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
2961	2026-08-28	HELP-TCR: Harmonized Explainable Language Processing Toolkit for T Cell Antigen Receptor Repertoires 2026, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.34133/csbj.0117 PMID:42644114	研究论文	提出HELP-TCR，一种基于自然语言处理的可解释机器学习框架，用于T细胞抗原受体库的样本分类和生物学解释	整合低维可解释特征提取与稳健分类性能，采用非参数概率方法建模位置特异性氨基酸分布，引入共识分组方法提高可重复性，并利用改进的ResNet-18架构和显著图进行后验分析	未明确提及局限性	开发一种可解释的机器学习框架，用于T细胞受体库的功能性分类和生物学特征识别	T细胞抗原受体库样本	机器学习	NA	NA	ResNet-18	序列数据	自助法生成的TCR序列数据集（具体数量未提供）	NA	改进的ResNet-18	AUC	NA
2962	2026-08-28	A deep learning approach to mild cognitive impairment detection from electroencephalogram signals 2026, Dementia & neuropsychologia DOI:10.1590/1980-5764-DN-2025-0364 PMID:42644178	研究论文	本文提出了一种基于脑电信号和深度学习的方法来检测轻度认知障碍	创新性地将深度学习应用于脑电信号分析，以非侵入性、高效的方式检测轻度认知障碍，相较于传统神经心理学测试和影像学方法具有更好的可访问性和效率	摘要未提及明确的局限性	旨在开发一种基于脑电信号的深度学习框架，用于早期检测轻度认知障碍	轻度认知障碍患者及其脑电信号	机器学习	轻度认知障碍	脑电图（EEG）	深度学习模型	脑电信号	NA	NA	NA	NA	NA
2963	2026-08-28	From prediction of personalized metabolic responses to foods to computational nutrition: Concepts of an emerging interdisciplinary field 2025-12, Clinical nutrition (Edinburgh, Scotland) DOI:10.1016/j.clnu.2025.10.009 PMID:41176812	研究论文	提出计算营养学作为一个新兴跨学科领域，旨在通过统计和计算机科学方法及多模态数据解决营养与健康的复杂挑战。	首次系统提出计算营养学的概念框架，整合人工智能、可穿戴生物传感器和多组学技术，以推动精准营养研究范式的转变。	未提供具体实验验证或实证数据，仅提出概念框架和未来研究方向。	建立计算营养学作为新兴跨学科领域，以应对营养研究中的复杂挑战并推动范式转变。	个性化代谢反应、膳食参考摄入量、营养干预效果、饮食相关疾病风险、公共卫生政策及膳食模式可持续性。	机器学习	饮食相关疾病	统计建模、模拟、因果推断、机器学习、深度学习、多组学、可穿戴生物传感器	机器学习模型、深度学习模型	多模态数据（包括组学数据、传感器数据等）	NA	NA	NA	NA	NA
2964	2026-08-28	Temporal structure of natural language processing in the human brain corresponds to layered hierarchy of large language models 2025-Nov-26, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-65518-0 PMID:41298357	研究论文	本研究利用脑皮层电图数据，证明大型语言模型的层级结构与人类大脑语言理解的时间动态相一致	首次展示大型语言模型的层层次与大脑语言理解时间动态的对齐，并发布对齐的神经和语言数据集作为公共基准	未在摘要中明确指出局限性	探究大型语言模型的层级结构与大脑语言理解时间动态的对应关系	人类大脑的语言处理过程，具体包括布罗卡区和语言相关区域	自然语言处理	不适用	脑皮层电图	大型语言模型	脑皮层电图数据和叙事音频	参与者数量未在摘要中明确，数据来自30分钟叙事的聆听过程	不适用	GPT-2 XL, Llama-2	相关性和预测准确度，具体指标未在摘要中明确	未在摘要中提及
2965	2026-08-28	A deep learning-based approach for measuring patellar cartilage deformations from knee MR images 2025-Nov, Journal of biomechanics IF:2.4Q3 DOI:10.1016/j.jbiomech.2025.112930 PMID:40915052	研究论文	开发并评估基于深度学习（2D和3D U-Net）的自动分割方法，用于从膝关节MR图像中测量髌骨软骨变形	首次将自动分割网络应用于运动诱导的髌骨软骨变形测量，避免了手动分割的耗时和变异性	未明确提及，但可能包括数据集规模有限（109张MR扫描）和仅评估了跳跃活动后的短期变形	开发卷积神经网络分割髌骨和髌骨软骨，并评估其测量运动诱导软骨变形的能力	膝关节MR图像中的髌骨和髌骨软骨	计算机视觉、数字病理学	膝骨关节炎	MRI	U-Net（2D和3D）	图像（MR扫描）	109个膝关节MR扫描	NA	U-Net（2D和3D）	平均Dice相似系数（mDSC）、组内相关系数（ICC）、平均差异、应变百分比	NA
2966	2026-08-28	Gait data generation using lightweight generative deep learning framework 2025-11, Journal of biomechanics IF:2.4Q3 DOI:10.1016/j.jbiomech.2025.112951 PMID:40957131	研究论文	提出一种轻量级混合深度学习框架FNN-AE，用于生成人体步态数据，以解决数据稀缺和计算资源限制问题	首次将前馈神经网络与自编码器集成，构建轻量级混合模型，在保持数据保真度的同时大幅降低计算复杂度，并通过牛顿运动方程和OpenSim平台验证生成数据的生物力学可行性	未提及具体局限性，但模型仅验证了步态数据生成，可能对其他类型数据或更复杂场景的适用性有待探索	开发一种计算高效的生成模型，以缓解步态数据稀缺问题，并确保生成数据在临床和生物力学应用中的可行性	人体步态数据	机器学习	NA	生成对抗网络（GAN）	前馈神经网络和自编码器	步态数据（可能为时间序列或数值数据）	NA	NA	FNN-AE	数据保真度	NA
2967	2026-08-28	Comparison of kinematics between markerless and marker-based motion capture systems for change of direction maneuvers 2025-11, Journal of biomechanics IF:2.4Q3 DOI:10.1016/j.jbiomech.2025.112965 PMID:40974779	研究论文	本研究比较了无标记和基于标记的运动捕捉系统在变向动作中的运动学数据，评估无标记系统的适用性。	首次在变向动作中对比无标记和基于标记的运动捕捉系统的运动学数据，利用深度学习进行无标记姿态估计。	关节角度存在显著差异，比较幅度时需谨慎，可能受系统特定差异影响。	评估无标记运动捕捉系统在变向动作运动学分析中的适用性和可靠性。	23名男性参与者的90°变向动作。	运动生物力学	NA	光学运动捕捉（基于标记和无标记）	深度学习模型	运动学数据（三维关节角度）	23名男性参与者，每人5次90°变向动作	NA	深度学习（具体架构未指定）	Bland-Altman分析，组内相关系数（ICC），均方根偏差（RMSD），归一化均方根误差（NRMSE）	NA
2968	2026-08-28	PathoRM: Computational inference of pathogenic RNA methylation sites by incorporating multi-view features 2025-11, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1013654 PMID:41212924	研究论文	开发了PathoRM，一种基于生物学信息的深度学习模型，用于推断RNA甲基化位点与疾病之间的关联，并整合多视图特征。	结合大型语言模型、多视图学习、图神经网络、对抗训练和基于‘guilty-by-association’的负采样方法，并引入注意力机制提供生物学可解释性。	未在摘要中提及具体局限性。	通过计算方法准确推断致病性RNA甲基化位点，以辅助疾病治疗和表观转录组研究。	RNA甲基化位点及其与疾病的关联。	生物信息学	多种疾病（未指定）	RNA甲基化测序（推测，摘要未明确）	深度学习模型	序列数据和文本描述	未提供	未指定	大型语言模型、图神经网络	准确率、鲁棒性（具体指标未提及）	未提供
2969	2026-08-28	Automated C. elegans behavior analysis via deep learning-based detection and tracking 2025-11, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1013707 PMID:41218058	研究论文	提出了一种基于深度学习的自动化秀丽隐杆线虫行为分析方法，整合YOLOv8和ByteTrack实现多线虫实时精准追踪及运动参数定量分析	创新性地将YOLOv8与ByteTrack集成，开发了增强型线虫检测框架，支持多线虫同时追踪和自动提取多种行为参数，提高了追踪连续性和鲁棒性	未在摘要中明确提及局限性	实现秀丽隐杆线虫行为的高通量、自动化分析，提升实验效率和准确性，为药物筛选和基因功能研究提供工具	秀丽隐杆线虫（Caenorhabditis elegans）	计算机视觉	NA	深度学习	YOLOv8, ByteTrack	图像	NA	NA	YOLOv8, ByteTrack	精确度, 召回率, mAP50, 帧率	NA
2970	2026-08-28	SpaMWGDA: Identifying spatial domains of spatial transcriptomes using multi-view weighted fusion graph convolutional network and data augmentation 2025-11, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1013667 PMID:41223185	研究论文	提出一种基于多视图加权融合图卷积网络和数据增强的深度学习模型SpaMWGDA，用于识别空间转录组中的空间域	采用多视图加权融合GCN和对比学习，通过不同相似性度量捕捉全面的邻域信息，利用视图级注意力机制自适应融合关键特征，解决固定相似性度量、融合噪声和非线性特征忽略等局限	未明确提及局限性，可能涉及计算复杂性或泛化性验证不足	提高空间转录组数据中空间域的识别准确性，并支持轨迹推断和组织结构与功能分析	空间转录组数据中的细胞和空间信息	数字病理学	不适用	空间转录组测序	图卷积网络（GCN）	基因表达和空间信息数据	不适用	PyTorch	多视图加权融合GCN	准确率、AUC	不适用
2971	2026-08-28	Improving the accuracy of automated labeling of specimen images datasets via a confidence-based process 2025-11, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1013650 PMID:41223204	研究论文	本文提出并验证了一种基于置信度阈值的方法，通过拒绝低置信度标签来显著提高自然历史标本图像数据集自动标注的准确性。	该方法利用神经网络对生成标签的置信度以及用户定义的阈值来拒绝不合格标签，从而在保持灵活性的同时大幅提升标注准确率，并公开了一个包含60万以上标本的标注数据集。	未明确提及局限性，但高置信度阈值会导致部分标签被拒绝，覆盖范围减少。	提高基于卷积神经网络的标本图像自动标注的准确性，使其可用于实际研究，并探讨标注结果中的生物学趋势。	自然历史标本图像，特别是超过60万个植物标本的图像数据集。	计算机视觉	不适用	深度学习、卷积神经网络	卷积神经网络（CNN）	图像	超过60万个植物标本图像	未提及	卷积神经网络（CNN）	准确率	未提及
2972	2026-08-28	OneProt: Towards multi-modal protein foundation models via latent space alignment of sequence, structure, binding sites and text encoders 2025-11, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1013679 PMID:41231876	研究论文	介绍了一种名为OneProt的蛋白质多模态深度学习模型，通过将序列、结构、结合位点和文本编码器的潜在空间对齐，整合多种蛋白质数据。	采用ImageBind框架进行轻量级微调，仅需成对序列对齐而非完全匹配，并首次引入结合位点编码器到多模态蛋白质模型中。	文中未明确提及局限性。	开发一种多模态蛋白质基础模型，以提升蛋白质机器学习任务的预测性能，并探索不同模态编码器的作用。	蛋白质序列、结构、结合位点及文本描述数据。	多模态深度学习、蛋白质机器学习	NA	深度学习、多模态对齐	图神经网络与Transformer混合模型	序列、结构、结合位点、文本	未明确说明	ImageBind	图神经网络、Transformer	检索任务性能、下游基线性能	未明确说明
2973	2026-08-28	Physics-informed deep learning for infectious disease forecasting 2025-11, Journal of the Royal Society, Interface DOI:10.1098/rsif.2025.0379 PMID:41290140	研究论文	本文利用物理信息神经网络（PINNs）进行传染病预测，并在加利福尼亚州的COVID-19数据上验证了其性能	将疾病传播的动力学系统表示整合到损失函数中，并结合一个子网络来考虑流动性、疫苗剂量和协变量对传播速率的影响	研究中使用的数据仅限于加利福尼亚州，可能限制了模型的泛化性；PINNs模型与高斯感染状态模型的比较未涉及其他地区或疾病	改进传染病预测方法，提高预测能力，以更好地应对未来疫情	传染病预测模型，具体是COVID-19病例数、死亡数和住院人数	科学机器学习	COVID-19	NA	物理信息神经网络（PINNs）	时序数据（病例数、死亡数、住院数、流动性、疫苗剂量）	加利福尼亚州级别的数据	NA	物理信息神经网络（PINNs），包含主网络和子网络	与基准模型比较的预测准确性	NA
2974	2026-08-28	Relation knowledge distillation 3D-ResNet-based deep learning for breast cancer molecular subtypes prediction on ultrasound videos: a multicenter study 2025-Nov, British journal of cancer IF:6.4Q1 DOI:10.1038/s41416-025-03146-7 PMID:40858830	research paper	本研究开发并验证了一种基于关系知识蒸馏的三维残差网络（RKD-R3D）模型，利用超声视频预测乳腺癌分子亚型，以辅助临床个体化管理。	首次将关系知识蒸馏与三维残差网络结合，应用于超声视频进行乳腺癌分子亚型四分类预测，并进行了多中心验证。	文章摘要中未提供明确的局限性信息。	开发并测试一种基于超声视频的RKD-R3D模型，用于非侵入性预测乳腺癌分子亚型，以改善临床管理。	882名乳腺癌患者（2375个超声视频和9499张图像）及86名外部测试队列患者，病理确诊为四种St. Gallen分子亚型（Luminal A、Luminal B、HER2阳性、三阴性）。	computer vision, machine learning	breast cancer	NA	3D-ResNet, RKD-R2D, traditional R3D	video, image	882名患者（训练、验证和内部测试队列）以及86名患者（外部测试队列）	NA	3D-ResNet, R2D-ResNet, R3D-ResNet	AUC, sensitivity, specificity, accuracy, balanced accuracy, precision, recall, F1-score	NA
2975	2026-08-28	Labeled dataset of X-ray protein ligand images in 3D point cloud and validated deep learning models 2025-10-31, Scientific data IF:5.8Q1 DOI:10.1038/s41597-025-06002-8 PMID:41173949	研究论文	提出了LigPCDS，首个化学标记的蛋白质配体三维点云数据集，并验证了基于该数据集的深度学习语义分割模型	首次将蛋白质配体的X射线晶体学实验数据转换为带化学标签的三维点云格式，采用基于原子和环状结构排列的化学词汇进行逐点标注	未提及具体限制，但可能包括数据覆盖范围有限或模型泛化能力待验证	构建可用于蛋白质配体结构解析、虚拟筛选、药物设计和基础生物学功能理解的数据集和深度学习模型	蛋白质配体（小有机分子）的三维点云图像	计算机视觉	不适用	X射线晶体学	语义分割深度学习模型	三维点云图像	分层数据集来自LigPCDS，具体样本数未在摘要中提及	未明确提及	语义分割模型架构未具体指定	性能指标未具体指定，但提及恢复化学结构有良好性能	未提及计算资源
2976	2026-08-28	The Duke University Cervical Spine MRI Segmentation Dataset (CSpineSeg) 2025-10-27, Scientific data IF:5.8Q1 DOI:10.1038/s41597-025-05975-w PMID:41145519	研究论文	本文介绍了一个公开可用的颈椎MRI分割数据集CSpineSeg，包含1,255次MRI检查和1,232名患者的数据，并提供了481名患者的专家手动语义分割标注，同时提出了一个可作为基准的深度学习分割模型	首次公开了大规模的颈椎MRI分割数据集，包含专家手动标注，并提供了基准分割模型	未明确说明	为深度学习分割模型的训练和评估提供资源，促进颈椎研究	颈椎MRI图像及其椎体、椎间盘的分割	医学影像分析	颈椎疾病	MRI	深度学习分割模型	MRI图像	1,255次MRI检查来自1,232名患者，其中481名患者有专家手动分割标注	未明确说明	未明确说明	Dice系数	未明确说明
2977	2026-08-28	Lung Ultrasound Imaging Dataset for Accurate Detection and Localization of LUS Vertical Artifact 2025-10-16, Scientific data IF:5.8Q1 DOI:10.1038/s41597-025-05854-4 PMID:41102221	研究论文	本研究介绍了一个包含401张高分辨率肺部超声图像的标注数据集，用于准确检测和定位LUS垂直伪影，并为深度学习模型的训练和评估提供资源。	提供了一个专门针对LUS垂直伪影的带多边形边界框标注的高质量数据集，解决了该领域标注数据稀缺的问题，为自动化检测和定位深度学习模型的开发奠定基础。	数据集样本数量有限，且仅来自乌干达的两家医院，可能限制了模型的泛化能力。	创建一个标注的肺部超声垂直伪影数据集，以支持深度学习模型对LUS垂直伪影进行准确检测和定位，推动AI辅助诊断工具的进步。	肺部超声图像中的垂直伪影	计算机视觉、医学影像分析	肺部疾病（包括肺水肿、间质性肺病、肺炎和COVID-19）	超声成像	NA	图像	401张高分辨率LUS图像，来自152名患者	NA	NA	NA	NA
2978	2026-08-28	Spine endoscopic atlas: an open-source dataset for surgical instrument segmentation 2025-10-02, Scientific data IF:5.8Q1 DOI:10.1038/s41597-025-05897-7 PMID:41038904	研究论文	本文创建了一个用于手术器械分割的脊柱内镜图谱（SEA）数据集，包含48,510张图像和10,662个器械分割，并验证了五个模型以提高复杂条件下的分割准确性	首次创建了涵盖脊柱内镜手术中所有常用器械的开放获取数据集，基于真实手术场景，为深度学习模型训练提供了基础	未提及具体限制	促进脊柱内镜手术中AI辅助系统的开发，提高手术器械分割的准确性	脊柱内镜手术器械	计算机视觉	脊柱疾病	图像标注	深度学习分割模型	图像	48,510张图像和10,662个器械分割	未提及	未提及，但验证了五个模型	分割准确性	未提及
2979	2026-08-28	Multi-phase deep learning model for automated disease classification from cardiac cine MRI 2025-10, Journal of the Royal Society, Interface DOI:10.1098/rsif.2025.0303 PMID:41089036	研究论文	开发了一种多阶段深度学习模型，用于从心脏电影MRI中自动分类常见心血管疾病，并提供了模型可解释性。	提出了一种结合舒张末期和收缩末期阶段的多阶段深度学习模型，以纳入心脏功能信息，优于单阶段模型，并利用可解释性可视化心脏区域特征。	未提供明确限制，但可推测依赖单一数据集和有限样本量可能影响泛化性。	开发用于从电影MRI自动分类常见心血管疾病的深度学习模型，并提供模型可解释性以建立临床信任。	心脏电影MRI图像，包括舒张末期和收缩末期阶段。	医学影像分析	心血管疾病	磁共振成像（MRI）	深度学习模型	图像	未提供具体样本量	未提供	ResNet, DenseNet, VGG	F1-score	未提供
2980	2026-08-28	Physics-informed deep learning for plasmonic sensing of nanoscale protein dynamics in solution 2025-09-26, Science advances IF:11.7Q1 DOI:10.1126/sciadv.adw0783 PMID:41004578	研究论文	本文介绍了一种结合物理信息深度学习的中红外等离激元传感器，用于溶液中纳米尺度蛋白质二级结构的定量分析。	创新点在于将合成复频率波（s-CFW）与卷积神经网络（CNN）结合，增强目标光谱特征，提高了蛋白质二级结构预测的准确性。	摘要中未提及明显的局限性。	解决深度学习中数据稀缺问题，实现对生理环境下蛋白质动态和相互作用的实时定量预测。	溶液中的纳米尺度蛋白质，特别是尺寸小于10纳米的蛋白质。	机器学习和数字病理学	不适用	中红外等离激元传感技术，合成复频率波（s-CFW）技术	卷积神经网络（CNN）	光谱数据	未提及具体样本数量，涉及亚10纳米蛋白质	未明确提及，可能使用PyTorch或TensorFlow	卷积神经网络（CNN）	平均相对误差	未提及具体计算资源