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
661	2026-04-18	Deep Learning-Based Generation of DSC MRI Parameter Maps Using Dynamic Contrast-Enhanced MRI Data 2025-Oct-01, AJNR. American journal of neuroradiology DOI:10.3174/ajnr.A8768 PMID:40194853	研究论文	本研究开发了一种基于条件生成对抗网络的方法，从动态对比增强MRI数据合成DSC MRI参数图	首次利用cGAN从DCE MRI数据生成DSC参数图，避免了重复注射造影剂，并能在易感伪影区域可视化	样本量较小（64名参与者），且仅针对脑肿瘤患者进行了验证，未在其他疾病或更大队列中测试	开发深度学习方法来从DCE MRI数据合成DSC MRI参数图，以减少造影剂使用	脑肿瘤患者及无脑肿瘤的对照组参与者	医学影像分析	脑肿瘤	DSC MRI, DCE MRI	cGAN	MRI图像	64名参与者（包括脑肿瘤患者和对照组）	NA	条件生成对抗网络	线性回归, Bland-Altman图	NA
662	2026-04-18	Using Deep Learning to Choose Optimal Smoothing Values for Equating 2025-Aug-23, Applied psychological measurement IF:1.0Q3 DOI:10.1177/01466216251363244 PMID:40881830	研究论文	本研究利用深度学习自动选择等值中的最优平滑值，通过训练卷积神经网络分析人类分类的后平滑图，并与人工选择进行比较	首次将深度学习（特别是卷积神经网络）应用于心理测量等值中的平滑值选择，自动化了传统依赖人工视觉判断的过程	人类与训练网络的一致性率为71%，表明仍有提升空间，且研究可能受限于训练数据的质量和数量	自动化心理测量等值过程中最优平滑值的选择，提高效率和一致性	等值过程中的后平滑图（图像数据）	机器学习	NA	深度学习，图像分类	CNN	图像	使用人类分类的后平滑图进行训练，具体样本数量未明确说明	NA	卷积神经网络	一致性率（agreement rate）	NA
663	2026-04-18	Development and application of deep learning-based diagnostics for pathologic diagnosis of gastric endoscopic submucosal dissection specimens 2025-07, Gastric cancer : official journal of the International Gastric Cancer Association and the Japanese Gastric Cancer Association IF:6.0Q1 DOI:10.1007/s10120-025-01612-y PMID:40232558	研究论文	本研究开发并评估了一种用于胃内镜黏膜下剥离术标本病理诊断的深度学习模型	首次开发了针对胃ESD标本的深度学习模型，用于肿瘤和黏膜肌层的组织分割以及肿瘤和黏膜下浸润的检测，并显著减少了病理医生的诊断时间	研究样本量相对有限（366个ESD标本），且仅针对腺癌，未涵盖其他类型的胃癌	开发并评估一种深度学习模型，以辅助胃内镜黏膜下剥离术标本的准确病理诊断	胃内镜黏膜下剥离术标本的整张切片图像	数字病理学	胃癌	整张切片成像	深度学习模型	图像	366个ESD标本，包含2257个标注的兴趣区域和83,839个补丁图像	NA	NA	Dice系数, AUROC, 特异性, 敏感性	NA
664	2026-04-18	Fetal Sleep: A Cross-Species Review of Physiology, Measurement, and Classification 2025-Jun-27, ArXiv PMID:41019222	综述	本文综述了胎儿睡眠的生理特征、测量方法和分类技术，并探讨了宫内条件如缺氧和生长受限对胎儿睡眠的影响	综合了八十多年的研究，比较了人类与大型动物模型的睡眠模式，并评估了基于规则和深度学习的分类方法	NA	为开发客观、多模态、非侵入性的胎儿睡眠监测技术提供基础，以支持产前护理的早期诊断和干预	胎儿睡眠模式，包括人类和大型动物模型	自然语言处理	老年疾病	NA	深度学习	NA	NA	NA	NA	NA	NA
665	2026-04-18	Identifying kinematic biomarkers of the dystrophic phenotype in a zebrafish model of Duchenne muscular dystrophy 2025-Jun-20, Skeletal muscle IF:5.3Q2 DOI:10.1186/s13395-025-00382-6 PMID:40542412	研究论文	本研究使用高速摄像和基于深度学习的无标记运动捕捉技术，量化了杜氏肌营养不良症斑马鱼模型的逃逸反应游泳运动学，以识别表型生物标志物	首次将无标记运动捕捉与机器学习模型结合，精确量化斑马鱼逃逸反应运动学，识别出区分突变与野生型幼虫的关键生物标志物，并揭示了运动障碍的潜在机制	研究仅针对两种斑马鱼突变株（sapje和sapje-like），样本范围有限；方法依赖于高速摄像设备，可能增加实验成本	开发高分辨率、低变异性的方法，以评估杜氏肌营养不良症斑马鱼模型的运动能力，并识别表型生物标志物	杜氏肌营养不良症斑马鱼模型（sapje和sapje-like突变株）的幼虫	计算机视觉	杜氏肌营养不良症	高速摄像，无标记运动捕捉	随机森林，支持向量机	视频	两种斑马鱼突变株（sapje和sapje-like）的幼虫，具体数量未在摘要中明确	NA	NA	效应大小（标准偏差）	NA
666	2026-04-18	FetDTIAlign: A deep learning framework for affine and deformable registration of fetal brain dMRI 2025-May-01, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2025.121190 PMID:40221066	研究论文	本文提出了一种名为FetDTIAlign的深度学习框架，专门用于胎儿脑扩散磁共振成像（dMRI）的仿射和非刚性配准	提出了一种新颖的双编码器架构和基于特征的迭代推理机制，有效降低了噪声和低分辨率的影响，并针对仿射和非刚性配准的不同挑战，策略性地采用了不同的网络配置和领域特异性图像特征	未明确说明模型在更广泛胎龄范围或不同病理条件下的泛化能力	开发一种适用于胎儿脑dMRI的精确空间配准方法，以支持纵向和横断面神经发育研究	胎儿脑扩散磁共振成像（dMRI）数据	医学图像处理	神经发育	扩散磁共振成像（dMRI）	深度学习	医学图像（扩散磁共振成像）	涵盖胎龄23至36周的胎儿脑dMRI数据集，包含60个白质束	未明确说明	双编码器架构	解剖对应性，视觉对齐效果	NA
667	2026-04-18	Interpretable deep learning for deconvolutional analysis of neural signals 2025-Apr-16, Neuron IF:14.7Q1 DOI:10.1016/j.neuron.2025.02.006 PMID:40081364	研究论文	本文提出了一种可解释的深度学习方法DUNL，用于神经信号的解卷积分析，通过算法展开设计稀疏解卷积神经网络架构，并直接解释网络权重与刺激驱动的单神经元活动之间的关系	首次将算法展开方法应用于神经信号解卷积，设计可解释的稀疏解卷积神经网络，直接关联网络权重与神经元活动，提供对神经活动的机制性理解	未明确说明方法在更复杂神经场景或大规模数据集上的泛化能力，以及计算效率的具体评估	开发可解释的深度学习方法以分析神经信号，揭示神经活动与刺激之间的机制性联系	多个脑区的神经信号，包括中脑多巴胺神经元、躯体感觉丘脑、梨状皮层和纹状体	机器学习	NA	神经信号记录	稀疏解卷积神经网络	神经信号数据	NA	NA	基于算法展开的稀疏解卷积神经网络	NA	NA
668	2026-04-18	Throw out an oligopeptide to catch a protein: Deep learning and natural language processing-screened tripeptide PSP promotes Osteolectin-mediated vascularized bone regeneration 2025-Apr, Bioactive materials IF:18.0Q1 DOI:10.1016/j.bioactmat.2024.11.011 PMID:39734571	研究论文	本研究结合深度学习和自然语言处理技术，从蛋白质的无序区域中筛选出具有促血管生成和成骨活性的三肽PSP，并验证其在促进血管化骨再生中的作用机制	首次提出结合深度学习和自然语言处理的复合模型算法，用于从蛋白质无序区域中筛选生物活性肽；发现三肽PSP可作为“启动”剂，通过激活Osteolectin产生和细胞外囊泡释放来促进血管化骨再生	研究主要基于小鼠颅骨缺损模型，临床转化潜力尚需进一步验证；筛选的蛋白质数据集（262个相关蛋白）规模有限	开发更安全高效的促血管生成治疗替代方案，以促进骨再生	蛋白质无序区域中的生物活性肽、内皮细胞、骨髓间充质干细胞、小鼠颅骨缺损模型	自然语言处理, 机器学习	骨缺损	深度学习, 自然语言处理, 生物信息学筛选	深度学习模型, 自然语言处理模型	蛋白质序列数据, 文本数据（文献信息）, 实验数据	262个相关蛋白质的无序区域	NA	NA	NA	NA
669	2026-04-18	Analyzing heterogeneity in Alzheimer disease using multimodal normative modeling on imaging-based ATN biomarkers 2025-Apr, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz.70143 PMID:40235115	研究论文	本研究采用基于深度学习的多模态规范建模框架，分析阿尔茨海默病（AD）患者中基于成像的ATN（淀粉样蛋白-τ蛋白-神经变性）生物标志物的个体水平异质性	首次将深度学习驱动的多模态规范建模应用于ATN成像生物标志物，以量化AD的个体异质性，并开发了结合空间范围和异常偏差幅度的个体疾病严重程度指数（DSI）	研究依赖于横断面数据，未评估纵向变化；样本量相对有限（发现队列n=665，复制队列n=430），且仅基于成像生物标志物，未整合其他临床或分子数据	探究阿尔茨海默病在成像生物标志物上的异质性，并开发个体化疾病严重程度评估指标	阿尔茨海默病患者及淀粉样蛋白阴性对照个体	数字病理学	阿尔茨海默病	T1加权磁共振成像（MRI）、淀粉样蛋白正电子发射断层扫描（PET）、τ蛋白正电子发射断层扫描（PET）	深度学习	图像	发现队列665人，复制队列430人	NA	NA	疾病严重程度指数（DSI）	NA
670	2026-04-18	Characterizing multivariate regional hubs for schizophrenia classification, sex differences, and brain age estimation using explainable AI 2025-Mar-04, medRxiv : the preprint server for health sciences DOI:10.1101/2025.02.28.25323105 PMID:40093221	研究论文	本研究利用结构MRI、人口统计学数据和可解释人工智能，探讨了精神分裂症分类、性别差异和脑年龄预测中的多变量区域模式	整合深度学习模型与SHAP可解释性方法，识别精神分裂症、性别差异和脑年龄相关的个性化多变量脑区模式	未明确提及样本量限制、模型泛化能力或外部验证结果	研究精神分裂症分类、性别差异和脑年龄预测中的多变量脑区模式	精神分裂症患者和健康对照者的结构MRI数据及人口统计学信息	医学影像分析	精神分裂症	结构MRI	深度学习神经网络, 支持向量机, k近邻, Lasso回归, 岭回归, 支持向量回归	图像, 人口统计学数据	NA	NA	NA	NA	NA
671	2026-04-18	Noncoding variants and sulcal patterns in congenital heart disease: Machine learning to predict functional impact 2025-Feb-21, iScience IF:4.6Q1 DOI:10.1016/j.isci.2024.111707 PMID:39877905	研究论文	本研究利用深度学习模型预测非编码变异对基因调控信号的影响，并探讨其与先天性心脏病患者脑沟模式的关联	首次将深度学习模型应用于预测非编码变异对H3K9me2修饰的影响，并揭示其与先天性心脏病患者右侧顶叶脑沟模式的关联	研究样本仅限于先天性心脏病患者，未考虑其他混杂因素对脑沟模式的影响	探究非编码变异对先天性心脏病患者脑沟模式的影响机制	先天性心脏病患者及无先天性心脏病的对照人群	机器学习	先天性心脏病	深度学习	深度学习模型	基因变异数据、脑沟模式数据	先天性心脏病患者队列及无先天性心脏病的对照队列	NA	NA	NA	NA
672	2026-04-17	Multiplex design and discovery of proximity handles for programmable proteome editing 2025-Oct-13, bioRxiv : the preprint server for biology DOI:10.1101/2025.10.13.681693 PMID:41279570	研究论文	本文通过结合蛋白质设计与多重筛选框架，加速发现用于细胞内蛋白质降解、稳定化或重定位的效应器手柄，以推动可编程蛋白质组编辑	开发了LABEL-seq测序分析平台，实现了对9715个设计的候选效应器手柄的多重定量筛选，并成功发现了数百个能驱动蛋白质降解或稳定化的效应器手柄，为蛋白质组编辑提供了新工具	研究主要基于设计的候选效应器手柄进行筛选，可能未覆盖所有天然存在的效应器；且验证主要针对报告蛋白和特定内源性靶点，通用性需进一步验证	开发一种可扩展、低成本的平台，通过深度学习引导的蛋白质设计结合功能细胞读数，加速发现用于可编程蛋白质组编辑的效应器手柄	设计的候选效应器手柄，用于招募靶蛋白至泛素-蛋白酶体系统或自噬通路组件	蛋白质组学	NA	LABEL-seq测序分析，蛋白质设计，多重筛选	深度学习	测序数据，蛋白质丰度数据	9715个设计的候选效应器手柄	NA	NA	蛋白质丰度变化，降解或稳定化效率	NA
673	2026-04-17	Deep learning-based cell type profiles reveal signatures of Alzheimer's disease resilience and resistance 2025-Oct-03, Brain : a journal of neurology IF:10.6Q1 DOI:10.1093/brain/awaf285 PMID:40794555	研究论文	本文应用基于Transformer的深度学习模型从批量RNA测序数据中恢复细胞类型特异性转录程序，以研究阿尔茨海默病的认知韧性和脑抵抗性	开发了一种Transformer模型，能够从批量RNA测序中恢复细胞类型特异性转录程序，显著优于先前方法，为大规模、成本效益高的细胞类型特异性研究提供了新框架	模型依赖于批量RNA测序数据，可能受限于其分辨率和覆盖度，且未详细讨论技术复杂性和成本降低的具体量化	揭示阿尔茨海默病韧性和抵抗性的细胞类型特异性机制，并识别潜在治疗靶点	阿尔茨海默病患者的脑组织样本，重点关注细胞类型如星形胶质细胞、兴奋性神经元和少突胶质细胞祖细胞	机器学习	阿尔茨海默病	批量RNA测序，单核技术	Transformer	RNA测序数据	NA	NA	Transformer	NA	NA
674	2026-04-17	Simulating a Specialist's Treatment Experience for Hypertension Using Deep Neural Networks 2025-10, Journal of clinical hypertension (Greenwich, Conn.) DOI:10.1111/jch.70173 PMID:41163326	研究论文	本研究开发并验证了一个深度学习模型，用于模拟高血压专家的处方模式并预测后续生理反应	设计了一个双模块深度神经网络框架，同时预测最佳药物处方和次日血压及心率，并采用多目标方法捕捉药物选择与生理结果之间的关系	本研究为概念验证性研究，基于单中心数据集，未来需要多中心合作和更大数据集来验证该方法在临床决策支持中的适用性	开发能够模拟高血压专家治疗决策并预测生理反应的深度学习模型，以辅助标准化治疗并减少决策差异	高血压患者的治疗决策和生理反应	机器学习	心血管疾病	临床试验数据	DNN	结构化临床数据	NA	NA	双模块深度神经网络	平均绝对误差, 误差方差, 平均相对误差	NA
675	2026-04-17	BiU-Net: A Biologically Informed U-Net for Genotype Imputation 2025-Aug-26, Research square DOI:10.21203/rs.3.rs-6797863/v1 PMID:40909775	研究论文	提出一种名为BiU-Net的生物信息学启发的U-Net模型，用于基因型插补，以解决缺失基因型在复杂区域和小数据集中的问题	BiU-Net通过分割基因型数据并编码位置信息来保留基因组上下文，从而在整体指标和按次要等位基因频率分层的指标上优于现有方法	NA	开发一种参考自由的深度学习模型，以改进基因型插补，特别是在复杂区域和种群不匹配的情况下	基因型数据	机器学习	NA	基因型插补	U-Net	基因型数据	涉及1000 Genomes Project、Louisiana Osteoporosis Study和Simons Genome Diversity Project数据集	NA	U-Net	整体指标和按次要等位基因频率分层的指标	NA
676	2026-04-17	Deep learning for fetal inflammatory response diagnosis in the umbilical cord 2025-Jun-26, Placenta IF:3.0Q2 DOI:10.1016/j.placenta.2025.04.013 PMID:40294507	研究论文	本研究利用深度学习技术，基于脐带组织全切片图像（WSI）进行胎儿炎症反应（FIR）的诊断分类	首次将注意力机制的全切片学习模型应用于脐带组织病理图像的FIR诊断，并比较了基于非医学图像（ImageNet）预训练模型与基于组织病理学图像（UNI）预训练模型的性能差异	模型在FIR 1病例中的注意力分配存在不一致性（部分模型关注脐血管，部分关注沃顿胶质），可能影响诊断解释的稳定性	开发一种基于深度学习的自动化诊断工具，以辅助病理学家诊断脐带组织中的胎儿炎症反应，减少观察者间差异	脐带组织病理切片图像	数字病理学	胎儿炎症反应综合征	H&E染色组织病理学成像	深度学习, 注意力机制模型	全切片图像（WSI）	4100张脐带组织H&E染色病理切片	未明确指定（可能为PyTorch或TensorFlow）	ConvNeXtXLarge, UNI（基于组织病理学预训练的模型）	平衡准确度	NA
677	2026-04-17	Rural Medical Centers Struggle to Produce Well-Calibrated Clinical Prediction Models: Data Augmentation Can Help 2025-Jun-17, medRxiv : the preprint server for health sciences DOI:10.1101/2025.06.16.25329699 PMID:40585177	研究论文	本文探讨了农村医疗中心在临床预测模型校准方面的挑战，并评估了合成数据生成（SDG）在增强本地数据量以改善模型性能方面的效用	通过实证和模拟研究，揭示了农村医疗中心因患者数据量不足导致模型校准困难的问题，并验证了深度学习驱动的合成数据生成方法在提升本地分类器性能方面的有效性	研究可能未涵盖所有农村医疗场景，且合成数据生成方法的泛化能力在不同疾病或任务中需进一步验证	评估农村医疗中心在临床预测模型本地化校准中的挑战，并探索合成数据生成作为数据增强解决方案的潜力	真实医院网络中的30天非计划再入院预测数据，以及多站点ICU数据集	机器学习	NA	合成数据生成（SDG）	深度学习	临床数据	涉及真实医院网络和多站点ICU数据集，具体样本量未明确说明	NA	NA	模型校准度，分类器性能	NA
678	2026-04-17	A deep learning-based, real-time image report system for linear EUS 2025-06, Gastrointestinal endoscopy IF:6.7Q1 DOI:10.1016/j.gie.2024.10.030 PMID:39427992	研究论文	本研究开发了一种基于深度学习的EUS自动图像报告系统，用于实时捕获高质量胆胰EUS图像	首次开发了基于深度学习的实时EUS自动图像报告系统，实现了标准站点、病变和穿刺过程的自动拍照记录	研究样本量相对有限，且仅在一家医院进行前瞻性测试，需要更多外部验证	提高EUS检查中图像采集的完整性和质量，减少不同内镜医师之间的报告差异	胆胰EUS检查中的图像采集过程	计算机视觉	胆胰疾病	线性EUS	深度学习模型	图像	235,784张图像用于训练和测试，114名患者用于前瞻性测试	NA	NA	完整性百分比, 置信区间, P值	NA
679	2026-04-17	Hybrid CNN and random forest model with late fusion for detection of autism spectrum disorder in Toddlers 2025-Jun, MethodsX IF:1.6Q2 DOI:10.1016/j.mex.2025.103278 PMID:40236798	研究论文	本研究提出了一种结合VGG16预训练深度CNN与随机森林分类器的混合模型，用于幼儿自闭症谱系障碍的检测	通过晚期融合策略，将深度学习模型提取的高层次图像特征与随机森林的集成分类能力相结合，提高了ASD检测的准确性	研究主要基于特定数据集，未来需要整合多模态数据并在更多样化的数据集上进行测试以提升泛化能力	开发一种准确且可靠的混合模型，用于幼儿自闭症谱系障碍的早期诊断	幼儿自闭症谱系障碍患者	计算机视觉	自闭症谱系障碍	NA	CNN, 随机森林	图像, 问卷数据	NA	NA	VGG16, EfficientNetB0, AlexNet	准确率	NA
680	2026-04-17	Machine learning of clinical phenotypes facilitates autism screening and identifies novel subgroups with distinct transcriptomic profiles 2025-Apr-05, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-95291-5 PMID:40188264	研究论文	本研究利用机器学习方法，结合临床评估和分子数据，提高自闭症谱系障碍的筛查准确性并识别具有不同转录组特征的新亚组	通过深度学习模型实现了高达95.23%的自闭症筛查准确率，并发现仅使用27个ADI-R子项即可保持可比性能，同时基于临床特征聚类识别出三个具有独特转录组特征的新亚组	研究主要依赖于特定数据库（AGRE和GSE15402）的数据，可能限制了结果的普适性，且未详细讨论模型在其他独立数据集上的验证情况	提高自闭症谱系障碍的筛查准确性并识别具有生物学意义的临床亚型	自闭症谱系障碍患者	机器学习	自闭症谱系障碍	基因表达分析	深度学习模型	临床评估数据、基因表达数据	2794名个体	NA	NA	准确率、置信区间	NA