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
361	2026-08-21	HGCMorph: joint discontinuity-preserving and pose-learning via GNN and capsule networks for deformable medical images registration 2024-03-28, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad2a96 PMID:38373349	研究论文	提出了一种结合卷积网络、图神经网络和胶囊网络的混合深度学习架构HGCMorph，用于变形医学图像配准，旨在提高配准精度和效率，并处理旋转配准问题。	创新性地结合ConvNets、GNNs和CapsNets，同时捕捉低级特征（短程注意力）和抽象高级特征（实体属性如位置、大小、方向、变形和纹理），实现不连续性保留和姿势学习。	摘要中未明确提及局限性。	通过开发新型架构，克服现有基于U-Net、ConvNets或Transformers的配准方法的局限性，提高医学图像配准的准确性和效率，并处理旋转配准问题。	医学图像，包括脑部数据集（OASIS和LPBA40）和肺部数据集（日本放射学会、Montgomery和Shenzhen）。	医学图像分析	不适用（未指定特定疾病）	深度学习	GNN, 胶囊网络, ConvNets	图像	OASIS和LPBA40数据集，具体样本数未提及；肺部数据集包括日本放射学会、Montgomery和Shenzhen。	未提及	混合框架，包含ConvNets, GNNs, CapsNets	Dice分数（DSC），负雅可比行列式	未提及
362	2026-08-21	Highly robust reconstruction framework for three-dimensional optical imaging based on physical model constrained neural networks 2024-03-21, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad2ca3 PMID:38394682	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
363	2026-08-21	Synthetic CT imaging for PET monitoring in proton therapy: a simulation study 2024-03-13, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad2a99 PMID:38373343	研究论文	本研究探讨了质子治疗中束内正电子发射断层扫描（IB-PET）的基本局限性，即图像缺乏直接解剖表示，并通过应用深度学习技术从IB-PET和计划CT扫描数据创建合成对照CT图像（sCT）来克服这一缺陷。	创新点在于首次将深度学习技术应用于质子治疗中的IB-PET，通过结合IB-PET和计划CT数据生成合成CT图像，以揭示隐藏的解剖信息。	研究仅基于模拟数据，涉及六名患者，且未提及计算资源的具体信息。	旨在开发一种基于视觉变换器（ViT）的深度学习模型，从IB-PET和计划CT扫描中生成合成CT图像，以提高质子治疗中的解剖可视化。	研究对象是接受质子束照射的六名患者，使用他们的计划CT扫描和模拟的分数间PET活动图。	医学影像，深度学习	不适用	模拟IB-PET成像，使用计划CT扫描和PET活动图	视觉变换器（ViT）神经网络	医学图像（CT和PET）	六名患者	不适用	视觉变换器（ViT）	结构相似性指数（SSIM）、平均绝对误差（MAE）、均方根误差（RMSE）、峰值信噪比（PSNR）、Dice相似系数（DSC）	不适用
364	2026-08-21	Radioport: a radiomics-reporting network for interpretable deep learning in BI-RADS classification of mammographic calcification 2024-03-12, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad2a95 PMID:38373345	研究论文	提出一种名为Radioport的放射组学报告网络，通过结合文本注意力机制增强深度学习放射组学在乳腺钼靶钙化诊断中的可解释性	创新性地将文本注意力机制融入放射组学报告网络，实现视觉特征与文本特征的映射，自动生成诊断报告，提升深度学习模型的可解释性和报告可读性	未在摘要中明确提及局限性	提高深度学习放射组学在乳腺钼靶钙化诊断中的可解释性，并改善生成医学报告的可读性	乳腺钼靶图像及其对应的诊断报告	计算机视觉	乳腺疾病	深度学习放射组学	卷积神经网络	图像和文本	未在摘要中明确提及样本数量	未在摘要中明确提及框架	卷积神经网络	未在摘要中明确提及性能指标	未在摘要中明确提及计算资源
365	2026-08-21	A multi-modal vision-language pipeline strategy for contour quality assurance and adaptive optimization 2024-03-06, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad2a97 PMID:38373347	研究论文	提出了一种多模态视觉-语言流水线策略，用于放疗中器官危及器官轮廓的质量保证和自适应优化修正	创新性地结合了质量保证模块、不可接受轮廓分类模块和自适应修正模块，利用视觉-语言表示和凸优化算法实现轮廓的自适应修正	未在摘要中提及	自动化识别和修正深度学习生成的错误自动分割轮廓，提高放疗中危及器官勾画的工作流程效率	来自九个机构的586张CT图像和标签，包括脑干、腮腺和下颌骨等危及器官	计算机视觉、机器学习	放射治疗相关的肿瘤疾病	深度学习、凸优化	视觉-语言模型	CT图像及相应标签	586个CT图像和标签	未提及	视觉-语言表示模型	敏感性、准确率、精确率、F1分数、Dice相似系数、豪斯多夫距离	未提及
366	2026-08-21	Riboformer: a deep learning framework for predicting context-dependent translation dynamics 2024-03-05, Nature communications IF:14.7Q1 DOI:10.1038/s41467-024-46241-8 PMID:38443396	研究论文	本文介绍了Riboformer，一个基于深度学习的框架，用于预测翻译动力学中的上下文依赖性变化。	Riboformer采用Transformer架构，能够在密码子分辨率下准确预测核糖体密度，并能在未见过的数据集中纠正实验伪影，同时结合in silico突变识别导致核糖体停滞的序列基序。	本文未提及明显的局限性，但可能依赖高质量训练数据，且对特定生物学上下文的适用性需进一步验证。	建模翻译动力学中的上下文依赖性变化，标准化核糖体图谱数据集，并揭示翻译调控的机制。	核糖体图谱数据，包括来自不同生物背景（如老化和病毒感染）的核糖体密度图谱。	深度学习	老化相关疾病和病毒感染相关疾病	核糖体图谱	Transformer	基因组尺度下的核糖体密度数据	未在标题和摘要中明确提及具体样本数量。	未明确提及，可能涉及PyTorch或TensorFlow，但文中未指定。	Transformer	准确性，可能包括均方误差或相关系数，但文中未具体列出。	未在标题和摘要中提及。
367	2026-08-21	Enhancing the fairness of AI prediction models by Quasi-Pareto improvement among heterogeneous thyroid nodule population 2024-03-04, Nature communications IF:14.7Q1 DOI:10.1038/s41467-024-44906-y PMID:38438371	研究论文	本文提出了一种基于准帕累托改进（QPI）的深度学习方法，以增强甲状腺结节 AI 预测模型在不同亚组间的公平性，同时保持整体性能。	将准帕累托改进（QPI）与多任务学习和领域自适应相结合，提出 QP-Net 模型，在不牺牲整体性能的前提下改善劣势亚组的性能，并验证了其在多个公开数据集上的泛化能力。	摘要中未明确提及局限性。	提高 AI 医疗诊断模型在异质性人群中的公平性，减少因样本量不平衡导致的性能差异。	甲状腺超声数据集中的亚组人群，以及 ISIC2019 皮肤疾病数据集和 CheXpert 胸部 X 光数据集中的对应亚组。	医学影像分析	甲状腺结节、皮肤病、胸部疾病	超声成像、皮肤影像、胸部X光	深度学习模型	图像	包含甲状腺超声大型数据集，以及两个公开数据集（ISIC2019 和 CheXpert），具体样本量未在摘要中提供。	未明确指定，可能使用常见的深度学习框架，如 PyTorch 或 TensorFlow。	QP-Net（结合多任务学习和领域自适应，可能基于卷积神经网络架构）	AUC（曲线下面积）	未在摘要中提及。
368	2026-08-21	Linear motifs regulating protein secretion, sorting and autophagy in Leishmania parasites are diverged with respect to their host equivalents 2024-02, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1011902 PMID:38363808	研究论文	本研究深入探索了利什曼原虫中三个关键靶向短线性基序系统及其受体，结合结构建模、进化序列差异和深度学习，揭示了它们与宿主对应物的差异，并构建了预测未表征蛋白质定位和功能的模型	首次系统性地揭示了利什曼原虫中分泌信号肽、ER滞留基序和自噬信号基序与其宿主对应物的分岐，并发现了富含Ala/Val的分泌信号肽和C端Asp-Leu-COOH的ER驻留蛋白等独特分子特征，这些特征可作为选择性抗利什曼病药物的潜在靶点	未提供具体实验验证或大规模数据集，具体样本大小和计算资源未描述，可能限制模型预测的泛化能力	通过进化、结构和深度学习分析，理解利什曼原虫中分泌、分选和自噬相关的短线性基序系统，并开发预测工具以识别潜在药物靶点	利什曼原虫中的分泌信号肽、ER滞留基序（KDEL）、自噬信号基序（与ATG8家族相互作用）及其受体	结构生物学、进化生物学、深度学习	利什曼病	结构建模、进化序列差异分析、深度学习	深度学习模型（具体类型未提及）	蛋白质序列和结构数据	未明确提及样本数量	NA	NA	NA	NA
369	2026-08-21	Denoising diffusion probabilistic models for generation of realistic fully-annotated microscopy image datasets 2024-02, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1011890 PMID:38377165	研究论文	本研究展示了去噪扩散概率模型能够通过无监督和直观的方法，以粗略的结构草图作为起点，生成完全标注的显微镜图像数据集。	提出了一种基于扩散模型的流水线，仅需粗略草图即可生成完全标注的显微镜图像，减少了深度学习方法中手动标注的依赖。	未明确提及局限性。	减少深度学习分割方法对手动标注数据的依赖，实现无需人工标注即可分割多样化数据集。	显微镜图像及相应的分割模型。	计算机视觉	不适用	不适用	去噪扩散概率模型	图像	不适用	不适用	不适用	准确率	不适用
370	2026-08-21	Disentangled deep generative models reveal coding principles of the human face processing network 2024-02, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1011887 PMID:38408105	研究论文	本文介绍了一种使用解纠缠深度生成模型解释人类面部处理网络编码原理的方法。	提出了一种利用解纠缠表示学习模型来无监督地学习面部语义维度，并用于解释人类fMRI数据的新方法，提高了模型的可解释性。	未提及明显的局限性，但可能包括解纠缠维度中的少数不可解释维度仍需进一步研究。	揭示人类面部处理网络的计算原理，并提供一种可解释的深度学习模型来模拟和解释大脑数据。	人类面部处理网络，面部特征（如旋转、光照、发型等），以及人类fMRI数据。	机器学习	NA	fMRI	解纠缠生成模型	图像和fMRI数据	未提及具体样本数量	NA	解纠缠表示学习模型	未明确提及，但可能包括编码模型的预测性能指标	NA
371	2026-08-21	Bidirectional de novo peptide sequencing using a transformer model 2024-02, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1011892 PMID:38416757	研究论文	提出了一种名为NovoB的Transformer模型，用于从串联质谱数据中双向预测肽序列，以提高de novo测序的准确性。	首次将Transformer模型应用于双向de novo肽测序，同时从肽序列的首尾氨基酸开始预测，利用b离子和y离子碎片共存的特点，显著提升预测性能。	未提供具体的局限性信息，可能包括模型复杂性和训练数据需求等。	开发一种改进的深度学习方法，用于从串联质谱数据中准确预测肽序列。	肽序列，特别是来自不同物种的质谱数据中的肽段。	蛋白质组学	NA	串联质谱（Tandem Mass Spectrometry）	Transformer	质谱数据	所有物种的样本，具体数量未提供。	NA	Transformer	肽级准确率（peptide-level accuracy）	NA
372	2026-08-21	DeepD3, an open framework for automated quantification of dendritic spines 2024-02, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1011774 PMID:38422112	研究论文	提出了一个开放框架DeepD3，利用深度学习全自动量化显微镜数据中的树突棘。	利用多专家注释和分割的训练数据训练神经网络，提供全自动且稳健的树突棘量化方法，并公开了完整框架、基准数据集和模型库，解决了树突棘数据公开可用性缺乏的问题。	未在摘要中明确提及局限性，但可能存在对不同实验条件的泛化限制和依赖高质量训练数据。	开发一个全自动、稳健且可复现的树突棘量化方法，以克服人工量化中的变异性和错误。	显微镜数据中的树突和树突棘。	计算机视觉	不适用	光显微镜成像	卷积神经网络	图像	未在摘要中明确提及样本数量	未明确提及，可能包括TensorFlow或PyTorch，但不适用	未在摘要中明确指定，可能为U-Net等分割架构，但不适用	可靠性指标（包括人与人之间的可靠性）	未在摘要中提及，不适用
373	2026-08-21	Interpretable deep learning reveals the role of an E-box motif in suppressing somatic hypermutation of AGCT motifs within human immunoglobulin variable regions 2024, Frontiers in immunology IF:5.7Q1 DOI:10.3389/fimmu.2024.1407470 PMID:38863710	research paper	本研究利用可解释深度学习模型DeepSHM和集成梯度方法，揭示E-box基序在抑制人免疫球蛋白可变区AGCT基序体细胞高频突变中的作用	首次将可解释性深度学习方法应用于SHM研究，揭示了E-box转录因子结合基序CAGCTG对AGCT突变频率的抑制作用，提出新的SHM局部调控机制	仅在两个人类B细胞系中验证E2A与V区基因座的关联，且研究基于公开SHM数据集，可能受数据来源和样本多样性限制	系统研究AGCT基序位置偏倚的分子基础，探索局部序列特征对SHM的调控作用	人类免疫球蛋白可变区的AGCT基序、E-box基序及E2A转录因子	machine learning	NA	NA	DeepSHM（机器学习模型）	SHM数据集（序列数据）	人类SHM数据集及两个人类B细胞系	NA	DeepSHM	准确性	NA
374	2026-08-21	Tantalum oxide nanoparticles as versatile and high-resolution X-ray contrast agent for intraductal image-guided ablative procedure in rodent models of breast cancer 2024, Npj imaging DOI:10.1038/s44303-024-00007-5 PMID:39301013	研究论文	本研究评估了钽氧化物纳米颗粒作为X射线造影剂在啮齿动物乳腺癌模型中用于导管内图像引导消融手术的性能和安全性。	首次系统比较了不同纳米颗粒造影剂，并展示了钽氧化物纳米颗粒在图像引导消融中的优越成像性能和高局部清除率。	未明确提及研究的局限性。	确定钽氧化物纳米颗粒作为造影剂在导管内图像引导消融手术中的适用性，并评估其安全性。	雌性FVB/JN小鼠和Sprague-Dawley大鼠的乳腺导管。	医学影像	乳腺癌	微CT成像	NA	图像	至少六个乳腺导管，涉及3只以上雌性FVB/JN小鼠和/或Sprague-Dawley大鼠（10-11周龄）	NA	NA	成像性能、局部保留、全身清除、安全性、细胞死亡百分比、附带损伤	NA
375	2026-08-21	Detection method of organic light-emitting diodes based on small sample deep learning 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0297642 PMID:38315697	研究论文	提出一种基于小样本深度学习的有机发光二极管检测模型SmartMuraDetection，以解决新型显示面板生产过程中表面缺陷检测精度低、自动化不足的问题	设计梯度边界增强算法模块自动识别和增强缺陷与背景灰度差，采用Poisson融合图像增强模块解决小样本数据不足，构建TinyDetection模型适配小尺度目标检测，并提出SEMUMaxMin量化模块作为后处理	未提及具体局限性	提高有机发光二极管表面缺陷检测的准确率、精度及自动化水平，满足量产检测需求	有机发光二极管显示面板的表面缺陷	计算机视觉	NA	深度学习	CNN	图像	334张样本图像	NA	TinyDetection	检测准确率	NA
376	2026-08-21	The communication of artificial intelligence and deep learning in computer tomography image recognition of epidemic pulmonary infectious diseases 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0297578 PMID:38319912	研究论文	本研究利用基于深度学习的AI辅助诊断软件，对200例肺部传染性疾病患者的CT图像进行病灶检测，以提高诊断效率和准确性	将深度学习模型AlexNet应用于肺部传染性疾病CT图像识别，并开发了“UAI肺部传染性疾病智能辅助分析系统”用于自动检测、批量标记和计算病灶体积	未提及具体局限性	提高流行性肺部传染性疾病的诊断效率和准确性，并研究AI在肺部传染性疾病诊断和公共卫生管理中的应用	200例肺部传染性疾病患者的CT图像	计算机视觉、数字病理学	肺部传染性疾病	CT成像	卷积神经网络（CNN）	图像	200例患者的CT图像	NA	AlexNet	检出率、误检率、漏诊率	NA
377	2026-08-20	A combined deep learning framework for mammalian m6A site prediction 2024-12-11, Cell genomics IF:11.1Q1 DOI:10.1016/j.xgen.2024.100697 PMID:39571573	研究论文	本文提出了一种结合Transformer架构和循环神经网络的深度框架deepSRAMP，用于基于序列和基因组特征预测哺乳动物m6A位点。	首次将Transformer架构与循环神经网络结合用于m6A位点预测，相较于现有预测器显著提高了准确性和鲁棒性。	未在文中明确说明局限性，但可能受限于训练数据的多样性和模型对未知物种的泛化能力。	开发一种高精度的m6A位点预测工具，以支持不同条件下的哺乳动物表观转录组研究。	哺乳动物mRNA中的m6A修饰位点。	机器学习和生物信息学	不适用	序列分析、基因组特征提取	Transformer和循环神经网络（RNN）	序列数据和基因组特征数据	使用多个基准数据集（具体数量未在标题和摘要中明确）	未在标题和摘要中明确指定	Transformer和循环神经网络（如LSTM或GRU）的混合架构	AUROC、AUPRC	未在标题和摘要中明确指定
378	2026-08-20	Identification of lineage-specific cis-trans regulatory networks related to kiwifruit ripening initiation 2024-12, The Plant journal : for cell and molecular biology DOI:10.1111/tpj.17093 PMID:39462454	研究论文	利用可解释深度学习框架识别猕猴桃果实成熟启动过程中谱系特异的顺式-反式调控网络，并验证了新的转录因子与顺式元件互作	首次将可解释深度学习应用于果实成熟调控网络识别，独立于共表达模式发现新的谱系特异CRE-TF互作	未提及	基于启动子CRE预测表达模式，识别影响猕猴桃果实成熟（乙烯触发）的谱系特异CRE-TF互作	猕猴桃果实成熟过程及其相关基因（如ACS1、ERT2、ERF143）	深度学习、分子生物学	NA	DNA亲和纯化测序（DAP-Seq）、瞬时报告基因实验	可解释深度学习模型	启动子序列、基因表达数据	NA	NA	NA	NA	NA
379	2026-08-20	Exploring protein natural diversity in environmental microbiomes with DeepMetagenome 2024-11-18, Cell reports methods IF:4.3Q2 DOI:10.1016/j.crmeth.2024.100896 PMID:39515333	研究论文	DeepMetagenome是一种基于Python的方法，通过深度学习模型从环境微生物组中探索蛋白质自然多样性，并在金属硫蛋白等蛋白质家族中展现出优越性能。	该方法结合了嵌入层、卷积层、LSTM和全连接层，能够从海量元基因组数据中高效识别高置信度蛋白质序列，且无需先验假设。	未提及具体局限性。	利用深度学习从环境微生物组中挖掘蛋白质自然多样性，以辅助蛋白质工程。	环境微生物组中的蛋白质序列，特别是金属硫蛋白等。	机器学习	NA	元基因组测序	混合深度学习模型（包含嵌入、卷积、LSTM和全连接层）	序列数据	超过1.46亿个编码特征的数据库用于筛选，其中23个合成序列用于验证	Python	嵌入层、卷积层、LSTM、全连接层	准确率、稳定性（通过25个epoch表现）	未提及具体GPU或云平台，但工具在GitHub上公开
380	2026-08-20	AI-empowered perturbation proteomics for complex biological systems 2024-11-13, Cell genomics IF:11.1Q1 DOI:10.1016/j.xgen.2024.100691 PMID:39488205	perspective	本文介绍了扰动蛋白质组学的原理、必要性和实用性，并提出了PMMP（扰动、测量、建模至预测）通用流程，以及基于大规模扰动蛋白质组数据构建基础模型或其他数学模型的建议。	提出将AI与扰动蛋白质组学相结合，形成PMMP流程，并强调构建基础模型以增强对复杂生物系统的预测能力。	文中未具体说明当前数据的局限性和技术挑战，也未提供实证验证。	探讨扰动蛋白质组学在系统生物学中的应用，及其在预测扰动响应、作用机制和蛋白质功能方面的潜力。	生物系统，包括蛋白质表达、周转、翻译后修饰、相互作用、运输和定位等。	机器学习	NA	蛋白质组学	传统机器学习或深度学习	蛋白质组学数据，包括表达、修饰、相互作用等数据	NA	NA	基础模型	NA	NA