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
1021	2026-08-19	Radiomics and Deep Learning Prediction of Immunotherapy-Induced Pneumonitis From Computed Tomography 2025-02, JCO clinical cancer informatics IF:3.3Q2 DOI:10.1200/CCI-24-00198 PMID:39977708	研究论文	本研究利用影像组学和深度学习模型预测免疫检查点抑制剂治疗引起的肺炎，基于胸部CT图像构建了三种纯影像模型进行评估	首次在大型队列中比较纯影像组学、纯深度学习及二者组合模型对ICI相关肺炎的预测性能，并展示深度学习在该任务上优于传统影像组学	模型为纯影像模型，未纳入临床数据，且组合模型未显著提升性能	从CT图像预测患者接受ICI治疗后发生肺炎的风险，以改善治疗安全性和疗效	671名接受ICI治疗的癌症患者的2,700个对比增强胸部CT扫描图像	医学影像分析	免疫治疗相关肺炎	CT成像	CNN	CT图像	671名患者的2,700个CT扫描	NA	CNN	AUC, 阳性预测值, 敏感性	NA
1022	2026-08-19	Brief Review and Primer of Key Terminology for Artificial Intelligence and Machine Learning in Hypertension 2025-01, Hypertension (Dallas, Tex. : 1979) DOI:10.1161/HYPERTENSIONAHA.123.22347 PMID:39011632	综述	本文简要回顾了人工智能和机器学习在高血压领域应用的关键术语，并介绍了相关技术及其在高血压管理中的潜在用途	为高血压领域的医疗专业人员和研究人员提供了AI和ML术语的简明入门指南，涵盖了监督学习、无监督学习、自然语言处理、大型语言模型及计算机视觉等核心技术	信息不足，未明确列出本综述的具体局限性	帮助高血压领域的读者理解AI和ML的基本概念及其在高血压诊断和治疗中的应用前景	高血压管理中使用的AI和ML技术，包括血压和生物特征数据处理、远程患者监测和数字治疗	机器学习	高血压	NA	NA	文本	NA	NA	NA	NA	NA
1023	2026-08-18	Deep learning-based detection of bacterial swarm motion using a single image 2025-12, Gut microbes IF:12.2Q1 DOI:10.1080/19490976.2025.2505115 PMID:40366861	研究论文	开发了一种基于深度学习的细菌群集运动检测方法，利用单张模糊图像快速自主预测群集概率。	提出一种利用单张模糊图像进行细菌群集运动检测的深度学习分类器，避免了传统视频处理和人工观察的耗时与偏差，适用于高通量环境并提供客观定量评估。	训练数据仅来自单一菌株SM3，可能限制对其他菌种的适应性，且依赖图像质量。	实现细菌群集运动的快速、客观、自动化检测，以辅助疾病诊断如炎症性肠病和尿路感染。	细菌群集运动和游动运动的图像，包括SM3、DB10和H6菌株。	计算机视觉	炎症性肠病, 尿路感染	NA	深度学习分类器	图像	训练和测试图像来自SM3，以及外部测试图像来自DB10和H6	NA	NA	灵敏度, 特异性	NA
1024	2026-08-18	Impact of hypertension on cerebral small vessel disease: A post-mortem study of microvascular pathology from normal-appearing white matter into white matter hyperintensities 2025-09, Journal of cerebral blood flow and metabolism : official journal of the International Society of Cerebral Blood Flow and Metabolism IF:4.9Q1 DOI:10.1177/0271678X251333256 PMID:40219923	研究论文	本研究通过尸检样本，探讨了高血压对脑小血管疾病的影响，特别是微血管病理从正常表现白质向白质高信号转变的过程	首次利用深度学习优化白质高信号分割，并对正常表现白质到白质高信号中心进行逐体素的相关性分析，揭示了高血压个体中内皮损伤、血脑屏障破坏和神经血管炎症在脑小血管病进展中的协同作用	未观察到沿正常表现白质到白质高信号转变过程中血脑屏障损伤或神经血管炎症的渐进性变化，可能受限于样本量或尸检组织处理的影响	探讨慢性高血压与脑小血管病早期发病机制的关系，特别是微血管病理变化在正常表现白质向白质高信号转变中的作用	有无高血压个体的尸检脑组织，特别是脑室周围正常表现白质和白质高信号区域	数字病理学	脑小血管疾病	组织病理学检查、深度学习分割	深度学习模型	组织切片图像和MRI图像	未明确说明，但为尸检脑样本，分为高血压和非高血压组	NA	NA	NA	NA
1025	2026-08-18	Dissecting cross-lineage tumourigenesis under p53 inactivation through single-cell multi-omics and spatial transcriptomics 2025-09, Clinical and translational medicine IF:7.9Q1 DOI:10.1002/ctm2.70461 PMID:40887856	研究论文	本研究通过单细胞多组学和空间转录组学，探讨了p53失活后不同细胞谱系的肿瘤发生机制。	整合单细胞转录组、ATAC-seq、空间转录组等多组学数据，构建了Trp53功能细胞图谱，并通过深度学习基因网络模型重建p53调控网络，揭示了p53失活后跨谱系肿瘤发生的共享和特异特征。	未提供明确的局限性信息。	研究p53失活后不同细胞谱系的细胞稳态破坏和肿瘤发生机制，构建Trp53功能细胞图谱，并解码p53下游调控网络。	小鼠Trp53敲除模型中的免疫、基质和上皮细胞等不同细胞谱系。	单细胞多组学、空间转录组学、深度学习	Li-Fraumeni综合征	单细胞转录组学、单细胞ATAC-seq、空间转录组学、全基因组测序、CUT&Tag	深度学习基因网络模型	单细胞转录组数据、染色质可及性数据、空间转录组数据、基因组测序数据、CUT&Tag数据	小鼠模型，具体样本数量未提及	NA	基因网络模型	NA	NA
1026	2026-08-18	Deep Learning-Based Super Resolution Applied to Finite Element Analysis of Fused Deposition Modeling 3D Printing 2025-Aug, 3D printing and additive manufacturing IF:2.3Q3 DOI:10.1089/3dp.2023.0191 PMID:40933586	研究论文	提出一种基于深度学习的超分辨率方法，用于提高熔融沉积建模3D打印有限元分析中粗网格模型的温度和位移预测精度，并减少计算时间	将有限元分析中的网格视为图像像素，创新性地应用超分辨率残差网络，将粗网格模型结果提升至细网格模型精度水平，同时缩短计算时间	未提及局限性	改善粗网格有限元模型结果准确性至细网格模型水平，并降低计算时间，以促进有限元分析在增材制造中的应用	熔融沉积建模3D打印过程中的温度和位移预测	深度学习	NA	有限元分析（FEA）	超分辨率残差网络（SRResNet）	图像（温度和位移图像）	NA	NA	超分辨率残差网络	峰值信噪比（PSNR），结构相似性指数（SSIM）	NA
1027	2026-08-18	Deep Learning for Fluorescence Lifetime Predictions Enables High-Throughput In Vivo Imaging 2025-07-02, Journal of the American Chemical Society IF:14.4Q1 DOI:10.1021/jacs.5c03749 PMID:40515693	研究论文	介绍FLIMngo，一种深度学习模型，用于从低光子数环境下的FLIM数据中准确预测荧光寿命，从而将FLIM转变为高通量成像工具	FLIMngo通过同时利用原始FLIM数据中的时间和空间信息，在每像素少于50个光子时仍能准确预测荧光寿命，优于其他深度学习方法，且无需重新训练即可跨系统应用	未明确提及限制，但依赖于模拟数据表征，且应用示例仅限于特定活体样本	提高荧光寿命成像的吞吐量，使其适用于活体样本的动态分析，并减少与长时间光照相关的光毒性	FLIM数据及活体动态样本，如非麻醉的秀丽隐杆线虫中的疾病相关蛋白聚集体	深度学习	神经退行性疾病（基于蛋白质聚集体）	荧光寿命成像显微镜（FLIM）	深度学习模型	图像	未明确提供具体样本数量，但包括模拟数据和活体线虫样本	未明确指定，但模型为开源	未明确指定具体架构，但利用时间和空间信息	准确性（与真实荧光寿命预测相比）	未明确提及
1028	2026-08-17	Determinants of ascending aortic morphology: cross-sectional deep learning-based analysis on 25 073 non-contrast-enhanced NAKO MRI studies 2025-04-30, European heart journal. Cardiovascular Imaging DOI:10.1093/ehjci/jeaf081 PMID:40052574	研究论文	基于25,073例非对比增强NAKO MRI研究，通过深度学习自动表征升主动脉形态，并探讨其中段直径的决定因素。	首次在大规模流行病学队列中应用深度学习结合因果分析（Peter-Clark算法）来分离升主动脉直径的相关性和潜在因果关系，超越了传统统计方法。	NA, 未在摘要中明确说明局限性。	自动表征升主动脉形态，并确定升主动脉中段直径的可能决定因素。	来自德国国家队列的25,073例非对比增强磁共振血管成像（NC-MRA）数据。	计算机视觉、机器学习、数字病理学（注：数字病理学不相关，应改为心血管影像学）	心血管疾病	磁共振成像（MRI），非对比增强磁共振血管成像（NC-MRA）	深度学习分割模型（具体类型未指定，可能为U-Net等）	3D医学影像（MRI）	25,073例非对比增强MRI研究	NA	NA（可能为U-Net，但未指定）	r²值、P值、均值±标准差	NA
1029	2026-08-17	Improved diagnosis of arrhythmogenic right ventricular cardiomyopathy using electrocardiographic deep learning 2025-04, Heart rhythm IF:5.6Q1 DOI:10.1016/j.hrthm.2024.08.030 PMID:39168295	研究论文	开发并验证了一种基于心电图深度学习的工具，用于改善致心律失常性右心室心肌病的诊断	首次利用深度学习模型从心电图中自动诊断ARVC，性能达到专家水平，并能区分真正的ARVC与表型模拟者及风险家庭成员	研究可能受限于单中心开发、回顾性设计，以及外部验证队列中ARVC患病率较低	开发和验证一种心电图深度学习工具用于ARVC诊断，以提高诊断准确性和可及性	ARVC患者和疑似患者的心电图数据，包括基因变异携带者	机器学习	致心律失常性右心室心肌病	心电图	深度学习模型	心电图数据	开发队列551例，测试队列137例，外部验证队列167例	NA	NA	c-statistic	NA
1030	2026-08-16	Hazard-free outdoor path navigator for visually challenged people 2025-11, Disability and rehabilitation. Assistive technology DOI:10.1080/17483107.2025.2530674 PMID:40705835	研究论文	提出一种多技术融合的户外无危险路径导航系统，帮助视觉障碍人士选择安全优化的路径	结合在线和离线导航系统，使用TPU生成路径图，并采用模糊可信无危险路由路径算法（FTHRP）进行动态重路由以规避意外危险	未提供明确的实验验证或性能评估数据	为视觉障碍人士开发一种能在户外选择无危险或最小危险最优路径的导航系统	视觉障碍人士及其户外导航路径	机器学习	视觉障碍	NA	模糊逻辑	路径数据	NA	NA	NA	NA	张量处理单元（TPU）
1031	2026-08-16	Pancancer outcome prediction via a unified weakly supervised deep learning model 2025-09-03, Signal transduction and targeted therapy IF:40.8Q1 DOI:10.1038/s41392-025-02374-w PMID:40897689	研究论文	本文介绍了一个名为PROGPATH的统一弱监督深度学习模型，用于整合组织病理图像特征和常规临床变量，实现泛癌预后预测	通过结合基础模型图像编码、注意力引导的多实例学习、交叉注意力变换器和路由器分类策略，实现跨癌种的统一预后预测模型，并进行了大规模外部验证	尽管在多个外部队列中表现良好，但未提及模型的局限性，如对特定癌症类型的适用性或计算资源的详细说明	开发一个能够整合组织病理图像和临床变量进行泛癌预后预测的统一模型，以改善癌症治疗决策	来自15种癌症类型的6,670名患者的7,999张全切片图像，以及17个外部队列中12种癌症类型的4,441名患者的7,374张全切片图像	数字病理学	多种癌症（包括肺癌、前列腺癌等，具体未指定）	组织病理图像分析	弱监督深度学习模型	全切片图像	训练集：6,670名患者的7,999张WSI；外部验证：4,441名患者的7,374张WSI	未明确指定	基础模型、注意力引导多实例学习、交叉注意力变换器、路由器分类策略	一致性指数（C-index）等，具体未明确列出	未明确说明
1032	2026-08-16	A deep learning derived prostate zonal volume-based biomarker from T2-weighted MRI to distinguish between prostate cancer and benign prostatic hyperplasia 2025-Aug, Medical physics IF:3.2Q1 DOI:10.1002/mp.18053 PMID:40804780	研究论文	开发并验证了一种基于深度学习的MRI生物标记物（前列腺分区体积比），用于区分良性前列腺增生和前列腺癌	提出了一种基于3D条件生成对抗网络（cGAN）的前列腺分区体积分割模型（ProZonaNet），并利用其计算的体积比作为非侵入性生物标记物，显著提高了区分BPH-Only与BPH-PCa的诊断性能	未提供明确的局限性信息	开发并验证基于T2加权MRI的前列腺分区体积比（pZVR）作为区分良性前列腺增生和前列腺癌的影像生物标记物	199例患者，包括106例良性前列腺增生（BPH-Only）和93例同时具有良性前列腺增生和前列腺癌（BPH-PCa）的患者	医学影像分析	前列腺癌, 良性前列腺增生	磁共振成像（MRI）	3D条件生成对抗网络（cGAN）	T2加权MRI图像	199例患者，其中139例用于训练（经7倍数据增强后得到973个训练体积），60例用于独立测试	NA	ProZonaNet（3D条件生成对抗网络）	Dice相似系数（DSC），一致性相关系数（CCC），AUC	NA
1033	2026-08-16	Network Occlusion Sensitivity Analysis Identifies Regional Contributions to Brain Age Prediction 2025-06-01, Human brain mapping IF:3.5Q1 DOI:10.1002/hbm.70239 PMID:40470724	研究论文	本文提出一种结合网络遮挡敏感性与精细人脑图谱的可解释性框架，用于分析脑龄预测模型中各脑区对预测结果的贡献。	创新性地将网络遮挡敏感性分析与精细人脑图谱相结合，以揭示脑龄预测模型中的区域贡献，并发现不同脑区在不同年龄阶段的贡献模式差异。	未明确提及局限性，但可能受限于样本年龄范围（8-80岁）和轻量级CNN模型的选择。	提高脑龄预测深度学习模型的可解释性，识别对预测有显著贡献的脑区。	基于CNN的脑龄预测模型及人脑区域。	深度学习、医学影像分析	不适用	脑磁共振成像（MRI）	卷积神经网络（CNN）	脑影像数据（MRI图像）	训练集3054例，测试集555例，年龄范围均为8-80岁	未明确指定，但可能使用TensorFlow或PyTorch	轻量级全卷积网络	未明确提及，可能包括平均绝对误差、相关系数等	未明确提及
1034	2026-08-16	Do Transformers and CNNs Learn Different Concepts of Brain Age? 2025-06-01, Human brain mapping IF:3.5Q1 DOI:10.1002/hbm.70243 PMID:40489428	研究论文	本研究比较了Transformer和CNN模型在预测脑年龄方面的表现，并分析了不同架构是否捕捉到不同的脑衰老概念	首次系统比较了Vision Transformer（sViT）和Swin Transformer与ResNet在脑年龄预测中的表现，并探讨了不同架构对脑衰老效应捕捉的潜在差异	研究仅基于UK Biobank数据，可能需要更多样化的数据集来验证结论的普遍性	评估Transformer是否优于CNN在脑年龄预测中的准确性，并检验不同架构是否产生不同的脑年龄预测概念	来自UK Biobank的46,381张T1加权结构磁共振图像	计算机视觉	NA	磁共振成像（MRI）	Transformer, CNN	图像	46,381张T1加权结构MRI图像	PyTorch（推测）	sViT, SwinT, ResNet50	预测准确度，均方误差（推测）	NA
1035	2026-08-16	Artificial Intelligence for Head and Neck Squamous Cell Carcinoma: From Diagnosis to Treatment 2025-Jun, American Society of Clinical Oncology educational book. American Society of Clinical Oncology. Annual Meeting DOI:10.1200/EDBK-25-472464 PMID:40489724	综述	本文综述了人工智能在头颈鳞状细胞癌（HNSCC）诊疗全过程中的应用进展，涵盖从诊断到治疗规划的各个环节	系统性地总结了多模态AI模型在HNSCC中的应用，特别是融合影像、病理和电子健康记录以预测生存结局，并探讨了AI在预测免疫治疗反应和早期毒性检测中的潜力	临床转化面临障碍，包括模型可解释性不足、缺乏前瞻性试验验证以及临床工作流程整合困难	评估人工智能在头颈鳞状细胞癌诊疗中的应用现状和潜在价值，以推动个性化治疗和临床转化	头颈鳞状细胞癌患者	数字病理学	头颈癌	深度学习、多模态数据融合	深度学习模型（包括多模态AI）	影像（放射学、内镜）、病理图像、电子健康记录	不适用	不适用	不适用	准确率、预测能力（如生存预后）	不适用
1036	2026-08-16	Deep Learning Model of Primary Tumor and Metastatic Cervical Lymph Nodes From CT for Outcome Predictions in Oropharyngeal Cancer 2025-05-01, JAMA network open IF:10.5Q1 DOI:10.1001/jamanetworkopen.2025.8094 PMID:40310642	研究论文	开发并验证一种基于CT的深度学习分类器，整合原发肿瘤和转移性颈部淋巴结的影像特征，预测p16阳性口咽鳞状细胞癌患者的预后结局。	首次结合原发肿瘤和转移性淋巴结的影像特征用于p16+口咽癌的预后预测，并采用Swin Transformer架构融合多区域特征。	未提及具体局限性。	开发和验证基于CT的深度学习模型，预测p16+口咽癌患者的生存结局，并识别可能从化疗中获益的I期患者。	p16阳性口咽鳞状细胞癌患者，共811例，来自3个独立队列。	医学影像分析	口咽癌	CT影像	Swin Transformer	CT影像数据	811例p16+口咽癌患者	NA	Swin Transformer	C指数、风险比、对数秩检验、净获益	NA
1037	2026-08-16	Grading of Foveal Hypoplasia Using Deep Learning on Retinal Fundus Images 2025-May-01, Translational vision science & technology IF:2.6Q2 DOI:10.1167/tvst.14.5.18 PMID:40402544	研究论文	本研究旨在开发和评估一个基于视网膜眼底图像进行中心凹发育不良分级的人工智能模型	提出了一种使用深度学习技术对视网膜眼底图像进行中心凹发育不良自动分级的新方法，并证明其性能优于初级和高级临床医生的人工评估	未提及研究的局限性	开发并评估一个利用视网膜眼底图像进行中心凹发育不良分级的深度学习模型	中心凹发育不良患者	医学影像分析，深度学习	中心凹发育不良	眼底成像，光学相干断层扫描	卷积神经网络	视网膜眼底图像	605张视网膜眼底图像（来自303名患者）	PyTorch	EfficientNet_b1	准确率, 敏感性, 特异性, AUC, AUPRC	未提及
1038	2026-08-13	Synthetic-to-real attentive deep learning for Alzheimer's assessment: A domain-agnostic framework for ROCF scoring 2025-11, Journal of biomedical informatics IF:4.0Q2 DOI:10.1016/j.jbi.2025.104929 PMID:41110737	研究论文	提出一种基于合成到真实注意深度学习框架，用于阿尔茨海默病评估中的Rey-Osterrieth复杂图形（ROCF）测试自动评分。	创新之处包括：轻量级数据合成管道生成真实且多样的带标注ROCF绘图；设计跨域评分模型ROCF-Net，通过线特定注意力机制处理笔划纹理和线条伪影的领域差异；以及利用合成数据减少人口统计差异的偏差感知框架。	局限性可能包括：依赖合成数据，真实数据验证范围有限；跨域泛化能力可能仍有提升空间；未明确提及对其他认知测试的适用性或计算资源的具体限制。	实现ROCF测试的自动评分，提高早期阿尔茨海默病诊断的准确性和效率，减少主观偏差和数据稀缺问题。	ROCF测试中的绘图样本，包括来自不同来源的临床数据和合成生成的数据。	计算机视觉	阿尔茨海默病	合成数据生成（非特定测序技术）	卷积神经网络（CNN）	图像	未明确指明具体样本数量，提及多个不同来源的数据集	未明确指定框架	ROCF-Net（专门设计的深度学习模型）	平均绝对误差（MAE）、皮尔逊相关系数（PCC）	未明确说明，但强调计算成本低，不使用重型Transformer模型
1039	2026-08-13	Leveraging artificial intelligence and machine learning in kinase inhibitor development: advances, challenges, and future prospects 2025-Oct-15, RSC medicinal chemistry IF:4.1Q2 DOI:10.1039/d5md00494b PMID:40919316	综述	本文综述了人工智能和机器学习在激酶抑制剂开发中的应用，涵盖药物设计、优化和再利用等方面的进展、挑战及未来前景	系统总结了深度学习、图神经网络和生成模型在激酶抑制剂开发全流程中的应用，并讨论了联邦学习、个性化抑制剂和AI驱动的联合疗法等新兴方向	数据稀疏性、模型可解释性以及计算结果与实验之间的转化差距	探讨AI/ML方法如何克服激酶抑制剂开发中的挑战，加速下一代激酶靶向治疗药物的开发	激酶抑制剂，包括BTK和EGFR抑制剂等代表性案例	机器学习	癌症、自身免疫性疾病	深度学习、图神经网络、生成模型	NA	NA	NA	NA	NA	NA	NA
1040	2026-08-13	Actigraphy against 32-hour polysomnography in patients with suspected idiopathic hypersomnia 2025-10, Journal of sleep research IF:3.4Q2 DOI:10.1111/jsr.70007 PMID:39979124	研究论文	本研究验证了基于腕部活动记录的深度学习算法（S2S序列到序列长短期记忆网络）在疑似特发性嗜睡症患者中预测睡眠-觉醒状态的能力，并与商业算法（Actiwatch Software）及32小时多导睡眠监测进行比较。	首次在疑似特发性嗜睡症患者中验证基于深度学习的活动记录算法，其性能优于商业算法，并显著减少睡眠高估误差。	未探讨算法在家庭环境中的实际应用效果，且样本中女性比例较高可能影响泛化性。	验证基于活动记录的深度学习算法在疑似特发性嗜睡症患者中预测睡眠-觉醒参数的准确性，并比较其与商业算法的性能。	疑似特发性嗜睡症的过度嗜睡患者	机器学习	特发性嗜睡症	活动记录（腕部活动记录仪）	循环神经网络（RNN）	时间序列数据（活动记录）	126名患者（91名女性，平均年龄30.6±15.5岁）	NA	序列到序列长短期记忆网络（S2S-LSTM）	绝对误差，Bland-Altman分析	NA