深度学习在生物医药领域中的应用

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
11461	2025-04-23	Transforming physical fitness and exercise behaviors in adolescent health using a life log sharing model 2025, Frontiers in public health IF:3.0Q2 DOI:10.3389/fpubh.2025.1562151 PMID:40255372	研究论文	本研究探讨了基于深度学习的生命日志共享模型（LLSM）在通过个性化公共卫生干预增强青少年身体素质和锻炼行为方面的潜力	开发了一种混合时空卷积神经网络-双向长短期记忆（TS-CNN-BiLSTM）模型，整合了多模态生命日志数据的时间、文本和视觉特征，用于分类和预测身体活动行为	未提及具体局限性	通过个性化公共卫生干预增强青少年身体素质和锻炼行为	青少年	机器学习	NA	深度学习	TS-CNN-BiLSTM	多模态生命日志数据（运动类型、持续时间、强度）	两个数据集：Geo-Life Log（带位置数据）和Time-Life Log（不带位置数据）
11462	2025-04-23	RNA secondary structure prediction by conducting multi-class classifications 2025, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2025.04.001 PMID:40256169	研究论文	本研究提出了一种通过多类别分类预测RNA二级结构的简单方法，无需复杂的后处理步骤	将RNA二级结构预测视为多个多类别分类问题，避免了复杂的后处理步骤，并引入了数据增强和跨RNA家族评估性能下降缓解方法	未提及具体的数据集规模或模型在特定RNA家族上的局限性	改进RNA二级结构预测的准确性和简化预测流程	RNA二级结构	自然语言处理	NA	深度学习	注意力机制和CNN	RNA序列数据	NA
11463	2025-04-23	Enhancing Gamma Knife Cone-beam Computed Tomography Image Quality Using Pix2pix Generative Adversarial Networks: A Deep Learning Approach 2025 Jan-Mar, Journal of medical physics IF:0.7Q4 DOI:10.4103/jmp.jmp_140_24 PMID:40256180	研究论文	本研究开发了一种改进的Pix2Pix卷积神经网络框架，用于提升锥形束计算机断层扫描（CBCT）图像质量，并减少Hounsfield单位（HU）的变异	使用改进的Pix2Pix生成对抗网络（GAN）框架，将CBCT图像转换为高质量合成CT（sCT）图像，显著提升了图像质量	研究样本量较小（50名患者），可能影响模型的泛化能力	提升CBCT图像质量，使其更接近CT图像，以用于放射外科手术	50名接受伽玛刀治疗的患者	计算机视觉	NA	锥形束计算机断层扫描（CBCT）	Pix2Pix GAN	图像	50名患者的7484张512×512像素的切片图像（40名用于训练，10名用于测试）
11464	2025-04-23	Evaluation of Low-dose Computed Tomography Images Reconstructed Using Artificial Intelligence-based Adaptive Filtering for Denoising: A Comparison with Computed Tomography Reconstructed with Iterative Reconstruction Algorithm 2025 Jan-Mar, Journal of medical physics IF:0.7Q4 DOI:10.4103/jmp.jmp_115_24 PMID:40256183	research paper	本研究评估了基于人工智能的自适应滤波去噪技术在低剂量计算机断层扫描（CT）图像重建中的应用，并与迭代重建算法进行了比较	首次比较了AI去噪工具PixelShine与迭代重建算法在不同低剂量条件下的图像质量，发现AI在33%标准剂量下表现更优	研究样本量有限（85例），且为回顾性研究	评估AI去噪技术在低剂量CT图像重建中的诊断价值	低剂量CT图像	digital pathology	NA	低剂量CT扫描	deep learning	medical image	85例CT扫描病例（32例FBP重建，53例IR重建）
11465	2025-04-23	A new method for early diagnosis and treatment of meniscus injury of knee joint in student physical fitness tests based on deep learning method 2025, BioImpacts : BI IF:2.2Q3 DOI:10.34172/bi.30419 PMID:40256232	research paper	提出了一种基于深度学习的膝关节半月板损伤早期诊断和治疗方法，用于学生体能测试	采用增强版的U-Net算法进行图像分割，结合集成方法进行损伤类型识别，提高了诊断的准确性和及时性	研究仅基于MRI图像数据集，未涉及其他类型的医学影像数据	提高学生体能测试中膝关节半月板损伤的早期诊断和治疗效果	学生体能测试中的膝关节半月板损伤	digital pathology	膝关节半月板损伤	MRI	U-Net	image	一个知名的膝关节损伤MRI图像数据集
11466	2025-04-23	The diagnostic and prognostic value of C1orf174 in colorectal cancer 2025, BioImpacts : BI IF:2.2Q3 DOI:10.34172/bi.30566 PMID:40256241	research paper	该研究通过生物信息学和机器学习算法分析RNA和microRNA测序数据，鉴定结直肠癌中的差异表达基因，并验证了C1orf174的诊断和预后价值	发现了五个新的预后基因，包括C1orf174，并通过机器学习算法确定了高准确度的诊断标志物组合	研究依赖于TCGA数据库的数据，未提及独立验证队列的结果	鉴定结直肠癌的新型生物标志物，用于早期检测和预后评估	结直肠癌患者和正常对照的RNA和microRNA测序数据	digital pathology	colorectal cancer	RNA-seq, microRNA sequencing, Real-time PCR	Deep learning, Decision Tree, SVM	RNA-seq data, microRNA data	631个样本（398例患者和233例正常对照）
11467	2025-04-23	Mortality prediction of heart transplantation using machine learning models: a systematic review and meta-analysis 2025, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2025.1551959 PMID:40256322	系统综述与荟萃分析	本文通过系统综述和荟萃分析评估机器学习模型在预测心脏移植后死亡率中的性能	比较了多种机器学习算法在心脏移植后死亡率预测中的表现，并识别了影响模型准确性的因素	研究存在显著的异质性和偏倚，需要标准化方法和进一步的外部验证以提高临床适用性	评估机器学习算法在预测心脏移植后死亡率中的性能并优化决策过程	心脏移植患者	机器学习	心血管疾病	机器学习算法（如随机森林、CatBoost、神经网络等）	随机森林、CatBoost、神经网络、K近邻	临床数据	17项研究纳入综述，12项研究纳入荟萃分析
11468	2025-04-23	Machine learning vs human experts: sacroiliitis analysis from the RAPID-axSpA and C-OPTIMISE phase 3 axSpA trials 2025, Rheumatology advances in practice IF:2.1Q3 DOI:10.1093/rap/rkae118 PMID:40256636	研究论文	本研究评估了深度学习模型在检测轴型脊柱关节炎（axSpA）患者骶髂关节炎中的性能，并与专家评估进行了比较	使用深度学习模型减少诊断时间并最小化读者间差异，首次在RAPID-axSpA和C-OPTIMISE试验中进行评估	模型在C-OPTIMISE队列中的特异性较低（56%），Cohen's κ值仅为0.48	评估深度学习模型在检测axSpA患者骶髂关节炎中的性能，以加速诊断并减少医疗资源使用	RAPID-axSpA（n=277）和C-OPTIMISE（n=739）试验中的axSpA患者	数字病理学	轴型脊柱关节炎	深度学习	深度学习模型（基于迁移学习）	X光影像	RAPID-axSpA（277例）和C-OPTIMISE（739例）患者的基线X光影像
11469	2025-04-23	Attention-aware Deep Learning Models for Dermoscopic Image Classification for Skin Disease Diagnosis 2025, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056332443241129113146 PMID:40259872	research paper	该研究利用深度学习模型结合注意力机制对皮肤镜图像进行分类，以提高皮肤疾病的诊断准确性	在预训练的CNN架构中集成了通道注意力和空间注意力机制，优化了特征提取和分类精度	未提及模型在临床环境中的实际应用效果或外部验证结果	利用深度学习方法分析皮肤镜图像，提高皮肤疾病的诊断准确性	七种类型的皮肤疾病	computer vision	skin disease	deep learning, attention mechanism	CNN (RegNetX, EfficientNetB3, VGG19, ResNet-152)	image	NA
11470	2025-04-22	DTF-diffusion: A 3D equivariant diffusion generation model based on ligand-target information fusion 2025-Aug, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108392 PMID:40020563	research paper	本文提出了一种基于配体-靶标信息融合的3D等变扩散生成模型DTF-diffusion，用于生成与特定靶蛋白结合的药物分子	DTF-diffusion通过多模态特征融合模块融合配体和靶标的三维位置特征信息，并设计了化学规则判别模块以提高生成配体结构的合理性	未明确提及具体局限性	开发一种能够生成与特定靶蛋白结合的药物分子的深度学习模型	药物分子和靶蛋白	machine learning	NA	扩散模型	DTF-diffusion	3D分子结构数据	基于CrossDocket2020数据集进行评估
11471	2025-04-22	Brain tumor segmentation and classification using MRI: Modified segnet model and hybrid deep learning architecture with improved texture features 2025-Aug, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108381 PMID:40020564	研究论文	本文提出了一种基于MRI的脑肿瘤自动分割与分类方法，采用改进的Segnet模型和混合深度学习架构，结合增强的纹理特征	提出了改进的Segnet模型和混合深度学习架构(HDLA)，结合Bi-LSTM和改进的Linknet模型，以及新的纹理特征提取方法	未提及模型在不同类型脑肿瘤上的泛化能力，也未讨论计算复杂度问题	开发自动化的脑肿瘤分割与分类系统以提高诊断效率和准确性	MRI脑部扫描图像	数字病理学	脑肿瘤	MRI图像分析	改进的Segnet模型、Bi-LSTM、改进的Linknet模型、HDLA混合架构	医学影像(MRI)	未明确提及具体样本数量，但测试集占比为90%
11472	2025-04-22	PocketDTA: A pocket-based multimodal deep learning model for drug-target affinity prediction 2025-Aug, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108416 PMID:40073710	研究论文	提出了一种基于口袋的多模态深度学习模型PocketDTA，用于药物-靶标亲和力预测	引入了口袋图结构，编码蛋白质残基特征作为节点，边代表不同的蛋白质序列和空间距离，克服了传统模型仅依赖蛋白质序列输入缺乏空间信息的限制	未明确提及具体局限性	提高药物-靶标亲和力预测的准确性和泛化能力	药物和蛋白质	机器学习	NA	深度学习	关系图卷积网络（Relational Graph Convolutional Networks）	序列数据和结构数据	多个基准数据集（具体数量未提及）
11473	2025-04-22	Multiple omics-based machine learning reveals specific macrophage sub-clusters in renal ischemia-reperfusion injury and constructs predictive models for transplant outcomes 2025-Aug, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108421 PMID:40086342	研究论文	本研究通过多组学机器学习方法揭示了肾缺血再灌注损伤中特定的巨噬细胞亚群，并构建了移植结果的预测模型	创新性地将基因表达矩阵转化为独特的图形像素模块，并应用先进的计算机视觉处理算法构建DGF预测模型，同时使用10种机器学习算法的111种组合开发移植物存活的预测特征	研究主要基于GEO数据库的scRNA-Seq数据，可能需要更多独立队列验证模型的普适性	分析巨噬细胞在IRI中的发育和分化特征，识别IRI的特定分子亚型，并建立DGF和移植物存活的预测策略	肾缺血再灌注损伤中的巨噬细胞亚群和移植受者	数字病理	肾脏疾病	scRNA-Seq, bulk RNA-Seq, qRT-PCR, WB, IHC	深度学习算法, 随机生存森林算法	基因表达数据, 图像数据	GEO数据库中的scRNA-Seq数据和小鼠IRI模型
11474	2025-04-22	On construction of data preprocessing for real-life SoyLeaf dataset & disease identification using Deep Learning Models 2025-Aug, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108417 PMID:40086344	research paper	该论文构建了一个真实的大豆叶片数据集SoyLeaf，并应用深度学习模型进行叶片病害识别	开发了包含9786张高质量大豆叶片图像的真实数据集SoyLeaf，并比较了多种预训练深度学习模型在该数据集上的表现	未提及模型在实际田间环境中的泛化能力测试	解决大豆叶片病害识别中高质量样本不足的问题	大豆叶片（健康与病害叶片）	computer vision	soybean leaf diseases	transfer learning	ResNet50V2, ResNet101V2, ResNet152V2, InceptionV3, InceptionResNetV2, MobileNet, MobileNetV2, DenseNet121, DenseNet169	image	9786张大豆叶片图像
11475	2025-04-22	Application of Machine Learning (ML) approach in discovery of novel drug targets against Leishmania: A computational based approach 2025-Aug, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108423 PMID:40086345	review	本文提出了一种基于机器学习的计算流程，用于预测抗利什曼病药物的活性	利用先进的机器学习和深度学习方法构建计算流程，克服传统方法的局限性	面临数据收集、特征提取和选择等挑战，需要进一步优化	优化抗利什曼病药物的发现和设计过程	具有抗利什曼活性的分子	machine learning	leishmaniasis	machine learning, deep learning	NA	molecular structures	NA
11476	2025-04-22	A critical address to advancements and challenges in computational strategies for structural prediction of protein in recent past 2025-Aug, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108430 PMID:40121710	review	本文回顾了计算蛋白质结构预测领域的历史演变，分析了最新模型的优缺点	探讨了深度学习模型如AlphaFold2、RoseTTAFold和OpenFold在蛋白质结构预测中的革命性应用	需要大量训练数据、计算资源需求高，以及在建模蛋白质动力学、内在无序区域和蛋白质-蛋白质相互作用方面存在困难	探索计算蛋白质结构预测的进展与挑战	蛋白质结构预测的计算方法	computational biophysics	NA	homology modeling, threading, ab initio folding, deep learning	AlphaFold2, RoseTTAFold, OpenFold	protein sequences and structures	NA
11477	2025-04-22	Drug-drug interaction prediction based on graph contrastive learning and dual-view fusion 2025-Aug, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108426 PMID:40138848	研究论文	提出了一种基于图对比学习和双视图融合的药物相互作用预测模型GDF-DDI	结合知识图谱网络和分子结构，通过双视图融合和图对比学习提取更丰富的药物嵌入信息	现有数据集中存在噪声和不完整数据，且数据量有限	提高药物相互作用(DDI)预测的性能	药物相互作用	机器学习	NA	图对比学习, 自监督学习	GDF-DDI, 图卷积网络	分子图, 知识图谱网络	两个数据集
11478	2025-04-22	In silico discovery of novel compounds for FAK activation using virtual screening, AI-based prediction, and molecular dynamics 2025-Aug, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108420 PMID:40157227	研究论文	利用虚拟筛选、AI预测和分子动力学模拟发现新型FAK激活化合物	开发了一个新流程，结合虚拟筛选、AI预测和分子动力学模拟，从1000万种化合物中筛选出10种潜在FAK激活剂，并最终确定3种最有希望的候选化合物	研究仅进行了计算机模拟，缺乏体外和体内实验验证	识别能够增强FAK活性的化合物	FAK(黏着斑激酶)及其潜在激活剂	计算生物学	癌症	虚拟筛选、分子对接模拟、分子动力学模拟、深度学习	GLAM、elEmBERT	化学化合物数据	从1000万种化合物开始筛选，最终确定3种候选化合物
11479	2025-04-22	Lung cancer detection and classification using optimized CNN features and Squeeze-Inception-ResNeXt model 2025-Aug, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108437 PMID:40158238	研究论文	本文提出了一种基于深度学习的方法，用于利用胸部CT扫描图像对肺癌进行分类	结合Squeeze-Inception V3与ResNeXt的新型Squeeze-Inception-ResNeXt模型，以及使用Slime Mould Algorithm (SMA)优化CNN特征提取	未提及具体的数据集来源或样本多样性，可能影响模型的泛化能力	开发一种高效的计算机辅助诊断系统，以提高肺癌的早期检测和分类准确性	胸部CT扫描图像中的肺结节	数字病理学	肺癌	计算机断层扫描(CT)	CNN, Squeeze-Inception-ResNeXt	图像	NA
11480	2025-04-22	pACPs-DNN: Predicting anticancer peptides using novel peptide transformation into evolutionary and structure matrix-based images with self-attention deep learning model 2025-Aug, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108441 PMID:40168838	研究论文	提出了一种基于自注意力深度学习模型pACPs-DNN，用于准确预测抗癌肽(ACPs)和非ACPs	将输入肽转化为基于残基能量接触矩阵(RECM)、替代矩阵表示(SMR)和位置特异性评分矩阵(PSSM)的图像表示，并采用局部二值模式(LBP)分解捕捉增强的结构和局部语义特征	未提及具体的数据集规模限制或模型计算资源需求	开发一种高效预测抗癌肽的深度学习模型，以推进癌症相关治疗药物的研发	抗癌肽(ACPs)和非ACPs	机器学习	癌症	残基能量接触矩阵(RECM)、替代矩阵表示(SMR)、位置特异性评分矩阵(PSSM)、局部二值模式(LBP)	自注意力深度神经网络(DNN)	肽序列数据	未明确提及具体样本数量，但在独立数据集Ind-I和Ind-II上进行了验证