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
4801	2026-01-07	A multi-task deep learning pipeline for classification, detection, and weakly supervised 3D segmentation of intraparenchymal hematoma on brain CT 2026-Jan-05, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-34596-x PMID:41491206	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
4802	2026-02-07	AI based real time disease diagnosis in plants using deep learning driven CNNs 2026-Jan-05, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-34681-1 PMID:41491234	研究论文	本研究提出了一种基于深度学习和卷积神经网络的实时植物病害诊断框架，通过分析植物图像实现快速、准确的病害识别	开发了PDD-DL框架，利用CNN实现实时植物病害诊断，相比传统方法具有更高的速度、可信度和可扩展性	模型验证基于常见作物，但可应用于多种作物；系统需针对特定病害类别重新训练以适应农业需求	通过早期检测改善植物健康监测，最大化产量并减少损失，支持精准农业和可持续植物健康管理	植物图像，包括健康和患病植物	计算机视觉	植物病害	图像分析	CNN	图像	NA	NA	CNN	准确率, 精确率, 召回率, F1分数	NA
4803	2026-02-07	PepGraphormer: an ESM-GAT hybrid deep learning framework for antimicrobial peptide prediction 2026-Jan-05, Journal of cheminformatics IF:7.1Q1 DOI:10.1186/s13321-025-01144-8 PMID:41491543	研究论文	本文提出了一种名为PepGraphormer的新型融合深度学习框架，结合了ESM2大型语言模型和图注意力网络的优势，用于抗菌肽预测	提出了一种结合Transformer大型语言模型（ESM2）和图注意力网络（GAT）的新型融合框架，无需依赖先前研究中使用的3D蛋白质结构信息	NA	抗菌肽预测，以支持药物发现	抗菌肽序列	自然语言处理, 机器学习	NA	NA	Transformer, GAT	序列	NA	NA	ESM2, GAT	准确率	NA
4804	2026-02-07	Automated microscopy for malaria diagnosis in a reference laboratory in nonendemic settings 2026-Jan-05, Parasites & vectors IF:3.0Q1 DOI:10.1186/s13071-025-07215-x PMID:41491600	研究论文	本研究评估了miLab™自动化显微镜在非疟疾流行区参考实验室中用于疟疾诊断的性能，并与传统显微镜和巢式多重疟疾聚合酶链反应（NM-PCR）进行比较	miLab™采用深度学习模型实现全自动显微镜分析，无需专家显微镜师，缩短了诊断时间，为非流行区疟疾诊断提供了新的自动化工具	在物种鉴定和寄生虫定量方面仍需改进，与NM-PCR相比灵敏度较低（62.8%）	评估自动化显微镜miLab™在非疟疾流行区参考实验室中的疟疾诊断性能	400份血液样本（2021年至2024年收集）	数字病理学	疟疾	数字显微镜，深度学习，巢式多重疟疾聚合酶链反应（NM-PCR）	深度学习模型	血液涂片图像	400份样本	NA	NA	灵敏度，特异性，一致性，kappa系数，相关系数	NA
4805	2026-02-07	Automatic recognition and measurement of anatomical structures associated with the elevation of the maxillary sinus floor by deep learning on cone-beam computed tomographic scans 2026-Jan-05, BMC oral health IF:2.6Q1 DOI:10.1186/s12903-025-07609-4 PMID:41491712	研究论文	本研究开发了一种基于深度学习的模型，用于在锥形束计算机断层扫描图像中自动识别上颌窦、后上牙槽动脉和牙槽嵴，并评估其诊断性能，以实现上颌后牙种植手术的智能术前设计	采用增强的YOLOv11架构进行模型训练，实现了对上颌窦、PSAA和牙槽嵴的精确分割，并在此基础上自动测量与上颌后牙种植相关的五个解剖参数	研究仅使用了2400张CBCT切片作为初始数据集，样本量相对有限，且未提及模型在其他数据集或临床环境中的泛化能力验证	开发深度学习模型以自动识别上颌窦、后上牙槽动脉和牙槽嵴，并测量相关解剖参数，用于上颌窦提升术的智能术前设计	上颌后牙缺失患者的CBCT扫描图像	计算机视觉	牙科疾病	锥形束计算机断层扫描	CNN	图像	2400张CBCT切片	NA	YOLOv11	IoU, 平均精度, 平均召回率, 欧几里得距离	NA
4806	2026-02-07	Memory-efficient full-volume inference for large-scale 3D dense prediction without performance degradation 2026-Jan-03, Communications engineering DOI:10.1038/s44172-025-00576-2 PMID:41484251	研究论文	本文提出了一种无需重新训练、无性能损失的推理优化框架，用于实现大规模3D密集预测任务的高效全尺寸推理	提出了一种创新的推理优化框架，通过算子空间分块、算子融合、归一化统计量聚合和按需特征重计算等技术，在不损失性能的前提下实现大规模3D体积数据的全尺寸推理	论文未明确讨论该方法在非地震数据或其他3D密集预测任务（如不同模态的医学影像）上的泛化能力限制	解决大规模3D密集预测任务中因内存限制和算子执行效率低下而无法进行全尺寸推理的问题	地震勘探数据中的3D体积数据（如超过1024体素的体积）	计算机视觉	NA	3D密集预测	深度学习模型	3D体积数据（体素）	未明确指定具体样本数量，但验证了超过1024体素的大体积数据	未明确指定	FaultSeg3D	推理时间、内存使用量、体积处理能力	未明确指定具体GPU类型，但提及内存使用量为27.6 GB
4807	2026-02-07	A CT-based deep learning approach to differentiate multiple primary lung cancers, metastases, and benign nodules 2026-Jan-02, BMC cancer IF:3.4Q2 DOI:10.1186/s12885-025-15501-1 PMID:41485033	研究论文	本研究开发并验证了一种基于CT的深度学习分类系统，用于区分多原发性肺癌、肺内转移瘤和良性肺结节	首次将MambaOut-Kobe等六种预训练架构用于CT图像的多分类任务，并通过五种子消融实验和决策曲线分析评估临床实用性，结合Grad-CAM提供可解释性支持	研究样本量相对有限（260名患者），未来需要在更大规模、多中心数据集上进行验证，并提升模型对多原发性肺癌与肺内转移瘤的区分能力	开发自动化深度学习分类系统，以快速、客观地区分多原发性肺癌、肺内转移瘤和良性肺病变，优化患者治疗规划	260名患者的881张轴向CT切片，包括多原发性肺癌（83例）、肺内转移瘤（81例）和良性肺病变（96例）	计算机视觉	肺癌	CT成像	深度学习	图像	260名患者，881张轴向CT切片	NA	DenseNet-121, EfficientNet-B1, MambaOut-Kobe, ResNet-50, SwinV2-CR-Tiny-224, ViT-Tiny-Patch16-224	AUC, 准确率, 决策曲线分析	NA
4808	2026-02-07	Shaping the Future of Personalized Therapy in Bladder Cancer Using Artificial Intelligence 2026-Jan, European urology focus IF:4.8Q1 DOI:10.1016/j.euf.2025.07.011 PMID:40753031	综述	本文简要概述了人工智能在膀胱癌管理各步骤中的应用及其对个体化治疗策略的潜在贡献	整合人工智能工具（主要是机器学习和深度学习方法）到当前膀胱癌工作流程中，为治疗提供更个性化的方法	尽管取得显著进展，但主要障碍仍阻碍人工智能在膀胱癌临床工作流程中的广泛应用，需要更多研究才能用于常规临床实践	探讨人工智能在膀胱癌管理中的应用潜力，以实现更精确的个体化治疗	膀胱癌患者	机器学习	膀胱癌	NA	机器学习, 深度学习	NA	NA	NA	NA	NA	NA
4809	2026-02-07	Deep learning application for genomic data analysis 2026-Jan, BMB reports IF:2.9Q3 PMID:40962325	综述	本文综述了深度学习在基因组学四个领域（变异检测、基因表达调控、基序发现和3D染色质互作）中的应用，总结了模型开发的关键方面，并讨论了未来挑战	系统性地回顾了深度学习在基因组学中的最新应用，并重点讨论了基因组标记化和多组学数据整合等前沿挑战	作为综述文章，未提出新的实验数据或模型，主要基于现有文献进行总结	探讨深度学习在基因组数据分析中的应用现状、关键模型开发策略及未来研究方向	基因组学数据，包括变异检测、基因表达调控、基序发现和3D染色质互作相关的数据	机器学习	NA	现代基因组测序技术	深度学习模型	基因组数据	NA	NA	NA	NA	NA
4810	2026-02-07	Generation of multimodal realistic computational phantoms as a test-bed for validating deep learning-based cross-modality synthesis techniques 2026-Jan, Medical & biological engineering & computing IF:2.6Q3 DOI:10.1007/s11517-025-03437-4 PMID:41015634	研究论文	提出一种利用计算体模生成逼真CT和MRI图像的新框架，用于验证基于深度学习的跨模态合成技术	利用生成的计算体模作为验证数据，为深度学习跨模态合成技术提供可靠的真实性测试平台	NA	验证基于深度学习的医学图像跨模态合成技术，特别是用于放射治疗的MRI到合成CT生成	计算体模生成的CT和MRI图像	医学影像	NA	计算体模生成，CycleGAN	GAN	图像	NA	NA	CycleGAN	直方图相关性，剂量学准确性	NA
4811	2026-02-07	iDRKAN: Interpretable miRNA-Disease Association Prediction Based on Dual-Graph Representation Learning and Kolmogorov-Arnold Network 2026 Jan-Feb, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3634550 PMID:41259182	研究论文	提出了一种基于双图表示学习和Kolmogorov-Arnold网络的可解释miRNA-疾病关联预测方法iDRKAN	结合双图表示学习（相似性视图和元路径视图）、多通道注意力机制、语义层注意力机制、对比学习策略以及可解释的Kolmogorov-Arnold网络，以捕获异构节点深层语义信息并提升模型可解释性	NA	准确预测miRNA与疾病之间的关联，以支持生物医学研究和临床应用	miRNA-疾病关联	生物信息学	NA	图表示学习，注意力机制，对比学习	图卷积网络，Kolmogorov-Arnold网络	图数据（相似性矩阵和关联矩阵）	两个公共数据集	NA	GCN, KAN	多个性能指标（未具体列出）	NA
4812	2026-02-07	Spatial Hierarchical Protein-Protein Interaction Site Prediction Using Squeeze-and-Excitation Capsule Networks 2026 Jan-Feb, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3638901 PMID:41325125	研究论文	本文提出了一种名为MSE-CapsPPISP的深度学习模型，用于预测蛋白质-蛋白质相互作用位点，通过考虑蛋白质序列特征的空间层次关系来提高预测性能	设计了基于胶囊网络的模型，利用向量神经元捕捉蛋白质序列特征的空间层次关系，并结合多尺度CNN和Squeeze-and-Excitation块增强特征表示	未在摘要中明确提及	开发计算方法来预测蛋白质-蛋白质相互作用位点，以补充耗时且易受噪声影响的生物实验	蛋白质序列及其相互作用位点	生物信息学	NA	深度学习	胶囊网络, CNN	蛋白质序列数据	NA	NA	MSE-CapsPPISP, Capsule Network, 多尺度CNN, Squeeze-and-Excitation块	F1, MCC, AUROC, AUPR	NA
4813	2026-02-07	A Multi-Modal Contrastive Learning Framework for Cyclic Peptide Permeability Prediction 2026 Jan-Feb, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3643437 PMID:41379908	研究论文	本文介绍了一个名为MCPerm的多模态深度学习框架，用于预测环肽的细胞膜渗透性	提出了一种新颖的模态共享和对比学习策略，协同整合了1D SMILES、2D拓扑和3D几何信息，并引入了基于注意力的可视化分析，使模型具有可解释性	NA	开发一个计算框架以准确预测环肽的细胞膜渗透性，加速细胞可渗透环肽药物的合理设计与发现	环肽分子	机器学习	NA	深度学习	Transformer, 对比学习	1D SMILES序列, 2D拓扑结构, 3D几何结构	NA	NA	图Transformer, 预训练肽语言模型	NA	NA
4814	2026-02-07	DriverMONI: Cancer Driver Gene Prediction With Multimodal Deep Learning Integrating Multiomics Data and Condition-Specific Network Information 2026 Jan-Feb, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3643887 PMID:41396756	研究论文	本文提出了一种名为DriverMONI的多模态深度学习方法，用于整合多组学数据和条件特异性网络信息以预测癌症驱动基因	利用条件特异性蛋白质-蛋白质相互作用子网络生成图注意力网络的输入图和节点属性，使模型具有条件特异性并提高预测准确性	未明确提及具体局限性	开发一种多模态深度学习方法，用于更准确地识别癌症驱动基因	癌症驱动基因	机器学习	癌症	多组学数据分析	图注意力网络	多组学数据、生物网络数据	NA	NA	图注意力网络	预测准确性	NA
4815	2026-02-07	DeepNhKcr: Explainable Deep Learning Framework for the Prediction of Crotonylation Sites of Non-Histone Lysine in Plants Based on Pre-Trained Protein Language Model 2026 Jan-Feb, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3643930 PMID:41396754	研究论文	本研究提出了一种名为DeepNhKcr的深度学习框架，用于预测植物非组蛋白赖氨酸的克罗托尼化位点	结合预训练蛋白质语言模型（ESM2）与双向长短期记忆网络（BiLSTM），并采用焦点损失函数处理数据不平衡问题，同时提供可解释性分析	未明确提及模型在跨物种或不同植物类型中的泛化能力限制	开发一种计算方法来快速准确预测植物非组蛋白中的克罗托尼化位点	植物非组蛋白中的赖氨酸克罗托尼化位点	生物信息学	NA	蛋白质语言模型, 深度学习	BiLSTM	蛋白质序列	NA	NA	ESM2, BiLSTM	准确率	NA
4816	2026-02-07	SG-DCNN: A Deep Learning Method Integrating Self-Attention Mechanism and Generative Adversarial Network for Predicting Ion-Ligand Binding Residues in Small Samples 2026 Jan-Feb, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3645246 PMID:41406298	研究论文	提出了一种结合自注意力机制和生成对抗网络的深度学习方法SG-DCNN，用于预测小样本中离子配体的结合残基	首次将生成对抗网络和自注意力机制集成到深度卷积神经网络框架中，以解决小样本和类别不平衡问题	仅针对八种小样本离子配体进行了验证，未在大规模或更多种类的配体上进行测试	提高蛋白质与离子配体结合残基的预测准确性	离子配体与蛋白质的结合残基	机器学习	NA	NA	CNN, GAN	NA	八种小样本离子配体	NA	深度卷积神经网络, 生成对抗网络, 自注意力机制	准确率, 马修斯相关系数	NA
4817	2026-02-07	DeepR2OM: Accurate Recognition for RNA 2'-O-Methylation Sites in Human Genome Using Deep Learning 2026 Jan-Feb, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3647488 PMID:41433162	研究论文	本文提出了一种名为DeepR2OM的新方法，通过整合特征选择和深度学习技术，用于准确预测人类基因组中的RNA 2'-O-甲基化位点	开发了DeepR2OM，一种结合了八种RNA描述符编码、特征选择算法降维以及深度学习网络训练的新型预测方法，并评估了多种深度学习架构以优化模型性能	未明确提及具体局限性，但传统检测方法存在资源密集、可能损伤RNA样本和高成本等问题，而本研究未讨论模型在更广泛数据集或实际应用中的泛化能力	准确预测人类基因组中的RNA 2'-O-甲基化位点，以理解RNA的生物学功能及相关病理	人类基因组中的RNA 2'-O-甲基化位点	机器学习	NA	RNA描述符编码	CNN, Multi-Head Self-Attention, DNN	序列数据	NA	NA	CNN, Multi-Head Self-Attention, DNN	准确率, 召回率, 精确率, 马修斯相关系数	NA
4818	2026-02-07	Drug Effect Classification Using Frequency-Based Graph Traversal Approach 2026 Jan-Feb, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3648860 PMID:41452695	研究论文	本研究提出了一种基于频率的图遍历方法，用于将药物分类为症状缓解型或疾病修饰型	采用异质网络和引导最短路径遍历框架，通过识别最短元路径中频繁出现的基因来分类药物，并提高了模型的可解释性	NA	基于药物对疾病治疗的影响，将其分类为症状缓解型或疾病修饰型	药物、基因和疾病	机器学习	多发性硬化症	图遍历方法	图模型	网络数据	NA	NA	引导最短路径遍历框架	分类准确率	NA
4819	2026-02-07	Foundation Models for Neural Signal Decoding: EEG-Centered Perspectives Toward Unified Representations 2026-Jan, The European journal of neuroscience DOI:10.1111/ejn.70376 PMID:41459740	综述	本文综述了用于神经信号解码的基础模型，特别聚焦于EEG，并探讨了构建统一神经表征的设计原则与挑战	提出了以EEG为中心的基础模型开发框架，强调生理感知表征学习、结构感知架构和可解释性机制三大设计原则，以支持跨空间和时间尺度的统一神经表征	许多现有模型仍沿用非神经领域的训练目标，未能充分利用电极拓扑或功能连接等空间先验信息	探讨基础模型在神经信号解码中的应用，旨在构建鲁棒、可迁移且具有生理学基础的统一神经表征	EEG、ECoG和皮层内记录等神经信号	机器学习	NA	EEG、ECoG、皮层内记录	基础模型	神经信号	NA	NA	Patched Brain Transformer, CBraMod, BrainGPT	NA	NA
4820	2026-02-07	BELE: Blur Equivalent Linearized Estimator 2026, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2026.3651959 PMID:41528899	研究论文	本文提出了一种轻量级且感知可解释的全参考图像质量评估模型BELE，通过分离强边缘退化与纹理失真的影响来桥接主观感知与客观度量	提出基于位置费舍尔信息损失的线性化估计器计算模糊指数，引入复峰值信噪比捕捉纹理失真，并采用带聚焦项的低阶多项式拟合替代传统VQEG校正方法	未明确说明模型在极端失真类型或跨模态图像评估中的泛化能力	开发感知可解释且计算高效的全参考图像质量评估方法	图像质量评估	计算机视觉	NA	NA	无训练参数模型	图像	六个基准数据集	NA	BELE	与MOS的相关性	NA