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
401	2025-05-20	Two-Dimensional Deep Learning Frameworks for Drug-Induced Cardiotoxicity Detection 2024-06-28, ACS sensors IF:8.2Q1 DOI:10.1021/acssensors.4c00654 PMID:38842187	research paper	本研究提出了两种基于深度学习的框架STFT-CNN和SST-CNN，用于显著提高药物诱导心脏毒性的检测准确性和可靠性	利用诱导多能干细胞衍生的心肌细胞(iPSC-CMs)作为更接近人类的细胞模型，并通过先进的转换技术将时间信号转化为二维表示，显著提高了检测的准确性	NA	开发更准确、可靠的药物诱导心脏毒性检测方法	药物诱导的心脏毒性	machine learning	cardiovascular disease	impedance measurements, short-time Fourier transform (STFT), synchro-squeezing transform (SST)	CNN	temporal signals converted into two-dimensional representations	NA
402	2025-05-20	Massively parallel characterization of regulatory elements in the developing human cortex 2024-05-24, Science (New York, N.Y.) DOI:10.1126/science.adh0559 PMID:38781390	研究论文	通过大规模并行报告实验研究人类大脑皮层发育中的基因调控元件	首次在人类神经元发育中建立了功能基因调控元件和变异的全面目录，并利用深度学习解码增强子活性的序列基础和上游调控因子	研究主要关注发育中的大脑皮层，可能不适用于其他脑区或发育阶段	探究人类大脑皮层发育中基因调控元件的功能	人类中孕期皮层原代细胞和脑类器官中的102,767个开放染色质区域	基因组学	神经发育疾病	大规模并行报告实验(MPRA)、深度学习	深度学习模型	基因组数据	102,767个开放染色质区域
403	2025-05-20	Percolation Images: Fractal Geometry Features for Brain Tumor Classification 2024, Advances in neurobiology DOI:10.1007/978-3-031-47606-8_29 PMID:38468053	research paper	提出了一种结合分形几何特征和深度学习的混合方法用于脑肿瘤分类	利用分形几何生成'渗透'图像以突出脑图像中的重要空间特性，并结合CNN进行肿瘤检测	未提及具体的数据集大小或模型在更广泛数据集上的泛化能力	提高脑肿瘤分类的准确性和效率	脑肿瘤图像	digital pathology	brain tumor	fractal geometry, deep learning	CNN	image	在一个知名基准数据集上进行实验，但未提及具体样本数量
404	2025-05-19	LungVis 1.0: an automatic AI-powered 3D imaging ecosystem unveils spatial profiling of nanoparticle delivery and acinar migration of lung macrophages 2024-11-27, Nature communications IF:14.7Q1 DOI:10.1038/s41467-024-54267-1 PMID:39604430	研究论文	介绍了一个名为LungVis 1.0的AI驱动的3D成像生态系统，用于定量分析纳米颗粒在肺部支气管和肺泡区域的分布及其与肺巨噬细胞的相互作用	首次整合光片荧光显微镜和基于深度学习的图像分析流程，实现了纳米颗粒在肺部分布的定量和整体性分析，并揭示了肺组织驻留巨噬细胞的动态行为	研究仅限于小鼠肺部模型，未涉及人类或其他动物模型	探索肺部药物递送的动态过程，加深对肺巨噬细胞介导的肺部免疫的理解	纳米颗粒在肺部的分布和肺组织驻留巨噬细胞的行为	数字病理学	呼吸系统疾病	光片荧光显微镜，深度学习	深度学习模型（未指定具体类型）	3D图像	小鼠肺部模型
405	2025-05-19	Multi-scale Multi-site Renal Microvascular Structures Segmentation for Whole Slide Imaging in Renal Pathology 2024-Feb, Proceedings of SPIE--the International Society for Optical Engineering PMID:40375952	research paper	提出了一种名为Omni-Seg的新方法，用于从人类肾脏全切片图像中分割微血管结构	利用多站点、多尺度的训练数据，采用单一动态网络方法，能够处理部分标记的图像	方法依赖于多站点、多尺度的训练数据，可能对数据获取和处理提出更高要求	开发一种自动分割肾脏微血管结构的计算方法	人类肾脏全切片图像中的微血管结构（如小动脉、小静脉和毛细血管）	digital pathology	renal pathology	deep learning	dynamic network	image	来自HuBMAP和NEPTUNE两个数据集的图像，包括不同放大倍数（40×、20×、10×和5×）
406	2025-05-18	Exploring Schizophrenia Classification Through Multimodal MRI and Deep Graph Neural Networks: Unveiling Brain Region-Specific Weight Discrepancies and Their Association With Cell-Type Specific Transcriptomic Features 2024-12-20, Schizophrenia bulletin IF:5.3Q1 DOI:10.1093/schbul/sbae069 PMID:38754993	研究论文	本研究通过多模态MRI和深度图神经网络探索精神分裂症分类，揭示脑区特异性权重差异及其与细胞类型特异性转录组特征的关联	使用深度学习和图卷积将MRI数据表示为图，结合多模态MRI数据提升分类性能，并通过Grad-CAM和基因表达分析增强可解释性	样本来源仅限于7家医院，可能影响结果的广泛适用性	提升精神分裂症的诊断准确性，提供客观参考和生物标志物	683名精神分裂症患者和606名健康对照者	数字病理学	精神分裂症	结构MRI和功能MRI	图注意力网络（GAT）	图像	1289名参与者（683名患者和606名对照）
407	2025-05-18	Interpretable deep learning for deconvolutional analysis of neural signals 2024-Dec-02, bioRxiv : the preprint server for biology DOI:10.1101/2024.01.05.574379 PMID:38260512	research paper	该论文提出了一种可解释的深度学习方法，用于神经信号的解卷积分析	应用算法展开方法设计稀疏解卷积神经网络架构，直接解释网络权重与刺激驱动的单神经元活动之间的关系	NA	通过可解释的深度学习获得对神经活动的机制性理解	多个脑区和记录模态中的单试验局部信号	machine learning	NA	algorithm unrolling	sparse deconvolutional neural networks	neural signals	multiple brain areas and recording modalities
408	2025-05-18	Ultrasensitive plasma-based monitoring of tumor burden using machine-learning-guided signal enrichment 2024-Jun, Nature medicine IF:58.7Q1 DOI:10.1038/s41591-024-03040-4 PMID:38877116	研究论文	介绍了一种名为MRD-EDGE的机器学习引导的WGS ctDNA检测平台，用于提高肿瘤负荷监测的灵敏度	MRD-EDGE通过深度学习和ctDNA特异性特征空间，将WGS中的SNV信噪比提高了约300倍，并将CNV检测所需的非整倍性程度从1 Gb降低到200 Mb	NA	提高循环肿瘤DNA（ctDNA）在低肿瘤分数（TF）环境中的检测灵敏度，用于微小残留病（MRD）评估和治疗反应监测	多种癌症类型中的ctDNA，包括肺癌、结直肠腺瘤和晚期黑色素瘤	机器学习	肺癌、结直肠癌、黑色素瘤	全基因组测序（WGS）	深度学习	DNA测序数据	NA
409	2025-05-17	Applicability of Deep Learning to Dynamically Identify the Different Organs of the Pelvic Floor in the Midsagittal Plane 2024-Dec, International urogynecology journal IF:1.8Q3 DOI:10.1007/s00192-024-05841-0 PMID:38913129	研究论文	本研究旨在创建并验证一种卷积神经网络(CNN)，用于通过动态超声识别骨盆底中矢状面的不同器官	首次应用深度学习技术，特别是CNN模型，动态识别骨盆底中矢状面的不同器官	膀胱和子宫的识别准确度相对较低，DSI分别为0.71和0.70	验证CNN在骨盆底器官动态识别中的适用性	骨盆底的不同器官（膀胱、子宫、肛门、耻骨直肠肌等）	计算机视觉	骨盆底疾病	动态超声	CNN（包括UNet、FPN和LinkNet架构）	视频	110名患者（86名用于训练，24名用于测试）
410	2025-05-17	Protein engineering using variational free energy approximation 2024-12-01, Nature communications IF:14.7Q1 DOI:10.1038/s41467-024-54814-w PMID:39617781	研究论文	本文提出了一种名为PREVENT的模型，通过变分自由能近似方法生成稳定且功能性的蛋白质变体	PREVENT模型通过学习蛋白质的序列和热力学景观，生成热力学稳定的功能性蛋白质变体，相比传统方法具有更高的效率和成功率	研究仅针对E. coli磷酸转移酶N-乙酰-L-谷氨酸激酶(EcNAGK)的40种变体进行了评估，需要更多样本来验证模型的普适性	加速蛋白质工程过程，生成稳定且功能性的蛋白质变体	E. coli磷酸转移酶N-乙酰-L-谷氨酸激酶(EcNAGK)	蛋白质工程	NA	变分自由能近似	PREVENT	蛋白质序列和结构数据	40种EcNAGK变体
411	2025-05-17	ANALYSIS OF CHALLENGES AND POSSIBILITIES OF USING ARTIFICIAL INTELLIGENCE IN MEDICAL DIAGNOSTICS 2024-Dec, Georgian medical news PMID:40007388	review	本文分析了人工智能在医学诊断中的挑战与可能性	系统性地分析了不同类型AI在医学诊断中的应用及其面临的挑战，并提出了未来发展趋势	研究仅基于2019-2024年的24项研究，可能存在样本量不足的问题	评估人工智能在医疗诊断中的应用效果及其潜在机会	人工智能在医学诊断中的各类应用	machine learning	NA	multi-modal AI, deep learning, machine learning	NA	multi-modal data	24项研究
412	2025-05-17	Synthetic augmentation of cancer cell line multi-omic datasets using unsupervised deep learning 2024-11-29, Nature communications IF:14.7Q1 DOI:10.1038/s41467-024-54771-4 PMID:39614072	研究论文	本文介绍了一种名为MOSA的无监督深度学习模型，用于整合和增强癌症依赖图谱（DepMap）的多组学数据	MOSA模型通过整合多组学信息，成功生成了分子和表型特征，增加了32.7%的多组学特征数量，并生成了1523个癌细胞系的完整DepMap	NA	整合和增强癌症依赖图谱的多组学数据，以提高统计能力并揭示与耐药性相关的机制	癌细胞系的多组学数据集	机器学习	癌症	无监督深度学习	MOSA	多组学数据	1523个癌细胞系
413	2025-05-17	Integrative Network Analysis Reveals Novel Moderators of Aβ-Tau Interaction in Alzheimer's Disease 2024-Oct-28, bioRxiv : the preprint server for biology DOI:10.1101/2024.06.14.599092 PMID:39554095	研究论文	本研究利用深度学习整合蛋白质组学和蛋白质相互作用数据，探索淀粉样蛋白-τ蛋白相互作用在阿尔茨海默病中的调节因素	首次应用深度学习网络整合方法BIONIC分析AD中Aβ-tau相互作用的调节因素，发现GPNMB+小胶质细胞的新作用	研究主要基于ROSMAP队列数据，样本来源相对单一	揭示阿尔茨海默病中淀粉样蛋白和tau蛋白相互作用的调节机制	淀粉样蛋白(Aβ)、tau蛋白及其相互作用调节因素	数字病理学	阿尔茨海默病	深度学习、蛋白质组学分析、蛋白质相互作用网络分析	BIONIC(深度学习网络整合模型)	蛋白质组数据、蛋白质相互作用数据、基因表达数据	ROSMAP队列数据(具体数量未明确说明)
414	2025-05-17	Evaluating the Quality of Brain MRI Generators 2024-Oct, Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention DOI:10.1007/978-3-031-72117-5_28 PMID:40364898	research paper	本文提出了一种评估生成脑部MRI质量的框架，旨在解决现有评估方法在解剖合理性方面的不足	提出了一个标准化评估框架，通过自动分割生成的MRI图像并量化解剖结构的合理性，弥补了现有自然图像评估指标在脑部MRI上的不足	仅评估了6种生成模型，样本量相对有限（3000多张MRI），且框架的可靠性依赖于分割的准确性	评估和比较不同深度学习模型生成的脑部MRI图像的质量，特别是解剖结构的合理性	6种最先进的生成模型及其生成的脑部MRI图像	digital pathology	NA	MRI图像生成与分割	生成模型（具体未说明，可能包括GAN等）	image	3000多张脑部MRI图像
415	2025-05-17	Deep-learning-enabled antibiotic discovery through molecular de-extinction 2024-Jul, Nature biomedical engineering IF:26.8Q1 DOI:10.1038/s41551-024-01201-x PMID:38862735	研究论文	该研究利用深度学习从已灭绝生物的蛋白质组中挖掘抗菌肽，以解决抗生素耐药性问题	首次将深度学习应用于分子复活领域，从灭绝生物中挖掘出新型抗菌肽，并验证其抗菌活性	仅验证了69种预测肽的抗菌活性，占预测总量的很小比例	发现新型抗菌肽以解决抗生素耐药性问题	已灭绝生物的蛋白质组	机器学习	细菌感染	深度学习	神经网络	蛋白质序列	10,311,899条肽序列
416	2025-05-17	Brain Age Analysis and Dementia Classification using Convolutional Neural Networks trained on Diffusion MRI: Tests in Indian and North American Cohorts 2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference DOI:10.1109/EMBC53108.2024.10781599 PMID:40039079	研究论文	该研究探讨了在卷积神经网络（CNN）模型中添加扩散加权MRI（dMRI）作为输入对阿尔茨海默病分类和痴呆严重程度推断的价值，并在印度和北美人群数据集中进行了测试	研究了dMRI作为输入对CNN模型性能的提升，并评估了使用3D CycleGAN方法在训练前对成像数据集进行协调的效果	研究主要基于特定的数据集（ADNI和NIMHANS），可能在其他人群中的泛化能力有限	提升阿尔茨海默病分类和痴呆严重程度推断的准确性	印度和北美人群的脑部MRI扫描数据	数字病理学	阿尔茨海默病	扩散加权MRI（dMRI）	CNN, 3D CycleGAN	MRI图像	ADNI和NIMHANS队列的数据集
417	2025-05-17	Advantages of Modeling Photoplethysmography (PPG) Signals using Variational Autoencoders 2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference DOI:10.1109/EMBC53108.2024.10782502 PMID:40039209	research paper	本文提出了一种基于变分自编码器（VAE）的PPG信号建模方法，并探讨了其优势和应用	提出了一种名为PPG-VAE的模型，能够识别PPG心跳波的局部斜率、去除高频噪声，并生成与现有信号形态匹配的新信号段	未提及具体的研究限制	探索PPG信号处理的新方法，提高信号分析和合成的能力	PPG信号	machine learning	NA	VAE	VAE	signal	NA
418	2025-05-17	Integrated Multi-Omics and Whole Slide Images for Survival Prediction in Glioblastoma Using Multiple Instance Learning and Co-Attention 2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference DOI:10.1109/EMBC53108.2024.10782321 PMID:40039442	研究论文	本研究旨在通过整合全切片图像和多组学数据，结合生物通路知识，利用多实例学习和共注意力机制，提高胶质母细胞瘤的生存预测准确性	首次将多组学数据与全切片图像结合，利用生物通路知识进行整合，并通过多实例学习和共注意力机制提高预测性能	研究样本量相对较小（214例患者），且仅使用了TCGA数据库的数据	提高胶质母细胞瘤（GBM）患者的生存预测准确性	胶质母细胞瘤患者	数字病理学	胶质母细胞瘤	RNA测序、拷贝数变异分析、DNA甲基化分析	多实例学习和共注意力机制	全切片图像和多组学数据	214例GBM患者，包括447张全切片图像和多种多组学特征
419	2025-05-17	Automatic COVID-19 Detection from Chest X-ray using Deep MobileNet Convolutional Neural Network 2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference DOI:10.1109/EMBC53108.2024.10781897 PMID:40039689	research paper	该研究提出了一种基于深度迁移学习MobileNetV2模型的自动检测COVID-19的方法，通过胸部X光片(CXR)进行病毒检测	结合预训练的MobileNetV2 CNN模型和SVM分类器，提高了COVID-19检测的准确率，从基线模型的92.28%提升至93.2%	NA	开发一种自动检测COVID-19的计算工具，以应对全球医疗系统的压力	胸部X光片(CXR)数据	computer vision	lung cancer	deep learning, transfer learning	MobileNetV2, CNN, SVM	image	NA
420	2025-05-17	An updated compendium and reevaluation of the evidence for nuclear transcription factor occupancy over the mitochondrial genome 2024-Jun-06, bioRxiv : the preprint server for biology DOI:10.1101/2024.06.04.597442 PMID:38895386	研究论文	本文通过分析扩展的ENCODE TF ChIP-seq数据集和深度学习模型，创建了一个全面的核转录因子与线粒体基因组关联的汇编	利用扩展的ENCODE数据集和深度学习模型，首次全面汇编了核转录因子与线粒体基因组的关联证据	部分核转录因子的chrM占用证据在不同抗体和ChIP协议下不可重复	评估核转录因子在线粒体基因组上的占用证据	核转录因子与线粒体基因组的关联	基因组学	NA	ChIP-seq, 深度学习	深度学习模型	基因组数据	6,153个ChIP实验，涉及942种蛋白质（其中763种为序列特异性TF）