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
161	2026-04-12	The future of immunotherapy: Can artificial intelligence predict the survival of lung cancer patients? A systematic review and meta-analysis 2025-12, Respiratory medicine IF:3.5Q2 DOI:10.1016/j.rmed.2025.108492 PMID:41241154	系统综述与荟萃分析	本文通过系统综述和荟萃分析评估了基于AI模型（利用影像组学、基因组学和蛋白质组学数据）预测非小细胞肺癌患者免疫治疗后总生存期和无进展生存期的预后准确性	首次通过荟萃分析综合评估了AI模型在预测NSCLC免疫治疗生存结局中的表现，并比较了不同数据模态（如蛋白质组学）和AI方法（如深度学习）的预测准确性	纳入研究存在异质性（I²较高），且缺乏前瞻性验证和多中心临床试验数据，AI方法尚未标准化	评估AI模型在预测非小细胞肺癌患者免疫治疗生存结局中的预后准确性	接受免疫治疗的非小细胞肺癌患者	机器学习	肺癌	影像组学、基因组学、蛋白质组学	机器学习、深度学习	影像数据、基因组数据、蛋白质组数据	23项研究，共19,189名患者	NA	NA	风险比、95%置信区间、I²统计量	NA
162	2026-04-12	Automated artificial intelligence detection of early or under-diagnosed interstitial lung disease by computed tomography in the COPDGene trial 2025-12, Respiratory medicine IF:3.5Q2 DOI:10.1016/j.rmed.2025.108545 PMID:41314436	研究论文	本研究评估了人工智能工具ScreenDx在COPDGene试验中自动检测早期或未诊断的间质性肺疾病（ILD）的能力	开发并验证了一个深度学习模型ScreenDx，用于在CT扫描中自动检测ILD特征，特别是在最初未诊断的病例中，展示了高敏感性和特异性	研究基于COPDGene数据集，ILD患病率目标设定为约1-2%，可能限制了结果的泛化性；且ILD病例最初是意外纳入的，可能存在选择偏倚	评估人工智能工具在CT扫描中检测早期或未诊断的间质性肺疾病的性能	COPDGene试验中的患者，包括意外纳入的ILD患者（阳性）以及随机选择的COPD和对照患者（阴性）	数字病理学	间质性肺疾病	计算机断层扫描（CT）	深度学习模型	图像	COPDGene数据集中的患者，目标ILD患病率为约1-2%	NA	ScreenDx	敏感性, 特异性	NA
163	2026-04-11	Quantitative CT Imaging in Progressive Pulmonary Fibrosis: Clinical Usefulness and Meaningful Threshold Definition 2025-Dec-06, Chest IF:9.5Q1 DOI:10.1016/j.chest.2025.11.031 PMID:41360185	研究论文	本研究通过深度学习定量CT成像，确定了非特发性肺纤维化纤维化间质性肺疾病中定义进行性肺纤维化的最小临床重要差异阈值，并验证了其预后价值	首次使用深度学习定量CT成像算法，定义了1年和6个月纤维化评分变化的最小临床重要差异阈值，并证明其能增强风险分层能力	研究为回顾性设计，可能受到选择偏倚的影响，且仅针对非特发性肺纤维化患者	确定定量CT成像在定义进行性肺纤维化中的临床有意义阈值，并评估其预后预测能力	非特发性肺纤维化纤维化间质性肺疾病患者	数字病理学	肺纤维化	定量CT成像	深度学习	CT图像	476名患者	NA	NA	风险比, 置信区间	NA
164	2026-04-11	Classification of neurological and mental health disorders based on multimodal approaches: A comprehensive review 2025-Dec, Neuroscience and biobehavioral reviews IF:7.5Q1 DOI:10.1016/j.neubiorev.2025.106399 PMID:41052735	综述	本文对基于深度学习的多模态方法在神经系统和心理健康障碍分类中的应用进行了全面回顾	填补了针对神经系统和心理健康障碍的深度学习多模态分类方法进行全面综述的空白，并分析了十种主要障碍（五种神经系统，五种心理健康相关）	NA	指导未来研究，并促进开发更准确、可靠、可访问的神经系统和心理健康障碍诊断工具	十种主要的神经系统和心理健康障碍	机器学习	神经系统疾病，心理健康障碍	NA	深度学习	神经影像，生物信号，临床评估	NA	NA	NA	NA	NA
165	2026-04-06	A Hybrid GARCH-BiLSTM-KAN Model for Crude Oil Price Forecasting: Capturing Volatility, Temporal Dependencies, and Nonlinear Dynamics 2025-12-05, Journal of visualized experiments : JoVE DOI:10.3791/69355 PMID:41428661	研究论文	本研究提出了一种混合GARCH-BiLSTM-KAN模型，用于原油价格预测，旨在捕捉波动性、时间依赖性和非线性动态	创新性地结合了GARCH模型、双向LSTM网络和Kolmogorov-Arnold网络，以协同方式量化时变波动性、建模双向时间关系并精炼非线性模式，超越了传统模型的局限	未明确提及具体限制，但可能包括模型复杂度高、计算资源需求大或对特定市场条件的泛化能力未知	开发一个稳健的预测工具，以准确预测原油价格，支持能源政策制定、风险对冲和金融衍生品定价	西德克萨斯中质原油的每日价格数据	机器学习	NA	NA	GARCH, BiLSTM, KAN	时间序列数据	39年的每日价格数据（1986-2025年）	NA	GARCH, Bidirectional LSTM, Kolmogorov-Arnold Network	均方根误差, 平均绝对误差, 决定系数	NA
166	2026-04-06	Deep learning NTCP model for late dysphagia after radiotherapy for head and neck cancer patients based on 3D dose, CT and segmentations 2025-12, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology IF:4.9Q1 DOI:10.1016/j.radonc.2025.111169 PMID:41033356	研究论文	本研究开发了一种基于深度学习的正常组织并发症概率（NTCP）模型，用于预测头颈癌放疗后晚期吞咽困难，该模型整合了3D剂量分布、器官分割和CT扫描数据	首次将3D剂量数据、器官分割和CT扫描结合到深度学习模型中，以预测放疗后吞咽困难，相比传统基于离散剂量参数的NTCP模型，显著提升了预测性能	研究依赖于多机构队列数据，可能存在数据异质性；模型性能在外部测试集上略有下降，表明泛化能力有待进一步验证	通过深度学习模型改进头颈癌放疗后晚期吞咽困难的预测准确性	头颈癌患者	数字病理学	头颈癌	放疗剂量分析，CT扫描	CNN	3D剂量分布图像，CT图像，器官分割掩码	1484名头颈癌患者的多机构队列	NA	Residual Network	AUC，校准曲线	NA
167	2026-04-05	Multimodal Motion Capture Toolbox for Enhanced Analysis of Intersegmental Coordination in Children with Cerebral Palsy and Typically Developing 2025-12-16, Journal of visualized experiments : JoVE DOI:10.3791/69604 PMID:41490048	研究论文	本研究开发了一个多模态运动捕捉工具箱，用于增强脑瘫儿童和正常发育儿童节段间协调性的分析	结合了多种运动捕捉技术（包括研究级运动学设备、惯性测量单元、3D无标记系统和基于MediaPipe的2D无标记系统），并采用开源方法解决感觉处理问题患者群体的挑战	样本量较小（仅包括两名脑瘫儿童和两名正常发育儿童），可能限制结果的普遍性	评估和比较3D标记与2D无标记运动捕捉系统在分析儿童运动协调模式中的可行性和效果	脑瘫儿童和正常发育儿童	计算机视觉	脑瘫	运动捕捉技术、深度学习人体姿态估计	NA	视频、运动学数据	4名儿童（2名脑瘫儿童，2名正常发育儿童）	MediaPipe	NA	NA	NA
168	2026-04-05	Case-Based Reasoning with Deep Learning for a Hybrid Approach to Legal Text Summarization 2025-12-12, Journal of visualized experiments : JoVE DOI:10.3791/69287 PMID:41460740	研究论文	本文提出了一种结合案例推理与深度学习的混合方法，用于法律文本摘要生成	将案例推理与多阶段Transformer架构相结合，用于法律文本摘要，在事实准确性、推理保真度和法律实体保留方面表现优异	未明确说明模型的计算复杂度或处理超长法律文档的具体限制	开发一种能够准确高效生成法律文本摘要的混合方法	法律案例文本	自然语言处理	NA	深度学习，案例推理	Transformer	文本	4,968个法律案例	未明确说明	多阶段Transformer架构	准确率，ROUGE分数，连贯性	NA
169	2026-04-04	Exploring the Terra incognita of AI-based domain classifications 2025-Dec, Protein science : a publication of the Protein Society IF:4.5Q1 DOI:10.1002/pro.70392 PMID:41288334	研究论文	本研究探索了基于人工智能的蛋白质结构域分类中的未知领域，特别是针对新型蛋白质折叠的分类挑战	整合结构、进化和上下文信息来解析具有挑战性的折叠分配，并扩展蛋白质分类框架至未探索的结构领域	研究中部分候选新型折叠结构域可能源于结构域边界预测错误，如截断序列或紧密堆积的结构域重复	解决结构生物信息学中新型蛋白质折叠分类的核心挑战，尤其是在深度学习模型如AlphaFold2极大扩展预测蛋白质结构宇宙的背景下	来自TED数据库的664个候选新型折叠结构域，这些结构域在结构上多样且基本非冗余，大多缺乏与已知折叠的清晰序列或结构相似性	结构生物信息学	NA	深度学习模型（如AlphaFold2）、结构生物信息学方法	深度学习模型	蛋白质结构数据	664个候选新型折叠结构域	NA	AlphaFold2	NA	NA
170	2026-03-28	Transformer and graph variational autoencoder to identify microenvironments: A deep learning protocol for spatial transcriptomics 2025-Dec-19, STAR protocols IF:1.3Q4 DOI:10.1016/j.xpro.2025.104206 PMID:41313684	研究论文	本文提出了一个结合Transformer和图变分自编码器的计算框架TG-ME，用于通过空间转录组学和形态学图像解析空间微环境	创新性地整合了Transformer和图变分自编码器，以深度学习方式识别健康、肿瘤和感染组织中的空间微环境	NA	开发一个深度学习协议，用于识别和分析空间转录组学数据中的微环境	空间转录组学和形态学图像数据	数字病理学	肿瘤	空间转录组学	Transformer, 图变分自编码器	空间转录组数据, 形态学图像	NA	NA	Transformer, 图变分自编码器	NA	NA
171	2026-03-28	Protocol to annotate and automate single-cell instance segmentation on stimulated Raman histology using deep learning 2025-Dec-19, STAR protocols IF:1.3Q4 DOI:10.1016/j.xpro.2025.104221 PMID:41317327	研究论文	本文提出了一种基于深度学习的协议，用于在刺激拉曼组织学图像上实现单细胞实例分割的标注和自动化	开发了ELUCIDATE网络标注工具和DetectSRH Python库，结合深度学习实现无标记SRH图像的单细胞空间分析	NA	实现神经外科术中获取的SRH图像的自动化细胞分割	刺激拉曼组织学图像中的细胞	数字病理学	NA	刺激拉曼组织学	深度学习模型	图像	NA	Python	NA	NA	NA
172	2026-03-28	A Scorpion Peptide Exerts Selective Anti-Leukemia Effects Through Disrupting Cell Membranes and Triggering Bax/Bcl-2-Related Apoptosis Pathway 2025-12-18, Biomolecules IF:4.8Q1 DOI:10.3390/biom15121751 PMID:41463404	研究论文	本研究利用深度学习模型预测并验证了一种蝎子肽Lpep3对白血病细胞的选择性抗白血病作用，通过破坏细胞膜并触发Bax/Bcl-2相关凋亡通路	结合AI计算模型快速筛选活性肽，并首次揭示Lpep3通过破坏细胞膜和诱导凋亡通路发挥选择性抗白血病效应	研究主要基于体外和动物模型，尚未进行人体临床试验，且具体作用机制细节需进一步探索	开发天然抗肿瘤药物，特别是针对白血病的治疗	白血病细胞（如MV-4-11）和小鼠模型	机器学习	白血病	深度学习模型预测，电子显微镜观察，台盼蓝染色，Calcein-AM/PI双染色，LDH和ATP释放检测，Western blotting，RT-qPCR	深度学习模型	肽序列数据，细胞实验数据	七种肽的预测验证，涉及白血病细胞系和小鼠模型	NA	NA	NA	NA
173	2026-03-28	E2-regulated transcriptome complexity revealed by long-read direct RNA sequencing: from isoform discovery to truncated proteins 2025-12, RNA biology IF:3.6Q2 DOI:10.1080/15476286.2025.2563860 PMID:40965441	研究论文	本研究利用纳米孔长读长直接RNA测序技术，揭示了雌激素调控的转录组复杂性，并发现了一种产生截短蛋白的TLE1内含子多聚腺苷酸化亚型及其在乳腺癌中的临床意义	首次结合纳米孔长读长直接RNA测序、3'端测序和深度学习蛋白建模，系统揭示了雌激素响应转录组的复杂性，并发现了一种具有功能的新型内含子多聚腺苷酸化mRNA亚型及其产生的截短蛋白	未明确说明样本的具体数量或实验重复次数，且功能验证主要基于体外实验	探索雌激素受体α阳性乳腺癌中雌激素调控的转录组复杂性和蛋白质水平影响	雌激素受体α阳性乳腺癌细胞及相关的转录组和蛋白质	生物信息学，计算生物学	乳腺癌	纳米孔长读长直接RNA测序，3'端测序，深度学习蛋白建模	深度学习模型	RNA测序数据，蛋白质结构数据	NA	NA	NA	NA	NA
174	2026-03-28	Serum-MiR-CanPred: deep learning framework for pan-cancer classification and miRNA-targeted drug discovery 2025-12, RNA biology IF:3.6Q2 DOI:10.1080/15476286.2025.2577433 PMID:41168129	研究论文	本研究开发了一个名为Serum-MiR-CanPred的深度学习框架，用于基于血清miRNA表达数据的泛癌分类和miRNA靶向药物发现	首次整合可解释AI与分子建模，利用88个miRNA共识集实现高精度泛癌分类，并识别出hsa-miR-5100作为关键生物标志物，进而通过分子对接发现潜在治疗配体	研究依赖于GEO数据库的现有数据，外部验证数据集可能有限，且分子对接结果需进一步实验验证	开发非侵入性癌症早期诊断工具并探索miRNA靶向药物发现	12种癌症类型及健康对照的血清miRNA表达数据	机器学习	泛癌	血清miRNA表达分析	MLP	miRNA表达数据	20,271个样本	NA	多层感知机	AUC, 准确率	NA
175	2026-03-28	G2PDeep-v2: A Web-Based Deep-Learning Framework for Phenotype Prediction and Biomarker Discovery for All Organisms Using Multi-Omics Data 2025-12-01, Biomolecules IF:4.8Q1 DOI:10.3390/biom15121673 PMID:41463329	研究论文	本文介绍了G2PDeep-v2，一个基于深度学习的网络平台，用于多组学数据的表型预测和生物标志物发现	开发了一个集深度学习、超参数优化、可视化和下游分析于一体的统一网络平台，支持跨多种生物（包括人类和植物）的多组学数据分析	未在摘要中明确说明具体限制	为研究人员提供一个易于使用的工具，以整合和分析多组学数据，实现表型预测和生物标志物发现	跨多种生物（包括人类和植物）的多组学数据	机器学习	NA	多组学数据整合分析	深度学习模型	多组学数据	NA	NA	NA	NA	高性能计算资源
176	2026-03-28	DeepRNA-Reg: a deep-learning based approach for comparative analysis of CLIP experiments 2025-12, RNA biology IF:3.6Q2 DOI:10.1080/15476286.2025.2564941 PMID:41055236	研究论文	本文提出了一种基于深度学习的DeepRNA-Reg方法，用于对配对的高通量测序RNA交联免疫沉淀实验数据进行高保真比较分析	DeepRNA-Reg利用深度学习技术，在Ago2靶向被选择性扰动的实验范式中，提供了优于现有最佳差异HITS-CLIP分析方法的预测结果，并更好地符合RNA一级和二级结构基序的真实情况	NA	开发一种深度学习方法来改进配对HITS-CLIP实验数据的比较分析	高通量测序RNA交联免疫沉淀实验数据，特别是涉及Ago2靶向和microRNA簇基因敲除的实验	自然语言处理	NA	HITS-CLIP	深度学习	RNA测序数据	NA	NA	NA	NA	NA
177	2026-03-24	Charting the virosphere: computational synergies of AI and bioinformatics in viral discovery and evolution 2025-12-23, Journal of virology IF:4.0Q2 DOI:10.1128/jvi.01554-25 PMID:41222234	综述	本文综述了人工智能与生物信息学在病毒发现和进化研究中的协同作用，探讨了从传统方法到AI及混合框架的演变	提出了一种结合AI模式识别与经典生物信息学的集成工作流，以提升可扩展性和可解释性，并统一了加速病毒发现和增强进化洞察的计算策略	AI驱动方法面临计算负担、数据集偏差、有限可解释性以及较高假发现率等挑战	加速病毒发现、增强进化洞察并加强全球对新发传染病的准备	病毒基因组和蛋白质	生物信息学	NA	宏基因组测序	CNN, RNN, Transformer, GNN	序列数据	NA	NA	AlphaFold, ESMFold, Foldseek	NA	NA
178	2026-03-24	Biologically-informed integration of drug representations for breast cancer treatment using deep learning 2025-12-11, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-66384-6 PMID:41381442	研究论文	本文开发了一种名为GDnet的可解释深度学习模型，通过整合药物表示和肿瘤转录组数据来预测乳腺癌新辅助治疗反应，并辅助选择最佳治疗策略	首次提出将生物学信息驱动的药物表示与肿瘤转录组数据整合的深度学习模型，用于个性化乳腺癌治疗优化，并通过模拟临床试验验证其提升病理完全缓解率的能力	研究基于31个数据集的4371名患者，样本来源和多样性可能存在限制，且模型尚未在真实世界临床环境中进行前瞻性验证	开发深度学习模型以预测乳腺癌新辅助治疗反应并优化个性化治疗策略选择	乳腺癌患者及其对新辅助治疗的反应数据	数字病理学	乳腺癌	转录组测序	深度学习模型	转录组数据, 药物表示数据	4371名符合条件的患者，来自31个数据集	NA	GDnet	病理完全缓解率, 比值比	NA
179	2026-03-24	Multiplexed detection of febrile infections using CARMEN 2025-12-09, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-66243-4 PMID:41365864	研究论文	本文开发了三种基于CARMEN技术的检测面板，用于同时检测23种病原体，并通过深度学习优化了检测的敏感性和特异性	利用深度学习设计CARMEN检测方法，提高了对多种发热性感染病原体的检测敏感性和特异性，并验证了其在合成目标、加标血清样本及患者样本中的性能	NA	开发并验证用于多重检测发热性感染的CARMEN技术，以提升临床诊断和公共卫生监测的准确性	病毒性出血热、蚊媒病毒和性传播感染相关的23种病原体	数字病理学	发热性感染	CARMEN技术，RT-qPCR	深度学习	合成目标、加标健康正常血清样本、患者样本	涉及美国淋病奈瑟菌样本和尼日利亚拉沙病毒及猴痘病毒样本	NA	NA	敏感性，特异性	NA
180	2026-03-23	Associations Between Deep Learning-Derived Fat, Muscle, and Bone Measures From Abdominal Computed Tomography Scans and Fall Risk in Persons Aged 20 Years or Older 2025-Dec, Mayo Clinic proceedings. Digital health DOI:10.1016/j.mcpdig.2025.100299 PMID:41323361	研究论文	本研究探讨了通过深度学习从腹部CT扫描中提取的脂肪、肌肉和骨骼测量指标与20岁及以上人群跌倒风险之间的关联	首次使用深度学习算法从腹部CT扫描中自动提取身体成分生物标志物，并评估其与跌倒风险的关联，特别是在中年人群中识别低肌肉密度作为风险因素	研究为回顾性设计，可能受选择偏倚影响；仅使用腹部CT扫描，未考虑其他身体部位；跌倒事件通过医疗记录识别，可能存在漏报	确定腹部CT扫描中的身体成分测量是否与成年人跌倒风险相关	20至89岁的成年人，他们接受了腹部CT扫描	数字病理学	老年疾病	腹部CT扫描	深度学习算法	医学影像	3972人	NA	NA	调整后的风险比, 95%置信区间	NA