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
841	2026-09-04	Predicting molecular subtypes of breast cancer based on multi-parametric MRI dataset using deep learning method 2025-04, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2024.110305 PMID:39681144	研究论文	开发了一种基于多参数MRI数据的深度学习模型，用于预测乳腺癌的分子亚型。	采用了五种MRI图像输入和集成学习方法融合多个基模型，以提高预测乳腺癌分子亚型的准确性。	未提供明确限制信息。	开发并验证一种多参数MRI模型，用于预测乳腺癌的四种分子亚型（Luminal A、Luminal B、HER2阳性、三阴性）。	325例经病理确诊的乳腺癌患者的临床数据和五种MRI图像。	医学影像	乳腺癌	NA	深度学习（ResNeXt50）	MRI图像	训练集260例，测试集65例；共325例乳腺癌患者。	PyTorch	ResNeXt50	准确率、敏感度、特异性、ROC曲线、AUC	NA
842	2026-09-04	Reliability of post-contrast deep learning-based highly accelerated cardiac cine MRI for the assessment of ventricular function 2025-04, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2024.110313 PMID:39708928	研究论文	本研究评估了基于深度学习的高度加速心脏电影MRI在对比剂注射前后采集的图像质量和双心室功能定量的一致性	首次在临床环境中评估对比剂后使用深度学习高度加速心脏电影成像的可靠性，以缩短非扫描时间	未提供明确的局限性信息	评估基于深度学习的二维心脏电影成像在对比剂注射前后的性能等效性，包括图像质量和双心室容积及功能定量	30名患者（20名男性，平均年龄53.7±17.8岁）的心脏磁共振图像	医学影像	心脏疾病	心脏磁共振成像	深度学习模型	图像	30名患者的双心室短轴电影图像	NA	NA	图像质量评分、EDV、ESV、SV、EF、LVM	NA
843	2026-09-04	Deep learning radiomics nomograms predict Isocitrate dehydrogenase (IDH) genotypes in brain glioma: A multicenter study 2025-04, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2024.110314 PMID:39708927	研究论文	本研究探索了基于深度学习放射组学列线图在预测脑胶质瘤IDH基因型中的应用	结合深度学习特征、放射组学特征和临床特征的多模态列线图模型，用于非侵入性预测IDH基因型，并在外部验证中展现出高性能	并未在摘要中明确指出，有待全文查看	评估深度学习放射组学列线图预测脑胶质瘤IDH基因型的能力	脑胶质瘤患者	医学影像分析	脑胶质瘤	磁共振成像	深度学习与放射组学混合模型	医学图像	共402名胶质瘤患者（训练组239名，内部验证组103名，外部验证组60名）	NA	NA	AUC	NA
844	2026-09-04	Combination of deep learning reconstruction and quantification for dynamic contrast-enhanced (DCE) MRI 2025-04, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2024.110310 PMID:39710009	研究论文	本研究提出了一种端到端的深度学习管道，结合新型重建网络DCE-Movienet和量化网络DCE-Qnet，用于快速、定量的动态对比增强磁共振成像（DCE-MRI）	提出DCE-Movienet，实现全采集数据的超快速重建（仅0.66秒），远快于压缩感知的10分钟级重建，且不影响图像质量	未提及局限性	提高DCE-MRI在临床环境中的速度和定量稳健性，以改善其临床应用表现	健康志愿者和宫颈癌患者	深度学习	癌症（宫颈癌）	DCE-MRI	深度学习网络	MRI图像	未提及具体数量	NA	DCE-Movienet, DCE-Qnet	未提及具体指标	NA
845	2026-09-04	Comparison of conventional diffusion-weighted imaging and multiplexed sensitivity-encoding combined with deep learning-based reconstruction in breast magnetic resonance imaging 2025-04, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2024.110316 PMID:39716684	研究论文	本研究比较了常规扩散加权成像与结合深度学习重建的多重敏感编码在乳腺磁共振成像中的应用效果。	首次将深度学习重建技术应用于MUSE序列的乳腺MRI，以提升图像质量并缩短扫描时间。	研究为单中心、样本量较小，且未评估DLR对诊断准确性的影响。	评估MUSE结合DLR在乳腺MRI中的可行性，并与常规DWI及单独MUSE进行比较。	2023年6月至12月接受乳腺MRI的女性参与者。	医学影像	乳腺癌	扩散加权成像，多重敏感编码，深度学习重建	深度学习	磁共振图像	51名女性参与者	NA	NA	信噪比，对比噪声比，表观扩散系数，图像质量评分，组内相关系数	NA
846	2026-09-04	Application of MRI-based tumor heterogeneity analysis for identification and pathologic staging of breast phyllodes tumors 2025-04, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2025.110325 PMID:39788394	研究论文	本研究探讨基于MRI的影像组学和深度学习模型在乳腺叶状肿瘤识别与病理分级中的应用价值。	结合传统影像组学、子区域影像组学和深度学习特征，构建融合模型以提高乳腺叶状肿瘤分类和鉴别诊断的准确性。	未提及。	评估基于MRI的影像组学和深度学习模型在乳腺叶状肿瘤识别与病理分级中的效能，并提供个性化治疗依据。	乳腺叶状肿瘤和乳腺纤维腺瘤患者。	影像组学, 医学影像分析	乳腺叶状肿瘤, 乳腺纤维腺瘤	MRI成像	深度学习模型	MRI图像	77例患者	NA	NA（未指定具体架构，但包括传统影像组学、子区域影像组学和深度学习特征模型）	ROC曲线, AUC, DeLong检验, 决策曲线, 校准曲线	NA
847	2026-09-04	Spatiotemporal Profiling Defines Persistence and Resistance Dynamics during Targeted Treatment of Melanoma 2025-03-03, Cancer research IF:12.5Q1 DOI:10.1158/0008-5472.CAN-24-0690 PMID:39700408	研究论文	利用空间转录组学在患者来源的异种移植模型中描绘黑色素瘤靶向治疗期间细胞持久性和耐药性的时空动态，揭示克隆进化和耐药机制	结合空间转录组学与深度学习组织病理学分析，以时空分辨率定义治疗期间的状态变化和谱系选择，识别潜在治疗干预的时间窗口	未明确提及局限性	理解黑色素瘤靶向治疗中持久细胞状态进入和退出的时间动态及特定通路，以制定预防治疗失败的策略	BRAF突变黑色素瘤患者来源的异种移植模型	空间转录组学	黑色素瘤	空间转录组学	深度学习模型	空间转录组数据、组织病理学图像	患者来源的异种移植模型（样本数量未明确）	NA	NA	NA	NA
848	2026-09-04	Multi-task magnetic resonance imaging reconstruction using meta-learning 2025-02, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2024.110278 PMID:39580007	研究论文	提出一种基于元学习的多任务磁共振成像重建方法，可同时处理不同成像序列和对比度的MRI数据	将元学习（学习到学习）策略与近端梯度下降启发的优化方法相结合，在多任务框架下同时从图像和k空间域学习特征，以提升多对比度MRI重建性能	文中未明确提及局限性	开发一种多任务元学习算法，以高效重建来自不同成像序列和对比度的MRI图像，并提高模型泛化性	多个MRI数据集，包含不同成像序列和对比度的图像	机器学习和医学影像	不适用	MRI重建	元学习模型	图像（MRI图像和k空间数据）	文中未明确提及样本数量（多个MRI数据集）	文中未明确提及具体框架	元学习网络与近端梯度下降启发方法	像素级误差、定性重建质量	文中未提及具体计算资源
849	2026-09-04	The Use of Artificial Intelligence and Wearable Inertial Measurement Units in Medicine: Systematic Review 2025-01-29, JMIR mHealth and uHealth IF:5.4Q1 DOI:10.2196/60521 PMID:39880389	系统综述	这项系统综述评估了人工智能模型与可穿戴惯性测量单元在医疗保健中的整合情况，识别了当前应用、挑战和未来机遇。	首次系统性地总结AI与可穿戴IMU在医学中的应用，并指出了数据集规模小、深度学习模型使用不足等问题，为未来研究提供了方向。	受限于综述性质，可能遗漏某些研究；数据集规模普遍较小，且多数研究在临床环境中进行，现实场景应用有限。	评估AI模型与可穿戴IMU在医疗保健中的整合，确定应用领域、模型使用情况和数据集特征。	关于AI和IMU在医学中应用的研究文章。	数字病理学	未特指	IMU（惯性测量单元）	机器学习模型（如线性回归、支持向量机、随机森林）	传感器数据	中位数为50名参与者	NA	NA	NA	NA
850	2026-09-04	Blip-up blip-down circular EPI (BUDA-cEPI) for distortion-free dMRI with rapid unrolled deep learning reconstruction 2025-01, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2024.110277 PMID:39566835	研究论文	开发了一种用于无畸变扩散MRI的快速展开深度学习重建管线，以促进BUDA-cEPI在临床和神经科学应用中的部署	提出了基于机器学习的展开重建框架RUN-UP，结合虚拟线圈概念改进重建质量，并包含快速的B0和涡流估计，重建速度比现有技术提高约88倍	未明确指出	开发快速重建管线和加速BUDA-cEPI数据的处理，使其适合常规临床和神经科学应用	扩散磁共振成像（dMRI）数据，包括含非扩散图像和扩散张量成像（DTI）应用	机器学习, 医学影像	NA	扩散磁共振成像（dMRI）	循环神经网络（展开网络）	图像	NA	NA	U-Net	归一化均方根误差	NA
851	2026-09-04	Cancer-Associated Lymphoid Aggregates in Histology Images: Manual and Deep Learning-Based Quantification Approaches 2025, Methods in molecular biology (Clifton, N.J.) DOI:10.1007/978-1-0716-4184-2_12 PMID:39527225	研究论文	本文提供了一套在癌症组织学图像中量化淋巴聚集物（包括生发中心的三级淋巴结构）的方法指南，涵盖手动和基于深度学习的自动量化技术。	提出了一种基于深度学习的算法HookNet-TLS，用于检测多种组织中的淋巴聚集物和生发中心，并提供了利用手动标注图像训练和实现该算法的具体指导。	未明确说明，但可推断依赖手动标注训练数据可能限制了算法的广泛应用。	为癌症组织学图像中的淋巴聚集物量化提供标准化指南，旨在开发预后和预测性组织生物标志物。	淋巴聚集物，包括具有生发中心的三级淋巴结构（TLS），在各种癌症组织学图像中。	数字病理学	癌症	苏木精-伊红染色	深度学习	组织学图像	未明确说明	NA	HookNet-TLS	未明确说明	未明确说明
852	2026-08-31	Docking With Rosetta and Deep Learning Approaches in CAPRI Rounds 47-55 2025-Sep-22, Proteins IF:3.2Q2 DOI:10.1002/prot.70016 PMID:40980933	研究论文	本文介绍了在CAPRI第47至55轮中，结合Rosetta对接方法和深度学习工具（如AlphaFold2、IgFold和AlphaRED）预测蛋白质-蛋白质相互作用的成果与挑战	开发了更有效捕捉构象变化的方法，更新了评分函数，并将AlphaFold2等结构预测工具整合到对接流程中，同时引入了折叠-对接方法用于预测大型异源多聚体	对于柔性复合物的预测性能仍然有限，尤其在CDR H3环和抗体-抗原结合界面的准确预测方面存在挑战	评估和提升蛋白质-蛋白质相互作用对接预测的准确性，特别是处理构象变化、大型多聚体和抗体-抗原相互作用	CAPRI第47至55轮的49个靶标，包括多阶段组装体、抗体-抗原复合物和柔性界面	结构预测	NA	Rosetta对接（RosettaDock、ReplicaDock、SymDock）和深度学习（AlphaFold2、IgFold、AlphaRED）	AlphaFold2, IgFold, AlphaRED	蛋白质序列和结构数据	49个靶标，包含蛋白质复合物，如GP2噬菌体蛋白（T194）、表面层SAP蛋白（T160）和人DNA修复蛋白复合物（T230）	NA	AlphaFold2, IgFold, AlphaRED	DockQ分数	NA
853	2026-08-31	Physiological Response of Tissue-Engineered Vascular Grafts to Vasoactive Agents in an Ovine Model 2025-07, Tissue engineering. Part C, Methods DOI:10.1089/ten.tec.2025.0098 PMID:40548865	研究论文	本研究开发并验证了一种在大动物模型中评估组织工程血管移植物对血管活性药物反应性的协议，发现移植物表现出快速、可逆的血管收缩能力	首次采用血管内超声成像与有创血流动力学监测相结合的方法，并利用基于深度学习的图像分割软件包（VIVUS）来评估组织工程血管移植物的血管反应性	研究未观察到钠硝普钠诱导的血管舒张反应，可能受静脉组织结构差异、胸腔下腔静脉低压环境和全身性混杂因素影响；且未与天然静脉和合成移植物进行直接比较	开发和验证一种评估组织工程血管移植物在大型动物模型中对血管活性药物反应性的协议	植入Dorset羊胸腔下腔静脉的骨髓种子组织工程血管移植物	医学影像分析	心血管疾病	血管内超声成像、有创血流动力学监测	深度学习分割模型	血管内超声图像、生理参数数据	研究涉及Dorset羊大动物模型，具体数量未在摘要中提及	Python、自定义软件包VIVUS（基于深度学习）	未指定具体架构，但使用了深度学习分割模型	管腔面积变化率、心率、平均动脉压、心输出量	未提及具体计算资源，但使用了Python软件包VIVUS
854	2026-08-31	A Tc1- and Th1-T-lymphocyte-rich tumor microenvironment is a hallmark of MSI colorectal cancer 2025-06, The Journal of pathology IF:5.6Q1 DOI:10.1002/path.6415 PMID:40181205	研究论文	该研究通过多重荧光免疫组化和深度学习图像分析，比较了微卫星不稳定（MSI）和微卫星稳定（MSS）结直肠癌的T细胞亚群组成、功能标志物表达及空间相互作用，发现MSI肿瘤微环境中Tc1和Th1细胞富集是其特征。	首次利用BLEACH&STAIN多重荧光免疫组化结合深度学习框架（>20个卷积神经网络）对大量T细胞亚群进行密度、组成、功能标志物和空间互作的全面分析，揭示了MSI肿瘤的独特免疫微环境特征。	未提供明确的局限性说明，但可能受限于样本来源于单一机构，且仅依赖组织微阵列和部分大切片，空间分析可能受样本代表性影响。	评估结直肠癌中微卫星不稳定状态对T细胞亚群组成、功能标志物表达和空间相互作用的影响，以阐明MSI肿瘤免疫微环境的特征。	79例微卫星不稳定（MSI）和1,045例微卫星稳定（MSS）结直肠癌组织样本。	数字病理学	结直肠癌	多重荧光免疫组化（使用19种抗体）	卷积神经网络（CNN）	组织切片图像	1,124例结直肠癌组织（79 MSI和1,045 MSS），其中12例使用大切片分析。	未指定，但深度学习框架包含多种CNN，可能涉及PyTorch或TensorFlow（不明确）。	多种卷积神经网络结构（未指定具体架构）	统计显著性p值（如p<0.001和p<0.05），未提及具体性能指标如准确率等。	未提及具体计算资源。
855	2026-08-31	Mortality and Antibiotic Timing in Deep Learning-Derived Surviving Sepsis Campaign Risk Groups: A Multicenter Study 2025-Apr-01, Research square DOI:10.21203/rs.3.rs-6123541/v1 PMID:40235491	研究论文	本研究利用深度学习模型将脓毒症患者分层为类似挽救脓毒症运动风险组，并评估不同抗生素给药时间对短期死亡率的影响。	首次利用深度学习模型客观地将脓毒症患者分层为类似SSC风险组，并基于分层评估抗生素给药时间对死亡率的影响。	未评估因果关系，需要额外的前瞻性研究验证结果。	研究基于深度学习风险分层的脓毒症患者中，抗生素给药时间与短期死亡率的关系。	34,163名成人脓毒症患者，来自两个大型卫生系统。	机器学习	脓毒症	NA	深度学习模型	临床数据	34,163名成人患者	NA	NA	死亡率	NA
856	2026-08-31	Relationships Between Retinal Vascular Characteristics and Systemic Indicators in Patients With Diabetes Mellitus 2025-04-01, Investigative ophthalmology & visual science IF:5.0Q1 DOI:10.1167/iovs.66.4.72 PMID:40272369	研究论文	开发了用于眼底图像血管分割的深度学习方法，测量视网膜血管，并研究糖尿病患者视网膜血管特征与全身指标之间的关系	利用自定义U-Net深度学习模型结合多个开源数据集进行视网膜血管分割和测量，系统性地分析全身指标与视网膜血管特征及糖尿病视网膜病变严重程度的相关性	未在摘要中明确提及局限性	研究糖尿病患者的视网膜血管特征与全身指标之间的关系	糖尿病患者，涵盖不同阶段的糖尿病视网膜病变	计算机视觉, 数字病理	糖尿病, 糖尿病视网膜病变	眼底照相	U-Net	眼底图像, 临床指标数据	637名糖尿病患者，3575张系列照片	PyTorch（推测）	U-Net	相关性系数, P值	NA
857	2026-08-31	Deep learning-based classifier for carcinoma of unknown primary using methylation quantitative trait loci 2025-02-01, Journal of neuropathology and experimental neurology IF:3.2Q2 DOI:10.1093/jnen/nlae123 PMID:39607989	研究论文	利用甲基化数量性状位点构建基于深度学习的未知原发癌分类器，以帮助确定肿瘤起源部位	利用器官特异性甲基化数量性状位点（mQTL）来构建分类器，减少了所需参考样本数量，并提高了分类准确性	未在文中明确说明局限性	开发一种基于DNA甲基化的深度学习分类器，以辅助病理学家确定未知原发癌的起源部位，从而指导治疗并改善患者预后	759例福尔马林固定石蜡包埋组织样本的癌组织	数字病理学	癌症	Illumina EPIC阵列	深度学习分类器	DNA甲基化图谱数据	759例福尔马林固定石蜡包埋组织样本	NA	NA	准确率，F1分数	NA
858	2026-08-30	Molecular Motif Learning as a pretraining objective for molecular property prediction 2025-11-27, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-66685-w PMID:41309631	研究论文	提出一种名为分子基序学习的无监督预训练方法，用于分子性质预测，通过学习保留整体分子结构和基序级别信息的表示，提升预测准确性	提出MotiL方法，直接从原始分子图学习同时保留整体分子结构和基序级别信息的表示，优于现有对比或预测方法	未提及明确的局限性	提升分子性质预测的准确性，特别是血脑屏障通透性等性质	小分子化合物和蛋白质大分子	机器学习	NA	NA	图神经网络	分子图	至少16个分子基准数据集	NA	NA	准确率	NA
859	2026-08-30	A deep learning-based multiscale integration of spatial omics with tumor morphology 2025-11-27, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-66691-y PMID:41310346	研究论文	提出一种基于深度学习的多尺度整合方法MISO，用于从H&E染色组织切片预测空间转录组数据，并在多个数据集上验证其性能	首次实现从常规H&E切片预测近单细胞分辨率的空间基因表达，整合多尺度信息，显著优于现有方法	未提及	开发一种可推广的方法，利用常规生成的H&E切片预测空间转录组，以克服spTx在临床常规使用中的局限性	癌症患者的H&E染色组织切片和对应的空间转录组数据	数字病理学	癌症	空间转录组学	深度学习	组织切片图像和空间转录组数据	72个10X Genomics Visium样本和来自MOSAIC联盟的348个样本（涵盖五种适应症）	未提及	未提及	未提及	未提及
860	2026-08-30	Expediting hit-to-lead progression in drug discovery through reaction prediction and multi-dimensional optimization 2025-11-26, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-66324-4 PMID:41290653	研究论文	本研究展示了一种集成式药物化学工作流程，通过反应预测和多维优化，加速药物发现中的命中到先导化合物优化阶段	结合微型化高通量实验、深度图神经网络反应预测和分子特性优化，实现快速命中到先导化合物的进展	未明确提及	加速药物发现中的命中到先导化合物优化阶段	单酰基甘油脂肪酶（MAGL）抑制剂	机器学习	不适用	高通量实验（HTE）	深度图神经网络	反应数据	13,490个Minisci型C-H烷基化反应；虚拟库包含26,375个分子；14个合成化合物	NA	图神经网络	预测准确性、活性增强倍数	NA