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
561	2026-05-08	Predicting peroxisome proliferator-activated receptor gamma potency of small molecules: a synergistic consensus model and deep learning binding affinity approach powered by Enalos Cloud Platform 2026-Apr, Molecular diversity IF:3.9Q2 DOI:10.1007/s11030-025-11230-6 PMID:40515966	研究论文	本研究结合共识模型与深度学习方法，通过Enalos云平台预测小分子对PPARγ的效力	首次整合随机森林、支持向量机和k近邻算法的共识模型与神经网络分类模型，用于预测PPARγ结合亲和力和拮抗活性，并部署于Enalos云平台实现便捷虚拟筛选	未明确说明模型在真实生物活性数据上的验证及与其他方法的对比性能	开发用于预测小分子与PPARγ结合亲和力及拮抗活性的计算机模拟模型，支持抗糖尿病药物发现	靶向PPARγ的小分子化合物，包括34种优先筛选的全氟和多氟烷基物质（PFAS）	机器学习	糖尿病	分子对接	神经网络、随机森林、支持向量机、k近邻	分子对接得分及分子描述符	NA	Scikit-learn, Enalos Cloud Platform	神经网络, 随机森林, 支持向量机, k近邻	准确性、少数类检测效率（基于OECD指南验证）	NA
562	2026-05-08	Application of multi-scale feature extraction and explainable machine learning in chest x-ray position evaluation within an integrated learning framework 2026-Apr, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-12097-9 PMID:41191081	研究论文	提出一种融合深度学习与机器学习的网络，用于定量和可解释地评估胸部X光片摆位质量	首次提出基于分割的随机森林融合网络，结合SHAP方法实现胸部X光摆位的可解释性分类，并识别关键操作因素	未提及	利用可解释人工智能方法评估胸部X光摄影中患者摆位质量，并提高放射技师操作的准确性	3300张胸部X光片（来自2021年3月至2022年12月中国某医疗机构）	计算机视觉	不适用	X光成像	U-net++, 随机森林融合网络, 阈值分类, 多变量逻辑回归	图像	3300张胸部X光片，分为XJ_chest_21和XJ_chest_22子集	不适用	U-net++, 随机森林融合网络, 阈值分类, 多变量逻辑回归	AUC, 准确率, 敏感度, 特异性, Dice系数	未提及
563	2026-05-08	Deep learning-driven false-lumen volumes predict adverse remodeling better than diameter in patients with residual aortic dissection on CT 2026-Apr, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-12116-9 PMID:41201600	研究论文	开发深度学习分割模型，自动测量残余主动脉夹层CT血管造影中的直径和假腔体积，并评估其对不良重构的预测价值	首次证明局部假腔体积（最大直径周围3厘米）比传统直径和全局体积能更好地预测残余主动脉夹层的不良重构	文章未提及具体限制	开发深度学习分割模型并评估其测量值对残余主动脉夹层不良重构的预测能力	残余主动脉夹层患者的CT血管造影数据	计算机视觉, 数字病理学	主动脉夹层	NC	深度学习分割模型	CT血管造影图像	322名患者（训练120，内部测试30，外部测试10，临床验证83+79）	NC	NC	Dice相似系数, AUC, 敏感性, 特异性	NC
564	2026-05-08	Attention-based deep learning network for predicting World Health Organization meningioma grade and Ki-67 expression based on magnetic resonance imaging 2026-Apr, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-11958-7 PMID:40836018	研究论文	基于注意力的深度学习网络用于预测WHO脑膜瘤分级和Ki-67表达	提出了全自动、基于注意力的2.5D深度学习网络，结合nn-Unet分割和注意力机制，实现了对WHO脑膜瘤分级和Ki-67表达的准确预测	NA	开发全自动注意力深度学习网络，用于预测WHO脑膜瘤分级和Ki-67表达	脑膜瘤患者	机器学习	脑膜瘤	磁共振成像	注意力增强的nn-Unet、ResNet50、Swin Transformer	磁共振图像	952名脑膜瘤患者，包括训练集542例、内部验证集96例、外部测试集314例	PyTorch	nn-Unet, ResNet50, Swin Transformer	Dice系数, AUC	NA
565	2026-05-08	VIBESegmentator: full body MRI segmentation for the NAKO and UK Biobank 2026-Apr, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-12035-9 PMID:41068435	研究论文	提出一个公开可用的基于深度学习的全身MRI分割模型，该模型提供全面的体素级覆盖，包括延伸到解剖隔室边界的 delineation	首次提供全躯干MRI和CT图像的完整分割模型，覆盖71-72个结构，在全身边界划分上优于现有方法	NA	开发全躯干MRI和CT图像的语义分割模型，用于大规模流行病学研究和临床应用	MRI和CT图像中的器官、肌肉、血管、骨骼、椎间盘、脊髓、椎管及身体成分	计算机视觉	NA	MRI, CT	nnUNet	图像	训练集：来自626名受试者的2897个序列（290名女性；平均年龄53±16）；内部测试集：来自12名受试者的36个序列（6名男性；平均年龄60±11）	PyTorch	nnUNet	Dice分数	NA
566	2026-05-08	Diagnostic performance of a coronary CT angiography-based deep learning model for the prediction of vessel-specific ischemia 2026-Apr, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-12048-4 PMID:41076470	研究论文	基于冠状动脉CT血管造影的深度学习模型用于预测血管特异性心肌缺血	采用深度学习模型CT-FFRAI从CCTA图像非侵入性地预测血管特异性缺血，并与有创FFR和iFR测量进行对比，展示了高诊断性能	冠状动脉钙化显著降低诊断准确性，提示需进一步改进空间分辨率	评估CT-FFRAI深度学习模型预测血管特异性心肌缺血的诊断性能	275名患者的322支血管，这些患者同时接受了CCTA和有创FFR/iFR测量	计算机视觉	心血管疾病	冠状动脉CT血管造影	深度学习模型	图像	275名患者的322支血管（来自两个中心）	NA	NA	敏感性、特异性、阳性预测值、阴性预测值、诊断准确性	NA
567	2026-05-08	Comprehensive deep learning-assisted multi-condition analysis of knee MRI studies improves resident radiologist performance 2026-Apr, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-12052-8 PMID:41107495	研究论文	开发深度学习模型用于膝关节MRI的多组织、多条件自动分析，并评估其对放射科住院医师诊断性能的提升效果	首次提出基于3D切片变换网络的综合深度学习模型，能同时分析膝关节MRI中软骨、半月板、骨髓、韧带等23种病理条件，并系统性评估模型辅助对不同经验水平住院医师诊断性能的影响	模型对细微或罕见条件的预测精度不足，需进一步优化以实现更精细的预测	开发并验证深度学习模型用于膝关节MRI的自动多条件分析，提升放射科医师的诊断效率和准确性	膝关节MRI影像及对应的23种病理标注（涵盖软骨、半月板、骨髓、韧带等软组织）	计算机视觉, 数字病理学	膝关节疾病	MRI	3D切片变换网络	影像	3121例MRI研究（来自3018名成人），外部测试集448例MRI研究（429名成人）	PyTorch	3D切片变换网络	AUC, 灵敏度, 特异度	NA
568	2026-05-06	A Transformer for Reaction-Aware Compound Explorations with GFlowNet in QSAR-Guided Molecular Design 2026-Apr-25, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.6c00181 PMID:42033344	研究论文	提出TRACE-GFN模型，融合Transformer与GFlowNet，在QSAR引导的分子设计中实现反应感知的化合物探索	首次将化学反应路径显式整合到QSAR引导的分子优化流程中，通过Transformer学习反应知识并结合GFlowNet高效采样多样候选分子	NA	在药物发现中平衡化合物的高生物活性和合成可行性，实现反应感知的分子优化	多巴胺受体D2 (DRD2)、AKT丝氨酸/苏氨酸激酶1 (AKT1)和C-X-C基序趋化因子受体4 (CXCR4)相关的化合物	机器学习	NA	QSAR	Transformer, GFlowNet	分子结构数据	NA	PyTorch	Transformer	QSAR值, 多样性	NA
569	2026-05-06	EAC-Net: Predicting Real-Space Charge Density via Equivariant Atomic Contributions 2026-Apr-25, Journal of chemical theory and computation IF:5.7Q1 DOI:10.1021/acs.jctc.6c00283 PMID:42033354	研究论文	提出EAC-Net网络，通过等变原子贡献预测实空间电荷密度，结合高精度与高效训练	将总电荷密度分解为对称一致的原子中心贡献，直接与实空间耦合，而非预测网格或基函数上的完整密度，实现高精度与物理先验的融合	NA	开发一种准确、高效且具有物理基础的电荷密度预测方法，加速电子结构计算	元素周期表中的化学元素及其不同化学环境	机器学习	NA	密度泛函理论（DFT）	等变图神经网络	电荷密度网格数据	NA	PyTorch	EAC-Net	百分比误差	NA
570	2026-05-06	A Comparative Study of QSPR Methods on a Unique Multitask PAMPA Data Set 2026-Apr-24, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.5c02931 PMID:42032831	研究论文	对独特的多任务PAMPA数据集的QSPR方法进行比较研究	首次对多种器官特异性PAMPA膜进行同步建模的全面研究，提供膜特异性渗透性谱的新见解	样本量有限，可能限制了深度学习表示的效果	评估不同分子描述符和回归模型在预测被动膜渗透性中的有效性，特别关注模型可解释性与性能的权衡	143种药物和候选药物分子，使用六种不同模型膜进行评估	机器学习	NA	PAMPA（平行人工膜渗透性测定）	线性回归、预训练Transformer	分子性质数据	143个药物和候选药物分子	NA	预训练Transformer	预测性能指标（未具体说明）	NA
571	2026-05-06	CrystalX: High-Accuracy Crystal Structure Analysis Using Deep Learning 2026-Apr-20, Journal of the American Chemical Society IF:14.4Q1 DOI:10.1021/jacs.5c21832 PMID:42007550	研究论文	利用深度学习实现全自动高精度晶体结构分析，命名为CrystalX模型	首次将深度学习应用于全原子级别的全自动常规晶体结构分析，能够发现并纠正同行评审出版物中存在的专家解释错误	NA	实现晶体材料原子结构的全自动高精度分析	晶体材料	机器学习	NA	X射线衍射	深度学习模型	X射线衍射测量数据，超过5万个样本	超过5万个来自真实实验的X射线衍射测量数据	NA	NA	NA	NA
572	2026-05-06	A Novel Dual-Modal Deep Learning Approach for Real-Time Removal of Hepatic Fluorescence in Indocyanine Green-Guided Laparoscopic Cholecystectomy 2026-Apr-17, Journal of visualized experiments : JoVE DOI:10.3791/68488 PMID:42081379	研究论文	开发并评估一种新颖的双模态深度学习框架，用于在吲哚青绿引导腹腔镜胆囊切除术中实时检测和去除肝脏荧光污染	首次提出在吲哚青绿引导腹腔镜胆囊切除术中实时去除肝脏荧光的AI解决方案	未来需要前瞻性研究评估对手术结果的临床影响	开发并评估自动实时去除肝脏荧光污染的双模态深度学习框架	吲哚青绿引导腹腔镜胆囊切除术中的手术图像	计算机视觉	胆囊疾病	NA	DeepLabV3	图像	来自48例患者的33123对双模态手术图像	NA	DeepLabV3	Dice系数, 召回率	每帧处理时间为0.018秒，实现实时性能
573	2026-05-06	AI-based autism identification from hyperspectral imaging detection of oxidative stress in pediatric red blood cells 2026-Apr-14, Communications medicine IF:5.4Q1 DOI:10.1038/s43856-026-01581-y PMID:41974954	研究论文	本研究评估了高光谱成像结合人工智能检测氧化应激在儿童红细胞膜上的变化，并用于自闭症谱系障碍的自动识别	首次将高光谱成像与深度学习算法结合，基于红细胞膜氧化应激特征对自闭症谱系障碍儿童进行非侵入式分类，准确率达93.2%	未明确提及样本量较小、临床普适性及算法泛化能力等限制	开发一种非侵入性、免标记、成本效益高的氧化应激检测方法，并用于自闭症谱系障碍的辅助诊断	儿童红细胞样本，包括31名神经典型发育儿童和27名自闭症谱系障碍儿童	计算机视觉	自闭症谱系障碍	高光谱成像、气相色谱	深度学习算法	高光谱图像	31名神经典型发育儿童和27名自闭症谱系障碍儿童的红细胞样本	NA	NA	准确率	NA
574	2026-05-06	Is Deep Learning Ready for Abdominal Organ-at-Risk Segmentation in the Foundation Model Era: A Comprehensive Study of Challenging Clinical Cases 2026-Apr-08, International journal of radiation oncology, biology, physics DOI:10.1016/j.ijrobp.2026.03.040 PMID:41962748	研究论文	评估深度学习和基础模型在腹部器官风险分割中的表现，并提出器官擦除增强策略以提高模型鲁棒性	首次系统评估基础模型和全监督学习在复杂临床场景（如器官切除术后）中的分割性能，并提出器官擦除增强策略以解决幻觉和分布偏移问题	基础模型和全监督方法在解剖结构异常或显著分布偏移的临床案例中仍显不足	评估深度学习方法在腹部器官风险分割中的临床适用性，并提出改进鲁棒性的解决方案	来自2个机构的413例患者的CT扫描，分为3个队列（无手术、部分器官切除、全器官切除）及3个公共数据集	计算机视觉	腹部癌症相关放射治疗	CT扫描	全监督学习模型、基础模型	图像（CT扫描）	413例患者（内部测试67例，外部测试2共22例，外部测试3共74例）	NA	全监督学习模型（7种）、基础模型（6种）	Dice相似系数、归一化表面Dice、幻觉率	NA
575	2026-05-06	Artificial Intelligence in Population-Level Gastroenterology and Hepatology: A Comprehensive Review of Public Health Applications and Quantitative Impact 2026-Apr, Digestive diseases and sciences IF:2.5Q2 DOI:10.1007/s10620-025-09452-7 PMID:41136718	综述	综述人工智能在胃肠病学和肝病学人群层面的公共卫生应用及其定量影响	综合评估AI从被动治疗转向主动预防的策略转变，涵盖结直肠癌、代谢相关脂肪性肝病、病毒性肝炎、上消化道癌症和炎症性肠病等多个领域，并强调废水分析等创新应用	高收入国家与中低收入国家之间AI发展和获取的不平等可能加剧现有健康差距，以及数据多样性不足、算法偏见、隐私保护和监管框架等挑战	探讨AI在胃肠病学和肝病学公共卫生中的人群水平应用和影响	结直肠癌高风险人群、代谢相关脂肪性肝病（MASLD）患者、病毒性肝炎患者、上消化道癌症（如胃癌）患者、炎症性肠病（IBD）患者	机器学习	胃肠病和肝病	NA	NA	NA	NA	NA	NA	检出率、准确性、可靠性、诊断能力	NA
576	2026-05-06	Predictive modeling of gene expression and localization of DNA binding site using deep convolutional neural networks 2026-Apr, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1014092 PMID:41920894	研究论文	开发深度卷积神经网络DARSI，利用大规模平行报告分析数据预测基因表达水平并定位转录因子结合位点	首次利用卷积神经网络从原始调控DNA序列直接预测基因表达，并以单碱基对分辨率系统识别转录因子结合位点，克服了传统方法假设各碱基对独立贡献的局限	NA	开发可分析大规模平行报告分析数据的新方法，实现从DNA序列预测基因表达并定位转录因子结合位点	调控DNA序列及其驱动的基因表达	机器学习	NA	大规模平行报告分析	卷积神经网络	DNA序列数据	NA	NA	卷积神经网络	准确性	NA
577	2026-05-06	Stochastic intracellular calcium dynamics show preserved structures identified by deep learning classification 2026-Apr, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1014240 PMID:42054479	研究论文	利用深度学习分类方法识别随机胞内钙动力学中保留的结构特征	通过大核卷积神经网络（LKCNN）在真实噪声水平下实现高精度动态状态分类，证明确定性组织特征在随机生物系统中仍可检测	未明确提及模型对更高噪声水平或更复杂生物系统的适用性	探索在固有随机性下，参数依赖性组织原则是否仍具有生物学意义并可计算检测	胰腺β细胞及WT-HEK293、STIM-KO、ORAI TKO等细胞的钙动力学数据	机器学习	NA	化学朗之万方程生成合成数据	大核卷积神经网络（LKCNN）	钙离子浓度时间序列数据	合成训练数据及多种细胞类型的实验数据，具体样本量未明确	NA	LKCNN	准确率	NA
578	2026-05-04	AI-based knee osteoarthritis progression prediction: a comprehensive global bibliometric and hotspot evolution analysis (2010-2025) 2026-Apr-30, Knee surgery & related research IF:4.1Q1 DOI:10.1186/s43019-026-00319-3 PMID:42063116	综述	通过文献计量学方法系统分析2010年至2025年基于人工智能的膝关节骨关节炎进展预测的全球研究趋势与热点演变	首次全面映射该领域全球研究格局，包括贡献者、合作网络、方法论趋势和热点演变，并特别关注从传统机器学习到深度学习再到多模态可解释AI的转变	外部验证有限、严重依赖少数队列（OAI/MOST）、临床实施研究不足	系统绘制基于AI的膝关节OA进展预测全球研究路线图，突出关键贡献者、合作网络、方法论趋势和研究热点演变	2010年至2025年11月期间发表的1087篇出版物，覆盖Web of Science、Scopus、PubMed和IEEE Xplore数据库	机器学习	膝关节骨关节炎	NA	深度学习、卷积神经网络	文本	1087篇出版物	NA	卷积神经网络	NA	NA
579	2026-05-04	Integrating AI-enhanced kinase enrichment analysis (KEA) with geometric deep learning and federated learning for precision drug repurposing 2026-Apr-30, Drug discovery today IF:6.5Q1 DOI:10.1016/j.drudis.2026.104687 PMID:42069049	研究论文	提出一种结合AI增强激酶富集分析、几何深度学习和联邦学习的统一框架，用于可扩展且保护隐私的药物重定位	将激酶富集分析与几何深度学习及联邦学习相结合，实现多机构隐私保护下的可扩展治疗发现	未提及具体局限性	加速精准药物发现和重定位	激酶抑制剂和蛋白降解靶向嵌合体等新兴治疗模式	机器学习	阿尔茨海默病	NA	几何深度学习	多组学数据	NA	NA	NA	预测性能	NA
580	2026-05-04	Artificial intelligence-driven early screening and diagnosis of pancreatic cancer: technical innovations, clinical applications, and precision medicine strategies 2026-Apr-30, Journal of advanced research IF:11.4Q1 DOI:10.1016/j.jare.2026.04.060 PMID:42069141	综述	综述人工智能在胰腺癌早期筛查与诊断中的应用进展，涵盖技术革新、临床实践及精准医学策略	系统总结了人工智能在胰腺癌早期筛查与诊断中的三个前沿领域：医学影像的深度学习模型（CNN、Transformer、自配置分割框架）、生物标志物发现的机器学习方法（LASSO、随机森林、XGBoost）以及纵向电子健康记录的时间深度学习模型，强调多模态融合和风险分层策略	大多数模型仍为回顾性验证，面临数据异质性、可解释性差及跨人群泛化能力不足等挑战	评估人工智能在胰腺癌早期筛查与诊断中的技术进展，推动高危人群检测而非普筛或自主诊断	胰腺癌患者、高危人群、临床可疑症状患者	机器学习, 计算机视觉, 自然语言处理	胰腺癌	影像学（CT、MRI）、循环生物标志物（转录组、代谢组、外泌体）、电子健康记录分析	卷积神经网络, Transformer, 自配置分割框架, LASSO, 随机森林, XGBoost, 时间深度学习模型	医学影像, 转录组数据, 代谢组数据, 外泌体数据, 纵向电子健康记录	NA	NA	卷积神经网络, Transformer, 自配置分割框架, LASSO, 随机森林, XGBoost, 时间深度学习模型	放射科医生水平性能, 复合诊断特征	NA