深度学习在生物医药领域中的应用

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
1	2025-07-26	Epistasis regulates genetic control of cardiac hypertrophy 2023-Nov-20, Research square DOI:10.21203/rs.3.rs-3509208/v1 PMID:38045390	研究论文	本研究开发了一种名为低信号符号迭代随机森林的方法，用于揭示心脏肥大的复杂遗传结构	使用深度学习和随机森林方法揭示心脏肥大的非加性遗传变异，并通过实验验证基因间相互作用的因果性	方法仍处于早期阶段，可能无法捕捉所有遗传互作	探索心脏肥大的遗传调控机制	人类心脏组织、诱导多能干细胞来源的心肌细胞	遗传学	心血管疾病	深度学习、随机森林、RNA沉默、高通量微流控系统	随机森林、深度学习模型	心脏MRI扫描数据、转录组数据、单细胞形态数据	29,661名UK Biobank参与者的心脏MRI数据，313例人类心脏组织的转录组数据
2	2025-07-25	PeakDetective: A Semisupervised Deep Learning-Based Approach for Peak Curation in Untargeted Metabolomics 2023-06-27, Analytical chemistry IF:6.7Q1 DOI:10.1021/acs.analchem.3c00764 PMID:37314824	研究论文	提出了一种基于半监督深度学习的峰检测方法PeakDetective，用于非靶向代谢组学中的峰筛选	结合无监督自编码器和主动学习分类器，快速训练并适应不同LC/MS方法和样本类型	需要用户标注少量峰样本进行训练	解决非靶向代谢组学数据处理中峰检测的准确性问题	代谢组学数据中的峰信号	机器学习	NA	LC/MS	自编码器+主动学习分类器	代谢组学数据	五个不同的LC/MS数据集，包括SARS-CoV-2数据集
3	2025-07-24	AD-BERT: Using pre-trained language model to predict the progression from mild cognitive impairment to Alzheimer's disease 2023-08, Journal of biomedical informatics IF:4.0Q2 DOI:10.1016/j.jbi.2023.104442 PMID:37429512	研究论文	开发了一个基于预训练BERT模型的深度学习框架，利用电子健康记录中的非结构化临床笔记预测轻度认知障碍向阿尔茨海默病的进展风险	提出了AD-BERT模型，基于预训练的Bio+Clinical BERT，用于预测MCI向AD的进展，并在两个独立数据集上验证了其优越性能	研究依赖于电子健康记录数据的质量和完整性，可能受到数据偏差的影响	预测轻度认知障碍向阿尔茨海默病的进展风险	轻度认知障碍患者	自然语言处理	阿尔茨海默病	BERT模型	AD-BERT（基于Bio+Clinical BERT的改进模型）	电子健康记录中的临床文本数据	Northwestern Medicine数据集3657名MCI患者，Weill Cornell Medicine数据集2563名MCI患者
4	2025-07-24	R-Mixup: Riemannian Mixup for Biological Networks 2023-Aug, KDD : proceedings. International Conference on Knowledge Discovery & Data Mining DOI:10.1145/3580305.3599483 PMID:38343707	研究论文	本文提出了一种名为R-Mixup的数据增强技术，用于解决生物网络数据的高维度和低样本量问题	利用Riemannian流形上的log-Euclidean距离度量，优化了传统Mixup方法在生物网络数据上的应用	未明确提及具体限制，但可能受限于生物网络数据的特定性质	提高深度学习模型在生物网络数据上的性能，防止过拟合	生物网络的邻接矩阵	机器学习	NA	R-Mixup数据增强技术	NA	生物网络数据	五个真实世界的生物网络数据集
5	2025-07-24	Knowledge graph aids comprehensive explanation of drug and chemical toxicity 2023-08, CPT: pharmacometrics & systems pharmacology DOI:10.1002/psp4.12975 PMID:37475158	研究论文	介绍了一种可解释的深度学习模型AIDTox，用于预测药物和化学物质的细胞毒性，并提供全面的毒性解释	AIDTox结合了化学-基因连接、基因-通路注释和通路层次结构的精选知识，能够准确预测细胞毒性并提供多方面的药物活性解释	模型可能受限于知识图谱的覆盖范围和准确性	开发一个可解释的深度学习模型，用于预测和解释药物及化学物质的复杂毒性终点	HepG2和HEK293细胞的细胞毒性	计算毒理学	NA	深度学习	AIDTox	化学-基因连接数据、基因-通路注释数据、通路层次结构数据	NA
6	2025-07-24	mEMbrain: an interactive deep learning MATLAB tool for connectomic segmentation on commodity desktops 2023-Apr-17, bioRxiv : the preprint server for biology DOI:10.1101/2023.04.17.537196 PMID:37131600	research paper	介绍了一个名为mEMbrain的交互式深度学习MATLAB工具，用于在普通桌面上进行连接组学分割	开发了一个用户友好的开源工具，集成了多种功能，支持无需编码的神经重建	仅兼容Linux和Windows系统，未提及对其他操作系统的支持	推动对神经系统组织的理解，提供便捷的连接组学分析工具	电子显微镜数据集中的细胞和连接图	digital pathology	NA	volume electron microscopy (EM)	deep neural networks	image	4种不同动物的5个数据集，约180小时的专家标注，超过1.2GB的标注EM图像
7	2025-07-24	Deep Learning-Based Model for Identifying Tumors in Endoscopic Images From Patients With Locally Advanced Rectal Cancer Treated With Total Neoadjuvant Therapy 2023-03-01, Diseases of the colon and rectum DOI:10.1097/DCR.0000000000002295 PMID:35358109	research paper	开发了一种基于深度卷积神经网络的自动分类方法，用于识别内窥镜图像中肿瘤的存在与否	使用深度卷积神经网络进行内窥镜图像的自动分类，以识别肿瘤的存在与否	研究中的图像数量有限，且仅在一个机构进行	开发一种新方法来识别内窥镜图像中肿瘤的存在与否，并评估该方法的准确性	109名被诊断为局部晚期直肠癌并接受全新生辅助治疗的患者的内窥镜图像	digital pathology	rectal cancer	deep convolutional neural network	CNN	image	1392张内窥镜图像（1099张用于训练，293张用于测试）
8	2025-07-24	mEMbrain: an interactive deep learning MATLAB tool for connectomic segmentation on commodity desktops 2023, Frontiers in neural circuits IF:3.4Q2 DOI:10.3389/fncir.2023.952921 PMID:37396399	研究论文	介绍了一个名为mEMbrain的交互式深度学习MATLAB工具，用于在普通桌面上进行连接组学分割	开发了一个用户友好的开源工具，集成了多种功能，包括地面真实生成、图像预处理、深度神经网络训练和即时预测，旨在加速手动标记工作并利用半自动方法进行实例分割	需要MATLAB环境，可能限制了部分用户的使用	为神经科学研究提供一种无需编码的实验室级神经重建解决方案，推动连接组学的发展	电子显微镜数据集	数字病理	NA	深度学习	深度神经网络	图像	来自四种不同动物和五个数据集的电子显微镜图像，包含约180小时的专家标注和超过1.2 GB的标注图像
9	2025-07-24	Uncovering additional predictors of urothelial carcinoma from voided urothelial cell clusters through a deep learning-based image preprocessing technique 2023-01, Cancer cytopathology IF:2.6Q2 DOI:10.1002/cncy.22633 PMID:35997513	研究论文	本文开发了一种基于深度学习的图像预处理技术，用于从尿路上皮细胞簇中提取额外的预测因子，以辅助尿路上皮癌的诊断	提出了一种自动化的尿路上皮细胞簇预处理工具，能够将细胞簇分割为有意义的组成部分，用于下游评估	当前尿液细胞学报告系统的半主观性可能影响结果的可重复性	提高尿路上皮癌的诊断准确性和效率	尿路上皮细胞簇	数字病理学	尿路上皮癌	深度学习	NA	图像	NA
10	2025-07-23	A Longitudinal MRI-Based Artificial Intelligence System to Predict Pathological Complete Response After Neoadjuvant Therapy in Rectal Cancer: A Multicenter Validation Study 2023-12-01, Diseases of the colon and rectum DOI:10.1097/DCR.0000000000002931 PMID:37682775	研究论文	开发并验证了一种基于治疗前后MRI对比的深度学习模型，用于预测直肠癌新辅助放化疗后的病理完全缓解	开发了名为DeepRP-RC的多任务深度学习模型，不仅能预测治疗反应，还能同时进行图像分割，并在多中心验证中表现出色	研究设计为回顾性，且缺乏多民族数据	预测直肠癌患者对新辅助放化疗的病理完全缓解情况	局部晚期直肠癌患者	数字病理	直肠癌	MRI成像	深度学习模型(DeepRP-RC)	医学影像(MRI)	1201名来自中国4家医院的直肠癌患者(2013-2020年)
11	2025-07-23	Bering: joint cell segmentation and annotation for spatial transcriptomics with transferred graph embeddings 2023-Sep-22, bioRxiv : the preprint server for biology DOI:10.1101/2023.09.19.558548 PMID:37786667	research paper	提出了一种名为Bering的图深度学习模型，用于在2D和3D空间转录组数据中联合进行噪声感知细胞分割和分子注释	利用转录共定位关系，通过转移图嵌入作为多模态输入的一部分来丰富基因关系，显著提高了细胞分割的准确性和检测到的转录本数量	当前方法依赖于细胞核或细胞体染色，可能导致转录组深度的显著损失和空间共定位关系潜在表示学习能力的限制	解决空间转录组学中细胞分割和注释的准确性挑战	2D和3D空间转录组数据中的细胞	digital pathology	NA	空间转录组学	graph deep learning	spatial transcriptomics data	各种空间技术和组织
12	2025-07-23	Machine Learning for the Prediction of Procedural Case Durations Developed Using a Large Multicenter Database: Algorithm Development and Validation Study 2023-Sep-08, JMIR AI DOI:10.2196/44909 PMID:38875567	研究论文	本研究开发并验证了一种基于机器学习的算法，用于预测手术案例的持续时间，以提高手术室资源规划和患者沟通的效率	利用非线性预测模型和机器学习方法，开发了一个可扩展至多中心的预测算法，显著提高了手术持续时间的预测准确性	研究依赖于历史数据，可能无法完全适应未来手术技术或流程的变化	开发一个可扩展的机器学习算法，以准确预测手术案例的持续时间，优化手术室资源管理	手术案例的持续时间	机器学习	NA	深度学习、梯度提升和集成机器学习	梯度提升机	手术室数据	1,177,893例手术案例，来自13家学术和私立医院（2016-2019年）
13	2025-07-23	Deep learning-based Fast Volumetric Image Generation for Image-guided Proton FLASH Radiotherapy 2023-Jul-26, Research square DOI:10.21203/rs.3.rs-3112632/v1 PMID:37546731	研究论文	开发了一种基于深度学习的快速体积图像生成框架，用于质子FLASH放射治疗的图像引导	提出了一种结合正交kV X射线投影和深度学习的体积图像重建方法，用于质子FLASH放射治疗中的快速目标定位	研究仅针对30名肺癌患者的数据进行了验证，样本量有限	开发快速体积图像重建框架以支持质子FLASH放射治疗的精确目标定位	肺癌患者	数字病理	肺癌	深度学习	DL	CT图像	30名肺癌患者，每人有包含十个呼吸阶段的四维CT数据集
14	2025-07-23	Deep Learning of Videourodynamics to Classify Bladder Dysfunction Severity in Patients With Spina Bifida 2023-05, The Journal of urology IF:5.9Q1 DOI:10.1097/JU.0000000000003267 PMID:36787376	research paper	本研究开发了深度学习模型，利用视频尿动力学数据对脊柱裂患者的膀胱功能障碍严重程度进行分类	首次将深度学习应用于视频尿动力学数据，自动分类膀胱功能障碍的严重程度	研究样本来自单一机构，可能存在选择偏差	开发自动分类膀胱功能障碍严重程度的深度学习模型	脊柱裂患者	digital pathology	geriatric disease	videourodynamics	CNN, random forest, ensemble model	image, raw data from volume-pressure recordings	306例视频尿动力学研究
15	2025-07-23	Scribe: Next Generation Library Searching for DDA Experiments 2023-02-03, Journal of proteome research IF:3.8Q1 DOI:10.1021/acs.jproteome.2c00672 PMID:36695531	研究论文	介绍了一种名为Scribe的新型库搜索引擎，用于数据依赖性采集实验，利用深度学习碎片预测软件如Prosit来预测FASTA数据库中每个肽的碎片和保留时间	Scribe不依赖高度精选的DDA库，而是预测每个肽的碎片和保留时间，结合Percolator进行错误发现率校正和无标记定量整合，提供端到端的蛋白质组学工作流	NA	提高数据依赖性采集实验中肽段鉴定的敏感性和定量精度	FASTA数据库中的肽段	蛋白质组学	NA	深度学习碎片预测	NA	质谱数据	NA
16	2025-07-23	Overtriage, Undertriage, and Value of Care after Major Surgery: An Automated, Explainable Deep Learning-Enabled Classification System 2023-02-01, Journal of the American College of Surgeons IF:3.8Q1 DOI:10.1097/XCS.0000000000000471 PMID:36648256	研究论文	本研究开发了一个自动化、可解释的深度学习分类系统，用于评估大手术后患者的过度分诊和不足分诊及其对护理价值的影响	提出了一种可解释的深度学习模型，用于自动生成术后分诊分类，并验证了其可重复性	研究仅在两所大学医院进行，样本可能不具有广泛代表性	评估术后分诊决策对护理价值和患者结局的影响	接受住院手术的成年患者	医疗人工智能	术后护理	深度学习	可解释深度学习模型	电子健康记录数据	4669例ICU入院患者和8594例普通病房入院患者
17	2025-07-23	Prediction of lactate concentrations after cardiac surgery using machine learning and deep learning approaches 2023, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2023.1165912 PMID:37790131	研究论文	本研究利用机器学习和深度学习方法预测心脏手术后血乳酸浓度的最大值	采用动态方法整合术前变量与术中时间序列数据，相比传统静态模型显著提高了预测准确性	研究仅基于单一医疗中心的患者数据，可能影响模型的泛化能力	开发预测心脏手术后血乳酸浓度的模型，以指导围手术期管理	接受心脏手术并使用体外循环的成年患者	机器学习	心血管疾病	机器学习与深度学习	线性回归、随机森林、人工神经网络、循环神经网络（RNN）、Transformer	时间序列数据	2,187名患者
18	2025-07-22	A simulative deep learning model of SNP interactions on chromosome 19 for predicting Alzheimer's disease risk and rates of disease progression 2023-12, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz.13319 PMID:37409680	research paper	本文提出了一种模拟深度学习模型，用于预测阿尔茨海默病的风险和疾病进展速率	使用新型模拟深度学习模型量化了染色体19上每个单核苷酸多态性(SNP)及其相互作用对阿尔茨海默病风险的贡献	研究仅关注染色体19上的SNP，可能忽略了其他染色体上的遗传因素	通过遗传模式识别来评估阿尔茨海默病的风险和进展速率，以支持个性化治疗策略	阿尔茨海默病患者的染色体19遗传数据	machine learning	阿尔茨海默病	深度学习模型	深度学习	遗传数据	来自阿尔茨海默病神经影像学倡议(ADNI)和阿尔茨海默病影像与遗传生物标志物数据集的患者数据
19	2025-07-22	Flow-field inference from neural data using deep recurrent networks 2023-Nov-16, bioRxiv : the preprint server for biology DOI:10.1101/2023.11.14.567136 PMID:38014290	research paper	介绍了一种名为FINDR的无监督深度学习方法，用于推断神经群体活动的低维非线性随机动力学	提出了一种新的深度学习方法FINDR，能够推断神经群体活动的低维非线性随机动力学，并在捕获单个神经元的异质性反应方面优于现有方法	未明确提及具体局限性	揭示神经群体的低维任务相关动力学及其相关计算	大鼠前脑区域的群体尖峰序列数据	machine learning	NA	deep learning	deep recurrent networks	spike train data	NA
20	2025-07-22	Predicting multiple sclerosis severity with multimodal deep neural networks 2023-11-09, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-023-02354-6 PMID:37946182	research paper	该研究提出了一种利用多模态深度神经网络预测多发性硬化症（MS）疾病严重程度的方法	首次整合结构化电子健康记录（EHR）数据、神经影像数据和临床记录，构建多模态深度学习框架，预测MS严重程度，相比单模态数据模型，AUROC提高了19%	未提及具体样本量或数据不足可能影响模型泛化能力	通过早期准确分类MS疾病严重程度，减缓或预防疾病进展	多发性硬化症（MS）患者	digital pathology	geriatric disease	multimodal deep learning	multimodal deep neural networks	structured EHR数据、神经影像数据、临床记录	NA