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
1721	2026-01-21	CTSSP: A temporal-spectral-spatial joint optimization algorithm for motor imagery EEG decoding 2026-Jan-20, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/ae34ea PMID:41499961	研究论文	本文提出了一种名为CTSSP的联合优化算法，用于解码运动想象脑电图信号	提出了一个统一的框架，联合优化时域、频域和空域滤波器，克服了现有方法特征优化碎片化的问题	NA	提升运动想象脑机接口在噪声和非平稳环境下的解码性能	运动想象脑电图信号	机器学习	NA	脑电图	NA	脑电图信号	五个公共数据集	NA	CTSSP	准确率	NA
1722	2026-01-21	Validation of histopathology-based deep learning algorithms for detection of actionable non-small cell lung cancer biomarkers 2026-Jan-20, NPJ precision oncology IF:6.8Q1 DOI:10.1038/s41698-025-01267-z PMID:41554849	研究论文	本研究验证了基于组织病理学图像的深度学习算法，用于直接从H&E染色切片中检测非小细胞肺癌的生物标志物	利用数字病理学基础模型CanvOI 1.1，直接从H&E染色组织图像中识别EGFR、ALK、BRAF和MET基因改变，无需分子检测	研究未提及算法在临床实际应用中的泛化能力或对不同病理实验室条件的适应性	开发并验证深度学习工具，以辅助非小细胞肺癌的精准治疗决策	非小细胞肺癌患者的H&E染色组织切片	数字病理学	肺癌	H&E染色组织病理学成像	深度学习分类器	图像	968个NSCLC样本	NA	CanvOI 1.1	AUC	NA
1723	2026-01-21	Deep Learning Models: A Lens Worth Sharpening for Cancer Prognostication 2026-Jan-20, Annals of surgical oncology IF:3.4Q1 DOI:10.1245/s10434-026-19099-x PMID:41555132	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1724	2026-01-21	Explainable End-to-End Seizure Prediction via Dynamic Multiscale Cross-Band Fusion Filter Network 2026-Jan-20, International journal of neural systems IF:6.6Q1 DOI:10.1142/S0129065726500103 PMID:41555204	研究论文	本研究提出了一种用于癫痫发作预测的动态多尺度跨频带融合滤波网络（MCFNet），旨在解决现有模型特征表示不足和决策可解释性有限的双重挑战	提出了动态多尺度跨频带融合滤波网络，结合了多尺度信号分解、跨频带融合注意力机制以及包含静态和动态滤波模块的同步频谱滤波网络，并引入了联合特征可视化策略和高效特征消融分析两种可解释性方法	仅在CHB-MIT数据集上进行了评估，未在其他数据集或临床环境中进行验证	开发一种具有高预测性能和良好可解释性的端到端癫痫发作预测模型	基于脑电图（EEG）信号的癫痫发作预测	医学人工智能	癫痫	脑电图（EEG）信号分析	深度学习网络	脑电图（EEG）信号	CHB-MIT数据集	NA	动态多尺度跨频带融合滤波网络（MCFNet）	灵敏度, 特异性, 假阳性率（FPR）	NA
1725	2026-01-21	Classification of Alzheimer's Disease by Modeling Brain Networks as Signed Networks under Deep Learning Frameworks 2026-Jan-19, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2026.3655150 PMID:41553900	研究论文	本文通过构建带符号的脑网络模型并利用带符号图神经网络技术，提出了一种创新的阿尔茨海默病预测与分析方法	将脑网络建模为包含正负相关性的带符号图，并应用带符号图卷积网络处理这些网络，显著提升了阿尔茨海默病预测的准确性	未明确提及研究的局限性	预测和分析阿尔茨海默病，提高其诊断准确性	阿尔茨海默病患者相关的脑网络数据	机器学习	阿尔茨海默病	带符号图神经网络技术	GCN	脑网络数据	NA	NA	图卷积网络及其变体	诊断精度	NA
1726	2026-01-21	A General Image Fusion Approach Exploiting Gradient Transfer Learning and Fusion Rule Unfolding 2026-Jan-19, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2026.3655694 PMID:41553895	研究论文	本文提出了一种基于梯度迁移学习和融合规则展开的通用图像融合框架，旨在通过单一模型处理多种图像融合任务	引入了序列梯度迁移框架以利用不同任务间的互补信息，并通过将基本融合规则集成到深度均衡模型中，实现了超越启发式网络设计的更高效、通用的图像融合网络	未明确提及	开发一个能够统一处理多种图像融合任务的深度学习模型，以促进模型在实际应用中的部署	多焦点图像融合、多曝光图像融合、红外与可见光图像融合以及医学图像融合	计算机视觉	NA	深度学习	深度均衡模型	图像	未明确提及	未明确提及	未明确提及	客观指标	未明确提及
1727	2026-01-21	EEGMoE: A Domain-Decoupled Mixture-of-Experts Model for Self-Supervised EEG Representation Learning 2026-Jan-19, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2026.3652277 PMID:41553887	研究论文	提出了一种用于自监督脑电图表征学习的领域解耦混合专家模型EEGMoE	引入了基于Transformer的领域解耦编码器，通过特定专家组和共享专家组的混合专家块，同时学习领域共享和领域特定的表征	未明确说明模型在跨被试或跨数据集场景下的具体性能限制	开发一种具有强泛化能力的自监督脑电图表征学习模型	大规模多任务脑电图数据	机器学习	NA	脑电图	Transformer, MoE	脑电图信号	NA	NA	Transformer-based domain-decoupled encoder, Mixture-of-Experts block	NA	NA
1728	2026-01-21	Prediction of Retinopathy of Prematurity and Treatment in Very Low Birth Weight Infants Using Machine Learning on Nationwide Non-Imaging Clinical Data 2026-Jan-19, Neonatology IF:2.6Q1 DOI:10.1159/000550513 PMID:41553943	研究论文	本研究利用全国性非影像临床数据开发机器学习模型，以预测极低出生体重婴儿的早产儿视网膜病变及其严重程度和治疗需求	首次在极低出生体重婴儿中，使用针对表格数据优化的深度学习模型（MLP和NODE）并基于全国性非影像临床数据进行ROP预测，同时开发了仅使用八个关键变量的简化模型，保持了可比性能	研究基于韩国新生儿网络的数据，可能在其他人群中的泛化性需要验证；仅使用非影像临床数据，未整合眼部影像信息	开发基于机器学习的预测模型，以实现对极低出生体重婴儿早产儿视网膜病变的早期风险识别和及时干预	极低出生体重婴儿	机器学习	早产儿视网膜病变	NA	MLP, NODE	表格数据（临床变量）	来自韩国新生儿网络的全国性临床数据，包含44个围产期和新生儿变量	NA	多层感知机, 神经遗忘决策集成	AUROC	NA
1729	2026-01-21	Model uncertainty estimates for deep learning mammographic density prediction using ordinal and classification approaches 2026-Jan-19, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ae39e2 PMID:41554181	研究论文	本研究开发了基于深度学习的乳腺密度预测模型，并引入模型不确定性估计，以提升临床和研究应用价值	通过分类和序数分类方法为深度学习模型提供不确定性估计，同时保持预测性能不下降	未明确说明模型在外部数据集上的泛化能力或临床部署的具体挑战	开发具有内置不确定性估计的深度学习模型，用于乳腺密度预测	超过150,000张乳腺X光图像及其专家评分的连续密度值	计算机视觉	乳腺癌	深度学习	分类模型, 序数分类模型, 回归模型	图像	超过150,000张乳腺X光图像	未明确指定	未明确指定	均方根误差	未明确指定
1730	2026-01-21	Reconstruction of Extreme Sea Levels in coastal China using Multiple Deep Learning models 2026-Jan-19, Scientific data IF:5.8Q1 DOI:10.1038/s41597-026-06593-w PMID:41554759	研究论文	本研究利用基于Informer的深度学习工作流程，结合ERA5再分析数据和潮汐观测记录，重建了中国沿海23个潮位站1970-2020年的日最大沿海水位数据集	首次将Informer深度学习模型应用于沿海极端水位重建，并与LSTM、CNN-LSTM、ConvLSTM等模型进行系统对比，提供了包含元数据、数据划分和技能指标的透明化数据集	日最大值采用潮汐最大值与风暴潮最大值相加的方法，这会产生平均14.9厘米的非重合偏差，因为潮汐和风暴潮峰值很少完全重合	重建中国沿海极端海水位时间序列，支持稀疏观测区域的时空分析和海岸灾害减缓	中国沿海23个潮位站的日最大沿海水位数据	机器学习	NA	ERA5再分析数据、潮汐观测记录、UTide天文潮估计	Informer, LSTM, CNN-LSTM, ConvLSTM	时间序列数据、潮位观测数据	23个潮位站1970-2020年的日最大水位数据	NA	Informer, LSTM, CNN-LSTM, ConvLSTM	相关系数, RMSE	NA
1731	2026-01-21	Compact deep learning models for colon histopathology focusing performance and generalization challenges 2026-Jan-19, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-35119-y PMID:41554906	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1732	2026-01-21	Deep learning analysis of particle content in extracted slow-release morphine: longer boiling reduces large fragments while retaining morphine extraction 2026-Jan-19, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-35870-2 PMID:41554914	研究论文	本研究评估了注射药物使用者从缓释口服片剂中提取吗啡的不同方法，分析了吗啡提取效率和滤液中的颗粒含量	首次结合深度学习图像分析技术，系统评估不同提取方法对吗啡回收率和颗粒污染的影响，为基于证据的减害措施提供新见解	研究仅针对特定品牌（Dolcontin）的60mg片剂，未涵盖其他药物或剂量，且实验条件可能无法完全模拟实际使用场景	评估不同吗啡提取方法的效率与安全性，为减害服务提供科学依据	从缓释口服吗啡片剂（Dolcontin）提取的滤液	数字病理学	NA	LC-MS/MS, 深度学习图像分析	深度学习	图像	四种提取方法（各使用60mg Dolcontin片剂）	QuPath	NA	吗啡回收率, 颗粒密度（按尺寸分类）	NA
1733	2026-01-21	MRI-based patient selection for active surveillance in prostate cancer using U-Found: a generalized deep learning model 2026-Jan-19, Cancer imaging : the official publication of the International Cancer Imaging Society IF:3.5Q1 DOI:10.1186/s40644-026-00988-z PMID:41555464	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1734	2026-01-21	CT deep learning radiomics and genomics for predicting staging of epithelial ovarian cancer 2026-Jan-19, International journal of surgery (London, England) DOI:10.1097/JS9.0000000000004924 PMID:41556167	研究论文	本研究开发并验证了一种结合CT影像组学特征、深度学习特征和转录组学数据的模型，用于预测上皮性卵巢癌的分期	创新性地将CT影像组学、深度学习特征与转录组学数据相结合，构建多模态预测模型，并探索了与肿瘤微环境中免疫浸润模式的关联	样本量相对有限，且外部验证集来自公开数据库，可能影响模型泛化能力	开发并验证一种预测上皮性卵巢癌分期的多模态模型，以辅助个性化治疗策略制定	上皮性卵巢癌患者	数字病理学	卵巢癌	CT成像, RNA测序	逻辑回归	CT图像, 转录组学数据	训练集160例，内部验证集41例，外部验证集84例	NA	NA	AUC, 校准曲线, 决策曲线分析	NA
1735	2026-01-21	scPlantAnnotate: an accurate and robust transformer-based model for plant cell type annotation 2026-Jan-17, Journal of advanced research IF:11.4Q1 DOI:10.1016/j.jare.2026.01.035 PMID:41554477	研究论文	本文介绍了scPlantAnnotate，一种基于Transformer的植物单细胞RNA测序细胞类型注释模型，旨在解决现有工具在植物数据上的性能不足问题	开发了首个针对植物scRNA-seq数据的Transformer-based参考注释框架，并在多个植物物种上验证了其优越性能和鲁棒性	模型在留一数据集评估中性能仍会下降，表明对强批次效应和数据集异质性的处理仍有改进空间	开发并评估一个专门用于植物单细胞RNA测序数据注释的深度学习框架	拟南芥、玉米、水稻和大豆的植物单细胞RNA测序数据	自然语言处理	NA	单细胞RNA测序	Transformer	单细胞RNA测序数据	使用拟南芥、玉米、水稻和大豆的精选数据集	NA	Transformer	准确率, Macro-F1, 平衡准确率, Macro-AUROC	NA
1736	2026-01-21	Deep learning for depression prediction in older adults: A retrospective cohort study from CHARLS (2011-2020) with independent cohort validation in CLHLS (2008-2018) 2026-Jan-17, Journal of affective disorders IF:4.9Q1 DOI:10.1016/j.jad.2026.121206 PMID:41554486	研究论文	本研究开发并验证了一种名为双注意力残差网络（DARNet）的深度学习模型，用于预测中国老年人群的抑郁风险	首次将双注意力残差网络（DARNet）应用于老年抑郁预测，结合了LASSO回归进行特征筛选，并在两个独立纵向队列（CHARLS和CLHLS）中进行了开发和验证，同时利用SHAP方法进行多维可解释性分析	研究数据主要基于中国老年人群，未来需要整合多中心、多样人群的临床数据以增强其现实世界应用价值	开发个体化的早期预测工具，用于老年抑郁的风险监测和分层干预	中国老年人群（年龄>60岁）	机器学习	老年疾病	NA	深度学习	纵向调查数据	CHARLS队列包含2781名老年人（2011-2020年五波数据），并在CLHLS队列（2008-2018年）进行独立验证	NA	双注意力残差网络（DARNet）	准确率, F1分数, AUROC, AUPRC	NA
1737	2026-01-21	Fetal Sleep: A Cross-Species Review of Physiology, Measurement, and Classification 2026-Jan-14, Sleep IF:5.3Q1 DOI:10.1093/sleep/zsag003 PMID:41530894	综述	本文首次整合了超过七十年的研究，提供了一个跨物种的胎儿睡眠生理学、测量与分类的统一综述	首次将跨物种研究整合为统一的胎儿睡眠综述，并探讨了从侵入性神经生理学到非侵入性监测及深度学习框架的方法学演变	缺乏统一的、临床验证的胎儿睡眠状态定义框架，限制了向常规产科实践的转化	整合跨物种证据，为开发客观、多模态、非侵入性的胎儿睡眠监测技术提供科学基础，以支持早期神经损伤检测和及时产前干预	人类胎儿及动物模型（如绵羊和狒狒）的胎儿睡眠	NA	NA	非侵入性监测，深度学习框架	NA	信号数据	基于171项研究，涉及胎儿睡眠相关生理学、睡眠状态分类或基于信号的监测	NA	NA	NA	NA
1738	2026-01-21	BOLD-GPCRs: A Transformer-Powered App for Predicting Ligand Bioactivity and Mutational Effects across Class A GPCRs 2026-Jan-14, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c01858 PMID:41532426	研究论文	本文介绍了BOLD-GPCRs，一个基于Transformer的深度学习框架，用于预测A类GPCRs的配体生物活性和突变效应	结合了Transformer蛋白质语言模型与密集神经网络分类器，通过迁移学习利用已知配体、受体序列和突变数据，提升了对A类GPCRs配体生物活性和突变效应的预测能力，尤其适用于数据有限的受体亚型	主要关注A类GPCRs，未涵盖其他GPCR类别；依赖于现有数据集的完整性和准确性	开发一个深度学习框架，以准确预测A类GPCRs的配体生物活性和突变效应，支持药物发现	A类G蛋白偶联受体（GPCRs）及其配体	自然语言处理	NA	深度学习，迁移学习	Transformer, 密集神经网络	序列数据（受体序列），配体生物活性数据，突变数据	NA	NA	Transformer, 密集神经网络	NA	NA
1739	2026-01-21	Multi-center evaluation of radiomics and deep learning to stratify malignancy risk of IPMNs 2026-Jan-12, Abdominal radiology (New York) DOI:10.1007/s00261-025-05371-3 PMID:41524987	研究论文	本研究通过多中心评估，利用放射组学和深度学习技术对IPMN的恶性风险进行分层预测	首次将放射组学与深度学习融合应用于IPMN的囊肿级别恶性风险分层，并在多中心数据中验证其可行性	模型性能仍需提升以达到独立临床应用标准，且仅基于T2W和T1W序列	开发一种客观、非侵入性的方法来区分IPMN的高危与低危病变，以减少不必要的手术干预	IPMN（导管内乳头状黏液性肿瘤）的囊肿级别图像特征	医学影像分析	胰腺癌	MRI成像	深度学习模型	图像	359个T2加权MRI图像，来自七个中心	NA	NA	AUC, 准确率, 加权Cohen's kappa系数	NA
1740	2026-01-21	Mitigating data center bias in cancer classification: Transfer bias unlearning and feature size reduction via conflict-of-interest free multi-objective optimization 2026-Jan-10, Artificial intelligence in medicine IF:6.1Q1 DOI:10.1016/j.artmed.2026.103351 PMID:41554188	研究论文	本文提出了一种基于冲突利益无关多目标优化的遗忘方法，以减少深度学习模型在癌症分类中对数据中心偏见的依赖	通过冲突利益无关多目标优化训练遗忘层，联合减少特征维度和排除冲突利益样本，以缩小内部与外部性能差距	研究主要关注癌症相关特征和数据中心偏见，方法虽模型无关但未在其他领域广泛验证	缓解癌症分类中数据中心偏见对模型可靠性和泛化能力的影响	深度学习模型在癌症特征分类中的决策偏见	机器学习	癌症	深度学习	深度学习模型	癌症特征数据	NA	NA	NA	内部准确率, 外部准确率	NA