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
521	2026-09-18	Deep learning for automated boundary detection and segmentation in organ donation photography 2025-Sep, Innovative surgical sciences IF:1.7Q2 DOI:10.1515/iss-2024-0022 PMID:40568340	研究论文	该研究开发了用于器官捐献摄影中肾脏和肝脏自动边界检测与分割的深度学习模型	首次针对肾脏和肝脏器官捐献摄影开发了深度学习分割模型，使用迁移学习构建了Detectron2和YoloV8模型，并进行了内部验证和外部验证	摘要中未明确提及研究局限性	开发用于肾脏和肝脏器官捐献摄影的深度学习分割模型，实现准确的自动化分割	肾脏和肝脏器官捐献摄影图像	计算机视觉	NA	医学摄影图像分割	CNN	图像	训练/内部验证集：821张肾脏图像和400张肝脏图像；外部验证集：203张肾脏图像和208张肝脏图像	NA	Detectron2, YoloV8	IoU	NA
522	2026-09-18	Deep learning as a bridge between intercultural sensitivity and learning outcomes: A comparative study of English-medium instruction delivery modes in Chinese higher education 2025-Sep, Acta psychologica IF:2.1Q2 DOI:10.1016/j.actpsy.2025.105410 PMID:40834781	研究论文	本研究基于Biggs的3P模型，构建中介框架，比较了中国高校中面授与在线直播英语媒介教学（由外教授课）模式下，跨文化敏感度、深度学习与学习成果之间的关系	首次在面授和在线直播两种EMI-FT交付模式中，同时考察跨文化敏感度对深度学习及学习成果的影响，并揭示深度学习的中介作用在在线环境中更强	数据基于自我报告量表，可能存在主观偏差；样本仅来自中国南方五所高校，普适性有限	探究跨文化敏感度如何影响学生在面授与在线EMI-FT环境中的深度学习及学习成果，并比较两种交付模式的差异	中国南方五所高校的1192名学生	机器学习	NA	问卷调查	NA	文本	1192名学生	NA	NA	NA	NA
523	2026-09-18	Automated Prediction of Dental Implant Success Using a Mask Region-Based Convolutional Neural Network on Preoperative Cone-Beam Computed Tomography Scans 2025-Sep, Cureus DOI:10.7759/cureus.93378 PMID:41164056	研究论文	本研究评估了一种基于Mask R-CNN的深度学习模型，利用术前锥形束CT扫描预测单颗牙种植体的成功率，并与专家种植医生进行了比较	首次将Mask R-CNN应用于术前CBCT扫描预测牙种植体成功，并在预测准确性和可靠性上超越了专家种植医生	样本量相对较小（210颗种植体），为回顾性单中心研究，需要前瞻性多中心验证	评估深度学习模型（Mask R-CNN）利用术前CBCT扫描预测单颗牙种植体成功的能力，并与专家种植医生进行比较	190名患者的210颗单颗牙种植体	计算机视觉	牙种植体失败	锥形束CT	Mask R-CNN	图像	210颗种植体（来自190名患者），其中168颗用于训练，42颗用于测试	Keras, TensorFlow	Mask R-CNN	准确率, AUC, 敏感度, 特异度, 精确率, F1分数, Cohen's kappa	NA
524	2026-09-18	XComposition: multimodal deep learning model to measure body composition using chest radiographs and clinical data 2025-Sep, Radiology advances DOI:10.1093/radadv/umaf035 PMID:41164313	研究论文	该研究开发了一种多模态深度学习模型，利用胸部X光片和临床数据来估计身体成分指标，如皮下脂肪、内脏脂肪和骨骼肌体积。	创新点在于结合胸部X光片和易于获取的临床变量（年龄、性别、身高、体重）通过多任务多模态深度学习模型估计身体成分，无需腹部CT，便于大规模研究。	样本量相对较小（1118例患者），骨骼肌体积估计的相关系数较低（0.58），模型性能可能受限于回顾性设计和特定人群。	探索使用深度学习方法从胸部X光片和少量临床变量中估计身体成分指标。	具有同时期非对比腹部CT和正面胸部X光片的患者。	医学影像分析	心血管疾病、糖尿病、癌症	深度学习	多任务多模态深度学习模型	图像和文本	1118例患者（582名女性，538名男性），来自美国30个医疗系统，2010-2024年。	NA	NA	皮尔逊相关系数、平均绝对误差	NA
525	2026-09-18	RCAN-DDI: Relation-aware cross adversarial network for drug-drug interaction prediction 2025-Sep, Journal of pharmaceutical analysis IF:6.1Q1 DOI:10.1016/j.jpha.2024.101159 PMID:41079788	研究论文	该文章提出了一种关系感知交叉对抗网络RCAN-DDI，用于结合药物的结构特征和拓扑特征进行药物-药物相互作用预测	提出关系感知交叉对抗网络，通过交叉对抗机制充分融合药物的结构模态与拓扑模态特征，挖掘不同信息源之间的相关性与互补性，而非简单拼接或加权求和	摘要中未明确提及研究局限性	准确预测药物-药物相互作用，提升用药安全性	药物及其相互作用关系	机器学习	NA	深度学习	交叉对抗网络	药物结构数据、药物相互作用网络拓扑数据	NA	NA	关系感知结构特征学习模块、基于DDI网络的拓扑特征学习模块、交叉对抗网络	NA	NA
526	2026-09-18	drGT: Attention-Guided Gene Assessment of Drug Response Utilizing a Drug-Cell-Gene Heterogeneous Network 2025-Aug-27, ArXiv PMID:38800657	研究论文	该文提出了drGT，一种基于药物-细胞-基因异构图和注意力机制的图深度学习模型，用于预测药物敏感性并辅助生物标志物识别	利用注意力系数实现药物响应预测的可解释性，通过PubMed文献文本挖掘验证高系数基因与药物的共现关系，并结合富集分析识别药物影响的生物过程	在未见细胞系上的预测性能相对较低（AUROC为70.6%），模型可解释性部分依赖文献支持而非完全独立验证	解决药物响应预测中结果解释与已有知识对比的挑战，提升预测模型的可解释性	药物、基因、细胞系及其响应关系	机器学习	癌症	图深度学习、文本挖掘、富集分析	图神经网络	图数据、文本	976种药物（来自NCI60数据集，具有已知药物-靶点相互作用），涵盖Sanger GDSC、NCI60和Broad CTRP基准数据集中的多种药物和癌细胞系	PyTorch	异构图注意力网络	AUROC	NA
527	2026-09-18	Decoding the Functional Interactome of Non-Model Organisms with PHILHARMONIC 2025-Aug-25, bioRxiv : the preprint server for biology DOI:10.1101/2024.10.25.620267 PMID:39553947	研究论文	本文介绍了一种名为PHILHARMONIC的计算方法，结合深度学习蛋白质相互作用网络推断、无监督谱聚类和远程同源，用于非模式生物的功能发现	结合深度学习蛋白质相互作用网络推断、鲁棒的无监督谱聚类和远程同源，能够从仅有的测序蛋白质组中预测蛋白质功能、功能社区和高级网络结构，并在非模式生物中实现高精度	未明确提及，但可能依赖于蛋白质相互作用预测的准确性，且对于极端非模式生物的性能可能受限	解决非模式生物中基因功能注释的挑战，提供功能发现和生物学假设生成的通用引擎	非模式生物，包括珊瑚Acropora millepora及其共生藻Symbiodinium	机器学习	NA	深度学习, 无监督谱聚类, 远程同源	深度学习模型	蛋白质序列, 蛋白质相互作用数据, 基因表达数据, 通路数据	未明确说明具体样本数量	NA	NA	高精度，但未具体说明指标	NA
528	2026-09-18	RNAbpFlow: Base pair-augmented SE(3)-flow matching for conditional RNA 3D structure generation 2025-Aug-22, bioRxiv : the preprint server for biology DOI:10.1101/2025.01.24.634669 PMID:39896539	研究论文	提出RNAbpFlow，一种基于序列和碱基对条件化的SE(3)-等变流匹配模型，用于生成RNA三维结构集合	利用核碱基中心表示，实现全原子RNA结构的端到端生成，无需显式或隐式使用进化信息或同源结构模板；碱基对条件化带来广泛可泛化的性能提升	未明确提及局限性	解决RNA三维结构预测的挑战，生成RNA三维结构集合	RNA分子	计算生物学	NA	深度学习，流匹配	SE(3)-等变流匹配模型	序列，结构	大规模基准测试	NA	RNAbpFlow	NA	NA
529	2026-09-18	Vision Transformer Autoencoders for Unsupervised Representation Learning: Revealing Novel Genetic Associations through Learned Sparse Attention Patterns 2025-Aug-22, medRxiv : the preprint server for health sciences DOI:10.1101/2025.03.24.25324549 PMID:40196251	研究论文	设计基于视觉Transformer的自编码器，从脑部MRI中无监督学习表型，并通过GWAS发现新的遗传关联	首次使用ViT自编码器替代CNN提取脑影像表型，发现10个新基因座，其中3个与脑结构无已知关联，归因于ViT学习稀疏注意力模式捕获非局部模式	未明确说明	通过深度学习从脑影像中提取表型，进行全基因组关联分析以发现与脑结构相关的遗传位点	英国生物银行参与者的脑部MRI影像和基因型数据	计算机视觉, 机器学习, 神经影像遗传学	NA	全基因组关联分析, 脑部MRI	视觉Transformer自编码器	图像, 基因型	来自英国生物银行的参与者（具体数量未提供）	NA	视觉Transformer自编码器	NA	NA
530	2026-09-18	Identifying Sex-Specific Sub-phenotypes of Alzheimer's Disease Progression Using Longitudinal Electronic Health Records 2025-Aug-21, medRxiv : the preprint server for health sciences DOI:10.1101/2024.07.07.24310055 PMID:39040206	研究论文	该研究开发了一种时间自编码器框架，利用纵向电子健康记录数据识别阿尔茨海默病进展中性别特异性的亚表型	首次将时间自编码器框架应用于大规模纵向电子健康记录数据，识别出五个性别分层的阿尔茨海默病亚表型，揭示了女性和男性主导群体在AD发病和共病积累方面的时间动态异质性	摘要中未明确提及研究的局限性	识别阿尔茨海默病进展中性别特异性的亚表型，以深入理解AD进展中的性别异质性，并为早期风险分层、个性化干预和临床试验设计提供可扩展工具	阿尔茨海默病患者，来源于OneFlorida+临床研究联盟的纵向电子健康记录数据	机器学习	阿尔茨海默病	纵向电子健康记录分析	自编码器	文本	NA	NA	时间自编码器	NA	NA
531	2026-09-18	Antisense oligonucleotide depletion of CCDC146 is a broad-spectrum therapeutic strategy for ALS 2025-Aug-19, medRxiv : the preprint server for health sciences DOI:10.1101/2024.03.30.24305115 PMID:38633814	研究论文	该研究通过基因组深度学习分析发现CCDC146的非编码变异与ALS患者生存相关，并通过反义寡核苷酸抑制CCDC146可挽救ALS模型中的生存缺陷和病理。	首次发现CCDC146作为ALS生存的新修饰因子，并证明靶向CCDC146的反义寡核苷酸是治疗散发性和遗传性ALS的广谱策略。	未明确提及研究限制。	探究ALS的遗传机制并寻找新的治疗靶点。	ALS患者（包括散发性和家族性）、iPSC来源的运动神经元、ALS小鼠模型。	机器学习	肌萎缩侧索硬化	全基因组分析、基因组深度学习、反义寡核苷酸（ASO）、遗传编辑	深度学习	基因组数据、图像、文本	6,715名ALS患者	NA	NA	生存率、生存缺陷挽救、TDP-43病理逆转	NA
532	2026-09-18	A deep learning method for predicting interactions for intrinsically disordered regions of proteins 2025-Aug-15, bioRxiv : the preprint server for biology DOI:10.1101/2024.12.19.629373 PMID:39763873	研究论文	本文开发了一种名为Disobind的深度学习方法，通过蛋白质序列预测内在无序区域（IDR）与其结合伙伴之间的蛋白质间接触图和界面残基	Disobind考虑了结合伙伴的上下文信息，不依赖结构和多序列比对，在IDR界面预测上优于现有最先进方法及AlphaFold-multimer和AlphaFold3	未明确提及	预测内在无序蛋白质或区域（IDPs/IDRs）与其伙伴之间的相互作用界面	内在无序蛋白质或区域（IDPs/IDRs）及其结合伙伴	机器学习	NA	蛋白质语言模型	深度学习	蛋白质序列	NA	NA	ProtT5	NA	NA
533	2026-09-18	Structural Connectome Analysis using a Graph-based Deep Model for Prediction of Non-Imaging Variables 2025-Aug-14, bioRxiv : the preprint server for biology DOI:10.1101/2025.03.09.642165 PMID:40161600	研究论文	本文提出了一种基于图卷积网络（GCN）的深度模型，用于基于扩散磁共振图像衍生的结构脑连接预测非成像变量（如年龄和MMSE评分）	模型架构的创新，特别是连接注意力模块，该模块在学习脑图嵌入表示的同时提供图级注意力，并采用并行多分支GCN机制	未明确提及局限性，可能包括对特定数据集的依赖和泛化能力待验证	基于结构脑连接预测非成像变量，以增进对健康和疾病的理解	结构脑连接图（来自扩散磁共振图像），以及年龄和MMSE评分	医学图像分析	神经退行性疾病	扩散磁共振成像	图卷积网络（GCN）	图数据（脑连接图）	PREVENT-AD和OASIS3数据集，具体样本量未在摘要中说明	NA	并行多分支图卷积网络（GCN）	NA	NA
534	2026-09-18	Assessing the potential of deep learning for protein-ligand docking 2025-Aug-12, ArXiv PMID:38827451	研究论文	本文介绍了PoseBench，首个用于蛋白质-配体对接的综合基准测试，系统评估了深度学习对接和结构预测方法在预测（apo）蛋白结构对接、同时结合多个配体以及无结合口袋先验知识等场景下的表现	提出了首个全面的蛋白质-配体对接基准测试PoseBench，首次引入多配体基准数据集，系统评估了深度学习共折叠方法在apo-to-holo对接和蛋白质-配体结构预测中的行为，并揭示了这些方法在新型结合姿态、多序列比对敏感性和多配体预测中的局限性	流行方法如AlphaFold 3在面对具有新型蛋白质-配体结合姿态的预测目标时仍面临挑战；某些深度学习共折叠方法对其输入多序列比对高度敏感；深度学习方法在预测新型或多配体蛋白质目标时难以在结构准确性和化学特异性之间取得平衡	系统研究最新对接和结构预测方法在（1）使用预测（apo）蛋白结构进行对接（2）同时结合多个（辅因子）配体到给定目标蛋白（3）无结合口袋先验知识等情境下的行为，以深入理解对接方法在现实世界中的实用性	蛋白质-配体对接方法，包括深度学习共折叠方法、传统对接算法和深度学习对接基线算法；涉及的蛋白质包括apo蛋白、holo蛋白、多配体蛋白复合物	计算生物学、药物发现、蛋白质结构预测	NA	深度学习、蛋白质-配体对接、蛋白质结构预测	深度学习共折叠方法（如AlphaFold 3）	蛋白质结构数据、配体数据、多序列比对	NA	NA	AlphaFold 3及其他深度学习共折叠架构	NA	NA
535	2026-09-18	ProtoECGNet: Case-Based Interpretable Deep Learning for Multi-Label ECG Classification with Contrastive Learning 2025-Aug-12, ArXiv PMID:40395940	研究论文	提出了一种基于原型的深度学习模型ProtoECGNet，用于可解释的多标签心电图分类，并提供基于案例的解释	结合了1D CNN全局原型、2D CNN时间局部原型和2D CNN全局原型的多分支架构，并引入了一种新的对比损失函数，用于多标签学习中的原型聚类和分离	未明确提及	开发可解释且透明的深度学习模型，用于多标签心电图分类，以促进临床采纳	心电图信号	机器学习, 数字病理学	心血管疾病	心电图分类	CNN	时序信号	PTB-XL数据集的71个标签	NA	1D CNN, 2D CNN	NA	NA
536	2026-09-18	Powerful and accurate case-control analysis of spatial molecular data 2025-Aug-07, bioRxiv : the preprint server for biology DOI:10.1101/2025.02.07.637149 PMID:39975274	研究论文	本文提出了一种名为VIMA的方法，通过结合深度学习和统计方法，从空间分子数据中发现与疾病相关的空间特征。	VIMA结合了变分自编码器集成和元分析，能够灵活且精确地发现数据依赖的微环境，而不依赖于手动定义的细胞类型或空间结构。	未明确说明	开发一种强大的方法，用于空间分子数据的病例-对照分析，以识别与疾病相关的关键空间结构。	空间分子数据，包括类风湿关节炎的免疫荧光数据、溃疡性结肠炎的CODEX数据以及痴呆的空间转录组数据。	数字病理学	类风湿关节炎, 溃疡性结肠炎, 痴呆	免疫荧光显微镜, CODEX, 空间转录组学	变分自编码器	图像, 文本	未明确说明	未明确说明	变分自编码器	未明确说明	未明确说明
537	2026-09-18	An artificial intelligence-based framework for Alzheimer's disease diagnosis from magnetic resonance imaging volumes via video vision transformer 2025-Aug-06, Intelligent medicine IF:4.4Q2 DOI:10.1016/j.imed.2025.07.001 PMID:41122755	研究论文	该研究提出了一种基于视频视觉Transformer的人工智能诊断框架ViTranZheimer，通过将MRI体积视为视频序列来分析，以提高阿尔茨海默病分类的准确性	利用视频视觉Transformer（ViViT）处理MRI体积，通过将MRI切片视为视频帧来捕捉切片间的时序依赖关系，从而捕获复杂的结构关系	仅在公开数据集ADNI上评估，样本量相对较小（351例），未在其他独立数据集上验证泛化能力	开发一种先进的基于人工智能的诊断框架，利用视频视觉Transformer分析MRI，提高阿尔茨海默病分类的准确性	阿尔茨海默病患者、轻度认知障碍患者和正常对照的MRI数据	计算机视觉, 数字病理学	阿尔茨海默病, 神经退行性疾病	MRI, T1加权磁共振成像	Transformer, 视频视觉Transformer	图像（MRI体积）	351例T1加权MRI扫描（正常对照129例，轻度认知障碍145例，阿尔茨海默病77例）	NA	Video Vision Transformer (ViViT), CNN-BiLSTM, ViT-BiLSTM	准确率, 精确率, 召回率, F1分数, AUC	NA
538	2026-09-18	Carafe enables high quality in silico spectral library generation for data-independent acquisition proteomics 2025-Aug-04, bioRxiv : the preprint server for biology DOI:10.1101/2024.10.15.618504 PMID:39463980	研究论文	本文介绍了Carafe工具，它通过在DIA数据上直接训练深度学习模型来生成高质量实验特定的谱库，以提高DIA蛋白质组学分析的性能。	Carafe是首个直接在DIA数据上训练深度学习模型以生成实验特定谱库的工具，而非依赖DDA数据或DDA训练的模型。	未明确说明限制，可能包括模型泛化能力、数据依赖性等。	开发一种工具，能够从DIA数据中生成高质量的谱库，以改善DIA蛋白质组学数据的分析。	DIA质谱数据	机器学习	不适用	数据独立采集质谱	深度学习	质谱数据	未指定	不适用	未指定	碎片离子强度预测、肽段检测	未指定
539	2026-09-18	Cell-APP: A generalizable method for cell annotation and cell-segmentation model training 2025-Aug-04, bioRxiv : the preprint server for biology DOI:10.1101/2025.01.23.634498 PMID:39896521	研究论文	本文提出Cell-APP工具，利用配对透射光和核荧光图像自动注释高质量细胞分割训练数据，并训练基于视觉Transformer的细胞分割模型	Cell-APP通过可提示深度学习模型和核特征分类自动生成细胞分割训练数据，无需繁琐的手工注释，支持创建细胞系特异性和多细胞系分割模型	需要配对透射光和核荧光图像作为输入，可能依赖荧光标记的可用性	开发一种自动化方法用于细胞注释和细胞分割模型训练，以克服手工注释的瓶颈，提高模型的规模和多样性	透射光显微镜图像中的细胞，包括有丝分裂和非有丝分裂细胞	数字病理学	NA	透射光显微镜，核荧光成像，深度学习分割	视觉Transformer	图像	NA	NA	Vision Transformer	NA	NA
540	2026-09-18	Surrogate modeling of Cellular-Potts Agent-Based Models as a segmentation task using the U-Net neural network architecture 2025-Jul-27, ArXiv PMID:40386573	研究论文	本文开发了一种基于U-Net架构的卷积神经网络代理模型，用于加速Cellular-Potts模型（CPM）的仿真评估，并以血管生成机制模型为案例进行了验证	首次将Cellular-Potts Agent-Based模型的代理建模转化为图像分割任务，采用U-Net架构并考虑周期性边界条件，实现了590倍的仿真加速，同时能有效捕捉血管出芽、延伸、吻合及血管腔收缩等涌现行为	未明确讨论模型在更大空间和时间尺度上的泛化能力，也未提及训练数据的规模及模型在不同参数配置下的鲁棒性	利用深度学习代理模型加速计算昂贵的Cellular-Potts模型仿真，实现对生物过程在更大时空尺度上的快速评估	Cellular-Potts模型（CPM）及其在血管生成（vasculogenesis）研究中的应用	机器学习	心血管疾病	NA	CNN	图像	NA	NA	U-Net	NA	NA