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
501	2026-02-26	Automated tumor stroma ratio assessment in colorectal cancer using hybrid deep learning approach 2025-Nov-20, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-24229-8 PMID:41266465	研究论文	本研究提出了一种混合深度学习方法，用于结直肠癌中肿瘤-间质比的自动评估	首次引入结合Transformer机制的集成深度学习方法，以增强TSR评估中的空间上下文理解，解决了传统纯CNN模型的局限性	未明确说明	开发一种自动、客观且稳健的结直肠癌肿瘤-间质比评估方法	结直肠癌组织切片图像	数字病理学	结直肠癌	全切片图像分析	CNN, Transformer	图像	NA	NA	CNN-Transformer UNET, Efficient-TransUNet	准确率, 精确率, 召回率, F1分数, 马修斯相关系数, 聚合Dice系数	NA
502	2026-02-26	Wearable interactive full-body motion tracking and haptic feedback network systems with deep learning 2025-Sep-29, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-63644-3 PMID:41022813	研究论文	本研究提出了一种结合全身运动跟踪与实时双向触觉反馈的低成本可穿戴系统	整合柔性贴片式表皮触觉设备与远程机器学习框架，实现全身运动捕捉和个性化时间同步反馈，采用闭环设计支持实时双向触觉提示	NA	开发一种成本效益高的运动跟踪系统，结合全身运动分析与实时双向触觉反馈	可穿戴交互式全身运动跟踪与触觉反馈网络系统	机器学习	NA	深度学习	NA	运动数据	NA	NA	NA	NA	NA
503	2026-02-26	Integrating deep learning for post-translational modifications crosstalk on Hsp90 and drug binding 2025-09, The Journal of biological chemistry IF:4.0Q2 DOI:10.1016/j.jbc.2025.110519 PMID:40716748	研究论文	本研究利用深度学习模型结合质谱分析，探索Hsp90蛋白的翻译后修饰（PTM）互作及其与药物结合的调控机制	首次将深度学习AI预测模型与质谱分析相结合，用于解析Hsp90等复杂蛋白质的PTM互作网络，提供了一种高效快速的研究方法	研究主要基于人类细胞系，可能无法完全反映体内复杂环境；深度学习模型的泛化能力有待进一步验证	探究Hsp90蛋白的翻译后修饰互作机制及其对药物结合的影响	热休克蛋白-90（Hsp90）及其翻译后修饰（磷酸化和乙酰化）	机器学习	癌症	质谱分析	深度学习	质谱数据	人类细胞系（HDAC3和HDAC8敲除细胞）	NA	NA	NA	NA
504	2026-02-26	Machine learning-based multimodal radiomics and transcriptomics models for predicting radiotherapy sensitivity and prognosis in esophageal cancer 2025-07, The Journal of biological chemistry IF:4.0Q2 DOI:10.1016/j.jbc.2025.110242 PMID:40381695	研究论文	本研究整合了基于机器学习的多模态放射组学和转录组学，开发了用于预测食管癌放疗敏感性和预后的模型	首次将SEResNet101深度学习模型应用于食管癌的影像和转录组数据，并识别出与预后相关的关键基因STUB1、PEX12和HEXIM2，同时揭示了STUB1通过泛素化降解SRC蛋白来增强放疗敏感性的新机制	研究数据主要来源于公开数据库UCSC Xena和TCGA，可能缺乏外部验证队列；实验验证仅限于体外和体内模型，尚未进行大规模临床验证	开发预测食管癌放疗敏感性和预后的模型，以实现个体化放疗计划	食管癌患者	机器学习	食管癌	放射组学，转录组学	深度学习	影像数据，转录组数据	来自UCSC Xena和TCGA数据库的食管癌患者数据（具体样本数未明确说明）	NA	SEResNet101	生存概率分层	NA
505	2026-02-26	A new age in structural S-layer biology: Experimental and in silico milestones 2025-06, The Journal of biological chemistry IF:4.0Q2 DOI:10.1016/j.jbc.2025.110205 PMID:40345586	综述	本文总结了近五年来S层蛋白结构研究的主要进展，包括实验结构测定和计算建模方面的突破	首次系统探讨了计算建模方法在S层蛋白研究中的应用，并展望了计算方法如何进一步推动对该蛋白结构的理解	NA	总结S层蛋白结构生物学领域的最新研究成果和方法进展	细菌和古菌中的表面(S-)层蛋白	结构生物学	NA	高分辨率成像，深度学习结构预测	深度学习模型	蛋白质结构数据，成像数据	NA	NA	NA	NA	NA
506	2026-02-26	Tumor cell villages define the co-dependency of tumor and microenvironment in liver cancer 2025-Mar-12, bioRxiv : the preprint server for biology DOI:10.1101/2025.03.07.642107 PMID:40161587	研究论文	本研究通过空间单细胞成像和单细胞RNA测序分析肝细胞癌，开发了基于深度学习的空间动态网络策略，揭示了肿瘤细胞状态与微环境之间的空间共依赖性	首次提出“肿瘤细胞村庄”概念，并利用深度学习策略构建空间动态网络，揭示肿瘤细胞状态与微环境之间的特异性分子共依赖性及其对患者预后的影响	研究样本量相对有限（50个肿瘤生物样本），且仅针对肝细胞癌，未涉及其他癌症类型	探究肝细胞癌中肿瘤空间景观的形成机制及其对肿瘤适应性的影响	肝细胞癌肿瘤组织中的细胞及其微环境	数字病理学	肝癌	空间单细胞成像, 单细胞RNA测序	深度学习	图像, 基因表达数据	超过200万个细胞，来自50个肿瘤生物样本	NA	NA	NA	NA
507	2026-02-26	Breast radiotherapy planning: A decision-making framework using deep learning 2025-Mar, Medical physics IF:3.2Q1 DOI:10.1002/mp.17527 PMID:39625151	研究论文	本研究开发了一个基于深度学习的决策框架，用于预测乳腺癌放疗的剂量分布，以辅助选择最佳治疗技术（IMRT或3D-CRT）	利用2D U-Net CNN模型预测剂量分布图和DVH指标，构建了一个决策框架，显著优于历史决策方法，在准确率、召回率和精确率上表现更优	研究基于回顾性数据集，且仅涉及两个医疗中心，可能受到CT系统、剂量学协议和临床实践差异的影响，外部验证样本量较小（30例）	开发一个深度学习决策框架，以预测剂量分布并辅助选择乳腺癌放疗的最佳治疗技术	乳腺癌患者，特别是接受IMRT和3D-CRT治疗的患者	数字病理学	乳腺癌	强度调制放射治疗（IMRT），三维适形放射治疗（3D-CRT）	CNN	图像（CT图像）	346例患者用于训练和微调，30例患者用于外部验证	NA	U-Net	Dice相似系数（DSC），剂量体积直方图（DVH）分析，准确率，召回率，精确率	NA
508	2026-02-26	Precision cotton disease detection via transformer models applied to leaf imagery 2025, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2025.1743264 PMID:41736992	研究论文	本文提出了一种基于Transformer架构的深度学习框架，用于自动分类棉花叶片病害	首次将多种Transformer模型（ViT、Swin Transformer、DeiT、T2T-ViT）应用于棉花叶片病害检测，并采用分层K折交叉验证确保模型评估的鲁棒性	仅针对四种棉花病害类别进行研究，未涵盖更广泛的病害类型或环境变异	开发高精度的棉花叶片病害自动检测系统，以提升农业监测效率	棉花叶片图像（包含卷叶病毒、细菌性疫病、枯萎病和健康叶片四种类别）	计算机视觉	植物病害	深度学习图像分类	Transformer	图像	未明确说明具体样本数量，但包含四种类别的棉花叶片图像数据集	未明确说明	Vanilla Vision Transformer (ViT), Swin Transformer, DeiT, T2T-ViT	准确率	未明确说明
509	2026-02-26	Deep learning analysis of MRI to assess rectal cancer treatment 2025, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2025.1643852 PMID:41737732	研究论文	本研究开发了深度学习模型，用于直肠癌治疗前后MRI图像的自动肿瘤分割，并通过影像组学特征区分临床完全缓解与非完全缓解患者	采用半监督学习与伪标签数据显著提升了治疗前MRI肿瘤分割性能，并利用影像组学聚类揭示了与治疗反应状态一致的患者分组	样本量较小（37例），且治疗后分割因组织变化面临挑战，影像组学特征需在更大规模多中心研究中验证	开发客观定量的工具，以改善局部晚期直肠癌治疗反应的评估	局部晚期直肠癌患者的治疗前后MRI图像	数字病理	直肠癌	MRI, 影像组学分析	深度学习模型	MRI图像（T2加权图像, ADC图）	37例局部晚期直肠癌患者（来自II期TNT试验），额外81例用于伪标签生成	NA	NA	Dice相似系数, ICC, Spearman相关系数	NA
510	2026-02-25	Artificial intelligence-powered copilots for precision diagnosis and surgical assessment of histological growth patterns in resectable colorectal liver metastases: a prospective study 2025-Nov-01, International journal of surgery (London, England) DOI:10.1097/JS9.0000000000002922 PMID:40638258	研究论文	本研究开发了一种名为COFFEE的基于Transformer的深度学习模型，用于利用结直肠癌肝转移患者的全切片图像精确分类组织病理学生长模式，旨在辅助病理诊断和手术评估	开发了首个基于Transformer和TransMIL框架的AI模型COFFEE，用于结直肠癌肝转移中组织病理学生长模式的精确分类，并展示了其在辅助病理医生提高诊断准确性和效率方面的潜力	研究样本量相对有限，前瞻性队列仅包含30名患者，且模型在更广泛人群和不同医疗中心中的泛化能力有待进一步验证	开发人工智能辅助工具，以提高结直肠癌肝转移中组织病理学生长模式的诊断精度和手术评估效率	被诊断为结直肠癌肝转移的患者及其全切片图像	数字病理学	结直肠癌	全切片图像分析	Transformer, 深度学习	图像	431名患者（训练集297名，测试集104名，前瞻性队列30名），涉及来自TCGA-COAD队列的1442张WSI和验证集的972张WSI	PyTorch	Vision Transformer, TransMIL	AUC, 准确率	NA
511	2026-02-25	Learning the syntax of plant assemblages 2025-Oct, Nature plants IF:15.8Q1 DOI:10.1038/s41477-025-02105-7 PMID:41083838	研究论文	提出一种受大语言模型启发的方法，通过学习植物群落中物种丰度排序序列的“句法”来预测物种组成和栖息地类型	首次将大语言模型的序列建模思想应用于植物群落生态学，通过捕捉物种间的潜在关联来提升预测性能	研究范围目前局限于欧洲及邻近地区的植物物种，未明确说明模型在极端环境或高度干扰生态系统中的泛化能力	开发一种能够准确预测植物群落物种组成和栖息地类型的方法，以支持生物多样性保护与生态恢复	欧洲及邻近地区的植物群落物种组成数据	自然语言处理	NA	物种丰度序列建模	神经网络	物种序列数据	覆盖超过10,000种植物物种	NA	基于大语言模型架构的序列模型	准确率	NA
512	2026-02-25	An Open-Source Deep Learning-Based Toolbox for Automated Auditory Brainstem Response Analyses (ABRA) 2025-Sep-23, bioRxiv : the preprint server for biology DOI:10.1101/2024.06.20.599815 PMID:38948763	研究论文	介绍了一个基于深度学习的开源工具箱ABRA，用于自动化分析听觉脑干反应（ABR）波形	开发了首个基于深度学习的开源ABR分析工具，实现了ABR波形分析的自动化和标准化，显著减少了分析时间并提高了跨实验室数据的可重复性	未明确说明模型在极端或罕见病例上的泛化能力，以及训练数据集的详细规模和多样性限制	开发自动化工具以解决传统ABR分析中主观手动解释带来的变异性和可重复性挑战	听觉脑干反应（ABR）波形	机器学习	听力损失	听觉脑干反应（ABR）记录	CNN	电生理记录波形数据	NA	NA	卷积神经网络	与专家人工标注者性能相当	NA
513	2026-02-25	Automated Cavity Detection and Classification Using Deep Learning 2025-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference DOI:10.1109/EMBC58623.2025.11252946 PMID:41336045	研究论文	本研究提出了一种基于深度学习的多尺度AI辅助方法，用于牙科X光片中的龋齿检测与分类	引入了基于Ultralytics YOLO11框架的多尺度方法，比较了图像级别和牙齿级别的分类与检测策略，强调了牙齿级别分析在提升检测精度方面的优势	在全图像定位方面存在挑战，未来需要改进分割技术、扩展临床数据集并在不同成像条件下验证性能	开发一种自动化的龋齿检测与分类系统，以辅助早期诊断和治疗规划	牙科X光片	计算机视觉	龋齿	深度学习	YOLO	图像	NA	Ultralytics YOLO11	YOLO11	准确率, mAP@50, 召回率	NA
514	2026-02-25	U-Grad: A Grad-CAM-Guided Reduced U-Net for Efficient Lung Cancer Segmentation 2025-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference DOI:10.1109/EMBC58623.2025.11253530 PMID:41336182	研究论文	本文提出了一种名为U-Grad的新型模型，用于从2D CT切片中分割肺结节，该模型通过整合Grad-CAM生成的注意力热图来增强结节表示	提出了一种结合Grad-CAM生成热图与简化U-Net的混合架构，通过注意力机制增强模型对肺结节的表征能力，并提高了模型的可解释性	模型在测试集上的性能略低于简化U-Net（DC 91.27% vs 93.15%），且研究仅使用单一数据集进行验证	开发一种高效且可解释的深度学习模型，用于医学CT图像中的肺结节自动分割	肺结节（来自CT扫描图像）	数字病理学	肺癌	CT扫描	CNN	图像	使用NSCLC Radiogenomics数据集进行训练和测试	未明确提及	Reduced U-Net, U-Grad（Grad-CAM引导的简化U-Net）	Dice系数, 交并比	未明确提及
515	2026-02-25	CAUSAL MODELING OF FMRI TIME-SERIES FOR INTERPRETABLE AUTISM SPECTRUM DISORDER CLASSIFICATION 2025-Apr, Proceedings. IEEE International Symposium on Biomedical Imaging DOI:10.1109/isbi60581.2025.10980933 PMID:41728049	研究论文	本文提出了一种基于因果关系的深度学习模型，用于利用fMRI时间序列数据进行自闭症谱系障碍的分类，并解释脑区间的因果关系	引入了一种受因果关系启发的深度学习模型，能够捕捉脑区间的非线性相互作用，而传统的基于相关性的模型无法做到这一点	研究使用了经过筛选的ABIDE数据集（平均FD小于15mm），可能限制了样本的多样性和泛化能力	开发一种准确且可解释的自闭症谱系障碍分类方法，以促进早期诊断和治疗	自闭症谱系障碍患者和对照组人群的fMRI时间序列数据	机器学习	自闭症谱系障碍	功能磁共振成像	深度学习模型	时间序列数据	ABIDE数据集中经过筛选的图像（平均FD小于15mm），具体数量未明确说明	NA	因果关系启发的深度学习模型	分类准确率, AUC	NA
516	2026-02-25	Sparse-View CT Joint Reconstruction Strategy with Sparse Sampling Encoding Layer 2025, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056354972250221012822 PMID:40143696	研究论文	本文提出了一种基于稀疏采样编码层的稀疏视图CT联合重建策略，旨在自动搜索高效的稀疏采样方案并提高重建质量	开发了一个采样编码层用于自动搜索稀疏采样方案，并将其集成到基于投影数据的稀疏重建神经网络模型中，同时提出了基于Radon域和图像域绘制的联合重建策略	NA	开发一种端到端的稀疏角度CT重建方法，以在剂量约束下自动搜索高效的稀疏采样方案	稀疏角度CT重建	计算机视觉	NA	CT扫描	深度学习	图像	基于公共CT数据集	NA	NA	NA	NA
517	2026-02-25	RETRACTED: Advancing enterprise risk management with deep learning: A predictive approach using the XGBoost-CNN-BiLSTM model 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0319773 PMID:40179109	研究论文	本研究提出了一种基于深度学习的风险管理模型，采用XGBoost-CNN-BiLSTM框架来提升风险事件的预测与检测能力	结合XGBoost的结构化数据处理能力、CNN的特征提取能力和BiLSTM的时间序列处理能力，构建了一个综合性的风险预测模型	未在摘要中明确提及	提升企业风险管理的预测与检测能力，确保企业可持续稳定发展	企业风险事件	机器学习	NA	深度学习	XGBoost, CNN, BiLSTM	结构化数据、时间序列数据	多个数据集，包括S&P 500历史数据集	NA	XGBoost-CNN-BiLSTM	准确率, 召回率, F1分数, AUC	NA
518	2026-02-25	Transforming Medical Imaging: The Role of Artificial Intelligence Integration in PACS for Enhanced Diagnostic Accuracy and Workflow Efficiency 2025, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056370620250403030638 PMID:40265427	综述	本文综述了人工智能（AI）集成到医学影像存档与通信系统（PACS）中的现状，评估了其对诊断准确性、工作流程效率和患者结局的影响	系统性地回顾了AI集成到PACS中的技术演进、关键进展（如诊断准确性提升高达93.2%）、工作流程效率变革（如诊断时间减少高达90%），并识别了数据隐私、监管合规和互操作性等持续挑战	研究依赖于截至2024年10月的文献，可能未涵盖最新的技术发展；同时，数据隐私、监管合规和系统互操作性等挑战仍然存在，需要标准化框架和强大的安全协议来解决	探讨AI在PACS中的集成，并评估其对医学影像、诊断工作流程和患者结局的影响	AI在医学影像存档与通信系统（PACS）中的应用、技术创新及工作流程改进	医学影像	NA	人工智能、机器学习、深度学习	卷积神经网络（CNN）、自然语言处理（NLP）工具	医学影像数据、文本报告	基于183项符合纳入标准的研究（包括原始研究、系统综述和荟萃分析）	NA	NA	诊断准确性（高达93.2%）、图像分割准确性（高达94%）、报告时间减少（30-50%）	基于云的解决方案
519	2026-02-25	Accuracy and Reliability of Multimodal Imaging in Diagnosing Knee Sports Injuries 2025, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056360665250506115221 PMID:40377156	研究论文	本研究通过结合MRI、CT和超声进行集成学习，并利用深度学习模型自动分析，以提高膝关节运动损伤诊断的准确性和可靠性	采用多模态成像（MRI、CT、超声）进行集成学习，并结合深度学习算法实现膝关节损伤的自动识别与分类	未明确提及研究的具体局限性，如数据集的多样性、模型在外部验证集上的表现等	解决因医生主观经验和诊断标准不一致导致的单模态成像诊断准确性不足的问题，提高膝关节运动损伤的诊断精度和效率	膝关节运动损伤，如前交叉韧带撕裂、半月板损伤、软骨损伤和骨折	计算机视觉	运动损伤	磁共振成像（MRI）、计算机断层扫描（CT）、超声（US）	CNN	图像	NA	NA	NA	敏感性, 特异性, 诊断准确率, 总体错误率	NA
520	2026-02-25	Deep Learning for Automated Prediction of Sphenoid Sinus Pneumatization in Computed Tomography 2025, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056363158250429101521 PMID:40415313	研究论文	本研究开发了一种卷积神经网络模型，用于自动预测计算机断层扫描中蝶窦气化模式	首次应用深度学习自动识别蝶窦气化变异，通过数据增强提升模型在有限和不平衡数据集上的性能	数据集规模有限（仅249张CT图像），且存在类别不平衡问题	提高经蝶窦手术的安全性，通过自动识别蝶窦气化模式辅助临床决策	蝶窦气化模式	计算机视觉	NA	计算机断层扫描	CNN	图像	249张CT图像（训练集174张，测试集75张），增强后训练集增至378张	NA	NA	准确率, AUC, 敏感性, 特异性, F1分数	NA