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
8201	2026-04-05	Association Between Computed Tomography-Based AI-Derived Body Composition and Survival in Patients With Pancreatic Ductal Adenocarcinoma 2026-Apr-01, The American journal of gastroenterology DOI:10.14309/ajg.0000000000003896 PMID:41428798	研究论文	本研究探讨了基于CT的AI衍生身体成分参数与胰腺导管腺癌患者总生存期之间的独立关联	利用经过验证的深度学习分割算法从诊断性CT扫描中自动评估身体成分，并分析其与不同治疗亚组患者生存结局的关系	回顾性研究设计可能引入选择偏倚，且研究结果需在前瞻性队列中进一步验证	优化胰腺导管腺癌患者的治疗策略，通过身体成分评估改善临床决策	胰腺导管腺癌患者	数字病理学	胰腺癌	计算机断层扫描	深度学习	医学图像	1666名胰腺导管腺癌患者（其中手术切除亚组509人，姑息性全身治疗亚组439人，未接受肿瘤靶向治疗亚组718人）	NA	NA	风险比, 95%置信区间, P值	NA
8202	2026-04-05	Accurate predictions of disordered protein ensembles with STARLING 2026-Apr, Nature IF:50.5Q1 DOI:10.1038/s41586-026-10141-2 PMID:41708867	研究论文	本文介绍了STARLING框架，该框架结合了基于物理的力场和多模态生成式深度学习，用于快速生成准确的本征无序蛋白（IDR）构象集合及其序列表示	将基于物理的力场与多模态生成式深度学习相结合，开发了能够快速生成IDR构象集合的框架，并支持离子强度等环境条件调节，以及通过贝叶斯最大熵重加权方案在实验约束下进行集合优化	NA	开发一个能够快速生成准确IDR构象集合并支持多种下游应用的框架，以降低计算研究IDR功能的门槛	本征无序蛋白和区域（IDRs）	机器学习	NA	基于物理的力场，多模态生成式深度学习	生成式深度学习模型	蛋白质序列	NA	NA	NA	NA	NA
8203	2026-04-05	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Ceb方法，利用细胞边界特征和标签进行像素聚类，解决了传统像素级目标可能丢失细胞几何属性（如形状、曲率和凸性）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	细胞实例分割中的前景像素	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
8204	2026-04-05	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新型对齐与插补网络（AINet），通过整合多模态多视图超声图像，解决现有方法在处理缺失模态或视图时的局限性	提出了一种结合对齐与插补预训练及分层融合微调的网络，首次通过跨模态对比学习对齐特征，并模拟缺失模态场景进行插补，增强了模型对多模态多视图数据的鲁棒性	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，且可能依赖于特定数据集规模	开发一种能有效处理多模态多视图超声图像中缺失数据的深度学习模型，以提升乳腺癌诊断的准确性和临床适用性	乳腺癌诊断中的多模态多视图超声图像	计算机视觉	乳腺癌	超声成像	深度学习网络	多模态多视图超声图像	15,223名受试者，来自三个数据集	未指定	对齐与插补网络（AINet）	未指定具体指标，但提及显著优于现有方法	未指定
8205	2026-04-05	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的存储高效深度展开框架，用于处理多合一稀疏视图CT重建，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采样配置	提出了可证明满足Lipschitz约束的网络LipNet，并设计了显式提示模块，使单一模型能够处理多种稀疏视图配置，同时理论上证明了算法的收敛性	未明确说明模型在极端稀疏视图情况下的性能，也未讨论在实际临床环境中对不同扫描仪和协议的泛化能力	解决稀疏视图CT重建中深度学习方法面临的理论可证明性不足和存储成本高的问题	稀疏视图CT图像重建	计算机视觉	NA	稀疏视图CT扫描	深度展开网络	CT图像	NA	NA	LipNet, PromptCT	重建质量	NA
8206	2026-04-05	Smart and efficient waste management through wireless IoT-enabled deep learning 2026-Apr-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-43827-8 PMID:41922583	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
8207	2026-04-05	A view-flexible deep learning framework for automated analysis of 2D echocardiography 2026-Apr-01, NPJ cardiovascular health DOI:10.1038/s44325-025-00100-7 PMID:41922808	研究论文	本研究开发了一种视图灵活深度学习框架，用于从包含左心室的多个超声心动图视图中自动估计左心室射血分数、患者年龄和性别	提出了一种视图灵活深度学习框架，能够处理多种超声心动图视图，降低了对图像采集专业知识的依赖，扩展了手持心脏超声的临床应用潜力	NA	开发自动化深度学习框架以分析二维超声心动图，支持左心室射血分数、年龄和性别的估计	超声心动图图像，特别是包含左心室的视图	计算机视觉	心血管疾病	超声心动图	深度学习	图像	回顾性和前瞻性经胸超声心动图数据集，涉及625名患者，其中100名患者用于专家与新手用户数据对比	NA	NA	相关系数(r), AUC	NA
8208	2026-04-05	A lightweight neural model for gas concentration prediction in TDLAS under varying environmental conditions 2026-Apr-01, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2026.127842 PMID:41932085	研究论文	本文提出了一种基于真菌生长优化多层感知器的轻量级深度学习模型，用于在变化环境条件下通过TDLAS系统预测气体浓度	提出了一种集成真菌生长优化算法与多层感知器的轻量级深度学习模型，能够自适应优化网络架构，以应对温度与压力变化对气体浓度测量的影响	NA	解决在温度与压力变化环境下，TDLAS系统气体浓度测量的准确性问题	气体浓度测量，特别是通过TDLAS/WMS系统在变化环境条件下的预测	机器学习	NA	TDLAS, 波长调制光谱	MLP	光谱特征数据	NA	NA	多层感知器	平均绝对百分比误差, 决定系数	NA
8209	2026-04-05	CTRNet: a lightweight and efficient deep learning model for field maize whorl identification 2026-03-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-45727-3 PMID:41912746	研究论文	本文提出了一种名为CTRNet的轻量高效深度学习模型，用于田间玉米喇叭口期的玉米心叶识别	通过多尺度上下文交互模块、双通道细粒度特征增强模块、门控自适应信息融合模块以及自适应通道边缘注意力机制，增强了小目标在遮挡和复杂背景下的特征表示	NA	解决田间环境下玉米心叶因目标极小、叶片遮挡频繁、背景复杂及光照动态变化而导致的准确检测难题	田间玉米喇叭口期的玉米心叶	计算机视觉	NA	NA	CNN	图像	NA	NA	CTRNet	mAP@0.5	NA
8210	2026-04-05	Identifying microbial protease allergens through protein language model-guided homology 2026-Mar-18, Cell systems IF:9.0Q1 DOI:10.1016/j.cels.2025.101510 PMID:41722567	研究论文	本研究利用深度学习与预训练蛋白质语言模型，从宏基因组数据中识别微生物丝氨酸蛋白酶过敏原	首次将蛋白质语言模型与深度学习框架结合，通过保守催化三联体识别低序列同源性的过敏原同源物，突破了传统方法的局限	方法依赖于预训练蛋白质语言模型的表征能力，且实验验证仅针对部分预测结果	开发计算框架以发现微生物来源的新型蛋白酶过敏原	肠道、皮肤和口腔微生物组中的丝氨酸蛋白酶与半胱氨酸蛋白酶	生物信息学, 机器学习	过敏性疾病	宏基因组学, 深度学习, 蛋白质语言模型	深度学习框架, 蛋白质语言模型	蛋白质序列数据, 宏基因组数据	NA	NA	蛋白质语言模型引导的深度学习框架	实验验证（免疫诱导过敏反应）	NA
8211	2026-04-05	Predicting Adherence to Computer-Based Cognitive Training Programs Among Older Adults Using Source-Free Domain Adaptation: Algorithm Development and Validation 2026-Mar-18, JMIR aging IF:5.0Q1 DOI:10.2196/79123 PMID:41848218	研究论文	本研究开发并验证了一种基于源自由域适应的算法，用于预测老年人对计算机化认知训练项目的依从性	首次应用源自由域适应技术预测老年人对认知训练项目的日常依从性，解决了数据隐私限制下的模型训练问题	研究依赖于三个先前进行的认知训练干预研究数据，样本来源可能有限	提高预测老年人认知训练项目依从模式的准确性，以开发个性化支持系统促进依从性和改善认知结果	参与计算机化认知训练项目的老年人	机器学习	老年疾病	源自由域适应	深度神经网络	训练数据	来自三个先前认知训练干预研究的数据	NA	NA	NA	NA
8212	2026-04-05	DeepTESite: The Prediction of Protein Arginine Methylation Sites Using Amino Acids Sequence Symmetric Position Encodings Based on Transformer Encoder 2026 Mar-Apr, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3650228 PMID:41477806	研究论文	本文提出了一种基于Transformer编码器的DeepTESite模型，用于预测蛋白质精氨酸甲基化位点，通过引入氨基酸序列对称位置编码和双向多头注意力机制来提高预测准确性和计算效率	首次提出基于甲基化对称假说的氨基酸序列对称位置编码，以减少位置编码计算量，并应用双向多头注意力机制来提取序列和空间信息特征	未明确提及模型在更广泛蛋白质序列或不同甲基化类型上的泛化能力限制	预测蛋白质精氨酸甲基化位点，以揭示甲基化分子机制	蛋白质氨基酸序列	自然语言处理	NA	深度学习	Transformer	序列数据	NA	NA	Transformer编码器	准确率	NA
8213	2026-04-05	Real-world diagnostic performance of knee MRI protocols accelerated using simultaneous multi-slice acquisition and deep learning reconstruction 2026-Mar, Skeletal radiology IF:1.9Q3 DOI:10.1007/s00256-025-05058-2 PMID:41109866	研究论文	评估使用同步多层采集和深度学习重建的加速膝关节MRI协议在检测内部紊乱损伤方面是否不劣于传统并行成像协议	结合同步多层采集和深度学习重建技术加速MRI扫描，并在真实世界临床环境中验证其诊断性能	部分指标未达到严格的非劣效性边界，研究为回顾性队列设计	评估加速膝关节MRI协议的诊断性能	接受膝关节MRI并随后进行关节镜检查的患者	医学影像分析	膝关节损伤	同步多层采集, 深度学习重建, 3T MRI, 二维涡轮自旋回波序列	深度学习重建模型	MRI图像	1055名患者	NA	NA	灵敏度, 特异性, 95%置信区间	NA
8214	2026-04-05	SCImputation: Mitigating Feature Confounding From a Structural Causal Perspective for Data Imputation 2026 Mar-Apr, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2026.3665199 PMID:41697814	研究论文	本文提出了一种基于结构因果视角的数据插补方法SCImputation，旨在通过优化邻居选择和利用后门调整公式来减轻目标特征带来的混淆效应	从结构因果视角分析数据插补问题，揭示了目标特征作为混淆因子的作用，并提出了一种结合实例级和特征级信息的邻居选择策略以及后门调整公式来减轻混淆	NA	解决数据缺失问题，提高数据插补的准确性和可靠性	缺失数据	机器学习	NA	数据插补	KNNimpute, LLSimpute	结构化数据（如微阵列数据、评估数据）	五个数据集（NACC、三个NCBI微阵列、Turkiye Student Evaluation）	NA	NA	准确率, RMSE	NA
8215	2026-04-05	Deep_TPPred: Improved Prediction of Protein Toxicity Using Feature Fusion and Hybrid Neural Network Approach 2026 Mar-Apr, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2026.3656227 PMID:41557578	研究论文	本研究提出了一种名为Deep_TPPred的新型混合深度学习模型，通过融合卷积神经网络和循环神经网络，结合特征融合技术，用于准确预测蛋白质毒性	提出了一种结合CNN和RNN的混合深度学习模型，并采用特征融合技术整合多种蛋白质序列描述符，以捕捉复杂的序列关系，从而在蛋白质毒性预测上实现了最先进的性能	NA	提高蛋白质毒性预测的准确性，以支持药物发现、安全评估和毒理学研究	蛋白质序列	生物信息学	NA	深度学习	CNN, RNN	蛋白质序列数据	NA	NA	混合神经网络（CNN与RNN结合）	准确率, 特异性, 灵敏度, Kappa值, MCC值	NA
8216	2026-04-05	Transformer-based deep learning model for real-time prediction of intraoperative hypotension using dynamic time-series vital signs: A retrospective study 2026-Mar, PLoS medicine IF:10.5Q1 DOI:10.1371/journal.pmed.1005024 PMID:41880331	研究论文	本研究开发了一种基于Transformer的深度学习模型，用于利用动态时间序列生命体征实时预测术中低血压，并通过回顾性数据验证其性能	首次将Transformer架构应用于实时术中低血压预测，使用常规可得的连续生命体征时间序列数据而非高分辨率波形数据，并进行了大规模多中心外部验证	研究设计为回顾性，需要前瞻性、多中心验证来确认模型的实时适用性和泛化能力	开发并验证一种能够实时预测术中低血压的深度学习模型，以改善手术期间的患者监护	手术患者	机器学习	心血管疾病	连续生命体征时间序列数据分析	Transformer, XGBoost	时间序列数据	训练集：319,699例手术病例（中国三级医院，2013-2023年）；外部验证集：来自韩国的独立数据集	NA	Transformer	AUC, 召回率, 准确率, 特异性, 预期校准误差	NA
8217	2026-04-05	Attenuation correction of cardiac 82Rb pet using deep learning generated synthetic CT 2026-Feb-26, EJNMMI physics IF:3.0Q2 DOI:10.1186/s40658-026-00849-5 PMID:41746532	研究论文	本研究评估了使用深度学习从非衰减校正的Rb-PET图像生成合成CT（sCT）以进行心脏82Rb PET衰减校正的可行性	首次引入基于条件生成对抗网络（cGAN）和Attention U-Net生成器的深度学习方法，直接从非衰减校正的Rb-PET图像生成合成CT图像，用于衰减校正，以减少传统CT-AC中的错位和金属伪影	sCT在心脏区域存在轻微偏差（RME=4.2±7.8%），可能是由于sCT中软组织u-map的均匀高估所致，且结果基于视觉检查的个案分析	评估深度学习生成的合成CT在心脏82Rb PET衰减校正中的可行性和性能	心脏82Rb PET图像和对应的CT图像	医学影像分析	缺血性心脏病	PET/CT心肌灌注成像（MPI），Rubidium-82（Rb）正电子发射断层扫描	cGAN（条件生成对抗网络）	图像（PET和CT）	544次PET/CT MPI扫描	NA	Attention U-Net	SSIM, PSNR, MAE, ME, RME, RMAE, iTPD, LVEFR	NA
8218	2026-04-05	Predicting concrete compressive strength using optimized deep learning and large language models 2026-Feb-26, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-41072-7 PMID:41748670	研究论文	本研究提出了一种结合iHow优化算法与时空图卷积网络的混合框架，用于预测混凝土抗压强度	引入iHow优化算法优化STGCN架构，并利用大语言模型进行数据预处理，提高了预测精度	需要更多样化的数据集和实际场景验证以评估其泛化能力和实际适用性	提高混凝土抗压强度的预测准确性，支持可持续建筑材料设计	混凝土混合物成分、外加剂和养护条件	机器学习	NA	大语言模型驱动的预处理流程	STGCN	结构化数据（混凝土成分、养护条件等）	公共数据集（具体数量未明确）	NA	时空图卷积网络	预测误差，相关系数	NA
8219	2026-04-05	AI-based intelligent sensing detection of cybersecurity threats using multimodal sensor data in smart devices 2026-Feb-26, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-40614-3 PMID:41748759	研究论文	本文提出了一种基于深度学习的多模态感知架构，用于检测智能设备中由传感器数据引发的网络安全威胁	提出了一种新的混合CNN-RNN-Transformer架构，能够融合多模态传感器特征并考虑时空交互	未明确说明模型在极端或未知攻击场景下的泛化能力	开发一种能够实时检测智能设备中网络物理威胁的智能感知系统	智能设备中的多模态传感器数据（如加速度计、陀螺仪、麦克风、温度传感器）	机器学习	NA	深度学习	CNN, RNN, Transformer	多模态传感器数据	使用了一个手动标注的多模态数据集和两个公开基准数据集（CICIDS-2017和IoT-23）	未明确指定，可能为TensorFlow或PyTorch	混合CNN-RNN-Transformer架构	AUC, F1分数, 推理延迟	边缘硬件（具体类型未明确说明）
8220	2026-04-05	TumorSageNet CNN hybrid architecture enables accurate detection of mango leaf pathologies 2026-Feb-25, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-40944-2 PMID:41741529	研究论文	本研究提出了一种基于深度学习的新型框架，用于芒果叶病理的分类，通过先进的卷积和混合神经网络架构实现高精度检测	提出了两种新架构：一个定制的CNN模型和一个结合了EfficientNet-B7、LSTM和注意力机制的混合模型，其中定制CNN模型在多项指标上达到了100%的性能	研究仅使用了来自孟加拉国Rajshahi地区的800张芒果叶图像，数据集规模和地理多样性可能有限	开发一个可扩展、可解释且高性能的解决方案，用于芒果种植中的实时病害监测，以应对全球粮食安全挑战	芒果叶	计算机视觉	植物病害	深度学习，数据增强，颜色空间变换	CNN, LSTM, 混合模型	图像	800张高分辨率芒果叶图像	NA	AlexNet, VGG16, VGG19, EfficientNet-B7, 定制CNN, 混合模型（EfficientNet-B7 + LSTM + 注意力机制）	准确率, 精确率, 召回率, F1分数	NA