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
3741	2026-08-20	AI-empowered perturbation proteomics for complex biological systems 2024-11-13, Cell genomics IF:11.1Q1 DOI:10.1016/j.xgen.2024.100691 PMID:39488205	perspective	本文介绍了扰动蛋白质组学的原理、必要性和实用性，并提出了PMMP（扰动、测量、建模至预测）通用流程，以及基于大规模扰动蛋白质组数据构建基础模型或其他数学模型的建议。	提出将AI与扰动蛋白质组学相结合，形成PMMP流程，并强调构建基础模型以增强对复杂生物系统的预测能力。	文中未具体说明当前数据的局限性和技术挑战，也未提供实证验证。	探讨扰动蛋白质组学在系统生物学中的应用，及其在预测扰动响应、作用机制和蛋白质功能方面的潜力。	生物系统，包括蛋白质表达、周转、翻译后修饰、相互作用、运输和定位等。	机器学习	NA	蛋白质组学	传统机器学习或深度学习	蛋白质组学数据，包括表达、修饰、相互作用等数据	NA	NA	基础模型	NA	NA
3742	2026-08-20	Deep learning to capture leaf shape in plant images: Validation by geometric morphometrics 2024-11, The Plant journal : for cell and molecular biology DOI:10.1111/tpj.17053 PMID:39383323	研究论文	本文通过几何形态测量学验证深度学习在植物图像中捕获叶片形状的有效性，并评估其在物种识别中的应用。	首次结合几何形态测量学作为可解释人工智能工具，来验证深度学习特征与叶片形状变异之间的关联，并在复杂的物种复合体中实现分类。	未提及具体限制，可能包括对图像质量和多样性的依赖，以及深度学习模型的‘黑箱’问题。	评估深度学习在捕获植物叶片形状变异方面的有效性，并探索其与几何形态测量学的结合，以实现可靠的自动化植物表型分析。	植物叶片，特别是Ranunculus auricomus的叶片。	计算机视觉	不适用	深度学习，几何形态测量学	神经网络（具体类型未指定）	图像	未具体说明样本数量，但包括原位和腊叶化后的叶片图像。	未指定	未指定	聚类效果、协变分析，具体指标未提及。	未提及。
3743	2026-08-20	DMFGAN: a multifeature data augmentation method for grape leaf disease identification 2024-11, The Plant journal : for cell and molecular biology DOI:10.1111/tpj.17042 PMID:39446313	研究论文	提出一种用于葡萄叶病害识别的多特征数据增强方法DMFGAN，以提高生成图像的质量和多样性，同时减少模型参数和训练中的模式崩溃问题	设计了基于四通道特征融合策略的多特征提取块（MFEB）、深度可分离判别器、采用SeLU激活函数替代DCGAN激活函数，并提出了带有梯度惩罚项的MFLoss函数以减少模式崩溃	摘要中未明确提及局限性	增强葡萄叶病害数据，提高生成图像的质量和多样性，并减少生成对抗网络训练中的模式崩溃	葡萄叶病害图像数据	计算机视觉	植物病害	生成对抗网络	生成对抗网络（GAN）	图像	未在摘要中明确提及	未明确提及	DMFGAN，可能包含深度可分离卷积块和多特征提取块	视觉指标和评估指标（如质量、多样性、参数数量）以及识别网络验证	未明确提及
3744	2026-08-20	A deep learning framework combining molecular image and protein structural representations identifies candidate drugs for pain 2024-10-21, Cell reports methods IF:4.3Q2 DOI:10.1016/j.crmeth.2024.100865 PMID:39341201	研究论文	本文提出了一种结合分子图像和蛋白质三维结构表示的深度学习框架LISA-CPI，用于预测化合物-蛋白质相互作用，并识别治疗疼痛的候选药物	创新性地将无监督深度学习分子图像表示（ImageMol）与基于AlphaFold2的算法（Evoformer）集成，用于化合物-蛋白质相互作用预测，并在平均绝对误差上比现有最优模型提升约20%	未明确提及局限性	开发一种可解释的深度学习框架，用于预测化合物-蛋白质相互作用，并识别治疗疼痛的潜在候选药物	104,969个配体和33个G蛋白偶联受体（GPCRs）的相互作用，以及可能的疼痛治疗药物和肠道微生物衍生代谢物	深度学习	疼痛	深度学习、分子图像表示、蛋白质结构预测	深度学习框架	分子图像和蛋白质三维结构数据	104,969个配体和33个GPCRs的实验相互作用数据	NA	ImageMol、Evoformer	平均绝对误差（MAE）	NA
3745	2026-08-20	Local and global changes in cell density induce reorganisation of 3D packing in a proliferating epithelium 2024-10-15, Development (Cambridge, England) DOI:10.1242/dev.202362 PMID:38619327	研究论文	本研究利用活体成像和基于深度学习的图像分割技术，探究海星胚胎增殖上皮中细胞密度和增殖对三维包装重组的贡献，揭示scutoid形成的动力学机制。	结合活体成像、深度学习分割和物理压缩实验及计算模型，系统解析了细胞密度、组织压实和细胞增殖在scutoid形成中的相对作用，首次提出有丝分裂后出现的顶-基底穿插有助于容纳新细胞。	研究主要基于海星胚胎模型，其结论的普遍性需在其他物种或组织中验证，且未深入探讨scutoid形成的分子机制。	阐明增殖上皮中三维包装重组的动态变化，特别是scutoid形成的调控因素和机制。	海星胚胎的上皮组织，具体为增殖中的假复层上皮细胞。	计算机视觉、深度学习、发育生物学	不适用	活体成像、深度学习分割	深度学习分割模型（未具体指定类型）	图像（活体成像的三维共聚焦图像）	未明确说明，涉及海星胚胎的活体成像数据	未明确说明（可能使用PyTorch或TensorFlow等，但摘要中未提及）	未明确指定（可能基于U-Net等常见分割架构，但摘要中未提供）	未明确说明（可能包括分割准确性等，但摘要中未提及）	未明确说明
3746	2026-08-20	Predicting splicing patterns from the transcription factor binding sites in the promoter with deep learning 2024-Sep-03, BMC genomics IF:3.5Q2 DOI:10.1186/s12864-024-10667-7 PMID:39227799	研究论文	本研究提出计算方法，利用启动子中的转录因子结合位点预测下游剪接模式	首次系统探讨启动子结合转录因子与下游可变剪接的关系，并采用卷积神经网络结合计算机模拟突变分析识别潜在的剪接调控因子	预测不同组织中单基因的剪接形式时泛化能力有限	揭示启动子结合转录因子结合位点与下游剪接模式之间的调控关系	转录因子结合位点及下游剪接模式	机器学习	NA	DNase I超敏感位点测序、RNA-seq	卷积神经网络（CNN）	基因序列和转录组数据	来自ENCODE的十五种人类组织的样本	NA	CNN	剪接效率变化预测的准确性	NA
3747	2026-08-20	A deep learning model of tumor cell architecture elucidates response and resistance to CDK4/6 inhibitors 2024-07, Nature cancer IF:23.5Q1 DOI:10.1038/s43018-024-00740-1 PMID:38443662	研究论文	构建了一个基于癌症多蛋白复合物参考图谱的可解释深度学习模型，用于预测CDK4/6抑制剂帕博西尼的反应和耐药性	通过多蛋白复合物整合罕见和常见基因改变，比单基因生物标志物更准确地预测药物反应，并利用CRISPR-Cas9验证了预测复合物的功能	未明确提及，但可能包括依赖细胞系和异种移植模型，需进一步临床验证	阐明CDK4/6抑制剂反应和耐药性的潜在机制，提高治疗预测准确性	乳腺癌细胞系、患者和患者来源的异种移植模型	深度学习	乳腺癌	CRISPR-Cas9、深度学习	深度学习模型（具体类型未明确）	基因组数据、蛋白复合物数据	未明确，但涉及多个细胞系、患者和异种移植模型	NA	NA	未明确，但可能包括准确性、敏感性等	NA
3748	2026-08-20	Multi-organ segmentation: a progressive exploration of learning paradigms under scarce annotation 2024-05-14, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad33b5 PMID:38479023	综述	本文系统回顾了医学图像多器官分割中的学习范式，重点探讨了在标注稀缺条件下迁移学习、半监督学习和部分监督学习等方法。	从技术和方法论角度全面阐述了三种标注高效学习范式在多器官分割中的应用，并总结了挑战和未来趋势。	未详细比较不同方法在具体数据集上的性能。	探讨多器官分割在标注稀缺条件下的高效学习范式。	多器官分割方法，特别是基于深度学习的方法。	计算机视觉	NA	NA	深度学习模型	医学图像	NA	NA	NA	NA	NA
3749	2026-08-20	Joint reconstruction and segmentation in undersampled 3D knee MRI combining shape knowledge and deep learning 2024-04-24, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad3797 PMID:38527376	研究论文	本文提出了一种结合形状知识和深度学习的方法，用于欠采样三维膝关节MRI的联合重建与分割，以提高分割精度并降低计算成本。	创新点在于将统计形状模型（SSMs）作为最终后处理步骤，用于正则化由多任务学习（MTL）获得的分割图，从而在保持分割质量的同时实现模型参数的五倍减少和计算速度的一个数量级提升。	文中未明确提及局限性，但可能包括对特定数据集依赖、形状模型的通用性以及高欠采样因子下性能的潜在下降等。	研究目的为优化临床真实场景下三维膝关节MRI中骨骼和软骨的联合重建与分割，通过整合SSMs提高分割精度并减少计算资源需求。	研究对象为欠采样的三维膝关节MRI数据，具体目标为骨和软骨的分割。	医学影像处理	膝关节疾病	MRI	神经网络（U-Net）与统计形状模型结合	三维MRI图像	未在摘要中提及具体样本量	NA	U-Net	平均表面误差，最大表面误差	未在摘要中提及具体计算资源，但提到需要大量硬件资源
3750	2026-08-20	3D cine-magnetic resonance imaging using spatial and temporal implicit neural representation learning (STINR-MR) 2024-04-15, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad33b7 PMID:38479004	研究论文	提出了一种基于空间和时间隐式神经表示学习（STINR-MR）的框架，用于从高度欠采样的数据中实现高精度三维动态磁共振成像（cine-MRI）重建	提出空间和时间隐式神经表示学习框架，通过联合重建和可变形配准实现高加速因子，利用主成分分析提取的基变形向量场构建动态运动模型	未在文中明确说明	从高度欠采样的数据中实现高精度的三维动态磁共振成像重建	三维动态磁共振成像数据，包括XCAT数字体模模拟的MR数据及临床获取的人体MR数据集	机器学习	不适用	磁共振成像	隐式神经表示网络	图像	包含XCAT数字体模模拟数据及两个临床人体MR数据集	不适用	空间隐式神经表示网络、时间隐式神经表示网络	质心误差、图像质量、伪影、肿瘤定位精度	不适用
3751	2026-08-20	Aleatoric and epistemic uncertainty extraction of patient-specific deep learning-based dose predictions in LDR prostate brachytherapy 2024-04-09, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad3418 PMID:38484398	研究论文	本研究开发了用于低剂量率前列腺近距离放疗的深度学习剂量预测算法，并评估了其不确定性和稳定性	首次在LDR前列腺近距离放疗中同时提取深度学习的偶然不确定性和认知不确定性，并使用ResUNet TSE模型实现了毫秒级的快速剂量预测	未明确提及局限性，但样本量相对较小（200例患者），且不确定性的临床验证尚未进行	建立快速且可靠的基于深度学习的低剂量率前列腺近距离放疗剂量预测算法，并评估其不确定性和稳定性	200名接受I源治疗的前列腺癌患者	深度学习、医学影像	前列腺癌	蒙特卡洛模拟、3D卷积神经网络	3D卷积神经网络	患者几何数据和种子位置	200例患者，分为训练集150例、验证集25例、测试集25例	NA	UNet, ResUNet TSE	平均差异、全局剂量差异比、不确定性指标	NA
3752	2026-08-20	Cross noise level PET denoising with continuous adversarial domain generalization 2024-04-03, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad341a PMID:38484401	研究论文	本研究提出一种基于连续对抗域泛化的PET图像去噪方法，以解决跨噪声水平下的性能下降问题	首次从域泛化角度解决跨噪声水平去噪中的性能下降问题，并开创性地使用连续域泛化技术利用连续变化的源域	未在摘要中明确提及局限性	利用域泛化技术解决PET图像去噪中不同噪声水平间的分布偏移问题，使模型对任意噪声水平具有泛化能力	97F-MK6240 tau PET研究中的60名受试者的图像数据	医学影像	阿尔茨海默病	PET成像	3D UNet（生成对抗网络）	3D图像	60名受试者的97F-MK6240 tau PET研究，三组事件分数（10%、13%-22%、25%），每组20个噪声实现，共1400对训练、120对验证和420对测试的3D图像卷	NA	3D UNet	偏差、标准差、SSIM、PSNR	NA
3753	2026-08-20	IWNeXt: an image-wavelet domain ConvNeXt-based network for self-supervised multi-contrast MRI reconstruction 2024-04-03, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad33b4 PMID:38479022	研究论文	提出一种基于图像-小波域的ConvNeXt网络IWNeXt，用于自监督多对比度磁共振成像重建，以加速成像速度并减少对全采样目标对比度数据的依赖	首次将ConvNeXt架构引入图像域和小波域进行多对比度MRI重建，设计交叉域一致性损失实现自监督学习，并利用参考对比度小波子带作为补充信息增强重建细节	未提及明确局限性，但从描述看可能依赖于特定数据集和采样轨迹，泛化性有待验证	提高多对比度MRI重建精度，减少采集时间和对全采样目标对比度数据的依赖	多对比度磁共振成像数据，包括目标对比度和参考对比度图像	医学图像重建	不适用	MRI成像	CNN（ConvNeXt）	图像（MRI图像）	HCP数据集和M4Raw数据集	NA	ConvNeXt	峰值信噪比（PSNR）	NA
3754	2026-08-20	TacticAI: an AI assistant for football tactics 2024-03-19, Nature communications IF:14.7Q1 DOI:10.1038/s41467-024-45965-x PMID:38503774	研究论文	提出TacticAI，一种与利物浦足球俱乐部专家合作开发的AI足球战术助手，专注于分析角球并预测结果和生成球员站位建议	结合预测和生成组件，通过几何深度学习实现数据高效，在有限数据下提出有效的角球战术分析和推荐系统	未提及	开发并验证一种AI辅助工具，用于分析和改进足球角球战术，提供预测和生成球员站位建议	足球角球战术，以利物浦足球俱乐部的角球数据为研究对象	机器学习，计算机视觉（如果适用）	NA	几何深度学习	生成模型和预测模型	足球角球比赛数据（可能为轨迹或图数据）	未明确提及，但提到有限的黄金标准数据	未在提供的信息中明确，但可能使用PyTorch或TensorFlow	未明确，但可能包括图神经网络（GNN）或类似架构	包括预测接收者、射门尝试和推荐站位调整的评估指标，以及定性研究中的偏好率（90%时间偏好的比例）	未提及
3755	2026-08-20	CRISPR-M: Predicting sgRNA off-target effect using a multi-view deep learning network 2024-03, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1011972 PMID:38483980	研究论文	提出了一种名为CRISPR-M的多视角深度学习网络，用于预测sgRNA脱靶效应	提出了新的编码方案和新型多视角深度学习模型，利用卷积神经网络和双向长短期记忆递归神经网络构建三支网络，从多个视角预测含插入缺失和错配的靶位点的脱靶效应	未明确提及	提高sgRNA脱靶效应预测能力，以支持基因编辑应用	sgRNA脱靶效应预测	机器学习	NA	CRISPR-Cas9	卷积神经网络（CNN）和双向长短期记忆递归神经网络（BiLSTM）	序列数据	真实世界数据集（具体样本数未提及）	NA	卷积神经网络和双向长短期记忆递归神经网络	多种指标（具体未提及）	NA
3756	2026-08-20	Drug target prediction through deep learning functional representation of gene signatures 2024-02-29, Nature communications IF:14.7Q1 DOI:10.1038/s41467-024-46089-y PMID:38424040	研究论文	开发了一种名为FRoGS的深度学习框架，将基因签名投影到其生物学功能上（类似于word2vec），以增强基于OMICS数据集的化合物-靶点预测	不同于传统基于基因身份匹配的方法，FRoGS利用基因功能的预训练知识，通过深度学习将基因签名转化为功能表示，从而提升预测效果	摘要中未明确提及局限性，可能包括依赖预定义的功能注释库及L1000数据集的特性	通过功能表示基因签名，改进化合物-靶点预测和机制作用研究	基因签名、化合物、靶点、L1000数据集	机器学习	NA	深度学习	深度学习模型	基因表达数据	NA	NA	NA	NA	NA
3757	2026-08-20	Local and global changes in cell density induce reorganisation of 3D packing in a proliferating epithelium 2024-Feb-08, bioRxiv : the preprint server for biology DOI:10.1101/2024.02.08.579268 PMID:38370815	研究论文	本文通过活体成像和深度学习分割技术，研究增殖上皮中局部和整体细胞密度变化如何引发3D包装的重组	首次结合活体成像和深度学习分割，动态解析细胞密度、组织压实和细胞增殖对3D上皮包装中scutoid形成的相对贡献	研究主要基于海星胚胎模型，可能不适用于其他物种或组织类型，且对scutoid形成的分子机制涉及较少	阐明增殖上皮中3D细胞包装重组的动态变化及scutoid形成的驱动因素	海星胚胎的上皮组织	数字病理学、计算机视觉、机器学习	不适用	活体成像、深度学习分割	深度学习分割模型（未具体指定）	图像	海星胚胎样本（具体数量未提供）	深度学习（具体框架未提供）	未指定	未指定	未提供
3758	2026-08-20	Designing and development of agricultural rovers for vegetable harvesting and soil analysis 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0304657 PMID:38905232	研究论文	本文设计并开发了一种用于蔬菜采摘和土壤分析的农业机器人，利用深度学习算法实现自主作业	将YOLOv5深度学习算法与农业机器人技术相结合，实现了蔬菜自动采摘和土壤分析的一体化系统	摘要未提及局限性信息	开发能够提高作物生产力和土壤健康管理的自主农业机器人，以支持可持续农业实践并实现联合国可持续发展目标2（零饥饿）	农业机器人（硬件和软件系统）、土壤分析系统、番茄成熟度检测系统	计算机视觉	NA	深度学习（YOLOv5）、土壤传感技术	YOLOv5（目标检测模型）	图像	NA	NA	YOLOv5	精确度（0.8518%）、召回率（0.7624%）	NA
3759	2026-08-20	Research on multi-defects classification detection method for solar cells based on deep learning 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0304819 PMID:38905246	研究论文	针对太阳能电池制造过程中的表面缺陷，提出一种基于深度学习的多缺陷分类检测方法，通过优化YOLOv5s模型和轻量级分类网络MobileNetV2实现缺陷精准检测。	采用K-means算法重新聚类专用锚框以解决YOLOv5s默认锚框与电池失配缺陷标签框尺度不匹配问题，并通过图像预处理、锚框优化和检测头替换改进YOLOv5s模型，同时利用轻量级网络MobileNetV2提高易检测缺陷的检测速度，实现多模型融合的缺陷分类检测。	未提及模型的泛化能力、计算资源消耗或对其他类型缺陷的适用性。	提高太阳能电池表面缺陷的检测精度和速度，实现对难检测、一般和易检测缺陷的有效分类。	太阳能电池表面缺陷，包括失配、气泡、玻璃裂纹、电池裂纹和玻璃倒置五类。	计算机视觉	不适用	深度学习	CNN	图像	未明确指定，但涉及失配、气泡、玻璃裂纹、电池裂纹和玻璃倒置缺陷的检测数据集	PyTorch	YOLOv5s, MobileNetV2	检测精度、分类准确率、检测速度（帧/秒）	未提及
3760	2026-08-20	ACL-DUNet: A tumor segmentation method based on multiple attention and densely connected breast ultrasound images 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0307916 PMID:39485757	研究论文	提出一种基于多重注意力和密集连接U-Net的乳腺超声图像肿瘤分割方法，在Mendeley和BUSI数据集上取得了优于其他深度学习方法的性能	在编码阶段采用密集连接网络增强特征提取能力，并在解码阶段集成注意力门、通道注意力和尺度注意力三种模块以更好捕获最相关特征	未提及	实现乳腺超声图像中肿瘤的准确分割，以辅助临床诊断决策	乳腺超声图像中的肿瘤区域	计算机视觉	乳腺癌	超声成像	U-Net	图像	Mendeley数据集250张图像（100良性，150恶性），BUSI数据集780张图像（133正常，487良性，210恶性）	NA	密集连接U-Net，注意力门，通道注意力，尺度注意力	Dice相似系数（DSC）	NA