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
21	2026-09-18	Scalable Deep Learning of Histology Images Reveals Genetic and Phenotypic Determinants of Adipocyte Hypertrophy 2025-Sep-23, medRxiv : the preprint server for health sciences DOI:10.1101/2025.02.11.25322053 PMID:39990583	研究论文	该研究提出了一种先进的深度学习方法Adipocyte U-Net 2.0，用于脂肪组织组织学的语义分割，从而能够分析来自2,667个个体的超过2700万个脂肪细胞，并揭示了脂肪细胞肥大的遗传和表型决定因素	开发了Adipocyte U-Net 2.0，一种用于脂肪组织组织学语义分割的先进深度学习方法，能够大规模分析超过2700万个脂肪细胞；进行了迄今为止最大的脂肪细胞大小全基因组关联研究，并识别出四个全基因组显著位点	摘要中未明确提及研究局限性	探索脂肪细胞形态的细胞微观结构和遗传结构，并研究其与代谢功能障碍和心脏代谢疾病的关系	来自2,667个个体的脂肪组织组织学图像，包括皮下和内脏脂肪组织	数字病理学	心血管疾病	组织学图像分析，全基因组关联研究	深度学习	图像	2,667个个体的超过2700万个脂肪细胞；全基因组关联研究：皮下脂肪组织N=2,066，内脏脂肪组织N=1,878	NA	U-Net	NA	NA
22	2026-09-18	MedImg: An Integrated Database for Public Medical Images 2025-09-22, Genomics, proteomics & bioinformatics DOI:10.1093/gpbjnl/qzaf068 PMID:40833036	研究论文	该研究构建了一个包含105个数据集、1,995,671张医学图像的综合性公共医学图像数据库MedImg，涵盖14种成像模态和13个器官	整合了来自多个公共来源的105个数据集，包含1,995,671张医学图像，涵盖14种成像模态和13个器官，并构建了在线数据库平台以系统化组织这些医学图像	论文未明确讨论数据集的标准化程度、标注质量一致性以及数据库的更新维护机制等潜在局限性	解决深度学习医学图像分析中缺乏大规模、特征明确的验证数据集的问题，促进数据可获取性和研究可重复性	公共医学图像数据集，涵盖X射线、计算机断层扫描、磁共振成像、光学相干断层扫描、超声和内窥镜等14种模态，以及肺、脑、眼、心脏等13个器官	数字病理学	肺癌, 脑部疾病, 眼科疾病, 心血管疾病	NA	NA	图像	105个数据集，共1,995,671张医学图像	NA	NA	NA	NA
23	2026-09-18	Improving spliced alignment by modeling splice sites with deep learning 2025-Sep-20, ArXiv PMID:40980762	研究论文	该论文提出了minisplice，使用一维卷积神经网络学习剪接信号，并应用于剪接比对中以提高准确性	使用深度学习模型（1D-CNN）学习剪接信号，并改进了minimap2和miniprot以利用预计算的剪接概率进行比对	未明确提及	改进剪接比对，通过深度学习建模剪接位点，提高比对准确性	脊椎动物和昆虫基因组，以及人类长读长RNA-seq数据和跨物种蛋白质数据集	生物信息学	NA	长读长RNA测序，蛋白质序列分析	1D-CNN	序列数据	NA	NA	1D-CNN	剪接位点准确性	NA
24	2026-09-18	Variational inference of single cell time series 2025-Sep-09, bioRxiv : the preprint server for biology DOI:10.1101/2024.08.29.610389 PMID:39257806	研究论文	提出SNOW，一种深度学习算法，将单细胞时间序列数据解卷积为时间依赖和时间独立成分	将单细胞时间序列解卷积为时间依赖和时间独立成分，去除批次效应，推断每个细胞的动态	未明确提及局限性	分析单细胞RNA测序时间序列数据，解卷积时间和细胞类型贡献，区分真实动态与批次效应，推断每个细胞的动态	单细胞RNA测序时间序列数据	机器学习	NA	单细胞RNA测序	深度学习	基因表达数据	合成和真实scRNA-seq数据	NA	NA	NA	NA
25	2026-09-18	Automated Deep Learning-Based Detection of Early Atherosclerotic Plaques in Carotid Ultrasound Imaging 2025-Sep-03, medRxiv : the preprint server for health sciences DOI:10.1101/2024.10.17.24315675 PMID:39484270	研究论文	该研究开发了一个基于YOLOv8的深度学习模型，用于在颈动脉超声图像中自动检测早期动脉粥样硬化斑块，并在大规模人群队列中进行了验证和遗传学分析	首次将深度学习应用于无症状人群的颈动脉斑块检测，并在大规模人群队列（UKB）中验证了其性能，同时结合GWAS和孟德尔随机化揭示了斑块的遗传结构	未明确提及	开发自动化深度学习模型用于早期颈动脉斑块检测，并探索其与心血管事件及遗传因素的关系	UK Biobank队列的19,499名参与者及BiDirect研究的2,105名参与者	数字病理学, 计算机视觉	心血管疾病	颈动脉超声成像, 全基因组关联分析, 孟德尔随机化	YOLOv8	图像	19,499名UKB参与者及2,105名BiDirect参与者	PyTorch	YOLOv8	准确率, 灵敏度, 特异性	NA
26	2026-09-18	Deep learning for automated boundary detection and segmentation in organ donation photography 2025-Sep, Innovative surgical sciences IF:1.7Q2 DOI:10.1515/iss-2024-0022 PMID:40568340	研究论文	该研究开发了用于器官捐献摄影中肾脏和肝脏自动边界检测与分割的深度学习模型	首次针对肾脏和肝脏器官捐献摄影开发了深度学习分割模型，使用迁移学习构建了Detectron2和YoloV8模型，并进行了内部验证和外部验证	摘要中未明确提及研究局限性	开发用于肾脏和肝脏器官捐献摄影的深度学习分割模型，实现准确的自动化分割	肾脏和肝脏器官捐献摄影图像	计算机视觉	NA	医学摄影图像分割	CNN	图像	训练/内部验证集：821张肾脏图像和400张肝脏图像；外部验证集：203张肾脏图像和208张肝脏图像	NA	Detectron2, YoloV8	IoU	NA
27	2026-09-18	Deep learning as a bridge between intercultural sensitivity and learning outcomes: A comparative study of English-medium instruction delivery modes in Chinese higher education 2025-Sep, Acta psychologica IF:2.1Q2 DOI:10.1016/j.actpsy.2025.105410 PMID:40834781	研究论文	本研究基于Biggs的3P模型，构建中介框架，比较了中国高校中面授与在线直播英语媒介教学（由外教授课）模式下，跨文化敏感度、深度学习与学习成果之间的关系	首次在面授和在线直播两种EMI-FT交付模式中，同时考察跨文化敏感度对深度学习及学习成果的影响，并揭示深度学习的中介作用在在线环境中更强	数据基于自我报告量表，可能存在主观偏差；样本仅来自中国南方五所高校，普适性有限	探究跨文化敏感度如何影响学生在面授与在线EMI-FT环境中的深度学习及学习成果，并比较两种交付模式的差异	中国南方五所高校的1192名学生	机器学习	NA	问卷调查	NA	文本	1192名学生	NA	NA	NA	NA
28	2026-09-18	Automated Prediction of Dental Implant Success Using a Mask Region-Based Convolutional Neural Network on Preoperative Cone-Beam Computed Tomography Scans 2025-Sep, Cureus DOI:10.7759/cureus.93378 PMID:41164056	研究论文	本研究评估了一种基于Mask R-CNN的深度学习模型，利用术前锥形束CT扫描预测单颗牙种植体的成功率，并与专家种植医生进行了比较	首次将Mask R-CNN应用于术前CBCT扫描预测牙种植体成功，并在预测准确性和可靠性上超越了专家种植医生	样本量相对较小（210颗种植体），为回顾性单中心研究，需要前瞻性多中心验证	评估深度学习模型（Mask R-CNN）利用术前CBCT扫描预测单颗牙种植体成功的能力，并与专家种植医生进行比较	190名患者的210颗单颗牙种植体	计算机视觉	牙种植体失败	锥形束CT	Mask R-CNN	图像	210颗种植体（来自190名患者），其中168颗用于训练，42颗用于测试	Keras, TensorFlow	Mask R-CNN	准确率, AUC, 敏感度, 特异度, 精确率, F1分数, Cohen's kappa	NA
29	2026-09-18	XComposition: multimodal deep learning model to measure body composition using chest radiographs and clinical data 2025-Sep, Radiology advances DOI:10.1093/radadv/umaf035 PMID:41164313	研究论文	该研究开发了一种多模态深度学习模型，利用胸部X光片和临床数据来估计身体成分指标，如皮下脂肪、内脏脂肪和骨骼肌体积。	创新点在于结合胸部X光片和易于获取的临床变量（年龄、性别、身高、体重）通过多任务多模态深度学习模型估计身体成分，无需腹部CT，便于大规模研究。	样本量相对较小（1118例患者），骨骼肌体积估计的相关系数较低（0.58），模型性能可能受限于回顾性设计和特定人群。	探索使用深度学习方法从胸部X光片和少量临床变量中估计身体成分指标。	具有同时期非对比腹部CT和正面胸部X光片的患者。	医学影像分析	心血管疾病、糖尿病、癌症	深度学习	多任务多模态深度学习模型	图像和文本	1118例患者（582名女性，538名男性），来自美国30个医疗系统，2010-2024年。	NA	NA	皮尔逊相关系数、平均绝对误差	NA
30	2026-09-18	RCAN-DDI: Relation-aware cross adversarial network for drug-drug interaction prediction 2025-Sep, Journal of pharmaceutical analysis IF:6.1Q1 DOI:10.1016/j.jpha.2024.101159 PMID:41079788	研究论文	该文章提出了一种关系感知交叉对抗网络RCAN-DDI，用于结合药物的结构特征和拓扑特征进行药物-药物相互作用预测	提出关系感知交叉对抗网络，通过交叉对抗机制充分融合药物的结构模态与拓扑模态特征，挖掘不同信息源之间的相关性与互补性，而非简单拼接或加权求和	摘要中未明确提及研究局限性	准确预测药物-药物相互作用，提升用药安全性	药物及其相互作用关系	机器学习	NA	深度学习	交叉对抗网络	药物结构数据、药物相互作用网络拓扑数据	NA	NA	关系感知结构特征学习模块、基于DDI网络的拓扑特征学习模块、交叉对抗网络	NA	NA
31	2026-09-16	Artificial intelligence in mental health: integrating opportunities and challenges of multimodal deep learning for mental disorder prevention and treatment 2025-Sep, Annals of medicine and surgery (2012) DOI:10.1097/MS9.0000000000003624 PMID:40901142	综述	本文探讨了多模态深度学习在精神障碍预防和治疗中的机遇与挑战，并提出一个负责任应用AI的概念框架	提出了一个负责任应用AI于精神卫生保健的概念框架	未提及具体的实证研究或数据验证	探索AI技术（特别是多模态深度学习和预测分析）在精神障碍预防和治疗中的机遇与挑战	精神障碍的预防和治疗	机器学习	精神障碍	多模态深度学习	NA	NA	NA	NA	NA	NA	NA
32	2026-09-13	Supervised Contrastive Learning Leads to More Reasonable Spectral Embeddings 2025-Sep-23, Analytical chemistry IF:6.7Q1 DOI:10.1021/acs.analchem.5c02655 PMID:40940302	研究论文	提出了一种名为SpecEmbedding的新方法，利用Transformer编码器架构和监督对比学习框架，将复杂的质谱图映射为低维向量表示，以提高分子识别的准确性	采用Transformer编码器架构，使用化合物的重复光谱作为正样本，在监督对比学习框架下进行训练，显著增强了光谱之间的可比性	NA	解决质谱分析中因实验条件复杂性和化合物结构相似性导致的准确识别难题	质谱图数据，包括GNPS训练子集、GNPS测试子集、MoNA数据集和MTBLS1572数据集	机器学习	NA	质谱分析	Transformer	质谱图数据	GNPS训练子集、GNPS测试子集、MoNA数据集和MTBLS1572数据集	NA	Transformer编码器	Top-1命中率	NA
33	2026-09-13	Artificial intelligence in cardiac telemetry 2025-09-11, Heart (British Cardiac Society) DOI:10.1136/heartjnl-2024-323947 PMID:40122590	综述	本文综述了人工智能在心脏遥测中的应用现状，重点关注深度学习技术、临床应用、面临的挑战与局限以及未来发展方向	系统性地回顾了从传统统计机器学习模型到先进深度神经网络在心脏遥测中的演进，并全面分析了深度学习在实时监测、预测分析和个性化心脏护理方面的优势	讨论了当前AI模型在心脏遥测中面临的挑战和局限性，但摘要中未具体列出	探讨人工智能在心脏遥测领域的最新进展，包括深度学习技术、临床应用、挑战及未来方向	心脏遥测数据及相关的AI模型	机器学习	心血管疾病	NA	深度学习，深度神经网络	NA	NA	NA	NA	NA	NA
34	2026-09-13	Decision support system based on ensemble models in distinguishing epilepsy types 2025-09, Epilepsy & behavior : E&B IF:2.3Q2 DOI:10.1016/j.yebeh.2025.110470 PMID:40382997	研究论文	本研究基于EEG数据，使用人工智能模型对患者的局灶性、多灶性和全面性癫痫样活动进行分类	结合MLP、SVM和XGBoost的集成模型，并应用SMOTE数据增强和Optuna超参数优化，实现了高精度分类	回顾性研究，单中心数据，样本量有限	利用人工智能模型基于EEG发现对癫痫类型进行分类，为医生提供决策支持	575名在Adana City Training and Research Hospital神经内科癫痫专科门诊随访的患者	机器学习	癫痫	EEG	MLP, Random Forest, SVM, XGBoost	表格数据（患者病史、检查发现、癫痫特征和EEG结果）	575名患者	NA	Multilayer Perceptron, Random Forest, Support Vector Machine, XGBoost	准确率, 召回率, F1分数	NA
35	2026-09-09	Study on predicting breast cancer Ki-67 expression using a combination of radiomics and deep learning based on multiparametric MRI 2025-09, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2025.110401 PMID:40360135	研究论文	本研究开发了一种结合多参数乳腺MRI影像组学与深度学习的多模态模型，用于预测乳腺癌术前Ki-67表达状态	首次融合多参数MRI（T1WI、DWI、T2WI和DCE-MRI）的影像组学特征与深度学习，构建多模态模型预测Ki-67表达，显著提高了预测性能	样本量有限（176例），且未在外部数据集验证模型的泛化能力	开发并验证基于多参数MRI的影像组学与深度学习多模态模型，用于无创预测乳腺癌Ki-67表达状态，以支持个体化治疗与精准医学	176例浸润性乳腺癌患者的术前多参数MRI图像及对应的Ki-67表达结果	医学影像分析，深度学习	乳腺癌	多参数MRI，影像组学	深度学习模型（具体未见明确，但结合影像组学和深度学习）	医学影像（MRI）	176例（浸润性乳腺癌患者，训练集占70%，测试集占30%）	NA	NA	AUC、准确度、敏感性、特异性、阳性预测值、阴性预测值、F1分数	NA
36	2026-09-09	Accelerating prostate rs-EPI DWI with deep learning: Halving scan time, enhancing image quality, and validating in vivo 2025-09, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2025.110418 PMID:40368253	研究论文	本研究评估了基于深度学习超分辨率技术（特别是MSSNet）在减少前列腺rs-EPI DWI扫描时间的同时保持图像质量的可行性和有效性	首次应用多尺度自相似网络（MSSNet）于前列腺rs-EPI DWI成像，实现扫描时间减半并提升图像质量	未明确提及，可能包括样本量有限或需要进一步多中心验证	评估深度学习超分辨率技术在减少高分辨率前列腺扩散加权成像扫描时间同时保持图像质量的可行性	前列腺rs-EPI DWI数据（回顾性和前瞻性）	医学影像	前列腺癌	MRI	深度学习超分辨率模型（MSSNet）	图像	未明确说明样本数量，但涉及回顾性和前瞻性前列腺rs-EPI DWI数据	NA	MSSNet（多尺度自相似网络）	SSIM, PSNR, NRMSE, ADC, SNR	NA
37	2026-09-09	Colorectal Liver Metastasis Pathomics Model: Integrating Single-Cell and Spatial Transcriptome Analysis With Pathomics for Predicting Liver Metastasis in Colorectal Cancer 2025-09, Modern pathology : an official journal of the United States and Canadian Academy of Pathology, Inc IF:7.1Q1 DOI:10.1016/j.modpat.2025.100805 PMID:40473111	研究论文	本研究通过整合单细胞RNA测序和空间转录组分析，识别出触发肝转移的恶性细胞类型，并基于此开发了一个深度学习模型（结直肠癌肝转移病理组学模型）来预测结直肠癌患者的肝转移风险	首次将单细胞与空间转录组分析结合病理组学，利用弱监督学习在无需人工标注的情况下构建预测结直肠癌肝转移的深度学习模型，并识别出特定的细胞通讯轴（COL1A1-CD44/SDC4 和 LAMA4-CD44）促进肝转移	仅基于标题和摘要，未提及明确局限性，可能包括外部验证队列规模有限、模型泛化性需进一步验证等	开发一种基于病理组学的深度学习模型，以预测结直肠癌患者的肝转移风险，并识别肝转移触发细胞及其通讯机制	结直肠癌患者，包括肝转移和非肝转移患者，以及其病理切片和转录组数据	数字病理学	结直肠癌	单细胞RNA测序、空间转录组分析、批量RNA测序	深度学习模型（ResNet18）	病理全切片图像、单细胞转录组数据、空间转录组数据、批量RNA测序数据	内部测试集为TCGA-CRC组织学图像，外部验证集包括西南医科大学附属医院和西南医科大学附属中医医院的两个队列（具体样本数未在摘要中给出）	PyTorch（推断，未明确）	ResNet18	AUC	未提及（推断使用GPU，但摘要未提供具体型号）
38	2026-09-08	End-to-End Deep Learning-Based Motion Correction and Reconstruction for Accelerated Whole-Heart Joint T1/T2 Mapping 2025-09, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2025.110396 PMID:40268172	研究论文	该文提出一种端到端深度学习算法，用于加速3D全心联合T1/T2成像，通过联合运动估计和模型驱动的运动校正重建，实现多对比欠采样数据的高质量图像重建与定量分析	创新性地使用端到端非刚性运动校正重建网络，直接从八组多对比欠采样数据中估计高质量运动校正重建图像，无需单独运动估计步骤，并显著提升重建速度超过370倍	因分析基于标题和摘要，具体限制未提及，但可能涉及小样本验证、临床泛化性及与参考方法相比的定量差异（如-6.35毫秒和-1.8毫秒偏差）	加速3D全心联合T1/T2成像，用于心肌组织表征，通过实现快速且准确的运动校正重建	3D全心联合T1/T2成像的多对比欠采样数据，采集自自由呼吸高分辨率运动补偿序列，共八个不同对比度体积	机器学习和医学影像	心血管疾病	磁共振成像（T1/T2 mapping，多对比序列）	深度学习网络（端到端非刚性运动校正重建网络）	多对比欠采样MRI图像	未在标题和摘要中明确提供，标注为“NA”	未明确提及框架，但可能基于特定深度学习框架，标记为“NA”	端到端非刚性运动校正重建网络	视觉一致性、T1和T2图的定量偏差（-6.35毫秒和-1.8毫秒）、重建时间	未在标题和摘要中明确，标注为“NA”
39	2026-09-08	Quantitative susceptibility mapping in magnetically inhomogeneous tissues 2025-Sep, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.30537 PMID:40312865	研究论文	本文提出并评估了DEEPOLE，一种基于深度学习的方法，通过将宏观非偶极拉莫尔频移整合到定量磁化率成像中，以提高磁化率图的质量和准确性	DEEPOLE将QUASAR模型整合到深度卷积神经网络中，考虑了常规QSM方法忽略的频率贡献，从而在具有微观结构效应的区域减少了伪影并提高了定量准确性	未明确提及，但可能包括对合成训练数据的依赖以及需要进一步验证其在更广泛临床环境中的适用性	开发并评估一种新的深度学习QSM方法，以改善磁不均匀组织中的磁化率图质量，特别是在神经退行性和脱髓鞘疾病研究中	数字大脑模型（有和无微观结构效应）和活体人脑数据	医学影像分析	神经退行性疾病	磁共振成像（QSM）	深度卷积神经网络	图像	数字大脑模型和活体人脑数据（具体数量未提供）	深度学习框架（具体未指明，如PyTorch或TensorFlow）	卷积神经网络（整合QUASAR模型）	准确率（磁化率估计准确性）、伪影减少、解剖一致性	未明确提及
40	2026-09-08	Self-supervised learning for MRI reconstruction through mapping resampled k-space data to resampled k-space data 2025-09, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2025.110404 PMID:40324545	研究论文	提出一种自监督深度学习MRI重建方法，通过将重采样的k-space数据映射到重采样的k-space数据，无需全采样参考数据即可高效重建图像	创新性地采用随机自监督学习与数据欠采样（RSSDU）方法，双重重采样k-space数据以避免对全采样数据的需求	未提供具体限制信息	开发一种无需全采样参考数据即可准确有效的MRI图像重建自监督方法	MRI重建中的k-space数据和图像	计算机视觉	不适用	MRI数据欠采样及自监督学习	深度学习网络（具体模型未指明）	MRI k-space数据	不适用	不适用	不适用	峰值信噪比（PSNR）和结构相似性指数（SSIM）	不适用