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
1321	2025-12-24	RETRACTED: Optimization of house price evaluation model based on multi-source geographic big data and deep neural network 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0335722 PMID:41191568	研究论文	本文提出了一种基于多源地理大数据和深度神经网络的房价评估模型，通过集成注意力机制与空间特征提取，并利用蝙蝠优化算法提升模型的可解释性和准确性	提出了一种结合蝙蝠优化算法与注意力机制的混合深度学习网络，用于动态调整高影响力特征，解决了特征重要性不稳定、计算效率低和泛化能力差的问题，相比现有方法训练时间减少30%	未明确说明模型在不同房地产市场环境下的泛化能力，也未讨论模型对数据质量和数据缺失的敏感性	优化房价评估模型，提高预测准确性、计算效率和模型可解释性	房地产价格数据	机器学习	NA	多源地理大数据分析	深度神经网络, 注意力机制	地理大数据	NA	NA	混合深度学习网络	特征稳定性, 人工参与更新时间, 平均绝对误差	NA
1322	2025-12-24	NDMamba: Dual-Prior State-Space Model for Nighttime Deraining 2025, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2025.3633561 PMID:41269856	研究论文	提出一种名为NDMamba的双先验状态空间模型，用于解决夜间图像去雨问题	首次将Retinex理论与状态空间模型结合，通过双先验（光照和雨纹分布）引导的架构，更有效地建模夜间低光条件下雨纹与光照的交互	未明确说明模型在极端低光或动态光照变化场景下的性能，也未讨论模型对计算资源的具体需求	提升夜间图像去雨任务的性能，在计算效率和恢复质量之间取得更好平衡	夜间含雨图像	计算机视觉	NA	深度学习	状态空间模型	图像	未明确说明具体数量，但使用了合成和真实世界基准数据集	未明确说明，代码已公开在GitHub	NDMamba（包含Prior Extraction Module, Prior-Guided Mamba Block, Lighting-Adaptive Vision State-Space Module, Rain Distribution Guidance Module）	未明确列出具体指标，但提及在基准数据集上优于现有方法	NA
1323	2025-12-23	Deep Learning vs Classical Methods in Potency and ADME Prediction: Insights from a Computational Blind Challenge 2025-Dec-22, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c01982 PMID:41325513	研究论文	本文通过回顾性分析2025年ASAP-Polaris-OpenADMET抗病毒挑战赛的建模策略，比较了深度学习和经典方法在化合物效力和ADME预测中的性能	通过大规模盲法挑战赛的统计基准测试，首次系统性地证明深度学习在ADME预测上显著优于传统机器学习，而经典方法在效力预测中仍具竞争力	当前研究尚未整合结构引导建模，未来需要进一步探索多模态数据的融合	评估深度学习和经典方法在药物发现中化合物效力和ADME预测的性能差异	化合物效力和ADME（吸收、分布、代谢、排泄）特性	机器学习	NA	NA	深度学习, 传统机器学习	化学化合物数据	来自全球65个以上团队的挑战赛数据集	NA	NA	Pearson相关系数, pIC预测排名, ADME聚合排名	NA
1324	2025-12-23	ProSECFPs: A Novel Fingerprint-Based Protein Representation Method for Missense Mutation Pathogenicity Prediction 2025-Dec-22, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02437 PMID:41340413	研究论文	本文提出了一种基于指纹的蛋白质表示方法ProSECFPs，用于预测错义突变的致病性	提出了一种受化学信息学中扩展连接指纹启发的蛋白质序列表示新方法，能有效捕捉蛋白质的复杂理化特性和序列细节	NA	开发一种高效、可扩展且信息丰富的蛋白质序列表示方法，以预测错义突变的致病性	蛋白质序列及其错义突变	生物信息学	NA	蛋白质序列表示方法	机器学习, 深度学习	蛋白质序列数据	NA	NA	NA	准确率	NA
1325	2025-12-23	BioFusionDTI: Assimilating Graph and Sequence Modalities for Generalizable Drug-Target Interaction Prediction 2025-Dec-22, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02283 PMID:41364795	研究论文	本文提出了一种名为BioFusionDTI的多模态深度学习框架，用于预测药物-靶点相互作用，该框架融合了图结构和序列信息以提高预测的泛化能力和可解释性	提出了一种结合图卷积网络和卷积神经网络的多模态融合框架，并引入双线性注意力网络来捕获细粒度的跨模态交互，从而在冷启动场景下实现更好的泛化性能和可解释性	未明确说明模型在更大规模或更多样化数据集上的泛化能力，以及计算效率方面的具体分析	开发一个能够准确预测药物-靶点相互作用的深度学习模型，以支持药物发现和重定位	药物分子和蛋白质靶点	机器学习	NA	深度学习	GCN, CNN, BAN	图数据, 序列嵌入	三个基准数据集（SNAP、DRH、Kinase）	PyTorch	图卷积网络, 卷积神经网络, 双线性注意力网络	准确性	NA
1326	2025-12-23	Towards trustworthy AI in radiotherapy: a comprehensive review of uncertainty-aware techniques 2025-Dec-22, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ae2a9f PMID:41365073	综述	本文对2020年至2025年间应用于放射治疗（RT）领域的不确定性量化（UQ）技术进行了全面的回顾与分析	提出了UQ技术的结构化分类，评估了其对临床工作流程的影响，并强调了新兴趋势，旨在弥合技术进步与临床部署之间的差距	需要进一步努力来标准化评估协议、提高计算效率，并为临床集成开发用户友好的界面	回顾和评估不确定性量化技术在放射治疗AI模型中的应用，以提高其可靠性、可解释性和临床适用性	应用于放射治疗任务（如分割、图像配准、合成图像生成、剂量预测和剂量累积）的AI模型	医学图像分析	NA	不确定性量化	贝叶斯神经网络, Monte Carlo Dropout, 集成学习	医学图像	NA	NA	NA	NA	NA
1327	2025-12-23	Smartphone-based video deep learning enables rapid and accurate lateral flow diagnostics 2025-Dec-22, Mikrochimica acta DOI:10.1007/s00604-025-07756-z PMID:41423536	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1328	2025-12-23	Semantic segmentation deep learning model boosts surgeons' organ recognition in minimally invasive hysterectomy - a prospective multi-center reader performance study using pre-selected video clips 2025-Dec-22, International journal of surgery (London, England) DOI:10.1097/JS9.0000000000004606 PMID:41427529	研究论文	本研究评估了一种基于深度学习的解剖识别系统在微创子宫切除术中提升外科医生对输尿管和膀胱识别能力的效果	首次在微创子宫切除术中，通过多中心前瞻性读者性能研究，验证了基于语义分割的深度学习模型对外科医生器官识别能力的增强作用，特别是在经验较少的外科医生中效果更显著	研究仅使用了预选的视频片段，可能无法完全反映实际手术中的动态变化和复杂性；模型在输尿管和膀胱分割的Dice系数分别为0.66和0.62，仍有提升空间	评估基于人工智能的解剖识别系统是否能在不降低特异性的前提下，提升不同经验水平外科医生在微创子宫切除术中对输尿管和膀胱的识别能力	微创子宫切除术中的输尿管和膀胱	数字病理学	妇科疾病	深度学习	语义分割模型	图像, 视频	来自41个机构的13,934张输尿管图像和4,940张膀胱图像	NA	NA	Dice系数, 敏感性, 特异性	NA
1329	2025-12-23	Development and Validation of an Artificial Intelligence Surgical Video Analysis Model for Predicting Visceral Pleural Invasion in Lung Cancer Surgery: A Multicenter Study 2025-Dec-22, Annals of surgical oncology IF:3.4Q1 DOI:10.1245/s10434-025-18863-9 PMID:41428020	研究论文	本研究开发并验证了一种基于深度学习的模型（VPI-Net），用于在胸腔镜手术中预测肺癌的脏层胸膜侵犯，以提高诊断准确性并指导手术决策	首次开发了基于空间丢弃的残差卷积神经网络（VPI-Net），用于从胸腔镜视频中预测脏层胸膜侵犯状态和风险评分，并在多中心数据上验证其优于外科医生和放射科医生的表现	研究样本量相对有限（总计399名患者），且外部验证集仅包含两家医院的53名患者，可能影响模型的泛化能力	提高肺癌手术中脏层胸膜侵犯的术中诊断准确性，以优化手术决策和改善患者预后	接受胸腔镜手术的肺癌患者	数字病理	肺癌	胸腔镜视频分析	CNN	图像（来自胸腔镜视频）	总计399名患者（内部训练/验证/测试集：346名患者，3367张图像；外部测试集：53名患者，1274张图像）	NA	Residual Convolutional Neural Network (VPI-Net)	AUC, 准确率, 敏感性, 特异性, 阳性预测值, 阴性预测值	NA
1330	2025-12-23	Using deep vision-language models improves multi-task performance in assistance applications for endoscopic ENT surgery 2025-Dec-22, International journal of computer assisted radiology and surgery IF:2.3Q2 DOI:10.1007/s11548-025-03512-z PMID:41428176	研究论文	本文开发了一种用于内窥镜耳鼻喉手术辅助的视觉语言模型，通过多任务学习提升图像分类和报告生成性能	采用针对内窥镜领域优化的视觉语言模型架构，首次将图像与文本数据整合用于耳鼻喉手术的多任务辅助应用	在处理不平衡类别分布和结构化模板文本任务时性能提升有限	提升内窥镜耳鼻喉手术辅助应用中多任务学习的性能	内窥镜耳鼻喉手术的图像、解剖描述和手术报告	计算机视觉	耳鼻喉疾病	内窥镜成像	视觉语言模型	图像, 文本	30个标注内窥镜手术过程，包含130,000张多标签图像	NA	视觉语言模型（VLM）	精确率, 召回率, F1分数, BLEU-2, ROUGE-L, 余弦相似度	NA
1331	2025-12-23	Fast zero-shot deep learning-based denoising method for low-field MR images 2025-Dec-22, Magma (New York, N.Y.) DOI:10.1007/s10334-025-01311-w PMID:41428276	研究论文	本文提出了一种基于深度学习的快速零样本去噪方法，专门用于低场磁共振图像，以提升图像质量并加速训练过程	扩展了零样本噪声即干净方法，通过修改训练过程实现更快的训练时间，并探索了基于部分数据训练以进一步加速的策略	未明确提及方法在极端噪声水平或不同低场设备间的泛化能力限制	开发一种适用于低场磁共振图像的快速去噪方法，以改善临床诊断图像质量并保持患者友好的扫描时间	低场磁共振图像（特别是0.1 T数据）	计算机视觉	NA	磁共振成像	深度学习	图像	未明确指定样本数量，但涉及高场和低场（0.1 T）磁共振数据	未明确指定，但代码发布于GitHub	未明确指定具体架构	定量评估（基于高信噪比图像）和定性评估	GPU
1332	2025-12-23	EvoZymePro-Cat: A Protein-Ligand-Aware Deep Learning Framework for Predicting Mutation Effects in Enzyme Function 2025-Dec-21, ACS synthetic biology IF:3.7Q1 DOI:10.1021/acssynbio.5c00755 PMID:41422407	研究论文	本文介绍了一个名为EvoZymePro-Cat的深度学习框架，用于预测酶突变对功能的影响	提出了一个成对比较框架，直接建模变体间的相对活性优势，避免了绝对活性预测的系统误差，并整合了蛋白质和配体的全序列与局部结构语义	NA	开发一个深度学习平台用于酶突变体筛选，以高效预测突变对酶功能的影响	酶突变体及其与配体的相互作用	机器学习	NA	深度学习	Transformer, 注意力机制	蛋白质序列, 配体分子表示	NA	NA	ESM1b, MolT5	AUC	NA
1333	2025-12-23	A novel deep transformer based CvT model for sign language recognition in visual communication 2025-Dec-21, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31558-1 PMID:41423468	研究论文	本文提出了一种基于卷积视觉变换器（CvT）的模型，用于视觉通信中的手语识别	将分层卷积标记化与基于变换器的注意力机制相结合，优化局部和全局特征提取，从而在复杂手势、光照变化和遮挡条件下实现更准确的手语识别	未明确提及模型在实时应用中的性能、计算效率或对更大规模、更多样化数据集的泛化能力	开发一种深度学习模型，以提高手语识别的准确性和鲁棒性，促进听障人士的交流	手语数字数据集（10个类别，1,712张图像）和字母符号数据集（29个类别，87,000张图像）	计算机视觉	NA	深度学习	卷积视觉变换器（CvT）	图像	手语数字数据集：1,712张图像；字母符号数据集：87,000张图像	NA	卷积视觉变换器（CvT）	准确率	NA
1334	2025-12-23	KGLGANSynergy: knowledge graph-based local and global attention network for drug synergy prediction 2025-Dec-21, Journal of translational medicine IF:6.1Q1 DOI:10.1186/s12967-025-07545-5 PMID:41423603	研究论文	本文提出了一种基于知识图谱的深度学习框架KGLGANSynergy，用于预测药物协同作用	结合局部图注意力网络和全局图注意力网络，通过互交叉注意力机制融合特征，克服了现有方法忽视边属性和全局语义上下文的局限	未明确说明模型在处理大规模知识图谱时的计算效率或泛化能力限制	开发一种更准确的药物协同作用预测计算工具	药物组合和细胞系	机器学习	NA	图表示学习	GAT	图数据	基于DrugCombDB和Oncology-Screen两个基准数据集	NA	Local Graph Attention Network, Global Graph Attention Network	AUPR	NA
1335	2025-12-23	Integrating protein language and geometric deep learning models for enhanced vaccine antigen prediction 2025-Dec-21, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-67778-2 PMID:41423641	研究论文	本研究开发了一个名为PLGDL的框架，通过整合蛋白质语言模型和几何深度学习模型，用于预测保护性疫苗抗原	首次将蛋白质语言模型与几何深度学习模型相结合，同时利用蛋白质的一级序列特征和三维结构特征，减少了人工特征提取的偏差	未明确说明模型在跨物种泛化能力方面的具体限制	开发高性能的疫苗保护性抗原预测工具，以加速疫苗研发	病毒、细菌和真核病原体产生的蛋白质抗原	机器学习	传染病	蛋白质语言模型，几何深度学习	深度学习	蛋白质序列数据，三维结构数据	构建数据集和公共数据集（具体数量未说明）	NA	蛋白质语言模型，几何深度学习模型	NA	NA
1336	2025-12-23	Spectral image classification of asymptomatic peanut leaf diseases based on deep learning algorithms 2025-Dec-21, Plant methods IF:4.7Q1 DOI:10.1186/s13007-025-01485-3 PMID:41423650	研究论文	本研究提出了一种基于深度学习的多光谱成像系统，用于对无症状花生叶部病害进行早期高精度分类	设计了一个能分别获取多光谱反射和荧光图像的系统，并构建了结合自适应通道注意力机制和稀疏二阶注意力机制驱动网络的深度学习模型，以增强深度特征信息的判别能力	NA	实现花生叶部病害的及时、快速、准确的早期诊断与控制，以确保花生的高质量和高产量	无症状花生叶部病害（疮痂病、焦斑病、炭疽病）	计算机视觉	植物病害	多光谱成像（反射与荧光）	CNN	多光谱图像	三种无症状花生叶部病害（疮痂病、焦斑病、炭疽病）的多光谱图像	NA	结合自适应通道注意力机制和稀疏二阶注意力机制驱动网络的卷积神经网络	分类准确率	NA
1337	2025-12-23	Obesity prediction using an explainable deep learning framework based on LSTM-LIME with integrated visualization 2025-Dec-21, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-33336-5 PMID:41423660	研究论文	本研究提出了一种基于LSTM-LIME的可解释深度学习框架，用于多类别肥胖预测，并集成了交互式可视化界面	开发了首个针对沙特文化的多类别肥胖数据集，并将LSTM网络与LIME解释方法结合在交互式界面中，实现了预测准确性和风险因素的可视化	NA	开发准确且可解释的肥胖风险评估模型，以支持早期检测和预防策略	沙特特定数据集，包含人体测量、生活方式和饮食因素	机器学习	肥胖	NA	LSTM, Bi-LSTM, RNN, DNN, MLP, TabNet, Autoencoder	表格数据	NA	NA	LSTM, Bi-LSTM, RNN, MLP, TabNet, Autoencoder	准确率, 宏召回率, 宏F1分数, MAE, RMSE, 决定系数	NA
1338	2025-12-23	Multi-omics driven computational framework for cancer molecular subtype classification 2025-Dec-19, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32051-5 PMID:41413182	研究论文	本研究通过比较分析35种AI分类器在153个数据集上的性能，探讨了癌症分子亚型分类中的关键问题，包括最佳数据集配置、组学模态性能、模型选择等	首次系统比较了多种AI分类器在多种组学模态和癌症类型中的性能，并回答了六个关键研究问题，为标准化AI驱动流程提供了指导	研究可能受限于数据集的质量和多样性，且未涵盖所有可能的组学模态或癌症类型	旨在提高癌症分子亚型分类AI方法的可比性、可重复性和泛化性，推动精准肿瘤学发展	35种AI分类器在153个数据集上的性能，涵盖8种组学模态和20种癌症	机器学习	癌症	多组学分析，包括RNASeq、miRNA、CNV、Exon、Meth、Array、SNP、RPPA	传统机器学习模型（如SVM、XGB、HGB）和深度学习模型（如ResNet18、CNN、NN、MLP）	多组学数据	153个数据集，涵盖20种癌症	NA	ResNet18, CNN, NN, MLP, SVM, XGB, HGB, DEEPGENE	宏准确率（MACC）	NA
1339	2025-12-23	Advances in machine learning-enhanced microfluidic cell sorting 2025-Dec-19, Science advances IF:11.7Q1 DOI:10.1126/sciadv.aea6007 PMID:41417905	综述	本文综述了机器学习增强微流控细胞分选技术的最新进展，探讨了其在肿瘤细胞分离、单细胞分析和生物标志物检测中的应用	整合了微流控技术与机器学习（特别是计算机视觉和深度学习），实现了自动化特征提取、模式识别和实时分类，从而提高了分选精度和诊断速度	模型泛化能力和硬件-软件集成方面仍存在挑战	探讨微流控技术与机器学习在细胞分选中的协同作用，以推动精准医疗的发展	微流控细胞分选系统及其产生的成像数据	计算机视觉, 机器学习	肿瘤	微流控技术	深度学习	图像数据	NA	NA	NA	诊断敏感性, 分析通量	NA
1340	2025-12-23	Deep learning-driven conversion of scanning superlens microscopy to high depth-of-field SEM-like imaging 2025-Dec-19, Microsystems & nanoengineering IF:7.3Q1 DOI:10.1038/s41378-025-01060-9 PMID:41419453	研究论文	本文提出一种基于深度学习的图像转换方法，将光学超分辨率显微镜图像转换为类似扫描电子显微镜的高分辨率图像，特别针对芯片样本进行优化	利用CycleGAN模型将无需真空或导电涂层的扫描超透镜显微镜图像转换为SEM样图像，同时保持纳米级分辨率并扩展有效景深至约2微米	方法主要针对芯片样本进行优化，可能在其他类型样本上的泛化能力未经验证	开发一种能够替代传统SEM成像的技术，克服其真空环境和样本涂层要求，同时保持高分辨率	硅晶圆芯片样本	计算机视觉	NA	扫描超透镜显微镜，Z-stack扫描	GAN	图像	未明确指定样本数量，但使用了配对的OSR和SEM图像进行训练	未明确指定，但基于CycleGAN架构	CycleGAN	峰值信噪比	NA