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
641	2026-07-30	MA-PEP: A novel anticancer peptide prediction framework with multimodal feature fusion based on attention mechanism 2024-04, Protein science : a publication of the Protein Society IF:4.5Q1 DOI:10.1002/pro.4966 PMID:38532681	研究论文	提出了一种基于注意力机制的多模态特征融合新型抗癌肽预测框架MA-PEP	利用多种注意力机制增强和融合不同模态的特征，提升抗癌肽预测性能	未明确提及局限性	改进抗癌肽预测方法，实现更准确高效的预测	抗癌肽（ACPs）	机器学习	癌症	NA	注意力机制	肽序列及化学特征	多个基准数据集	NA	MA-PEP	预测性能指标	NA
642	2026-07-30	Construction and validation of artificial intelligence pathomics models for predicting pathological staging in colorectal cancer: Using multimodal data and clinical variables 2024-04, Cancer medicine IF:2.9Q2 DOI:10.1002/cam4.6947 PMID:38545828	研究论文	开发和验证基于HE和Ki67病理切片的AI病理组学模型，用于预测结直肠癌病理分期	整合多模态病理组学数据（HE和Ki67）与临床病理变量构建联合模型和列线图，并发现Ki67切片在病理组学建模中优于HE切片	样本量较小（267例），为单中心回顾性研究，需外部验证	实现AI辅助的结直肠癌准确病理分期，支持临床决策	结直肠癌患者	数字病理学	结直肠癌	HE染色，免疫组化（Ki67）	逻辑回归	图像（病理切片）	267例结直肠癌患者（训练集213例，测试集54例）	NA	NA	AUC	NA
643	2026-07-29	Increasing phosphorus loss despite widespread concentration decline in US rivers 2024-11-26, Proceedings of the National Academy of Sciences of the United States of America IF:9.4Q1 DOI:10.1073/pnas.2402028121 PMID:39556745	研究论文	利用深度学习重建美国河流总磷浓度与流失量趋势，发现浓度普遍下降但流失量因径流增加而上升	首次借助深度学习模型（多任务LSTM）填补稀疏历史数据，系统重建了全美430条河流40年总磷日浓度及流失量时空趋势	主要依赖模型重建数据，未充分讨论模型对流域具体管理措施的敏感性及气候模型不确定性影响	揭示美国河流总磷浓度与流失量的长期变化趋势及驱动因素	美国本土430条河流的总磷浓度与流失量	机器学习	NA	水文气象数据驱动、深度学习建模	LSTM（多任务长短期记忆网络）	水文气象时间序列数据（径流、浓度等）	430条美国河流，1980-2019年日尺度数据	PyTorch（推断）	多任务LSTM	重建精度指标（如Nash-Sutcliffe效率系数）	NA
644	2026-07-29	Advancing Indoor Epidemiological Surveillance: Integrating Real-Time Object Detection and Spatial Analysis for Precise Contact Rate Analysis and Enhanced Public Health Strategies 2024-11-13, International journal of environmental research and public health DOI:10.3390/ijerph21111502 PMID:39595769	研究论文	介绍一种集成实时目标检测和空间分析的软件工具，用于精确分析室内接触率以增强公共卫生策略	动态圆形缓冲区与2D投影变换结合YOLOv8实现高精度个体检测与实时追踪	NA	提升室内流行病学监测准确性，通过自动化技术替代传统接触追踪方法	室内空间中的个体及接触模式	计算机视觉	呼吸道疾病	实时视频流分析	YOLOv8（深度学习目标检测模型）	视频数据	NA	YOLOv8	YOLOv8	NA	NA
645	2026-07-29	External Validation of a Digital Pathology-based Multimodal Artificial Intelligence Architecture in the NRG/RTOG 9902 Phase 3 Trial 2024-Oct, European urology oncology IF:8.3Q1 DOI:10.1016/j.euo.2024.01.004 PMID:38302323	研究论文	在NRG/RTOG 9902三期临床试验中外部验证基于数字病理学的多模态人工智能架构，用于高危局部前列腺癌患者的预后风险分层	首次在随机对照三期试验人群中对数字病理与临床特征融合的多模态人工智能模型进行外部验证，证明其可超越传统临床和病理变量进一步细化风险分层	约5.6%的病理切片因图像质量差导致分析失败，且样本量有限（仅318例高危患者）	外部验证先前开发的多模态人工智能模型在高危局部前列腺癌患者中的预后能力	NRG/RTOG 9902试验中318例高危局部前列腺癌患者	数字病理学	前列腺癌	数字病理学	深度学习	病理图像和临床特征	318例高危局部前列腺癌患者（397例入组患者中337例有可用切片，其中318例通过质量审核）	NA	多模态人工智能架构	亚分布风险比, 95%置信区间, p值	NA
646	2026-07-29	Prostate Cancer Risk Stratification in NRG Oncology Phase III Randomized Trials Using Multimodal Deep Learning With Digital Histopathology 2024-10, JCO precision oncology IF:5.3Q1 DOI:10.1200/PO.24.00145 PMID:39447096	研究论文	利用多模态深度学习模型，基于数字组织病理学图像和临床数据，对局部前列腺癌患者进行风险分层	开发了优于现有NCCN风险分层的多模态人工智能风险分组系统，能更准确地识别低转移风险和高转移风险患者群体	NA	开发临床可用的风险分组系统，减少局部前列腺癌的过度治疗和治疗不足	来自8项NRG肿瘤学III期随机试验的9787名局部前列腺癌患者	数字病理学，机器学习	前列腺癌	数字组织病理学	多模态深度学习模型	图像（数字组织病理学），临床数据	9787名局部前列腺癌患者	NA	NA	10年远处转移率	NA
647	2026-07-29	Segmentation of stroke lesions using transformers-augmented MRI analysis 2024-08-01, Human brain mapping IF:3.5Q1 DOI:10.1002/hbm.26803 PMID:39119860	研究论文	提出一种结合Transformer可变形特征注意力机制与卷积深度学习架构的方法，用于从单光谱MRI扫描中分割慢性中风病灶	首次将Transformer可变形特征注意力机制与卷积深度学习架构整合，并引入生态数据增强技术，将真实病灶插入完整脑区以提升分割性能	Dice指数标准差较大（±0.39），可能表明方法在不同病例间存在性能波动	提高慢性中风病灶分割的准确性和泛化能力	慢性中风病灶	计算机视觉	脑血管疾病	MRI	CNN-Transformer混合模型	图像	ATLAS 2022数据集和ISLES 2015数据集	NA	Transformer可变形特征注意力机制, 卷积神经网络	Dice系数	NA
648	2026-07-29	AGILE platform: a deep learning powered approach to accelerate LNP development for mRNA delivery 2024-07-26, Nature communications IF:14.7Q1 DOI:10.1038/s41467-024-50619-z PMID:39060305	研究论文	提出AGILE平台，融合深度学习与组合化学，加速用于mRNA递送的可电离脂质纳米颗粒的开发	首次将深度学习与组合化学协同结合，实现可电离脂质的高效库设计、计算机内筛选及对不同细胞系的适应性，揭示细胞特异性偏好	未提及具体性能对比或临床验证，可能缺乏实际递送效率的体内证据	加速定制化脂质纳米颗粒的开发，解决mRNA疗法在临床应用中面临的细胞类型适配挑战	可电离脂质纳米颗粒及其在不同细胞系中的mRNA递送效率	机器学习	NA	组合化学	深度神经网络	分子结构及细胞递送数据	NA	NA	深度神经网络	NA	NA
649	2026-07-29	Mapping cell-to-tissue graphs across human placenta histology whole slide images using deep learning with HAPPY 2024-Mar-28, Nature communications IF:14.7Q1 DOI:10.1038/s41467-024-46986-2 PMID:38548713	研究论文	开发了一种名为HAPPY的深度学习方法，用于量化胎盘组织全切片图像中细胞和微解剖组织结构的变异性	提出可解释的生物层次结构，以单细胞分辨率表示整个切片中的细胞和细胞群落，区别于传统的基于补丁的特征或分割方法	当前仅基于健康足月胎盘建立基线，需进一步验证在其他妊娠并发症中的适用性	建立胎盘组织学分析的定量基线，并评估临床显著胎盘梗死时的指标偏差	胎盘组织全切片图像中的细胞和微解剖组织结构	数字病理学	胎盘梗死	组织学成像	深度学习（层次化方法）	图像（全切片图像）	健康足月胎盘样本（具体数量未在摘要中说明）	NA	HAPPY方法未指定具体架构（如U-Net等）	与独立临床专家和胎盘生物学文献的一致性	NA
650	2026-07-28	CGMega: explainable graph neural network framework with attention mechanisms for cancer gene module dissection 2024-07-17, Nature communications IF:14.7Q1 DOI:10.1038/s41467-024-50426-6 PMID:39013885	研究论文	开发了可解释的图神经网络框架CGMega，用于癌症基因模块解析	结合模型无关解释方法和图注意力机制，实现可解释的癌症基因模块解析	未提及局限性	开发可解释的深度学习框架用于癌症基因模块解析	乳腺癌细胞系和急性髓系白血病患者	机器学习	乳腺癌，急性髓系白血病	多组学整合	图神经网络	多组学数据	乳腺细胞系和急性髓系白血病患者样本	PyTorch	图注意力网络	癌症基因预测性能指标	未提及
651	2026-07-28	Biophysical neural adaptation mechanisms enable artificial neural networks to capture dynamic retinal computation 2024-07-16, Nature communications IF:14.7Q1 DOI:10.1038/s41467-024-50114-5 PMID:39009568	研究论文	将神经适应机制嵌入人工神经网络，以捕捉视网膜的动态计算过程	首次在传统卷积神经网络前端整合光感受器适应的生物物理机制，形成新模型“Deep Retina”，显著提升对灵长类和啮齿类视网膜神经节细胞反应的预测能力	未明确提及	探究嵌入神经适应机制能否提高人工神经网络在动态输入条件下预测神经输出的性能	灵长类和啮齿类的视网膜神经节细胞反应	机器学习	NA	光感受器适应的生物物理建模	卷积神经网络	神经电生理数据	NA	PyTorch	Deep Retina（基于卷积神经网络）	NA	NA
652	2026-07-28	Assessing brain involvement in Fabry disease with deep learning and the brain-age paradigm 2024-04, Human brain mapping IF:3.5Q1 DOI:10.1002/hbm.26599 PMID:38520360	研究论文	利用深度学习与脑年龄范式评估法布里病患者的脑部受累情况，并验证脑预测年龄差异（brain-PAD）作为疾病严重程度生物标志物的可能性	首次将脑年龄范式应用于法布里病，验证brain-PAD与多器官损伤和神经影像学指标的相关性，提出综合性的神经系统疾病严重程度生物标志物	单中心回顾性研究，样本量较小（52例FD患者和58例HC），未涉及外部验证队列	评估法布里病患者大脑是否比正常老化更快，并验证brain-PAD作为疾病严重程度生物标志物的可行性	法布里病患者和健康对照者	计算机视觉, 机器学习	法布里病	NA	深度学习	3D T1加权脑部MRI图像	训练集：来自8个公开数据集的2160名健康受试者（年龄4-86岁）；内部队列：52例FD患者（平均40.6岁）和58例HC（平均38.4岁）	NA	DenseNet	平均绝对误差（MAE）, 相关系数（R）	NA
653	2026-07-28	Machine learning in small sample neuroimaging studies: Novel measures for schizophrenia analysis 2024-04, Human brain mapping IF:3.5Q1 DOI:10.1002/hbm.26555 PMID:38544418	研究论文	本研究利用脑结构图像中的沟回模式，结合统计、机器学习和深度学习技术，构建计算机辅助诊断系统，用于区分精神分裂症患者和健康对照	首次使用全脑皮层的沟回特征构建计算机辅助诊断系统，并在小样本情况下系统评估了工作流各阶段的性能，应用可解释人工智能技术分析特征重要性	样本量较小（58名患者和56名健康对照），可能影响模型的泛化能力	在小样本神经影像研究中，构建并全面评估基于沟回特征的计算机辅助诊断系统，用于精神分裂症分析	精神分裂症患者和健康对照者的脑结构磁共振成像中的沟回模式	机器学习	精神分裂症	磁共振成像	CNN	图像	58名精神分裂症患者和56名健康对照者	Scikit-learn、TensorFlow	CNN	准确率	NA
654	2026-07-28	Optimising brain age estimation through transfer learning: A suite of pre-trained foundation models for improved performance and generalisability in a clinical setting 2024-03, Human brain mapping IF:3.5Q1 DOI:10.1002/hbm.26625 PMID:38433665	研究论文	提出一个基于迁移学习的深度学习框架，利用常规临床MRI数据训练多个模型以优化脑龄估计，并提升模型在临床环境中的性能和泛化能力	首次在五种不同MRI序列上训练脑龄预测模型，并作为基础模型通过迁移学习适应其他MRI序列和扫描方向，即使在有限数据条件下（低至N=25）也有效	未明确提及，但可能受限于训练数据为常规临床数据（可能影响极端年龄或罕见疾病的泛化性）	开发准确且泛化能力强的脑龄估计模型，适用于临床环境，并提供公开模型工具包促进相关研究	从常规临床数据获取的脑MRI图像（五种序列：T1加权、T2-FLAIR、T2加权、扩散加权、梯度回波T2*加权）	计算机视觉	神经系统疾病	MRI	深度学习模型	图像（脑MRI）	最多18,890例临床数据，年龄范围18-96岁	未明确指定，推断为PyTorch或TensorFlow	未明确指定具体架构，可能是卷积神经网络	平均绝对误差, R²	未明确提及
655	2024-12-01	Integrating Contact Tracing Data to Enhance Outbreak Phylodynamic Inference: A Deep Learning Approach 2024-11-01, Molecular biology and evolution IF:11.0Q1 DOI:10.1093/molbev/msae232 PMID:39497507	研究论文	本研究评估了PhyloDeep这一深度学习工具在处理不完整系统发育树时的表现，并探讨了通过整合接触追踪数据来提高预测准确性的潜力	通过整合接触追踪数据，显著提高了在处理不完整系统发育树时的预测性能	在超级传播动态场景中，模型的参数捕捉仍然具有挑战性	探讨如何通过整合接触追踪数据来提高系统发育动力学分析的准确性	PhyloDeep工具在处理不完整系统发育树时的表现及接触追踪数据的整合效果	机器学习	NA	深度学习	深度学习模型	基因组数据和流行病学数据	涉及部分匹配接触追踪数据的SARS-CoV-2序列样本	NA	NA	NA	NA
656	2026-07-26	From organs to algorithms: Redefining cancer classification in the age of artificial intelligence 2024-09, Clinical and translational science DOI:10.1111/cts.70001 PMID:39206604	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
657	2026-07-25	Mammography-based deep learning model for coronary artery calcification 2024-03-27, European heart journal. Cardiovascular Imaging DOI:10.1093/ehjci/jead307 PMID:37988168	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
658	2025-10-06	Retracted: Deep Learning-Based Glaucoma Detection Using CNN and Digital Fundus Images: A Promising Approach for Precise Diagnosis 2024, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056257657231115051020 PMID:38389356	撤稿声明	关于一篇基于深度学习的青光眼检测论文的撤稿说明	NA	原论文需要大幅修改以提高清晰度、连贯性和科学严谨性	NA	NA	计算机视觉	青光眼	NA	CNN	数字眼底图像	NA	NA	NA	NA	NA
659	2025-10-06	An Evaluation Analysis for Computed Tomography Image Quality of Primary Liver Cancer Lesions Based on Deep Learning Image Reconstruction 2024, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056261849231207055304 PMID:38389358	研究论文	基于深度学习图像重建技术评估原发性肝癌病灶的计算机断层扫描图像质量	首次将深度学习图像重建(DLIR)与滤波反投影(FBP)和自适应统计迭代重建-V(ASIR-V)在原发性肝癌动态增强CT成像质量方面进行系统比较	样本量较小(48例肝癌患者)，部分评价指标的Kappa值一致性一般	评估深度学习图像重建技术对原发性肝癌病灶动态增强CT成像质量的影响	48例肝癌患者的CT图像数据	计算机视觉	肝癌	多层螺旋CT、对比增强扫描、深度学习图像重建	深度学习重建模型	CT医学图像	48例肝癌患者	NA	NA	图像噪声、信噪比(SNR)、对比信噪比(CNR)、Kappa一致性系数	NA
660	2025-10-06	Application Exploration of Medical Image-aided Diagnosis of Breast Tumour Based on Deep Learning 2024, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056261997231217085501 PMID:38415468	研究论文	本研究探索基于深度学习的医学图像辅助诊断在乳腺肿瘤诊断中的应用	结合二维CNN训练模式构建三维CNN模型，并建立诊断结果评估指标	NA	研究医学图像辅助诊断在乳腺肿瘤诊断中的应用	乳腺肿瘤患者的医学图像数据	计算机视觉	乳腺肿瘤	磁共振成像(MRI)	CNN	医学图像	NA	NA	3D CNN	准确率	NA