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
2441	2026-03-06	Large-scale modeling of axonal dynamic responses via deep learning 2025-Dec-12, Biomechanics and modeling in mechanobiology IF:3.0Q3 DOI:10.1007/s10237-025-02034-6 PMID:41384998	研究论文	本研究利用深度学习训练卷积神经网络，快速估计轴突损伤参数，以解决大规模轴突动态模拟计算成本高的问题	提出了一种基于CNN的快速估计方法，通过分层自适应采样策略生成训练数据，实现了约3150万倍的效率提升，支持高分辨率全白质轴突响应模拟	研究基于男性冰球运动员的头部撞击数据，样本量有限（N=46），且未涵盖不同性别或运动类型的广泛验证	开发一种高效的大规模轴突动态响应模拟方法，以研究白质损伤机制	冰球运动员头部撞击导致的轴突应变及损伤参数	机器学习	白质损伤	基于纤维束成像的应变分析，轴突损伤模型模拟	CNN	纤维应变剖面数据	46次头部撞击模拟数据，4979个体素，2000个训练样本，75个独立验证样本	NA	卷积神经网络	决定系数（R²），归一化均方根误差（NRMSE）	NA
2442	2026-03-06	Automated Joint Space Detection Improves Bone Segmentation Accuracy 2025-Nov-28, Journal of visualized experiments : JoVE DOI:10.3791/69252 PMID:41396972	研究论文	本文提出了一种基于深度学习的自动化关节空间检测方法，以提高小鼠后爪和前爪微CT图像中骨骼分割的准确性	在先前半自动标记分水岭算法基础上，引入了结构增强、张量投票和输出膨胀技术，并采用3D U-Net架构与ResNet-18骨干网络的深度学习模型进行关节空间预测	模型在疾病严重程度增加和年龄增长的小鼠样本中准确性下降，对新数据集和疾病修饰数据的适应性表现有所降低	开发自动化图像分析技术以改进复杂骨骼解剖结构的定量描述	野生型和肿瘤坏死因子转基因（TNF-Tg）小鼠的后爪和前爪微CT图像，涵盖不同年龄和性别的炎症侵蚀性关节炎模型	计算机视觉	关节炎	微计算机断层扫描（micro-CT）	CNN	图像	涉及野生型和TNF-Tg小鼠的后爪和前爪数据集，具体样本数量未明确说明	PyTorch（基于U-Net架构推断）	3D U-Net, ResNet-18	准确性	NA
2443	2026-03-06	Integrating Model-Based Reconstruction and Deep Learning for Accelerating Mass Spectrometry Imaging 2025-Nov-18, Analytical chemistry IF:6.7Q1 DOI:10.1021/acs.analchem.5c04075 PMID:41199627	研究论文	本文提出了一种结合模型重建与深度学习的方法，用于加速质谱成像，通过稀疏采样像素重建高分辨率离子图像	将光栅扫描前向模型与深度学习先验结合，无需针对不同采集设置重新训练，实现了跨仪器、设置和组织类型的通用高保真重建	未明确提及方法在极端稀疏采样或噪声环境下的性能限制，也未讨论计算时间或资源消耗的具体细节	加速质谱成像过程，以克服高分辨率组织映射和3D重建中的时间限制	质谱成像数据，涉及不同仪器、采集设置和组织类型（如脑和肾脏切片）	计算成像	NA	质谱成像	深度学习	图像	涉及多种组织类型（如脑和肾脏切片），但未指定具体样本数量	NA	基于预训练网络的去噪器	NA	NA
2444	2026-03-06	Responsible Use of Artificial Intelligence to Improve Kidney Care: A Statement from the American Society of Nephrology 2025-Nov-07, Journal of the American Society of Nephrology : JASN IF:10.3Q1 DOI:10.1681/ASN.0000000929 PMID:41201255	综述	本文概述了人工智能在肾脏病学中的临床应用，并为肾病学家提供了将AI整合到慢性肾病、急性肾损伤管理、透析和移植护理中的实用指导	提出了一个负责任使用AI的框架，强调以患者利益为先、确保临床医生监督，并推动在高负担疾病领域的创新	未具体说明AI模型的技术细节或性能评估，主要关注原则和挑战而非实证研究	为肾脏病学领域负责任地开发和实施人工智能技术提供指导和原则框架	肾脏疾病患者，包括慢性肾病、急性肾损伤、透析和移植护理	机器学习	肾脏疾病	预测分析、机器学习、深度学习、生成式AI	NA	NA	NA	NA	NA	NA	NA
2445	2026-03-06	Deep Learning with Disc Photos or OCT Scans in Glaucoma Detection 2025 Nov-Dec, Ophthalmology science IF:3.2Q1 DOI:10.1016/j.xops.2025.100877 PMID:40893625	研究论文	本研究比较了基于OCT RNFLT图和视盘照片的深度学习模型在青光眼检测中的诊断性能，发现OCT模型更优，并评估了不同人口学组间的性能差异	首次系统比较基于OCT RNFLT客观定量测量与视盘照片的深度学习模型在青光眼功能损伤检测中的性能，并深入分析人口学因素对模型诊断性能的影响	回顾性单中心研究，数据来自特定时间段（2011-2022年），可能存在选择偏倚；未考虑其他青光眼诊断标准（如结构损伤）	评估基于OCT RNFLT图与视盘照片的深度学习模型在青光眼检测中的准确性差异，并分析模型在不同人口学群体中的诊断性能	青光眼患者（基于视野缺损定义）的OCT RNFLT图和视盘照片	数字病理学	青光眼	OCT（光学相干断层扫描），视野检查	深度学习模型	图像（OCT RNFLT图，视盘照片）	16,936组视盘照片和OCT图像集，经质量筛选后用于模型训练和测试	NA	NA	AUC（曲线下面积），准确性	NA
2446	2026-03-06	Decreased parietal epithelial cell density is linked to podocyte depletion and predictors of kidney disease progression in human kidneys 2025-Nov-01, American journal of physiology. Renal physiology DOI:10.1152/ajprenal.00243.2025 PMID:41052018	研究论文	本研究开发并应用深度学习方法来分析人类肾脏样本中壁上皮细胞（PECs）的密度，并探讨其与慢性肾脏病进展的关系	首次开发深度学习工具分析人类肾脏样本中PECs的密度，揭示了PEC减少与早期慢性肾小球疾病证据之间的新联系	研究基于肾切除样本，可能不适用于所有慢性肾脏病患者；样本主要来自无明显慢性肾脏病患者，限制了在晚期疾病中的推广	研究壁上皮细胞（PECs）在人类慢性肾小球疾病进展中的作用	人类肾切除样本中的壁上皮细胞和足细胞	数字病理学	慢性肾脏病	深度学习图像分析	深度学习	图像	超过14,000个肾小球，来自肾切除样本	NA	NA	NA	NA
2447	2026-03-06	OCTA-ReVA+ AV: an open-source toolbox for retinal artery-vein segmentation and analysis in OCT angiography 2025-Nov-01, Biomedical optics express IF:2.9Q2 DOI:10.1364/BOE.575416 PMID:41306988	研究论文	本研究介绍了一个名为OCTA-ReVA的开源工具箱，用于在光学相干断层扫描血管成像中自动分割视网膜动脉和静脉并进行血管特异性定量分析	开发了首个开源、全自动的工具箱，能够基于深度学习分割视网膜动脉和静脉，并独立计算动脉和静脉的多种血管指标，填补了当前临床OCTA系统无法分别量化动脉和静脉特征的空白	未在摘要中明确提及	增强对视网膜血管疾病的检测和监测能力	光学相干断层扫描血管成像图像中的视网膜微血管	数字病理学	视网膜血管疾病	光学相干断层扫描血管成像	深度学习	图像	未在摘要中明确提及	未在摘要中明确提及	未在摘要中明确提及	重复性、分割一致性	未在摘要中明确提及
2448	2026-03-06	Automated classification of cellular expression in multiplexed imaging data with Nimbus 2025-Oct, Nature methods IF:36.1Q1 DOI:10.1038/s41592-025-02826-9 PMID:41062826	研究论文	本文介绍了Nimbus，一种用于从多重成像数据中自动分类细胞标记物表达的深度学习模型	开发了预训练模型Nimbus，无需针对每个数据集重新训练，即可跨不同细胞类型、组织和显微镜平台预测标记物表达	未明确提及模型在未见过的标记物或极端成像条件下的泛化能力	实现多重成像数据中细胞标记物表达的自动化准确分类	细胞，特别是15种不同细胞类型中的标记物表达	数字病理学	NA	多重成像	深度学习模型	图像	包含1.97亿个不同标记物表达注释的Pan-M数据集	NA	NA	准确性	NA
2449	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
2450	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
2451	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
2452	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
2453	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
2454	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
2455	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
2456	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
2457	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
2458	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
2459	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
2460	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