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
61	2026-04-04	Real-Life Clinical Validation of Artificial Intelligence-Assisted Detection and Differentiation of Pleomorphic Lesions in Capsule Endoscopy 2026-Apr-01, The American journal of gastroenterology DOI:10.14309/ajg.0000000000003756 PMID:40874973	研究论文	本研究通过多中心前瞻性验证，评估了人工智能辅助阅读在胶囊内窥镜中检测和区分多形性小肠病变的临床效果	首次在多中心研究中证明AI辅助胶囊内窥镜阅读在病变检测和区分方面优于传统阅读方法，并解决了设备互操作性和人口多样性挑战	未明确说明AI模型的泛化能力在更广泛临床环境中的验证情况，且未详细讨论模型对不同类型病变的具体区分性能	比较人工智能辅助阅读与传统胶囊内窥镜阅读在检测和区分小肠多形性病变方面的准确性和效率	胶囊内窥镜视频中的小肠多形性病变	数字病理学	小肠疾病	胶囊内窥镜	深度学习模型	视频	330个胶囊内窥镜视频，来自7个中心的3种设备，覆盖4个国家	NA	NA	准确率, 灵敏度, 特异性, 阳性预测值, 阴性预测值, 小肠病变检测率	NA
62	2026-04-04	Cell Instance Segmentation: The Devil Is in the Boundaries 2026-Apr, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2025.3621093 PMID:41086066	研究论文	本文提出了一种名为Ceb的新型像素聚类方法，用于细胞实例分割，通过利用细胞边界特征和标签来划分前景像素	提出了一种基于边界特征和标签的像素聚类方法，解决了现有像素级目标可能丢失细胞实例几何特性的问题	NA	改进细胞实例分割的像素聚类方法，以更准确地识别细胞实例	细胞图像中的前景像素	计算机视觉	NA	深度学习语义分割	NA	图像	六个数据集	NA	NA	NA	NA
63	2026-04-04	An Alignment and Imputation Network (AINet) for Breast Cancer Diagnosis With Multimodal Multi-View Ultrasound Images 2026-Apr, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2025.3625254 PMID:41134947	研究论文	本文提出了一种用于乳腺癌诊断的对齐与填补网络（AINet），以处理多模态多视角超声图像中的模态缺失问题	通过结合对齐与填补预训练及分层融合微调，有效捕获模态间和视角间的交互，并增强对缺失模态（视角）的鲁棒性	未明确说明模型在极端缺失情况下的性能边界或计算效率	开发一种鲁棒的深度学习模型，用于乳腺癌诊断，以处理多模态多视角超声图像中的模态缺失问题	乳腺癌患者的多模态多视角超声图像	计算机视觉	乳腺癌	超声成像	深度学习网络	多模态多视角超声图像	15,223名受试者	未指定	AINet	未明确指定，但提及优于现有方法	NA
64	2026-04-04	Prompting Lipschitz-Constrained Network for Multiple-in-One Sparse-View CT Reconstruction 2026-Apr, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2025.3627305 PMID:41166618	研究论文	本文提出了一种名为PromptCT的存储高效的深度展开框架，用于解决多视图稀疏采样CT重建问题，通过引入可证明满足Lipschitz约束的网络LipNet和显式提示模块，在单一模型中处理多种稀疏视图配置	提出了可明确证明满足Lipschitz约束的LipNet网络，并开发了嵌入显式提示模块的PromptCT框架，首次实现了单一模型处理多种稀疏视图CT重建配置，同时保证了算法收敛性	未明确说明模型在极端稀疏视图情况下的性能表现，也未讨论模型对不同CT扫描仪和采集协议的泛化能力	开发一种存储高效且理论可证明收敛的深度学习算法，用于解决多配置稀疏视图CT图像重建问题	稀疏采样计算机断层扫描（SVCT）重建	计算机视觉	NA	计算机断层扫描（CT）	深度学习网络	CT图像数据	NA	NA	LipNet, PromptCT	重建质量	NA
65	2026-04-04	A comprehensive benchmarking study on computational tools for cross-omics label transfer from single-cell RNA to ATAC data 2026-Apr-01, G3 (Bethesda, Md.) DOI:10.1093/g3journal/jkag026 PMID:41655240	研究论文	本文对27种用于从单细胞RNA数据向ATAC数据转移标签的计算工具进行了全面的基准测试研究	首次大规模评估跨组学标签转移工具，特别关注scRNA-seq到scATAC-seq的数据转换，并识别了最佳性能方法如Bridge和GLUE	研究可能受限于可用数据集的质量和多样性，且未涵盖所有新兴工具	评估和比较计算工具在单细胞RNA到ATAC数据标签转移中的性能	人类和小鼠组织的单细胞RNA和ATAC数据	生物信息学	NA	scATAC-seq, scRNA-seq	深度学习算法, 分类器	单细胞测序数据	来自多种人类和小鼠组织的数据集	NA	NA	预测准确率, 时间效率, 内存效率	NA
66	2026-04-04	EPI-CAT: Prediction of enhancer-promoter interactions based on cross-attention transformer 2026-Apr, International journal of biological macromolecules IF:7.7Q1 DOI:10.1016/j.ijbiomac.2026.151520 PMID:41861881	研究论文	本文提出了一种基于交叉注意力Transformer的增强子-启动子相互作用预测模型EPI-CAT，通过整合转录因子结合谱来捕获调控关系	首次将交叉注意力机制与转录因子结合谱结合，用于增强子-启动子相互作用的预测，并设计了双通道卷积-交叉注意力结构来对齐区域特征	模型仅在K562和GM12878细胞系的26个共享转录因子数据上进行验证，可能在其他细胞类型或转录因子中泛化能力有限	预测增强子与启动子之间的相互作用，以深入理解转录调控机制	增强子-启动子相互作用	自然语言处理	NA	ChIP-seq	Transformer	序列数据	使用K562和GM12878细胞系的26个共享转录因子的ChIP-seq信号数据	NA	Transformer, 双通道卷积-交叉注意力结构	AUROC, AUPRC	NA
67	2026-04-04	Classification of soil-embedded colored plastics of many types with NIR hyperspectral high-resolution imaging system and multi-scale 3D deep learning 2026-Apr-01, Journal of hazardous materials IF:12.2Q1 DOI:10.1016/j.jhazmat.2026.141821 PMID:41875571	研究论文	本研究提出了一种结合近红外高光谱成像系统和多尺度3D深度学习网络的方法，用于在复杂土壤背景下对多种颜色的嵌入式塑料进行高精度分类	开发了新型近红外高光谱成像系统，并设计了专门的MS3D-Net模型，能够同时进行像素级分割和聚合物分类，有效克服了塑料着色剂和复杂土壤背景的干扰	NA	开发一种能够在复杂土壤环境中精确分类多种塑料聚合物的方法，为环境可持续性和塑料废物管理提供技术支持	嵌入土壤中的11种塑料类型，包括经过老化、氧化、破碎和生物污染的塑料，以及从环境中收集的不规则消费塑料产品	计算机视觉	NA	近红外高光谱成像	3D深度学习	高光谱图像	在三种不同的异质土壤类型（壤土、粘土和沙子）中，在不同湿度梯度下进行测试	NA	MS3D-Net	平均精度	NA
68	2026-04-04	Follow-Up Bias in Tumor Dynamic Modeling: A Comparison of Classical and Neural-ODE Approaches 2026-Apr, CPT: pharmacometrics & systems pharmacology DOI:10.1002/psp4.70239 PMID:41919988	研究论文	本研究比较了经典药代动力学肿瘤生长抑制模型与基于深度学习的肿瘤动态神经-ODE框架在预测肿瘤轨迹时的预测偏差，特别关注随访时间不一致的临床试验数据	首次系统评估肿瘤动态模型在随访时间不一致数据下的预测偏差，并引入深度学习框架TDNODE进行对比，展示了其在处理不成熟数据时的潜在优势	研究仅基于非小细胞肺癌患者的阿特珠单抗III期试验数据，结果可能无法直接推广到其他癌症类型或治疗药物	评估肿瘤动态模型在临床试验数据随访时间不一致情况下的预测偏差，并探索深度学习方法的改进潜力	3106名非小细胞肺癌患者，来自四项已完成的阿特珠单抗III期临床试验	机器学习	肺癌	肿瘤动态建模，临床数据分析	神经-ODE，药代动力学模型	临床肿瘤测量数据	3106名患者	NA	TDNODE	预测偏差	NA
69	2026-04-04	A Bi-lingual chatbot implementation for pandemic response using the transformer-based approach 2026-Apr, PLOS digital health DOI:10.1371/journal.pdig.0001256 PMID:41920886	研究论文	本文介绍了一种基于Transformer的双语聊天机器人，用于在COVID-19大流行期间提供及时准确的医学信息	利用深度学习训练聊天机器人处理不断增长的疫情特定信息，并借助英语NLP框架支持卢干达语聊天功能	未提及具体性能指标或模型局限性	开发智能双语聊天机器人以应对疫情信息传播挑战	COVID-19大流行期间的信息传播与公众需求	自然语言处理	COVID-19	深度学习	Transformer	文本	NA	NA	Transformer	NA	NA
70	2026-04-04	Development and Validation of Machine Learning Models for Predicting Early Cognitive Decline Using Home Sensor-Derived Behavioral Data: Sensors in-Home for Elder Wellbeing (SINEW) Cohort Study 2026-Apr-01, JMIR research protocols IF:1.4Q3 DOI:10.2196/79490 PMID:41921108	研究论文	本研究旨在开发和验证机器学习模型，利用家庭传感器衍生的行为数据预测老年人的早期认知衰退	结合多传感器系统（包括被动红外运动传感器、门接触传感器、床传感器、药盒传感器、可穿戴活动手环和蓝牙接近信标）连续监测老年人的日常行为模式，并整合临床数据开发预测模型，以实现对轻度认知障碍和衰弱状态的早期识别	研究为纵向队列设计，截至2025年6月仅招募了138名参与者，完整数据分析尚未开始，样本量（计划200名）可能有限，且结果需等待至2030年研究结束	通过家庭传感器系统和机器学习模型，区分正常衰老与轻度认知障碍、早期痴呆、衰弱前期或衰弱状态，并预测从正常衰老向这些状态的转变	年龄≥65岁、基线认知正常或患有轻度认知障碍的社区居住老年人	机器学习	老年疾病	多传感器监测系统（包括被动红外运动传感器、门接触传感器、床传感器、药盒传感器、可穿戴活动手环、蓝牙接近信标）	逻辑回归, 随机森林, 梯度提升, 深度学习	传感器衍生的行为数据（时空活动模式、移动指标、睡眠行为、服药习惯）和临床评估数据	计划招募200名社区居住的老年人，截至2025年6月已招募138名	NA	NA	AUC, 敏感性, 特异性, 精确度, 召回率, F1分数	NA
71	2026-04-04	Deep learning model for pathological invasiveness prediction using smartphone-based surgical resection images in clinical stage IA lung adenocarcinoma (SuRImage): a prospective, multicentric, diagnostic study 2026-Apr-01, The Lancet. Digital health DOI:10.1016/j.landig.2025.100965 PMID:41927432	研究论文	本研究开发了一种基于智能手机拍摄的手术切除图像的深度学习模型（SuRImage），用于临床IA期肺腺癌的术中病理侵袭性预测和风险分层	首次在术中诊断领域，基于智能手机在自然光条件下拍摄的手术切除宏观图像，开发深度学习模型用于预测IA期肺腺癌的病理侵袭性，为宏观形态特征与侵袭性的关联提供了新见解	研究为前瞻性多中心诊断性研究，但模型性能仍需在更广泛的外部验证集中进一步确认，且图像采集依赖于智能手机和自然光照条件，可能存在标准化挑战	开发一种快速、准确的术中诊断工具，以辅助胸外科医生在IA期肺腺癌手术中决定是否进行肺段切除或肺叶切除	临床IA期肺腺癌患者的手术切除宏观图像	数字病理学	肺癌	智能手机图像采集，深度学习	深度学习模型	图像	共纳入1727名患者（广东省人民医院1529名患者，2344张图像；广东医科大学附属医院116名患者，307张图像；梅州市人民医院82名患者，259张图像）	NA	NA	AUC	NA
72	2026-04-04	Multiomics Research Strategies in Cancer: A Growing and Innovative Field 2026-Apr, MedComm IF:10.7Q1 DOI:10.1002/mco2.70644 PMID:41930321	综述	本文综述了癌症多组学研究策略，包括疾病特征、多组学生物标志物研究现状，以及利用深度学习方法整合多组学数据以揭示癌症上游致病变化和下游分子效应的策略	讨论了单细胞和空间组学在指导治疗策略、风险评估和早期诊断中的应用及其对精准医学的潜在影响，强调多组学综合分析在癌症研究中的创新性	该领域相对年轻，单细胞和空间组学的发展尚在早期阶段，可能面临技术和方法学上的限制	综述癌症多组学研究策略，以促进对癌症分子机制的理解，并推动生物标志物发现和治疗靶点识别	癌症作为一种高度复杂和异质性疾病，涉及多种病理生理事件	机器学习	癌症	多组学方法，包括单细胞组学和空间组学	深度学习	多组学数据	NA	NA	NA	NA	NA
73	2026-04-04	A deep learning-based IoT malware detection approach for electric vehicle charging stations 2026-Mar-31, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-45220-x PMID:41917121	研究论文	本文提出了一种基于深度学习的物联网恶意软件检测方法，专门针对电动汽车充电站，通过统一中间表示和多模态特征融合提升检测性能	该方法首次将多CPU架构的opcode统一转换为PCode中间表示，并集成了全局结构特征、统计特征和语义特征，采用动态加权机制和多层编码器进行深度特征融合	未明确说明方法在实时检测场景下的性能表现，也未讨论对新型或未知恶意软件的泛化能力	提高电动汽车充电站中物联网恶意软件检测的准确性和适应性	物联网恶意软件样本，特别是针对电动汽车充电站环境的样本	机器学习	NA	反编译工具，深度学习算法	深度学习模型	二进制灰度图像，PCode中间表示数据	基于公共物联网恶意软件数据集，具体数量未明确说明	NA	多层编码器	F1分数	NA
74	2026-04-04	TCMNet: an AI-driven strategy for optimizing traditional Chinese medicine 2026-Mar-31, Chinese medicine IF:5.3Q1 DOI:10.1186/s13020-026-01360-w PMID:41918015	研究论文	本文提出了一种名为TCMNet的人工智能驱动策略，用于优化传统中药，通过整合大型语言模型辅助的疾病知识挖掘、蛋白质-蛋白质相互作用网络和深度学习结合预测来评估中药方剂并识别活性化合物	TCMNet创新性地结合了大型语言模型（TCMChat）进行语义加权目标识别、加权PPI网络评估以及深度学习（Boltz-2）结合预测，为中药方剂优化提供了系统化的AI驱动策略	研究仅以帕金森病作为代表性案例，未广泛验证于其他疾病；依赖文献数据，可能受限于现有知识的覆盖范围	开发一种人工智能驱动的策略，以优化传统中药方剂设计并识别其活性化合物	传统中药方剂（如天麻钩藤饮、六味地黄丸等）、临床优化方剂（平颤颗粒）及其与西药（左旋多巴）的联合方案，以及单味草药银杏	自然语言处理, 机器学习	帕金森病	大型语言模型, 蛋白质-蛋白质相互作用网络分析, 深度学习结合预测	大型语言模型, 深度学习	文本, 网络数据	涉及四种经典中药方剂、一种临床优化方剂（平颤颗粒）、其与西药的联合方案及单味草药银杏	NA	Boltz-2	目标覆盖率, Jaccard相似性, 加权接近度, Z分数	NA
75	2026-04-04	Data-Driven Toxicity Prediction: Advances in Machine Learning, Deep Learning, and Predictive Tools - A Systematic Review 2026-Mar-31, Current reviews in clinical and experimental pharmacology IF:1.3Q4 DOI:10.2174/0127724328441651260211220550 PMID:41926296	综述	本文系统回顾了机器学习、深度学习和新兴后深度学习策略在药物发现和环境安全领域毒性预测中的应用进展	总结了从传统机器学习到深度学习，再到应对数据稀缺问题的后深度学习策略（如属性增强、迁移学习和半监督学习）的演进，并综述了多端点预测的在线工具平台	该领域仍面临数据集有限、数据质量参差不齐以及缺乏机制可解释性等挑战	系统总结和评估数据驱动方法在毒性预测中的最新进展，以促进药物发现和环境安全研究	毒性预测相关的机器学习、深度学习模型及预测工具	机器学习	NA	NA	卷积神经网络, 图神经网络, 支持向量机, 随机森林	NA	从1020篇文献中筛选出50篇进行综述	NA	卷积神经网络, 图神经网络	准确率, AUC, F1分数	NA
76	2026-04-04	Multi-scale adaptive fusion network for retinal layer and fluid segmentation in optical coherence tomography B-scans 2026-Mar-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-44006-5 PMID:41912546	研究论文	本文提出了一种用于OCT B扫描中视网膜层和液体分割的多尺度自适应融合网络	提出了自适应多域融合网络（AMDF-Net），集成了混合光谱-空间变换器（HSST）以有效获取全局和局部特征，并引入了动态注意力融合（DAF）模块和疾病包容性分割（DIS）模块来增强对特定视网膜液体特征的识别和分割精度	未明确说明模型在临床环境中的泛化能力或对不同OCT设备的适应性	改进视网膜疾病的检测，特别是对视网膜层和液体（如积液）的精确分割	光学相干断层扫描（OCT）B扫描图像	计算机视觉	视网膜疾病（如糖尿病性黄斑水肿、年龄相关性黄斑变性、视网膜静脉阻塞）	光学相干断层扫描（OCT）成像	深度学习网络	图像（OCT B扫描）	公开可用数据和实时数据（具体数量未明确）	NA	自适应多域融合网络（AMDF-Net），包含混合光谱-空间变换器（HSST）、动态注意力融合（DAF）模块、疾病包容性分割（DIS）模块	Dice系数, 分类准确率	NA
77	2026-04-04	A unified low-carbon cybersecurity framework integrating energy-efficient intrusion detection, lightweight cryptography, and carbon-aware scheduling for edge-cloud architectures 2026-Mar-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-44260-7 PMID:41912554	研究论文	本文提出了一种名为GreenShield的统一低碳网络安全框架，集成能效入侵检测、轻量级密码学和碳感知调度，用于边缘-云架构	提出了一种威胁自适应量化机制和碳感知调度控制器，结合知识蒸馏、动态量化、ASCON轻量级密码学和分层联邦学习，实现能效和碳减排的网络安全解决方案	NA	开发一个低碳、能效的网络安全框架，以减少边缘-云计算环境中的能源消耗和碳足迹	边缘-云计算架构中的网络安全系统，特别是入侵检测系统	机器学习	NA	NA	深度学习	网络流量数据	基于UNSW-NB15和CIC-IDS2017数据集进行实验	NA	NA	检测准确率, 能源减少百分比, 碳排放减少百分比, 通信开销减少百分比, 推理能源减少百分比	NA
78	2026-04-01	EEG imagined speech neuro-signal preprocessing and deep learning classification 2026-Mar-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-39395-6 PMID:41912561	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
79	2026-04-04	Detection of DSCP-based traffic prioritization manipulations and their impact on network performance 2026-Mar-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-44350-6 PMID:41912577	研究论文	本研究采用深度学习模型检测基于DSCP的流量优先级操纵及其对网络性能的影响	首次将CNN、RNN和LSTM的集成方法应用于DSCP操纵检测，实现了99.28%的高准确率	尚未在真实网络环境中部署，缺乏跨网络适应性和模型可解释性	检测DSCP流量优先级操纵并评估其对网络性能的影响	网络流量数据	机器学习	NA	深度学习	CNN, RNN, LSTM	网络流量数据	包含正常和操纵流量模式的标注数据集	NA	CNN, RNN, LSTM	准确率	NA
80	2026-04-01	DengueGNN: Graph-based deep learning for modeling disease spread dynamics and prediction 2026-Mar-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-43073-y PMID:41912593	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA