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	2026-10-16	CT-Based Lung Size Matching in Delayed Chest Closure for Systemic Sclerosis Lung Transplantation 2024-12, Clinical transplantation IF:1.9Q3 DOI:10.1111/ctr.70041 PMID:39601250	研究论文	本研究探讨了系统性硬化症（SSc）肺移植受者中延迟胸骨闭合（DCC）的结果、临床风险因素以及基于CT的肺尺寸匹配参数	首次在系统性硬化症肺移植受者中研究延迟胸骨闭合，并利用深度学习算法自动计算肺和胸腔体积进行尺寸匹配预测	回顾性研究设计，样本量有限（92例），单中心数据，可能存在选择偏倚	研究系统性硬化症肺移植受者中延迟胸骨闭合的结果、临床风险因素及基于CT的肺尺寸匹配参数	92例系统性硬化症双肺移植受者	数字病理学	肺癌	CT成像，深度学习算法	CNN	图像	92例系统性硬化症肺移植受者	NA	NA	AUC	NA
2	2026-09-21	Deep learning for predicting rehospitalization in acute heart failure: Model foundation and external validation 2024-12, ESC heart failure IF:3.2Q2 DOI:10.1002/ehf2.14918 PMID:38981003	研究论文	本研究利用真实世界数据开发了一种基于深度学习的预测模型，用于预测急性心力衰竭患者出院后30天、90天和365天内的再入院风险	首次使用深度学习方法结合真实世界数据构建心力衰竭再入院预测模型，并应用Shapley值识别对再入院有贡献的特征，发现随访期间的特征对再入院的贡献相对更高	模型在30天再入院预测中的AUC仅为0.63，区分度一般；研究数据来自单中心三级医院，样本代表性有限；未与其他深度学习或传统机器学习模型进行充分对比	开发和验证基于深度学习的急性心力衰竭患者出院后再入院风险预测模型，以指导适当的干预或护理策略	2014年1月至2019年1月期间在某三级医院因急性心力衰竭入院的患者	机器学习	心血管疾病	NA	GRU	文本（电子健康记录/临床数据）	NA	NA	门控循环单元（GRU），使用双曲正切激活层	AUC，精确率，召回率，特异性，F1值	NA
3	2026-09-19	Prediction of incident atrial fibrillation using deep learning, clinical models, and polygenic scores 2024-12-07, European heart journal IF:37.6Q1 DOI:10.1093/eurheartj/ehae595 PMID:39217446	研究论文	该研究开发并验证了一种基于心电图的人工智能模型，用于预测5年内新发房颤，并与临床模型和多基因风险评分进行了比较。	在三级心脏中心开发并外部验证了心电图人工智能模型，证明其预测新发房颤的性能优于临床模型和多基因风险评分。	未明确提及	预测新发房颤	心电图数据、患者	机器学习	心血管疾病	心电图人工智能	深度学习	心电图	669,782份心电图来自145,323名患者；外部验证队列样本量未明确	NA	NA	AUC-ROC	NA
4	2026-09-19	Cardiovascular care with digital twin technology in the era of generative artificial intelligence 2024-12-01, European heart journal IF:37.6Q1 DOI:10.1093/eurheartj/ehae619 PMID:39322420	综述	本文综述了心血管医学中数字孪生技术的应用，并探讨了生成式人工智能如何推动其发展，实现个性化心血管护理	探讨了生成式人工智能与数字孪生技术的融合，通过整合多模态个性化数据来扩展数字孪生的范围和预测能力	未提及具体的实验验证或临床数据，主要关注技术前景和挑战，缺乏实证研究	总结心血管医学中数字孪生的应用，并探讨其未来通过与生成式人工智能结合实现个性化护理的潜力	心血管数字孪生技术及其在个性化医疗中的应用	机器学习	心血管疾病	数字孪生技术，生成式人工智能，深度学习	生成模型	多模态数据	NA	NA	NA	NA	NA
5	2026-09-19	MRI-based deep learning for differentiating between bipolar and major depressive disorders 2024-12, Psychiatry research. Neuroimaging DOI:10.1016/j.pscychresns.2024.111907 PMID:39357171	研究论文	本文提出了一种基于ResNet的SE-ResNet框架，利用结构MRI数据区分双相障碍、重性抑郁障碍和健康对照	扩展了传统的SE层，增加了用于生成空间注意力图的专用分支，该分支配备软池化、7×7卷积和sigmoid函数；通过逐元素相加融合通道和空间注意力图；使用软池化替代最大池化进行下采样，以保留更丰富的特征表示并减少数据丢失	未明确说明	利用结构MRI数据区分双相障碍、重性抑郁障碍和健康对照	双相障碍患者、重性抑郁障碍患者和健康对照	医学图像分析	双相障碍, 重性抑郁障碍	结构磁共振成像	CNN	图像	303名受试者	NA	SE-ResNet	准确率85.8%, 召回率85.7%, 精确率85.9%, F1分数85.8%	NA
6	2026-09-19	Development of a Deep Learning System for Intraoperative Identification of Cancer Metastases 2024-12-01, Annals of surgery IF:7.5Q1 DOI:10.1097/SLA.0000000000006294 PMID:38577794	研究论文	开发和测试一种深度学习手术指导系统（计算机辅助分期腹腔镜，CASL），用于在常规腹腔镜图像上术中识别腹膜表面转移	开发了CASL原型系统，首次将深度学习应用于术中腹膜表面转移的识别，并在模拟临床环境中与肿瘤外科医生的诊断性能进行了对比	仍需进一步开发和未来在多机构临床环境中进行验证	开发和测试一种深度学习手术指导系统原型，能够在术中从常规腹腔镜图像上识别腹膜表面转移	132例经组织学确诊的胃肠道腺癌患者的腹腔镜分期图像，包括4287个可见腹膜表面病变和365个活检腹膜表面病变的3650个图像块	医学图像分析	胃肠道癌症	腹腔镜成像	深度学习	图像	132例患者的腹腔镜图像，4287个可见腹膜表面病变和365个活检腹膜表面病变的3650个图像块	NA	NA	AUC	NA
7	2026-09-16	Evaluating the Cumulative Benefit of Inspiratory CT, Expiratory CT, and Clinical Data for COPD Diagnosis and Staging through Deep Learning 2024-12, Radiology. Cardiothoracic imaging DOI:10.1148/ryct.240005 PMID:39665633	研究论文	本研究通过深度学习评估了吸气相CT、呼气相CT和临床数据在COPD诊断和分期中的累积益处	通过深度学习综合评估了单相CT、吸呼气双相CT和临床数据对COPD分期的累积贡献，并发现当提供临床数据时，单相CT与双相CT的诊断准确性相当	本研究为回顾性研究，可能存在选择偏倚；样本仅来自COPDGene I期队列，外部验证不足；未详细说明计算资源	量化单相CT、吸气-呼气CT和临床数据对基于卷积神经网络的COPD分期的益处	COPDGene I期队列的8893名参与者	医学图像分析	慢性阻塞性肺疾病	CT成像，肺功能测试	CNN	图像，临床数据	8893名参与者（平均年龄59.6岁，53.3%男性）	NA	CNN	ICC，准确率	NA
8	2026-09-13	Autoencoder-based phenotyping of ophthalmic images highlights genetic loci influencing retinal morphology and provides informative biomarkers 2024-12-26, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae732 PMID:39657956	研究论文	该研究利用自编码器对来自英国生物银行31135名参与者的视网膜OCT图像进行表征，通过全基因组关联分析识别出118个显著影响视网膜形态的遗传位点，并证明这些自编码器衍生的影像表型可作为青光眼和心血管疾病的预测生物标志物	首次将自编码器用于视网膜OCT图像的无监督表型提取，并在此基础上开展大规模GWAS分析，发现了传统临床影像特征未能捕捉的遗传关联，证明了自监督深度学习方法在影像遗传学中的价值	摘要中未明确提及研究局限性	探索深度学习方法能否检测到比传统临床影像特征更细微的视网膜图像变异模式，并揭示影响视网膜形态的遗传因素	英国生物银行31135名参与者的视网膜光学相干断层扫描（OCT）图像	计算机视觉、数字病理学	青光眼、心血管疾病、神经退行性疾病	光学相干断层扫描（OCT）、全基因组关联分析（GWAS）	自编码器（Autoencoder）	图像	31135名英国生物银行参与者的视网膜OCT图像	NA	自编码器（Autoencoder）	NA	NA
9	2026-09-13	Transcription factor prediction using protein 3D secondary structures 2024-12-26, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae762 PMID:39786868	研究论文	本文提出了一种基于蛋白质三维二级结构信息的深度学习转录因子预测方法StrucTFactor，并在大规模数据集上验证了其性能优于现有方法	首次利用蛋白质的三维二级结构信息进行转录因子预测，而非仅依赖序列特征或已知DNA结合域	未明确提及	提高新型转录因子的预测准确性，特别是那些不包含已知DNA结合域的转录因子	约525,000个蛋白质，涵盖12个数据集	机器学习	NA	蛋白质三维二级结构预测	深度学习	蛋白质三维结构数据	约525,000个蛋白质	NA	NA	马修斯相关系数	NA
10	2026-09-13	DDGemb: predicting protein stability change upon single- and multi-point variations with embeddings and deep learning 2024-12-26, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf019 PMID:39799516	研究论文	本文提出了DDGemb，一种结合蛋白质语言模型嵌入和Transformer架构的方法，用于预测单点和多点变异引起的蛋白质稳定性变化（ΔΔG）	结合蛋白质语言模型嵌入和Transformer架构，同时预测单点和多点变异引起的蛋白质ΔΔG变化	NA	预测蛋白质在单点和多点残基变异后的稳定性变化（ΔΔG），以辅助功能性蛋白质设计和理解蛋白质变异如何促进疾病发生	蛋白质及其单点和多点残基变异	机器学习	NA	蛋白质语言模型嵌入	Transformer	序列数据	NA	NA	Transformer	NA	NA
11	2026-09-13	EnrichRBP: an automated and interpretable computational platform for predicting and analysing RNA-binding protein events 2024-12-26, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf018 PMID:39804669	研究论文	该文章介绍了一个名为EnrichRBP的自动化可解释计算平台，用于预测和分析RNA结合蛋白事件	EnrichRBP是一个自动化且可解释的计算平台，支持70种深度学习算法，涵盖特征表示、选择、模型训练、比较、优化和评估，集成在自动化流程中；提供全面可视化和模型可解释性，支持碱基水平功能注释任务，利用高性能计算提供超快速预测	未明确提及	预测RNA结合蛋白并理解转录后调控机制，提供可解释的预测和分析	RNA结合蛋白与RNA的相互作用	机器学习	NA	深度学习，机器学习	深度学习，机器学习	序列数据	NA	NA	NA	NA	高性能计算
12	2026-09-13	BetaAlign: a deep learning approach for multiple sequence alignment 2024-12-26, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf009 PMID:39775454	研究论文	本文提出并改进了BetaAlign，这是首个利用深度学习进行多序列比对的方法，借鉴自然语言处理技术，通过训练Transformer模型将未比对的生物序列映射为多序列比对，并系统表征了其性能及多种因素对准确率的影响	首次将自然语言处理中的Transformer技术应用于多序列比对问题，提出了BetaAlign这一深度学习方法，完全偏离传统的比对计算算法，并通过模拟生成的比对数据进行训练，可为具有特定进化动力学属性的数据集轻松生成不同的比对工具	训练数据依赖模拟生成，性能受训练数据规模影响，需要针对特定进化动力学属性进行训练，可能受限于训练数据与真实数据的分布差异	利用自然语言处理技术解决生物信息学中的多序列比对问题，探索AI方法在系统发育基因组学中的潜力，并表征和优化BetaAlign的性能	未比对的生物序列（DNA/蛋白质序列），多序列比对结果	自然语言处理, 生物信息学	NA	模拟序列生成, 多序列比对, 深度学习	Transformer	序列数据（生物序列）, 文本（比对数据）	NA	HuggingFace Transformers	Transformer	准确率	NA
13	2026-09-13	TPepRet: a deep learning model for characterizing T-cell receptors-antigen binding patterns 2024-12-26, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf022 PMID:39880376	研究论文	该研究开发了TPepRet，一种整合子序列挖掘与语义整合能力的深度学习模型，用于准确表征T细胞受体与抗原肽的结合模式。	将双向门控循环单元网络与大型语言模型框架相结合，同时捕获双向序列依赖关系并全面分析子序列和全局序列，解决了现有工具忽视序列数据中方向语义的问题。	摘要中未明确提及该研究的局限性。	准确表征T细胞受体与抗原肽之间的复杂结合模式，以推动癌症免疫治疗、疫苗设计和自身免疫疾病管理等临床应用。	T细胞受体（TCRs）与抗原肽（peptides）的结合模式。	机器学习	肺癌, 自身免疫疾病, COVID-19	NA	BiGRU, 大型语言模型	序列数据	NA	NA	BiGRU, 大型语言模型	NA	NA
14	2026-09-09	Serum Potassium Monitoring Using AI-Enabled Smartwatch Electrocardiograms 2024-12, JACC. Clinical electrophysiology DOI:10.1016/j.jacep.2024.07.023 PMID:39387744	研究论文	本研究开发并验证了一种基于人工智能的心电图算法，用于从智能手表生成的单导联心电图中预测终末期肾病患者的血清钾水平。	首次利用AI-ECG算法在智能手表单导联心电图上预测血清钾水平，并进行了多中心、前瞻性国际队列验证。	文章标题和摘要中未提及局限性。	开发并验证一种AI-ECG算法，以利用智能手表生成的心电图波形预测终末期肾病患者的血清钾水平。	终末期肾病患者。	机器学习	慢性肾病	心电图	深度学习模型	心电图信号	训练集包括152,508名患者的293,557份心电图；微调集包括1,463名ESRD患者的4,337份心电图；外部验证集和前瞻性国际队列分别来自斯坦福医疗中心（SHC）和长庚纪念医院的40名ESRD患者。	NA	Kardio-Net	AUC, 平均绝对误差（MAE）	NA
15	2026-09-04	Deep learning models using intracranial and scalp EEG for predicting sedation level during emergence from anaesthesia 2024-Dec, BJA open DOI:10.1016/j.bjao.2024.100347 PMID:40018289	研究论文	本研究构建深度学习模型，结合颅内脑电图和头皮脑电图预测麻醉苏醒期间的镇静水平，并评估其性能	首次结合颅内脑电图和头皮脑电图构建深度学习模型预测镇静水平，并揭示两种模态结合可捕捉时空优势，提高预测准确性	样本量较小（七名患者），且颅内脑电图数据来自难治性癫痫患者，可能限制结果的普适性	评估颅内脑电图、头皮脑电图及其组合在预测不同镇静水平中的效能，以增强脑电图监测在麻醉深度管理中的应用	七名植入颅内电极的难治性癫痫患者和五名仅有头皮脑电图数据的患者	深度学习，神经科学	难治性癫痫	脑电图	深度学习模型	脑电图信号	七名患者（颅内+头皮脑电图），五名患者（仅头皮脑电图）	NA	NA	受试者工作特征曲线下面积	NA
16	2026-08-29	Unmet Needs in Spondyloarthritis: Imaging in Axial Spondyloarthritis 2024-12-01, The Journal of rheumatology IF:3.6Q2 DOI:10.3899/jrheum.2024-0937 PMID:39448248	综述	本文综述了中轴型脊柱关节炎（axSpA）影像学生物标志物的现状与前沿技术，涵盖放射摄影、低剂量及双能CT、MRI等成像方式，并讨论其在诊断、治疗反应评估和疾病进展监测中的优势与局限	介绍了MRI新兴序列（如容积内插呼吸屏气检查、超短回波时间、零回波时间）及基于深度学习的合成CT技术，无需电离辐射即可生成类似CT的影像，强化了MRI检测和量化结构性病变的能力	未明确列出研究的局限性	概述脊柱关节炎影像学在临床实践中的应用谱，讨论不同成像技术的优缺点及实用性	中轴型脊柱关节炎患者及相关的影像学检查方法	医学影像	脊柱关节炎	放射摄影、低剂量CT、双能CT、MRI（含容积内插呼吸屏气检查、超短回波时间、零回波时间）、深度学习合成CT,NA	深度学习	影像数据	NA	NA	NA	NA	NA
17	2026-08-21	Color Fundus Photography and Deep Learning Applications in Alzheimer Disease 2024-Dec, Mayo Clinic proceedings. Digital health DOI:10.1016/j.mcpdig.2024.08.005 PMID:39748801	研究论文	本研究开发并评估了两种基于视网膜彩色眼底照片的深度学习模型，用于分类阿尔茨海默病	采用自监督学习（BERT风格）预训练卷积神经网络，优于基于U-Net的血管分割方法，并利用注意力热图揭示模型决策关键区域	需要更大且多样的人群验证，并整合技术以统一眼底照片并减少成像噪声	开发并评估基于视网膜彩色眼底照片的深度学习模型以筛查阿尔茨海默病	阿尔茨海默病患者和对照组的视网膜彩色眼底照片	计算机视觉	阿尔茨海默病	眼底摄影	卷积神经网络	图像	UK Biobank数据集和机构数据集，具体样本量未说明	NA	U-Net, BERT风格的Transformer, 自监督卷积神经网络	准确率、敏感性、特异性、接收者操作曲线	NA
18	2026-08-20	A combined deep learning framework for mammalian m6A site prediction 2024-12-11, Cell genomics IF:11.1Q1 DOI:10.1016/j.xgen.2024.100697 PMID:39571573	研究论文	本文提出了一种结合Transformer架构和循环神经网络的深度框架deepSRAMP，用于基于序列和基因组特征预测哺乳动物m6A位点。	首次将Transformer架构与循环神经网络结合用于m6A位点预测，相较于现有预测器显著提高了准确性和鲁棒性。	未在文中明确说明局限性，但可能受限于训练数据的多样性和模型对未知物种的泛化能力。	开发一种高精度的m6A位点预测工具，以支持不同条件下的哺乳动物表观转录组研究。	哺乳动物mRNA中的m6A修饰位点。	机器学习和生物信息学	不适用	序列分析、基因组特征提取	Transformer和循环神经网络（RNN）	序列数据和基因组特征数据	使用多个基准数据集（具体数量未在标题和摘要中明确）	未在标题和摘要中明确指定	Transformer和循环神经网络（如LSTM或GRU）的混合架构	AUROC、AUPRC	未在标题和摘要中明确指定
19	2026-08-20	Identification of lineage-specific cis-trans regulatory networks related to kiwifruit ripening initiation 2024-12, The Plant journal : for cell and molecular biology DOI:10.1111/tpj.17093 PMID:39462454	研究论文	利用可解释深度学习框架识别猕猴桃果实成熟启动过程中谱系特异的顺式-反式调控网络，并验证了新的转录因子与顺式元件互作	首次将可解释深度学习应用于果实成熟调控网络识别，独立于共表达模式发现新的谱系特异CRE-TF互作	未提及	基于启动子CRE预测表达模式，识别影响猕猴桃果实成熟（乙烯触发）的谱系特异CRE-TF互作	猕猴桃果实成熟过程及其相关基因（如ACS1、ERT2、ERF143）	深度学习、分子生物学	NA	DNA亲和纯化测序（DAP-Seq）、瞬时报告基因实验	可解释深度学习模型	启动子序列、基因表达数据	NA	NA	NA	NA	NA
20	2026-08-19	Real-World and Clinical Trial Validation of a Deep Learning Radiomic Biomarker for PD-(L)1 Immune Checkpoint Inhibitor Response in Advanced Non-Small Cell Lung Cancer 2024-12, JCO clinical cancer informatics IF:3.3Q2 DOI:10.1200/CCI.24.00133 PMID:39671539	研究论文	本研究开发并验证了一种基于深度学习的影像组学生物标志物，用于估算晚期非小细胞肺癌患者对免疫检查点抑制剂治疗的反应，并利用真实世界数据和临床试验数据进行了验证。	提出了一种新的深度学习影像组学生物标志物，能够从常规CT/PET-CT扫描中预测ICI治疗反应，并在真实世界和临床试验数据中验证其普遍性，超越了传统病变大小影像标志物。	临床试验数据集中CTRS在PFS上的调整HR不显著（HR=1.03），表明在部分情况下预测性能有限，且研究为回顾性分析。	开发并验证一种基于深度学习的影像组学生物标志物，用于预测晚期非小细胞肺癌患者对PD-(L)1免疫检查点抑制剂治疗的反应，以改善患者分层。	晚期非小细胞肺癌患者，接受PD-(L)1 ICI治疗，来自美国和欧洲的10个学术和社区机构。	医学影像分析、深度学习	非小细胞肺癌	CT/PET-CT影像，深度学习特征提取器	深度学习模型（具体未指定，可能基于CNN）及生存模型	影像数据（CT/PET-CT扫描）	真实世界数据：1,829名患者（数据A-发现集1,173，数据B测试集458）；临床试验数据：54名患者（数据C）	未提及	深度学习特征提取器（具体架构未指定）和生存模型	PFS HR，OS HR，95%置信区间	未提及