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
1101	2026-02-27	Refined selection of individuals for preventive cardiovascular disease treatment with a transformer-based risk model 2025-Jun, The Lancet. Digital health DOI:10.1016/j.landig.2025.03.005 PMID:40461349	研究论文	本研究开发并验证了一种基于Transformer的深度学习模型TRisk，用于预测心血管疾病在初级预防人群和糖尿病患者中的10年风险	首次将Transformer架构应用于心血管疾病风险评估，相比传统统计模型和现有深度学习方法，能更精准地识别高风险个体，减少过度治疗	研究未提及外部验证或跨地域泛化能力，且未说明模型的可解释性如何	开发一种新型深度学习模型，以改进心血管疾病预防治疗中的个体选择策略	英国25-84岁的成年人群，包括初级预防人群和糖尿病患者	机器学习	心血管疾病	深度学习	Transformer	电子健康记录	约300万成年人，来自389家全科诊所	NA	Transformer	C指数, 净收益, 假阴性率	NA
1102	2026-02-27	Applications of Artificial Intelligence in Constrictive Pericarditis: A Short Literature Review 2025-Mar-11, Current cardiology reports IF:3.1Q2 DOI:10.1007/s11886-025-02222-x PMID:40067491	综述	本文是一篇关于人工智能在缩窄性心包炎中应用的简短文献综述	探讨了新兴人工智能应用（如认知机器学习和深度学习算法ResNet50）在区分缩窄性心包炎与限制性心肌病方面的潜力，AUC值超过0.95	模型存在泛化性和可解释性问题，且由于难以获取大规模高质量超声心动图数据集，该领域的人工智能应用发展仍处于早期阶段	回顾人工智能在缩窄性心包炎诊断、风险分层和治疗规划中的应用，以改善患者预后	缩窄性心包炎	数字病理学	心血管疾病	超声心动图、计算机断层扫描、磁共振成像	深度学习	图像	NA	NA	ResNet50	AUC	NA
1103	2026-02-27	Application of artificial intelligence in forecasting survival in high-grade glioma: systematic review and meta-analysis involving 79,638 participants 2025-Feb-15, Neurosurgical review IF:2.5Q1 DOI:10.1007/s10143-025-03419-y PMID:39954167	系统综述与荟萃分析	本文通过系统综述和荟萃分析，评估了人工智能模型在预测高级别胶质瘤患者生存结局方面的性能	本研究特别关注了AI在高级别胶质瘤复发预测中的潜力，并整合了临床、影像组学和遗传学等多模态数据，发现整合模型优于单一数据类型模型	需要在前瞻性、多中心研究中进行进一步验证以确保临床适用性	评估人工智能模型在预测高级别胶质瘤患者生存结局方面的性能	高级别胶质瘤患者	机器学习	高级别胶质瘤	NA	机器学习, 深度学习	临床数据, 影像数据, 遗传数据	79,638名患者	NA	随机森林, 逻辑回归	AUC	NA
1104	2026-02-27	Performance of Radiomics-based machine learning and deep learning-based methods in the prediction of tumor grade in meningioma: a systematic review and meta-analysis 2025-Jan-24, Neurosurgical review IF:2.5Q1 DOI:10.1007/s10143-025-03236-3 PMID:39849257	系统综述与荟萃分析	本文通过系统综述和荟萃分析评估了基于影像数据的机器学习（ML）和深度学习（DL）方法在预测脑膜瘤WHO分级中的性能	首次对ML/DL模型在预测脑膜瘤WHO分级中的性能进行了全面的系统综述和荟萃分析，并探讨了验证类型和研究队列对模型性能的影响	纳入研究存在异质性，且需要更多使用外部验证和大规模数据集来评估DL算法的性能	评估基于影像数据的机器学习和深度学习模型在预测脑膜瘤WHO分级中的诊断性能	脑膜瘤患者	医学影像分析	脑膜瘤	影像学研究（如MRI、CT等）	机器学习, 深度学习	影像数据	32项研究，共15,365名患者	NA	NA	AUROC, 特异性, 敏感性	NA
1105	2026-02-26	Artificial Intelligence for Microbiology and Microbiome Research 2025-Dec-18, ArXiv PMID:41445807	综述	本文全面回顾了人工智能在微生物学和微生物组研究中的应用，涵盖技术进展和生物学见解	强调了AI在微生物学领域的变革性作用，并提供了从传统机器学习到深度学习方法的指导	NA	概述AI驱动的方法在微生物学和微生物组研究中的应用，以增强对微生物生命及其影响的理解	微生物学和微生物组研究	机器学习	NA	NA	NA	NA	NA	NA	NA	NA	NA
1106	2026-02-26	Transforming Intraoperative Breast Cancer Diagnosis through D-FFOCT and AI Integration 2025-Nov-21, Asian Pacific journal of cancer prevention : APJCP DOI:10.31557/APJCP.2025.26.11.3877 PMID:41312911	评论	本文讨论了将动态全场光学相干断层扫描与人工智能相结合，用于术中乳腺癌诊断的变革潜力	提出将D-FFOCT的高分辨率实时成像与AI（特别是深度学习算法）相结合，以非破坏性方式显著提升术中诊断速度和准确性	实施挑战包括需要高质量数据集以及解决算法偏差问题	优化乳腺癌手术的术中诊断，提升决策质量并改善患者预后	乳腺癌组织样本	数字病理学	乳腺癌	动态全场光学相干断层扫描	深度学习	图像	NA	NA	NA	诊断准确性, 速度	NA
1107	2026-02-26	Automated tumor stroma ratio assessment in colorectal cancer using hybrid deep learning approach 2025-Nov-20, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-24229-8 PMID:41266465	研究论文	本研究提出了一种混合深度学习方法，用于结直肠癌中肿瘤-间质比的自动评估	首次引入结合Transformer机制的集成深度学习方法，以增强TSR评估中的空间上下文理解，解决了传统纯CNN模型的局限性	未明确说明	开发一种自动、客观且稳健的结直肠癌肿瘤-间质比评估方法	结直肠癌组织切片图像	数字病理学	结直肠癌	全切片图像分析	CNN, Transformer	图像	NA	NA	CNN-Transformer UNET, Efficient-TransUNet	准确率, 精确率, 召回率, F1分数, 马修斯相关系数, 聚合Dice系数	NA
1108	2026-02-26	Wearable interactive full-body motion tracking and haptic feedback network systems with deep learning 2025-Sep-29, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-63644-3 PMID:41022813	研究论文	本研究提出了一种结合全身运动跟踪与实时双向触觉反馈的低成本可穿戴系统	整合柔性贴片式表皮触觉设备与远程机器学习框架，实现全身运动捕捉和个性化时间同步反馈，采用闭环设计支持实时双向触觉提示	NA	开发一种成本效益高的运动跟踪系统，结合全身运动分析与实时双向触觉反馈	可穿戴交互式全身运动跟踪与触觉反馈网络系统	机器学习	NA	深度学习	NA	运动数据	NA	NA	NA	NA	NA
1109	2026-02-26	Integrating deep learning for post-translational modifications crosstalk on Hsp90 and drug binding 2025-09, The Journal of biological chemistry IF:4.0Q2 DOI:10.1016/j.jbc.2025.110519 PMID:40716748	研究论文	本研究利用深度学习模型结合质谱分析，探索Hsp90蛋白的翻译后修饰（PTM）互作及其与药物结合的调控机制	首次将深度学习AI预测模型与质谱分析相结合，用于解析Hsp90等复杂蛋白质的PTM互作网络，提供了一种高效快速的研究方法	研究主要基于人类细胞系，可能无法完全反映体内复杂环境；深度学习模型的泛化能力有待进一步验证	探究Hsp90蛋白的翻译后修饰互作机制及其对药物结合的影响	热休克蛋白-90（Hsp90）及其翻译后修饰（磷酸化和乙酰化）	机器学习	癌症	质谱分析	深度学习	质谱数据	人类细胞系（HDAC3和HDAC8敲除细胞）	NA	NA	NA	NA
1110	2026-02-26	Machine learning-based multimodal radiomics and transcriptomics models for predicting radiotherapy sensitivity and prognosis in esophageal cancer 2025-07, The Journal of biological chemistry IF:4.0Q2 DOI:10.1016/j.jbc.2025.110242 PMID:40381695	研究论文	本研究整合了基于机器学习的多模态放射组学和转录组学，开发了用于预测食管癌放疗敏感性和预后的模型	首次将SEResNet101深度学习模型应用于食管癌的影像和转录组数据，并识别出与预后相关的关键基因STUB1、PEX12和HEXIM2，同时揭示了STUB1通过泛素化降解SRC蛋白来增强放疗敏感性的新机制	研究数据主要来源于公开数据库UCSC Xena和TCGA，可能缺乏外部验证队列；实验验证仅限于体外和体内模型，尚未进行大规模临床验证	开发预测食管癌放疗敏感性和预后的模型，以实现个体化放疗计划	食管癌患者	机器学习	食管癌	放射组学，转录组学	深度学习	影像数据，转录组数据	来自UCSC Xena和TCGA数据库的食管癌患者数据（具体样本数未明确说明）	NA	SEResNet101	生存概率分层	NA
1111	2026-02-26	A new age in structural S-layer biology: Experimental and in silico milestones 2025-06, The Journal of biological chemistry IF:4.0Q2 DOI:10.1016/j.jbc.2025.110205 PMID:40345586	综述	本文总结了近五年来S层蛋白结构研究的主要进展，包括实验结构测定和计算建模方面的突破	首次系统探讨了计算建模方法在S层蛋白研究中的应用，并展望了计算方法如何进一步推动对该蛋白结构的理解	NA	总结S层蛋白结构生物学领域的最新研究成果和方法进展	细菌和古菌中的表面(S-)层蛋白	结构生物学	NA	高分辨率成像，深度学习结构预测	深度学习模型	蛋白质结构数据，成像数据	NA	NA	NA	NA	NA
1112	2026-02-26	Tumor cell villages define the co-dependency of tumor and microenvironment in liver cancer 2025-Mar-12, bioRxiv : the preprint server for biology DOI:10.1101/2025.03.07.642107 PMID:40161587	研究论文	本研究通过空间单细胞成像和单细胞RNA测序分析肝细胞癌，开发了基于深度学习的空间动态网络策略，揭示了肿瘤细胞状态与微环境之间的空间共依赖性	首次提出“肿瘤细胞村庄”概念，并利用深度学习策略构建空间动态网络，揭示肿瘤细胞状态与微环境之间的特异性分子共依赖性及其对患者预后的影响	研究样本量相对有限（50个肿瘤生物样本），且仅针对肝细胞癌，未涉及其他癌症类型	探究肝细胞癌中肿瘤空间景观的形成机制及其对肿瘤适应性的影响	肝细胞癌肿瘤组织中的细胞及其微环境	数字病理学	肝癌	空间单细胞成像, 单细胞RNA测序	深度学习	图像, 基因表达数据	超过200万个细胞，来自50个肿瘤生物样本	NA	NA	NA	NA
1113	2026-02-26	Breast radiotherapy planning: A decision-making framework using deep learning 2025-Mar, Medical physics IF:3.2Q1 DOI:10.1002/mp.17527 PMID:39625151	研究论文	本研究开发了一个基于深度学习的决策框架，用于预测乳腺癌放疗的剂量分布，以辅助选择最佳治疗技术（IMRT或3D-CRT）	利用2D U-Net CNN模型预测剂量分布图和DVH指标，构建了一个决策框架，显著优于历史决策方法，在准确率、召回率和精确率上表现更优	研究基于回顾性数据集，且仅涉及两个医疗中心，可能受到CT系统、剂量学协议和临床实践差异的影响，外部验证样本量较小（30例）	开发一个深度学习决策框架，以预测剂量分布并辅助选择乳腺癌放疗的最佳治疗技术	乳腺癌患者，特别是接受IMRT和3D-CRT治疗的患者	数字病理学	乳腺癌	强度调制放射治疗（IMRT），三维适形放射治疗（3D-CRT）	CNN	图像（CT图像）	346例患者用于训练和微调，30例患者用于外部验证	NA	U-Net	Dice相似系数（DSC），剂量体积直方图（DVH）分析，准确率，召回率，精确率	NA
1114	2026-02-26	Precision cotton disease detection via transformer models applied to leaf imagery 2025, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2025.1743264 PMID:41736992	研究论文	本文提出了一种基于Transformer架构的深度学习框架，用于自动分类棉花叶片病害	首次将多种Transformer模型（ViT、Swin Transformer、DeiT、T2T-ViT）应用于棉花叶片病害检测，并采用分层K折交叉验证确保模型评估的鲁棒性	仅针对四种棉花病害类别进行研究，未涵盖更广泛的病害类型或环境变异	开发高精度的棉花叶片病害自动检测系统，以提升农业监测效率	棉花叶片图像（包含卷叶病毒、细菌性疫病、枯萎病和健康叶片四种类别）	计算机视觉	植物病害	深度学习图像分类	Transformer	图像	未明确说明具体样本数量，但包含四种类别的棉花叶片图像数据集	未明确说明	Vanilla Vision Transformer (ViT), Swin Transformer, DeiT, T2T-ViT	准确率	未明确说明
1115	2026-02-26	Deep learning analysis of MRI to assess rectal cancer treatment 2025, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2025.1643852 PMID:41737732	研究论文	本研究开发了深度学习模型，用于直肠癌治疗前后MRI图像的自动肿瘤分割，并通过影像组学特征区分临床完全缓解与非完全缓解患者	采用半监督学习与伪标签数据显著提升了治疗前MRI肿瘤分割性能，并利用影像组学聚类揭示了与治疗反应状态一致的患者分组	样本量较小（37例），且治疗后分割因组织变化面临挑战，影像组学特征需在更大规模多中心研究中验证	开发客观定量的工具，以改善局部晚期直肠癌治疗反应的评估	局部晚期直肠癌患者的治疗前后MRI图像	数字病理	直肠癌	MRI, 影像组学分析	深度学习模型	MRI图像（T2加权图像, ADC图）	37例局部晚期直肠癌患者（来自II期TNT试验），额外81例用于伪标签生成	NA	NA	Dice相似系数, ICC, Spearman相关系数	NA
1116	2026-02-25	Artificial intelligence-powered copilots for precision diagnosis and surgical assessment of histological growth patterns in resectable colorectal liver metastases: a prospective study 2025-Nov-01, International journal of surgery (London, England) DOI:10.1097/JS9.0000000000002922 PMID:40638258	研究论文	本研究开发了一种名为COFFEE的基于Transformer的深度学习模型，用于利用结直肠癌肝转移患者的全切片图像精确分类组织病理学生长模式，旨在辅助病理诊断和手术评估	开发了首个基于Transformer和TransMIL框架的AI模型COFFEE，用于结直肠癌肝转移中组织病理学生长模式的精确分类，并展示了其在辅助病理医生提高诊断准确性和效率方面的潜力	研究样本量相对有限，前瞻性队列仅包含30名患者，且模型在更广泛人群和不同医疗中心中的泛化能力有待进一步验证	开发人工智能辅助工具，以提高结直肠癌肝转移中组织病理学生长模式的诊断精度和手术评估效率	被诊断为结直肠癌肝转移的患者及其全切片图像	数字病理学	结直肠癌	全切片图像分析	Transformer, 深度学习	图像	431名患者（训练集297名，测试集104名，前瞻性队列30名），涉及来自TCGA-COAD队列的1442张WSI和验证集的972张WSI	PyTorch	Vision Transformer, TransMIL	AUC, 准确率	NA
1117	2026-02-25	Learning the syntax of plant assemblages 2025-Oct, Nature plants IF:15.8Q1 DOI:10.1038/s41477-025-02105-7 PMID:41083838	研究论文	提出一种受大语言模型启发的方法，通过学习植物群落中物种丰度排序序列的“句法”来预测物种组成和栖息地类型	首次将大语言模型的序列建模思想应用于植物群落生态学，通过捕捉物种间的潜在关联来提升预测性能	研究范围目前局限于欧洲及邻近地区的植物物种，未明确说明模型在极端环境或高度干扰生态系统中的泛化能力	开发一种能够准确预测植物群落物种组成和栖息地类型的方法，以支持生物多样性保护与生态恢复	欧洲及邻近地区的植物群落物种组成数据	自然语言处理	NA	物种丰度序列建模	神经网络	物种序列数据	覆盖超过10,000种植物物种	NA	基于大语言模型架构的序列模型	准确率	NA
1118	2026-02-25	An Open-Source Deep Learning-Based Toolbox for Automated Auditory Brainstem Response Analyses (ABRA) 2025-Sep-23, bioRxiv : the preprint server for biology DOI:10.1101/2024.06.20.599815 PMID:38948763	研究论文	介绍了一个基于深度学习的开源工具箱ABRA，用于自动化分析听觉脑干反应（ABR）波形	开发了首个基于深度学习的开源ABR分析工具，实现了ABR波形分析的自动化和标准化，显著减少了分析时间并提高了跨实验室数据的可重复性	未明确说明模型在极端或罕见病例上的泛化能力，以及训练数据集的详细规模和多样性限制	开发自动化工具以解决传统ABR分析中主观手动解释带来的变异性和可重复性挑战	听觉脑干反应（ABR）波形	机器学习	听力损失	听觉脑干反应（ABR）记录	CNN	电生理记录波形数据	NA	NA	卷积神经网络	与专家人工标注者性能相当	NA
1119	2026-02-25	Automated Cavity Detection and Classification Using Deep Learning 2025-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference DOI:10.1109/EMBC58623.2025.11252946 PMID:41336045	研究论文	本研究提出了一种基于深度学习的多尺度AI辅助方法，用于牙科X光片中的龋齿检测与分类	引入了基于Ultralytics YOLO11框架的多尺度方法，比较了图像级别和牙齿级别的分类与检测策略，强调了牙齿级别分析在提升检测精度方面的优势	在全图像定位方面存在挑战，未来需要改进分割技术、扩展临床数据集并在不同成像条件下验证性能	开发一种自动化的龋齿检测与分类系统，以辅助早期诊断和治疗规划	牙科X光片	计算机视觉	龋齿	深度学习	YOLO	图像	NA	Ultralytics YOLO11	YOLO11	准确率, mAP@50, 召回率	NA
1120	2026-02-25	U-Grad: A Grad-CAM-Guided Reduced U-Net for Efficient Lung Cancer Segmentation 2025-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference DOI:10.1109/EMBC58623.2025.11253530 PMID:41336182	研究论文	本文提出了一种名为U-Grad的新型模型，用于从2D CT切片中分割肺结节，该模型通过整合Grad-CAM生成的注意力热图来增强结节表示	提出了一种结合Grad-CAM生成热图与简化U-Net的混合架构，通过注意力机制增强模型对肺结节的表征能力，并提高了模型的可解释性	模型在测试集上的性能略低于简化U-Net（DC 91.27% vs 93.15%），且研究仅使用单一数据集进行验证	开发一种高效且可解释的深度学习模型，用于医学CT图像中的肺结节自动分割	肺结节（来自CT扫描图像）	数字病理学	肺癌	CT扫描	CNN	图像	使用NSCLC Radiogenomics数据集进行训练和测试	未明确提及	Reduced U-Net, U-Grad（Grad-CAM引导的简化U-Net）	Dice系数, 交并比	未明确提及