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
2561	2026-03-05	Role of artificial intelligence in magnetic resonance imaging-based detection of temporomandibular joint disorder: a systematic review 2025-04, The British journal of oral & maxillofacial surgery DOI:10.1016/j.bjoms.2024.12.004 PMID:40087072	系统综述	本系统综述评估了人工智能在利用磁共振成像识别颞下颌关节盘位置中的应用	首次系统性地总结了AI在颞下颌关节紊乱症MRI检测中的应用，并比较了不同深度学习与机器学习算法的性能	纳入研究数量有限（7项），存在设计标准化不足和报告不一致的问题，其中一项研究存在高偏倚风险	评估人工智能在基于磁共振成像的颞下颌关节盘位置检测中的有效性和应用	正常个体或颞下颌关节紊乱症患者的颞下颌关节磁共振成像数据	医学影像分析	颞下颌关节紊乱症	磁共振成像	深度学习, 机器学习	图像	NA	NA	MobileNetV2, ResNet	灵敏度, 特异性, 准确率	NA
2562	2025-02-19	Deep learning: Cracking the metabolic code 2025-Mar-01, Hepatology (Baltimore, Md.) DOI:10.1097/HEP.0000000000001220 PMID:39960202	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2563	2026-03-05	Enhancing nnUNetv2 Training with Autoencoder Architecture for Improved Medical Image Segmentation 2025, Head and Neck Tumor Segmentation for MR-Guided Applications : First MICCAI Challenge, HNTS-MRG 2024, held in conjunction with MICCAI 2024, Marrakesh, Morocco, October 17, 2024, proceedings DOI:10.1007/978-3-031-83274-1_17 PMID:40337098	研究论文	本研究提出了一种基于nnUNetv2框架并融合自编码器架构的新型深度学习模型，用于头颈癌MRI引导放疗图像中的肿瘤体积自动分割	在nnUNetv2框架中引入自编码器架构，将原始训练图像作为额外输入通道，并采用MSE损失函数以提升分割精度	研究仅基于头颈癌患者的特定数据集（150例训练，50例测试），模型在其他癌症类型或影像模态上的泛化能力未经验证	提升头颈癌MRI引导放疗图像中肿瘤体积自动分割的精度	头颈癌患者的MRI引导放疗图像	数字病理	头颈癌	MRI引导放疗	CNN	图像	150例头颈癌患者用于训练，50例用于测试	nnUNetv2	nnUNet, 自编码器	Dice相似系数	NA
2564	2026-03-05	Assessing Self-supervised xLSTM-UNet Architectures for Head and Neck Tumor Segmentation in MR-Guided Applications 2025, Head and Neck Tumor Segmentation for MR-Guided Applications : First MICCAI Challenge, HNTS-MRG 2024, held in conjunction with MICCAI 2024, Marrakesh, Morocco, October 17, 2024, proceedings DOI:10.1007/978-3-031-83274-1_12 PMID:40400661	研究论文	本文提出了一种用于头颈部肿瘤分割的新型两阶段模型，结合自监督学习和xLSTM-UNet架构，以提升MRI引导自适应放疗中的分割精度	提出了一种创新的两阶段模型，第一阶段采用基于DINOv2架构的自监督3D师生学习框架从未标记数据中学习有效表示，第二阶段设计了一种结合xLSTM的UNet模型，能够同时捕获肿瘤进展的空间特征和时序依赖关系	未明确说明模型在更大规模或更多样化数据集上的泛化能力，也未详细讨论计算资源需求和处理时间	优化头颈部癌症的MRI引导自适应放疗，通过自动肿瘤分割提升治疗精度	头颈部肿瘤的MRI影像	数字病理学	头颈部癌症	MRI影像分析	自监督学习, 师生学习, xLSTM-UNet	3D MRI影像	未明确说明具体样本数量，仅提及在多样化的头颈部癌症病例上进行评估	PyTorch（基于DINOv2架构推断）	DINOv2, xLSTM-UNet	Dice系数	NA
2565	2026-03-05	Application of 3D nnU-Net with Residual Encoder in the 2024 MICCAI Head and Neck Tumor Segmentation Challenge 2025, Head and Neck Tumor Segmentation for MR-Guided Applications : First MICCAI Challenge, HNTS-MRG 2024, held in conjunction with MICCAI 2024, Marrakesh, Morocco, October 17, 2024, proceedings DOI:10.1007/978-3-031-83274-1_20 PMID:40417457	研究论文	本文探讨了使用3D nnU-Net模型在MRI数据上自动分割头颈部原发肿瘤和转移淋巴结的潜力	在3D nnU-Net模型中引入残差编码器，并针对高背景比例数据进行了专门的再训练优化	模型在高背景比例数据上表现不佳，GTVp分割效果弱于GTVn，仍需进一步优化	提高头颈部肿瘤放疗计划中肿瘤自动分割的准确性和可靠性	头颈部原发肿瘤体积（GTVp）和转移淋巴结（GTVn）	医学图像分割	头颈部肿瘤	MRI成像	深度学习	3D MRI图像	2024 MICCAI头颈部肿瘤分割挑战赛提供的高质量数据集	PyTorch	3D nnU-Net with Residual Encoder	DSCagg	NA
2566	2026-03-05	PPB-Affinity: Protein-Protein Binding Affinity dataset for AI-based protein drug discovery 2024-12-03, Scientific data IF:5.8Q1 DOI:10.1038/s41597-024-03997-4 PMID:39627219	研究论文	本文介绍了一个名为PPB-Affinity的大型蛋白质-蛋白质结合亲和力数据集，并开发了基于深度学习的基准模型来预测亲和力	创建了目前最大的公开可用的蛋白质-蛋白质结合亲和力数据集，填补了该领域开源数据稀缺的空白	未明确提及数据集的潜在偏差或模型预测的局限性	促进基于AI的大分子药物发现，特别是蛋白质-蛋白质结合亲和力的预测	蛋白质-蛋白质复合物及其结合亲和力数据	机器学习	NA	深度学习	深度学习模型	蛋白质晶体结构数据、结合亲和力数据	未明确指定具体样本数量，但描述为大型数据集	未明确指定	未明确指定具体架构	未明确指定	未明确指定
2567	2026-03-05	Seizure Sources Can Be Imaged from Scalp EEG by Means of Biophysically Constrained Deep Neural Networks 2024-12, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202405246 PMID:39473085	研究论文	本文研究了一种基于深度学习的源成像框架DeepSIF，用于从耐药性局灶性癫痫患者的头皮脑电图中成像癫痫发作活动	采用具有生物物理约束的深度神经网络，并利用神经质量模型生成与发作动态时空谱特征相似的合成训练数据	研究仅针对33名耐药性局灶性癫痫患者，样本量相对有限	研究DeepSIF框架在从头皮脑电图成像癫痫发作活动源方面的能力，以辅助难治性癫痫的管理	耐药性局灶性癫痫患者的高密度（76通道）脑电图癫痫发作记录	机器学习	癫痫	脑电图	深度神经网络	脑电图信号	33名耐药性局灶性癫痫患者	NA	DeepSIF	空间特异性, 空间离散度, 平均距离	NA
2568	2026-03-05	Wise Roles and Future Visionary Endeavors of Current Emperor: Advancing Dynamic Methods for Longitudinal Microbiome Meta-Omics Data in Personalized and Precision Medicine 2024-12, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202400458 PMID:39535493	综述	本文探讨了动态方法在整合纵向微生物组多组学数据于个性化与精准医学中的当前角色与未来愿景	提出统一分析框架和深度学习工具等先进动态方法，并强调其在微生物组研究中的创新应用	缺乏验证分析协议和数据资源的金标准，工作流程步骤的相互依赖性影响整体结果	探索动态方法在个性化与精准医学中整合纵向微生物组多组学数据的最佳实践与未来方向	微生物、代谢物、基因等实体及其与宿主生理和外部刺激的相互作用	机器学习	NA	高级测序工具，多组学数据整合	深度学习	纵向微生物组多组学数据	NA	NA	NA	NA	NA
2569	2026-03-05	A continuous pursuit dataset for online deep learning-based EEG brain-computer interface 2024-11-20, Scientific data IF:5.8Q1 DOI:10.1038/s41597-024-04090-6 PMID:39567538	研究论文	本文介绍了一个用于在线连续追踪脑机接口研究的EEG数据集，该数据集基于深度学习解码器，旨在促进复杂连续对象控制范式的新解码算法开发	提供了首个针对复杂连续追踪任务的在线深度学习脑机接口数据集，采用随机移动目标而非传统静态目标，包含多会话的大规模受试者特定数据	数据集主要针对特定连续追踪范式，可能不直接适用于其他传统脑机接口任务；在线解码器的性能可能受实时计算约束影响	开发适用于连续对象控制的脑机接口解码算法，推动脑电脑机接口走向实际应用	28名人类受试者在多会话中采集的脑电信号	脑机接口	NA	脑电图	深度学习	脑电信号	28名受试者，总计约168小时脑电记录	NA	NA	NA	NA
2570	2026-03-05	Explainable AI for computational pathology identifies model limitations and tissue biomarkers 2024-Nov-18, ArXiv PMID:39279830	研究论文	本文介绍了一种名为HIPPO的可解释AI框架，用于计算病理学，通过生成图像反事实来识别模型局限性和组织生物标志物	开发了HIPPO框架，系统修改全切片图像中的组织区域以生成图像反事实，支持定量假设测试、偏差检测和超越传统性能指标的模型评估	未在摘要中明确说明	增强深度学习模型在数字病理学中的透明度和可靠性，促进临床采用	乳腺癌转移检测、乳腺癌和黑色素瘤的预后预测、胶质瘤IDH突变分类	计算病理学	乳腺癌, 黑色素瘤, 胶质瘤	NA	深度学习模型	全切片图像	NA	NA	NA	传统性能指标, 注意力方法	NA
2571	2026-03-05	Detailed delineation of the fetal brain in diffusion MRI via multi-task learning 2024-Sep-12, ArXiv PMID:39314513	研究论文	本研究开发了一个基于多任务学习的统一计算框架，用于胎儿脑部扩散磁共振成像的精确组织分割、白质束分割和脑区划分	首次提出一个统一的多任务深度学习框架，能够同时完成胎儿脑部组织分割、白质束分割和脑区划分三项关键任务	研究仅基于97个胎儿脑部样本，样本量相对有限，且数据质量受胎儿运动等因素影响	开发自动化计算方法以解决胎儿脑部扩散磁共振成像数据分析的可靠性和可重复性问题	胎儿脑部扩散磁共振成像数据	医学影像分析	胎儿神经发育	扩散加权磁共振成像	深度学习	医学影像	97个胎儿脑部样本	NA	多任务深度学习模型	Dice相似系数	NA
2572	2026-03-05	Detailed delineation of the fetal brain in diffusion MRI via multi-task learning 2024-Aug-30, bioRxiv : the preprint server for biology DOI:10.1101/2024.08.29.609697 PMID:39257731	研究论文	本文开发并验证了一个统一的计算框架，用于胎儿脑部扩散磁共振成像数据的多任务分析，包括组织分割、白质束分割和脑区划分	提出了一种多任务深度学习方法来同时执行胎儿脑部扩散磁共振成像数据的组织分割、白质束分割和脑区划分，解决了现有自动化方法缺失的问题	未明确提及，但可能包括数据质量低、脑部发育快速带来的挑战，以及标注数据的有限性	开发可靠的计算方法来分析胎儿脑部扩散磁共振成像数据，以促进胎儿神经影像学领域的发展	胎儿脑部扩散磁共振成像数据	医学影像分析	NA	扩散磁共振成像	深度学习	磁共振图像	97个胎儿脑部	NA	NA	Dice相似系数	NA
2573	2026-03-05	Deep Few-view High-resolution Photon-counting Extremity CT at Halved Dose for a Clinical Trial 2024-Mar-19, ArXiv PMID:38562444	研究论文	本研究提出了一种基于深度学习的PCCT图像重建方法，旨在在减半剂量和加倍速度下进行临床诊断	提出了一种基于块的体积细化网络以缓解GPU内存限制，使用合成数据训练网络，并采用基于模型的迭代细化来弥合合成数据与真实数据之间的差距	GPU内存限制、训练数据稀缺以及领域差距问题	改进PCCT的辐射剂量和成像速度，以用于对比增强和其他研究	新西兰临床试验中的8名患者	计算机视觉	NA	X射线光子计数计算机断层扫描	深度学习	图像	8名患者	NA	基于块的体积细化网络	诊断图像质量评分	GPU内存限制
2574	2026-03-05	Spatiotemporal Rhythmic Seizure Sources Can be Imaged by means of Biophysically Constrained Deep Neural Networks 2023-Dec-01, medRxiv : the preprint server for health sciences DOI:10.1101/2023.11.30.23299218 PMID:38076950	研究论文	本文提出了一种基于深度学习的源成像框架DeepSIF，用于从耐药性局灶性癫痫患者的高密度脑电图记录中成像发作活动	采用神经质量模型生成具有时空频谱特征的合成训练数据，并开发了DeepSIF框架，在空间特异性和分散度方面优于传统方法	研究仅限于耐药性局灶性癫痫患者，样本量为33人，可能需进一步验证于更广泛人群	研究非侵入性动态脑成像技术，以改善癫痫发作活动的源定位	耐药性局灶性癫痫患者的高密度脑电图记录	机器学习	癫痫	高密度脑电图记录	深度学习神经网络	脑电图信号	33名耐药性局灶性癫痫患者	NA	DeepSIF	空间特异性, 空间分散度, 平均距离	NA
2575	2026-03-05	Bipartite invariance in mouse primary visual cortex 2023-Mar-16, bioRxiv : the preprint server for biology DOI:10.1101/2023.03.15.532836 PMID:36993218	研究论文	本研究通过扩展“inception loops”范式，系统性地表征了小鼠初级视觉皮层中单个神经元的双部分不变性，揭示了其在纹理定义物体边界检测中的作用	发现了一种新型的双部分不变性，其中感受野的一部分编码相位不变的纹理样模式，另一部分编码固定的空间模式，并与自然图像中的空间频率差异定义的物体边界对齐	研究主要基于小鼠初级视觉皮层，可能未完全覆盖其他视觉层次、细胞类型或感觉模态，且实验时间有限可能影响系统性表征	理解大脑如何从高维感官输入中泛化并推断行为相关的潜在原因，通过表征神经元的选择性和不变性特征	小鼠初级视觉皮层中的单个神经元	神经科学	NA	大规模记录、神经预测模型、实验验证	深度学习模型	视觉输入、自然刺激图像	NA	NA	NA	NA	NA
2576	2026-03-05	Time series forecasting of COVID-19 transmission in Asia Pacific countries using deep neural networks 2023, Personal and ubiquitous computing DOI:10.1007/s00779-020-01494-0 PMID:33456433	研究论文	本研究利用深度学习模型预测亚太国家COVID-19的传播趋势	首次在亚太国家（特别是巴基斯坦、阿富汗、印度和孟加拉国）应用LSTM、RNN和GRU等深度学习模型进行COVID-19时间序列预测，并考虑了时间变量和数据非线性	仅预测未来10天的情况，且数据截止到2020年7月1日，可能无法反映疫情长期动态	预测COVID-19在亚太国家的传播趋势，为政府决策提供参考	亚太国家（巴基斯坦、阿富汗、印度、孟加拉国）的COVID-19病例数据	自然语言处理	COVID-19	时间序列分析	LSTM, RNN, GRU	时间序列数据	四个国家的COVID-19病例数据（具体数量未明确）	NA	LSTM, RNN, GRU	准确率	NA
2577	2026-03-05	Prediction of muscular paralysis disease based on hybrid feature extraction with machine learning technique for COVID-19 and post-COVID-19 patients 2023, Personal and ubiquitous computing DOI:10.1007/s00779-021-01531-6 PMID:33679282	研究论文	本研究提出了一种基于混合特征提取和机器学习技术的模型，用于预测COVID-19及后COVID-19患者的肌肉麻痹疾病	提出了一种结合Yule-Walker、Burg方法、Renyi熵、均值绝对值、最小-最大电压特征提取等17种传统特征的混合特征提取方法，并应用Relief-F特征选择方法优化特征	研究仅使用了UCI的EMG-下肢数据集，样本来源和规模可能有限，未提及模型在其他数据集或临床环境中的泛化能力	早期检测和预测COVID-19及后COVID-19患者的肌肉疲劳和肌肉麻痹疾病	COVID-19患者及后COVID-19患者	机器学习	肌肉麻痹疾病	肌电图信号分析	深度学习分类器	EMG信号	UCI EMG-下肢数据集（具体数量未在摘要中说明）	未明确提及	未明确提及具体架构，但提到了神经网络和支持向量机作为对比方法	精确度	NA
2578	2026-03-05	Pseudonymisation of neuroimages and data protection: Increasing access to data while retaining scientific utility 2021-Dec, Neuroimage. Reports DOI:10.1016/j.ynirp.2021.100053 PMID:40568426	综述	本文探讨了神经影像数据在开放科学与数据保护之间的平衡，分析了现有去标识化技术的隐私局限性，并提出了促进数据共享的技术和组织措施	结合机器学习的最新进展，重新评估了神经影像去标识化技术的隐私风险，并提出了综合性的解决方案以在保护隐私的同时保持数据科学效用	未提供具体的实验验证或量化分析来支持所讨论的技术措施的有效性	旨在澄清神经影像数据匿名化、假名化和去标识化的概念，并探索在满足数据保护要求的同时最大化数据科学效用的方法	神经影像数据及其相关的隐私保护技术	机器学习和数字病理学	NA	去脸、颅骨剥离、面部掩码/模糊化等面部特征移除技术	NA	神经影像数据	NA	NA	NA	NA	NA
2579	2026-03-03	Deep-learning based adaptive fusion of CC and MLO views for improved mammographic cancer diagnosis 2026-Jun, MethodsX IF:1.6Q2 DOI:10.1016/j.mex.2026.103827 PMID:41768877	研究论文	本文提出了一种名为MammoFusion-Net的双分支深度学习框架，用于基于乳腺X线摄影的乳腺癌分类，通过自适应融合CC和MLO视图以提升诊断性能	引入了Gated Cross-View Fusion机制自适应整合多视图特征，并利用残差卷积流独立处理CC和MLO视图以保留视图特异性解剖信息	NA	改进基于乳腺X线摄影的乳腺癌分类性能，解决视图间特征不一致、诊断细节丢失和可解释性有限等挑战	乳腺X线摄影图像（CC和MLO视图）	计算机视觉	乳腺癌	乳腺X线摄影	CNN	图像	VinDr-Mammo数据集和INBreast数据集（具体样本数量未提供）	NA	ResNet	准确率	NA
2580	2026-03-03	iAFP-fLRM: Accurate identification of antifungal peptides via hybrid deep learning architecture and multi-modal feature fusion 2026-May, Biophysical chemistry IF:3.3Q2 DOI:10.1016/j.bpc.2026.107591 PMID:41653519	研究论文	本文提出了一种名为iAFP-fLRM的混合深度学习框架，用于仅基于氨基酸序列准确识别抗真菌肽	设计了一个双分支特征融合模块，集成了自适应池化对齐和跨分支注意力增强机制，以动态对齐序列长度并自适应调整异构特征的贡献，从而增强互补性	仅基于氨基酸序列信息，未整合其他生物信息学特征或实验验证数据	开发一种计算工具，用于计算机辅助识别抗真菌肽，以促进新型抗真菌疗法的发现	抗真菌肽	自然语言处理	真菌感染	氨基酸序列分析	Transformer, LSTM, MLP	序列数据	基准数据集	PyTorch	Transformer encoder, LSTM-ResMLP	准确率, AUC, 马修斯相关系数	NA