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
1161	2025-12-26	Alzheimer's Imaging Consortium 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70862_110185 PMID:41433769	研究论文	本文提出了一种掩码多模态多任务深度学习框架，通过整合合成PET扫描来改善在真实世界数据约束下的淀粉样蛋白负荷预测	提出了一种掩码多模态多任务深度学习框架，结合合成PET扫描生成，并利用掩码嵌入注意力机制显式处理缺失输入，以在常规临床数据不完整的情况下预测淀粉样蛋白负荷	研究队列主要来自ADNI项目，未来需要在更大、更多样化的队列中进行测试，并评估其对AD管理的真实世界影响	改善阿尔茨海默病淀粉样蛋白负荷的预测，以降低对昂贵PET扫描的依赖，并处理临床实践中常见的缺失数据问题	来自ADNI-2和ADNI-3项目的968名参与者的2,043个纵向观察数据	数字病理学	阿尔茨海默病	T1加权、T2*加权、FLAIR MRI，AV45-PET，CSF生物标志物检测	潜在扩散模型，深度学习网络	图像，临床数据	968名参与者（491名男性，477名女性，平均年龄72岁）的2,043个纵向观察	NA	潜在扩散模型，掩码嵌入注意力机制	平均绝对误差，曲线下面积	NA
1162	2025-12-26	Alzheimer's Imaging Consortium 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70862_109938 PMID:41433796	研究论文	本研究开发了一种可解释的皮层图卷积网络，用于从T1 MRI中提取皮层萎缩模式，以识别阿尔茨海默病高风险个体	提出了一种新颖的可解释皮层图卷积网络，能够捕捉皮层表面细微且异质的神经退行性变模式，这是传统深度学习方法难以原生处理的	模型需要在独立数据集（如NACC/ADRC）上进行验证以评估其泛化能力，且可解释性技术（如Grad-CAM和积分梯度）的应用有待进一步深入	开发一种基于图卷积网络的早期阿尔茨海默病风险预测模型	阿尔茨海默病神经影像倡议（ADNI）数据集中的受试者，包括认知正常者、稳定型轻度认知障碍者、进展型轻度认知障碍者和阿尔茨海默病患者	数字病理学	阿尔茨海默病	T1 MRI, FreeSurfer处理	图卷积网络	图像（T1 MRI）	1645名受试者（902名男性，743名女性），包括523名稳定认知正常者、339名稳定阿尔茨海默病患者和783名轻度认知障碍者	NA	皮层图卷积网络	平衡准确度	NA
1163	2025-12-26	Alzheimer's Imaging Consortium 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70862_110184 PMID:41433804	研究论文	本研究通过微调预训练的脑龄预测模型，利用3D脑部MRI数据预测阿尔茨海默病评估量表（ADAS13）分数	提出了一种基于预训练脑龄预测模型的微调方法，用于预测临床评估分数，相比传统方法在数据有限的情况下实现了更好的泛化性能	研究主要基于ADNI数据集，可能在其他人群或数据集中泛化能力有限；仅使用50%可用数据进行训练，虽然展示了数据效率，但可能未充分利用全部数据	开发阿尔茨海默病的诊断和预后工具，通过预测临床评估分数来测量疾病严重程度	阿尔茨海默病患者及风险个体的脑部MRI数据	医学影像分析	阿尔茨海默病	3D脑部MRI成像	深度学习模型	3D医学影像	11,041个MRI扫描（来自ADNI数据集），分为训练集5,536个、验证集2,815个、测试集2,690个	NA	集成模型（n=5）	平均绝对误差（MAE）, R²分数, 相关系数（r）	NA
1164	2025-12-26	Alzheimer's Imaging Consortium 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70862_109828 PMID:41433893	研究论文	本研究利用先进的成像技术和自动处理流程，识别额颞叶痴呆亚型的敏感生物标志物，并优化临床试验设计	整合体积和扩散MRI指标，结合深度学习分割技术，实现精确的早期变化检测，降低临床试验样本量需求	研究样本量有限，且仅基于单一数据集（FTLDNI），可能影响结果的普适性	识别额颞叶痴呆亚型的敏感生物标志物，优化临床试验设计	额颞叶痴呆患者（包括行为变异型、语义变异型和非流利变异型）及健康对照	数字病理学	额颞叶痴呆	MRI，扩散MRI，深度学习分割	深度学习	MRI图像	238名参与者（52名行为变异型FTD，32名非流利变异型PPA，35名语义变异型PPA，117名健康对照）	NA	NA	NA	NA
1165	2025-12-26	Developing Topics 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70861_108718 PMID:41434014	研究论文	本文提出了一种可解释的深度学习框架，用于联合表征局部和全局的大脑衰老模式，并直接解释潜在的脑形态变化	开发了一种可解释的深度学习框架，通过联合学习体素级脑变化和全脑衰老模式，直接解释衰老相关的形态变化，克服了现有方法缺乏机制理解和低分辨率可视化的问题	方法仅在认知未受损个体上训练以学习典型衰老轨迹，可能未涵盖所有衰老变异性；依赖于特定预处理和数据集（ADNI）	表征典型大脑衰老轨迹，检测加速或弹性衰老模式，并提高对衰老预测过程的可解释性	大脑衰老模式，特别是与阿尔茨海默病相关的异常衰老	机器学习	阿尔茨海默病	深度学习，微分同胚配准方法	深度学习框架	MRI扫描图像	10,579次扫描来自2,366名受试者（来自纵向ADNI数据集）	NA	NA	年龄差异预测准确性，衰老模式空间分布	NA
1166	2025-12-26	Developing Topics 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70861_108731 PMID:41434039	研究论文	本研究旨在通过使用加速预处理和仅依赖标准T1加权图像，提高先前提出的阿尔茨海默病萎缩亚型与分期模型的可及性	改进了萎缩亚型与分期模型，使其适用于标准T1加权图像和加速预处理，提高了在现实世界临床环境中的可及性	亚型和分期分配仅基于横断面数据，尽管纵向MRI扫描显示了亚型分类的稳定性	提高阿尔茨海默病萎缩亚型与分期模型的可及性，使其适用于标准MRI场强和加速预处理	阿尔茨海默病患者及风险个体的T1加权MRI扫描数据	数字病理学	阿尔茨海默病	T1加权MRI扫描	深度学习算法	图像	DELCODE队列813人，ADNI队列2117人，A4/LEARN队列1241人，总计4171名参与者	FastSurfer, SuStaIn	FastSurfer, SuStaIn	亚型和分期分类的一致性，模型在不同数据集和MRI场强下的泛化能力	NA
1167	2025-12-26	Alzheimer's Imaging Consortium 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70862_109817 PMID:41434097	研究论文	本研究使用深度学习从低分辨率（3T）MRI图像合成高分辨率（7T）T1加权MRI图像，以改善阿尔茨海默病相关结构的成像质量	首次利用深度学习从3T MRI图像合成7T分辨率图像，并比较了U-Net和U-Net-GAN模型的性能，在图像质量和分割任务上显示出优势	分类任务性能一般（准确率约60%），且模型泛化性和临床实用性仍需进一步改进	提高阿尔茨海默病相关脑结构的成像分辨率，以改善图像质量和分割精度	阿尔茨海默病患者及临床未受损个体的MRI图像	数字病理学	阿尔茨海默病	MRI成像	CNN, GAN	图像	178名参与者（134名临床未受损，48名受损）的配对7T和3T T1加权MRI图像	NA	U-Net, U-Net-GAN, V-Net, WATNet	图像质量指标，主观质量评估，分割相似度，分类准确率	NA
1168	2025-12-26	Developing Topics 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70861_108740 PMID:41434125	研究论文	本研究使用皮质网络模型模拟SST中间神经元退化，探讨其在阿尔茨海默病认知衰退中的关键作用	首次结合深度学习模型与神经科学数据，揭示SST中间神经元通过调控反馈信号在认知功能中的关键作用	模型基于简化假设，未完全模拟人脑复杂性；仅使用MNIST任务评估认知表现	探究SST中间神经元在阿尔茨海默病认知衰退中的机制	皮质网络模型中的SST样抑制连接与锥体样兴奋连接	计算神经科学	阿尔茨海默病	单核RNA测序	深度学习模型	模拟数据，RNA测序数据	NA	NA	BurstCCN	测试准确率	NA
1169	2025-12-26	Alzheimer's Imaging Consortium 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70862_109729 PMID:41434145	研究论文	本文介绍了一个名为purple-mri的新型软件包，用于对死后MRI进行组织分割、解剖分区和空间标准化，并提供了一个框架在共同坐标系中连接形态测量学和组织病理学	开发了一个结合深度学习和经典技术的联合体素与表面分析流程，用于死后大脑半球的精确分区，并实现了死后与生前MRI之间的可变形图像配准	研究样本量相对较小（N=49匹配案例，N=75完整队列），且部分分析未包含对应的生前MRI扫描	开发一个用于死后MRI图像分析的软件包，以研究阿尔茨海默病及相关痴呆症（ADRD）中大脑结构与病理变化之间的关联	死后大脑半球MRI图像，以及对应的生前MRI图像和组织病理学数据	数字病理学	阿尔茨海默病	MRI（7T和3T）、组织病理学检查	深度学习	图像	49个匹配的死后与生前MRI样本，外加26个仅死后MRI样本，总计75个死后MRI样本	NA	NA	NA	NA
1170	2025-12-26	Alzheimer's Imaging Consortium 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70862_109968 PMID:41434389	研究论文	本研究开发了一种基于深度学习的模型，用于从高度不平衡的数据集中自动分割腔隙（推测为血管源性），并有效区分其与类似腔隙的特征	采用基于监督对比学习的预训练编码器的Attention U-Net架构，用于处理高度不平衡的数据集，并实现腔隙的实例级检测	研究仅基于单一医疗中心的427个MRI图像，缺乏多中心外部验证，且模型对少量腔隙（1-2个）的检测灵敏度有限（58.1%）	开发一个深度学习模型，用于自动分割MRI图像中的腔隙，以评估其与认知衰退和淀粉样蛋白相关成像异常（ARIA）风险的关系	来自Asan Medical Center的427个T2-FLAIR MRI图像，包含腔隙阳性患者和阴性患者	医学影像分析	阿尔茨海默病	T2-FLAIR MRI成像	深度学习	MRI图像	427个T2-FLAIR MRI图像（来自Asan Medical Center），测试集包括55名阳性患者（共166个腔隙）和31名阴性患者	NA	Attention U-Net	替代自由响应接收器操作特性（AFROC）分析、曲线下面积（AUC）、灵敏度、置信区间	NA
1171	2025-12-26	Alzheimer's Imaging Consortium 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70862_110222 PMID:41434400	研究论文	本文提出了一种名为'purple-mri'的完整半球离体到原位/活体分割与配准流程，用于处理多分辨率、跨模态的阿尔茨海默病相关MRI数据	结合深度学习分割架构与经典基于表面的建模技术，开发了两阶段跨模态微分同胚图像配准方法，以解决离体与原位MRI之间的配准挑战	厚度测量因组织损伤/缺失区域的缺乏分割而存在噪声，导致整体相关性略有下降	开发一种能够准确分割高分辨率离体MRI并实现多模态死后MRI一对一对应的流程，以加强形态计量学与组织病理学检查之间的关联研究	21个对照样本的离体与原位MRI数据	数字病理学	阿尔茨海默病	MRI成像	深度学习	图像	21个对照样本（年龄57-88岁；女性9例/男性12例）	FreeSurfer	NA	Spearman相关系数	NA
1172	2025-12-26	Basic Science and Pathogenesis 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70855_097917 PMID:41434440	研究论文	本研究利用深度学习分析单细胞RNA-seq数据，探索阿尔茨海默病多样临床表型的细胞和分子机制	首次在人群水平上应用深度学习分析大规模单核RNA-seq数据，识别表型关联细胞，并开发个性化单细胞功能基因组学方法，包括基因调控QTLs分析	研究主要基于前额叶皮层数据，可能未完全反映其他脑区变化；样本虽大但仍可能存在人群偏倚	揭示阿尔茨海默病多样临床表型的细胞和分子基础	1,494个个体大脑前额叶皮层的单核RNA-seq数据	生物信息学	阿尔茨海默病	单核RNA-seq	深度学习	基因表达数据	超过600万个细胞核，来自1,494个个体大脑	NA	NA	表型分类改进	NA
1173	2025-12-26	Basic Science and Pathogenesis 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70855_099459 PMID:41435353	研究论文	本研究开发了一种基于Transformer架构的深度学习模型，仅使用全基因组测序数据来预测阿尔茨海默病痴呆	提出了一种结合窗口注意力、注释增强和图卷积网络的多步骤深度学习模型，用于从WGS数据中整合局部和远距离关系以改进AD预测	模型预测准确率仍有提升空间（AUC=0.68），且仅分析了染色体19上APOE基因周围的特定基因组区域	开发深度学习模型以早期预测阿尔茨海默病痴呆	阿尔茨海默病患者和认知正常个体的全基因组测序数据	机器学习	阿尔茨海默病	全基因组测序	Transformer, GCN	基因组序列数据	1050个样本（443名认知正常，607名AD痴呆）	NA	Transformer, GCN	AUC	NA
1174	2025-12-26	Deep Learning-Based Segmentation of Coronary Arteries and Stenosis Detection in X-Ray Coronary Angiography 2025-Dec, JACC. Advances DOI:10.1016/j.jacadv.2025.102360 PMID:41447280	研究论文	本文旨在训练深度学习模型用于分割冠状动脉并检测X射线冠状动脉造影中的显著狭窄，进行外部验证并与专家变异性进行比较	开发了基于深度学习的模型，能够自动分割冠状动脉并检测显著狭窄，其性能与专家水平相当，并进行了多中心数据训练和外部验证	模型性能可能受限于训练数据的多样性和数量，且仅针对主要冠状动脉及其≥50%的狭窄进行检测	训练深度学习模型以自动分割冠状动脉并检测X射线冠状动脉造影中的显著狭窄，并进行外部验证	来自阿姆斯特丹大学医学中心和埃默里大学医院的X射线冠状动脉造影图像	计算机视觉	心血管疾病	X射线冠状动脉造影	深度学习模型	图像	训练集包含10,573张图像（中心1: 9,065张，中心2: 1,508张），验证集包含309张图像（中心1: 186张，中心2: 123张）	NA	NA	Dice系数, 检测率	NA
1175	2025-12-26	On the public dissemination and open sourcing of ultrasound resources, datasets and deep learning models 2025-Nov-24, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-025-02162-4 PMID:41286495	研究论文	本文评估了公开可用的超声数据集和深度学习模型，并提出了质量评分系统SonoDQS和SonoMQS	提出了原创的超声数据集质量评分SonoDQS和模型质量评分SonoMQS，系统性地分类和评估了公开资源	未提及具体的技术实施细节或模型性能验证，主要侧重于资源调查和评估	提高超声数据在医学影像机器学习研究中的利用率，促进公开资源的传播和使用	公开的超声数据集和深度学习模型	医学影像	NA	超声成像	深度学习模型	超声图像	72个公开超声数据集和56个开源模型	NA	NA	SonoDQS, SonoMQS	NA
1176	2025-11-24	Deep Learning for Automatic Detection of Aortic Dissection on Non-contrast Computed Tomography 2025-Nov-21, European journal of vascular and endovascular surgery : the official journal of the European Society for Vascular Surgery IF:5.7Q1 DOI:10.1016/j.ejvs.2025.09.072 PMID:41274488	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1177	2025-12-26	A predicted structural interactome reveals binding interference from intrinsically disordered regions 2025-Nov-20, bioRxiv : the preprint server for biology DOI:10.1101/2025.08.15.670535 PMID:40894573	研究论文	本研究利用AlphaFold2多聚体预测了蛋白质-蛋白质相互作用，并强调了内在无序区域在相互作用中的重要性	结合功能关联数据预测物理相互作用，并系统分析内在无序区域的作用	主要针对非哺乳动物物种，可能不适用于所有生物体系	预测和解析蛋白质-蛋白质相互作用的分子细节	蛋白质相互作用网络	机器学习	NA	深度学习	AlphaFold2	蛋白质序列与结构数据	NA	AlphaFold2	AlphaFold2多聚体	NA	NA
1178	2025-12-26	MeNet: A mixed-effect deep neural network for multi-environment genomic prediction of agronomic traits 2025-Nov-19, Plant communications IF:9.4Q1 DOI:10.1016/j.xplc.2025.101620 PMID:41267404	研究论文	提出了一种名为MeNet的混合效应深度神经网络，用于多环境下的农艺性状基因组预测	将混合效应模型的统计严谨性与神经网络的非线性建模能力统一起来，通过双嵌入和自适应学习遗传复杂性来动态调整随机效应和固定效应的贡献，能够直接利用基因组变异而不需降维，并能在仅使用10%田间样本进行训练的情况下进行跨环境预测	未明确说明模型在更广泛作物或极端环境条件下的泛化能力，以及计算效率的具体分析	提高多环境下农艺性状基因组预测的准确性和可解释性	水稻、小麦和玉米的农艺性状	机器学习	NA	基因组预测	深度神经网络	基因组数据	三个数据集，包括12个水稻性状（三个环境）、小麦籽粒产量（四个环境）和三个玉米性状	NA	MeNet（混合效应深度神经网络）	NA	NA
1179	2025-12-26	Component puzzle protein-protein interaction prediction 2025-Nov-01, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaf685 PMID:41428392	研究论文	本文提出了一种名为C3PI的新型基于序列的深度学习框架，用于预测蛋白质-蛋白质相互作用	引入了包含puzzler和entangler两种新颖组件的复杂架构，首次在无数据泄露的金标准数据集上实现了显著优于随机预测的性能	未明确说明模型在特定蛋白质类型或复杂相互作用场景下的局限性	提高蛋白质-蛋白质相互作用预测的准确性和可靠性	蛋白质序列及其相互作用	生物信息学	NA	蛋白质嵌入（ProtT5）	深度学习	蛋白质序列数据	多个数据集（具体数量未在摘要中说明）	NA	包含puzzler和entangler组件的定制架构	AUPRC, AUROC	NA
1180	2025-12-26	Structure-enhanced deep learning accelerates aptamer selection for small molecule families like steroids 2025-Nov-01, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaf680 PMID:41428391	研究论文	本文提出了一种名为DL-SELEX的两步深度学习框架，通过变分自编码器加速和优化小分子家族（如类固醇）的适配体选择	首次将深度学习整合到SELEX工作流中，利用AptaVAE和AptaClux两个VAE模型，基于分子家族的结构共性设计初始适配体库并从NGS数据中识别高性能候选物	NA	加速和优化小分子家族（如类固醇）的高亲和力适配体发现	小分子家族（如类固醇），具体以氢化可的松和睾酮为例	机器学习	NA	SELEX, NGS	VAE	序列数据	NA	NA	AptaVAE, AptaClux	亲和力提升倍数, SELEX迭代减少百分比	NA