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
1	2026-02-20	Towards Automatic Cartilage Quantification in Clinical Trials - Continuing from the 2019 IWOAI Knee Segmentation Challenge 2023-Mar, Osteoarthritis imaging DOI:10.1016/j.ostima.2023.100087 PMID:39036792	研究论文	评估深度学习分割方法在骨关节炎临床试验中自动量化软骨损失的适用性	利用IWOAI 2019挑战赛的深度学习分割方法，首次在纵向临床试验中系统评估其量化软骨损失的敏感性	股骨亚区分割的后处理提取方法简单，可能导致敏感性降低	评估深度学习分割方法在标准化纵向单扫描仪临床试验中量化软骨损失的适用性	骨关节炎患者的膝关节MRI图像	数字病理学	骨关节炎	MRI	深度学习分割模型	图像	556名受试者，共1130个膝关节MRI扫描	NA	NA	标准化响应均值	NA
2	2026-02-19	Research on performance variations of classifiers with the influence of pre-processing methods for Chinese short text classification 2023, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0292582 PMID:37824464	研究论文	本研究通过实验比较了15种常用分类器在两种中文数据集上，结合三种中文预处理方法（分词、中文特定停用词去除、中文特定符号去除）对中文短文本分类性能的影响	首次系统性地探讨了中文特定预处理方法（如分词、中文停用词和符号去除）对多种分类器（包括机器学习和深度学习模型）在中文短文本分类任务中性能变化的综合影响	研究仅基于两种中文数据集进行，可能无法完全代表所有中文短文本分类场景；预处理方法的组合和评估条件有限，未涵盖更广泛的预处理技术或数据集	探究中文预处理方法对中文短文本分类器性能的影响，以优化分类效果	中文短文本数据集	自然语言处理	NA	中文文本预处理（包括分词、停用词去除、符号去除）	多种分类器（包括机器学习和深度学习模型）	文本	两种中文数据集（具体样本数量未在摘要中明确说明）	NA	NA	macro-F1	NA
3	2026-02-17	Ensemble Learning-Based Hybrid Segmentation of Mammographic Images for Breast Cancer Risk Prediction Using Fuzzy C-Means and CNN Model 2023, Journal of healthcare engineering DOI:10.1155/2023/1491955 PMID:36760835	研究论文	本文提出了一种基于集成学习的混合分割方法，结合模糊C均值聚类和CNN模型，用于乳腺X线图像分割以预测乳腺癌风险	采用CLAHE和形态学操作预处理乳腺X线图像，并结合模糊C均值聚类与CNN进行混合分割，以提高乳腺癌风险预测的准确性	研究仅基于MIAS数据库图像，样本来源有限，且未详细说明模型在多样化临床数据上的泛化能力	开发一种计算机辅助诊断系统，通过图像分割技术早期检测乳腺癌，以提升治疗效果和患者生存率	乳腺X线图像，特别是来自MIAS数据库的图像，用于识别乳腺肿块和评估乳腺癌风险	计算机视觉	乳腺癌	CLAHE（对比度受限自适应直方图均衡化），形态学操作，图像分割	CNN	图像	使用MIAS数据库中的图像，具体样本数量未明确说明	NA	NA	阈值，准确率，灵敏度，特异性，活检率	NA
4	2026-02-15	Advanced deep learning methods for molecular property prediction 2023-Dec, Quantitative biology (Beijing, China) DOI:10.1002/qub2.23 PMID:41675536	综述	本文综述了分子性质预测中的分子表示、常用数据集以及先进的深度学习方法	总结了分子性质预测领域的最新深度学习网络（如图神经网络和基于Transformer的模型）和策略（如3D预训练、对比学习、多任务学习、迁移学习和元学习）	指出了数据集缺乏、信息利用率低以及针对疾病特异性不足等关键问题	加速药物发现过程并降低其成本	分子性质预测	机器学习	NA	NA	图神经网络, Transformer	分子数据	NA	NA	NA	NA	NA
5	2026-02-15	Exploration on learning molecular docking with deep learning models 2023-Sep, Quantitative biology (Beijing, China) DOI:10.15302/J-QB-022-0321 PMID:41675244	研究论文	本文提出并评估了一种结合深度学习与两种免费对接程序的虚拟筛选方法，用于快速高效地筛选超大型化合物库以获取多样化的潜在活性化合物	创新点在于将深度学习模型与免费对接程序结合，形成一种可显著降低计算成本且具有可转移性的策略	NA	研究目标是开发一种快速高效的虚拟筛选方法，用于从超大型化合物库中识别潜在活性化合物	研究对象是超大型化合物库中的化合物	机器学习	NA	分子对接	深度学习模型	化合物数据	NA	NA	NA	NA	NA
6	2026-02-15	DeepRCI: predicting RNA-chromatin interactions via deep learning with multi-omics data 2023-Sep, Quantitative biology (Beijing, China) DOI:10.15302/J-QB-022-0316 PMID:41675247	研究论文	本文提出了一种名为DeepRCI的可解释计算框架，用于预测RNA与染色质之间的相互作用	开发了一个高度可解释的深度学习框架，结合多组学数据来预测RNA-染色质相互作用	NA	识别不同类型RNA与染色质之间的相互作用，以研究基因调控机制	染色质相关RNA（caRNA）及其与染色质的相互作用	机器学习	NA	多组学数据	深度学习	多组学数据	NA	NA	NA	NA	NA
7	2026-02-15	Pattern discovery of long non-coding RNAs associated with the herbal treatments in breast and prostate cancers 2023-Sep, Quantitative biology (Beijing, China) DOI:10.15302/J-QB-023-0333 PMID:41675250	研究论文	本研究通过RNA-seq数据构建共表达网络，探索长链非编码RNA与草药治疗在乳腺癌和前列腺癌中的关联	首次系统性地研究了lncRNAs与草药治疗在癌症中的潜在关系，并应用深度学习模型预测癌症相关lncRNAs	研究主要基于RNA-seq数据，未进行实验验证，且样本量未明确说明	识别lncRNAs与草药治疗在乳腺癌和前列腺癌中的关联	乳腺癌和前列腺癌的RNA-seq数据	自然语言处理	乳腺癌,前列腺癌	RNA-seq	深度学习	RNA-seq数据	NA	NA	NA	NA	NA
8	2026-02-15	DeepDrug: A general graph-based deep learning framework for drug-drug interactions and drug-target interactions prediction 2023-Sep, Quantitative biology (Beijing, China) DOI:10.15302/J-QB-022-0320 PMID:41675249	研究论文	本文提出了一种名为DeepDrug的通用图基深度学习框架，用于预测药物-药物相互作用和药物-靶点相互作用	DeepDrug在一个统一框架内同时处理药物-药物相互作用和药物-靶点相互作用预测问题，能够提取药物和靶蛋白的全面特征	NA	加速药物发现过程，通过计算预测药物-药物相互作用和药物-靶点相互作用	药物和靶蛋白	机器学习	NA	NA	图神经网络	图数据	NA	NA	DeepDrug	NA	NA
9	2026-02-15	Prediction of chromatin looping using deep hybrid learning (DHL) 2023-Jun, Quantitative biology (Beijing, China) DOI:10.15302/J-QB-022-0315 PMID:41675657	研究论文	本文提出了一种基于深度混合学习（DHL）的方法，用于预测染色质环化，结合了深度学习模型DNABERT与传统机器学习算法	创新点在于将基于Transformer的DNABERT深度学习模型与SVM、RF、KNN等传统机器学习模型集成，形成深度混合学习（DHL）框架，以提高染色质环化预测的精度	未在摘要中明确提及具体限制	研究目的是利用深度混合学习预测染色质环化，以理解基因组空间组织对复杂性状的影响	研究对象是染色质环化数据，具体基于ChIA-PET实验，涉及CTCF和RNAPII数据集	机器学习	NA	Hi-C, ChIA-PET	BERT, SVM, RF, KNN	基因组序列数据	NA	NA	DNABERT, Transformer	精度	NA
10	2026-02-15	Computational methods for identifying enhancer-promoter interactions 2023-Jun, Quantitative biology (Beijing, China) DOI:10.15302/J-QB-022-0322 PMID:41675661	综述	本文系统综述了自2010年以来用于识别增强子-启动子相互作用（EPIs）的计算方法，包括传统机器学习和深度学习模型，并总结了相关数据集资源和在疾病（如癌症）中的应用	提供了增强子-启动子相互作用预测方法的系统性总结，特别关注了基于深度学习和迁移学习的模型，这些模型可直接从DNA序列预测EPIs，减少了生物信息学研究者的参数训练时间	NA	总结和梳理增强子-启动子相互作用的识别方法，为研究者提供应用和优化这些方法的框架	增强子、启动子及其相互作用（EPIs）	生物信息学	癌症	测序技术	传统机器学习, 深度学习	遗传、基因组和表观基因组特征数据, DNA序列	NA	NA	NA	NA	NA
11	2026-02-15	3D genomic organization in cancers 2023-Jun, Quantitative biology (Beijing, China) DOI:10.15302/J-QB-022-0317 PMID:41675662	综述	本文综述了三维基因组组织在癌症中的作用及其研究进展	整合了生物信息学技术，特别是机器学习和深度学习，在三维癌症基因组研究中的应用潜力	NA	探讨三维基因组结构在癌症发生、发展和治疗中的作用机制	三维染色质结构（染色质区室A/B、拓扑关联结构域和增强子-启动子相互作用）	生物信息学	癌症	机器学习和深度学习	NA	基因组数据	NA	NA	NA	NA	NA
12	2026-02-14	Update on Lung Cancer Screening Guideline 2023-Nov, Thoracic surgery clinics IF:1.1Q3 DOI:10.1016/j.thorsurg.2023.04.002 PMID:37806735	综述	本文更新了肺癌筛查指南，并讨论了当前存在的种族/民族和性别差异	强调了2021年指南扩展后仍存在的筛查资格差异，并提出了风险预测模型、生物标志物和深度学习作为改进筛查选择的方法	未提供具体数据或模型验证结果，主要基于现有指南和观察性差异的讨论	更新肺癌筛查指南并探讨如何通过新技术减少筛查资格的不平等	符合年龄和吸烟史标准的个体，特别是高风险种族少数群体和女性	数字病理学	肺癌	NA	深度学习	NA	NA	NA	NA	NA	NA
13	2026-02-13	Deep learning in spatial transcriptomics: Learning from the next next-generation sequencing 2023-Mar, Biophysics reviews IF:2.9Q2 DOI:10.1063/5.0091135 PMID:38505815	综述	本文综述了空间转录组学中深度学习模型的应用，探讨了现有工具、挑战及未来方向	深入探讨了深度学习在空间转录组学数据分析中的新兴应用，并指出了传统方法的局限性	深度学习模型在空间转录组学中仍处于早期阶段，应用尚未充分探索	综述空间转录组学数据分析方法，特别关注深度学习技术的应用	空间转录组学数据，包括基因表达谱和组织图像	数字病理学	NA	空间转录组学，单细胞RNA测序	深度学习模型	图像，计数矩阵	NA	NA	NA	NA	NA
14	2026-02-12	Joint EANM/SNMMI guideline on radiomics in nuclear medicine : Jointly supported by the EANM Physics Committee and the SNMMI Physics, Instrumentation and Data Sciences Council 2023-01, European journal of nuclear medicine and molecular imaging IF:8.6Q1 DOI:10.1007/s00259-022-06001-6 PMID:36326868	指南	本指南提供了核医学中稳健放射组学分析的最佳实践，涵盖手工特征和基于深度学习的方法	作为首个由EANM和SNMMI联合支持的核医学放射组学指南，它整合了当前最佳实践，并特别关注手工特征方法，同时为未来深度学习应用预留了更新空间	指南主要基于现有成熟技术，对深度学习方法的应用共识不足，需待更多研究后更新，且虽适用于多模态医学影像，但重点仅限核医学（如PET/CT、PET/MR和定量SPECT）	制定核医学中放射组学分析的标准和推荐，以促进该领域的规范发展	核医学影像数据，包括PET/CT、PET/MR和定量SPECT	医学影像分析	NA	放射组学分析，包括手工特征提取和深度学习	NA	医学影像	NA	NA	NA	NA	NA
15	2026-02-09	Deep learning-powered generation of artificial endoscopic images of GI tract ulcers 2023-Dec, iGIE : innovation, investigation and insights DOI:10.1016/j.igie.2023.08.002 PMID:41646054	研究论文	本研究提出了一种结合生成对抗网络和变分自编码器的VAE-GAN架构，用于生成人工内窥镜图像，以解决胃肠道溃疡诊断中数据不足的问题	开发了VAE-GAN架构来生成人工内窥镜图像，该架构能抵抗模式崩溃、梯度消失、不稳定性和不收敛问题，并通过高精度和召回率验证了生成图像的质量和多样性	专家对人工与真实溃疡图像的分类准确率仅为57.1%，表明生成图像与真实图像仍存在一定差异；数据偏见仅得到部分缓解	通过生成人工内窥镜图像来解决深度学习模型在胃肠道溃疡诊断中数据不足的问题，以提高模型泛化性能	胃肠道溃疡的内窥镜图像	计算机视觉	胃肠道溃疡	内窥镜成像	GAN, VAE, CNN	图像	未明确指定样本数量	未明确指定	VAE-GAN, DenseNet121, 5层CNN	精度, 召回率, 分类准确率	未明确指定
16	2026-02-09	Phase III trial of short-course radiotherapy followed by CAPOXIRI versus CAPOX in locally advanced rectal cancer: the ENSEMBLE trial 2023-Oct, ESMO gastrointestinal oncology DOI:10.1016/j.esmogo.2023.08.002 PMID:41647286	临床试验	这是一项随机III期试验，旨在比较短程放疗后CAPOXIRI与CAPOX作为局部晚期直肠癌全辅助治疗的疗效	首次前瞻性研究短程放疗后三联（CAPOXIRI）与双联（CAPOX）巩固方案在局部晚期直肠癌全辅助治疗中的优劣	未提及具体样本量或研究设计的潜在限制	测试短程放疗后CAPOXIRI方案在提高器官保留适应无病生存率方面是否优于CAPOX方案	局部晚期直肠癌患者	数字病理学	直肠癌	全基因组/转录组测序、液体活检、放射组学、数字病理学、深度学习	深度学习	组织样本、血液样本、影像数据、病理图像、临床特征	NA	NA	NA	器官保留适应无病生存率	NA
17	2026-02-09	Deep learning site classification model for automated photodocumentation in upper GI endoscopy (with video) 2023-Mar, iGIE : innovation, investigation and insights DOI:10.1016/j.igie.2023.01.002 PMID:41647956	研究论文	本文开发了一种深度学习模型，用于从上消化道内窥镜视频数据中提取高质量图像帧并进行解剖部位分类，以实现自动化的影像记录	提出了一种结合图像过滤器和解剖部位分类的深度学习模型，能够从包含大量低质量帧的内窥镜视频中自动提取高质量图像，并实现高精度的解剖部位分类	模型在视频数据上的整体准确率（89.7%至94.8%）略低于静态图像测试，且仅针对8个特定解剖部位进行了验证	开发一种深度学习模型，用于自动化上消化道内窥镜检查中的影像记录和标准化	上消化道内窥镜视频和静态图像数据	计算机视觉	NA	内窥镜检查	深度学习模型	图像, 视频	8231张内窥镜静态图像和26,103张视频衍生图像用于训练、测试和内部验证，2142张独立静态图像用于外部验证，5段内窥镜视频（共6308帧）用于性能分析	NA	NA	准确率, F1分数	NA
18	2026-02-09	Novel artificial intelligence-enabled deep learning system to enhance adenoma detection: a prospective randomized controlled study 2023-Mar, iGIE : innovation, investigation and insights DOI:10.1016/j.igie.2023.01.013 PMID:41647953	研究论文	本研究评估了在结肠镜检查中使用新型AI辅助检测系统DEEP2对腺瘤检测率的提升效果	开发并验证了仅基于白光成像的AI系统DEEP2，在右半结肠检测中表现出显著优势，且误报率低于其他系统	单中心研究，未使用连续数字色素内镜，可能影响结果普适性	评估AI辅助检测系统在结肠镜检查中对腺瘤检测质量的影响	40至85岁接受结肠镜检查的参与者	计算机视觉	结直肠癌	白光结肠镜检查	深度学习	图像	674例结肠镜检查	NA	NA	腺瘤检测率, 每结肠镜腺瘤数, 息肉检测率, 误报率	NA
19	2026-02-07	Deep learning models to map osteocyte networks can successfully distinguish between young and aged bone 2023-Dec-21, bioRxiv : the preprint server for biology DOI:10.1101/2023.12.20.572567 PMID:38187546	研究论文	本研究探索应用深度学习和计算机视觉技术，自动分割和测量骨细胞连接组学，以区分年轻和衰老小鼠的骨骼	首次将深度学习模型（特别是Attention U-Net）应用于骨细胞网络（LCN）的自动化分割与测量，实现了比传统手动方法更高效、客观的分析	模型对骨细胞树突状突起的分割准确率（42.1%）仍有待提高，需要进一步开发以提升性能	开发自动化工具以研究骨细胞网络的形态变化，并区分年轻与衰老骨骼的差异	小鼠骨骼中的骨细胞及其在骨陷窝-小管网络（LCN）中的连接结构	计算机视觉	老年性疾病	高分辨率显微镜成像	CNN, Transformer	图像	年轻（2月龄）和衰老（36月龄）小鼠的骨骼样本	NA	U-Net, Vision Transformer, Attention U-Net	分割准确率（骨细胞81.8%，树突状突起42.1%）	NA
20	2026-02-06	Patterns of diverse and changing sentiments towards COVID-19 vaccines: a sentiment analysis study integrating 11 million tweets and surveillance data across over 180 countries 2023-04-19, Journal of the American Medical Informatics Association : JAMIA IF:4.7Q1 DOI:10.1093/jamia/ocad029 PMID:36821435	研究论文	本研究通过整合社交媒体推文与公共卫生监测数据，分析了全球范围内对COVID-19疫苗的情感演变模式	首次结合超过1100万条推文和180多个国家的监测数据，采用人机协同深度学习模型，揭示疫苗情感与接种行为的关联，并特别关注孕妇亚群体的滞后模式	研究依赖推特数据，可能无法全面代表所有人群观点；情感分析模型虽表现良好，但仍可能存在误判	探究COVID-19疫苗的公众情感演变及其与疫苗接种行为的关联，为疫苗推广提供策略依据	来自全球180多个国家的2,203,681名推特用户发布的11,211,672条相关推文	自然语言处理	COVID-19	情感分析，深度学习	深度学习模型	文本（推文），公共卫生监测数据	11,211,672条推文，涉及2,203,681名用户	未明确指定	未明确指定	准确率（0.92）	NA