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	2026-07-04	Anatomically plausible segmentations: Explicitly preserving topology through prior deformations 2024-10, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103222 PMID:38936222	研究论文	提出TEDS-Net分割网络，通过学习拓扑保持场变形先验，在保证分割性能的同时保留解剖拓扑结构	首次在分割网络中显式利用拓扑保持场确保解剖结构拓扑正确性，并引入额外修改增强离散域中的拓扑保持效果	主要针对单个结构的拓扑保持，整体场景拓扑表现仍有限制	确保医学图像分割结果拓扑正确，避免影响下游临床图像处理任务	开源医学心脏数据集中的单结构与多结构分割	医学图像分割	心血管疾病	NA	CNN	图像	开源心脏数据集（未说明具体数量）	PyTorch	TEDS-Net（基于变形场的分割网络）	分割性能指标（如Dice系数）、拓扑保持指标（折叠体素数量）	NA
22	2026-07-03	Adversarial EM for variational deep learning: Application to semi-supervised image quality enhancement in low-dose PET and low-dose CT 2024-10, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103291 PMID:39121545	研究论文	提出了一种基于对抗期望最大化的变分深度学习框架，用于低剂量PET和CT图像质量提升	首次将对抗学习与期望最大化结合到变分深度神经网络中，提出多尺度潜空间编码器-解码器架构，并使用广义高斯模型实现数据特定的鲁棒统计建模，同时开发了半监督版本以减少对正常剂量图像的依赖	未明确讨论计算复杂度或大规模临床验证，且模型性能可能受限于训练数据分布和超参数调优	开发新的深度学习框架以提升低剂量PET和CT图像质量，同时减少对配对正常剂量图像的依赖	低剂量PET和CT图像的质量增强	数字病理学, 计算机视觉	NA	PET, CT	变分自编码器, 生成对抗网络	图像	真实世界PET和CT数据（具体样本量未说明）	PyTorch	编码器-解码器, 多尺度潜空间	峰值信噪比, 结构相似性指数, 均方误差	NA
23	2026-07-03	SDF4CHD: Generative modeling of cardiac anatomies with congenital heart defects 2024-10, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103293 PMID:39146700	research paper	提出一种类型和形状解耦的生成方法，用于捕捉先天性心脏病患者心脏解剖结构的显著拓扑变异，并生成不同的心脏解剖结构	提出类型和形状解耦的生成方法，首次能够捕捉先天性心脏病不同类型的心脏解剖拓扑变异，并生成保留特定类型独特拓扑的解剖结构	数据集仅包含67名患者，覆盖6种CHD类型和14种组合，样本量较小，可能限制模型泛化能力	开发一种生成模型，用于合成先天性心脏病患者心脏解剖结构，以辅助诊断、治疗规划和图像分割数据增强	先天性心脏病患者的心脏解剖结构	computer vision	congenital heart disease	NA	deep learning	image	67名患者，覆盖6种CHD类型和14种组合	NA	NA	CHD类型正确性、形状合理性、分割准确性	NA
24	2026-07-03	Multimodal representations of biomedical knowledge from limited training whole slide images and reports using deep learning 2024-10, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103303 PMID:39154617	研究论文	提出一种多模态架构，从有限训练的全切片图像和报告中创建鲁棒的生物医学数据表示，并提高分类性能和数据利用效率	结合监督与自监督学习应对数据稀缺，通过架构设计实现多模态数据检索和图文概念关联而无需额外训练，多模态表示能减半所需数据量并降低计算碳足迹	NA	开发一种多模态深度学习架构，有效整合医学图像与文本报告，创建强大的生物医学数据表示	结肠全切片图像及其对应的病理报告	数字病理学, 计算机视觉, 自然语言处理	结肠癌	全切片成像	CNN, Transformer	图像, 文本	超过6000对结肠全切片图像和对应报告，来自两个数字病理工作流程	PyTorch	ResNet, Transformer	分类准确率, 数据利用效率	NA
25	2026-07-03	TS-AI: A deep learning pipeline for multimodal subject-specific parcellation with task contrasts synthesis 2024-10, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2024.103297 PMID:39154619	研究论文	提出了一种名为TS-AI的两阶段深度学习网络模型，通过合成任务对比图实现个体化的大脑皮质图谱划分	首次在不获取实际任务fMRI扫描数据的情况下，利用合成的任务对比图实现个体化脑图谱划分，并设计特征一致性损失函数提高个体特异性	未提及具体局限性	开发一种基于深部学习的多模态个性化脑图谱划分方法，以解决任务功能MRI数据获取耗时且成本高的问题	大脑皮质表面的功能亚区个体化划分	机器学习	阿尔茨海默病	fMRI、任务功能磁共振成像、静息态网络、解剖连接	深度学习网络	任务fMRI数据、静息态网络信号、解剖连接数据	未明确说明样本数量，但涉及多个参考图谱和数据集	NA	两阶段网络模型	测试-重测可靠性、同质性、认知行为预测	NA
26	2026-06-30	Association between myosteatosis and impaired glucose metabolism: A deep learning whole-body magnetic resonance imaging population phenotyping approach 2024-10, Journal of cachexia, sarcopenia and muscle DOI:10.1002/jcsm.13527 PMID:39009381	研究论文	利用深度学习全身体部MRI表型分析方法，研究肌脂肪变性（myosteatosis）与糖代谢障碍之间的关联	首次利用全自动深度学习模型量化全身T1加权Dixon MRI上的肌脂肪变性，提出定量骨骼肌脂肪分数（SMFF）作为新的评估指标，并验证其作为糖代谢障碍独立预测因子的潜力	研究对象来自德国人群，可能存在地域偏倚；样本量相对较小（380名参与者）	探究肌脂肪变性（尤其是定量骨骼肌脂肪分数SMFF）与糖代谢障碍的关联，并评估其作为风险指标的潜力	无症状个体的肌脂肪变性（包括IMAT和SMFF）与糖代谢障碍的关系	计算机视觉	糖代谢障碍	MRI（磁共振成像）	深度学习模型（未具体说明架构类型）	图像（全身T1加权Dixon MRI）	380名KORA研究参与者（平均年龄53.6±9.2岁，BMI 28.2±4.9 kg/m²，57.4%男性）；另外使用NAKO队列数据进行内部验证	NA	NA	Dice系数、受试者工作特征曲线下面积（AUC）、比值比（OR）	NA
27	2026-06-30	Cachexia in preclinical rheumatoid arthritis: Longitudinal observational study of thigh magnetic resonance imaging from osteoarthritis initiative cohort 2024-10, Journal of cachexia, sarcopenia and muscle DOI:10.1002/jcsm.13533 PMID:38923846	研究论文	一项纵向观察研究，探讨了类风湿性关节炎前期患者大腿肌肉组成和脂肪组织变化与恶病质的关系	首次发现类风湿性关节炎前期存在恶病质样肌肉减少和脂肪浸润变化，与临床症状出现前的早期阶段相关	基于骨关节炎倡议数据集，可能无法完全代表类风湿关节炎前期人群；样本量相对较小；未控制饮食和运动等混杂因素	比较类风湿性关节炎前期患者与对照人群大腿肌肉组成和脂肪组织的纵向变化	骨关节炎倡议队列中定义为类风湿性关节炎前期的参与者，与倾向评分匹配的对照参与者	数字病理学	类风湿性关节炎	MRI	深度学习	图像	322名参与者的408条大腿（102例类风湿性关节炎前期和306例对照）	NA	NA	NA	NA
28	2026-06-30	Artificial neural network inference analysis identified novel genes and gene interactions associated with skeletal muscle aging 2024-10, Journal of cachexia, sarcopenia and muscle DOI:10.1002/jcsm.13562 PMID:39210538	研究论文	通过人工智能神经网络推理分析，识别与骨骼肌衰老相关的新基因和基因相互作用	采用人工神经网络推理（ANNi）结合深度学习的群智能神经网络方法（Intelligent Omics），首次发现CHAD、ZDBF2、USP54和JAK2作为预测衰老的强相互作用基因	RT-qPCR验证中，运动相关基因（EIF4A2、NIPAL3、SCFD1、KDM5D）未表现出差异表达	利用人工智能方法识别与肌肉衰老和运动相关的新基因、基因相互作用及分子通路	肌肉转录组数据、人体肌肉活检样本	机器学习	老年疾病	RNA-seq	人工神经网络，深度学习	转录组数据	8名年轻男性（25±4岁）和8名老年男性（78±7.6岁）的肌肉活检样本	Intelligent Omics	NA	P值	NA
29	2026-06-30	Prostate Cancer Risk Stratification in NRG Oncology Phase III Randomized Trials Using Multimodal Deep Learning With Digital Histopathology 2024-10, JCO precision oncology IF:5.3Q1 DOI:10.1200/PO.24.00145 PMID:39447096	研究论文	利用多模态深度学习结合数字组织病理学对局限性前列腺癌进行风险分层	开发了基于多模态人工智能（MMAI）的风险分组系统，相比现有NCCN风险组表现更优，能够扩展低转移风险人群并精准识别高转移风险亚组	NA	开发一种临床上可用的风险分组系统，以改善局限性前列腺癌的治疗决策，避免过度治疗和不足治疗	来自NRG肿瘤学八项随机III期临床试验的9,787名局限性前列腺癌患者	数字病理学	前列腺癌	数字组织病理学	多模态深度学习模型	数字组织病理学图像和临床数据	9,787名局限性前列腺癌患者	NA	多模态人工智能模型	10年远处转移率	NA
30	2026-06-29	Leveraging Artificial Intelligence and Data Science for Integration of Social Determinants of Health in Emergency Medicine: Scoping Review 2024-10-30, JMIR medical informatics IF:3.1Q2 DOI:10.2196/57124 PMID:39475815	综述	本文通过范围综述探讨人工智能和数据科学在急诊医学中整合社会健康决定因素的应用潜力	首次系统评估AI和数据科学在急诊科中建模、提取和整合社会健康决定因素数据的能力，强调自然语言处理技术的预测性能	研究尚处于早期阶段，缺乏标准化SDOH数据收集方法，且算法需针对不同患者群体优化	评估AI和数据科学在急诊科中整合社会健康决定因素数据的潜力，并识别未来研究领域	2015-2022年间发表的关于AI或数据科学在急诊医疗中应用SDOH的研究	自然语言处理	NA	NA	机器学习, 自然语言处理, 深度学习	文本	26项研究	NA	规则型NLP, 深度学习, 模式匹配	F1分数, 特异性	NA
31	2026-06-29	Evaluating Medical Entity Recognition in Health Care: Entity Model Quantitative Study 2024-10-17, JMIR medical informatics IF:3.1Q2 DOI:10.2196/59782 PMID:39419501	研究论文	评估七种命名实体识别模型在三个医学数据集上的性能，并分析影响性能的宏观因素	引入了宏观因素（如实体短语长度和每个实体短语中的实体词数量）对模型性能影响的分析，并采用多级因子消除算法筛选影响因子	未提及研究局限性	细致评估不同NER模型在医学文本分析中的性能，并探索宏观因素对其准确性的影响，为优化医学NER模型提供见解	七种NER模型（HMM、CRF、BioBERT、BigBird、DeBERTa、RoBERTa和Gemma）在三个医学数据集（Revised JNLPBA、BioCreative V CDR、AnatEM）上的表现	自然语言处理	NA	NA	HMM, CRF, BERT, BigBird, DeBERTa, RoBERTa, Gemma	文本	三个数据集：Revised JNLPBA、BioCreative V CDR、AnatEM（具体样本数未提及）	NA	HMM、CRF、BioBERT、BigBird、DeBERTa、RoBERTa、Gemma	微平均分数（AVG_MICRO）	NA
32	2026-06-19	Exploring "dark-matter" protein folds using deep learning 2024-10-16, Cell systems IF:9.0Q1 DOI:10.1016/j.cels.2024.09.006 PMID:39383860	研究论文	使用卷积变分自编码器探索蛋白质折叠空间，设计新型蛋白质结构	提出名为Genesis的卷积变分自编码器，能够学习蛋白质结构模式，并成功重构原生折叠和新型“暗物质”折叠，实现快速探索蛋白质折叠空间	未说明	解决从头蛋白质设计中的主链可设计性问题，通过深度学习探索未知蛋白质折叠空间	蛋白质折叠结构	机器学习	NA	深度学习	卷积变分自编码器	蛋白质结构数据	五个原生折叠和三个新型折叠	PyTorch	变分自编码器	成功率	NA
33	2026-06-19	Putting proteins in context 2024-10-16, Cell systems IF:9.0Q1 DOI:10.1016/j.cels.2024.09.009 PMID:39418999	研究论文	介绍PINNACLE，一种利用几何深度学习结合蛋白质相互作用和多器官单细胞转录组学生成蛋白质情境化表示的方法	提出几何深度学习框架PINNACLE，通过联合分析蛋白质相互作用和多器官单细胞转录组数据，生成具有细胞类型特异性的蛋白质情境化表示	NA	解决蛋白质表示缺乏生物或环境情境（如细胞类型特异性）的问题	蛋白质相互作用和多器官单细胞转录组数据	机器学习	NA	单细胞转录组测序	几何深度学习	文本、图结构数据	NA	NA	NA	NA	NA
34	2026-06-18	Deep Learning Artificial Intelligence Predicts Homologous Recombination Deficiency and Platinum Response From Histologic Slides 2024-10-20, Journal of clinical oncology : official journal of the American Society of Clinical Oncology IF:42.1Q1 DOI:10.1200/JCO.23.02641 PMID:39083703	研究论文	开发深度学习平台DeepHRD，从H&E染色组织切片预测同源重组缺陷和铂类药物反应	首次利用深度学习直接从常规H&E染色组织切片预测同源重组缺陷，无需分子检测，且能跨癌种迁移学习	训练数据主要来自TCGA的乳腺癌和卵巢癌，可能对其他癌种泛化性有限；预测的HRD状态与分子检测结果的一致性有待进一步验证	开发一种无需分子检测的深度学习方法来预测同源重组缺陷，以指导铂类药物和PARP抑制剂治疗	乳腺癌和卵巢癌患者	数字病理学，深度学习	乳腺癌，卵巢癌	H&E染色组织切片	深度学习模型	图像	训练集：1,008例乳腺癌和459例卵巢癌（来自TCGA）；验证集：349例乳腺癌和141例卵巢癌（来自多个独立数据集）	深度学习框架	深度学习架构	AUC，完全缓解，无进展生存期，风险比，总生存期	NA
35	2026-06-18	Predicting the potential associations between circRNA and drug sensitivity using a multisource feature-based approach 2024-10, Journal of cellular and molecular medicine IF:4.3Q2 DOI:10.1111/jcmm.18591 PMID:39347936	研究论文	介绍了一种名为SNMGCDA的新型深度学习模型，用于预测环状RNA与药物敏感性之间的潜在关联	结合多种相似性网络和多源特征计算方法（稀疏自编码器、非负矩阵分解、多头图注意力网络）来提取circRNA和药物的特征，并通过多层感知机进行预测	文中未明确提及局限性，但可能包括对数据多样性和计算资源的需求	高效预测circRNA与药物敏感性之间的关联，以支持药物研发和治疗优化	环状RNA（circRNA）和药物敏感性	机器学习	NA	NA	深度学习模型（SNMGCDA）	文本（序列数据）	NA	NA	稀疏自编码器、非负矩阵分解、多头图注意力网络、多层感知机	5折交叉验证和10折交叉验证的性能（与五种最先进方法对比）	NA
36	2026-06-17	Deep learning models for the prediction of acute postoperative pain in PACU for video-assisted thoracoscopic surgery 2024-10-07, BMC medical research methodology IF:3.9Q1 DOI:10.1186/s12874-024-02357-5 PMID:39375589	研究论文	利用深度学习模型预测电视辅助胸腔镜手术后急性疼痛	首次将图注意力网络和图Transformer网络结合注意力机制构建DoseFormer模型，用于预测术后急性疼痛，且模型性能显著优于传统机器学习算法和临床医生评估	NA	开发深度学习算法，利用患者基本信息和术中实时生命体征数据预测术后急性疼痛	接受电视辅助胸腔镜手术的患者	机器学习	术后急性疼痛	NA	图注意力网络、图Transformer网络	结构化数据（患者信息、术中生命体征）	1552例患者（训练集931例，测试集621例）	NA	DoseFormer（基于GAT和GTN）	AUROC、F1值	NA
37	2026-06-15	DNA breathing integration with deep learning foundational model advances genome-wide binding prediction of human transcription factors 2024-10-28, Nucleic acids research IF:16.6Q1 DOI:10.1093/nar/gkae783 PMID:39271116	研究论文	本研究开发了基于DNA呼吸与深度学习基础模型的多模态模型EPBDxDNABERT-2，用于预测人类转录因子在全基因组上的结合位点	首次将DNA呼吸特性（基于EPBD非线性动力学模型）与预训练基础模型DNABERT-2结合，通过交叉注意力机制融合多模态特征，显著提升转录因子-DNA结合预测的准确性	未明确提及局限性，但可能涉及ChIP-seq数据噪声、模型泛化性测试范围有限等问题	通过整合DNA呼吸热力学特征与深度学习模型，改进人类转录因子结合位点的全基因组预测	人类转录因子与DNA的相互作用，包括161种不同转录因子和91种人类细胞类型	人工智能, 自然语言处理, 机器学习, 数字病理学, 计算机视觉	基因组关联研究中发现的疾病相关非编码变异相关疾病	ChIP-seq, HT-SELEX	多模态深度学习模型	序列数据	690个ChIP-seq实验数据（涵盖161种转录因子、91种细胞类型）及215种转录因子的HT-SELEX体外数据集	PyTorch	EPBDxDNABERT-2: DNABERT-2基础模型 + 交叉注意力机制	AUROC（曲线下面积）	NA
38	2026-06-15	A deep learning-based method enables the automatic and accurate assembly of chromosome-level genomes 2024-10-28, Nucleic acids research IF:16.6Q1 DOI:10.1093/nar/gkae789 PMID:39287126	研究论文	提出一种基于深度学习的AutoHiC方法，用于自动且准确地组装染色体级别基因组	AutoHiC利用Hi-C数据实现自动化流程和迭代纠错，无需手动修正，在300多个物种的数据上平均错误检测准确率超过90%	未提及局限	解决染色体级别基因组组装中的纠错和序列锚定挑战，提高组装的连续性和准确性	Hi-C数据辅助的染色体级别基因组组装	机器学习	NA	Hi-C高通量染色体构象捕获	深度学习模型	基因组数据	300+物种数据	NA	NA	准确率	NA
39	2026-06-02	Deep learning based local feature classification to automatically identify single molecule fluorescence events 2024-10-28, Communications biology IF:5.2Q1 DOI:10.1038/s42003-024-07122-4 PMID:39468368	研究论文	介绍DEBRIS，一种基于深度学习的局部特征分类方法，用于自动识别单分子荧光事件	首次使用深度学习模型通过同一训练模型准确分类四种不同类型的单分子荧光事件，展示其通用性	未提及具体限制	开发一种深度学习模型，专注于局部特征分类，自动识别稳态荧光信号和动态涌现的不同模式信号	单分子荧光事件，包括单色和双色事件	机器学习	NA	单分子荧光测量	CNN	时序数据	NA	NA	DEBRIS	准确率	NA
40	2026-06-02	Graph masked self-distillation learning for prediction of mutation impact on protein-protein interactions 2024-10-26, Communications biology IF:5.2Q1 DOI:10.1038/s42003-024-07066-9 PMID:39462102	研究论文	提出一个名为PIANO的深度学习框架，通过图掩码自蒸馏学习预测蛋白质-蛋白质相互作用中突变对结合亲和力变化的影响	采用图掩码自蒸馏方案对蛋白质结构几何表示进行预训练，并利用多分支网络整合氨基酸、原子和蛋白质序列编码器，同时适用于全息复合物和载脂单体结构	NA	改进蛋白质-蛋白质相互作用中突变结合亲和力变化的预测性能，并为药物设计、治疗干预和蛋白质工程提供见解	蛋白质-蛋白质相互作用中的突变位点及其周围结构上下文	机器学习	NA	深度学习	图神经网络、多分支网络	蛋白质结构数据	NA	NA	图掩码自蒸馏编码器、多分支编码器（氨基酸、原子、蛋白质序列）	预测性能（具体指标未说明）	NA