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
521	2026-01-12	Hybrid feature selection with novel deep learning model for COVID-19 risk prediction 2026-Jan-10, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-35013-7 PMID:41519902	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
522	2026-02-03	sCellST predicts single-cell gene expression from H& E images 2026-Jan-09, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-67965-1 PMID:41513659	研究论文	本文提出了一种深度学习模型sCellST，用于从H&E染色图像预测单细胞基因表达	引入了一种能够从形态学直接预测单细胞基因表达的深度学习方法，相比现有基于图像块的方法，能捕捉更精细的形态变异	NA	从组织学图像预测基因表达，以研究组织空间结构和细胞多样性	H&E染色图像和单细胞基因表达数据	数字病理学	癌症	H&E染色，空间基因表达谱分析	深度学习	图像，基因表达数据	NA	NA	NA	NA	NA
523	2026-02-03	Enhanced colorectal gland segmentation through multi-scale attention and contextual feature fusion 2026-Jan-07, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-34548-5 PMID:41495415	研究论文	提出一种名为MAC-Net的深度学习模型，用于增强结直肠腺体分割，通过多尺度注意力和上下文特征融合提高分割精度	集成多尺度特征融合与注意力引导的上下文解码，通过通道注意力保留精细结构信息，增加编码器-解码器侧连接以增强判别特征学习，并在瓶颈处使用多尺度空间池化捕获全局上下文信息	未明确说明模型在更大规模或更多样化数据集上的泛化能力，也未详细讨论计算效率或实时应用的可能性	提高结直肠癌组织学图像中腺体分割的准确性和鲁棒性，以支持可靠的癌症分级、预后评估和治疗规划	结直肠癌组织学图像中的腺体结构	数字病理学	结直肠癌	组织学图像分析	深度学习模型	图像	训练数据：EBHI-Seg数据集（2228张图像）；交叉验证数据：GIaS数据集（165张图像）	未明确指定，可能为PyTorch或TensorFlow	MAC-Net（自定义架构，基于编码器-解码器结构，集成注意力机制和多尺度特征融合）	Dice系数, IoU, 精确率, 召回率	未明确指定
524	2026-02-03	An intelligent hybrid deep learning-machine learning model for monthly groundwater level prediction 2026-Jan-07, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-34292-w PMID:41501104	研究论文	本研究提出了一种结合粒子群优化、浣熊优化、门控循环单元和自适应神经模糊推理系统的混合人工智能模型，用于预测伊朗阿尔达比勒平原的月地下水水位	提出了一种名为PCGA的新型混合模型，首次将PSO-COO优化算法与GRU和ANFIS结合，用于优化参数并提取数据中的隐藏模式，从而提高了地下水水位预测的精度	NA	开发一种高精度的混合人工智能模型，用于预测月地下水水位，以支持环境保护	伊朗阿尔达比勒平原的月地下水水位数据	机器学习	NA	NA	GRU, ANFIS	时间序列数据	NA	NA	GRU, ANFIS	平均绝对误差, 纳什-萨特克利夫效率	NA
525	2026-02-03	Personalized gene expression prediction in the era of deep learning: a review 2026-Jan-07, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbag022 PMID:41615288	综述	本文回顾了深度学习时代下个性化基因表达预测的研究进展，重点讨论了现有模型的局限性及改进方法	系统比较了深度学习模型与传统线性方法在跨个体基因表达预测中的性能，并探讨了微调策略和基因组语言模型等新兴方向	深度学习模型在跨个体基因表达预测中仍面临显著挑战，难以稳定超越传统线性模型，且对个体特异性遗传变异的捕捉能力有限	提升从基因组序列预测个性化基因表达的准确性与鲁棒性	基因组序列与基因表达数据	计算基因组学	NA	NA	深度学习模型	基因组序列数据、表观基因组数据	NA	NA	基因组语言模型	NA	NA
526	2026-02-03	A hybrid CNN-transformer model with adaptive activation function for potato leaf disease classification 2026-Jan-06, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-34406-4 PMID:41495315	研究论文	本文提出了一种结合CNN与Transformer的混合深度学习架构PLDNet，用于马铃薯叶片病害的自动分类	提出了一种混合CNN-Transformer架构PLDNet，并设计了自适应参数激活函数AFpM，通过可学习参数实现自适应非线性，在动态梯度控制方面优于现有激活函数	未明确说明模型在复杂田间环境或多种作物间的泛化能力，也未讨论计算复杂度与实时性	开发自动化植物病害识别方法，提高马铃薯叶片病害分类的准确性与效率	马铃薯叶片病害图像	计算机视觉	植物病害	深度学习图像分类	CNN, Transformer	图像	PlantVillage和Mendeley两个公开数据集	未明确说明	DenseNet, Transformer注意力模块	准确率	NA
527	2026-02-03	Interpretable deep learning reveals distinct spectral and temporal drivers of perceived musical emotion 2026-Jan-05, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-34238-2 PMID:41491208	研究论文	本研究开发了一种可解释的深度学习模型，用于识别预测音乐情感感知（效价和唤醒度）的特定动态声学特征	提出了一种结合卷积路径（局部频谱分析）和Transformer路径（长程时间依赖）的新型理论引导神经网络，并通过注意力机制揭示了不同声学模式对情感维度的驱动作用	模型性能依赖于DEAM数据集的标注质量，且理论约束可能限制了模型发现未知特征的能力	开发可解释的计算模型以测试和推进音乐认知理论，识别预测人类情感反应的动态声学特征	音乐片段及其对应的连续效价-唤醒度评分	自然语言处理	NA	深度学习	CNN, Transformer	音频	1,802段音乐片段	NA	卷积神经网络与Transformer的混合架构	一致性相关系数	NA
528	2026-02-03	Deep learning and superoscillatory speckles empowered multimode fiber probe for in situ nano-displacement detection and micro-imaging 2026-Jan-05, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-67942-8 PMID:41491775	研究论文	本文提出了一种基于深度学习和超振荡散斑的多模光纤探针，用于原位纳米位移检测和显微成像	利用深度学习从超振荡散斑中高效提取精细特征信息，实现单端检测，具有10纳米分辨率和99.95%的准确率，并建立了位移与光纤高阶模式比例的物理模型	未明确说明在极端环境或长期稳定性方面的限制	开发一种灵活的原位非接触纳米位移测量方法，用于复杂设备内部探测	不同结构的微米级目标，在受限空间内进行检测	计算机视觉	NA	超振荡散斑成像，多模光纤传感	深度学习	图像	未明确指定具体样本数量	未明确指定	未明确指定	准确率，分辨率	未明确指定
529	2026-02-03	Optimized CNN framework with VGG19, EfficientNet, and Bayesian optimization for early colon cancer detection 2026-Jan-05, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-34262-2 PMID:41492074	研究论文	本文提出了一种结合VGG19、EfficientNet和贝叶斯优化的优化CNN框架，用于通过组织病理学图像分析实现结肠癌的早期自动检测	将卷积神经网络与贝叶斯优化相结合以高效微调超参数，并采用有效的数据增强和染色归一化技术，提升了模型的鲁棒性和泛化能力	框架在数据集内部表现出色，但临床部署前需要在独立、多机构的队列上进行外部验证	开发一种可靠的早期结肠癌自动检测方法，以辅助病理学家的临床决策	结肠癌组织病理学图像	计算机视觉	结肠癌	组织病理学图像分析	CNN	图像	来自Kaggle和Kaggle癌症数据门户的公开数据集，涵盖正常、肿瘤、基质等九种组织类型	TensorFlow, PyTorch, Keras	VGG19, EfficientNet	准确率, 精确率, 召回率, F1分数, AUC	NA
530	2026-02-03	Artificial Intelligence-Driven Differentiation Between Uveal Melanoma and Nevus Based on Fundus Photographs: A Systematic Review and Meta-Analysis 2026-Jan-05, Translational vision science & technology IF:2.6Q2 DOI:10.1167/tvst.15.1.34 PMID:41590408	系统综述与荟萃分析	本文通过系统综述和荟萃分析评估了基于眼底照片的人工智能模型在区分葡萄膜黑色素瘤和痣方面的性能	首次对基于眼底照片的AI模型在区分葡萄膜黑色素瘤与痣方面的研究进行系统综述和荟萃分析，量化了模型的整体性能	现有证据高度异质，受限于小数据集规模和有限的外部验证	检验人工智能模型基于眼底照片区分葡萄膜黑色素瘤与痣的能力	葡萄膜黑色素瘤（UM）和葡萄膜痣（UN）	计算机视觉	葡萄膜黑色素瘤	眼底摄影	深度学习, 传统机器学习	图像（眼底照片）	总计6208名参与者	NA	NA	AUC, 准确率, 灵敏度, 特异性	NA
531	2026-02-03	Preoperative assessment of axillary lymph node tumor burden in cT1-2N0 breast cancer patients with a modality-adaptive network based on sentinel lymph node ultrasound images 2026-Jan-04, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-34371-y PMID:41486270	研究论文	本研究开发并验证了一种基于前哨淋巴结超声图像的深度学习模型，用于术前评估cT1-2N0乳腺癌患者的腋窝淋巴结肿瘤负荷	提出了一种结合灰阶或彩色多普勒超声图像及临床病理信息的模态自适应网络（MAN+C），其适用性比现有AI模型扩展了30%，可涵盖多灶性病变或已接受原发性乳腺癌病灶治疗的患者	研究样本来自两家医院，可能存在选择偏倚；外部验证数据集的AUC（0.84）低于其他数据集，表明模型泛化能力有待进一步验证	为cT1-2N0乳腺癌患者术前评估腋窝淋巴结肿瘤负荷提供一种直接、高效的诊断方法	cT1-2N0乳腺癌患者的前哨淋巴结超声图像	数字病理学	乳腺癌	超声成像，对比增强淋巴超声	深度学习模型	超声图像（灰阶、彩色多普勒）	374名患者的595个前哨淋巴结	未明确说明	模态自适应网络	AUC	未明确说明
532	2026-02-03	Deterministic nowcasting of geostationary satellite infrared brightness temperature using 3D U-Net diffusion model 2026-Jan-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-34207-9 PMID:41484451	研究论文	本文提出了一种结合去噪扩散概率模型与3D U-Net的生成建模方法，用于从地球静止卫星观测中确定性预报红外亮度温度	首次将去噪扩散概率模型与3D U-Net架构耦合，用于卫星红外亮度温度的确定性临近预报，相比传统外推和深度学习基线，在预测精度和结构保真度方面均有显著提升	在较长预报时效（超过2小时）上的增益有所减少，尽管仍明显优于基线	开发一种用于地球静止卫星红外亮度温度临近预报的生成建模方法，以提高预测精度和结构保真度	SEVIRI观测的红外亮度温度数据	计算机视觉	NA	卫星红外观测（约10.8 μm）	去噪扩散概率模型, 3D U-Net	图像（红外亮度温度序列）	使用独立测试集（2022年7月至9月）进行评估	NA	3D U-Net	SSIM, CRPS, MAE, 相关性	NA
533	2026-02-03	Deep learning-driven optimization and predictive modeling of LASER beam machining for XG3 steel 2026-Jan-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-34323-6 PMID:41484160	研究论文	本文通过实验研究和多目标优化，结合深度学习驱动的预测模型，探索了激光束加工XG3钢的工艺参数优化	结合遗传算法进行多目标优化生成帕累托前沿，并开发了响应曲面法和反向传播人工神经网络两种预测模型，其中BPANN模型表现出更高的预测精度	研究仅针对XG3钢和三种特定孔几何形状，未涉及其他材料或更复杂的几何形状	优化激光束加工XG3钢的工艺参数，以实现表面粗糙度、加工时间、表面硬度和毛刺厚度的多目标改善	XG3钢（一种用于航空航天和国防应用的高性能合金）	机器学习	NA	激光束加工	人工神经网络	实验数据	基于田口L正交阵列的实验设计，涉及三种孔几何形状（圆形、三角形、方形）	NA	反向传播人工神经网络	回归系数, 平均绝对百分比误差	NA
534	2026-02-03	Identification of neural crest and melanoma cancer cell invasion and migration genes using high-throughput screening and deep attention networks 2026-Jan, Developmental dynamics : an official publication of the American Association of Anatomists IF:2.0Q3 DOI:10.1002/dvdy.70059 PMID:40637615	研究论文	本研究通过高通量筛选和深度学习网络，识别了神经嵴和黑色素瘤癌细胞侵袭与迁移的关键基因	结合高通量siRNA筛选与深度学习分析，从45个基因中筛选出对黑色素瘤细胞迁移至关重要的基因，并揭示了BMP4等基因在细胞-邻居相互作用中的关键作用	研究主要基于体外细胞系模型，体内功能分析和潜在协同作用需要进一步验证	识别神经嵴和黑色素瘤癌细胞侵袭与迁移的关键基因	神经嵴细胞和c8161黑色素瘤细胞系	机器学习	黑色素瘤	高通量siRNA筛选, 深度学习分析	深度学习注意力网络	细胞行为数据	c8161黑色素瘤细胞系	NA	深度注意力网络	NA	NA
535	2026-02-03	The safety and accuracy of radiation-free spinal navigation using a short, scoliosis-specific BoneMRI-protocol, compared to CT 2026-Jan, European spine journal : official publication of the European Spine Society, the European Spinal Deformity Society, and the European Section of the Cervical Spine Research Society IF:2.6Q1 DOI:10.1007/s00586-025-09151-x PMID:40691585	研究论文	本研究评估了一种针对脊柱侧弯的MRI协议，通过深度学习算法生成合成CT，并将其与CT在胸腰椎椎弓根螺钉规划与置入的安全性和准确性方面进行比较	开发了一种脊柱侧弯特异性MRI协议，结合AI生成的合成CT，实现无辐射的脊柱导航，为年轻患者提供更安全的替代方案	研究基于尸体模型，样本量较小（5具尸体），且未在活体患者中进行验证	比较基于MRI的合成CT脊柱导航与CT在椎弓根螺钉规划与置入中的安全性和准确性	尸体脊柱（从T3到L5的椎弓根）	医学影像分析	脊柱侧弯	MRI扫描，深度学习算法	深度学习模型	医学影像（CT和MRI图像）	5具尸体脊柱，共置入140根导丝（其中3根被排除）	NA	NA	最大角度偏差，计划与术后螺钉位置距离，内侧突破率（Gertzbein-Robbins分类）	NA
536	2026-02-03	DVG-Diffusion: Dual-View-Guided Diffusion Model for CT Reconstruction From X-Rays 2026, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2026.3655171 PMID:41576110	研究论文	本文提出了一种双视图引导的扩散模型（DVG-Diffusion），用于从少量二维X射线图像直接重建三维CT体积	通过结合新视图合成和视图引导的特征对齐，降低了从2D X射线到3D CT映射的学习难度，实现了高保真度和感知质量的有效平衡	未在摘要中明确提及	从少量二维X射线图像直接重建三维CT体积	CT体积重建	计算机视觉	NA	X射线成像	扩散模型	图像	未在摘要中明确提及	未在摘要中明确提及	DVG-Diffusion	未在摘要中明确提及	未在摘要中明确提及
537	2026-02-03	Enhancing Brain Tumor Classification and Generalization Using DDPM-Generated MRI, Mutual Information and Ensemble Learning 2026 Jan-Dec, Technology in cancer research & treatment IF:2.7Q3 DOI:10.1177/15330338251405180 PMID:41615841	研究论文	本研究探讨了使用DDPM生成的合成MRI图像，结合互信息正则化和集成学习，以增强脑肿瘤分类的泛化能力	提出了结合互信息正则化的DDPM模型来生成高质量、多样化的合成MRI图像，并通过集成学习显著提升了跨数据集脑肿瘤分类的泛化性能	研究为回顾性设计，仅使用了两个数据集（一个公共数据集和一个临床数据集），可能限制了结果的广泛适用性	评估DDPM生成的合成MRI图像（带或不带互信息正则化）是否能增强脑肿瘤分类在异质数据集上的泛化能力	559名患有低级别和高级别脑肿瘤（LGG, HGG）的患者	医学影像分析	脑肿瘤	MRI成像（T1WI, T1WI+C, T2WI, FLAIR）	DDPM, ResNet	MRI图像	559名患者（BraTS数据集335例，TASMC临床数据集224例）	NA	ResNet-152	准确率, F1分数, FID, IS	NA
538	2026-02-03	Graph former-CL: A novel graph transformer with contrastive learning framework for enhanced drug-drug interaction prediction 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0339971 PMID:41615927	研究论文	提出了一种结合图Transformer架构与对比学习的新型深度学习框架Graph Former-CL，用于增强药物-药物相互作用预测	结合了分层图Transformer与位置感知多头自注意力以捕获局部和全局分子模式、特定领域的对比学习模块与分子增强策略、整合SMILES序列与图表示的跨模态融合机制，以及用于多尺度分子表示的自适应池化策略	未明确提及具体局限性	增强药物-药物相互作用预测，解决现有方法在捕获长程分子依赖性和泛化到新药物组合方面的不足	药物-药物相互作用	机器学习	NA	深度学习	Transformer, 对比学习	图数据, 序列数据	四个基准数据集（包括DrugBank和TWOSIDES）	NA	Graph Transformer	准确率	NA
539	2026-02-03	Uralenol, Glycyrol, and Abyssinone II as potent inhibitors of fibroblast growth factor receptor 2 from anti-cancer plants: A deep learning and molecular dynamics approach 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0341498 PMID:41615925	研究论文	本研究通过分子对接、深度学习、药代动力学分析和分子动力学模拟，从1350种源自51种抗癌药用植物的植物化学物中筛选出潜在的FGFR2抑制剂	结合深度学习模型预测pIC₅₀值，并采用分子动力学模拟验证蛋白质-配体复合物的稳定性，从传统抗癌植物中系统筛选FGFR2抑制剂	研究结果需要进一步的实验验证才能确定其治疗潜力	识别潜在的FGFR2抑制剂用于癌症治疗	源自51种抗癌药用植物的1350种植物化学物	机器学习	癌症	分子对接，深度学习，药代动力学分析，分子动力学模拟	深度学习模型	化学结构数据	1350种植物化学物	NA	NA	pIC₅₀值，结合亲和力，药代动力学参数，毒性风险	NA
540	2026-02-03	A deep state-space analysis framework for cancer patient latent state estimation and classification from EHR time-series data 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0341003 PMID:41616002	研究论文	提出了一种名为“深度状态空间分析框架”的新方法，用于从电子健康记录时间序列数据中估计和可视化癌症患者的潜在状态变化，并进行分类和关键因素识别	开发了一种可解释的深度学习框架，专注于长期疾病进展（如癌症）的潜在状态估计和可视化，克服了现有方法在可解释性方面的挑战	研究主要基于癌症患者数据，可能未涵盖所有慢性疾病类型；框架在更广泛医疗环境中的泛化能力有待进一步验证	通过深度学习技术分析电子健康记录时间序列数据，以估计癌症患者的潜在疾病进展状态并识别预后不良因素	12,695名癌症患者的电子健康记录时间序列数据	机器学习	癌症	电子健康记录分析	深度学习时间序列预测模型	时间序列数据	12,695名癌症患者	NA	深度状态空间分析框架	NA	NA