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
641	2026-09-13	Deep learning based prediction of depression and anxiety in patients with type 2 diabetes mellitus using regional electronic health records 2025-04, International journal of medical informatics IF:3.7Q2 DOI:10.1016/j.ijmedinf.2025.105801 PMID:39889672	研究论文	使用区域电子健康记录数据开发并验证深度学习模型REDAPM，用于预测2型糖尿病患者的抑郁和焦虑	利用区域异构电子健康记录数据，结合结构化和非结构化数据，捕捉临床事件的时间依赖性，开发了REDAPM模型	外部验证性能下降（ROC-AUC从0.9029降至0.7360），表明模型泛化能力有限	开发和验证一个深度学习模型，利用区域电子健康记录数据预测2型糖尿病患者的抑郁和焦虑	2型糖尿病患者	机器学习	肺癌	NA	CNN, LSTM	文本, 结构化数据	内部验证数据集24,724名患者，外部验证数据集34,340名患者	NA	REDAPM	ROC-AUC, PR-AUC	NA
642	2026-09-13	A deep learning model for QRS delineation in organized rhythms during in-hospital cardiac arrest 2025-04, International journal of medical informatics IF:3.7Q2 DOI:10.1016/j.ijmedinf.2025.105803 PMID:39891984	研究论文	本文提出了一种基于深度学习的新模型，用于在院内心脏骤停期间对组织化心律的QRS波群进行精确 delineation	针对心脏骤停心律，传统QRS delineation算法未经过测试，本文首次引入深度学习模型（U-Net）实现精确 delineation	未明确提及	开发一种基于深度学习的模型，准确 delineate 院内心脏骤停患者组织化心律中的QRS波群	院内心脏骤停患者和血流动力学稳定患者的心电图信号	数字病理学	心血管疾病	心电图	CNN	信号	332例院内心脏骤停发作（151815个QRS波群）和105例血流动力学稳定患者（112497个QRS波群）	NA	U-Net	F1分数, 灵敏度, 特异性, 交并比, QRSon误差, QRSoff误差	NA
643	2026-09-13	Deep learning and machine learning in CT-based COPD diagnosis: Systematic review and meta-analysis 2025-04, International journal of medical informatics IF:3.7Q2 DOI:10.1016/j.ijmedinf.2025.105812 PMID:39891985	系统综述与meta分析	本研究系统综述并meta分析了基于CT图像的深度学习和机器学习模型在慢性阻塞性肺疾病（COPD）诊断中的性能	首次对基于CT的COPD人工智能诊断模型进行系统综述和meta分析，定量评估了深度学习与机器学习模型的诊断效能，并探讨了多实例学习机制对深度学习模型性能的影响	纳入研究间存在异质性，部分研究未报告或无法计算完整的统计指标，仅15项研究纳入meta分析，多实例学习机制的增益未达到统计学显著性	定量分析人工智能模型在COPD患者CT图像中的诊断性能，促进相关研究发展	COPD患者的CT图像及基于此的AI诊断模型	医学影像分析	慢性阻塞性肺疾病	CT影像	CNN, 机器学习	图像	22项研究符合纳入标准，其中15项纳入meta分析，共涉及22,817名患者	NA	NA	灵敏度, 特异度, 曲线下面积（AUC）, 汇总受试者工作特征曲线（SROC）	NA
644	2026-09-13	An interpretable hybrid machine learning approach for predicting three-month unfavorable outcomes in patients with acute ischemic stroke 2025-04, International journal of medical informatics IF:3.7Q2 DOI:10.1016/j.ijmedinf.2025.105807 PMID:39923294	研究论文	该研究开发了一种可解释的混合机器学习模型，利用30个易于获取的临床变量，预测急性缺血性卒中患者三个月的不良结局	采用25种模型和14种评估指标的聚类分析策略进行客观模型筛选；结合XGBoost与CatBoost的集成建模并通过代价曲线调整决策阈值；利用SHAP图提供特征重要性和交互效应的可视化解释；构建了面向AIS患者三个月预后预测的实用平台	摘要中未明确提及研究的局限性	开发可解释的混合机器学习模型，准确预测急性缺血性卒中患者三个月的不良结局	急性缺血性卒中患者	机器学习	卒中	NA	XGBoost, CatBoost, 集成学习	表格数据（临床数据）	训练集731例，内部验证集1045例中不良结局389例，外部验证集411例中不良结局161例	NA	XGBoost, CatBoost	PRAUC, ROCAUC, 特异性, 平衡准确率, MCC	NA
645	2026-09-13	SpaMask: Dual masking graph autoencoder with contrastive learning for spatial transcriptomics 2025-04, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1012881 PMID:40179332	研究论文	提出SpaMask，一种双掩码图自编码器与对比学习相结合的方法，用于空间转录组数据分析中的空间域识别。	首次在空间转录组分析中同时采用节点掩码和边掩码的双重掩码机制，结合掩码图自编码器与掩码图对比学习，增强了模型对高稀疏数据的鲁棒性和聚类准确性。	未明确说明计算资源需求，且仅在八套数据集上验证，泛化性有待进一步评估。	解决空间转录组数据高稀疏性导致的图深度学习模型不稳定的问题，提升空间域识别的准确性和鲁棒性。	空间转录组数据中的斑点节点及其空间邻接关系。	机器学习	NA	空间转录组学	图自编码器, 对比学习	空间转录组数据	来自五个不同平台的八个数据集	NA	掩码图自编码器, 掩码图对比学习	聚类准确率, 批次校正效果	NA
646	2026-09-13	Cleavage-stage embryo segmentation using SAM-based dual branch pipeline: development and evaluation with the CleavageEmbryo dataset 2025-03-29, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae617 PMID:39423150	研究论文	本文提出了一种基于SAM的双分支分割流程，用于自动分割卵裂期胚胎中的卵裂球和碎片，并构建了首个具有像素级标注的CleavageEmbryo数据集	提出了基于SAM的双分支分割流程，分别进行卵裂球的实例分割和碎片的语义分割；构建了首个包含碎片信息、像素级标注的人类卵裂期胚胎数据集CleavageEmbryo	未明确提及	开发自动化方法分割卵裂期胚胎，以改进体外受精中的胚胎选择过程	人类卵裂期胚胎	医学图像分割	不孕不育	NA	SAM	图像	NA	NA	SAM	mAP, Dice	NA
647	2026-09-13	SP-DTI: subpocket-informed transformer for drug-target interaction prediction 2025-03-04, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf011 PMID:39798127	研究论文	提出了一种基于子口袋信息的Transformer模型SP-DTI，用于药物-靶点相互作用预测，通过整合预训练语言模型和图神经网络提升泛化能力。	利用CAVIAR进行子口袋分析，结合全局和局部相互作用建模；将预训练语言模型集成到图神经网络中编码药物和蛋白质，增强对未标记数据的泛化能力。	未明确说明模型的计算复杂度、对大规模数据的可扩展性以及在其他类型靶点上的泛化能力。	提高药物-靶点相互作用预测的准确性和泛化能力，特别是在未见过的蛋白质和跨域设置下。	药物化合物和蛋白质靶点。	机器学习	NA	子口袋分析、预训练语言模型、图神经网络	Transformer、图神经网络	图数据、文本数据	NA	NA	Transformer、图神经网络	AUC	NA
648	2026-09-13	MetAssimulo 2.0: a web app for simulating realistic 1D and 2D metabolomic 1H NMR spectra 2025-03-04, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf045 PMID:39862393	研究论文	本文介绍了MetAssimulo 2.0，一个基于Python的网页应用，用于模拟真实的1D和2D代谢组学1H NMR谱图	将MetAssimulo 1.0升级为基于Python的网页应用；将模拟功能从人类尿液1D 1H谱图扩展到尿液、血液和脑脊液；通过引入广泛的蛋白质背景增强血液谱图的真实性，与真实血液谱图的Pearson相关性达到约0.82；新增2D J分辨谱和相关谱的模拟能力；支持模拟单个和成组的谱图，涵盖离散和连续结果变量，并包含代谢物间相关性	NA	开发一个能够模拟真实1D和2D代谢组学1H NMR谱图的工具，以解决标记谱图数据有限的问题，支持深度学习算法的开发	人类尿液、血液和脑脊液的代谢组学1H NMR谱图	机器学习	NA	NMR波谱模拟	NA	谱图数据	NA	NA	NA	Pearson相关系数	NA
649	2026-09-13	DeepES: deep learning-based enzyme screening to identify orphan enzyme genes 2025-03-04, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf053 PMID:39909853	研究论文	开发了一种基于深度学习的酶筛选工具DeepES，用于识别孤儿酶基因，并应用于宏基因组组装基因组中	首次利用深度学习整合多个二元分类器的输出，针对生物合成基因簇和反应类别进行孤儿酶基因的筛选	未在摘要中明确提及	识别孤儿酶基因，填补序列与酶促反应之间关联的空白	蛋白质序列、孤儿酶、生物合成基因簇、宏基因组组装基因组	机器学习	NA	深度学习，宏基因组组装	CNN	蛋白质序列	4744个宏基因组组装基因组	PyTorch	ResNet	准确率	NA
650	2026-09-13	APNet, an explainable sparse deep learning model to discover differentially active drivers of severe COVID-19 2025-03-04, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf063 PMID:39921901	研究论文	本文介绍了一种可解释的稀疏深度学习模型APNet，用于发现严重COVID-19的差异活性驱动因素	结合了基于SJARACNe共表达网络的差异活性分析和PASNet（一种生物学信息稀疏深度学习模型），实现了可解释的预测，并构建了驱动基因-通路网络以辅助结果解释和假设生成	摘要中未明确提及局限性	通过计算分析揭示与不良临床结果相关的分子、细胞表型和信号模式，以预测COVID-19严重程度并发现驱动因素	COVID-19患者	机器学习	COVID-19	蛋白质组学分析	稀疏深度学习	蛋白质组学数据	三个COVID-19蛋白质组学数据集	NA	PASNet	分类性能	NA
651	2026-09-13	Sul-BertGRU: an ensemble deep learning method integrating information entropy-enhanced BERT and directional multi-GRU for S-sulfhydration sites prediction 2025-03-04, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf078 PMID:39977366	研究论文	本文提出了一种名为Sul-BertGRU的集成深度学习方法，通过结合信息熵增强的BERT和多方向GRU来预测蛋白质S-硫化位点	提出了信息熵增强的BERT（IE-BERT）预处理蛋白质序列，采用置信学习筛选可靠负样本，并构建多方向GRU捕捉以半胱氨酸为中心的左、右和全长序列的方向性特征，同时结合并行多头自注意力和卷积神经网络进行深度特征分析	摘要中未明确提及局限性	准确识别蛋白质S-硫化位点，以促进细胞生物学研究及心血管和神经系统疾病的理解	蛋白质序列中的S-硫化位点	机器学习	心血管疾病	深度学习	BERT, GRU, CNN	蛋白质序列文本	NA	PyTorch	BERT, 多方向GRU, 多头自注意力, CNN	敏感度, 特异度, 精确率, 准确率, 马修斯相关系数, AUC	NA
652	2026-09-13	CryoTEN: efficiently enhancing cryo-EM density maps using transformers 2025-03-04, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf092 PMID:40036588	研究论文	该文章提出了一种名为CryoTEN的3D UNETR++风格Transformer模型，用于高效增强冷冻电镜密度图的质量	CryoTEN采用3D UNETR++风格的Transformer架构，在提高冷冻电镜密度图质量方面排名第二，但运行速度比现有最先进的深度学习方法快10倍以上，且所需GPU内存大大减少	未明确提及	有效改善冷冻电镜密度图的质量，以便从中构建更好的蛋白质结构	冷冻电镜密度图	计算机视觉	NA	冷冻电镜	Transformer	图像	1295个冷冻电镜密度图用于训练，150个独立测试集用于评估	NA	3D UNETR++	密度图质量提升程度、运行速度、GPU内存使用	NA
653	2026-09-13	actifpTM: a refined confidence metric of AlphaFold2 predictions involving flexible regions 2025-03-04, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf107 PMID:40080667	研究论文	本文提出了一种改进的AlphaFold2预测置信度指标actifpTM，用于更稳健地评估涉及柔性区域的蛋白质-蛋白质相互作用界面	提出了actifpTM指标，改进了原始ipTM的不足，聚焦于实际参与相互作用的残基而非全部残基对，使得对于侧翼区域长度不同但核心相互作用相同的模型能够获得更一致的置信度评估；同时actifpTM可分别计算全复合物和各链对的置信度，特别适用于评估多链复合物中关键结合界面	未在摘要中明确说明	改进AlphaFold2中ipTM置信度指标，使其在存在柔性侧翼区域时仍能准确评估蛋白质-蛋白质相互作用界面的置信度	蛋白质-蛋白质相互作用复合物结构预测，特别是涉及柔性区域的相互作用（如基序介导的相互作用和抗体-抗原相互作用）	机器学习	NA	深度学习蛋白质结构预测	AlphaFold2	蛋白质结构数据	NA	NA	AlphaFold2	ipTM, actifpTM	NA
654	2026-09-13	Reducing reading time and assessing disease in capsule endoscopy videos: A deep learning approach 2025-03, International journal of medical informatics IF:3.7Q2 DOI:10.1016/j.ijmedinf.2025.105792 PMID:39817978	研究论文	本文研究了一种基于深度学习的计算机辅助诊断方法，通过预训练的卷积神经网络对胶囊内镜视频中的异常帧进行分类，生成显著缩短的摘要视频以加速视频分析	提出了一种生成显著缩短的胶囊内镜摘要视频的方法，该视频包含医生在原视频中识别的所有异常，平均包含93.33%的异常，同时将播放时间从58分钟减少到10分钟	在测试数据集上，摘要视频平均仅包含93.33%的异常，可能遗漏部分异常；研究仅基于八段视频，样本量有限	研究计算机辅助诊断方法加速胶囊内镜视频分析的可行性，旨在生成一个显著缩小的胶囊内镜视频，其中包含所有异常	胶囊内镜视频	计算机视觉	胃肠道疾病	胶囊内镜	CNN	图像	八段胶囊内镜视频，使用五种胶囊内镜类型捕获，显示多种异常	NA	NA	异常包含率	NA
655	2026-09-13	Anticancer drug response prediction integrating multi-omics pathway-based difference features and multiple deep learning techniques 2025-03, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1012905 PMID:40163555	研究论文	提出了一种整合多组学通路差异特征和多种深度学习技术的抗癌药物反应预测模型PASO	利用通路内外的基因表达、突变和拷贝数变异差异作为细胞系特征，结合药物SMILES表示，并融合Transformer编码器、多尺度卷积网络和注意力机制来预测药物敏感性	未明确提及	实现个体化癌症药物敏感性预测，并理解个体间药物反应差异	癌细胞系和抗癌药物	机器学习	肺癌	多组学数据分析	Transformer, CNN, 注意力机制, MLP	多组学数据, 化学结构数据	未明确提及	NA	Transformer, 多尺度卷积网络, 注意力网络, MLP	准确率	NA
656	2026-09-13	Deep learning-based organ-wise dosimetry of 64Cu-DOTA-rituximab through only one scanning 2025-02-15, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-88498-z PMID:39955298	研究论文	本研究旨在通过深度学习从早期扫描的PET图像生成延迟的64Cu-DOTA-rituximab图像，以减轻剂量估算的负担	使用基于生成对抗网络的配对图像到图像翻译模型，从早期PET图像生成延迟图像，用于器官剂量学	对于与身体清除相关的器官，吸收剂量的预测相对不准确	减少放射性药物剂量估算的不便和成本	六名恶性肿瘤患者	医学影像分析	恶性肿瘤	正电子发射断层扫描（PET）	生成对抗网络	图像	6名患者	NA	生成对抗网络	图像相似度	NA
657	2026-09-13	Classification patterns identification of immunogenic cell death-related genes in heart failure based on deep learning 2025-02-15, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-89333-1 PMID:39955386	研究论文	该研究利用深度学习编码器模型基于免疫原性细胞死亡相关基因对心力衰竭进行聚类分型，识别诊断相关基因并构建列线图模型，同时探索免疫浸润和基因调控互作	首次将免疫原性细胞死亡相关基因与深度学习编码器模型相结合用于心力衰竭分型，并通过差异表达基因细化亚型，同时识别诊断相关基因并构建列线图模型，诊断模型AUC超过0.99	摘要中未明确提及研究的局限性	改善心力衰竭亚型分类，识别潜在药物靶点，并应用深度学习模型增强心力衰竭分类及识别诊断相关基因	心力衰竭患者及其免疫原性细胞死亡相关基因	机器学习	心血管疾病	NA	NA	基因表达数据	NA	NA	NA	AUC	NA
658	2026-09-13	An explainable and accurate transformer-based deep learning model for wheeze classification utilizing real-world pediatric data 2025-02-15, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-89533-9 PMID:39955399	研究论文	本文开发了一种基于Transformer的深度学习模型，利用真实儿科数据对喘息声进行分类	将Audio Spectrogram Transformer模型应用于真实临床儿科呼吸音数据，并使用Score-CAM可视化分类过程	样本量较小，仅包括194个喘息音和531个其他呼吸音	开发准确且可解释的深度学习模型，用于儿科呼吸音中喘息声的分类	2019至2020年访问韩国两所大学医院儿科部门的儿童	数字病理学	儿科呼吸疾病	听诊	Transformer	音频	725个呼吸音样本（194个喘息音，531个其他呼吸音）	NA	Audio Spectrogram Transformer	准确率, AUC, 精确率, 召回率, F1分数	NA
659	2026-09-13	Functional profiling of the sequence stockpile: a protein pair-based assessment of in silico prediction tools 2025-02-04, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf035 PMID:39854283	研究论文	本文通过基于蛋白质对的功能相似性评估方法，系统评估了现有多种蛋白质功能预测工具在预测非 homologous 蛋白质分子功能方面的表现与局限	提出将功能预测评估转化为蛋白质对功能相似性评估的新策略，突破了传统功能注释词汇表的限制，可跨本体评估不同注释方法，并揭示了深度学习工具在捕获蛋白质序列功能信号方面的不足	缺乏真正的“ground truth”功能注释，评估依赖于蛋白质对的功能相似性间接推断，可能无法完全反映实际功能预测的准确性	探究现有蛋白质功能预测方法在预测与已知蛋白质家族非同源或远缘蛋白质分子功能方面的潜力和局限性	数千个与已知功能注释序列非同源或远缘的蛋白质	机器学习	NA	计算机模拟功能注释、蛋白质序列分析	深度学习模型	蛋白质序列数据	数千个蛋白质	NA	NA	功能相似性、预测准确性	NA
660	2026-09-13	ParaSurf: a surface-based deep learning approach for paratope-antigen interaction prediction 2025-02-04, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf062 PMID:39921885	研究论文	提出了一种基于表面的深度学习模型ParaSurf，用于预测抗体paratope与抗原的相互作用，在三个基准数据集上取得了最先进的结果。	结合表面几何和非几何因素进行paratope预测，且能够预测整个Fab区域的结合分数，而不仅限于可变区。	未明确提及	提高抗体paratope预测的准确性，以加速疫苗和治疗性抗体的开发。	抗体-抗原相互作用，特别是paratope结合位点	计算生物学	NA	深度学习	深度学习模型	蛋白质结构数据	三个抗体-抗原基准数据集	NA	NA	多种评估指标（未具体列出）	NA