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
2121	2026-06-26	Assessment of a Grad-CAM interpretable deep learning model for HAPE diagnosis: performance and pitfalls in severity stratification from chest radiographs 2025-10-30, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-025-03256-5 PMID:41168790	研究论文	评估基于Grad-CAM可解释深度学习模型在胸部X光片上诊断高原肺水肿的性能及严重程度分层中的陷阱	利用迁移学习从普通肺水肿数据到HAPE特异性数据，构建了结合Grad-CAM可解释性分析的深度学习模型，首次系统评估其在HAPE严重程度分层中的性能与局限性	模型对中间严重度等级（1级和2级）的识别灵敏度极低（分别为0.16和0.37），凸显了域迁移和细微影像评估的挑战	探索迁移学习深度学习模型在胸部X光片上识别HAPE的可行性，并评估其严重程度评估能力	胸部X光片中的HAPE病例和正常对照	计算机视觉	高原肺水肿	迁移学习、深度学习	卷积神经网络	图像	训练集：1003例HAPE和702例正常对照；外部验证集：679例HAPE和436例正常对照	PyTorch	DeepLabV3_ResNet-50, MobileNet_V2, VGG19	Dice系数, AUC, 灵敏度	NA
2122	2026-06-26	Explainable AI for infection prevention and control: modeling CPE acquisition and patient outcomes in an Irish hospital with transformers 2025-10-22, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-025-03214-1 PMID:41126229	研究论文	提出可解释AI框架，利用Transformer模型分析爱尔兰医院电子病历数据，预测碳青霉烯酶产生肠杆菌科感染及患者结局	首次将Transformer架构（如TabTransformer）应用于医院感染控制领域，结合可解释AI技术分析CPE风险因素，并整合网络结构特征（如病房PageRank）提升预测性能	NA	建立可解释AI建模框架，分析CPE对患者结局的影响并识别关键风险因素	爱尔兰某急性医院2018-2022年间住院患者的电子病历数据	机器学习	医院感染（碳青霉烯酶产生肠杆菌科感染）	电子病历数据分析	Transformer（TabTransformer, TabNet）及传统机器学习模型	结构化表格数据（含诊断编码、病房流转、人口统计学、感染变量及接触网络特征）	2018-2022年某爱尔兰医院住院患者数据集	NA	TabTransformer, TabNet	受试者工作特征曲线下面积（AUC）、敏感度	NA
2123	2026-06-26	BCECNN: an explainable deep ensemble architecture for accurate diagnosis of breast cancer 2025-10-13, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-025-03186-2 PMID:41084046	研究论文	提出基于集成卷积神经网络的乳腺癌诊断深度学习框架BCECNN，通过集成多种CNN架构提升诊断准确性和可解释性	首次将三重集成CNN（TECNN）和五重集成CNN（QECNN）与Grad-CAM、LIME可解释性技术结合，在有限数据量下实现高精度乳腺癌诊断并验证临床实用性	基于单一AISSLab数据集（266张图像）进行验证，未在更大规模或多中心数据上测试集成策略的泛化性能	开发兼具高准确性和临床可解释性的乳腺癌诊断深度学习模型	乳腺X线图像中的恶性病变区域检测与分类	计算机视觉, 数字病理学	乳腺癌	迁移学习	卷积神经网络（CNN）	医学图像（乳腺X线图像）	266张乳腺X线图像（来自AISSLab数据集，含多个子数据集变体）	PyTorch, TensorFlow	AlexNet, VGG16, ResNet-18, EfficientNetB0, XceptionNet	准确率	NA
2124	2026-06-26	Identification of Isomerically Diverse Ginsenosides Using Engineered Aerolysin Nanopore via Non-Translocation Blockade Sensing 2025-08-04, Angewandte Chemie (International ed. in English) DOI:10.1002/anie.202506741 PMID:40456701	研究论文	通过工程化气单胞菌溶素S278K纳米孔实现非转位阻断传感，用于识别异构多样的人参皂苷	提出了一种基于工程化气单胞菌溶素S278K的非转位阻断传感新方法，通过引入S278K突变使纳米孔内腔带高度正电荷，产生强烈电渗流和增强的空间/焓障碍，有效捕获人参皂苷分子并阻止其转位，显著提高检测能力，实现30种不同糖基组成、异构现象、修饰和苷元的人参皂苷的明确识别	文中未明确提及限制，可能包括对更复杂样品的泛化能力或技术可重复性需要进一步验证	开发一种非转位纳米孔传感方法，以解决结构相似分析物（如人参皂苷）的高精度识别问题	异构多样的人参皂苷（糖苷复合物）	纳米孔传感，糖科学	NA	工程化气单胞菌溶素纳米孔传感，深度	深度学习	纳米孔信号	30种不同人参皂苷及实际样品	未明确指定	未明确指定	未明确指定	未明确指定
2125	2026-06-26	Deep Supramolecular Language Processing for Co-Crystal Prediction 2025-07, Angewandte Chemie (International ed. in English) DOI:10.1002/anie.202507835 PMID:40358977	研究论文	提出一种基于深度学习的超分子语言处理模型DeepCocrystal，用于预测共晶形成	从超分子视角处理分子字符串表示的化学语言，首次将自然语言处理技术应用于共晶预测，并集成不确定性估计和可解释AI能力	在现实场景中平衡准确率为78%，仍存在改进空间；前瞻性研究仅验证了两种新共晶，样本量有限	加速共晶发现过程以优化药物理化性质，推动药物开发	双氟尼酸（抗炎药）与其他分子的共晶组合	自然语言处理	NA	分子字符串表示	深度学习模型（基于自然语言处理的架构）	分子字符串序列	前瞻性研究验证了2种新共晶	PyTorch	Transformer	平衡准确率	NA
2126	2026-06-26	A bio-lattice deep learning framework for modeling discrete biological materials 2025-04, Journal of the mechanical behavior of biomedical materials IF:3.3Q3 DOI:10.1016/j.jmbbm.2025.106900 PMID:39891961	研究论文	提出一种结合深度神经网络、有限元法和晶格弹簧模型的机器学习多尺度框架，用于模拟离散、空间异质生物材料的力学行为	提出无假设的晶格框架描述离散单元相互作用，并建立与有限元实现一致的多尺度连接，单DNN可学习多种粒子构型和边界条件的本构方程	未讨论方法的计算效率、大规模应用可扩展性或体内生物组织的验证	开发基于机器学习的多尺度框架以高效预测离散、空间异质生物组织的力学响应	生物组织中的离散相互作用单元及空间异质材料（含软硬夹杂物、梯度多晶固体、随机构型等）	机器学习	NA	NA	深度神经网络（DNN）	NA	NA	PyTorch	深度神经网络（DNN）	NA	NA
2127	2026-06-26	Identifying invasiveness to aid lung adenocarcinoma diagnosis using deep learning and pathomics 2025-02-10, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-87094-5 PMID:39929860	研究论文	探索结合深度学习和病理组学识别肺腺癌肿瘤浸润性，辅助病理学家诊断	将深度学习与病理组学结合用于识别肺腺癌肿瘤浸润性，并验证其对初级和中级病理学家诊断精度的提升效果	样本量有限（289例），且仅针对磨玻璃结节患者，可能限制泛化性	评估深度学习和病理组学在肺腺癌肿瘤浸润性识别中的临床价值及对病理学家的辅助作用	289例手术切除的磨玻璃结节患者的全切片图像数据	数字病理学	肺腺癌	全切片图像分析	ResNet、随机森林	图像（全切片图像）	289例患者（磨玻璃结节）	PyTorch	ResNet18、ResNet34、ResNet50、随机森林	AUC、灵敏度、准确率	NA
2128	2026-06-26	Artificial Intelligence In Health And Health Care: Priorities For Action 2025-02, Health affairs (Project Hope) DOI:10.1377/hlthaff.2024.01003 PMID:39841940	评论	本文作为美国国家医学院重要方向计划的一部分，阐述了在健康与医疗领域安全、有效及公平地使用人工智能所需采取的行动步骤	从战略高度系统性地提出了在健康与医疗领域应用人工智能的四个优先方向（安全性、劳动力、科研、责任）	未提供具体的技术实施细节或实证数据支持	为即将上任的政府提供关于健康与医疗领域人工智能应用的指导性建议	美国医疗健康体系中的人工智能应用	机器学习	NA	深度学习、生成式人工智能	NA	NA	NA	NA	NA	NA	NA
2129	2026-06-26	Enhancing Molecular Network-Based Cancer Driver Gene Prediction Using Machine Learning Approaches: Current Challenges and Opportunities 2025-01, Journal of cellular and molecular medicine IF:4.3Q2 DOI:10.1111/jcmm.70351 PMID:39804102	综述	综述旨在全面探讨机器学习方法（特别是网络传播、图神经网络、自动编码器、图嵌入和注意力机制）如何增强基于分子网络的癌症驱动基因预测的可扩展性和可解释性	系统评估了深度学习（尤其是基于图的模型）在分子网络基础上预测癌症驱动基因方面的最新进展和机遇	该综述强调了当前挑战但未提供具体的实验验证或性能比较	探索机器学习方法在基于分子网络的癌症驱动基因预测中的应用，以提高可扩展性和可解释性	癌症驱动基因	机器学习	癌症	NA	图神经网络、自动编码器、图嵌入、注意力机制	分子网络数据、蛋白质-蛋白质相互作用网络、突变数据	NA	NA	网络传播模型、图神经网络、自动编码器、图嵌入、注意力机制	NA	NA
2130	2026-06-26	A computational deep learning investigation of animacy perception in the human brain 2024-12-31, Communications biology IF:5.2Q1 DOI:10.1038/s42003-024-07415-8 PMID:39741161	研究论文	通过深度学习模型探讨人类对动物感知的神经机制，特别是对类动物物体的“动物偏差”	首次在深度神经网络中成功诱导出人类特有的动物偏差，并证明该偏差可通过特定训练方法复现	未探讨其他物种的动物感知机制，且模型训练数据可能无法完全模拟人类真实感知环境	探究人类大脑对动物类物体感知偏差的计算机制	动物类物体（类动物形状的物体）及深度神经网络	机器学习	NA	深度学习神经网络训练	深度神经网络（DNNs）	图像数据	NA	NA	NA	NA	NA
2131	2026-06-26	Annotating protein functions via fusing multiple biological modalities 2024-12-27, Communications biology IF:5.2Q1 DOI:10.1038/s42003-024-07411-y PMID:39730886	研究论文	提出MIF2GO方法，通过融合多种生物模态数据注释蛋白质功能	首次提出三步融合多达六种不同生物层次模态的流程，生成高质量蛋白质表征，同时解决稀疏标签导致的次优解收敛问题	NA	通过多模态数据融合提升蛋白质功能注释的准确性和泛化能力	蛋白质功能预测与基因本体术语推断	机器学习	NA	NA	深度学习模型	多模态生物数据（序列、结构、相互作用等）	七个基准数据集	NA	NA	NA	NA
2132	2026-06-26	Improved enzyme functional annotation prediction using contrastive learning with structural inference 2024-12-23, Communications biology IF:5.2Q1 DOI:10.1038/s42003-024-07359-z PMID:39715863	研究论文	提出了一个结合对比学习和结构推理的酶功能注释预测框架CLEAN-Contact	首次将蛋白质氨基酸序列与接触图两种模态通过对比学习融合，填补了单一模态方法的空白	未明确提及局限性	提升酶功能预测的准确性	酶的功能注释	机器学习	NA	对比学习，结构推理	对比学习框架	蛋白质氨基酸序列，接触图	多个基准数据集，Prochlorococcus marinus MED4的蛋白质组	PyTorch	NA	准确性	NA
2133	2026-06-26	A deep learning framework deploying segment anything to detect pan-cancer mitotic figures from haematoxylin and eosin-stained slides 2024-12-19, Communications biology IF:5.2Q1 DOI:10.1038/s42003-024-07398-6 PMID:39702417	研究论文	提出一个名为OMG-Net的深度学习框架，用于在H&E染色的全切片图像中检测泛癌有丝分裂像	构建迄今为止最大的有丝分裂像数据集（74,620个），并采用Segment Anything模型自动勾画细胞轮廓的两阶段框架，在泛癌检测中优于现有模型	未提及具体限制	开发人工智能方法自动检测有丝分裂像，提高癌症分级准确性和效率	有丝分裂像（分裂中细胞）在H&E染色全切片图像中的检测	数字病理学	泛癌（包括乳腺癌、神经内分泌肿瘤、黑色素瘤）	H&E染色	深度学习（CNN）	图像（全切片图像）	74,620个有丝分裂像样本，结合内部软组织肿瘤数据集与五个开源数据集	PyTorch	Segment Anything Model, ResNet18	F1分数	NA
2134	2026-06-26	Machine Learning and Omics Analysis in Aortic Aneurysm 2024 Nov-Dec, Angiology IF:2.6Q2 DOI:10.1177/00033197231206427 PMID:37817423	综述	总结机器学习与深度学习在主动脉瘤组学分析中的最新进展，用于解析病理生理机制并开发个性化风险预测模型	系统综述了机器学习/深度学习在主动脉瘤组学数据分析中的应用，强调其在多组学数据整合和风险预测建模中的潜力	目前仅有少数研究报道了机器学习/深度学习在主动脉瘤组学分析中的实际应用	总结机器学习/深度学习在主动脉瘤组学分析中的最新进展，讨论当前局限并展望未来方向	主动脉瘤的组学数据（基因组学、转录组学、蛋白质组学等）	机器学习	主动脉瘤	NA	机器学习、深度学习	组学数据	NA	NA	NA	NA	NA
2135	2026-06-26	A deep-learning-based framework for identifying and localizing multiple abnormalities and assessing cardiomegaly in chest X-ray 2024-02-14, Nature communications IF:14.7Q1 DOI:10.1038/s41467-024-45599-z PMID:38355644	研究论文	基于深度学习框架，实现胸部X光片中多异常识别定位与心脏肥大评估	创建了包含165,988张胸片和253,844个边界框的大型数据集CXR-AL14，并开发了同时识别14种常见异常和计算心胸比的深度学习框架，性能优于资深放射科医生	NA	开发一个能够准确识别和定位多种异常并计算心胸比的深度学习框架，以支持临床胸部X光解读	胸部X光片中的14种常见异常和心脏肥大评估	计算机视觉	心血管疾病	X光成像	CNN	图像	165,988张胸部X光片，包含253,844个边界框	NA	NA	平均精度均值, 组内相关系数	NA
2136	2026-06-26	Urban Air-Quality Estimation Using Visual Cues and a Deep Convolutional Neural Network in Bengaluru (Bangalore), India 2024-01-09, Environmental science & technology IF:10.8Q1 DOI:10.1021/acs.est.3c04495 PMID:38104325	研究论文	使用车载摄像头视频和深度卷积神经网络估算印度班加罗尔的空气质量	首次利用视频而非静态图像，通过目标识别和运动分析获取视觉线索，并结合CNN回归模型实现实时道路污染物浓度推断	研究仅在一座城市进行，未验证模型在其他环境下的泛化性；视频质量可能受光照、天气等条件影响	开发基于视频的深度学习方法来推断道路污染物浓度	印度班加罗尔道路上的四种污染物（黑碳、颗粒物数浓度、PM质量浓度、二氧化碳）	机器学习, 计算机视觉	环境健康	视频采集, 目标检测, 光流法	CNN（卷积神经网络）	视频	50小时车载道路测量数据	NA	回归CNN	归一化均方根误差	NA
2137	2026-06-26	Deep learning based predictive modeling to screen natural compounds against TNF-alpha for the potential management of rheumatoid arthritis: Virtual screening to comprehensive in silico investigation 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0303954 PMID:39636801	研究论文	采用深度学习方法虚拟筛选天然化合物以抑制TNF-α，用于类风湿关节炎的潜在管理	将深度学习预测模型与虚拟筛选、分子对接、ADMET评估及分子动力学模拟相结合，系统筛选天然化合物针对TNF-α的潜在抑制剂	未提及体外或体内实验验证，结果完全基于计算预测	寻找治疗类风湿关节炎的天然化合物候选药物	TNF-α蛋白及天然化合物库	机器学习	类风湿关节炎	分子对接, ADMET分析, 分子动力学模拟	深度学习预测模型	分子结构数据	2563个天然化合物	NA	NA	MSE, MAPE, MAE	NA
2138	2026-06-26	trRosettaRNA: automated prediction of RNA 3D structure with transformer network 2023-11-09, Nature communications IF:14.7Q1 DOI:10.1038/s41467-023-42528-4 PMID:37945552	研究论文	开发了一个基于深度学习的自动化RNA三维结构预测方法trRosettaRNA，使用Transformer网络预测一维和二维几何特征，再通过能量最小化进行三维结构折叠	首次将Transformer网络应用于RNA结构预测，在CASP15和RNA-Puzzles盲测中达到与顶级人工预测相当的水平，且优于其他深度学习方法	对于合成RNA的结构预测仍具挑战性，自动化方法难以准确预测其结构	解决RNA三维结构预测这一长期挑战，推动深度学习在RNA结构预测中的应用	天然RNA和合成RNA的三维结构	机器学习	不适用	深度学习	Transformer网络	序列数据	不适用	不适用	Transformer	Z-score, 均方根偏差	不适用
2139	2026-06-26	Efficient and accurate large library ligand docking with KarmaDock 2023-09, Nature computational science IF:12.0Q1 DOI:10.1038/s43588-023-00511-5 PMID:38177786	研究论文	提出一种名为KarmaDock的深度学习配体对接方法，集成了对接加速、结合姿态生成与校正以及结合强度估计功能	首次将E(n)等变图神经网络与自注意力机制应用于配体对接，通过端到端学习同时优化对接速度、姿态质量和结合亲和度精度	NA	开发一种高效且准确的深度学习方法用于大规模文库配体对接，以提升虚拟筛选性能	配体对接的准确性和效率，以及发现的潜在药物分子	机器学习	NA	NA	E(n)等变图神经网络、混合密度网络	分子结构（蛋白质与配体）	四个基准数据集和一个实际虚拟筛选项目（涉及白细胞酪氨酸激酶LTK的活性抑制剂筛选）	NA	E(n)等变图神经网络、自注意力机制、混合密度网络	对接速度、姿态质量、结合亲和度	NA
2140	2026-06-26	Automatic International Hidradenitis Suppurativa Severity Score System (AIHS4): A novel tool to assess the severity of hidradenitis suppurativa using artificial intelligence 2023-Jun, Skin research and technology : official journal of International Society for Bioengineering and the Skin (ISBS) [and] International Society for Digital Imaging of Skin (ISDIS) [and] International Society for Skin Imaging (ISSI) IF:2.0Q3 DOI:10.1111/srt.13357 PMID:37357665	研究论文	介绍了一种基于深度学习的自动化脓性汗腺炎严重程度评分系统（AIHS4），用于评估化脓性汗腺炎严重程度	首次利用深度学习模型（YOLOv5架构）实现IHS4的自动评分，并采用多专家注释和知识统一算法处理数据	当前数据集规模有限，可能影响模型泛化能力	开发可替代人工IHS4评分的自动评估工具，减少观察者间变异性和对专家经验的依赖	化脓性汗腺炎患者的皮肤图像	计算机视觉	化脓性汗腺炎	图像处理	CNN	图像	Legit.Health-HS-IHS4数据集，包含由六位专家标注的化脓性汗腺炎图像	PyTorch	YOLOv5	与最专业医师相当的性能	NA