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
321	2026-05-16	Deep Learning for Inference of Hepatic Proton Density Fat Fraction From T1-Weighted In-Phase and Opposed-Phase MRI: Retrospective Analysis of Population-Based Trial Data 2023-11, AJR. American journal of roentgenology DOI:10.2214/AJR.23.29607 PMID:37466189	research paper	使用深度学习从常规T1加权同/反相位MRI推断肝脏质子密度脂肪分数，并进行回顾性分析	首次使用卷积神经网络从常规T1加权IOP图像推断PDFF，替代不广泛可用的CSE-MRI序列	在中重度铁过载患者中的表现需进一步研究	比较基于深度学习的PDFF推断与两点Dixon信号FF在肝脏脂肪定量中的准确性	292名参与者（203名女性，89名男性）的肝脏MRI数据	计算机视觉	非酒精性脂肪肝病	MRI	卷积神经网络	图像	292名参与者（218人训练，74人测试）	PyTorch	卷积神经网络	组内相关系数，偏差，95%一致性界限	NA
322	2026-05-16	Identification of potential inhibitors against E.coli via novel approaches based on deep learning and quantum mechanics-based atomistic investigations 2023-10-01, Archives of biochemistry and biophysics IF:3.8Q1 DOI:10.1016/j.abb.2023.109761 PMID:37734644	研究论文	该研究结合深度学习和量子力学方法，从大量分子中筛选出两个潜在的大肠杆菌DNA旋转酶抑制剂	基于深度学习的分子对接与量子力学计算相结合，对45,257,086个分子进行虚拟筛选，发现两个新型抑制剂	仅进行计算机模拟研究，缺乏体外或体内实验验证	发现针对大肠杆菌DNA旋转酶的新型抑制剂以应对抗生素耐药性问题	大肠杆菌DNA旋转酶及MCULE数据库中45,257,086个分子	机器学习	细菌感染	药效团建模、虚拟筛选、分子对接、密度泛函理论、分子动力学模拟	深度学习	分子结构数据	MCULE数据库中45,257,086个分子（包含223,460,579个构象）	NA	NA	结合能（kcal/mol）	NA
323	2026-05-16	Head and neck tumor segmentation convolutional neural network robust to missing PET/CT modalities using channel dropout 2023-04-25, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/accac9 PMID:37019119	研究论文	提出一种基于通道丢弃技术的3D U-Net卷积神经网络，用于头颈癌肿瘤分割，能够灵活处理缺失的PET/CT模态	引入通道丢弃技术模拟不同输入模态组合，使单一模型在仅有CT或PET单模态以及两者结合时均保持高性能，同时采用传统卷积和扩张卷积结合的双感受野集成建模方法	未提及	开发一种鲁棒、准确且自动化的头颈癌原发肿瘤体积分割方法，提升放射治疗中的临床适用性	头颈癌患者的CT和FDG-PET影像	数字病理学	头颈癌	CT, FDG-PET	卷积神经网络 (CNN)	图像	未明确提及	PyTorch	3D U-Net	Dice相似系数 (DSC)	未提及
324	2026-05-16	Integrating multimodal information in machine learning for classifying acute myocardial infarction 2023-04-18, Physiological measurement IF:2.3Q3 DOI:10.1088/1361-6579/acc77f PMID:36963114	研究论文	利用多模态信息通过机器学习方法对急性心肌梗死进行分类	提出了一种新颖的多模态深度学习架构，能够从心电信号和患者人口统计学信息中学习联合特征，并通过考虑心肌梗死混淆条件（如其他心脏疾病）来改进模型在实际临床场景中的性能	未明确提及，但可能包括数据集的规模限制或模型在真实世界应用中的泛化能力	探索多模态信息（心电信号与患者信息）对机器学习模型在急性心肌梗死分类中的影响，并推动模型向真实临床应用迈进	急性心肌梗死患者和健康对照者，以及具有心肌梗死混淆条件的其他心脏疾病患者	机器学习	心血管疾病	NA	深度学习	心电信号与人口统计学数据	使用了公共大规模心电数据集中的录音记录	NA	NA	AUC，准确率	NA
325	2026-05-16	Memory efficient model based deep learning reconstructions for high spatial resolution 3D non-cartesian acquisitions 2023-03-23, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/acc003 PMID:36854193	研究论文	开发了一种名为块式学习的记忆高效方法，结合梯度检查点和块训练，实现基于模型深度学习的高空间分辨率三维非笛卡尔MRI重建	提出块式学习方法，将输入体积分解为小补丁进行梯度检查点和迭代正则化，显著降低GPU内存需求，克服了三维非笛卡尔MBDL重建的内存瓶颈	NA	提高高空间分辨率三维非笛卡尔MRI重建的内存效率和图像质量	高度欠采样的磁共振血管造影体积	机器学习	肺部疾病	MRI	深度学习模型	图像	矩阵尺寸为300-450×200-300×300-450的体积	PyTorch	块式学习网络	图像质量, 重建时间	单个GPU
326	2026-05-16	Ten quick tips for deep learning in biology 2022-03, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1009803 PMID:35324884	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
327	2026-05-16	Integrative multiomics-histopathology analysis for breast cancer classification 2021-Nov-29, NPJ breast cancer IF:6.5Q1 DOI:10.1038/s41523-021-00357-y PMID:34845230	研究论文	开发弱监督深度学习模型，分析乳腺癌H&E染色切片与多组学状态（基因表达、突变）之间的关系	首次系统探索乳腺癌组织学形态与多组学状态之间的关联，并利用深度学习从视觉信号中预测受体状态和基因突变	未在摘要中明确提及限制	研究乳腺癌组织学形态与临床亚型、基因表达和突变状态的关系	乳腺癌患者的H&E染色活检切片及其多组学数据	数字病理学	乳腺癌	H&E染色组织切片分析	弱监督深度学习模型	图像	独立验证队列（具体数量未提供）	NA	NA	AUC（受试者工作特征曲线下面积）	NA
328	2026-05-16	Derivatization Design of Synthetically Accessible Space for Optimization: In Silico Synthesis vs Deep Generative Design 2021-Feb-11, ACS medicinal chemistry letters IF:3.5Q2 DOI:10.1021/acsmedchemlett.0c00540 PMID:33603964	研究论文	提出了一种基于人工智能辅助正向合成的衍生化设计技术，用于先导化合物优化中的分子生成	将人工智能辅助正向合成与分子设计相结合，自动生成具有合成可行性、试剂可用性和成本数据的近邻类似物及骨架变体	文中未明确提及局限性	开发一种新的衍生化设计技术，以加速先导化合物优化过程并降低研发成本	DDR1抑制剂类似物	机器学习	NA	AI辅助正向合成	NA	分子结构数据	未明确说明	NA	NA	NA	NA
329	2026-05-16	Wide and deep learning for automatic cell type identification 2021, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2021.01.027 PMID:33613870	研究论文	提出宽深度学习（WDL）方法用于单细胞数据中自动细胞类型识别	通过结合宽组件和深度神经网络，并引入正则化（dropout和L1/L2正则化），在跨平台不同癌症类型数据上显著提升细胞分类准确率	未明确讨论计算资源消耗、模型训练时间及对大规模异构数据的泛化能力	开发一种能处理高维数据并保留生物意义的细胞分类预测模型	肿瘤微环境中的免疫细胞及其亚型（如CD4+和CD8+ T细胞）	机器学习	癌症	单细胞测序	宽深度神经网络	单细胞转录组数据	黑素瘤数据（10X平台）和基底细胞癌数据（SMART-seq平台）	NA	WDL	准确率	NA
330	2026-05-16	Blood Biochemistry Analysis to Detect Smoking Status and Quantify Accelerated Aging in Smokers 2019-01-15, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-018-35704-w PMID:30644411	研究论文	利用血常规和生化检测结果结合深度学习技术预测吸烟状态并量化吸烟导致的生物衰老加速	首次证明可通过血生化指标和人工智能检测吸烟状态，并定量评估吸烟对生物衰老速率的影响	NA	评估吸烟对生物衰老速率的影响，并开发基于血常规检测的吸烟状态预测方法	吸烟者和非吸烟者的血液样本	机器学习	心血管疾病、癌症	血生化分析	深度学习模型	表格数据	NA	NA	NA	NA	NA
331	2026-05-15	Deep learning based on CD3 histological slides for prediction of colon cancer outcome: analysis of three international stage III colon cancer cohorts 2026-Dec-31, Oncoimmunology IF:6.5Q1 DOI:10.1080/2162402X.2026.2668797 PMID:42100890	研究论文	基于CD3组织学切片的深度学习模型用于预测III期结肠癌患者预后，对三个国际队列进行了分析	首次通过深度学习自动分析CD3染色切片中的肿瘤核心和侵袭边缘区域，实现稳健且可重复的预后分层，且不受染色和扫描变异影响	在TC分析的外部验证中p值=0.12，未达到显著差异；模型性能优于传统临床变量和CD3计数，但后者在不同队列间存在变异性	开发深度学习模型自动分析CD3染色组织切片以改善III期结肠癌的预后预测	来自三个国际队列（PETACC08、PRODIGE-13和HARMONY）的1737名III期结肠癌患者	数字病理学	结肠癌	CD3免疫组化染色	卷积神经网络	组织学切片图像	1737名患者（来自三个国际队列）	PyTorch	VGG19, UNI	无病生存期	NA
332	2026-05-15	Individualized Treatment Effect Inference of Head and Neck Cancer with Multimodal Data 2026-Dec-14, APSIPA Transactions on Signal and Information Processing DOI:10.1108/atsip-06-2025-0051 PMID:42125301	研究论文	开发一个端到端深度学习框架，利用多模态患者数据和多种治疗方法，在头颈癌回顾性研究中准确推断个体化治疗效果	提出双阶段自适应实例归一化（Bi-AdaIN）实现灵活高效的治疗条件信息融合，并通过互信息正则化从多治疗变量中解耦患者状态特征，增强了因果效应的稳健估计	基于回顾性观察数据，可能仍存在未观测到的混杂因素；对复杂多模态数据和多种治疗方案的对抗训练方法存在不稳定性	实现基于多模态数据的头颈癌个体化治疗效果准确推断，为临床决策支持提供反事实推理方法	头颈癌患者的多模态数据，包括CT扫描图像和多种临床变量	机器学习, 数字病理学	头颈癌	CT扫描	深度学习	图像, 表格数据	3346例头颈癌病例	PyTorch	Bi-AdaIN	偏倚调整治疗效果	NA
333	2026-05-15	Interpretable three-dimensional deep learning identifies and reveals the spatial Microstructure of multi-enzyme degradation of lignocellulose 2026-Aug, Bioresource technology IF:9.7Q1 DOI:10.1016/j.biortech.2026.134730 PMID:42049101	研究论文	建立可解释的三维深度学习框架，结合微流控平台，表征多酶处理下木质纤维素的微结构演化	首次将可解释三维深度学习与微流控平台结合，实现多酶降解木质纤维素空间微结构的无损定量分析	仅使用均质木材作为模型底物，多样性底物的适用性未验证	理解和阐明多酶降解木质纤维素的微观结构机制	木质纤维素在多种酶处理（纤维素酶、木质素过氧化物酶、漆酶）下的微结构演化	计算机视觉	NA	共聚焦显微镜成像、扫描电子显微镜	三维卷积神经网络	三维图像	标准化微流控三维空间数据集	PyTorch	DenseNet121-CBAM	预测性能、泛化能力	NA
334	2026-05-15	Multimodal large language models for food safety detection within deep learning frameworks: a review 2026-Jun-30, Food chemistry IF:8.5Q1 DOI:10.1016/j.foodchem.2026.149208 PMID:41974072	综述	综述了基于深度学习的多模态大语言模型在食品安全检测中的应用，涵盖技术进展、应用案例及未来挑战	系统总结了从深度学习到跨模态智能的演进，以及多模态融合机制在食品安全检测中的创新应用	数据资源有限、可靠智能生成、能效与安全性等挑战尚待解决	探讨多模态大语言模型在食品安全检测中的潜力与发展方向	食品安全检测中的多模态数据（如图像、文本、光谱等）及供应链监测场景	自然语言处理, 计算机视觉	NA	多模态感知、自监督预训练、知识增强	多模态大语言模型（MLLM）	多模态数据（图像、文本、光谱等）	NA	深度学习框架（未明确指定具体框架）	跨模态智能架构（未明确具体网络）	NA	NA
335	2026-05-15	Chemometrics, VIS-NIR-SWIR spectroscopy, and deep learning algorithms to classify and predict qualitative attributes of rice in grain processing and storage units 2026-Jun-30, Food chemistry IF:8.5Q1 DOI:10.1016/j.foodchem.2026.149275 PMID:42008893	研究论文	利用高光谱光谱（350-2500 nm）结合传统和深度学习模型，对大米进行分类和预测理化属性	将VIS-NIR-SWIR光谱技术与深度学习算法结合，用于大米品质无损检测，并筛选出相关波段以优化传感器	NA	探究基于米粒缺陷的物理品质分类与精米理化属性之间的关系，并开发无损技术结合机器学习的大米品质判定方法	白米、黑米、红米和蒸谷米样品	machine learning	NA	高光谱光谱	线性回归、支持向量机、随机森林、梯度提升、卷积神经网络、循环神经网络	光谱数据	NA	NA	卷积神经网络、循环神经网络	NA	NA
336	2026-05-15	Deep learning insights into β-lactamase dynamics and resistance evolution 2026-Jun-03, The Biochemical journal DOI:10.1042/BCJ20260196 PMID:42101477	综述	综述了利用深度学习研究β-内酰胺酶构象动力学及其对抗生素耐药性演化的影响	首次系统综述了深度学习，特别是卷积变分自编码器、DiffNets、BindSiteS-CNN和几何深度学习方法，在解析β-内酰胺酶构象多样性、隐秘口袋和长程别构耦合中的应用，提供了一个统一且可预测的框架	未提及具体限制，可能依赖于分子动力学模拟的准确性和深度学习模型的可解释性	探讨深度学习如何揭示β-内酰胺酶的构象动力学并理解耐药性演化	β-内酰胺酶（A-D类）的构象动力学、底物特异性、抑制剂敏感性及突变适应度	机器学习	抗菌药物耐药性	分子动力学模拟	卷积变形自编码器、DiffNets、BindSiteS-CNN、几何深度学习、图神经网络	分子动力学模拟轨迹数据	涵盖A-D类β-内酰胺酶，具体样本数量未提及	TensorFlow, PyTorch	卷积变形自编码器、DiffNets、BindSiteS-CNN、图神经网络	突变适应度预测准确率	NA
337	2026-05-15	Deep learning for automatic detection of hepatocellular carcinoma in dynamic contrast-enhanced MRI 2026-06, Abdominal radiology (New York) DOI:10.1007/s00261-025-05249-4 PMID:41217478	研究论文	开发了一种基于深度学习的自动检测肝细胞癌模型，使用动态对比增强MRI图像，并在患者和病灶水平评估其性能	利用大型公开数据集预训练注意力U-Net模型，显著优于现有nnU-Netv2方法，并实现了患者水平和病灶水平的双重评估	研究为回顾性设计，且样本量相对有限，可能限制模型的泛化能力	开发并评估深度学习模型在动态对比增强MRI中自动检测肝细胞癌的性能	肝细胞癌患者和阴性对照患者的肝脏病灶，来自两个队列共363例患者	计算机视觉	肝细胞癌	DCE-MRI	注意力U-Net	图像	363名患者，包括51名HCC阳性患者（113个病灶）和245名HCC阴性患者，以及67名预消融患者	PyTorch	注意力U-Net, nnU-Netv2	灵敏度, 特异度, 平均假阳性数, PPV, NPV, FROC AUC, ROC AUC	未指定，但可能使用GPU进行训练
338	2026-05-15	Feasibility of deep learning-accelerated HASTE-FS for pancreatic cystic lesion surveillance: comparison with conventional HASTE and MRCP 2026-06, Abdominal radiology (New York) DOI:10.1007/s00261-025-05265-4 PMID:41251737	研究论文	评估深度学习加速HASTE-FS序列在胰腺囊性病变监测中的可行性，与传统HASTE和MRCP进行比较	首次证明深度学习重建的HASTE-FS在胰腺囊性病变检测和表征上优于传统HASTE，并可替代3D MRCP，有望减少检查时间和成本	未提及具体局限性，但回顾性研究和样本量（91例患者）可能限制泛化性	比较深度学习重建HASTE-FS与传统HASTE及MRCP在胰腺囊性病变检测、表征和监测中的性能	91例连续患者的胰腺囊性病变，包括70个预先选择的索引PCL	计算机视觉	胰腺囊性病变	MRI	深度学习重建模型	图像	91例患者，70个索引PCL	NA	NA	Likert量表评分，胰腺管边界锐利度，囊性病变显著性，诊断信心，适用于替代MRCP的比例	NA
339	2026-05-15	Abdominal multi-organ segmentation on 3D negative-contrast CT cholangiopancreatography: a comparative study of deep learning methods 2026-06, Abdominal radiology (New York) DOI:10.1007/s00261-025-05273-4 PMID:41251738	研究论文	本研究比较了四种深度学习模型在3D负性对比CT胆胰管成像上对腹部多器官分割的性能	首次在3D负性对比CT胆胰管成像上系统比较了2D和3D深度学习分割模型，并证明了3D体积模型的优越性	样本量较小（111名患者），且仅针对恶性低位胆道梗阻患者，可能限制泛化性	实现3D负性对比CT胆胰管成像上胆胰系统的自动化分割，以改善术前规划和诊断	腹部多器官（肝脏、十二指肠、胰腺和胆道系统）	计算机视觉, 数字病理学	恶性低位胆道梗阻	深度学习方法	CNN, Transformer	图像	111名患者（25700张图片，91名训练/验证，20名测试）	PyTorch	TransUNet, nnU-Net, Swin-UNETR	Dice相似系数, 平均对称表面距离	NA
340	2026-05-15	Deep learning for non-invasive detection of steatosis and fibrosis in MASLD: a multicenter study with a new fibroscan-labelled ultrasound dataset 2026-06, Abdominal radiology (New York) DOI:10.1007/s00261-025-05309-9 PMID:41284028	研究论文	利用深度学习模型，基于B超图像无创检测MASLD患者的肝脂肪变性和纤维化	首次使用Fibroscan标记的超声数据集，结合多中心数据源和多种深度学习架构（EfficientNet-B4和Vision Transformer），并证明模型在外部测试集上优于放射科专家	样本量相对较小（总患者数247人），外部测试集（DS3）仅18名患者，可能影响模型泛化能力的评估	开发验证用于MASLD患者肝脂肪变性和纤维化无创评估的深度学习模型	MASLD患者的B超图像数据集	计算机视觉	代谢相关脂肪性肝病（MASLD）	B超成像	深度学习模型（卷积神经网络和Transformer）	图像	247名患者，共2799张图像（DS1: 111人1131张, DS2: 95人1328张, DS3: 18人185张, DS4: 23人155张）	NA	EfficientNet-B4, Vision Transformer	AUROC	NA