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
181	2026-08-30	Automated Identification of Heart Failure With Reduced Ejection Fraction Using Deep Learning-Based Natural Language Processing 2025-01, JACC. Heart failure DOI:10.1016/j.jchf.2024.08.012 PMID:39453355	研究论文	开发了一种基于深度学习的自然语言处理模型，用于自动识别射血分数降低的心力衰竭患者，并进行了外部验证。	首次使用深度学习语言模型从出院小结中自动识别HFrEF患者，并展示了优于传统诊断编码的性能。	模型依赖于左心室射血分数<40%的超声心动图定义，且验证数据集中部分样本量较小。	自动化识别住院期间射血分数降低的心力衰竭患者，以评估和改善护理质量。	射血分数降低的心力衰竭患者，通过出院小结识别。	自然语言处理	心力衰竭	自然语言处理	深度学习语言模型	文本（出院小结）	训练集包括13,251份笔记来自5,392名个体（平均年龄73±14岁，48%女性，其中46.1%为HFrEF患者），外部验证：19,242份笔记来自西北医学、139份来自耶鲁社区医院、146份来自MIMIC-III。	PyTorch	Transformer	AUROC、AUPRC、净重分类改善（NRI）	NA
182	2026-08-28	Analysis of TEM micrographs with deep learning reveals APOE genotype-specific associations between HDL particle diameter and Alzheimer's dementia 2025-Jan-27, Cell reports methods IF:4.3Q2 DOI:10.1016/j.crmeth.2024.100962 PMID:39874947	研究论文	利用深度学习模型YOLOv7从透射电子显微镜图像中测量超过180万个高密度脂蛋白颗粒直径，并发现载脂蛋白E基因型与阿尔茨海默病相关的HDL颗粒大小特异性关联	首次将YOLOv7深度学习模型应用于HDL颗粒直径的大规模精确测量，比传统图像分析软件更高效准确，并揭示了APOE基因型特异性的HDL亚类分布差异与痴呆症的关系	未在摘要中提及局限性	开发一种准确、高效的HDL颗粒直径测量方法，并探索其与阿尔茨海默病及APOE基因型的关联	183份HDL样本（包括痴呆患者和认知正常对照者）中的超过180万个HDL颗粒	计算机视觉	阿尔茨海默病	透射电子显微镜	YOLOv7	图像	183份HDL样本，包含超过1800000个HDL颗粒	NA	YOLOv7	效率、准确性	NA
183	2026-08-28	Identification, characterization, and design of plant genome sequences using deep learning 2025-01, The Plant journal : for cell and molecular biology DOI:10.1111/tpj.17190 PMID:39666835	综述	本文综述了深度学习在植物基因组序列分析中的应用，包括基因表达预测、染色质相互作用、表观遗传特征预测、基序挖掘、功能元件设计、蛋白质结构与功能预测以及基因组预测等方面	系统性地总结了深度学习在植物基因组序列分析中的最新进展，并详细阐述了基于生成对抗网络、大模型和注意力机制的基序挖掘与功能元件设计方法，以及大模型在植物基因组学中的应用前景	未提及具体的技术限制或挑战，未提供实验对比或量化评估	全面回顾深度学习在植物基因组序列分析中的应用，并展望未来发展方向，包括多组学数据、算法优化、大语言模型、序列设计和智能育种	植物基因组序列及其相关功能特征，如基因表达、染色质相互作用、表观遗传标记、蛋白质结构和功能	机器学习	NA	深度学习、生成对抗网络、注意力机制、大模型	深度学习模型，包括生成对抗网络、大语言模型等	基因组序列数据、表观遗传数据、蛋白质结构数据	NA	NA	生成对抗网络、大模型、注意力机制	NA	NA
184	2024-09-04	Correction: Free access via computational cloud to deep learning-based EEG assessment in neonatal hypoxic-ischemic encephalopathy: revolutionary opportunities to overcome health disparities 2025-Jan, Pediatric research IF:3.1Q1 DOI:10.1038/s41390-024-03539-z PMID:39223254	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
185	2026-08-24	DENSE-GUIDED DEEP MOTION NETWORKS ACCOUNTED BY LARGE ROTATIONS TO IMPROVE MYOCARDIAL STRAIN ANALYSIS FROM ROUTINE CINE MRI 2025, Proceedings. IEEE International Symposium on Biomedical Imaging DOI:10.1109/isbi60581.2025.10980688 PMID:42626382	研究论文	本文提出一种DENSE引导的深度学习网络，显式处理大旋转运动，以改善常规电影MRI图像的心肌应变分析。	首次明确考虑心肌大旋转运动（如扭转）的DENSE引导深度学习网络，结合3D卷积编码器-解码器网络估计旋转和基于可变形图像配准的径向运动预测网络。	未提及具体局限性。	提高标准电影bSSFP图像中心肌应变分析的准确性，特别是捕获大幅旋转运动。	左心室心肌及其应变分析。	医学影像分析	心脏病	常规电影平衡稳态自由进动（bSSFP）MRI、位移编码激励（DENSE）技术	深度学习网络（3D卷积编码器-解码器网络、可变形图像配准、融合网络）	MRI图像（cine bSSFP 和 DENSE图像）	未提及	NA	3D卷积编码器-解码器、可变形图像配准网络、融合网络	心肌应变准确性	NA
186	2026-08-24	Saliency-Bench: A Comprehensive Benchmark for Evaluating Visual Explanations 2025, KDD : proceedings. International Conference on Knowledge Discovery & Data Mining DOI:10.1145/3711896.3737414 PMID:42633391	研究论文	本文介绍了一个名为Saliency-Bench的新型基准测试，用于评估基于显著性的视觉解释方法在多个数据集上的性能。	提出了一个综合性的基准测试，涵盖八个数据集和多种任务，并提供了标准化、统一的评估流程和用户友好的工具包。	未提及具体局限性。	评估视觉解释方法的质量，解决可解释人工智能中缺乏标准化评估协议和注释数据集的问题。	多种图像分类任务，包括场景分类、癌症诊断、对象分类和动作分类。	计算机视觉	癌症	显著性方法	多种图像分类器架构	图像	八个数据集	NA	多种图像分类器架构（未具体指定）	忠实度和对齐性	NA
187	2026-08-24	Transferable Deep Clustering Model 2025, Proceedings of the ... ACM International Conference on Information & Knowledge Management. ACM International Conference on Information and Knowledge Management DOI:10.1145/3746252.3761188 PMID:42633423	研究论文	提出了一种可迁移的深度聚类模型，通过注意力机制自适应调整聚类中心，以提升跨域聚类性能	引入了一种新颖的基于注意力的模块，能够根据样本关系动态调整聚类中心，而非固定聚类中心	未明确提及局限性，但可能依赖于源域和目标域的分布相似性	解决深度聚类模型在跨域迁移时泛化能力不足的问题，实现聚类中心的自适应调整	聚类中心和数据样本	机器学习	NA	NA	深度聚类模型（含注意力机制）	合成数据集和真实世界数据集	未明确提及具体样本量	NA	注意力模块	聚类性能（如准确率等，未具体提及）、计算成本	未明确提及，但提到降低了计算成本
188	2026-08-23	Post-processing enhances protein secondary structure prediction with second order deep learning and embeddings 2025, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2024.12.022 PMID:39866664	研究论文	本文提出使用二阶深度学习（SHN方法训练的CNN）和蛋白质语言模型嵌入进行蛋白质二级结构预测，并通过后处理技术显著提升预测精度	首次将SHN优化方法训练的CNN与预训练蛋白质语言模型嵌入相结合，并引入后处理技术（集成和滤波）大幅提高Q3准确率	未明确提及局限性，但后处理窗口大小受限于最小蛋白质长度，可能影响泛化性	提高蛋白质二级结构预测的准确性，并探索嵌入表示和后处理技术的有效性	蛋白质二级结构预测，涉及CB513、PISCES和CASP13数据集	机器学习	NA	语言模型嵌入	CNN	蛋白质序列	CB513数据集、PISCES数据集和CASP13数据集（具体样本数未提及）	NA	CNN	Q3准确率、SOV分数	NA
189	2026-08-22	The Role of Artificial Intelligence in Cardiovascular Disease Risk Prediction: An Updated Review on Current Understanding and Future Research 2025, Current cardiology reviews IF:2.4Q2 DOI:10.2174/011573403X351048250329170744 PMID:40248921	综述	本文综述了人工智能在心血管疾病风险预测中的变革性作用，包括提高准确性、效率和可及性，并讨论了面临的挑战和未来研究方向	整合了AI在CVD风险预测中的最新进展，包括ML预测心肌梗死后2年生存率、DL预测高血压风险以及AI驱动的ECG分析	AI在CVD风险评估中的广泛采用仍面临挑战，主要由于医疗专业人员缺乏教育和接受度	探讨AI在心血管疾病风险预测中的作用，并促进其临床整合以减轻全球CVD负担	心血管疾病风险预测模型及AI工具	机器学习	心血管疾病	NA	机器学习、深度学习	电子健康记录、心电图数据	NA	NA	NA	准确性	NA
190	2026-08-22	Exercise mitigates high-fat diet-induced cardiac dysfunction via APOE genotype- and immune-dependent mechanisms: A photon-counting CT study in adult mice 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0339293 PMID:41417779	研究论文	本研究利用光子计数CT和深度学习分割技术，探讨运动对高脂饮食诱导的心脏功能障碍的缓解作用，并分析APOE基因型和免疫状态对运动效果的调控。	采用光子计数CT成像与深度学习分割技术进行心脏表型分析，并首次在人类化APOE靶向替换小鼠中研究运动、饮食、基因型及免疫反应的交互作用。	研究在小鼠模型中进行，结果需在人类中验证；未详细报告计算资源的使用情况。	探究运动对高脂饮食诱导的心脏功能障碍的缓解作用，以及APOE基因型和免疫状态如何调节这些作用，为高风险人群的精准生活方式干预提供依据。	251只中老年APOE2、APOE3和APOE4基因型小鼠，并考虑性别、人类化NOS2（HN）介导的先天免疫反应状态、运动状态和饮食因素。	医学影像，深度学习	心血管疾病	光子计数CT成像	3D U-Net	CT图像	251只小鼠	NA	3D U-Net	心脏功能指标（每搏输出量、射血分数、心肌质量）	NA
191	2026-08-21	Intrapartum electronic fetal heart rate monitoring to predict acidemia at birth with the use of deep learning 2025-Jan, American journal of obstetrics and gynecology IF:8.7Q1 DOI:10.1016/j.ajog.2024.04.022 PMID:38663662	研究论文	本研究旨在利用深度学习技术开发并验证一个模型，以预测分娩期间胎儿酸血症，基于电子胎心率监测数据。	首次将深度学习方法应用于电子胎心率监测的大规模数据，以预测胎儿的酸血症，并进行了外部验证。	研究的局限在于数据库可能存在选择偏差，且模型在外部验证中的性能可能受限于数据集差异。	目标是通过深度学习模型改善电子胎儿监测的预测准确性，以预防分娩期缺氧缺血性损伤。	研究物体为分娩期间的电子胎儿心率监测数据，共涉及124,777份文件，其中10,182份用于最终分析。	数字病理学	胎儿酸血症	电子胎儿心率监测，脐带血气分析	深度学习模型	电子胎儿心率监测数据，血气分析实验室结果	10,182份电子胎儿监测记录及其对应的脐带血气体结果	未指定	多种深度学习架构, 具体未指明	接收者操作特征曲线下面积, 正预测值, 灵敏度, 特异度	未指定
192	2026-08-21	For the busy clinical-imaging professional in an AI world: Gaining intuition about deep learning without math 2025-01, Journal of medical imaging and radiation sciences IF:1.3Q3 DOI:10.1016/j.jmir.2024.101762 PMID:39437625	教育文章	本文为医学影像专业人士提供关于深度学习的基础直观理解，通过类比和模拟练习解释其工作原理，无需数学知识。	通过医学类比和快速模拟，为非技术背景的临床专业人士提供深度学习直觉，无需数学知识。	未提及具体限制，但可能缺乏深度数学基础。	帮助忙碌的临床影像专业人士理解深度学习在计算机辅助诊断中的应用，无需数学知识。	医学影像专业人士，特别是涉及乳腺癌诊断的临床工作者。	医学影像	乳腺癌	深度学习模拟	深度学习算法	模拟数据	未提及	NA	NA	准确性	未提及
193	2026-08-20	Insights into AI advances in immunohistochemistry for effective breast cancer treatment: a literature review of ER, PR, and HER2 scoring 2025-01, Current medical research and opinion IF:2.4Q3 DOI:10.1080/03007995.2024.2445142 PMID:39705612	综述	本文是一篇叙述性文献综述，聚焦于人工智能在免疫组织化学图像中对乳腺癌ER、PR和HER2生物标志物自动评分的最新进展，旨在提高乳腺癌诊断和治疗效率	系统性地综述了AI在IHC图像中用于ER、PR和HER2评分的技术，特别针对Allred、H-Score和HER2评分方法，并识别了当前最先进的方法和未来研究方向	作为叙述性综述，可能存在主观性，且未涵盖所有相关研究；同时依赖现有文献，无法提供新的实验证据	识别AI在IHC染色图像中自动评分乳腺癌标志物的最先进方法、挑战和未来研究前景，以助力提高乳腺癌诊断和治疗准确性	乳腺癌IHC染色图像中的ER、PR和HER2生物标志物评分	数字病理学	乳腺癌	免疫组织化学染色	机器学习, 深度学习	图像	不适用（综述文章）	不适用	不适用	不适用	不适用
194	2026-08-20	ISIT-GEN: An in silico imaging trial to assess the inter-scanner generalizability of CTLESS for myocardial perfusion SPECT on defect-detection task 2025, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.3047300 PMID:42610017	研究论文	本文通过虚拟成像试验ISIT-GEN评估了基于散射线窗和深度学习的衰减补偿方法CTLESS在不同SPECT扫描仪上的泛化性能，用于心肌灌注缺损检测任务	首次通过虚拟成像试验评估深度学习衰减补偿方法CTLESS在不同厂商SPECT扫描仪上的跨扫描仪泛化能力	未提及具体限制，但可能包括虚拟成像试验与实际临床环境的差异	评估CTLESS方法在不同SPECT扫描仪上的泛化性能，以支持其临床转化	来自三个不同厂商的SPECT扫描仪上的心肌灌注SPECT图像	医学影像	心肌灌注缺损	SPECT成像	深度学习模型（具体架构未说明）	图像	未提及具体样本数量	未提及	未提及	ROC曲线、曲线下面积（AUC）	未提及
195	2026-08-20	Rethinking Cost-Sensitive Classification in Deep Learning via Adversarial Data Augmentation 2025 Jan-Mar, INFORMS journal on data science DOI:10.1287/ijds.2022.0033 PMID:42610103	研究论文	本文提出了一种成本敏感对抗性数据增强框架，以解决深度神经网络在过参数化下无法有效进行成本敏感分类的问题	提出CSADA框架，通过生成目标对抗样本推动决策边界向成本感知方向移动，使过参数化模型对高成本错误更保守	实验主要在特定数据集上进行，未明确讨论该方法对其他类型数据或更复杂场景的泛化能力	重新思考深度神经网络中的成本敏感分类，并设计一种新框架使模型能最小化总体成本并减少关键错误	过参数化的深度神经网络及其在成本敏感分类中的决策边界	机器学习	NA	对抗性数据增强	深度神经网络	图像	未明确指定，但使用了多个已知数据集和公开的药店药物图像数据集	未明确指定	未明确指定	总体成本、准确率、关键错误率	未明确指定
196	2026-08-19	Brief Review and Primer of Key Terminology for Artificial Intelligence and Machine Learning in Hypertension 2025-01, Hypertension (Dallas, Tex. : 1979) DOI:10.1161/HYPERTENSIONAHA.123.22347 PMID:39011632	综述	本文简要回顾了人工智能和机器学习在高血压领域应用的关键术语，并介绍了相关技术及其在高血压管理中的潜在用途	为高血压领域的医疗专业人员和研究人员提供了AI和ML术语的简明入门指南，涵盖了监督学习、无监督学习、自然语言处理、大型语言模型及计算机视觉等核心技术	信息不足，未明确列出本综述的具体局限性	帮助高血压领域的读者理解AI和ML的基本概念及其在高血压诊断和治疗中的应用前景	高血压管理中使用的AI和ML技术，包括血压和生物特征数据处理、远程患者监测和数字治疗	机器学习	高血压	NA	NA	文本	NA	NA	NA	NA	NA
197	2026-08-12	Piscis: a novel loss estimator of the F1 score enables accurate spot detection in fluorescence microscopy images via deep learning 2025-Jan-15, bioRxiv : the preprint server for biology DOI:10.1101/2024.01.31.578123 PMID:38352551	研究论文	提出一种基于深度学习的新颖损失函数SmoothF1，以实现荧光显微镜图像中RNA FISH斑点自动准确检测	引入可微分的SmoothF1损失函数，直接逼近F1分数以惩罚假阳性和假阴性，替代传统损失函数，用于训练自动斑点检测算法	未提及	开发无需手动参数调优的全自动斑点检测算法，提升RNA FISH图像分析准确性和通量	RNA FISH图像中的衍射受限斑点	计算机视觉	不适用	RNA荧光原位杂交 (RNA FISH), 荧光显微镜成像	深度学习模型	图像	358张手动注释的实验RNA FISH图像（多种细胞类型）和240张合成图像	不适用	不适用	F1分数, 准确率, 假阳性率, 假阴性率	不适用
198	2026-08-12	Explainable Deep Learning Approaches for Risk Screening of Periodontitis 2025-01, Journal of dental research IF:5.7Q1 DOI:10.1177/00220345241286488 PMID:39563207	研究论文	本研究利用可解释人工智能技术，基于NHANES数据开发深度学习模型用于牙周炎的风险筛查和早期诊断，并通过LIME进行特征贡献分析	首次将可解释人工智能（XAI）与深度学习结合用于牙周炎的个体化风险评估，不仅提高了筛查准确性还提供了具有临床一致性的特征贡献排序	NA	利用可解释深度学习技术进行牙周炎的早期筛查和风险因素分析，为临床提供个体化风险评估工具	来自美国国家健康与营养调查（NHANES）的参与者数据，包括30,465名参与者的1,012个临床特征变量	机器学习	牙周炎	NA	深度学习模型（包括机器学习基线模型）	临床特征数据（人口统计学、生活方式、医疗和生化指标）	30,465名参与者（预处理后全年龄组9,632人，50岁以上组5,601人）	NA	NA	曲线下面积（AUC）	NA
199	2026-08-11	Predicting the exposure of mycophenolic acid in children with autoimmune diseases using a limited sampling strategy: A retrospective study 2025-01, Clinical and translational science DOI:10.1111/cts.70092 PMID:39727288	研究论文	利用机器学习和深度学习算法，基于有限采样策略预测儿童自身免疫性疾病患者体内霉酚酸暴露量	优化采样频率，仅用三个采血点即可准确估算MPA暴露量，减少儿童患者不适和医疗资源浪费	未明确提及，可能为回顾性单中心研究、样本量有限或缺乏外部验证	开发一种预测模型，用于儿童自身免疫性疾病中MPA暴露量的准确估算，同时优化采样频率	儿童自身免疫性疾病患者	机器学习	自身免疫性疾病	治疗药物监测	随机森林, XGBoost, LightGBM, 梯度提升决策树, CatBoost, 人工神经网络, 梯度提升机, Transformer, Wide&Deep, TabNet	临床数据	来自209名患者的614个MPA AUC样本	NA	随机森林, XGBoost, LightGBM, 梯度提升决策树, CatBoost, 人工神经网络, 梯度提升机, Transformer, Wide&Deep, TabNet	R², 准确率	NA
200	2026-08-11	Integrating Model-Informed Drug Development With AI: A Synergistic Approach to Accelerating Pharmaceutical Innovation 2025-01, Clinical and translational science DOI:10.1111/cts.70124 PMID:39797502	研究论文	本文探讨了模型引导的药物开发（MIDD）与人工智能（AI）的整合，以加速药物创新并优化治疗策略	提出了MIDD与AI协同作用的框架，强调通过虚拟试验优化药物候选选择和剂量方案，并结合生成式AI增强预测能力	面临高质量数据集可用性、数据隐私、模型可解释性和算法偏差等挑战，且需标准化模型架构、数据格式和验证流程	阐述MIDD与AI整合的潜力，以加速药物发现、优化治疗策略，并推动个性化医疗发展	药物开发过程中的模型引导方法（如药代动力学/药效动力学模型）和AI技术（如机器学习、深度学习、生成式AI）	人工智能	不适用	不适用	机器学习、深度学习、生成式AI	文本	不适用	不适用	不适用	不适用	不适用