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
341	2025-06-13	Multivariate multi-horizon time-series forecasting for real-time patient monitoring based on cascaded fine tuning of attention-based models 2025-Jun-10, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110406 PMID:40499368	研究论文	本文介绍了一种名为StreamHealth Multi-Horizon AI的新型框架，用于重症监护病房(ICU)中关键生理指标的多变量多时间范围实时预测	该框架结合了基于注意力的模型（如Temporal Fusion Transformer和Temporal Convolutional Network），并采用级联微调策略，显著提高了模型对未见患者数据的泛化能力	研究仅使用了MIMIC-III数据库的数据，未在其他独立数据集上进行验证	开发一个能实时预测ICU患者关键生理指标的AI系统，以支持早期临床干预	ICU患者的血氧饱和度(SpO2)和呼吸频率(RR)等生命体征	机器学习	重症监护	时间序列预测	TFT, TCN, LSTM, GRU, Bi-LSTM, Bi-GRU, CNN, Seq2Seq	生理时间序列数据	MIMIC-III数据库中的患者数据
342	2025-06-13	U2-Attention-Net: a deep learning automatic delineation model for parotid glands in head and neck cancer organs at risk on radiotherapy localization computed tomography images 2025-Jun-10, Physica medica : PM : an international journal devoted to the applications of physics to medicine and biology : official journal of the Italian Association of Biomedical Physics (AIFB) DOI:10.1016/j.ejmp.2025.105024 PMID:40499410	研究论文	本研究开发了一种名为U2-Attention-Net（U2A-Net）的新型深度学习模型，用于在放疗定位CT图像上精确分割腮腺	提出了一种结合不同注意力机制的深度学习模型U2A-Net，显著提高了腮腺分割的准确性	样本量相对较小（79例患者），且仅针对头颈癌患者的腮腺分割	开发一种能够精确分割放疗定位CT图像中腮腺的深度学习模型	头颈癌患者的放疗定位CT图像中的腮腺	数字病理	头颈癌	CT成像	U2A-Net（基于U-Net的变体）	图像	79例头颈癌患者的CT图像（训练集60例，验证集6例，测试集13例）
343	2025-06-13	Developing a Deep Learning Radiomics Model Combining Lumbar CT, Multi-Sequence MRI, and Clinical Data to Predict High-Risk Adjacent Segment Degeneration Following Lumbar Fusion: A Retrospective Multicenter Study 2025-Jun-09, Global spine journal IF:2.6Q1 DOI:10.1177/21925682251342531 PMID:40488256	研究论文	开发并验证了一个结合临床数据、深度学习放射组学特征和腰椎CT及多序列MRI的模型，用于预测腰椎融合术后高风险邻近节段退变患者	结合了临床数据、深度学习放射组学特征和传统放射组学特征，使用Vision Transformer 3D深度学习模型，以及多层感知器算法，显著提高了预测性能	研究为回顾性设计，样本量相对较小，外部测试队列仅包含30例患者	预测腰椎融合术后高风险邻近节段退变患者	305例接受腰椎融合手术的患者	数字病理	腰椎疾病	深度学习放射组学(DLR), LASSO回归, 多种机器学习算法	Vision Transformer 3D, 线性支持向量机, AdaBoost, 多层感知器	CT图像, MRI图像, 临床数据	305例患者（训练队列192例，内部验证队列83例，外部测试队列30例）
344	2025-06-13	Transfer learning for accurate brain tumor classification in MRI: a step forward in medical diagnostics 2025-Jun-09, Discover oncology IF:2.8Q2 DOI:10.1007/s12672-025-02671-4 PMID:40490586	研究论文	该研究提出了一种利用迁移学习（TL）和深度学习模型（AlexNet、MobileNetV2和GoogleNet）对MRI图像中的脑肿瘤进行分类的新方法	与以往研究不同，本研究综合比较了多种深度学习架构，并针对脑肿瘤分类进行了微调，同时解决了类别不平衡问题，并利用轻量级架构提高了模型效率	NA	提高脑肿瘤分类的准确性，以辅助医生做出快速和精确的诊断决策	MRI图像中的脑肿瘤（包括神经胶质瘤、脑膜瘤和垂体瘤）以及正常脑部图像	数字病理学	脑肿瘤	迁移学习（TL）	AlexNet、MobileNetV2、GoogleNet	图像	4,517张MRI扫描图像（包括1,129张神经胶质瘤、1,134张脑膜瘤、1,138张垂体瘤和1,116张正常脑部图像）
345	2025-06-13	Pod-pose : an efficient top-down keypoint detection model for fine-grained pod phenotyping in mature soybean 2025-Jun-09, Plant methods IF:4.7Q1 DOI:10.1186/s13007-025-01399-0 PMID:40490832	研究论文	提出了一种名为Pod-pose的顶部关键点检测模型，用于精确测量成熟大豆豆荚的表型特征	将人体姿态估计技术应用于植物表型分析，通过瓶颈结构优化和位置特征增强整合了多种先进YOLO模型的架构优势，并采用两阶段检测方法和迁移学习显著提升模型性能	未提及模型在其他作物或更大规模数据集上的泛化能力	开发高效准确的大豆豆荚表型特征提取方法以支持大豆育种优化	成熟大豆豆荚	计算机视觉	NA	深度学习、关键点检测、迁移学习	YOLO系列模型的改进版本（Pod-pose）	图像	自定义数据集（具体数量未提及）
346	2025-06-13	To Fly, or Not to Fly, That Is the Question: A Deep Learning Model for Peptide Detectability Prediction in Mass Spectrometry 2025-Jun-06, Journal of proteome research IF:3.8Q1 DOI:10.1021/acs.jproteome.4c00973 PMID:40344201	research paper	该研究开发了一个名为Pfly的深度学习模型，用于预测质谱中肽的可检测性	Pfly是一个基于肽序列的深度学习模型，具有高适应性，可根据特定实验条件定制，提高了预测准确性并在不同研究领域中扩展了应用范围	模型最初在合成肽库上训练，可能存在偏向合成性的偏差，尽管后续通过生物数据集进行了微调	开发一个通用的、可定制的工具，用于预测质谱中肽的可检测性	肽序列及其在质谱中的可检测性	machine learning	NA	质谱	encoder-decoder with attention mechanism	肽序列数据	合成肽库和生物数据集
347	2025-06-13	Comparative analysis of convolutional neural networks and vision transformers in identifying benign and malignant breast lesions 2025-Jun-06, Medicine IF:1.3Q2 DOI:10.1097/MD.0000000000042683 PMID:40489850	研究论文	比较分析卷积神经网络和视觉变换器在识别乳腺良恶性病变中的性能	系统比较了12种深度学习模型在乳腺动态对比增强磁共振成像图像分类中的表现，并分析了关键超参数的影响	ResNet152和ViT模型在小规模乳腺动态对比增强磁共振成像数据集上的表现不佳，数据增强在某些模型中意外降低了准确率	为乳腺动态对比增强磁共振成像图像分类研究建立可靠的基准	乳腺动态对比增强磁共振成像图像	计算机视觉	乳腺癌	动态对比增强磁共振成像	CNN, Vision Transformer (ViT), ResNet, VGG	图像	NA
348	2025-06-13	Ultra-wide-field fundus photography and AI-based screening and referral for multiple ocular fundus diseases 2025-Jun-06, Cell reports. Medicine DOI:10.1016/j.xcrm.2025.102187 PMID:40499544	research paper	开发了三种基于不同算法和成像模式的深度学习算法，用于识别25种眼底疾病并提供转诊建议	结合超广角眼底摄影和跨域协作学习（CdCL）方法，显著提高了检测周边视网膜异常的能力	未提及具体局限性	解决眼底疾病全面筛查的困难	眼底疾病	digital pathology	ocular fundus diseases	deep learning algorithms (DLAs)	Swin Transformer, cross-domain collaborative learning (CdCL)	UWF images, cropped posterior-pole-region (PPR) images	59,475 UWF images
349	2025-06-13	Comprehensive molecular impact mapping of common and rare variants at GWAS loci 2025-Jun-06, bioRxiv : the preprint server for biology DOI:10.1101/2025.06.05.658079 PMID:40501721	research paper	该研究介绍了DNACipher，一种深度学习模型，用于预测遗传变异在多种生物背景下的分子效应，并开发了DNACipher Deep Variant Impact Mapping (DVIM)方法，用于识别GWAS位点中具有分子效应的变异	DNACipher能够预测未直接测量的细胞类型和实验中的变异效应，DVIM方法显著提高了GWAS位点中变异的精细定位能力	模型的预测能力依赖于训练数据的覆盖范围和质量	开发一种能够广泛预测遗传变异分子效应的深度学习模型，并应用于GWAS位点的精细定位	遗传变异及其在多种生物背景下的分子效应	machine learning	type 1 diabetes	deep learning, single-nucleus ATAC-seq, luciferase assays	DNACipher	genomic sequence	38,582 cell type-assay combinations
350	2025-06-13	An improved model for prediction of de novo designed proteins with diverse geometries 2025-Jun-06, bioRxiv : the preprint server for biology DOI:10.1101/2025.06.02.657515 PMID:40502157	研究论文	本文提出了一种改进的深度学习模型，用于预测具有多样几何形状的从头设计蛋白质	提出了一个经过微调的Alphafold2版本，能够捕捉几何多样性，并推广到未见过的蛋白质折叠家族	当前基于深度学习的结构预测方法未能完全捕捉到蛋白质设计的物理原理	改进从头设计蛋白质的几何形状预测模型	从头设计的蛋白质	机器学习	NA	深度学习	Alphafold2	蛋白质结构数据	5,996个稳定的从头设计蛋白质
351	2025-06-13	Prenatal detection of congenital heart defects using the deep learning-based image and video analysis: protocol for Clinical Artificial Intelligence in Fetal Echocardiography (CAIFE), an international multicentre multidisciplinary study 2025-Jun-05, BMJ open IF:2.4Q1 DOI:10.1136/bmjopen-2025-101263 PMID:40473283	研究论文	本研究旨在开发基于深度学习的AI模型，以支持临床医生实时检测胎儿先天性心脏病（CHD），特别是在胎儿超声心动图专业知识不足的非专科或资源匮乏环境中	通过国际多中心多学科合作，收集大规模、多样化的胎儿心脏超声图像和视频数据，构建能够区分正常胎儿心脏和CHD的AI模型	目前AI模型在CHD检测上的准确性不足，部分原因是缺乏可用于机器学习的超声数据，CHD罕见且异质性高，以及已发表研究的回顾性性质	开发支持临床医生实时检测胎儿CHD的AI模型，特别是在资源匮乏的环境中	胎儿心脏超声图像和视频，包括正常心脏和CHD病例	数字病理	先天性心脏病	深度学习	AI模型	图像和视频	总计16,400例回顾性和前瞻性超声扫描，包括13,000例正常胎儿心脏和1,000例CHD胎儿的回顾性数据，以及2,000例正常胎儿心脏和400例主要CHD胎儿的前瞻性数据
352	2025-06-13	Multitask deep learning model based on multimodal data for predicting prognosis of rectal cancer: a multicenter retrospective study 2025-Jun-05, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-025-03050-3 PMID:40474195	研究论文	开发并验证了一种基于多模态数据的多任务深度学习模型，用于预测直肠癌患者的预后	模型整合了临床病理数据和多参数MRI图像，无需进行肿瘤分割，同时预测复发/转移和无病生存期	回顾性研究设计可能引入选择偏倚，且样本量相对有限	开发预测直肠癌患者预后的深度学习模型	直肠癌患者	数字病理	直肠癌	多参数MRI（包括扩散峰度成像）	多任务深度学习模型	临床病理数据和MRI图像	321名直肠癌患者（训练集212例，内部测试集53例，外部测试集56例）
353	2025-06-13	Deep learning reduced order models of vaginal tear propagation 2025-Jun-05, Journal of the mechanical behavior of biomedical materials IF:3.3Q3 DOI:10.1016/j.jmbbm.2025.107074 PMID:40499333	research paper	该论文介绍了结合有限元分析、适当正交分解和机器学习的新计算方法，用于预测阴道变形和撕裂	整合有限元分析、适当正交分解和机器学习技术，开发了全阶ML模型和基于POD的降阶模型，以提高计算效率	研究基于啮齿动物的离体微机械数据，可能无法完全模拟人类阴道的复杂性	预测阴道分娩过程中的组织撕裂及其对盆底疾病的影响	阴道组织的变形和撕裂	machine learning	pelvic floor disorders	finite element analysis, proper orthogonal decomposition, machine learning	ML, POD-ML	micro-mechanical data	基于啮齿动物的离体微机械数据
354	2025-06-13	Learning Genetic Perturbation Effects with Variational Causal Inference 2025-Jun-05, bioRxiv : the preprint server for biology DOI:10.1101/2025.06.05.657988 PMID:40501829	研究论文	本文提出了一种结合机制因果模型和变分深度学习的混合方法SCCVAE，用于预测单细胞水平的基因扰动效应	提出了一种新的混合方法SCCVAE，结合了机制因果模型和变分自编码器，能够更好地预测未见过的扰动响应	机制模型的应用受限于过于简化的假设，难以有效处理大规模单细胞数据的噪声	开发一种能够准确预测基因扰动效应的计算方法	单细胞水平的基因扰动效应	功能基因组学	NA	Perturb-seq	变分自编码器（VAE）	单细胞转录组数据	NA
355	2025-06-13	Machine learning-based histopathological features of histological slides and clinical characteristics as a novel prognostic indicator in diffuse large B-cell lymphoma 2025-Jun-04, Pathology, research and practice DOI:10.1016/j.prp.2025.156071 PMID:40499499	研究论文	本研究开发并验证了一种基于临床和组织病理学特征的深度学习模型，用于预测弥漫性大B细胞淋巴瘤（DLBCL）的预后	结合临床特征和组织病理学特征，开发了一种新型的非侵入性预后预测方法	样本量相对较小（194例患者），且仅基于回顾性数据	预测弥漫性大B细胞淋巴瘤（DLBCL）患者的预后	194例DLBCL患者的全切片图像和临床特征	数字病理学	弥漫性大B细胞淋巴瘤	深度学习，CellProfiler	深度学习模型	图像，临床数据	194例患者
356	2025-06-13	Proteasome-derived antimicrobial peptides discovered via deep learning 2025-Jun-03, bioRxiv : the preprint server for biology DOI:10.1101/2025.03.17.643752 PMID:40501667	研究论文	通过深度学习发现蛋白酶体衍生的抗菌肽	利用深度学习从蛋白酶体中系统挖掘出59种候选抗菌肽（'proteasomins'），其中21种经过优化，展现出与已知抗菌肽不同的序列特征和潜在独特作用机制	NA	探索蛋白酶体在先天免疫肽库中的潜在贡献，并开发对抗多重耐药病原体的创新疗法	蛋白酶体衍生的抗菌肽	机器学习	NA	深度学习	NA	肽序列数据	59种候选肽（21种优化后）针对11种临床相关病原体
357	2025-06-13	Power-to-power cross-frequency coupling as a novel approach for temporal lobe seizure detection and analysis 2025-Jun-03, bioRxiv : the preprint server for biology DOI:10.1101/2025.05.31.657189 PMID:40501876	研究论文	本研究提出了一种基于功率-功率跨频耦合（CFC）的新方法，用于颞叶癫痫发作的检测和分析	首次将功率-功率跨频耦合方法应用于癫痫发作检测，并揭示了三种常见癫痫成分的独特CFC特征	研究样本量较小（26名患者），且仅针对颞叶癫痫	评估功率-功率跨频耦合方法在癫痫发作检测中的有效性，并分析不同癫痫成分的特征	颞叶癫痫患者的颅内脑电图（iEEG）数据	生物医学信号处理	癫痫	功率-功率跨频耦合分析（PPC），EEGLAB工具箱	SSAE（堆叠稀疏自编码器），LSTM	颅内脑电图（iEEG）信号	26名患者的120次颞叶癫痫发作记录
358	2025-06-13	Predicting ustekinumab treatment response in Crohn's disease using pre-treatment biopsy images 2025-Jun-02, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf301 PMID:40366737	research paper	该研究提出了一种基于深度学习的框架，用于预测克罗恩病患者对ustekinumab治疗的响应	提出了一种结合聚类和弱监督学习的框架，能够从全切片图像中选择相关区域并整合斑块级证据，以提高预测性能	未提及具体样本量的限制或其他潜在的技术限制	预测克罗恩病患者对ustekinumab治疗的响应，以支持个性化治疗策略	克罗恩病患者的预处理活检全切片图像	digital pathology	Crohn's disease	deep learning, k-means clustering, DenseNet, Grad-CAM, multi-instance learning	DenseNet	image	NA
359	2025-06-13	TRENDY: gene regulatory network inference enhanced by transformer 2025-Jun-02, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf314 PMID:40408160	研究论文	介绍了一种名为TRENDY的新型基因调控网络推断方法，该方法整合了transformer模型以增强基于机制的WENDY方法	整合transformer模型增强基因调控网络推断方法，展示了其在多种推断方法中的广泛应用潜力	未明确提及具体局限性	提高基因调控网络推断的准确性和效率	基因调控网络（GRNs）	机器学习	NA	transformer模型	transformer	基因表达数据	模拟和实验数据集
360	2025-06-13	A deep learning-based method for predicting the frequency classes of drug side effects based on multi-source similarity fusion 2025-Jun-02, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf319 PMID:40424358	research paper	开发了一种基于多源相似性融合的深度学习模型MSSF，用于预测药物副作用的频率类别	利用多源特征融合模块和自注意力机制深入探索药物与副作用之间的关系，并采用贝叶斯变分推断更准确地预测药物副作用的频率类别	现有方法通常在五个频率类别上建立回归模型，容易对训练集过拟合，导致边界处理问题和过拟合风险	预测药物副作用在人群中的频率类别，以指导患者用药和药物开发	药物副作用	machine learning	NA	deep learning, Bayesian variational inference	MSSF (multi-source similarity fusion-based model)	multi-source data	NA