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
1	2026-10-01	DeepN4: Learning N4ITK Bias Field Correction for T1-weighted Images 2024-Apr, Neuroinformatics IF:2.7Q3 DOI:10.1007/s12021-024-09655-9 PMID:38526701	研究论文	本文提出了一种名为DeepN4的深度学习网络，用于近似N4ITK偏置场校正，以实现T1加权MRI图像的便携、灵活和可微的预处理	使用深度学习网络在多个独立队列和扫描仪上训练，实现了对N4ITK偏置场校正的近似，并证明了其泛化能力	未明确提及	开发一种便携、灵活且完全可微的N4ITK偏置场校正的深度学习替代方法	T1加权MRI图像	医学图像处理	NA	MRI	深度学习网络	图像	八个独立队列，来自72个不同的扫描仪和年龄范围	NA	NA	峰值信噪比（PSNR）	NA
2	2026-09-18	Echocardiography-Based Deep Learning Model to Differentiate Constrictive Pericarditis and Restrictive Cardiomyopathy 2024-04, JACC. Cardiovascular imaging DOI:10.1016/j.jcmg.2023.09.011 PMID:37943236	研究论文	该研究提出了一种基于经胸超声心动图心尖四腔心切面的深度学习模型，用于区分缩窄性心包炎和限制性心肌病	首次利用ResNet50深度学习模型基于标准心尖四腔心切面超声心动图区分缩窄性心包炎与心脏淀粉样变性，并使用GradCAM进行模型可解释性分析	单中心回顾性研究，样本量较小（381例），仅使用心尖四腔心切面，需要外部验证	开发基于经胸超声心动图的深度学习方法来区分缩窄性心包炎和限制性心肌病	2003年1月至2021年12月在Mayo Clinic Rochester确诊为缩窄性心包炎和心脏淀粉样变性的患者	计算机视觉	心血管疾病	经胸超声心动图	CNN	图像	381例患者（184例缩窄性心包炎，197例心脏淀粉样变性）	NA	ResNet50	AUC	NA
3	2026-09-18	Deep Learning, Constrictive Pericarditis, and its Occasional Doppelganger: A Step Closer to Clinical Realization 2024-04, JACC. Cardiovascular imaging DOI:10.1016/j.jcmg.2023.10.009 PMID:38032588	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
4	2026-09-16	DeLIVR: a deep learning approach to IV regression for testing nonlinear causal effects in transcriptome-wide association studies 2024-04-15, Biostatistics (Oxford, England) DOI:10.1093/biostatistics/kxac051 PMID:36610078	研究论文	本文提出了一种名为DeLIVR的深度学习方法，用于在转录组范围关联研究中测试非线性因果效应	通过估计相关但不同的目标函数并包含假设检验框架，克服了DeepIV的主要缺点，实现了更快更稳定的非线性因果效应测试	未明确提及	开发一种深度学习方法，用于在转录组范围关联研究中测试非线性因果效应，以识别复杂性状和疾病的因果基因	基因表达与性状之间的非线性因果关系	机器学习	心血管疾病	转录组范围关联研究	深度学习	基因表达数据	NA	NA	NA	NA	NA
5	2026-09-16	Substrate recruitment via eIF2γ enhances catalytic efficiency of a holophosphatase that terminates the integrated stress response 2024-04-02, Proceedings of the National Academy of Sciences of the United States of America IF:9.4Q1 DOI:10.1073/pnas.2320013121 PMID:38547060	研究论文	结合深度学习、分子动力学模拟、X射线晶体学和生物化学方法，揭示eIF2γ亚基与PPP1R15A N端重复螺旋肽段的结合机制，及其对eIF2α去磷酸化和ISR终止效率的影响	首次发现PPP1R15A的N端四个重复螺旋肽段通过Phe和Trp残基插入eIF2γ表面疏水沟槽，提出了远离活性位点的亚基接触如何促进全磷酸酶催化效率的新机制	未明确说明深度学习模型的具体架构和性能评估指标，研究主要基于体外和细胞实验，缺乏体内动物模型验证	探究哺乳动物PPP1R15A中保守核心以外的区域在去磷酸化天然底物eIF2三聚体中的功能作用及其分子机制	人源PPP1R15A蛋白、eIF2三聚体（特别是eIF2γ亚基）、PP1催化亚基、G-actin共因子	机器学习	NA	深度学习、全原子分子动力学模拟、X射线晶体学、生物化学	NA	蛋白质结构数据、序列数据	NA	NA	NA	NA	NA
6	2026-09-16	Deep Learning to Estimate Cardiovascular Risk From Chest Radiographs : A Risk Prediction Study 2024-04, Annals of internal medicine IF:19.6Q1 DOI:10.7326/M23-1898 PMID:38527287	风险预测研究	本研究开发并测试了一种深度学习模型CXR CVD-Risk，该模型可从常规胸部X光片估计10年主要不良心血管事件风险，并与传统ASCVD风险评分进行比较	利用常规胸部X光片通过深度学习模型估计心血管风险，为因数据缺失而无法计算ASCVD风险评分的患者提供机会性风险评估方法	回顾性研究设计，使用电子病历数据	开发和测试深度学习模型CXR CVD-Risk，从常规胸部X光片估计10年MACE风险，并与传统ASCVD风险评分比较	门诊患者，包括8869名ASCVD风险未知的门诊患者和2132名ASCVD风险已知的门诊患者	医学影像分析, 心血管疾病预测	心血管疾病	深度学习, 胸部X光片分析	深度学习模型	胸部X光图像, 电子病历数据	11001名门诊患者（8869名ASCVD风险未知 + 2132名ASCVD风险已知）	NA	CXR CVD-Risk	风险比, 95%置信区间	NA
7	2026-09-09	Discovery of antibiotics that selectively kill metabolically dormant bacteria 2024-04-18, Cell chemical biology IF:6.6Q1 DOI:10.1016/j.chembiol.2023.10.026 PMID:38029756	研究论文	本研究结合静态期筛选方法与深度学习虚拟筛选及毒性过滤，发现能选择性杀死代谢休眠细菌的抗生素，并揭示其作用机制	采用非传统筛选方法（静态期筛选）与深度学习模型结合，发现针对代谢休眠细菌的选择性抗生素，突破了传统筛选偏好活性代谢细胞的局限，并揭示药物通过结合脂多糖破坏外膜的新机制	摘要中未提及明显的局限性，但可能涉及化合物在体内有效性和安全性验证不足等未知限制	发现并开发非毒性、针对代谢休眠细菌有效的抗生素，以应对慢性感染和抗生素耐药性问题	代谢休眠细菌（包括大肠杆菌和鲍曼不动杆菌）及抗炎药物塞马莫德	机器学习	细菌感染性疾病	深度学习虚拟筛选、静态期筛选、微生物学检测、生化测量、单细胞显微镜	深度学习模型	化合物结构数据、微生物学图像及生化数据	未明确，涉及多种化合物和细菌菌株（大肠杆菌、鲍曼不动杆菌）	未提及具体框架，可能涉及常用深度学习框架	未明确指定，可能采用常用的神经网络架构	未明确提及具体指标，可能包括杀伤效率和毒性相关指标	未提及具体计算资源
8	2026-09-07	Recent applications of artificial intelligence in RNA-targeted small molecule drug discovery 2024-04, Expert opinion on drug discovery IF:6.0Q1 DOI:10.1080/17460441.2024.2313455 PMID:38321848	综述	本文综述了人工智能在RNA靶向小分子药物发现中的最新应用，包括RNA靶标识别、结构测定、化合物库筛选和先导化合物优化。	讨论了AI在RNA靶向小分子药物发现中的最新应用，并展望了下一代AI工具的潜在用途。	AI工具在理解RNA动态和RNA-小分子相互作用方面有待改进，且高质量全面的数据仍需生成。	总结AI在RNA靶向小分子药物发现中的应用现状，并讨论其影响、局限和未来方向。	RNA靶向小分子药物发现中的RNA靶标、RNA结构、化合物库和先导化合物。	机器学习	NA	NA	机器学习、深度学习	文本、数据	NA	NA	NA	NA	NA
9	2026-09-04	Historical and projected response of Southeast Asian lakes surface water temperature to warming climate 2024-04-15, Environmental research IF:7.7Q1 DOI:10.1016/j.envres.2024.118412 PMID:38316380	研究论文	利用统计、机器和深度学习方法，重建并预测东南亚大陆80多个大型湖泊的湖表水温历史与未来变化，并评估其对气候变暖的响应	首次针对东南亚地区主要湖泊，结合卫星获取的湖表水温、历史及预测气候数据，采用多种数据驱动模型重建和预测了历史及未来湖表水温，并系统分析了昼夜湖表水温的长期趋势	研究区域内的湖泊数量有限（超过80个），可能无法完全代表东南亚地区所有湖泊	评估东南亚地区大型湖泊表水温度作为气候变化指标的有效性，并分析其对历史及未来气候变暖的响应	东南亚大陆超过80个主要湖泊	机器学习，数字病理学，自然语言处理，计算机视觉	不适用	不适用	XGBoost（表现最佳），其他四种模型包括统计、机器和深度学习方法	气候特征数据（ERA5和CHIRPS）、卫星遥感数据（MODIS）、降尺度气候数据（CORDEX-SEA）、湖表水温数据	超过80个东南亚大陆主要湖泊	不适用	XGBoost，以及另外四种统计、机器和深度学习模型	纳什效率系数（NSE）、均方根误差（RMSE）、平均绝对误差（MAE）、平均偏差（MBE）	不适用
10	2026-09-01	An enhanced drought forecasting in coastal arid regions using deep learning approach with evaporation index 2024-04-01, Environmental research IF:7.7Q1 DOI:10.1016/j.envres.2024.118171 PMID:38215925	研究论文	本文采用深度学习方法，结合蒸发指数，提出一种增强的沿海干旱区干旱预测模型	首次将自注意力机制的卷积长短期记忆网络应用于沿海干旱区干旱预测，整合蒸发指数以提高预测精度	未提及具体限制，但可能包括对特定区域和数据集依赖，以及模型泛化性的潜在限制	开发可靠的干旱预测模型，并评估不同模型在沿海干旱区分析干旱因素的能力	沿海干旱区的干旱事件，利用SPEI指数和CRU数据集	机器学习	不适用	气候数据挖掘	卷积长短期记忆网络（CLSTM）	时间序列数据	1901-2018年的CRU数据集	不明确，但可能基于PyTorch或TensorFlow	自注意力机制增强的卷积长短期记忆网络（SA-CLSTM）	决定系数（R）、均方根误差（RMSE）、平均绝对误差（MAE）、ROC-AUC	未提及具体资源，但可能使用GPU进行训练
11	2026-08-30	Deep Learning-Augmented ECG Analysis for Screening and Genotype Prediction of Congenital Long QT Syndrome 2024-04-01, JAMA cardiology IF:14.8Q1 DOI:10.1001/jamacardio.2024.0039 PMID:38446445	研究论文	本研究利用深度学习增强的心电图分析，开发了一种用于筛查先天性长QT综合征和预测其基因型的卷积神经网络模型	首次利用深度学习模型从静息12导联心电图中识别先天性长QT综合征并区分LQTS1和LQTS2两种基因型，超越了传统QTc间隔检测方法	研究仅限于高风险人群验证，缺乏在未选择的普通人群中的广泛验证	开发基于深度学习的神经网络，用于识别先天性长QT综合征并区分基因型（LQTS1和LQTS2）	疑似遗传性心律失常患者的心电图及其对应的基因型	计算机视觉	先天性长QT综合征	心电图	卷积神经网络	心电图图像	990名患者的4521份心电图	NA	CNN	AUC、F1分数、敏感性	NA
12	2026-08-22	Deep learning-based facial analysis for predicting difficult videolaryngoscopy: a feasibility study 2024-04, Anaesthesia IF:7.5Q1 DOI:10.1111/anae.16194 PMID:38093485	研究论文	本研究旨在开发一种基于深度学习的面部分析模型，用于预测视频喉镜检查的困难程度	首次将深度学习技术应用于面部图像分析以预测视频喉镜检查困难，相比传统床旁检查和多元评分方法具有更高的预测性能	这是一项可行性研究，样本来源可能有限，且未在外部数据集上进行验证	开发一个人工智能模型，利用神经网络识别面部图像特征，以预测视频喉镜检查的困难程度	5849名接受视频喉镜检查的患者，其中包括5335名非困难和514名困难病例	计算机视觉	非特定疾病（气道管理领域）	深度学习	ResNet-18，LightGBM	图像（面部图像）和临床数据	5849名患者	NA	ResNet-18	AUC，敏感性，特异性	NA
13	2026-08-21	S-Net: an S-shaped network for nodule detection in 3D CT images 2024-04-05, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad2b96 PMID:38382097	研究论文	提出了一种名为S-Net的S形网络，用于3D CT图像中的肺结节检测，以提高早期肺癌诊断的准确性	针对现有检测网络结构自身的缺点，采用U形网络作为骨干，引入信息融合分支传播低层细节和位置信息，采用头共享尺度自适应检测策略捕获不同尺度信息，并利用特征解耦检测头使分类和回归分支专注于各自所需信息	未在摘要中明确提及研究的局限性	开发一种基于深度学习的肺结节检测算法，以改善早期肺癌诊断的准确性	肺结节，3D CT图像	计算机视觉	肺癌	深度学习	S形网络（S-Net）	3D CT图像	LUNA16数据集（具体样本数量未提及）	NA	U-Net（作为骨干），ResSENet，SANet，OSAF-YOLOv3，MSANet（R+SC+ECA）	CPM分数	NA
14	2026-08-21	Hybrid-supervised deep learning for domain transfer 3D protoacoustic image reconstruction 2024-04-03, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad3327 PMID:38471184	研究论文	本文开发了一种混合监督深度学习方法，用于解决质子治疗中三维原声成像的有限视角问题，实现实时剂量验证。	提出了一种两阶段重构-增强深度学习方法，包括基于Transformer的重构网络和3D U-net增强网络，采用混合监督训练策略，结合迭代重构监督、迁移学习和基于数据保真度的自监督。	未在摘要中明确提及局限性，但可能受限于数据集规模和特定患者群体。	解决原声成像中有限视角引起的伪影问题，实现实时三维剂量验证，以提高质子治疗的精度和效果。	126例前列腺癌患者的原声成像数据。	计算机视觉, 深度学习	前列腺癌	原声成像	Transformer, 3D U-net, 混合监督学习	图像, 原始声学信号	126例前列腺癌患者数据	未提及	Transformer, 3D U-net	均方根误差, 结构相似性指数, Gamma指数	未提及
15	2026-08-21	Semi-supervised iterative adaptive network for low-dose CT sinogram recovery 2024-04-03, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad2ee7 PMID:38422540	研究论文	本文提出了一种半监督迭代自适应网络（SIA-Net），用于低剂量CT正弦图恢复，通过结合有标签和无标签数据，在统一框架中整合监督与无监督学习过程	SIA-Net创新性地将监督与无监督学习结合在同一网络中，利用未标记的低剂量正弦图信息，通过迭代自适应学习转移特征分布	未明确提及局限，但可能依赖于临床数据集的特定性，以及迭代过程可能增加计算复杂度	开发一种半监督方法用于低剂量CT成像，以减少辐射剂量并保持图像质量	低剂量CT正弦图及其对应的标准剂量图像，以及仅低剂量的正弦图	医学图像处理	不适用	CT成像	迭代自适应网络	正弦图	两个临床数据集	未指定	未指定具体架构	噪声降低和结构保持的竞争性表现	未指定
16	2026-08-21	Hierarchical decomposed dual-domain deep learning for sparse-view CT reconstruction 2024-04-03, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad31c7 PMID:38457843	研究论文	提出一种基于层次化分解的双域深度学习框架，用于稀疏视图CT重建，以提升重建质量和降低辐射剂量	利用深度卷积框架理论（DCF）和测量的层次化分解，揭示了传统图像域和投影域深度学习方法的局限性，并提出新的双域深度学习框架	未明确提及	为稀疏视图CT重建提供理论上合理的深度学习方法，实现高质量重建和低辐射剂量	稀疏视图CT重建中的投影数据及图像	计算机视觉、医学影像处理	不适用	稀疏视图CT成像	深度学习网络（基于深度卷积框架）	CT投影数据及图像	未明确提及	PyTorch（推测，因其GitHub链接）	神经网络结构（未具体指定，但可能有U-Net或类似）	重建质量指标（如PSNR、SSIM等，但未明确列出）	未明确提及
17	2026-08-21	Multi-scale adversarial learning with difficult region supervision learning models for primary tumor segmentation 2024-04-03, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad3321 PMID:38471170	研究论文	本文提出了一种结合多尺度对抗学习和困难区域监督学习的级联方法，用于肿瘤分割，以提高分割精度。	创新点在于将多尺度对抗学习与困难区域监督学习相结合，并采用级联的粗到细策略，将复杂的多分类分割问题转化为多个简单的二分类问题，同时提出MSALDS-UNet模型，在解码路径上应用多个判别器以实现多尺度对抗学习，并引入困难区域监督损失以有效处理模糊边界等难分割区域。	未在摘要中明确提及局限性。	开发一种精确的肿瘤分割方法，以应对肿瘤形状多样、类型复杂和空间分布不可预测等挑战。	肿瘤区域，具体包括肾脏肿瘤、脑肿瘤和胰腺肿瘤。	计算机视觉	肿瘤	深度学习	生成对抗网络（GAN）	医学影像	三个独立的公共数据库：KiTS21、MSD的脑和胰腺数据集	NA	UNet（MSALDS-UNet）	Dice相似系数、Jaccard相似系数、HD95	NA
18	2026-08-21	Spectrum learning for super-resolution tomographic reconstruction 2024-04-02, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad2a94 PMID:38373346	研究论文	提出一种名为频谱学习（SPEAR）网络的深度学习新方法，用于CT图像超分辨率重建，结合图像域全局信息和频率域高频信息以提高重建质量。	利用频谱对称性减少频率域权重参数，并引入频谱损失以同时保留高频成分和全局信息。	未提及	开发一种改进的超分辨率技术，能够保留小结构和细节，同时有效捕获高频信息。	CT图像（低分辨率与高分辨率图像对，以及低剂量与正常剂量图像对）	计算机视觉	不适用	CT成像	深度学习网络（SPEAR）	图像	未提及	未提及	SPEAR网络	图像重建质量	未提及
19	2026-08-21	De novo generation of dual-target ligands for the treatment of SARS-CoV-2 using deep learning, virtual screening, and molecular dynamic simulations 2024-04, Journal of biomolecular structure & dynamics IF:2.7Q2 DOI:10.1080/07391102.2023.2234481 PMID:37449757	研究论文	开发了一种用于SARS-CoV-2双靶点配体全新生成的深度学习框架，结合虚拟筛选和分子动力学模拟，生成的新分子对PLpro和3CLpro靶点具有高结合亲和力。	提出了双靶点配体生成网络，利用序列型SMILES生成器通过随机策略探索化学空间，并实现了针对两个不同靶点的全新药物分子生成。	未明确提及，但可能包括对生成分子实验验证的缺乏以及仅依赖计算预测。	利用深度学习生成具有双靶点生物活性的新型化合物，用于SARS-CoV-2治疗。	SARS-CoV-2的PLpro和3CLpro两个药物靶点。	机器学习	COVID-19	深度学习、虚拟筛选、分子动力学模拟	生成模型	化学分子SMILES序列	未明确提供，涉及SARS-CoV-2靶点分子数据集。	未明确提及，可能包括深度学习框架如TensorFlow或PyTorch。	未明确指定，可能为基于RNN或Transformer的生成模型。	结合亲和力、虚拟筛选得分，与瑞德西韦比较。	未明确提及。
20	2026-08-20	Joint reconstruction and segmentation in undersampled 3D knee MRI combining shape knowledge and deep learning 2024-04-24, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad3797 PMID:38527376	研究论文	本文提出了一种结合形状知识和深度学习的方法，用于欠采样三维膝关节MRI的联合重建与分割，以提高分割精度并降低计算成本。	创新点在于将统计形状模型（SSMs）作为最终后处理步骤，用于正则化由多任务学习（MTL）获得的分割图，从而在保持分割质量的同时实现模型参数的五倍减少和计算速度的一个数量级提升。	文中未明确提及局限性，但可能包括对特定数据集依赖、形状模型的通用性以及高欠采样因子下性能的潜在下降等。	研究目的为优化临床真实场景下三维膝关节MRI中骨骼和软骨的联合重建与分割，通过整合SSMs提高分割精度并减少计算资源需求。	研究对象为欠采样的三维膝关节MRI数据，具体目标为骨和软骨的分割。	医学影像处理	膝关节疾病	MRI	神经网络（U-Net）与统计形状模型结合	三维MRI图像	未在摘要中提及具体样本量	NA	U-Net	平均表面误差，最大表面误差	未在摘要中提及具体计算资源，但提到需要大量硬件资源