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
7301	2026-01-09	A deep learning radiomics model for predicting non-sentinel lymph node metastases in early-stage breast cancer patients 2026-Jan, Future oncology (London, England) DOI:10.1080/14796694.2025.2595688 PMID:41319290	研究论文	开发并验证一个深度学习放射组学模型，用于预测早期乳腺癌患者中非前哨淋巴结转移	结合临床因素、腋窝超声发现和放射组学特征，构建了一个综合预测模型，显著提升了非前哨淋巴结转移的预测性能	研究为回顾性和前瞻性结合，可能存在选择偏倚；模型在外部验证中的泛化能力未明确评估	预测早期乳腺癌患者的非前哨淋巴结转移	早期乳腺癌患者（具有1-2个阳性前哨淋巴结转移）	数字病理学	乳腺癌	超声成像	深度学习模型	图像	1,647名患者	NA	NA	AUC, 决策曲线分析, 校准曲线分析	NA
7302	2026-01-09	SenSeqNet: A Deep Learning Framework for Cellular Senescence Detection From Protein Sequences 2026-Jan, Aging cell IF:8.0Q1 DOI:10.1111/acel.70344 PMID:41432347	研究论文	本文提出了一种名为SenSeqNet的深度学习框架，用于直接从蛋白质序列预测细胞衰老状态	首次将进化尺度建模（ESM-2）嵌入与混合LSTM-CNN架构结合，直接从蛋白质序列预测细胞衰老，超越了传统机器学习与深度学习方法	未明确提及模型在更大规模或更复杂蛋白质数据集上的泛化能力，以及计算资源的具体需求	开发一种准确、可扩展的工具，用于从蛋白质序列中检测细胞衰老，以促进衰老机制研究和治疗靶点识别	蛋白质序列	自然语言处理	老年疾病	蛋白质序列分析	LSTM, CNN	序列数据	NA	NA	LSTM-CNN混合架构	准确率	NA
7303	2026-01-09	[Artificial intelligence for the management and monitoring of cardiovascular disease] 2026-Jan, Giornale italiano di cardiologia (2006) DOI:10.1714/4618.46266 PMID:41441829	综述	本文综述了人工智能在心血管疾病管理与监测中的应用、潜力及挑战	整合了机器学习、深度学习与自然语言处理技术，结合多模态数据，为心血管疾病提供早期诊断、动态风险分层和个性化治疗的新途径，并探讨了AI与远程医疗、数字疗法结合带来的远程监测和临床决策支持机会	存在算法偏见、可解释性不足、伦理法律问题以及医疗专业人员培训需求等挑战，且欧洲AI法案的严格监管标准可能减缓大规模实施	探讨人工智能在心血管疾病管理与监测中的变革性作用及其临床应用潜力	心血管疾病的管理与监测过程	自然语言处理, 机器学习	心血管疾病	机器学习, 深度学习, 自然语言处理	NA	电子健康记录, 影像数据, 可穿戴设备数据, 传感器数据	NA	NA	NA	NA	NA
7304	2026-01-09	LCSD-Net: a light-weight cross-attention-based semantic dual transformer for domain generalization in melanoma detection 2026-Jan, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.13.1.014502 PMID:41503367	研究论文	本文提出了一种轻量级交叉注意力语义双变换器模型，用于提高黑色素瘤检测中的领域泛化能力	模型通过提取全局语义信息、特征归一化和语义查询来减少对疾病无关视觉伪影的依赖，并优化计算复杂度以支持实时移动应用	NA	开发一种可靠且高效的黑色素瘤检测模型，以应对临床环境中的领域泛化挑战	皮肤病变图像	计算机视觉	黑色素瘤	深度学习	Transformer	图像	三个数据集：Derm7pt-Dermoscopic、Derm7pt-Clinical和PAD-UFES-20	NA	LCSD-Net	分类准确率	NA
7305	2026-01-09	Integrated biomarker analysis and next-generation AI for precision diabetes prediction 2026-Jan, Toxicological research IF:1.6Q4 DOI:10.1007/s43188-025-00312-0 PMID:41503444	研究论文	本研究探索了将先进深度学习与关键药物生物标志物相结合，以增强糖尿病的早期预测	开发了一种多模态集成方法，利用Transformer架构捕捉异构医疗数据中的复杂依赖关系，并使用扩散模型通过生成合成样本来解决类别不平衡问题	需要多中心验证，并整合更多组学数据，以及在多样化人群中进行专门验证	提升糖尿病的早期预测精度，并推动个性化糖尿病管理	糖尿病患者，包括1型糖尿病和妊娠期糖尿病等少数群体	机器学习	糖尿病	NGS, 电子健康记录, 医学影像, 可穿戴设备时间序列数据	Transformer, Diffusion Models	图像, 文本, 时间序列数据	NA	NA	Transformer	准确率, AUC, 精确率, 召回率, F1分数	NA
7306	2026-01-09	SR-LLM: An incremental symbolic regression framework driven by LLM-based retrieval-augmented generation 2025-Dec-30, Proceedings of the National Academy of Sciences of the United States of America IF:9.4Q1 DOI:10.1073/pnas.2516995122 PMID:41428869	研究论文	提出了一种基于大语言模型检索增强生成机制的增量式符号回归框架SR-LLM，用于从观测数据中发现复杂且可解释的解析表达式	将大语言模型的检索增强生成机制与深度强化学习相结合，实现增量学习，能够利用外部知识库中的先验知识和历史探索结果	未明确说明框架的计算效率、对特定领域知识的依赖程度以及在大规模复杂问题中的可扩展性	改进符号回归方法，使其能够有效利用先验知识发现复杂且可解释的解析模型	观测数据中的符号回归问题，特别是人类跟车行为的解析建模	机器学习	NA	符号回归, 检索增强生成, 深度强化学习	大语言模型, 深度强化学习模型	观测数据, 车辆轨迹数据	NA	NA	NA	拟合效果, 可解释性	NA
7307	2026-01-09	Flexible protein-ligand docking with diffusion-based side-chain packing 2025-Dec-30, Proceedings of the National Academy of Sciences of the United States of America IF:9.4Q1 DOI:10.1073/pnas.2511925122 PMID:41439702	研究论文	本文介绍了一种名为PackDock的框架，它结合深度学习和基于物理的建模来模拟蛋白质-配体相互作用，以解决蛋白质灵活性问题	提出PackDock框架，其核心组件PackPocket利用扩散模型采样多样化的结合口袋构象并预测配体诱导的变化，从而有效处理蛋白质灵活性	未明确提及具体局限性	旨在通过整合深度学习和物理建模，更好地理解和预测蛋白质-配体相互作用，以支持基础生物学研究和药物发现	蛋白质结构和动力学，特别是蛋白质-配体相互作用	机器学习	NA	扩散模型	扩散模型	蛋白质结构数据	NA	NA	PackPocket	NA	NA
7308	2026-01-09	Graph Neural Networks with Transformer Fusion of Brain Connectivity Dynamics and Tabular Data for Forecasting Future Tobacco Use 2025-Dec-29, ArXiv PMID:41503105	研究论文	提出一种结合图神经网络与Transformer融合的时间感知模型，用于整合大脑动态连接数据与表格数据，以预测未来烟草使用情况	提出GNN-TF模型，首次在纵向功能磁共振成像研究中，通过时间感知的Transformer融合结构，将非欧几里得的大脑动态连接数据与欧几里得的表格数据（临床与人口统计学信息）在统一框架内进行灵活整合	研究基于特定青少年酒精与神经发育联盟的纵向静息态fMRI数据集，模型在其他人群或疾病领域的泛化能力有待验证	开发一种能够有效整合多模态纵向数据的方法，以提升对未来临床结果（如烟草使用）的预测准确性	青少年群体的大脑功能连接动态与临床/人口统计学表格数据	医学影像分析	成瘾行为（烟草使用）	静息态功能磁共振成像	图神经网络, Transformer	图像（大脑连接动态）, 表格数据（临床与人口统计学信息）	来自国家青少年酒精与神经发育联盟的纵向数据集	NA	GNN-TF（图神经网络-Transformer融合模型）	预测准确性	NA
7309	2026-01-09	A Museum artifact classification model based on cross-modal attention fusion and generative data augmentation 2025-Dec-18, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29671-2 PMID:41413412	研究论文	本文提出了一种基于跨模态注意力融合和生成式数据增强的博物馆文物分类模型（VBG模型），以解决多模态信息协作不足和高质量标注数据稀缺的挑战	通过任务导向重构ViT、BERT和GAN构建集成多模态框架，并利用双向交互注意力融合层实现精确特征对齐，以及通过GAN生成多样样本形成“生成-反馈-优化”闭环以缓解数据稀缺问题	模型在训练时间和生成图像质量方面仍有改进空间	提升博物馆文物分类任务的效率和准确性，为数字文物管理和文化遗产保护提供技术支持	博物馆文物	计算机视觉	NA	生成对抗网络	Transformer, GAN	图像, 文本	MET和MS COCO数据集	NA	Vision Transformer, BERT, GAN	分类准确率, mAP, F1分数	NA
7310	2026-01-09	A pooled Cell Painting CRISPR screening platform enables de novo inference of gene function by self-supervised deep learning 2025-Dec-16, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-66778-6 PMID:41402283	研究论文	本文介绍了一种基于Cell Painting的CRISPR筛选平台，通过自监督深度学习实现基因功能的从头推断	开发了一种与光学池化筛选兼容的Cell Painting平台，结合丰富的形态学数据与深度学习，无需特定生物标志物即可揭示基因网络，实现无偏见的基因功能发现	NA	实现无假设的逆向遗传筛选，通过多路形态学分析探索基因功能	基因功能、基因网络	机器学习	NA	CRISPR筛选、Cell Painting、光学池化筛选	自监督深度学习	图像	NA	NA	NA	NA	NA
7311	2026-01-09	Controllable diffusion framework for imbalanced Phi OTDR events classification 2025-Dec-08, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29691-y PMID:41360874	研究论文	本文提出了一种可控扩散框架（ConDiff），用于解决Φ-OTDR事件分类中的长尾不平衡问题	首次将可控扩散模型应用于Φ-OTDR事件分类的长尾不平衡问题，通过反馈引导的增强器、高质量样本选择模块和动态阈值调整模块协同工作	未提及模型在更广泛数据集上的泛化能力，也未讨论计算效率方面的限制	解决Φ-OTDR事件分类中因异常事件样本稀缺导致的长尾不平衡问题	Φ-OTDR系统监测到的异常事件（如挖掘、浇水、摇晃）和正常事件（噪声）	机器学习	NA	Φ-OTDR（相位光时域反射计）	扩散模型	时间序列数据	BJTU-OTDR-LT数据集（具体数量未说明）	未明确说明	ConDiff（可控扩散框架），包含反馈引导Φ-OTDR增强器、高质量样本选择模块、动态阈值调整模块	分类准确率	NA
7312	2026-01-09	Improving prediction region accuracy in marine animal movement with temporal fusion transformer 2025-Dec-04, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29520-2 PMID:41339653	研究论文	本研究利用Temporal Fusion Transformer神经网络模型，基于434头南象海豹的卫星追踪数据，预测其未来位置并填补数据缺失，以提高海洋动物运动预测的准确性	首次将Temporal Fusion Transformer模型应用于海洋动物运动预测，相比传统状态空间模型将定位误差降低了15%，并显著缩小了预测区域范围	模型在训练数据未覆盖的新地理区域表现下降约30%，表明将学习到的模式迁移到陌生环境存在挑战	提高海洋动物运动预测的准确性，以支持保护工作和生态系统管理	南象海豹的卫星追踪数据	机器学习	NA	卫星追踪	Temporal Fusion Transformer	时间序列数据	434头南象海豹的追踪数据	NA	Temporal Fusion Transformer	定位误差, 预测区域效率	NA
7313	2026-01-09	Comparative performance of deep learning models and non-dermatologists in diagnosing psoriasis, dermatophytosis, and eczema 2025-Dec-04, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29562-6 PMID:41345213	研究论文	本研究开发并评估了基于宏观临床图像的深度学习模型，用于区分银屑病、湿疹和皮肤癣菌病，并与非专科医生的诊断性能进行比较	首次比较了深度学习模型与非专科医生在诊断三种常见皮肤疾病（银屑病、湿疹和皮肤癣菌病）中的性能，并利用Grad-CAM可视化验证了模型关注临床相关病变特征	样本量有限（仅30张图像和30名评估者），结果应视为探索性，需要更大数据集和更多样化的临床医生群体进行验证	开发并评估深度学习模型以准确分类三种常见的鳞屑性红斑皮疹，并比较其与非专科医生的诊断性能	银屑病、湿疹和皮肤癣菌病的宏观临床图像	计算机视觉	皮肤疾病	宏观临床图像采集	深度学习模型	图像	2940张图像（来自公共数据集、Siriraj皮肤病数据库和泰国参与者新收集的图像），以及30张图像用于与非专科医生的比较	NA	Swin Transformer	诊断准确性	NA
7314	2026-01-09	Enhancing breast magnetic resonance imaging segmentation with a federated semi-supervised approach 2025-Dec-04, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29112-0 PMID:41345433	研究论文	本文提出了一种用于乳腺磁共振图像自动分割的联邦半监督学习框架	提出了一种结合联邦学习和半监督学习的方法，通过多扰动策略增强模型鲁棒性，并设计了联合损失函数优化标注与未标注数据的性能	研究仅在三家医院进行验证，样本多样性可能有限；未详细讨论通信开销和模型聚合效率	开发一种隐私保护的自动化乳腺MRI分割方法，以解决单个医疗机构标注数据不足的问题	乳腺磁共振图像	数字病理学	乳腺癌	磁共振成像	深度学习模型	图像	来自三家医院的乳腺MRI图像（具体数量未说明）	NA	NA	Dice相似系数, 交并比	NA
7315	2026-01-09	Design of an integrated model using U-Net, DeepSurv, and cross-attention for lung cancer classification and survival prediction 2025-Dec-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29781-x PMID:41339682	研究论文	本文提出了一种结合U-Net、DeepSurv和交叉注意力的集成模型，用于肺癌分类和生存预测	提出了一种迭代多模态深度学习框架，通过特征级融合和交叉注意力机制整合放射学、组织病理学和基因组数据，并采用贝叶斯优化和弹性权重巩固实现增量学习	未明确说明模型在外部验证集上的泛化性能，也未详细讨论计算资源需求	改进肺癌亚型分类和生存率预测	肺癌患者的多模态数据（放射学图像、组织病理学图像、基因组数据和临床数据）	数字病理学	肺癌	多模态深度学习	CNN, MLP, 深度学习生存模型	图像, 基因组数据, 临床数据	未明确说明	未明确说明	U-Net, DeepSurv	Dice相似系数, 准确率, C指数	未明确说明
7316	2026-01-09	Deep learning framework for barcode localization and decoding using simulated UAV imagery 2025-Dec-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29720-w PMID:41339720	研究论文	本文提出了一种基于深度学习的框架，用于在模拟无人机图像中定位和解码条形码，以支持自动化仓库库存管理	采用YOLOv8模型在模拟无人机图像中同时定位1D和2D条形码，并结合OpenCV解码模块与MySQL数据库实现实时库存更新模拟	研究仅在模拟无人机图像上进行测试，未在真实无人机采集图像中验证	开发一个用于自动化仓库库存跟踪的条形码定位与解码系统	模拟无人机图像中的条形码（包括1D和2D类型）	计算机视觉	NA	NA	CNN	图像	NA	PyTorch	YOLOv8	平均精度均值(mAP)	NA
7317	2026-01-09	Dense extreme inception network-based edge detection with deep reinforcement learning for object localization in an underwater environment 2025-Dec-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29378-4 PMID:41331029	研究论文	本文提出了一种基于密集极端初始网络边缘检测与深度强化学习的水下物体定位技术，旨在有效检测边缘并分类水下环境中的物体	结合了Dense Extreme Inception Network（DexiNed）进行边缘检测、YOLOv5进行物体检测以及Q-强化学习（QRL）进行分类，形成了一种新颖的混合方法	NA	提高水下环境中物体检测和分类的准确性与效率	水下环境中的物体，包括自然特征（如地质构造、海洋生物、珊瑚礁）和人造物（如碎片、沉船、水下基础设施）	计算机视觉	NA	光学相机、声纳、激光雷达成像技术	CNN, 强化学习	图像	NA	NA	Dense Extreme Inception Network（DexiNed）, YOLOv5	准确率	NA
7318	2026-01-09	AttBiLSTM_DE: enhancing anticancer peptide prediction using word embedding and an optimized attention-based BiLSTM framework 2025-Dec-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29767-9 PMID:41326521	研究论文	本文提出了一种名为AttBiLSTM_DE的计算框架，用于增强抗癌肽的预测性能	结合了注意力机制的双向LSTM架构与优化的加权特征，并采用随机差分进化算法构建混合特征和优化特征权重	未明确提及	开发一种计算框架以准确预测抗癌肽，支持癌症治疗和药物开发	抗癌肽序列	自然语言处理	癌症	One-Hot Encoding, GloVe, fastText, Word2Vec, k-mer嵌入	BiLSTM	文本	未明确提及	未明确提及	Attention-based Bidirectional LSTM	准确率, AUC	未明确提及
7319	2026-01-09	Identification of Indigenous fish species in lake Tana using deep learning 2025-Dec-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29455-8 PMID:41326545	研究论文	本研究利用深度学习技术，特别是YOLO系列算法，开发了一种用于识别塔纳湖本土鱼类物种的自动化方法	引入了一个包含13,000张图像的新数据集，涵盖16种本土鱼类，并采用综合预处理流程结合多种YOLO版本进行优化比较	NA	开发一种准确、高效的自动化方法来识别本土鱼类物种，以支持可持续渔业管理和生物多样性保护	埃塞俄比亚塔纳湖的16种本土鱼类物种	计算机视觉	NA	图像增强、CSPDarkNet、方向梯度直方图、基于分割的图像特征提取	YOLOv5, YOLOv7, YOLOv8, YOLOv11	图像	13,000张图像，涵盖16种鱼类物种	NA	YOLO系列算法	平均精度均值	NA
7320	2026-01-09	Automated classification of lung cancer subtypes cells using microscopic images and ensembled deep learning architectures 2025-Dec-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29492-3 PMID:41326575	研究论文	本研究提出了一种结合ResNet-50和Attention U-Net的混合深度学习框架，用于基于显微图像自动分类肺癌亚型细胞	首次将ResNet-50的全局特征提取能力与Attention U-Net的空间注意力机制相结合，应用于单细胞肺癌亚型分类，并开发了包含CLAHE、中值滤波、Otsu阈值和灰度中调提亮的图像预处理流程，将信噪比提升23%	研究仅使用灰度图像，未考虑彩色信息；样本量相对有限（共4650张图像）；未在外部独立数据集上进行验证	实现肺癌亚型在细胞水平的早期自动检测与分类	单个肺癌细胞的显微图像	数字病理学	肺癌	显微成像	CNN, U-Net	图像	4650张灰度图像（每个亚型1500张），包括腺癌、神经内分泌癌和鳞状细胞癌	NA	ResNet-50, Attention U-Net	准确率, 精确率, 召回率, F1分数	NA