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	2026-10-04	Severity Classification of Pediatric Spinal Cord Injuries Using Structural MRI Measures and Deep Learning: A Comprehensive Analysis across All Vertebral Levels 2025-Oct-01, AJNR. American journal of neuroradiology DOI:10.3174/ajnr.A8770 PMID:40194851	研究论文	该研究利用结构MRI测量指标和深度学习技术对儿童脊髓损伤进行严重程度分类，并比较了典型发育儿童与脊髓损伤患儿在所有椎体水平上的结构差异	首次将脊髓各椎体水平的横截面积、前后径和左右径等结构MRI测量指标与深度卷积神经网络相结合，用于儿童脊髓损伤的检测和AIS严重程度分类，并证明深度学习模型优于传统机器学习模型	样本量较小（仅61名参与者），仅使用单一中心的3T MRI扫描仪，未在外部数据集上验证模型的泛化能力	通过比较典型发育儿童与脊髓损伤患儿在所有椎体水平上的脊髓结构特征，并利用深度学习技术进行脊髓损伤检测和严重程度分类	61名儿童参与者（年龄6-18岁），包括20名慢性脊髓损伤患者和41名典型发育儿童	数字病理学	脊髓损伤	结构MRI（T2加权成像）、脊髓工具箱自动提取	CNN	图像	61名儿童参与者（20名脊髓损伤患者，41名典型发育儿童）	NA	卷积神经网络（CNN）	准确率	3T MRI扫描仪
2	2026-10-04	Deep Learning-Based Generation of DSC MRI Parameter Maps Using Dynamic Contrast-Enhanced MRI Data 2025-Oct-01, AJNR. American journal of neuroradiology DOI:10.3174/ajnr.A8768 PMID:40194853	研究论文	该文章开发了一种基于条件生成对抗网络（cGAN）的深度学习方法，从动态对比增强（DCE）MRI数据生成动态磁敏感对比（DSC）MRI参数图	首次使用条件生成对抗网络从DCE MRI数据合成DSC参数图，并能够可视化真实DSC图中因磁化率伪影而不可见的区域	研究样本量较小（64名参与者），且为回顾性分析，需要在更大规模的前瞻性研究中验证	开发深度学习方法，从DCE MRI数据合成DSC衍生的参数图，以避免使用两剂钆对比剂	64名参与者，包括有和没有脑肿瘤的患者	医学影像分析	脑肿瘤	DSC MRI, DCE MRI	cGAN	医学图像	64名参与者（包括有和没有脑肿瘤的患者）	NA	条件生成对抗网络（cGAN）	线性回归, Bland-Altman图	NA
3	2026-10-04	Artificial intelligence-assisted glaucoma detection on color fundus images: with comorbidity and cross-institutional analysis 2025-10-01, Journal of the Chinese Medical Association : JCMA IF:1.9Q2 DOI:10.1097/JCMA.0000000000001289 PMID:41102915	研究论文	该研究开发并验证了一种基于人工智能的逐步流程，用于在彩色眼底图像上检测青光眼，并进行了合并症和跨机构分析	开发了一个结合图像增强、自动识别视神经区域和深度学习分类的逐步AI流程，并在多个跨区域外部数据集和合并其他眼病的内部数据集上验证了其可靠性和泛化能力	摘要中未明确提及研究的局限性	开发并测试一种AI青光眼检测系统，以评估其在不同人群和临床环境中的可靠性，并解决合并其他视网膜疾病时的诊断困难	彩色眼底图像	计算机视觉	青光眼	彩色眼底摄影	NA	图像	训练集1696张图像（来自台北荣民总医院），内部测试集151张图像（代表合并眼病），以及五个跨区域外部数据集	NA	NA	平衡准确率, AUC	NA
4	2026-09-24	Bond-centric modular design of protein assemblies 2025-10, Nature materials IF:37.2Q1 DOI:10.1038/s41563-025-02297-5 PMID:40745093	研究论文	本文介绍了一种基于键合中心的模块化蛋白质组装设计方法，利用深度学习生成工具设计蛋白质构建块，实现多种规则蛋白质纳米结构	受原子价态化学多样性启发，采用深度学习生成工具设计具有规则配位几何和可定制键合相互作用的蛋白质构建块，实现模块化组装，以少量组件构建多样化的封闭和开放结构	未明确说明	开发一种模块化方法设计蛋白质纳米材料，利用简单几何原理指导多样化规则架构的自组装	蛋白质构建块及其组装形成的多组分多面体蛋白质笼、二维阵列和三维蛋白质晶格	蛋白质设计	NA	深度学习生成工具、电子显微镜	深度学习生成模型	蛋白质结构数据、电子显微镜图像	超过20种多组分多面体蛋白质笼、二维阵列和三维蛋白质晶格	NA	NA	成功率	NA
5	2026-09-23	Improved Deep Learning Prediction of TCR-HLA Associations 2025-Oct-06, Statistics in biosciences IF:0.8Q4 DOI:10.1007/s12561-025-09506-4 PMID:42453141	研究论文	本研究评估了DePTH在额外数据集上的性能，分析了TCR生成概率和CDR3序列长度这两个混杂因素的影响，并基于这些见解结合两个数据集的训练数据训练了DePTH 2.0	开发了DePTH 2.0，通过结合两个数据集的训练数据，并考虑了TCR生成概率和CDR3序列长度等混杂因素的影响	未明确说明模型的泛化能力及在其他数据集上的验证情况	提高TCR-HLA关联预测的深度学习模型性能，并理解TCR-HLA关系以阐明免疫反应特异性、自身免疫机制和推进靶向免疫治疗	T细胞受体（TCR）和人类白细胞抗原（HLA）的关联	机器学习	自身免疫疾病	深度学习	深度学习模型	氨基酸序列	NA	NA	NA	NA	NA
6	2026-09-23	Dual-Attention BiLSTM for Interpretable Forecasting of Treatment Toxicities 2025-Oct, ... IEEE-EMBS International Conference on Biomedical and Health Informatics. IEEE-EMBS International Conference on Biomedical and Health Informatics DOI:10.1109/bhi67747.2025.11269508 PMID:42170647	研究论文	本文提出了一种基于双重注意力机制的双向长短期记忆网络（Bi-LSTM）模型，用于对肿瘤治疗毒性进行可解释的预测	在项目层面和时间层面引入双重注意力机制，选择性地强调最具信息量的症状-时间交互，解决了传统Bi-LSTM模型对输入统一加权的问题，同时提升了预测准确性和可解释性	未明确说明模型在更大规模或多中心数据集上的泛化能力，也未讨论注意力机制在实际临床工作流程中的部署可行性	提升基于纵向患者报告结局（PRO）数据的症状轨迹预测性能，并增强深度学习模型在肿瘤学中的临床可解释性	纵向患者报告结局（PRO）数据，用于预测12个月症状严重程度	机器学习	癌症	纵向患者报告结局（PRO）分析	Bi-LSTM, 注意力机制	文本, 纵向临床数据	一个来自大型癌症中心的纵向PRO数据集（具体样本量未在摘要中说明）	NA	Bi-LSTM, 双重注意力机制	预测准确性, 可解释性	NA
7	2026-09-23	Source-Free Active Learning for Adapting Alzheimer's Diagnostic Deep Learning Models Across Neuroimaging Cohorts 2025-Oct, ... IEEE-EMBS International Conference on Biomedical and Health Informatics. IEEE-EMBS International Conference on Biomedical and Health Informatics DOI:10.1109/bhi67747.2025.11269546 PMID:42396431	研究论文	本文提出一种基于不确定性信息的主动学习框架，用于无源域自适应，以跨神经影像队列分类认知正常个体和阿尔茨海默病患者	利用蒙特卡洛丢弃法估计预测不确定性，指导从目标域选择信息量最大的样本进行模型自适应，无需源域数据	未明确提及	解决多站点神经影像数据中的域偏移问题，开发稳健的诊断模型，实现跨队列的阿尔茨海默病分类	来自五个神经影像研究的3,177名参与者（ADNI-1、ADNI-2/3、PENN、AIBL和OASIS）	医学图像分析	阿尔茨海默病	神经影像（脑体积测量）	深度学习模型（具体架构未指定）	图像（脑部MRI衍生的区域脑体积测量）	3,177名参与者，145个区域脑体积测量值	NA	NA	AUC	NA
8	2026-09-20	Using Deep Learning to Simultaneously Reduce Noise and Motion Artifacts in Brain MR Imaging 2025-Oct-24, Magnetic resonance in medical sciences : MRMS : an official journal of Japan Society of Magnetic Resonance in Medicine IF:2.5Q2 DOI:10.2463/mrms.mp.2024-0098 PMID:39938896	研究论文	本文提出使用深度学习同时减少脑部MRI中的运动伪影和噪声，通过模拟数据训练模型，并在健康志愿者图像上验证效果	针对T1W、T2W和FLAIR序列分别构建训练模型，不依赖于成像方向和伪影方向，并通过模拟生成大量训练数据	样本量较小，仅使用20名健康志愿者的数据，且主要基于模拟图像进行训练和评估	利用深度学习减少脑部MRI中的运动伪影和噪声，以提高临床实用性	20名健康志愿者的脑部MRI图像（包括矢状位、冠状位和轴位）	计算机视觉	NA	磁共振成像	CNN	图像	20名健康志愿者，模拟图像n=115200，训练集36000对，验证集200对，测试集200对和2000对	NA	NA	SSIM, PSNR, 视觉评估	NA
9	2026-09-20	Improved Assessment of Juxtacortical Lesions in Multiple Sclerosis Using Highly-accelerated High-resolution Double Inversion Recovery MR Imaging with Deep Learning-based Reconstruction 2025-Oct-24, Magnetic resonance in medical sciences : MRMS : an official journal of Japan Society of Magnetic Resonance in Medicine IF:2.5Q2 DOI:10.2463/mrms.mp.2024-0126 PMID:39971311	研究论文	本研究旨在利用基于深度学习重建的高度加速高分辨率双反转恢复（DIR）磁共振成像技术，提高多发性硬化（MS）近皮层病灶的检测和评估	首次将基于深度学习重建技术（DL-Speed, DLS）应用于高分辨率双反转恢复（DIR）成像，实现5分钟内全脑高分辨率成像，并显著提高了近皮层MS病灶的检测率	回顾性研究，样本量较小（25例患者），仅由两名神经放射科医生评估，未与其他先进重建技术进行头对头比较	比较深度学习重建的高分辨率DIR（DLS-DIR）与传统DIR（C-DIR）在检测多发性硬化近皮层病灶中的诊断性能	25例多发性硬化患者	医学影像分析	多发性硬化	磁共振成像（MRI），双反转恢复（DIR），深度学习重建	深度学习重建模型	MRI图像	25例MS患者的MRI数据	NA	NA	病灶计数，Wilcoxon符号秩检验	NA
10	2026-09-20	A deep learning framework for understanding cochlear implants 2025-Oct-17, bioRxiv : the preprint server for biology DOI:10.1101/2025.07.16.665227 PMID:40777303	研究论文	该文章提出了一个深度学习框架，通过使用任务优化的解码器处理模拟的假体输入来估计最佳情况结果，并应用于人工耳蜗，以评估当前设备的性能限制	提出了一种新的深度学习框架来评估感官假体，并通过模拟听觉神经输入训练人工神经网络来识别和定位声音，以估计最佳情况结果	研究基于模拟输入，可能无法完全反映真实生理条件；结果可能受模拟准确性和模型假设的限制	评估感官假体的性能限制，并理解其潜力和局限性，以人工耳蜗为例	人工耳蜗和模拟听觉神经输入	机器学习	耳聋	深度学习	人工神经网络	模拟听觉神经输入	NA	NA	NA	语音识别性能，声音定位性能	NA
11	2026-09-19	Structure-based Predictions of Conformational B Cell Epitopes by Protein Language Model and Deep Learning 2025-Oct-30, bioRxiv : the preprint server for biology DOI:10.1101/2025.10.29.685313 PMID:41278910	研究论文	该论文提出了一种基于蛋白质语言模型和深度学习的框架，通过在抗原结构上以残基三元组为单元预测构象B细胞表位	创新点包括：采用以补丁为中心的框架，将表面补丁定义为相邻残基的三元组，捕获编码形状和化学性质的最小局部单元；使用蛋白质语言模型ESM-2的嵌入平均化，并结合多层感知机进行分类；在补丁级别和残基级别均优于基于手工特征的卷积神经网络基线	未明确提及，但可能受限于训练数据仅来自AbDb抗体-抗原复合物，未涵盖所有可能的抗原类型；外部验证仅使用5个复合物	旨在解决构象B细胞表位映射的挑战，开发一种计算工具以辅助抗体发现、抗原优先级排序、抗体工程和疫苗设计	抗原结构上的表面补丁（相邻残基三元组）以及抗体-抗原复合物	计算生物学、免疫信息学	NA	蛋白质语言模型（ESM-2）、深度学习	多层感知机（MLP）、卷积神经网络（CNN）	蛋白质结构数据	训练集包含1151个AbDb抗体-抗原复合物，外部验证集包含5个未见复合物	PyTorch	ESM-2（蛋白质语言模型）、多层感知机（MLP）、卷积神经网络（CNN）	F1分数、ROC-AUC、PR-AUC	NA
12	2026-09-19	SubCell: Proteome-aware vision foundation models for microscopy capture single-cell biology 2025-Oct-30, bioRxiv : the preprint server for biology DOI:10.1101/2024.12.06.627299 PMID:41278937	研究论文	本文介绍了SubCell，一套用于荧光显微镜的自监督深度学习模型，能够捕获细胞形态、蛋白质定位、细胞组织和生物功能，并构建了蛋白质组组织的层次图	提出了一种新颖的蛋白质组感知学习目标，并在人类蛋白质图谱的蛋白质组范围图像集合上训练；构建了首个直接从图像数据学习的蛋白质组组织层次图；与蛋白质序列模型整合实现多模态蛋白质表示	未明确提及	开发能够准确捕获细胞形态、蛋白质定位、细胞组织和生物功能的荧光显微镜深度学习模型，并构建蛋白质组组织图	荧光显微镜图像，人类蛋白质图谱的蛋白质组范围图像集合	计算机视觉	NA	自监督深度学习，荧光显微镜	自监督深度学习模型	图像	人类蛋白质图谱的蛋白质组范围图像集合（具体数量未提及）	NA	NA	NA	NA
13	2026-09-19	A Multi-Task Deep Learning Model for Pediatric Echocardiography Analysis 2025-Oct-30, medRxiv : the preprint server for health sciences DOI:10.1101/2025.10.27.25338912 PMID:41282661	研究论文	本文介绍了一个用于儿童超声心动图分析的多任务深度学习模型EchoAI-Peds，能够同时检测28种先天性心脏缺陷、结构和功能异常、修复和干预措施	首个用于儿童超声心动图的多任务深度学习模型，使用迄今为止最全面的儿童标签集，能够整合多个超声心动图视图的信息，并同时在多个任务上进行检测	未明确提及模型的局限性，但可能包括对特定人群的泛化能力、数据标注的依赖以及计算资源需求等方面	开发一个多任务深度学习模型，用于自动化分析儿童超声心动图，以辅助先天性心脏缺陷的诊断和评估	儿童超声心动图视频数据，来自斯坦福医学中心和费城儿童医院的患者	医学图像分析	先天性心脏缺陷	超声心动图	视觉Transformer	视频	超过700,000个视频，来自超过11,000项研究（斯坦福医学中心），外部测试集来自费城儿童医院	NA	Transformer	AUROC	NA
14	2026-09-19	DRIPS: Domain Randomisation for Image-based Perivascular spaces Segmentation 2025-Oct-30, medRxiv : the preprint server for health sciences DOI:10.1101/2025.10.22.25337423 PMID:41282908	研究论文	提出DRIPS框架，利用域随机化与物理启发的图像生成进行血管周围间隙分割，并在多个队列上验证其性能	结合解剖和形状先验与基于物理的图像生成过程，生成合成脑图像和标签用于实时深度学习模型训练，通过重采样、几何和强度变换及模拟伪影引入变异性，从而泛化到真实数据	未明确提及	实现准确、全自动的血管周围间隙分割，减少对人工标签、模态特定模型或队列依赖调参的需求	MRI数据（来自五个队列，涵盖不同健康状况，N=165；T1w和T2w，各向同性和各向异性成像）和从组织学重建的3D离体脑模型	数字病理学, 计算机视觉	脑小血管病, 神经退行性疾病	MRI, 组织学	CNN	图像	165个MRI扫描（来自五个队列）和1个3D离体脑模型	NA	nnU-Net	AUPRC, DSC	NA
15	2026-09-19	A Self-Explainable Dynamic Risk Monitoring Framework for Predicting Alzheimer's Disease and Related Dementias 2025-Oct-28, medRxiv : the preprint server for health sciences DOI:10.1101/2025.10.20.25338232 PMID:41282689	研究论文	本文提出了一种结合GRU-D和RETAIN的可自解释动态风险监测框架GRU-D-RETAIN，用于基于电子健康记录预测阿尔茨海默病及相关痴呆症，并评估了数据可用性和随访时间对预测性能的影响	提出GRU-D-RETAIN架构，将GRU-D的参数化缺失值插补能力与RETAIN的可解释注意力机制相结合，实现任意临床就诊时的实时风险监测，并在时间步和特征两个层面提供可解释的注意力权重	ADRD诊断前10年以上的EHR记录稀缺，限制了更长时间范围的预测模型开发；不同训练折在某些情况下产生不同的解释，尽管风险预测相似	解决电子健康记录数据中不规则临床就诊、严重数据稀疏性和可解释性需求三大挑战，实现阿尔茨海默病及相关痴呆症的早期动态风险预测	年龄≥50岁的ADRD病例和性别、出生日期匹配的对照人群	机器学习	阿尔茨海默病及相关痴呆症	电子健康记录分析	GRU-D, RETAIN	电子健康记录	15,172例ADRD病例和145,443例匹配对照，来自600万患者的电子健康记录系统	NA	GRU-D, RETAIN	AUROC, 平均精度	NA
16	2026-09-19	Biologically informed neural network models are robust to spurious interactions via self-pruning 2025-Oct-27, bioRxiv : the preprint server for biology DOI:10.1101/2025.10.24.684155 PMID:41278889	研究论文	本文提出一种评估生物学信息神经网络（BINN）鲁棒性的整体方法，通过测量训练过程中对故意引入的虚假交互的修剪程度（自修剪），并实现了GPU加速的LEMBAS框架，在三个数据集上验证了自修剪效果。	提出自修剪度量作为评估BINN鲁棒性的可扩展、可推广的指标；重新实现LEMBAS框架并实现>7倍GPU加速；证明在足够大的L2正则化下，BINN能比先验知识网络更有效地修剪随机引入的虚假交互。	未明确提及	开发一种整体方法来评估BINN推断机制的可靠性，并验证BINN对先验知识网络中不确定性的鲁棒性。	生物学信息神经网络（BINN）模型，具体为LEMBAS框架，以及三个数据集中的细胞内信号动态网络。	机器学习	NA	NA	循环神经网络（RNN）	NA	3个数据集	NA	LEMBAS（大规模知识嵌入人工信号网络），基于RNN的框架	预测准确率，自修剪程度	GPU加速，具体GPU类型未说明
17	2026-09-19	KSMoFinder - Knowledge graph embedding of proteins and motifs for predicting kinases of human phosphosites 2025-Oct-23, bioRxiv : the preprint server for biology DOI:10.1101/2025.10.21.683733 PMID:41279605	研究论文	提出KSMoFinder，一种通过整合蛋白质知识图谱嵌入和基序信息来预测人类磷酸化位点激酶的分类模型	利用知识图谱嵌入学习蛋白质的生物学上下文和激酶特异性基序的语义表示，超越了仅基于基序相似性的方法，并且能够同时在基序和底物蛋白质两个层面进行预测	摘要中未明确提及 limitations	预测人类磷酸化位点对应的激酶，并确定激酶磷酸化特定底物的特征	人类磷酸化位点、激酶和底物蛋白质	机器学习	NA	知识图谱嵌入	深度学习分类器	知识图谱、序列	来自iPTMnet和PhosphositePlus的ground truth激酶-底物-基序数据集，测试集包含等量的正负样本	NA	NA	ROC-AUC, PR-AUC	NA
18	2026-09-19	Multi-omics integration and batch correction using a modality-agnostic deep learning framework 2025-Oct-22, bioRxiv : the preprint server for biology DOI:10.1101/2025.10.21.683449 PMID:41279228	研究论文	提出MIMA，一个模块化无监督AI框架，用于多组学数据整合和批次校正，并在空间和单细胞数据集上验证其有效性	1. 提出模态无关的深度学习框架MIMA，可同时进行多组学数据整合和批次校正；2. 能够进行跨模态翻译，发现手动注释未捕获的分子模式；3. 尽管模态无关，性能与专门的最先进工具相当	未明确提及	整合多种组学模态的低维表示并校正技术伪影，以全面理解生物现象如肿瘤发生和衰老	空间和单细胞多组学数据集	数字病理学	肺癌	多组学整合、空间转录组学、单细胞测序	无监督深度学习框架	图像、组学数据	NA	NA	NA	与专家病理学家注释的一致性、与最先进工具的性能比较	NA
19	2026-09-19	Benchmarking Probabilistic Time Series Forecasting Models on Neural Activity 2025-Oct-22, ArXiv PMID:41281206	研究论文	系统评估八种概率深度学习模型在神经活动预测上的性能，并与经典统计模型和基线方法进行比较	首次将多种概率深度学习模型（包括基础模型）应用于神经活动预测，并在小鼠皮层宽场成像数据上进行基准测试	仅使用了小鼠皮层宽场成像数据，未验证其他物种或记录方式；预测范围限于1.5秒内；未深入探讨模型的可解释性	评估概率深度学习模型在神经活动预测中的表现，并与经典方法对比，以推动闭环控制应用	小鼠皮层自发神经活动	机器学习	NA	宽场成像	深度学习, 概率模型, 基础模型	图像	NA	NA	NA	NA	NA
20	2026-09-19	Quantifying the impact of genetic mutations on enhancer dynamics 2025-Oct-21, bioRxiv : the preprint server for biology DOI:10.1101/2025.10.21.683558 PMID:41279603	研究论文	该研究开发了UDI-UMI-STARR-seq技术并结合RNA-seq，系统分析了六个转录因子敲除对增强子活性和靶基因表达的影响，并构建深度学习模型解析增强子语法规则	开发了整合双重索引和唯一分子标识符的UDI-UMI-STARR-seq技术，结合CRISPR/Cas9介导的六个转录因子敲除，系统评估遗传扰动对增强子动态的影响，并训练深度学习模型捕捉增强子语法核心原则，包括协同基序语法和侧翼序列上下文的影响	摘要中未明确提及研究局限性	量化遗传突变对增强子动态的影响，理解遗传扰动如何改变增强子活性和基因表达	253,632个片段文库（代表46,142个细胞类型特异性候选增强子），六个转录因子（ATF2、CTCF、FOXA1、LEF1、TCF7L2和SCRT1）的CRISPR/Cas9敲除细胞系	机器学习	神经发育障碍	UDI-UMI-STARR-seq, RNA-seq, CRISPR/Cas9基因编辑	深度学习模型	序列数据, 基因表达数据	253,632个增强子片段，代表46,142个细胞类型特异性候选增强子，6个转录因子敲除细胞系	NA	NA	NA	NA