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
1361	2026-04-14	Deep learning based eye disease classification using Optical Coherence Tomography (OCT) images 2026-Apr-11, Experimental eye research IF:3.0Q1 DOI:10.1016/j.exer.2026.111017 PMID:41967163	研究论文	本研究旨在开发和评估基于深度学习的模型，用于利用光学相干断层扫描（OCT）图像进行视网膜疾病的多分类	在三种实验设置下评估了四种CNN架构，并应用了潜在特征空间SMOTE处理类别不平衡问题，以提升模型性能	研究基于单一临床中心的数据集，外部验证显示性能下降，强调了数据集多样性的重要性，需进一步多中心评估	开发并评估深度学习模型，用于视网膜疾病的自动分类	OCT图像，包括脉络膜新生血管、糖尿病性黄斑水肿、玻璃膜疣和正常类别	计算机视觉	眼科疾病	光学相干断层扫描（OCT）成像	CNN	图像	7314张OCT图像，来自单一临床中心	TensorFlow, Keras	VGG16, VGG19, ResNet50, InceptionV3	准确率, 精确率, 召回率, F1分数, Cohen's Kappa, Matthews相关系数, ROC AUC	NA
1362	2026-04-14	Generative deep learning-driven de novo design of targeted MAP4K6 inhibitors 2026-Apr-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2026.111680 PMID:41967399	研究论文	本研究提出了一种名为MolEvoRNN的生成式深度学习模型，用于在数据稀疏条件下从头设计针对特定激酶（如MAP4K6）的靶向小分子抑制剂	通过迁移学习和温度控制采样，MolEvoRNN能够在低数据状态下高效探索激酶相关的化学空间，同时保持支架新颖性、类药性和合成可行性，并实现了生成与评估的解耦，提高了方法透明度	研究主要基于计算模拟和虚拟筛选，缺乏实验验证来确认候选分子的实际生物活性和疗效	开发一种可扩展、通用化的生成式深度学习范式，用于在数据稀疏的未充分探索靶点空间中进行理性小分子设计，以加速早期治疗发现	MAP4K6激酶及其潜在的小分子抑制剂	机器学习	肝细胞癌	生成式深度学习, QSAR建模, 药效团映射, 分子对接, MM-GBSA结合能估计, 分子动力学模拟	RNN	化学结构数据	NA	NA	MolEvoRNN	多样性, 唯一性, 新颖性, 内部多样性	NA
1363	2026-04-14	TearNET: Validation of a convolutional neural network for grading of tear ferning patterns using deep learning 2026-Apr-11, Contact lens & anterior eye : the journal of the British Contact Lens Association IF:4.1Q1 DOI:10.1016/j.clae.2026.102654 PMID:41967396	研究论文	本研究验证了基于卷积神经网络的深度学习算法TearNET，用于自动分级泪液蕨样结晶模式	开发并验证了首个基于卷积神经网络的自动化泪液蕨样结晶分级系统，解决了传统手动分级的主观性和不一致性问题	样本量较小（仅80名健康参与者），未在临床患者群体中进行验证，环境因素（温湿度）的影响未显着但需进一步研究	验证深度学习算法在泪液蕨样结晶自动分级中的应用，以改进干眼病筛查	健康参与者的泪液样本及其蕨样结晶模式	计算机视觉	干眼病	显微镜成像	CNN	图像	80名健康参与者（160只眼睛）的泪液样本	NA	TearNET	准确率, 灵敏度, 特异性, 召回率, F分数	NA
1364	2026-04-14	Localizing low-velocity impacts on wind turbine blades using multi-sensor ensemble learning with dynamic arbitration 2026-Apr-10, Ultrasonics IF:3.8Q1 DOI:10.1016/j.ultras.2026.108096 PMID:41967170	研究论文	本研究提出了一种基于集成学习的多传感器决策融合框架，用于定位风力涡轮机叶片上的低速冲击	提出了一种结合完全集成经验模态分解与自适应噪声及排列熵的信号处理方法，并采用新颖的多尺度金字塔注意力网络作为基础模型，最后通过动态仲裁集成策略进行高效的决策级融合	未明确说明模型在更广泛结构类型或更复杂环境条件下的泛化能力，也未讨论实时部署的计算成本	开发高效的风力涡轮机叶片低速冲击定位方法，以确保结构安全	风力涡轮机叶片（复合材料结构）	机器学习	NA	声发射（AE）信号采集与处理	集成学习，注意力网络	一维时间序列声发射信号，二维灰度图像	NA	NA	多尺度金字塔注意力网络	定位精度	NA
1365	2026-04-14	Surgically Relevant Knee Phenotypes: The Modified Coronal Plane Alignment of the Knee (mCPAK) System - A Deep Learning-based Classification 2026-Apr-10, The Journal of arthroplasty IF:3.4Q1 DOI:10.1016/j.arth.2026.04.010 PMID:41967528	研究论文	本研究提出了一种改进的膝关节冠状面对齐（mCPAK）分类系统，并利用深度学习模型自动进行膝关节表型分类，分析了大型队列中的表型分布	提出了改进的CPAK系统，通过结合整体下肢对齐以及股骨和胫骨畸形，提供更客观、实用和准确的膝关节对齐评估，并首次应用深度学习模型实现膝关节表型的自动化分类	研究基于公开可用的大型队列数据，但未明确讨论模型在新数据上的泛化能力或临床验证的细节	改进膝关节冠状面对齐的分类系统，以提高准确性并辅助手术决策	972名患者（1,944个健康及关节炎膝关节）的全肢X光片	数字病理学	关节炎	全肢X光摄影	深度学习模型	图像	972名患者，1,944个膝关节	NA	NA	NA	NA
1366	2026-04-14	GalaxyCDock: Webserver for Covalent Protein-Ligand Binding Mode Prediction 2026-Apr-10, Journal of molecular biology IF:4.7Q1 DOI:10.1016/j.jmb.2026.169807 PMID:41967600	研究论文	本文介绍了GalaxyCDock，一个用于预测共价蛋白质-配体结合模式的网络服务器	结合了GalaxyDock2的高效构象采样和基于深度学习的评分函数GalaxyDock-DL，在共价对接任务中超越了现有工具	NA	开发一个准确且易于访问的共价蛋白质-配体对接计算工具	共价配体（包含反应性部分的小分子）与蛋白质的结合模式	计算生物学	NA	共价对接	深度学习	蛋白质结构，配体结构	标准数据集和新整理的数据集	NA	GalaxyDock2, GalaxyDock-DL	重对接成功率，交叉对接成功率	网络服务器
1367	2026-04-14	A hybrid framework for effective microscopic cell counting segmentation integrating Light-U-net with watershed 2026-Apr-10, Experimental eye research IF:3.0Q1 DOI:10.1016/j.exer.2026.110983 PMID:41967665	研究论文	提出一种结合Light-U-Net与分水岭算法的混合框架，用于视网膜图像中细胞的有效分割与计数	开发了轻量级可扩展的Light-U-Net模型，并结合分水岭算法优化细胞计数精度	模型在合成数据集和自建真实数据集上验证，但未提及外部验证或临床环境测试	实现青光眼早期检测中视网膜神经节细胞的自动化分割与计数	视网膜神经节细胞	数字病理学	青光眼	深度学习图像分割	CNN	图像	公开合成数据集与自建真实数据集（具体数量未说明）	未明确说明	Light-U-Net	分割与计数性能（未指定具体指标）	NA
1368	2026-04-14	Accelerated long-read variant calling with Clair3 for whole-genome sequencing 2026-Apr-10, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btag181 PMID:41967838	研究论文	本文介绍了一种基于Clair3的加速长读长变异检测计算框架，通过并行化特征生成、增强变异定相、内存中读段单倍型标记和GPU加速神经网络推理，显著提升了全基因组测序中变异检测的速度	整合了并行化特征生成、增强变异定相、内存中读段单倍型标记和GPU加速神经网络推理，动态优化GPU和CPU资源使用，实现了约10-20倍的运行速度提升，同时保持高准确性	未明确提及框架在极端复杂基因组区域或超低深度测序数据上的性能限制	解决长读长测序技术中变异检测计算需求高、耗时长的瓶颈，支持大规模队列基因组研究和时间敏感的临床应用	全基因组测序数据，特别是基于ONT和PacBio平台的长读长测序数据	基因组学	NA	长读长测序（ONT, PacBio）	神经网络	基因组测序数据	使用了多种样本和测序深度进行评估，包括30×全基因组序列	NA	Clair3	SNP F1分数	标准计算资源（32个CPU线程和一个NVIDIA GPU），Apple Mac Studio（32线程）
1369	2026-04-14	Federated CT foundation models for multi-center detection of lymph node metastasis in pancreatic cancer 2026-Apr-09, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-47631-2 PMID:41957506	研究论文	本研究提出了一种结合大规模CT基础模型预训练和异构感知联邦优化的隐私保护深度学习框架，用于提高胰腺癌淋巴结转移的多中心检测性能	创新点包括：整合了基于14.8万例CT扫描预训练的视觉基础模型，并扩展了联邦聚合方法以同时处理标签分布差异和表示级差异，从而在保护数据隐私的同时提升模型性能	研究为回顾性多中心设计，可能存在选择偏倚；样本量相对有限（546例患者）；未在更广泛的外部数据集上进行验证	提高胰腺导管腺癌（PDAC）中淋巴结转移（LNM）的术前CT检测准确性，并解决多中心数据隐私和异构性问题	胰腺导管腺癌（PDAC）患者的CT扫描图像，用于检测淋巴结转移（LNM）	计算机视觉	胰腺癌	CT扫描	深度学习	3D CT图像	546名患者来自三个机构	NA	CT视觉基础模型	平衡准确度，诊断比值比（DOR）	NA
1370	2026-04-14	TPCAV: Interpreting deep learning genomics models via concept attribution 2026-Apr-08, bioRxiv : the preprint server for biology DOI:10.64898/2026.01.20.700723 PMID:41659440	研究论文	本文提出了一种名为TPCAV的新方法，用于解释基因组学深度学习模型，通过概念归因框架改进现有技术	首次将概念归因方法系统应用于基因组学深度学习模型解释，并引入基于PCA的去相关变换以处理基因组数据中的冗余特征	未明确说明方法在特定基因组任务或模型类型中的性能限制或计算效率问题	开发一种灵活且鲁棒的深度学习模型解释方法，以理解基因组学模型中生物概念的影响	基因组学深度学习模型及其输入表示，包括DNA序列、染色质状态和重复元件等特征	机器学习	NA	深度学习模型解释技术	神经网络	基因组数据（如DNA序列、染色质状态注释）	NA	NA	NA	与TF-MoDISco在基序特征解释上的可比性	NA
1371	2026-04-14	Black-box data: a new paradigm for biomedicine in the AI era 2026-Apr-08, Chemical science IF:7.6Q1 DOI:10.1039/d6sc01189f PMID:41971240	评论	本文提出并探讨了生物医学领域中“黑盒数据”这一新范式，强调其为AI驱动科学未来发展的必要性	首次系统性地定义了“黑盒数据”范式，并将其视为从“白盒”第一性原理模型向“黑盒”深度学习转变的并行必要变革	NA	探讨人工智能时代生物医学数据生成范式的根本性转变	生物医学数据，特别是为机器消费而非人类直觉优化的数据源	机器学习	NA	NA	NA	黑盒数据	NA	NA	NA	NA	NA
1372	2026-04-14	ET-Pfam: ensemble transfer learning for protein family prediction 2026-Apr-07, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btag121 PMID:41826803	研究论文	本文提出了一种基于集成迁移学习的新方法ET-Pfam，用于预测Pfam数据库中的蛋白质功能家族	结合迁移学习和多个深度学习分类器的集成策略，特别是通过为每个模型和每个Pfam家族学习权重的投票方法，显著提升了预测性能	未明确提及具体局限性	开发一种计算方法来改进蛋白质功能家族的预测，以应对序列数据快速增长带来的注释挑战	Pfam数据库中的蛋白质序列及其功能家族	生物信息学	NA	深度学习，迁移学习，集成学习	深度学习分类器	蛋白质序列数据	NA	NA	NA	错误率	NA
1373	2026-04-14	GRNFormer: accurate gene regulatory network inference using graph transformer 2026-Apr-07, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btag144 PMID:41883144	研究论文	本文提出了一种名为GRNFormer的通用图变换器框架，用于从跨物种、细胞类型和平台的转录组学数据中准确推断基因调控网络	结合了基于Transformer的基因表达编码器与变分图自编码器，并采用转录因子锚定的子图采样策略，无需细胞类型注释或先验调控信息即可进行可扩展、可泛化的网络推断	未明确讨论模型在处理极稀疏单细胞数据或大规模整合多组学数据时的潜在限制	解决从单细胞转录组学数据中准确、可扩展地推断基因调控网络的挑战	基因调控网络，涉及人类胚胎干细胞、外周血单个核细胞等细胞类型	计算生物学	NA	单细胞RNA测序，批量RNA测序	Transformer, 变分图自编码器	基因表达数据	NA	PyTorch	Transformer, GraViTAE	采样AUROC, 采样AUPRC, 采样F1分数	NA
1374	2026-04-14	Hypergraph representations of single-cell RNA sequencing data for improved cell clustering 2026-Apr-07, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btag148 PMID:41896196	研究论文	本文提出了一种将单细胞RNA测序数据表示为超图的新方法，并开发了两种新的聚类算法以改进细胞类型聚类	首次将超图表示引入scRNA-seq数据分析，提出了两种新的超图随机游走聚类算法（DIPHW和CoMem-DIPHW），能够捕获高阶信息并有效处理数据稀疏性	未明确说明算法在超大规模数据集上的可扩展性，也未讨论计算复杂度与运行时间的详细比较	改进单细胞RNA测序数据的细胞聚类分析	单细胞RNA测序数据	生物信息学	肺癌	单细胞RNA测序	超图随机游走模型	基因表达数据	多个真实世界数据集（人类胰腺、小鼠胰腺、人类大脑、小鼠大脑组织）和模拟数据，包括人类肺腺癌细胞系	Python	DIPHW, CoMem-DIPHW	聚类性能评估指标（具体指标未明确说明）	NA
1375	2026-04-14	Predicting antibody-antigen affinity with a dual-level representation model 2026-Apr-07, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btag109 PMID:41808445	研究论文	提出了一种基于双层次表示的深度学习框架DLP-Affinity，用于从序列预测抗体-抗原亲和力	结合残基到残基的局部界面接触捕捉和全局随机投影嵌入的全局蛋白质特性表示，利用微调的蛋白质语言模型，在AB-Bind数据集上实现了最先进的性能，并在sdAb-DB数据集上取得了高度竞争性的结果	NA	开发一种准确的基于序列的抗体-抗原亲和力预测方法	抗体-抗原相互作用，特别是单域抗体（sdAbs）	机器学习	NA	蛋白质语言模型	深度学习	序列数据	NA	NA	双层次表示模型	平均绝对误差	NA
1376	2026-04-14	Multimodal artificial intelligence predicts PIK3CA mutation in breast cancer from digital pathology and clinical data: a multicenter study 2026-Apr-07, Cancer biology & medicine IF:5.6Q1 DOI:10.20892/j.issn.2095-3941.2025.0771 PMID:41968976	研究论文	本研究开发了一种多模态深度学习框架，整合全切片图像和结构化临床数据，以预测乳腺癌中的PIK3CA突变	提出了一种结合数字病理和临床数据的多模态深度学习框架，用于预测PIK3CA突变，提高了预测性能并增强了模型的可解释性	未明确说明模型在更广泛人群或不同数据源中的泛化能力限制，以及计算资源需求的具体细节	开发一个多模态人工智能模型，以改善乳腺癌中PIK3CA突变的预测，作为分子检测的可及性替代方案	乳腺癌患者，包括来自TCGA的1,047名患者和来自3个外部中心的166名患者	数字病理	乳腺癌	全切片成像，分子测序	Transformer, XGBoost	图像, 结构化临床数据	1,213名患者（1,047名来自TCGA，166名来自3个外部中心）	NA	H-optimus-0, CLAM-SB MIL	AUC, 准确率, 精确率, 召回率, F1分数	NA
1377	2026-04-14	Artificial intelligence in breast cancer: applications and advancements 2026-Apr-07, Cancer biology & medicine IF:5.6Q1 DOI:10.20892/j.issn.2095-3941.2025.0704 PMID:41968983	综述	本文系统综述了人工智能在乳腺癌诊疗中的应用、进展、挑战及未来方向	系统性地总结了人工智能在乳腺癌诊疗全周期（从筛查到康复）的应用，并提出了未来多模态数据整合和人机协作多学科团队模型等发展方向	面临数据标准化不足、模型泛化能力有限、临床可及性低以及伦理法律责任不明确等挑战	概述人工智能在乳腺癌诊疗中的作用，为临床实践和科研创新提供见解，支持向个性化、智能化肿瘤医学转型	乳腺癌	数字病理学	乳腺癌	深度学习, 机器学习	NA	图像, 多维度数据	NA	NA	NA	NA	NA
1378	2026-04-14	Deep Representation Learning for Open Vocabulary Electroencephalography-to-Text Decoding 2026-Apr, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3416066 PMID:38889026	研究论文	本文提出了一种用于开放词汇脑电图到文本解码的端到端深度学习架构，结合了主题依赖的表示学习模块、BART语言模型和GPT-4句子优化模块	引入了主题依赖的表示学习模块来处理脑电图信号的主观性，并整合了GPT-4进行句子优化，同时提出了基于BERTScore的句子级评估指标	未明确讨论模型在更广泛人群或不同任务中的泛化能力，以及计算资源需求可能较高	提升非侵入性脑机接口中开放词汇脑电图到文本解码的性能和可理解性	30名参与自然阅读任务的受试者的脑电图信号	自然语言处理	NA	脑电图	深度学习	脑电图信号	30名受试者	NA	BART, GPT-4	BLEU-1, ROUGE-1-F, BERTScore-F	NA
1379	2026-04-14	Deep Learning-Assisted Differentiation of Four Peripheral Neuropathies Using Corneal Confocal Microscopy 2026-Apr, Annals of clinical and translational neurology IF:4.4Q1 DOI:10.1002/acn3.70255 PMID:41274779	研究论文	本研究开发了名为NeuropathAI的可解释深度学习多分类系统，用于基于角膜共聚焦显微镜图像快速自动诊断和区分四种外周神经病变	首次提出一个可解释的深度学习多分类系统，用于自动化诊断和区分四种外周神经病变，并通过热图可视化增强模型决策的可解释性	样本量相对较小（88名患者），且仅针对四种特定外周神经病变，可能无法推广到其他类型	开发一个快速、自动化的诊断系统，以解决外周神经病变因诊断方法限制和专科设施缺乏而导致的延迟或漏诊问题	88名患有糖尿病外周神经病变、化疗诱导外周神经病变、慢性炎性脱髓鞘性多发性神经病和人类免疫缺陷病毒相关感觉神经病变的患者	数字病理学	外周神经病变	角膜共聚焦显微镜	深度学习多分类系统	图像	88名患者	NA	NA	AUC, 敏感性, 特异性, 精确度, F1分数	NA
1380	2026-04-14	Role of a Deep-Learning Based Convolutional Neural Network Model for Real-Time Ventricular Tachycardia Alarm Classification 2026-Apr, Journal of cardiovascular electrophysiology IF:2.3Q2 DOI:10.1111/jce.70271 PMID:41588600	研究论文	本研究开发了一种基于一维卷积神经网络的深度学习模型，用于实时分类心室心动过速警报，以减少重症监护室中的误报	首次利用多通道原始波形数据（包括心电图、光电容积脉搏波和动脉血压信号）结合一维卷积神经网络进行心室心动过速警报的实时分类，显著降低了误报率	模型性能依赖于公开数据集的有限样本，未在更广泛或多样化的临床环境中进行验证	开发一种准确且快速的深度学习模型，以区分真实和误报的心室心动过速警报，减轻医疗工作者的警报疲劳	心室心动过速警报信号，包括心电图、光电容积脉搏波和动脉血压波形	机器学习	心血管疾病	深度学习，信号处理	CNN	信号数据	使用公开的VTaC心律失常基准数据集，具体样本数量未在摘要中说明	NA	一维卷积神经网络	AUC, 准确率, F1分数, 灵敏度, 特异性, 阳性预测值	NA