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	Accelerating Brain MR Imaging With Multisequence and Convolutional Neural Networks 2024-11, Brain and behavior IF:2.6Q3 DOI:10.1002/brb3.70163 PMID:39552110	研究论文	本文研究基于深度学习的重建技术，利用多序列MRI信息加速脑部MRI成像，减少扫描时间并保持图像质量	利用不同MRI序列（T2WI）的共享信息，通过深度学习重建欠采样的T1-FLAIR和T2-FLAIR图像，实现加速并保持诊断质量	样本量有限（322例），仅涉及脑部MRI，未评估对其他部位或更多序列的泛化能力	研究深度学习技术能否利用不同MRI序列的共享信息减少最耗时序列的扫描时间，同时保持图像质量和诊断决策	217名患者和105名健康受试者的脑部MRI原始数据（T1-FLAIR、T2-FLAIR和T2WI序列）	医学图像处理	脑部疾病	磁共振成像（MRI），深度学习重建	卷积神经网络（CNN）	图像	322例受试者（217名患者和105名健康受试者）的脑部MRI数据	NA	卷积神经网络	区域信噪比（SNR），对比噪声比（CNR），图像质量评分，诊断决策一致性，卡方检验	NA
2	2026-09-21	High-speed in vivo calcium recording using structured illumination with self-supervised denoising 2024-Nov-15, Optics continuum IF:1.1Q4 DOI:10.1364/optcon.532996 PMID:41550202	研究论文	本文提出了一种结合周期结构照明和自监督去噪的高速活体钙成像方法，用于改善神经元活动记录的信号质量	提出了一种名为pseudo-HiLo（pHiLo）的新型重建方法，将伪宽场重建与单个结构照明帧结合进行HiLo重建，并首次将自监督深度学习去噪方法DeepCAD-RT整合到结构照明成像的预处理流程中	未明确说明	实现高速活体钙成像中背景和散粒噪声的抑制，提高神经活动记录的信号质量	CA1锥体神经元的超快遗传编码钙指示剂GCaMP8f	计算机视觉	NA	周期结构照明、光学切片结构照明显微镜、钙成像	自监督深度学习	图像	NA	NA	DeepCAD-RT	对比度、瞬态峰值信噪比、成对相关系数、相关系数	NA
3	2026-09-19	XRAInet: AI-based decision support for pneumothorax and pleural effusion management 2024-11, Pediatric pulmonology IF:2.7Q2 DOI:10.1002/ppul.27133 PMID:38961684	研究论文	本研究开发并评估了一种基于人工智能的决策支持系统XRAInet，用于准确识别患有胸腔积液或气胸的儿科患者，并判断是否需要进行胸腔闭式引流干预	开发了XRAInet这一AI驱动的决策支持系统，专门针对儿科患者的胸腔积液和气胸管理，能够判断是否需要进行胸腔闭式引流，在独立测试集上实现了96.15%的特异度	独立测试集上的灵敏度仅为64.00%，数据质量存在问题，模型可解释性有待提高，需要探索混合模型并符合监管要求	开发和评估AI驱动的决策支持系统XRAInet，用于准确识别儿科胸腔积液或气胸患者并判断是否需要胸腔闭式引流干预	170名儿科患者的510张X射线图像	计算机视觉	气胸和胸腔积液	深度学习	CNN	图像	510张X射线图像，来自170名儿科患者	NA	NA	mAP, 召回率, 精确率, F1分数, 灵敏度, 特异度	NA
4	2026-09-13	Tiberius: end-to-end deep learning with an HMM for gene prediction 2024-11-28, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae685 PMID:39558581	研究论文	提出了一种端到端深度学习与隐马尔可夫模型相结合的真核基因预测方法Tiberius	将卷积层和长短期记忆层与可微分隐马尔可夫模型层端到端集成，并采用自定义基因预测损失函数	未明确提及	提高从头真核基因预测的准确性	哺乳动物基因组，包括人类基因组和其他两个基因组	生物信息学	不适用	深度学习、隐马尔可夫模型	CNN、LSTM、HMM	DNA序列	人类基因组和另外两个基因组	不适用	卷积层、长短期记忆层、可微分隐马尔可夫模型层	F1分数	高度并行化模型，处理人类基因组不到2小时
5	2026-09-13	DeepDR: a deep learning library for drug response prediction 2024-11-28, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae688 PMID:39558584	研究论文	本文介绍了DeepDR，一个用于药物响应预测的深度学习库，该库自动化了药物和细胞的特征化、模型构建、训练和推理过程	DeepDR是首个专门为药物响应预测开发的深度学习库，集成了三种药物特征和九种药物编码器、四种细胞特征和九种细胞编码器以及两种融合模块，能够实现多达135种深度学习模型，并提供了用户友好的可视化界面	摘要中未提及该库的具体局限性	旨在解决药物响应预测中缺乏便捷工具支持建模的问题，推动精准医学和药物发现	药物和细胞系	机器学习	NA	NA	CNN, LSTM, GAN, Transformer等（具体取决于所选的编码器和融合模块）	药物特征和细胞特征数据	NA	PyTorch（推测，因未明确说明，但通常深度学习库基于此）	多种架构，包括基于CNN、LSTM、GAN、Transformer等的编码器和融合模块	NA	NA
6	2026-09-13	DeepRSMA: a cross-fusion-based deep learning method for RNA-small molecule binding affinity prediction 2024-11-28, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae678 PMID:39540702	研究论文	本文提出了一种基于交叉融合的深度学习方法DeepRSMA，用于预测RNA-小分子结合亲和力	开发了核苷酸级和原子级特征提取模块，结合序列和图视图，并引入了基于Transformer的交叉融合模块来学习RNA与小分子之间的相互作用模式	未明确提及	加速RNA靶向药物的发现，通过计算预测RNA-小分子亲和力	RNA和小分子	机器学习	脊髓性肌萎缩	NA	深度学习	序列和图数据	NA	NA	Transformer	NA	NA
7	2026-09-13	Sitetack: a deep learning model that improves PTM prediction by using known PTMs 2024-11-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae602 PMID:39388212	研究论文	该文章开发了一个名为Sitetack的深度学习模型，通过将已知的翻译后修饰（PTM）位点编码为独立氨基酸特征，利用卷积神经网络预测PTM位点，并证明已知PTM信息能显著提升预测性能	首次将已知PTM位点作为额外特征编码到序列中，显著提升了现有模型的预测性能，并发现一种PTM的已知位置能提高另一种PTM的可预测性	NA	评估在基于序列的深度学习算法中利用已知PTM位点来预测PTM位置的有效性，以提高预测准确性	蛋白质序列及其翻译后修饰位点	机器学习	NA	NA	CNN	序列数据	NA	NA	卷积神经网络	NA	NA
8	2026-09-13	Deep coupled registration and segmentation of multimodal whole-brain images 2024-11-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae606 PMID:39400311	研究论文	本文提出了一种深度学习框架，用于多模态全脑图像的联合配准与分割，通过深度耦合两个任务来提升性能	提出深度耦合配准与分割的框架，在特征层面和任务层面实现两个任务的协作，学习统一的模态无关潜在特征表示，从根本上解决多模态相似性度量设计的瓶颈，并增强潜在特征的可解释性	未明确提及	实现多模态全脑图像的准确对齐和解剖结构分割	小鼠和人类大脑的多模态及单模态全脑图像	计算机视觉	NA	深度学习	双分支网络	图像	NA	NA	NA	NA	NA
9	2026-09-13	Lifestyle factors in the biomedical literature: an ontology and comprehensive resources for named entity recognition 2024-11-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae613 PMID:39412443	研究论文	本文构建了生活方式因素本体LSFO，开发了基于词典和基于Transformer的命名实体识别系统，并构建了人工标注语料库LSF200，用于在生物医学文献中识别生活方式因素	提出了首个全面的生活方式因素本体LSFO，开发了基于词典的LSF识别与标准化系统，构建了适用于NER系统训练与评估的人工标注语料库LSF200，并训练了基于Transformer的NER系统	基于词典的NER系统F-score仅为64%，基于Transformer的系统F-score为76%，仍有较大提升空间；LSF的固有多样性给全面识别带来挑战	系统性地描述生物医学文献中的生活方式因素，构建本体和命名实体识别系统以全面检测文本中各类生活方式因素	PubMed摘要和PMC开放获取文章中提及的生活方式因素	自然语言处理	慢性病	命名实体识别，本体构建，词典匹配，Transformer	Transformer	文本	LSF200人工标注语料库；大规模应用于PubMed摘要和PMC开放获取文章，识别出超过3亿次LSF提及	NA	Transformer	F-score	NA
10	2026-09-13	TRAITER: transformer-guided diagnosis and prognosis of heart failure using cell nuclear morphology and DNA damage marker 2024-11-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae610 PMID:39412446	研究论文	本研究提出了一种基于Transformer的深度学习方法TRAITER，利用细胞核形态和DNA损伤标记图像进行心力衰竭的诊断和预后预测	首次将Transformer引导的深度学习方法应用于基于细胞核形态和DNA损伤标记的心力衰竭诊断和预后预测，并在左心室逆重构预测中取得了高准确率	样本量相对较小（9名和46名患者），需要更大规模的多中心验证	开发精确的心力衰竭诊断和预后方法，预测心力衰竭可能性和左心室逆重构潜力	心脏组织细胞核形态图像和双染图像（细胞核和DNA损伤标记）	数字病理学	心血管疾病	图像分割、双染成像	Vision Transformer	图像	31,158张来自9名患者的图像用于心力衰竭预测；231,840张来自46名患者的图像用于左心室逆重构预测	NA	Vision Transformer	准确率, ROC曲线, 精确率-召回率曲线	NA
11	2026-09-13	Deep learning-based enhancement of fluorescence labeling for accurate cell lineage tracing during embryogenesis 2024-11-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae626 PMID:39418183	研究论文	开发了一种名为DELICATE的深度学习方法，通过增强荧光标记图像来改善胚胎发育过程中细胞谱系追踪的准确性	提出了一种新的图像增强方法DELICATE，专门针对线虫胚胎晚期细胞密集、低信噪比和荧光强度不均的问题，显著提高了自动细胞谱系追踪的准确性	未明确说明方法的泛化能力，可能主要针对线虫胚胎数据；未提及计算资源需求	改善胚胎发育过程中自动细胞谱系追踪的准确性，减少人工校正误差的工作量	线虫（Caenorhabditis elegans）胚胎	计算机视觉	NA	荧光显微成像	深度学习	图像	未明确说明，涉及线虫胚胎从早期到550细胞阶段的图像数据	NA	NA	信噪比（SNR）、分割错误率、追踪准确率	NA
12	2026-09-13	EuDockScore: Euclidean graph neural networks for scoring protein-protein interfaces 2024-11-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae636 PMID:39441796	研究论文	本文提出了基于欧几里得图神经网络的蛋白质-蛋白质对接评分函数EuDockScore，并针对抗体-抗原对接开发了EuDockScore-Ab，以及用于重排AlphaFold-Multimer输出的EuDockScore-AFM	利用欧几里得图神经网络架构改进蛋白质-蛋白质相互作用评分函数，并针对抗体-抗原对接和AlphaFold-Multimer输出重排开发了专用模型	摘要中未明确提及 limitation	开发改进的蛋白质-蛋白质相互作用评分函数，用于评估计算对接产生的候选界面以及蛋白质生成模型输出的结构质量	蛋白质-蛋白质界面，包括一般蛋白质-蛋白质界面和抗体-抗原界面	机器学习	NA	蛋白质对接，AlphaFold-Multimer	图神经网络	蛋白质结构数据	NA	NA	欧几里得图神经网络	NA	NA
13	2026-09-13	InterLabelGO+: unraveling label correlations in protein function prediction 2024-11-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae655 PMID:39499152	研究论文	本文提出了一种混合方法InterLabelGO+，结合深度学习和基于比对的方法来改进蛋白质功能预测	引入了一种新的损失函数来解决标签依赖和不平衡问题，并通过动态加权基于比对组件来进一步提升性能	未明确提及	准确预测蛋白质功能，以理解生物过程和推动生物医学研究	蛋白质序列	机器学习	NA	NA	深度学习	蛋白质序列	NA	PyTorch	NA	多种评估指标	NA
14	2026-09-13	A deep learning method to integrate extracelluar miRNA with mRNA for cancer studies 2024-11-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae653 PMID:39495117	研究论文	该文提出了CrossPred，一种基于深度学习的多编码器模型，用于细胞外miRNA与mRNA的跨预测，通过对比学习构建共享嵌入空间，实现从噪声exmiR数据预测细胞内mRNA表达以及反向预测	首次提出多编码器深度学习模型CrossPred，利用对比学习构建exmiR与mRNA的共享嵌入空间，实现两者的双向跨预测，并揭示了与癌症相关的重要exmiR和mRNA	exmiR表达数据本身具有噪声，可能影响预测精度；研究仅在三类癌症上进行了评估，泛化能力有待进一步验证	提高细胞外miRNA表达数据质量，并开发非侵入性方法评估细胞内mRNA表达，以深入理解疾病机制	细胞外miRNA（exmiRs）和细胞内mRNA，以及三类癌症相关的表达数据	机器学习	癌症	miRNA表达谱分析, mRNA表达谱分析	多编码器深度学习模型, 对比学习	基因表达数据	NA	NA	多编码器模型, 变分自编码器（VAE）, 编码器-解码器模型	NA	NA
15	2026-09-13	ENKIE: a package for predicting enzyme kinetic parameter values and their uncertainties 2024-11-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae652 PMID:39495107	研究论文	该论文介绍了一个名为ENKIE的包，使用贝叶斯多层模型预测酶动力学参数值及其不确定性	使用贝叶斯多层模型，仅用五个分类预测变量，就能达到与深度学习相当的性能，并提供校准的不确定性预测和可解释的洞察	摘要中未明确说明局限性	预测酶动力学参数（KM和kcat）的值和不确定性，以简化代谢模型的构建	酶动力学参数（KM和kcat）	机器学习	NA	贝叶斯多层模型	贝叶斯多层模型	分类预测变量	NA	NA	贝叶斯多层模型	预测性能，校准的不确定性	NA
16	2026-09-05	Enhanced interpretable thyroid disease diagnosis by leveraging synthetic oversampling and machine learning models 2024-11-29, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-024-02780-0 PMID:39614307	研究论文	本研究提出一种基于SMOTE-NC和LGBM的可解释性甲状腺疾病诊断方法，以提高早期诊断性能。	结合过采样与LGBM，并使用SHAP增强模型可解释性	未提供明确的局限性信息	提出一种有效的AI方法用于甲状腺疾病的早期诊断	甲状腺疾病患者（3,772例男性和女性观察记录）	机器学习	甲状腺疾病	SMOTE-NC（过采样）	LGBM	表格数据	3,772例观察记录	NA	NA	准确率	NA
17	2026-09-05	Multimodal machine learning for language and speech markers identification in mental health 2024-11-22, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-024-02772-0 PMID:39578814	研究论文	本研究结合单模态和多模态方法，利用DAIC-WOZ数据集中的文本和音频模态，识别多种精神健康障碍的语言和语音标记，并评估多模态方法是否优于单模态方法。	首次综合编译多种精神障碍的标记列表，并用于同时比较单模态和多模态方法，同时提出了一种初始的语用二元标签创建过程以改进文本模型。	依赖于单一的DAIC-WOZ数据集，且多模态模型的性能在准确性和AUC-ROC评分上仅与单模态文本模型相当，未能在所有指标上显著超越；此外，特征工程和标签过程仍需进一步优化。	识别多种心理健康障碍的语言和语音标记，并探讨多模态方法相对于单模态方法的性能提升潜力。	心理障碍患者和健康对照者，来自DAIC-WOZ数据集的临床访谈记录，包括文本和音频数据。	自然语言处理, 语音识别, 机器学习	心理健康障碍（如抑郁症、创伤后应激障碍等）	特征提取（文本和音频特征），早期融合策略	支持向量机、逻辑回归、随机森林、全连接神经网络	文本和音频数据	DAIC-WOZ数据集中的样本数量未明确，但通常包含约189个临床访谈记录	未明确指定，可能使用Python默认框架（如Scikit-learn或PyTorch）	支持向量机、逻辑回归、随机森林、全连接神经网络（多层感知器）	准确性、AUC-ROC评分、F1分数（阳性类与阴性类）	未指定GPU或云平台，可能使用标准计算环境
18	2026-09-05	Screening for severe coronary stenosis in patients with apparently normal electrocardiograms based on deep learning 2024-11-22, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-024-02764-0 PMID:39578851	研究论文	本研究旨在开发深度学习模型，以区分心电图表现正常的严重冠状动脉狭窄患者与无或轻度狭窄患者。	利用迁移学习技术，从现有心电图模型中提取深度特征，以较低计算成本有效识别严重冠状动脉狭窄。	样本量相对较小，且研究仅限于单中心数据，可能限制模型的普适性。	开发一个高效模型，用于在常规筛查或体检中检测心电图正常的严重冠状动脉狭窄患者。	392名心电图表现正常的患者，其中138名患有严重冠状动脉狭窄。	机器学习	冠心病	NA	深度学习（CNN）	心电图（ECG）数据、临床信息	392名患者（其中138名严重狭窄）	NA	卷积神经网络（CNN）	AUC、敏感性、特异性	NA
19	2026-09-05	DAPNet: multi-view graph contrastive network incorporating disease clinical and molecular associations for disease progression prediction 2024-11-19, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-024-02756-0 PMID:39563302	研究论文	提出了一种基于多视图图对比学习的疾病进展预测模型DAPNet，仅利用共病时长和疾病关联进行高性能预测	首次将多视图图对比学习应用于疾病进展预测任务，创新性地整合分子水平的疾病关联信息，并组合疾病共现和ICD10编码	未在摘要中明确说明局限	探索一种减少数据依赖并达到与现有研究相当的预测性能的新方法，用于疾病进展预测	严重肺炎和肾脏疾病患者的临床数据	机器学习	慢性疾病	NA	图神经网络	临床数据（包括共病时长和疾病关联）	2714名患者和10856次就诊（医疗索赔数据），以及606名患者（MIMIC-IV肾脏数据）	NA	多视图图对比学习网络（DAPNet）	F1分数	NA
20	2026-09-05	Development of a cerebellar ataxia diagnosis model using conditional GAN-based synthetic data generation for visuomotor adaptation task 2024-11-12, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-024-02720-y PMID:39529148	研究论文	本研究提出了一种利用条件生成对抗网络合成数据生成模型，基于视觉运动适应任务的轨迹数据建立小脑性共济失调患者分类框架。	创新性地结合条件对抗生成神经网络和重构网络，基于类别条件和随机噪声生成合成数据，用于增强小脑性共济失调患者分类模型的训练，提高分类精度。	未在摘要中明确提及局限性。	开发一种基于合成数据生成的小脑性共济失调早期诊断模型，以解决数字医疗领域中数据不足的问题。	小脑性共济失调患者、年龄匹配的正常个体和年轻健康受试者	机器学习	小脑性共济失调	条件生成对抗网络、重构网络	条件生成对抗网络（cGAN）	视觉运动适应任务的轨迹数据	未在摘要中明确提及样本数量	NA	条件对抗生成神经网络与重构网络组合	分类准确率、数据保真度、分布相似性	NA