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	2026-10-08	Flexible use of conserved motif vocabularies constrains genome access in cell type evolution 2024-Sep-06, bioRxiv : the preprint server for biology DOI:10.1101/2024.09.03.611027 PMID:39282369	研究论文	本研究通过整合单核多组学测序与深度学习，揭示了细胞类型家族通过保守的基序词汇集来限制基因组可及性，从而实现细胞类型的长期稳定与多样化	首次将单核多组学测序与深度学习相结合，发现数百个序列特征（基序）可划分为与特定细胞类型家族可及基因组相关的不同集合，且这种划分在高度分化的早期分支动物（如扁形动物和刺胞动物）中保守；同时发现基序间的特定相互作用在物种间不保守，深度学习模型预测其他物种序列可及性时依赖不同但同义的基序组合	NA	探究细胞类型多样化如何在漫长进化时间内受家族间稳定分离的约束，以及基因组可及性在细胞类型进化中的调控机制	扁形动物和刺胞动物等高度分化的早期分支动物的细胞类型	机器学习	NA	单核多组学测序	深度学习	序列数据、多组学数据	NA	NA	NA	NA	NA
2	2026-10-06	Artificial intelligence strengthens cervical cancer screening - present and future 2024-09-19, Cancer biology & medicine IF:5.6Q1 DOI:10.20892/j.issn.2095-3941.2024.0198 PMID:39297572	综述	本综述报告了人工智能在宫颈癌筛查中的应用现状与未来发展，涵盖图像识别技术用于检测异常细胞学和宫颈肿瘤性疾病的主要AI应用及挑战	系统总结了AI在宫颈癌筛查中图像识别应用的最新进展，并展望了未来发展方向	未涉及具体实验验证，缺乏对现有AI方法的定量比较和meta分析	报告人工智能在宫颈癌筛查领域的应用现状，探讨AI技术在异常细胞学和宫颈肿瘤性疾病检测中的主要应用和未来发展	宫颈癌筛查中的细胞学图像和宫颈肿瘤性疾病图像	数字病理学	宫颈癌	NA	深度学习	图像	NA	NA	NA	NA	NA
3	2026-10-06	Construction and Evaluation of an AI-based CBCT Resolution Optimization Technique for Extracted Teeth 2024-09, Journal of endodontics IF:3.5Q1 DOI:10.1016/j.joen.2024.05.015 PMID:38848947	研究论文	本研究利用深度学习模型对离体牙的CBCT图像进行超分辨率处理，并与Micro-CT对比，评估图像质量和根管识别效果	首次将Basicvsr++模型应用于离体牙CBCT图像的超分辨率处理，并通过三维重建系统比较CBCT、SRCT和Micro-CT的差异	样本量有限，仅171颗离体牙，且训练集仅使用上颌第一磨牙，模型泛化能力需进一步验证	通过深度学习超分辨率技术优化CBCT图像分辨率，提高根管系统形态的识别准确性	171颗符合纳入标准的离体牙，包括40颗上颌第一磨牙训练集和131颗测试集（40颗上颌第一磨牙和91颗其他牙位）	计算机视觉	NA	锥形束计算机断层扫描、显微计算机断层扫描、图像超分辨率	深度学习	图像	171颗离体牙（40颗训练，131颗测试）	NA	Basicvsr++	根管识别率、硬组织体积、髓腔和根管系统体积、根管可见长度、根管冠状轴与牙齿长轴交角	NA
4	2026-10-06	Identification of Root Canal Morphology in Fused-rooted Mandibular Second Molars From X-ray Images Based on Deep Learning 2024-09, Journal of endodontics IF:3.5Q1 DOI:10.1016/j.joen.2024.05.014 PMID:38821263	研究论文	利用深度学习从二维X射线图像中识别融合根下颌第二磨牙的三维根管形态	采用多角度投影增强方法扩充X射线图像数据集，并首次比较CNN与牙髓科住院医师在识别融合根磨牙三维根管形态上的表现	样本量相对较小（271颗磨牙），且仅基于二维X射线图像进行三维形态推断，可能存在信息损失	利用深度学习方法从二维X射线图像中识别融合根下颌第二磨牙的三维根管形态，以辅助根管治疗	融合根下颌第二磨牙及其X射线图像	医学图像分析	牙科疾病	微型计算机断层扫描（micro-CT）、X射线投影成像、数据增强	卷积神经网络（CNN）	图像（X射线图像和micro-CT重建图像）	271颗融合根下颌第二磨牙	PyTorch	VGG19, ResNet18, ResNet50, EfficientNet-b5	准确率（accuracy）	NA
5	2026-10-05	Deep Learning Based Cystoscopy Image Enhancement 2024-09, Journal of endourology IF:2.9Q1 DOI:10.1089/end.2023.0751 PMID:38753720	研究论文	本文提出一种基于深度学习的膀胱镜图像增强方法，包括血液雾霾去除网络和对比度增强算法	首次将特征融合注意力网络（FFA-Net）和迁移学习应用于膀胱镜图像去血液雾霾，并引入感知损失约束网络；结合灰度重映射和加权融合实现对比度增强	未明确说明方法的泛化能力、计算复杂度或实时性限制	减轻血液雾霾对膀胱镜图像的影响，提供更清晰、对比度更高的图像以辅助医疗诊断	膀胱镜图像	计算机视觉	膀胱癌	NA	深度学习	图像	NA	NA	FFA-Net	峰值信噪比（PSNR）、结构相似性（SSIM）、感知图像块相似性（LPIPS）	NA
6	2026-09-20	Natural Language Processing for Depression Prediction on Sina Weibo: Method Study and Analysis 2024-09-04, JMIR mental health IF:4.8Q1 DOI:10.2196/58259 PMID:39233477	研究论文	本研究开发了一种基于自然语言处理的在线抑郁症风险检测方法，利用分层Transformer网络在中文社交媒体平台新浪微博上识别抑郁症风险用户	提出了一种新颖的分层Transformer网络用于学习用户级语义表示，并设计了基于检索的采样策略来显著提升抑郁症检测性能	未明确提及研究的局限性	开发一种基于自然语言处理技术的在线抑郁症风险检测方法，用于在新浪微博平台上识别抑郁症风险个体	新浪微博平台上的1600名抑郁症用户和1600名非抑郁症用户	自然语言处理	抑郁症	自然语言处理，中文语言探究与词频统计	Transformer	文本	约527333条公开帖子，来自1600名抑郁症用户和1600名非抑郁症用户；训练集2000人（各1000人），验证集600人（各300人），测试集600人（各300人）	NA	分层Transformer网络，包含词级编码器、帖子级编码器和语义聚合编码器	准确率，精确率，召回率，F1分数	NA
7	2026-09-19	Deep learning based diagnosis of PTSD using 3D-CNN and resting-state fMRI data 2024-09, Psychiatry research. Neuroimaging DOI:10.1016/j.pscychresns.2024.111845 PMID:38908302	研究论文	该研究利用静息态功能磁共振成像数据，通过3D-CNN及多种机器学习方法对创伤后应激障碍患者与健康对照进行分类诊断	首次将3D-CNN应用于静息态fMRI数据对PTSD进行分类，并系统比较了六种传统机器学习方法与3D-CNN的性能差异	样本量较小（仅19例PTSD患者和24例健康对照），且仅纳入男性受试者，结果的泛化性有待进一步验证	利用静息态功能磁共振成像数据准确检测和分类创伤后应激障碍患者与健康对照	19名PTSD男性患者和24名健康男性对照的静息态fMRI数据	医学影像分析	创伤后应激障碍	静息态功能磁共振成像、独立成分分析	3D-CNN、随机森林、朴素贝叶斯、支持向量机、决策树、K近邻、线性判别分析	三维影像	43名受试者（19名PTSD患者和24名健康对照）的静息态fMRI数据	NA	3D-CNN	准确率	NA
8	2026-09-13	FateNet: an integration of dynamical systems and deep learning for cell fate prediction 2024-09-02, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae525 PMID:39177093	研究论文	本文提出了FateNet，一种整合动力系统理论与深度学习的计算方法，利用单细胞RNA测序数据预测细胞命运决策点	将动力系统理论中的范式与分岔附近的标度行为与深度学习相结合，相比传统方法能更准确地预测细胞决策的发生，并提供对生物系统新状态的定性见解	未明确提及	从单细胞RNA测序数据中精确推断细胞命运决策及其时间点，并揭示其对组织健康和功能的更广泛影响	单细胞RNA测序数据中的细胞命运决策过程，特别是造血过程中的分化过程	机器学习	NA	单细胞RNA测序	深度学习	单细胞RNA测序数据	NA	NA	NA	准确率	NA
9	2026-09-13	GTAM: a molecular pretraining model with geometric triangle awareness 2024-09-02, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae524 PMID:39177102	研究论文	该文章提出了一种名为GTAM的分子预训练模型，通过几何三角形感知的对比学习策略，整合2D拓扑图和3D几何构象的分子编码器，以提升分子表示学习的效果	提出了一种新颖的对比学习策略，设计了创新的2D图和3D构象分子编码器，能够准确捕捉基于图的分子结构中边之间的几何依赖关系；开发了两种对比训练目标，促进2D拓扑图与3D几何构象之间边信息的直接迁移	未明确提及	克服现有分子表示学习方法在捕捉2D拓扑图中化学键的复杂相互作用以及3D几何构象多方面效应方面的不足，提升分子表示学习的性能	分子结构（包括2D拓扑图和3D几何构象）	机器学习	NA	分子表示学习，对比学习	对比学习模型，分子编码器	图数据（2D拓扑图），3D几何构象数据	NA	NA	NA	NA	NA
10	2026-09-10	Toward an Explainable Large Language Model for the Automatic Identification of the Drug-Induced Liver Injury Literature 2024-09-16, Chemical research in toxicology IF:3.7Q2 DOI:10.1021/acs.chemrestox.4c00134 PMID:39190012	研究论文	开发了首个专门用于药物性肝损伤文献自动识别的可解释大型语言模型，基于LLaMA-2并在公开数据集上达到高准确率	首次将LLaMA-2大型语言模型应用于药物性肝损伤文献的自动识别，相比BERT、GPT等较小模型表现出更优性能，并实现了对大量文档的高通量精确分类	研究主要基于训练集的交叉验证，未提及在独立外部验证集上的表现；模型性能虽优但未达完美，可能仍有改进空间	利用大型语言模型自动、高效地识别药物性肝损伤相关科学文献，以支持药物安全监控和监管审查	CAMDA 2022文献AI挑战赛中的14203篇训练出版物	自然语言处理	药物性肝损伤	大型语言模型微调	LLaMA-2	文本（文献标题和摘要）	14203篇训练出版物	PyTorch	LLaMA-2	准确率、ROC曲线下面积	未指定
11	2026-09-10	Prediction of Cytochrome P450 Substrates Using the Explainable Multitask Deep Learning Models 2024-09-16, Chemical research in toxicology IF:3.7Q2 DOI:10.1021/acs.chemrestox.4c00199 PMID:39196814	研究论文	本研究构建多任务深度学习模型，同时预测五种主要药物代谢P450酶（CYP3A4, 2C9, 2C19, 2D6, 1A2）的底物，并利用可解释性方法揭示与底物相关的子结构。	采用多任务学习框架结合指纹和图形神经网络，实现了多酶底物的并行预测，并引入SHAP和注意力机制进行模型解释，该解释结果通过子结构挖掘工具和文献得到验证。	摘要中未明确提及研究的局限性。	在药物开发早期阶段，提高P450底物预测的准确性，并增强模型可解释性，以支持化合物代谢性质评估。	五种主要药物代谢P450酶（CYP3A4, 2C9, 2C19, 2D6, 1A2）及其底物化合物。	药物发现, 机器学习	NA	多任务学习, 图形神经网络, 指纹表示	多任务深度学习模型, 图形神经网络	分子结构数据, 化合物底物标签	五种P450酶的底物数据集（具体数量未在摘要中提供）	NA	多任务指纹模型, 多任务图形神经网络	AUC	NA
12	2026-09-06	High-Throughput Deep Learning Detection of Mitral Regurgitation 2024-Sep-17, Circulation IF:35.5Q1 DOI:10.1161/CIRCULATIONAHA.124.069047 PMID:39129623	研究论文	本研究开发并验证了一种全自动深度学习流程，用于从经胸超声心动图中识别彩色多普勒的二尖瓣反流并检测其严重程度	提出了一种全自动管道，结合视图分类和MR严重度检测，并在多机构大规模数据上验证了高性能	未见明确局限性描述	开发并验证一种自动检测临床显著二尖瓣反流的深度学习管道，以实现自动化筛查和监测	经胸超声心动图视频，包括心尖四腔切面彩色多普勒视频	计算机视觉、医学影像	二尖瓣反流	超声心动图、彩色多普勒成像	深度学习模型（具体未指定）	超声心动图视频	开发集包含58,614项研究（2,587,538个视频）；内部测试集1,800项研究（80,833个视频）；外部测试集915项研究（46,890个视频）	未明确	未明确	AUC、敏感性、特异性	未明确
13	2026-08-26	Generative artificial intelligence in ophthalmology: current innovations, future applications and challenges 2024-09-20, The British journal of ophthalmology DOI:10.1136/bjo-2024-325458 PMID:38925907	综述	本文探讨生成式人工智能在眼科领域的当前创新、未来应用及面临的挑战。	系统性地总结了生成对抗网络、扩散模型和多模态基础模型在眼科中的应用，并指出其临床转化的潜力与障碍。	该技术仍处于早期阶段，存在数据偏差、安全性问题及临床实施困难等挑战。	概述生成式人工智能在眼科中的现有进展，并展望未来应用方向及讨论相关挑战。	眼科影像、眼科诊断、患者教育及医疗培训相关应用。	计算机视觉	眼科疾病	生成对抗网络、扩散模型、多模态基础模型	生成对抗网络、扩散模型	图像、文本、视频	不适用	不适用	不适用	不适用	不适用
14	2026-08-26	Deep learning model for extensive smartphone-based diagnosis and triage of cataracts and multiple corneal diseases 2024-09-20, The British journal of ophthalmology DOI:10.1136/bjo-2023-324488 PMID:38242700	研究论文	开发基于智能手机图像的深度学习模型，用于白内障和多种角膜疾病的诊断与分诊。	利用智能手机图像进行多疾病诊断，覆盖36种疾病并分为9类，实现了高准确率。	智能手机图像样本量较小（336张），可能影响模型泛化能力。	开发一个基于智能手机图像的AI算法，用于白内障和角膜疾病的诊断及紧急程度分诊。	白内障和多种角膜疾病（共36种疾病，分为9类）。	计算机视觉	白内障, 角膜疾病	NA（基于图像分类）	深度学习模型（未指定具体类型）	图像（裂隙灯显微镜和智能手机拍摄）	6442张图像（6106张裂隙灯，336张智能手机）	NA	NA	敏感性, 特异性, ROC曲线面积	NA
15	2026-08-26	Validation of a deep learning model for automatic detection and quantification of five OCT critical retinal features associated with neovascular age-related macular degeneration 2024-09-20, The British journal of ophthalmology DOI:10.1136/bjo-2023-324647 PMID:38485214	研究论文	开发并验证了一个基于U-Net的深度学习模型，用于自动分割与新生血管性年龄相关性黄斑变性（nAMD）相关的五种关键视网膜特征	提出了一种全自动分割模型，可同时检测和量化五种与nAMD相关的视网膜生物标志物，其性能达到经验丰富的分级人员的水平	未提及明显限制，但样本量相对较小（300个OCT体积），可能影响模型的泛化能力	开发并验证一个深度学习模型，用于自动分割与nAMD相关的五种视网膜生物标志物，以支持临床研究和实践	300个来自nAMD患者眼部的光学相干断层扫描（OCT）体积图像	医学影像分析	新生血管性年龄相关性黄斑变性	光学相干断层扫描	深度学习模型（U-Net）	图像（OCT体积）	300个OCT体积	NA	U-Net	受试者工作特征曲线下面积（AUC）、相关系数（R2）、Dice系数	NA
16	2026-08-26	Single-cell AI-based detection and prognostic and predictive value of DNA mismatch repair deficiency in colorectal cancer 2024-09-17, Cell reports. Medicine DOI:10.1016/j.xcrm.2024.101727 PMID:39293403	研究论文	本文介绍了一种基于人工智能的单细胞水平检测结直肠癌DNA错配修复缺陷的方法AIMMeR，并评估其预后和预测价值	首次在单细胞水平上利用AI自动检测错配修复蛋白表达，无需病理学家手动评估，提高了效率和准确性，并能提供病因学信息	与微卫星不稳定检测的一致性较低（AUROC 0.86），反映了MMR和MSI PCR之间的差异，而非AIMMeR的错误分类；需要进一步验证其在不同人群中的适用性	开发并验证一种AI方法，用于自动检测结直肠癌中DNA错配修复缺陷，以支持精准医疗和减少病理学家工作负担	结直肠癌患者的常规病理样本，包括II/III期患者，来自两个试验队列和SCOT试验	数字病理学	结直肠癌	深度学习	深度学习模型（具体类型未在摘要中说明）	病理图像	两个试验队列和SCOT试验的患者样本（具体数量未在摘要中给出）	未指定	未指定	AUROC，特异性，敏感性，阳性预测值	未指定
17	2026-08-26	Radiomics in breast cancer: Current advances and future directions 2024-09-17, Cell reports. Medicine DOI:10.1016/j.xcrm.2024.101719 PMID:39293402	综述	本综述总结了放射组学在预测乳腺癌临床病理指标和临床结局方面的当前应用，并关注连接表型与微观尺度信息的放射多组学研究	重点探讨放射组学与多组学结合的研究，以弥合表型和微观尺度信息之间的差距	当前阻碍放射组学模型临床采用存在缺陷，但具体缺点未详述	总结乳腺癌放射组学的现状并探讨未来发展方向	乳腺癌患者	医学影像	乳腺癌	放射组学	传统机器学习或深度学习模型	医学影像数据	未提及	未提及	未提及	未提及	未提及
18	2026-08-26	Integrating genomics, phenomics, and deep learning improves the predictive ability for Fusarium head blight-related traits in winter wheat 2024-Sep, The plant genome DOI:10.1002/tpg2.20470 PMID:38853339	研究论文	本研究结合基因组学、表型组学和深度学习，提高了冬小麦赤霉病相关性状的预测能力	利用基于人工智能的精准FDK估计，并首次将高光谱成像与深度学习结合进行表型预测，显著提升预测能力	未明确提及局限性，但可能受限于样本规模和特定环境条件下的验证	通过集成基因组学、表型组学和深度学习，提高冬小麦赤霉病相关性状的预测能力	冬小麦品种及其赤霉病相关性状（FDK和DON）	机器学习, 数字病理学	赤霉病	基因组选择, 高光谱成像	深度学习模型	基因组数据, 高光谱图像, 表型数据	未明确提供样本数量	NA	深度学习架构（具体未指定）	预测能力, 准确性（R值）, 遗传力	NA
19	2026-08-25	Free access via computational cloud to deep learning-based EEG assessment in neonatal hypoxic-ischemic encephalopathy: revolutionary opportunities to overcome health disparities 2024-09, Pediatric research IF:3.1Q1 DOI:10.1038/s41390-024-03427-6 PMID:39107521	评论	本文评价了一项基于深度学习的新生儿脑电监测技术，用于评估缺氧缺血性脑病的严重程度，并探讨通过云端免费访问以缓解医疗不平等问题	提出利用计算云免费提供深度学习脑电评估，以促进资源匮乏地区的医疗公平	未提供具体技术细节或实验结果，仅限于评论视角	探讨深度学习脑电评估在新生儿缺氧缺血性脑病中的应用潜力及云端可及性	新生儿缺氧缺血性脑病患儿和健康婴儿	机器学习	新生儿缺氧缺血性脑病	脑电图（EEG）	深度学习	脑电信号	46名缺氧缺血性脑病新生儿及健康对照	NA	脑状态新生儿（BSN）模型	相关性（与总Sarnat评分）	计算云
20	2026-08-23	Pre-therapy PET-based voxel-wise dosimetry prediction by characterizing intra-organ heterogeneity in PSMA-directed radiopharmaceutical theranostics 2024-09, European journal of nuclear medicine and molecular imaging IF:8.6Q1 DOI:10.1007/s00259-024-06737-3 PMID:38724653	研究论文	本研究旨在通过表征PSMA靶向放射药物热电疗中器官内异质性，基于治疗前PET预测体素级吸收剂量图。	首次利用人工智能技术定位器官内热电疗异质性，实现基于治疗前PET的体素级剂量预测，超越了传统的器官级估算。	样本量较小（23例患者），回顾性研究设计，且未详细说明计算资源，未来需更大规模验证。	利用人工智能技术基于治疗前PET预测体素级吸收剂量图，以个性化放射剂量，提高治疗效果。	23例转移性去势抵抗性前列腺癌患者，接受[177Lu]Lu-PSMA I&T放射配体治疗。	医学影像分析、人工智能	前列腺癌、转移性去势抵抗性前列腺癌	PET成像、SPECT/CT成像、药代动力学模拟	深度学习模型（具体类型未明确，可能为CNN）	医学影像（PET、SPECT/CT）	23例患者，48个治疗周期	NA（未提及具体框架）	NA（未提及具体架构，可能为CNN变体）	归一化均方根误差、剂量体积直方图、决定系数、拟合线斜率、相关系数	NA（未提及具体计算资源）