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	2026-10-16	Multimodal deep learning for immunotherapy response prediction and biomarker discovery in non-small cell lung cancer 2025-11-01, Journal of the American Medical Informatics Association : JAMIA IF:4.7Q1 DOI:10.1093/jamia/ocaf142 PMID:40901703	研究论文	该研究开发了一种名为DeepAFM的多模态深度学习方法，整合组织病理学、基因组特征和临床信息，用于预测晚期非小细胞肺癌患者对抗PD-(L)1免疫治疗的响应	提出了DeepAFM多模态预测模型，结合自监督VQVAE2进行组织病理全切片图像表征学习，并整合基因组和临床数据进行免疫治疗响应预测；同时利用注意力热图和排列重要性评估实现模型可解释性和生物标志物发现	样本量较小（仅93例患者），需要更大规模的多中心队列验证模型的泛化能力和临床实用性	开发多模态深度学习方法，准确预测晚期非小细胞肺癌患者对抗PD-(L)1免疫治疗的响应，并发现潜在生物标志物	93例晚期非小细胞肺癌患者	数字病理学	肺癌	全切片图像分析，基因组改变分析，免疫治疗	多模态深度学习	图像，文本	93例晚期非小细胞肺癌患者	NA	VQVAE2	AUC	NA
2	2026-10-16	DiffPepDock: Efficient protein-peptide docking and binder screening via SE(3)-equivariant diffusion 2025-11, Protein science : a publication of the Protein Society IF:4.5Q1 DOI:10.1002/pro.70338 PMID:41088767	研究论文	该文章提出了基于SE(3)等变扩散模型的高效蛋白质-多肽对接工具DiffPepDock，并用于结合物筛选	采用SE(3)等变扩散模型，并在合成蛋白-片段复合物数据集上预训练后在高品质实验蛋白-多肽结构上微调，同时支持用户指定结合先验（如已知结合基序或参考配体）以辅助口袋选择并提升对接精度	未明确说明	实现准确、高效且具有泛化能力的蛋白质-多肽对接，并用于多肽结合物筛选	蛋白质-多肽复合物及多肽结合物	计算生物学	NA	SE(3)等变扩散	扩散模型	蛋白质结构数据	NA	PyTorch	SE(3)等变扩散模型	准确率，推理时间	NA
3	2026-10-05	Integration of corpus linguistics and deep learning techniques for enhanced semantic-driven emotion detection on textual data 2025-11-27, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-28929-z PMID:41310067	研究论文	本文提出了一种结合语料库语言学和深度学习的文本情感检测方法，通过融合TF-IDF、BERT和GloVe进行词向量表示，并采用基于注意力机制的时序卷积网络和双向门控循环单元（AM-T-BiG）模型进行情感分类	提出了EDTIWVR-MDNN方法，融合TF-IDF、BERT和GloVe进行词向量表示，并采用AM-T-BiG混合模型进行文本情感识别，提高了情感检测的准确性	未明确说明，可能包括对特定数据集的依赖、模型泛化能力等	开发有效的文本情感识别和分析方法，以增强自然语言中的情感理解	文本数据中的情感表达	自然语言处理	NA	词向量表示（TF-IDF、BERT、GloVe）、深度学习	AM-T-BiG（基于注意力机制的时序卷积网络和双向门控循环单元）	文本	Emotion Detection from Text数据集，具体样本量未提及	NA	时序卷积网络（TCN）、双向门控循环单元（BiGRU）、注意力机制	准确率	NA
4	2026-09-28	Impact of synthetic data on training a deep learning model for lesion detection and classification in contrast-enhanced mammography 2025-Nov, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.12.S2.S22006 PMID:40302983	研究论文	研究合成数据对深度学习模型在对比增强乳腺摄影中病变检测和分类训练的影响	使用合成数据模拟微钙化簇，并研究不同比例合成数据与真实数据训练对模型性能的影响，证实了仅用合成数据也能检测恶性病变	合成数据提高检测敏感性的同时降低了精确度，模型性能在敏感性0.80处达到平台；集成模型性能反而下降，可能由于假阳性可疑感兴趣区域	探究在训练中引入合成数据（模拟微钙化簇）是否能提升对比增强乳腺摄影中病变检测和分类模型的性能	对比增强乳腺摄影中的病变（包括增强肿块和微钙化簇）	医学图像分析	乳腺癌	对比增强乳腺摄影	深度学习模型	图像	782名无病变乳腺患者（用于合成数据生成）、850名真实数据训练患者、212名内部验证患者、279名外部验证患者	NA	NA	检测敏感性、精确度、接收者操作特征曲线下面积	NA
5	2026-09-28	Multi-model approach to understand and predict past and future dengue epidemic dynamics 2025-Nov, Royal Society open science IF:2.9Q1 DOI:10.1098/rsos.241870 PMID:41200242	研究论文	该研究利用秘鲁北部2010-2021年的数据，采用多模型方法整合波浪分析、贝叶斯分层模型和深度学习预测模型，以理解和预测登革热疫情的时空动态	提出了一个多模型框架，结合波浪分析、贝叶斯分层模型与气候知情的深度学习预测模型（包括基础时间序列、时间卷积网络和共形推断），并引入训练和未训练的概率集成方法，辅以可解释的疫情检测指标	研究仅基于秘鲁北部地区的数据，可能限制模型的泛化能力；未明确讨论计算资源需求及模型在其他地区的适用性	理解并预测登革热疫情的过去和未来动态，为公共卫生决策和规划提供支持	秘鲁北部2010-2021年的登革热疫情数据及相关气候变量	机器学习	登革热	波浪分析, 贝叶斯分层模型, 深度学习, 时间卷积网络, 共形推断	贝叶斯分层模型, 时间卷积网络, 基础时间序列模型	时间序列数据, 气候数据	秘鲁北部2010-2021年的登革热疫情数据（具体样本量未提及）	NA	时间卷积网络, 基础时间序列模型	NA	NA
6	2026-09-28	Uncertainty quantification and explainable AI in orthopaedic imaging: A timely call to action 2025-Nov, Journal of clinical orthopaedics and trauma DOI:10.1016/j.jcot.2025.103208 PMID:41089298	评论	本文主张在骨科影像人工智能中整合不确定性量化和可解释人工智能，以提升临床信任度和安全性	强调在骨科影像AI中整合不确定性量化和可解释AI并非可选，而是当务之急	作为论坛文章，未提供具体技术实现或实验验证	呼吁骨科界采取行动，将不确定性量化和可解释AI纳入骨科影像AI模型	骨科影像AI模型及其临床应用	计算机视觉	骨科疾病	NA	NA	NA	NA	NA	NA	NA	NA
7	2026-09-26	Automatic Segmentation of Intraluminal Thrombus in Abdominal Aortic Aneurysms Based on CT Images: A Comprehensive Review of Deep Learning-Based Methods 2025-Nov-30, Journal of clinical medicine IF:3.0Q1 DOI:10.3390/jcm14238497 PMID:41375800	综述	本文综述了深度学习技术在腹主动脉瘤CT血管造影图像中腔内血栓分割的应用	系统总结了基于深度学习的腹主动脉瘤腔内血栓分割方法，比较了2D和3D网络的性能，并指出了术前和术后分割的应用差异	缺乏标准化数据集，限制了模型开发和外部验证	综述深度学习技术在腹主动脉瘤成像分析中的应用，特别关注腔内血栓的分割	腹主动脉瘤患者	医学图像分割	腹主动脉瘤	CT血管造影	2D网络, 3D网络	CT图像	22篇研究	NA	2D多视图融合模型, 3D U-Net	Dice相似系数	NA
8	2026-09-26	A Review of Deep Learning Approaches Based on Segment Anything Model for Medical Image Segmentation 2025-Nov-29, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering12121312 PMID:41463609	综述	本文综述了基于分割一切模型（SAM）的深度学习医学图像分割方法，涵盖多模态融合、体积扩展和不确定性感知三个主要方向	系统性地从多模态融合框架、体积扩展架构和不确定性感知架构三个维度对SAM在医学图像分割中的适应性改进进行了分类总结，并对比分析了SAM衍生模型的性能与标注效率提升	作为综述文章，未提供原始实验验证；对现有方法的泛化能力、跨中心验证和临床落地挑战的讨论可能不够深入	综述SAM在医学图像分割领域的适应性改进方法，梳理多模态融合、体积扩展和不确定性感知三大研究方向，并展望未来发展趋势	基于SAM的医学图像分割模型及其衍生架构，包括SAM3D、ProtoSAM-3D、VISTA3D、SAM-U和E-Bayes SAM等	数字病理学	NA	NA	SAM, Transformer	图像	NA	NA	SAM, SAM3D, ProtoSAM-3D, VISTA3D, SAM-U, E-Bayes SAM	Dice系数	NA
9	2026-09-26	Computed tomography-based nnU-Net for region-specific brain structural changes across the alzheimer's continuum and frontotemporal dementia subtypes 2025-11-28, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-26604-x PMID:41315482	研究论文	该文章开发了一个基于nnU-Net的深度学习框架，利用CT进行脑部分割，以评估脑脊液体积变化，作为脑组织损失的间接标志物，并评估其在阿尔茨海默病阶段和额颞叶痴呆亚型中的效用	使用CT而非MRI进行脑部分割，并应用nnU-Net深度学习框架评估脑脊液体积变化，作为脑萎缩的间接标志物，支持阿尔茨海默病和额颞叶痴呆的早期检测和鉴别诊断	未明确提及	开发和评估基于CT的深度学习框架，用于量化脑结构变化，以诊断和监测神经退行性疾病	2357名参与者，包括认知正常、轻度认知障碍、阿尔茨海默型痴呆和额颞叶痴呆亚型患者	数字病理学	阿尔茨海默病, 额颞叶痴呆	CT, MRI	nnU-Net	图像	2357名参与者，包括CU (n=595), MCI (n=954), DAT (n=663), FTD (n=145), bvFTD (n=66), nfvPPA (n=29), svPPA (n=50)	NA	nnU-Net	Dice相似系数, 相关性分析, Bland-Altman分析	NA
10	2026-09-26	Predicting suicide death among veterans after psychiatric hospitalization using transformer based models with social determinants and NLP 2025-11-28, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-27435-6 PMID:41315506	研究论文	本研究利用基于Transformer的深度学习模型（TransformEHR）结合社会与行为健康决定因素（SBDH），预测精神病院出院后退伍军人的自杀死亡风险	首次将ICD编码和NLP提取的社会与行为健康决定因素（SBDH）整合到基于Transformer的电子健康记录基础模型（TransformEHR）中，用于预测退伍军人精神病出院后的自杀死亡，并验证了SBDH在提升预测性能、校准度和公平性方面的作用	摘要中未明确提及研究局限性	确定添加社会与行为健康决定因素（SBDH）作为预测因子是否能改善精神病院出院后退伍军人自杀死亡的预测	197,581名美国退伍军人，来自129家VHA精神病医院，共414,043次出院记录（2017年1月1日至2019年7月1日期间）	机器学习	自杀死亡	自然语言处理（NLP），电子健康记录（EHR）分析	Transformer	文本（非结构化临床笔记）、结构化数据（管理数据、ICD编码）	197,581名退伍军人，414,043次出院记录	NA	TransformEHR（基于Transformer的电子健康记录基础模型），传统机器学习集成模型	敏感度、阳性预测值（PPV）、受试者工作特征曲线下面积（AUROC）、校准度、公平性	NA
11	2026-09-26	Tailoring Energy Absorption of Curved-Beam Lattices Through a Data-Driven Approach 2025-Nov-28, Materials (Basel, Switzerland) DOI:10.3390/ma18235377 PMID:41374219	研究论文	本文提出了一种新型曲梁厚度梯度点阵结构，并利用深度学习与遗传算法进行逆向设计以优化其能量吸收性能	提出了一种新型曲梁厚度梯度点阵结构，结合深度学习与遗传算法进行逆向设计优化，并采用SHAP和PDP等可解释性方法分析几何参数对能量吸收性能的影响机制	未明确提及	通过数据驱动方法优化曲梁点阵结构的能量吸收性能，并建立清晰的设计原理	曲梁厚度梯度点阵结构	机器学习	NA	NA	深度学习	NA	NA	NA	NA	总能量吸收、比能量吸收	NA
12	2026-09-26	Radiologist-Validated Automatic Lumbar T1-Weighted Spinal MRI Segmentation Tool via an Attention U-Net Algorithm 2025-Nov-28, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics15233046 PMID:41374427	研究论文	本文利用注意力U-Net算法开发了一种自动腰椎T1加权脊柱MRI分割工具，并经放射科医生验证	针对T1加权脊柱MRI分割工具稀缺的现状，采用注意力U-Net架构，比较了BCE和MSE损失函数，并通过放射科医生评估验证了临床相关性	未提及具体样本量，Cohen's Kappa系数仅为0.31，表明医生间一致性一般	创建自动腰椎T1加权脊柱MRI分割工具，帮助骨科医生和放射科医生自动化分割过程	腰椎脊柱T1加权MRI图像	医学图像分割	椎间盘突出、椎体损伤	深度学习、磁共振成像	注意力U-Net	图像	NA	NA	注意力U-Net、U-Net++	SSIM、DICE系数、Likert量表、Cohen's Kappa系数	NA
13	2026-09-26	Applications of Artificial Intelligence as a Prognostic Tool in the Management of Acute Aortic Syndrome and Aneurysm: A Comprehensive Review 2025-Nov-27, Journal of clinical medicine IF:3.0Q1 DOI:10.3390/jcm14238420 PMID:41375721	综述	本文全面综述了人工智能在急性主动脉综合征和胸主动脉瘤管理中的应用，涵盖死亡率预测、主动脉结构力学建模、并发症预测等方面	系统性地整合了AI在主动脉疾病管理中的多方面应用，特别强调了从死亡率预测扩展到生物力学建模和虚拟模拟的新范式，并提出了数字孪生等未来发展方向	许多研究受限于小样本量、单中心设计和缺乏外部验证，限制了模型的泛化能力	综述AI作为预后工具在急性主动脉综合征和动脉瘤管理中的应用现状与未来发展	急性主动脉综合征和胸主动脉瘤患者	机器学习	心血管疾病	NA	机器学习, 深度学习, 集成算法	临床数据, 影像数据, 生物标志物数据, 放射组学数据	NA	NA	NA	区分度, 可解释性, 准确率	NA
14	2026-09-26	Dose-Guided Hybrid AI Model with Deep and Handcrafted Radiomics for Explainable Radiation Dermatitis Prediction in Breast Cancer VMAT 2025-Nov-26, Cancers IF:4.5Q1 DOI:10.3390/cancers17233767 PMID:41374969	研究论文	该研究开发了一种混合人工智能模型，整合深度学习放射组学、手工放射组学、临床特征和剂量体积直方图参数，用于预测乳腺癌VMAT治疗后的放射性皮炎	首次将剂量引导的混合AI模型与深度和手工放射组学结合，并通过SHAP和Grad-CAM实现可解释性，用于放射性皮炎预测	回顾性研究设计，样本量相对较小（148例），单中心数据，需要外部验证	提高乳腺癌VMAT治疗后放射性皮炎的预测准确性，支持个性化预防策略	接受VMAT治疗的乳腺癌患者	数字病理学, 机器学习	乳腺癌	PyRadiomics特征提取, VGG16深度学习特征提取, DVH分析	CNN, 逻辑回归, 随机森林, 梯度提升决策树, 堆叠集成	图像, 文本（临床数据）, 数值（DVH参数）	148例乳腺癌患者（从156例中筛选）	PyRadiomics, Scikit-learn	VGG16, 逻辑回归, 随机森林, 梯度提升决策树, 堆叠集成	AUC, 召回率, F1分数	NA
15	2026-09-26	Artificial Intelligence Driven Innovation: Advancing Mesenchymal Stem Cell Therapies and Intelligent Biomaterials for Regenerative Medicine 2025-Nov-26, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering12121302 PMID:41463599	综述	本文综述了人工智能在推动间充质干细胞疗法和智能生物材料用于再生医学方面的创新作用	系统性地整合了人工智能在间充质干细胞生物学预测和生物材料数据驱动设计两个核心领域的应用，强调了从试错到数据驱动范式的转变，并指出了转化瓶颈	现有研究证据碎片化，模型预测在独立队列中的可重复性不足，以及从计算预测到体内验证存在显著的转化鸿沟	探讨人工智能如何推动间充质干细胞疗法和智能生物材料在再生医学中的发展	间充质干细胞、智能生物材料、再生医学	机器学习	NA	多组学分析、成像数据分析、深度学习、机器学习、生成式人工智能	深度学习模型、机器学习模型、生成式人工智能	多组学数据、成像数据、材料参数、生物特性数据	NA	NA	NA	NA	NA
16	2026-09-26	ConvNeXt-Driven Detection of Alzheimer's Disease: A Benchmark Study on Expert-Annotated AlzaSet MRI Dataset Across Anatomical Planes 2025-Nov-25, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics15232997 PMID:41374378	研究论文	本文提出了一种基于ConvNeXt深度学习模型的结构MRI阿尔茨海默病分类方法，并引入了一个专家标注的AlzaSet数据集，在轴状位、冠状位和矢状位三个解剖平面上进行了基准测试	提出了AlzaSet——一个由神经放射学家标注的临床T1加权MRI数据集，包含79名受试者（63名AD，16名正常对照）共12,947张切片，覆盖三个解剖平面；首次系统地将ConvNeXt应用于AD诊断，并在不同解剖平面上进行了全面基准测试	数据集样本量较小（仅79名受试者），且存在类别不平衡问题（AD与NC比例约为4:1），可能影响模型的泛化能力和统计效力	开发准确、低成本的阿尔茨海默病诊断工具，实现早期识别，并评估ConvNeXt模型在不同解剖平面上对AD分类的性能	阿尔茨海默病患者和认知正常对照者的结构性MRI扫描图像	计算机视觉	阿尔茨海默病	结构性MRI	CNN	图像	79名受试者（63名AD患者和16名认知正常对照），共12,947张MRI切片	NA	ConvNeXt-Tiny, ConvNeXt-Small, ConvNeXt-Base, VGG16, VGG19, InceptionV3, DenseNet121	准确率, AUC	NA
17	2026-09-26	Deep Learning for CT Synthesis in Radiotherapy 2025-Nov-25, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering12121297 PMID:41463594	综述	本文综述了基于深度学习的合成CT生成在放疗中的研究进展，涵盖多模态影像（CBCT、MRI、诊断CT）及临床应用（CBCT在线自适应放疗、MRI引导放疗、无模拟工作流）	系统性总结了不同影像模态下DL-based sCT合成的研究，并讨论了代表性DL模型架构（CNN、GAN）及新兴训练策略，同时指出临床转化的挑战和未来方向	未进行定量性能比较或元分析，未提供具体实验数据，仅基于文献综述	综述深度学习在放疗中合成CT生成的研究现状、临床应用及未来方向	放疗中的合成CT生成研究，涉及CBCT、MRI、诊断CT等多种影像模态	数字病理学, 计算机视觉	癌症	深度学习, 合成CT生成	CNN, GAN	图像	NA	NA	卷积神经网络, 生成对抗网络	NA	NA
18	2026-09-26	FDTransformer: A firn density prediction framework combining a self-attention transformer network with firn densification physics 2025-Nov-21, iScience IF:4.6Q1 DOI:10.1016/j.isci.2025.113869 PMID:41323272	研究论文	提出FDTransformer深度学习框架，结合自注意力Transformer网络与粒雪密实化物理模型，以提升粒雪密度估计精度	将Transformer网络与粒雪密实化物理相结合，利用自注意力机制学习物理参数到观测粒雪密度的非线性映射，实现物理到密度的序列转换	仅在格陵兰三个站点（Dye-2、KAN_U、Summit）进行验证，样本空间覆盖有限，物理约束参数仍依赖物理模型估计	提高粒雪密度估计精度，以支撑冰川质量平衡评估	格陵兰三个站点的粒雪密度观测数据与粒雪密实化物理模型	机器学习	NA	粒雪密实化物理模型	Transformer	数值/表格数据	格陵兰三个站点（Dye-2、KAN_U、Summit）的粒雪测量数据	NA	Transformer	平均绝对误差	NA
19	2026-09-26	Plug-and-play computational method for advancing natural and biomedical image representation 2025-Nov-14, Patterns (New York, N.Y.) DOI:10.1016/j.patter.2025.101412 PMID:41328168	研究论文	本文介绍了一种基于超复数代数的非数据驱动即插即用框架，用于自然和生物医学图像处理	提出了一种无需训练数据的即插即用框架，基于超复数代数，适用于多种图像处理任务	未明确提及	推进自然和生物医学图像表示	自然和生物医学图像	计算机视觉	NA	超复数代数	NA	图像	NA	NA	NA	NA	NA
20	2026-09-26	Pan-microalgal dark proteome mapping via interpretable deep learning and synthetic chimeras 2025-Nov-14, Patterns (New York, N.Y.) DOI:10.1016/j.patter.2025.101373 PMID:41328162	研究论文	该文章开发了LASR框架，利用Transformer和状态空间模型对十个藻类门的翻译ORFeome进行分类，以绘制泛微藻暗蛋白质组图谱	首次将Transformer和状态空间模型应用于泛微藻暗蛋白质组分类，训练了约7700万条序列，分类速度比BLASTP快约10701倍，并使用合成嵌合序列（无末端信息）证明仅凭内部序列特征即可驱动稳健分类，同时开发了自定义可解释性工具揭示与进化和生物物理特征相关的可解释氨基酸模式	摘要中未明确提及研究的局限性	对十个藻类门的翻译ORFeome进行分类，以绘制泛微藻暗蛋白质组图谱，加速大规模蛋白质组数据集的注释	十个藻类门的翻译ORFeome序列，约7700万条序列	机器学习	NA	NA	Transformer, 状态空间模型	氨基酸序列	约7700万条序列，覆盖十个藻类门	NA	Transformer, 状态空间模型	召回率, 分类速度（加速比）, 准确率	NA