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
81	2026-04-01	Deep Learning-Predicted RNFL Loss and Incident Glaucoma in the Canadian Longitudinal Study on Aging 2026-Mar-18, Ophthalmology. Glaucoma DOI:10.1016/j.ogla.2026.03.006 PMID:41862096	研究论文	本研究利用深度学习模型从眼底照片预测视网膜神经纤维层厚度变化，并分析其与青光眼发病风险的关联	首次在基于人群的大型前瞻性队列研究中，使用经过光学相干断层扫描训练的机器对机器深度学习模型，通过眼底照片预测RNFL厚度变化，并验证其与青光眼发病的关联	青光眼诊断基于自我报告，可能引入误报或漏报；模型预测的RNFL厚度变化是基于眼底照片的间接估计，而非直接OCT测量	评估深度学习预测的RNFL变薄在人群中的特征，并研究其与青光眼发病风险的关系	加拿大老龄化纵向研究中45-86岁的参与者（18,247人，30,202只眼）	数字病理学	青光眼	光学相干断层扫描，眼底照相	深度学习模型	图像	18,247名参与者（30,202只眼）的基线及3年随访数据	NA	机器对机器模型	风险比，置信区间，P值	NA
82	2026-04-01	PromptSeg: An End-to-End Universal Medical Image Segmentation Method via Visual Prompts 2026-Mar-18, Entropy (Basel, Switzerland) DOI:10.3390/e28030342 PMID:41899994	研究论文	本文提出了一种名为PromptSeg的基于Transformer的通用医学图像分割方法，通过视觉提示实现端到端分割	从信息论角度将分割过程建模为条件熵最小化问题，利用视觉提示作为辅助信息减少目标任务的不确定性，无需重新训练即可适应新数据集或分割目标	未明确说明对未见任务的具体泛化边界或计算效率分析	开发一种能够泛化到未见医学图像分割任务的通用分割方法	CT和MRI医学图像	计算机视觉	NA	深度学习	Transformer	图像	NA	NA	Transformer	NA	NA
83	2026-04-01	Reinforcing smart grid resilience through blockchain-supported deep learning models for theft detection 2026-Mar-17, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-38824-w PMID:41844675	研究论文	本文提出了一种结合LSTM-Autoencoder深度学习模型和区块链技术的框架，用于智能电网中的电力盗窃检测	创新点在于将LSTM-Autoencoder模型与区块链技术集成，以增强对长期时间依赖性的捕捉、异常检测的准确性，并通过去中心化日志机制确保数据安全与透明度	未明确提及具体的数据集规模限制、模型在极端异常情况下的泛化能力，或区块链部署的实际成本与性能开销	研究目标是提高智能电网中电力盗窃检测的准确性、安全性和透明度	研究对象是智能电网中的电力消费数据及其异常模式	机器学习	NA	深度学习，区块链技术	LSTM, Autoencoder	序列数据（时间序列电力消费数据）	NA	TensorFlow, Keras, PyTorch	LSTM-Autoencoder	准确率	NA
84	2026-04-01	Automated Tooth Detection and Caries Identification in CBCT With Deep Learning 2026-Mar-17, International dental journal IF:3.2Q1 DOI:10.1016/j.identj.2026.109508 PMID:41850174	研究论文	本研究开发了一个两阶段深度学习框架，用于在CBCT图像中自动检测、编号牙齿并识别龋齿	提出了一个结合YOLOv3和DenseNet169的两阶段深度学习框架，首次在CBCT图像中实现牙齿的自动定位、编号和龋齿识别	研究为回顾性设计，样本量较小（65名患者），且临床实用性需要外部多中心前瞻性验证	开发一个自动化框架，以支持在非龋齿适应症获取的CBCT扫描中进行机会性龋齿筛查	CBCT图像中的牙齿及其龋齿病变	计算机视觉	龋齿	锥形束计算机断层扫描（CBCT）	CNN	图像	65名患者的CBCT图像轴向切片	NA	YOLOv3, Cascade R-CNN, DenseNet169, MobileNet_V2, ResNet50	平均精度均值（mAP）, 平均精度（AP）, 平衡准确度, 灵敏度, 特异度, 阳性预测值（PPV）, 阴性预测值（NPV）, 马修斯相关系数（MCC）, 精确率-召回率曲线下面积（AUC-PR）	NA
85	2026-04-01	Graph Neural Networks Model Based on Atomic Hybridization for Predicting Drug Targets 2026-Mar-16, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02961 PMID:41838774	研究论文	本研究开发了一种结合图神经网络与显式分子描述符的混合深度学习框架，用于预测药物靶标的半抑制浓度值	通过将图神经网络与可解释的物理化学性质及结构指纹相结合，同时捕捉局部结构模式和全局物理化学性质，在预测精度和模型可解释性方面均优于传统QSAR模型	研究未明确说明模型在更广泛靶标类别或更大规模化合物库上的泛化能力，也未讨论计算效率方面的具体表现	提高药物发现过程中半抑制浓度值的预测准确性，加速化合物筛选和优化	针对激酶、核受体和蛋白酶等九类不同生物靶标的化合物活性预测	机器学习	NA	图神经网络，分子描述符分析	GNN	分子图数据，物理化学描述符	14,316个化合物，涵盖九类生物靶标	NA	图神经网络混合架构	R²	NA
86	2026-04-01	U-Shaped Split Federated Learning with Compact Features for Deep Learning-Based Image Coding 2026-Mar-16, Entropy (Basel, Switzerland) DOI:10.3390/e28030331 PMID:41899983	研究论文	提出一种基于紧凑特征的U形分割联邦学习框架，用于深度学习图像编码，以降低通信开销	引入特征熵估计网络对分割层特征分布进行建模，并构建包含熵约束的联合优化目标，实现特征有效压缩与端到端训练	未明确说明模型在异构设备环境或非理想网络条件下的鲁棒性	降低分布式图像编码中分割联邦学习的通信开销，同时保持图像重建质量	深度学习图像编码系统	计算机视觉	NA	联邦学习，特征压缩	深度学习模型	图像	NA	NA	U形分割架构	通信开销，重建性能	NA
87	2026-04-01	Conditionally Site-Independent Neural Evolution of Antibody Sequences 2026-Mar-15, ArXiv PMID:41822160	研究论文	本文提出了一种名为COSINE的条件性位点独立神经进化模型，用于抗体序列的进化建模，通过结合深度学习和进化动力学来优化抗体结合亲和力	COSINE模型首次将深度神经网络与连续时间马尔可夫链结合，以捕获抗体进化中的复杂上位相互作用，并提供对不可行顺序点突变过程的一阶近似	模型对分支长度的误差界限是二次的，可能在高突变率下表现受限，且未明确讨论计算资源需求或大规模验证	研究抗体序列的进化建模，以优化抗体结合亲和力并预测变体效应	抗体序列及其在亲和力成熟过程中的进化动态	机器学习	NA	深度神经网络建模，连续时间马尔可夫链	深度神经网络，连续时间马尔可夫链	序列数据（抗体序列）	NA	NA	COSINE（条件性位点独立神经进化模型）	零样本变体效应预测性能	NA
88	2026-04-01	Recent advances and current landscape of software tools for image analysis and dosimetry in nuclear medicine 2026-Mar-08, EJNMMI physics IF:3.0Q2 DOI:10.1186/s40658-026-00847-7 PMID:41795779	综述	本文综述了核医学图像分析和剂量学软件工具的最新进展和现状，重点关注其在个性化放射性药物治疗中的应用	强调了AI驱动的分割和时间-活性曲线建模作为提高工作流程效率的关键创新，并探讨了开源工具在资源有限环境中的可及性	现有工具在复杂剂量学场景（如α和俄歇疗法）中的验证、标准化和鲁棒性开发仍需加强	评估和总结核医学图像处理与剂量学软件工具的发展，以支持精准治疗的安全性和有效性评估	核医学图像（如SPECT/CT、PET/CT）及相关的软件工具	数字病理	NA	SPECT/CT、PET/CT时间点成像、深度学习	NA	图像	NA	NA	NA	准确性、可重复性	NA
89	2026-04-01	Popformer: Learning general signatures of positive selection with a self-supervised transformer 2026-Mar-06, bioRxiv : the preprint server for biology DOI:10.64898/2026.03.06.710163 PMID:41846988	研究论文	提出一种基于Transformer的模型Popformer，用于学习遗传变异的一般模式，以检测自然选择信号	结合位点级和单倍型级注意力机制，并学习SNP间距离的相对位置嵌入，通过自监督预训练提高对多样化进化场景的泛化能力	未明确说明模型在非人类物种或更复杂进化模型中的适用性	开发一种能泛化到广泛进化场景的数据驱动方法，用于检测自然选择信号	人类遗传变异数据，特别是来自1000 Genomes Project的数据	机器学习	NA	遗传变异分析，模拟选择分类	Transformer	基因组数据	基于1000 Genomes Project的大规模人类遗传变异数据	NA	Transformer	准确性	NA
90	2026-04-01	A deep-learning-based early warning system for abnormal eye conditions in chickens 2026-Mar-03, Poultry science IF:3.8Q1 DOI:10.1016/j.psj.2026.106735 PMID:41846079	研究论文	本研究开发了一种基于深度学习的预警系统，用于检测鸡群中的异常眼部状况，以评估鸡群健康	首次将YOLOv7深度学习模型应用于鸡群异常眼部状况的自动检测与量化，并建立了异常眼部比例与死亡率之间的时间滞后关联，为鸡群健康提供早期预警指标	研究仅在台湾的红羽土鸡养殖场中进行，样本类型和地理范围有限，可能影响模型的泛化能力	开发一种自动化系统以减少人工巡检负担并提前预警鸡群健康问题	鸡群中的异常眼部状况	计算机视觉	禽类疾病	图像采集与数据增强	CNN	图像	三个生产周期的红羽土鸡（每个周期约15,000-20,000只）	YOLOv7	YOLOv7	精确度, 召回率, F1分数	NA
91	2026-04-01	Detecting Extrachromosomal DNA from Routine Histopathology 2026-Mar-02, bioRxiv : the preprint server for biology DOI:10.64898/2026.02.27.708546 PMID:41847039	研究论文	本研究开发了一种基于常规H&E染色全切片病理图像的深度学习框架，用于推断肿瘤中的染色体外DNA状态	首次利用常规病理图像而非专门基因组检测来推断ecDNA状态，通过弱监督深度学习框架实现端到端检测，并揭示了ecDNA在组织形态上的可重复足迹	依赖于现有病理图像数据，可能受图像质量和染色差异影响，且需进一步验证以确认其作为分子检测前筛选工具的可靠性	开发一种从常规病理图像中检测染色体外DNA的方法，以促进肿瘤的分子检测筛选	来自癌症基因组图谱的十二种癌症类型的肿瘤样本	数字病理学	癌症	H&E染色全切片病理成像	深度学习	图像	来自十二种癌症类型的肿瘤样本，具体数量未在摘要中明确	NA	NA	NA	NA
92	2026-04-01	Use of Electrocardiograms to Identify Coronary Artery Disease: Cross-Validation of an Artificial Intelligence Model 2026-Mar, JACC. Advances DOI:10.1016/j.jacadv.2025.102573 PMID:41616590	研究论文	本研究开发并验证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	首次开发了一种深度学习AI模型，能够通过非侵入性的心电图数据预测冠状动脉疾病，为CAD诊断提供了一种新的无创筛查工具	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	心电图	深度学习	数字信号	16,476名患者	NA	NA	阳性预测值, 阴性预测值, 曲线下面积	NA
93	2026-04-01	Dual-channel ultrasonic images empowered deep learning: significantly improving prediction of occult central lymph node metastases in solitary papillary thyroid microcarcinoma 2026-03-01, Radiology and oncology IF:2.1Q2 DOI:10.2478/raon-2026-0006 PMID:41686681	研究论文	本研究开发了一种结合纵向和横向超声图像的双通道深度学习模型，用于预测孤立性甲状腺微小乳头状癌中的隐匿性中央淋巴结转移	首次提出使用双通道超声图像（纵向和横向）的深度学习模型来预测PTMC中的隐匿性CLNM，并通过结合深度学习特征与临床指标实现了更高的预测性能	研究为回顾性设计，样本量相对有限（461例患者），且仅来自两家医院，可能存在选择偏倚	提高术前对甲状腺微小乳头状癌中隐匿性中央淋巴结转移的预测准确性，以指导个体化治疗决策	461例接受术前超声检查的甲状腺微小乳头状癌患者	数字病理学	甲状腺癌	超声成像	深度学习模型	超声图像	461例患者	NA	双通道深度学习模型	AUC, 校准曲线	NA
94	2026-04-01	Automated neural network femur segmentation performance in computed tomography images of older adults with obesity 2026-Mar, JBMR plus IF:3.4Q2 DOI:10.1093/jbmrpl/ziag015 PMID:41704480	研究论文	本研究评估了一种用于老年人股骨CT图像自动分割的卷积神经网络模型在肥胖老年人群中的性能表现	将已在冰岛老年人群中验证的CNN模型应用于美国肥胖老年人群的股骨分割，验证了模型在不同人群中的适用性	模型在股骨头边界划分和骨赘检测方面存在轻微误差，需要在预处理和后处理阶段进行人工干预	评估深度学习模型在肥胖老年人股骨CT图像分割中的可行性和性能	166例美国肥胖老年人的CT扫描图像	数字病理学	老年疾病	CT扫描	CNN	医学影像	166例CT扫描	NA	NA	Dice相似系数, 95% Hausdorff距离	NA
95	2026-04-01	Privacy-Preserving Latent Diffusion-Based Synthetic Medical Image Generation 2026-Mar, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2025.3618511 PMID:41052162	研究论文	提出一种基于潜在扩散的隐私保护合成医学图像生成方法，用于支持深度学习模型的训练	结合潜在扩散模型与隐私保护机制，生成高质量合成医学图像，同时有效防止患者隐私泄露	NA	开发一种隐私保护的医学图像生成方法，以促进大数据集的共享和深度学习模型的发展	医学CT、MRI和PET图像	医学影像	NA	潜在扩散模型	扩散模型	图像	使用公开可用数据集	NA	潜在扩散模型	图像质量（与原始数据训练的网络相比无显著差异）	NA
96	2026-04-01	Development of a Deep Learning Algorithm for Posterior Fossa Abnormality Recognition on First-Trimester US Screening Scans: AIRFRAME Study Part 1 2026-03, Radiology. Artificial intelligence DOI:10.1148/ryai.250394 PMID:41563074	研究论文	开发一种深度学习算法，用于在孕早期超声筛查扫描中自动评估后颅窝，以识别开放性脊柱裂和囊性后颅窝异常	首次利用深度学习算法在孕早期（11-14周）超声图像中自动评估后颅窝，并区分正常图像与开放性脊柱裂或囊性后颅窝异常图像	研究为回顾性设计，样本量相对较小（251例胎儿），且模型性能在内部测试集上评估，需要进一步外部验证	开发并验证一种深度学习算法，用于孕早期超声筛查中后颅窝异常的自动识别	孕早期（11-14周）胎儿大脑超声图像，包括正常、开放性脊柱裂和囊性后颅窝异常病例	计算机视觉	胎儿脑部异常	超声成像	CNN	图像	251例胎儿（150例正常，101例异常，其中43例开放性脊柱裂，58例囊性后颅窝异常）	NA	MobileNetV3 Large	AUC, 准确率, 召回率, 特异性, 精确率, 阴性预测值, F1分数	NA
97	2026-04-01	Imaging-based prognostic factors in patients undergoing thermal ablation for colorectal liver metastases. A retrospective study on the role of sarcopenia parameters and tumor burden score 2026-03-01, Radiology and oncology IF:2.1Q2 DOI:10.2478/raon-2026-0011 PMID:41777029	研究论文	本研究探讨了在接受结直肠肝转移热消融治疗的患者中，基于影像学的预后因素，重点关注肌肉减少症相关身体成分参数和L1骨密度与肿瘤负荷评分的比较	首次在结直肠肝转移热消融治疗患者中，使用开源深度学习工具TotalSegmentator自动提取腰大肌体积指数，并发现其与1年生存率显著相关，而传统肿瘤负荷评分和其他肌肉减少症参数未显示显著关联	研究为单中心回顾性分析，样本量较小（88例患者），可能存在选择偏倚，且未考虑其他潜在混杂因素	评估影像学预后因素在结直肠肝转移热消融治疗患者中的作用	接受热消融治疗的结直肠肝转移患者	数字病理学	结直肠癌	CT成像	深度学习	医学影像	88例患者	TotalSegmentator	NA	p值	NA
98	2026-04-01	EEG-based biomarkers for psychosis: Comparative performance of support vector machines and deep neural networks 2026-Mar, Biological psychology IF:2.7Q2 DOI:10.1016/j.biopsycho.2026.109232 PMID:41786272	研究论文	本研究比较了支持向量机（SVM）和深度神经网络（DNN）在基于任务相关脑电图（EEG）数据对精神病进行分类时的性能	在有限样本条件下，系统地比较了经典机器学习（SVM）与深度学习（DNN）在精神病EEG分类任务中的表现，并强调了非线性特征和低频指标作为潜在生物标志物的价值	样本量较小（43名参与者），需要在更大的多中心数据集中验证结果的普适性和临床实用性	评估和比较不同机器学习方法在基于EEG数据识别精神病谱系障碍方面的性能	精神病患者（19名）与健康对照者（24名）	机器学习	精神病谱系障碍	脑电图（EEG）	SVM, DNN	EEG信号	43名参与者（19名患者，24名对照）	NA	NA	准确率, AUC	NA
99	2026-04-01	Drug screening for α-synuclein aggregation inhibitors via multimodal graph neural network 2026-Mar-01, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbag118 PMID:41870129	研究论文	本研究提出了一种用于预测α-突触核蛋白相关分子性质的多模态图神经网络深度学习框架，以筛选其聚集抑制剂	首次设计了一种整合图上下文注意力机制、结构特征聚合协议、双通道特征集成及复合正则化策略的先进深度学习框架，用于α-突触核蛋白分子性质预测	未明确说明模型在更大规模或更广泛化合物库上的泛化能力，以及实验验证的局限性	筛选α-突触核蛋白聚集抑制剂，为神经退行性疾病药物发现提供初步筛选框架	α-突触核蛋白（α-syn）及其与小分子配体的相互作用	机器学习	帕金森病	分子对接研究	图神经网络（GNN）	分子图数据	NA	NA	多模态图神经网络（整合图上下文注意力机制、双通道特征集成）	均方误差（MSE）	NA
100	2026-04-01	Deconvolving cell-type-specific gene expression profiles from bulk RNA-seq samples 2026-Mar, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1014101 PMID:41886524	研究论文	本文开发了一种基于U-Net的深度学习算法BLUE，用于从批量RNA-seq样本中解卷积出细胞类型比例和细胞类型特异性基因表达谱	利用U-Net的强大特征提取和表示学习能力，首次将深度学习应用于批量RNA-seq数据的细胞类型特异性基因表达谱解卷积，显著优于现有算法	未明确说明算法对实验成本的依赖性或数据规模的限制	整合批量RNA-seq和单细胞RNA-seq的优势，利用现有批量RNA-seq数据集进行细胞类型特异性分析	批量RNA-seq样本和单细胞RNA-seq数据	机器学习	癌症	RNA-seq, scRNA-seq	CNN	基因表达数据	NA	NA	U-Net	NA	NA