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
41	2026-10-01	Dual-granularity feature learning reveals static and dynamic mechanisms of ncRNA-drug interactions 2026-Jul-28, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2026.3717803 PMID:42519854	研究论文	本文提出了一种基于因果解耦策略的深度学习框架DC-MetaMG，用于预测非编码RNA与药物之间的关联，并通过建模静态结合和动态调控两种机制来提高预测性能	提出因果解耦策略，建模关联响应的两种互补机制：静态结合和动态调控，有效抑制虚假关联，缓解多源生物信息融合带来的特征冗余、语义冲突和高维稀疏问题	摘要中未明确提及该研究的局限性	准确识别非编码RNA与药物之间的相互作用，以阐明药物机制并推动药物重定位	非编码RNA（lncRNA和miRNA）与药物之间的关联	机器学习	NA	NA	深度学习	生物分子数据	NA	NA	NA	AUC, ACC, AUPR	NA
42	2026-10-01	TrafficFlowNet: A Neural Transport Model for Dynamic Traffic Flows 2026-Jul-28, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2026.3715738 PMID:42519861	研究论文	本文提出了一种基于物理信息的深度学习模型 TrafficFlowNet，将交通流建模为路网节点间的传输过程，用于动态交通流预测	将交通流表述为图节点间的传输过程，并将传输动力学嵌入图神经网络骨干；引入全变分正则化到最小-最大优化框架以缓解GNN的过平滑问题；采用生成对抗结构捕捉真实动态	未明确说明模型在数据稀缺或基础设施有限的发展中地区的泛化能力，也未讨论计算成本或实时部署的可行性	解决交通拥堵问题，提升交通流建模的鲁棒性，准确预测动态交通流	真实世界高速公路交通传感器数据（PEMS03、PEMS04、PEMS07、PEMS08）	机器学习	NA	NA	图神经网络, 生成对抗网络	时间序列数据（交通传感器数据）	四个数据集（PEMS03、PEMS04、PEMS07、PEMS08），每个数据集包含超过150个传感器和超过15000个时间步	NA	图神经网络, 生成对抗网络	平均绝对误差	NA
43	2026-10-01	BERT-HemoPep60: Transformer-based Deep Learning Method with Domain-Adaptive Pretraining for Quantitative Hemolytic Activity Prediction of Peptides 2026-Jul-28, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2026.3717818 PMID:42519856	研究论文	本文提出了一种基于Transformer的深度学习方法BERT-HemoPep60，结合领域自适应预训练，用于定量预测长度不超过60个氨基酸的肽对人红细胞的溶血活性	采用领域自适应预训练和前缀提示方法，整合了六种哺乳动物物种和多种溶血指标（HC5、HC10、HC50）的实验数据，实现了对肽溶血活性的定量预测	仅针对长度不超过60个氨基酸的肽，且主要基于六种哺乳动物的溶血数据，可能无法完全推广到其他物种或更长的肽序列	开发一种准确预测肽对人红细胞溶血活性的深度学习方法，以促进肽类药物的研究	长度不超过60个氨基酸的肽序列	自然语言处理, 机器学习	NA	深度学习	Transformer	文本(氨基酸序列)	来自六种哺乳动物（人、小鼠、大鼠、马、绵羊、兔）的溶血实验数据，具体样本量未明确	NA	BERT	PCC	NA
44	2026-10-01	DiffShape: Decoupling Shape Priors with Conditional Diffusion for Robust Brain Extraction 2026-Jul-24, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2026.3716658 PMID:42497038	研究论文	本文提出了一种条件扩散框架DiffShape，通过解耦形状先验与体素强度预测来提升脑提取的鲁棒性	显式地将脑形状生成从直接体素强度到标签的预测中解耦，使用一维极坐标半径向量表示脑几何，并在学习到的低维形状流形上进行条件扩散建模，将生成的形状作为先验增强现有颅骨剥离模型	未明确说明计算成本、推理时间或对极大数据集的扩展性	解决颅骨剥离在异质成像协议和多样病理条件下泛化能力有限的问题	包含健康和病理病例的脑部医学影像数据集	医学图像分割	神经系统疾病	条件扩散模型	扩散模型	医学影像	NA	NA	NA	分割准确率	NA
45	2026-10-01	Multimodal Domain Generalization for Depression Detection: An Attention-Based BiLSTM Network With Domain-Adversarial Training 2026-Jul-24, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2026.3714047 PMID:42497053	研究论文	本文提出了一种基于注意力机制的双向长短期记忆网络（BiLSTM）结合域对抗训练的多模态抑郁症检测框架，旨在解决说话人变异引起的域偏移问题，实现患者无关的抑郁症检测。	首次将域泛化（DG）引入患者无关的多模态抑郁症检测框架，联合利用声学和文本模态；提出结合模态内和跨模态注意力（CMA）的BiLSTM模型，并采用受DANN启发的梯度反转层来学习域不变表示，减少患者特定偏差。	未明确提及	解决由于说话人变异导致的域偏移问题，提高抑郁症检测模型的泛化能力，实现患者无关的自动抑郁症检测。	Androids-Corpus数据集中的音频和文本数据，涉及不同说话人的语音和文本记录	机器学习	抑郁症	多模态特征提取（声学特征MelSpec，文本特征ItalianBERT），域对抗训练（DANN），梯度反转层	BiLSTM，注意力机制，域对抗网络	音频和文本	Androids-Corpus数据集，采用五折交叉验证，具体样本数量未提及	NA	BiLSTM，跨模态注意力（CMA），模态内注意力，梯度反转层	准确率（accuracy），精确率（precision），召回率（recall），F1分数（F1-score）	NA
46	2026-10-01	Smartphone-Based Brunnstrom Stage Classification of Hemiparetic Gait via Skeleton-Attention-LSTM-Inception Network 2026-Jul-24, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2026.3713910 PMID:42497051	研究论文	该研究提出了一种基于智能手机视频和骨骼注意力LSTM-Inception网络的深度学习分类器，用于自动评估中风后偏瘫步态的下肢Brunnstrom恢复阶段	提出了一种新颖的混合Skeleton-Attention LSTM-Inception架构，协同整合LSTM层用于时间序列建模和Inception模块用于多尺度空间特征提取，实现了高精度的Brunnstrom分期分类	摘要中未明确提及研究局限性	消除下肢Brunnstrom恢复阶段评估中的评估者间变异性，实现中风后运动恢复的定量纵向追踪	40名健康成年人和51名偏瘫中风患者（BRS III-VI期）	计算机视觉	中风	姿态估计算法，三维关键点坐标提取	Skeleton-Attention LSTM-Inception网络	视频	91名参与者（40名健康成年人，51名偏瘫中风患者）	NA	Skeleton-Attention LSTM-Inception, CNN, LSTM-CNN	准确率	NA
47	2026-10-01	An Interpretable Machine Learning Model for Continuous Prediction of Acute Kidney Injury in Critically Ill Patients With Atrial Fibrillation 2026-Jul-24, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2026.3716727 PMID:42497050	研究论文	本研究基于MIMIC-IV数据库中19,347名房颤危重患者，开发了五种机器学习和两种深度学习模型，用于持续预测急性肾损伤风险，并使用SHAP框架实现临床可解释性	针对房颤高危人群开发了持续预测急性肾损伤的可解释机器学习模型，结合实时电子健康记录数据，并利用SHAP框架量化特征贡献生成临床可解释的可视化结果	本研究为回顾性分析，可能存在选择偏倚，且仅基于MIMIC-IV单一数据库，外部验证不足	开发一个临床可解释的模型，持续预测房颤患者入住ICU后急性肾损伤的风险	19,347名来自MIMIC-IV数据库的房颤危重患者	机器学习	心血管疾病	NA	XGBoost	电子健康记录数据	19,347名房颤危重患者	NA	XGBoost	AUROC, AUPRC, 决策曲线分析, 校准曲线	NA
48	2026-10-01	KEPLA: A Knowledge-Enhanced Deep Learning Framework for Accurate Protein-Ligand Binding Affinity Prediction 2026-Jul-21, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2026.3715687 PMID:42479529	研究论文	提出了一种名为KEPLA的知识增强深度学习框架，通过整合基因本体和配体性质的先验知识，显著提高了蛋白质-配体结合亲和力的预测准确性	显式整合基因本体和配体性质的先验知识，并优化两个互补目标：将全局表示与知识图关系对齐以捕获领域特定的生化见解，以及利用局部表示之间的交叉注意力构建细粒度的联合嵌入进行预测	未明确提及	准确预测蛋白质-配体结合亲和力以促进药物发现	蛋白质序列和配体分子图	药物发现	NA	深度学习	深度学习模型	序列、图	两个基准数据集	NA	NA	NA	NA
49	2026-10-01	Dual-View Thyroid Ultrasound Classification via Dual Knowledge Distillation 2026-Jul-21, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2026.3715696 PMID:42479531	研究论文	本文提出了一种基于不确定性加权混合专家（UMoE）框架与双重知识蒸馏的双视图甲状腺超声分类方法，通过对横向和纵向视图的跨视图及跨层级知识蒸馏，提升诊断的准确性与鲁棒性	提出了不确定性加权混合专家（UMoE）框架，并设计双重知识蒸馏策略：跨视图知识蒸馏在不确性精炼的patch token上对齐双视图病灶表征，跨层级知识蒸馏通过CLS token将双视图分支的整体语义知识迁移到单视图分支	摘要中未提及该研究的局限性	解决现有深度学习方法在甲状腺超声诊断中独立处理双视图或仅简单融合特征，导致跨视图语义一致性建模不足和诊断鲁棒性降低的问题	甲状腺超声图像中的病灶（横向视图与纵向视图）	计算机视觉	甲状腺癌	甲状腺超声成像	Vision Transformer	图像	内部DTN5K数据集以及一个外部公开甲状腺超声数据集（具体样本量未在摘要中给出）	NA	Vision Transformer（共享骨干网络，含双视图分支与单视图分支，结合混合专家MoE与知识蒸馏）	准确率, F1分数, AUC	NA
50	2026-10-01	A Dataset and Benchmarks for Atrial Fibrillation Detection from Electrocardiograms of Intensive Care Unit Patients 2026-Jul-20, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2026.3715145 PMID:42475214	研究论文	该研究发布了一个标注的ICU心电图数据集，并对比了基于特征分类器、深度学习和心电图基础模型三种AI方法在心房颤动检测中的性能	发布了一个标注的加拿大ICU心电图数据集，并系统比较了三种AI方法（基于特征分类器、深度学习、心电图基础模型）在ICU环境下心房颤动检测的性能，填补了该领域文献空白	深度学习和基于特征分类器之间的性能差异较小且高度依赖于所选模型，研究仅基于加拿大ICU和2021 PhysioNet/CinC Challenge两个数据集	发布标注ICU数据集和基准，比较不同AI方法在心房颤动检测中的性能，确定最佳AI方法	ICU患者的心电图数据，来自加拿大ICU和2021 PhysioNet/Computing in Cardiology Challenge	机器学习	心血管疾病	心电图（ECG）分析	CNN	图像	NA	NA	InceptionV3, ECGFounder	F1-score	NA
51	2026-10-01	scWeave: A deep learning model that bidirectionally translates between gene expression and chromatin structure at single-cell resolution 2026-Jul-18, bioRxiv : the preprint server for biology DOI:10.64898/2026.07.13.738265 PMID:42523313	研究论文	本文提出了一种名为scWeave的深度学习模型，能够在单细胞分辨率下双向翻译基因表达（scRNA-seq）和3D染色质构象（scHi-C）	采用双重自编码器分别提取细胞层面的潜在表示，并通过专用的翻译模块在这些表示之间进行双向翻译，实现了单细胞分辨率下的跨模态推断与对齐	人类训练数据有限，模型性能可能受数据量和多样性影响	更好地表征3D染色质结构与基因表达之间的关系，并实现从单模态测量进行跨模态推断	小鼠胚胎发育、小鼠皮层、小鼠嗅上皮和人类骨髓的单细胞共测定数据集	机器学习	NA	scRNA-seq, scHi-C	自编码器	基因表达数据, 染色质构象数据	六个公开共测定数据集，涵盖小鼠和人类多种组织	NA	自编码器	Spearman相关系数, HiCRep相似度	NA
52	2026-10-01	Identifying Cancer Driver Genes Based on Vision Transformer and Hierarchical Feature Fusion Module 2026-Jul-17, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2026.3714710 PMID:42467578	研究论文	本文提出了一种基于Vision Transformer和层次特征融合模块的癌症驱动基因预测方法VGDriver，并在多种癌症数据集上验证了其性能	提出了一种新的层次特征融合模块，通过协同设计图卷积网络块和多层感知机块，实现多组学特征的双管道融合，并结合Vision Transformer进行癌症驱动基因预测	摘要中未提及具体局限性	提高癌症驱动基因的识别能力，发现癌症发生和发展的内在机制	癌症驱动基因	生物信息学	泛癌和八种单一癌症类型	多组学数据分析	Vision Transformer	基因表达、拷贝数变异和单核苷酸变异数据	五个不同的蛋白质-蛋白质相互作用数据集，用于泛癌和八种单一癌症类型	NA	Vision Transformer, 图卷积网络, 多层感知机	AUC, AUPR	NA
53	2026-10-01	Dynamic Spatio-Temporal Fusion Network Via Hierarchical Self-Attention for Seizure Prediction 2026-Jul-17, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2026.3714542 PMID:42467581	研究论文	本文提出了一种基于分层自注意力的动态时空融合网络（HSA-DSTF Net），用于基于EEG的癫痫发作预测	提出了分层自注意力骨干网络提取多尺度空间特征并结合ConvLSTM融合网络建模长时间范围内的动态空间变化，同时引入残差连接丰富上下文信息并减少时空特征损失	未明确提及	解决现有研究未能有效编码时间动态下的空间变化，导致难以建模复杂时空演化模式的问题，提升癫痫发作预测性能	EEG信号（癫痫患者）	机器学习	癫痫	EEG	CNN, LSTM	时间序列（EEG时频表示）	两个公开数据集：CHB-MIT和Kaggle（具体样本量未提及）	NA	分层自注意力, ConvLSTM	AUC, 敏感度, 假阳性率	NA
54	2026-10-01	GraphGDel: Constructing and Learning Graph Representations of Genome-Scale Metabolic Models for Growth-Coupled Gene Deletion Prediction 2026-Jul-17, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2026.3714738 PMID:42467577	研究论文	该文提出了GraphGDel框架，用于从基因组规模代谢模型构建图表示，并结合基因与代谢物序列数据，预测生长偶联的基因缺失策略	首次系统性地构建了基于约束代谢模型的图表示流程，并开发了融合图表示与序列数据的深度学习框架，用于生长偶联基因缺失预测，突破了现有方法仅依赖序列数据、缺乏图结构建模的局限	摘要中未提及该方法的局限性	利用图表示学习提升基因组规模代谢模型中生长偶联基因缺失策略的预测性能	基因组规模约束型代谢模型及其基因缺失策略	机器学习	NA	基因组规模代谢模型建模、图表示学习、深度学习	深度学习框架（融合图神经网络与序列学习）	图数据、序列数据	三个代谢模型	NA	图神经网络、深度前馈神经网络、序列学习模型	准确率	NA
55	2026-10-01	Diffusion-Based Quality Control of Medical Image Segmentations across Organs 2026-Jul-17, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2026.3714697 PMID:42467579	研究论文	该论文提出了一种基于扩散生成范式的医学图像分割质量控制的稳健框架nnQC，能够自适应于任何输入器官数据集，并在多个器官和数据集上验证了其有效性	提出了一种基于扩散生成范式的新型质量控制框架nnQC，其核心是新颖的专家团队架构，其中两个专家分别编码3D空间感知和解剖信息，并通过加权条件模块动态组合，以生成空间感知的伪真值来预测质量控制分数，同时集成了指纹自适应以确保跨器官、数据集和成像模态的适应性	未明确提及	开发一种自动化的质量控制方法，以解决深度学习医学图像分割中出现的解剖学上不合理的分割问题，并提高质量控制方法的通用性和可用性	医学图像分割结果的质量控制，涉及七个器官的十五个公开数据集	医学图像分析、计算机视觉	跨器官，不特定于某一种疾病	扩散生成模型、深度学习	扩散模型、专家团队架构	3D医学图像	七个器官的十五个公开数据集	NA	专家团队架构、扩散模型	质量控制分数预测性能，具体指标未明确	NA
56	2026-10-01	A Generative Multi-modal Deep Learning Framework for Non-invasive Prediction of Ki-67 Expression in Papillary Thyroid Microcarcinoma Using Preoperative Ultrasound 2026-Jul-16, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2026.3714034 PMID:42461734	研究论文	该文提出了一种基于术前B超的生成式多模态多任务深度学习框架，用于无创预测甲状腺微小乳头状癌中的Ki-67表达	提出基于Pix2Pix的BUS2USE网络合成虚拟超声弹性成像以提供组织硬度信息；设计可靠性感知融合机制动态平衡真实与生成特征；引入多尺度注意力精炼模块增强特征表示；将VEGF预测作为辅助任务以提供生物学相关的互补监督	合成图像可能引入噪声，尽管通过可靠性感知融合机制缓解；仅使用术前B超，未与其他影像模态对比；样本来源和规模未在摘要中详细说明	实现甲状腺微小乳头状癌Ki-67表达的无创预测，以替代侵入性活检进行风险分层和预后评估	甲状腺微小乳头状癌（PTMC）患者	医学图像分析	甲状腺癌	B超（B-mode超声）、超声弹性成像合成、多模态深度学习、多任务学习	CNN、Transformer、Pix2Pix、注意力机制	图像	NA	NA	Pix2Pix、CNN、Transformer、多尺度注意力精炼模块（MARM）	准确率、AUC	NA
57	2026-10-01	A Collaborative Neurodynamic Approach to Sharpness-Aware Minimization for Improving Generalization of Deep Learning 2026-Jul-15, IEEE transactions on cybernetics IF:9.4Q1 DOI:10.1109/TCYB.2026.3710134 PMID:42455721	研究论文	本文提出了一种协同神经动力学方法（CNSAM）来改进锐度感知最小化，以提升深度学习的泛化能力	利用多个智能体协同搜索损失景观的平坦区域，避免了原SAM算法对锚点线性化损失的依赖，从而提高了泛化性能	未明确说明，可能涉及计算成本增加或超参数调整等问题	提高深度神经网络的泛化能力	深度神经网络，图像分类和自然语言处理任务	机器学习	NA	NA	NA	图像, 文本	NA	NA	NA	测试损失, 准确率	NA
58	2026-10-01	Few-Shot Learning for Cross-Domain Human Activity Recognition Using Wearable Sensors 2026-Jul-15, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2026.3713678 PMID:42455724	研究论文	提出了一种轻量级跨域小样本传感器人体活动识别网络CFSH-Net，利用小波驱动的深度可分离双边分解作为特征提取器，在少量标注样本下实现跨域活动识别	提出了小波驱动的深度可分离双边分解（WDBD）作为特征提取器，设计了轻量级跨域小样本网络CFSH-Net，无需微调即可适应未见活动和域偏移，仅需少量标注目标样本	摘要中未明确提及局限性	解决传感器人体活动识别中标注数据稀缺和域偏移问题，实现跨域小样本活动识别	基于可穿戴传感器的人体活动识别数据	机器学习	NA	可穿戴传感器	CNN	传感器时序数据	六个公开基准数据集（OPPORTUNITY、PAMAP2、UCI-HAR、WISDM、WISDM2019、USC-HAD），5-way 5-shot设置	NA	CFSH-Net	准确率	NA
59	2026-10-01	Language Model-Enhanced Geometric Learning for Metalloprotein Pathogenic Mutations 2026-Jul-14, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2026.3713319 PMID:42447009	研究论文	该研究提出了MetalDiagnosis深度学习框架，结合改进的等变图神经网络与预训练蛋白质语言模型，预测金属结合蛋白中与疾病相关的突变位点	将改进的等变图神经网络与预训练蛋白质语言模型ESM Cambrian相结合，采用滑动窗口策略提取深层上下文语义信息，并通过位置编码和虚拟节点学习全局模式，融合残基和几何层面的序列与结构表示	未明确说明模型的泛化能力、计算成本及在更大规模数据集上的表现，对VUS的重分类仍需进一步实验验证	预测金属蛋白中突变位点的致病性或良性，以助力早期疾病诊断和加速创新药物开发	金属结合蛋白中的错义突变位点及611个意义不明的变异（VUS）	机器学习	NA	NA	等变图神经网络，蛋白质语言模型	序列数据，三维结构数据	611个意义不明的变异（VUS）	NA	等变图神经网络，ESM Cambrian	NA	NA
60	2026-10-01	PI-H2T: Enhancing Long-Tailed Visual Recognition with Permutation-Invariant and Head-to-Tail Feature Fusion 2026-Jul-09, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2026.3711911 PMID:42424207	研究论文	本文提出了一种名为PI-H2T的方法，通过置换不变表示融合和从头到尾的特征融合来增强长尾视觉识别	提出了置换不变表示融合（PIF）和从头到尾融合（H2TF）两个模块，分别用于增强表示空间和调整偏置分类器，且具有即插即用的特性	未明确提及	解决长尾数据分布下深度学习模型偏向头部类别而忽略尾部类别的问题，提高尾部类别的识别准确率	长尾视觉识别任务中的图像数据	计算机视觉	NA	NA	NA	图像	NA	NA	NA	NA	NA