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	2026-04-12	Delineating the Role of Alpha Waves in Exercise-induced Neural Changes through Resting-state EEG 2025-11-07, Journal of visualized experiments : JoVE DOI:10.3791/68737 PMID:41284639	研究论文	本研究通过静息态脑电图结合深度学习算法，探索运动干预对高特质焦虑大学生前额叶Alpha波神经振荡重编程的影响	首次识别前额叶Alpha兴奋性再平衡作为运动介导焦虑缓解的核心机制，并开发了Alpha波段时频预测模型	样本量较小（仅40名大学生），且仅针对特质焦虑这一特定情绪障碍	阐明运动诱导神经变化的神经调节目标，以促进精准运动处方的开发	40名高特质焦虑大学生	机器学习	焦虑症	静息态脑电图	深度学习	脑电图信号	40名大学生（运动干预组20人，对照组20人）	NA	NA	准确率, F1分数, Kappa系数	NA
2	2026-04-11	QTFPred: robust high-performance quantum machine learning modeling that predicts main and cooperative transcription factor bindings with base resolution 2025-Nov-01, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaf604 PMID:41294241	研究论文	本文介绍了一种名为QTFPred的量子-经典混合框架，用于在碱基分辨率下预测转录因子结合位点	通过将量子卷积层集成到神经网络中，利用量子电路的指数特征空间，在数据稀疏场景下实现鲁棒性能，并揭示转录因子基序表示以洞察协同结合机制	NA	预测转录因子的主要和协同结合位点	转录因子结合位点	机器学习	NA	ChIP-seq	量子-经典混合神经网络	DNA序列数据	49个ENCODE ChIP-seq数据集	NA	量子卷积层	准确率, 精确度, 稳定性	GPU模拟
3	2026-04-10	Automated Joint Space Detection Improves Bone Segmentation Accuracy 2025-11-28, Journal of visualized experiments : JoVE DOI:10.3791/69252 PMID:41396972	研究论文	本研究开发了一种基于深度学习的自动化方法，用于提高小鼠爪部骨骼分割的准确性，通过检测关节空间来优化分割效果	在先前半自动标记分水岭算法基础上，引入了结构增强、张量投票和输出膨胀技术，并结合3D U-Net架构的深度学习模型进行关节空间预测，显著提升了分割精度	在疾病严重程度增加和年龄增长的小鼠样本中，模型准确性下降，表明其在病变或新型数据集上的性能有限	开发自动化方法以定量描述复杂解剖结构，减少手动分割所需专业知识和劳动，并降低观察者间变异性	小鼠后爪和前爪的micro-CT图像数据集，包括野生型和TNF-Tg关节炎模型	计算机视觉	关节炎	micro-CT成像	深度学习模型	3D图像	野生型和TNF-Tg小鼠的后爪及前爪样本，涵盖不同年龄和性别	NA	3D U-Net, ResNet-18	分割准确性	NA
4	2026-04-10	Deep Learning in neuroimaging for neurodegenerative diseases: State-of-the art, Challenges, and Opportunities 2025-Nov-15, Journal of the neurological sciences IF:3.6Q2 DOI:10.1016/j.jns.2025.123735 PMID:41176929	综述	本文综述了深度学习在神经退行性疾病神经影像分析中的最新进展、挑战与机遇	扩展了文献范围，涵盖了更广泛的神经退行性疾病，并深入探讨了深度学习算法在脑体积影像中处理时空信息的方法	现有研究多集中于常见疾病如阿尔茨海默病和帕金森病，且面临数据异质性、类别不平衡和标注数据稀缺等挑战	探讨深度学习在神经退行性疾病的早期诊断与疾病监测中的应用	神经退行性疾病，包括阿尔茨海默病、额颞叶痴呆、路易体痴呆、帕金森病、亨廷顿病、肌萎缩侧索硬化和多发性硬化症	神经影像分析	神经退行性疾病	神经影像技术	深度学习模型	脑体积影像数据	NA	NA	NA	准确性	NA
5	2026-04-10	Oral Cancer Detection By Using Tabular Data Synthesis and Classification 2025-Nov, Proceedings ... ICDM workshops. IEEE International Conference on Data Mining DOI:10.1109/ICDMW69685.2025.00094 PMID:41948034	研究论文	本文提出了一种基于表格数据合成与分类的口腔癌自动检测方法，旨在区分口腔癌与其前体病变，并通过数据平衡提升分类性能	通过结合表格数据分类与合成技术，有效缓解临床数据不平衡问题，显著提升口腔癌与癌前病变的分类性能	NA	开发一种AI驱动的口腔癌筛查方法，利用非图像临床表格数据区分口腔癌与癌前病变	口腔癌与癌前病变的临床表格数据	机器学习	口腔癌	深度学习	深度学习模型	表格数据	NA	NA	NA	Youden指数, 平衡准确率, 灵敏度, F1分数, Matthews相关系数	NA
6	2026-04-07	Dosiomics-guided deep learning for radiation esophagitis prediction in lung cancer: optimal region of interest definition via multi-branch fusion auxiliary learning 2025-11, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology IF:4.9Q1 DOI:10.1016/j.radonc.2025.111121 PMID:40921328	研究论文	本研究开发了一种结合剂量组学和深度学习的模型，通过多任务辅助学习自动定义感兴趣区域，用于预测肺癌患者放疗后≥2级放射性食管炎	提出了一种剂量组学引导的深度学习网络，利用多任务辅助学习基于辐射剂量分布图像自动定义准确且客观的感兴趣区域，并结合对比学习和辅助分割模块	研究为回顾性设计，可能受到选择偏倚的影响，且外部验证集样本量相对较小	开发一个预测模型，用于准确预测肺癌患者接受放疗后发生≥2级放射性食管炎的风险	接受放疗的肺癌患者	数字病理学	肺癌	剂量组学特征提取，深度学习	CNN	辐射剂量分布图像	488名患者（训练集235例，内部验证集101例，外部验证集1为57例，外部验证集2为95例）	PyTorch	ResNet34	AUC	NA
7	2026-04-07	Training bias and sequence alignments shape protein-peptide docking by AlphaFold and related methods 2025-Nov, Protein science : a publication of the Protein Society IF:4.5Q1 DOI:10.1002/pro.70331 PMID:41084281	研究论文	本研究评估了AlphaFold2-Multimer、AlphaFold3、Boltz-1和Chai-1等深度学习模型在预测蛋白质-肽复合物结构时的性能，并分析了其训练偏差和对序列比对信息的利用方式	首次系统比较了四种主流深度学习模型在蛋白质-肽对接任务中的表现，揭示了模型对训练数据中已见结构的偏好性，并深入探究了蛋白质和肽段多重序列比对（MSA）对预测准确性的贡献	研究基于实验解析的结构数据集，可能无法完全覆盖所有新型蛋白质或结合位点；肽段序列的MSA通常较浅或质量较差，可能影响模型性能评估	评估深度学习模型预测蛋白质-肽复合物结构的性能，并理解其工作原理和局限性	蛋白质-肽相互作用复合物	计算生物学, 结构生物信息学	NA	多重序列比对（MSA）, 深度学习结构预测	深度学习模型	蛋白质三维结构数据, 序列比对数据	NA	NA	NA	NA	NA
8	2026-04-06	A Novel Hybrid Deep Learning Model for Attack Detection in IoT Environment: Convolutional Neural Network with Transformer Approach 2025-11-18, Journal of visualized experiments : JoVE DOI:10.3791/68750 PMID:41359642	研究论文	提出一种基于CNN与Transformer的混合深度学习模型，用于物联网环境中的攻击检测与分类	首次将卷积神经网络与Transformer架构结合，构建混合模型用于物联网攻击检测，在保持高精度的同时显著降低计算复杂度	仅使用单一数据集（CIC-IoT-2023）进行验证，未在更广泛的物联网场景和实时部署环境中测试	开发高效的深度学习安全方法，实时检测物联网网络中的异常活动和潜在威胁	物联网网络通信数据中的攻击模式与异常行为	机器学习	NA	深度学习	CNN, Transformer	网络流量数据	CIC-IoT-2023数据集，包含33种物联网威胁类型，分为7个类别	NA	CNN-Transformer混合架构	准确率, 精确率, 召回率, F1分数, 损失值	NA
9	2026-04-06	An Open-source Protocol for Deep Learning-based Segmentation of Tubular Structures in 3D Fluorescence Microscopy Images 2025-11-14, Journal of visualized experiments : JoVE DOI:10.3791/68004 PMID:41325317	研究论文	本文介绍了一个开源、用户友好的工具箱，用于3D荧光显微镜图像中管状结构的端到端分割	工具箱采用基于模拟的数据增强策略，即使在最少训练数据（如仅一张3D图像）下也能提升模型性能，并模拟真实成像伪影	NA	开发一个无需正式编程训练的研究人员也能使用的工具箱，用于3D荧光显微镜图像中管状结构的精确分割	小鼠肝组织中的胆管网络和正弦网络	数字病理学	NA	3D荧光显微镜成像	CNN	3D图像	最少一张3D图像（通过数据增强扩展）	TensorFlow, PyTorch, Keras	3D U-Net, 3D U-Net with attention mechanisms	定性评估, 定量评估	本地GPU, 高性能计算集群, 云平台
10	2026-04-05	Overcoming Extrapolation Challenges of Deep Learning by Incorporating Physics in Protein Sequence-Function Modeling 2025-Nov-11, bioRxiv : the preprint server for biology DOI:10.1101/2025.11.09.687530 PMID:41293023	研究论文	本文提出了一种通过整合蛋白质物理相互作用和动力学来改进深度学习模型在蛋白质序列-功能建模中外推能力的方法	将基于物理的建模（如突变能量效应量化）直接整合到卷积和图卷积神经网络中，以克服数据稀缺导致的外推限制	未明确提及具体实验设置或数据集的局限性，但暗示了传统深度学习模型在外推任务中的普遍挑战	提高深度学习模型在预测未见位置或突变类型变异功能效应时的外推准确性	蛋白质序列-功能关系，特别是通过深度突变扫描数据和可用结构学习序列到功能的映射	机器学习	NA	深度突变扫描	CNN, 图卷积神经网络, Transformer	序列数据, 结构数据	NA	NA	卷积神经网络, 图卷积神经网络, Transformer	NA	NA
11	2026-04-05	Deep learning in CT image reconstruction and processing: techniques, performance evaluation, radiation dose, and future perspective 2025-Nov-01, The British journal of radiology DOI:10.1093/bjr/tqaf260 PMID:41099810	综述	本文综述了基于深度学习的CT图像重建与处理技术，涵盖技术实现、性能评估、辐射剂量降低及未来展望	系统分类DLR方法（投影空间、投影到图像空间、图像空间及混合技术），并强调虚拟成像试验等定量评估技术的重要性	在低对比度病变检测和表征方面存在挑战，辐射剂量降低可能仍低于传统方法的50%，且低剂量下可能产生虚假结构	概述深度学习在CT图像重建与处理中的应用，以优化算法降低辐射剂量并提升诊断性能	CT图像重建与处理技术，包括噪声降低、伪影校正和空间分辨率增强	计算机视觉	NA	深度学习图像重建	NA	CT图像	NA	NA	NA	噪声降低、伪影校正、空间分辨率增强	NA
12	2026-04-04	Multimodal Cardiovascular Risk Profiling Using Self-Supervised Learning of Polysomnography 2025-Nov-25, Sleep IF:5.3Q1 DOI:10.1093/sleep/zsaf371 PMID:41288599	研究论文	本研究开发了一种基于自监督学习的可解释框架，用于从多导睡眠图数据中提取与心血管疾病结局相关的生理模式，从而实现个体化心血管风险评分	首次将自监督学习框架应用于多导睡眠图数据进行心血管风险分析，无需依赖手动标注（如睡眠分期），直接从原始信号中提取可解释的风险特征	研究未详细说明模型对不同亚组人群（如不同年龄、性别或种族）的适用性差异，且外部验证队列的样本量相对较小	开发并评估一个可解释的框架，以识别多导睡眠图数据中与心血管疾病结局相关的生理模式，用于个体化心血管风险分层	多导睡眠图数据，包括脑电图、心电图和呼吸信号	机器学习	心血管疾病	多导睡眠图	自监督深度学习模型	多模态信号（脑电图、心电图、呼吸信号）	训练队列4,398名参与者，外部验证队列1,093名参与者	NA	NA	曲线下面积	NA
13	2026-04-04	Automated Deep Learning-based Segmentation of the Dentate Nucleus Using Quantitative Susceptibility Mapping MRI 2025-11, Radiology. Artificial intelligence DOI:10.1148/ryai.240478 PMID:40767617	研究论文	开发了一种基于深度学习的齿状核自动分割工具，应用于脑部定量磁化率成像	提出了一种两步式（定位+分割）深度学习流程，在多个外部数据集上验证了其泛化能力，并公开了模型	研究为回顾性设计，样本年龄范围有限（11-64岁），且仅包含特定疾病群体	开发一种从脑部QSM图像中自动、准确分割齿状核的工具	健康对照者以及小脑性共济失调或多发性硬化症患者的脑部QSM图像	医学图像分析	小脑性共济失调，多发性硬化症	定量磁化率成像	CNN	3D MRI图像	328名个体（141名健康人，187名患者），来自9个不同数据集	nnU-Net	nnU-Net	Dice分数，组内相关系数，皮尔逊相关系数	NA
14	2026-03-31	Deep Learning Estimation of 24-2 Visual Field Map From Optic Nerve Head Optical Coherence Tomography Angiography 2025-11-01, Journal of glaucoma IF:2.0Q2 DOI:10.1097/IJG.0000000000002626 PMID:40923848	研究论文	本研究开发了基于深度学习的模型，利用OCTA图像估计24-2视野图	首次将深度学习应用于OCTA图像，通过视盘旁区域信息高精度估计24-2视野图，可能减少患者视野测试频率	研究样本量为3148个VF-OCTA对，可能受限于数据规模和多样性，未提及外部验证结果	开发深度学习模型从OCTA图像估计24-2视野图，以辅助眼科诊断	994名参与者（1684只眼睛）的OCTA图像和视野数据	计算机视觉	眼科疾病	光学相干断层扫描血管成像（OCTA）	深度学习模型	图像	3148个VF-OCTA对，来自994名参与者（1684只眼睛）	未明确指定	未明确指定	平均绝对误差（MAE），皮尔逊相关系数（R）	NA
15	2026-03-31	Integrative deep learning of spatial multi-omics with SWITCH 2025-11, Nature computational science IF:12.0Q1 DOI:10.1038/s43588-025-00891-w PMID:41162770	研究论文	本文介绍了一种名为SWITCH的深度生成模型，用于整合空间多组学数据并进行跨模态预测	提出了循环映射机制，无需额外配对数据即可实现可靠的跨模态翻译，并利用这些翻译作为伪配对提供补充信号	未明确提及具体局限性	开发计算方法来整合未配对的空间多组学数据，并在单模态数据上进行跨模态预测	空间多组学数据	机器学习	NA	空间组学技术	深度生成模型	空间多组学数据	NA	NA	NA	整合准确性、空间域划分精度	NA
16	2026-03-30	Feasibility of deep learning-accelerated HASTE-FS for pancreatic cystic lesion surveillance: comparison with conventional HASTE and MRCP 2025-Nov-18, Abdominal radiology (New York) DOI:10.1007/s00261-025-05265-4 PMID:41251737	研究论文	本研究比较了深度学习加速的HASTE-FS序列与常规HASTE序列及MRCP在胰腺囊性病变检测、表征和监测中的性能	首次将深度学习重建技术应用于单次激发脂肪饱和T2加权序列（DL HASTE-FS），并系统评估其在胰腺囊性病变监测中替代传统MRCP的可行性	研究为回顾性设计，样本量相对较小（91例患者），且仅使用单一3T MRI设备，可能影响结果的普遍性	评估深度学习加速成像技术在胰腺囊性病变MRI监测中的应用价值	胰腺囊性病变患者	数字病理学	胰腺癌	MRI, MRCP, 深度学习重建	深度学习模型	医学影像	91例连续患者，其中70个预选索引PCL	NA	NA	Likert量表评分, 统计显著性p值	3T MRI设备
17	2026-03-29	Consensus Molecular Subtypes (CMS) Classification: a progress towards Subtype-Driven treatments in colorectal cancer 2025-Nov-24, World journal of surgical oncology IF:2.5Q1 DOI:10.1186/s12957-025-04117-1 PMID:41276825	综述	本文综述了结直肠癌的共识分子亚型（CMS）分类，包括其预后预测价值、识别方法、与免疫治疗等个性化治疗的关联，以及临床应用中面临的挑战	系统总结了基于基因表达谱、免疫组化和深度学习图像模型的CMS分类方法，并探讨了单细胞测序等新兴技术如何解决肿瘤内异质性等临床采纳障碍	肿瘤内异质性和技术标准化不足阻碍了CMS分类的广泛临床应用	回顾CMS分类在结直肠癌预后预测和个性化治疗指导方面的进展与挑战	结直肠癌及其共识分子亚型（CMS1-4）	数字病理学	结直肠癌	基因表达谱分析, 免疫组化（IHC）, 单细胞RNA测序, 深度学习	深度学习模型	基因表达数据, 病理图像	NA	NA	NA	NA	NA
18	2026-03-29	Comparing innovative artificial intelligence algorithms to assess echocardiographic videos for clinical modeling 2025-11, The Journal of thoracic and cardiovascular surgery IF:4.9Q1 DOI:10.1016/j.jtcvs.2025.01.008 PMID:39842544	研究论文	本研究比较了多种动态深度学习算法，利用超声心动图视频开发预测模型，并评估样本量对性能指标的影响	在监督学习和半监督学习框架下，比较了3D CNN、视频视觉Transformer及混合CNN-LSTM模型在不同样本量下的性能，发现半监督学习模型使用未标记数据可达到与仅使用标记数据模型相当的性能	研究仅基于特定样本量（200、400、800视频数据集）进行评估，未涵盖更广泛或更小的样本规模，且模型性能可能受数据质量和标注一致性影响	开发并比较基于超声心动图视频的预测模型，优化样本量使用以提高性能	超声心动图视频数据	计算机视觉	心血管疾病	超声心动图成像	3D CNN, 视频视觉Transformer, CNN-LSTM混合模型	视频	200、400、800视频数据集	NA	ResNet3D, ResNet+LSTM	平均绝对误差, 均方根误差	NA
19	2026-03-28	IMAGO: An Improved Model Based on Attention Mechanism for Enhanced Protein Function Prediction 2025-11-29, Biomolecules IF:4.8Q1 DOI:10.3390/biom15121667 PMID:41463323	研究论文	本文提出了一种基于注意力机制的新型蛋白质功能预测模型IMAGO，通过整合多头注意力机制和正则化技术来减少过拟合和噪声问题，从而提高预测准确性	采用Transformer预训练过程，结合多头注意力机制和正则化技术，并优化损失函数，有效减少训练中的过拟合和噪声问题，生成更鲁棒的嵌入表示	未明确说明具体数据集名称和样本规模，可能影响结果的可复现性和泛化能力评估	开发高效、稳定且准确的深度学习模型以改进蛋白质功能预测	蛋白质功能预测，基于蛋白质-蛋白质相互作用网络和其他生物属性	自然语言处理	NA	自然语言处理技术，Transformer预训练	Transformer	文本数据（生物属性信息）	NA	NA	Transformer	NA	NA
20	2026-03-28	MKNet-family architectures for auto-segmentation of the residual pancreas after pancreatic resection: a deep learning comparative study 2025-Nov-27, Abdominal radiology (New York) DOI:10.1007/s00261-025-05211-4 PMID:41307673	研究论文	本研究开发并比较了新型MKNet系列深度学习架构在胰腺切除术后CT图像中自动分割残余胰腺的可行性与临床效用	提出了MKNet、MSKNet和MAKNet三种新型深度学习架构，专门针对术后胰腺分割任务进行优化，相比现有方法在术后场景中表现出色	研究样本量相对有限（共163例CT扫描），且术后数据集仅包含术后4周内的扫描，可能无法完全代表更长期的术后变化	评估新型深度学习架构在胰腺切除术后CT图像中自动分割残余胰腺的准确性和临床实用性	胰腺切除术后患者的残余胰腺组织	数字病理学	胰腺癌	CT扫描成像	CNN	医学图像（CT扫描）	163例CT扫描（82例术前正常扫描，81例术后4周内扫描）	NA	MKNet, MSKNet, MAKNet, Attention-U-Net	Hausdorff距离, 95百分位Hausdorff距离, 归一化表面距离, Dice相似系数	NA