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
541	2026-09-28	Integrative profiling of condensation-prone RNAs during early development 2026-Feb-11, Cell genomics IF:11.1Q1 DOI:10.1016/j.xgen.2025.101065 PMID:41265448	研究论文	该研究整合转录组学方法和可解释深度学习框架，鉴定了早期发育过程中一类易凝聚的RNA（称为smOOPs），并揭示了其序列组成、折叠和RBP结合特征以及编码蛋白的内在无序区域	首次鉴定了一类发育相关的易凝聚RNA（smOOPs），结合可解释深度学习揭示了其序列和结构特征，并发现其编码蛋白富含内在无序区域，提示RNA和蛋白特征在相分离中的相互作用	未明确说明	探究RNA特征如何促进生物分子凝聚体的形成，并鉴定发育过程中易凝聚的RNA	早期发育过程中的RNA转录本	机器学习	NA	定制转录组学测定	可解释深度学习框架	RNA序列和转录组数据	NA	NA	NA	NA	NA
542	2026-09-28	BrainView: A cloud-based deep learning system for brain image segmentation, tumor detection and visualization 2026-02, Biomedical journal IF:4.1Q2 DOI:10.1016/j.bj.2025.100871 PMID:40409506	研究论文	本文提出了一个基于云的深度学习系统BrainView，用于脑部MRI图像的分割、肿瘤检测和可视化	结合了EfficientNetB7预训练模型和EffB7-UNet分割模型，并开发了基于Flask和Flutter的云应用，便于研究人员和临床医生在线使用	未明确说明	利用深度学习技术从脑部MRI图像中检测、分割和分类脑肿瘤，并提供云平台以便于使用	脑部MRI图像	计算机视觉	脑肿瘤	深度学习	CNN	图像	NA	Flask, Flutter	EfficientNetB7, U-Net	准确率	云平台
543	2026-09-28	Deep learning for autism detection using clinical notes: A comparison of transfer learning for a transparent and black-box approach 2026-02, Artificial intelligence in medicine IF:6.1Q1 DOI:10.1016/j.artmed.2025.103318 PMID:41330257	研究论文	本研究利用BioBERT分析非结构化临床文本，通过透明和黑盒方法检测自闭症，并比较迁移学习在多个数据集上的表现。	提出透明且可解释的机器学习方法，结合BioBERT将行为描述映射到诊断标准，并评估迁移学习在多个真实数据集上的泛化能力。	未明确提及具体局限性，但可能受限于数据集规模和多样性。	开发透明可解释的机器学习方法，利用临床文本自动化检测自闭症，并评估迁移学习的泛化性能。	自闭症谱系障碍（ASD）临床文本数据。	自然语言处理	自闭症谱系障碍	临床文本分析	BioBERT	文本	NA	TensorFlow, PyTorch	BioBERT	敏感度, 特异度	NA
544	2026-09-28	Integrative spatial omics and artificial intelligence: transforming cancer research with omics data and AI 2026-02, Seminars in cancer biology IF:12.1Q1 DOI:10.1016/j.semcancer.2026.01.002 PMID:41520911	综述	本文综述了空间组学（包括空间转录组学和空间蛋白质组学）与人工智能相结合在癌症研究中的应用，涵盖关键方法、主要平台以及AI驱动的计算模型	系统性地整合了空间组学技术与人工智能计算方法，提出了利用空间图论、拓扑数据分析和基于智能体的建模等先进数学框架来优化数据整合和提升生物学洞察力的新视角	空间转录组学和AI驱动方法面临高维数据复杂性、计算资源限制以及分析流程标准化不足等挑战	探讨空间组学与人工智能融合在肿瘤学中的应用，推动精准肿瘤学发展，改善治疗结果并深入理解癌症进展和免疫系统相互作用	多组学数据（基因组学、转录组学、蛋白质组学、表观基因组学、代谢组学）及组织学空间数据，肿瘤微环境及其空间动态	数字病理学	癌症	空间条形码，原位测序，数字空间分析，空间转录组学，空间蛋白质组学	深度学习模型，空间图分析模型，基于智能体的建模	图像，文本，多组学数据	NA	NA	NA	NA	NA
545	2026-09-28	AI-enhanced Centiloid quantification of amyloid PET images 2026-Feb, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz.71162 PMID:41670187	研究论文	本研究提出了一种深度学习方法来校正Centiloid量化，通过惩罚不合理的纵向轨迹来训练模型	新颖的人工智能方法，通过惩罚生物学上不合理的纵向轨迹，使模型无需在推理时使用纵向数据即可学习标准化摄取值比校正因子	未明确提及	提高淀粉样蛋白PET量化的准确性和一致性，特别是在不同示踪剂和扫描仪之间	淀粉样蛋白PET图像	数字病理学	阿尔茨海默病	淀粉样蛋白PET成像	深度学习	图像	训练集：2129名参与者（7149次Aβ PET扫描）；验证集：10543名参与者（15807次Aβ PET扫描）	NA	NA	相关性、变异性、效应量	NA
546	2026-09-28	Transplatformer: translating toxicogenomic profiles between generations of platforms 2026-Jan-30, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-026-06383-6 PMID:41618140	研究论文	本文提出了TransPlatformer，一个基于注意力机制的深度学习框架，用于在不同毒理基因组学平台之间翻译基因表达谱，以实现跨平台数据的整合与复用	提出了一种新颖的基于注意力机制的架构TransPlatformer，能够将传统微阵列技术的高维倍数变化向量映射到当前平台，并系统研究了混合组织、单组织和跨组织三种训练范式	在低样本量组织中仍需要数据增强策略才能获得更好的性能，单组织模型仅对样本充足的器官有进一步改善	开发计算方法实现准确的跨平台转录组翻译，以最大化利用历史遗留数据资源的价值	DrugMatrix数据库中的基因表达谱数据，涵盖三个技术世代的毒理基因组学平台	机器学习	NA	转录组 profiling、微阵列技术、毒理基因组学	注意力机制	基因表达谱数据（倍数变化向量）	DrugMatrix数据库，涵盖三个技术世代的平台数据	NA	基于注意力机制的架构、多层感知机（MLP）基线、矩阵补全基线	平均绝对误差（MAE）、Pearson相关系数	NA
547	2026-09-28	Lipid Nanoparticle Database towards structure-function modeling and data-driven design for nucleic acid delivery 2026-Jan-28, Nature communications IF:14.7Q1 DOI:10.1038/s41467-026-68818-1 PMID:41605942	研究论文	本文开发了脂质纳米颗粒数据库（LNPDB），整合了19,528个LNP的结构与功能数据，以支持结构-功能建模和数据驱动的核酸递送设计	首次构建了统一的脂质纳米颗粒数据库，标准化了LNP的特征表示，并生成了用于分子动力学模拟的CHARMM力场文件	未明确说明数据来源的多样性、数据质量的控制标准以及数据库的更新维护机制	解决LNP结构-功能数据碎片化和非标准化的问题，为LNP建模和数据驱动的理性设计提供数字框架	脂质纳米颗粒（LNPs）及其结构、功能数据	机器学习	NA	NA	深度学习模型	结构化数据，分子动力学模拟数据	19,528个LNP	NA	NA	NA	NA
548	2026-09-28	Morphological Sinus Features and Chronic Rhinosinusitis Risk: A Radiomics Study 2026-Jan-09, World journal of otorhinolaryngology - head and neck surgery DOI:10.1002/wjo2.70081 PMID:42500097	研究论文	本研究通过放射组学方法探讨鼻窦形态学特征与慢性鼻窦炎（CRS）发病风险之间的关联	结合深度学习自动分割鼻窦与放射组学特征提取，构建CRS风险预测模型，并对比嗜酸性CRS与非嗜酸性CRS的形态学差异	嗜酸性CRS与非嗜酸性CRS的亚组预测模型性能较差，未发现显著形态学差异	研究鼻窦形态学特征与CRS发病风险的相关性，为临床管理提供循证支持	716例CRS患者和115例健康对照者	数字病理学	慢性鼻窦炎	放射组学	逻辑回归、随机森林、多层感知机	图像	716例CRS患者和115例健康对照者，共831例	PyRadiomics	nnU-Net v2	AUC	NA
549	2026-09-28	A deep-learning model for one-shot transcranial ultrasound simulation and phase aberration correction 2026-Jan, Medical physics IF:3.2Q1 DOI:10.1002/mp.70259 PMID:41474058	研究论文	该文章提出了一种名为TUSNet的深度学习框架，用于快速准确地计算经颅超声压力场和相位畸变校正	TUSNet是一个端到端神经网络，能够同时预测二维经颅超声压力场和相位校正，计算速度比k-Wave快1200倍以上，同时保持高精度	目前的验证是基于模拟的无噪声超声场，未来需要实验研究来评估在真实临床条件下的性能	解决当前焦点预测方法中计算效率和准确性之间的权衡问题，加速超声治疗计划	经颅超声压力场和相位畸变校正	医学影像分析	神经系统疾病	经颅超声	深度学习	图像	180432个合成颅骨CT片段用于训练，1232个真实颅骨CT片段用于测试	NA	TUSNet	计算速度、焦点定位精度、相位校正精度、压力幅度估计精度；峰值压力幅度估计准确率98.3%，平均焦点定位误差0.18毫米	4块NVIDIA A100 80 GB GPU，训练时间约8小时
550	2026-09-28	From fibers to cells: Fourier-based registration enables virtual Cresyl violet staining from 3D polarized light imaging 2026, Imaging neuroscience (Cambridge, Mass.) DOI:10.1162/IMAG.a.1079 PMID:41523213	研究论文	本文提出了一种基于深度学习的图像到图像翻译方法，利用傅里叶配准技术，从三维偏振光成像（3D-PLI）生成虚拟的甲酚紫染色图像。	创新点包括：利用傅里叶配准解决训练数据中的错位问题；在训练过程中对局部图像块进行高效配准；生成与细胞水平空间对齐的虚拟染色。	局限性包括：染色过程引入的不可避免的变形需要昂贵的非线性跨模态配准；组织学切片后染色的复杂性限制了样本数量。	研究目的是从3D-PLI生成虚拟甲酚紫染色，以建立纤维和细胞结构的直接联系。	研究对象是脑组织切片。	计算机视觉, 数字病理学	NA	3D偏振光成像（3D-PLI）, 甲酚紫染色	深度学习	图像	NA	NA	NA	NA	NA
551	2026-09-28	Enhancing deep learning interpretability for hand-crafted feature-guided histologic image classification via weak-to-strong generalization 2026-Jan, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.13.1.017502 PMID:41567872	研究论文	本文提出一种弱到强泛化框架，将手工特征整合到深度学习模型训练中，以提升组织学图像分类的可解释性和性能	提出弱到强泛化框架，利用可解释的手工特征弱教师模型监督强深度学习学生模型，设计自适应自举弱到强泛化损失函数，并创新性地分析手工特征与深度学习特征之间的互信息以增强可解释性	摘要中未明确提及研究局限性	利用弱到强泛化框架整合手工特征，增强深度学习模型在组织学图像分类中的可解释性和预测性能	组织学全切片图像中的肿瘤分类任务	数字病理学	NA	全切片图像分析，手工特征提取	深度学习模型，教师-学生模型架构	图像	三个公共数据集	NA	NA	分类性能，显著性图分析，互信息	NA
552	2026-09-28	DeepDiff-SHAP: Interpretable deep learning for subgroup-specific causal hypothesis generation using conditional SHAP 2026, Pacific Symposium on Biocomputing. Pacific Symposium on Biocomputing DOI:10.1142/9789819824755_0052 PMID:41758180	研究论文	本文提出DeepDiff-SHAP框架，结合回归与深度学习差分因果推断和条件SHAP，用于检测患者亚组间因果关系变化，实现可解释的亚组特异性因果假设生成	将回归与深度学习差分因果推断相结合，并整合条件SHAP进行非线性差分因果推断，能够发现线性模型忽略的复杂交互模式，并应用于两个大规模人群数据集	摘要中未明确提及研究局限性	解决复杂生物医学数据中亚组特异性因果关系的识别问题，推进精准医学中个体化因果路径的发现	CDC糖尿病健康指标数据集和UK Biobank脓毒症队列（按高血压状态分层）	机器学习	糖尿病, 脓毒症, 高血压	条件SHAP, 差分因果推断, 深度学习	深度学习模型, 回归模型	表格数据	两个大规模人群数据集（CDC糖尿病健康指标数据集和UK Biobank脓毒症队列）	NA	NA	NA	NA
553	2026-09-28	Toward automated neonatal EEG analysis: multi-center validation of a reliable deep learning pipeline 2026, Frontiers in neuroscience IF:3.2Q2 DOI:10.3389/fnins.2026.1750045 PMID:41835935	研究论文	评估全自动新生儿脑电图分析工具NeoNaid的可靠性和泛化能力，该工具基于功能脑龄估计和睡眠分期	提出集成质量控制程序的多任务深度学习模型，能够检测伪影、分布外输入和不确定预测，并在两个独立数据集上验证可靠性	未提及模型的具体架构细节，样本量相对较小，仅涉及两个医院数据集	评估NeoNaid在新生儿脑电图分析中的可靠性和泛化能力，推动其临床 adoption	新生儿脑电图数据，包括内部数据集（33个EEG，17名婴儿）和外部数据集（38个EEG，24名婴儿）	医学信号处理	新生儿疾病	脑电图分析	多任务深度学习	脑电图信号	内部数据集：33个EEG，17名婴儿；外部数据集：38个EEG，24名婴儿	NA	NA	中位绝对误差，Cohen's Kappa	NA
554	2026-09-28	Imaging intravoxel vessel size distribution in the brain using susceptibility contrast enhanced MRI 2026, Imaging neuroscience (Cambridge, Mass.) DOI:10.1162/IMAG.a.1173 PMID:41868968	研究论文	本文建立了一种基于磁化率对比的MRI新方法，利用深度学习模型从GESFIDE信号中预测脑血容量和血管大小分布，实现无创成像	首次提出基于磁化率对比增强MRI的体素内血管大小分布（VSD）成像方法，结合高分辨率光片荧光显微镜图像和深度学习模型，超越了传统字典匹配方法	肿瘤区域的预测精度（CBV r=0.78，VSD BC=0.82）低于健康区域，需要进一步验证才能应用于临床	开发一种无创成像体素内血管大小分布的方法，以定量评估血管重塑	啮齿动物脑血管网络、肿瘤血管	医学影像分析	肿瘤、神经退行性疾病、纤维化、高血压、糖尿病	磁化率对比增强MRI、光片荧光显微镜（LSFM）、GESFIDE序列	深度学习（DL）	图像（MRI信号、LSFM图像）	训练集32,000个体素感兴趣区域（VOI），测试集3,132个VOI，公开小鼠脑血管数据集1,000个VOI，肿瘤VOI 706个	NA	NA	线性相关系数r、Bhattacharya系数（BC）	NA
555	2026-09-28	Learning-based segmentation of diffusion-weighted MR images with arbitrary q-space samplings 2026, Imaging neuroscience (Cambridge, Mass.) DOI:10.1162/IMAG.a.1183 PMID:42245204	研究论文	本文提出一种新方法，将基于几何深度学习的重建框架 DISCUS 与分割网络 VINN 相结合，直接将非结构化扩散MRI数据映射为解剖分割结果	首次实现使用单一神经网络在异质采集方案下对非结构化dMRI数据进行稳健泛化分割，无需依赖扩散模型拟合	未在摘要中明确说明	解决CNN分割模型因dMRI的q空间采样差异导致维度不一致而难以跨数据集泛化的问题	扩散加权MRI（dMRI）图像中的解剖区域	计算机视觉	NA	扩散加权MRI（dMRI）	CNN	图像	NA	NA	DISCUS, VINN	NA	NA
556	2026-09-28	Hybrid Convolutional-Gated Recurrent Neural Network for Robust Mobile Health Activities Classification 2026, International journal of telemedicine and applications IF:3.1Q2 DOI:10.1155/ijta/1465162 PMID:42516350	研究论文	本文提出了一种结合卷积神经网络（CNN）和门控循环单元（GRU）的混合深度学习模型，用于移动健康中的身体活动分类	设计了一个端到端的CNN-GRU模型，能够从原始传感器数据中同时提取局部时空特征并建模长期时间依赖关系；同时建立了一个全面的基准测试框架，将所开发模型与之前的机器学习和深度学习分类器进行对比验证	未明确说明，可能包括仅在MHEALTH数据集上验证、未讨论模型在资源受限移动设备上的计算效率等	自动识别日常身体活动，以用于移动健康监测和实时异常状况诊断	移动健康传感器数据，包括身体活动和生命体征信号	机器学习	NA	可穿戴传感器数据采集	CNN, GRU	传感器时间序列数据	MHEALTH公开数据集，包含12种身体活动	NA	CNN-GRU	准确率, 精确率, 召回率, F1分数	NA
557	2026-09-28	Deep learning architectures for EEG-based classification of Dravet syndrome: A comparative study of pre-trained and non-pretrained hybrid CNN-LSTM models 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0352991 PMID:42536693	研究论文	本研究比较了预训练与非预训练的混合CNN-LSTM模型在基于EEG的Dravet综合征分类中的表现	首次将预训练的混合CNN-LSTM框架应用于Dravet综合征的EEG分类，并证明EEG特定预训练可提高分类一致性和特征可分离性	样本量小（仅9名Dravet综合征儿科患者），需要更大的多中心数据集和前瞻性验证来评估稳健性、泛化性和临床实用性	探索人工智能使用混合深度学习CNN-LSTM框架对Dravet综合征进行基于EEG的分类和分析的潜力	9名确诊Dravet综合征的儿科患者、年龄匹配的健康对照组以及非Dravet癫痫（异常EEG）的儿科患者	机器学习	Dravet综合征	EEG	CNN-LSTM	EEG信号	9名Dravet综合征儿科患者，外加年龄匹配的健康对照组和非Dravet癫痫儿科患者	NA	CNN, LSTM	准确率, 平衡准确率, 宏平均F1分数, 宏平均ROC-AUC	NA
558	2026-09-28	Detection and Classification of Pancreatic Cancer Nodules on CT Images using U-Net and Ensemble Models 2026, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056420925251127020640 PMID:42300307	研究论文	本文提出了一种基于AI的框架，用于CT图像中胰腺导管腺癌的早期检测，结合了BADF预处理、改进的U-Net分割和集成学习分类	结合了Boosted Adaptive Diffusion Filter预处理、改进的U-Net分割模型和集成学习分类方法，能够检测小于2厘米的小肿瘤，性能优于现有深度学习方法	未明确提及局限性	从CT图像中早期检测胰腺导管腺癌（PDAC）	胰腺导管腺癌结节	计算机视觉	胰腺癌	CT成像	CNN	图像	公开可用的CT数据集	NA	U-Net, 集成模型	准确率, 精确率, 特异性, AUC	NA
559	2026-09-28	An Efficient and Cohesive System for Enhanced Accuracy in Malignant Brain Tumor Diagnosis 2026, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056447226260528100852 PMID:42300309	研究论文	该研究开发了一种名为SCSFE-DiagBT的深度学习框架，通过整合分类和分割任务，利用MRI扫描提高脑肿瘤诊断的准确性。	创新在于将分类和分割统一到一个诊断流程中，利用两个任务的互补性，并采用特征提取增强诊断性能；相比基线模型，分类指标提升高达31%，分割Dice系数提升12%。	摘要中未明确提及研究的局限性，但可能包括对特定数据集的依赖、未讨论计算复杂度或外部验证的缺乏。	开发一个先进的深度学习框架，用于增强脑肿瘤诊断的准确性。	脑肿瘤患者，使用MRI扫描进行诊断。	计算机视觉	脑肿瘤	MRI	CNN	图像	NA	NA	NA	准确率, 精确率, 召回率, Dice系数	NA
560	2026-09-28	The Efficacy of a Super-Resolution Reconstruction Radiomics Model Based on T2WI for Predicting Placenta Accreta Spectrum Disorders: A Multicenter Study 2026, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056451296260627050209 PMID:42459075	研究论文	基于T2加权磁共振图像的超分辨率重建放射组学模型预测胎盘植入谱系疾病的多中心研究	首次在多中心研究中评估超分辨率重建对T2WI放射组学模型预测胎盘植入谱系疾病诊断性能的影响，并比较了不同超分辨率倍数下的模型表现	超分辨率重建未提供增量诊断价值，外部验证AUC仅0.542-0.724，泛化性有限，且放射组学特征可能对超分辨率增强的纹理变化不敏感	评估基于T2加权磁共振图像的超分辨率重建是否能够提高放射组学模型预测胎盘植入谱系疾病的诊断性能	疑似胎盘植入谱系疾病患者	数字病理学	胎盘植入谱系疾病	T2加权磁共振成像, 超分辨率重建, 放射组学	CNN	图像	603例疑似胎盘植入谱系疾病病例（训练集480例：224例PAS vs 256例非PAS；外部验证集B 66例，C 57例）	NA	nnUNet, KNN, AdaBoost, Gradient Boosting	AUC, Dice系数, DeLong检验	NA