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
1021	2026-02-08	Deep learning in fetal, infant, and toddler neuroimaging research 2026-Jan-22, Developmental cognitive neuroscience IF:4.6Q1 DOI:10.1016/j.dcn.2026.101680 PMID:41604954	综述	本文综述了深度学习在胎儿、婴儿和幼儿神经影像研究中的应用，并概述了相关概念、挑战与未来方向	针对胎儿、婴儿和幼儿神经影像这一数据稀缺且解剖变异大的特殊领域，系统梳理了深度学习在该领域的具体应用框架与潜力	本文为综述性文章，未提出新的模型或方法，且所列举的应用案例并非详尽无遗	为胎儿、婴儿和幼儿神经影像研究社区提供深度学习技术的入门指南与应用概览	胎儿、婴儿和幼儿的神经影像数据	医学影像分析	NA	深度学习	NA	神经影像数据、视频数据	NA	NA	NA	NA	NA
1022	2026-01-21	Deep learning based prediction of RNA 5hmC modifications using composite feature representations and comparative benchmarking with transformer models 2026-Jan-19, BioData mining IF:4.0Q1 DOI:10.1186/s13040-025-00517-x PMID:41555424	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1023	2026-02-08	Linking hypolimnion to epilimnion in a stratified arctic lake: Machine learning-based estimation of hypolimnetic water quality from epilimnetic measurements 2026-Jan-10, Water research IF:11.4Q1 DOI:10.1016/j.watres.2026.125367 PMID:41650621	研究论文	本研究开发并比较了五种机器学习和深度学习模型，以基于易于获取的表层水质数据估算北极分层湖泊深层水体的总氮、总磷和溶解氧浓度	首次将机器学习方法应用于北极分层湖泊，利用表层水质数据估算深层水体水质，提供了一种实时、经济有效的监测新途径	研究基于单一监测站点的长期数据，模型在其他湖泊或区域的普适性有待验证，且北极地区的极端环境条件可能增加应用的不确定性	开发一种通过表层水质测量估算北极分层湖泊深层水体水质的实用方法，以克服深层监测的成本和后勤挑战	芬兰伊纳里湖的分层水体，重点关注其深层（下层滞水层）的总氮、总磷和溶解氧浓度	机器学习	NA	水质监测（现场传感器测量）	ANN, RF, XGBoost, SVR, KAN	水质测量数据（时间序列）	1979年至2022年在单一监测站点收集的长期数据集	NA	人工神经网络, 随机森林, 极端梯度提升, 支持向量回归, 科莫哥洛夫-阿诺德网络	纳什-萨特克利夫效率, 归一化平均绝对误差, 决定系数	NA
1024	2026-02-08	A MultiRater MultiOrgan Abdominal CT Dataset for Calibration Analysis and Uncertainty Modeling in Segmentation 2026-Jan-09, Scientific data IF:5.8Q1 DOI:10.1038/s41597-025-06473-9 PMID:41513702	研究论文	本文介绍了一个用于分割校准分析和不确定性建模的多标注者多器官腹部CT数据集，并基于此数据集进行了定量分析	提出了CURVAS挑战，首次联合评估不确定性、校准和分割质量，并考虑标注变异性以评估器官体积，促进临床相关性	数据集仅包含90个对比增强CT扫描，且胰腺分割仍具挑战性，标注一致性较低，需要改进标注协议和训练策略	解决医学影像中深度学习模型在分割模糊结构时的校准和不确定性量化问题，以提高临床决策的可靠性	腹部CT扫描中的胰腺、肝脏和肾脏分割	数字病理学	NA	对比增强CT扫描	NA	图像	90个对比增强CT扫描	NA	NA	NA	NA
1025	2026-02-08	Optimization-driven steganographic system based on fused maps and blowfish encryption 2026-Jan-09, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-35556-9 PMID:41513810	研究论文	提出一种基于融合映射和Blowfish加密的优化驱动隐写系统，用于在数字图像中隐藏信息	结合融合映射嵌入与进化优化，引入自适应图像隐写，通过PSO优化嵌入位置选择与顺序，并使用优先级引导的LSB替换	未明确提及系统在极端图像条件或大规模数据集上的泛化能力	开发一种平衡不可感知性、容量和鲁棒性的安全图像隐写系统	数字图像（封面图像和秘密图像）	计算机视觉	NA	图像隐写术、加密技术	NA	图像	使用BOSSbase数据集作为封面图像，USC-SIPI数据集作为秘密图像	NA	NA	峰值信噪比（PSNR）、结构相似性指数（SSIM）、曲线下面积（AUC）、RS统计量	NA
1026	2026-02-08	Improving malware detection performance using hybrid deep representation learning with heuristic search algorithms 2026-Jan-08, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-35481-x PMID:41507326	研究论文	提出一种基于混合深度学习框架的恶意软件检测性能提升方法	结合卷积神经网络、双向长短期记忆网络和自注意力机制构建混合模型，并采用启发式搜索算法优化特征选择	仅基于Android恶意软件数据集进行验证，未涉及其他操作系统或更广泛的恶意软件类型	提升Android恶意软件检测的准确性和可扩展性	Android操作系统上的恶意软件应用	机器学习	NA	深度学习	CNN, BiLSTM, Self-Attention	恶意软件特征数据	Android恶意软件数据集（具体数量未明确）	NA	CBiLSTM-SA（卷积神经网络、双向长短期记忆网络、自注意力机制混合架构）	准确率	NA
1027	2026-02-08	Domain-adaptive faster R-CNN for non-PPE identification on construction sites from body-worn and general images 2026-Jan-07, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-35148-7 PMID:41501148	研究论文	本研究开发了一种基于域自适应的Faster R-CNN模型，用于在建筑工地上检测未佩戴个人防护装备的情况	提出了一种结合图像级和实例级对抗域分类器的域自适应Faster R-CNN框架，通过梯度反转层学习领域不变特征，利用通用上下文数据集缓解真实工地违规样本稀缺的问题	研究依赖于合成或替代的非PPE样本，真实工地违规实例仍然稀缺，模型性能可能受到领域差异的影响	提高建筑工地上个人防护装备合规性检测的准确性和鲁棒性	建筑工地工人未佩戴的五类个人防护装备：非头盔、非口罩、非手套、非背心、非安全鞋	计算机视觉	NA	深度学习，域自适应	Faster R-CNN	图像	使用完全标注的建筑工地数据集和通用上下文数据集，具体样本数量未明确说明	NA	ResNet-152, Faster R-CNN	平均精度均值	NA
1028	2026-02-08	A multi-scale dual-stream fusion network for high-accuracy sEMG-based gesture classification 2026-Jan-07, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-34909-0 PMID:41501380	研究论文	本文提出了一种用于高精度表面肌电信号手势分类的多尺度双流融合网络	提出了多尺度Mamba模块以提取多尺度时间特征并建模短期与长期依赖关系，以及双向注意力融合模块以动态融合时域和频域互补信息	NA	提升基于表面肌电信号的手势识别准确性和鲁棒性	表面肌电信号手势分类	机器学习	NA	表面肌电信号采集	深度学习框架	时间序列信号	NinaPro数据集（DB2、DB3、DB4子集）	NA	多尺度双流融合网络（MSDS-FusionNet），包含多尺度Mamba模块和双向注意力融合模块	准确率	NA
1029	2026-02-08	Understanding the impact of emotional engagement on learning outcomes in online education: an automated analysis approach 2026-Jan-07, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-34871-x PMID:41501519	研究论文	本研究开发了一种基于优化视觉Transformer和迁移学习的自动化方法，用于检测在线教育中的情感投入，并分析了情感投入对学习成果的影响	首次将优化的视觉Transformer模型与迁移学习相结合，用于自动化分析在线学习中的情感投入，并揭示了情感投入与学习成果之间的显著正相关关系	研究样本仅包括40名本科生，可能限制结果的普适性；仅使用面部数据进行情感投入分析，未考虑其他行为指标	探究情感投入对在线教育学习成果的影响，并开发自动化监测方法	在线教育中的学习者情感投入	计算机视觉	NA	面部数据采集与分析	Vision Transformer	图像	40名本科生，共71,185张标注图像	NA	Vision Transformer	分类准确率	NA
1030	2026-02-08	Social network analysis for crime prediction under social computing and deep learning technology 2026-Jan-06, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-34891-7 PMID:41491265	研究论文	提出一种基于账户关联的关键人物识别模型（KPI-AA），用于犯罪网络中的关键节点识别与行为预测	结合局部邻居相似性与全局边介数，并利用图神经网络对社交网络中的关键节点进行深度表征，以揭示复杂社会结构中的潜在组织核心和犯罪网络中的潜在扩散路径	NA	识别犯罪网络中的隐藏关键人物并预测犯罪行为，服务于社会安全治理与刑事侦查应用	犯罪网络、社交网络中的关键节点	社交计算、机器学习	NA	社交网络分析、图神经网络	GNN	网络图数据	Zachary网络、Harry Potter网络、Twitter数据集	NA	图神经网络	传播动力学（感染节点数）、网络鲁棒性（相对连通性）、排名一致性（Kendall's tau系数）、计算效率	NA
1031	2026-02-08	Knowledge graph-enhanced deep learning for pharmaceutical demand forecasting 2026-Jan-06, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-35113-4 PMID:41491846	研究论文	本文提出了一种结合知识图谱与深度学习的混合模型KG-GCN-LSTM，用于提高药品需求预测的准确性和鲁棒性	首次将药品知识图谱与深度学习技术结合，通过GCN提取相关药品特征，LSTM捕捉时序动态，以解决传统方法难以处理的非线性需求模式	未提及模型在更广泛数据集或不同医疗环境下的泛化能力，以及知识图谱构建的依赖性和可扩展性	提高药品需求预测的准确性，以优化医疗供应链管理	药品需求预测，基于药房销售数据和药品知识图谱	机器学习	NA	知识图谱构建，深度学习	GCN, LSTM	时序销售数据，知识图谱	未明确指定，但基于真实世界药房销售数据	未明确指定，可能为PyTorch或TensorFlow	GCN, LSTM	SMAPE	未明确指定
1032	2026-02-08	Multimodal graph, surface, and language-based model for protein protein interaction prediction 2026-Jan-06, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-34758-x PMID:41495146	研究论文	本文提出了一种名为GSMFormer-PPI的新型多模态框架，用于预测蛋白质-蛋白质相互作用，通过整合蛋白质分子表面特征、3D结构图和残基级序列嵌入来提高预测准确性	引入几何深度学习提取表面物理化学描述符，结合图卷积网络处理结构上下文，并采用带有线性投影器的Transformer编码器学习超越简单拼接的复杂跨模态交互	未明确说明模型在更大或更复杂数据集上的泛化能力，也未讨论计算效率或资源需求的具体限制	提高蛋白质-蛋白质相互作用预测的准确性，以理解生物过程和疾病机制	蛋白质-蛋白质相互作用	机器学习	NA	几何深度学习，图卷积网络，Transformer编码器	GCN, Transformer	蛋白质分子表面特征，3D结构图，残基级序列嵌入	基于策划的PINDER数据集进行评估，具体样本数量未明确	NA	MaSIF, GCN, Transformer	NA	NA
1033	2026-02-08	Innovative Learning in Anatomy Education: Assessing the Impact of Low-Cost 3D Deep Learning Anatomical Models in Museum-Based Instruction 2026-01, Journal of surgical education IF:2.6Q1 DOI:10.1016/j.jsurg.2025.103748 PMID:41187606	研究论文	本研究评估了基于低成本交互式3D模型和深度学习的虚拟解剖博物馆教学方法，在提升医学生临床推理和解剖学理解方面的有效性	将PointNeXt深度学习骨干网络与AnatoVision模块结合，构建了一个基于网络的虚拟解剖博物馆平台，为资源有限环境下的解剖学教育提供了一种低成本、可扩展的交互式补充方案	研究为非实验性观察性研究，样本量较小（40名本科生），且对照组与目标组的教学方法存在质性差异，无法进行直接比较；技术困难报告率为25%	评估虚拟解剖博物馆教学方法在提升医学生临床推理和解剖学熟练度方面的有效性	哈利德国王大学应用医学科学学士课程的40名本科医学生	数字病理	NA	虚拟解剖博物馆，交互式3D模型可视化	深度学习	3D模型，问卷数据	40名本科医学生（目标组20人，对照组20人）	NA	PointNeXt, AnatoVision Block	5点李克特量表评分，案例问卷评分（接受度、临床问题解决创造力、动机、知识获取、沟通技巧），p值	NA
1034	2026-02-08	Sequence to Location: Protein Subcellular Localization Driven by Deep Pretrained Language Model 2026 Jan-Feb, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3634612 PMID:41259184	研究论文	本研究提出了一种名为SubLoc的深度学习算法，用于预测蛋白质亚细胞定位，结合了蛋白质语言模型、图卷积网络和注意力机制	首次将深度预训练的蛋白质语言模型ProtT5与3D蛋白质结构图模型及双向门控循环单元结合，用于蛋白质亚细胞定位预测	仅针对10个亚细胞区室进行预测，未涵盖所有可能的细胞定位，且依赖于蛋白质序列和结构数据的可用性	开发一种高效、准确的蛋白质亚细胞定位预测方法，以替代传统耗时耗力的实验技术	蛋白质序列及其亚细胞定位	自然语言处理	NA	蛋白质语言模型，图卷积网络，注意力机制	ProtT5, 图卷积网络, 双向门控循环单元, 多头注意力机制	蛋白质序列，蛋白质结构图	NA	NA	ProtT5, 图卷积网络, 双向门控循环单元	精确度, 召回率, MCC平均值	NA
1035	2025-12-06	Deep Learning to Differentiate Parkinsonian Syndromes: From Proof of Concept to Clinical Trust 2026-Jan, Movement disorders : official journal of the Movement Disorder Society IF:7.4Q1 DOI:10.1002/mds.70139 PMID:41346225	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1036	2026-02-08	iDeep-Cancer: Predicting Cancer-Related circRNA-RBP Binding Sites Using a Hybrid Network Framework 2026 Jan-Feb, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3642248 PMID:41370173	研究论文	本文提出了一种名为iDeep-Cancer的混合网络框架，用于预测癌症相关的circRNA-RBP结合位点	结合改进的DenseNet、双向门控循环单元和自注意力机制，仅使用circRNA序列进行预测，克服了现有方法特征学习不足和可扩展性差的问题	NA	预测circRNA与RNA结合蛋白之间的相互作用位点，以促进人类疾病调控研究	circRNA序列及其与RNA结合蛋白的相互作用	自然语言处理	癌症	NA	CNN, LSTM	序列数据	NA	NA	DenseNet, BiGRU, Self-attention	NA	NA
1037	2025-12-31	Reply to: Deep Learning to Differentiate Parkinsonian Syndromes: From Proof of Concept to Clinical Trust 2026-Jan, Movement disorders : official journal of the Movement Disorder Society IF:7.4Q1 DOI:10.1002/mds.70136 PMID:41346228	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1038	2026-02-08	A Mixed Dual-Branch Network for Detecting Cervical Spondylotic Myelopathy and Parkinsonian Syndromes via Gait Analysis 2026, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society IF:4.8Q1 DOI:10.1109/TNSRE.2026.3654804 PMID:41543967	研究论文	本研究提出了一种混合双分支网络DCDM-Net，通过步态分析来区分颈椎病性脊髓病、帕金森综合征患者和健康个体	提出了一种结合卷积块注意力模块和证据深度学习的双分支网络，并采用协同决策方法进行分类，在不确定性估计方面优于传统方法	仅使用关节角度特征时，跨数据集外分布验证性能较差，表明模型对角度特征的依赖性可能导致分布重叠	开发一种基于步态分析的分类模型，以减少颈椎病性脊髓病和帕金森综合征的误诊	颈椎病性脊髓病患者、帕金森综合征患者和健康对照者	机器学习	颈椎病性脊髓病, 帕金森综合征	步态分析	CNN, MLP	时间序列数据	133名参与者（51名CSM患者、49名PS患者、33名健康对照）	PyTorch	ResNet, CBAM, MLP	准确率, AUC, 预期校准误差, Brier分数, AUROC, AUPR	未明确说明
1039	2026-02-08	GEXPNET: A Novel Gene EXPression NETwork for Tumor Classification Using the ResNet-Based Deep Learning Approach 2026 Jan-Feb, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3637184 PMID:41385413	研究论文	本文提出了一种名为GexpNet的新型深度学习架构，用于从微阵列基因表达数据中准确分类癌症亚型	提出了一种集成动态多头残差块和自适应密集分类器的深度学习架构，并引入了包含中位数插补、分位数归一化和基于逻辑回归的监督特征选择的定制预处理流程	未明确说明模型在更大规模或更复杂数据集上的泛化能力，也未讨论计算效率或模型可解释性	开发一种用于癌症亚型分类的深度学习框架，解决高维性、类别不平衡和样本量有限等挑战	微阵列基因表达数据	机器学习	癌症	微阵列基因表达分析	CNN	基因表达数据	四个公开数据集（包括Mendeley数据集）	NA	ResNet	准确率, F1分数	NA
1040	2026-02-08	SDXL model-based optimization for interior design: Data-driven and deep learning methods 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0342258 PMID:41637387	研究论文	本研究提出了一种针对Stable Diffusion XL模型的领域特定优化框架，旨在解决AI辅助室内设计中结构一致性和美学保真度的关键挑战	引入了结合自动语义清洗与严格超参数优化策略的系统化流程，并建立了经验验证的训练协议，专门用于保持室内空间的几何约束	未明确说明	优化大规模扩散模型以适应空间设计的专业需求	室内设计	计算机视觉	NA	深度学习	扩散模型	图像	未明确说明	未明确说明	Stable Diffusion XL	Fréchet Inception Distance, Structural Similarity Index, Learned Perceptual Image Patch Similarity, CLIP Semantic Alignment	未明确说明