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
2941	2026-08-05	Deep learning model for hair artifact removal and Mpox skin lesion analysis and detection 2025-Jul-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-05324-2 PMID:40594433	研究论文	本研究提出一种结合毛发去除与升级U-Net模型的深度学习方法来增强Mpox皮肤病变的检测	通过整合毛发去除预处理步骤与增强U-Net架构，提高Mpox皮肤病变的可见性和分割精度，显著优于现有模型	未提及	提高Mpox皮肤病变检测的准确性，辅助医生早期诊断	Mpox、水痘和麻疹的皮肤病变图像	计算机视觉	痘病	深度学习	CNN（U-Net）	图像	未提及	未提及	U-Net	准确率、召回率、F1分数	未提及
2942	2026-08-05	Screening and Risk Analysis of Atrial Fibrillation After Radiotherapy for Breast Cancer: Protocol for the Cross-Sectional Cohort Study "Watch Your Heart (WATCH)" 2025-06-04, JMIR research protocols IF:1.4Q3 DOI:10.2196/67875 PMID:40466092	研究论文	本研究旨在评估乳腺癌放疗后5年内房颤的发生率，并探讨心脏辐射暴露与房颤发生之间的关联。	使用智能手表进行为期一个月的房颤筛查，并辅以心电图确认和医生验证；开发深度学习算法进行心脏亚结构的自动分割和剂量分析。	样本量有限（200例），且为单中心研究，可能限制结果的普遍性。	评估乳腺癌放疗后5年随访期间症状性或无症状性房颤的发生率，并研究心脏辐射剂量与房颤发生的关联。	年龄超过65岁、5年前接受乳腺癌放疗、无房颤病史的200名患者。	数字病理学	乳腺癌	心电图、智能手表监测、经胸超声心动图、深度学习自动分割	深度学习模型（具体类型未指定）	心电图数据、智能手表监测数据、超声心动图图像、医疗记录、剂量学数据	200名乳腺癌放疗后5年的患者	NA	NA	发病率	NA
2943	2026-08-05	AngioPy Segmentation: An open-source, user-guided deep learning tool for coronary artery segmentation 2025-01-01, International journal of cardiology IF:3.2Q2 DOI:10.1016/j.ijcard.2024.132598 PMID:39341506	研究论文	开发并验证了AngioPy，一个基于用户引导的深度学习工具，用于冠状动脉分割，无需手动校正即可实现快速准确的分割。	创新性地整合用户定义的地面真值点来提升分割性能，并减少手动校正需求。	研究未提及具体局限性。	开发并验证一个能够减少手动校正的冠状动脉分割深度学习工具，以提高定量冠状动脉造影的准确性和效率。	冠状动脉造影图像中的血管分割。	医学影像分析	冠状动脉疾病	数字减影血管造影	深度学习分割模型	图像	2455张训练图像和580张外部验证图像；203张图像用于与QCA比较。	未提及	未明确指定，但可能使用卷积神经网络（CNN）结构	F1分数、像素准确率、精确率、敏感性、特异性、相关系数、平均差异	未提及
2944	2026-08-05	PharmRL: pharmacophore elucidation with deep geometric reinforcement learning 2024-12-31, BMC biology IF:4.4Q1 DOI:10.1186/s12915-024-02096-5 PMID:39736736	研究论文	开发了一种基于深度几何强化学习的方法PharmRL，用于在无配体情况下识别药效团，并在多个数据集上验证了其虚拟筛选性能	首次将深度几何Q-learning应用于药效团识别，无需配体即可自动生成药效团，且优于随机选择配体特征的方法	未在更广泛的数据集上验证，且对于复杂结合位点的泛化能力尚待进一步测试	开发一种自动化方法，在缺乏配体的情况下识别药效团，以提高虚拟筛选效率	蛋白质结合位点及无配体的蛋白质-配体复合物	计算机视觉, 机器学习, 药物设计	未指定	深度学习, 深度几何强化学习	CNN, Q-learning	蛋白质结构数据, 分子数据	包含DUD-E数据集, LIT-PCBA数据集, COVID moonshot数据集	Google Colab, 深度学习框架（具体未提及）	CNN, 深度Q网络	F1分数	未提及具体GPU，但提供了Google Colab笔记本
2945	2026-08-05	DeSide: A unified deep learning approach for cellular deconvolution of tumor microenvironment 2024-11-12, Proceedings of the National Academy of Sciences of the United States of America IF:9.4Q1 DOI:10.1073/pnas.2407096121 PMID:39514318	研究论文	介绍DeSide，一种基于深度学习的统一方法，用于通过批量RNA测序数据对肿瘤微环境进行细胞去卷积，以估计16种不同细胞类型和亚型的比例	整合生物学通路，先评估非癌细胞类型以避免癌细胞基因表达谱变异性问题，并采用独特的采样和过滤技术生成高质量训练集	未明确提及	开发一种准确且成本效益高的细胞去卷积方法，以分析肿瘤微环境中的细胞组成，并支持患者预后分层	实体瘤中的16种细胞类型和亚型，以及来自TCGA的19种癌症类型和外部数据集	机器学习	肿瘤	批量RNA测序、单细胞RNA测序	深度学习模型	基因表达数据	来自6种癌症类型的scRNA-seq数据和来自22种癌症类型的185个癌细胞系作为参考，以及TCGA批量RNA-seq数据	未明确	未明确	准确性	未明确
2946	2026-08-05	PharmRL: Pharmacophore elucidation with Deep Geometric Reinforcement Learning 2024-Sep-24, Research square DOI:10.21203/rs.3.rs-5033986/v1 PMID:39399689	研究论文	开发了一种名为PharmRL的深度几何强化学习方法，用于在无配体情况下从蛋白质结合位点识别药效团，并提高虚拟筛选性能	首次在无配体情况下利用深度几何强化学习进行药效团识别，并结合CNN模型预测有利相互作用点，优于随机选择共晶结构特征	未明确提及，但可能依赖于CNN对结合位点的特征预测精度，且算法选择子集可能受限于训练数据的多样性	开发一种无需配体共晶结构即可识别药效团的深度学习方法，以提升虚拟筛选效率	蛋白质结合位点及其中的药效团特征，应用于虚拟筛选	机器学习、药物设计	NA	深度几何强化学习、CNN模型	CNN、深度Q学习	分子结构数据（结合位点、药效团点）	DUD-E、LIT-PCBA和COVID moonshot数据集	NA	CNN、深度Q网络	F1分数	Google Colab笔记本
2947	2026-08-05	TEPCAM: Prediction of T-cell receptor-epitope binding specificity via interpretable deep learning 2024-01, Protein science : a publication of the Protein Society IF:4.5Q1 DOI:10.1002/pro.4841 PMID:37983648	研究论文	提出了一种基于交叉注意力和多通道卷积的深度学习模型TEPCAM，用于预测T细胞受体与表位的结合特异性，并增强模型的可解释性。	结合自注意力、交叉注意力机制和多通道卷积，提高了模型在未见测试集上的泛化能力，并通过提取交叉注意力层的可解释矩阵映射到三维结构，以学习TCR与表位的相互作用模式。	未明确提及，但可能受限于训练数据的多样性或模型在极端情况下的性能。	提高TCR-表位结合特异性预测的准确性和泛化能力，同时增强模型的可解释性，以支持免疫疗法的开发。	T细胞受体和表位（肽段）之间的结合特异性。	机器学习	NA	深度学习	深度学习模型（基于交叉注意力和多通道卷积）	序列数据（TCR和表位序列）	未明确提及，但涉及严格划分的数据集和外部数据集。	NA	交叉注意力、多通道卷积	未明确提及，但可能与准确率、AUC等标准指标相关。	NA
2948	2026-08-04	Training deep learning models on personalized genomic sequences improves variant effect prediction 2025-Feb-15, bioRxiv : the preprint server for biology DOI:10.1101/2024.10.15.618510 PMID:39463940	研究论文	本文展示了在个性化基因组序列上训练深度学习模型可以提高变异效应预测的性能，并保留了变异效应表征。	提出在训练序列-功能模型时使用匹配的个人基因组数据，以改善变异效应预测，这是对传统模型的创新改进。	未提及具体限制，但可能包括对未见过细胞环境和实验读出场景的泛化能力有限。	旨在训练深度学习模型以改进变异效应预测，并探索其在解释性状相关遗传变异中的应用。	个性化基因组序列和功能基因组数据，用于变异效应预测。	机器学习	NA	功能基因组学	深度学习模型	基因组序列和功能数据	NA	NA	NA	性能指标未明确，可能包括预测准确性等。	NA
2949	2026-08-04	MedFuseNet: fusing local and global deep feature representations with hybrid attention mechanisms for medical image segmentation 2025-02-11, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-89096-9 PMID:39934248	研究论文	本文提出了一种名为MedFuseNet的新型编码器-解码器架构，旨在通过混合注意力机制融合局部和全局深度特征表示，用于医学图像分割。	提出了双分支并行特征学习结构，结合CNN和Swin-Transformer，并设计了四种不同的注意力模块（ASPP、交叉注意力、自适应交叉注意力和SE注意力）用于特征融合和增强。	未在摘要中明确提及局限性。	提高医学图像分割的性能，通过融合局部和全局特征表示及混合注意力机制。	医学图像（如心脏MRI和腹部CT图像）	计算机视觉、深度学习	不适用（涉及心脏和腹部影像，但不特定于某疾病）	深度学习、卷积神经网络、Transformer	编码器-解码器架构（CNN和Swin-Transformer）	医学图像（MRI和CT）	使用ACDC和Synapse公开数据集，具体样本数量未提及	不适用（未提及具体框架）	MedFuseNet（基于CNN和Swin-Transformer，包含ASPP、交叉注意力、ACA和SE注意力模块）	Dice相似系数（DSC）	不适用（未提及具体计算资源）
2950	2026-08-04	A promising AI based super resolution image reconstruction technique for early diagnosis of skin cancer 2025-02-11, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-89693-8 PMID:39934265	研究论文	提出一种基于人工智能的超分辨率图像重建技术，用于皮肤癌早期诊断，特别是中间可疑皮肤病变的检测。	提出新颖的MELIIGAN框架，结合堆叠残差块处理大尺度放大与细粒度纹理重建，混合损失函数（含总变差正则化和Charbonnier损失）提升重建质量。	未在摘要中明确提及局限性。	解决超分辨率重建中放大时纹理细节丢失的挑战，实现中间皮肤病变的早期诊断。	皮肤镜检查图像中的中间可疑皮肤病变。	计算机视觉	皮肤癌（黑色素瘤）	超分辨率图像重建	生成对抗网络（GAN）	图像	未指定。	未指定。	MELIIGAN，堆叠残差块	SSIM（0.946），PSNR（40.12 dB）	未指定。
2951	2026-08-04	AndroPred: an artificial intelligence-based model for predicting androgen receptor inhibitors 2024-09, Journal of biomolecular structure & dynamics IF:2.7Q2 DOI:10.1080/07391102.2023.2239935 PMID:37493402	研究论文	本文介绍了一种基于人工智能的模型AndroPred，用于预测雄激素受体抑制剂，以加速前列腺癌药物发现	首次将多种机器学习与深度学习算法应用于雄激素受体抑制剂的预测，并发现深度神经网络模型性能最优，准确率达93.05%	模型缺乏实验验证，未来需通过实验分析和前瞻性测试确认其预测能力	利用人工智能算法快速预测雄激素受体抑制剂，以简化前列腺癌药物发现过程	雄激素受体抑制剂及其相关化合物	机器学习	前列腺癌	分子描述符与分子指纹分析	机器学习及深度学习模型，包括深度神经网络	化合物数据	2242个化合物	NA	深度神经网络	准确率	NA
2952	2026-08-04	Prediction of prognosis using artificial intelligence-based histopathological image analysis in patients with soft tissue sarcomas 2024-05, Cancer medicine IF:2.9Q2 DOI:10.1002/cam4.7252 PMID:38800990	研究论文	本文探索了基于人工智能的病理图像分析在软组织肉瘤患者预后预测中的应用	首次将深度学习应用于软组织肉瘤的预后预测，使用Inception v3模型从病理图像中估计生存率	样本量较小（35例），且为回顾性研究，可能影响模型的泛化性	利用深度学习从组织病理图像预测软组织肉瘤患者的预后，以辅助临床管理	软组织肉瘤患者的组织病理切片	数字病理学	软组织肉瘤	组织病理图像数字化	卷积神经网络	图像	35例软组织肉瘤患者的组织病理切片	NA	Inception v3	AUC, 准确率, F1分数	NA
2953	2026-08-04	Biclustering for Epi-Transcriptomic Co-functional Analysis 2024, Methods in molecular biology (Clifton, N.J.) DOI:10.1007/978-1-0716-3918-4_19 PMID:38907925	综述	本章介绍了用于表观转录组数据共功能分析的几种双聚类挖掘算法，以发现潜在的共功能模式，并探讨了将深度学习技术引入该领域的可能性	引入深度学习技术到表观转录组共功能分析领域	未提及具体算法性能或实验验证	介绍双聚类算法在表观转录组数据共功能分析中的应用，并推动深度学习在该领域的应用	表观转录组数据中的N6-甲基腺苷（m6A）修饰模式	生物信息学	NA	RNA-seq	双聚类算法, 深度学习	表观转录组数据	NA	NA	NA	NA	NA
2954	2026-08-04	Road extraction through Yangwang-1 nighttime light data: A case study in Wenzhou, China 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0297152 PMID:38241298	研究论文	该研究提出一种集成交叉注意力机制的改进U-Net模型（CA U-Net），用于从望洋一号夜间灯光图像中提取道路，并在温州市进行了案例研究	首次探索利用望洋一号夜间灯光数据进行道路提取，并引入交叉注意力机制改进U-Net模型，以提高道路识别和描绘的准确性	研究仅在温州市进行，可能不具有广泛代表性，且夜间灯光数据的道路提取仍处于初步阶段	旨在利用夜间灯光遥感数据提取道路网络，并验证深度学习框架在该任务中的可行性	温州市的道路网络	计算机视觉	NA	夜间灯光遥感	U-Net	图像	温州市的望洋一号夜间灯光图像（未提供具体样本数量）	NA	U-Net, 交叉注意力机制	F1分数	NA
2955	2026-08-04	Evaluating deep learning-based melanoma classification using immunohistochemistry and routine histology: A three center study 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0297146 PMID:38241314	研究论文	本研究评估了基于深度学习的黑色素瘤分类方法，使用免疫组织化学（IHC）染色的MelanA切片和常规苏木精-伊红（H&E）染色切片，并在三个中心的数据集上进行验证	首次系统比较了基于MelanA IHC切片和H&E切片的深度学习分类性能，并探索了多染色联合分类的潜在优势	未指明具体限制，可能包括数据集的多样性和泛化性限制	评估深度学习在黑色素瘤诊断中利用IHC和常规组织学切片的效能，并探索多染色联合分类的改进	黑色素瘤组织切片，包括MelanA IHC染色和H&E染色切片	数字病理学	黑色素瘤	免疫组织化学（IHC）染色、苏木精-伊红（H&E）染色	ResNet	组织病理学图像	三个中心的数据集，具体样本数未提供	NA	ResNet	AUROC（曲线下面积）	NA
2956	2026-08-04	Coupling analysis of heart rate variability and cortical arousal using a deep learning algorithm 2023, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0284167 PMID:37023117	研究论文	本研究利用深度学习算法分析心率变异性与皮层觉醒之间的耦合关系，基于多民族动脉粥样硬化研究数据集中的心电图信号，发现皮层觉醒期间心率及HRV增加，且反应因性别和睡眠阶段而异	首次在种族多样人群中通过深度学习工具自动标注皮层觉醒事件，并结合时间分析区分觉醒病因，探索皮层觉醒与HRV的瞬时关联	未在文中明确提及具体限制，但可能包括样本特异性或对ECG信号分析的依赖性	探讨皮层觉醒与心率变异性之间的瞬时关联，并分析其在不同性别、睡眠阶段及觉醒病因下的变化	1,069名受试者的整夜心电图信号及皮层觉醒事件	数字病理学	睡眠呼吸障碍	心电图信号分析	深度学习模型	心电图信号	1,069名受试者的整夜心电图信号	NA	NA	NA	NA
2957	2026-08-04	MR image reconstruction using deep learning: evaluation of network structure and loss functions 2019-Sep, Quantitative imaging in medicine and surgery IF:2.9Q2 DOI:10.21037/qims.2019.08.10 PMID:31667138	研究论文	评估深度学习在心脏磁共振图像重建中的应用，比较不同网络结构和损失函数的性能	在真实临床背景下评估了深度学习方法用于加速心脏磁共振成像，并发现Resnet以显著更少的参数达到与Unet相当的图像质量，同时感知损失函数在放射科医师评分中表现最优	未明确提及，但可能受限于特定临床数据集和评估场景	评估卷积神经网络重建方法在临床心脏磁共振成像中的效果，并比较不同网络结构和损失函数	心脏磁共振图像，使用回顾性和前瞻性欠采样数据	医学影像，深度学习	心脏病	磁共振成像，卷积神经网络重建	CNN（卷积神经网络）	图像	未明确提及具体样本数量	NA	Unet、Resnet	图像质量评分（放射科医师定性评估），定量评估指标	NA
2958	2026-08-03	Optimized cortical EEG modeling for Parkinson disease diagnosis with snow Shepherd Stride tuning mechanism 2026-Dec, Cognitive neurodynamics IF:3.1Q2 DOI:10.1007/s11571-025-10406-y PMID:41657964	研究论文	提出了一种结合堆叠自编码器和MobileNet的CortiMoS-Net模型，用于从EEG信号中准确检测帕金森病，并引入优化的S3C-Tune混合调优算法提升性能	首次将深度堆叠自编码器与低计算量的MobileNet卷积块结合用于帕金森病EEG信号分类，并提出新的Snow Shepherd Stride配置调优（S3C-Tune）混合优化技术以增强模型收敛和参数优化	未明确提及局限，但可推断可能存在对EEG噪声的敏感性以及跨受试者泛化性的挑战	开发一种准确、计算可扩展的EEG分析方法，旨在改善帕金森病的早期诊断和临床管理	帕金森病患者与健康对照的脑电图（EEG）信号	机器学习, 数字病理学	帕金森病	脑电图（EEG）信号分析	堆叠自编码器, MobileNet	信号数据（EEG）	未明确提供	NA	堆叠自编码器, MobileNet	准确率, 精确率, 召回率, F1分数, 错误率, 损失值	NA
2959	2026-08-03	Deep Learning Analysis of Prenatal Ultrasound for Identification of Ventriculomegaly 2026-Sep, Ultrasound in medicine & biology DOI:10.1016/j.ultrasmedbio.2026.05.011 PMID:42236425	研究论文	开发并评估一种基于超声数据预训练的基础模型，用于检测产前超声图像中的脑室增大	使用专门在超声数据上预训练的视觉变换器自监督基础模型，提升了脑室增大检测的分类性能和泛化能力	未在摘要中明确提及局限性	开发并评估深度学习模型，用于检测产前超声图像中的脑室增大	胎儿脑部超声图像	计算机视觉	胎儿脑室增大	超声成像	视觉变换器	图像	超过37万张超声图像用于预训练；胎儿脑部图像数据集用于微调	NA	USF-MAE, VGG-19, ResNet-50, ViT-B/16, MoCo v3	准确率, 精确率, 召回率, 特异性, F1分数, AUC(ROC), AUC(PR)	NA
2960	2026-08-03	A Synthetic Data-Augmented Deep Learning Framework for Robust Segmentation and Quantification of the Carotid Artery in Ultrasound Images 2026-Sep, Ultrasound in medicine & biology DOI:10.1016/j.ultrasmedbio.2026.05.005 PMID:42242994	研究论文	提出了一种基于条件扩散模型和ControlNet的合成数据生成框架（CU-CDGF），用于增强超声图像中颈动脉分割性能，缓解数据稀缺问题。	创新性地将条件扩散模型与ControlNet结合应用于颈动脉超声图像生成，并通过盲测验证了图像的感知真实性，显著提高了下游分割网络的性能。	未在文中提及明确局限性。	开发和评估一种合成数据生成框架，以提高深度学习在超声图像中自动分割颈动脉的性能，缓解标注数据稀缺问题。	颈动脉超声图像及其分割掩膜。	计算机视觉	颈动脉疾病	NA	扩散模型	图像	未明确样本数量，但使用了内部测试集和独立外部测试集。	PyTorch	ControlNet	Fréchet Inception Distance (FID), Dice系数	NA