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
6581	2026-01-17	Robust Physics-Based Deep MRI Reconstruction via Diffusion Purification 2026-Jan-14, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2025.3631742 PMID:41533627	研究论文	提出一种基于扩散模型的鲁棒化策略，用于提升深度学习MRI重建方法的抗干扰能力	利用预训练的扩散模型作为净化器，无需解决传统对抗训练中的minimax优化问题，仅需对净化样本进行高效微调	未明确说明方法在极端噪声或复杂病理条件下的性能边界	解决深度学习MRI重建方法在测试时对测量扰动、参数变化和分布偏移的脆弱性问题	磁共振成像（MRI）重建	医学影像分析	NA	扩散模型	扩散模型	k空间数据，图像	NA	NA	扩散模型	NA	NA
6582	2026-01-17	Impact of fine-grained learning rate configuration on the performance of medical image segmentation models 2026-Jan-14, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ae3830 PMID:41534111	研究论文	本文提出了一种细粒度学习率配置算法，用于提升医学图像分割模型的性能	首次系统研究了不同网络层次间差异化学习率初始化对医学图像分割性能的影响，并提出了一种基于早期训练结果与最终最优性能统计关系的通用配置算法	算法在更多模态和复杂解剖结构数据集上的泛化能力仍需进一步验证	探索细粒度学习率配置对医学图像分割模型性能的影响，并开发一种优化算法	医学图像分割模型	计算机视觉	结直肠息肉、胃肠道息肉、乳腺肿瘤、甲状腺结节、皮肤病变	深度学习	CNN	医学图像	使用了五个公开数据集：CVC-ClinicDB、Kvasir-SEG、BUSI、甲状腺结节分割数据集、皮肤病变分割数据集	未明确说明	H-vmunet, MSRUNet	mIoU	未明确说明
6583	2026-01-17	Correction: Quality assessment of colour fundus and fluorescein angiography images using deep learning 2026-Jan-14, The British journal of ophthalmology DOI:10.1136/bjo-2022-321963corr1 PMID:41535099	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
6584	2026-01-17	Deep learning-based restoration of PET images from a dual-panel breast dedicated scanner 2026-Jan-14, Zeitschrift fur medizinische Physik IF:2.4Q2 DOI:10.1016/j.zemedi.2026.01.001 PMID:41535178	研究论文	本研究利用深度学习技术，旨在提升专用双面板乳腺PET扫描仪的图像质量，使其接近全环扫描仪的性能	首次将SwinUNETR架构应用于从双面板PET数据合成全环等效图像，显著提升了图像质量指标	研究基于蒙特卡洛模拟和临床数据生成的仿真图像，尚未在真实双面板扫描仪采集的原始数据上进行验证	通过深度学习改善低成本双面板乳腺专用PET扫描仪的图像质量，以降低乳腺癌诊断和监测的成本	乳腺PET图像	数字病理学	乳腺癌	PET成像，蒙特卡洛模拟（GATE工具包）	深度学习	图像	51例¹⁸F-FDG乳腺PET/CT临床病例数据用于仿真	NA	SwinUNETR	结构相似性指数（SSIM），峰值信噪比（PSNR），均方根误差（RMSE），体素相关性	NA
6585	2026-01-17	A Novel Hybrid Model Based on GAN and Stacking for Improving Minority Class Detection in an Imbalanced Dataset of Endotracheal Tubes Position Errors 2026-Jan-14, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01840-9 PMID:41535602	研究论文	提出一种基于GAN和堆叠集成的新混合模型，用于改善气管插管位置错误不平衡数据集中少数类别的检测性能	采用两阶段方法：第一阶段通过GAN和过采样合成少数类特征以平衡数据集；第二阶段使用特征平衡数据集训练多分类器的堆叠集成模型	未明确说明模型在外部验证集上的泛化能力，且仅针对特定数据集进行验证	解决气管插管位置分类中因数据不平衡导致的少数类检测性能下降问题	基于胸部X光图像的气管插管位置异常检测	计算机视觉	呼吸系统疾病	胸部X光成像	GAN, 堆叠集成	图像	未明确说明具体样本数量，但提及使用公开ETT数据集且存在极端不平衡	未明确说明	未明确说明具体GAN架构	召回率, F1分数	通过特征级训练替代像素级训练显著降低计算成本，但未具体说明硬件配置
6586	2026-01-17	Unpacking Genomic Biomarkers for Programmed Cell Death Receptor-1 Immunotherapy Success in Non-Small Cell Lung Cancer Using Deep Neural Networks: Quantitative Study 2026-Jan-13, JMIR bioinformatics and biotechnology DOI:10.2196/70553 PMID:41529246	研究论文	本研究利用深度神经网络分析非小细胞肺癌患者的RNA-seq数据，以识别预测PD-1免疫疗法反应的基因组生物标志物	开发了DeepImmunoGene模型，通过特征选择减少基因集，并应用深度学习识别高预测性基因子集，在预测准确性和AUC方面优于传统机器学习方法	研究样本量相对有限（355名患者），且仅基于RNA-seq数据，可能未涵盖其他基因组或临床因素	识别预测非小细胞肺癌患者对PD-1免疫疗法反应的基因组生物标志物，以改善患者预后和治疗策略	非小细胞肺癌患者的RNA-seq数据	机器学习	肺癌	RNA-seq	DNN, SVM, XGBoost	基因表达数据	355名非小细胞肺癌患者	NA	DeepImmunoGene	准确率, AUC, 召回率	NA
6587	2026-01-17	Deep learning-based segmentation and density estimation of corneal nerves and dendritic cells from In Vivo confocal microscopy images 2026-Jan-13, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-34412-6 PMID:41530230	研究论文	本研究比较了手动评估与基于深度学习分割的自动评估方法在角膜神经纤维长度和树突状细胞密度测量上的表现	利用深度学习分割技术实现角膜神经和树突状细胞的自动分割与密度估计，替代传统手动评估方法	研究样本量相对有限（130名参与者），且仅针对特定人群（COVID-19后眼部症状者与无症状对照）	开发并验证一种自动化的角膜神经纤维长度和树突状细胞密度评估方法	角膜神经纤维和树突状细胞	计算机视觉	眼部疾病	活体共聚焦显微镜成像	深度学习分割模型	图像	130名参与者（100名有症状，30名无症状），共2600张IVCM图像	NA	NA	组间差异p值，置信区间	NA
6588	2026-01-17	ReaGP: integrating residual units and attention mechanisms in convolution neural network for genomic prediction 2026-Jan-13, Genetics, selection, evolution : GSE DOI:10.1186/s12711-025-01015-8 PMID:41530673	研究论文	提出了一种名为ReaGP的新型深度学习模型，通过整合残差单元和注意力机制来提升基因组预测的准确性	首次将残差单元和注意力机制结合到卷积神经网络中用于基因组预测，并引入频率编码的基因组数据以增强特征表示	未明确说明模型在极低遗传力性状或小样本数据集上的表现	开发一种高效的深度学习方法来提高基因组育种值（GEBVs）的预测精度	猪、奶牛、华西牛、小麦和水稻的基因组数据	机器学习	NA	基因组预测	CNN	基因组数据	三个动物数据集和两个植物数据集，涵盖15个性状	NA	整合残差单元和注意力机制的卷积神经网络	预测准确性	NA
6589	2026-01-17	Expanding the clinical utility of deep learning-based radiomics and machine learning for prognostic assessment in IDH-wildtype glioblastoma following maximal safe surgical resection 2026-Jan-13, International journal of surgery (London, England) DOI:10.1097/JS9.0000000000004661 PMID:41537390	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
6590	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
6591	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
6592	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
6593	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
6594	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
6595	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
6596	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
6597	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
6598	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
6599	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
6600	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