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
1	2026-09-25	AI-assisted intraoperative navigation for safe right liver mobilization in pure laparoscopic donor hepatectomy: an experimental multi-institutional validation study 2025-Jul-31, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-11627-1 PMID:40744949	研究论文	本研究开发并验证了一种基于深度学习的AI辅助术中导航系统，通过实时分割血管结构和无血管平面，用于纯腹腔镜供体右肝切除术中的安全右肝游离	首次将U-Net结合Mix Transformer编码器应用于纯腹腔镜供体右肝切除术的术中实时分割导航，提供安全解剖平面的AI辅助识别，并通过多机构外部验证证实其可行性	血管结构的定量分割指标较低（DSC约0.65-0.69），需要改进标注策略，且尚未在真实手术室环境中进行前瞻性验证	探索人工智能在微创肝脏手术中提供术中导航的潜力，通过实时分割安全解剖平面来辅助完成高难度微创肝脏手术	48例来自三家机构的纯腹腔镜供体右肝切除术手术视频	计算机视觉	肝脏疾病	深度学习图像分割	CNN	视频	48例纯腹腔镜供体右肝切除术视频（40例用于五折交叉验证，8例用于外部验证）	NA	U-Net, Mix Transformer	Dice相似系数, 精确率, 召回率, 特异度	NA
2	2026-09-25	A novel flexible identity-net with diffusion models for painting-style generation 2025-Jul-31, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-12434-4 PMID:40744991	研究论文	本文提出了一种用于绘画风格生成的柔性身份网络（PDANet），并构建了包含42位中国画家4055幅作品的Painting-42数据集，通过轻量级Identity-Net将图像提示集成到U-Net编码器中，实现高质量、多样化的风格转换	提出PDANet网络架构，设计轻量级Identity-Net将图像提示无缝集成到U-Net编码器中，构建Painting-42中国画数据集，结合扩散模型实现绘画风格生成	未明确提及	解决传统绘画风格创意设计中创新慢、成本高、可扩展性有限的问题，利用深度学习增强绘画风格创意设计	中国画风格，42位中国画家的艺术作品	计算机视觉	NA	扩散模型	扩散模型	图像	4055幅来自42位中国画家的艺术作品	NA	U-Net, Identity-Net	NA	NA
3	2026-09-25	Impact of large language models and vision deep learning models in predicting neoadjuvant rectal score for rectal cancer treated with neoadjuvant chemoradiation 2025-07-31, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-025-01844-5 PMID:40745280	研究论文	本研究探讨了大语言模型和计算机视觉深度学习模型在预测局部晚期直肠癌新辅助放化疗后新辅助直肠（NAR）评分中的效果	首次将大语言模型应用于放射学报告以预测NAR评分，并比较了基于CT扫描的两种卷积神经网络方法与基于大语言模型的方法	CT扫描在预测NAR值方面表现不足，样本量相对较小（160例）	探索深度学习（大语言模型和计算机视觉模型）准确预测局部晚期直肠癌新辅助放化疗后NAR评分的能力	160例接受新辅助放化疗的局部晚期直肠癌患者的CT扫描和放射学报告	数字病理学, 计算机视觉, 自然语言处理	直肠癌	CT扫描, MRI扫描, 放射学报告分析	大语言模型, 卷积神经网络	图像, 文本	160例患者的CT扫描和放射学报告（4种类型：2种来自CT，2种来自MRI，均为治疗前后）	NA	卷积神经网络, 编码器架构的大语言模型	AUC	NA
4	2026-09-25	Multimodal deep learning for allergenic proteins prediction 2025-Jul-31, BMC biology IF:4.4Q1 DOI:10.1186/s12915-025-02347-z PMID:40745646	研究论文	本文提出了Multimodal-AlgPro，一个基于多模态深度学习算法的统一框架，通过整合理化性质、氨基酸序列和进化信息来预测过敏原蛋白	提出了多模态深度学习框架整合理化性质、氨基酸序列和进化信息三种模态进行过敏原预测，引入了穷举搜索策略来探索所有可能的模态组合以确定最优框架架构，并识别可解释的序列模体和分子描述符	未明确提及	提高过敏原蛋白预测的准确性，识别过敏反应来源并预防未来暴露于有害触发因素	过敏原蛋白	机器学习	过敏性疾病	多模态深度学习	多模态深度学习	氨基酸序列、理化性质数据、进化信息	NA	NA	NA	NA	NA
5	2026-09-25	A scoping review of artificial intelligence applications in clinical trial risk assessment 2025-Jul-30, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-025-01886-7 PMID:40731070	综述	本文对2013年至2024年间发表的142项关于人工智能在临床试验风险评估中应用的研究进行了范围综述	系统梳理了AI在临床试验风险评估中的最新应用进展，特别关注了大型语言模型（LLMs）在2023年的应用激增（33项研究中有7项涉及）	存在选择偏倚、前瞻性研究有限以及数据质量问题	分析人工智能在临床试验风险评估中的应用现状，包括安全性、有效性和运营风险预测	142项已发表的研究（2013-2024年），涵盖安全性（n=55）、有效性（n=46）和运营（n=45）风险预测	机器学习	NA	传统机器学习、深度学习（如图神经网络、Transformer）、因果机器学习、大型语言模型	图神经网络, Transformer, 大型语言模型	分子结构, 临床试验方案, 患者数据, 科学出版物	142项研究	NA	图神经网络, Transformer, 大型语言模型	AUROC（最高达96%）	NA
6	2026-09-25	Interpretable graph Kolmogorov-Arnold networks for multi-cancer classification and biomarker identification using multi-omics data 2025-Jul-29, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-13337-0 PMID:40730661	研究论文	本文提出了一种可解释的图Kolmogorov-Arnold网络框架MOGKAN，利用多组学数据和PPI网络进行31种癌症分类及生物标志物识别	首次将Kolmogorov-Arnold定理原理与图深度学习结合用于多组学癌症分类，通过可训练的单变量函数增强模型可解释性，并整合了mRNA、miRNA和DNA甲基化三种组学数据与PPI网络	摘要中未明确提及研究局限性	利用多组学数据实现跨31种癌症类型的精准分类和生物标志物识别	31种不同癌症类型的多组学样本（mRNA、miRNA序列和DNA甲基化数据）及蛋白质-蛋白质相互作用网络	机器学习	泛癌（31种癌症类型）	多组学数据分析（mRNA表达、miRNA序列、DNA甲基化）、DESeq2、LIMMA、LASSO回归	图神经网络、Kolmogorov-Arnold网络	多组学数据（基因表达、miRNA序列、DNA甲基化）和图数据	NA	NA	MOGKAN	分类准确率（96.28%）	NA
7	2026-09-25	Generative Deep Learning for de Novo Drug Design─A Chemical Space Odyssey 2025-Jul-28, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c00641 PMID:40632942	综述	本文探讨了生成式深度学习在药物从头设计中的应用，分析了小分子生成、评估和优先级排序的挑战与机遇	提出了化学空间探索中平衡化学多样性、可合成性和生物活性的核心矛盾，并强调了建立稳健评估方案的必要性	作为综述文章，未涉及具体实验验证，主要聚焦于小分子药物设计	探讨生成式深度学习在药物从头设计中的应用现状、挑战和未来方向	小分子药物设计中的生成方法及评估协议	机器学习	NA	生成式深度学习	NA	NA	NA	NA	NA	NA	NA
8	2026-09-25	Edge learning applications in the prediction and classification of combined hepatocellular-cholangiocarcinoma: A comprehensive narrative review 2025-Jul-24, World journal of clinical oncology IF:2.6Q3 DOI:10.5306/wjco.v16.i7.107246 PMID:40741203	综述	本文是一篇综合性叙述性综述，探讨边缘学习在混合型肝细胞-胆管癌（cHCC-CCA）预测和分类中的临床应用、技术策略、临床益处以及相关挑战和未来方向	首次系统性地探讨边缘学习在罕见异质性肝脏肿瘤cHCC-CCA预测和分类中的应用前景，提出将人工智能模型部署在本地设备上以实现实时处理、改善数据隐私和减少带宽使用的新思路	作为叙述性综述，缺乏系统性文献检索和定量分析，未提供原始实验数据验证所提出观点的有效性	探讨边缘学习在cHCC-CCA预测和分类中的临床应用机会、技术解决方案策略、临床益处及未来发展方向	混合型肝细胞-胆管癌（cHCC-CCA）	数字病理学, 机器学习	肝癌	NA	深度学习	图像	NA	NA	NA	NA	NA
9	2026-09-25	Multi-modal and Multi-view Cervical Spondylosis Imaging Dataset 2025-07-01, Scientific data IF:5.8Q1 DOI:10.1038/s41597-025-05403-z PMID:40593874	研究论文	该研究公开了一个名为MMCSD的多模态多视角颈椎病影像数据集，该数据集包含250名患者的MRI和CT图像，并利用该数据集开发了一个预测颈椎病患者术后颈部疼痛的深度学习模型以验证其可用性	公开共享了一个多模态（MRI和CT）多视角的颈椎病影像数据集MMCSD，并首次利用该数据集开发深度学习模型预测颈椎病患者术后颈部疼痛	样本量相对较小，仅包含250名患者的数据	构建并共享多模态多视角颈椎病影像数据集，支持颈椎病深度学习模型的开发与测试，推动神经网络模型在颈椎病及颈部疼痛中的应用	250名颈椎病患者的MRI和CT影像数据	数字病理学, 计算机视觉	颈椎病	MRI, CT	NA	图像	250名颈椎病患者的MRI和CT图像，包括轴位骨窗和软组织窗CT扫描、矢状位T1加权和T2加权MRI、轴位T2加权MRI	NA	NA	NA	NA
10	2026-09-24	Mortality and antibiotic timing in deep learning-derived surviving sepsis campaign risk groups: a multicenter study 2025-Jul-14, Critical care (London, England) DOI:10.1186/s13054-025-05493-6 PMID:40660326	研究论文	该研究利用两个深度学习模型对疑似脓毒症患者进行客观风险分层，以评估不同风险组中抗生素给药时机与短期死亡率之间的关系	首次利用深度学习模型将脓毒症患者客观分层为与SSC风险组类似的分组，并基于此评估抗生素给药时机对死亡率的影响	研究为观察性队列研究，需要额外的前瞻性研究来验证这些发现并指导疑似脓毒症患者的最佳抗生素给药时机	利用深度学习模型将疑似脓毒症患者客观分层为类似于SSC风险组的分组，并评估不同风险组中抗生素给药时机与短期死亡率的关系	2016年至2024年间来自两个大型健康系统的疑似脓毒症成年患者	机器学习	脓毒症	NA	深度学习	电子健康记录数据	34087名成年疑似脓毒症患者	NA	NA	短期死亡率（院内死亡率和转入临终关怀的复合指标）	NA
11	2026-09-21	Knockout: A simple way to handle missing inputs 2025-Jul, Transactions on machine learning research PMID:41552269	研究论文	本文提出了一种名为Knockout的方法，通过在训练过程中随机将输入特征替换为适当的占位符值，以处理推理时输入缺失的问题	提出Knockout方法，在训练时随机替换输入特征为占位符值，可同时学习条件分布和边缘分布，并提供理论证明将其解释为隐式边缘化策略	未明确提及	解决多模态模型在推理时输入缺失的问题，提供一种高效且性能良好的处理方法	深度学习模型，特别是多模态模型	机器学习	NA	NA	NA	NA	NA	NA	NA	NA	NA
12	2026-09-21	Confounder-Free Continual Learning via Recursive Feature Normalization 2025-Jul, Proceedings of machine learning research PMID:41574232	研究论文	本文提出了一种递归特征归一化方法，用于在持续学习中消除混杂因素的影响。	提出递归MDN（R-MDN）层，可集成到任何深度学习架构中，并通过递归最小二乘算法持续更新内部模型，适应数据和混杂变量分布的变化。	摘要中未明确提及。	在持续学习场景中，学习对混杂因素不变的特征表示，以消除混杂因素对预测的影响。	深度学习模型中的特征表示和混杂变量。	机器学习	NA	递归最小二乘算法	NA	NA	NA	NA	视觉Transformer（Vision Transformer）	NA	NA
13	2026-09-19	Domain-Randomized Deep Learning for Neuroimage Analysis: Selecting Training Strategies, Navigating Challenges, and Maximizing Benefits 2025-Jul, IEEE signal processing magazine IF:9.4Q1 DOI:10.1109/MSP.2025.3590806 PMID:41306561	综述	本文是一篇教程综述，系统介绍了基于域随机化的深度学习在神经影像分析中的训练策略、实施挑战与优势，涵盖原理、实现及潜在应用	系统综述了通过合成随机化强度和解剖内容的图像来训练深度神经网络的新兴域随机化策略，该策略无需重新训练或微调即可处理训练中未见过的图像类型，并跨多种成像模态验证了有效性	域随机化方法增加了计算需求，实际采用时需要在泛化能力与计算成本之间进行权衡	综述合成驱动训练范式的原理、实施和潜力，探讨实际采用该技术的考量因素，旨在加速开发可泛化工具，使深度学习更易于领域专家使用	神经影像数据，特别是MRI图像，以及CT、PET、OCT、超声、电子和荧光显微镜、X射线微断层扫描等多模态医学图像	计算机视觉	NA	域随机化训练策略、合成图像生成、解剖分割图	深度神经网络	图像	NA	NA	NA	NA	NA
14	2026-09-19	Sidechain conditioning and modeling for full-atom protein sequence design with FAMPNN 2025-Jul, Proceedings of machine learning research PMID:41307002	研究论文	本文提出了FAMPNN，一种全原子蛋白质序列设计方法，在序列生成过程中显式建模残基的侧链构象	FAMPNN是首个在固定主链蛋白质序列设计中显式建模侧链构象的方法，联合学习离散氨基酸身份和连续侧链构象的分布，显著提升了序列恢复率和侧链堆积质量	未明确提及	解决现有深度学习方法在固定主链蛋白质序列设计中忽略侧链构象建模的问题，提高序列设计和侧链堆积的准确性	蛋白质序列和侧链构象	机器学习	NA	深度学习	MPNN	蛋白质结构数据	NA	NA	FAMPNN	序列恢复率, 侧链堆积质量, 零样本预测结合和稳定性	NA
15	2026-09-18	Surrogate modeling of Cellular-Potts Agent-Based Models as a segmentation task using the U-Net neural network architecture 2025-Jul-27, ArXiv PMID:40386573	研究论文	本文开发了一种基于U-Net架构的卷积神经网络代理模型，用于加速Cellular-Potts模型（CPM）的仿真评估，并以血管生成机制模型为案例进行了验证	首次将Cellular-Potts Agent-Based模型的代理建模转化为图像分割任务，采用U-Net架构并考虑周期性边界条件，实现了590倍的仿真加速，同时能有效捕捉血管出芽、延伸、吻合及血管腔收缩等涌现行为	未明确讨论模型在更大空间和时间尺度上的泛化能力，也未提及训练数据的规模及模型在不同参数配置下的鲁棒性	利用深度学习代理模型加速计算昂贵的Cellular-Potts模型仿真，实现对生物过程在更大时空尺度上的快速评估	Cellular-Potts模型（CPM）及其在血管生成（vasculogenesis）研究中的应用	机器学习	心血管疾病	NA	CNN	图像	NA	NA	U-Net	NA	NA
16	2026-09-18	CNV-Finder: Streamlining Copy Number Variation Discovery 2025-Jul-26, bioRxiv : the preprint server for biology DOI:10.1101/2024.11.22.624040 PMID:39605431	研究论文	本文介绍了一种名为CNV-Finder的新型流程，该流程结合深度学习技术，特别是LSTM网络，用于从Illumina基因分型阵列数据中快速识别拷贝数变异（CNV），并提供了一个交互式Web应用供研究人员查看和确认结果。	开发了集成LSTM网络的CNV-Finder流程，能够高效处理大规模阵列数据，快速识别CNV，并通过交互式Web应用整合人类反馈以提高模型性能并降低假阳性率。	未明确提及，但可能受限于训练数据的代表性和模型在更广泛基因组区域的泛化能力。	加速大规模CNV识别，优先筛选样本以进行后续验证分析，并提高CNV检测的准确性和效率。	与神经系统疾病（如阿尔茨海默病、帕金森病、进行性核上性麻痹、特发性震颤）可能相关的四个基因：Parkin、Lrrk2、MAPT和SNCA。	机器学习	神经系统疾病	Illumina基因分型阵列、MLPA、短读长和长读长全基因组测序	LSTM	图像（阵列信号强度数据，如LRR和BAF）	未明确提及，但包括来自GP2和痴呆特定数据库的多个队列。	NA	LSTM	未明确提及，但可能包括准确性、假阳性率等。	NA
17	2026-09-18	Counterfactual Diffusion Models for Interpretable Morphology-based Explanations of Artificial Intelligence Models in Pathology 2025-Jul-22, bioRxiv : the preprint server for biology DOI:10.1101/2024.10.29.620913 PMID:39554184	研究论文	本文提出了MoPaDi框架，利用自监督扩散自编码器结合任务特定分类器和多实例学习，为病理全切片图像生成反事实解释，通过改变形态特征翻转深度学习分类器的预测，并在四个任务上进行了验证。	提出了MoPaDi框架，首次将自监督扩散自编码器与任务特定分类器结合用于病理图像的反事实解释生成，并集成多实例学习以应对弱监督场景，通过改变视觉特征实现预测翻转，揭示了驱动分类的形态学特征。	摘要中未明确提及研究的局限性。	旨在提高病理学中深度学习模型的可解释性，通过生成反事实解释揭示哪些形态学特征驱动分类器的预测。	组织病理学全切片图像。	数字病理学	肺癌、前列腺癌、其他癌症（涉及癌症亚型分类和微卫星不稳定性生物标志物分类）	扩散自编码器、多实例学习	扩散模型、自编码器	图像	未明确提及具体样本量。	未提及	扩散自编码器	MS-SSIM、AUC、病理学家误判率	未提及
18	2026-09-18	Delta Marches to autonomously learn histopathology rules by generative latent space traversals 2025-Jul-16, bioRxiv : the preprint server for biology DOI:10.1101/2025.03.18.643999 PMID:40166226	研究论文	该文章提出了Delta-Marches框架，利用生成模型的语义潜在空间遍历来自主学习组织病理学规则，并在透明细胞肾细胞癌分级中进行了验证	提出了一种基于生成模型潜在空间遍历的机制可解释性框架，能够生成高保真合成图像并模拟类别间的受控形态变化，克服了样本间变异性，实现了亚细胞分辨率的可解释转化，自主发现传统评分标准中未包含的血管减少特征	仅在一个特定的组织病理学场景（透明细胞肾细胞癌分级）中进行了原型验证，尚未在更广泛的组织类型和疾病中验证其通用性	开发一种能够从空间分散信息中产生细粒度见解的机制可解释性框架，将复杂的空间分布特征转化为图像分类规则	透明细胞肾细胞癌组织病理学图像	数字病理学	肾癌	NA	生成模型（Generative Model）	图像	NA	NA	NA	NA	NA
19	2026-09-18	Refining sequence-to-activity models by increasing model resolution 2025-Jul-15, bioRxiv : the preprint server for biology DOI:10.1101/2025.01.24.634804 PMID:39975126	研究论文	本文通过增加模型分辨率，即建模ATAC-seq的碱基对分辨率图谱，来改进序列到活性的模型，从而更精确地解码调控语法	首次证明在序列到活性模型中建模ATAC-seq图谱与可及性同时进行，能持续改进对不同细胞类型差异染色质可及性的预测，并识别出仅在包含图谱数据时出现的新基序	未明确提及	通过增加模型分辨率（建模ATAC-seq图谱）来改进序列到活性模型，以更精确地解码控制基因表达的顺式调控语法	免疫细胞类型（多种免疫细胞）的ATAC-seq数据	机器学习	NA	ATAC-seq	深度学习	DNA序列和ATAC-seq图谱数据	NA	NA	AI-TAC	预测差异染色质可及性的性能	NA
20	2026-09-18	OpenSpliceAI: An efficient, modular implementation of SpliceAI enabling easy retraining on non-human species 2025-Jul-11, bioRxiv : the preprint server for biology DOI:10.1101/2025.03.20.644351 PMID:40166201	研究论文	本文介绍了OpenSpliceAI，一个基于PyTorch的SpliceAI高效模块化实现，支持在非人类物种上轻松重新训练	使用PyTorch重新实现SpliceAI，支持从头训练和迁移学习，实现更快的处理速度和更低的内存使用，易于集成到机器学习生态系统中	未明确提及	解决SpliceAI依赖旧软件框架和以人类为中心的训练数据的问题，提供可训练、开源的版本，支持物种特异性数据集的重新训练	DNA序列中的剪接信号，非人类物种的基因组数据	机器学习	NA	深度学习	CNN	DNA序列	NA	PyTorch	SpliceAI	处理速度，内存使用，输出一致性，得分概率估计	单个GPU