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
221	2026-04-27	Deep Learning in neuroimaging for neurodegenerative diseases: State-of-the art, Challenges, and Opportunities 2025-11-15, Journal of the neurological sciences IF:3.6Q2 DOI:10.1016/j.jns.2025.123735 PMID:41176929	综述	探讨深度学习在神经影像学分析中用于神经退行性疾病诊断与监测的最新进展、挑战与机遇	通过涵盖更广泛的神经退行性疾病类型（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、肌萎缩侧索硬化症和多发性硬化症），并关注空间/时间信息处理方法，扩展了现有文献	回顾的模型在小样本上取得高准确性但临床应用有限；存在推理冲突、忽略扫描仪间及站点内/间变异；数据整合面临协调性、不完整性、类别不平衡和高成本等挑战	总结深度学习在神经影像学中诊断与监测神经退行性疾病的最新进展，并讨论相关挑战	神经影像学数据（脑体积成像数据），涵盖从单个患者到多队列研究	计算机视觉, 机器学习	神经退行性疾病	神经影像学	深度学习模型	图像	NA	NA	NA	NA	NA
222	2026-04-27	The coming era of nudge drugs for cancer 2025-Nov-10, Cancer cell IF:48.8Q1 DOI:10.1016/j.ccell.2025.08.004 PMID:40939589	研究论文	提出一种基于肿瘤微环境逐步重塑的癌症治疗新策略，通过深度学习分析扰动肿瘤的单细胞图谱来设计“推动”药物	首次提出“推动药物”概念，利用深度学习识别肿瘤微环境原型间的基因和细胞网络转换，实现治疗顺序的设计	NA	开发针对晚期癌症的渐进式肿瘤微环境重塑治疗策略	肿瘤微环境及其在不同患者和组织来源中的保守原型	机器学习	癌症	单细胞测序	深度学习模型	单细胞图谱数据	NA	NA	NA	NA	NA
223	2026-04-25	Paradigm-Shifting Attention-Based Hybrid View Learning for Enhanced Mammography Breast Cancer Classification With Multi-Scale and Multi-View Fusion 2025-Nov, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3569726 PMID:40354201	研究论文	提出一种基于注意力机制的混合视角学习框架，用于增强乳腺摄影乳腺癌分类	提出了混合视角学习范式，统一了传统单视角和多视角学习方法；设计了对比切换注意力和选择性池化注意力两种注意力机制，分别解决数据完整性和多尺度特征捕捉问题	未明确说明局限性	提升乳腺摄影图像中乳腺癌分类的准确性和鲁棒性	乳腺摄影图像	计算机视觉	乳腺癌	乳腺摄影	注意力模型	图像	INbreast和CBIS-DDSM两个数据集	PyTorch	对比切换注意力、选择性池化注意力	准确率、F1分数、AUC-PR	NA
224	2026-04-24	Deep Learning for Autonomous Surgical Guidance Using 3-Dimensional Images From Forward-Viewing Endoscopic Optical Coherence Tomography 2025-Nov, Journal of biophotonics IF:2.0Q3 DOI:10.1002/jbio.202500181 PMID:40709742	研究论文	开发了一种用于分析前视内窥光学相干断层扫描三维图像的深度学习模型，以增强经皮肾造口术中的内窥镜引导	首次将三维卷积神经网络应用于前视内窥光学相干断层扫描图像的术中引导，在保持高准确率的同时显著降低推理延迟，优于现有先进三维架构	实验仅基于猪肾脏数据集，未涉及人类组织或临床环境验证	提升光学相干断层扫描引导的经皮肾造口术手术引导的实时性和准确性	三维光学相干断层扫描图像和经皮肾造口术手术引导	计算机视觉	肾脏疾病	光学相干断层扫描（OCT）	三维卷积神经网络（3D-CNN）	三维图像	10个猪肾脏	NA	3D-CNN, 3D-ViT, 3D-DenseNet121, M3T	准确率（accuracy）, 推理延迟（inference latency）	NA
225	2026-04-22	Deep Learning-Guided Quantitative Analysis Establishes Optimized BRAF V600E Immunohistochemical Criteria for Colorectal Cancer: A Multiplatform Validation Study 2025-Nov, Laboratory investigation; a journal of technical methods and pathology DOI:10.1016/j.labinv.2025.104215 PMID:40683333	研究论文	本研究通过深度学习引导的定量分析，建立了结直肠癌中BRAF V600E免疫组化的优化判读标准，并进行了多平台验证	首次利用人工智能驱动的数字病理平台对BRAF V600E免疫组化参数进行精确定量分析，并建立了结直肠癌特异性的、基于定量阈值的优化判读标准	研究未明确提及样本的种族或地域分布多样性，且对于非典型染色模式的病例仍需分子检测确认	为结直肠癌建立准确、标准化的BRAF V600E免疫组化判读标准，以指导治疗策略	250例结直肠癌病例及其配对的免疫组化和基因检测（qPCR和二代测序）结果	数字病理	结直肠癌	免疫组化（IHC）、定量PCR（qPCR）、二代测序（NGS）	深度学习	病理图像	250例结直肠癌病例	未明确指定	未明确指定	AUC（曲线下面积）、一致性	未明确指定
226	2026-04-18	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	本研究开发了深度学习模型，利用OCTA图像估计24-2视野图，以减少视野测试频率	首次将深度学习应用于OCTA图像，利用视盘层信息高精度估计24-2视野图	NA	开发深度学习模型从OCTA图像估计24-2视野图	OCTA视盘正面图像	计算机视觉	眼科疾病	光学相干断层扫描血管成像	深度学习模型	图像	994名参与者（1684只眼睛）的3148个视野OCTA对	NA	NA	平均绝对误差, 皮尔逊相关系数	NA
227	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
228	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
229	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
230	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
231	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
232	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
233	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
234	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
235	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
236	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
237	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
238	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
239	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
240	2026-03-24	MSC-transformer-based 3D-attention with knowledge distillation for multi-action classification of separate lower limbs 2025-Nov, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2025.107806 PMID:40614457	研究论文	提出了一种基于多尺度可分离卷积Transformer的滤波器-空间-时间注意力模型（MSC-T3AM），用于分类多个下肢动作，并利用知识蒸馏提升性能	提出了MSC-T3AM模型，首次在自注意力模块的查询、键和值投影后分别应用多尺度可分离卷积，以提高计算效率和分类性能，并引入在线知识蒸馏来学习合适的概率分布	未明确提及模型的计算复杂度或实时性限制，也未讨论在不同EEG数据集上的泛化能力	解决现有深度学习模型在基于EEG的运动想象分类中未充分利用维度特异性注意力机制和隐含信息的问题，特别是针对下肢分离动作的分类	基于脑电图（EEG）的下肢分离动作，包括运动想象（MI）、真实运动（RM）和运动观察（MO）	机器学习	NA	脑电图（EEG）	Transformer, CNN	脑电图信号	NA	NA	MSC-T3AM（多尺度可分离卷积Transformer注意力模型）	分类准确率	NA