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
401	2026-05-24	Conventional and deep learning methods in heart rate estimation from RGB face videos 2024-02-09, Physiological measurement IF:2.3Q3 DOI:10.1088/1361-6579/ad1458 PMID:38081130	综述	评估从RGB面部视频中心率估计的常规与深度学习方法，重点关注深度学习的局限和视频数据集的可获取性	系统比较常规方法与深度学习方法在心率估算中的应用，并指出深度学习的局限性及非控制环境下面部视频数据集的可用性挑战	可能缺乏对不同方法在真实场景下鲁棒性的全面比较，且未详细讨论数据集规模对模型性能的影响	为远程光电容积描记术和心率估计方法的理解提供全面综述，分析其优缺点	RGB面部视频中的心率信号提取方法	计算机视觉	NA	远程光电容积描记术	CNN, LSTM, 其他深度学习方法	视频	NA	NA	NA	NA	NA
402	2026-05-23	A practical machine learning approach for predicting the quality of 3D (bio)printed scaffolds 2024-07-25, Biofabrication IF:8.2Q1 DOI:10.1088/1758-5090/ad6374 PMID:39008994	研究论文	本研究提供了一个关于3D打印支架的最大规模开源数据集，并运用多种机器学习和深度学习算法预测支架质量、细胞响应和可打印性	提供了最全面的开源数据集，涵盖1171个支架、60种生物材料、49种细胞系及不同打印条件，并使用超过40种机器学习与深度学习算法进行预测	信息缺乏，待进一步说明	利用人工智能技术预测3D生物打印支架的质量，克服数据稀缺问题	3D打印支架的质量、细胞响应和可打印性	机器学习	NA	3D生物打印	机器学习与深度学习算法	表格数据	1171个3D打印支架样本	Scikit-learn, XGBoost, LightGBM, PyTorch	KMeans, XGBoost, Gradient Boosting, Extra Trees Classifier, Random Forest Classifier, LightGBM, 全连接神经网络（6个隐藏层）	准确率, F1分数	NA
403	2026-05-23	A variational autoencoder trained with priors from canonical pathways increases the interpretability of transcriptome data 2024-07, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1011198 PMID:38959284	研究论文	利用先验来自规范通路的变分自编码器提高转录组数据的可解释性	提出一种利用生物学数据先验指导网络学习基于可理解生物学概念的转录组表示的变分自编码器	NA	通过变分自编码器提高转录组数据的可解释性，实现基于生物通路水平的差异分析	转录组数据	机器学习	NA	RNA-seq	变分自编码器	基因表达数据	NA	NA	VAE, β-VAE, 先验引导VAE	重构准确度, 语义准确性	NA
404	2026-05-23	The Use of Deep Learning Software in the Detection of Voice Disorders: A Systematic Review 2024-06, Otolaryngology--head and neck surgery : official journal of American Academy of Otolaryngology-Head and Neck Surgery DOI:10.1002/ohn.636 PMID:38168017	系统综述	总结深度学习在声学及喉镜输入检测嗓音障碍中的应用，比较不同神经网络准确性，并与专家临床视觉检查对比	首次系统比较CNNs和MLPs在不同输入类型（声学vs影像）下的诊断准确性，并探讨其相对于专家临床检查的效能	仅限有限比较中显示深度学习优于专家检查，缺乏外部验证研究	评估深度学习在嗓音障碍检测中的有效性	健康与嗓音障碍患者的分类诊断	自然语言处理, 数字病理学	嗓音障碍	深度学习	CNN, MLP	音频, 图像	34项研究纳入，包括18项声学分析、15项影像分析、1项两者兼顾	NA	CNN, MLP	准确率	NA
405	2026-05-23	DeepDynaForecast: Phylogenetic-informed graph deep learning for epidemic transmission dynamic prediction 2024-04, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1011351 PMID:38598563	研究论文	提出了DeepDynaForecast，一种基于系统发育树和图的深度学习系统，用于预测传染病传播动态	结合系统发育树拓扑和人口参数的原始-对偶图学习结构，采用快捷多层聚合技术，实现了对新兴高风险群体传播动态的早期识别与预测	NA	开发基于系统发育的深度学习系统，用于预测传染病传播风险和模式，以优化公共卫生干预策略	人类免疫缺陷病毒（HIV）在佛罗里达州2012年至2020年的传播动态	机器学习	艾滋病（HIV）	系统发育分析	图神经网络（GNN）	模拟爆发数据和真实大规模流行病数据	NA	PyTorch	原始-对偶图学习结构，快捷多层聚合	准确率	NA
406	2026-05-23	Vocal Cord Leukoplakia Classification Using Siamese Network Under Small Samples of White Light Endoscopy Images 2024-04, Otolaryngology--head and neck surgery : official journal of American Academy of Otolaryngology-Head and Neck Surgery DOI:10.1002/ohn.591 PMID:38037413	研究论文	提出一种基于非常深孪生网络的方法，在小样本白色喉镜图像下对声带白斑进行分类	引入非常深孪生网络处理小样本数据，在声带白斑分类上实现高准确性	未明确说明，但基于小样本数据可能限制泛化能力	实现声带白斑的准确分类以辅助临床诊断和手术治疗	声带白斑白色喉镜图像，分为正常组织、炎性角化、轻度异型增生、中度异型增生、重度异型增生和鳞状细胞癌六类	计算机视觉	声带白斑	白色喉镜成像	孪生网络	图像	小样本数据集（具体数量未给出）	NA	非常深孪生网络	准确性、敏感性、特异性	NA
407	2026-05-23	End-to-end deep learning approach to mouse behavior classification from cortex-wide calcium imaging 2024-03, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1011074 PMID:38478563	研究论文	利用端到端深度学习模型从皮层钙成像数据中分类小鼠行为状态	提出一种结合卷积神经网络和循环神经网络的端到端解码器，能高精度分类行为状态并识别关键脑区，提供可解释性	仅在小鼠数据上验证，未提及模型在更大数据集或不同条件下的泛化能力	探索深度学习在解码小鼠脑活动与行为关系中的表现及可解释性	小鼠行为状态及其与皮层钙成像数据的关联	计算机视觉	不适用	钙成像	卷积神经网络（CNN）和循环神经网络（RNN）	钙成像图像序列	不适用	不适用	CNN-RNN	准确率、鲁棒性	不适用
408	2026-05-23	IntroUNET: Identifying introgressed alleles via semantic segmentation 2024-02, PLoS genetics IF:4.0Q1 DOI:10.1371/journal.pgen.1010657 PMID:38377104	研究论文	提出IntroUNET方法，利用语义分割深度学习算法从基因组比对中识别每个个体的渐渗等位基因	首次将语义分割深度学习算法应用于群体遗传学中的渐渗等位基因识别，能推断每个个体中哪些等位基因来自另一群体，并可扩展至识别未采样‘幽灵群体’的渐渗	依赖模拟数据进行训练，真实数据应用可能受模型假设偏差影响	开发一种能从群体基因组比对中精确识别每个个体渐渗等位基因的深度学习方法	群体基因组序列比对数据（模拟数据及果蝇真实数据）	机器学习	NA	基因组测序	语义分割神经网络（类似U-Net架构的卷积神经网络）	基因组序列图像表示	模拟数据（两群体比对）及果蝇真实数据	NA	语义分割网络	准确率	NA
409	2026-05-23	Methods and considerations for estimating parameters in biophysically detailed neural models with simulation based inference 2024-02, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1011108 PMID:38408099	综述性研究论文	本文探讨利用基于仿真的推断方法估计生物物理详细神经模型参数的途径和考量，提供从简化示例到实际MEG/EEG波形的应用指南，并利用人类新皮层神经求解器的大规模神经建模框架进行说明	提出将基于仿真的推断应用于大规模生物物理详细神经模型的系统性指导，包括参数推断以解释时间序列波形的方法，并利用诊断评估后验估计的质量和唯一性	大规模生物物理详细模型中基于仿真的推断的使用仍具挑战，且针对时间序列波形的推断方法尚未完全确立，方法学有待进一步完善	提供如何将SBI应用于生物物理详细神经模型以估计时间序列波形的指南和考量，建立原则性基础以指导未来应用	生物物理详细神经模型中的参数与时间序列波形（如振荡和事件相关电位模拟）	机器学习	NA	基于仿真的推断，深度密度估计	生物物理详细神经模型	MEG/EEG波形时间序列数据	NA	PyTorch, TensorFlow	密度估计网络（如归一化流）	后验估计质量、唯一性诊断指标	GPU（如NVIDIA V100或同类）
410	2026-05-23	Using deep learning to quantify neuronal activation from single-cell and spatial transcriptomic data 2024-01-26, Nature communications IF:14.7Q1 DOI:10.1038/s41467-023-44503-5 PMID:38278804	研究论文	通过深度学习方法从单细胞和空间转录组数据量化神经元激活水平	提出NEUROeSTIMator模型，能够整合转录组信号估计神经元激活，与Patch-seq电生理特征相关且对物种、细胞类型和脑区差异具有鲁棒性	NA	开发一种从单细胞和空间转录组数据准确量化神经元激活的深度学习工具	神经元激活相关的转录组数据	机器学习	NA	单细胞RNA测序（scRNA-seq），空间转录组学	深度学习模型	转录组数据	NA	NA	NEUROeSTIMator	准确度	NA
411	2026-05-23	MHC-I upregulation safeguards neoplastic T cells in the skin against NK cell-mediated eradication in mycosis fungoides 2024-01-25, Nature communications IF:14.7Q1 DOI:10.1038/s41467-024-45083-8 PMID:38272918	研究论文	利用克隆性监督深度学习方法，揭示IL-32β-MHC-I轴在皮肤T细胞淋巴瘤免疫逃逸中的关键作用	首次发现MHC-I上调通过抑制NK细胞功能促进皮肤T细胞淋巴瘤免疫逃逸，并验证破坏MHC-I与Ly49受体相互作用可恢复NK细胞抗肿瘤活性	研究局限于皮肤T细胞淋巴瘤模型，未探索其他类型淋巴瘤或多器官微环境差异	阐明皮肤T细胞淋巴瘤免疫逃逸机制并开发克服细胞靶向治疗耐药的新策略	蕈样肉芽肿患者皮肤样本及雌性小鼠模型	数字病理学, 机器学习	皮肤T细胞淋巴瘤	RNA-seq	深度学习	图像, 文本	人类患者皮肤样本（未明确数量）及雌性小鼠模型	PyTorch	克隆性监督深度神经网络	NA	NA
412	2026-05-23	IntroUNET: identifying introgressed alleles via semantic segmentation 2024-Jan-23, bioRxiv : the preprint server for biology DOI:10.1101/2023.02.07.527435 PMID:36865105	研究论文	将语义分割深度学习算法应用于识别种群遗传比对中的渗入等位基因	首次将语义分割任务应用于渗入等位基因的个体水平精确识别，能推断每个个体的渗入等位基因及其在基因组中的具体位置	依赖模拟数据训练，真实数据应用需要验证；对未采样“幽灵”种群的性能需进一步评估	开发一种能够识别基因组中渗入区域和个体渗入等位基因的深度学习方法	两个种群的遗传比对数据（模拟数据及真实种群数据如邓氏鱼）	机器学习	NA	NGS	CNN (语义分割网络)	图像（种群遗传比对图像）	具体样本量未说明，但包括模拟数据和来自果蝇的真实数据	NA	语义分割网络（具体架构未明确提及）	准确率（highly accurate）	NA
413	2026-05-23	The Value of Topological Radiomics Analysis in Predicting Malignant Risk of Pulmonary Ground-Glass Nodules: A Multi-Center Study 2024 Jan-Dec, Technology in cancer research & treatment IF:2.7Q3 DOI:10.1177/15330338241287089 PMID:39363876	研究论文	通过拓扑放射组学分析预测肺部磨玻璃结节的恶性风险	首次将拓扑数据分析应用于肺磨玻璃结节的放射组学分析，结合同调理论提取拓扑特征，显著提升了良恶性鉴别性能	研究中未提及外部验证，可能限制模型的泛化能力	预测肺CT扫描中磨玻璃结节的恶性风险，提升早期诊断准确性	肺部磨玻璃结节（GGNs）患者	计算机视觉	肺癌	CT扫描，放射组学分析	机器学习与深度学习算法结合的模型	影像数据	来自两个中心的3223名患者（2018年1月至2023年6月）	NA	NA	曲线下面积（AUC）、敏感度	NA
414	2026-05-20	NeuroPred-ResSE: Predicting neuropeptides by integrating residual block and squeeze-excitation attention mechanism 2024-12, Analytical biochemistry IF:2.6Q2 DOI:10.1016/j.ab.2024.115648 PMID:39154878	研究论文	提出基于残差块和挤压激励注意力机制的神经肽预测模型NeuroPred-ResSE	首次将残差块与挤压激励注意力机制结合用于神经肽预测，能捕获并识别最相关的属性特征	未明确提及具体局限性，但可能依赖特定序列编码方法，需进一步验证泛化能力	开发快速准确的神经肽预测工具，助力神经系统疾病药物研发	神经肽序列及其预测模型	机器学习	神经系统疾病	NA	CNN（基于残差块和注意力机制）	序列数据（蛋白质/肽序列）	未明确样本数量，但提及训练集和测试集（基于5折交叉验证和独立测试）	NA	ResNet（残差块）、Squeeze-and-Excitation Network（挤压激励注意力机制）	准确率（accuracy）	NA
415	2026-05-20	The development of machine learning approaches in two-dimensional NMR data interpretation for metabolomics applications 2024-12, Analytical biochemistry IF:2.6Q2 DOI:10.1016/j.ab.2024.115654 PMID:39187053	研究论文	利用机器学习方法开发二维核磁共振数据处理自动化流程，用于代谢组学定量分析	首次将多种机器学习分类方法（PLS-DA、ANN-DA、XGBoost-DA和ANNDL-DA）与自动峰选择相结合，实现二维核磁共振数据的自动化定量分析	PLS-DA和XGBoost-DA在数据变异或过拟合方面存在局限性，ANN-DA和ANNDL-DA的准确性仍约90%需进一步提升	开发自动化方法处理二维核磁共振数据，推动其在代谢组学定量研究中的常规应用	标准混合物、海葵提取物和小鼠粪便样本	机器学习	NA	NMR	PLS-DA, ANN-DA, XGBoost-DA, ANNDL-DA	二维核磁共振谱数据	标准混合物、海葵提取物和小鼠粪便样本	NA	NA	准确性（约90%）	NA
416	2026-05-20	Integrating predictive coding and a user-centric interface for enhanced auditing and quality in cancer registry data 2024-Dec, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2024.04.007 PMID:38690549	研究论文	开发了一个结合深度学习与规则方法的混合自然语言处理系统，集成于医院信息系统，为癌症登记员提供患者病程可视化平台，以辅助肺癌登记数据的编码工作	将预测编码与用户中心界面整合，提出混合加权神经符号系统，并构建患者病程可视化平台以辅助编码审核	NA	简化医院癌症登记数据的人工提取流程，提升编码质量与效率	肺癌登记相关文本数据及编码项目	自然语言处理	肺癌	自然语言处理、深度学习、规则方法	混合深度学习-规则模型	文本	1428例肺癌患者数据	NA	混合神经符号架构	F1分数	NA
417	2026-05-20	AI-readiness for Biomedical Data: Bridge2AI Recommendations 2024-Nov-24, bioRxiv : the preprint server for biology DOI:10.1101/2024.10.23.619844 PMID:39484409	评论	本文介绍了Bridge2AI项目提出的生物医学数据AI就绪性评估方法及数据标准	提出生物医学数据AI就绪性的评估标准，并整合可解释人工智能以及伦理、法律和社会影响考量	领域快速演进，所提标准为初步基础框架，可能需持续更新	制定生物医学数据AI就绪性的评估方法和数据标准，确保科学严谨性和伦理设计	Bridge2AI项目开发的旗舰数据集及相关AI/ML分析方法	机器学习	未指定	NA	NA	生物医学数据	NA	NA	NA	NA	NA
418	2026-05-20	Application and performance enhancement of FAIMS spectral data for deep learning analysis using generative adversarial network reinforcement 2024-11, Analytical biochemistry IF:2.6Q2 DOI:10.1016/j.ab.2024.115627 PMID:39033946	研究论文	使用生成对抗网络增强高场非对称离子迁移谱（FAIMS）谱图数据以改进深度学习分析性能	首次将生成对抗网络（GAN）引入FAIMS谱图数据增强，通过生成高保真度和多样性的谱图有效扩展数据集，无需增加额外实验成本	未提及模型对复杂混合物中未知或罕见成分的泛化能力，以及生成数据的潜在偏差或过拟合风险	解决FAIMS深度学习分析中因数据质量不足和样本多样性低导致的识别性能差的问题	通过FAIMS收集的15类真实混合谱图数据	机器学习	NA	高场非对称离子迁移谱（FAIMS）	生成对抗网络（GAN）、VGG、ResNeXt	谱图数据	15类混合谱图样本	NA	VGG, ResNeXt	准确率, 精确率, 召回率, F1分数	NA
419	2026-05-20	Protein-peptide binding residue prediction based on protein language models and cross-attention mechanism 2024-11, Analytical biochemistry IF:2.6Q2 DOI:10.1016/j.ab.2024.115637 PMID:39121938	研究论文	设计了一种基于蛋白质语言模型和交叉注意力机制的端到端深度学习方法E2EPep，用于蛋白质-肽结合残基预测	首次将两种预训练蛋白质语言模型与交叉注意力特征融合模块结合，实现仅基于蛋白质序列的端到端预测，无需依赖第三方工具提取显式特征	方法在独立测试集上的性能仍有提升空间，且仅适用于学术用途，未提及临床或工业部署的可行性	提高蛋白质-肽结合残基预测的准确性和计算效率，推动药物发现	蛋白质-肽结合残基	自然语言处理，机器学习	不适用	不适用	深度学习模型	蛋白质序列	两个独立测试数据集	PyTorch	蛋白质语言模型，交叉注意力机制	AUC， Matthew相关系数	不适用
420	2026-05-20	Visceral Adiposity and Progression of ADPKD: A Cohort Study of Patients From the TEMPO 3:4 Trial 2024-Sep, American journal of kidney diseases : the official journal of the National Kidney Foundation IF:9.4Q1 DOI:10.1053/j.ajkd.2024.02.014 PMID:38608748	研究论文	利用深度学习从TEMPO 3:4试验患者的冠状面MRI扫描中量化内脏脂肪，分析其与常染色体显性多囊肾病肾脏进展及托伐普坦疗效的关系	首次在ADPKD队列中通过深度学习分割模型从冠状面MRI量化内脏脂肪，发现其在预测肾脏生长速率方面优于BMI，并影响托伐普坦疗效	回顾性研究设计、研究对象为快速进展患者、深度学习计算需求高	探讨内脏脂肪堆积与ADPKD肾脏生长速率的关系以及对托伐普坦疗效的影响	ADPKD高风险快速进展患者	数字病理学	常染色体显性多囊肾病	MRI	深度学习分割模型	图像（冠状面MRI）	1053名ADPKD患者	NA	NA	曲线下面积（AUC）、Delong检验	需要高计算资源（深度学习）