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
6301	2026-01-17	IFNg_DeepKG: A Novel Model for Identifying Interferon-Gamma-Inducing Epitopes Using Knowledge Graph RAG in Biomedical Applications 2026-Jan-12, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02248 PMID:41474270	研究论文	本文提出了一种名为IFNg_DeepKG的新型深度学习框架，用于准确识别干扰素-γ诱导表位，结合了预训练蛋白质语言模型、知识图谱检索增强生成和多尺度卷积神经网络	首次将知识图谱检索增强生成方法应用于干扰素-γ诱导表位识别，通过整合序列特征与生物上下文信息显著提升预测性能	未明确说明模型在更广泛物种或疾病类型上的泛化能力限制，也未讨论计算资源需求	开发一种计算模型以准确高效地识别干扰素-γ诱导表位，用于下一代疫苗和免疫疗法设计	干扰素-γ诱导表位，特别是与COVID-19和阿尔茨海默病相关的临床相关表位	计算免疫学	COVID-19, 阿尔茨海默病	蛋白质语言模型, 知识图谱, 检索增强生成	多尺度卷积神经网络	蛋白质序列, 生物上下文信息	人类和小鼠数据集（具体数量未明确说明）	NA	ESM2, MSCNN	AUC	NA
6302	2026-01-17	Mod-SE(2): a geometric deep learning framework for brain tumor classification and segmentation in MRI images 2026-Jan-12, Journal of biomedical science IF:9.0Q1 DOI:10.1186/s12929-025-01213-y PMID:41527065	研究论文	本文提出了一种名为Mod-SE(2)的几何深度学习框架，用于MRI图像中的脑肿瘤分类与分割	通过整合几何先验知识，引入保持对称性的群卷积和空间先验，直接编码旋转平移对称性到架构中，提升了模型对空间变异性和方向敏感性的鲁棒性	当前框架主要针对2D图像，未来需扩展到3D体积数据并验证临床就绪性	开发一个几何深度学习框架，以提升脑肿瘤在MRI图像中分类和分割的准确性与鲁棒性	脑肿瘤MRI图像	计算机视觉	脑肿瘤	MRI	CNN, 几何深度学习	图像	三个MRI数据集和两个其他医学图像数据集	NA	Mod-SE(2), U-Net, NN U-Net, VGG16, VGG19, ResNet	准确率, 精确率, Dice系数, IoU	NA
6303	2026-01-17	FG-DDI: Functional group-aware graph neural networks for drug-drug interaction prediction 2026-Jan-12, Journal of biomedical informatics IF:4.0Q2 DOI:10.1016/j.jbi.2026.104981 PMID:41534605	研究论文	本文提出了一种名为FG-DDI的图神经网络模型，通过显式注入功能基团的药物化学知识来改进药物-药物相互作用预测	创新点在于将功能基团先验知识以可训练的方式编码到图神经网络的消息传递中，增强了表示质量并提供了可解释的归因	未明确说明模型在处理噪声先验或大规模数据集时的具体限制	改进药物-药物相互作用预测，特别是在转导和归纳设置下	药物-药物相互作用	自然语言处理	NA	图神经网络	GNN	图数据	DrugBank数据集包含1706种药物和86种相互作用类型，TwoSides数据集包含过滤后的三元组	NA	双视图图神经网络	准确率, AUROC, 平均精确率, F1分数	NA
6304	2026-01-17	Automated segmentation of COVID-19 lesions in CT scans using attention U-net with hybrid loss functions 2026-Jan-11, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-26090-1 PMID:41521212	研究论文	本文提出了一种结合CLAHE预处理、注意力U-Net模型和混合损失函数的深度学习框架，用于自动分割CT扫描中的COVID-19病灶	将CLAHE预处理与注意力U-Net结合，并采用混合Dice-Tversky损失函数进行训练，同时应用可解释人工智能技术增强模型透明度	未提及模型在外部数据集上的泛化能力验证或临床部署的具体挑战	开发自动分割COVID-19肺炎病灶的深度学习工具，辅助疾病诊断和严重程度评估	COVID-19患者的CT扫描图像	数字病理学	COVID-19	CT扫描	深度学习	医学图像	公开COVID-19 CT数据集（具体数量未说明）	未明确说明	Attention U-Net	Dice分数, IoU, 准确率	未明确说明
6305	2026-01-17	On the interpretability of machine and deep learning techniques for predicting CBR of stabilized soil containing agro-industrial wastes 2026-Jan-09, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-30501-8 PMID:41513694	研究论文	本研究利用机器学习和深度学习技术预测含有农业工业废料的稳定化土壤的加州承载比（CBR）	首次将多种MDL模型（包括LSTM）应用于预测稳定化土壤的CBR，并比较了两种输入变量方法，同时使用SHAP进行特征重要性分析	未明确提及样本大小或计算资源细节，可能限制模型泛化能力评估	探索农业和工业副产品作为土壤稳定剂的替代方案，并准确预测稳定化土壤的CBR	含有农业工业废料的稳定化土壤	机器学习	NA	NA	MARS, ANN, M5P-MT, XGBoost, LWP, LSTM	土壤工程参数数据	NA	Scikit-learn（用于SHAP和特征重要性分析）	LSTM, XGBoost, MARS, ANN, M5P-MT, LWP	MAE, RMSE, RSD, VAF, U95, R	NA
6306	2026-01-17	Materials Informatics: Emergence to Autonomous Discovery in the Age of AI 2026-Jan-08, Advanced materials (Deerfield Beach, Fla.) DOI:10.1002/adma.202515941 PMID:41504609	综述	本文回顾了材料信息学从概念起源到与人工智能融合的演变历程，并展望了其未来向自主发现发展的方向	将材料信息学定位为一个不断演化的研究生态系统，而非工具集合，并深入探讨了专用大型语言模型与通用模型在材料科学中的优劣，以及AI从预测工具向研究协作伙伴转变的潜力	作为一篇综述，本文未提出新的具体算法或模型，主要基于现有文献进行梳理和展望	梳理材料信息学的发展脉络，评估当前关键方法，并探讨人工智能驱动下材料自主发现的未来方向	材料信息学领域的方法论、技术演进及其在材料发现中的应用	机器学习	NA	机器学习，人工智能，深度学习	Transformer, 大型语言模型	材料科学数据（如性质、合成条件、结构信息等）	NA	NA	Transformer	NA	NA
6307	2026-01-17	CSRefiner: a lightweight framework for fine-tuning cell segmentation models with small datasets 2026-Jan-07, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaf718 PMID:41527855	研究论文	提出了一种轻量级框架CSRefiner，用于在小数据集上微调细胞分割模型，以提升全组织单细胞空间表达分析的精度	CSRefiner是一个轻量级且高效的微调框架，支持微调空间组学中广泛使用的分割模型，并在有限标注数据下实现高精度，具有操作简单和鲁棒性强的特点	未在摘要中明确说明	解决现有微调方法需要大量重新训练或局限于特定模型架构的问题，提升细胞分割模型在全组织分析中的一致性和适应性	细胞分割模型，特别是用于空间组学中核或膜染色图像的分割	数字病理学	NA	空间组学技术，核或膜染色图像	深度学习分割模型	图像	小数据集	NA	NA	准确性	NA
6308	2026-01-17	DeepRMSF: a deep learning-based automated approach for predicting atomic-level flexibility in RNA structure 2026-Jan-07, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaf720 PMID:41529119	研究论文	本文提出了一种基于深度学习的自动化方法DeepRMSF，用于从RNA三级结构预测原子级振动灵活性	首次开发了直接从RNA三级结构预测原子级振动灵活性的深度学习方法，相比传统分子动力学模拟实现了超过3000倍的加速	方法主要针对中等大小RNA（约75个核苷酸），在更大或更复杂RNA结构上的性能需要进一步验证	开发高效预测RNA构象动态性的计算方法，以理解RNA在生物过程中的功能	RNA分子的原子级振动灵活性	计算生物学	NA	分子动力学模拟，深度学习	深度学习模型	RNA三级结构数据，分子动力学模拟数据	371个非冗余RNA（311个用于五折交叉验证，60个作为独立测试集）	NA	NA	皮尔逊相关系数	NA
6309	2026-01-17	Analysis of trichoscopic images using deep neural networks for the diagnosis and activity assessment of alopecia areata - a retrospective study 2026-Jan, Journal der Deutschen Dermatologischen Gesellschaft = Journal of the German Society of Dermatology : JDDG DOI:10.1111/ddg.15847 PMID:41025749	研究论文	本研究开发了一个深度学习框架，用于通过毛镜图像诊断斑秃并评估其活动水平	首次利用人工智能在斑秃的诊断和分期中实现应用，提高了诊断准确性并改善了患者护理	研究为回顾性分析，可能存在数据偏差，且未明确提及外部验证或模型泛化能力	开发一个深度学习框架，以诊断斑秃并确定其活动水平	从头皮疾病患者和健康对照者收集的毛镜图像	计算机视觉	斑秃	毛镜检查	深度学习模型	图像	未明确指定具体样本数量，但涉及患者和健康对照的毛镜图像	NA	NA	准确率, F1分数	NA
6310	2026-01-17	MethConvTransformer: A Deep Learning Framework for Cross-Tissue Alzheimer's Disease Detection 2026-Jan-01, ArXiv PMID:41503096	研究论文	本文提出了一个名为MethConvTransformer的深度学习框架，用于整合大脑和外周组织的DNA甲基化数据，以实现阿尔茨海默病的跨组织检测和生物标志物发现	开发了一个结合CpG位点线性投影、卷积层和自注意力层的Transformer框架，以捕获CpG位点的局部和长程依赖关系，并整合受试者水平协变量和组织嵌入来区分共享和区域特异性甲基化效应，实现了跨组织的鲁棒生物标志物发现	未明确说明	开发一个深度学习框架，利用跨组织的DNA甲基化数据实现阿尔茨海默病的早期检测和生物标志物发现	阿尔茨海默病患者和对照个体的DNA甲基化数据	机器学习	阿尔茨海默病	DNA甲基化分析	Transformer, CNN	DNA甲基化谱数据	六个GEO数据集和一个独立的ADNI验证队列	未明确说明	MethConvTransformer (结合线性投影、卷积和自注意力层的定制架构)	区分度和泛化能力	未明确说明
6311	2026-01-17	RUL prediction method based on sequential health index evaluation with multidimensional coupled degradation data 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0340645 PMID:41528990	研究论文	提出一种基于序列健康指数评估的剩余使用寿命预测方法，用于处理多维耦合退化数据	提出一种融合CNN-Transformer混合模型与序列健康指数评估方案的RUL预测方法，引入分块交互机制降低模型复杂度，并通过马氏距离与序列评估比动态构建健康指数，减少对高质量标记数据的依赖	未明确说明方法在极端工况或噪声强烈环境下的泛化能力，也未讨论实时部署时的计算延迟问题	解决多维耦合退化数据下剩余使用寿命预测的难题，实现无需高质量标记数据的预测维护	具有多维耦合退化特征的工业设备或系统	机器学习	NA	序列健康指数评估	CNN, Transformer	多维退化数据	NA	NA	CNN-Transformer混合模型	预测精度, 鲁棒性	NA
6312	2026-01-17	A physics-inspired memory-augmented deep learning framework for magnetic core loss prediction 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0339490 PMID:41529025	研究论文	本文提出了一种用于磁芯损耗预测的增强记忆增强Mamba模型，结合物理约束和记忆机制，显著提升了预测精度和泛化能力	提出增强记忆增强Mamba模型，通过状态空间记忆增强机制存储典型磁化模式，结合注意力引导的智能特征选择机制识别磁滞曲线关键转折点，并采用物理约束多目标优化框架实现损耗解耦建模	未明确说明模型在超出训练数据范围的新材料或极端工况下的泛化能力极限，也未讨论模型的计算复杂度	提高电力电子系统中磁芯损耗的预测精度，以提升系统效率和可靠性	磁性材料（磁芯）的损耗特性	机器学习	NA	NA	EMA-Mamba	波形数据（B(t)和H(t)波形）	超过150,000个数据点，涵盖10种材料	NA	增强记忆增强Mamba	平均预测误差，决定系数，95百分位误差	NA
6313	2026-01-17	Multimodal prediction models integrating radiomics and three-dimensional deep learning for acute respiratory distress syndrome in acute pancreatitis patients 2026-Jan, The Journal of international medical research IF:1.4Q4 DOI:10.1177/03000605251410432 PMID:41529916	研究论文	本研究开发了一种融合临床数据、影像组学和三维深度学习的多模态预测模型，用于预测急性胰腺炎患者发生急性呼吸窘迫综合征的风险	首次将临床数据、影像组学特征和三维深度学习模型通过XGBoost算法进行融合，构建了用于预测急性胰腺炎患者ARDS风险的多模态预测模型，其性能优于传统评分系统和单一模态模型	研究为回顾性设计，数据来源于三家医院，可能存在选择偏倚；模型需要在更大规模、多中心的前瞻性队列中进行外部验证	开发一个早期预测急性胰腺炎患者发生急性呼吸窘迫综合征风险的多模态预测模型	759名来自三家医院的急性胰腺炎患者	数字病理学	急性胰腺炎	三维计算机断层扫描	CNN, XGBoost	图像, 表格数据	759名患者	NA	卷积网络	AUC	NA
6314	2026-01-17	Electroencephalography Enables Continuous Decoding of Hand Motion Angles in Polar Coordinates 2026, Cyborg and bionic systems (Washington, D.C.) DOI:10.34133/cbsystems.0469 PMID:41531435	研究论文	本研究探讨了使用脑电图信号在极坐标下连续解码手部运动角度的可行性	首次在基于EEG的脑机接口研究中，采用极坐标系统连续解码手部圆周运动的角信息，为涉及圆周或旋转运动的应用提供了新的解码方法	研究仅涉及8名参与者，样本量较小，且实验范式局限于固定半径的双臂圆周追踪任务	评估使用脑电图信号在极坐标下连续解码手部运动角度的可行性	人类参与者在执行双臂圆周追踪任务时的脑电图信号	脑机接口	NA	脑电图	CNN, LSTM	脑电图信号	8名参与者	NA	EEGNet, DeepConvNet, ShallowConvNet	均方误差, 平均绝对误差, 相关系数	NA
6315	2026-01-17	Automated Detection and Monitoring of Ground-Nesting Bee Nests Using Drone Imagery and Deep Learning 2026-Jan, Ecology and evolution IF:2.3Q2 DOI:10.1002/ece3.72856 PMID:41531897	研究论文	本文评估了结合无人机图像采集与深度学习技术，自动检测和监测地面筑巢蜜蜂巢穴土堆的可行性	首次将无人机高分辨率航拍图像与深度学习模型结合，用于自动检测和区分蜜蜂巢穴土堆与蚯蚓粪等其他土壤表面沉积物	误分类主要源于非典型形状的土堆（如新建、不完整或受损）以及土堆重叠的情况，且研究仅在特定裸露土壤区域进行，未来需评估其他栖息地和物种的适用性	开发一种可扩展的系统，用于自动检测和监测地面筑巢蜜蜂的巢穴土堆，以支持蜜蜂保护和管理	地面筑巢蜜蜂的巢穴土堆（土壤土堆）	计算机视觉	NA	无人机高分辨率航拍图像采集	深度学习	图像	一个120米区域的裸露土壤，包含大量蚯蚓粪和密集的蜜蜂巢穴聚集	NA	NA	F1分数, 精确率, 召回率	NA
6316	2026-01-17	Unsupervised quality assessment with generative adversarial networks for 3D OCTA microvascular imaging 2026-Jan-01, Biomedical optics express IF:2.9Q2 DOI:10.1364/BOE.573843 PMID:41532099	研究论文	提出了一种基于生成对抗网络的3D OCTA微血管成像无监督质量评估方法	首次将3D GAN架构应用于OCTA图像质量评估，通过多尺度处理层融合精细血管细节与解剖上下文，实现无监督学习	未明确说明模型对不同类型伪影的具体泛化能力，且未讨论计算资源需求	开发自动化深度学习模型，定量客观地区分优质与次优质量的3D OCTA扫描	光学相干断层扫描血管造影（OCTA）的3D微血管成像数据	计算机视觉	眼科疾病	光学相干断层扫描血管造影（OCTA）	GAN	3D图像	NA	NA	OCTA-GAN（包含多尺度处理层的3D GAN架构）	AUC, 敏感性, 特异性	NA
6317	2026-01-17	LensPlus: a high space-bandwidth optical imaging technique 2026-Jan-01, Biomedical optics express IF:2.9Q2 DOI:10.1364/BOE.580164 PMID:41532106	研究论文	本文提出了一种基于深度学习的框架LensPlus，用于在不修改硬件的情况下增强定量相位成像的空间带宽积，实现大视场高分辨率成像	提出了一种非生成式深度学习框架，通过学习低数值孔径与高数值孔径物镜获取的配对数据集，恢复低NA测量中丢失的高频特征，从而在保持大视场的同时提高分辨率，有效提升空间带宽积，且相比对抗模型能最小化图像幻觉并确保定量保真度	未明确说明模型在非定量相位成像的其他成像模态中的具体性能表现及泛化能力限制	解决光学成像中空间带宽积对同时实现高分辨率与大视场成像的根本限制	定量相位成像及其他基于透镜的成像模态	计算机视觉	NA	定量相位成像	深度学习	图像	NA	NA	非生成式模型	空间带宽积提升倍数，定量保真度	NA
6318	2026-01-17	Template-based RNA structure prediction advanced through a blind code competition 2025-Dec-30, bioRxiv : the preprint server for biology DOI:10.64898/2025.12.30.696949 PMID:41509375	研究论文	本文通过Kaggle代码竞赛探讨了基于模板的RNA三维结构预测方法，并开发了集成模型RNAPro	竞赛中表现最佳的策略意外地采用了无深度学习的模板发现流程，且集成模型RNAPro在测试集上超越了单个竞赛模型	NA	解决从序列自动预测RNA三维结构的生物学与生物技术挑战	RNA三维结构	生物信息学	NA	模板建模	NA	RNA序列与三维结构数据	43个先前未发布的结构	NA	NA	竞赛评分（与CASP16优胜者统计误差内）	NA
6319	2026-01-17	A hybrid quantum-classical convolutional neural network with a quantum attention mechanism for skin cancer 2025-Dec-29, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31122-x PMID:41466036	研究论文	本文提出了一种结合量子注意力机制的混合量子-经典卷积神经网络（QAttn-CNN），用于皮肤癌图像分类	引入了量子注意力机制（QAttn）来改进特征选择，并利用量子卷积层和NEQR编码的量子图像表示，将计算复杂度从O(N)降低到O(log N)	研究使用了灰度转换和图像大小调整等预处理步骤，可能丢失原始RGB图像的色彩信息；量子计算硬件在临床环境中的实际应用仍面临挑战	开发一种计算效率更高、性能更好的混合量子-经典深度学习模型，用于皮肤癌的早期检测和分类	皮肤病变的医学图像，特别是恶性与良性皮肤病变的二分类问题	计算机视觉	皮肤癌	量子计算，深度学习	CNN，混合量子-经典神经网络	图像	三个数据集：MNIST（70,000张灰度手写数字图像），CIFAR-10（60,000张RGB物体图像），Kaggle皮肤癌数据集（3,297张皮肤镜图像：1,800例良性，1,497例恶性）	NA	QAttn-CNN，QAttn-ViT，QAttn-ResNet18	准确率，精确率，召回率，F1分数	NA
6320	2026-01-17	An ethnic-sensitive hybrid framework for T2D prediction with explainable AI and weighted ensembles 2025-Dec-23, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31234-4 PMID:41436827	研究论文	本文提出了一种针对2型糖尿病早期预测的种族敏感混合框架，结合可解释AI和加权集成方法，以解决数据缺失、类别不平衡和人群特异性风险因素等挑战	提出了一种四阶段预测框架FW-CAGIN-WCAE，包括特征加权类别自适应生成插补网络和加权分类器聚合集成，并首次在糖尿病预测中结合类别感知和特征加权的GAN模型进行数据插补	研究主要基于三个基准数据集，在更广泛的人群和实际医疗环境中的泛化能力有待进一步验证	开发一个准确、可解释且对人群敏感的早期2型糖尿病预测框架，特别针对资源有限的医疗环境	2型糖尿病患者的医疗数据	机器学习	2型糖尿病	NA	GAN, 集成学习	结构化医疗数据	基于三个基准数据集（PIDD, FHGDD, BDD）及其组合	NA	FW-CAGIN（特征加权类别自适应生成插补网络）	AUC, 平均绝对误差, 诊断比值比	NA