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
881	2026-02-09	Use of Electrocardiograms to Identify Coronary Artery Disease: Cross-Validation of an Artificial Intelligence Model 2026-Jan-29, JACC. Advances DOI:10.1016/j.jacadv.2025.102573 PMID:41616590	研究论文	本研究开发了一种基于深度学习的人工智能模型，利用静息12导联数字心电图预测冠状动脉疾病	利用深度学习算法分析常规心电图数据，非侵入性地预测冠状动脉疾病，为临床诊断提供了一种新的辅助工具	研究为回顾性设计，可能存在选择偏倚；模型在外部验证集中的阳性预测值有所下降	开发并验证一种基于心电图的人工智能模型，用于预测冠状动脉疾病	接受冠状动脉造影的患者	机器学习	心血管疾病	数字心电图	深度学习	心电图信号	16,476名患者	NA	NA	阳性预测值, 阴性预测值, 曲线下面积	NA
882	2026-02-09	Estimating proximity to muscular failure using surface EMG and deep learning 2026-Jan-29, Journal of electromyography and kinesiology : official journal of the International Society of Electrophysiological Kinesiology IF:2.0Q2 DOI:10.1016/j.jelekin.2026.103111 PMID:41653807	研究论文	本研究提出了一种基于表面肌电信号和深度学习的实时估计肌肉接近衰竭程度的方法	首次利用深度学习模型从sEMG信号中实时估计等长收缩时的肌肉接近衰竭指数，并引入了一个新的数据集支持	研究仅基于12名参与者的等长肱二头肌收缩数据，样本量较小，且未验证在其他肌肉或动态运动中的泛化能力	开发一种能够实时估计肌肉接近衰竭程度的方法，以个性化动态阻力训练	12名参与者在等长肱二头肌收缩至衰竭过程中采集的表面肌电信号	机器学习	NA	表面肌电图	多层感知机, Transformer, 循环神经网络, LSTM	信号（表面肌电信号转换的频谱图）	192条记录，来自12名参与者	NA	多层感知机, Transformer, 循环神经网络, LSTM	均方误差	NA
883	2026-02-09	Hit identification in ultra large virtual screening: an integrative review and future challenges 2026-Jan-27, Drug discovery today IF:6.5Q1 DOI:10.1016/j.drudis.2026.104616 PMID:41611169	综述	本文综述了超大规模虚拟筛选（ULVS）在化合物命中发现中的最新策略、平台、挑战及未来发展方向	系统性地整合了结构、配体、药效团、片段及混合等多种ULVS策略，并重点讨论了机器学习与深度学习在其中的增强作用，同时指出了未来ML引导的优先排序、片段枚举和合成感知库设计等发展方向	本文为综述性文章，不涉及具体实验或模型验证，主要基于现有文献进行归纳与分析	综述超大规模虚拟筛选（ULVS）领域的最新进展、成功案例、现存挑战及未来研究方向	超大规模虚拟筛选（ULVS）的策略、平台、应用及技术挑战	机器学习	NA	虚拟筛选，机器学习，深度学习	NA	化合物结构数据	涉及数百亿至数十亿化合物库的虚拟筛选研究	NA	NA	NA	NA
884	2026-01-30	Deep learning in prognostication 2026-Jan-26, Resuscitation IF:6.5Q1 DOI:10.1016/j.resuscitation.2026.110989 PMID:41605316	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
885	2026-02-09	EDEN: multiscale expected density of nucleotide encoding for enhanced DNA sequence classification with hybrid deep learning 2026-Jan-24, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-026-06367-6 PMID:41580658	研究论文	本文提出了一种名为EDEN的多尺度核苷酸编码框架，用于增强DNA序列分类，结合了混合深度学习架构	EDEN是一种基于核密度估计的统一多尺度编码框架，能同时捕获位置特异性和上下文依赖的核苷酸模式，并集成到混合深度学习架构中，在多个基准数据集上实现了最佳平均性能，且参数数量显著减少	NA	开发一种高效、生物信息学启发的多尺度表示方法，用于基因组序列分类，以提升对基因调控、疾病机制和转化基因组学的理解	DNA序列	机器学习	NA	核密度估计	混合深度学习	DNA序列数据	NA	NA	NA	平均性能	NA
886	2026-02-09	Secure multi-party test case data generation through generative adversarial networks 2026-Jan-13, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-35773-2 PMID:41526446	研究论文	提出一种基于生成对抗网络（GAN）的联邦学习方法，用于在保护数据隐私的前提下生成高质量、多样化的测试用例数据	将GAN与联邦学习结合，通过协议语法深度学习框架和测试用例编码器-解码器机制，在分布式环境中实现隐私保护的测试数据生成	未明确说明模型在极端数据分布或网络延迟情况下的性能表现，也未讨论计算开销的具体量化分析	解决联邦环境下测试用例数据生成中的隐私保护和数据共享难题	软件测试用例数据	机器学习	NA	生成对抗网络（GAN）	GAN	测试用例数据（文本/结构化数据）	NA	NA	编码器-解码器架构，GAN生成器与判别器	覆盖率，有效性	NA
887	2026-01-14	High-accuracy brain tumor detection method based on deep learning 2026-Jan-13, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-35783-0 PMID:41526535	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
888	2026-02-09	From data to decisions: the use of explainable AI to forecast soybean yield in major producing countries 2026-Jan-13, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-35716-x PMID:41530297	研究论文	本研究提出XAI-Crop框架，通过多国比较实验，评估了可解释深度学习模型KAN与MLP、RF模型在大豆产量预测中的性能差异	首次将可解释深度学习模型KAN应用于多国大豆产量预测，并系统评估其在平衡预测精度与可解释性方面的能力	研究主要针对大豆作物，且在小样本设置下进行，模型在其他作物和大规模数据下的泛化能力有待进一步验证	评估可解释人工智能模型在农作物产量预测中平衡预测精度与可解释性的能力	主要大豆生产国的大豆产量	机器学习	NA	多源数据融合分析	KAN, MLP, RF	多源数据（包括太阳诱导叶绿素荧光等遥感数据）	小样本设置（具体数量未明确说明）	NA	Kolmogorov-Arnold Networks, Multilayer Perceptron, Random Forest	预测准确性, 泛化能力	NA
889	2026-02-09	An AI-based algorithm for analyzing physical activity and health-related fitness in youth 2026-Jan-13, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-35514-5 PMID:41530524	研究论文	本研究应用机器学习和深度学习方法，基于2018年至2022年小学体能测试数据，开发自动分类和性能预测模型，以分析青少年体育活动与健康相关体能	结合BP神经网络进行自动综合等级分类，以及CNN-LSTM神经网络用于体能测试项目的性能预测，为中小学体能测试管理提供了新的数据分析与预测方法	NA	通过数据分析和预测模型，解决传统体能测试管理中的主观影响、人工计算复杂和数据利用不足的问题，为学校提供科学指导	2018年至2022年小学体能测试数据	机器学习	NA	NA	BP神经网络, CNN-LSTM神经网络	体能测试数据	NA	NA	BP神经网络, CNN-LSTM	分类性能（98.448%）	NA
890	2026-02-09	A multi-branch network for cooperative spectrum sensing via attention-based and CNN feature fusion 2026-Jan-13, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-36031-1 PMID:41530621	研究论文	本文提出了一种名为ATC的新型深度学习架构，通过融合注意力机制和CNN特征，用于认知无线电系统中的协作频谱感知	提出了一种结合图注意力网络、CNN和Transformer编码器的并行混合模型，能够同时捕获频谱信号的时空特征和拓扑结构	真实世界数据仅针对单主用户场景进行评估，受实际数据收集限制	提高认知无线电系统中频谱空洞检测的准确性和鲁棒性	认知无线电系统中的频谱感知信号	机器学习	NA	深度学习	GAT, CNN, Transformer	图结构数据、协方差矩阵	模拟数据集和真实世界数据集	NA	图注意力网络、CNN、Transformer编码器	准确性、鲁棒性	NA
891	2026-02-09	Deep learning-based assessment of periapical radiographic image quality 2026-Jan-12, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-35100-9 PMID:41526431	研究论文	本文开发了一种基于深度学习的自动化系统，用于全面评估根尖周X光片的图像质量	首次利用ResNet50模型对根尖周X光片进行多类别牙齿位置分类和六种常见质量缺陷的二元检测，实现了高效、客观的图像质量评估	需要独立、多中心数据集进行验证后才能临床部署，且模型在划痕检测上的AUC相对较低（0.924）	解决根尖周X光片手动质量评估的主观性、耗时性问题，提升诊断准确性和工作流程效率	根尖周X光片	计算机视觉	NA	X光成像	CNN	图像	3594张根尖周X光片	NA	ResNet50	AUC, 准确率, 精确率, 召回率, F1分数, 损失值	NA
892	2026-01-14	A real-time mobile aquatic plant recognition algorithm based on deep learning for intelligent ecological monitoring 2026-Jan-12, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-35310-1 PMID:41526515	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
893	2026-02-09	Deep learning-based classification of thyroid nodules using uncertainty-aware multi-modal ultrasound imaging 2026-Jan-12, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-35965-w PMID:41526676	研究论文	本研究提出了一种基于深度学习的甲状腺结节分类方法，通过结合多模态超声成像和不确定性感知融合策略，提高了分类性能	首次在甲状腺结节分类中应用定制的自注意力机制，并引入患者级别的不确定性感知融合策略，选择性整合不同模态的预测结果	样本量相对有限（506个结节），且未明确说明模型在其他数据集上的泛化能力	提高甲状腺结节的分类准确性，以辅助甲状腺癌的及时诊断	甲状腺结节	计算机视觉	甲状腺癌	多模态超声成像（B-mode、彩色多普勒、剪切波弹性成像）	CNN	图像	506个甲状腺结节（来自422名受试者）	NA	MobileNetV2	准确率, 灵敏度, AUC, 特异性, F1分数	NA
894	2026-01-11	Hybrid deep learning and RSM modeling of diesel engine performance using TiO2 doped butanol and waste plastic oil blends 2026-Jan-09, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-35126-z PMID:41513713	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
895	2026-02-09	Cross-species prediction of histone modifications in plants via deep learning 2026-Jan-09, Genome biology IF:10.1Q1 DOI:10.1186/s13059-025-03929-4 PMID:41514301	研究论文	本研究通过深度学习模型评估植物中组蛋白修饰的跨物种预测能力，并开发了一个易于使用的基因组范围染色质信号预测流程	首次系统评估深度学习模型在植物中预测组蛋白修饰的跨物种泛化能力，并构建了基于系统发育信息的家族级模型以提高对新植物基因组的适应性	跨家族模型的预测结果一致性较低，仅在具有保守调控特征的物种中表现可靠，且模型在单子叶植物和双子叶植物间的可迁移性有限	评估深度学习模型预测植物组蛋白修饰的跨物种泛化能力，并开发适用于非模式及重要农业植物的功能注释计算策略	拟南芥、水稻和玉米的组蛋白修饰	机器学习	NA	ChIP-seq	深度学习模型	DNA序列	拟南芥、水稻和玉米三个物种的数据	NA	Sei	NA	NA
896	2026-02-09	Global and local integrated gradient-based diffusion model for de novo drug design 2026-Jan-07, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbag033 PMID:41642194	研究论文	本文提出了一种基于全局和局部集成梯度的扩散模型（GlintDM），用于从头药物设计，以优化结合亲和力和药物样性质	引入了跳过过渡的快速去噪过程，结合全局和局部梯度，并在分子生成过程中执行位置细化、候选评估和配体重采样三个阶段	未明确提及具体计算成本或模型泛化能力的限制	开发一种高效的深度学习模型，用于生成具有高结合亲和力和良好药物样性质的分子	药物样分子	机器学习	NA	扩散模型	扩散模型	分子数据	基于CrossDocked和Binding MOAD数据集，具体样本数未提及	NA	GlintDM	Vina相关分数，PoseBusters测试，立体冲突和几何性质评估	NA
897	2026-02-09	Deep learning models to map osteocyte networks from confocal microscopy can successfully distinguish between young and aged bone 2026-Jan, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1013914 PMID:41592113	研究论文	本研究应用深度学习模型自动分割和测量骨细胞网络，以区分年轻和年老小鼠的骨骼	首次将深度学习与计算机视觉技术应用于骨细胞连接组学的自动分割与测量，显著提高了分析效率与准确性	模型对树突状突起的分割准确率较低（42.1%），仍需进一步优化训练以提高性能	开发自动化工具以高效分析骨细胞网络结构，并研究其与衰老的关系	小鼠骨骼中的骨细胞及其树突状网络	计算机视觉	老年疾病	共聚焦显微镜成像	CNN, Transformer	图像	年轻（2月龄）和年老（36月龄）小鼠的骨骼样本	未明确说明	U-Net, Vision Transformer, Attention U-Net	分割准确率（骨细胞81.8%，树突状突起42.1%）	未明确说明
898	2026-02-09	A hybrid feature extraction framework combining PCA and mutual information for gene expression based lung cancer classification 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0342160 PMID:41642802	研究论文	本研究提出了一种结合主成分分析和互信息的混合特征提取框架，用于基于基因表达数据的肺癌分类	提出了一种结合PCA降维和MI特征选择的混合框架，并整合了深度学习和蛋白质-蛋白质相互作用网络分析以增强生物可解释性	未明确提及，但可能包括对特定数据集的依赖以及框架在其他癌症类型或数据模态上的泛化能力	开发一个鲁棒的框架以应对高维基因表达数据在肺癌分类中的挑战，并提高诊断准确性	肺癌患者的基因表达数据	机器学习	肺癌	基因表达分析	CNN	基因表达数据	整合自TCGA和ICGC的数据集，聚焦于共有基因	未明确提及，但CNN训练通常使用TensorFlow或PyTorch	未指定具体CNN架构	准确率, 精确率	NA
899	2026-02-09	Foundations of Artificial Intelligence in Hepatology: What a Clinician Needs to Know 2026 Jan-Feb, Journal of clinical and experimental hepatology IF:3.3Q2 DOI:10.1016/j.jceh.2025.103183 PMID:41048886	综述	本文综述了人工智能在肝病学中的基础知识，探讨了AI如何利用大规模临床数据变革肝病的诊断、风险评估、预后和管理	强调AI通过识别高维数据中的复杂非线性模式来最大化预测准确性，并描述了促进临床医生参与AI全生命周期的在线资源，确保其不仅是终端用户，还能参与开发和部署	AI模型通常以可解释性为代价，且成功整合到常规护理中面临挑战，包括与现有电子健康记录的无缝工作流集成、明确的责任框架建立以及患者隐私保护	为临床医生提供肝病学中人工智能的基础知识，以理解其变革能力、当前应用、新兴前沿及关键实施考量	肝病学领域，特别是肝病的诊断、风险评估、预后和管理	机器学习	肝病	NA	NA	大规模临床数据，包括纵向实验室结果、合并症、联合用药、患者报告结果、基因组数据和实时肝功能监测数据	NA	NA	NA	NA	NA
900	2026-02-09	Deep Learning-Based Image Quality Enhancement Combining Denoising and Super-Resolution for Fat-Suppressed T2-Weighted Breast MRI: A Qualitative and Quantitative Evaluation 2026-Jan, Cureus DOI:10.7759/cureus.100771 PMID:41646591	研究论文	本研究评估了一种结合去噪和超分辨率的商业深度学习重建方法在脂肪抑制T2加权乳腺MRI中的图像质量增强效果	首次在乳腺MRI中评估了结合去噪和超分辨率的深度学习重建方法对图像质量的固有影响，并与传统重建方法进行对比	研究为回顾性设计，样本量较小（49例），且伪影评估的读者间一致性仅为中等	评估深度学习重建方法在脂肪抑制T2加权乳腺MRI中提升图像质量的潜力	49名接受3-T乳腺MRI检查的女性患者	医学影像分析	乳腺癌	脂肪抑制T2加权乳腺MRI	深度学习重建模型	MRI图像	49例患者，其中44例可用于定量分析	NA	NA	信噪比, 对比度比, 定性评分（对比度、噪声、乳腺实质显示、信号均匀性、伪影）	NA