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
21	2025-07-25	WaveSleepNet: An Interpretable Network for Expert-Like Sleep Staging 2025-02, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3498871 PMID:40030379	研究论文	提出了一种名为WaveSleepNet的可解释神经网络，用于模拟睡眠临床专家的方式进行睡眠分期	利用潜在空间表示识别不同睡眠阶段的特征波原型，并通过量化这些原型与输入信号的接近程度来进行睡眠分期，提高了模型的可解释性	未提及具体的技术限制或数据集局限性	开发一种可解释的深度学习模型，用于自动睡眠分期，以提高临床应用的接受度	睡眠信号数据	机器学习	NA	深度学习	WaveSleepNet（基于CNN的神经网络）	信号数据	三个公共数据集（未提及具体样本数量）
22	2025-07-24	Comparison of Pathologist and Artificial Intelligence-based Grading for Prediction of Metastatic Outcomes After Radical Prostatectomy 2025-Feb, European urology oncology IF:8.3Q1 DOI:10.1016/j.euo.2024.08.004 PMID:39232875	research paper	比较病理学家和基于人工智能的分级方法在预测前列腺癌根治术后转移结果方面的表现	首次将深度学习应用于前列腺癌组织病理图像分级，并与病理学家的分级结果在预测转移结果方面进行比较	研究仅基于三个手术队列的777名患者，样本量相对有限	评估人工智能在前列腺癌分级中的预测性能	前列腺癌患者	digital pathology	prostate cancer	deep learning	CNN	image	777名前列腺癌患者
23	2025-07-24	Assessing the Reporting Quality of Machine Learning Algorithms in Head and Neck Oncology 2025-Feb, The Laryngoscope DOI:10.1002/lary.31756 PMID:39258420	research paper	评估头颈肿瘤学中机器学习算法的报告质量，使用TRIPOD-AI标准	首次使用TRIPOD-AI标准系统评估头颈肿瘤学中机器学习算法的报告质量	研究依赖于文献中的报告质量，可能无法涵盖所有实际应用中的问题	评估和改进头颈肿瘤学中机器学习算法的报告质量	头颈肿瘤学中应用机器学习算法的研究文献	machine learning	head and neck neoplasms	machine learning, deep learning	NA	text	NA
24	2025-07-23	Tracking the Preclinical Progression of Transthyretin Amyloid Cardiomyopathy Using Artificial Intelligence-Enabled Electrocardiography and Echocardiography 2025-Feb-24, medRxiv : the preprint server for health sciences DOI:10.1101/2024.08.25.24312556 PMID:39252891	研究论文	利用人工智能技术通过心电图和超声心动图追踪转甲状腺素蛋白淀粉样心肌病的临床前进展	首次应用深度学习模型分析心电图和超声心动图数据，实现对转甲状腺素蛋白淀粉样心肌病的早期风险分层	研究为回顾性分析，样本来源仅限于两个医疗中心	开发可扩展的转甲状腺素蛋白淀粉样心肌病临床前监测策略	转诊接受核素心肌淀粉样蛋白检测的患者	数字病理学	心血管疾病	深度学习	深度学习模型	视频(TTE)、图像(ECG)	内部队列984人(YNHHS)，外部队列806人(HMH)，共分析7,352次TTE和32,205次ECG数据
25	2025-07-23	Mapping the regulatory effects of common and rare non-coding variants across cellular and developmental contexts in the brain and heart 2025-Feb-20, bioRxiv : the preprint server for biology DOI:10.1101/2025.02.18.638922 PMID:40027628	研究论文	该研究利用深度学习模型预测了1500万个非编码变异在132个成人和胎儿脑及心脏细胞环境中的调控效应，以区分人类性状和疾病的候选因果变异及其特定环境效应	开发了FLARE模型，一种特定环境功能基因组约束模型，用于优先考虑具有极端调控效应的突变，并在自闭症相关基因附近识别出其他方法可能遗漏的突变异常值	研究主要关注脑和心脏的细胞环境，可能不适用于其他组织或器官	理解常见和罕见非编码变异在脑和心脏发育及疾病中的调控效应	人类非编码基因组变异	基因组学	神经发育障碍	单细胞ATAC-seq，深度学习	深度学习模型，FLARE	基因组数据	1500万个变异，132个细胞环境
26	2025-07-23	Cellpose as a reliable method for single-cell segmentation of autofluorescence microscopy images 2025-Feb-14, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-82639-6 PMID:39952935	研究论文	本研究验证了Cellpose在自发荧光显微镜图像中的单细胞分割可靠性	开发了一种新的自发荧光训练模型（ATM），用于NAD(P)H强度图像的核分割，提高了分割的重复性和准确性	研究主要针对NAD(P)H图像，未涵盖其他类型的自发荧光图像	验证Cellpose在自发荧光显微镜图像中的单细胞分割性能	PANC-1细胞和患者来源的癌症类器官（9例患者）	数字病理学	癌症	多光子强度成像和荧光寿命成像显微镜（FLIM）	Cellpose	图像	PANC-1细胞和9例患者来源的癌症类器官
27	2025-07-23	Top-DTI: Integrating Topological Deep Learning and Large Language Models for Drug Target Interaction Prediction 2025-Feb-08, bioRxiv : the preprint server for biology DOI:10.1101/2025.02.07.637146 PMID:39975019	研究论文	提出了一种名为Top-DTI的新框架，通过整合拓扑深度学习和大型语言模型来预测药物靶点相互作用	结合拓扑数据分析和大型语言模型，利用持久同源性提取蛋白质接触图和药物分子图像的拓扑特征，同时通过蛋白质和药物的大型语言模型生成语义丰富的嵌入	未提及具体局限性	提高药物靶点相互作用预测的准确性和鲁棒性，为药物发现提供计算支持	药物靶点相互作用	机器学习	NA	拓扑数据分析(TDA)、大型语言模型(LLMs)	Top-DTI	蛋白质接触图、药物分子图像、蛋白质序列、药物SMILES字符串	公共BioSNAP和Human DTI基准数据集
28	2025-07-23	Deep learning to decode sites of RNA translation in normal and cancerous tissues 2025-Feb-02, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-56543-0 PMID:39894899	研究论文	本文介绍了一种基于transformer模型的方法RiboTIE，用于增强核糖体分析数据的分析，以解码RNA翻译位点在正常和癌变组织中的变化	RiboTIE直接利用原始核糖体分析计数，以高精度和灵敏度检测翻译的开放阅读框（ORFs），在多种数据集上评估其性能	未提及具体的技术限制或数据集局限性	提高核糖体分析数据的分析准确性和深度，以更好地理解蛋白质合成及其在疾病中的意义	正常脑组织和髓母细胞瘤癌症样本中的RNA翻译调控	生物信息学	髓母细胞瘤	Ribo-Seq	transformer模型	核糖体分析数据	多种数据集，包括正常脑组织和髓母细胞瘤样本
29	2025-07-23	Cell Segmentation With Globally Optimized Boundaries (CSGO): A Deep Learning Pipeline for Whole-Cell Segmentation in Hematoxylin-and-Eosin-Stained Tissues 2025-Feb, Laboratory investigation; a journal of technical methods and pathology DOI:10.1016/j.labinv.2024.102184 PMID:39528162	研究论文	开发了一种名为CSGO的深度学习流程，用于在H&E染色组织中进行全细胞分割	整合了细胞核和细胞膜分割算法，并采用基于能量的分水岭方法进行后处理，显著提高了分割性能	仅在5个外部数据集上进行了评估，样本多样性可能有限	开发自动化的全细胞分割方法以推进病理图像分析能力	H&E染色组织中的细胞	数字病理学	肝癌	深度学习	YOLO, U-Net	图像	7例肝癌和11例正常肝组织样本，并在5个外部数据集（包括肝、肺和口腔疾病病例）上进行评估
30	2025-07-23	Quantifying Nuclear Structures of Digital Pathology Images Across Cancers Using Transport-Based Morphometry 2025-Feb, Cytometry. Part A : the journal of the International Society for Analytical Cytology DOI:10.1002/cyto.a.24917 PMID:39982036	研究论文	本文介绍了一种基于最优传输数学的新技术，用于直接从成像数据中建模与核染色质结构相关的信息内容	提出了一种基于最优传输的形态测量（TBM）框架，能够表示每个细胞核相对于模板细胞核的全部信息内容，且对不同染色模式和成像协议具有鲁棒性	NA	开发一种定量测量方法，用于在不同数据集和癌症类型之间进行有意义的比较	癌细胞核的形态学特征	数字病理学	癌症（包括肝癌、甲状腺癌、肺癌和皮肤癌等）	最优传输、特征提取、深度学习	TBM框架	图像	大型数据集（如TCGA和人类蛋白质图谱）
31	2025-07-23	ProtoSAM-2D: 2D Semantic Segment Anything Model with Mask-Level Prototype-Learning and Distillation 2025-Feb, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.3047044 PMID:40678353	研究论文	提出了一种名为ProtoSAM-2D的增强型2D医学图像语义分割模型，结合了原型学习和蒸馏技术	通过引入掩码级原型预测机制和蒸馏方法，增强了SAM-Med2D的语义理解能力，同时保持了计算效率	目前仅针对2D医学图像，未涉及3D或其他复杂场景	提升医学图像语义分割的适应性和效率	2D医学图像中的多器官分割	数字病理	NA	深度学习、原型学习、知识蒸馏	SAM增强模型（基于CNN架构）	2D医学图像	未明确说明具体数量，但涉及两种成像模态的多器官分割任务
32	2025-07-22	VASCilia (Vision Analysis StereoCilia): A Napari Plugin for Deep Learning-Based 3D Analysis of Cochlear Hair Cell Stereocilia Bundles 2025-Feb-15, bioRxiv : the preprint server for biology DOI:10.1101/2024.06.17.599381 PMID:38948743	research paper	开发了一个名为VASCilia的Napari插件，用于基于深度学习的耳蜗毛细胞立体纤毛束的3D分析	VASCilia是首个专门用于耳蜗毛细胞立体纤毛束3D分析的深度学习工具，包含五个自动化分析模型，并提供了用户友好的界面	NA	开发一个自动化工具，用于耳蜗毛细胞立体纤毛束的3D形态学分析	耳蜗毛细胞的立体纤毛束	digital pathology	hearing disorder	confocal microscopy, deep learning	CNN (implied by deep learning-based models)	3D confocal microscopy images	55 3D stacks (502 inner and 1,703 outer hair cell bundles)
33	2025-07-22	Current Advancements in Digital Neuropathology and Machine Learning for the Study of Neurodegenerative Diseases 2025-Feb-13, The American journal of pathology DOI:10.1016/j.ajpath.2024.12.018 PMID:39954963	综述	本文综述了数字神经病理学和机器学习在神经退行性疾病研究中的最新进展	强调了利用全切片图像(WSIs)和先进机器学习/人工智能(ML/AI)技术进行神经退行性疾病分析的变革性方法	面临专家标注有限、切片扫描不可及、机构间差异以及大型WSI数据集共享复杂等挑战	提升神经病理学评估、诊断和研究	神经退行性疾病	数字病理学	神经退行性疾病	ML/AI	深度学习模型	全切片图像(WSIs)	NA
34	2025-07-22	3D convolutional deep learning for nonlinear estimation of body composition from whole body morphology 2025-Feb-02, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-025-01469-6 PMID:39894882	研究论文	本研究提出了一种使用3D卷积图网络和非线性高斯过程回归从3D光学图像中预测人体成分的新方法	首次将深度3D卷积图网络和非线性高斯过程回归应用于人体形状参数化和成分估计，相比线性算法显著提高了预测精度	深度形状特征仅对男性显示出更好的预测效果，性别差异的原因未深入探讨	开发更准确的人体成分预测方法	人体3D扫描图像和身体成分数据	计算机视觉	NA	3D卷积图网络，高斯过程回归(GPR)	3D CNN, GPR	3D图像	4286个扫描样本
35	2025-07-22	Whole-body low-dose computed tomography in patients with newly diagnosed multiple myeloma predicts cytogenetic risk: a deep learning radiogenomics study 2025-Feb, Skeletal radiology IF:1.9Q3 DOI:10.1007/s00256-024-04733-0 PMID:38937291	研究论文	本研究开发了一种基于全身低剂量CT的深度学习模型，用于预测多发性骨髓瘤患者的细胞遗传学异常	首次利用全身低剂量CT扫描结合深度学习技术预测多发性骨髓瘤的细胞遗传学风险	样本量相对较小（151例患者），且仅使用单一机构的患者数据	开发能够预测多发性骨髓瘤细胞遗传学异常的影像组学模型	新诊断的多发性骨髓瘤患者	数字病理学	多发性骨髓瘤	全身低剂量CT (WBLDCT), 荧光原位杂交 (FISH)	深度学习模型	医学影像	151例多发性骨髓瘤患者
36	2025-07-22	Spatial transcriptomic clocks reveal cell proximity effects in brain ageing 2025-Feb, Nature IF:50.5Q1 DOI:10.1038/s41586-024-08334-8 PMID:39695234	研究论文	本研究通过空间转录组学技术构建了一个大脑衰老图谱，揭示了细胞邻近效应对脑衰老的影响	开发了空间衰老时钟模型，首次系统性地研究了衰老细胞对邻近细胞的影响及其在组织衰退中的作用	研究仅基于小鼠模型，人类大脑的类似效应尚需验证	探究脑衰老过程中细胞间相互作用的分子机制	420万个来自不同年龄阶段大脑的细胞	空间转录组学	神经退行性疾病	空间转录组学	机器学习模型（空间衰老时钟）、深度学习	单细胞转录组数据	420万个细胞，覆盖20个不同年龄阶段
37	2025-07-22	Mapping the topography of spatial gene expression with interpretable deep learning 2025-Feb, Nature methods IF:36.1Q1 DOI:10.1038/s41592-024-02503-3 PMID:39849132	研究论文	该论文提出了一种名为GASTON的无监督深度学习算法，用于解析空间转录组数据中的基因表达模式	开发了GASTON算法，通过等深度概念构建组织切片的拓扑图，同时学习空间梯度和分段线性表达函数，以模拟基因表达的连续梯度和不连续变化	未提及具体的数据稀疏性处理方法的局限性或算法在其他类型组织中的适用性	解决空间转录组数据稀疏性问题，解析基因表达的空间模式	空间转录组数据	数字病理学	NA	空间转录组技术	深度学习	基因表达数据	多个组织样本（具体数量未提及）
38	2025-07-22	Association of Epicardial Adipose Tissue Changes on Serial Chest CT Scans with Mortality: Insights from the National Lung Screening Trial 2025-Feb, Radiology IF:12.1Q1 DOI:10.1148/radiol.240473 PMID:39964263	研究论文	本研究通过分析国家肺癌筛查试验中的连续低剂量CT扫描数据，探讨了心外膜脂肪组织（EAT）变化与死亡率之间的关联	首次利用自动深度学习算法量化EAT体积和密度的变化，并发现这些非典型变化与全因死亡率、心血管死亡率和肺癌死亡率显著相关	研究为二次分析，可能存在选择偏倚，且未考虑其他潜在混杂因素	探究心外膜脂肪组织变化与接受肺癌筛查人群死亡率的关系	国家肺癌筛查试验中的20,661名参与者	数字病理学	肺癌	低剂量CT扫描	深度学习算法	医学影像	20,661名参与者（平均年龄61.4岁，59.2%为男性）
39	2025-07-21	Noncoding variants and sulcal patterns in congenital heart disease: Machine learning to predict functional impact 2025-Feb-21, iScience IF:4.6Q1 DOI:10.1016/j.isci.2024.111707 PMID:39877905	research paper	该研究利用深度学习模型探讨非编码变异与先天性心脏病患者脑沟模式的关系	首次将深度学习应用于预测非编码变异对基因调控信号的影响，并揭示其与脑沟模式的关联	研究样本仅限于先天性心脏病患者，结果可能不适用于其他人群	探索非编码变异对先天性心脏病患者脑发育的影响	先天性心脏病患者及其脑沟模式	machine learning	cardiovascular disease	deep learning	深度学习模型	基因序列数据和脑影像数据	先天性心脏病患者队列与无先天性心脏病对照队列
40	2025-07-21	Extended Technical and Clinical Validation of Deep Learning-Based Brainstem Segmentation for Application in Neurodegenerative Diseases 2025-Feb-15, Human brain mapping IF:3.5Q1 DOI:10.1002/hbm.70141 PMID:39936343	研究论文	本研究优化并验证了基于深度学习的脑干分割方法，应用于神经退行性疾病的研究	使用多维度门控循环单元(MD-GRU)和nnU-Net方法优化脑干分割，并在多种病理和图像采集参数下进行系统验证	研究样本量相对有限，且主要针对特定神经退行性疾病	开发和验证自动化的脑干分割工具，作为神经退行性疾病的潜在生物标志物	脑干结构和神经退行性疾病患者	数字病理	神经退行性疾病	深度学习	MD-GRU, nnU-Net	T1加权MRI图像	257例训练数据，46例扫描-重扫重复性验证，20例跨扫描仪重现性验证，16例多系统萎缩患者随访数据，23例多发性硬化患者