-配体复合物及其结合亲和力	机器学习	NA	深度学习预训练	基于注意力机制的深度学习模型	蛋白质序列、配体序列、3D复合物结构（仅预训练用）	NA	NA	双向交叉注意力架构	排名准确性（案例研究中）	NA
4786	2026-02-10	NeuroTDPi: Interpretable Deep Learning Models with Multimodal Fusion for Identifying Neurotoxic Compounds 2026-Feb-09, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02639 PMID:41609193	研究论文	本研究开发了一个名为NeuroTDPi的多层全连接深度神经网络模型，用于识别神经毒性化合物	采用多模态融合策略，整合分子表征与针对三个特定神经毒性终点的特征表示，并利用SHAP方法增强模型可解释性	未明确说明模型在外部验证集上的泛化性能或对未知化合物的预测能力	开发可解释的深度学习模型，用于早期预测化学神经毒性	神经毒性化合物	机器学习	NA	分子表征，多模态融合	深度神经网络	分子特征数据	未明确说明	未明确说明	多层全连接神经网络	AUC	未明确说明
4787	2026-02-10	Towards holistic phenotype prediction beyond genotypic data 2026-Feb-09, Journal of experimental botany IF:5.6Q1 DOI:10.1093/jxb/erag068 PMID:41656352	综述	本文探讨了超越基因组数据整合多种数据类型以增强表型预测能力的潜力	提出了五种数据整合策略（消除、促进、聚合、纳入、调制），并系统综述了其在提升表型预测准确性和全面理解复杂生物系统中的应用	作为综述论文，未提供具体实验验证，且各策略的优缺点依赖于现有研究，可能缺乏统一评估标准	增强表型预测能力，超越传统基因组选择，实现更全面的生物系统理解	多种数据类型（如环境数据）及其在表型预测中的整合应用	机器学习	NA	NA	CNN	基因组数据、环境数据等多种数据类型	NA	NA	卷积神经网络	NA	NA
4788	2026-02-10	Cardiac MR function analysis with DL-based super resolution reconstruction: application in the clinical setting 2026-Feb-09, The international journal of cardiovascular imaging DOI:10.1007/s10554-026-03642-8 PMID:41656477	研究论文	本研究评估了深度学习超分辨率重建在心脏磁共振成像中，与传统并行成像方法在容积测量、图像质量和采集时间方面的差异	首次将深度学习超分辨率重建算法应用于压缩感知加速采集的心脏磁共振图像，显著缩短了采集时间同时保持了图像质量和容积测量准确性	样本量较小（31例患者），且研究为回顾性设计，可能存在选择偏倚	评估深度学习超分辨率重建在心脏磁共振功能分析中的临床应用价值	31例接受心脏磁共振检查的患者，用于评估缺血性和非缺血性心肌病	数字病理学	心血管疾病	心脏磁共振成像，平衡稳态自由进动电影序列，并行成像，压缩感知	深度学习	医学图像	31例患者	NA	NA	相关系数，平均差异，一致性界限，p值	1.5T Philips Ingenia MRI扫描仪
4789	2026-02-10	Development of a lightweight deep learning model for accurate assessment of liver fibrosis in biliary atresia 2026-Feb-09, Pediatric surgery international IF:1.5Q3 DOI:10.1007/s00383-026-06296-8 PMID:41661334	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
4790	2026-02-10	PCOSFusionNet: Hybrid Deep Feature Fusion Network for PCOS Classification from Ultrasound Images of Ovaries 2026-Feb-08, Ultrasonic imaging IF:2.5Q2 DOI:10.1177/01617346261416509 PMID:41655150	研究论文	本文提出了一种名为PCOSFusionNet的混合深度特征融合网络，用于从卵巢超声图像中自动分类多囊卵巢综合征（PCOS）	提出了一种结合手工特征（HOG）与深度学习全局特征（VGG19）的混合特征融合模型，并应用CLAHE进行图像增强，以提升PCOS分类的准确性	未明确讨论模型在临床环境中的泛化能力或对不同超声设备图像的适应性	提高PCOS超声图像自动分类的准确性和可靠性，辅助临床诊断	卵巢超声图像	计算机视觉	多囊卵巢综合征	超声成像	CNN	图像	两个公开数据集：数据集1包含3856张超声图像，数据集2包含12680张超声图像	NA	VGG19	准确率, 精确率, 召回率, F1分数	NA
4791	2026-02-10	A Multimodal Fusion Model of Radiomics and Deep Learning Integrating the Tumor Microenvironment Accurately Predicts Pathological Complete Response in Breast Cancer 2026-Feb-07, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2026.01.016 PMID:41656135	研究论文	本研究开发了一种融合瘤内影像组学、瘤周特征和深度学习模式的多模态模型，用于预测乳腺癌新辅助化疗后的病理完全缓解	首次将瘤周微环境（9毫米扩展区域）的特征整合到多模态预测模型中，以捕捉肿瘤-微环境的相互作用，从而提高了预测准确性	尽管模型性能优越，但与结合了深度学习和瘤内特征的模型相比，其改进未达到统计学显著性	提高乳腺癌新辅助化疗后病理完全缓解的预测准确性，为个性化治疗决策提供工具	乳腺癌患者	数字病理学	乳腺癌	MRI	逻辑回归	图像	内部验证队列929例（来自I-SPY2试验），外部独立验证队列95例	Scikit-learn	NA	AUC, 敏感性	NA
4792	2026-02-10	Learner-Centered Microbiology Teaching via the Flipped Classroom Model: Insights from a Mixed-Methods Educational Study 2026-Feb-06, Annals of African medicine IF:0.6Q3 DOI:10.4103/aam.aam_597_25 PMID:41656482	研究论文	本研究通过混合方法探讨了翻转课堂模型在第二阶段医学微生物学教学中的应用效果	在医学微生物学教育中系统实施并评估翻转课堂模型，结合定量与定性方法分析学生和教师的体验	研究样本规模较小（75名学生和8名教师），且仅在单一教学医院进行，可能限制结果的普适性	评估翻转课堂模型在医学微生物学教学中的实施效果、学生感知和教师视角	第二阶段MBBS学生和微生物学教师	医学教育	NA	翻转课堂教学法	NA	问卷调查数据、焦点小组讨论记录、教师访谈记录	75名学生和8名教师	NA	NA	百分比统计、主题分析	NA
4793	2025-07-15	Auxiliary diagnosis of hyperpigmented skin diseases using multimodal deep learning 2026-Feb-05, Chinese medical journal IF:7.5Q1 DOI:10.1097/CM9.0000000000003637 PMID:40653928	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
4794	2026-02-10	DisSubFormer: A subgraph transformer model for disease subgraph representation and comorbidity prediction 2026-Feb-03, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2026.108935 PMID:41655406	研究论文	提出了一种名为DisSubFormer的子图Transformer模型，用于疾病子图表示学习和共病预测	通过整合PPI网络的结构模式和GO层次祖先信息，学习统一的蛋白质表示，并引入可学习的多头注意力机制，以子图到子图的注意力替代全图注意力，提高可扩展性和相关性	未明确提及模型的局限性	研究疾病共病关系并预测共病	疾病子图和共病数据集	机器学习	共病	图深度学习，Transformer模型	Transformer	图数据	NA	NA	DisSubFormer	AUROC	NA
4795	2026-02-10	DeepVBM: A fully automatic and efficient voxel-based morphometry via deep learning-based segmentation and registration methods 2026-Feb-02, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2026.110637 PMID:41638266	研究论文	本研究提出了一种基于深度学习的全自动体素形态测量方法DeepVBM，通过融合分割和配准技术，显著提高了大规模神经影像数据分析的效率	开发了FuseMorph配准方法，通过迭代推理和参数搜索优化预训练模型的零样本预测，无需完整反向传播或模型重训练，在仅CPU环境下实现高精度配准	未明确说明方法在其他神经退行性疾病或不同MRI协议下的泛化能力，且可能依赖于特定预训练模型	开发一个高效、自动化的体素形态测量流程，以促进大规模多中心神经影像研究	T1加权磁共振成像数据，特别是阿尔茨海默病队列的脑部结构	医学影像分析	阿尔茨海默病	T1加权磁共振成像	深度学习模型	图像	多个数据集，包括一个阿尔茨海默病队列	未明确指定	未明确指定	配准精度	仅CPU环境
4796	2026-02-10	Deep learning-enhanced zero echo time silent brain magnetic resonance imaging in infants without sedation 2026-Feb, Pediatric radiology IF:2.1Q2 DOI:10.1007/s00247-025-06413-0 PMID:41219520	研究论文	本研究评估了基于深度学习的重建技术对零回波时间（ZTE）婴儿脑部磁共振成像图像质量的影响，并与传统镇静下的MRI进行了比较	首次将深度学习重建应用于婴儿无镇静的ZTE脑部MRI，显著提升了图像质量，并验证了其与镇静下常规MRI的可比性	研究为回顾性设计，样本量相对有限（78名婴儿），且未评估长期临床影响	评估深度学习重建在提升无镇静婴儿脑部ZTE MRI图像质量方面的效果，以减少镇静需求	婴儿（孕后年龄≤16个月）的脑部磁共振成像	医学影像	婴儿脑部疾病	磁共振成像（MRI），包括零回波时间（ZTE）序列和3D T1加权磁化准备快速梯度回波（MPRAGE）序列	深度学习（DL）	磁共振图像	78名婴儿	NA	NA	图像质量评分（5点Likert量表），信号均匀性（变异系数），病变显著性，组间差异分析（Mann-Whitney U检验），评分者间一致性（Cohen's kappa系数）	NA
4797	2026-02-10	The regulatory code of injury-responsive enhancers enables precision cell-state targeting in the CNS 2026-Feb, Nature neuroscience IF:21.2Q1 DOI:10.1038/s41593-025-02131-w PMID:41331142	研究论文	本研究通过单核转录组学和染色质可及性分析，解码了哺乳动物中枢神经系统损伤响应增强子的调控编码，并利用深度学习模型揭示其细胞类型特异性，最终通过体内增强子筛选展示了其在靶向治疗中的应用潜力	首次系统性地解码了中枢神经系统损伤响应增强子的调控原则，结合深度学习模型揭示了其整合通用刺激响应元件与细胞身份程序的架构，并成功应用于靶向疾病相关细胞状态的基因递送载体设计	研究主要基于小鼠脊髓挫伤模型，结果在人类或其他损伤模型中的普适性有待验证；深度学习模型的解释性可能有限	探究损伤诱导的转录程序如何编码于哺乳动物中枢神经系统的增强子中，并开发靶向疾病相关细胞状态的精准治疗策略	小鼠脊髓挫伤后的细胞类型特异性增强子，特别是胶质细胞中的损伤响应增强子	计算生物学	中枢神经系统损伤	单核转录组学，染色质可及性分析，深度学习，体内增强子筛选	深度学习模型	转录组数据，染色质可及性数据	数千个小鼠脊髓损伤后的细胞类型特异性增强子	NA	NA	NA	NA
4798	2026-02-10	Artificial intelligence assistance narrows the experience gap in endoscopic reporting of gastric lesions: a prospective clinical trial 2026-Feb, Surgical endoscopy DOI:10.1007/s00464-025-12410-z PMID:41345528	研究论文	本研究验证了一种人工智能辅助报告系统在提高胃部病变内镜报告质量方面的临床效果，特别关注缩小内镜医师间的经验差距	开发并验证了一个集成多个深度学习模型的人工智能报告系统，专门用于胃部病变的检测、分类和特征识别，并通过前瞻性临床试验证明其能显著提高报告完整性，尤其是在识别可疑肿瘤方面	研究样本量相对有限（276个视频片段），且主要聚焦于胃部病变，未涉及其他消化道部位	验证人工智能报告系统在改善胃部病变内镜文档质量方面的有效性，并缩小不同经验水平内镜医师间的报告差距	胃部病变的内镜图像和视频	计算机视觉	胃部病变	内镜成像	深度学习模型	图像, 视频	276个视频片段用于系统验证	NA	NA	准确率, 灵敏度, 特异性	NA
4799	2026-02-10	Validation of a deep learning-based AI model for breast cancer risk stratification in postmenopausal ER+/HER2-breast cancer patients 2026-Feb, Breast (Edinburgh, Scotland) DOI:10.1016/j.breast.2025.104671 PMID:41380230	研究论文	本研究验证了一种基于深度学习的AI模型（Stratipath）在绝经后ER+/HER2-乳腺癌患者中进行风险分层的预后价值，并与传统的诺丁汉组织学分级系统进行比较	提出并验证了一种深度学习模型，用于乳腺癌风险分层，旨在解决传统NHG系统存在的观察者间变异性和中间风险组患者比例过高的问题，从而可能实现更个体化的治疗规划	研究结论指出，需要对Stratipath风险组2和3在治疗策略中的临床获益进行进一步的前瞻性验证	验证Stratipath深度学习AI模型在乳腺癌风险分层中的预后价值，并与广泛使用的诺丁汉组织学分级系统进行比较	2466名绝经后、ER阳性/HER2阴性、且根据当时指南未接受化疗的乳腺癌患者	数字病理学	乳腺癌	深度学习	深度学习模型	临床数据	2466名患者	NA	Stratipath模型	一致性指数, 风险比	NA
4800	2026-02-10	Multiscale segmentation using hierarchical phase-contrast tomography and deep learning 2026-Feb, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1013923 PMID:41628266	研究论文	本文提出了一种结合分层相衬断层扫描（HiP-CT）和深度学习的多尺度生物医学图像分割流程，用于分割人类肾脏中的肾小球	利用HiP-CT生成多尺度3D数据集，并开发了一个深度学习分割流程，通过高分辨率手动标注数据训练模型，再使用伪标签和图像配准技术扩展到低分辨率全器官扫描，实现了跨尺度的信息整合	研究仅以人类肾脏中的肾小球作为案例，其更广泛的器官系统适用性有待进一步验证	开发一个有效的多尺度生物医学图像分割方法，以捕捉和分析完整人体器官中的微小功能单元	人类肾脏中的肾小球	数字病理学	NA	分层相衬断层扫描（HiP-CT）	3D深度学习模型	3D图像	四个人类肾脏的高分辨率感兴趣体积（VOIs）数据集，以及两个低分辨率全器官数据集	NA	nnUNet	Dice系数	NA