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
241	2026-03-24	Deep learning chest X-ray age, epigenetic aging clocks, and associations with age-related subclinical disease in the Project Baseline Health Study 2025-09-19, The journals of gerontology. Series A, Biological sciences and medical sciences DOI:10.1093/gerona/glaf173 PMID:40795299	研究论文	本研究比较了基于深度学习胸片年龄（CXR-Age）与两种表观遗传衰老时钟在预测心肺疾病和衰弱方面的关联性	首次将深度学习胸片年龄与表观遗传衰老时钟进行对比，发现CXR-Age在中年人群中与心肺衰老指标关联更强	研究样本仅来自美国四个中心的2097名参与者，可能存在选择偏倚	比较不同衰老评估方法（CXR-Age与表观遗传时钟）与心肺疾病及衰弱指标的关联强度	Project Baseline Health Study的2097名参与者	医学影像分析	心血管疾病	深度学习，表观遗传时钟（Horvath Age，DNAm PhenoAge）	深度学习模型	胸片图像，表观遗传数据，临床指标	2097名参与者	NA	NA	关联性分析（线性回归）	NA
242	2026-03-24	A review of hybrid EEG-based multimodal human-computer interfaces using deep learning: applications, advances, and challenges 2025-Jul, Biomedical engineering letters IF:3.2Q2 DOI:10.1007/s13534-025-00469-5 PMID:40625554	综述	本文系统综述了2016年至2024年间基于EEG的多模态人机交互系统，重点关注结合深度学习技术的应用、进展与挑战	首次系统整合了基于EEG的多模态HCI系统结合深度学习的研究成果，并分析了信号类型、网络架构、融合策略等关键主题	缺乏实时在线系统、信号同步困难、数据可用性有限以及可解释AI方法不足	综述基于EEG的多模态人机交互系统在深度学习中的应用、进展与挑战	124篇从Web of Science数据库中检索的2016年至2024年间发表的研究	人机交互	NA	EEG, fNIRS, NIRS, MEG, fMRI, EOG, EMG, ECG, PPG, GSR	深度学习	生物信号	124项研究	NA	卷积神经网络	NA	NA
243	2026-03-24	Evaluation of Learning Approaches Among Physiotherapy Students in Haryana: A Cross-Sectional Study 2025-02, Journal of evaluation in clinical practice IF:2.1Q2 DOI:10.1111/jep.14253 PMID:39644511	研究论文	本研究通过横断面调查评估了哈里亚纳邦物理治疗学生的学习方法，发现大多数学生采用深度学习方式	首次在哈里亚纳邦物理治疗学生中系统评估学习方法，并比较了临床前与临床阶段学生的差异	样本仅来自同一大学附属院校，可能限制结果的普适性；未追踪学习方法随时间的变化	评估物理治疗学生的学习方法，以改进教学策略和课程设计	物理治疗专业学生（包括临床前和临床阶段）	NA	NA	问卷调查（ASSIST量表）	NA	问卷数据	250名参与者（129名临床前组，121名临床组）	IBM SPSS 27	NA	p值（统计显著性）	NA
244	2026-03-23	Associations Between Deep Learning-Derived Fat, Muscle, and Bone Measures From Abdominal Computed Tomography Scans and Fall Risk in Persons Aged 20 Years or Older 2025-Dec, Mayo Clinic proceedings. Digital health DOI:10.1016/j.mcpdig.2025.100299 PMID:41323361	研究论文	本研究探讨了通过深度学习从腹部CT扫描中提取的脂肪、肌肉和骨骼测量指标与20岁及以上人群跌倒风险之间的关联	首次使用深度学习算法从腹部CT扫描中自动提取身体成分生物标志物，并评估其与跌倒风险的关联，特别是在中年人群中识别低肌肉密度作为风险因素	研究为回顾性设计，可能受选择偏倚影响；仅使用腹部CT扫描，未考虑其他身体部位；跌倒事件通过医疗记录识别，可能存在漏报	确定腹部CT扫描中的身体成分测量是否与成年人跌倒风险相关	20至89岁的成年人，他们接受了腹部CT扫描	数字病理学	老年疾病	腹部CT扫描	深度学习算法	医学影像	3972人	NA	NA	调整后的风险比, 95%置信区间	NA
245	2026-03-23	Deep learning on brief interictal intracranial recordings can accurately characterize seizure onset zones 2025-Sep, Epilepsia IF:6.6Q1 DOI:10.1111/epi.18478 PMID:40423629	研究论文	本研究利用深度学习模型分析短暂的发作间期颅内记录数据，以准确识别癫痫发作起始区	首次证明基于短暂发作间期颅内记录的深度学习模型能够有效分类全脑范围内的癫痫发作起始区，并揭示了发作间期癫痫样放电的特征重要性	研究样本量相对有限（78名患者），且模型性能可能受数据预处理方法（如直方图均衡化）的影响	通过自动化方法定位癫痫发作起始区，以改善术前评估并减少患者住院时间	78名癫痫患者的发作间期立体定向脑电图记录	机器学习	癫痫	立体定向脑电图	CNN	脑电图信号	超过1,000,000个发作间期立体定向脑电图片段，来自78名患者	NA	多通道、多尺度一维卷积神经网络	灵敏度, 特异性, 准确率	NA
246	2026-03-23	TRANSFORMER-BASED T1-TRACTOGRAPHY 2025, Proceedings. IEEE International Symposium on Biomedical Imaging DOI:10.1109/isbi60581.2025.10981144 PMID:40814567	研究论文	本文提出了一种基于Transformer的T1加权MRI纤维束追踪方法，通过改进现有CoRNN架构，提升白质通路估计的准确性	将Transformer模块引入T1加权纤维束追踪，替代传统的循环单元和序列表示，改进纤维方向分布的表示和预测网络	研究仅针对健康成年人的数据，未涉及病理状态或更广泛人群的验证	提高T1加权MRI纤维束追踪的准确性，使其更接近扩散MRI金标准	人类大脑白质通路	医学影像分析	NA	T1加权MRI, 扩散MRI	Transformer	MRI图像	健康正常成年人数据	NA	Transformer	角度一致性	NA
247	2026-03-22	A Dual-stage Deep Learning Framework for Breast Ultrasound Image Segmentation and Classification 2025-Nov-18, Journal of medical systems IF:3.5Q2 DOI:10.1007/s10916-025-02298-6 PMID:41249662	研究论文	本文提出了一种用于乳腺超声图像分割与分类的双阶段深度学习框架	提出了一种模块化的双阶段流程，可灵活集成不同的骨干网络架构以适应特定任务或数据集需求	未明确说明模型在临床环境中的泛化能力及外部验证结果	探索深度学习技术在乳腺超声图像分割与分类中的应用，以支持乳腺癌诊断	乳腺超声图像中的肿块区域	计算机视觉	乳腺癌	超声成像	CNN	图像	两个乳腺超声数据集（具体样本数量未说明）	未明确说明	DeepLabV3+, ResNet34, MobileNetV3-Small, EfficientNet-B0	诊断准确率	NA
248	2026-03-22	A prognostic index integrating deep learning baseline PET/CT biomarkers and multi-omics profiling in diffuse large B cell lymphoma 2025-Nov-18, Cell reports. Medicine DOI:10.1016/j.xcrm.2025.102452 PMID:41260205	研究论文	本研究通过整合深度学习基线PET/CT生物标志物与多组学分析，开发了一个用于弥漫性大B细胞淋巴瘤的预后指数模型	结合nnUNet深度学习框架分析PET/CT扫描，并整合DNA和RNA测序数据，开发了ClinicalPET LymphPlex模型，有效区分不同治疗下的患者预后	研究依赖于特定数据集（AutoPET公共和内部数据集），可能限制了模型的泛化能力	提高弥漫性大B细胞淋巴瘤的预后精度并推进个性化治疗	1,024名新诊断的弥漫性大B细胞淋巴瘤患者	数字病理学	淋巴瘤	PET/CT扫描, DNA测序, RNA测序	深度学习	图像, 基因组数据	1,024名患者	nnUNet	nnUNet	预后价值评估	NA
249	2026-03-22	Massively parallel characterization of non-coding de novo mutations in autism spectrum disorder 2025-10, Journal of genetics and genomics = Yi chuan xue bao DOI:10.1016/j.jgg.2025.07.008 PMID:40738258	研究论文	本研究通过整合皮层细胞特异性顺式调控元件注释、深度学习变异预测模型和大规模并行报告基因检测，系统评估了自闭症谱系障碍中非编码区新生突变的功能影响	首次大规模并行表征自闭症谱系障碍中的非编码区新生突变，并发现下调调控突变与自闭症风险显著相关，鉴定出42个潜在的自闭症风险突变	研究主要基于Simons Simplex Collection和MSSNG队列数据，可能未涵盖所有人群变异；功能验证主要依赖报告基因检测，体内功能需要进一步验证	阐明非编码区新生突变在自闭症谱系障碍发病机制中的功能作用和分子机制	自闭症谱系障碍患者的非编码区新生突变	计算生物学	自闭症谱系障碍	大规模并行报告基因检测，深度学习变异预测	深度学习模型	基因组变异数据，调控元件注释数据	来自Simons Simplex Collection和Autism Speaks MSSNG资源的227,878个非编码区新生突变	NA	NA	比值比，P值	NA
250	2026-03-22	RETRACTED ARTICLE: Enhancing communication for people with hearing disabilities through robust sign language recognition using deep learning and the internet of things 2025-Sep-24, Disability and rehabilitation. Assistive technology DOI:10.1080/17483107.2025.2562454 PMID:40990717	撤稿文章	该文章已被撤稿，原计划研究利用深度学习和物联网技术增强听障人士手语识别的通信辅助技术	NA	文章因同行评审过程不合规而被撤稿，其科学性和可靠性无法得到保证	通过稳健的手语识别技术改善听障人士的沟通能力	听障人士	计算机视觉	听力障碍	深度学习, 物联网	深度学习模型	手势/图像数据	NA	NA	NA	NA	NA
251	2026-03-22	ViViEchoformer: Deep Video Regressor Predicting Ejection Fraction 2025-Aug, Journal of imaging informatics in medicine DOI:10.1007/s10278-024-01336-y PMID:39586913	研究论文	本文介绍了一种名为ViViEchoformer的深度学习模型，用于从超声心动图视频中直接回归预测射血分数	提出了一种基于视频视觉变换器的深度学习模型，能够直接从超声心动图视频中提取时空信息并准确预测射血分数	NA	开发一种自动、准确的射血分数预测方法，以辅助人类评估和分析	超声心动图视频	计算机视觉	心血管疾病	超声心动图	Transformer	视频	10,030个心尖四腔超声心动图视频	NA	视频视觉变换器	平均绝对误差, 均方根误差, 均方对数误差, 曲线下面积, 分类准确率	NA
252	2026-03-22	Optimised Hybrid Attention-Based Capsule Network Integrated Three-Pathway Network for Chronic Disease Detection in Retinal Images 2025-06, Journal of evaluation in clinical practice IF:2.1Q2 DOI:10.1111/jep.70126 PMID:40415584	研究论文	提出一种基于优化混合注意力胶囊网络与三通路网络集成的深度学习系统，用于从视网膜图像中检测慢性疾病	提出了一种结合Inception-V3、ResNet-152和卷积视觉Transformer（Conv-ViT）的三通路特征提取网络，并集成了优化的混合注意力胶囊网络作为分类器，通过优化策略提升了分类性能	未在摘要中明确说明	开发一种优化的深度学习系统，用于从视网膜图像中检测慢性疾病，并解决现有方法存在的过拟合、计算成本高等问题	视网膜图像	计算机视觉	慢性疾病	图像预处理（归一化、HSI颜色转换）、深度学习	CNN, Transformer, Capsule Network	图像	使用Diabetic Retinopathy 224×224 (2019 Data)和APTOS-2019两个数据集	未在摘要中明确说明	Inception-V3, ResNet-152, Convolutional Vision Transformer (Conv-ViT), Hybrid Attention-based Capsule Network	准确率	未在摘要中明确说明
253	2026-03-22	KanCell: dissecting cellular heterogeneity in biological tissues through integrated single-cell and spatial transcriptomics 2025-05, Journal of genetics and genomics = Yi chuan xue bao DOI:10.1016/j.jgg.2024.11.009 PMID:39577768	研究论文	KanCell是一种基于Kolmogorov-Arnold网络（KAN）的深度学习模型，旨在通过整合单细胞RNA测序和空间转录组学数据来增强细胞异质性分析	利用KAN有效捕获非线性关系并优化计算效率，在多种真实和模拟数据集上超越现有方法	NA	增强细胞异质性分析，揭示疾病微环境并识别治疗靶点	人类淋巴结、心脏、黑色素瘤、乳腺癌、背外侧前额叶皮层及小鼠胚胎大脑等生物组织	数字病理学	黑色素瘤, 乳腺癌	单细胞RNA测序, 空间转录组学	深度学习模型	基因表达数据	NA	NA	Kolmogorov-Arnold网络（KAN）	PCC, SSIM, COSSIM, RMSE, JSD, ARS, ROC	NA
254	2026-03-22	Machine Learning and Deep Learning in Detection of Neonatal Seizures: A Systematic Review 2025-04, Journal of evaluation in clinical practice IF:2.1Q2 DOI:10.1111/jep.70083 PMID:40189779	系统综述	本文系统综述了机器学习和深度学习在新生儿癫痫检测中的应用	首次系统性地总结和评估了ML和DL模型在新生儿癫痫检测中的性能，强调了卷积神经网络（CNN）在早期检测中的高效能	纳入的研究数量有限（仅10项），且研究间存在异质性，可能影响结论的普适性	研究机器学习和深度学习对新生儿癫痫检测的效果	新生儿癫痫的检测	机器学习	新生儿癫痫	脑电图（EEG）信号分析	CNN	时间序列数据（EEG信号）	最少17名，最多258名新生儿，共1389次癫痫发作，平均834小时EEG数据	NA	卷积神经网络	AUC, 灵敏度, 特异性	NA
255	2026-03-22	De novo design of Ras isoform selective binders 2025-Feb-05, bioRxiv : the preprint server for biology DOI:10.1101/2024.08.29.610300 PMID:39975043	研究论文	本研究利用深度学习设计针对Ras蛋白异构体的选择性结合剂，以特异性靶向其C末端	首次应用深度学习方法设计出针对所有主要Ras异构体的特异性结合剂，解决了传统方法难以针对其无序且高电荷C末端产生抗体的难题	未明确说明结合剂在体内环境下的长期稳定性及潜在免疫原性问题	开发能够特异性识别不同Ras蛋白异构体的结合工具，以研究其在癌症中的不同作用	Ras蛋白的四种主要异构体（KRAS4A、KRAS4B、HRAS、NRAS）	机器学习	癌症	深度学习	NA	蛋白质序列数据	针对四种Ras异构体的设计研究	NA	NA	结合特异性、膜定位干扰效果、Ras活性抑制能力	NA
256	2026-03-22	SpaGRA: Graph augmentation facilitates domain identification for spatially resolved transcriptomics 2025-01, Journal of genetics and genomics = Yi chuan xue bao DOI:10.1016/j.jgg.2024.09.015 PMID:39362628	研究论文	提出一种基于图增强的新方法SpaGRA，用于空间分辨转录组学中的自动多关系构建和空间域识别	引入图增强技术，动态调整边权重，利用多头图注意力网络揭示多样节点关系，并构建多视图关系以解决随机选择带来的采样偏差	未明确说明方法在超大规模数据集上的计算效率或对特定组织类型的泛化能力限制	改进空间分辨转录组学中的空间域识别任务，通过多关系构建提升准确性	空间分辨转录组学数据，包括小鼠下丘脑、小鼠胚胎和Visium HD数据中的细胞或点	计算生物学	NA	空间分辨转录组学	GAT	空间转录组数据	多个数据集，具体样本数量未明确说明	NA	多头图注意力网络	空间域识别性能，具体指标未明确说明	NA
257	2026-03-21	Facilitating Precision Medicine in HCC Patients by Deep Learning-Directed lncRNAs Classification and Ascertaining Causal Markers 2025-12, The journal of gene medicine IF:3.2Q2 DOI:10.1002/jgm.70066 PMID:41405166	研究论文	本研究利用深度学习框架对肝细胞癌患者的lncRNA进行分类，以识别新的生物标志物，推动精准医疗	构建了一个分层复合深度学习框架，结合可解释AI技术（SHAP分析）来识别与HCC病理分期相关的关键lncRNA生物标志物	模型3在区分晚期HCC分期时性能较低（AU-ROC=0.774），表明lncRNA在晚期阶段关联紧密，数据存在固有挑战	通过人工智能技术识别新的lncRNA生物标志物，以促进肝细胞癌的精准医疗	肝细胞癌患者及其lncRNA表达数据	机器学习	肝细胞癌	RNA-seq	DNN	基因表达数据	来自癌症基因组图谱的肝细胞癌患者数据	NA	深度神经网络	AU-ROC	NA
258	2026-03-21	STAD-CoAtt: Integration of Evolving Gene Graphs in the Assessment of Neuropathological Stages Using Spatiotemporal Representations of Brain Transcriptomics Data 2025 Nov-Dec, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3605968 PMID:40907046	研究论文	本研究提出了一种名为STAD-CoAtt的时空图卷积网络方法，用于整合阿尔茨海默病特异性基因调控网络的动态图特征，以评估神经病理学阶段和认知功能障碍	提出了一种结合共注意力网络和非线性流形对齐融合块的ST-GCN架构，首次将动态演化的AD特异性基因调控网络图特征与时空特征进行整合，以构建单核RNA测序数据的联合潜在表示	方法仅在ROSMAP和GSE平台的基准数据集上进行了验证，尚未在其他独立队列或不同神经退行性疾病中进行广泛测试	开发一种深度学习模型，通过整合时空图特征来更准确地评估阿尔茨海默病的神经病理学阶段和认知功能障碍	人类脑组织样本的单核RNA测序数据，特别是与阿尔茨海默病和痴呆相关的数据	生物信息学, 机器学习	阿尔茨海默病, 痴呆	单核RNA测序	图卷积网络, 注意力机制	基因表达数据, 图数据	来自ROSMAP和GSE平台的两个基准RNA测序数据集	NA	ST-GCN, 共注意力网络	分类性能指标	NA
259	2026-03-21	DeepHDAC3i: Leveraging an Interpretable Deep Learning-Based Framework for the Accelerated Discovery of HDAC3 Inhibitors 2025 Nov-Dec, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3602433 PMID:40880325	研究论文	本文提出了一种名为DeepHDAC3i的可解释深度学习框架，用于加速发现HDAC3抑制剂	开发了一种基于可解释深度学习的框架，仅使用SMILES符号即可准确识别HDAC3抑制剂，并通过特征融合和SHAP算法提高预测性能和可解释性	NA	加速发现高选择性的HDAC3抑制剂	HDAC3抑制剂	机器学习	NA	SMILES符号表示	CNN	SMILES符号	NA	NA	1D-CNN	准确率, MCC, AUC, F1分数	NA
260	2026-03-21	Artificial intelligence-based approaches for sleep-related breathing events identification using EEG and ECG signals 2025-09-01, Sleep & breathing = Schlaf & Atmung DOI:10.1007/s11325-025-03442-9 PMID:40888857	研究论文	本研究提出了一种基于EEG和ECG信号的人工智能方法，用于识别睡眠相关呼吸事件，包括阻塞性睡眠呼吸暂停、中枢性睡眠呼吸暂停和低通气	采用多模态方法结合EEG和ECG信号，并引入稳健的集成学习模型与深度学习模型进行性能比较，提高了家庭睡眠测试中事件分类的准确性	研究仅基于201个PSG数据，样本量相对有限，且未详细讨论模型在更广泛人群或不同设备上的泛化能力	开发一种基于AI的方法，利用EEG和ECG信号识别睡眠相关呼吸事件，以替代传统耗时、不适且昂贵的多导睡眠图诊断	睡眠呼吸暂停（阻塞性和中枢性）和低通气事件	机器学习	睡眠呼吸障碍	小波变换	集成学习模型,深度学习模型	EEG信号,ECG信号	201个多导睡眠图数据	NA	NA	准确率,灵敏度,特异性	NA