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
421	2025-03-30	U-Sleep's resilience to AASM guidelines 2023-Mar-06, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-023-00784-0 PMID:36878957	research paper	研究探讨了U-Sleep睡眠评分算法在不完全遵循AASM指南情况下的表现	展示了深度学习算法在睡眠评分任务中可以不依赖临床知识或严格遵循AASM指南	仅评估了U-Sleep算法，未与其他算法进行广泛比较	评估深度学习睡眠评分算法对AASM指南的适应性	睡眠评分算法和AASM指南	machine learning	NA	deep learning	U-Sleep	polysomnography studies	28528项多导睡眠图研究，来自13项不同的临床研究
422	2025-03-29	Convolutional Neural Networks for Segmentation of Malignant Pleural Mesothelioma: Analysis of Probability Map Thresholds (CALGB 30901, Alliance) 2023-Nov-30, ArXiv PMID:38076518	research paper	本研究评估了卷积神经网络(CNN)在恶性胸膜间皮瘤(MPM)分割中概率图阈值的影响	分析了不同概率阈值对CNN生成的MPM肿瘤分割结果的影响，强调了在评估深度学习分割时同时考虑肿瘤体积和空间重叠的重要性	CNN在特定疾病表现(如严重胸腔积液或胸膜裂隙疾病)中存在不足，且未找到适用于肿瘤体积和DSC两者的最优单一阈值	评估CNN概率图阈值对MPM肿瘤分割的影响	恶性胸膜间皮瘤(MPM)患者的CT扫描图像	digital pathology	lung cancer	CT扫描	VGG16/U-Net CNN	image	21名MPM患者的88次CT扫描
423	2025-03-29	Transport-based morphometry of nuclear structures of digital pathology images in cancers 2023-Feb-02, ArXiv PMID:36776820	research paper	提出了一种基于最优传输数学的新技术，用于直接从成像数据中建模与核染色质结构相关的信息内容	使用传输形态测量（TBM）框架表示每个细胞核相对于模板细胞核的整个信息内容，该方法对不同的染色模式和成像协议具有鲁棒性	NA	开发一种新方法来定量测量核形态，以支持癌症研究和临床应用	癌细胞核的形态特征	digital pathology	cancer	optimal transport, feature extraction, deep learning	TBM framework	image	来自TCGA和人类蛋白质图谱等大型数据集的癌症组织样本，包括肝实质、甲状腺、肺间皮和皮肤上皮的肿瘤
424	2025-03-28	A Minority Class Balanced Approach Using the DCNN-LSTM Method to Detect Human Wrist Fracture 2023-Jan-03, Life (Basel, Switzerland) DOI:10.3390/life13010133 PMID:36676082	research paper	提出一种结合DCNN和LSTM的深度学习模型，用于从X射线图像中检测腕部骨折，以减少漏诊	融合DCNN和LSTM模型，并采用数据增强技术解决类别不平衡问题	样本量较小（192张X射线图像），可能影响模型的泛化能力	开发自动化诊断工具辅助医生检测腕部骨折	腕部X射线图像	digital pathology	geriatric disease	X-ray imaging	DCNN-LSTM	image	192张腕部X射线图像
425	2025-03-27	Deep Learning-Enabled Multiplexed Point-of-Care Sensor using a Paper-Based Fluorescence Vertical Flow Assay 2023-12, Small (Weinheim an der Bergstrasse, Germany) DOI:10.1002/smll.202300617 PMID:37104829	研究论文	本文展示了一种基于深度学习的多重即时检测传感器，用于同时量化急性心脏损伤的三种生物标志物	结合纸基荧光垂直流动检测(fxVFA)与低成本移动阅读器，通过训练神经网络在15分钟内完成检测，具有高灵敏度和低交叉反应性	仅验证了46个独立激活的检测卡，样本量相对较小	开发一种低成本、便携式的即时检测平台，用于急性心脏损伤的诊断	人类血清样本中的三种心脏生物标志物（肌红蛋白、肌酸激酶-MB和心型脂肪酸结合蛋白）	数字病理	心血管疾病	纸基荧光垂直流动检测(fxVFA)	神经网络	荧光信号	46个独立激活的检测卡，每个患者使用50µL血清样本
426	2025-03-27	MULTITASK LEARNING FOR IMPROVED LATE MECHANICAL ACTIVATION DETECTION OF HEART FROM CINE DENSE MRI 2023-Apr, Proceedings. IEEE International Symposium on Biomedical Imaging DOI:10.1109/isbi53787.2023.10230782 PMID:40124116	研究论文	本文提出了一种多任务深度学习框架，用于同时估计心脏晚期机械激活（LMA）量并分类无疤痕的LMA区域，以提高心脏再同步治疗（CRT）的准确性	引入了辅助LMA区域分类子网络，提高了模型对心肌疤痕引起的复杂模式的鲁棒性，显著消除了LMA检测中的负面影响，并进一步改善了疤痕分类性能	NA	提高心脏晚期机械激活（LMA）区域的检测准确性，特别是在存在心肌疤痕的情况下	心脏的晚期机械激活（LMA）区域	医学影像分析	心血管疾病	cine位移编码与受激回波（DENSE）磁共振成像（MRI）	多任务深度学习框架	心脏MR图像	NA
427	2025-03-26	Deep Learning Methods for Omics Data Imputation 2023-Oct-07, Biology DOI:10.3390/biology12101313 PMID:37887023	综述	本文综述了基于深度学习的组学数据插补方法，重点讨论了自编码器、变分自编码器、生成对抗网络和Transformer等深度生成模型架构在多组学数据插补中的应用	全面概述了当前可用的基于深度学习的组学数据插补方法，并探讨了深度学习在该领域带来的机遇和挑战	未提及具体的实验验证或实际应用案例	解决组学数据分析中的缺失值问题	组学数据	机器学习	NA	NA	自编码器、变分自编码器、生成对抗网络、Transformer	组学数据	NA
428	2025-03-26	CLCLSA: Cross-omics Linked embedding with Contrastive Learning and Self Attention for multi-omics integration with incomplete multi-omics data 2023-May-02, Research square DOI:10.21203/rs.3.rs-2768563/v1 PMID:37205427	research paper	提出一种名为CLCLSA的深度学习方法，用于处理不完整多组学数据的整合问题	结合跨组学链接嵌入、对比学习和自注意力机制，动态识别多组学数据中最具信息量的特征	需要完整的多组学数据作为监督，可能在某些实际应用中受限	解决不完整多组学数据整合问题，提高疾病和表型理解的全面性	多组学数据	machine learning	NA	multi-omics integration	autoencoders, contrastive learning, self-attention	multi-omics data	四个公共多组学数据集
429	2025-03-26	Discovery of a cryptic pocket in the AI-predicted structure of PPM1D phosphatase explains the binding site and potency of its allosteric inhibitors 2023-Mar-24, bioRxiv : the preprint server for biology DOI:10.1101/2023.03.22.533829 PMID:36993233	研究论文	本文通过分子动力学模拟和深度学习技术，揭示了PPM1D磷酸酶中的一个隐秘结合口袋，解释了其变构抑制剂的结合位点和效力	利用AlphaFold预测结构和分子动力学模拟发现PPM1D中的隐秘结合口袋，并通过深度学习预测化合物结合姿态，提高了虚拟筛选的预测能力	研究依赖于预测结构和模拟数据，缺乏实验验证	探索蛋白质动力学在虚拟筛选中的应用，提高药物发现的预测能力	PPM1D/Wip1磷酸酶及其变构抑制剂	计算生物学	癌症	分子动力学模拟, 深度学习, 虚拟筛选	AlphaFold, 马尔可夫状态模型(MSM)	蛋白质结构数据, 分子动力学模拟数据	NA
430	2025-03-26	Artificial intelligence-based locoregional markers of brain peritumoral microenvironment 2023-01-18, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-022-26448-9 PMID:36653382	研究论文	该研究开发了一种基于人工智能的标记物，用于定量评估恶性原发性脑肿瘤周围区域的浸润异质性	利用DTI自由水体积分数图提取基于深度学习的肿瘤周围微环境指数（PMI），并从中提取AI标记物以捕捉浸润异质性的不同方面	研究样本仅限于275例成人型弥漫性胶质瘤（CNS WHO 4级），可能不适用于其他类型肿瘤	开发定量评估肿瘤周围浸润异质性的标记物，以辅助临床决策	恶性原发性脑肿瘤的周围区域	数字病理学	脑肿瘤	Diffusion Tensor Imaging (DTI)	深度学习	医学影像	275例成人型弥漫性胶质瘤（CNS WHO 4级）
431	2025-03-26	Discovery of a cryptic pocket in the AI-predicted structure of PPM1D phosphatase explains the binding site and potency of its allosteric inhibitors 2023, Frontiers in molecular biosciences IF:3.9Q2 DOI:10.3389/fmolb.2023.1171143 PMID:37143823	研究论文	本文探讨了通过考虑蛋白质动力学来提高虚拟筛选预测能力的方法，并以癌症药物靶点PPM1D磷酸酶为例，发现了一个隐秘的结合口袋	利用AlphaFold预测的结构和分子动力学模拟构建的马尔可夫状态模型(MSM)揭示了PPM1D中的一个隐秘结合口袋，这为靶向该蛋白的药物发现提供了新策略	研究仅针对PPM1D磷酸酶，该方法在其他蛋白系统中的应用效果尚需验证	提高虚拟筛选在结构数据有限情况下的预测能力，并探索PPM1D抑制剂的结合机制	PPM1D/Wip1磷酸酶及其变构抑制剂	计算生物学	癌症	虚拟筛选、AlphaFold结构预测、分子动力学模拟、马尔可夫状态模型(MSM)、深度学习	AlphaFold、MSM	蛋白质结构数据	NA
432	2025-03-23	SHINE: protein language model-based pathogenicity prediction for short inframe insertion and deletion variants 2023-01-19, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbac584 PMID:36575831	研究论文	本文介绍了一种基于蛋白质语言模型的短框内插入和缺失变异（indel）致病性预测工具SHINE	SHINE利用预训练的蛋白质语言模型从蛋白质序列和多序列比对中构建indel及其蛋白质背景的潜在表示，并通过监督机器学习模型进行致病性预测，相比现有方法在预测性能上有显著提升	由于已知致病性变异数量有限，训练数据可能存在不足	提高短框内插入和缺失变异的致病性预测准确性	短框内插入和缺失变异	自然语言处理	NA	蛋白质语言模型	监督机器学习模型	蛋白质序列	来自ClinVar和gnomAD的训练数据，以及两个不同来源的测试数据集
433	2025-03-21	A full-stack platform for spiking deep learning 2023-Nov, Nature computational science IF:12.0Q1 DOI:10.1038/s43588-023-00565-5 PMID:38177599	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
434	2025-03-21	Accurately predicting molecular spectra with deep learning 2023-Nov, Nature computational science IF:12.0Q1 DOI:10.1038/s43588-023-00553-9 PMID:38177595	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
435	2025-03-21	A deep learning model for predicting selected organic molecular spectra 2023-Nov, Nature computational science IF:12.0Q1 DOI:10.1038/s43588-023-00550-y PMID:38177591	研究论文	本文开发了一种名为DetaNet的深度学习模型，用于预测分子光谱，提高了效率和准确性	结合E(3)-等变群和自注意力机制，通过传递高阶几何张量信息，能够生成多种分子属性，达到量子化学计算的精度	NA	提高分子光谱模拟的准确性和效率，以促进物质发现和结构识别	分子光谱	机器学习	NA	深度学习	DetaNet	分子光谱数据	130,000种分子物种的QM9S数据集
436	2025-03-21	High-throughput property-driven generative design of functional organic molecules 2023-Feb, Nature computational science IF:12.0Q1 DOI:10.1038/s43588-022-00391-1 PMID:38177626	研究论文	本文提出了一种结合生成深度学习模型和监督深度学习模型的方法，用于预测具有最优特性的有机分子	通过结合生成模型和监督模型，实现了对分子电子结构的预测和优化，避免了量子化学计算，适用于高通量筛选	未提及具体局限性	设计具有定制特性的有机分子，特别是用于有机电子应用	有机分子	机器学习	NA	生成深度学习模型，监督深度学习模型	生成模型，监督模型	分子结构数据	未提及具体样本数量
437	2025-03-19	Forest fuel type classification: Review of remote sensing techniques, constraints and future trends 2023-09-15, Journal of environmental management IF:8.0Q1 DOI:10.1016/j.jenvman.2023.118315 PMID:37290304	综述	本文综述了用于森林燃料类型分类的遥感技术，探讨了其限制因素和未来发展趋势	本文综合了最新的遥感技术进展，并强调了深度学习算法与遥感数据源集成的研究方向	遥感技术在燃料类型分类中仍面临挑战，如燃料属性的高度可变性和复杂性	提高对森林火灾风险和行为的理解，以增强生物多样性保护和规划有效的风险缓解活动	森林燃料类型	遥感	NA	遥感数据获取与融合技术	深度学习算法	遥感数据	NA
438	2025-03-19	A generalizable framework to comprehensively predict epigenome, chromatin organization, and transcriptome 2023-07-07, Nucleic acids research IF:16.6Q1 DOI:10.1093/nar/gkad436 PMID:37224527	研究论文	本文提出了一种名为EPCOT的深度学习框架，能够通过预训练和微调的方法，仅需细胞类型特定的染色质可及性数据，即可准确预测包括表观基因组、染色质组织、转录组和增强子活性在内的多种模态	EPCOT框架的创新之处在于其能够跨预测任务和细胞类型泛化，且能够预测多种昂贵的实验数据（如Micro-C和ChIA-PET），并提供跨基因组模态的生物学见解	未明确提及具体局限性	开发一个通用的深度学习框架，用于预测表观基因组、染色质组织和转录组等多种基因组模态	表观基因组、染色质组织、转录组和增强子活性	机器学习	NA	深度学习	预训练和微调框架	染色质可及性数据	未明确提及样本数量
439	2025-03-19	Explainable artificial intelligence (XAI) for interpreting the contributing factors feed into the wildfire susceptibility prediction model 2023-06-25, The Science of the total environment DOI:10.1016/j.scitotenv.2023.163004 PMID:36965733	研究论文	本文探讨了可解释人工智能（XAI）在解释野火易发性预测模型中的贡献因素的应用	使用Shapley加性解释（SHAP）模型来解释深度学习（DL）模型的结果，以识别影响预测模型的关键参数及其相对重要性	模型可能受到训练过程和输入变量数量及质量等多种不确定性来源的影响	通过可解释的AI技术提高野火易发性预测模型的可解释性和准确性	野火易发性预测模型	机器学习	NA	Shapley加性解释（SHAP）	深度学习（DL）	地形、土地覆盖/植被、气象数据	NA
440	2025-03-19	Deep Learning Initialized Compressed Sensing (Deli-CS) in Volumetric Spatio-Temporal Subspace Reconstruction 2023-Mar-28, bioRxiv : the preprint server for biology DOI:10.1101/2023.03.28.534431 PMID:37034586	研究论文	本文提出了一种名为Deli-CS的深度学习方法，用于加速时空MRI数据的重建，同时减少深度学习引起的幻觉风险	提出了Deli-CS框架，通过深度学习生成的起点来“启动”迭代重建，从而减少重建时间	需要大量训练数据，且在不强制数据一致性的情况下可能产生与采集数据不匹配的结果	减少时空MRI数据的重建时间，同时限制深度学习引起的幻觉风险	全脑多参数映射的时空MRI数据	医学影像处理	NA	深度学习，压缩感知	深度学习模型	时空MRI数据	NA