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
1	2026-10-08	Segmenting with confidence through uncertainty quantification for brain tumor imaging 2026-Jun-19, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-026-02902-0 PMID:42321390	研究论文	该研究开发了一个深度学习框架，通过证据深度学习集成量化脑膜瘤MRI分割中的不确定性，以提高临床信任度	利用证据深度学习集成生成具有校准不确定性的脑膜瘤分割，区分偶然不确定性和认知不确定性，并验证其与神经放射学家识别的模糊区域的空间一致性	未明确提及	解决人工智能在脑肿瘤监测中因缺乏校准不确定性而难以临床采用的问题，开发能够生成可靠不确定性估计的分割框架	脑膜瘤患者的大脑MRI图像	计算机视觉, 数字病理学	脑肿瘤, 脑膜瘤	深度学习, 证据深度学习, 集成学习	CNN	图像	训练集1655张MRI（788名患者），独立测试集68张MRI（43名患者），外部验证集353名患者	NA	NA	Dice相似系数, 不确定性图与模糊区域的空间一致性, 体积可信区间校准	NA
2	2026-10-08	Inferring translational efficiency from transcriptomes improves noncanonical neoantigen prioritization and cancer patient stratification 2026-Jun-18, NPJ precision oncology IF:6.8Q1 DOI:10.1038/s41698-026-01567-y PMID:42310075	研究论文	该文章提出一个多维框架，利用深度学习从转录组推断翻译效率，并证明其在非经典新抗原优先级排序和癌症患者分层方面优于标准RNA-seq	首次系统评估基于深度学习的翻译效率推断策略在多个独立数据集中的临床效用，开发了翻译感知的新抗原发现流程，能够识别被基于表达过滤忽略的高置信度非经典新抗原，并通过翻译推断改善了胶质瘤患者分层	对深度学习推断翻译效率的模型依赖可能引入偏差；临床验证仍基于回顾性数据集，需要前瞻性研究确认；未详细讨论计算成本和可扩展性	评估从转录组推断翻译效率的策略是否比标准RNA-seq提供更优的临床效用，并探索其在精准肿瘤学中的应用	15个独立数据集中的转录组和翻译组数据，以及胶质瘤患者样本	机器学习	胶质瘤	RNA-seq, 核糖体图谱分析, 深度学习	深度学习模型（Translatomer）	转录组数据, 翻译组数据	15个独立数据集（具体样本量未提供）	NA	Translatomer	生存分析, 翻译效率推断准确性	NA
3	2026-10-08	Personalizing Suicide Risk Assessment: Machine Learning Extraction of Cross-Modal Interactions Between Psychosocial and Demographic Factors in Veterans 2026-Jun-18, medRxiv : the preprint server for health sciences DOI:10.64898/2026.06.16.26355796 PMID:42369484	研究论文	本文利用机器学习方法从退伍军人临床笔记中提取心理社会与人口学因素之间的跨模态交互，以个性化自杀风险评估	使用高维词袋表示替代语义特征，结合加权XGBoost框架平衡结构化与 unstructured特征，发现跨模态交互并提升预测性能	未明确说明计算资源细节，且依赖结构化风险分层，可能未充分捕捉深层上下文和时间信息	通过整合结构化电子健康记录和非结构化临床笔记，改进退伍军人自杀风险预测模型	退伍军人自杀风险相关的临床文档和结构化数据	自然语言处理	自杀风险	自然语言处理，词袋模型	XGBoost，广义线性模型	文本，结构化数据	27,241名退伍军人	NA	XGBoost，广义线性模型	NA	NA
4	2026-10-08	A web-based semi-supervised deep learning platform for automated AS-OCT assessment and monitoring of infectious keratitis 2026-Jun-17, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-026-02857-2 PMID:42310120	研究论文	该研究开发了一个基于网络的半监督深度学习平台，用于自动评估和监测感染性角膜炎，通过AS-OCT图像进行病变分割、参数化、分层和三维可视化	结合U-Net和Swin Transformer的半监督框架，在极坐标系统下进行径向分层，实现三维角膜重建与裂隙灯图像对齐，提供非侵入式客观评估	未明确提及	开发自动化的感染性角膜炎评估和监测平台，提高严重程度评估的客观性和准确性	感染性角膜炎患者的前节光学相干断层扫描（AS-OCT）图像	数字病理学	感染性角膜炎	前节光学相干断层扫描（AS-OCT）	CNN，Transformer	图像	3130张AS-OCT图像	NA	U-Net，Swin Transformer	Dice分数，分类准确率，组内相关系数（ICC）	NA
5	2026-10-08	Predicting early-stage breast cancer disease-free survival and adjuvant therapy benefit from multimodal information using deep learning 2026-Jun-17, NPJ breast cancer IF:6.5Q1 DOI:10.1038/s41523-026-00991-4 PMID:42310310	研究论文	本文开发了一种基于深度典型相关分析的多模态深度学习模型（Mu-model），整合多参数磁共振成像（包括DCE-MRI和DWI）与临床文本数据，用于预测早期乳腺癌的无病生存期并识别可能从辅助治疗中获益的患者	首次采用基于深度典型相关分析（DCCA）的多模态深度学习模型，将多参数MRI影像（DCE-MRI和DWI）与临床文本数据融合，实现早期乳腺癌无病生存期的非侵入性预测和复发风险分层，并初步探索其识别辅助治疗差异获益患者的潜力	转录组分析仅在19例患者中进行，样本量较小；研究为回顾性设计；外部验证队列虽规模较大但仍需前瞻性研究进一步验证模型的临床实用性	利用多模态深度学习模型预测早期乳腺癌的无病生存期，并对患者进行复发风险分层，识别可能从辅助治疗中获益的患者群体	早期乳腺癌（EBC）患者，包括训练队列459例和外部验证队列661例，共1120例	数字病理学	乳腺癌	多参数磁共振成像（DCE-MRI、DWI）、转录组分析	多模态深度学习模型	图像、文本	1120例早期乳腺癌患者（训练队列459例，外部验证队列661例），其中19例进行了转录组分析	NA	深度典型相关分析（DCCA）	一致性指数（C-index）	NA
6	2026-10-08	Deciphering small sequence differences in T cell receptor-antigen pairing 2026-Jun-13, Nature communications IF:14.7Q1 DOI:10.1038/s41467-026-73396-3 PMID:42288475	研究论文	开发了一个深度学习模型pMTnet-omni，用于预测T细胞受体（TCR）与抗原的结合，并能区分序列相似的TCR之间更强或更弱的结合	pMTnet-omni不仅能预测TCR与pMHC的结合与非结合，还能区分序列相似的TCR之间更强与更弱的结合，结合Lab-in-the-Loop机制可准确预测具有更强或更弱抗原结合力的变异TCR	NA	破译TCR-抗原配对中的微小序列差异，开发能够区分强弱结合的预测工具	T细胞受体（TCR）与抗原肽-MHC复合物（pMHC）的配对结合	机器学习	NA	深度学习	深度学习模型	序列数据	NA	NA	pMTnet-omni	NA	NA
7	2026-10-08	Beyond the algorithms: Challenges in predicting knee osteoarthritis pain from a machine learning point of view 2026-Jun, Osteoarthritis imaging DOI:10.1016/j.ostima.2025.100381 PMID:42619466	综述	本文从机器学习角度综述了预测膝骨关节炎疼痛所面临的关键挑战，包括数据、方法及临床转化等方面的问题	从机器学习视角系统梳理了膝骨关节炎疼痛预测中的挑战，强调了影像特征与主观疼痛体验之间的复杂关系，并提出了整合纵向数据与可穿戴设备数据的未来研究方向	本文并非基于系统性检索或正式的数据提取，仅提供当前问题和研究方向的概述性综述	探讨机器学习与深度学习在预测膝骨关节炎疼痛中面临的挑战，并指出未来研究方向以弥合预测模型与临床适用性之间的差距	膝骨关节炎疼痛预测相关的机器学习与深度学习研究	机器学习	膝骨关节炎	NA	NA	NA	NA	NA	NA	NA	NA
8	2026-10-05	Automated Identification of Surgical Site Infections From Electronic Medical Records: Retrospective Observational Predictive Modeling Study 2026-06-26, JMIR perioperative medicine DOI:10.2196/87896 PMID:42361314	研究论文	本研究利用电子健康记录中的多模态数据，通过机器学习和深度学习方法自动化识别手术部位感染	结合大型语言模型进行文本摘要与深度学习方法处理临床文本和时间数据，采用多模态电子健康记录信息（包括临床文本的上下文信息和实验室值的时间信息）进行手术部位感染预测	未明确提及	评估使用新型自然语言处理方法和深度学习构建的自动化手术部位感染监测系统是否能优于先前方法，以及能否实现更高效的感染监测	手术病例	自然语言处理	手术部位感染	电子健康记录数据挖掘	深度学习	文本, 结构化数据	5996个手术病例	NA	大型语言模型	F1-score, 精确率, 召回率, 精确率-召回率曲线下面积, 召回率0.9时的精确率	NA
9	2026-10-05	Deep learning analysis of breast cancer histology predicts ATM pathogenic variant carrier status 2026-Jun-15, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-026-02895-w PMID:42298170	研究论文	本文利用深度学习分析乳腺癌组织病理全切片图像，预测ATM致病或可能致病变异携带状态，并识别其特异性组织学模式	首次通过深度学习分析乳腺癌全切片图像预测ATM致病或可能致病变异携带状态，并发现ATM变异携带者肿瘤常表现为浸润性小叶癌样失黏附细胞和密集淋巴细胞浸润	发现集和复制集样本量较小，复制集中平衡准确率仅为0.67，需要更大规模的验证研究	利用深度学习分析乳腺癌组织病理图像预测ATM致病或可能致病变异携带状态，并识别特定组织学模式	乳腺癌女性患者的肿瘤组织病理全切片图像	数字病理学	乳腺癌	全切片图像分析（WSI）	深度学习	图像	发现集：58张携带者WSI和129张非携带者WSI；复制集：29张携带者WSI和22张非携带者WSI	NA	NA	AUC, 平衡准确率	NA
10	2026-10-05	Bone morphology as a significant risk factor for anterior cruciate ligament injury 2026-Jun-15, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-026-02903-z PMID:42298177	研究论文	该研究利用多中心MRI数据集开发了一个深度学习模型ACL-P，基于3D骨形态点云分类前交叉韧带（ACL）损伤，并验证了骨形态与ACL损伤易感性之间的关联	首次利用3D骨形态点云通过深度学习模型量化骨形态与ACL损伤易感性之间的关联，并在外部平民和职业运动员测试集上验证了模型的稳健性	摘要中未明确提及研究局限性	探究3D骨形态与ACL损伤易感性之间的关联	ACL损伤患者和正常对照的膝关节MRI数据	计算机视觉	前交叉韧带损伤	3D骨形态点云分析	深度学习	3D点云	训练集5000例MRI，外部平民测试集7797例，职业运动员测试集269例	NA	NA	AUC	NA
11	2026-10-05	DeepRank-Ab: a scoring function for antibody-antigen complexes based on geometric deep learning 2026-06-02, Communications biology IF:5.2Q1 DOI:10.1038/s42003-026-10408-4 PMID:42230751	研究论文	本文提出了一种基于几何深度学习的抗体-抗原复合物评分函数DeepRank-Ab，并构建了大规模基准数据集，系统评估了图表示、特征和采样策略，显著提升了近天然构象的识别能力	针对抗体-抗原界面定制的几何深度学习评分函数，结合原子级表示、Voronoi表面分解和抗体特异性特征，并提供了包含约230万个诱饵结构的大规模精选基准数据集	未明确提及	准确建模和评分抗体-抗原复合物结构，以理解免疫识别并助力治疗设计	抗体-抗原复合物	机器学习	NA	NA	几何深度学习	结构数据	1,442个复合物，约230万个诱饵结构	NA	NA	Top1成功率, Top1 DockQ, Top5成功率	NA
12	2026-10-04	Detecting and measuring respiratory events in horses during exercise with a microphone: deep learning vs. standard signal processing 2026-Jun-23, BMC veterinary research IF:2.3Q1 DOI:10.1186/s12917-026-05614-5 PMID:42332659	研究论文	本文比较了深度学习方法与标准信号处理方法，用于从麦克风录音中自动检测马匹运动时的呼吸事件并提取动态呼吸频率	首次自动检测马匹呼吸音并自动计算运动中马匹的动态呼吸频率	模型需要在较低运动强度的声音上进一步验证，且不同麦克风放置位置的效果尚未评估	比较深度学习方法与信号处理方法在自动检测马匹呼吸事件和提取动态呼吸频率方面的效果，以监测训练对马匹健康和表现的影响	标准赛马（Standardbred trotters）在高强度运动中的呼吸音	机器学习	NA	麦克风录音	时序卷积网络, 长短期记忆网络	音频	NA	NA	时序卷积网络, 长短期记忆网络	F1分数, 平均绝对误差, 置信区间, 一致性界限	NA
13	2026-10-04	Improving splice site usage prediction with SPLAIRE 2026-Jun-11, bioRxiv : the preprint server for biology DOI:10.64898/2026.06.08.731019 PMID:42327213	研究论文	本文开发了一种名为SPLAIRE的新型剪接模型，通过在有丝分裂原刺激的气道上皮细胞数据上训练扩张卷积神经网络，提高了剪接位点使用预测的准确性	利用迄今最大的配对RNA和基因分型数据集之一，针对特定细胞类型（人气道上皮细胞）训练新型剪接模型，并在多个组织上展示了优于现有最先进模型的性能	模型仅在人气道上皮细胞数据上训练，可能在其他细胞类型或组织中的泛化能力有限；剪接位点预测仍存在显著差距，特别是在低使用率剪接位点和组织特异性剪接位点的识别方面	改进剪接位点使用预测，并评估现有最先进剪接模型的性能	人气道上皮细胞中的剪接位点及剪接位点使用	机器学习	NA	RNA-seq, 基因分型	CNN	序列, 基因分型数据	100个供体的人气道上皮细胞培养数据	NA	扩张卷积神经网络	NA	NA
14	2026-10-04	MHC Attention: Identifying HLA-E presented cancer antigens through deep learning and high-throughput screening 2026-Jun-10, bioRxiv : the preprint server for biology DOI:10.64898/2026.06.08.730987 PMID:42327037	研究论文	本文开发了一个整合深度学习预测模型、混合哺乳动物细胞筛选、肽-HLA-E稳定性验证和质谱技术的HLA-E抗原发现平台，用于识别HLA-E呈递的癌症抗原	提出了MHC Attention神经网络，能够在多等位基因免疫肽组数据中学习候选MHC等位基因的等位基因级注意力，从而直接利用患者来源的MHC肽数据进行训练；结合约6000肽的HLA-E文库筛选，生成了HLA-E特异性训练数据并提升了预测性能	训练数据稀疏，HLA-E免疫肽组学存在技术难度	系统性地发现癌症相关的HLA-E呈递肽，为广泛适用的肽-HLA导向的癌症免疫治疗提供候选靶点	HLA-E呈递的癌症肽，包括来自ETV4、WT1、RNF43和BMP8A的候选肽	机器学习	癌症	深度学习预测、混合哺乳动物细胞筛选、肽-HLA-E稳定性验证、质谱	神经网络	肽序列、免疫肽组数据、质谱数据	约6000肽的HLA-E文库	NA	MHC Attention	预测性能	NA
15	2026-10-04	FEABAS: A Stitching and Alignment Tool for Serial EM Data 2026-Jun-10, bioRxiv : the preprint server for biology DOI:10.64898/2026.06.07.730510 PMID:42327124	研究论文	该文章介绍了FEABAS，一个用于序列电子显微镜数据拼接与对齐的开源软件工具，旨在高效精确地重建三维体积	采用自适应网格建模和有限元方法，能够鲁棒地处理包含皱纹、折叠、撕裂和断裂切片等常见伪影的数据集，同时保持轻量级、跨平台、可扩展的实现	摘要中未明确提及局限性	开发一种可扩展、跨平台、开源的软件包，用于弹性拼接和对齐电子显微镜图像数据集，以高效精确地重建数字化体积	序列电子显微镜图像数据集	计算机视觉	NA	体积电子显微镜	NA	图像	NA	NA	NA	NA	NA
16	2026-10-04	BenchRep-T: A Systematic Evaluation of T-Cell Repertoire-Based Disease Diagnostics 2026-Jun-10, bioRxiv : the preprint server for biology DOI:10.64898/2026.06.09.727013 PMID:42327158	研究论文	该论文提出了BenchRep-T，一个统一基准，标准化多个公开的TCR库数据集并评估九种计算方法的疾病诊断性能	提出了首个统一的TCR库疾病诊断基准，标准化数据集和评估流程，系统比较了从统计富集到深度学习的九种方法，并揭示了简单基线模型的竞争力	未提及具体限制，但基准依赖于公开数据集，可能无法涵盖所有疾病类型和人群多样性	系统评估基于T细胞受体库的疾病诊断计算方法，提供可重复的评估框架以加速免疫库诊断发展	T细胞受体（TCR）序列数据来自个体血液样本	机器学习	NA	自适应免疫受体库测序（TCR测序）	基于树的模型、深度学习模型、序列聚类、特征工程集成	序列数据	NA	NA	NA	分类性能（未具体说明）	NA
17	2026-10-04	YeastSAM: A deep learning model for accurate segmentation of yeast cells 2026-Jun, Molecular biology of the cell IF:3.1Q3 DOI:10.1091/mbc.E25-09-0454 PMID:42024490	研究论文	该研究通过适配Segment Anything Model (SAM)构建了YeastSAM，一个针对出芽酵母优化的深度学习分割框架，在分割分裂细胞方面准确率比现有方法高出三倍以上	将SAM适配于出芽酵母分割，解决了因不对称细胞分裂和母芽形态导致分裂细胞被误识别为两个独立细胞的难题，并可与单分子RNA成像和细胞器成像结合构建细胞图谱	未明确提及	实现出芽酵母细胞的精确分割，以支持定量图像分析和基因表达空间调控研究	出芽酵母细胞	计算机视觉	NA	显微镜成像、单分子RNA成像、细胞器成像	SAM	图像	NA	NA	Segment Anything Model (SAM)	分割准确率	NA
18	2026-10-01	PM2.5 performance analysis under varying imputation strategies for incomplete sensor data 2026-Jun-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-55848-4 PMID:42380334	研究论文	本文评估了不同缺失值插补策略对PM2.5预测精度的影响，使用八个低成本传感器数据，比较了Kriging、均值插补和K近邻插补方法，以及多种预测模型	评估了Kriging作为空间插补方法在PM2.5预测中的效果，并比较了不同缺失率下插补技术对多种预测模型的影响，发现Kriging与LSTM-AM组合在短期预测中表现最佳	不同插补方法之间的差异较小，研究仅基于埃德蒙顿地区的八个传感器数据，可能限制泛化性	通过评估不同插补策略对PM2.5预测精度的影响，改善低成本传感器数据缺失情况下的预测准确性	八个低成本传感器（LCS）部署在加拿大阿尔伯塔省埃德蒙顿，收集的PM2.5数据及相关气象特征	机器学习	心血管疾病	NA	CNN, LSTM, LSTM-AM, Random Forest, XGBoost	时间序列数据	八个低成本传感器从2023年1月到2024年12月的数据，包含7个特征	NA	CNN, LSTM, LSTM-AM, Random Forest, XGBoost	R2, MAE, RMSE	NA
19	2026-10-01	Magnetic Resonance Spectroscopy Deep Learning with Magnetic Resonance Background Generator Enables In Vivo Metabolite Quantification of Hepatic Encephalopathy 2026-Jun-29, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2026.3707534 PMID:42371892	研究论文	本文提出了一种新的深度学习定量方法，通过结合背景信号生成器来处理短TE质子磁共振波谱中的背景干扰，并用于肝性脑病的体内代谢物定量和分类	首次将大分子、脂质和基线等背景信号显式纳入深度学习定量框架中，通过构建背景信号生成器来合成包含背景效应的训练数据	摘要中未提及具体局限性	解决现有短TE质子磁共振波谱深度学习方法忽略背景干扰的问题，实现肝性脑病的体内代谢物定量和临床诊断	健康人脑磁共振波谱数据（BigGABA数据集）和自采集数据（216个波谱），以及轻微肝性脑病患者数据（176个波谱）	医学图像分析	肝性脑病	短TE质子磁共振波谱	深度学习	磁共振波谱信号	200个体内背景信号用于训练生成器，216个健康人脑波谱数据用于验证，176个轻微肝性脑病波谱数据用于分类	NA	QNet	NA	NA
20	2026-10-01	Deep learning analysis of ECGs detects Cardiovascular-Kidney-Metabolic syndrome burden in people with diabetes: a report from the Silesia Diabetes-Heart Project 2026-06-29, Cardiovascular diabetology IF:8.5Q1 DOI:10.1186/s12933-026-03246-5 PMID:42374510	研究论文	该研究开发并评估了基于深度学习的模型，利用糖尿病患者扫描的心电图图像预测心血管-肾脏-代谢综合征	首次探索深度学习分析心电图图像自动检测心血管-肾脏-代谢综合征的效用，使用ResNet-50卷积神经网络处理扫描的肢体导联和增强肢体导联心电图图像	未明确提及	开发和评估深度学习模型，利用糖尿病患者扫描的肢体导联和增强肢体导联心电图图像预测心血管-肾脏-代谢综合征	参与Silesia Diabetes-Heart Project的1型或2型糖尿病成人患者	医学人工智能、数字病理学、机器学习	心血管-肾脏-代谢综合征、糖尿病、心血管疾病、慢性肾脏病	心电图、深度学习、卷积神经网络	CNN	图像	2779名参与者，其中492人（17.7%）符合心血管-肾脏-代谢综合征标准	NA	ResNet-50	AUROC、F1-score、准确率、精确率、召回率	NA