深度学习在生物医药领域中的应用

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
261	2025-06-19	Residue conservation and solvent accessibility are (almost) all you need for predicting mutational effects in proteins 2025-Jun-02, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf322 PMID:40434923	research paper	该研究提出了一种基于进化评分和残基相对溶剂可及性的简单方法，用于预测蛋白质突变效应，其性能与更复杂的深度学习模型相当或略优	提出了一种简单但有效的进化评分方法，结合残基溶剂可及性，性能媲美复杂深度学习模型	未明确说明该方法在所有类型蛋白质突变预测中的泛化能力	预测突变对蛋白质生物物理特性的影响	蛋白质突变	computational biology	NA	evolutionary score, relative solvent accessibility	RSALOR (基于进化评分和溶剂可及性的简单模型)	protein mutational data	ProteinGym deep mutational scanning dataset collection中的突变数据
262	2025-06-19	Development of Deep Learning Models to Screen Posterior Staphylomas in Highly Myopic Eyes Using UWF-OCT Images 2025-Jun-02, Translational vision science & technology IF:2.6Q2 DOI:10.1167/tvst.14.6.25 PMID:40504567	研究论文	开发深度学习模型用于利用超广角光学相干断层扫描（UWF-OCT）图像筛查高度近视患者的后葡萄肿	使用七种不同的深度学习架构（VGG16、VGG19、ResNet18、ResNet50、ResNet101、DenseNet121和DenseNet161）训练模型，并比较它们在检测后葡萄肿边缘方面的性能，其中VGG19表现最佳	研究为回顾性单中心研究，样本量相对有限（1428张图像来自438名患者），且仅进行了内部验证	开发一种深度学习模型，用于筛查高度近视患者的后葡萄肿	高度近视患者的UWF-OCT图像	计算机视觉	高度近视	UWF-OCT	VGG16, VGG19, ResNet18, ResNet50, ResNet101, DenseNet121, DenseNet161	图像	1428张UWF-OCT图像（来自438名患者）用于模型开发，216张图像（来自69名患者）用于内部验证
263	2025-06-19	High-precision inversion of vegetation parameters in the AI era: Integrating hyperspectral remote sensing and deep learning 2025-Jun-02, Innovation (Cambridge (Mass.)) DOI:10.1016/j.xinn.2025.100868 PMID:40528880	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
264	2025-06-19	Redefining healthcare - The transformative power of generative AI in modern medicine 2025-Jun, Revista espanola de enfermedades digestivas IF:2.7Q2 DOI:10.17235/reed.2025.11081/2024 PMID:39898717	review	本文探讨了生成式AI在现代医学中的变革力量及其对医疗保健的影响	讨论了生成式AI如何通过模仿人类认知过程（如语言、视觉、听觉等）来生成新内容，并预测其对医疗保健领域的颠覆性影响	未提及具体的技术实现细节或实际应用案例	探讨生成式AI在医疗保健领域的潜在应用及其带来的伦理和法律挑战	生成式AI技术及其在医疗保健中的应用	machine learning	NA	deep learning	artificial neural networks	NA	NA
265	2025-06-19	Linking Symptom Inventories Using Semantic Textual Similarity 2025-Jun, Journal of neurotrauma IF:3.9Q2 DOI:10.1089/neu.2024.0301 PMID:40200899	research paper	该研究提出了一种使用语义文本相似性（STS）来链接不同创伤性脑损伤（TBI）症状清单的方法，以提高症状评估的兼容性和准确性	利用预训练的深度学习模型和语义文本相似性技术，实现了不同症状清单之间的症状和分数链接，解决了TBI诊断和结果预测中的结果不可比性问题	研究仅针对TBI症状清单，未验证在其他疾病症状清单上的适用性	解决创伤性脑损伤（TBI）症状评估中不同工具和清单结果不可比的问题	创伤性脑损伤（TBI）的症状清单和评估工具	natural language processing	traumatic brain injury	semantic textual similarity (STS)	pretrained deep learning models	text	6,607名参与者，来自16个国际数据源
266	2025-06-19	Employing transfer learning for breast cancer detection using deep learning models 2025-Jun, PLOS digital health DOI:10.1371/journal.pdig.0000907 PMID:40523018	research paper	该研究提出了一种基于四种预训练深度学习模型的乳腺癌检测新方法，利用迁移学习提高检测准确率	使用四种预训练深度学习模型（Mobilenetv2、Inceptionv3、ResNet50和VGG16）作为特征提取器，并结合监督学习模型进行乳腺癌检测	研究仅基于BUSI数据集，未在其他数据集上验证模型的泛化能力	提高乳腺癌的早期和准确检测率	乳腺癌检测	digital pathology	breast cancer	transfer learning	Mobilenetv2, Inceptionv3, ResNet50, VGG16, Logistic Regression, Light Gradient Boosting Machine	image	BUSI数据集
267	2025-06-19	Multimodal CustOmics: A unified and interpretable multi-task deep learning framework for multimodal integrative data analysis in oncology 2025-Jun, 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，用于肿瘤学中的多模态整合数据分析	开发了一种新型的基于深度学习的方法，能够以可解释的方式表示多组学和病理学数据，用于精准医学，并能处理不完整和缺失数据	未明确提及具体限制，但可能包括数据集的多样性和规模限制	解决肿瘤学中多模态数据整合的挑战，提升精准医学的应用	肿瘤的微环境，包括全切片图像和多组学数据	数字病理学	癌症	多模态数据整合，深度学习	多任务深度学习框架	图像，多组学数据	多个TCGA数据集和验证队列
268	2025-06-19	Introducing societal issues in an upper level STEM course increases student engagement and knowledge transfer 2025-May-31, Developmental biology IF:2.5Q2 DOI:10.1016/j.ydbio.2025.05.029 PMID:40456506	研究论文	本文探讨了在STEM课程中引入社会问题如何提高学生的参与度和知识迁移能力	提出了一个三步框架，将生殖权利等社会正义问题融入高级发育生物学课程，以提高学生的科学内容知识和跨学科思维能力	研究仅针对一门高级发育生物学课程，样本可能不具有广泛代表性	探索通过引入社会问题提高STEM课程中学生参与度和知识迁移能力的方法	高级发育生物学课程中的学生	教育研究	NA	NA	NA	NA	未明确说明具体样本量，仅提及一门课程的学生
269	2025-06-19	Comparative evaluation of deep learning-based and conventional reconstruction techniques for image quality enhancement in low-dose chest computed tomography 2025-May-30, Journal of thoracic disease IF:2.1Q3 DOI:10.21037/jtd-2025-589 PMID:40529728	研究论文	本研究比较了深度学习算法与主流迭代重建技术在低剂量胸部CT图像质量增强方面的性能	提出了一种新的深度学习算法，用于低剂量胸部CT图像重建，显著降低了辐射剂量并保持了图像质量	研究样本量较小（90例患者），且仅针对胸部CT，未涵盖其他类型的CT扫描	评估深度学习算法在低剂量胸部CT图像重建中的性能，并与主流迭代重建技术进行比较	90例接受胸部CT检查的患者（45例低剂量CT，45例常规剂量CT）	计算机视觉	肺部疾病	深度学习算法、迭代重建（IR）、滤波反投影（FBP）	深度学习（DL）	图像	90例患者（45例低剂量CT，45例常规剂量CT）
270	2025-06-19	A systematic review and meta-analysis of artificial intelligence software for tuberculosis diagnosis using chest X-ray imaging 2025-May-30, Journal of thoracic disease IF:2.1Q3 DOI:10.21037/jtd-2025-604 PMID:40529749	meta-analysis	本文通过系统回顾和荟萃分析评估了五种基于AI的肺结核诊断软件在胸片影像诊断中的准确性	首次对多种AI软件在肺结核胸片诊断中的表现进行了全面比较和评估	纳入分析的软件数量有限(5种)，且未考虑不同地区人群差异对诊断效果的影响	评估AI辅助诊断系统在肺结核胸片诊断中的准确性和应用价值	五种商业AI胸片分析软件(JF CXR-1, qXR, Lunit INSIGHT CXR, CAD4TB, InferRead DR Chest)	digital pathology	tuberculosis	deep learning	CNN	image	21项研究(涉及5651篇文献)
271	2025-06-19	Machine learning and deep learning to improve overall survival prediction in cervical cancer patients 2025-May-30, Translational cancer research IF:1.5Q4 DOI:10.21037/tcr-2024-2304 PMID:40530132	research paper	该研究旨在利用机器学习和深度学习算法构建模型，预测宫颈癌患者的总生存期	使用多种机器学习模型（包括DeepSurv）预测宫颈癌患者的总生存期，并通过X-tile分析将患者分层	数据来源于SEER数据库，可能存在选择偏差	识别关键预后因素并预测宫颈癌患者的总生存期	宫颈癌患者	machine learning	cervical cancer	LASSO, Cox回归, X-tile分析	CoxBoost, RandomForest, SuperPC, XGBoost, DeepSurv	临床数据	训练集1,743例患者，测试集747例患者
272	2025-06-19	Deep learning for fine-grained molecular-based colorectal cancer classification 2025-May-30, Translational cancer research IF:1.5Q4 DOI:10.21037/tcr-2024-2348 PMID:40530151	研究论文	本研究提出了一种基于深度学习的结直肠癌分子分类方法，利用H&E染色组织切片图像进行细粒度分类	结合CNN和ViT的混合深度学习模型，用于结直肠癌的分子分类，提供新的分子诊断视角	模型性能有待进一步提高，准确率仅为0.524	探索深度学习技术在结直肠癌分子诊断中的应用	结直肠癌患者的H&E染色组织切片图像	数字病理	结直肠癌	H&E染色	CNN和ViT混合模型	图像	383名结直肠癌患者的组织切片图像
273	2025-06-19	A Novel Artificial Intelligence Approach to Kennedy Classification for Partially Edentulous Patients Using Panoramic Radiographs 2025-May-28, The European journal of prosthodontics and restorative dentistry DOI:10.1922/EJPRD_2801Hassan09 PMID:40105321	研究论文	本研究开发了一种基于人工智能的系统，用于从全景X光片中自动分类部分无牙颌患者的Kennedy分类，并识别现有牙齿以进行自动报告	首次使用YOLOv8s深度学习模型结合Kennedy分类系统和Applegate规则，实现部分无牙颌的自动分类	研究仅使用了公开数据集中的高质量图像，可能无法涵盖所有临床情况	开发自动化系统以减少牙科诊断中的变异性并减轻专业人员的工作负担	部分无牙颌患者	数字病理	牙科疾病	YOLOv8s深度学习模型	YOLOv8s	图像	1875张高质量全景X光片（原始数据集5261张，经筛选后使用）
274	2025-06-19	Detection of Pulmonary Nodules on Ultra-low Dose Chest Computed Tomography With Deep-learning Image Reconstruction Algorithm 2025-May-01, Journal of thoracic imaging IF:2.0Q3 DOI:10.1097/RTI.0000000000000806 PMID:39267547	研究论文	评估使用深度学习图像重建（DLIR）算法在超低剂量（ULD）胸部计算机断层扫描（CT）中检测肺结节的准确性	首次在ULD CT中应用DLIR算法进行肺结节检测，并与传统ASIR-V重建方法进行比较	样本量较小（60例患者），且仅针对固体肺结节进行评估	探索ULD CT结合DLIR在肺结节检测中的临床应用价值	60例转诊评估或随访固体肺结节的患者	数字病理	肺癌	深度学习图像重建（DLIR）	NA	CT图像	60例患者，共检测733个结节
275	2025-06-19	Predicting Gene Comutation of EGFR and TP53 by Radiomics and Deep Learning in Patients With Lung Adenocarcinomas 2025-May-01, Journal of thoracic imaging IF:2.0Q3 DOI:10.1097/RTI.0000000000000817 PMID:39319553	研究论文	本研究基于放射组学和深度学习构建了预测EGFR和TP53突变的二元分类模型，用于识别适合TKI靶向治疗和预后不良的患者	结合放射组学和深度学习构建渐进式二元分类模型，预测EGFR和TP53突变状态，为临床识别TKI响应者和预后不良患者提供参考	研究样本量较小（267例），且为单中心回顾性研究，可能影响模型的泛化能力	预测肺腺癌患者EGFR和TP53的共突变状态，辅助临床治疗决策	267例接受基因检测和非增强胸部CT检查的肺腺癌患者	数字病理	肺癌	放射组学分析，深度学习	临床模型、放射组学模型、深度学习模型、集成模型（如DL-rad-clin模型）	影像数据（非增强胸部CT）、临床数据	267例肺腺癌患者
276	2025-06-19	Non-invasive biopsy diagnosis of diabetic kidney disease via deep learning applied to retinal images: a population-based study 2025-05, The Lancet. Digital health DOI:10.1016/j.landig.2025.02.008 PMID:40312169	研究论文	开发并验证了一种基于视网膜图像的AI深度学习系统DeepDKD，用于检测糖尿病肾病(DKD)并区分孤立性糖尿病肾病与非糖尿病肾病(NDKD)	首次利用视网膜图像和深度学习技术实现DKD的非侵入性活检诊断，并在多民族人群中验证其有效性	外部验证数据集的AUC值存在一定波动(0.733-0.844)，表明模型性能可能受人群差异影响	提高糖尿病肾病筛查的可及性并区分不同类型肾病	糖尿病患者视网膜图像	数字病理	糖尿病肾病	深度学习	DeepDKD(AI深度学习系统)	视网膜图像	开发阶段使用734,084张视网膜图像(来自121,578名参与者)，验证阶段使用65,406名参与者的数据
277	2025-06-19	MultiPep-DLCL: recognition of multifunctional therapeutic peptides through deep learning with label-sequence contrastive learning 2025-May-01, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaf274 PMID:40518951	研究论文	提出了一种名为MultiPep-DLCL的多标签分类方法，用于识别多功能治疗肽	采用深度学习模型架构和标签-序列对比学习，增强了序列特征与标签嵌入之间的对应关系，并整合了多标签焦点骰子损失函数以解决数据集不平衡问题	NA	解决多功能治疗肽识别中的复杂挑战	多功能治疗肽（MFTP）	自然语言处理	NA	深度学习	Label-Sequence Fusion Transformer	肽序列	NA
278	2025-06-19	VirulentHunter: deep learning-based virulence factor predictor illuminates pathogenicity in diverse microbial contexts 2025-May-01, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaf271 PMID:40518950	研究论文	介绍了一种基于深度学习的毒力因子预测工具VirulentHunter，用于从蛋白质序列中直接识别和分类毒力因子	利用预训练蛋白质语言模型的微调步骤，实现了毒力因子的同时识别和分类，超越了现有方法，特别是在识别缺乏可检测同源物的毒力因子方面	NA	开发一种能够更准确识别和分类细菌毒力因子的工具	细菌毒力因子	自然语言处理	NA	深度学习	预训练蛋白质语言模型	蛋白质序列	NA
279	2025-06-19	Progress, Pitfalls, and Impact of AI-Driven Clinical Trials 2025-Apr, Clinical pharmacology and therapeutics DOI:10.1002/cpt.3542 PMID:39722473	综述	本文探讨了人工智能在药物发现与开发中的应用进展、面临的挑战及其潜在影响	分析了AI在药物研发中的实际应用效果与预期之间的差距，并指出了未来的发展方向	未提及具体的技术细节或数据支持	评估AI在药物发现与开发中的实际应用效果及未来潜力	AI驱动的药物研发过程	人工智能	NA	深度学习	NA	NA	NA
280	2025-06-19	Multistage deep learning for classification of Helicobacter pylori infection status using endoscopic images 2025-Apr, Journal of gastroenterology IF:6.9Q1 DOI:10.1007/s00535-024-02209-5 PMID:39815116	研究论文	开发了一种新的多阶段深度学习方法，用于自动分类幽门螺杆菌感染状态	提出了一种新的多阶段深度学习方法，显著提高了幽门螺杆菌感染状态的分类准确率，并优于医生的诊断结果	研究样本量相对较小，训练集和验证集分别只有538和146名受试者	开发一种自动分类幽门螺杆菌感染状态的方法，以辅助胃癌筛查	幽门螺杆菌感染状态（未感染、当前感染和根除后）	计算机视觉	胃癌	深度学习	多阶段深度学习模型	图像	训练集538名受试者，验证集146名受试者