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
101	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	NA	NA	NA	NA
102	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）	NA	NA	NA	NA
103	2025-10-06	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	本研究提出使用3D卷积图网络和非线性高斯过程回归从全身形态估计身体成分的新方法	首次将深度3D卷积图网络应用于人体形状参数化和身体成分估计，相比传统线性方法显著提升预测精度	深度形状特征仅对男性显示出预测误差降低，数据集规模有限（4286个扫描）	开发非线性方法从3D光学图像准确预测身体成分	人体身体形状和成分	计算机视觉	NA	3D光学成像	3D CNN, GPR	3D图像	4286个身体扫描	NA	3D卷积图网络	R, RMSE, 预测误差, 精度误差	NA
104	2025-10-06	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	开发基于全身低剂量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风险	首次将深度学习放射基因组学应用于全身低剂量CT扫描，实现无创预测多发性骨髓瘤细胞遗传学异常	样本量相对有限（151例患者），未提及外部验证结果	建立基于影像学的无创方法预测多发性骨髓瘤细胞遗传学风险	新诊断的多发性骨髓瘤患者	放射基因组学	多发性骨髓瘤	全身低剂量CT，荧光原位杂交	深度学习	医学影像	151例多发性骨髓瘤患者	NA	NA	AUROC	NA
105	2025-10-06	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	本研究通过构建空间转录组时钟模型，揭示了大脑衰老过程中细胞邻近效应的影响机制	开发了首个空间衰老时钟模型，能够识别罕见细胞类型的空间特异性转录组特征，并发现T细胞和神经干细胞对邻近细胞的显著影响	研究主要基于小鼠模型，人类大脑的验证仍需进一步研究；空间分辨率的限制可能影响细胞相互作用的精确解析	系统研究大脑衰老过程中细胞间相互作用及其对组织功能衰退的影响	成年生命周期中20个不同年龄段的420万个脑细胞	空间转录组学	神经退行性疾病	空间分辨单细胞转录组测序	机器学习模型,深度学习	空间转录组数据	420万个细胞，覆盖20个不同年龄段	NA	空间衰老时钟	NA	NA
106	2025-10-06	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	开发了一种名为GASTON的无监督可解释深度学习算法，用于分析空间转录组数据并构建组织切片的地形图	提出了isodepth概念来量化空间基因表达模式，并开发了首个能同时学习isodepth、空间梯度和分段线性表达函数的深度学习算法	未明确说明算法对数据稀疏性的具体处理能力和计算效率	解决空间转录组数据稀疏性问题，准确识别空间基因表达模式	多种组织类型的空间转录组数据，包括大脑神经元和肿瘤微环境	空间转录组学	肿瘤	空间转录组技术	深度学习	空间基因表达数据	NA	NA	GASTON	空间域识别准确性，标记基因识别准确性	NA
107	2025-10-06	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连续低剂量CT扫描数据，探讨心外膜脂肪组织变化与死亡率之间的关联	首次在大型肺癌筛查队列中利用深度学习算法自动量化心外膜脂肪组织变化，并发现非典型变化与全因死亡率、心血管死亡率和肺癌死亡率独立相关	为二次分析研究，可能存在未测量的混杂因素，且仅基于特定时间间隔的CT扫描	探究心外膜脂肪组织在2年间隔内的变化与接受肺癌筛查个体死亡率的关系	20,661名参与国家肺癌筛查试验的个体（平均年龄61.4岁，59.2%为男性）	数字病理	肺癌,心血管疾病	低剂量CT扫描	深度学习算法	医学影像	20,661名参与者	NA	NA	风险比,置信区间	NA
108	2025-10-06	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	研究论文	本研究利用深度学习模型探讨先天性心脏病中非编码变异与脑沟模式的关系	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，并揭示其与先天性心脏病患者脑沟模式的关联	研究样本量有限，关联机制尚未通过实验验证	探究非编码变异对先天性心脏病患者脑发育的影响机制	先天性心脏病患者群体及其脑沟模式	机器学习	先天性心脏病	深度学习	深度学习模型	基因组数据，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	NA	NA	NA	NA
109	2025-10-06	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在神经退行性疾病中的应用	针对多种病理类型和T1加权图像采集参数优化脑干分割，系统验证技术性能和临床适用性，并公开发布优化后的分割工具	样本量相对有限（总样本257例），验证主要针对特定神经退行性疾病	开发并验证适用于神经退行性疾病的自动化脑干分割方法	脑干结构及其在神经退行性疾病中的体积变化	医学影像分析	神经退行性疾病	T1加权磁共振成像	深度学习	医学影像	总样本257例，包括脑小血管病患者46例（重测信度）、20例（跨扫描仪重现性）、多系统萎缩患者16例（1年随访）、多发性硬化患者23例	NA	MD-GRU, nnU-Net	Dice系数, Bland-Altman一致性界限, 年体积变化百分比	NA
110	2025-10-06	Classification of schizophrenia, bipolar disorder and major depressive disorder with comorbid traits and deep learning algorithms 2025-Feb-05, Schizophrenia (Heidelberg, Germany) DOI:10.1038/s41537-025-00564-7 PMID:39910091	研究论文	本研究利用多基因风险评分和深度学习算法对精神分裂症、双相情感障碍和重度抑郁症进行分类和区分	首次证明仅使用共病性状的多基因风险评分即可有效分类和区分三种精神疾病，无需包含目标疾病自身的PRS	未明确说明样本来源和具体样本量，未详细描述深度学习模型的具体架构	评估共享遗传风险在精神疾病分类中的效用	精神分裂症、双相情感障碍和重度抑郁症患者及健康对照	机器学习	精神疾病	多基因风险评分	深度学习算法	遗传风险评分数据	NA	NA	NA	准确率,AUC	NA
111	2025-10-06	An empirical study of using radiology reports and images to improve intensive care unit mortality prediction 2025-Feb, JAMIA open IF:2.5Q3 DOI:10.1093/jamiaopen/ooae137 PMID:39980476	研究论文	本研究开发了一种基于深度学习的生存预测模型，利用多模态数据改善ICU死亡率预测	首次将放射学报告和胸部X光图像特征与传统生理测量相结合，通过多模态数据融合提升ICU死亡率预测性能	研究仅使用单一医疗数据集(MIMIC-IV)，未在其他独立数据集上验证模型泛化能力	通过整合多模态数据提高ICU患者死亡率预测的准确性	ICU患者	医疗人工智能	重症监护	深度学习，自然语言处理，医学影像分析	深度学习模型	结构化临床数据，放射学报告文本，胸部X光图像	MIMIC-IV数据集中的ICU患者样本	NA	BERT，图像特征提取网络	C-index，置信区间	NA
112	2025-10-06	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ProtoSAM-2D模型，将语义能力集成到2D医学图像的交互式分割框架中	引入掩码级原型预测机制，通过将分割实例与学习原型进行比较来生成和分类特征表示，并采用蒸馏方法降低计算复杂度	仅针对2D医学图像，未涉及3D医学图像分割	开发适用于多样化医学成像场景的适应性语义分割方法	2D医学图像中的解剖结构和病理区域	数字病理	多器官分割	深度学习，原型学习	CNN, Transformer	医学图像	NA	PyTorch	SAM, SAM-Med2D	零样本学习，少样本学习	NA
113	2025-10-06	Deep learning based apparent diffusion coefficient map generation from multi-parametric MR images for patients with diffuse gliomas 2025-Feb, Medical physics IF:3.2Q1 DOI:10.1002/mp.17509 PMID:39514841	研究论文	开发基于深度学习的多参数MR图像生成表观扩散系数图的方法	提出多参数残差视觉变换器模型，结合视觉变换器的长程上下文能力和卷积算子的精确性	NA	从多参数MR图像合成表观扩散系数图	弥漫性胶质瘤患者	医学影像分析	胶质瘤	扩散加权磁共振成像	视觉变换器, 卷积神经网络	MR图像	501例胶质瘤病例	NA	MPR-ViT, VCT, ResViT	PSNR, SSIM, MSE	NA
114	2025-10-06	Automatic Segmentation of Quadriceps Femoris Cross-Sectional Area in Ultrasound Images: Development and Validation of Convolutional Neural Networks in People With Anterior Cruciate Ligament Injury and Surgery 2025-02, Ultrasound in medicine & biology DOI:10.1016/j.ultrasmedbio.2024.11.004 PMID:39581823	研究论文	开发并验证用于前交叉韧带损伤人群股四头肌横截面积超声图像自动分割的卷积神经网络模型	首次针对前交叉韧带损伤人群开发专用的肌肉横截面积自动分割模型，解决了现有健康人群模型在该特殊人群中的适用性问题	模型在某些情况下仍存在错误预测（17%-20%），需要人工干预排除错误结果	验证和开发适用于前交叉韧带损伤人群的股四头肌横截面积自动分割方法	前交叉韧带损伤患者的股四头肌（股外侧肌、股直肌、股内侧肌）超声图像	计算机视觉	前交叉韧带损伤	超声成像	CNN	图像	124名前交叉韧带损伤患者（430张股外侧肌图像、349张股直肌图像、723张股内侧肌图像），额外153名健康参与者数据用于部分模型训练，100张外部验证图像	NA	DeepACSA	ICC, 测量标准误差百分比, 平均差异	NA
115	2025-10-06	Cross-shaped windows transformer with self-supervised pretraining for clinically significant prostate cancer detection in bi-parametric MRI 2025-Feb, Medical physics IF:3.2Q1 DOI:10.1002/mp.17546 PMID:39589390	研究论文	提出一种基于交叉窗口变换器和自监督预训练的新方法，用于双参数MRI中临床显著前列腺癌的检测	提出新型交叉窗口变换器UNet模型(CSwin UNet)和多任务自监督学习框架，采用自动加权损失统一预训练任务	需要进一步验证在更多外部数据集上的泛化能力	提升前列腺癌在双参数MRI中的检测性能	前列腺癌患者	计算机视觉	前列腺癌	双参数磁共振成像(bpMRI)	Transformer, CNN	医学影像	1476名患者(PI-CAI数据集) + 158名患者(Prostate158数据集)	PyTorch	CSwin UNet, nnFormer, Swin UNETR, DynUNet, Attention UNet, UNet	AUC, Average Precision	NA
116	2025-10-06	Comparing ECG Lead Subsets for Heart Arrhythmia/ECG Pattern Classification: Convolutional Neural Networks and Random Forest 2025-Feb, CJC open IF:2.5Q2 DOI:10.1016/j.cjco.2024.10.012 PMID:40060210	研究论文	比较卷积神经网络和随机森林在减少心电图导联子集下对心律失常/心电图模式的分类性能	首次系统比较深度学习和传统机器学习方法在减少心电图导联子集下的心律失常分类性能，并识别最优导联组合	使用单一公开数据集（PhysioNet 2020挑战赛数据），未在其他独立数据集上验证结果	评估不同心电图导联子集对心律失常/心电图模式分类准确性的影响	心电图信号和心律失常/心电图模式	机器学习	心血管疾病	心电图分析	CNN, Random Forest	心电图信号	PhysioNet心脏病学挑战赛2020数据集	NA	卷积神经网络, 前馈神经网络	宏平均F1分数	NA
117	2025-10-06	Invited commentary: deep learning-methods to amplify epidemiologic data collection and analyses 2025-Feb-05, American journal of epidemiology IF:5.0Q1 DOI:10.1093/aje/kwae215 PMID:39013794	评论	本文探讨深度学习在流行病学数据收集与分析中的应用潜力与挑战	强调深度学习为流行病学研究提供的新机遇，包括扩大地理覆盖范围、增加研究对象数量和处理高维数据	深度学习工具对流行病学家而言不如传统回归方法直观易用，需要跨学科合作	探讨深度学习在流行病学数据收集与分析中的放大作用	流行病学研究方法和数据	机器学习	NA	深度学习	神经网络,注意力算法	文本,音频,图像,视频	NA	NA	NA	NA	NA
118	2025-10-06	Deep Learning-Based Segmentation of Cervical Posterior Longitudinal Ligament Ossification in Computed Tomography Images and Assessment of Spinal Cord Compression: A Two-Center Study 2025-02, World neurosurgery IF:1.9Q2 DOI:10.1016/j.wneu.2024.123567 PMID:39694139	研究论文	开发基于CT图像的深度学习模型用于自动分割颈椎后纵韧带骨化病灶并评估脊髓压迫程度	首个基于3D U-Net框架的全自动CT图像后纵韧带骨化分割系统，能够同时测量骨化物质厚度和计算脊髓压迫系数	样本量相对有限（307例），外部测试集性能略有下降	开发自动化深度学习模型用于颈椎后纵韧带骨化的精确分割和脊髓压迫评估	颈椎后纵韧带骨化患者	医学影像分析	颈椎病	计算机断层扫描（CT）	深度学习	CT图像	307例患者（上海长征医院260例，西南医科大学附属中医医院47例）	NA	3D U-Net	Dice相似系数，平均表面距离，组内相关系数（ICC），Bland-Altman图	NA
119	2025-10-06	Deep Learning for Protein-Ligand Docking: Are We There Yet? 2025-Feb-09, ArXiv PMID:38827451	研究论文	本文介绍了首个蛋白质-配体对接综合基准PoseBench，并系统评估了深度学习方法在蛋白质-配体对接中的表现	首次系统研究最新对接方法在预测蛋白质结构对接、多配体同时结合和无结合口袋先验知识三种场景下的表现，并首次向DL社区引入多配体基准数据集	深度学习方法在新型蛋白质序列预测目标上仍面临挑战，且在结构准确性与化学特异性之间难以平衡	评估深度学习方法在蛋白质-配体对接中的实际应用价值	蛋白质-配体对接方法和结构预测方法	机器学习	NA	深度学习	深度学习	蛋白质结构数据，配体数据	主要配体和多配体基准数据集	NA	AlphaFold 3	结构准确性，化学特异性	NA
120	2025-10-06	Improving Identification of Drug-Target Binding Sites Based on Structures of Targets Using Residual Graph Transformer Network 2025-Feb-03, Biomolecules IF:4.8Q1 DOI:10.3390/biom15020221 PMID:40001524	研究论文	提出基于残差图变换器网络RGTsite的新深度学习框架，用于改进药物-靶标结合位点的识别	首次将残差图变换器网络应用于药物-靶标结合位点识别，融合多模态特征提取和残差连接技术	未明确说明数据集不平衡问题的具体处理方法和模型计算复杂度	提高药物-靶标结合位点识别准确率以加速药物开发过程	蛋白质靶标结构及其药物结合位点	生物信息学	NA	深度学习，蛋白质结构分析	CNN,Transformer,图神经网络	蛋白质序列，结构特征，物理化学性质	多个基准数据集（未明确具体数量）	NA	残差1D-CNN,ProtT5,图变换器网络	F1-score,Matthews Correlation Coefficient	NA