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
21	2026-09-28	AI-enhanced Centiloid quantification of amyloid PET images 2026-Feb, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz.71162 PMID:41670187	研究论文	本研究提出了一种深度学习方法来校正Centiloid量化，通过惩罚不合理的纵向轨迹来训练模型	新颖的人工智能方法，通过惩罚生物学上不合理的纵向轨迹，使模型无需在推理时使用纵向数据即可学习标准化摄取值比校正因子	未明确提及	提高淀粉样蛋白PET量化的准确性和一致性，特别是在不同示踪剂和扫描仪之间	淀粉样蛋白PET图像	数字病理学	阿尔茨海默病	淀粉样蛋白PET成像	深度学习	图像	训练集：2129名参与者（7149次Aβ PET扫描）；验证集：10543名参与者（15807次Aβ PET扫描）	NA	NA	相关性、变异性、效应量	NA
22	2026-09-26	Deep learning for the change-point Cox model with current status data 2026-02-09, Lifetime data analysis IF:1.2Q2 DOI:10.1007/s10985-026-09689-y PMID:41661381	研究论文	该研究针对当前状态数据下的变点Cox比例风险模型，开发了深度部分线性估计方法，以处理复杂的变点效应	使用深度神经网络对Cox框架中的协变量效应进行建模，提出最大似然估计过程，并建立估计量的渐近性质	未明确说明	为当前状态数据下的深度部分线性变点Cox比例风险模型开发估计方法，以容纳复杂的变点效应	乳腺癌数据集	机器学习	乳腺癌	当前状态数据	深度部分线性Cox比例风险模型	生存数据	未明确说明	未明确说明	深度神经网络	一致性,渐近独立性,半参数效率	未明确说明
23	2026-09-26	Fast learning-free organoid quantification and tracking with OrganoSeg2 2026-Feb-09, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-37526-7 PMID:41663503	研究论文	介绍了一种名为OrganoSeg2的软件，用于快速、无需训练地分割和追踪类器官，并在多种类器官类型中验证了其优越的泛化分割精度。	提出了一种改进的多窗口自适应阈值分割方法，加速了约10倍，增加了纵向单类器官追踪和多色荧光定量功能，并在泛化分割精度上超越了深度学习方法。	未明确提及局限性，但可能受限于明场低倍图像的分割挑战，以及特定应用下的参数调整需求。	开发一种通用、无需训练且高效的类器官分割和追踪软件，以支持大规模定量分析。	六种类型的类器官，包括腔面乳腺癌类器官。	数字病理学	乳腺癌	明场显微镜成像	NA	图像	六种类型的类器官	NA	NA	分割精度	NA
24	2026-09-26	Mass spectrometry-based human spatial omics: fundamentals, innovations, and applications 2026-Feb-06, Journal of biomedical science IF:9.0Q1 DOI:10.1186/s12929-026-01219-0 PMID:41645178	综述	系统综述了基于质谱的人体空间组学技术的基本原理、创新进展与应用前景	系统整合了质谱成像、标记方法和邻近标记技术的最新进展，并强调了深度学习、跨模态配准和云优化数据格式在分析流程中的整合	需要标准化、临床验证和可解释的人工智能才能实现更广泛的采用	系统梳理基于质谱的空间组学技术发展，探讨其在多模态空间生物学和个性化医疗中的应用	基于质谱的空间组学技术及其在肿瘤微环境、神经退行性疾病、发育生物学等领域的应用	空间组学	肿瘤, 神经退行性疾病	质谱成像, 邻近标记技术	NA	图像, 分子数据	NA	NA	NA	NA	NA
25	2026-09-26	Self-adaptive fine-tuning of deep learning super-resolution microscopy for artifact suppression in live-cell imaging 2026-Feb-02, Innovation (Cambridge (Mass.)) DOI:10.1016/j.xinn.2025.101123 PMID:41658490	研究论文	本文开发了一种自适应微调方法，用于抑制深度学习超分辨率显微镜中的伪影，并应用于活细胞成像。	创新点在于自适应微调方法能够动态调整模型参数以最小化损失函数，该损失函数直接量化了活细胞成像中的伪影。	未明确提及局限性，因此输出为NA。	研究目的是抑制深度学习超分辨率显微镜中的伪影，提高活细胞成像的质量。	研究对象是活细胞成像中的纳米级细胞器相互作用。	计算机视觉	NA	深度学习超分辨率显微镜	NA	图像	NA	NA	NA	NA	NA
26	2026-09-26	Unsupervised learning of spatially varying regularization for diffeomorphic image registration 2026-02, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103887 PMID:41317547	研究论文	提出一种分层概率模型，用于在微分同胚图像配准中从数据端到端学习空间变化的形变正则化	将形变正则化强度的先验分布集成到分层概率模型中，实现空间变化正则化的端到端学习，并通过贝叶斯优化自动调参	未明确提及	解决深度学习图像配准中空间不变正则化忽略局部形变变化的问题	可变形图像配准	计算机视觉	NA	NA	分层概率模型	图像	NA	NA	NA	配准性能（具体指标未指明）	NA
27	2026-09-26	Attention-Based Multimodal Deep Learning for Uveal Melanoma Classification Using Ultra-Widefield Fundus Images and Ocular Ultrasound 2026-Feb, Ophthalmology science IF:3.2Q1 DOI:10.1016/j.xops.2025.100985 PMID:41439217	研究论文	该研究开发并评估了一种基于注意力机制的多模态深度学习模型，整合超广角眼底照相和B超图像，用于自动分类葡萄膜黑色素瘤和脉络膜痣。	首次将注意力机制的多模态深度学习应用于超广角眼底图像和眼部超声图像的融合，以提高葡萄膜黑色素瘤与脉络膜痣的分类性能。	样本量相对较小，仅包括174名患者，且为回顾性单中心研究，可能影响模型的泛化能力。	开发并评估一种深度学习模型，整合超广角眼底照相和B超图像，用于自动分类葡萄膜黑色素瘤和脉络膜痣。	174名患者（93例葡萄膜黑色素瘤和81例脉络膜痣），来自一家三级眼科中心。	计算机视觉	葡萄膜黑色素瘤	超广角眼底照相和B超超声成像	深度学习模型	图像	174名患者（93例葡萄膜黑色素瘤和81例脉络膜痣）	NA	注意力机制	准确率, F1分数, AUC	NA
28	2026-09-26	Multiscale segmentation using hierarchical phase-contrast tomography and deep learning 2026-Feb, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1013923 PMID:41628266	研究论文	本文利用分层相位对比断层扫描（HiP-CT）生成的多尺度数据集，开发了一种基于深度学习的多尺度分割流程，并以人肾脏中的肾小球为案例进行了验证	提出了一种结合HiP-CT多尺度成像与深度学习的分割流程，通过高分辨率数据训练模型并利用伪标签和多尺度图像配准将分割能力扩展到低分辨率全器官扫描，实现了在完整人体器官中分割微小功能单元	伪标签的质量依赖于高分辨率预测的准确性和多尺度图像配准的精度，可能引入累积误差；目前仅在肾脏肾小球上进行了验证，对其他器官系统的适用性尚需进一步研究	开发一种能够在多尺度生物医学影像数据中有效分割微小功能单元的深度学习流程	人肾脏中的肾小球，包括来自四名人类肾脏的高分辨率VOI数据以及两名供体的全器官低分辨率数据	数字病理学	肾脏疾病	分层相位对比断层扫描（HiP-CT）	CNN	图像	四个高分辨率VOI数据集（来自四名人类肾脏）用于模型基准测试；两个全器官低分辨率数据集（分别来自一名62岁无肾脏疾病供体和一名94岁高血压供体）用于多尺度分割应用	NA	nnUNet	Dice系数	NA
29	2026-09-26	Strategies in Global Ancestry and Local Ancestry Inference 2026-Feb, Current protocols DOI:10.1002/cpz1.70321 PMID:41649483	综述	本文提供了一份关于全球祖先成分和局部祖先推断的实用协议指南，涵盖概念、方法分类、工具选择以及逐步操作流程	系统性地整合了全球祖先和局部祖先推断的方法学，并提供了基于ADMIXTURE和SHAPEIT5+RFMix的逐步协议，同时讨论了深度学习等最新进展	作为协议指南，未提出新的算法或模型，主要基于现有方法的总结和推荐	帮助研究人员在不同研究设计和数据集中选择和实施合适的祖先推断方法	混合人群的基因型阵列和全基因组测序数据	机器学习	NA	基因型阵列, 全基因组测序	基于模型的聚类, 降维方法, 隐马尔可夫模型, 基于窗口的机器学习, 深度学习	基因型数据, 测序数据	NA	NA	ADMIXTURE, SHAPEIT5, RFMix	NA	NA
30	2026-09-26	Learning genetic perturbation effects with variational causal inference 2026-Feb, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1013194 PMID:41628222	研究论文	本文提出了一种结合机制因果模型与变分深度学习的混合方法SCCVAE，用于预测遗传扰动效应	将基于基因调控网络的线性因果模型与变分自编码器结合，利用学习到的调控网络表示扰动变化，实现对外部未见扰动的更好泛化	未明确提及	预测单细胞水平下遗传扰动引起的转录组响应，并识别功能扰动模块	单细胞转录组数据中的遗传扰动响应	机器学习, 计算生物学	NA	Perturb-seq, 单细胞测序	变分自编码器, 因果模型	单细胞转录组数据	NA	NA	SCCVAE (Single Cell Causal Variational Autoencoder)	NA	NA
31	2026-09-26	An Effective Approach for Recognition of Crop Diseases Using Advanced Image Processing and YOLOv8 2026-Feb, Food science & nutrition IF:3.5Q2 DOI:10.1002/fsn3.71504 PMID:41676010	研究论文	该文章提出了一种结合先进图像处理技术和YOLOv8模型识别作物病害的有效方法	将局部对比度增强、小波变换、Sigmoid校正、伽马校正和中值滤波等先进图像处理技术与YOLOv8模型相结合，用于作物病害的分割和分类，并采用迁移学习	未明确提及	开发计算机辅助方法，利用作物图像检测和分类病害，以提高早期病害诊断并避免重大作物损失	番茄、咖啡、黄瓜、橄榄和小麦等经济作物的病害	计算机视觉	植物病害	图像处理技术（局部对比度增强、小波变换、Sigmoid校正、伽马校正、中值滤波）、深度学习	YOLOv8	图像	包含32种病害的混合数据集（具体样本数量未提及）	NA	YOLOv8	召回率、精确率、准确率、均方误差、峰值信噪比	NA
32	2026-09-25	Object Detection, Recognition, Deep Learning, and the Universal Law of Generalization 2026-02-27, Neural computation IF:2.7Q3 DOI:10.1162/NECO.a.1483 PMID:41637719	研究论文	本文将普遍泛化定律（ULoG）扩展到基于深度神经网络的真实学习场景中，利用自然伪装图像研究目标检测与识别中内部表征的形成机制。	首次将普遍泛化定律扩展到具有多重相关刺激的真实学习机制中，提出了两种确定类别原型的方法，并发现伪装输入并非随机表征，而是系统性地出现在单调递减泛化函数的尾部。	摘要中未明确提及研究的具体局限性，如数据集规模、模型泛化能力的边界条件、类别原型的确定是否依赖于特定任务等。	检验普遍泛化定律所推导的假设，即目标检测与识别中泛化过程的内部表征反映的是环境中目标的自然属性，而非特定系统的具体特征。	自然伪装图像中的清晰与伪装动物	计算机视觉	NA	深度学习	深度神经网络	图像	NA	NA	NA	NA	NA
33	2026-09-23	Benchmarking foundation models for splice site and exon annotation 2026-Feb-23, bioRxiv : the preprint server for biology DOI:10.64898/2026.02.22.707219 PMID:42124697	研究论文	该研究对多个基础模型和深度学习模型在基因和剪接位点注释任务中的性能进行了基准测试，特别关注不同类别外显子的注释效果。	首次系统评估了基础模型（如SegmentNT、Enformer、Borzoi）和CNN模型（如SpliceAI、AlphaGenome及新开发的STEP2h）在不同类别基因元件（如编码/非编码、末端/内部、组成型/可变剪接、TE衍生外显子）上的注释性能，揭示了模型在训练数据中代表性不足的类别上性能大幅下降的问题。	研究仅评估了有限数量的模型和特定类别，可能未涵盖所有基因元件类型；此外，未详细探讨模型性能下降的生物学原因或提出具体的改进方案。	评估现有基础模型和深度学习模型在基因和剪接位点注释中的性能，特别是针对不同类别外显子的注释能力。	基因和剪接位点注释，包括不同类别的外显子（如编码/非编码、末端/内部、组成型/可变剪接、TE衍生外显子）。	基因组注释	NA	深度学习模型评估	Transformer, CNN	基因组序列	NA	NA	SegmentNT, Enformer, Borzoi, SpliceAI, AlphaGenome, STEP2h	NA	NA
34	2026-09-23	Pixel2Gene enables histology-guided reconstruction and prediction of spatial gene expression 2026-Feb-23, bioRxiv : the preprint server for biology DOI:10.64898/2026.02.21.707168 PMID:42124685	研究论文	介绍了一种名为Pixel2Gene的深度学习框架，该框架整合了共配准的组织学图像和空间转录组数据，实现组织学引导的空间基因表达重建与预测	提出Pixel2Gene框架，利用常规组织学图像引导空间基因表达的重建和预测，能够对低置信度数据进行去噪、重建连贯的表达模式，并预测未测量组织区域和缺乏转录组分析的新样本中的基因表达，从而在降低成本的同时实现全组织规模的空间转录组分析	摘要中未明确提及研究的局限性	解决当前高分辨率空间转录组平台因高成本、组织覆盖有限和技术伪影导致的噪声、稀疏和不完整数据问题，提高分析准确性、生物学解释和临床实用性	多种高分辨率空间转录组平台（包括Visium HD、Xenium和CosMx）生成的空间转录组数据及对应的组织学图像，涵盖多种组织类型和疾病背景的临床样本	数字病理学	NA	空间转录组学、组织学成像	深度学习	图像、文本（基因表达数据）	NA	NA	NA	数据一致性、 dropout效应缓解、生物学意义空间结构恢复、下游分析准确性	NA
35	2026-09-23	Deep learning for the joint analysis of item-level longitudinal and survival data 2026-Feb-09, Journal of applied statistics IF:1.2Q2 DOI:10.1080/02664763.2026.2625122 PMID:42064375	研究论文	本文提出了一种卷积神经网络（CNN），用于输入纵向序数项目数据，预测患者的未来生存轨迹，并证明使用项目级数据比使用总分能提高预测性能	使用CNN直接处理纵向序数项目数据，而不是总分，从而保留了数据的序数性质并减少了信息损失	未明确提及	改进神经退行性疾病中纵向序数项目数据与生存数据的联合分析	帕金森病患者	机器学习	帕金森病	深度学习	CNN	纵向序数项目数据	模拟研究和帕金森病研究数据（具体样本量未提及）	NA	CNN	预测性能（具体指标未提及）	NA
36	2026-09-23	Personalized White Matter Bundle Segmentation for Early Childhood 2026-Feb, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.3086478 PMID:42266436	研究论文	该文章提出了一种针对儿童早期白质束分割的个性化深度学习方法，优化了TractSeg架构，并在手动标记的数据集上验证了其性能	首次提出针对儿童的白质束分割方法，修改了TractSeg的输入、评估方式和损失函数，并证明了其优于原始TractSeg	样本量较小（56个手动标记的白质束），且仅在特定队列上验证，泛化能力需进一步验证	优化儿童白质束分割的深度学习模型，提高与专家标记的相似度，并生成可靠的个体化图谱	儿童早期白质束	数字病理学	NA	扩散磁共振成像	CNN	图像	56个手动标记的白质束	NA	UNet	Dice分数, 体积重叠, 体积超出, Wilcoxon符号秩检验, FDR校正	NA
37	2026-09-21	Multi-scale structural similarity embedding search across entire proteomes 2026-02-28, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btag058 PMID:41632625	研究论文	该论文提出了一种可扩展的结构相似性搜索策略，利用蛋白质语言模型和深度神经网络将三维结构转化为固定长度向量，实现大规模蛋白质结构的高效检索	利用蛋白质语言模型和深度神经网络架构将三维结构转化为固定长度向量，结合向量数据库实现大规模结构检索，并且模型在单域结构上训练却能泛化到全长多肽链和多聚体组装	未明确说明	开发可扩展且高效的结构相似性搜索方法，以应对AI/DL结构预测带来的三维生物分子结构信息快速增长	实验测定的蛋白质结构和AI/DL方法预测的计算结构模型	机器学习	NA	蛋白质语言模型、深度神经网络、结构相似性搜索、向量数据库	深度神经网络	三维蛋白质结构数据	NA	NA	NA	TM-score	NA
38	2026-09-21	DSSA-PPI: enhancing binding affinity change prediction upon protein mutations using disentangled structure-sequence aware attention 2026-Feb-18, Chemical science IF:7.6Q1 DOI:10.1039/d5sc08898d PMID:41487137	研究论文	提出DSSA-PPI混合深度学习框架，通过解耦注意力机制整合结构与序列信息，预测蛋白质突变引起的结合亲和力变化	采用解耦注意力机制，结合几何等变图神经网络PPIFormer与蛋白质语言模型ESM-2，提出分离序列和结构特异性贡献的新型表示学习策略	摘要未提及	提高蛋白质突变诱导的蛋白质-蛋白质相互作用结合亲和力变化（ΔΔG）预测的准确性	蛋白质-蛋白质相互作用、蛋白质突变	机器学习	COVID-19、心血管疾病	NA	混合深度学习框架	蛋白质序列和结构数据	SKEMPI v2数据集（具体数量未知）	NA	PPIFormer、ESM-2、解耦注意力机制	NA	NA
39	2026-09-21	Automated Lymph Node and Extranodal Extension Assessment Improves Risk Stratification in Oropharyngeal Carcinoma 2026-02-10, Journal of clinical oncology : official journal of the American Society of Clinical Oncology IF:42.1Q1 DOI:10.1200/JCO-24-02679 PMID:41435207	研究论文	该研究应用自动化人工智能影像平台整合淋巴结自动分割与结外扩展预测，评估预测的结外扩展淋巴结数量对口咽癌患者的预后价值	首次将自动淋巴结分割与结外扩展预测模型整合，提出AI预测的结外扩展淋巴结数量作为口咽癌的新型风险因素	回顾性研究设计，可能存在选择偏倚；仅在外部数据集中验证风险分层改善；未详细说明AI模型的具体架构和计算资源	确定AI预测的结外扩展淋巴结数量对口咽癌患者的预后价值，并评估其改善风险分层的能力	1733例接受根治性放疗的口咽癌患者	数字病理学	头颈癌	NA	深度学习	图像	1733例口咽癌患者的治疗前CT图像	NA	NA	Uno C指数、决策曲线分析	NA
40	2026-09-21	Plasmonic artificial inspector for herbal medicines via surface-enhanced Raman spectroscopy and deep learning 2026-Feb-05, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-38497-5 PMID:41644682	研究论文	本文提出了一种基于表面增强拉曼光谱（SERS）与深度学习（DL）相结合的等离激元人工草药检验器，用于草药的安全监测	首次将SERS与DL协同整合用于草药检验，实现了对35种外观相似或同属草药的高精度区分，并可作为感官检验的补充方法	未明确提及	开发高效可靠的辅助工具，以补充传统的草药感官检验，提升草药安全监测的效率和可靠性	35种外观相似或同属的草药物种	机器学习	NA	表面增强拉曼光谱（SERS）	深度学习（DL）	光谱数据	35种草药物种	NA	NA	准确率	NA