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
481	2026-03-31	Graph-Based Classification with GNN-Explainer for Predicting Cardiac Toxicity Associated with Multi-Ion Channel Blockers 2026-Mar-24, Chemical research in toxicology IF:3.7Q2 DOI:10.1021/acs.chemrestox.5c00369 PMID:41875377	研究论文	本研究开发了一种基于图神经网络的深度学习框架，用于预测多离子通道阻断剂的心脏毒性	整合了Kv11.1、Cav1.2和Nav1.5三种关键离子通道的抑制数据，克服了现有模型仅依赖Kv11.1数据的局限性，并利用GNNExplainer提供可解释的原子和键级贡献可视化	NA	开发一个深度学习框架，以更全面地评估药物开发中的心脏毒性风险	药物分子（特别是多离子通道阻断剂）	机器学习	心血管疾病	深度学习，图神经网络	GNN	分子图数据	总计38,905个分子（Kv11.1: 34,124个，Cav1.2: 1,564个，Nav1.5: 3,217个）	PyTorch	GNN	准确率	NA
482	2026-03-31	Improving hERG Cardiotoxicity Prediction via SMILES Transformer, Molecular Fingerprints, and Layer-Wise Self-Adaptive Graph Attention Network 2026-Mar-24, ACS omega IF:3.7Q2 DOI:10.1021/acsomega.5c10745 PMID:41908382	研究论文	本文提出了一种名为TDMFLSGAT的多模态深度学习模型，用于预测药物分子对hERG钾通道的阻断作用，以评估其心脏毒性风险	提出了一种新颖的多模态架构，整合了SMILES序列的Transformer编码、基于图的自适应注意力机制以及多种分子指纹，并引入了多模态可解释性框架	未明确说明模型在外部验证集上的泛化能力，也未详细讨论计算成本	开发可靠的计算筛选工具，以预测药物分子对hERG钾通道的阻断作用，从而评估其心脏毒性风险	药物分子（药物样分子）	机器学习	心血管疾病	NA	Transformer, GAT（图注意力网络）	分子结构数据（SMILES字符串，分子图，分子指纹）	未明确说明具体样本数量，使用了5折交叉验证	NA	Transformer, Layer-Wise Self-Adaptive Graph Attention Network	准确率, AUC, 平均精度, 灵敏度, 特异性, 阴性预测值, 阳性预测值, 马修斯相关系数	NA
483	2026-03-31	Structure-Based and AI-Assisted Identification of AGPS Inhibitors for Glioma via Integrated Docking, Molecular Dynamics, and Binding Affinity Screening 2026-Mar-24, ACS omega IF:3.7Q2 DOI:10.1021/acsomega.5c09368 PMID:41908407	研究论文	本研究提出了一种基于结构和人工智能辅助的集成流程，用于识别针对胶质瘤靶点AGPS的可再利用候选药物	开发了一个特征驱动的AI集成管道，结合了深度学习模型、图神经网络、分子对接、分子动力学模拟以及混合深度学习模型（3D CNN与多层感知器），用于系统性地识别针对多种癌症的可成药靶点的候选药物	研究主要针对胶质瘤和AGPS靶点进行验证，尚未在其他癌症类型或靶点上进行广泛测试	旨在解决癌症药物发现中的瓶颈，通过AI辅助方法加速可再利用候选药物的识别	胶质瘤及其关键靶点烷基甘油酮磷酸合酶（AGPS）	机器学习	胶质瘤	深度学习，图神经网络，分子对接，分子动力学模拟	深度学习模型，图神经网络，3D卷积神经网络，多层感知器	化合物结构数据，分子动力学轨迹数据	从Life Chemicals高通量筛选数据库中筛选了超过576,510种化合物	NA	3D CNN，多层感知器，图神经网络	AUC	NA
484	2026-03-31	Tissue morphology predicts telomere shortening in human tissues 2026-Mar-23, Cell reports methods IF:4.3Q2 DOI:10.1016/j.crmeth.2026.101336 PMID:41844165	研究论文	本文提出了一个名为TLPath的深度学习框架，能够从常规组织病理学图像中提取的组织形态学特征预测整体组织的端粒长度	首次提出通过组织形态学特征预测端粒长度的深度学习框架，无需明确年龄监督即可检测衰老引起的组织结构变化，并发现形态学特征在预测端粒长度方面优于实际年龄	研究基于组织切片图像，可能无法完全反映体内三维组织结构的复杂性；模型在部分组织类型中的预测性能可能存在差异	开发能够从组织形态学预测端粒长度的深度学习模型，探索衰老与组织形态变化的关系	人类组织样本（来自919名个体和18个器官）	数字病理学	衰老相关疾病	组织病理学成像（H&E染色）	深度学习	图像（全切片数字病理图像）	超过5,000张全切片图像，来自919名个体和18个器官；在约2,800个GTEx活检样本中验证	NA	NA	相关系数（r=0.51）	NA
485	2026-03-31	Assessing the Performance of BioEmu in Understanding Protein Dynamics 2026-Mar-23, International journal of molecular sciences IF:4.9Q2 DOI:10.3390/ijms27062896 PMID:41898756	研究论文	本文评估了基于深度学习的蛋白质构象生成模型BioEmu在多个蛋白质动力学相关任务中的性能	首次系统性地评估了序列驱动的生成模型BioEmu在蛋白质动力学研究中的能力与局限，明确了其在构象分布和能量权重方面的不足	BioEmu无法预测突变引起的构象分布变化，在某些情况下偏好高能构象而非低能构象，且生成的构系对整体对接的改进有限	评估基于深度学习的序列生成模型在蛋白质动力学研究中的应用潜力与局限性	蛋白质构象与动力学特性	机器学习	NA	深度学习，分子动力学模拟	生成模型	蛋白质序列	NA	NA	BioEmu	残基灵活性，运动相关性，局部残基接触，构象分布预测，能量权重准确性	NA
486	2026-03-31	Artificial Intelligence in Asthma and COPD: Current Status and Future Potential 2026-Mar-23, Journal of clinical medicine IF:3.0Q1 DOI:10.3390/jcm15062445 PMID:41899367	综述	本文综述了人工智能在哮喘和慢性阻塞性肺疾病（COPD）中的应用现状与未来潜力	系统总结了AI在哮喘和COPD诊断、表型分型、风险分层及监测中的最新应用，并探讨了其在慢性呼吸系统疾病管理中的整合前景	依赖现有文献的叙述性综述，可能未涵盖所有最新研究；AI工具在常规临床实践中的安全实施仍需进一步验证和透明度	探索人工智能在哮喘和COPD等慢性呼吸系统疾病中的应用证据及临床整合潜力	哮喘和慢性阻塞性肺疾病（COPD）患者	机器学习	哮喘, 慢性阻塞性肺疾病	NA	NA	临床记录、影像数据、数字健康数据	NA	NA	NA	NA	NA
487	2026-03-31	The Current Landscape of Artificial Intelligence in Positron Emission Tomography (PET) Imaging Across the Cancer Continuum 2026-Mar-23, Journal of clinical medicine IF:3.0Q1 DOI:10.3390/jcm15062446 PMID:41899368	综述	本文综述了人工智能在癌症连续体中正电子发射断层扫描（PET）成像的当前应用现状	整合了深度学习、放射组学和重建技术，将PET从成像模态转变为预测治疗反应和指导治疗的平台	大多数AI PET研究是回顾性、单中心、样本量小，外部验证有限，标准化不一致，导致可重复性差和性能估计偏高	探讨人工智能在肿瘤学PET成像中的应用，以优化PET模态并克服其限制	PET扫描在肿瘤学诊断和治疗中的应用	数字病理	癌症	PET成像	深度学习	图像	NA	NA	NA	NA	NA
488	2026-03-31	Enhanced Lateral Resolution in Acoustic Imaging: From High- to Super-Resolution 2026-Mar-23, Sensors (Basel, Switzerland) DOI:10.3390/s26061992 PMID:41902160	综述	本文系统性地总结了克服声学成像（尤其是超声）横向衍射极限分辨率的最新进展，并对未来研究方向提出了建议	系统性地比较了从传统聚焦技术到基于深度学习的算法优化等多种提升横向分辨率方法的差异与优缺点，并提出了未来研究的清晰方向	NA	克服声学成像的横向衍射极限分辨率限制，提升成像质量	声学成像（尤其是超声成像）技术	医学影像分析	NA	声学成像，超声	NA	声学信号/图像	NA	NA	NA	NA	NA
489	2026-03-31	Explicit Features Versus Implicit Spatial Relations in Geomorphometry: A Comparative Analysis for DEM Error Correction in Complex Geomorphological Regions 2026-Mar-23, Sensors (Basel, Switzerland) DOI:10.3390/s26061995 PMID:41902163	研究论文	本研究比较了显式特征工程与隐式空间关系在复杂地貌区域DEM误差校正中的性能，评估了几何深度学习与特征工程范式的优劣	揭示了在稀疏高程监督下，几何深度学习模型（如GNN）相比系统优化的特征工程方法（如XGBoost）未表现出显著精度优势，并提出了“物理优先”的范式	研究基于稀疏高程数据（平均间距约485米），可能限制了模型在更高分辨率地形中的表现，且仅在中国四川省进行了验证	评估在稀疏高程监督约束下，几何深度学习是否比传统特征工程范式在DEM误差校正中带来性能提升	全球数字高程模型（DEM）产品，包括ALOS World 3D、Copernicus DEM、SRTM GL1和TanDEM-X	机器学习	NA	高程采样、特征工程	GNN, XGBoost	高程数据、地形特征	使用中国四川省作为代表性自然实验室，涉及四个主流DEM产品	NA	混合GNN模型	RMSE	NA
490	2026-03-31	Enhanced Multi-Scale Defect Detection in Steel Surfaces via Innovative Deep Learning Architecture 2026-Mar-23, Sensors (Basel, Switzerland) DOI:10.3390/s26062001 PMID:41902169	研究论文	本研究提出了一种创新的深度学习架构CTG-YOLO，用于增强钢铁表面多尺度缺陷检测的准确性	通过集成CBY并行网络结构、TFF-PANet颈部网络和GS-Head检测头，模型实现了卓越的特征提取和融合能力	NA	提高钢铁表面缺陷检测的准确性和效率	钢铁表面缺陷	计算机视觉	NA	深度学习	YOLO	图像	NEU-DET和GC10-DET数据集	NA	CTG-YOLO, YOLOv8s	平均精度均值(mAP)	NA
491	2026-03-31	An attention fusion of Fourier-analysis-based transformer and CNN-BiLSTM for coastal inorganic nitrogen concentration forecasts 2026-Mar-23, Water research IF:11.4Q1 DOI:10.1016/j.watres.2026.125798 PMID:41904912	研究论文	提出一种名为AFTB的新型深度学习架构，用于沿海无机氮浓度的多步预测	通过注意力机制融合傅里叶增强的Transformer与CNN-BiLSTM网络，并引入对数变换和改进的损失函数处理数据偏斜	NA	提高沿海无机氮浓度预测的准确性和鲁棒性	中国广西九个浮标站的沿海无机氮浓度数据	机器学习	NA	深度学习	Transformer, CNN, BiLSTM	时间序列数据	九个浮标站的数据	NA	傅里叶增强Transformer, CNN-BiLSTM	准确性, 鲁棒性, 推理速度	NA
492	2026-03-31	A Systematic Literature Review of You Only Look Once Architectures (v1-v12) in Healthcare Systems 2026-Mar-22, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16060935 PMID:41897668	系统综述	本文系统回顾了从YOLOv1到YOLOv12在医疗系统中的演进与应用	首次对YOLO系列算法（v1-v12）在医疗诊断应用中的演变进行系统性综述，总结了其在性能提升与架构优化方面的趋势	存在可解释性不足、跨机构泛化能力有限以及在边缘设备上部署的挑战	评估YOLO系列算法在医疗图像分析任务中的演进、应用效果与性能	应用于医疗成像任务的YOLO模型，包括疾病检测、病变识别及临床程序支持	计算机视觉	NA	深度学习，计算机视觉	YOLO系列（v1至v12）	图像	NA	NA	YOLOv1, YOLOv2, YOLOv3, YOLOv4, YOLOv5, YOLOv6, YOLOv7, YOLOv8, YOLOv9, YOLOv10, YOLOv11, YOLOv12	平均精度, 准确率, 推理时间, 计算效率	NA
493	2026-03-31	Evolutionary Diffusion Framework Empowering High-Performance Freeform Terahertz Metasurface Sensing 2026-Mar-21, Sensors (Basel, Switzerland) DOI:10.3390/s26061972 PMID:41902140	研究论文	本文提出了一种多模型驱动的生成-进化策略，用于按需逆向设计定制化的太赫兹超表面传感器	提出了一种结合条件扩散生成器和注意力增强残差网络的多模型生成-进化策略，能够探索包含2100种可能配置的广阔设计空间，并分阶段选择性生成高潜力数据以克服数据瓶颈	NA	克服传统超表面设计方法计算密集、试错过程繁琐的局限性，以及现有深度学习方案数据需求大、自由形式设计空间探索有限的问题	太赫兹超表面传感器	机器学习	NA	全波仿真	条件扩散生成器, 注意力增强残差网络	NA	NA	NA	条件扩散生成器, 注意力增强残差网络	高对比度共振峰, 灵敏度	NA
494	2026-03-31	Deep Robust Moving Horizon Estimation for Nonlinear Multi-Rate Systems 2026-Mar-21, Sensors (Basel, Switzerland) DOI:10.3390/s26061967 PMID:41902135	研究论文	本文研究了一种基于移动水平估计的异步多速率非线性系统状态估计问题，通过伪测量同步建模、时间折扣目标函数及深度学习框架来提升估计的鲁棒性	提出了结合伪测量同步建模、时间折扣目标函数的移动水平估计策略，并引入深度学习框架来学习估计器的权重参数，同时利用障碍函数正则化确保线性矩阵不等式可行性条件	NA	解决异步多速率非线性系统的状态估计问题，提升估计的鲁棒性和准确性	异步多速率非线性系统	机器学习	NA	移动水平估计，深度学习	深度学习框架	测量数据	NA	NA	NA	NA	NA
495	2026-03-31	TFMPHGNN: Two-Fold multi-perspective heterogeneous graph neural network for sentiment analysis 2026-Mar-21, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2026.108885 PMID:41904902	研究论文	本文提出了一种用于情感分析的双重多视角异构图神经网络（TFMPHGNN），通过联合建模情感、情绪和上下文依赖关系来提升分析性能	提出了一个双阶段异构图框架，第一阶段结合元路径编码器和胶囊网络捕获分层语义关系，第二阶段使用多通道图卷积网络学习互补的拓扑、语义和协作表示，并引入变分自编码器进行去噪和精炼	未明确提及模型的计算复杂度、可扩展性以及对其他领域或语言的泛化能力	解决情感分析中因情感表达、上下文线索和情绪特征在异构数据源中复杂交织关系带来的挑战	情感、情绪和上下文依赖关系	自然语言处理	NA	NA	异构图神经网络, 胶囊网络, 图卷积网络, 变分自编码器	文本	基于新开发的VaKSent-2025语料库进行实验	NA	TFMPHGNN (Two-Fold Multi-Perspective Heterogeneous Graph Neural Network), MC-GCN (多通道图卷积网络), VAE (变分自编码器)	准确率, F1-micro, F1-weighted	NA
496	2026-03-31	DualStream-RTNet: A Multimodal Deep Learning Framework for Grape Cultivar Classification and Soluble Solid Content Prediction 2026-Mar-20, Foods (Basel, Switzerland) DOI:10.3390/foods15061095 PMID:41897816	研究论文	本文提出了一种名为DualStream-RTNet的多模态深度学习框架，用于同时进行葡萄品种分类和可溶性固形物含量预测	提出了一个统一的多模态深度学习框架，通过双流架构整合RGB-HSV融合图像和PCA压缩的高光谱光谱，并引入Transformer增强的融合模块来强化全局表征和跨模态关联，实现了品种分类和品质预测任务的联合处理	研究仅使用了5个葡萄品种的864个浆果样本，样本多样性和规模可能有限	开发一种准确、非破坏性的葡萄品质评估方法，用于智能葡萄栽培	葡萄浆果	计算机视觉	NA	高光谱成像，PCA压缩	CNN, Transformer	图像（RGB-HSV融合图像），光谱数据（高光谱）	5个葡萄品种的864个浆果	NA	DualStream-RTNet, ResNet18	准确率, R2p, RMSE	NA
497	2026-03-31	Machine Learning Models for Predicting Bleeding Risk in Anticoagulated Patients with Atrial Fibrillation and Venous Thromboembolism: A Comparative Evidence Synthesis 2026-Mar-20, Journal of clinical medicine IF:3.0Q1 DOI:10.3390/jcm15062370 PMID:41899294	综述	本文通过系统综述比较了机器学习模型与传统临床评分在预测接受抗凝治疗的心房颤动和静脉血栓栓塞患者出血风险中的表现	首次系统性地综合比较了机器学习算法（如随机森林、XGBoost和神经网络）与传统临床评分（如HAS-BLED、RIETE）在预测抗凝患者出血风险方面的证据，并发现机器学习模型具有更优的判别能力	效应量改善有限（ΔAUC 0.05-0.15），临床实用性尚不确定，缺乏更广泛的验证、校准评估以及对临床结局影响的证明	综合比较机器学习模型与传统临床评分在预测接受抗凝治疗的心房颤动和静脉血栓栓塞患者出血风险方面的证据	接受口服抗凝药物治疗的心房颤动和静脉血栓栓塞患者	机器学习	心血管疾病	NA	随机森林, XGBoost, 神经网络	临床数据	总计464,523名参与者（7项心房颤动研究，6项静脉血栓栓塞研究）	NA	深度学习集成模型	AUC	NA
498	2026-03-31	Deep Learning-Based Calibration of a Multi-Point Thin-Film Thermocouple Array for Temperature Field Measurement 2026-Mar-20, Sensors (Basel, Switzerland) DOI:10.3390/s26061956 PMID:41902124	研究论文	本文提出了一种基于深度学习的多点薄膜热电偶阵列校准方法，用于提高大面积温度场测量的精度	开发了基于深度学习的校准方法，通过独立训练的三层MLP模型补偿多点阵列中传感节点间的耦合效应，显著降低了测量误差	未明确说明模型在极端温度或不同环境条件下的泛化能力，以及长期稳定性的评估	提高多点薄膜热电偶阵列在温度场测量中的准确性，以支持工程应用如飞机发动机热状态评估和工业过程控制	多点阵列薄膜热电偶传感器及其在温度场测量中的应用	机器学习	NA	精密焊接、电喷雾雾化沉积绝缘层	MLP	传感器测量数据（温度）	未明确指定具体样本数量，但使用8:2的训练-测试分割	未明确指定，但使用Adam优化器	三层隐藏层的多层感知器	MAE, MSE, R	NA
499	2026-03-31	Prediction of Cataract Severity Using Slit Lamp Images from a Portable Smartphone Device: A Pilot Study 2026-Mar-20, Sensors (Basel, Switzerland) DOI:10.3390/s26061954 PMID:41902122	研究论文	本研究探索了使用便携式智能手机裂隙灯设备拍摄的图像，通过深度学习预测白内障严重程度的可能性	首次尝试利用便携式智能手机裂隙灯原型设备（无需散瞳）的图像，结合Swin Transformer和原型网络进行白内障严重程度的客观预测	这是一项初步研究，样本量相对较小（99名患者，198只眼），且需要在更大、更多样化的白内障患者群体中进行验证	开发一种无需散瞳、基于便携式设备的客观白内障筛查方法	白内障患者的裂隙灯图像	计算机视觉	白内障	裂隙灯成像	Transformer	图像	99名患者（198只眼）的1900张图像	NA	Swin Transformer, 原型网络	准确率	NA
500	2026-03-31	Satellite On-Orbit Chip-Level Deep Learning Model for Real-Time Dust Storm Monitoring 2026-Mar-19, Environmental science & technology IF:10.8Q1 DOI:10.1021/acs.est.5c14697 PMID:41855461	研究论文	本文提出了一种卫星在轨芯片级深度学习模型，用于实时监测沙尘暴，显著减少了数据处理延迟	采用在轨深度学习框架，直接在卫星上执行沙尘暴检测和定量反演，将延迟从半小时至数小时减少到5.62分钟，并引入级联设计和尾部感知损失函数以提高极端浓度下的准确性	研究基于模拟部署在资源受限的卫星计算环境（如NVIDIA Jetson AGX Orin平台），实际在轨性能可能受硬件和环境因素影响	开发一种实时、低延迟的沙尘暴监测系统，用于暴露评估和早期预警	沙尘暴事件，特别是高浓度PM10和PM2.5颗粒物	计算机视觉	NA	深度学习，卫星遥感	CNN, LSTM	卫星观测图像	案例研究（2023年5月19-20日；2025年4月15日）	PyTorch, TensorFlow	级联设计（轻量级事件门和多任务反演器）	RMSE	NVIDIA Jetson AGX Orin平台，功耗约10W，内存占用<3GB