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	2026-06-30	Generative adversarial networks to create synthetic motion capture datasets including subject and gait characteristics 2024-12, Journal of biomechanics IF:2.4Q3 DOI:10.1016/j.jbiomech.2024.112358 PMID:39509807	研究论文	通过条件生成对抗网络生成包含受试者和步态特征的合成运动捕捉数据集	将GAN改进为条件GAN，能够根据指定的受试者特征（年龄、性别、腿长、质量）和步态特征（行走速度）生成多样化的运动捕捉数据，包括15个标记点轨迹、下肢关节角度和地面反作用力	未明确提及，但从内容看可能包括对特定条件范围较窄的数据集表现更佳，以及需验证合成数据在不同研究中的普适性	解决运动捕捉数据获取成本高、数据集多样性不足的问题，通过生成高质量的合成数据支持深度学习应用	运动捕捉数据中的15个标记点轨迹、下肢关节角度和3D地面反作用力	机器学习和计算机视觉	NA	运动捕捉	条件生成对抗网络	运动捕捉数据（标记点轨迹、关节角度、地面反作用力）	未明确提及样本数量，但涉及受试者年龄、性别、腿长、质量、行走速度等条件	NA	条件GAN（编码器-解码器-判别器架构）	步态周期差异百分比、运动学差异（角度）、地面反作用力差异（体重归一化）	NA
22	2026-06-30	Technical and functional design considerations for a real-world interpretable AI solution for NIR perfusion analysis (including cancer) 2024-12, European journal of surgical oncology : the journal of the European Society of Surgical Oncology and the British Association of Surgical Oncology DOI:10.1016/j.ejso.2024.108273 PMID:38538505	研究论文	详细阐述了一款用于近红外灌注分析（包括癌症检测）的可解释人工智能解决方案的技术与功能设计考量	提出了一套融合可解释机器学习方法的系统，通过从术中近红外视频流中提取荧光强度曲线特征，用较少训练数据构建准确的分类算法，并作为医疗器械软件实现术中实时癌症鉴别	未提及具体的性能评估结果或临床验证数据；对模型在实际手术场景中稳定性和通用性的讨论不足	设计并论证一款可用于术中组织灌注分析和癌症检测的可解释人工智能推荐系统的技术方案与功能需求，实现从概念到医疗器械软件的基础架构	术中近红外视频流中的荧光强度曲线，及其衍生的组织灌注特征和癌症鉴别信号	机器学习	癌症	近红外成像，吲哚菁绿荧光评估	机器学习分类器	图像（近红外视频流）	NA	NA	NA	NA	NA
23	2026-06-26	A computational deep learning investigation of animacy perception in the human brain 2024-12-31, Communications biology IF:5.2Q1 DOI:10.1038/s42003-024-07415-8 PMID:39741161	研究论文	通过深度学习模型探讨人类对动物感知的神经机制，特别是对类动物物体的“动物偏差”	首次在深度神经网络中成功诱导出人类特有的动物偏差，并证明该偏差可通过特定训练方法复现	未探讨其他物种的动物感知机制，且模型训练数据可能无法完全模拟人类真实感知环境	探究人类大脑对动物类物体感知偏差的计算机制	动物类物体（类动物形状的物体）及深度神经网络	机器学习	NA	深度学习神经网络训练	深度神经网络（DNNs）	图像数据	NA	NA	NA	NA	NA
24	2026-06-26	Annotating protein functions via fusing multiple biological modalities 2024-12-27, Communications biology IF:5.2Q1 DOI:10.1038/s42003-024-07411-y PMID:39730886	研究论文	提出MIF2GO方法，通过融合多种生物模态数据注释蛋白质功能	首次提出三步融合多达六种不同生物层次模态的流程，生成高质量蛋白质表征，同时解决稀疏标签导致的次优解收敛问题	NA	通过多模态数据融合提升蛋白质功能注释的准确性和泛化能力	蛋白质功能预测与基因本体术语推断	机器学习	NA	NA	深度学习模型	多模态生物数据（序列、结构、相互作用等）	七个基准数据集	NA	NA	NA	NA
25	2026-06-26	Improved enzyme functional annotation prediction using contrastive learning with structural inference 2024-12-23, Communications biology IF:5.2Q1 DOI:10.1038/s42003-024-07359-z PMID:39715863	研究论文	提出了一个结合对比学习和结构推理的酶功能注释预测框架CLEAN-Contact	首次将蛋白质氨基酸序列与接触图两种模态通过对比学习融合，填补了单一模态方法的空白	未明确提及局限性	提升酶功能预测的准确性	酶的功能注释	机器学习	NA	对比学习，结构推理	对比学习框架	蛋白质氨基酸序列，接触图	多个基准数据集，Prochlorococcus marinus MED4的蛋白质组	PyTorch	NA	准确性	NA
26	2026-06-26	A deep learning framework deploying segment anything to detect pan-cancer mitotic figures from haematoxylin and eosin-stained slides 2024-12-19, Communications biology IF:5.2Q1 DOI:10.1038/s42003-024-07398-6 PMID:39702417	研究论文	提出一个名为OMG-Net的深度学习框架，用于在H&E染色的全切片图像中检测泛癌有丝分裂像	构建迄今为止最大的有丝分裂像数据集（74,620个），并采用Segment Anything模型自动勾画细胞轮廓的两阶段框架，在泛癌检测中优于现有模型	未提及具体限制	开发人工智能方法自动检测有丝分裂像，提高癌症分级准确性和效率	有丝分裂像（分裂中细胞）在H&E染色全切片图像中的检测	数字病理学	泛癌（包括乳腺癌、神经内分泌肿瘤、黑色素瘤）	H&E染色	深度学习（CNN）	图像（全切片图像）	74,620个有丝分裂像样本，结合内部软组织肿瘤数据集与五个开源数据集	PyTorch	Segment Anything Model, ResNet18	F1分数	NA
27	2026-06-17	Deep learning insights into distinct patterns of polygenic adaptation across human populations 2024-12-11, Nucleic acids research IF:16.6Q1 DOI:10.1093/nar/gkae1027 PMID:39558170	研究论文	提出RAISING，一种两阶段深度学习框架，用于检测人类群体多基因适应的特征	RAISING通过超参数调优优化神经网络架构，并在特征选择和预测任务中优于现有方法，计算时间缩短60倍，真阳性率提高最多28%	未明确提及	开发深度学习框架以识别人类基因组中多基因适应的特征模式	人类基因组中的多基因适应信号	机器学习	NA	基因组学	深度学习	基因组数据（模拟和实测）	非洲、欧洲、南亚和东亚人群	NA	神经网络	真阳性率	NA
28	2026-06-15	Intersection of Performance, Interpretability, and Fairness in Neural Prototype Tree for Chest X-Ray Pathology Detection: Algorithm Development and Validation Study 2024-12-05, JMIR formative research IF:2.0Q4 DOI:10.2196/59045 PMID:39636692	研究论文	研究神经原型树（NPT）分类器在胸部X光病理检测中的性能、可解释性和公平性，并探讨三者之间的相互作用	首次系统研究了神经原型树分类器在性能、可解释性和公平性三个维度的表现及其复杂交互关系，提供了可解释深度学习分类器在胸部X光病理检测中的新视角	未明确提及局限性，但数据来源为公开数据集，可能存在分布偏差	评估NPT分类器在胸部X光病理检测中的表现、可解释性和公平性，并分析三者关系	胸部X光图像	计算机视觉	多种胸部X光病理	深度学习	神经原型树（NPT）	图像	来自Chest X-ray 14、CheXpert和MIMIC-CXR三个公开数据集，具体数量未明确说明	NA	ResNet-152, 神经原型树（NPT）	ROC AUC, 解释复杂性（IC）, 平均真阳性率差异（mean TPR disparity）	NA
29	2026-06-02	Preictal period optimization for deep learning-based epileptic seizure prediction 2024-12-27, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/ad9ad0 PMID:39637549	研究论文	本研究提出数据驱动的深度学习方法，通过优化发作前期定义来提高基于头皮脑电信号的癫痫发作预测性能	提出了连续输入输出性能比（CIOPR）等新度量指标，用于捕捉不同发作前期定义下的模型行为，并个性化确定最佳发作前期	观察到患者间和患者内的预测时间异质性，给建立全局发作前期带来困难；传统准确性指标对发作前期定义的变化不敏感	优化发作前期定义以提高癫痫发作预测的准确性和时序性能	药物难治性癫痫患者的头皮脑电图数据	机器学习	癫痫	头皮脑电图	CNN-Transformer	信号	CHB-MIT公开数据集，包含多例患者的多小时连续记录	PyTorch	CNN, Transformer	AUC, F1分数, 敏感度, 特异度, 连续输入输出性能比	NA
30	2026-06-02	EKFNet: edge-based Kalman filter network for real-time EEG signal denoising 2024-12-19, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/ad995a PMID:39622170	研究论文	提出一种边缘端轻量级卡尔曼滤波网络EKFNet，用于实时脑电图信号去噪，无需手动先验知识估计	将卡尔曼滤波与深度学习结合，通过多尺度特征融合模块隐式计算先验知识，以及自适应增益估计模块动态预测卡尔曼增益，解决了传统算法参数设置难题并降低计算开销	NA	实现高性能且适合边缘端便携式或可穿戴设备的实时脑电图信号去噪方法	脑电图信号	机器学习	NA	EEG信号采集	EKFNet（基于卡尔曼滤波的深度网络）	脑电图信号	NA	PyTorch	EKFNet（包含多尺度特征融合模块、长短时记忆网络、顺序通道注意力模块）	平方距离之和、余弦相似度、推理时间	NA
31	2026-06-02	Prediction of Crohn's disease based on deep feature recognition 2024-12, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2024.108231 PMID:39362115	研究论文	提出一种基于深度特征识别的克罗恩病预测模型，利用序列卷积注意力网络与支持向量机分类	引入自适应加性间隔损失增强特征区分度，并提出随机噪声独热编码数据增强方法解决样本不平衡问题	该信息未在摘要中明确说明	利用深度学习从人类微生物组基因数据中预测克罗恩病	人类微生物组基因数据	机器学习	克罗恩病	NA	序列卷积注意力网络（SCAN）与支持向量机（SVM）	基因数据	NA	NA	SCAN, SVM	准确率（0.80），Kappa值（0.76）	NA
32	2026-06-02	A multi-class fundus disease classification system based on an adaptive scale discriminator and hybrid loss 2024-12, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2024.108241 PMID:39405777	研究论文	提出一种基于自适应尺度判别器和混合损失的多类别眼底疾病分类系统	创新设计了多维度注意力模块、自适应尺度判别器和混合损失函数方法以提升对不平衡数据的检测能力	未提及具体限制	解决眼底疾病结构中检测精度低和类别不平衡问题，构建多标签眼底图像疾病分类系统	眼底疾病分类系统	计算机视觉	眼底疾病	NA	CNN	眼底图像	使用ODRI-5K数据集	NA	ResNet50	AUC, F1分数	NA
33	2026-06-02	Federated learning and deep learning framework for MRI image and speech signal-based multi-modal depression detection 2024-12, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2024.108232 PMID:39423605	研究论文	提出一种基于联邦学习和深度学习的多模态抑郁症检测框架，利用MRI图像和语音信号对青少年抑郁症进行检测	将联邦学习与深度卷积神经网络结合用于多模态数据（MRI图像和语音信号）的抑郁症检测，并提出指数型非洲鹈鹕优化算法来优化模型参数	未提及对数据隐私的具体保护机制，且多模态融合使用了简单的重叠系数方法，可能无法充分利用不同模态间的复杂关联	通过深度学习算法对医疗数据分析，预测青少年的心理健康状态，特别是抑郁症检测	青少年抑郁症患者	机器学习, 数字病理	抑郁症	MRI成像, 语音信号处理	卷积神经网络 (CNN)	图像, 语音信号	NA	NA	深度卷积神经网络 (DCNN)	准确率, 损失, 均方根误差, 均方误差, 真阴性率, 真阳性率	NA
34	2026-06-02	Integrating (deep) machine learning and cheminformatics for predicting human intestinal absorption of small molecules 2024-12, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2024.108270 PMID:39481232	研究论文	结合深度学习与化学信息学方法预测小分子人体肠道吸收率	首次系统比较五种传统机器学习模型与两种图神经网络（GCNN和GAT）在HIA预测上的表现，并利用自动化特征提取与手工特征工程进行对比分析	数据集规模有限（2648个化合物），且外部验证集可能存在分布偏差；深度学习模型在测试集上准确率略低于传统机器学习模型	预测药物的人体肠道吸收率作为口服生物利用度的标记物	2648个小分子化合物	机器学习	NA	NA	机器学习、深度学习	分子描述符、图结构数据	2648个化合物	PyTorch, LightGBM, Scikit-learn	随机森林, LightGBM, 图卷积神经网络, 图注意力网络	准确率	NA
35	2026-06-02	Optimization and correction of breast dynamic optical imaging projection data based on deep learning 2024-12, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2024.108259 PMID:39486356	研究论文	提出一种基于深度学习的乳腺动态光学成像投影数据优化与校正方法	利用CNN提取原始图像特征，结合GAN增强图像质量和对比度，并开发新颖的校正算法解决投影数据失真问题	NA	提升乳腺动态光学成像的图像质量和投影数据准确性，改善乳腺癌早期筛查与诊断	乳腺动态光学成像的原始图像和投影数据	计算机视觉	乳腺癌	动态光学成像（DOI）	卷积神经网络（CNN）、生成对抗网络（GAN）	图像	NA	NA	CNN, GAN	NA	NA
36	2026-06-02	Deep Learning Radiomic Analysis of MRI Combined with Clinical Characteristics Diagnoses Placenta Accreta Spectrum and its Subtypes 2024-12, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.29317 PMID:38390981	研究论文	开发一种级联深度语义-影像组学-临床模型，用于基于T2加权MRI诊断胎盘植入谱及其亚型	首次提出结合深度语义特征、影像组学和临床特征的级联模型，用于诊断胎盘植入谱及其亚型，并在内外测试集上验证其高效性	未详细提及具体限制，但可能包括样本量、回顾性设计或外部验证的通用局限性	开发一种用于诊断胎盘植入谱及其亚型的级联深度语义-影像组学-临床模型	361名疑似胎盘植入谱的孕妇	机器学习	胎盘植入谱	MRI	CNN	图像	361名孕妇（平均年龄33.10±4.37岁），分为段训练队列（40例）、内部训练队列（139例）、内部测试队列（60例）和外部测试队列（122例）	NA	DRC模型	AUC, ACC, Dice系数	NA
37	2026-06-02	Fully Automated Identification of Lymph Node Metastases and Lymphovascular Invasion in Endometrial Cancer From Multi-Parametric MRI by Deep Learning 2024-12, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.29344 PMID:38471960	研究论文	开发深度学习模型从多参数MRI中自动识别子宫内膜癌淋巴结转移和淋巴血管浸润	首次开发多任务深度学习模型同时识别子宫内膜癌的淋巴结转移和淋巴血管浸润状态，并在外部测试队列中与放射科医生进行性能比较	NA	开发一种深度学习模型，从多参数MRI图像中同时识别子宫内膜癌的淋巴结转移和淋巴血管浸润	子宫内膜癌患者的多参数MRI图像	数字病理学	子宫内膜癌	多参数MRI（T2加权成像、对比增强T1加权成像、弥散加权成像）	深度学习	图像	621名患者（111名LNM阳性，168名LVSI阳性），分为训练集398人、内部测试集169人、外部测试集54人	NA	nnU-Net, 多任务深度学习模型	Dice相似系数, AUC	NA
38	2026-06-02	MuSE: A deep learning model based on multi-feature fusion for super-enhancer prediction 2024-12, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2024.108282 PMID:39561516	研究论文	提出了一种基于多特征融合的深度学习模型MuSE，用于预测超级增强子	首次将DNA2Vec和One-hot两种编码方法融合，通过神经网络自动提取DNA序列的关键特征，提升了超级增强子预测的准确性	DNA2Vec的k-mer表示捕捉了物种特异性信息，影响了模型在跨物种预测中的泛化能力	提高超级增强子预测的准确性和自动特征提取能力	人类和老鼠物种的DNA序列中的超级增强子	机器学习	NA	DNA序列编码	深度学习模型	序列数据	人类和老鼠物种的数据集	NA	神经网络	F1分数, AUC	NA
39	2026-06-02	Autoencoder-based drug synergy framework for malignant diseases 2024-12, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2024.108273 PMID:39522484	研究论文	提出了一种基于自编码器的药物协同框架AESyn，用于恶性疾病的药物组合预测	采用词袋编码技术提取药物靶向基因，并利用自编码器提取药物特征，实现了稳定且顺序无关的药物协同预测	NA	开发一种高效预测恶性疾病药物协同组合的机器学习方法	恶性疾病中的药物协同组合	机器学习	恶性疾病	NA	自编码器	药物靶向基因数据和药物组合筛选数据	NCI-ALMANAC和O'Neil数据集	NA	自编码器	准确率, AUROC, MAPE	NA
40	2026-06-02	Unveiling the distinctive variations in multi-omics triggered by TP53 mutation in lung cancer subtypes: An insight from interaction among intratumoral microbiota, tumor microenvironment, and pathology 2024-12, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2024.108274 PMID:39531992	研究论文	揭示肺腺癌和肺鳞癌中TP53突变引发的多组学差异，包括瘤内微生物组、肿瘤免疫微环境和病理学的相互作用	首次综合评估了NSCLC中肿瘤内微生物组、宿主基因表达和病理切片的关联，并提出了一种基于组织病理图像的多模态深度学习模型用于预测TP53突变	未明确提及，但可能包括样本量有限或模型泛化性需验证	探究NSCLC亚型中TP53突变与瘤内微生物组、免疫微环境和病理学的内在关联，并评估深度学习预测TP53突变的潜力	NSCLC患者的组织微生物组、基因表达特征和病理切片	数字病理学	非小细胞肺癌（肺腺癌和肺鳞癌）	多组学数据整合（微生物组测序、RNA-seq、组织病理学）	多模态深度学习模型	组织病理图像、基因表达数据、微生物组丰度数据	992名TCGA患者和332名CPTAC患者	NA	多模态深度学习模型（聚焦组织病理图像）	AUC	NA