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	2026-06-02	Leveraging advances in data-driven deep learning methods for hybrid epidemic modeling 2024-09, Epidemics IF:3.0Q2 DOI:10.1016/j.epidem.2024.100782 PMID:38971085	研究论文	本文总结了在COVID-19情景建模中心的工作，强调深度学习技术通过灵活的数据驱动框架补充传统机械模型，用于评估未来疫情情景	提出基于多元长短期记忆网络的两种深度学习模型，解决了传统数据驱动模型的挑战，能够整合异构监测数据源（如症状、环境、基因组、血清学、信息监测和移动数据）	NA	利用深度学习技术改进混合疫情建模，为公共卫生决策提供更准确的情景预测	COVID-19疫情中的病例数、住院人数和死亡人数等流行病学数据	机器学习	COVID-19	LSTM	LSTM	时间序列数据、异构监测数据（症状、环境、基因组、血清学等）	12轮以上的COVID-19情景建模	PyTorch	多元LSTM	NA	NA
2	2026-06-01	mACPpred 2.0: Stacked Deep Learning for Anticancer Peptide Prediction with Integrated Spatial and Probabilistic Feature Representations 2024-09-01, Journal of molecular biology IF:4.7Q1 DOI:10.1016/j.jmb.2024.168687 PMID:39237191	研究论文	开发了mACPpred 2.0模型，通过堆叠深度学习整合空间与概率特征表示，用于抗癌肽的高效预测	首次整合空间与概率特征表示来预测抗癌肽，并采用堆叠深度学习（SDL）方法结合1D CNN和混合特征	NA	提升抗癌肽预测的准确性和鲁棒性，更新并超越现有预测方法	抗癌肽（ACPs）和非抗癌肽的氨基酸序列数据	机器学习	癌症	深度学习、自然语言处理（NLP）嵌入、特征选择	堆叠深度学习（SDL）、1D卷积神经网络（1D CNN）	序列数据（氨基酸序列）	整合所有公开可用的ACPs数据集构建更新基准数据集	深度学习框架（未指定具体名称）	1D CNN	交叉验证、独立测试（具体指标如准确率、F1值等未列出）	NA
3	2026-06-01	GalaxySagittarius-AF: Predicting Targets for Drug-Like Compounds in the Extended Human 3D Proteome 2024-09-01, Journal of molecular biology IF:4.7Q1 DOI:10.1016/j.jmb.2024.168617 PMID:39237198	研究论文	GalaxySagittarius-AF是一个结合深度学习预测结构进行药物类似化合物靶点预测的网络服务器	利用AlphaFold预测的结构扩展人类蛋白质组覆盖范围，并采用基于相似性和基于结构的双重方法进行靶点预测	未明确提及，但可能依赖于预测结构的准确性以及数据库的完整性	开发一个能够预测药物类似化合物在扩展人类3D蛋白质组中靶点的网络服务器	药物类似化合物及其在人类蛋白质组中的潜在靶点	机器学习和计算生物学	不适用	AlphaFold结构预测和GalaxySite结合位点预测	基于相似性和基于结构的预测模型	蛋白质结构数据和化合物结构数据	不适用	不适用	不适用	不适用	网络服务器，无需注册即可访问，运行速度比前代快2-3倍
4	2026-06-01	ModFOLD9: A Web Server for Independent Estimates of 3D Protein Model Quality 2024-09-01, Journal of molecular biology IF:4.7Q1 DOI:10.1016/j.jmb.2024.168531 PMID:39237204	研究论文	介绍ModFOLD9网络服务器，用于独立评估3D蛋白质模型质量	整合了基于深度学习的新评分方法，显著提高了预测准确性	未提及具体局限性	提供可靠的独立模型质量估计以识别错误并选择最佳模型	蛋白质三维结构模型	机器学习	NA	NA	深度学习模型	蛋白质结构数据	NA	NA	NA	预测准确性	NA
5	2026-05-31	Model fusion for predicting unconventional proteins secreted by exosomes using deep learning 2024-09, Proteomics IF:3.4Q2 DOI:10.1002/pmic.202300184 PMID:38643383	研究论文	提出一种融合多个深度学习模型的方法，用于预测外泌体分泌的非传统分泌蛋白	首次结合卷积神经网络和多种密集连接神经网络，融合蛋白质序列与进化信息，提升了预测准确性	未提及模型在实际应用中的泛化能力或计算资源消耗	提高外泌体介导的非传统分泌蛋白预测准确性，探索非经典蛋白分泌和细胞间通讯的调控机制	外泌体分泌的非传统蛋白质	机器学习	NA	蛋白质序列分析、进化信息分析	CNN, DNN	蛋白质序列数据	独立测试数据集	NA	CNN, DNN	ACC, MCC	NA
6	2026-05-29	Deep learning-based IDH1 gene mutation prediction using histopathological imaging and clinical data 2024-09, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.108902 PMID:39038392	研究论文	利用组织病理学图像和临床数据，通过深度学习方法预测IDH1基因突变	采用集成学习策略，结合深度学习图像模型和机器学习临床数据模型，并通过超参数优化提高分类性能，在WSI和临床数据上分别达到最高AUC 0.823和0.782，集成结果达到0.852	NA	分类胶质瘤患者IDH1基因突变的存在与否	成年型弥漫性胶质瘤患者的组织病理学全切片图像和临床数据	数字病理学	胶质瘤	H&E染色WSI成像	深度学习模型（注意力多实例学习）和梯度提升机	图像和表格数据	546名患者	PyTorch, LightGBM	MaxViT, ABMIL	AUC, 准确率	NA
7	2026-05-24	Enhancing the activity and succinyl-CoA specificity of 3-ketoacyl-CoA thiolase Tfu_0875 through rational binding pocket engineering 2024-Sep, Synthetic and systems biotechnology IF:4.4Q1 DOI:10.1016/j.synbio.2024.04.014 PMID:38694995	研究论文	通过理性结合口袋工程提升3-酮脂酰辅酶A硫解酶Tfu_0875的活性及琥珀酰辅酶A特异性	采用深度学习方法DLKcat识别有效突变体，并结合贪婪累积蛋白工程策略（GRAPE）对酶进行优化，显著提高了酶活性和底物特异性	未提及	提升3-酮脂酰辅酶A硫解酶的活性和底物特异性，以提高己二酸产量	3-酮脂酰辅酶A硫解酶Tfu_0875及其突变体	机器学习	NA	蛋白结构分析、深度学习	DLKcat	序列、结构	多个突变体，具体数量未提及	NA	DLKcat	比活性、催化效率、底物特异性、底物结合能	NA
8	2026-05-20	Visceral Adiposity and Progression of ADPKD: A Cohort Study of Patients From the TEMPO 3:4 Trial 2024-Sep, American journal of kidney diseases : the official journal of the National Kidney Foundation IF:9.4Q1 DOI:10.1053/j.ajkd.2024.02.014 PMID:38608748	研究论文	利用深度学习从TEMPO 3:4试验患者的冠状面MRI扫描中量化内脏脂肪，分析其与常染色体显性多囊肾病肾脏进展及托伐普坦疗效的关系	首次在ADPKD队列中通过深度学习分割模型从冠状面MRI量化内脏脂肪，发现其在预测肾脏生长速率方面优于BMI，并影响托伐普坦疗效	回顾性研究设计、研究对象为快速进展患者、深度学习计算需求高	探讨内脏脂肪堆积与ADPKD肾脏生长速率的关系以及对托伐普坦疗效的影响	ADPKD高风险快速进展患者	数字病理学	常染色体显性多囊肾病	MRI	深度学习分割模型	图像（冠状面MRI）	1053名ADPKD患者	NA	NA	曲线下面积（AUC）、Delong检验	需要高计算资源（深度学习）
9	2026-05-20	Artificial intelligence for triaging of breast cancer screening mammograms and workload reduction: A meta-analysis of a deep learning software 2024-09, Journal of medical screening IF:2.6Q2 DOI:10.1177/09691413231219952 PMID:38115810	meta-analysis	本研究通过系统综述和meta分析评估了基于深度学习的人工智能系统对乳腺癌筛查乳腺X线影像进行分诊的潜力，重点关注其对放射科医生工作量的减少效果	首次通过meta分析量化了AI分诊在乳腺癌筛查中减少约68.3%放射科工作量的同时保持93.1%高敏感性的效果，提供了基于商业DL算法的实际证据	仅纳入三种使用同一商业DL算法的研究，异质性较高（I²值大），且未深入分析AI实施过程的复杂性和异质性对实际应用的影响	评估基于AI的乳腺X线分诊能否在非劣效敏感性的前提下减少放射科医生工作量	乳腺癌筛查中的乳腺X线影像及放射科医生的工作流程	机器学习	乳腺癌	深度学习的计算机辅助分诊技术	深度学习	医学影像（乳腺X线影像）	三个纳入研究的156,852次检查	NA	NA	敏感性, 特异性, 工作量减少比例	NA
10	2026-05-19	A Multiscale Connected UNet for the Segmentation of Lung Cancer Cells in Pathology Sections Stained Using Rapid On-Site Cytopathological Evaluation 2024-09, The American journal of pathology DOI:10.1016/j.ajpath.2024.05.011 PMID:38897537	研究论文	提出一种基于深度学习的多尺度连接UNet（CUNet3+）网络模型，用于快速现场细胞病理学评估（ROSE）染色的病理切片中肺癌细胞簇的精确分割	通过CUNet3+网络模型减少过分割、降低网络参数、提高计算效率，在ROSE染色图像中准确识别肺癌细胞簇，优于经典分割算法	NA	提高支气管内超声引导下经支气管针吸活检术（EBUS-TBNA）术中诊断效率，实现实时患者评估	肺癌患者的ROSE染色病理切片中的细胞簇	数字病理学	肺癌	快速现场细胞病理学评估（ROSE）	卷积神经网络（CNN）	病理图像	NA	NA	CUNet3+	F1-score, 召回率, 精确率, 准确率, ROC曲线下面积	NA
11	2026-05-19	Deep Learning Classification and Quantification of Pejorative and Nonpejorative Architectures in Resected Hepatocellular Carcinoma from Digital Histopathologic Images 2024-09, The American journal of pathology DOI:10.1016/j.ajpath.2024.05.007 PMID:38879083	研究论文	利用深度学习对肝细胞癌数字病理图像中的不良与非不良组织架构进行分类和量化	首次构建基于ResNet34的监督深度学习算法，用于识别和量化微血管侵犯、低分化、不良巨梁架构和血管包裹肿瘤巢等不良组织架构，并验证其在外部队列的泛化能力	仅限于肝细胞癌的术后样本，且算法性能在外部验证中准确率略下降，仍需进一步优化以构建复合预测算法	识别术后复发高风险肝细胞癌患者，通过深度学习预测不良组织架构以替代微血管侵犯评估	肝细胞癌手术切除标本的整张切片图像	数字病理学	肝细胞癌	NA	CNN	图像	107例肝细胞癌患者的680张整张切片图像，外部验证组为29例肝细胞癌	PyTorch	ResNet34	准确率	NA
12	2026-05-19	Deep Learning for Grading Endometrial Cancer 2024-09, The American journal of pathology DOI:10.1016/j.ajpath.2024.05.003 PMID:38879079	研究论文	介绍EndoNet，利用卷积神经网络和视觉Transformer对子宫内膜癌全切片图像进行高低级别分类	结合卷积神经网络提取组织学特征与视觉Transformer聚合特征，实现无需人工标注的子宫内膜癌分级	需要进一步验证才能支持临床使用	开发深度学习模型自动分类子宫内膜癌的高级别和低级别	子宫内膜癌的苏木精-伊红染色全切片图像	数字病理学	子宫内膜癌	NA	卷积神经网络, 视觉Transformer	图像	929张全切片图像用于训练，内部测试110名患者，外部测试100名患者（来自TCGA数据库）	PyTorch（推测）	CNN, ViT	F1分数, AUC	NA
13	2026-05-16	INSPIRE: interpretable, flexible and spatially-aware integration of multiple spatial transcriptomics datasets from diverse sources 2024-Sep-25, bioRxiv : the preprint server for biology DOI:10.1101/2024.09.23.614539 PMID:39386646	research paper	提出INSPIRE，一种用于整合分析多个空间转录组数据集的深度学习方法	结合图神经网络、对抗学习机制和非负矩阵分解，实现了空间感知、可解释且灵活的多源空间转录组数据整合	NA	开发一种能够有效整合和解析来自不同样本、技术和发育阶段的空间转录组数据的方法	人类皮层切片、小鼠脑切片、小鼠海马体和胚胎切片，以及包含50万个空间点的时空器官发生图谱	machine learning	NA	空间转录组学	图神经网络	空间转录组数据	包含50万个空间点的时空器官发生图谱等多个数据集	NA	图神经网络、非负矩阵分解	NA	NA
14	2026-05-16	Unrealistic Data Augmentation Improves the Robustness of Deep Learning-Based Classification of Dopamine Transporter SPECT Against Variability Between Sites and Between Cameras 2024-09-03, Journal of nuclear medicine : official publication, Society of Nuclear Medicine IF:9.1Q1 DOI:10.2967/jnumed.124.267570 PMID:39054285	研究论文	提出强烈非真实数据增强方法，提升深度学习在多巴胺转运体SPECT图像分类中对站点和相机差异的鲁棒性	首次提出基于高斯模糊和加性噪声的强烈非真实数据增强策略，显著优于传统增强方法和无增强方案	仅针对多巴胺转运体SPECT图像，需验证在其他核医学成像任务中的迁移性	提高卷积神经网络在临床实际数据中的泛化能力，减少站点和相机差异对分类性能的影响	多巴胺转运体SPECT图像（I-标记的FP-CIT）	计算机视觉	神经退行性疾病	SPECT成像	CNN	图像	训练集1100张图像，两个独立测试集分别为645张和640张图像	PyTorch	nnU-Net（用于对比增强方法）	准确率, 95%置信区间	NA
15	2026-05-08	Enhancing schizophrenia phenotype prediction from genotype data through knowledge-driven deep neural network models 2024-09, Genomics IF:3.4Q2 DOI:10.1016/j.ygeno.2024.110910 PMID:39111546	研究论文	通过知识驱动的深度神经网络模型，利用基因型数据增强精神分裂症表型预测	创新性地结合全基因模型和遗传异质性概念，设计了三步深度学习方法：局部连接网络将变体路由到对应基因、编码器-解码器捕获基因间关系、集成先前知识并考虑额外基因效应的并行组件，显著提升预测性能	未明确提及，但可能涉及模型复杂度和对大规模基因型数据的依赖	利用基因型数据改进精神分裂症的表型预测	精神分裂症患者的基因型数据	机器学习	精神分裂症	基因型数据预测	深度神经网络	基因型数据	NA	NA	局部连接网络、编码器-解码器、并行组件	AUC, 灵敏度, 准确率	NA
16	2026-05-05	Fully Automated Hippocampus Segmentation using T2-informed Deep Convolutional Neural Networks 2024-09, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2024.120767 PMID:39103064	研究论文	提出一种全自动海马体分割流程，利用T2加权MRI图像和深度卷积神经网络，提升基于临床T1加权图像的海马体分割性能	利用高分辨率T2加权图像创建更精确的标注真值，并训练分割网络，从而提升T1加权图像的分割准确性	T2加权序列在临床常规中不可行，且多对比度数据集的获取需要额外时间和资源	开发一种基于深度学习的方法，利用T2加权图像增强对临床T1加权图像中海马体的自动化分割，以准确估计阿尔茨海默病中的海马体萎缩	多对比度数据集中的成对T1加权和高分辨率T2加权MRI图像	计算机视觉	阿尔茨海默病	MRI成像	卷积神经网络（CNN）	图像	NA	NA	3D 卷积神经网络	视觉比较和多种定量测量指标	NA
17	2026-05-05	RS2-Net: An end-to-end deep learning framework for rodent skull stripping in multi-center brain MRI 2024-09, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2024.120769 PMID:39122056	研究论文	提出RS2-Net端到端深度学习框架，用于多中心脑部MRI中啮齿动物的颅骨剥离	开发基于Swin-UNETR的轻量级框架，无需预处理即可自动适应多种MRI图像分辨率，降低人工标注依赖	未明确提及论文局限性	自动化啮齿动物MRI颅骨剥离流程，减少预处理步骤和工作量	小鼠和大鼠的脑部MRI扫描图像	计算机视觉	NA	MRI	Swin-UNETR	图像	来自89个中心的1037只啮齿动物共1142张图像	PyTorch	Swin-UNETR	Dice系数	NA
18	2026-05-05	A comprehensive overview of diffuse correlation spectroscopy: Theoretical framework, recent advances in hardware, analysis, and applications 2024-09, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2024.120793 PMID:39153520	综述	全面介绍扩散相关光谱学的理论框架、硬件、分析方法和应用的最新进展	整合了连续波、频域和时域三种主要硬件架构，并探讨了硅单光子雪崩二极管传感器及深度学习在数据分析中的新应用	未提及具体实验验证或定量比较，主要提供概述性指导	为扩散相关光谱学领域的新研究者提供全面的知识基础和实践指南	扩散相关光谱学硬件架构、传感器（如SPAD）、激光器、相关器及数据分析工具	机器学习	NA	扩散相关光谱学	深度学习	NA	NA	NA	NA	NA	NA
19	2026-04-30	Evaluation of a deep learning-enabled automated computational heart modelling workflow for personalized assessment of ventricular arrhythmias 2024-09, The Journal of physiology DOI:10.1113/JP284125 PMID:37060278	研究论文	评估基于深度学习的自动化计算心脏建模工作流在个性化评估室性心律失常中的可行性	开发了一种无需专家手动交互的自动化深度学习工作流，用于重建个性化电生理心脏模型，并在多中心数据中验证其与专家模型在预测室性心动过速方面的一致性	训练数据集较小（111例患者），可能影响深度学习模型的泛化能力	评估自动化深度学习工作流在重建个性化计算心脏模型以指导室性心动过速治疗中的可行性	111例患者的对比增强CT图像及专家心室肌分割结果	计算机视觉, 数字病理	心血管疾病	CT成像, 深度学习分割	卷积神经网络	图像	111例患者的CT图像，来自三个机构五个队列	PyTorch	CNN	分割一致性，VT诱导性，VT数量相关性，VT电路共定位	NA
20	2026-04-29	Early identification of patients at risk for iron-deficiency anemia using deep learning techniques 2024-09-03, American journal of clinical pathology IF:2.3Q2 DOI:10.1093/ajcp/aqae031 PMID:38642073	研究论文	利用深度学习技术早期识别缺铁性贫血风险患者	基于纵向门诊实验室数据开发神经网络模型，在传统诊断前3-6个月预测缺铁性贫血风险	NA	开发预测模型以缩短缺铁性贫血的诊断时间	门诊患者的实验室检测数据	机器学习	缺铁性贫血	NA	人工神经网络、长短期记忆网络、门控循环单元	结构化实验室数据	30603名患者的回顾性电子健康记录数据	NA	门控循环单元	准确率、受试者工作特征曲线下面积、敏感性、特异性	NA