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
81	2026-09-13	Exploring Healthy Retinal Aging with Deep Learning 2023-Sep, Ophthalmology science IF:3.2Q1 DOI:10.1016/j.xops.2023.100294 PMID:37113474	研究论文	本文利用反事实生成对抗网络（GAN）分析英国生物银行的大规模视网膜OCT图像，研究健康衰老过程中视网膜各层的个体化变化轨迹	首次构建反事实GAN，能够生成高分辨率、高保真的反事实OCT图像和纵向时间序列，实现对同一受试者年龄或性别改变而身份和图像采集参数不变的假设情景进行可视化与分析，从而突破传统群体平均测量的局限，探索个体化视网膜衰老轨迹	研究基于回顾性横断面数据，反事实推断依赖于模型假设，可能无法完全反映真实纵向变化；样本仅限于UK Biobank中40-75岁成年人，结论对其他年龄段和人群的泛化性有待验证	利用深度学习研究健康衰老引起的视网膜变化的个体化进程	85,709名40至75岁成年人的视网膜OCT图像（来自UK Biobank人群研究）	数字病理学	老年性疾病	OCT	GAN	图像	85,709名成年人的OCT图像	NA	GAN	NA	NA
82	2026-09-13	Deep-Learning-Based Hepatic Ploidy Quantification Using H&E Histopathology Images 2023-04-16, Genes IF:2.8Q2 DOI:10.3390/genes14040921 PMID:37107679	研究论文	本文开发了一种基于深度学习的计算算法，利用H&E组织病理学图像量化肝脏倍性	首次成功尝试在H&E图像上自动化倍性分析	未提及	提高临床样本中肝脏倍性量化的可及性	肝脏倍性	数字病理学	肝脏疾病	H&E组织病理学成像	CNN	图像	未提及	未提及	未提及	未提及	未提及
83	2026-09-10	Discovering optimal kinetic pathways for self-assembly using automatic differentiation 2023-Sep-01, bioRxiv : the preprint server for biology DOI:10.1101/2023.08.30.555551 PMID:37693527	研究论文	本文利用自动微分算法优化可逆自组装的物理模型，发现不同亚基复合物在速率常数空间中的最优动力学路径，以避免动力学陷阱并提高组装产量	首次将深度学习框架中的自动微分技术应用于自组装动力学优化，发现多种避免动力学陷阱的新策略，并识别出动力学陷阱成本的通用标度规律	研究仅限于3-7个亚基的复合物，且未考虑实际生物系统中的空间效应或分子拥挤等复杂因素	通过数值优化发现自组装过程中的最优动力学路径，理解生物机制并设计高效的合成组装系统	3-7个亚基的可逆自组装复合物	机器学习	NA	自动微分	物理模型	数值模拟数据	NA	NA	NA	组装产量	NA
84	2026-09-09	Unraveling Neuronal Identities Using SIMS: A Deep Learning Label Transfer Tool for Single-Cell RNA Sequencing Analysis 2023-Nov-17, bioRxiv : the preprint server for biology DOI:10.1101/2023.02.28.529615 PMID:36909548	研究论文	提出SIMS，一种用于单细胞RNA测序分析的深度学习标签转移工具，可高精度分类脑组织中的细胞类型	SIMS是一个端到端、数据高效且可解释的机器学习管道，能以最少编码应用于新数据集，并在复杂组织如脑中保持高准确性	摘要中未提及具体限制	开发并验证一种可扩展、可解释的机器学习工具，用于单细胞数据的高精度细胞类型分类	单细胞RNA测序数据，包括成年大脑皮层、海马体、发育中大脑及皮层类器官样本	机器学习	NA	单细胞RNA测序	深度学习模型（具体类型未明确，但属于分类算法）	单细胞转录组数据	涉及多种数据集，但未提供具体数量	NA	NA	准确性	NA
85	2026-09-07	Volume of hyperintense inflammation (VHI): A quantitative imaging biomarker of inflammation load in spondyloarthritis, enabled by human-machine cooperation 2023, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0284508 PMID:37075028	研究论文	提出一种结合深度学习与人工修正的人机协作工作流程，用于脊柱关节炎炎症分割，并定义高信号炎症体积（VHI）作为炎症负荷的定量影像生物标志物	首次提出将深度学习自动分割与人工清洗相结合的人机协作流程，以生成可靠的炎症分割结果，并定义VHI作为新的定量影像生物标志物	样本量较小（29例患者），且研究仅在单一队列中验证，未进行多中心外部验证	提高脊柱关节炎炎症评估的一致性和可靠性，并探索VHI作为炎症负荷定量影像生物标志物的潜力	29例中轴型脊柱关节炎（axSpA）患者的MRI扫描影像	医学影像分析	脊柱关节炎	MRI	深度学习分割模型（具体类型未在摘要中指明）	MRI图像	29例axSpA患者	NA	NA	Dice分数, 组内相关系数, 响应评估一致性	NA
86	2026-09-06	GeoSynth: A Photorealistic Synthetic Indoor Dataset for Scene Understanding 2023-May, IEEE transactions on visualization and computer graphics IF:4.7Q1 DOI:10.1109/TVCG.2023.3247087 PMID:37027722	研究论文	介绍GeoSynth，一个用于室内场景理解任务的多样化照片级合成数据集，包含丰富的标签，并可补充真实训练数据以提升网络性能	提出并公开了GeoSynth数据集，具有高度的照片级真实感和丰富的标签（如分割、几何、相机参数、表面材料、光照等），并验证了其作为真实数据补充的有效性	未在摘要中明确说明局限性	解决大型标注数据集创建成本高、耗时且不完美的问题，为室内场景理解任务提供高质量合成数据	室内场景理解任务，如语义分割	计算机视觉	NA	NA	NA	图像	NA	NA	NA	NA	NA
87	2026-09-06	Artificial Intelligence-Enabled Software Prototype to Inform Opioid Pharmacovigilance From Electronic Health Records: Development and Usability Study 2023 Jan-Dec, JMIR AI DOI:10.2196/45000 PMID:37771410	研究论文	开发了一种基于人工智能的软件原型，用于从电子健康记录中提取阿片类药物相关不良事件信号，以增强药物警戒。	创新性地将基于规则的关键词搜索与深度学习方法相结合，并采用预训练的NLP模型进行命名实体识别，以从自由文本出院小结中自动提取候选不良事件。	模型性能有限（F1分数为0.67），且用户反馈仅来自15名FDA工作人员，可能不具有广泛代表性。	旨在开发一种AI软件原型，从电子健康记录的自由文本中识别阿片类药物相关不良事件信号，以支持FDA的药物安全研究和监管审查。	电子健康记录中的自由文本出院小结，特别是与阿片类药物相关的不良事件信息。	自然语言处理	阿片类药物不良反应	自然语言处理（NLP）	深度学习模型（包括预训练NLP模型），具体基于规则算法与深度学习结合	文本数据	使用了MIMIC III数据库中的出院小结，具体样本量未在摘要中说明；15名FDA工作人员提供了反馈。	MedSpacy, Spark NLP	NA	准确率, 召回率, 精确率, F1分数	NA
88	2026-09-06	Self-Supervised Electroencephalogram Representation Learning for Automatic Sleep Staging: Model Development and Evaluation Study 2023 Jan-Dec, JMIR AI DOI:10.2196/46769 PMID:38090533	研究论文	提出了一种自监督模型ContraWR用于脑电信号表示学习，以实现自动睡眠分期，并在三个真实数据集上进行了评估	使用全局统计数据（即平均表示）而非负样本集来区分不同睡眠阶段相关的信号	未明确指出，但未来方向包括探索任务特定的数据增强和结合自监督与监督方法	学习鲁棒的脑电信号向量表示，以提高睡眠分期任务中的预测性能，尤其在标签少和噪声样本情况下	脑电信号（EEG）	机器学习	睡眠障碍	EEG记录	自监督学习模型（ContraWR）	脑电信号	3个大型EEG数据集	NA	对比学习架构（ContraWR）	准确率	NA
89	2026-09-06	Application of Artificial Intelligence to the Monitoring of Medication Adherence for Tuberculosis Treatment in Africa: Algorithm Development and Validation 2023 Jan-Dec, JMIR AI DOI:10.2196/40167 PMID:38464947	研究论文	本文开发并验证了基于深度学习的人工智能算法，用于自动分类和确认结核病治疗中的药物 adherence，以提高非洲视频监测的效率	首次针对非洲临床环境中的药物 adherence 监测，利用深度学习算法基于视频图像进行二元分类，并展示了在资源有限环境中的应用潜力	由于缺乏公开数据集，未进行外部验证；负样本较少（92个），可能影响模型的泛化能力	开发并内部验证一种深度学习模型，用于自动分类药物 adherence（遵循/不遵循），提高视频监测效率	成人结核病患者药物摄入的861个视频图像	计算机视觉、深度学习	结核病	视频图像处理、深度学习	卷积神经网络（CNN）	视频帧图像	861个视频图像，其中497个高质量视频（405个正样本，92个负样本），每视频160帧	未指定（可能包含TensorFlow或PyTorch等，标题和摘要中未明确）	3D ResNet、其他三种CNN模型	敏感性、特异性、F1分数、精确率、曲线下面积（AUC）、每视频审查速度	未指定（标题和摘要中未提及）
90	2026-09-06	Automated motion artifact detection in early pediatric diffusion MRI using a convolutional neural network 2023, Imaging neuroscience (Cambridge, Mass.) DOI:10.1162/imag_a_00023 PMID:38344118	研究论文	提出一种基于卷积神经网络的自动化运动伪影检测工具，用于早期儿科扩散MRI数据质量控制	首次将深度学习应用于婴幼儿扩散MRI运动伪影检测，并验证了跨数据集泛化能力	训练数据来自单一研究机构，泛化性测试数据集规模有限	开发并验证深度学习模型用于自动检测婴幼儿扩散MRI中的运动伪影，以提高质量控制效率	婴幼儿（1-36个月）的扩散MRI数据	机器学习，医学影像分析	不适用	扩散MRI（dMRI），扩散张量成像（DTI），神经突方向离散度和密度成像（NODDI）	3D卷积神经网络（3DCNN）	影像	121次扫描共2276个dMRI体积（训练集），26次扫描共2349个dMRI体积（测试集）	NA	3DCNN	分类准确率	NA
91	2026-09-04	Inferring Metabolic States from Single Cell Transcriptomic Data via Geometric Deep Learning 2023-Dec-07, bioRxiv : the preprint server for biology DOI:10.1101/2023.12.05.570153 PMID:38105974	研究论文	提出了一种基于几何深度学习的GEFMAP方法，利用单细胞转录组数据预测代谢网络中的反应通量，以推断细胞代谢状态。	首次将几何深度学习应用于代谢网络，通过图结构学习细胞特异的生物目标和质量平衡的相对通量率，解决了单细胞代谢组测量难题。	未详细说明在复杂组织或病理状态下的验证，可能对代谢网络覆盖范围敏感。	开发一种从单细胞转录组数据推断代谢状态的计算方法，以弥补单细胞代谢组测量的不足。	单细胞转录组数据及其代谢网络。	机器学习, 计算生物学	不适用	单细胞RNA测序（scRNA-seq）	几何深度学习模型	单细胞基因表达数据	不适用	不适用	几何深度学习架构（未具体指定，如图神经网络）	不适用	不适用
92	2026-09-04	Comprehensive Evaluation of a Deep Learning Model for Automatic Organs-at-Risk Segmentation on Heterogeneous Computed Tomography Images for Abdominal Radiation Therapy 2023-11-15, International journal of radiation oncology, biology, physics DOI:10.1016/j.ijrobp.2023.05.034 PMID:37244625	研究论文	开发并全面评估了一种用于腹部放射治疗中自动分割16个危及器官的深度学习模型AbsegNet，并在异质性CT图像上验证其性能	提出了新的深度学习模型AbsegNet，在多样化的CT数据集上实现16个OAR的准确勾画，且性能优于现有模型如SwinUNETR和DeepLabV3+	未明确提及，但可能包括数据集来源有限和临床评估的主观性	开发并验证一种全自动的深度学习模型，用于腹部恶性肿瘤放疗中OAR的精确勾画，以支持自动化治疗计划	腹部CT扫描图像中的16个危及器官（如肝、肾、脾、胃、食管、肾上腺、直肠等）	计算机视觉	腹部恶性肿瘤	CT成像	深度学习模型（卷积神经网络）	CT图像	544例CT扫描，分为5个队列（训练和测试）	NA	AbsegNet（具体架构未提及），也提到对比模型如SwinUNETR、DeepLabV3+、Attention-UNet、UNet和3D-UNet	Dice相似系数，95分位豪斯多夫距离	NA
93	2026-09-04	Accurate prediction of protein tertiary structural changes induced by single-site mutations with equivariant graph neural networks 2023-Oct-13, bioRxiv : the preprint server for biology DOI:10.1101/2023.10.03.560758 PMID:37873289	研究论文	开发了一种基于等变图神经网络的深度学习方法，直接预测单点突变引起的蛋白质三级结构变化及突变体的三级结构	首创基于等变图神经网络（EGNN）直接预测单点突变引起的蛋白质三级结构变化的方法	文中未提及明确的局限性	开发一种能精确预测单点突变引起的蛋白质三级结构变化的深度学习方法	蛋白质突变体及其野生型对应物的三级结构	机器学习	NA	NA	等变图神经网络（EGNN）	蛋白质结构数据	NA	NA	等变图神经网络（EGNN）	预测性能比较（与AlphaFold对比）	NA
94	2026-09-01	BetaBuddy: An end-to-end computer vision pipeline for the automated analysis of insulin secreting β-cells 2023-Apr-06, bioRxiv : the preprint server for biology DOI:10.1101/2023.04.06.535890 PMID:37066375	研究论文	本文介绍了一个用于自动分析胰岛素分泌β细胞的内皮到端计算机视觉流程，包括细胞分割、跟踪和钙水平分析。	利用深度学习算法自动分割和跟踪数千个细胞，减少人工干预和偏见，并发现先前手动分割低估了电刺激后钙尖峰活动的变化。	未在摘要中明确提及局限性。	开发一个自动化的计算机视觉流程，以减少分析β细胞钙信号的时间并提高准确性。	胰腺β细胞及其钙信号活动。	计算机视觉	NA	活细胞成像	深度学习模型（具体类型未在摘要中指定，可能包括CNN）	图像（时间序列图像堆栈）	未在摘要中明确提及样本数量，但提到重新分析了电刺激后的β细胞数据集。	NA	NA	准确性（未具体列出其他指标）	NA
95	2026-08-31	Fast, accurate antibody structure prediction from deep learning on massive set of natural antibodies 2023-04-25, Nature communications IF:14.7Q1 DOI:10.1038/s41467-023-38063-x PMID:37185622	研究论文	本文介绍了IgFold，一种基于深度学习的快速抗体结构预测方法，能在不到25秒内预测出与AlphaFold相当或更优的结构质量。	创新点在于使用在5.58亿条天然抗体序列上预训练的语言模型结合图网络直接预测骨架原子坐标，实现了极快的预测速度，并在大规模应用上展示了优势。	摘要未提及明显的局限性。	旨在快速且准确地预测抗体结构，特别是高变环区域，以支持大规模结构分析。	研究对象为天然抗体序列及其结构。	深度学习	NA	NA	语言模型和图网络	序列数据	5.58亿条天然抗体序列用于预训练，1.4百万条配对抗体序列用于预测。	NA	预训练语言模型和图网络	结构质量（与AlphaFold比较）和预测时间	NA
96	2026-08-30	Automated Identification of Heart Failure with Reduced Ejection Fraction using Deep Learning-based Natural Language Processing 2023-Sep-11, medRxiv : the preprint server for health sciences DOI:10.1101/2023.09.10.23295315 PMID:37745445	研究论文	开发并外部验证了一种基于深度学习的自然语言处理模型，用于自动识别出院摘要中射血分数降低的心力衰竭患者	首次采用半监督学习框架的深度学习语言模型识别HFrEF患者，并进行了全面的内部和外部验证	未提及明确的局限性	开发自动化工具以准确识别HFrEF患者，从而促进护理质量评估和改进	心力衰竭患者的出院摘要	自然语言处理	心力衰竭	深度学习语言模型	深度学习语言模型	文本	13,251份出院摘要来自5,392名患者，外部验证包括19,242份来自西北医学的摘要、139份来自耶鲁社区医院的摘要和146份MIMIC-III摘要	NA	NA	AUROC, AUPRC, NRI	NA
97	2026-08-29	An open-source deep learning network AVA-Net for arterial-venous area segmentation in optical coherence tomography angiography 2023-Apr-17, Communications medicine IF:5.4Q1 DOI:10.1038/s43856-023-00287-9 PMID:37069396	研究论文	开发并验证了名为AVA-Net的开源深度学习网络，用于光学相干断层扫描血管造影（OCTA）中的动静脉面积分割，并提取了七种新特征用于糖尿病视网膜病变的早期检测	首次实现OCTA中动静脉面积和血流灌注强度的定量分析，提出了七个新特征，并验证了AV-PIDR作为早期DR检测最敏感特征的有效性	未明确说明限制，但可能包括样本量有限、特征在更广泛人群中的通用性需进一步验证	开发一种用于OCTA中定量动静脉分析的方法，通过分割动静脉区域并提取灌注特征，以实现糖尿病视网膜病变的早期检测	OCTA图像中的动静脉区域，以及健康对照、无DR糖尿病和轻度DR患者的OCTA图像	计算机视觉	糖尿病视网膜病变	OCTA（光学相干断层扫描血管造影）	深度学习网络（AVA-Net）	OCTA图像	包括健康对照组、无DR糖尿病组和轻度DR组，具体样本量未在摘要中说明	NA	AVA-Net（具体架构未详细说明）	敏感性，显著性差异（基于Bonferroni校正）	NA
98	2026-08-28	PigSNIPE: Scalable Neuroimaging Processing Engine for Minipig MRI 2023-Feb, Algorithms IF:1.8Q2 DOI:10.3390/a16020116 PMID:42639144	研究论文	开发了PigSNIPE，一个用于微型猪MRI图像自动处理和分析的可扩展神经影像处理流水线	首次为大型动物图像开发自动化流水线工具，结合四个强化学习模型和五个深度学习UNet分割模型，显著减少分析微型猪神经影像所需的时间和资源	信息不足，无法从标题和摘要中提取具体局限性	为微型猪MRI图像提供自动处理和分析工具，以支持神经科学研究并提高效率	微型猪脑部MRI图像	医学影像处理	神经系统疾病	MRI	强化学习模型和UNet分割模型	图像	未提供具体样本数量	NA	UNet	DICE系数	NA
99	2026-08-27	Genomic prediction with machine learning in sugarcane, a complex highly polyploid clonally propagated crop with substantial non-additive variation for key traits 2023-12, The plant genome DOI:10.1002/tpg2.20390 PMID:37728221	研究论文	本研究探讨了深度学习和集成机器学习方法在甘蔗基因组预测中的表现，并与GBLUP模型进行了比较	首次在复杂高度多倍体克隆繁殖作物甘蔗中应用深度学习（MLP和CNN）和随机森林进行基因组预测，并考虑了非加性效应	机器学习模型的预测精度未超过扩展的GBLUP模型，可能受限于数据规模和标记密度	评估机器学习方法在甘蔗基因组预测中的潜力，并与传统线性模型比较	2912个甘蔗克隆，涉及总甘蔗收获量、商业蔗糖和纤维含量三个性状	机器学习	NA	单核苷酸多态性标记基因分型	多层感知机、卷积神经网络、随机森林、GBLUP	基因组标记数据和表型数据	2912个甘蔗克隆，26086个SNP标记	NA	MLP、CNN、随机森林	预测精度	NA
100	2026-08-27	Comparing artificial-intelligence techniques with state-of-the-art parametric prediction models for predicting soybean traits 2023-03, The plant genome DOI:10.1002/tpg2.20263 PMID:36484148	研究论文	本研究比较了传统基因组预测方法（GBLUP）、核方法（高斯核）、人工智能方法（深度学习）及混合方法（反余弦核）在预测大豆产量、油分和蛋白质含量方面的准确性	首次将深度学习模型的仿真方法（反余弦核）与常用基因组预测方法进行系统比较，并评估了基因型与环境互作效应下的模型表现	深度学习方法的较差表现可能归因于次优的超参数设置，且研究仅基于单一作物（大豆）和特定环境条件	评估并比较不同基因组预测方法在预测大豆农艺性状（产量、油分、蛋白质）方面的表现	大豆品种（Glycine max）的基因型和表型数据	机器学习	不适用	基因组预测（GBLUP）、核方法（高斯核、反余弦核）、深度学习	深度学习（DL）、核模型	基因组标记数据和表型数据（产量、油分、蛋白质）	1379个大豆基因型，在6个环境中测试，所有基因型在所有环境中	不适用	深度学习网络、高斯核、反余弦核	预测准确度	不适用