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
81	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
82	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
83	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
84	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
85	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
86	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
87	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
88	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
89	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
90	2026-03-22	A Dual-stage Deep Learning Framework for Breast Ultrasound Image Segmentation and Classification 2025-Nov-18, Journal of medical systems IF:3.5Q2 DOI:10.1007/s10916-025-02298-6 PMID:41249662	研究论文	本文提出了一种用于乳腺超声图像分割与分类的双阶段深度学习框架	提出了一种模块化的双阶段流程，可灵活集成不同的骨干网络架构以适应特定任务或数据集需求	未明确说明模型在临床环境中的泛化能力及外部验证结果	探索深度学习技术在乳腺超声图像分割与分类中的应用，以支持乳腺癌诊断	乳腺超声图像中的肿块区域	计算机视觉	乳腺癌	超声成像	CNN	图像	两个乳腺超声数据集（具体样本数量未说明）	未明确说明	DeepLabV3+, ResNet34, MobileNetV3-Small, EfficientNet-B0	诊断准确率	NA
91	2026-03-22	A prognostic index integrating deep learning baseline PET/CT biomarkers and multi-omics profiling in diffuse large B cell lymphoma 2025-Nov-18, Cell reports. Medicine DOI:10.1016/j.xcrm.2025.102452 PMID:41260205	研究论文	本研究通过整合深度学习基线PET/CT生物标志物与多组学分析，开发了一个用于弥漫性大B细胞淋巴瘤的预后指数模型	结合nnUNet深度学习框架分析PET/CT扫描，并整合DNA和RNA测序数据，开发了ClinicalPET LymphPlex模型，有效区分不同治疗下的患者预后	研究依赖于特定数据集（AutoPET公共和内部数据集），可能限制了模型的泛化能力	提高弥漫性大B细胞淋巴瘤的预后精度并推进个性化治疗	1,024名新诊断的弥漫性大B细胞淋巴瘤患者	数字病理学	淋巴瘤	PET/CT扫描, DNA测序, RNA测序	深度学习	图像, 基因组数据	1,024名患者	nnUNet	nnUNet	预后价值评估	NA
92	2026-03-21	STAD-CoAtt: Integration of Evolving Gene Graphs in the Assessment of Neuropathological Stages Using Spatiotemporal Representations of Brain Transcriptomics Data 2025 Nov-Dec, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3605968 PMID:40907046	研究论文	本研究提出了一种名为STAD-CoAtt的时空图卷积网络方法，用于整合阿尔茨海默病特异性基因调控网络的动态图特征，以评估神经病理学阶段和认知功能障碍	提出了一种结合共注意力网络和非线性流形对齐融合块的ST-GCN架构，首次将动态演化的AD特异性基因调控网络图特征与时空特征进行整合，以构建单核RNA测序数据的联合潜在表示	方法仅在ROSMAP和GSE平台的基准数据集上进行了验证，尚未在其他独立队列或不同神经退行性疾病中进行广泛测试	开发一种深度学习模型，通过整合时空图特征来更准确地评估阿尔茨海默病的神经病理学阶段和认知功能障碍	人类脑组织样本的单核RNA测序数据，特别是与阿尔茨海默病和痴呆相关的数据	生物信息学, 机器学习	阿尔茨海默病, 痴呆	单核RNA测序	图卷积网络, 注意力机制	基因表达数据, 图数据	来自ROSMAP和GSE平台的两个基准RNA测序数据集	NA	ST-GCN, 共注意力网络	分类性能指标	NA
93	2026-03-21	DeepHDAC3i: Leveraging an Interpretable Deep Learning-Based Framework for the Accelerated Discovery of HDAC3 Inhibitors 2025 Nov-Dec, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3602433 PMID:40880325	研究论文	本文提出了一种名为DeepHDAC3i的可解释深度学习框架，用于加速发现HDAC3抑制剂	开发了一种基于可解释深度学习的框架，仅使用SMILES符号即可准确识别HDAC3抑制剂，并通过特征融合和SHAP算法提高预测性能和可解释性	NA	加速发现高选择性的HDAC3抑制剂	HDAC3抑制剂	机器学习	NA	SMILES符号表示	CNN	SMILES符号	NA	NA	1D-CNN	准确率, MCC, AUC, F1分数	NA
94	2026-03-19	Rapid cancer diagnosis using deep learning-powered label-free subcellular-resolution photoacoustic histology 2025-Nov-21, Science advances IF:11.7Q1 DOI:10.1126/sciadv.adz1820 PMID:41270177	研究论文	本研究开发了一种亚细胞分辨率紫外线光声显微镜系统，结合深度学习技术，用于快速无标记的癌症诊断	开发了具有240纳米高分辨率的SRUV-PAM系统，并首次将循环一致性生成对抗网络和DenseNet-121应用于虚拟染色和肝脏肿瘤诊断	未提及系统在临床大规模应用中的验证或与其他成像技术的比较	通过高分辨率无标记成像和深度学习技术，实现快速准确的癌症诊断	肝脏组织中的恶性和良性肿瘤	数字病理学	肝癌	紫外线光声显微镜	GAN, CNN	图像	NA	NA	CycleGAN, DenseNet-121	AUC	NA
95	2026-03-19	Integrating CBAM-CNN architectures with K-means clustering algorithms for high-efficiency and accurate metasurface optical properties' prediction 2025-Nov-20, Applied optics IF:1.7Q3 DOI:10.1364/AO.570063 PMID:41841958	研究论文	提出一种结合CBAM-CNN架构与K-means聚类算法的物理信息双策略框架，用于高效准确预测超表面光学特性	将卷积块注意力模块集成到CNN模型中，加速特征提取十倍，并利用K-means聚类算法优化数据分布，显著提升预测性能	未明确说明模型在其他类型超表面或更复杂光学设计中的泛化能力	解决超表面设计中深度学习特征提取效率低和数据不平衡问题，开发高效预测框架	超表面的光学特性	计算机视觉	NA	深度学习，聚类算法	CNN	NA	NA	NA	CBAM-CNN	最终损失值	NA
96	2026-03-19	Semi-physical simulation experiment of the multi-view non-cooperative measurement method for nozzle swing angle 2025-Nov-20, Applied optics IF:1.7Q3 DOI:10.1364/AO.571361 PMID:41841959	研究论文	本文提出了一种基于深度学习的多视角非合作喷嘴摆角测量方法，通过半物理仿真平台验证了其静态和动态测量性能	开发了基于SuperPoint的喷嘴特征点检测模型和基于SuperGlue的特征点匹配模型，实现了无需合作标记点的多视角非合作测量	NA	提高发动机控制精度中喷嘴摆角的测量准确性和适用性	喷嘴摆角	计算机视觉	NA	视觉检测技术	深度学习模型	图像	NA	NA	SuperPoint, SuperGlue	测量误差	NA
97	2026-03-19	Image restoration methods for simple optical systems based on deep learning 2025-Nov-20, Applied optics IF:1.7Q3 DOI:10.1364/AO.576740 PMID:41841963	研究论文	本文提出了一种基于深度学习的简单光学系统图像恢复方法，通过构建增强的MIMO-UNet框架来补偿像差，实现轻量化设计与高质量成像	结合坐标注意力和可变形卷积增强MIMO-UNet恢复框架，在减少透镜数量的同时显著提升成像质量	NA	满足轻量化设计和高品质成像需求，解决简单光学系统严重像差导致的成像质量下降问题	100毫米双合透镜光学系统	计算机视觉	NA	深度学习	CNN	图像	NA	NA	MIMO-UNet	PSNR	NA
98	2026-03-19	Automatic segmentation and measurement of tongue geometric features using TOSA-Net for obstructive sleep apnoea 2025-11-12, Sleep & breathing = Schlaf & Atmung DOI:10.1007/s11325-025-03511-z PMID:41222764	研究论文	本文提出了一种名为TOSA-Net的深度学习模型，用于自动分割和测量舌头的几何特征，以辅助阻塞性睡眠呼吸暂停（OSA）的研究	首次利用深度学习分割技术量化OSA相关的舌头几何特征，并开发了TOSA-Net模型，为OSA舌部研究提供了更高效的方法	研究样本量相对较小（n=207），且未明确提及模型在外部验证集上的泛化能力	开发一种自动分割和测量舌头几何特征的方法，以支持阻塞性睡眠呼吸暂停（OSA）的临床和大规模研究	舌头图像（正面和侧面视图）及其几何特征（面积、长度、厚度、曲率）	计算机视觉	阻塞性睡眠呼吸暂停	深度学习图像分割	CNN	图像	207张舌头图像（包括正面和侧面视图）	未明确提及	U-Net	Dice系数, Pearson相关系数, 一致性分析	NA
99	2026-03-19	Incremental 2D self-labelling for effective 3D medical volume segmentation with minimal annotations 2025-Nov-07, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-025-01991-9 PMID:41204141	研究论文	本文提出了一种增量式2D自标注框架，用于在每卷仅标注一个切片的情况下进行3D医学体积分割，以最小化标注成本	通过迭代生成和筛选相邻切片的伪标签，逐步微调模型，从极稀疏标注中实现稳健的3D分割性能和连续性	方法依赖于初始中心切片的质量，且伪标签的传播可能受噪声影响	探索在严重标注约束下训练2D模型的可行性和效果，以优化分割性能并最小化标注成本	脑MRI和肝脏CECT数据集中的3D医学体积	医学图像分割	脑部疾病, 肝脏疾病	MRI, CECT	CNN	3D医学图像	未明确指定样本数量，但涉及脑MRI和肝脏CECT数据集	未明确指定，但基于U-Net架构	U-Net	Dice相似系数, 交并比, 95百分位Hausdorff距离	未明确指定
100	2026-03-19	Edge-enhanced real-time holography using physics-guided residual learning 2025-Nov-01, Applied optics IF:1.7Q3 DOI:10.1364/AO.575095 PMID:41841856	研究论文	本文提出了一种基于物理引导残差学习的边缘增强实时全息术，用于改善宽带图像全息中的混叠伪影和噪声问题	提出ResDPH框架，将神经网络嵌入物理模型中进行残差补偿，以增强细节保真度，实现高帧率2K全息图生成	NA	改善双相位全息术在宽带图像中的混叠伪影和噪声问题，提升全息图质量	宽带图像的全息图生成	计算机视觉	NA	双相位编码，深度学习辅助	神经网络	图像	NA	NA	NA	PSNR	NA