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
21	2026-08-20	Multi-organ segmentation: a progressive exploration of learning paradigms under scarce annotation 2024-05-14, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad33b5 PMID:38479023	综述	本文系统回顾了医学图像多器官分割中的学习范式，重点探讨了在标注稀缺条件下迁移学习、半监督学习和部分监督学习等方法。	从技术和方法论角度全面阐述了三种标注高效学习范式在多器官分割中的应用，并总结了挑战和未来趋势。	未详细比较不同方法在具体数据集上的性能。	探讨多器官分割在标注稀缺条件下的高效学习范式。	多器官分割方法，特别是基于深度学习的方法。	计算机视觉	NA	NA	深度学习模型	医学图像	NA	NA	NA	NA	NA
22	2026-08-18	A multimodal Transformer Network for protein-small molecule interactions enhances predictions of kinase inhibition and enzyme-substrate relationships 2024-05, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1012100 PMID:38768223	研究论文	本文提出了ProSmith，一种利用多模态Transformer网络同时处理蛋白质序列和小分子字符串的机器学习框架，以增强蛋白质-小分子相互作用的预测性能	提出了ProSmith框架，首创在同一输入中融合蛋白质氨基酸序列和小分子字符串的多模态Transformer网络，促进两种分子间信息交换，并结合梯度提升与独立深度学习表示进行预测	训练蛋白质之外的泛化能力有限，导致现有模型性能受限	提高蛋白质-小分子相互作用的预测准确性，以加速制药和生物技术研究	蛋白质与小分子的相互作用，包括激酶抑制、酶底物关系及米氏常数KM	机器学习	NA	多模态Transformer网络	多模态Transformer网络、梯度提升	蛋白质氨基酸序列和小分子字符串	NA	NA	Transformer网络、梯度提升	预测性能指标，如准确率、精确率、召回率、F1分数、AUC等	NA
23	2026-08-16	Leveraging conformal prediction to annotate enzyme function space with limited false positives 2024-05, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1012135 PMID:38809942	研究论文	本文提出了CPEC框架，结合深度学习与共形预测，以受控的假发现率对酶功能进行注释。	首次将共形预测与深度学习结合，用于酶功能注释，提供严格的FDR控制保证，优于现有方法在较低FDR下的预测性能。	未明确指出，但可能包括对训练数据中代表性不足的酶预测精度有限，以及依赖用户指定的FDR水平。	开发一个机器学习框架，用于在生物发现中提供FDR控制的预测，以减少假阳性，并通过酶功能注释案例验证其有效性。	蛋白质酶，特别是功能表征较少的酶。	机器学习	不适用	深度学习	深度学习模型（未具体说明）	蛋白质序列或结构数据（推断）	不适用	不适用	未具体说明	假发现率（FDR）、预测准确性	不适用
24	2026-08-16	Versatile multiple object tracking in sparse 2D/3D videos via deformable image registration 2024-05, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1012075 PMID:38768230	研究论文	提出ZephIR，一种基于图像配准的半监督多目标跟踪框架，用于2D/3D视频中的物体跟踪	利用空间变换网络技术，通过可调节参数编码空间和时间先验，实现跨多种生物系统的通用性	需要小量标注进行交互式优化，对于缺乏独特特征和稀疏图像环境存在挑战	开发一种通用且高效的多目标跟踪工具，适用于部分相关运动的物体，减少手动标注需求	行为小鼠的身体部位和自由移动线虫大脑中的神经元	计算机视觉	NA	图像配准	空间变换网络	图像（2D/3D视频）	NA	PyTorch	ZephIR	准确率	NA
25	2026-08-13	Directional TV algorithm for image reconstruction from sparse-view projections in EPR imaging 2024-05-30, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad4a1b PMID:38729205	研究论文	提出定向全变分（DTV）算法，用于电子顺磁共振成像中稀疏视图投影的图像重建，以提高重建精度并减少扫描时间	提出定向全变分（DTV）模型，并推导出其Chambolle-Pock求解算法，相比现有FBP和TV类算法及深度学习方法，在稀疏重建中表现更优	摘要中未提及具体局限性	开发一种先进的算法，用于三维EPR成像的稀疏视图投影重建，以提高重建准确性并支持快速扫描	模拟六球体幻影和两个装有OX063三苯甲基溶液的实瓶幻影，由磁场强度为250 G的EPR成像仪扫描	图像重建	NA	EPR成像	定向全变分（DTV）算法	图像	模拟数据（六球体幻影）和两个实瓶幻影	NA	Chambolle-Pock算法	视觉检查和定量评估	NA
26	2026-08-13	DMGM: deformable-mechanism based cervical cancer staging via MRI multi-sequence 2024-05-30, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad4c50 PMID:38749463	研究论文	本文提出了一种基于可变形机制的卷积LSTM模块和可变形多序列引导模型（DMGM），用于利用多序列MRI图像进行宫颈癌分期。	首次将可变形卷积机制与ConvLSTM结合，提出DMGM模型用于宫颈癌多序列MRI分期，并引入序列增强策略以应对小样本问题。	未明确提及局限性，但小样本和模型泛化性可能仍需进一步验证。	利用深度学习方法，特别是可变形卷积层，对宫颈癌进行分期，并解决多序列识别和小样本过拟合问题。	宫颈癌患者的MRI多序列图像，以及作为外部验证的BraTS 2019多模态数据。	医学图像分析、深度学习	宫颈癌	MRI多序列成像	卷积LSTM（ConvLSTM）、可变形卷积网络	医学图像（MRI多序列）	未明确提及具体样本数量，但提及样本量有限。	NA	DMGM（包含可变形ConvLSTM模块）	比较实验和消融研究（未具体列出指标，可能包含准确率等）。	未提及。
27	2026-08-13	Enhancement of OCTen faceimages by unsupervised deep learning 2024-05-30, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad4c52 PMID:38749469	研究论文	提出一种基于无监督深度学习的管道，用于增强光学相干断层扫描（OCT）图像质量，同时改善散斑噪声和失焦问题。	采用无监督深度学习方法和循环训练策略，无需配对的训练数据，降低了数据构建的复杂性。	未提及具体局限性。	开发一种无监督方法增强OCT图像质量，以改善早期疾病的可视化。	OCT图像中的生物样本微观结构。	计算机视觉	不适用	OCT（光学相干断层扫描）	无监督深度学习模型（未指定具体类型）	图像	未提及具体样本数量；使用复杂生物样本构建数据集。	不适用	不适用	不适用	不适用
28	2026-08-12	BarlowTwins-CXR: enhancing chest X-ray abnormality localization in heterogeneous data with cross-domain self-supervised learning 2024-05-16, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-024-02529-9 PMID:38755563	研究论文	提出BarlowTwins-CXR方法，通过跨域自监督学习提升胸部X射线异常定位性能	首次将调整后的Barlow Twins算法应用于胸部X射线跨域自监督预训练，解决域不一致问题，提高异构数据的异常定位精度	未提及具体限制，可能包括对特定数据集的依赖及泛化性验证不足	解决跨域迁移学习中的域不一致问题，提升异构胸部X射线图像分析中异常定位的自动化性能	胸部X射线图像中的异常定位	计算机视觉	胸部疾病（未特指）	自监督学习、迁移学习	ResNet50, Faster R-CNN	图像	NIH数据集112,120张图像，VinDr-CXR数据集18,000张图像	NA	ResNet50, Faster R-CNN with FPN	mAP50, AUC	NA
29	2026-08-12	Optimizing deep learning-based segmentation of densely packed cells using cell surface markers 2024-05-15, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-024-02502-6 PMID:38750526	研究论文	本文评估了18种基于深度学习的细胞分割模型在免疫荧光图像上的性能，并通过训练和参数调优提升了细胞分割精度。	系统比较了多种预训练和自训练的深度学习模型，并通过对最成功模型进行参数调优，显著提高了密集细胞分割的性能。	最终模型性能受限于图像集的信噪比中等，导致分割结果不完美。	优化深度学习模型对密集排列细胞的自动分割，以支持空间分子 profiling。	皮肤组织中感染单纯疱疹病毒（HSV）的免疫荧光图像中的免疫细胞。	计算机视觉	病毒感染	免疫荧光成像	深度学习分割模型（如Cellpose中的cyto模型）	图像	超过10,000个训练实例，来自两个公开图像集和当前图像集	NA	Cellpose（cyto模型）等，具体未详述	平均精度（mAP）	NA
30	2026-08-11	Artificial intelligence for ultrasound scanning in regional anaesthesia: a scoping review of the evidence from multiple disciplines 2024-05, British journal of anaesthesia IF:9.1Q1 DOI:10.1016/j.bja.2024.01.036 PMID:38448269	综述	本综述旨在识别和整理跨学科领域关于区域麻醉超声扫描中人工智能系统的准确性和实用性的现有文献，并指出评估方法的不足。	首次从多学科视角系统梳理了区域麻醉超声扫描中AI应用的文献，并发现2016-17年间深度学习技术的显著转变。	缺乏标准化评估框架，导致模型间比较困难；临床疗效和安全性数据有限。	绘制区域麻醉超声扫描中AI系统的准确性和实用性相关文献，以支持后续评估标准化和临床采纳。	区域麻醉超声扫描中的人工智能系统。	医学影像分析, 机器学习	麻醉相关疾病	深度学习（主要技术）	NA	文献数据	13,014个来源，116篇全文审查	NA	NA	NA	NA
31	2026-08-04	Prediction of prognosis using artificial intelligence-based histopathological image analysis in patients with soft tissue sarcomas 2024-05, Cancer medicine IF:2.9Q2 DOI:10.1002/cam4.7252 PMID:38800990	研究论文	本文探索了基于人工智能的病理图像分析在软组织肉瘤患者预后预测中的应用	首次将深度学习应用于软组织肉瘤的预后预测，使用Inception v3模型从病理图像中估计生存率	样本量较小（35例），且为回顾性研究，可能影响模型的泛化性	利用深度学习从组织病理图像预测软组织肉瘤患者的预后，以辅助临床管理	软组织肉瘤患者的组织病理切片	数字病理学	软组织肉瘤	组织病理图像数字化	卷积神经网络	图像	35例软组织肉瘤患者的组织病理切片	NA	Inception v3	AUC, 准确率, F1分数	NA
32	2026-08-01	A large-scale assessment of sequence database search tools for homology-based protein function prediction 2024-05-23, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae349 PMID:39038936	研究论文	本研究大规模评估了序列数据库搜索工具在基于同源性的蛋白质功能预测中的表现，并提出新的评分函数以提高预测性能	首次系统评估了不同序列搜索工具及其参数设置对蛋白质功能预测的影响，并开发了优于现有方法的新的评分函数	研究主要基于基准数据集进行，可能未涵盖所有真实应用场景，且未深入探讨不同生物体或功能类别的差异	评估最优序列搜索工具和参数设置，以提高基于同源性的蛋白质功能预测性能	流行的序列搜索工具（如BLASTp, MMseqs2, DIAMOND）及其在GO术语预测中的应用	生物学信息学	NA	序列数据库搜索	NA	序列数据	大型基准数据集，未给出具体数量	NA	NA	性能（未明确指定具体指标）	NA
33	2026-08-01	CELA-MFP: a contrast-enhanced and label-adaptive framework for multi-functional therapeutic peptides prediction 2024-05-23, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae348 PMID:39038935	研究论文	提出了CELA-MFP，一种结合特征对比增强和标签自适应的深度学习框架，用于预测多功能治疗肽	通过对比学习增强肽序列表示，并利用Transformer解码器建模功能间相关性	未明确提及	准确预测多功能治疗肽的功能，以支持药物发现和生物技术应用	多功能治疗肽序列	机器学习	NA	蛋白质语言模型（pLM）	Transformer	序列	两个广泛使用的数据集MFBP和MFTP	NA	Transformer解码器	准确率、精确率、召回率、F1分数、AUC等（根据原文“most evaluation metrics”推断）	NA
34	2026-08-01	Introducing enzymatic cleavage features and transfer learning realizes accurate peptide half-life prediction across species and organs 2024-05-23, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae350 PMID:39038937	研究论文	提出了一种基于人工智能的肽半衰期预测系统，结合酶切特征和迁移学习，实现了跨物种和器官的准确预测	创新性地整合酶切特征与传统肽描述符，并系统比较传统机器学习和迁移学习，显著提高预测精度	未明确说明局限性	实现天然和修饰肽在人类和小鼠的血液及肠道中的半衰期准确预测，促进肽药物开发	天然肽和修饰肽	机器学习	不适用	酶切特征分析	深度学习模型	肽序列数据	未明确说明	未明确说明	未明确说明	R²	未明确说明
35	2026-08-01	Discovering predisposing genes for hereditary breast cancer using deep learning 2024-05-23, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae346 PMID:39038933	研究论文	本文开发了一种基于深度学习的变异分析流程，用于发现遗传性乳腺癌的易感基因，并发现过氧化物酶体和线粒体通路在乳腺癌易感性中起重要作用	提出了一种高通量变异分析流程，结合最新机器学习模型和三维蛋白质结构分析，针对家族研究设计，应用于罕见错义变异分析	研究仅限于中东血统的12个家庭队列，样本规模较小；未提供模型计算资源细节	利用深度学习发现遗传性乳腺癌的易感基因，并探索相关生物通路	来自12个具有高乳腺癌发病率的中东家庭的罕见错义变异	机器学习	乳腺癌	NGS（下一代测序）	深度学习模型	基因组变异数据（罕见错义变异）	12个家庭，1218个罕见错义变异，80个候选致病基因	NA	NA	NA	NA
36	2026-08-01	Comprehensive single-cell RNA-seq analysis using deep interpretable generative modeling guided by biological hierarchy knowledge 2024-05-23, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae314 PMID:38960404	研究论文	提出了一种名为d-scIGM的深度可解释生成模型，用于单细胞RNA-seq数据分析，结合锯齿连接技术和残差网络，并融入生物学层级先验知识	将锯齿连接技术与残差网络相结合构建深层生成框架，并整合生物学领域的层级先验知识以增强模型可解释性，突破了以往生成模型仅局限于1至3层潜在变量的浅层神经网络限制	NA	开发一种深度可解释的生成模型，用于单细胞转录组数据的综合分析，包括聚类、可视化和伪时间推断等任务	单细胞RNA-seq数据，具体包括药物响应数据、黑色素瘤数据集等	机器学习	黑色素瘤	RNA-seq（单细胞RNA测序）	生成模型（深度生成模型）	单细胞转录组数据（图像、文本等之外的数据类型）	NA（未明确说明具体样本数量）	NA	残差网络、锯齿连接（结合生成模型）	聚类性能、可视化效果、伪时间推断准确性、主题通路富集度、药物响应模式捕获能力	NA
37	2026-08-01	A novel deep machine learning algorithm with dimensionality and size reduction approaches for feature elimination: thyroid cancer diagnoses with randomly missing data 2024-05-23, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae344 PMID:39007597	研究论文	本文提出了一种新颖的深度机器学习算法，结合维度和规模缩减方法处理随机缺失数据，用于甲状腺癌诊断	提出内相似性和目标相似性维度缩减方法，以及基于层次聚类的规模缩减方法，以处理随机缺失数据并提升诊断准确性	未明确提及	开发准确且计算高效的深度学习算法，用于甲状腺癌诊断，并处理随机缺失数据和维度灾难问题	甲状腺癌诊断数据，包含随机缺失的多维数据	机器学习	甲状腺癌	NA	深度机器学习算法	表格数据（多维临床数据）	未明确提及	NA	NA	精确度（训练和测试精确度），计算时间效率	NA
38	2026-08-01	Highly accurate classification and discovery of microbial protein-coding gene functions using FunGeneTyper: an extensible deep learning framework 2024-05-23, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae319 PMID:39007592	研究论文	开发了FunGeneTyper，一个可扩展的深度学习框架，用于微生物蛋白编码基因功能的高精度分类和发现，尤其在抗生素耐药基因和毒力因子基因方面表现卓越	提出了两个新的深度学习模型（FunTrans和FunRep），构建了结构化数据库和支持资源，实现了高精度（Accuracy>0.99, F1-score>0.97）的细粒度分类，并在发现新ARGs方面超越了现有工具和方法	摘要中未明确提及局限性	实现微生物蛋白编码基因功能的准确分类和新型基因的发现	微生物蛋白编码基因，特别是抗生素耐药基因和毒力因子基因	自然语言处理、机器学习、生物信息学	不适用（针对微生物功能）	深度学习框架（包括序列建模和表示学习）	深度神经网络（FunTrans和FunRep，可能基于Transformer或类似架构）	微生物基因序列（DNA/蛋白质序列）	包括ARGs的远程同源序列数据集，以及来自人类肠道、废水和土壤微生物组的实验确认数据集	可能使用PyTorch或TensorFlow（未明确指定）	FunTrans和FunRep（具体架构未详细说明，可能包括Transformer变体）	准确率（Accuracy）、F1分数（F1-score）	未明确提及，但强调为轻量级、隐私保护和即插即用模块
39	2026-08-01	DeepIDA-GRU: a deep learning pipeline for integrative discriminant analysis of cross-sectional and longitudinal multiview data with applications to inflammatory bowel disease classification 2024-05-23, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae339 PMID:39007595	研究论文	开发了一个名为DeepIDA-GRU的深度学习流程，用于整合横截面和纵向多视图数据，并应用于炎症性肠病分类	首次结合统计与深度学习方法整合横截面和纵向多视图数据，并考虑类别结果，识别关键变量以提供生物学见解	未在文中明确提及	克服现有方法在整合不同数据类型和考虑类别结果方面的局限性，提高复杂疾病分类的准确性	炎症性肠病（IBD）患者的横截面和纵向多组学数据，包括宏基因组学、转录组学和代谢组学	机器学习	炎症性肠病	多组学测序（宏基因组学、转录组学、代谢组学）	GRU，密集前馈网络，循环神经网络	多组学数据（宏基因组、转录组、代谢组）	IBD研究中的样本，具体数量未在摘要中给出	未在摘要中提及	GRU，密集前馈网络	分类准确率等，具体未在摘要中给出	未在摘要中提及
40	2026-08-01	Gram matrix: an efficient representation of molecular conformation and learning objective for molecular pretraining 2024-05-23, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae340 PMID:38990515	研究论文	提出使用Gram矩阵作为分子三维结构的紧凑表示，并用于预训练目标，构建Pre-GTM模型以提高分子性质预测准确性	首次将Gram矩阵用作分子三维构象的表示和预训练目标，使模型隐式捕获3D信息	未提及具体局限性	通过引入3D构象信息改进分子性质预测，提升模型性能	分子结构及其性质	机器学习	NA	NA	Pre-GTM（基于Transformer的图模型）	分子结构数据（2D和3D）	QM9和MoleculeNet数据集	未明确提及	Graphormer（作为基线），Pre-GTM	预测准确性（具体指标未列出）	未提及