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
81	2025-06-19	Automated design of multi-target ligands by generative deep learning 2024-09-11, Nature communications IF:14.7Q1 DOI:10.1038/s41467-024-52060-8 PMID:39261471	research paper	本文探讨了使用化学语言模型（CLM）生成多靶点配体以设计多药理学的方法	利用CLM从小规模微调分子集中学习，成功偏向设计具有与目标对已知配体相似性的药物样分子	仅测试了12个CLM设计分子对6个目标对的效果，样本量有限	探索生成深度学习模型在设计多靶点配体中的应用	多靶点配体	machine learning	NA	化学语言模型（CLM）	CLM	分子字符串表示（如SMILES）	12个CLM设计分子针对6个目标对
82	2025-06-19	External Testing of a Deep Learning Model to Estimate Biologic Age Using Chest Radiographs 2024-09, Radiology. Artificial intelligence DOI:10.1148/ryai.230433 PMID:39046324	研究论文	评估深度学习模型在亚洲人群中预测基于胸部X光片的生物年龄（CXR-Age）的预后价值	首次在大型亚洲人群外部测试队列中验证深度学习模型预测的生物年龄与多种生存结果的关联	单中心回顾性研究，结果可能受限于特定人群和机构	验证基于胸部X光片的深度学习模型预测生物年龄的预后价值	50-80岁无症状亚洲人群的胸部X光片	数字病理学	多种疾病（心血管疾病、肺癌、呼吸系统疾病）	深度学习	CNN	图像（胸部X光片）	36,924名个体
83	2025-06-19	Artificial Intelligence Outcome Prediction in Neonates with Encephalopathy (AI-OPiNE) 2024-09, Radiology. Artificial intelligence DOI:10.1148/ryai.240076 PMID:38984984	research paper	开发一种深度学习算法，利用MRI和基本临床数据预测缺氧缺血性脑病新生儿2年神经发育结果	使用多序列MRI和基本临床变量训练深度学习分类器，预测新生儿2年神经发育结果	样本量相对较小，且仅来自17个机构	预测缺氧缺血性脑病新生儿2年神经发育结果	患有缺氧缺血性脑病的足月新生儿	digital pathology	geriatric disease	MRI, diffusion tensor imaging	CNN	image	414名新生儿（232名男性，182名女性）
84	2025-06-19	Deep Learning Segmentation of Ascites on Abdominal CT Scans for Automatic Volume Quantification 2024-09, Radiology. Artificial intelligence DOI:10.1148/ryai.230601 PMID:38900043	research paper	评估一种自动化深度学习方法在检测腹水并量化其体积方面的性能，研究对象为肝硬化和卵巢癌患者	提出了一种基于深度学习的自动化方法，用于腹水的分割和体积量化，与专家评估结果高度一致	研究为回顾性研究，可能受到数据选择和标注偏差的影响	开发并评估一种自动化深度学习方法，用于腹水的检测和体积量化	肝硬化患者和卵巢癌患者的腹部-盆腔CT扫描图像	digital pathology	肝硬化和卵巢癌	深度学习	CNN	CT扫描图像	共315名患者（NIH-LC 25名，NIH-OV 166名，UofW-LC 124名）
85	2025-06-19	Noninvasive virtual biopsy using micro-registered optical coherence tomography (OCT) in human subjects 2024-04-12, Science advances IF:11.7Q1 DOI:10.1126/sciadv.adi5794 PMID:38598626	research paper	开发了一种微米级精度配准方法，将2D H&E切片与3D OCT图像对应，并利用条件生成对抗网络实现OCT图像到虚拟H&E切片的转换	提出微米级精度配准方法，实现非侵入性OCT图像到虚拟H&E切片的高保真转换	未提及在临床应用中的具体验证结果	开发非侵入性虚拟活检技术，减少不必要的活检程序	人类组织样本	digital pathology	cancer	optical coherence tomography (OCT)	conditional generative adversarial network	image	NA
86	2025-06-19	Three-dimensional assessments are necessary to determine the true, spatially-resolved composition of tissues 2024-Mar-28, bioRxiv : the preprint server for biology DOI:10.1101/2023.12.04.569986 PMID:38106231	research paper	该研究应用深度学习平台CODA重建人类胰腺标本的三维微解剖结构，比较了二维和三维评估方法在组织成分分析中的差异	首次通过三维重建技术揭示二维组织切片在评估组织异质性方面的不足，并提出需要更多样本才能准确反映组织成分	研究仅针对胰腺组织，未验证其他器官的适用性	评估三维组织成像在准确分析正常和异常组织成分方面的必要性	人类胰腺切除标本（正常组织和癌组织）	digital pathology	pancreatic cancer	CODA深度学习平台，三维重建技术	deep learning	image	未明确说明具体样本数量，但涉及多个胰腺切除标本的二维全切片图像和三维重建厚切片
87	2025-06-19	Deep learning-based accurate diagnosis and quantitative evaluation of microvascular invasion in hepatocellular carcinoma on whole-slide histopathology images 2024-03, Cancer medicine IF:2.9Q2 DOI:10.1002/cam4.7104 PMID:38488408	research paper	开发了一种基于深度学习的模型，用于在肝细胞癌全切片组织病理学图像上准确诊断和定量评估微血管侵犯	提出的MVI-AIDM模型在独立外部验证集上准确率达到94.25%，显著高于病理学家的检测率，并能自动量化癌细胞数量和提供MVI的空间信息	研究依赖于特定医院和TCGA数据库的数据，可能限制了模型的泛化能力	提高微血管侵犯（MVI）诊断的效率和准确性	肝细胞癌（HCC）患者	digital pathology	liver cancer	H&E染色	deep-learning model	image	753名HCC患者的H&E染色切片，外加TCGA数据库中的358名患者作为外部验证集
88	2025-06-19	An enhanced pattern detection and segmentation of brain tumors in MRI images using deep learning technique 2024, Frontiers in computational neuroscience IF:2.1Q3 DOI:10.3389/fncom.2024.1418280 PMID:38988988	research paper	本文提出了一种使用深度学习技术增强MRI图像中脑肿瘤检测和分割的方法	采用二进制卷积神经网络（BCNN）进行分割，能够处理10种最常见的脑肿瘤类型，显著优于现有仅能分割4种类型的模型	NA	提高脑肿瘤的早期精确检测和分割，以支持有效治疗	脑肿瘤	digital pathology	brain tumor	deep learning	BCNN	MRI images	6,600张脑部MRI图像
89	2025-06-18	Artificial intelligence facial recognition of obstructive sleep apnea: a Bayesian meta-analysis 2024-11-30, Sleep & breathing = Schlaf & Atmung DOI:10.1007/s11325-024-03173-3 PMID:39614959	meta-analysis	该研究通过贝叶斯元分析评估了人工智能面部识别技术在阻塞性睡眠呼吸暂停（OSA）诊断中的准确性	利用人工智能分析颅面照片进行OSA诊断，提供了一种低成本且可及的筛查方法	研究仅包含6项研究，样本量相对较小（1,417名训练参与者/983名测试参与者）	评估人工智能通过颅面照片诊断OSA的准确性	成人（≥18岁）阻塞性睡眠呼吸暂停患者	人工智能	阻塞性睡眠呼吸暂停	人工智能面部识别	CNN	图像	1,417名训练参与者/983名测试参与者
90	2025-06-18	A deep learning approach to prediction of blood group antigens from genomic data 2024-11, Transfusion IF:2.5Q2 DOI:10.1111/trf.18013 PMID:39268576	研究论文	本研究利用深度学习技术，基于基因组数据预测血型抗原	首次将深度学习技术应用于基于廉价且可扩展的筛查阵列基因分型平台的血型预测模型	对于某些低频或高频抗原（如Cw）、小训练队列（如Cob）或遗传基础复杂的抗原（如RhD），模型准确率难以达到99%以上	开发基于基因组数据的血型抗原预测模型	111,000名丹麦和1,168名芬兰献血者的血型和基因型数据	机器学习	NA	筛查阵列基因分型平台	去噪自编码器+CNN	基因组数据	约112,168名献血者（丹麦111,000名，芬兰1,168名）
91	2025-06-18	Boosting Deep Learning for Interpretable Brain MRI Lesion Detection through the Integration of Radiology Report Information 2024-11, Radiology. Artificial intelligence DOI:10.1148/ryai.230520 PMID:39377669	research paper	该研究通过整合放射学报告中的文本特征，指导深度学习模型关注脑部MRI病变特征，以实现可解释的病变检测	提出了一种结合放射学报告文本特征的深度学习模型（ReportGuidedNet），显著提高了脑部病变检测的性能和可解释性	研究为回顾性设计，可能受到数据质量和报告一致性的限制	提高深度学习模型在脑部MRI病变检测中的性能和可解释性	脑部MRI扫描和对应的放射学报告	digital pathology	brain lesions	MRI	ReportGuidedNet, PlainNet	image, text	35,282份脑部MRI扫描用于训练、验证和内部测试，2,655份用于外部测试
92	2025-06-18	Visualizing nuclear pore complex plasticity with Pan-Expansion Microscopy 2024-Oct-30, bioRxiv : the preprint server for biology DOI:10.1101/2024.09.18.613744 PMID:39345637	研究论文	本文探讨了利用泛扩展显微镜（Pan-ExM）技术可视化核孔复合体（NPC）的可塑性，揭示了其在生理和病理条件下的结构变化	首次应用Pan-ExM技术实现了单NPC分辨率下的核孔复合体结构可视化，并发现了POM121在ALS患者来源的衰老神经元中的位置变化	研究仅针对特定细胞系和ALS患者来源的神经元，结果可能不具有普遍性	研究核孔复合体的可塑性及其在疾病机制中的作用	核孔复合体（NPC）及其组成蛋白	细胞生物学	肌萎缩侧索硬化症（ALS）	泛扩展显微镜（Pan-ExM），深度学习辅助分割，免疫染色	深度学习	显微图像	多种模型细胞系和ALS患者来源的诱导多能干细胞神经元（iPSNs）
93	2025-06-18	Assessing substrate scope of the cyclodehydratase LynD by mRNA display-enabled machine learning models 2024-Oct-14, bioRxiv : the preprint server for biology DOI:10.1101/2024.10.14.618330 PMID:39464139	研究论文	通过mRNA展示技术结合机器学习模型评估环脱水酶LynD的底物范围	利用mRNA展示技术进行高通量底物分析，并构建深度学习模型预测LynD的底物处理能力	NA	评估和预测RiPP（核糖体合成和翻译后修饰肽）酶LynD的底物范围	环脱水酶LynD及其底物	机器学习	NA	mRNA展示技术	深度学习模型	肽序列数据	NA
94	2025-06-18	Longitudinal deep neural networks for assessing metastatic brain cancer on a large open benchmark 2024-09-17, Nature communications IF:14.7Q1 DOI:10.1038/s41467-024-52414-2 PMID:39289405	research paper	该研究开发了一种名为Segmentation-Through-Time的深度神经网络，用于检测和跟踪转移性脑癌，并在一个大型开放基准数据集NYUMets-Brain上取得了最先进的结果	提出了Segmentation-Through-Time深度神经网络，明确利用了数据的纵向结构，在小转移瘤（<10 mm）检测和分割方面取得了最先进的结果	NA	开发能够检测和跟踪转移性脑癌的工具	1,429名癌症患者的影像、临床随访和医疗管理数据	digital pathology	brain cancer	deep learning	deep neural network	imaging	1,429名患者
95	2025-06-18	Deep Learning to Detect Intracranial Hemorrhage in a National Teleradiology Program and the Impact on Interpretation Time 2024-09, Radiology. Artificial intelligence DOI:10.1148/ryai.240067 PMID:39017032	研究论文	评估人工智能在急性颅内出血检测中的诊断性能及其对放射科医生解读时间和系统效率的影响	在大型远程放射学实践中评估AI临床决策支持解决方案的性能，并量化其对放射科医生解读时间和系统效率的影响	在高流量、低患病率环境中，误报检查的解读时间延长可能导致系统效率低下，可能超过使用该工具的潜在益处	评估AI在急性颅内出血检测中的诊断性能及其对放射科医生解读时间和系统效率的影响	61,704例连续非增强头部CT检查	数字病理学	颅内出血	深度学习	NA	CT图像	61,704例非增强头部CT检查
96	2025-06-18	Open Access Data and Deep Learning for Cardiac Device Identification on Standard DICOM and Smartphone-based Chest Radiographs 2024-09, Radiology. Artificial intelligence DOI:10.1148/ryai.230502 PMID:39017033	研究论文	开发并评估了一个公开可用的深度学习模型，用于在DICOM和智能手机拍摄的胸部X光片上分割和分类心脏植入电子设备（CIEDs）	首次提出一个公开可用的深度学习模型，能够同时在传统DICOM和智能手机拍摄的胸部X光片上准确分割和分类CIEDs	研究为回顾性研究，可能受到数据选择和采集方式的限制	开发一个深度学习模型，用于自动识别和分类胸部X光片中的心脏植入电子设备	心脏植入电子设备（CIEDs），包括起搏器、心脏除颤器、心脏再同步治疗设备和心脏监测器	数字病理	心血管疾病	深度学习	U-Net with ResNet-50 backbone	图像	897名患者的2321张胸部X光片，以及使用5部智能手机拍摄的11072张图像
97	2025-06-18	Presurgical Upgrade Prediction of DCIS to Invasive Ductal Carcinoma Using Time-dependent Deep Learning Models with DCE MRI 2024-09, Radiology. Artificial intelligence DOI:10.1148/ryai.230348 PMID:38900042	研究论文	本研究探讨了时间依赖的深度学习模型在预测导管原位癌（DCIS）术前升级为浸润性导管癌方面的性能	使用时间依赖的深度学习模型（CNN-LSTM）无需病灶分割即可预测DCIS升级为浸润性恶性肿瘤，性能优于单时间点模型	样本量较小（154例），且为回顾性研究	评估时间依赖深度学习模型在预测DCIS升级为浸润性恶性肿瘤中的效能	154例活检证实的DCIS病例（25例术后升级，129例未升级）	数字病理学	乳腺癌	动态对比增强MRI（DCE MRI）	CNN-LSTM	MRI图像	154例DCIS病例
98	2025-06-18	Improving Computer-aided Detection for Digital Breast Tomosynthesis by Incorporating Temporal Change 2024-09, Radiology. Artificial intelligence DOI:10.1148/ryai.230391 PMID:39140867	研究论文	开发了一种利用时间信息改进数字乳腺断层合成（DBT）癌症病变检测性能的深度学习算法	通过引入PriorNet作为级联深度学习模块，利用额外的生长信息来优化恶性肿瘤的最终概率，从而提高了检测性能	研究为回顾性分析，可能受到数据选择和时间的限制	提高数字乳腺断层合成（DBT）中癌症病变的计算机辅助检测性能	数字乳腺断层合成（DBT）筛查检查中的癌症和非癌症病例	计算机视觉	乳腺癌	深度学习	PriorNet	图像	973例癌症和7123例非癌症病例
99	2025-06-18	nnU-Net-based Segmentation of Tumor Subcompartments in Pediatric Medulloblastoma Using Multiparametric MRI: A Multi-institutional Study 2024-09, Radiology. Artificial intelligence DOI:10.1148/ryai.230115 PMID:39166971	research paper	本研究评估了基于nnU-Net的分割模型在儿童髓母细胞瘤多参数MRI上的自动分割性能	使用nnU-Net模型进行儿童髓母细胞瘤肿瘤亚区的自动分割，并比较了迁移学习和直接深度学习两种训练策略	样本量相对较小（78例），且数据来自三个不同机构，可能存在异质性	评估nnU-Net模型在儿童髓母细胞瘤MRI图像上的分割性能	儿童髓母细胞瘤患者的多参数MRI图像	digital pathology	pediatric medulloblastoma	MRI（钆增强T1加权、T2加权和液体衰减反转恢复）	nnU-Net	image	78例儿童髓母细胞瘤患者（52男，26女），年龄2-18岁，来自三个不同机构
100	2025-06-18	Deep Learning Segmentation of Infiltrative and Enhancing Cellular Tumor at Pre- and Posttreatment Multishell Diffusion MRI of Glioblastoma 2024-09, Radiology. Artificial intelligence DOI:10.1148/ryai.230489 PMID:39166970	research paper	开发并验证了一种深度学习方法，用于在胶质母细胞瘤患者的治疗前后MRI扫描中检测和分割增强和非增强细胞肿瘤，并预测总体生存期（OS）和无进展生存期（PFS）	使用nnU-Net深度学习模型结合多模态MRI数据（包括灌注和多壳扩散成像）来分割细胞肿瘤，并预测患者的生存期	研究为回顾性研究，可能存在选择偏差，且外部验证数据集的样本量不均	开发一种能够准确分割胶质母细胞瘤细胞肿瘤并预测患者生存期的深度学习方法	胶质母细胞瘤患者的治疗前后MRI扫描	digital pathology	glioblastoma	multishell diffusion MRI, perfusion imaging	nnU-Net	MRI scans	内部数据集包括243个MRI扫描（1297名患者），外部测试集包括55、70、610和419个MRI扫描