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
2201	2026-09-09	Self-supervised representation learning on gene expression data 2025-11-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf533 PMID:41028963	研究论文	本研究探讨在批量基因表达数据上应用自监督学习方法进行表型预测，验证其有效性和优势	首次将自监督学习方法应用于批量RNA-Seq数据，评估多种自监督方法在基因表达数据上的表现，并提供使用建议	未提及具体硬件配置或大规模实验，可能需更多验证数据	评估自监督学习方法在基因表达数据表型预测中的潜力，减少对标注数据的依赖	批量基因表达数据（bulk RNA-Seq）及对应的表型	机器学习	NA	RNA-Seq	自监督学习模型（具体类型未明确）	基因表达数据	多个公开基因表达数据集（具体数量未提及）	NA	NA	预测准确性（具体指标未明确）	NA
2202	2026-09-09	RNAtive to recognize native-like structure in a set of RNA 3D models 2025-11-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf601 PMID:41183118	研究论文	本文介绍RNAtive，首个利用共识推导的二级结构进行RNA三维模型无参考评估的计算工具	首次将共识原理应用于RNA三维模型评估，引入条件加权共识模式和模糊集处理交互网络，并整合用户定义的二维结构约束	摘要中未提供明确的局限性信息	开发RNAtive工具，用于无参考地评估RNA三维结构模型，识别类天然构象	RNA三维结构模型，特别是来自CASP15竞赛的预测模型	生物信息学	不适用	计算建模，共识分析	不适用	RNA三维结构数据	基于CASP15竞赛数据进行基准测试，具体样本数量未在摘要中提及	不适用	不适用	准确性，基于二分类的评分	网络服务器
2203	2026-09-09	Multimodal Multitask Learning for Predicting Depression Severity and Suicide Risk Using Pretrained Audio and Text Embeddings: Methodology Development and Application 2025-10-30, JMIR medical informatics IF:3.1Q2 DOI:10.2196/66907 PMID:41166502	研究论文	本研究提出了一种结合多任务学习、多模态学习和迁移学习的框架，利用预训练音频和文本嵌入进行抑郁症严重程度和自杀风险的联合分类	将多任务学习、多模态融合和迁移学习集成到单一框架中，同时预测抑郁症严重程度和自杀风险，并比较不同预训练嵌入组合的效果	建议谨慎实施多任务学习以减少潜在负迁移效应	评估多任务学习、多模态学习和迁移学习结合方法对深度学习模型在抑郁症严重程度和自杀风险联合分类中的效能提升	100名抑郁症患者和100名健康对照者的中文录音和临床问卷评分数据	多模态学习	抑郁症	预训练嵌入（wav2vec 2.0, HuBERT, ERNIE-health）	多任务学习模型	音频和文本数据	200个样本（100名抑郁症患者和100名健康对照者）	NA	NA	AUC	NA
2204	2026-09-09	Rapid Liver Fibrosis Evaluation Using the UNet-ResNet50-32 × 4d Model in Magnetic Resonance Elastography: Retrospective Study 2025-10-20, JMIR medical informatics IF:3.1Q2 DOI:10.2196/80351 PMID:41115237	研究论文	本研究旨在开发和评估基于深度学习的分割模型，用于使用磁共振弹性成像图像自动评估肝纤维化严重程度，并比较传统U-Net模型和UNet-ResNet50-32×4d架构模型的性能。	提出并评估了UNet-ResNet50-32×4d架构模型在MRE图像分割中的性能，该模型在准确性和与人工标注的一致性方面优于传统U-Net模型。	文章未提及具体的局限性。	旨在开发并评估基于深度学习的自动分割模型，以利用MRE图像无创评估肝纤维化严重程度，提高临床工作流程。	319例患者（2018年1月至2020年12月期间纳入）的MRE图像。	医学影像分析	肝纤维化	磁共振弹性成像（MRE）	UNet-ResNet50-32×4d	MRE图像	319例患者的MRE图像	NA	U-Net, ResNet50-32×4d	相关系数, 交并比, Dice系数	NA
2205	2026-09-09	UAMRL: multi-granularity uncertainty-aware multimodal representation learning for drug-target affinity prediction 2025-10-02, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf512 PMID:41025463	研究论文	提出一种基于不确定性感知的多模态表示学习框架UAMRL，用于药物-靶点亲和力预测，以提高预测精度和决策透明度。	引入基于正态-逆伽马分布的不确定性量化机制，用于建模多模态数据的可靠性并抑制不可靠信息的融合，从而提升预测性能。	摘要中未提及明确的局限性。	开发一种不确定性感知的多模态表示学习框架，以解决药物-靶点亲和力预测中的多模态数据异质性和模型可解释性不足的问题。	药物和靶点（蛋白质）的多模态数据。	机器学习	NA	NA	深度学习（具体模型未在摘要中明确）	多模态数据（包括化合物和蛋白质的数据）	多个公共DTA数据集（数量未具体说明）	NA	双流编码器	预测准确率等（具体指标未在摘要中明确）	NA
2206	2026-09-09	MRI-based habitat analysis for Intratumoral heterogeneity quantification combined with deep learning for HER2 status prediction in breast cancer 2025-10, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2025.110429 PMID:40414575	研究论文	本研究旨在建立基于MRI的肿瘤内异质性（ITH）量化模型，并结合深度学习预测乳腺癌中HER2表达状态	创新性地将MRI影像中的肿瘤内异质性量化与深度学习结合，用于预测乳腺癌HER2状态，特别是区分HER2-low和HER2-zero亚型	未在文摘中明确提及	利用MRI影像建立预测模型，非侵入性预测乳腺癌HER2表达状态，以辅助治疗决策	340例经病理证实的浸润性乳腺癌患者	医学影像分析	乳腺癌	动态对比增强磁共振成像（DCE-MRI）	深度学习模型（未指定具体架构，如CNN等）	MRI影像数据	340例患者	NA	NA	AUC（曲线下面积）	NA
2207	2026-09-09	Fully automated measurement of aortic pulse wave velocity from routine cardiac MRI studies 2025-10, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2025.110442 PMID:40451442	研究论文	开发了一种基于深度学习的全自动方法，从常规心脏MRI图像中测量主动脉脉搏波速度，无需特殊序列或人工分析。	首次实现从标准2D横轴SSFP定位图像和单相位对比成像平面全自动测量主动脉PWV，使用两个深度学习模型分别进行3D主动脉分割和相位对比图像分割，整个流程无需特殊扫描序列，并已在大规模生物库数据上验证。	依赖心脏MRI中特定序列图像，对图像质量或患者体位变化敏感可能导致部分受试者分析失败；方法仅针对主动脉PWV，未涵盖其他心血管生物标志物。	实现从常规心脏MRI序列中完全自动测量主动脉PWV，促进其在临床和大型队列研究中的广泛应用。	主动脉路径长度、血流曲线、脉搏传输时间、PWV测量	医学影像分析, 深度学习	心血管疾病	心脏MRI（SSFP定位序列和相位对比成像）	深度学习模型（具体类型未指定，可能为卷积神经网络）	MRI图像	外部临床数据集（具体数量未明确）及UK Biobank的1053名受试者	NA	NA	Dice系数、均值±标准差、P值、成功率、PWV中位数及增长率	NA
2208	2026-09-09	TinyHLAnet: A Light-Weight 3D Structure-Aware Architecture for Rapid and Explainable Identification of CD8+ T-Cell Antigens 2025-10, HLA IF:5.9Q1 DOI:10.1111/tan.70410 PMID:41044839	研究论文	开发了一种名为TinyHLAnet的轻量级3D结构感知深度学习架构，用于快速且可解释地预测CD8+ T细胞抗原与HLA I类分子的结合。	基于肽-HLA I类复合物接触形成的领域知识，将结合亲合力预测分解为多个子问题，并进一步分解为三部分，从而大幅减少参数数量，在保持预测精度的同时提高吞吐量。	摘要未明确提及局限性，但可能包括对特定HLA等位基因或肽序列的泛化能力有限。	开发一种快速、可解释且个性化的CD8+ T细胞表位预测方法，解决现有计算方法在速度和可解释性上的不足。	CD8+ T细胞表位，即肽-HLA I类复合物。	深度学习	不适用	深度学习	深度学习架构（TinyHLAnet）	肽序列和HLA I类分子结构数据	未提供具体样本数量	未明确说明	TinyHLAnet（包含TinyHLAnet-SCAN和TinyHLAnet-ESCAPE变体）	预测准确性和吞吐量	未明确说明
2209	2026-09-09	Study on predicting breast cancer Ki-67 expression using a combination of radiomics and deep learning based on multiparametric MRI 2025-09, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2025.110401 PMID:40360135	研究论文	本研究开发了一种结合多参数乳腺MRI影像组学与深度学习的多模态模型，用于预测乳腺癌术前Ki-67表达状态	首次融合多参数MRI（T1WI、DWI、T2WI和DCE-MRI）的影像组学特征与深度学习，构建多模态模型预测Ki-67表达，显著提高了预测性能	样本量有限（176例），且未在外部数据集验证模型的泛化能力	开发并验证基于多参数MRI的影像组学与深度学习多模态模型，用于无创预测乳腺癌Ki-67表达状态，以支持个体化治疗与精准医学	176例浸润性乳腺癌患者的术前多参数MRI图像及对应的Ki-67表达结果	医学影像分析，深度学习	乳腺癌	多参数MRI，影像组学	深度学习模型（具体未见明确，但结合影像组学和深度学习）	医学影像（MRI）	176例（浸润性乳腺癌患者，训练集占70%，测试集占30%）	NA	NA	AUC、准确度、敏感性、特异性、阳性预测值、阴性预测值、F1分数	NA
2210	2026-09-09	Accelerating prostate rs-EPI DWI with deep learning: Halving scan time, enhancing image quality, and validating in vivo 2025-09, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2025.110418 PMID:40368253	研究论文	本研究评估了基于深度学习超分辨率技术（特别是MSSNet）在减少前列腺rs-EPI DWI扫描时间的同时保持图像质量的可行性和有效性	首次应用多尺度自相似网络（MSSNet）于前列腺rs-EPI DWI成像，实现扫描时间减半并提升图像质量	未明确提及，可能包括样本量有限或需要进一步多中心验证	评估深度学习超分辨率技术在减少高分辨率前列腺扩散加权成像扫描时间同时保持图像质量的可行性	前列腺rs-EPI DWI数据（回顾性和前瞻性）	医学影像	前列腺癌	MRI	深度学习超分辨率模型（MSSNet）	图像	未明确说明样本数量，但涉及回顾性和前瞻性前列腺rs-EPI DWI数据	NA	MSSNet（多尺度自相似网络）	SSIM, PSNR, NRMSE, ADC, SNR	NA
2211	2026-09-09	Colorectal Liver Metastasis Pathomics Model: Integrating Single-Cell and Spatial Transcriptome Analysis With Pathomics for Predicting Liver Metastasis in Colorectal Cancer 2025-09, Modern pathology : an official journal of the United States and Canadian Academy of Pathology, Inc IF:7.1Q1 DOI:10.1016/j.modpat.2025.100805 PMID:40473111	研究论文	本研究通过整合单细胞RNA测序和空间转录组分析，识别出触发肝转移的恶性细胞类型，并基于此开发了一个深度学习模型（结直肠癌肝转移病理组学模型）来预测结直肠癌患者的肝转移风险	首次将单细胞与空间转录组分析结合病理组学，利用弱监督学习在无需人工标注的情况下构建预测结直肠癌肝转移的深度学习模型，并识别出特定的细胞通讯轴（COL1A1-CD44/SDC4 和 LAMA4-CD44）促进肝转移	仅基于标题和摘要，未提及明确局限性，可能包括外部验证队列规模有限、模型泛化性需进一步验证等	开发一种基于病理组学的深度学习模型，以预测结直肠癌患者的肝转移风险，并识别肝转移触发细胞及其通讯机制	结直肠癌患者，包括肝转移和非肝转移患者，以及其病理切片和转录组数据	数字病理学	结直肠癌	单细胞RNA测序、空间转录组分析、批量RNA测序	深度学习模型（ResNet18）	病理全切片图像、单细胞转录组数据、空间转录组数据、批量RNA测序数据	内部测试集为TCGA-CRC组织学图像，外部验证集包括西南医科大学附属医院和西南医科大学附属中医医院的两个队列（具体样本数未在摘要中给出）	PyTorch（推断，未明确）	ResNet18	AUC	未提及（推断使用GPU，但摘要未提供具体型号）
2212	2026-09-09	Multimodal CustOmics: A unified and interpretable multi-task deep learning framework for multimodal integrative data analysis in oncology 2025-06, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1013012 PMID:40526743	研究论文	提出了一种统一且可解释的多任务深度学习框架Multimodal CustOmics，用于肿瘤学中全切片图像和多组学数据的整合分析	提出了一个可解释的多模态融合框架，能够在通路和基因水平上提取各模态活性及其交互评分，并扩展富集分析到空间数据	文中未明确提及局限性，但可能涉及数据缺失处理的鲁棒性有待进一步验证	开发一种可解释的深度学习框架，用于精准医学中多组学和组织病理学数据的整合分析	多种TCGA数据集和验证队列中的癌症数据，包括组织学图像和分子谱	数字病理学、机器学习	肿瘤	多组学测序、组织病理成像	多任务深度学习模型	组织学图像和多组学数据	涉及多个TCGA数据集和验证队列，具体数量未在摘要中提供	NA	NA	NA（提到优于state-of-the-art方法，但未指定具体指标）	NA
2213	2026-09-09	The role of learned song in the evolution and speciation of Eastern and Spotted towhees 2025-06, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1013135 PMID:40526780	研究论文	本研究通过分析东部和斑驳鹀的歌声特征，利用机器学习模型评估歌曲在物种识别中的作用，并探讨其在生殖隔离中的贡献。	首次利用大规模公民科学录音和多种机器学习模型量化分析两个姊妹种的歌曲分化，并评估其在物种形成中的潜在作用。	遗传数据样本有限，且无法完全排除环境因素对歌曲特征的影响。	探究学习性歌曲在东部和斑驳鹀进化及物种形成中的作用，特别是其在生殖隔离中的功能。	东部鹀和斑驳鹀的歌曲录音及其公开遗传数据。	数字病理学、机器学习	不适用	声学分析、机器学习分类	卷积神经网络、随机森林、梯度提升机、深度学习模型	音频录音、遗传数据	未明确说明样本量，但使用了大规模公民科学录音。	未明确说明，可能包括Scikit-learn、TensorFlow或PyTorch。	卷积神经网络（CNN）	准确性	未提及，使用NA。
2214	2026-09-09	RETINA: Reconstruction-based pre-trained enhanced TransUNet for electron microscopy segmentation on the CEM500K dataset 2025-05, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1013115 PMID:40435368	研究论文	提出RETINA方法，结合在CEM500K数据集上的预训练与混合神经网络架构，实现电子显微镜图像中细胞结构的自动分割	结合大规模无标记EM图像预训练与融合局部卷积和全局Transformer的混合架构，提升跨数据集分割泛化性能	未在摘要中明确说明	开发一种在多样电子显微镜数据集上具有良好泛化性能的自动化细胞结构分割方法	CEM500K数据集中的电子显微镜图像及细胞结构	计算机视觉	不适用	深度学习方法用于图像分割	TransUNet	图像	CEM500K数据集，未指定具体数量	NA	TransUNet, Transformer, 卷积层	未明确列出，但提及分割性能优于现有模型	NA
2215	2026-09-09	Cellpose as a reliable method for single-cell segmentation of autofluorescence microscopy images 2025-02-14, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-82639-6 PMID:39952935	研究论文	本研究验证了Cellpose深度学习网络在自发荧光显微图像中用于单细胞分割的可靠性，并开发了针对NAD(P)H图像的自动荧光训练模型。	首次将Cellpose应用于自发荧光显微图像的单细胞分割，并针对低信噪比图像训练了专用模型，提高了分割的重复性和准确性。	未明确提及，但可能依赖于手动分割掩膜进行训练，且测试范围仅限于特定细胞类型和治疗条件。	验证Cellpose在自发荧光显微图像中单细胞分割的可靠性，并评估其在2D和3D细胞培养中的功能变化捕捉能力。	PANC-1细胞和来自9名患者的癌症类器官，均在化疗或代谢抑制剂处理下观察。	计算机视觉	癌症	自发荧光显微镜，多光子成像，荧光寿命成像显微镜（FLIM）	深度学习网络（Cellpose）	图像（自发荧光显微图像，包括NAD(P)H强度图像和FLIM图像）	PANC-1细胞和来自9名患者的癌症类器官样本	未明确提及，但Cellpose通常基于PyTorch	Cellpose（可能基于U-Net架构）	Dice得分，相关性（R值），均值、方差和效应大小比较	未在标题和摘要中提及，因此为不适用（NA）
2216	2026-09-09	Early detection of Parkinson's disease using a multi area graph convolutional network 2025-02-14, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-82027-0 PMID:39952991	研究论文	本研究提出了一种多区域注意力时空有向图卷积网络（Ma-ST-DGN），用于早期检测帕金森病，通过分析步态视频数据实现高精度诊断	引入了多区域自注意力机制和有向图重构人体骨骼特征，能够自适应关注不同区域的关键信息并有效融合全局与局部特征，提高了对帕金森病细微运动异常的敏感性	文中未提及明确的局限性	提高早期帕金森病检测的准确性，并增强运动识别模型的鲁棒性	帕金森病患者和健康个体的步态视频数据	计算机视觉	帕金森病	视频分析	图卷积网络	视频	95名帕金森病患者和96名健康个体的行走视频	NA	Ma-ST-DGN	准确率	NA
2217	2026-09-09	Serum Potassium Monitoring Using AI-Enabled Smartwatch Electrocardiograms 2024-12, JACC. Clinical electrophysiology DOI:10.1016/j.jacep.2024.07.023 PMID:39387744	研究论文	本研究开发并验证了一种基于人工智能的心电图算法，用于从智能手表生成的单导联心电图中预测终末期肾病患者的血清钾水平。	首次利用AI-ECG算法在智能手表单导联心电图上预测血清钾水平，并进行了多中心、前瞻性国际队列验证。	文章标题和摘要中未提及局限性。	开发并验证一种AI-ECG算法，以利用智能手表生成的心电图波形预测终末期肾病患者的血清钾水平。	终末期肾病患者。	机器学习	慢性肾病	心电图	深度学习模型	心电图信号	训练集包括152,508名患者的293,557份心电图；微调集包括1,463名ESRD患者的4,337份心电图；外部验证集和前瞻性国际队列分别来自斯坦福医疗中心（SHC）和长庚纪念医院的40名ESRD患者。	NA	Kardio-Net	AUC, 平均绝对误差（MAE）	NA
2218	2026-09-09	Protocol to perform integrative analysis of high-dimensional single-cell multimodal data using an interpretable deep learning technique 2024-06-21, STAR protocols IF:1.3Q4 DOI:10.1016/j.xpro.2024.103066 PMID:38748882	研究论文	本文展示了一种使用可解释深度学习技术moETM对高维单细胞多模态数据进行整合分析的操作流程，包括数据预处理、多组学整合、先验通路知识纳入和跨组学插补。	提出了一种名为moETM的可解释深度学习方法，专门用于高维单细胞多模态数据的整合分析。	NA	提供一种可解释的深度学习技术moETM，用于单细胞多模态数据整合分析，并给出详细操作步骤。	单细胞多模态数据，特别是来自骨髓单核细胞的多组学数据。	机器学习	NA	单细胞多组学测序技术（如scRNA-seq、scATAC-seq等）	深度学习（moETM，基于主题模型的深度学习方法）	单细胞多模态数据（例如基因表达、染色质可及性等）	使用了GSE194122数据集中的人骨髓单核细胞样本	NA	moETM（基于ETM的主题模型架构）	NA	NA
2219	2026-09-09	A deep learning framework for denoising and ordering scRNA-seq data using adversarial autoencoder with dynamic batching 2024-06-21, STAR protocols IF:1.3Q4 DOI:10.1016/j.xpro.2024.103067 PMID:38748883	研究论文	介绍了一个基于动态批处理对抗自编码器的深度学习框架DB-AAE，用于单细胞RNA测序数据的去噪和排序	提出了动态批处理对抗自编码器（DB-AAE）框架，通过动态调整批处理策略来改善去噪效果和细胞排序	未明确提及局限性，可能依赖于具体数据集且需进一步验证泛化性	开发一种深度学习框架用于scRNA-seq数据的去噪和细胞排序，以提高数据分析准确性	单细胞RNA测序（scRNA-seq）数据	机器学习	NA	scRNA-seq	对抗自编码器（AAE）	基因表达数据	NA	NA	自编码器、对抗网络	NA	NA
2220	2026-09-09	Discovery of antibiotics that selectively kill metabolically dormant bacteria 2024-04-18, Cell chemical biology IF:6.6Q1 DOI:10.1016/j.chembiol.2023.10.026 PMID:38029756	研究论文	本研究结合静态期筛选方法与深度学习虚拟筛选及毒性过滤，发现能选择性杀死代谢休眠细菌的抗生素，并揭示其作用机制	采用非传统筛选方法（静态期筛选）与深度学习模型结合，发现针对代谢休眠细菌的选择性抗生素，突破了传统筛选偏好活性代谢细胞的局限，并揭示药物通过结合脂多糖破坏外膜的新机制	摘要中未提及明显的局限性，但可能涉及化合物在体内有效性和安全性验证不足等未知限制	发现并开发非毒性、针对代谢休眠细菌有效的抗生素，以应对慢性感染和抗生素耐药性问题	代谢休眠细菌（包括大肠杆菌和鲍曼不动杆菌）及抗炎药物塞马莫德	机器学习	细菌感染性疾病	深度学习虚拟筛选、静态期筛选、微生物学检测、生化测量、单细胞显微镜	深度学习模型	化合物结构数据、微生物学图像及生化数据	未明确，涉及多种化合物和细菌菌株（大肠杆菌、鲍曼不动杆菌）	未提及具体框架，可能涉及常用深度学习框架	未明确指定，可能采用常用的神经网络架构	未明确提及具体指标，可能包括杀伤效率和毒性相关指标	未提及具体计算资源