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
1121	2026-06-04	Phantom-based performance comparison of two commercial deep learning CT reconstruction algorithms with super- and normal-resolution settings 2026-Jan-26, European radiology experimental IF:3.7Q1 DOI:10.1186/s41747-025-00670-2 PMID:41586868	研究论文	利用体模比较超分辨率深度学习重建算法与常规分辨率深度学习重建算法在腹部CT中的性能	首次系统比较了超分辨率深度学习重建算法（SR-DLR，1024²矩阵）与常规分辨率深度学习重建算法（NR-DLR，512²矩阵）在放射剂量下对腹部CT图像空间分辨率、噪声和病灶可检测性的影响	仅在体模实验中验证，缺乏临床环境下的验证	评估超分辨率深度学习重建算法相比常规分辨率深度学习重建算法在不同放射剂量下的性能差异	使用能谱积分探测器CT扫描的图像质量体模	计算机视觉	腹部疾病	CT扫描	深度学习重建	图像	一个图像质量体模，在三种辐射剂量水平（12.7、5.9和3 mGy）下扫描	NA	NA	噪声功率谱（NPS）、任务传递函数（TTF）、可检测指数（d'）	NA
1122	2026-06-04	Survival Prediction and Treatment Decisions in Hepatocellular Carcinoma: A Deep Learning-Based Radiomics Approach 2026-Jan-26, British journal of hospital medicine (London, England : 2005) DOI:10.31083/BJHM50380 PMID:41609156	研究论文	本研究整合临床数据与深度学习特征，开发机器学习生存模型，以评估肝细胞癌患者接受肝切除术或经动脉化疗栓塞治疗的效果	将深度学习放射组学特征与临床数据结合，分别构建两种治疗方案（肝切除术和TACE）的联合生存模型，并构建列线图辅助临床决策	样本量相对较小（409例），且为单中心回顾性研究，可能影响模型的泛化性	评估基于深度学习放射组学的生存模型在预测肝细胞癌患者预后和辅助治疗决策中的有效性	2013年1月至2022年12月期间接受肝切除术或TACE治疗的病理确诊肝细胞癌患者	机器学习	肝细胞癌	对比增强CT	ResNet50, ResNet18, DenseNet121	图像, 临床数据	409例肝细胞癌患者（肝切除术组278例，TACE组131例）	NA	ResNet50, ResNet18, DenseNet121	AUC, C指数	NA
1123	2026-06-04	CHARMS: A CNN-Transformer Hybrid with Attention Regularization for MRI Super-Resolution 2026-Jan-22, Sensors (Basel, Switzerland) DOI:10.3390/s26020738 PMID:41600530	研究论文	提出了一种轻量级卷积-Transformer混合模型CHARMS，用于磁共振图像超分辨率重建	创新性地引入注意力正则化机制抑制冗余激活、稳定训练并提升跨对比度和场强的泛化能力，同时设计了反向残差注意力融合骨干和多深度可分离空洞Transformer注意力模块，在参数量和计算量极低的情况下实现高精度超分辨率	未明确说明，但可能受限于在极端低分辨率或特定临床场景下的性能验证	实现轻量化、高效能的MRI超分辨率重建，适用于临床工作站、实时流程和资源受限平台	MRI图像（低分辨率到高分辨率重建）	计算机视觉	不适用	MRI	CNN-Transformer混合模型	图像	IXI数据集、人类连接组计划年轻成人数据集以及配对的3T/7T数据集	PyTorch	反向残差注意力融合、像素-通道注意力、增强空间注意力、多深度可分离空洞Transformer注意力模块	PSNR, SSIM	NVIDIA RTX 4090
1124	2026-06-04	Wearable ECG-PPG Deep Learning Model for Cardiac Index-Based Noninvasive Cardiac Output Estimation in Cardiac Surgery Patients 2026-Jan-22, Sensors (Basel, Switzerland) DOI:10.3390/s26020735 PMID:41600528	研究论文	开发并验证了一种利用可穿戴心电和光电容积脉搏波信号预测心输出量的轻量级深度学习模型，并探索基于心指数归一化的性能提升	融合可穿戴ECG-PPG信号与跨模态交互网络，提出基于心指数归一化的间接CO预测策略，并显著降低误差	样本量小（27名心脏手术患者），Pearson相关系数仅为描述性报告，且百分比误差基准并非通用临床标准	实现无创、连续的心输出量估计，支持免导管的血液动力学监测	接受心脏手术并放置肺动脉导管的患者	机器学习	心血管疾病	NA	深度学习融合网络	心电信号（ECG）和光电容积脉搏波信号（PPG）	27名心脏手术患者	NA	ECG-PPG融合网络（含跨模态交互）	平均绝对误差（MAE）、均方根误差（RMSE）、偏差（bias）、Pearson相关系数（PCC）、百分比误差（PE）	NA
1125	2026-06-04	From Simplified Markers to Muscle Function: A Deep Learning Approach for Personalized Cervical Biomechanics Assessment Powered by Massive Musculoskeletal Simulation 2026-Jan-22, Sensors (Basel, Switzerland) DOI:10.3390/s26020752 PMID:41600545	研究论文	提出一种结合大规模个性化肌肉骨骼模拟与前馈神经网络的深度学习方法，用于个性化颈椎生物力学评估	构建包含百万个个性化OpenSim颈椎模型的数据集，利用前馈神经网络从非侵入式运动学和人体测量输入映射72块颈椎肌肉力量，实现高效高精度评估	NA	开发数据驱动的生物力学框架，实现个性化颈椎肌肉力量估计和运动功能评估	健康受试者和活动受限患者	机器学习	颈椎功能障碍	肌肉骨骼仿真	前馈神经网络	运动学数据与人体测量数据	百万个个性化模型及两个受试者验证	NA	前馈神经网络	决定系数R	NA
1126	2026-06-04	DT-m6A: A DenseNet-Transformer Hybrid Framework for Accurate Prediction of m6A Modification Sites across Diverse Cell Lines and Tissues 2026-Jan-22, Frontiers in bioscience (Landmark edition) DOI:10.31083/FBL48029 PMID:41609070	研究论文	提出一种结合DenseNet与Transformer的深度学习框架DT-m6A，用于跨细胞系与组织的m6A修饰位点精确预测	创新性地将DenseNet的密集连接与Transformer架构融合，并用批归一化替换层归一化增强训练稳定性，首次实现跨八种细胞系和三种组织类型的m6A位点统一预测	在CD8T和MOLM13细胞系上的性能与现有最优方法MST-m6A相当，未显著超越	开发高精度m6A修饰位点预测框架，揭示RNA甲基化调控机制	RNA序列中的N6-甲基腺嘌呤（m6A）修饰位点	机器学习	NA	RNA-seq	DenseNet-Transformer混合模型	序列	11个独立测试集（8种细胞系和3种组织类型）	PyTorch	DenseNet, Transformer	准确率, 马修斯相关系数, 精确率, 召回率, F1分数	NA
1127	2026-06-04	Muscle Fatigue Assessment in Healthcare Application by Using Surface Electromyography: A Transfer Learning Approach 2026-Jan-18, Sensors (Basel, Switzerland) DOI:10.3390/s26020654 PMID:41600449	研究论文	提出一种基于表面肌电信号的深度学习框架，利用迁移学习实现肌肉疲劳水平分类，以支持环境辅助生活应用	首次将一维表面肌电信号通过连续小波变换转换为二维时频图像，并利用预训练卷积神经网络进行迁移学习分类，在二元和多级疲劳分类任务中均取得优异性能	未明确提及局限性，但可能包括数据集仅来自健康老年人和非老年人，未覆盖疾病人群，且疲劳水平通过自我评估标注可能存在主观性	开发用于环境辅助生活的实时、非侵入性肌肉疲劳监测解决方案	健康老年人和非成年人在受控条件下执行动态任务时的表面肌电信号数据	机器学习、数字信号处理	老年疾病（肌肉疲劳相关）	表面肌电图（sEMG）、连续小波变换	卷积神经网络	一维表面肌电信号转换的二维时频图像（标量图）	来自健康老年人和非成年人的新数据集	NA	预训练卷积神经网络（具体架构未指明，可能是ResNet、VGG等）	准确率（二元任务98.6%，多类任务95.6%）	NA
1128	2026-06-04	Study on Multimodal Sensor Fusion for Heart Rate Estimation Using BCG and PPG Signals 2026-Jan-14, Sensors (Basel, Switzerland) DOI:10.3390/s26020548 PMID:41600344	研究论文	提出一种多模态时间融合网络，通过整合心冲击图（BCG）和光电容积描记（PPG）信号实现心率估计	首次构建BCG与PPG信号的跨模态注意力融合机制，利用多模态特征动态适应互补相关性，结合多头自注意力增强动态活动下的鲁棒性	NA	开发一种非接触式、低功耗的心率监测方法，用于家庭健康监测	基于40名受试者的公开BCG-PPG-ECG数据集	机器学习	心血管疾病	NA	时间卷积网络（TCN）、双向长短期记忆网络（BiLSTM）、多头自注意力（MHSA）	BCG和PPG信号	40名受试者	PyTorch	多模态时间融合网络（MM-TFNet）	平均绝对误差（MAE）	NA
1129	2026-06-04	Augmented data and neural networks for robust epidemic forecasting: Application to COVID-19 in Italy 2026-Jan-09, Mathematical biosciences and engineering : MBE DOI:10.3934/mbe.2026019 PMID:41611305	研究论文	提出一种数据增强策略，结合神经网络以提升疫情传播预测的准确性和鲁棒性，并以意大利COVID-19疫情为例进行验证	通过将易感-暴露-感染-恢复（SEIR）房室模型与不确定度量化结合，生成合成数据用于训练神经网络，从而提高预测性能	文中未明确讨论该方法的局限性	提升神经网络在流行病预测中的训练效果和预测精度	意大利伦巴第大区COVID-19疫情的第二阶段数据	机器学习	COVID-19	NA	物理信息神经网络（PINN）和非线性自回归模型（NAR）	时间序列数据	未明确给出具体样本数量	未明确给出具体框架	物理信息神经网络（PINN）、非线性自回归模型（NAR）	预测精度	未明确提及计算资源
1130	2026-06-04	Task-specific pre-training for molecular property prediction 2026-Jan-07, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbag010 PMID:41608985	研究论文	提出一种针对分子性质预测的任务特定预训练策略TasProp，以解决标记数据稀缺导致的过拟合和泛化能力差的问题	提出任务特定对比损失和新颖的数据增强方法，并附有理论分析，在多个数据集上超越现有方法	未提及	改善小样本标记数据场景下的分子性质预测性能	分子及其性质，包括三个公开数据集和两个麻醉学相关数据集	机器学习	NA	分子性质预测	预训练模型	分子结构数据	多个数据集，具体数量未说明	NA	NA	未明确提及，但引用比较了最先进方法	NA
1131	2026-06-04	Direct UAV-Based Detection of Botrytis cinerea in Vineyards Using Chlorophyll-Absorption Indices and YOLO Deep Learning 2026-Jan-06, Sensors (Basel, Switzerland) DOI:10.3390/s26020374 PMID:41600171	研究论文	提出了一种基于多光谱影像和YOLOv8深度学习模型的无人机系统，用于葡萄园中灰霉病的早期检测	利用叶绿素吸收比率指数（CARI）作为训练输入，显著提升检测性能，相较于RGB影像，F1分数从68.1%提升至91.1%	未提及局限性	开发一种用于精准葡萄栽培的自动化和可扩展的无人机作物健康监测系统	葡萄园中的灰霉病	计算机视觉, 机器学习	灰霉病	多光谱成像	YOLO	多光谱影像	未提及具体样本数量	PyTorch	YOLOv8	精确率, 召回率, F1分数, 平均精度均值	未提及
1132	2026-06-04	Artificial Intelligence (AI) in Saxitoxin Research: The Next Frontier for Understanding Marine Dinoflagellate Toxin Biosynthesis and Evolution 2026-Jan-05, Toxins IF:3.9Q1 DOI:10.3390/toxins18010026 PMID:41591172	综述	探讨人工智能在海洋甲藻毒素生物合成与演化研究中的应用潜力，并提出一种AI整合多组学框架	首次系统性提出将人工智能（特别是机器学习与深度学习）整合到Saxitoxin生物合成研究的多组学框架中，覆盖基因识别、进化重建、分子调控和毒素预测四个关键环节	当前甲藻中STX生物合成基因的碎片化、表达不一致及分布不均等问题尚未完全解决，且环境因素与毒素产量的关系缺乏一致性结论	综述STX研究中的知识空白并探索AI工具推动该领域发展的路径	海洋甲藻中的Saxitoxin及相关有毒/无毒分类群	机器学习	海洋神经毒素相关疾病（麻痹性贝类中毒）	多组学（基因组、转录组、表观组）、高通量测序	机器学习与深度学习模型（DeepFRI、ProtTrans、ESM-2、PhyloGAN、GNN、PhyloVAE、NeuralNJ、MOFA+、LSTM、GRU、DeepMF、XGBoost、LightGBM、ConvLSTM）	基因序列、转录组数据、生态数据	NA	NA	DeepFRI, ProtTrans, ESM-2, PhyloGAN, GNN, PhyloVAE, NeuralNJ, MOFA+, LSTM, GRU, DeepMF, XGBoost, LightGBM, ConvLSTM	NA	NA
1133	2026-06-04	Contrast-Enhanced Mammography and Deep Learning-Derived Malignancy Scoring in Breast Cancer Molecular Subtype Assessment 2026-Jan-05, Medicina (Kaunas, Lithuania) DOI:10.3390/medicina62010115 PMID:41597401	研究论文	探究对比增强钼靶（CEM）和深度学习恶性评分在乳腺癌分子亚型评估中的应用	首次将CEM影像特征与深度学习AI评分相结合，用于评估乳腺癌分子亚型，并发现CEM特征可反映MRI中已描述的亚型特异性表型	样本量较小（仅76个恶性病变），且AI评分在不同分子亚型间的差异未达到统计学显著性	评估CEM影像特征和深度学习恶性评分在区分乳腺癌分子亚型（管腔型 vs HER2阳性/三阴性）中的潜力	399名接受CEM检查的女性中的76个恶性乳腺病变（68个浸润性癌和8个导管原位癌）	计算机视觉, 机器学习	乳腺癌	对比增强钼靶（CEM）	深度学习模型（iCAD ProFound AI）	图像	399名女性，其中76个恶性病变（68个浸润性癌、8个DCIS）	iCAD ProFound AI	NA	AUC, 95%置信区间	NA
1134	2026-06-04	Technology-Enhanced Dual-Task Testing for Alzheimer's Disease and Related Dementias: A Review of Trends, Tools, and Emerging Directions 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.2026.3658013 PMID:41587242	综述	系统综述了2010至2025年期间基于技术增强型双任务测试在阿尔茨海默病及相关痴呆症早期检测中的趋势、工具和新兴方向	整合了工程学与临床神经科学的视角，全面覆盖了多种双任务范式、传感技术及分析方法，并强调现代传感器与人工智能技术在提升早期检测公平性、可扩展性和临床可行性方面的作用	未明确提及具体局限性，但暗示了现有方法的临床转化不足和需要更公平、可扩展的系统	综述双任务测试在阿尔茨海默病及相关痴呆症早期检测中的技术进展、趋势和未来方向	阿尔茨海默病及相关痴呆症患者的双任务测试（包括步态、平衡、上肢功能等）	数字病理学, 自然语言处理, 机器学习	阿尔茨海默病, 痴呆症	可穿戴传感器, 电子步道, 红外/深度摄像头, 视频, 平板电脑, fMRI, fNIRS, 眼球追踪, 人工智能视频姿态估计	深度学习, 传统统计方法	运动数据, 脑成像数据, 视频数据	未涉及具体样本量	NA	NA	NA	NA
1135	2026-06-04	Impact of experimentally elevated CO₂ concentrations and temperature on cognitive function: An EEG-based study under constant ventilation 2026-Jan-01, Ecotoxicology and environmental safety IF:6.2Q1 DOI:10.1016/j.ecoenv.2025.119578 PMID:41601028	研究论文	通过脑电图研究实验性升高二氧化碳浓度和温度对认知功能的影响	在恒定通风条件下分离了升高的CO₂和温度对认知的独立影响，并构建了基于深度学习的认知舒适模型	行为任务表现变化有限，样本量较小（24名参与者）	探究全球变暖引起的室内CO₂浓度和温度升高对学习与认知的影响	24名参与者在不同CO₂浓度（500和5000 ppm）和温度（22°C和28°C）下的认知功能	机器学习	NA	NA	深度学习	脑电图数据	24名参与者	NA	NA	NA	NA
1136	2026-06-04	Construction and Interpretability of a Multimodal Deep Learning Model of Electronystagmography-Optical Coherence Tomography Angiography for Early Screening of Alzheimer's Disease 2026 Jan-Dec, American journal of Alzheimer's disease and other dementias DOI:10.1177/15333175261422037 PMID:41601185	研究论文	构建并解释整合眼电图和光学相干断层扫描血管成像的多模态深度学习模型，用于阿尔茨海默病早期筛查	首次将眼电图与光学相干断层扫描血管成像数据多模态融合，结合深度学习模型进行阿尔茨海默病和轻度认知障碍的早期非侵入性筛查，并使用Grad-CAM和SHAP方法进行模型可解释性分析	样本量有限（250名受试者），为回顾性研究，未提及外部验证及多中心数据	评估多模态深度学习模型整合OCTA与ENG在阿尔茨海默病和轻度认知障碍早期筛查中的价值及可解释性	阿尔茨海默病和轻度认知障碍患者	机器学习	阿尔茨海默病	光学相干断层扫描血管成像, 眼电图	深度学习	图像, 信号	250名受试者	NA	NA	AUC, 敏感性, 特异性	NA
1137	2026-06-04	LHAT-YOLO: Study on intelligent monitoring algorithm for helmets at construction sites 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0339993 PMID:41604405	研究论文	基于改进YOLOv11的轻量化头盔检测模型，实现施工现场智能监控	提出LHAT-YOLO轻量化模型，采用GSConv改进卷积模块并引入FCD轻量检测头，在降低计算量和参数量的同时保持高精度	仅在特定数据集上验证，未提及不同光照、遮挡等复杂工地场景下的鲁棒性	实现施工现场头盔佩戴的实时智能监测，提升安全监管效率	施工人员头部安全帽佩戴状态	计算机视觉	NA	NA	YOLO (LHAT-YOLO)	图像	训练集19,780张图像，验证集2,473张，测试集2,473张	PyTorch	GSConv, FCD (Fast Convolutional Detection)	Precision, Recall, mAP50, mAP50-95, GFLOPs, Params	NA
1138	2026-06-04	Enhancing Brain Tumor Classification and Generalization Using DDPM-Generated MRI, Mutual Information and Ensemble Learning 2026 Jan-Dec, Technology in cancer research & treatment IF:2.7Q3 DOI:10.1177/15330338251405180 PMID:41615841	研究论文	利用去噪扩散概率模型生成MRI、互信息和集成学习增强脑肿瘤分类和泛化能力	首次将互信息正则化引入DDPM生成合成MRI，结合集成学习提升跨数据集的脑肿瘤分类泛化性能	未明确提及，可能受限于样本量较小（559例）和仅使用2D ResNet-152单一架构	评估有无互信息正则化的DDPM生成合成MRI是否增强脑肿瘤分类在异质性数据集上的表现	低级别和高级别脑肿瘤患者的MRI图像（LGG和HGG）	计算机视觉	脑肿瘤	MRI	DDPM、ResNet-152	图像	559例患者（来自BraTS数据集335例和TASMC临床数据集224例）	NA	ResNet-152	准确率、F1分数、Pearson相关系数、FID、IS	NA
1139	2026-06-04	Graph former-CL: A novel graph transformer with contrastive learning framework for enhanced drug-drug interaction prediction 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0339971 PMID:41615927	研究论文	提出一种融合图Transformer与对比学习的框架，用于药物-药物相互作用预测，显著提升预测准确率与泛化能力	创新性地将层次化图Transformer与领域特化对比学习结合，采用位置感知多头自注意力机制与跨模态融合策略，实现多尺度分子表征	未提及模型在超大规模分子库或罕见药物组合上的泛化性验证，且缺乏对模型可解释性的深入分析	提升药物-药物相互作用预测的准确率与模型泛化能力，解决传统GNN过平滑和序列方法三维结构缺失问题	药物-药物相互作用对（DDI pairs），涵盖已知与新药组合	机器学习	NA	SMILES序列与分子图表示	图Transformer	分子图与文本序列	基于DrugBank和TWOSIDES等四个基准数据集，具体数量未提及	PyTorch	图Transformer	准确率	NA
1140	2026-06-04	A deep state-space analysis framework for cancer patient latent state estimation and classification from EHR time-series data 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0341003 PMID:41616002	research paper	提出一个基于深度状态空间的分析框架，用于从EHR时间序列数据中估计和分类癌症患者的潜在状态	提出可解释的深度状态空间分析框架，用于从EHR数据中估计和可视化疾病进展相关的潜在状态，并识别导致不良预后的关键因素	NA	从EHR时间序列数据中估计和分类癌症患者的潜在状态，以理解疾病进展并支持治疗调整	癌症患者	machine learning	cancer	NA	state-space model	EHR time-series data	12,695名癌症患者	NA	deep state-space analysis framework	NA	NA