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
1621	2026-05-16	Deep learning ensemble models for CT-based differentiation of malignant and benign sacral bone tumors: development and evaluation 2026-Mar-03, Insights into imaging IF:4.1Q1 DOI:10.1186/s13244-026-02220-9 PMID:41774326	研究论文	开发并评估一种集成深度学习模型，用于基于非对比CT图像的骶骨肿瘤良恶性鉴别	首次将3D-DenseNet121与放射科医师解读相结合的集成深度学习模型，用于骶骨肿瘤的术前区分，显著提升了各经验水平放射科医师的诊断性能，尤其是初级医师	NA	开发能术前区分良恶性骶骨肿瘤的集成深度学习模型，提升放射科医师诊断效率	骶骨肿瘤的良恶性鉴别	计算机视觉	骶骨肿瘤	非对比CT成像	深度学习集成模型	CT图像	569例骶骨病变患者的术前非对比CT扫描数据，来自三个中心	NA	3D-DenseNet121	精确率、召回率、准确率、AUC、F1分数、混淆矩阵	NA
1622	2026-05-16	Interictal Epileptiform Discharge Detection Using Dual-Domain Features and GAN 2026-Mar, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3605257 PMID:40911454	研究论文	提出一种基于双域特征和生成对抗网络的痫样放电自动检测方法	融合卷积层和Transformer捕捉局部和长期依赖，利用三维张量嵌入通道拓扑提取空间特征，并开发基于Transformer的GAN进行数据增强	数据稀缺性仍需依赖生成数据，且多标签分类的敏感性和精度尚有提升空间	实现自动化、高精度的痫样放电检测	脑电图（EEG）中的痫样放电信号	机器学习	癫痫	脑电图（EEG）信号采集	CNN, Transformer, LSTM, GAN	时序信号（EEG数据）	两个数据集：增广后的数据集1和数据集2（具体样本数未明确）	PyTorch	卷积层、Transformer、LSTM、基于Transformer的GAN	准确率、敏感性、精确度	NA
1623	2025-11-08	Correction to "Toward Informative Representations of Blood-Based Infrared Spectra via Unsupervised Deep Learning" 2026-Mar, Journal of biophotonics IF:2.0Q3 DOI:10.1002/jbio.70172 PMID:41198582	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1624	2026-04-04	A Deep Representation Learning Method for Quantitative Immune Defense Function Evaluation and Its Clinical Applications 2026-Mar, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202515929 PMID:41536212	研究论文	本研究提出了一种基于RNA-seq数据的深度表示学习方法ImmuDef，用于定量评估抗感染免疫防御功能，并开发了防御免疫评分DImmuScore	首次利用变分自编码器（VAE）构建潜在空间，通过计算患者与健康对照在潜在空间中的距离来量化免疫防御功能，建立了跨疾病免疫防御评估的定量标准	研究样本主要集中于特定免疫状态和感染性疾病，可能未涵盖所有免疫相关疾病或人群，且模型在更广泛临床环境中的泛化能力需进一步验证	开发一种定量评估个体抗感染免疫防御功能的方法，并应用于临床预后和疾病严重程度评估	免疫缺陷、免疫受损、免疫正常和免疫活跃四种免疫状态下的样本，包括艾滋病、严重脓毒症、COVID-19等感染性疾病患者	机器学习	感染性疾病	RNA-seq	VAE	RNA-seq数据	3202个样本	NA	变分自编码器（VAE）	分类准确率	NA
1625	2026-05-16	Generating Dynamic Structures Through Physics-Based Sampling of Predicted Inter-Residue Geometries 2026-Mar, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202518469 PMID:41566646	研究论文	提出trRosettaX2-Dynamics方法，通过基于物理的迭代采样预测的残基间几何分布，生成蛋白质动态结构	将深度学习预测与基于物理的迭代采样相结合，无需先验知识即可生成蛋白质替代构象和动态结构	未明确说明	解决蛋白质替代构象和动态结构预测的未解难题	蛋白质动态结构	机器学习	NA	NA	Transformer	蛋白质结构数据	约7000个动态NMR结构用于微调	NA	Transformer	NA	NA
1626	2026-05-16	Machine Learning Discovery of Record-Low Lattice Thermal Conductivity in Double Perovskites 2026-Mar, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202515766 PMID:41701522	研究论文	提出深度学习原子间势能模型Elemental-SDNNFF，结合主动学习框架，高效预测双钙钛矿的声子特性并筛选出具有超低晶格热导率的材料	首次使用深度学习原子间势能结合玻尔兹曼输运方程对9709种立方双钙钛矿进行高通量声子特性预测，发现CsHgPtCl6具有室温下各向同性块体材料最低的晶格热导率（0.071 W/mK）	未提及模型的泛化能力及在其他材料体系中的适用性，且四声子散射计算可能增加计算成本	开发高效机器学习框架，快速筛选动态稳定双钙钛矿并准确预测其晶格热导率，寻找热电和隔热应用候选材料	9709种立方双钙钛矿结构	机器学习	NA	密度泛函理论计算, 深度学习原子间势能, 玻尔兹曼输运方程, 分子动力学模拟	深度学习原子间势能模型（Elemental-SDNNFF）	计算物理量（力、声子特性、晶格热导率）	9709种双钙钛矿结构（1597种动态稳定候选材料）	NA	元素特异性深度神经网络（Elemental-SDNNFF）	晶格热导率	NA
1627	2026-05-16	Pathomics Signature for Prognosis and CA19-9 Interception in Pancreatic Ductal Adenocarcinoma: A Real-Life, Multi-Center Study 2026-Mar, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202515952 PMID:41556438	研究论文	利用深度学习分析H&E全切片图像，构建胰腺导管腺癌预后模型并验证其临床价值	首次大规模多中心验证CrossFormer架构在PDAC预后中的优越性，揭示CA19-9仅对低风险患者有预后价值	未提及具体局限性	开发并验证基于深度学习的自动化预后模型，实现个性化治疗策略	胰腺导管腺癌患者的H&E染色全切片图像和临床数据	数字病理学	胰腺导管腺癌	H&E染色全切片成像	深度学习模型（CrossFormer、ResNet、DenseNet）	图像（全切片图像）	873名接受手术切除的PDAC患者，来自三个学术中心	NA	CrossFormer, ResNet-18, ResNet-50, DenseNet-121	AUC（曲线下面积）	NA
1628	2026-05-16	Foundation Model-Enabled Multimodal Deep Learning for Prognostic Prediction in Colorectal Cancer with Incomplete Modalities: A Multi-Institutional Retrospective Study 2026-Mar, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202510931 PMID:41556415	研究论文	提出一种名为FLARE的多模态深度学习框架，整合病理图像、放射影像和临床文本报告，用于结直肠癌生存和进展的精准预后预测	利用基础模型实现高效特征提取，采用基于注意力的多分支框架增强模态间的协同性和独特性，并引入多样性促进损失函数；通过模态和缺失感知提示、伪嵌入及模态级增强策略有效处理缺失数据问题	作为回顾性研究，可能受限于数据集的选择偏差；未来需进一步在前瞻性临床环境中验证其有效性	提供精准的结直肠癌预后预测工具，优化个性化治疗策略并改善患者预后	来自四个独立临床中心的1679名结直肠癌患者的病理图像、放射影像和临床文本报告	机器学习, 数字病理学	结直肠癌	NA	深度学习	图像, 文本	1679例结直肠癌患者	PyTorch	基于注意力的多分支框架	一致性指数(C-index), Kaplan-Meier分析	NA
1629	2026-05-16	Hybrid deep learning with protein language models and dual-path architecture for predicting IDP functions 2026-Mar-01, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbag126 PMID:41921197	研究论文	提出混合深度学习模型IDPFunNet，结合蛋白质语言模型和双路径架构，用于预测内在无序蛋白质功能	首次将卷积神经网络、双向LSTM、残差MLP与蛋白质语言模型ProtT5融合，采用双路径架构解耦结合预测与DFL识别，在多任务学习和跨数据集泛化上取得显著提升	自注意力机制在核酸结合预测中潜力待验证，且当前模型对某些功能子类的区分能力仍依赖特定架构	开发一种可解释且泛化的框架，用于全面映射内在无序蛋白质的功能类别	内在无序区域（IDRs）的六种功能类别：五种结合亚型和无序柔性连接区（DFLs）	机器学习	NA	蛋白质语言模型（ProtT5）	混合深度学习模型（CNN、双向LSTM、残差MLP）	蛋白质序列	六个独立基准数据集，包括CAID2/3盲测集，具体样本量未明确说明	PyTorch	CNN、双向LSTM、残差MLP、ProtT5、自注意力机制	AUC、平均精度（APS）、p值	未明确提及，但提供网络服务器和独立软件包
1630	2026-05-16	A deep learning framework for comprehensive prediction of human RNA G-quadruplex-binding proteins 2026-Feb-28, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btag088 PMID:41712756	研究论文	提出一个深度学习框架，用于全面预测人类RNA G-四链体结合蛋白	整合多种编码策略和神经架构，特别是使用ESM-2蛋白质语言模型嵌入和LSTM架构，实现高准确率预测，并发现与细胞应激反应相关的潜在联系	主要依赖计算预测，需要实验验证；模型可能对特定类型的G4BPs存在偏好	开发一种有效的方法来探索RNA G4BPs景观，揭示RNA调控中的新参与者	人类RNA G-四链体结合蛋白	机器学习	NA	蛋白质语言模型（ESM-2）嵌入	LSTM	蛋白质序列数据	人类蛋白质组中的2160个高置信度候选RG4BP	PyTorch	LSTM	准确率(86%)	NA
1631	2026-05-16	Truth-based physics informed estimation of material composition in spectral CT in terms of density and effective atomic number 2026-Feb-13, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ae4284 PMID:41643313	研究论文	开发并验证一种基于物理信息的深度学习模型，用于从能谱CT图像中估计材料密度和有效原子序数	将物理信息正则化引入生成对抗网络（GAN），在训练中融入底层物理原理，并利用验证的模拟数据进行训练，以提高材料分解精度	临床验证样本量较小，限制了结果的泛化性；仅研究了腹部应用和碘对比剂	开发和验证基于物理信息约束的深度学习模型，用于能谱CT材料分解，生成密度和有效原子序数图谱	能谱CT图像中的材料成分，包括密度和有效原子序数	计算机视觉, 机器学习	NA	光子计数能谱CT（PCCT）	生成对抗网络（GAN）	图像（CT图像）	32个模拟人体模型用于训练，16个计算模体和6个临床病例用于验证，30个图像切片用于读者研究	NA	生成对抗网络（GAN）	NRMSE, SSIM, PSNR, RMSE, 显著度得分	NA
1632	2026-05-16	Recurrent neural network long short term memory model to detect the pile toe using raw data of pile integrity test 2026-Feb-12, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-36732-7 PMID:41680218	研究论文	提出使用循环神经网络长短期记忆模型从桩完整性测试原始数据中检测桩端，以提高测试可靠性和效率	首次将RNN-LSTM模型应用于桩完整性测试的自动速度反射图生成，减少对人工经验的依赖并消除主观误差	模型仅基于埃及多个打入桩项目的数据训练，可能缺乏对其他地区或不同类型桩的泛化能力	开发一种人工智能系统，从加速度输入中学习波传播行为并正确捕捉桩端位置，替代传统人工解释方法	桩完整性测试中的桩端位置检测与反射图生成	机器学习	NA	低应变完整性测试	循环神经网络长短期记忆	加速度时程信号	埃及多个打入桩项目收集的数据	NA	六层32神经元LSTM	决定系数R，训练R为0.9126、验证R为0.8778，桩端预测准确度达84%至89.5%	NA
1633	2026-05-16	Predicting Sleep and Sleep Stage in Children Using Actigraphy and Heartrate via a Long Short-Term Memory Deep Learning Algorithm: A Performance Evaluation 2026-Feb, Journal of sleep research IF:3.4Q2 DOI:10.1111/jsr.70149 PMID:40676371	研究论文	利用长短期记忆深度学习算法从体动记录仪和心率数据预测儿童睡眠及睡眠阶段的表现评估	首次使用LSTM算法结合体动记录仪和心率数据预测儿童睡眠阶段，并评估其与传统方法相比的优势	研究仅基于实验室过夜多导睡眠图，未涉及家庭环境中的长期监测；消费者可穿戴设备种类有限（仅三种）	评估LSTM算法从体动记录仪和心率数据预测儿童睡眠与睡眠阶段的准确性，并与传统方法比较	儿童（5-12岁）的睡眠数据	机器学习	睡眠障碍	体动记录仪、心率监测、多导睡眠图	LSTM	时间序列数据（体动记录仪和心率信号）	238名儿童（5-12岁，52.8%男性，50%黑人，31.9%白人）	未明确指定	LSTM	准确率、敏感性、特异性	NA
1634	2026-05-16	A Multivariate Cloud Workload Prediction Method Integrating Convolutional Nonlinear Spiking Neural Model with Bidirectional Long Short-Term Memory 2026-Feb, International journal of neural systems IF:6.6Q1 DOI:10.1142/S0129065725500716 PMID:41024445	研究论文	该文提出一种结合卷积非线性脉冲神经模型与双向长短期记忆的多变量云工作负载预测方法	提出基于非线性脉冲神经P系统的卷积模型(ConvNSNP),相比传统卷积模型增强了处理非线性数据的能力	未提及模型的泛化能力和计算资源消耗情况	解决云计算环境中多变量工作负载预测问题	云工作负载时间序列数据	机器学习	NA	深度学习	混合模型	时间序列	三个公共云工作负载数据集(来自阿里巴巴和谷歌)	NA	ConvNSNP, BiLSTM	RMSE, MAE, MAPE	NA
1635	2026-05-16	BOLD-GPCRs: A Transformer-Powered App for Predicting Ligand Bioactivity and Mutational Effects across Class A GPCRs 2026-Jan-26, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c01858 PMID:41532426	研究论文	介绍了一种基于Transformer的深度学习框架BOLD-GPCRs，用于预测A类GPCR的配体生物活性和突变效应	将迁移学习和基于Transformer的蛋白质语言模型与密集神经网络分类器相结合，通过用户友好的网页界面实现对A类GPCR配体生物活性和突变效应的预测	传统方法在配体或结构数据有限的受体上表现不佳，而BOLD-GPCRs虽然有效，但未明确说明其局限性	开发一种能够准确预测整个A类GPCR家族配体生物活性的方法，特别是针对研究不足的受体亚型	A类G蛋白偶联受体及其配体	机器学习	NA	深度学习，迁移学习，Transformer	Transformer，密集神经网络	配体数据，受体序列数据，信号相关突变数据	NA	PyTorch	Transformer，BERT	预测性能（具体指标未说明）	NA
1636	2026-05-16	Open RGB imaging workflow for morphological and morphometric analysis of fruits using deep learning: a case study on almonds 2026-01-21, GigaScience IF:11.8Q1 DOI:10.1093/gigascience/giaf157 PMID:41416705	研究论文	开发了一个基于深度学习的开源RGB成像工作流，用于水果的形态和形态测量分析，并以杏仁为例进行了验证	提出了一个结合AI的开源Python工作流，能够高效分析水果形态、颜色和形态测量特征，并在杏仁上进行了迄今为止最大规模的形态学研究	未提及具体的局限性	利用深度学习技术开发一个开放的工作流，用于高通量表型分析中的形态和形态测量特征提取	杏仁的核仁、坚果及其个体样本	计算机视觉	NA	RGB成像	深度学习模型（具体类型未明确）	图像	超过25000个核仁、20000个坚果以及600多个个体	Python (未指定具体框架，如TensorFlow或PyTorch)	NA（未指定具体架构，如U-Net等）	错误率（低于1%）、均方根误差（0.47）	NA
1637	2026-05-16	Harnessing artificial intelligence for genomic variant prediction: advances, challenges, and future directions 2026-01-21, GigaScience IF:11.8Q1 DOI:10.1093/gigascience/giag004 PMID:41518203	综述	利用人工智能进行基因组变异预测的进展、挑战和未来方向	系统回顾从传统规则系统到现代机器学习、深度学习和蛋白质语言模型的演变，并基于当前变异影响预测器的评估提出预测器选择、多组学数据整合和计算工作流优化的策略	未提及具体局限性	提高基因组变异解读的准确性，推动精准医疗发展	基因组变异预测方法和预测器	机器学习	NA	多组学数据整合	机器学习模型、深度学习模型、蛋白质语言模型	多模态基因组数据	NA	NA	NA	NA	NA
1638	2026-05-16	Computational redesign of a thermostable T7 RNA polymerase 2026-Jan-09, Protein engineering, design & selection : PEDS DOI:10.1093/protein/gzag008 PMID:41804789	研究论文	通过结构计算设计开发了一种高度稳定的T7 RNA聚合酶变体T7T+	结合现有稳定变体的突变与PROSS识别的新突变，并通过数据驱动启发式方法过滤以保留功能，最终设计出具有更高热稳定性的T7 RNA聚合酶	T7T+在37°C时仅保留59%的野生型活性，表明稳定性提升可能以部分活性损失为代价	提高T7 RNA聚合酶的热稳定性，拓展其在生物技术中的应用	T7 RNA聚合酶及其变体	机器学习	NA	结构计算设计与功能测定	NA	序列与结构数据	18个蛋白设计变体	NA	NA	热耐受性T50、表观熔解温度、活性保留率	NA
1639	2026-05-16	Enhanced epileptic seizure detection using CNNs with convolutional block attention and short-term memory networks 2026-01-05, Behavioural brain research IF:2.6Q3 DOI:10.1016/j.bbr.2025.115831 PMID:40962227	研究论文	提出了一种结合卷积块注意力和长短期记忆网络的深度学习模型用于癫痫发作检测	在CNN和LSTM模型中引入卷积块注意力模块，增强对关键信息的提取能力	未提及局限性	开发精确的癫痫发作检测方法以改善患者生活质量	癫痫患者的脑电图信号	机器学习	癫痫	脑电图	CNN, LSTM	脑电图信号	公开的波恩大学数据集，具体样本数未提及	NA	CNN_CBAM_LSTM	准确率	NA
1640	2026-05-16	Gallbladder disease diagnosis from ultrasound using squeeze-and-excitation capsule network with convolutional bidirectional long short-term memory 2026-Jan-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32978-9 PMID:41484311	研究论文	提出一种结合SE-CapsNet和CNN-BiLSTM的混合深度学习模型，用于超声图像中胆囊疾病的准确诊断	首次将Squeeze-and-Excitation胶囊网络与卷积双向长短期记忆网络结合，用于胆囊疾病超声图像的自动分类，并通过非局部均值滤波进行图像增强	未提及模型在其他数据集上的泛化能力以及计算资源需求	开发一种基于深度学习的有效方法，用于准确分类胆囊疾病类型	超声图像中的胆囊疾病（多种类型）	计算机视觉, 数字病理学	胆囊疾病	超声成像	胶囊网络, CNN, BiLSTM	图像（超声图像）	未明确说明具体样本数量，但使用了胆囊疾病数据集	NA	SE-CapsNet, CNN-BiLSTM	准确率, 精确率, 灵敏度, 特异度	NA