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
2421	2026-03-06	Using the latent diffusion model to enhance time-resolved laser speckle contrast imaging (TR-LSCI) of cerebral blood flow 2025-Oct-01, Biomedical optics express IF:2.9Q2 DOI:10.1364/BOE.567377 PMID:41112794	研究论文	本研究开发了一种结合时间分辨激光散斑对比成像（TR-LSCI）与潜在扩散模型（LTDiff++）的框架，用于增强脑血流成像的深度分辨能力和图像质量	将多尺度潜在扩散模型（LTDiff++）集成到TR-LSCI分析流程中，有效抑制光子扩散噪声，并仅需5帧平均即可维持图像质量，相比传统100帧平均方法将采集时间缩短了20倍	研究在头部模拟体模和新生大鼠上进行训练和验证，尚未在更广泛或更复杂的临床场景中进行大规模验证	开发一种能够实现高时空分辨率、深度敏感且快速的脑血流成像方法，以用于神经疾病的准确诊断和有效管理	脑血流（CBF）	计算机视觉	神经系统疾病	时间分辨激光散斑对比成像（TR-LSCI），皮秒脉冲激光照明，门控模式SPAD512相机	扩散模型	图像	使用头部模拟体模和新生大鼠脑血流图像进行训练和验证	NA	多尺度潜在扩散模型（LTDiff++）	图像质量（通过结构特征和血管特征保存情况评估）	NA
2422	2026-03-06	Detecting Diverse Seizure Types with Wrist-Worn Wearable Devices: A Comparison of Machine Learning Approaches 2025-Sep-06, Sensors (Basel, Switzerland) DOI:10.3390/s25175562 PMID:40942991	研究论文	本研究评估了腕戴式可穿戴设备结合机器学习方法在检测多种癫痫发作类型（包括局灶性、全身性和亚临床发作）方面的可行性和有效性	将腕戴式可穿戴设备的应用范围从传统的全身强直阵挛发作扩展到多种非运动性癫痫发作类型，并系统比较了多种机器学习策略在不同发作类型上的性能	对于非运动性发作类型（如亚临床发作和意识障碍性发作）的检测性能仍然有限，假阳性率较高，且样本量较小（仅28名患者）	评估腕戴式可穿戴设备结合机器学习方法检测多种癫痫发作类型的可行性	28名在梅奥诊所接受住院视频脑电图监测的癫痫患者	机器学习	癫痫	腕戴式可穿戴设备（Empatica E4）多生物信号采集	XGBoost, LSTM, CNN, Transformer	多模态生物信号数据（加速度、血容量脉冲、皮肤电活动、皮肤温度、心率）	28名患者	NA	LSTM, CNN, Transformer, ROCKET, MultiROCKET	AUROC, SW-Recall, FA/h	NA
2423	2026-03-06	AlphaFold model quality self-assessment improvement via deep graph learning 2025-Sep, Protein science : a publication of the Protein Society IF:4.5Q1 DOI:10.1002/pro.70274 PMID:40823963	研究论文	本文提出了一种名为EQAFold的增强框架，通过深度图学习改进AlphaFold模型的质量自评估能力	通过改进AlphaFold的局部距离差异测试预测头，利用等变图神经网络生成更准确的自信心分数	未明确说明模型在特定蛋白质类型或复杂结构上的性能局限性	提高蛋白质结构计算建模中自评估置信度指标的可靠性	蛋白质三维结构模型	计算生物学	NA	深度学习	等变图神经网络	蛋白质结构坐标数据	NA	PyTorch	AlphaFold2改进架构	局部距离差异测试	NA
2424	2026-03-06	Interpretable deep learning framework for understanding molecular changes in human brains with Alzheimer's disease: implications for microglia activation and sex differences 2025-Jul-16, npj aging IF:4.1Q2 DOI:10.1038/s41514-025-00258-5 PMID:40670382	研究论文	本研究开发了一个可解释的深度学习框架，用于分析阿尔茨海默病患者大脑组织的RNA-seq数据，以揭示不同脑区的分子变化，特别是小胶质细胞激活和性别差异	首次利用可解释的深度学习框架系统分析AD不同脑区的转录组特征，并首次发现与AD女性更显著神经元丢失相关的性别连锁转录因子对(ZFX/ZFY)	研究基于批量组织RNA-seq数据，可能掩盖细胞类型特异性变化；模型性能依赖于特定数据集	利用人工智能方法在分子水平研究阿尔茨海默病，发现新的疾病生物学机制和潜在生物标志物	阿尔茨海默病患者与对照者的大脑组织样本	生物信息学, 深度学习	阿尔茨海默病	RNA-seq, 基因共表达网络分析	MLP	RNA-seq基因表达数据	来自ROSMAP研究的三个脑区数据，并在MAYO和MSBB两个外部队列中验证	未明确指定	多层感知器	分类性能, 预测性能	NA
2425	2026-03-06	Phase-augmented deep learning for cell segmentation in wrapped quantitative phase images 2025-Jul-01, Biomedical optics express IF:2.9Q2 DOI:10.1364/BOE.566950 PMID:40677815	研究论文	本文提出了一种相位增强的深度学习方法，用于在包裹定量相位图像中进行细胞分割	通过数据增强策略引入全局相位偏移，使网络能够区分真实形态特征与相位包裹伪影，从而提高分割精度并无需解包裹处理	NA	定量研究细胞粘附与脱离过程，以单细胞精度分析细胞形态	细胞	计算机视觉	NA	调制光学计算机相位显微镜（M-OCPM）	CNN	图像	NA	NA	U-Net	分割精度	NA
2426	2026-03-06	Identifying kinematic biomarkers of the dystrophic phenotype in a zebrafish model of Duchenne muscular dystrophy 2025-Jun-20, Skeletal muscle IF:5.3Q2 DOI:10.1186/s13395-025-00382-6 PMID:40542412	研究论文	本研究利用高速摄像和基于深度学习的无标记运动捕捉技术，量化杜氏肌营养不良症斑马鱼模型的逃避反应游泳运动学，识别出区分突变体与野生型幼虫的关键生物标志物	首次将无标记运动捕捉与机器学习预测模型结合，用于斑马鱼杜氏肌营养不良模型的运动学分析，提供了高精度、可重复的游泳运动学评估方法	研究仅针对两种斑马鱼突变体（sapje和sapje-like），未涵盖其他杜氏肌营养不良模型或更广泛的运动障碍疾病	识别杜氏肌营养不良表型的运动学生物标志物，并探究其潜在机制	杜氏肌营养不良症斑马鱼模型（sapje和sapje-like突变体）的幼虫	计算机视觉	杜氏肌营养不良症	高速摄像，无标记运动捕捉	随机森林，支持向量机	视频	两种斑马鱼突变体（sapje和sapje-like）的幼虫，具体数量未在摘要中明确	NA	NA	效应大小（标准偏差）	NA
2427	2026-03-06	Combining Ultrasound Imaging and Molecular Testing in a Multimodal Deep Learning Model for Risk Stratification of Indeterminate Thyroid Nodules 2025-May, Thyroid : official journal of the American Thyroid Association IF:5.8Q1 DOI:10.1089/thy.2024.0584 PMID:40256961	研究论文	本研究提出了一种融合超声成像与分子检测的多模态深度学习模型，用于改善不确定甲状腺结节的恶性风险分层	首次将超声成像与分子检测数据结合，构建多模态深度学习模型，以互补信息提升诊断性能，特别是阳性预测值和特异性	研究基于单中心数据集，缺乏外部验证，且使用了二值化的分子检测输出而非细粒度的恶性风险概率	改善不确定甲状腺结节的恶性风险分层，减少不必要的良性结节切除手术	不确定细胞学分类（Bethesda III和IV级）的甲状腺结节	数字病理	甲状腺癌	下一代测序，超声成像	深度学习	图像，分子检测数据	333名患者（259个良性结节，74个恶性结节）	未明确提及	集成模型（融合了全帧图像、256×256图像块、128×128图像块三种配置）	AUROC，灵敏度，特异性，阳性预测值	未明确提及
2428	2026-03-06	Deep learning segmentation of periarterial and perivenous capillary-free zones in optical coherence tomography angiography 2025-05, Journal of biomedical optics IF:3.0Q2 DOI:10.1117/1.JBO.30.5.056005 PMID:40342523	研究论文	本研究开发并评估了深度学习模型，用于自动化分割光学相干断层扫描血管成像中的动脉周围和静脉周围毛细血管无灌注区，以辅助糖尿病视网膜病变的早期检测	首次将深度学习模型（包括CNN和ViT）应用于自动化分割动脉周围和静脉周围毛细血管无灌注区，并引入定量特征作为糖尿病视网膜病变的潜在生物标志物	研究仅涉及健康对照组、无糖尿病视网膜病变的糖尿病患者和轻度糖尿病视网膜病变患者，未包括中重度病例，且样本量有限	开发并评估深度学习模型，用于精确分割光学相干断层扫描血管成像中的毛细血管无灌注区，并探索其作为糖尿病视网膜病变生物标志物的潜力	光学相干断层扫描血管成像图像，来自健康对照组、无糖尿病视网膜病变的糖尿病患者和轻度糖尿病视网膜病变患者	计算机视觉	糖尿病视网膜病变	光学相干断层扫描血管成像	CNN, ViT	图像	涉及健康对照组、无糖尿病视网膜病变的糖尿病患者和轻度糖尿病视网膜病变患者的多组OCTA图像	NA	UNet, UNet++, TransUNet, Segformer, EfficientNet-b7	平均交并比, Dice系数	NA
2429	2026-03-06	SORBET: Automated cell-neighborhood analysis of spatial transcriptomics or proteomics for interpretable sample classification via GNN 2025-Apr-21, bioRxiv : the preprint server for biology DOI:10.1101/2023.12.30.573739 PMID:38260586	研究论文	本文提出了一种名为SORBET的几何深度学习框架，用于分析空间转录组学或蛋白质组学数据，通过图神经网络实现可解释的样本分类	SORBET是首个在空间转录组学数据上进行表型预测的方法，利用图卷积网络直接建模相邻细胞图，无需将完整细胞谱压缩为有限注释（如细胞类型），并采用新颖的数据增强技术和可解释性分析	NA	开发一个自动化细胞邻域分析框架，以整合空间信息与多重分子数据，准确预测临床表型，如免疫治疗反应	转移性黑色素瘤、非小细胞肺癌和结直肠癌样本	数字病理学	黑色素瘤, 非小细胞肺癌, 结直肠癌	空间转录组学（CosMx）, 空间蛋白质组学（IMC, CODEX）	图卷积网络（GNN）	空间转录组学数据, 空间蛋白质组学数据	NA	PyTorch	图卷积网络	准确性	NA
2430	2026-03-06	AutoRADP: An Interpretable Deep Learning Framework to Predict Rapid Progression for Alzheimer's Disease and Related Dementias Using Electronic Health Records 2025-Apr-07, medRxiv : the preprint server for health sciences DOI:10.1101/2025.04.06.25325337 PMID:40297450	研究论文	提出了一种基于可解释深度学习的框架AutoRADP，用于利用电子健康记录预测阿尔茨海默病及相关痴呆症的快速进展	结合基于规则的自然语言处理从临床笔记中提取关键认知评估，采用混合采样策略处理数据不平衡，并利用SHAP值提供可解释的预测	仅使用了UFHealth的单中心数据，未明确提及外部验证	开发一个准确且可解释的模型来预测阿尔茨海默病及相关痴呆症的快速进展	阿尔茨海默病及相关痴呆症患者	自然语言处理, 机器学习	阿尔茨海默病, 痴呆症	基于规则的自然语言处理, 特征选择, 混合采样	自编码器	结构化电子健康记录数据, 非结构化临床笔记	NA	NA	自编码器	NA	NA
2431	2026-03-06	Foundation model of neural activity predicts response to new stimulus types 2025-Apr, Nature IF:50.5Q1 DOI:10.1038/s41586-025-08829-y PMID:40205215	研究论文	本研究通过收集大量小鼠视觉皮层的神经活动数据，训练了一个基础模型，用于预测神经元对任意自然视频刺激的响应，并展示了其在跨小鼠、跨刺激域以及预测神经元解剖学特征方面的泛化能力	首次将人工智能领域的基础模型范式应用于神经科学，训练了一个能够准确预测神经元响应并泛化到新小鼠和新刺激类型（如相干运动和噪声模式）的模型，且该模型还能预测解剖细胞类型、树突特征和神经元连接性	模型目前主要应用于小鼠视觉皮层，其泛化到其他脑区或更复杂认知任务的能力尚未验证；训练数据虽大但仍局限于特定实验条件和物种	构建大脑的基础模型，以理解神经计算目标、神经编码，并利用其强大的泛化能力加速神经科学研究	小鼠视觉皮层的神经活动	机器学习	NA	神经活动记录（视觉刺激响应）	基础模型	神经活动数据（时间序列）、自然视频刺激	来自多只小鼠的大量神经活动数据	NA	NA	预测准确性（文中提及“accurately predict”）	NA
2432	2026-03-06	Differential artery-vein analysis in OCTA for predicting the anti-VEGF treatment outcome of diabetic macular edema 2025-Apr-01, Biomedical optics express IF:2.9Q2 DOI:10.1364/BOE.557748 PMID:40322014	研究论文	本研究评估了光学相干断层扫描血管成像（OCTA）中动静脉差异分析在预测糖尿病黄斑水肿（DME）抗VEGF治疗效果中的作用	利用深度学习进行OCTA动静脉分割，提取定量动静脉特征，并通过支持向量机预测治疗结果，显著提升了预测性能	NA	预测糖尿病黄斑水肿抗VEGF治疗的治疗结果	糖尿病黄斑水肿患者	数字病理学	糖尿病黄斑水肿	光学相干断层扫描血管成像（OCTA）	深度学习, SVM	图像	NA	NA	NA	准确率	NA
2433	2026-03-06	A Deep Learning Model for Three-Dimensional Determination of Whole Thoracic Vertebral Bone Mineral Density from Noncontrast Chest CT: The Multi-Ethnic Study of Atherosclerosis 2025-Mar, Radiology IF:12.1Q1 DOI:10.1148/radiol.242133 PMID:40067103	研究论文	本研究开发了一种基于深度学习的三维模型，用于从常规非对比胸部CT中测量全胸椎骨密度，并评估其在预测椎体骨折中的价值	首次利用TotalSegmentator（nnU-net算法）在常规非对比胸部CT上实现T1-T10胸椎的三维骨密度测量，并与二维方法比较，结合FRAXnb工具提升了椎体骨折的预测性能	研究为多中心前瞻性队列的二次分析，样本主要来自MESA研究，可能限制泛化性；手动分割仅在一部分参与者中进行验证	开发并验证一种深度学习模型，用于从常规胸部CT中三维测量胸椎骨密度，以改善骨质疏松相关结局的预测	多民族动脉粥样硬化研究（MESA）的参与者，接受非对比胸部CT扫描	数字病理学	骨质疏松症	非对比胸部CT扫描	深度学习	三维医学图像	2956名参与者（其中1546名女性，平均年龄69岁±9），其中1304名有纵向随访数据	nnU-net	TotalSegmentator（基于nnU-net）	Dice分数，交集并集比，受试者工作特征曲线下面积	未在摘要中明确说明
2434	2026-03-06	Addressing myocardial infarction in South-Asian populations: risk factors and machine learning approaches 2025-Feb-03, NPJ cardiovascular health DOI:10.1038/s44325-024-00040-8 PMID:41776250	综述	本文探讨了南亚人群心肌梗死的风险因素，并强调了机器学习和深度学习在提升诊断与预测准确性方面的潜在作用	结合南亚人群特有的心血管风险因素，利用机器学习和深度学习模型（如CNN和Transformer）分析临床特征、心电图和心脏生物标志物等多模态数据，以改进传统风险评估工具	缺乏高质量数据集，且临床应用面临挑战	提升南亚人群心肌梗死的风险预测、诊断和管理水平	南亚人群的心肌梗死风险因素	机器学习	心血管疾病	NA	CNN, Transformer	临床特征、心电图、心脏生物标志物等多模态数据	NA	NA	卷积神经网络, Transformer	NA	NA
2435	2026-03-06	From video to vital signs: a new method for contactless multichannel seismocardiography 2025-Jan-10, NPJ cardiovascular health DOI:10.1038/s44325-024-00034-6 PMID:41775984	研究论文	本研究提出了一种利用智能手机视频进行非接触式多通道心震图测量的创新方法	首次利用标准智能手机视频从多个胸部位置捕获心震图信号，结合计算机视觉和深度学习技术提升信号分辨率	研究仅在14名健康参与者中进行测试，样本量较小，且未在患者群体中验证	开发一种成本效益高、易于普及的心脏监测工具	健康参与者的胸部振动信号	计算机视觉	心血管疾病	心震图	深度学习	视频	14名健康参与者的28个胸部视频	NA	NA	均方误差, 心率估计偏差, 相关系数	NA
2436	2026-03-06	Dual-hybrid intrusion detection system to detect False Data Injection in smart grids 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0316536 PMID:39869576	研究论文	本文提出了一种用于智能电网中检测虚假数据注入攻击的新型双混合入侵检测系统	提出了一种结合粒子群优化和灰狼优化进行混合特征选择，并集成CNN和LSTM网络的混合深度学习分类器的新型入侵检测系统框架	研究基于模拟数据集，未来需集成真实世界智能电网数据进行验证，并需解决大规模部署中的实时处理和可扩展性挑战	增强智能电网中入侵检测系统检测虚假数据注入攻击的准确性和鲁棒性	智能电网中的虚假数据注入攻击	机器学习	NA	NA	CNN, LSTM	工业控制系统网络攻击数据集（电力系统数据集）	NA	NA	CNN, LSTM	准确率, 召回率, 精确率, F值	NA
2437	2026-03-06	A deep learning aided bone marrow segmentation of quantitative fat MRI for myelofibrosis patients 2025, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2025.1498832 PMID:40485725	研究论文	本研究利用深度学习U-Net模型自动化骨髓纤维化患者骨盆定量脂肪MRI中的骨髓分割	首次在骨髓纤维化患者的骨盆定量脂肪MRI中应用并比较了四种U-Net模型（包括2D和3D注意力U-Net）进行骨髓自动化分割	研究仅基于58名患者的数据集，样本量相对较小；且仅评估了U-Net系列模型，未与其他先进分割架构对比	自动化骨髓纤维化患者骨盆定量脂肪MRI中的骨髓分割	骨髓纤维化患者的骨盆MRI图像，重点关注股骨近端和髂后骨的骨髓区域	数字病理学	骨髓纤维化	定量脂肪MRI	CNN	图像	58名骨髓纤维化患者的容积图像	NA	U-Net, 2D U-Net, 2D attention U-Net, 3D U-Net, 3D attention U-Net	平均Jaccard指数, 平均体积误差, 平均Hausdorff距离, 平均体积交集比	NA
2438	2026-03-06	Deep learning in obsessive-compulsive disorder: a narrative review 2025, Frontiers in psychiatry IF:3.2Q2 DOI:10.3389/fpsyt.2025.1581297 PMID:40585546	综述	本文是一篇关于深度学习在强迫症研究中应用的叙述性综述，总结了10项相关研究的主要发现	系统性地综述了深度学习在强迫症诊断、症状分类和治疗反应预测中的应用潜力，并指出了利用被动收集数据（如可穿戴设备）进行早期检测和持续症状追踪的新兴机遇	当前模型受限于小样本量、缺乏治疗预测的比较研究，以及对早期反应检测或可扩展监测解决方案的关注不足	评估深度学习在解决强迫症诊断和治疗挑战方面的应用现状与前景	强迫症患者	机器学习	强迫症	NA	深度学习	神经影像数据, EEG数据, 临床数据	NA	NA	NA	准确率	NA
2439	2026-03-06	EPISeg: Automated segmentation of the spinal cord on echo planar images using open-access multi-center data 2025, Imaging neuroscience (Cambridge, Mass.) DOI:10.1162/IMAG.a.98 PMID:40937159	研究论文	本文开发了一种名为EPISeg的深度学习模型，用于自动分割脊髓梯度回波平面成像数据，并公开了一个多中心数据集	提出首个针对梯度回波平面成像数据的自动脊髓分割深度学习模型，并公开了多中心标注数据集	未明确说明模型在极端运动伪影或严重信号丢失情况下的性能限制	开发自动化工具以改进脊髓功能磁共振成像数据的预处理流程	脊髓梯度回波平面成像数据	数字病理学	NA	功能磁共振成像，梯度回波平面成像	深度学习模型	医学影像	多中心数据集（具体数量未明确）	NA	EPISeg	分割质量	NA
2440	2026-03-06	Tokenization and deep learning architectures in genomics: A comprehensive review 2025, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2025.07.038 PMID:40821715	综述	本文全面回顾了基因组学中标记化技术和深度学习架构的应用与挑战	系统梳理了基因组学中标记化技术与深度学习架构的现状，并指出当前标记化方法在捕捉DNA序列基序方面的不足，强调未来模型需整合更具生物学相关性的标记化技术	未提出新的具体模型或技术，主要基于现有文献进行总结，缺乏实证研究验证	综述基因组学领域深度学习架构与标记化技术的研究进展，探讨其应用与改进方向	基因组学中的DNA序列数据及相关计算任务（如抗菌素耐药性预测、基因注释）	自然语言处理, 机器学习	NA	DNA测序技术	深度学习模型	基因组序列数据	NA	NA	NA	NA	NA