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	2026-02-03	MRI neuroimaging-based Alzheimer's disease stage classification using deep neural network with convolutional block attention module and GAN-style noise injection 2026-Feb-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-37226-2 PMID:41622348	研究论文	本研究提出了一种结合卷积注意力模块和生成对抗网络风格噪声注入的深度神经网络模型，用于基于MRI神经影像对阿尔茨海默病的四个阶段进行分类	提出Neuro_CBAM-ADNet诊断模型，首次将卷积块注意力模块与GAN风格噪声注入技术结合应用于阿尔茨海默病分期分类，实现了无需人工干预的高精度自动诊断	未明确说明模型在不同MRI扫描仪或采集协议下的泛化能力，也未讨论模型对轻度认知障碍与早期阿尔茨海默病鉴别诊断的性能	开发计算机辅助系统以实现阿尔茨海默病早期预测和四阶段自动分类	阿尔茨海默病患者	数字病理学	阿尔茨海默病	MRI神经影像	CNN, GAN	图像	未明确说明具体样本数量	未明确说明	Neuro_CBAM-ADNet（自定义架构）	准确率	未明确说明
482	2026-02-03	Decoding Protein-Membrane Binding Interfaces from Surface-Fingerprint-Based Geometric Deep Learning and Molecular Dynamics Simulations 2026-Feb-02, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02566 PMID:41622943	研究论文	本研究提出了一种名为MaSIF-PMP的几何深度学习模型，用于预测外周膜蛋白的膜结合界面位点	该模型结合分子表面指纹和几何化学特征，实现了空间分辨的界面结合位点预测，并通过分子动力学模拟验证和优化预测结果	实验解析的膜结合蛋白构象稀缺，可能影响模型训练和泛化能力	预测蛋白质-膜相互作用界面，以理解膜结合机制	外周膜蛋白及其与膜的相互作用	机器学习	NA	分子动力学模拟	几何深度学习模型	分子表面特征数据	NA	NA	MaSIF-PMP	分类性能	NA
483	2026-02-03	EXPRESS: Convolutional Autoencoder for Automated Pre-Processing of Tumor Cell and Tissue Raman Spectra 2026-Feb-02, Applied spectroscopy IF:2.2Q2 DOI:10.1177/00037028261422275 PMID:41622963	研究论文	本文提出了一种卷积自编码器，用于肿瘤细胞和组织拉曼光谱的单步自动化预处理	开发了一种卷积自编码器，能够单步自动化去除拉曼光谱中的基线、噪声和宇宙射线，无需GPU支持，处理速度快	未明确提及模型在更广泛或不同类型肿瘤光谱数据上的泛化能力	开发一种深度学习框架，用于高效自动化预处理肿瘤细胞和组织的拉曼光谱，以支持放疗反应监测研究	临床前单细胞系和异种移植组织光谱，以及临床前列腺肿瘤活检光谱	机器学习	前列腺癌	拉曼光谱	自编码器	光谱数据	约11,000条光谱	未明确提及	卷积自编码器	均方根误差, 百分比均方根差异, 宇宙射线去除率	无需GPU，在2.4秒内处理约11,000条光谱
484	2026-02-03	Kruskal Szekeres generative adversarial network augmented deep autoencoder for colorectal cancer detection 2026-Feb, Network (Bristol, England) DOI:10.1080/0954898X.2024.2426580 PMID:39550608	研究论文	提出一种结合Kruskal-Szekeres生成对抗网络与深度自编码器的方法，用于结直肠癌的早期检测	提出KSGANA-DA模型，首次将Kruskal-Szekeres坐标变换应用于数据增强，并结合基于解剖标志的深度自编码器进行图像分割	未明确说明数据集的具体来源、样本数量及临床验证范围	提高结直肠癌早期检测的准确率和效率	结直肠癌医学图像	数字病理学	结直肠癌	医学图像处理	GAN, Autoencoder	图像	NA	Python	Kruskal-Szekeres GAN Augmented Deep Autoencoder	精确率, 召回率, 训练时间	NA
485	2026-02-03	ViTBayesianNet: An adaptive deep bayesian network-aided alzheimer disease detection framework with vision transformer-based residual densenet for feature extraction using MRI images 2026-Feb, Network (Bristol, England) DOI:10.1080/0954898X.2024.2435491 PMID:39663578	研究论文	提出了一种结合Vision Transformer残差密集网络和自适应深度贝叶斯网络的阿尔茨海默病检测框架，利用MRI图像进行特征提取和疾病识别	首次将Vision Transformer与残差密集网络结合用于医学图像特征提取，并采用自适应深度贝叶斯网络进行疾病检测，通过增强高尔夫优化算法优化网络参数	未提及模型在不同数据集上的泛化能力测试，也未说明计算复杂度或实时性分析	开发基于深度学习的阿尔茨海默病早期检测方法	阿尔茨海默病患者的MRI图像	计算机视觉	阿尔茨海默病	MRI成像	Vision Transformer, 残差网络, 密集网络, 贝叶斯网络	图像	NA	NA	ViT-ResDenseNet, Ada-DBN	准确率	NA
486	2026-02-03	Ordinal Sleep Depth: A Data-Driven Continuous Measurement of Sleep Depth 2026-Feb, Journal of sleep research IF:3.4Q2 DOI:10.1111/jsr.70074 PMID:40276961	研究论文	本研究开发了一种基于深度学习的连续睡眠深度测量方法——序数睡眠深度（OSD），并评估了其与觉醒概率及临床变量的相关性	提出了一种数据驱动的连续睡眠深度测量方法，通过卷积神经网络结合序数回归，超越了传统离散睡眠分期的限制	研究基于特定人群的PSG数据，可能无法完全推广到所有人群或睡眠条件	开发并验证一种连续测量睡眠深度的方法，以更精确地评估睡眠质量及其与临床因素的关系	18,116名独特患者的21,787份多导睡眠图记录	机器学习	睡眠障碍	多导睡眠图	CNN	EEG信号	21,787份PSG记录来自18,116名患者	未明确指定，推测为PyTorch或TensorFlow	卷积神经网络	Pearson相关系数	NA
487	2026-02-03	Leveraging Representation Learning for Bi-parametric Prostate MRI to Disambiguate PI-RADS 3 and Improve Biopsy Decision Strategies 2026-Feb-01, Investigative radiology IF:7.0Q1 DOI:10.1097/RLI.0000000000001218 PMID:40586610	研究论文	本研究利用基于PI-RADS引导的表征学习深度学习模型，从双参数前列腺MRI图像中学习总结表征，以区分PI-RADS 3分类、检测临床显著前列腺癌，并避免不必要的良性活检	采用PI-RADS引导的表征学习方法训练深度学习模型，利用放射科医生在风险评估中自信的病例（PI-RADS 1/2和4/5）来学习图像表征，从而为中间风险的PI-RADS 3评估提供额外信息	研究基于单一机构的回顾性数据，可能受限于数据多样性和泛化能力，且模型性能在PI-RADS 3队列中AUC为0.73，仍有提升空间	通过深度学习模型改善前列腺MRI中PI-RADS 3分类的歧义性，提高临床显著前列腺癌的检测准确性，并优化活检决策策略以减少不必要的良性活检	前列腺MRI检查图像及相应的放射学报告，来自疑似或已知前列腺癌的男性患者	数字病理学	前列腺癌	双参数前列腺MRI（T2加权和扩散加权成像）	深度学习模型，表征学习器	医学图像（MRI）	28,263次MRI检查（来自21,938名男性），其中6,352次后续活检，训练集n=21,465，测试集包括PI-RADS 3队列（n=253）和所有PI-RADS队列（n=531）	未明确指定，但基于深度学习框架	未明确指定具体架构，但为表征学习模型	AUC, 灵敏度, 阴性预测值, 活检收益率	未明确指定
488	2026-02-03	MRI-based detection of multiple sclerosis using an optimized attention-based deep learning framework 2026-Feb, Neurological research IF:1.7Q4 DOI:10.1080/01616412.2025.2527899 PMID:40616778	研究论文	本文提出了一种名为2DRK-MSCAN的深度学习框架，用于基于MRI数据早期准确检测多发性硬化病灶	开发了结合深度扩散残差核和多尺度蛇形卷积注意力机制的2DRK-MSCAN模型，以提高检测准确性和鲁棒性	临床验证仍在进行中，需要进一步的实际应用测试	开发并评估一种新型深度学习框架，用于早期和准确检测多发性硬化病灶	多发性硬化病灶	计算机视觉	多发性硬化	MRI	CNN	图像	三个公开可用的基于MRI的脑肿瘤数据集	NA	EfficientNetV2L, U-Net	准确率	NA
489	2026-02-03	Predicting Pharmacological Treatment Response in Migraine Using AI/ML: A Scoping Review of the Evidence and Future Directions 2026-Feb, Pharmacotherapy IF:2.9Q2 DOI:10.1002/phar.70085 PMID:41276479	综述	本文是一篇范围综述，系统评估了人工智能和机器学习模型在预测偏头痛药物治疗反应方面的证据，并指出了当前方法的局限性和未来发展方向	首次系统性地对AI/ML在预测偏头痛药物治疗反应中的应用进行了范围综述，并识别了普遍存在的验证不足和数据瓶颈等关键方法学弱点	现有研究大多仅依赖内部验证，存在高过拟合风险，外部验证极其罕见，且数据集中存在患者队列重叠，完全缺乏生物标志物或遗传数据	评估AI和ML模型在预测偏头痛患者对急性或预防性药物治疗反应方面的证据，并推动精准医疗在偏头痛治疗中的应用	偏头痛患者	机器学习	偏头痛	临床表型分析、神经影像数据	支持向量机、深度学习、概率模型	临床数据、神经影像数据	基于12项符合条件的研究，具体样本量未在摘要中明确说明	NA	NA	预测准确性	NA
490	2026-02-03	Deep learning models for image classification of lymphoma: a pilot study in canine 2026-Feb-01, The Journal of veterinary medical science IF:1.1Q3 DOI:10.1292/jvms.24-0518 PMID:41407379	研究论文	本研究旨在基于细针穿刺图像，区分犬淋巴瘤与其他疾病，特别是反应性淋巴增生	开发了基于Vision Transformer和Inception-v3的四种深度学习模型，包括两种集成学习模型，用于犬淋巴瘤的图像分类	研究为试点研究，样本量有限（来自两家医院的14例淋巴瘤和7例RLH病例），且ViT模型性能未达高水平	区分犬淋巴瘤与反应性淋巴增生，基于细针穿刺图像进行图像分类	犬淋巴瘤和反应性淋巴增生的细针穿刺图像	计算机视觉	淋巴瘤	细针穿刺	Vision Transformer, Inception-v3	图像	2,290张犬淋巴瘤FNA图像和871张RLH FNA图像，来自14例淋巴瘤和7例RLH病例	NA	Vision Transformer, Inception-v3	准确率, 召回率, AUC, 精确率	NA
491	2026-02-03	Highly Accelerated T1ρ Imaging in 3 min: Comparison Between Compressed Sensing and Deep Learning Reconstruction 2026-Feb, NMR in biomedicine IF:2.7Q1 DOI:10.1002/nbm.70226 PMID:41493163	研究论文	本研究比较了压缩感知和深度学习在膝关节软骨T1ρ成像加速重建中的性能	首次在膝关节软骨T1ρ映射中系统比较压缩感知与深度学习加速重建技术，并评估了前瞻性欠采样数据的重建效果	样本量较小（9名志愿者），且仅针对膝关节软骨进行评估，未涉及其他组织或疾病	比较压缩感知与深度学习在加速磁共振T1ρ成像重建中的性能，以缩短扫描时间	人类膝关节软骨（包括健康志愿者和三名确诊病理患者）	医学影像分析	骨关节疾病	3T MRI扫描，T1ρ映射，DESS成像，3D MAPSS序列，GRAPPA加速采集	深度学习模型（具体架构未明确说明）	磁共振图像	9名志愿者（包括3名确诊病理患者）	NA	NA	中位数归一化绝对差异，一致性相关系数，变异系数	NA
492	2026-02-03	Deep learning-based lung volume estimation with dynamic chest radiography 2026-Feb, Journal of applied clinical medical physics IF:2.0Q3 DOI:10.1002/acm2.70487 PMID:41611260	研究论文	本研究利用深度学习从动态胸部X光摄影图像中估计肺容积，并与传统线性回归方法进行比较	首次将深度学习模型（VGG19和DenseNet121）应用于动态胸部X光摄影图像进行肺容积估计，相比传统线性回归方法表现出更优性能	深度学习模型估计的用力肺活量误差相对较高，模型架构和呼吸操作指导方面仍有改进空间	研究基于动态胸部X光摄影图像的肺容积估计方法，评估其准确性	257名患者的动态胸部X光摄影图像和对应CT图像	计算机视觉	肺部疾病	动态胸部X光摄影，CT成像	CNN	图像	257名患者	未明确指定	VGG19, DenseNet121	平均绝对误差, 平均绝对百分比误差, 皮尔逊相关系数, 自由度调整决定系数	NA
493	2026-02-03	Functional and Clinical: An Explainable Deep Learning Model for Multimodal Alzheimer's Disease Classification 2026-Feb, Brain and behavior IF:2.6Q3 DOI:10.1002/brb3.71240 PMID:41612899	研究论文	本研究开发了一种结合功能磁共振成像和临床测试的多模态可解释深度学习模型，用于阿尔茨海默病的分类	采用多模态和可解释人工智能方法，通过补充临床数据克服小数据集限制，应用扰动排名解释特征重要性，并采用严格的留一交叉验证防止数据泄露	样本量较小且需要外部验证	提高阿尔茨海默病分类的准确性、可解释性和临床适用性	来自ADNI的52名参与者，包括阿尔茨海默病患者和对照组	数字病理学	阿尔茨海默病	功能磁共振成像	CNN	图像, 临床数据	52名参与者	NA	3D卷积神经网络	准确率	NA
494	2026-02-03	Assessing the effect of bovine MSTN variants on pre-mRNA splicing 2026-Feb, Animal genetics IF:1.8Q3 DOI:10.1002/age.70073 PMID:41614706	研究论文	本文通过建立全长基因检测系统评估牛MSTN基因变异对前体mRNA剪接的影响，并验证了两种深度学习剪接预测工具的性能	首次建立针对牛MSTN基因的全长基因检测系统，并系统评估了五种错义变异对剪接的影响，同时验证了SpliceAI和Pangolin预测工具在农业遗传学中的应用效果	研究仅针对六种特定MSTN变异进行评估，未涵盖所有已知或潜在变异，且实验验证范围有限	评估牛MSTN基因变异对RNA剪接的功能影响，并验证深度学习剪接预测工具的准确性	牛MSTN基因的剪接变异，包括五种错义变异和一种已知的深度内含子剪接变异	生物信息学	肌肉生长异常	全长基因检测系统，RNA剪接分析	深度学习模型	基因序列数据	六种MSTN基因变异	NA	SpliceAI, Pangolin	预测与实验验证的一致性	NA
495	2026-02-03	Deep-Learning-Based Broadband Lightsource X-ray Absorption Spectroscopy Using Photon-Counting Detector 2026-Feb-01, Analytical chemistry IF:6.7Q1 DOI:10.1021/acs.analchem.5c05977 PMID:41620946	研究论文	本文提出了一种基于深度学习的Spectral-Transformer框架，用于校正光子计数探测器在高通量下由堆积和极化效应引起的X射线吸收光谱畸变	提出了融合光谱和管电流输入的双模态映射机制，并应用物理信息损失函数作为反馈来保持峰位置和总光子数；开发了级联模拟框架以生成高保真训练数据	NA	校正光子计数探测器在高通量X射线吸收光谱测量中的光谱畸变，提升光谱完整性和材料分类准确性	宽带光源X射线吸收光谱	机器学习和光谱分析	NA	X射线吸收光谱，光子计数探测器	Transformer	光谱数据，管电流数据	NA	NA	Spectral-Transformer	KL散度，分类准确率	NA
496	2026-02-03	Identifying a conserved transcriptional signature of drought and salt stress in Arabidopsis thaliana through meta-analysis, consensus network analysis, and deep learning 2026-Feb-01, Genetica IF:1.3Q4 DOI:10.1007/s10709-026-00261-y PMID:41620995	研究论文	本研究通过整合元分析、共识网络分析和深度学习，系统识别了拟南芥在干旱和盐胁迫下的保守转录特征和关键调控基因	首次将元分析、共识网络分析和深度学习三种方法协同整合，构建了一个新颖的分析框架，用于稳健识别植物非生物胁迫响应的核心基因和调控网络	研究仅基于拟南芥的转录组数据，未在其他植物物种中进行验证；样本量相对有限（64个样本），且依赖于公共数据集	识别拟南芥在干旱和盐胁迫下的保守转录特征和关键调控基因，为培育气候适应性作物提供遗传靶点	拟南芥（Arabidopsis thaliana）	生物信息学	NA	转录组测序（RNA-seq）	自编码器（Autoencoder）, 多层感知机（MLP）	转录组数据	64个样本（来自多个研究的干旱和盐胁迫处理及对照样本）	NA	Autoencoder, MLP	准确率, AUC	NA
497	2026-02-03	Single‑center weakly supervised deep learning prediction of KRAS, NRAS, BRAF, and HER2 status in colorectal cancer from histopathology images using internal cross‑validation 2026-Feb-01, Cancer cell international IF:5.3Q1 DOI:10.1186/s12935-026-04211-8 PMID:41622176	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
498	2026-02-03	3D CSFA-UNet: a unified attention-driven deep learning framework for accurate knee MRI segmentation and osteoarthritis severity classification 2026-Feb-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-37847-7 PMID:41622323	研究论文	提出了一种统一的注意力驱动深度学习框架，用于膝关节MRI的精确分割和骨关节炎严重程度分类	提出了一个统一的多阶段框架，集成了高斯引导滤波、新颖的3D CSFA-UNet、沙漠蝎特征选择器、尖峰变压器网络和猎鹰狩猎优化算法，以提升诊断精度、可解释性和效率	未在摘要中明确说明	开发一个用于膝关节MRI图像分割和骨关节炎严重程度分类的联合深度学习框架，以提高临床诊断的精确性、可解释性和效率	膝关节MRI体积数据	计算机视觉	骨关节炎	MRI	深度学习	3D MRI图像	基于公开可用的OAI数据集，具体数量未在摘要中说明	未在摘要中明确说明	3D CSFA-UNet, Spiking Transformer	Dice相似系数, 交并比, 平均表面距离, 95百分位豪斯多夫距离, 准确率, 精确率, 召回率, F1分数	未在摘要中明确说明
499	2026-02-03	AI-driven framework for accurate detection of Alzheimer's disease in EEG 2026-Feb-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-35184-3 PMID:41622342	研究论文	本研究提出了一种基于人工智能的框架，通过特征融合与Conv-LSTM架构，从EEG信号中准确检测阿尔茨海默病	提出了一种新颖的AI驱动框架，整合了特征融合与Conv-LSTM架构，以从EEG信号中提取并融合光谱特征与深度学习表示，从而捕获与AD相关的时空模式，显著提升了分类准确率至99.8%	未在摘要中明确提及具体限制，如数据集的多样性、模型泛化能力或临床验证的充分性	开发一种准确检测阿尔茨海默病的早期诊断系统，以支持及时干预和有效管理	阿尔茨海默病患者，特别是通过EEG信号进行分析	机器学习	阿尔茨海默病	EEG	Conv-LSTM	EEG信号	NA	NA	Conv-LSTM	准确率	NA
500	2026-02-03	Enhancing Fluorescence Lifetime Imaging With Differential Transformer 2026-Feb, Journal of biophotonics IF:2.0Q3 DOI:10.1002/jbio.70231 PMID:41622407	研究论文	本文提出了一种名为MFliNet的深度学习框架，用于增强荧光寿命成像，通过结合物理模型和Transformer架构来准确估计多指数衰减参数	引入了基于Differential Transformer的编码器-解码器架构，联合处理时间荧光衰减和仪器响应函数输入，以校正光子到达分布中的地形畸变，实现了对复杂生物和体内成像的鲁棒性	未明确说明训练数据的具体规模或多样性限制，以及模型在更广泛临床场景中的泛化能力验证	开发一种能够准确估计多指数衰减参数的深度学习框架，以提升宏观尺度荧光寿命成像的精度和实时性	组织模拟体模和临床前肿瘤模型	计算机视觉	肿瘤	荧光寿命成像	Transformer	时间序列数据	NA	NA	Differential Transformer	鲁棒性, 精度	NA