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
121	2026-04-01	Deep learning using electroencephalogram (EEG) data for diagnosing and predicting SSRI response in major depressive disorder 2026-Mar-23, Communications medicine IF:5.4Q1 DOI:10.1038/s43856-026-01394-z PMID:41872325	研究论文	本研究利用深度学习算法分析脑电图数据，用于诊断重度抑郁症并预测患者对SSRI药物的治疗反应	首次将深度学习应用于多个独立脑电图数据集，结合Grad-CAM技术解释分类特征，并模拟临床决策场景评估模型对治疗选择的改善效果	样本量相对有限（健康对照146例，患者203例），模型准确率仍有提升空间，且结果需在更广泛人群中验证	开发基于脑电图和深度学习的客观诊断工具，实现重度抑郁症的精准诊断和个性化治疗预测	重度抑郁症患者和健康对照者的脑电图数据	机器学习	重度抑郁症	脑电图	深度学习模型	脑电图信号	健康对照146例，患者203例，总计349例	NA	NA	准确率	NA
122	2026-04-01	Integration of alternative fragmentation techniques into standard LC-MS workflows using a single deep learning model enhances proteome coverage 2026-Mar-23, Nature methods IF:36.1Q1 DOI:10.1038/s41592-026-03042-9 PMID:41872372	研究论文	本文开发了一个集成质谱平台，通过深度学习模型整合多种碎片化技术，以增强蛋白质组覆盖范围	开发了一个统一的Prosit深度学习模型，能够预测所有解离方法的谱图，并集成到FragPipe的MSBooster模块中，平均提高蛋白质鉴定率超过10%	未明确说明模型在处理特定复杂样本或极端条件下的局限性	增强蛋白质组学中碎片化技术的整合与应用，提高蛋白质鉴定效率和覆盖范围	蛋白质组学中的肽段序列和蛋白质鉴定	质谱分析, 深度学习	NA	碰撞诱导解离(CID), 电子诱导解离, 紫外光解离, 质谱技术	深度学习模型	质谱数据	NA	NA	Prosit	蛋白质鉴定率, 序列覆盖范围	NA
123	2026-04-01	Quantification via gaussian latent space representations 2026-Mar-22, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2026.108886 PMID:41911650	研究论文	本文提出了一种基于高斯潜在空间表示的端到端神经网络方法，用于直接优化量化（即类别流行度估计）任务	通过高斯分布在潜在空间中获取样本袋的不变表示，避免了依赖中间分类器的传统方法，将量化问题转化为直接优化问题	未在摘要中明确说明	开发一种端到端的深度学习量化方法，以直接估计样本袋中各类别的流行度	样本袋（bags of examples）及其类别分布	机器学习	NA	NA	神经网络	NA	NA	NA	GMNet（基于高斯潜在空间表示的端到端神经网络）	NA	NA
124	2026-04-01	Leveraging Residual Graph Convolutional Networks with Cross-Attention Mechanisms for High-Accuracy Protein Function Prediction 2026-Mar-20, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.6c00101 PMID:41861353	研究论文	本文提出了一种名为RCHGO的新型深度学习框架，利用残差图卷积网络和交叉注意力机制，直接从蛋白质序列预测基因本体注释	RCHGO框架结合了残差图卷积网络和交叉注意力机制，能够分别利用互补的手工特征和蛋白质语言模型特征表示，并在决策层面有效融合，从而学习丰富的蛋白质和残基级表示并与GO语义对齐	NA	通过深度学习框架提高蛋白质功能预测的准确性	蛋白质序列及其基因本体注释	机器学习	NA	深度学习	RGCN, 交叉注意力机制	蛋白质序列	1,493个非冗余蛋白质	NA	残差图卷积网络	NA	NA
125	2026-04-01	Deep learning-guided dual-fitness evolution of T7 RNA polymerase for enhanced stability and activity 2026-Mar-19, Nucleic acids research IF:16.6Q1 DOI:10.1093/nar/gkag259 PMID:41873756	研究论文	本研究提出了一种结合深度学习与湿实验多目标筛选的数据驱动进化策略，用于同时提升T7 RNA聚合酶的稳定性和高温活性	开发了耦合深度学习与多目标筛选的进化策略，通过独立模型微调处理不同性状，有效探索适应度景观以识别有益突变组合	未明确说明深度学习模型的可解释性、实验验证的样本规模限制以及策略在其他蛋白质体系中的普适性	实现蛋白质工程中多个适应度属性的同步优化	T7 RNA聚合酶（T7 RNAP）	机器学习	NA	深度学习引导的进化策略、湿实验多目标筛选	深度学习模型	序列数据、实验测量数据（热稳定性、活性等）	经过五轮迭代进化获得的T7 RNAP突变体	NA	NA	熔解温度（Tm）提升值、高温活性增强倍数、副产物含量降低百分比	NA
126	2026-04-01	Quantifying Epistemic Uncertainty in Multimodal Long-Tailed Classification: A Belief Entropy-Based Evidential Fusion Framework 2026-Mar-19, Entropy (Basel, Switzerland) DOI:10.3390/e28030343 PMID:41899995	研究论文	本文提出了一种基于证据推理的深度多模态学习框架，用于解决长尾分布下的分类问题，通过量化模态不确定性并增强尾部类别的公平性来提升性能	提出UMuLT框架，首次将证据推理与多模态长尾分类结合，包含不确定性门控证据融合模块、EMA公平性正则器和两阶段跨模态一致性正则器，能自适应抑制不可靠模态并动态增强尾部类别梯度	仅在三个长尾多模态基准数据集上验证，未在更广泛的实际场景或更多模态组合中进行测试，且未讨论计算复杂度对实时应用的影响	解决多模态长尾分类中尾部类别性能下降、模态不确定性量化不足以及类别级公平性缺失的问题	多模态数据（视觉、语言、音频模态）在长尾分布下的分类任务	机器学习	NA	深度多模态学习、证据推理、指数移动平均（EMA）、两阶段优化	深度学习框架	多模态数据（图像、文本、音频）	三个长尾基准数据集（具体样本数量未在摘要中说明）	PyTorch（推断，因涉及EMA和端到端微调）	自定义证据融合框架（含轻量适配器）	整体指标、校准性能、尾部子集性能、统计显著性检验	NA
127	2026-04-01	Deep Learning Echocardiographic Trajectories of Heart Failure With Preserved Ejection Fraction: A Retrospective Cohort Study 2026-Mar-18, JACC. Advances DOI:10.1016/j.jacadv.2026.102659 PMID:41855744	研究论文	本研究利用深度学习和机器学习纵向聚类方法，通过超声心动图数据识别了射血分数保留型心力衰竭（HFpEF）患者的心脏结构和功能轨迹，并分析了这些轨迹与临床结局的关系	首次应用纵向表型映射分析，结合机器学习和深度学习聚类技术，从超声心动图数据中识别出HFpEF的不同疾病轨迹，揭示了其动态变化特征及与临床预后的关联	研究为单中心回顾性队列设计，可能存在选择偏倚；仅基于超声心动图变量，未纳入其他影像学或分子标志物；随访时间可能不足以捕捉长期轨迹变化	探究HFpEF患者心脏结构和功能的纵向轨迹，并评估这些轨迹与临床结局（如全因死亡率）的关系	射血分数保留型心力衰竭（HFpEF）患者	机器学习	心血管疾病	超声心动图	深度学习, 机器学习	超声心动图变量（心脏几何和功能指标）	1,626例HFpEF患者	NA	NA	P值（统计显著性）	NA
128	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
129	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
130	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
131	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
132	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
133	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
134	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
135	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
136	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
137	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
138	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
139	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
140	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