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
61	2026-01-13	The 100-protein NMR spectra dataset: A resource for biomolecular NMR data analysis 2024-01-04, Scientific data IF:5.8Q1 DOI:10.1038/s41597-023-02879-5 PMID:38177162	研究论文	本文介绍了100-蛋白质NMR光谱数据集，这是一个包含1329个多维NMR光谱及相关注释的标准化资源，旨在促进生物分子NMR数据分析方法的发展	首次公开了一个标准化的多维NMR光谱数据集，允许从原始实验数据重现100个蛋白质结构，解决了NMR原始数据缺乏公开存档的问题	数据集仅包含100个蛋白质，可能无法覆盖所有蛋白质类型或NMR实验条件，且依赖于特定方法（ARTINA）的原始开发背景	促进生物分子NMR光谱的计算方法开发，特别是机器学习方法，并实现方法间的一致性和客观比较	蛋白质的NMR光谱数据	生物信息学	NA	NMR光谱学	深度学习	NMR光谱	100个蛋白质的1329个2-4维NMR光谱	NA	ARTINA	NA	NA
62	2026-01-13	An annotated wing interferential pattern dataset of dipteran insects of medical interest for deep learning 2024-01-02, Scientific data IF:5.8Q1 DOI:10.1038/s41597-023-02848-y PMID:38168517	研究论文	本研究介绍了一个用于训练和评估基于翅干涉模式识别医学和兽医学重要双翅目昆虫的数据集	创建了一个包含多种双翅目昆虫翅干涉模式图像的新数据集，并整合了先前发布的数据集，以支持计算机视觉识别系统的开发	数据集仅覆盖18个属，每个属的物种数量和样本量存在差异，可能影响模型的泛化能力	开发一个基于计算机视觉的系统，利用翅干涉模式快速识别医学和兽医学重要的双翅目昆虫	双翅目昆虫，包括蚊科、丽蝇科、蝇科、虻科、蠓科和毛蠓科等	计算机视觉	NA	翅干涉模式成像	NA	图像	2,399张图片，覆盖18个属，部分属样本量达300个	NA	NA	NA	NA
63	2026-01-10	Narrative Feature or Structured Feature? A Study of Large Language Models to Identify Cancer Patients at Risk of Heart Failure 2024, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:40417538	研究论文	本研究比较了传统机器学习、深度学习模型和大型语言模型在利用电子健康记录识别癌症患者心力衰竭风险方面的性能	提出从结构化医疗代码中提取新型叙事特征，并首次将大型语言模型GatorTron-3.9B应用于癌症患者心力衰竭风险预测任务	研究数据仅来自单一医疗机构（佛罗里达大学健康中心），样本量相对有限，且仅涵盖肺癌、乳腺癌和结直肠癌三种癌症类型	开发有效的机器学习模型来识别癌症治疗后可能发生心力衰竭的高风险患者	癌症患者（肺癌、乳腺癌、结直肠癌）	自然语言处理	心血管疾病	电子健康记录分析	SVM, LSTM, Transformer	文本（电子健康记录）	12,806名癌症患者（其中1,602名在癌症后发生心力衰竭）	NA	T-LSTM, BERT, GatorTron-3.9B	F1分数	NA
64	2026-01-10	Deep Learning-based Time-to-event Analysis of Depression and Asthma using the All of Us Research Program 2024, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:40417537	研究论文	本研究利用深度学习模型分析抑郁症与哮喘之间的关联，基于All of Us研究计划的大规模回顾性队列数据	首次在大型回顾性队列研究中应用深度学习模型分析抑郁症与哮喘的关联，并使用SHAP值增强模型可解释性	深度学习模型在c-index指标上未超越传统的Cox比例风险模型	探究抑郁症与哮喘之间的关联性及影响因素	All of Us研究计划中的239,161名参与者	机器学习	抑郁症, 哮喘	回顾性队列研究	DeepSurv, DeepHit, 逻辑回归, CoxPH	临床队列数据	239,161名参与者	NA	DeepSurv, DeepHit	c-index	NA
65	2024-10-09	Correction to: Growing ecosystem of deep learning methods for modeling protein-protein interactions 2024-Jan-29, Protein engineering, design & selection : PEDS DOI:10.1093/protein/gzae016 PMID:39377372	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
66	2025-12-27	Model Ensemble for Brain Tumor Segmentation in Magnetic Resonance Imaging 2024, Brain tumor segmentation, and cross-modality domain adaptation for medical image segmentation : MICCAI challenges, BraTS 2023 and CrossMoDA 2023, held in conjunction with MICCAI 2023, Vancouver, BC, Canada, October 12 and 8, 2024 : proc... DOI:10.1007/978-3-031-76163-8_20 PMID:41439203	研究论文	本文提出了一种基于深度学习的集成策略，用于在磁共振成像中分割脑肿瘤，并在BraTS挑战赛的儿科脑肿瘤、颅内脑膜瘤和脑转移瘤任务中进行了评估	采用区域级集成方法结合nnU-Net和Swin UNETR模型，并实施了基于交叉验证阈值搜索的针对性后处理策略以优化肿瘤亚区域分割结果	NA	开发并评估一种用于多参数磁共振成像中脑肿瘤分割的深度学习集成方法，以支持临床试验和个性化患者护理	儿科脑肿瘤、颅内脑膜瘤和脑转移瘤病例	数字病理学	脑肿瘤	磁共振成像	CNN, Transformer	图像	4500例脑肿瘤病例（来自BraTS挑战赛数据集）	PyTorch	nnU-Net, Swin UNETR	Dice系数	NA
67	2025-12-17	Toward Explainable Artificial Intelligence for Precision Pathology 2024-01-24, Annual review of pathology DOI:10.1146/annurev-pathmechdis-051222-113147 PMID:37871132	综述	本文综述了人工智能在精准病理学中的应用，特别关注可解释性AI以提升诊断透明度	强调将可解释性AI引入病理学，以解决传统AI黑盒问题，促进生物医学与AI领域的相互理解	作为综述文章，未涉及具体实验数据或模型性能验证，主要基于现有文献分析	推动可解释性人工智能在精准病理学中的应用，以标准化、定量化方式整合临床、组织学和分子数据	组织学图像和分子谱数据，用于疾病分类、组织生物标志物量化和临床结果预测	数字病理学	NA	深度学习	NA	图像, 分子数据	NA	NA	NA	NA	NA
68	2025-12-10	Opportunistic screening for coronary artery calcium deposition using chest radiographs - a multi-objective models with multi-modal data fusion 2024-Jan-11, medRxiv : the preprint server for health sciences DOI:10.1101/2024.01.10.23299699 PMID:38260571	研究论文	本研究开发了一种基于多任务深度学习的融合模型，利用胸部X光片和电子健康记录数据进行冠状动脉钙化评分和心血管风险的预测	提出了一种结合多模态数据（CXR和EHR）的多任务深度学习模型，用于冠状动脉钙化的机会性筛查，并在多个外部数据集上验证了其稳健性	研究为回顾性设计，样本量相对有限（2,121名患者），且外部验证数据集的种族和民族差异可能影响模型泛化能力	开发一种基于胸部X光片和电子健康记录的机会性筛查策略，用于预测冠状动脉钙化评分和心血管风险	冠状动脉钙化沉积和心血管风险	数字病理学	心血管疾病	CT扫描，胸部X光成像	多任务深度学习模型	图像，文本	2,121名患者（内部数据集），外加多个外部数据集（EUH和VGHTPE）	NA	多任务深度学习融合模型	F1分数，AUCROC	NA
69	2025-11-27	Delineation of intracavitary electrograms for the automatic quantification of decrement-evoked potentials in the coronary sinus with deep-learning techniques 2024, Frontiers in physiology IF:3.2Q2 DOI:10.3389/fphys.2024.1331852 PMID:38818521	研究论文	提出基于深度学习的算法，用于自动识别和量化冠状窦内心电信号中的递减诱发电位	首次开发能够自动描绘EGM信号中所有局部成分的工具，提出两种新型损失函数以减少假阴性和描绘误差，并探索了自注意力机制的应用	使用私有数据集且样本量有限（77名患者），需要进一步临床验证	开发自动量化递减诱发电位的算法，辅助区分旁路和房室折返性心动过速	冠状窦内电信号和递减诱发电位	数字病理	心血管疾病	心内电描记术	深度学习	电信号	77名患者的312个EGM记录	NA	U-Net, W-Net	准确率, 召回率, 灵敏度, 特异性	NA
70	2025-11-24	Optimizing Machine Learning Models for Accessible Early Cognitive Impairment Prediction: A Novel Cost-effective Model Selection Algorithm 2024, IEEE access : practical innovations, open solutions IF:3.4Q2 DOI:10.1109/access.2024.3505038 PMID:39902153	研究论文	开发一种成本效益高的机器学习模型选择算法，用于早期认知障碍预测	提出新型成本效益模型选择算法，在保证高性能的同时最小化开发和运营成本	未在更多低收入和中等收入国家进行广泛验证	开发成本效益高且易于获取的机器学习模型，用于预测未来五年内的认知障碍风险	来自国家阿尔茨海默病协调中心统一数据集的认知障碍相关数据	机器学习	老年疾病	机器学习，深度学习	SVM，神经网络	结构化医疗数据	国家阿尔茨海默病协调中心统一数据集	NA	支持向量机，神经网络	F2-score	NA
71	2025-11-24	Enhancing Spatial Transcriptomics Analysis by Integrating Image-Aware Deep Learning Methods 2024, Pacific Symposium on Biocomputing. Pacific Symposium on Biocomputing PMID:38160299	研究论文	提出一种整合空间转录组学和组织病理学图像的深度学习方法，以更好地捕捉癌症组织中的生物学模式	首次将空间转录组学数据与组织病理学图像特征通过深度学习相结合，克服了传统方法仅依赖基因表达的局限性	方法主要针对胶质母细胞瘤和三阴性乳腺癌等特定癌症类型，在其他疾病中的适用性有待验证	开发能够整合多模态数据的分析方法，提升空间转录组学数据的生物学解释能力	胶质母细胞瘤和三阴性乳腺癌患者的组织样本	数字病理学	癌症	空间转录组学, 组织病理学成像	CNN	图像, 基因表达数据	NA	NA	ResNet-50	NA	NA
72	2025-11-24	Spatial Omics Driven Crossmodal Pretraining Applied to Graph-based Deep Learning for Cancer Pathology Analysis 2024, Pacific Symposium on Biocomputing. Pacific Symposium on Biocomputing PMID:38160300	研究论文	本研究探索利用空间转录组数据通过对比跨模态预训练机制生成深度学习模型，以增强基于图的癌症病理分析	首次将空间组学数据与组织学图像配对，通过对比跨模态预训练机制提升图深度学习模型在病理分析中的性能	NA	开发能够同时提取分子和组织学信息的深度学习模型，用于基于图的癌症病理分析任务	癌症组织病理学全切片图像和空间转录组数据	数字病理学	癌症	空间转录组学	图神经网络	图像, 空间转录组数据	NA	NA	NA	癌症分期准确率, 淋巴结转移预测准确率, 生存预测准确率, 组织聚类分析	NA
73	2025-11-24	PEPSI: Polarity measurements from spatial proteomics imaging suggest immune cell engagement 2024, Pacific Symposium on Biocomputing. Pacific Symposium on Biocomputing PMID:38160302	研究论文	开发了一种从免疫荧光成像数据定义表面蛋白极性的度量方法，用于识别肿瘤微环境中的免疫细胞状态	首次利用亚细胞蛋白表达模式对免疫细胞功能状态进行表型分析，并证明极性定义的细胞亚型能改善深度学习模型的生存预测性能	方法依赖于高分辨率显微镜成像，可能受限于图像质量和分辨率	通过蛋白极性测量理解免疫细胞功能状态及其在肿瘤微环境中的作用	肿瘤微环境中的免疫细胞	空间蛋白质组学成像	肿瘤	免疫荧光成像	深度学习模型	免疫荧光图像	600个患者样本中的200多万个细胞	NA	NA	生存预测性能	NA
74	2025-11-23	Session Introduction: Artificial Intelligence in Clinical Medicine: Generative and Interactive Systems at the Human-Machine Interface 2024, Pacific Symposium on Biocomputing. Pacific Symposium on Biocomputing PMID:38160265	会议介绍	介绍2024年太平洋生物计算研讨会中关于临床医学人工智能的专题会议，重点关注生成式和交互式系统在人机界面的应用	聚焦于生成式AI和深度学习模型在医疗领域的突破性应用，特别强调人机交互界面的创新研究	NA	评估AI系统在医疗保健中的潜在影响和意义，开发解决实际医疗问题的AI算法	临床决策支持系统、监测工具、医学影像解读和分诊能力	人工智能在医学中的应用	NA	生成式AI、深度学习	深度学习模型	非结构化文本、影像数据、结构化和表格数据	NA	NA	NA	NA	NA
75	2025-11-23	BrainSTEAM: A Practical Pipeline for Connectome-based fMRI Analysis towards Subject Classification 2024, Pacific Symposium on Biocomputing. Pacific Symposium on Biocomputing PMID:38160269	研究论文	提出BrainSTEAM集成框架，通过时空模块和多种技术组合解决fMRI数据有限导致的过拟合问题，提升基于连接组的脑功能网络分析性能	提出结合EdgeConv图神经网络、自编码器和Mixup策略的集成框架，通过动态分割时间序列信号构建相关网络来增加训练数据	依赖于有限规模的神经影像数据集，在更广泛疾病类型上的泛化能力有待验证	开发有效的基于连接组的fMRI分析框架，用于神经模式发现和疾病诊断	功能脑网络和脑区连接结构	神经影像分析	自闭症	fMRI	GNN, Autoencoder	功能磁共振成像时间序列数据	ABIDE和HCP两个真实世界神经影像数据集	PyTorch	EdgeConv	分类准确率	NA
76	2025-11-23	Optimizing Computer-Aided Diagnosis with Cost-Aware Deep Learning Models 2024, Pacific Symposium on Biocomputing. Pacific Symposium on Biocomputing PMID:38160273	研究论文	本研究提出了一种集成成本敏感参数的深度学习辅助诊断系统，旨在优化医学影像诊断中的错误分类成本	在激活函数中引入成本敏感参数，差异化处理假阴性和假阳性错误的代价	仅在两个医学影像数据集上验证，未在其他疾病或影像模态上测试	开发成本敏感的深度学习模型以优化计算机辅助诊断系统	肺结节影像和乳腺癌组织学图像	计算机视觉	肺癌, 乳腺癌	医学影像分析	深度学习	医学影像	LIDC和BreakHis两个数据库的样本	NA	NA	灵敏度, 准确率	NA
77	2025-11-23	A deep neural network estimation of brain age is sensitive to cognitive impairment and decline 2024, Pacific Symposium on Biocomputing. Pacific Symposium on Biocomputing PMID:38160276	研究论文	本研究利用自由水校正的扩散MRI和T1加权MRI构建深度神经网络预测大脑年龄，并探讨其与认知障碍的关系	首次采用自由水校正的dMRI技术分离组织与液体信号，并结合T1加权MRI构建密集连接神经网络预测大脑年龄	未说明具体样本量大小和参与者的详细人口统计学特征	开发敏感的生物标志物用于阿尔茨海默病的诊断和监测	认知未受损个体和轻度认知障碍参与者	医学影像分析	阿尔茨海默病	扩散MRI, T1加权MRI, 自由水校正技术	深度神经网络	神经影像数据	NA	NA	密集连接神经网络	相关系数r, p值, β系数	NA
78	2025-11-21	Noninvasive Computed Tomography-Based Deep Learning Model Predicts In Vitro Chemosensitivity Assay Results in Pancreatic Cancer 2024-01-01, Pancreas IF:1.7Q3 DOI:10.1097/MPA.0000000000002270 PMID:38019604	研究论文	基于CT图像的深度学习模型预测胰腺癌体外化疗敏感性检测结果	首次使用CT图像和深度学习非侵入性预测胰腺癌体外化疗敏感性检测结果	样本量较小（33例患者），需要更大规模验证	优化胰腺导管腺癌的化疗方案选择	胰腺导管腺癌患者	计算机视觉	胰腺癌	计算机断层扫描，组织培养药物反应测定	CNN	医学图像	33例PDAC患者	NA	残差卷积神经网络	准确率，AUC	NA
79	2025-11-04	A quantitative analysis of artificial intelligence research in cervical cancer: a bibliometric approach utilizing CiteSpace and VOSviewer 2024, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2024.1431142 PMID:39296978	文献计量学研究	通过文献计量学方法分析人工智能在宫颈癌研究中的应用现状和发展趋势	首次综合运用CiteSpace和VOSviewer对宫颈癌人工智能研究领域进行系统的文献计量分析	仅基于Web of Science数据库，可能未涵盖所有相关文献	评估人工智能在宫颈癌研究中的作用，识别研究趋势和未来方向	927篇相关学术论文（2008-2024年）	文献计量学	宫颈癌	文献计量分析	NA	文献元数据	927篇文章，涉及5,299位作者，81个地区	CiteSpace, VOSviewer	NA	引用频率，爆发排名分析	NA
80	2025-11-03	Comparison of deep learning approaches to estimate injury severity from the International Classification of Diseases codes 2024, Traffic injury prevention IF:1.6Q4 DOI:10.1080/15389588.2024.2356663 PMID:39485495	研究论文	比较不同深度学习方法从ICD编码估计损伤严重程度的性能	首次系统比较前馈神经网络与神经机器翻译模型在损伤严重程度估计中的表现，并对比直接与间接估计方法的优劣	仅使用美国国家创伤数据库数据，可能在其他医疗系统中泛化性有限	开发从ICD编码准确估计损伤严重程度的方法	创伤患者的ICD编码数据	自然语言处理	创伤	深度学习方法	前馈神经网络,神经机器翻译	医疗编码文本数据	训练集2,031,793例(2017-2018年)，测试集1,091,792例(2019年)	NA	编码器-解码器架构	ISS≥16正确分类百分比,ISS精确匹配百分比	GPU(具体型号未指定)