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
1681	2026-01-19	Training a high accuracy model to visualize blood clots during mechanical thrombectomy for the treatment of Acute Ischemic Stroke 2025, Frontiers in stroke DOI:10.3389/fstro.2025.1610399 PMID:41541866	研究论文	本研究提出了一种利用Medtronic Solitaire™支架上的不透射线标记空间排列的血栓可视化方法，并开发了基于U-Net架构的深度学习模型Clot[U]-Net进行血栓边界预测	首次利用支架上的不透射线标记空间排列实现机械取栓过程中的血栓可视化，无需改变现有临床工作流程	需要进一步的临床前和临床验证，目前仅在体外图像上进行训练和测试	提高急性缺血性卒中机械取栓手术中血栓的可视化能力，以提升首次取栓成功率	急性缺血性卒中患者的血栓	数字病理学	急性缺血性卒中	荧光透视成像	CNN	图像	800张体外前后位和侧位图像	NA	U-Net	交并比, AUROC	NA
1682	2026-01-19	Leveraging molecular graphs for natural product classification 2025, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2025.08.031 PMID:41542071	研究论文	本研究探索了使用图神经网络直接从分子图结构学习神经指纹，用于天然产物的自动分类	首次系统地评估了多种图神经网络架构在天然产物分类任务上的性能，并强调了基于图表示的数据驱动方法优于传统指纹方法	模型性能高度依赖于架构选择和特征表示，需要针对特定任务进行定制化设计	开发一种能够更好地捕捉天然产物结构和生物合成复杂性的自动分类方法	天然产物分子	机器学习	NA	图神经网络	GNN	分子图	NA	NA	多种图神经网络架构	准确率, 鲁棒性	NA
1683	2026-01-19	AOP-DRL: A deep representation learning framework for the computational prediction of antioxidant peptides 2025, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2025.08.014 PMID:41542079	研究论文	本文提出了一种名为AOP-DRL的深度学习框架，用于高通量预测抗氧化肽，结合了蛋白质语言模型和分层卷积网络	开发了结合蛋白质语言模型与分层卷积网络的深度学习框架AOP-DRL，有效处理可变肽长度并捕获非线性残基相互作用，相比现有模型在多个数据集上显著提升了预测准确率	未明确提及具体局限性，但可能依赖于公开数据集的覆盖范围和验证质量	开发一个计算框架以高效预测抗氧化肽，替代传统湿实验室方法	抗氧化肽序列	机器学习	NA	深度学习，蛋白质语言模型，卷积网络	深度学习框架	肽序列数据	来自公开研究的实验验证抗氧化序列和负对照序列，具体数量未明确	NA	分层卷积网络	准确率	NA
1684	2026-01-19	TBM preferred to AlphaFold 3 for functional models of insect odorant receptors 2025, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2025.08.028 PMID:41542085	研究论文	本文比较了基于模板的建模与AlphaFold 3在构建昆虫气味受体功能模型上的表现，并基于功能突变数据支持前者	首次系统比较了传统模板建模与最新AI模型AlphaFold 3在昆虫气味受体结构预测上的优劣，并引入了脂质分子模拟膜环境	研究仅涉及来自三个昆虫目的六个受体序列，样本量有限	评估并比较不同计算方法在预测昆虫气味受体结构和功能上的可靠性，以支持基于结构的害虫控制策略	昆虫气味受体	计算生物学	NA	模板建模，深度学习结构预测	AlphaFold 3	蛋白质序列，实验结构数据	来自三个昆虫目的六个气味受体序列	NA	AlphaFold 3	功能突变数据支持度	NA
1685	2026-01-19	STAG-LLM: Predicting TCR-pHLA binding with protein language models and computationally generated 3D structures 2025, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2025.09.004 PMID:41542080	研究论文	本文提出了一种名为STAG-LLM的多模态机器学习模型，用于预测TCR-pHLA结合特异性，该模型结合了蛋白质序列数据和计算生成的3D结构	通过结合蛋白质语言模型与几何深度学习架构，利用计算生成的3D蛋白质结构作为额外数据模态，显著提升了预测性能，即使在训练数据量减少三倍的情况下仍优于现有方法	使用计算生成的3D结构可能带来推理成本增加、训练数据有限以及对生成结构中噪声的鲁棒性等挑战	预测T细胞受体（TCR）与肽-HLA（pHLA）复合物的结合特异性，以支持个性化免疫治疗设计	T细胞受体（TCR）和肽-HLA（pHLA）复合物	机器学习	NA	计算建模工具生成3D蛋白质结构	蛋白质语言模型, 几何深度学习	蛋白质序列, 3D结构	NA	NA	STAG-LLM	NA	NA
1686	2026-01-18	SARCDNet-an enhanced deep learning network for change detection from bi-temporal SAR images 2025-Dec-31, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31488-y PMID:41476094	研究论文	本文提出了一种名为SARCDNet的增强型深度学习网络，用于从双时相SAR图像中进行变化检测	设计了自适应融合块，结合了提取频域特征的自适应全局滤波操作和通道注意力机制，以增强提取特征的相关性，并有效减轻斑点噪声影响	NA	利用双时相SAR图像进行地表变化检测，应用于洪水检测、环境监测、灾害响应和城市规划	双时相合成孔径雷达（SAR）图像	计算机视觉	NA	合成孔径雷达（SAR）成像	深度学习网络	SAR图像	公共数据集（黄河、农田、巢湖数据集）	NA	SARCDNet	F1分数, PCC, κ, MCC	NA
1687	2026-01-18	A memory based model for cartilage and meniscus segmentation in 3D knee MRI 2025-Dec-29, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31503-2 PMID:41462583	研究论文	本研究提出了一种基于记忆的视觉基础模型SAMRI-2，用于从3D膝关节MRI中分割软骨和半月板，以提高分割的准确性和泛化能力	引入了基于记忆的视觉基础模型（VFM）和混合洗牌策略（HSS），结合分割掩码传播技术，提升了空间感知和收敛性，并在少量用户交互下保持高性能	模型依赖于专家标注数据集，可能受读者间变异性影响，且仅针对膝关节MRI进行评估，未涉及其他关节或成像模态	开发一种可靠的人工智能辅助膝关节MRI分割方法，以改进骨关节炎监测中的形态测量评估	膝关节软骨和半月板	计算机视觉	骨关节炎	MRI	Transformer	3D MRI图像	575个3D膝关节MRI体积（来自270名不同患者），测试集包含57个外部病例	NA	Transformer, 3D-VNet, 3D nnU-Net, SAMRI2D, SAMRI3D	Dice相似系数（DSC）, 交并比（IoU）	NA
1688	2026-01-18	An efficient hybrid artificial intelligence framework for lung cancer classification using CT images 2025-Dec-24, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31432-0 PMID:41444763	研究论文	提出一种基于CT图像的混合人工智能框架，用于对正常、良性和恶性肺结节进行分类	提出了一种结合传统特征提取方法（GLCM、SIFT）和深度学习方法（VGG-16、MobileNet）的混合AI模型，并通过特征融合和全连接层进行分类，其中GLCM+SIFT+MobileNet组合表现出最佳性能	研究仅使用了IQ-OTH/NCCD单一数据集，未提及外部验证或跨数据集测试	开发一种高效、自动化的肺癌早期预测方法，以辅助临床诊断	肺部CT图像	计算机视觉	肺癌	CT成像	混合模型（传统特征提取+深度学习）	图像	IQ-OTH/NCCD数据集中的CT图像（具体数量未在摘要中说明）	NA	VGG-16, MobileNet	准确率, 精确率, 召回率, F1分数, 特异性	NA
1689	2026-01-18	Biologically Inspired Digital Histology for Deep Phenotyping of Placental Composition Changes Across Major Lesion Types 2025-Dec-24, bioRxiv : the preprint server for biology DOI:10.64898/2025.12.22.693945 PMID:41509205	研究论文	本研究应用深度学习管道HAPPY分析胎盘组织切片，量化细胞和组织结构组成变化，以揭示不同病变类型下的胎盘表型差异	首次利用单细胞分辨率深度学习分析胎盘病变的细胞组成变化，并发现病变区域外的器官范围适应性反应	研究样本仅包括62例足月活产妊娠，未涵盖早产或其他并发症病例，且注释规模依赖专家病理学家	通过数字病理学方法深入表征胎盘组成变化，以增强传统组织病理学评估	62例足月活产妊娠的130张H&E染色胎盘组织切片，包括健康对照和四种常见病变类型	数字病理学	妊娠并发症	H&E染色组织学分析	深度学习	图像	130张切片来自62例妊娠	NA	HAPPY（分层深度学习管道）	NA	NA
1690	2026-01-18	Real-time construction safety monitoring using a drone based deep hybrid attention model 2025-Dec-21, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31392-5 PMID:41422095	研究论文	本文提出了一种基于无人机和深度混合注意力模型的实时建筑工地安全监控系统，用于检测个人防护装备的使用情况	提出了一种名为2D-3CKO-MTHSAN的新型网络，结合了离散膨胀余弦因果卷积多头自注意力和离散余弦-Krawtchouk-Tchebichef变换，并利用猩猩优化算法进行参数调整，以提高检测精度和鲁棒性	未在摘要中明确说明	解决建筑工地中个人防护装备检测的准确性和实时性问题，以提升工人安全	建筑工地工人及其个人防护装备，特别是个人防坠落系统中的头盔、安全带和安全绳	计算机视觉	NA	无人机实时监控	CNN, 注意力模型	图像	未在摘要中明确说明	NA	2D-3CKO-MTHSAN, DCCMSA-DCKTKT, Adaptive Causal Decision Transformers	检测准确率	未在摘要中明确说明
1691	2026-01-18	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）的新模型，用于视觉交流中的手语识别	提出了一种结合分层卷积标记化与基于变换器的注意力机制的CvT模型，优化了局部和全局特征提取，在手语识别任务中超越了传统CNN和变换器基线模型	未明确说明模型在复杂背景、快速连续手势或不同用户变体下的泛化能力	开发一种能够更准确识别手语的深度学习模型，以改善听障人士的交流可及性	手语数字、字母和符号图像	计算机视觉	NA	深度学习	Transformer, CNN	图像	手语数字数据集：10个类别共1,712张图像；字母和符号数据集：29个类别共87,000张图像	NA	卷积视觉变换器（CvT）	准确率	NA
1692	2026-01-18	Assessing clinician performance using a multi-modality clinical decision-support system for lung cancer prognostication 2025-Dec-20, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31204-w PMID:41419585	研究论文	本研究开发了一个整合多模态深度学习模型的临床决策支持系统，用于肺癌术后预后评估，并评估了其对肿瘤科医生预测性能和信心的影响	首次将多模态深度学习模型与临床决策支持系统整合用于肺癌预后评估，并首次研究了临床医生对该类系统的态度	这是一项探索性研究，样本量可能有限，且未详细说明外部验证的具体范围或长期临床效果	开发并评估一个用于肺癌术后预后评估的临床决策支持系统，以辅助确定哪些患者可能从辅助治疗中受益	早期肺癌患者，特别是那些接受手术并考虑辅助治疗的患者	数字病理学	肺癌	深度学习模型，多模态数据整合	深度学习模型	医学影像（术前）、临床信息、手术信息、病理信息	NA	NA	NA	预测性能、置信度	NA
1693	2026-01-18	An AI-driven multi-omics framework identifies lactylation-mediated therapeutic targets to overcome drug resistance in ovarian cancer 2025-Dec-20, NPJ precision oncology IF:6.8Q1 DOI:10.1038/s41698-025-01150-x PMID:41422325	研究论文	本研究开发了一个AI驱动的多组学框架，用于识别卵巢癌中与乳酸化修饰相关的基因、分层患者药物反应并建立预后标志	首次将乳酸化修饰生物学与AI驱动的多组学分析整合，构建了一个精准肿瘤学框架，以发现可成药靶点并增强患者分层	传统分析方法难以整合多组学的复杂性，限制了可操作的乳酸化相关脆弱性的发现	开发AI驱动的多组学框架，以识别卵巢癌中与乳酸化相关的治疗靶点并克服耐药性	卵巢癌患者	机器学习	卵巢癌	转录组学、表观基因组学、药物基因组学、突变分析	VAE, LSTM, MLP	转录组、表观基因组、药物基因组、突变、临床结局数据	来自TCGA、GDSC和独立卵巢癌队列的数据	NA	变分自编码器, 长短期记忆网络, 多层感知机	精确度	NA
1694	2026-01-18	Predicting and classifying type 2 diabetes using a transparent ensemble model combining random forest, k-nearest neighbor, and neural networks 2025-Dec-19, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31562-5 PMID:41419964	研究论文	本研究提出了一种结合随机森林、K近邻和神经网络的透明集成模型，用于预测和分类2型糖尿病	通过堆叠和投票方法结合三种机器学习算法，并利用LIME和SHAP可解释性技术提高模型透明度，识别重要特征	研究仅使用了768个皮马印第安人糖尿病样本，数据来源单一，可能限制模型的泛化能力	开发一个准确且可解释的模型，用于2型糖尿病的早期检测和分类	皮马印第安人糖尿病数据集中的医疗数据	机器学习	2型糖尿病	机器学习集成方法	集成模型, 随机森林, K近邻, 神经网络	结构化医疗数据	768个皮马印第安人糖尿病样本	Scikit-learn	随机森林, K近邻, 神经网络, 逻辑回归	准确率, 精确率, 召回率, 特异性, F1分数, AUROC, Brier分数, 期望校准误差	NA
1695	2025-12-18	Deep learning based real-time prediction of depth of penetration during activated tungsten inert gas welding of 10 mm thick 316LN stainless steel 2025-Dec-16, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31414-2 PMID:41402476	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1696	2026-01-18	Enhancing the weed segmentation in diverse crop fields using computationally effective concatenated attention U-Net with convolutional block attention module 2025-Dec-16, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31285-7 PMID:41402468	研究论文	本文提出了一种名为CAUC的轻量级卷积神经网络，用于在多种作物田中增强杂草分割效果	通过整合线性连接块、注意力门连接和卷积块注意力模块，有效利用特征图实现高性能，同时采用深度卷积和1×1卷积层降低计算复杂度	NA	开发轻量级深度学习模型，用于作物和杂草分割，以支持选择性杂草处理	多种作物田中的杂草	计算机视觉	NA	深度学习	CNN	图像	整合了三个数据集：Crop/Weed Field Image Dataset (CWFID)、Sugar Beet和Sunflower数据集	NA	U-Net, Convolutional Block Attention Module (CBAM)	准确率, MIoU, F1分数	低计算设备
1697	2026-01-18	Complex genetic effects linked to plasma protein abundance in the UK Biobank 2025-Dec-14, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-67235-0 PMID:41392155	研究论文	本研究开发了一种基于深度学习的方法EIR-auto-GP，用于识别与血浆蛋白水平相关的复杂遗传效应，如显性和上位性，并在UK Biobank队列中进行了大规模应用	开发了EIR-auto-GP这一深度学习新方法，首次系统性地在大规模人群中识别血浆蛋白的复杂遗传效应，并揭示了ABO与FUT3位点间的新颖相互作用	方法主要依赖于UK Biobank队列数据，可能受限于该队列的特定人群特征；复杂效应的生物学解释仍需进一步实验验证	研究遗传变异对血浆蛋白水平的复杂遗传效应，包括显性和上位性作用	血浆蛋白的蛋白数量性状位点（pQTLs）	机器学习	NA	蛋白质组学（Olink和质谱技术）	深度学习	遗传和蛋白质组学数据	48,594名个体（UK Biobank队列）	NA	EIR-auto-GP	NA	NA
1698	2026-01-18	Detection of diabetic retinopathy using multicolor image by multimodal network incorporating information bottleneck (MNIIB) 2025-Dec-14, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31526-9 PMID:41392172	研究论文	本文提出了一种结合信息瓶颈的多模态网络（MNIIB），用于基于多色成像（MCI）自动检测糖尿病视网膜病变（DR）	MNIIB框架首次将信息瓶颈（IB）理论应用于分析并优化MCI中不同成像模态间的交互，而非仅用于建模输入-标签关系，从而压缩冗余数据并增强诊断相关特征的提取	未在摘要中明确提及	开发一种深度学习方法来自动分类糖尿病视网膜病变，以辅助眼科医生进行及时诊断和管理	糖尿病视网膜病变（DR）患者的多色成像（MCI）视网膜图像	计算机视觉	糖尿病视网膜病变	多色成像（MCI）	深度学习	图像	未在摘要中明确提及	未在摘要中明确提及	MNIIB（结合信息瓶颈的多模态网络）	准确率	未在摘要中明确提及
1699	2026-01-18	Automatic 3D railroad alignment detection using modified Hough transform 2025-Dec-13, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31554-5 PMID:41390568	研究论文	本文提出了一种基于深度学习和计算机视觉的自动化方法，用于从3D点云数据中直接检测铁路轨道线形	将改进的霍夫变换与深度学习方法相结合，实现从3D点云数据中自动检测铁路轨道线形，显著提高了检测效率和精度	仅在Osong铁路试验轨道上进行了验证，未在更复杂或更大规模的铁路网络上测试	提高铁路轨道线形检测的效率和准确性，以支持铁路基础设施的数字化建模和维护	铁路轨道线形	计算机视觉	NA	3D点云数据处理	深度学习	3D点云	Osong铁路试验轨道数据	NA	改进的霍夫变换	RMSE	NA
1700	2026-01-18	Single-nucleus transcriptome atlas of orbitofrontal cortex in ALS with a deep learning-based decoding of alternative polyadenylation mechanisms 2025-Dec-10, Cell genomics IF:11.1Q1 DOI:10.1016/j.xgen.2025.101007 PMID:40967225	研究论文	本研究通过单核转录组测序构建了ALS患者眶额皮质的转录组图谱，并结合深度学习模型APA-Net解析了选择性多聚腺苷酸化机制	首次在ALS/FTLD背景下系统构建了眶额皮质的单核转录组图谱，并开发了整合转录序列和RBP表达谱的多模态深度学习模型APA-Net来预测APA调控	研究主要聚焦于C9orf72相关ALS和散发性ALS的眶额皮质，其他脑区或疾病亚型的普适性有待验证，APA-Net模型的生物学解释性仍需深入探索	揭示ALS/FTLD神经退行性疾病中细胞类型特异性的分子病理机制，特别是选择性多聚腺苷酸化（APA）的调控作用	C9orf72相关ALS（伴或不伴FTLD）患者和散发性ALS（sALS）患者的眶额皮质组织样本	计算生物学	肌萎缩侧索硬化症	单核RNA测序（snRNA-seq），深度学习建模	多模态深度学习模型	转录组序列数据，RNA结合蛋白表达谱	未明确具体样本数量，但包含C9orf72-ALS（±FTLD）和sALS多组患者样本	未明确指定，推测为PyTorch或TensorFlow	APA-Net（专有多模态网络架构）	未明确说明，典型APA预测任务可能涉及AUC、精确度等指标	未明确说明，深度学习训练通常需要GPU（如NVIDIA V100/A100）或高性能计算集群