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	2026-01-23	Hybrid deep learning framework for accurate classification of high dimensional genomic data 2026-Jan-21, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-36128-7 PMID:41565905	研究论文	本文提出了一种混合TabNet-CNN框架，用于高维基因组数据的准确分类	结合注意力驱动的特征选择与自适应卷积细化，以解决高维基因组数据中的冗余、噪声和稀疏特征问题，并提升可解释性和稳定性	未在摘要中明确说明	开发一个混合深度学习框架，以改进高维基因组数据的分类准确性、可解释性和稳定性	高维基因组数据集	机器学习	NA	NA	TabNet, CNN	基因组数据	多个基因组数据集（具体数量未在摘要中说明）	NA	TabNet-CNN	准确率, AUC	NA
1622	2026-01-23	An interpretable deep learning model for predicting endometrial cancer molecular subtypes from H&E-stained slides 2026-Jan-21, NPJ precision oncology IF:6.8Q1 DOI:10.1038/s41698-026-01280-w PMID:41565925	研究论文	本研究开发了一种基于H&E染色全切片图像的、可解释的深度学习模型，用于预测子宫内膜癌的分子亚型	开发了一种端到端的可解释深度学习模型，能够直接从H&E染色WSI预测子宫内膜癌的四种分子亚型，并首次在宏观和微观层面系统评估了组织学特征与分子特征之间的相关性	外部验证队列中苏州队列样本量较小（n=36），可能影响模型泛化能力的全面评估	开发一种基于H&E染色WSI的深度学习模型，用于预测子宫内膜癌的分子亚型，以辅助预后判断和治疗决策	子宫内膜癌患者的H&E染色全切片图像	数字病理学	子宫内膜癌	H&E染色	深度学习模型	图像	训练队列：复旦队列364例；外部验证队列：TCGA队列296例，苏州队列36例	NA	端到端预测网络	AUROC, 95%置信区间	NA
1623	2026-01-23	ASTRID-Net: SE-enhanced triple attention deep learning framework for IoT and IIoT security 2026-Jan-21, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-36731-8 PMID:41565992	研究论文	本文提出了一种名为ASTRID-Net的新型深度学习框架，用于物联网和工业物联网网络的高精度入侵检测	构建了一个创新的三重注意力混合模型，集成了多尺度卷积特征提取、双向循环建模和残差学习，并引入了通道-时间联合注意力机制以优先处理数据中最相关的信息	NA	应对物联网和工业物联网网络中的安全风险，实现复杂网络威胁的实时检测	物联网和工业物联网网络中的入侵检测	机器学习	NA	NA	CNN, BiGRU, 注意力机制	网络数据	NA	NA	ASTRID-Net	准确率, 宏平均精确率, 宏平均召回率, F1分数	NA
1624	2026-01-23	CT-based Prediction of Visceral Pleural Invasion in Lung Adenocarcinoma ≤ 3 cm: Enhancing Deep Learning Specificity by Waiving Chest Wall Information 2026-Jan-21, Annals of surgical oncology IF:3.4Q1 DOI:10.1245/s10434-026-19102-5 PMID:41566129	研究论文	本研究开发了一种基于CT的深度学习模型，通过排除胸壁信息来提高肺腺癌内脏胸膜侵犯预测的特异性	提出了一种结合新型注意力机制的四层卷积神经网络，并在胸壁掩蔽的CT输入上进行训练，以降低伪相关性并提高特异性	研究为回顾性设计，样本量有限（835例患者），且仅针对≤3 cm的肺腺癌，可能限制模型的泛化能力	开发一种高特异性且高敏感性的术前预测模型，以指导肺腺癌手术决策并减少过度治疗风险	经病理证实并接受完全切除的肺腺癌患者	计算机视觉	肺癌	CT成像	CNN	图像	835例患者（训练集692例，外部验证集143例）	NA	四层卷积神经网络结合注意力机制	AUC, 敏感性, 特异性, 准确率	NA
1625	2026-01-23	Spatial-Spectral Deep Learning for Prostate Cancer Tissue Classification in Infrared Spectroscopy 2026-Jan-21, Analytical chemistry IF:6.7Q1 DOI:10.1021/acs.analchem.5c04765 PMID:41566143	研究论文	本文比较了多种深度学习分类器在红外光谱前列腺癌组织分类中的应用，并探讨了光谱维度压缩瓶颈的影响	发现模型空间感受野与分类性能强相关，且光谱信息对深度学习模型性能影响有限，表明组织分类本身仅依赖于少量光谱特征	组织分类可能不是评估深度学习模型有效利用光谱维度的良好基准	改进前列腺癌组织分类	前列腺癌组织	数字病理学	前列腺癌	红外光谱	Vision Transformer, CNN, 多层感知机	高光谱图像	NA	NA	Vision Transformer, CNN, 多层感知机	分类性能	NA
1626	2026-01-23	Deep learning-based multimodal fusion of MRI and whole slide image for predicting neoadjuvant therapy response in locally advanced head and neck squamous cell carcinoma 2026-Jan-21, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-026-02173-x PMID:41566290	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1627	2026-01-23	Generating Dynamic Structures Through Physics-Based Sampling of Predicted Inter-Residue Geometries 2026-Jan-21, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202518469 PMID:41566646	研究论文	本文介绍了一种名为trRosettaX2-Dynamics的创新方法，通过结合深度学习和物理基础采样来预测蛋白质的动态结构和替代构象	该方法基于Transformer神经网络预测残基间几何约束，并通过物理基础迭代采样生成动态结构，无需先验知识，显著提升了动态结构预测能力	未明确提及具体局限性，但可能受限于训练数据规模和动态结构的复杂性	旨在解决蛋白质动态结构和替代构象的预测问题，推动蛋白质结构预测领域的发展	蛋白质的动态结构和替代构象	机器学习	NA	深度学习，物理基础采样，X射线结构分析，NMR结构分析	Transformer	蛋白质结构数据	预训练使用高分辨率X射线结构，微调使用约7000个动态NMR结构	NA	Transformer	NA	NA
1628	2026-01-23	Longitudinal Validation of a Deep Learning Index for Aortic Stenosis Progression 2026-Jan-20, Journal of the American Heart Association IF:5.0Q1 DOI:10.1161/JAHA.125.045179 PMID:41532549	研究论文	本研究纵向验证了一种深度学习衍生的主动脉瓣狭窄进展指数（DLi-ASc），并评估其与进展为重度主动脉瓣狭窄的预后关联	首次纵向验证深度学习衍生的主动脉瓣狭窄进展指数（DLi-ASc），并证明其与主动脉瓣最大流速和平均压力梯度的年度变化强相关，且能独立预测重度主动脉瓣狭窄的进展	研究为回顾性分析，可能存在选择偏倚；仅基于两个三级医院的超声心动图数据，外部验证有限	验证深度学习衍生的主动脉瓣狭窄进展指数（DLi-ASc）的纵向变化及其与疾病进展的预后关联	主动脉瓣狭窄患者	数字病理学	心血管疾病	经胸超声心动图	深度学习	图像	2373名患者（7371次经胸超声心动图检查）	NA	NA	Pearson相关系数, 风险比	NA
1629	2026-01-23	Shortcomings of deep learning for distributional predictors: a note 2026-Jan-20, Biostatistics (Oxford, England) DOI:10.1093/biostatistics/kxaf051 PMID:41555576	研究论文	本文探讨了在预测任务中，当输入数据具有排列不变性时，无结构深度学习方法的局限性，并推荐使用显式利用不变性的有序预测器神经网络	通过模拟实验比较了无结构神经网络与有序预测器神经网络在排列不变性场景下的性能，发现后者能降低预测误差并提高估计精度	研究基于模拟数据，未在真实世界大规模数据集上验证；仅关注排列不变性，未考虑其他可能的数据结构	评估深度学习在处理具有排列不变性的分布型预测器时的有效性，并推荐更优的建模方法	生物医学研究中具有大量同类型测量预测器的数据，其内部分布作为关键摘要	机器学习	NA	NA	神经网络	模拟数据	NA	NA	无结构神经网络, 有序预测器神经网络	预测误差, 估计精度	NA
1630	2026-01-23	Proactive safety at CVIS-enabled intersections: a framework based on high-fidelity trajectory reconstruction and dynamic risk assessment 2026-Jan-20, Accident; analysis and prevention DOI:10.1016/j.aap.2026.108410 PMID:41564447	研究论文	本文提出了一种基于高保真轨迹重建和动态风险评估的边缘计算增强两阶段框架，旨在提升协同车路系统（CVIS）在交叉路口的主动安全性	提出了一种结合物理约束、自适应小波变换和混合阈值策略的两阶段框架，用于高保真轨迹重建，并引入了基于车辆轮廓的冲突算法（VOCA），将传统的点冲突检测提升为基于轮廓的空间重叠分析	未明确说明框架在不同天气条件、传感器故障或极端交通密度下的鲁棒性，也未讨论大规模部署时的可扩展性	为CVIS环境下的交叉路口开发一种实时、高精度的主动安全预警系统	交叉路口的车辆轨迹数据与车辆间冲突事件	机器智能与边缘计算	NA	自适应小波变换、混合阈值去噪、基于物理约束的轨迹重建	NA	多源传感器数据（如车辆轨迹数据）	基于真实世界交叉路口数据验证（具体数量未说明）	NA	NA	加速度波动减少百分比（98.66%）、冲突检测率对比（22.53% vs 100%）、处理延迟（<100 ms/帧/车辆）	NVIDIA Jetson边缘设备
1631	2026-01-23	Artificial intelligence in knee osteoarthritis imaging and total knee arthroplasty: advances, challenges, and segmentation methods - A review 2026-Jan-20, The Knee DOI:10.1016/j.knee.2026.104327 PMID:41564627	综述	本文综述了人工智能在膝骨关节炎影像学和全膝关节置换术中的应用进展、挑战及分割方法	系统比较了传统分割方法与基于人工智能（尤其是深度学习）方法在全膝关节置换术规划与评估中的能力、局限性和临床相关性，并指出了将AI整合到临床工作流程以实现更精准、可靠和个体化手术的机会	基于人工智能的方法依赖于大规模标注数据集，且成像方案的变异性仍是重大挑战	探讨人工智能在膝骨关节炎影像学和全膝关节置换术中的应用，以改进手术规划与评估	膝骨关节炎患者的影像数据（X光片、CT、MRI、超声）	数字病理学	骨关节炎	影像学技术（X光、CT、MRI、超声）	深度学习模型	图像	NA	NA	NA	NA	NA
1632	2026-01-23	Deep Learning-Based Classification of Temporal Stages of AT8-Labeled Tau Pathology After Experimental Traumatic Brain Injury 2026-Jan-19, Neuroinformatics IF:2.7Q3 DOI:10.1007/s12021-025-09763-0 PMID:41553585	研究论文	本研究评估了一种基于深度学习的框架，用于在实验性创伤性脑损伤小鼠模型中，对AT8标记的tau病理的多个时间阶段进行分类	将深度学习应用于创伤性脑损伤后tau病理的多个时间阶段分类，这是一个尚未充分探索的应用领域	结果基于内部交叉验证，缺乏独立的动物级别标识符或外部队列验证，且早期损伤阶段（1天）的分类能力有限	开发一个可扩展的自动化方法，用于临床前组织学中tau病变的时间分期	实验性创伤性脑损伤小鼠模型中AT8染色的皮质显微图像	数字病理学	神经退行性疾病	AT8免疫染色	CNN	图像	未明确指定样本数量，但图像按损伤后四个阶段（1天、1周、1个月、3个月）分组	未明确指定，可能为TensorFlow或PyTorch	自定义CNN, InceptionV3, DenseNet	准确率, 宏平均F1分数, 每类F1分数, 一对多AUC	NA
1633	2026-01-23	DeepHybridCPI: A hybrid deep learning framework for compound-protein interaction prediction 2026-Jan-19, Journal of molecular graphics & modelling IF:2.7Q2 DOI:10.1016/j.jmgm.2026.109303 PMID:41564724	研究论文	本文提出了一种名为DeepHybridCPI的混合深度学习框架，用于准确高效地预测化合物-蛋白质相互作用	提出了一种混合深度学习框架，整合了多尺度密集连接的图神经网络和结合CNN与LSTM的蛋白质序列编码器，以同时捕获化合物的局部子结构与全局分子拓扑，以及蛋白质的局部基序和长程依赖关系	未明确说明模型的计算开销或可扩展性限制	开发一种准确高效的化合物-蛋白质相互作用预测方法，以加速虚拟筛选和药物发现	化合物和蛋白质	生物信息学	NA	深度学习	GNN, CNN, LSTM	化合物分子图数据，蛋白质序列数据	基准人类和秀丽隐杆线虫数据集	未明确指定，但提供了GitHub源代码	多尺度密集连接的GNN，CNN与LSTM结合的混合序列编码器	AUC, Precision, Recall	NA
1634	2026-01-23	Transformer-based multimodal fusion model predicts lymph node metastasis in hepatic alveolar echinococcosis patients: A multicenter study 2026-Jan-19, International journal of infectious diseases : IJID : official publication of the International Society for Infectious Diseases IF:4.8Q1 DOI:10.1016/j.ijid.2026.108409 PMID:41565060	研究论文	本研究开发了一种基于CT的多模态Transformer模型，用于精确预测肝泡型包虫病患者淋巴结转移	创新性地构建了基于Transformer的多模态融合模型，结合了放射组学、3D深度学习和2D深度学习特征，以提升淋巴结转移预测的准确性	研究样本量相对有限（318例患者），且仅基于CT图像，未整合其他影像模态或临床数据	开发一个精确预测肝泡型包虫病患者淋巴结转移的模型，以指导临床淋巴结清扫决策	肝泡型包虫病患者	计算机视觉	肝泡型包虫病	对比增强CT成像	Transformer, 随机森林	CT图像	318例来自三个中心的肝泡型包虫病患者	NA	Transformer	AUC, 决策曲线分析	NA
1635	2026-01-23	Artificial Intelligence in the Diagnosis of Hirschsprung Disease: A Scoping Review and Rationale for a Multicentric Approach 2026-Jan-19, Journal of pediatric surgery IF:2.4Q2 DOI:10.1016/j.jpedsurg.2026.162932 PMID:41565153	综述	本文系统综述了人工智能在诊断先天性巨结肠症中的应用，并论证了多中心研究的必要性	这是首个系统综述人工智能在先天性巨结肠症诊断中应用的文献，并强调了未来多中心合作和可解释性模型的重要性	现有研究存在数据集多样性有限、缺乏外部验证、未使用可解释人工智能框架以及未报告计算成本等问题，限制了临床转化	系统综合人工智能在先天性巨结肠症诊断中的证据，识别当前差距，以指导未来的多中心研究	0-18岁先天性巨结肠症患者的诊断	数字病理学	先天性巨结肠症	组织病理学分析	机器学习, 深度学习	组织学切片, 临床特征, 放射学特征	NA	NA	NA	准确率, 召回率, AUC	NA
1636	2026-01-23	Research on deep learning architecture optimization method for intelligent scheduling of structural space 2026-Jan-18, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32015-9 PMID:41549119	研究论文	本文提出了一种针对结构空间智能调度的深度学习架构优化方法，通过动态组合架构和知识嵌入自适应策略，实现高效、灵活的调度	提出了一种动态组合架构和知识嵌入自适应策略，使深度学习模型能够根据输入语义和空间调度需求实时调整计算深度、宽度和路径，从而提升调度效率和灵活性	未在真实世界大规模结构空间调度场景中进行验证，且对领域知识的嵌入可能依赖于专家经验，限制了泛化能力	优化深度学习架构以提升结构空间智能调度的效率和适应性	结构空间智能调度任务	机器学习	NA	深度学习	动态组合架构	结构空间数据	多个基准数据集	NA	有向无环图	预测准确率, 调度效率, 推理延迟, 资源使用量	NA
1637	2026-01-23	Optimizing wastewater treatment through combined deep learning and deep reinforcement learning: Recent advances and future prospects 2026-Jan-15, Environmental research IF:7.7Q1 DOI:10.1016/j.envres.2026.123795 PMID:41547426	综述	本文综述了深度学习和深度强化学习在优化污水处理过程中的最新进展与未来前景	结合深度学习和深度强化学习的计算原理，探讨其在污水处理中的适用性和优势，并强调标准化数据平台和开源模型库的重要性	智能系统在污水处理厂的实际应用中仍面临挑战，需要可靠且标准化的数据采集	通过人工智能技术优化污水处理过程，提升性能并减少碳排放	污水处理厂及其相关过程	机器学习	NA	深度学习, 深度强化学习	NA	过程变量数据	NA	NA	NA	NA	NA
1638	2026-01-23	CvTFuse: An unsupervised medical image fusion method of gliomas T1-DWI mode 2026-Jan-15, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2026.110618 PMID:41547498	研究论文	本文提出了一种名为CvTFuse的无监督医学图像融合方法，用于融合胶质瘤的T1-DWI模态MRI图像	提出了一种结合CNN和视觉Transformer的双分支网络，并引入了全局上下文聚合模块（GCAM）以及能量感知和梯度增强的融合策略，以有效融合不同MRI模态的局部和全局特征	NA	准确有效地融合不同MRI模态，以精确定位病变区域并为分析病变性质提供丰富信息	胶质瘤的T1-DWI模态MRI图像	计算机视觉	胶质瘤	MRI	CNN, Transformer	图像	NA	NA	CvTFuse（双分支网络，包含CNN模块和Transformer模块）	平均梯度, 信息熵, 互信息, 视觉显著性	NA
1639	2026-01-23	C2HFusion: Clinical context-driven hierarchical fusion of multimodal data for personalized and quantitative prognostic assessment in pancreatic cancer 2026-Jan-11, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2026.103937 PMID:41564638	研究论文	提出了一种名为C2HFusion的新型融合框架，用于胰腺癌的个性化定量预后评估，通过分层融合多模态数据提升预测性能	提出了一种受临床决策启发的分层融合框架，首次在成像水平和患者水平整合多模态数据，并引入了可扩展的临床专家混合模块进行动态路由和自适应特征融合	未明确提及	开发一个用于胰腺导管腺癌个性化预后评估的精准预测模型，以支持临床决策	胰腺导管腺癌患者	数字病理学	胰腺癌	多序列MRI，结构化数据（实验室结果、人口统计学），非结构化数据（放射学报告）	深度学习	图像，文本，结构化数据	681名PDAC患者（多中心真实世界数据集）	NA	C2HFusion（包含跨注意力机制、特征调制机制和临床专家混合模块）	C-index	NA
1640	2026-01-23	Detection of Hypokalemia, Hyponatremia, and Hyperkalemia in Heart Failure Patients Using Artificial Intelligence Techniques via Electrocardiography 2026-01-09, Turk Kardiyoloji Dernegi arsivi : Turk Kardiyoloji Derneginin yayin organidir DOI:10.5543/tkda.2025.18598 PMID:41063616	研究论文	本研究开发了一种基于心电图（ECG）的深度学习模型，用于检测心力衰竭患者的电解质失衡（低钾血症、低钠血症和高钾血症）	首次利用深度学习模型通过心电图非侵入性地检测心力衰竭患者的电解质失衡，并在多中心设置中评估其性能	研究仅针对射血分数≤45%的心力衰竭患者，且电解质失衡主要由心力衰竭治疗药物引起，可能限制了结果的普适性	开发一种可靠、非侵入性的工具，用于检测和监测心力衰竭患者的电解质失衡	心力衰竭患者（射血分数≤45%），其血液电解质测量与心电图在同一天进行	机器学习	心血管疾病	心电图（ECG）	深度学习模型（DLM）	心电图数据	来自17个不同中心的心力衰竭患者，具体样本数量未在摘要中明确说明	NA	NA	准确率, 受试者工作特征曲线下面积（AUROC）	NA