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	2026-02-07	Ape Optimizer: A p-Power Adaptive Filter-Based Approach for Deep Learning Optimization 2026-Feb, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2025.3610665 PMID:40996994	研究论文	本文提出了一种名为Ape的新型深度学习优化器，它基于自适应滤波中的最小均方p次幂算法，通过p次幂调整机制处理重尾梯度分布	首次将自适应滤波领域的LMP算法引入深度学习优化，提出针对α稳定分布梯度噪声的优化器设计，通过p次幂机制压缩大梯度并放大小梯度	未明确说明在超大规模模型或特定网络架构下的性能表现，实验范围主要限于基准数据集	开发一种能够有效处理非高斯分布梯度噪声的深度学习优化器	深度学习优化算法	机器学习	NA	NA	NA	基准数据集	NA	NA	NA	准确率, 训练速度	NA
42	2026-02-07	M-TabNet: A Transformer-Based Multi-Encoder for Early Neonatal Birth Weight Prediction Using Multimodal Data 2026-Feb, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3614285 PMID:41021962	研究论文	本文提出了一种基于Transformer的多编码器模型M-TabNet，用于利用多模态数据早期预测新生儿出生体重	提出了一种新颖的注意力机制Transformer模型，采用多编码器架构，有效整合了生理、生活方式、营养和遗传等多模态母体数据，解决了现有模型（如TabNet）的局限性，并实现了孕早期（<12周）的高精度预测	模型主要基于内部私有数据集进行开发和验证，虽然使用了IEEE儿童数据集进行独立验证以证明其泛化能力，但未在更广泛、更多样化的公共数据集上进行全面测试	开发一个准确、可解释且个性化的工具，用于早期预测新生儿出生体重，以识别高危妊娠并优化新生儿健康结局	孕妇及其新生儿	机器学习	新生儿疾病	多模态数据整合分析	Transformer	多模态数据（包括生理、生活方式、营养和遗传数据）	内部私有数据集和IEEE儿童数据集（具体样本数量未在摘要中提供）	NA	Transformer, 多编码器架构	平均绝对误差, R², 灵敏度, 特异性	NA
43	2026-02-07	EnsembleRegNet: Interpretable deep learning for transcriptional network inference from single-cell RNA-seq 2026-Feb, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108702 PMID:41043336	研究论文	本文提出了一种名为EnsembleRegNet的深度学习框架，用于从单细胞RNA测序数据中推断基因调控网络	通过集成编码器-解码器和多层感知机架构，结合Hodges-Lehmann估计器二值化、案例删除分析、RcisTarget基序富集和AUCell调控子活性评分，提高了网络推断的鲁棒性和生物学可解释性	未在摘要中明确提及	从高维单细胞RNA测序数据中准确推断基因调控网络结构	转录因子与靶基因关系、细胞类型特异性调控模块	机器学习	NA	单细胞RNA测序	集成编码器-解码器, 多层感知机	单细胞RNA测序数据	模拟和真实单细胞RNA测序数据集	NA	EnsembleRegNet	聚类性能, 调控准确性	NA
44	2026-02-07	Deep learning-enhanced zero echo time silent brain magnetic resonance imaging in infants without sedation 2026-Feb, Pediatric radiology IF:2.1Q2 DOI:10.1007/s00247-025-06413-0 PMID:41219520	研究论文	本研究评估了基于深度学习的重建技术对零回波时间婴儿脑部磁共振成像图像质量的影响，并与传统镇静下的MRI进行比较	首次将深度学习重建技术应用于零回波时间序列的婴儿脑部MRI，结合喂养包裹技术，实现了无需镇静的高质量成像	研究为回顾性设计，样本量相对较小（78名婴儿），且仅评估了特定年龄段的婴儿	评估深度学习重建技术能否提升零回波时间婴儿脑部MRI的图像质量，以减少对镇静的需求	婴儿（孕后年龄≤16个月）的脑部磁共振成像	医学影像分析	儿科神经影像	磁共振成像，零回波时间序列，深度学习重建	深度学习模型	磁共振图像	78名婴儿	NA	NA	Likert量表评分（噪声、灰白质区分、伪影、整体图像质量、病变显眼度），信号均匀性系数，Cohen's kappa系数	NA
45	2026-02-07	Towards automated fetal brain biometry reporting for 3-dimensional T2-weighted 0.55-3T magnetic resonance imaging at 20-40 weeks gestational age range 2026-Feb, Pediatric radiology IF:2.1Q2 DOI:10.1007/s00247-025-06403-2 PMID:41238791	研究论文	本文开发并验证了一种基于深度学习的全自动生物测量报告流程，用于3D T2加权胎儿脑MRI，旨在提高胎儿脑生物测量的可靠性和临床工作流集成	首次提出全自动生物测量报告流程，整合深度学习测量、百分位数和z分数计算与规范生长图表，并生成HTML报告	未明确讨论模型在不同扫描参数或病理条件下的泛化能力，且样本量相对有限	实现和验证3D T2加权胎儿脑MRI的全自动生物测量报告流程，以提升测量可靠性和临床实用性	胎儿脑MRI图像，用于生物测量和发育评估	医学影像分析	胎儿发育	3D T2加权磁共振成像，3D切片到体积重建	深度学习	3D MRI图像	回顾性评估90例，前瞻性评估111例，正常对照组406例	NA	3D UNet	绝对差异，可接受性评分，处理时间	NA
46	2026-02-07	Robust Deep Learning for Pulse-Echo Speed of Sound Imaging via Time-Shift Maps 2026-Feb, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2025.3602000 PMID:40844937	研究论文	本文提出了一种基于深度学习的鲁棒方法，用于通过时间偏移映射进行脉冲回波声速成像	开发了一种不依赖于特定前向模型的深度学习框架，通过时间偏移映射非线性映射到声速分布，并采用两阶段训练策略增强模型鲁棒性和泛化能力	未在临床人体数据上进行验证，计算成本较高（特别是全波仿真阶段）	提高脉冲回波模式下声速成像的准确性和鲁棒性，以改善超声图像质量和诊断价值	超声声速分布成像	医学影像处理	NA	脉冲回波超声成像，深度学习	深度学习模型	超声数据，时间偏移映射	NA	NA	NA	结构相似性指数，重建精度，对比度噪声比	NA
47	2026-02-07	Exploring potential gene signatures in dengue through machine learning and deep learning approaches 2026-Feb, Virus genes IF:1.9Q4 DOI:10.1007/s11262-025-02204-9 PMID:41329415	研究论文	本研究通过机器学习和深度学习技术，利用微阵列数据识别登革热临床条件下的差异表达基因，探索潜在的生物标志物	结合递归特征消除和遗传算法的机器学习与深度学习方法来识别登革热相关的潜在基因标记，并进行了功能富集和蛋白质-蛋白质相互作用网络分析	研究结果需要在更大、更多样化的队列中进行进一步验证以确认其预后效用	识别登革热临床条件下的差异表达基因，探索潜在的诊断生物标志物	登革热患者与对照组的微阵列基因表达数据	机器学习	登革热	微阵列	Random Forest, SVM	基因表达数据	来自四个微阵列数据集（GSE84331, GSE18090, GSE43777, E-MTAB-3162）的样本	NA	NA	NA	NA
48	2026-02-07	Computational frameworks for enhanced extracellular vesicle biomarker discovery 2026-Feb, Experimental & molecular medicine DOI:10.1038/s12276-025-01622-x PMID:41535547	综述	本文综述了利用人工智能等先进计算框架来增强细胞外囊泡生物标志物发现，以克服其临床转化中的挑战	整合多种数据资源（如疾病特异性组学、EV数据库、蛋白质定位数据等），并采用从规则过滤到机器学习和深度学习的计算策略，结合AI驱动的蛋白质结构与理化性质预测来优化生物标志物候选	NA	加速细胞外囊泡生物标志物从发现到临床应用的转化，推动精准医学发展	细胞外囊泡及其作为非侵入性生物标志物的潜力	机器学习	NA	NA	机器学习,深度学习	多组学数据,蛋白质数据,组织特异性数据,药物数据,免疫数据	NA	NA	NA	预测性能,生物学合理性,临床实用性	NA
49	2026-02-07	Deep learning in stroke therapeutics: drug repurposing and beyond 2026-Feb, Expert opinion on drug discovery IF:6.0Q1 DOI:10.1080/17460441.2026.2619641 PMID:41549848	综述	本文综述了深度学习在卒中治疗研究中的应用，特别是在药物再利用方面的作用	强调了深度学习在加速卒中药物再利用和开发中的新兴应用，并指出了其在连接转化研究鸿沟方面的潜力	模型可解释性、泛化能力和真实世界验证方面仍存在挑战	探讨深度学习在卒中治疗研究中的应用，特别是药物发现和再利用	卒中治疗研究，包括临床前模型和临床决策支持	机器学习	卒中	NA	NA	高维数据	NA	NA	NA	NA	NA
50	2026-02-07	The expectations of in silico fragment-based drug design and future challenges 2026-Feb, Expert opinion on drug discovery IF:6.0Q1 DOI:10.1080/17460441.2026.2623154 PMID:41630652	综述	本文讨论了基于片段的药物发现（FBDD）中计算机模拟方法的最新进展，特别是人工智能和机器学习如何加速药物发现过程	强调人工智能和机器学习在FBDD中的应用，包括生成模型、强化学习以及口袋感知设计，以加速化合物设计、预测相互作用并增强化学多样性	尽管AI加速了发现过程，但实验验证仍然是关键，且未详细讨论具体模型的局限性	探讨计算机模拟片段药物设计方法的期望和未来挑战，以加速药物发现过程	基于片段的药物发现（FBDD）方法，特别是针对激酶和GPCRs等靶点	机器学习	NA	生成模型、强化学习、变分自编码器（VAEs）	生成模型、强化学习模型、深度学习模型	化学化合物数据、蛋白质-片段相互作用数据	NA	NA	NA	NA	NA
51	2026-02-07	A Hybrid Deep Learning Approach for Epileptic Seizure Detection in EEG signals 2026-Feb, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2023.3265983 PMID:37037252	研究论文	本文提出了一种混合深度学习方法来检测脑电图信号中的癫痫发作	结合K-means SMOTE平衡数据，并集成1D CNN与基于TBPTT的BiLSTM网络，以高效提取时空序列信息并降低计算复杂度	未明确说明方法在实时应用或不同数据集上的泛化能力	开发一种高效准确的自动化癫痫发作检测方法	脑电图信号	机器学习	癫痫	脑电图	CNN, LSTM	信号	使用公开的UCI癫痫发作识别数据集，未明确具体样本数量	NA	1D CNN, BiLSTM	精确度, 灵敏度, 特异性, F1分数	NA
52	2026-02-07	PAINT: Prior-Aided Alternate Iterative NeTwork for Ultra-Low-Dose CT Imaging Using Diffusion Model-Restored Sinogram 2026-Feb, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2025.3599508 PMID:40824975	研究论文	提出一种结合扩散模型与深度学习展开式迭代重建的两阶段框架，用于从极低剂量采样的正弦图中恢复高质量CT图像	提出了一种名为PAINT的两阶段框架，首次将条件扩散模型用于正弦图恢复，并结合展开式迭代重建，通过交替更新欠采样与恢复数据的保真度项来充分利用先验信息	未明确说明计算成本与推理时间，临床数据实验的样本规模未具体说明	实现超低剂量CT成像，以减少重复扫描对患者的辐射风险	CT扫描的正弦图与重建图像	医学影像重建	肺癌	区域少视角扫描	扩散模型, 深度学习展开式迭代网络	正弦图, CT图像	模拟数据实验（112 mm视野），临床数据实验（具体数量未说明）	NA	条件扩散模型, Prior-aided Alternate Iterative NeTwork (PAINT)	CT值准确性, 图像细节保留, 伪影减少, 结构恢复	NA
53	2026-02-07	Secure Tracking of Patient's Vital Signs Using CSI-Based Homomorphic Encryption-Enabled Deep Learning Framework 2026-Feb, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3601969 PMID:40844949	研究论文	本文提出了一种结合信道状态信息、同态加密和轻量级深度学习的患者生命体征安全实时监测框架VitalCrypt	首次将同态加密与轻量级深度学习结合用于CSI信号处理，实现加密数据上的直接计算，在保证高精度的同时确保数据全流程机密性	加密数据处理延迟约为明文数据的7倍，存在性能与隐私保护的权衡	开发保护患者隐私的数字医疗系统，实现安全、实时的非侵入式生命体征监测	患者的呼吸率和心率信号	机器学习	NA	信道状态信息（CSI）采集、同态加密	轻量级神经网络	无线信号数据（CSI）	公开数据集（具体数量未说明）	NA	轻量级神经网络（具体架构未说明）	准确率	NA
54	2026-02-07	Integrative Transcriptomic and Bioinformatics Approaches Combined With Transformer Models Identify Key Gene Networks in Atherosclerosis 2026-Jan-31, FASEB journal : official publication of the Federation of American Societies for Experimental Biology IF:4.4Q2 DOI:10.1096/fj.202503988R PMID:41524613	研究论文	本研究通过整合基于Transformer的深度学习与经典生物信息学及实验验证，识别了与人类动脉粥样硬化进展相关的关键基因网络	首次将TabTransformer模型与SHAP分析结合用于动脉粥样硬化基因表达数据，以识别关键基因并验证其生物学意义	研究仅基于一个数据集（GSE100927），样本量相对有限（104个样本），且实验验证仅在体外细胞模型中进行	识别与动脉粥样硬化进展相关的关键转录组介质，并探索其作为生物标志物或治疗靶点的潜力	人类动脉粥样硬化斑块基因表达数据及氧化低密度脂蛋白处理的人脐静脉内皮细胞	生物信息学	心血管疾病	转录组学分析，差异表达分析，网络拓扑分析，通路富集分析，体外细胞实验	Transformer	基因表达数据	104个样本（69个斑块，35个对照）	limma, STRING, Cytoscape	TabTransformer	AUC	NA
55	2026-02-07	Computational methods for signal peptide prediction: From statistical models to deep learning 2026-Jan-31, Biotechnology advances IF:12.1Q1 DOI:10.1016/j.biotechadv.2026.108819 PMID:41628812	综述	本文系统总结了信号肽预测的计算方法，从统计模型到深度学习的演进	系统梳理了信号肽预测方法的演进历程，并强调了统一评估、生物学解释和生成建模等未来发展方向	NA	总结和比较信号肽预测的计算方法，推动该领域发展	信号肽（位于蛋白质N端的短氨基酸序列）	生物信息学	NA	NA	深度学习	氨基酸序列数据	NA	NA	NA	预测准确度	NA
56	2026-02-07	Attention-based deep learning for immunoglobulin typing from electrophoresis and laboratory data 2026-Jan-30, Clinica chimica acta; international journal of clinical chemistry DOI:10.1016/j.cca.2025.120735 PMID:41297746	研究论文	本研究开发了一种基于注意力的深度学习模型，用于结合血清蛋白电泳图像和实验室数据进行免疫球蛋白分型	首次提出结合Sebia毛细管免疫分型系统图像和临床实验室参数的多模态深度学习模型，并引入注意力机制增强模型可解释性	仅使用单一供应商（Sebia）的电泳系统数据，样本不平衡问题通过混合采样处理但可能仍存在偏差	开发自动化工具以辅助临床医生解释血清蛋白电泳免疫分型结果，减少人工解读的劳动强度和观察者间差异	来自Sebia毛细管免疫分型系统的电泳图像及相关的临床实验室参数（肌酐、钙、乳酸脱氢酶等）	数字病理	NA	毛细管电泳	深度学习	图像, 实验室数据	内部验证集未明确数量，外部验证使用200例独立队列病例	NA	注意力机制	准确率, Cohen's Kappa, F1分数, 召回率	NA
57	2026-02-07	CLM-former for enhancing multi-horizon time series forecasting and load prediction in smart microgrids using a robust transformer-based model 2026-Jan-28, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-34870-y PMID:41606036	研究论文	本文提出了一种名为CLM-Former的新型混合深度学习架构，用于增强智能微电网中的多时间尺度时间序列预测和负荷预测	提出了一种结合时间序列分解、基于自相关的注意力机制以及专门设计的CLM-subNet子网络的混合架构，该子网络融合了卷积层和循环层，以同时捕获季节性依赖和高分辨率用电变化	未明确提及	提高智能电网（特别是住宅环境）中多时间尺度负荷预测的准确性和鲁棒性，以支持电网稳定、需求响应和分布式调度	智能电表的真实世界用电数据	机器学习	NA	NA	Transformer, CNN, RNN	时间序列数据	未明确提及具体数量	NA	CLM-Former, Autoformer	未明确提及具体指标	NA
58	2026-02-07	Fault detection and isolation method for gas turbines using self-organizing type-3 fuzzy wavelet neural networks 2026-Jan-27, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31932-z PMID:41593112	研究论文	本文提出了一种用于燃气轮机故障检测与隔离的自组织Type-3模糊小波神经网络方法	引入了钟形Type-3隶属度函数以增强不确定性处理能力，采用混合Adam-无迹卡尔曼滤波器优化器进行快速收敛训练，并嵌入了自适应增长与剪枝规则的自组织机制	未明确说明模型在极端噪声或未知故障类型下的泛化能力，且仅在一个仿真器和一个真实信号数据集上进行了验证	开发一种鲁棒且高效的燃气轮机故障检测与隔离方法	燃气轮机	机器学习	NA	声发射信号分析	自组织Type-3模糊粗糙小波神经网络	仿真数据，声发射信号	基于一个163-MW西门子燃气轮机高保真仿真器（案例1）和真实声发射信号（案例2）	NA	ST3FRWNN	故障检测率，故障隔离率	NA
59	2026-02-07	Multi-Task Deep Learning for Sex and Age Estimation from Panoramic Radiographs in a Brazilian Young Population 2026-Jan-27, International dental journal IF:3.2Q1 DOI:10.1016/j.identj.2025.109381 PMID:41604952	研究论文	本研究提出并评估了一种基于ForensicNet的多任务深度学习框架，用于利用巴西5-15岁年轻人群的全景X光片同时估计实际年龄和分类性别	提出了一种基于EfficientNet-B3的多任务深度学习模型，并集成了卷积块注意力模块（CBAM）以同时预测年龄和性别，通过加权多任务损失进行端到端训练，在年龄估计和性别分类任务上均优于基准模型	研究样本仅限于巴西5-15岁的年轻人群，可能限制了模型在其他年龄段或不同种族人群中的泛化能力	开发并评估一个多任务深度学习框架，用于从全景X光片中自动、准确地估计年龄和分类性别，以支持法医和临床应用	巴西5-15岁年轻人群的全景X光片	计算机视觉	NA	全景X光成像	CNN	图像	2200张高分辨率全景X光片，按年龄和性别平衡，随机分为训练集（1320张）、验证集（440张）和测试集（440张）	PyTorch, TensorFlow	EfficientNet-B3, ForensicNet	平均绝对误差, 决定系数, 准确率, AUC	NA
60	2026-02-07	Deep learning-guided discovery of IL23/IL23R macromolecular inhibitors: An integrative framework combining virtual screening and experimental validation 2026-Jan-27, International journal of biological macromolecules IF:7.7Q1 DOI:10.1016/j.ijbiomac.2026.150581 PMID:41611152	研究论文	本文提出了一种结合深度学习和虚拟筛选的集成框架，用于发现IL23/IL23R大分子抑制剂，并通过实验验证其机制	采用基于顺序附着的片段嵌入（SAFE）深度生成模型设计新型p19靶向支架，结合虚拟筛选和分子动力学模拟，揭示了抑制剂通过多模态接触诱导受体刚性化和变构稳定的新机制	仅对31个候选化合物进行了细胞筛选，样本规模有限；未在动物模型中进行体内验证	发现和表征靶向IL23/IL23R蛋白-蛋白相互作用的抑制剂，用于治疗慢性炎症性疾病	IL23(p19)蛋白及其受体IL23R的相互作用界面	机器学习	银屑病	虚拟筛选，分子动力学模拟，细胞报告基因检测	深度生成模型	化学结构数据，分子动力学轨迹数据	31个候选化合物在HEK-Blue IL23报告细胞中进行筛选	NA	SAFE（Sequential Attachment-based Fragment Embedding）	RMSD（均方根偏差）	NA