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
4881	2025-12-03	Super-resolution Reconstruction of Fetal Brain MRI with Multi-view Interpolation Weight Learning 2025-Dec-01, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3638989 PMID:41325115	研究论文	本文提出了一种名为3D-WISE的深度学习模型，用于从多视角运动伪影的厚层扫描中重建高质量的各向同性胎儿脑部MRI图像	提出了一种创新的三维加权插值深度学习模型，通过多视角插值权重学习和多类型注意力机制引导的特征提取模块，直接学习插值权重以校正切片和体积之间的错位，避免了传统配准-重建框架的局限性	未明确说明模型对极端运动伪影或不同扫描参数的泛化能力，也未提供详细的临床验证结果	解决胎儿脑部MRI各向同性超分辨率重建中因胎儿运动和厚层扫描错位带来的挑战	胎儿脑部MRI图像	医学影像分析	胎儿脑部发育相关疾病	MRI	深度学习模型	三维医学影像	在两个基准数据集上进行实验，具体样本数量未明确说明	未明确说明，但代码已开源	3D-WISE（包含权重学习模块和特征提取模块），具体架构未详细说明	未明确说明具体评估指标，但提及性能显著提升	未明确说明
4882	2025-12-03	Unified VideoMAE Framework for Detection of Multi-Disorder ADHD and Depression 2025-Dec-01, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3638973 PMID:41325113	研究论文	本文提出了一种基于统一VideoMAE框架的多重精神障碍（ADHD和抑郁症）检测系统	在统一框架内检测多重精神障碍（ADHD和抑郁症）；创新性地在微调过程中优化注意力掩码以优先关注与精神障碍最相关的面部特征；采用了三种不同的预训练模型微调方法	精神健康数据集可用性有限	开发自动化精神障碍诊断技术，辅助诊断和评估多种精神障碍	注意力缺陷多动障碍（ADHD）和抑郁症患者	计算机视觉	精神障碍	视频预处理、面部特征提取	视频掩码自编码器	面部视频	NA	NA	VideoMAE	准确率	NA
4883	2025-12-03	Spatial Hierarchical Protein-Protein Interaction Site Prediction Using Squeeze-and-Excitation Capsule Networks 2025-Dec-01, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3638901 PMID:41325125	研究论文	本文提出了一种名为MSE-CapsPPISP的新型深度学习模型，用于预测蛋白质-蛋白质相互作用位点，通过结合空间层次特征和多尺度特征提取来提升预测性能	设计了基于胶囊网络（Capsule Network）的模型，考虑了蛋白质序列特征的空间层次关系，并引入多尺度CNN和Squeeze-and-Excitation模块以增强特征表示	未明确提及模型在更大或更复杂数据集上的泛化能力，以及计算资源需求的具体分析	开发一种计算方法来预测蛋白质-蛋白质相互作用位点，以补充耗时且易受噪声影响的生物实验	蛋白质序列及其相互作用位点	生物信息学	NA	深度学习	Capsule Network, CNN	蛋白质序列数据	NA	NA	MSE-CapsPPISP, 多尺度CNN, Squeeze-and-Excitation Capsule Networks	F1, MCC, AUROC, AUPR	NA
4884	2025-12-03	Single-shot multi-wavelength imaging over scattering media enabled by deep learning 2025-Dec-01, Optics letters IF:3.1Q2 DOI:10.1364/OL.578473 PMID:41325218	研究论文	提出一种基于深度学习的单次多波长散射成像方法，通过训练光谱视觉散斑网络从多波长全息实验中恢复高保真图像	首次将深度学习扩展到多波长散射成像，通过优化网络解决相干干涉和色散效应带来的训练挑战，实现单次拍摄下的多波长图像恢复	未明确说明方法在极端散射条件或动态环境中的适用性，也未讨论计算复杂度对实时应用的影响	开发一种能够克服散射介质影响、实现单次多波长高保真成像的深度学习技术	通过多波长全息实验生成的散射介质后的多波长图像	计算机视觉	NA	多波长全息术，深度学习成像	深度神经网络	图像	三个数据集	NA	光谱视觉散斑网络	恢复保真度	NA
4885	2025-12-03	Optical encryption-transmission via computational ghost imaging and fractional OAM multiplexing 2025-Dec-01, Optics letters IF:3.1Q2 DOI:10.1364/OL.581801 PMID:41325262	研究论文	本文提出了一种结合计算鬼成像、分数轨道角动量和深度学习的光学图像安全加密传输方案	将计算鬼成像的加密优势与分数轨道角动量的高维传输特性结合，并引入深度学习进行解密，增强了系统的安全性和实用性	NA	实现光学图像的安全加密与传输	光学图像	计算机视觉	NA	计算鬼成像, 分数轨道角动量, 深度学习	CNN	图像	NA	NA	DenseNet	NA	NA
4886	2025-12-03	Graph-based deep learning approach for high-throughput protein-DNA interaction scoring 2025-Dec-01, Acta pharmacologica Sinica IF:6.9Q1 DOI:10.1038/s41401-025-01688-3 PMID:41326808	研究论文	本文提出了一种基于图深度学习的PDIScore方法，用于高通量蛋白质-DNA相互作用评分，显著提升了预测性能	开发了PDIScore，首次结合全面的图表示捕捉核苷酸灵活性、采用可扩展的GraphGPS架构与BigBird线性全局注意力处理大接口，并利用混合密度网络建模残基-核苷酸距离分布	训练数据依赖于自收集的约7000个蛋白质-核酸复合物结构，可能受限于实验结构的可用性和多样性	开发一种可靠的深度学习评分函数，以准确量化蛋白质-DNA相互作用，支持生物学过程理解和药物设计	蛋白质-DNA相互作用复合物	机器学习	NA	深度学习，图表示学习	图神经网络，混合密度网络	蛋白质-核酸复合物结构数据	约7000个蛋白质-核酸复合物结构	NA	GraphGPS, BigBird	EF, AUROC, 对接成功率, PCC	NA
4887	2025-12-03	Enhancing vertebral fracture prediction using multitask deep learning computed tomography imaging of bone and muscle 2025-Dec-01, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-12049-3 PMID:41326828	研究论文	本研究开发并外部验证了一种基于CT的多任务深度学习模型，用于预测椎体骨折风险	采用多任务学习框架，整合骨骼和肌肉的CT图像特征，相比仅使用骨骼图像或传统临床模型（如FRAX）展现出更优的预测性能	研究样本主要来自50-80岁患者，可能限制了模型在其他年龄段的泛化能力；外部验证仅基于两家独立医院的数据	开发并验证一种基于CT的椎体骨折风险预测模型	50-80岁患者的腹部CT扫描图像	计算机视觉	骨质疏松性骨折	CT扫描	深度学习	图像	开发集2553名患者，外部测试集1506名患者	NA	多任务深度学习模型	AUROC, c-index	NA
4888	2025-12-03	Automated HFrEF Diagnosis Using an Optimized TimeSformer Model in Echocardiography 2025-Dec-01, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01758-2 PMID:41326877	研究论文	本研究提出了一种基于优化的TimeSformer模型和左心室掩码方法，用于从超声心动图视频中自动诊断射血分数降低的心力衰竭	首次将TimeSformer架构应用于超声心动图领域，并引入基于图像分割的领域知识左心室掩码方法，以引导模型关注诊断关键区域	未明确提及具体局限性，但暗示在小型和不平衡临床数据集中的有效性可能受限	增强射血分数降低的心力衰竭的自动检测能力	超声心动图视频数据	计算机视觉	心血管疾病	超声心动图	Transformer	视频	大规模基准数据集和来自心脏病科的小型专业临床数据集	NA	TimeSformer	准确率, AUC	NA
4889	2025-12-03	Lung Disease Classification with Deep Learning Enhanced CNN Architecture in Chest X-Ray Imaging 2025-Dec-01, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01760-8 PMID:41326879	研究论文	本研究提出了一种结合离散小波变换、U-Net++、注意力门和渐进增长生成对抗网络的深度学习增强CNN架构，用于胸部X射线图像的肺部分割和多种肺部疾病的分类	使用离散小波变换替代传统最大池化以提供更精确的下采样，结合U-Net++与注意力门提升分割精度，并在DenseNet-201中集成DWT进行分类，同时采用PGGAN进行数据增强以生成高分辨率合成图像	未明确说明模型在外部验证集上的泛化能力，以及计算复杂度和实时性方面的限制	开发一种准确可靠的胸部X射线图像分析系统，用于肺部疾病诊断	胸部X射线图像	计算机视觉	肺部疾病	胸部X射线成像	CNN, GAN	图像	日本放射技术学会数据集	NA	U-Net++, DenseNet-201, PGGAN	准确率, Dice系数, 精确率	NA
4890	2025-12-03	Automatic Segmentation and Classification of Glioblastoma and Solitary Brain Metastasis Using a Deep Learning Model on Multiparametric MRI 2025-Dec-01, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01695-0 PMID:41326876	研究论文	本研究构建了一个基于多参数MRI的三维深度学习模型，用于自动分割和分类胶质母细胞瘤与孤立性脑转移瘤	开发了一个三维深度学习模型，在自动分割和分类胶质母细胞瘤与孤立性脑转移瘤方面表现出色，并证明该模型能显著提升放射科医生的诊断准确性	研究使用了来自单一医疗中心和两个公共数据集的314名患者数据，样本量相对有限，且未提及模型在其他独立数据集上的泛化能力验证	构建一个自动分割和分类胶质母细胞瘤与孤立性脑转移瘤的深度学习模型，以辅助术前临床决策	胶质母细胞瘤和孤立性脑转移瘤患者	数字病理学	脑肿瘤	多参数MRI	深度学习	图像	314名患者（来自一个医疗中心和两个公共数据集）	NA	No-new-UNet (nnU-Net)	Dice分数, AUC	NA
4891	2025-12-03	Advantages and Limitations of AlphaFold in Structural Biology: Insights from Recent Studies 2025-Dec-01, The protein journal DOI:10.1007/s10930-025-10310-8 PMID:41326937	综述	本文综述了2022年至2025年间AlphaFold在结构生物学中的应用、优势与局限性	系统性地总结了AlphaFold在病毒学、微生物学和生物医学等不同领域的最新应用案例，并分析了其方法扩展（如AlphaFold-Multimer）以及与分子动力学模拟结合的价值	AlphaFold对固有无序区域、蛋白质-配体/辅因子相互作用、以及大型或瞬时组装的预测存在重要局限性，约三分之一的残基可能缺乏原子精度	评估AlphaFold在结构生物学中的实际影响、优势与剩余挑战，并指出未来方法创新和正交验证的优先方向	人类、微生物和病毒系统中的蛋白质结构，包括SARS-CoV-2刺突和核衣壳蛋白、细菌核糖体和膜蛋白复合物、人类GPCRs等	结构生物学	NA	深度学习蛋白质结构预测，分子动力学模拟	深度学习模型	氨基酸序列，冷冻电镜图谱	NA	NA	AlphaFold, AlphaFold-Multimer	原子精度	NA
4892	2025-12-03	A scalable equivariant graph network framework for precise protein function prediction 2025-Nov-29, Genome biology IF:10.1Q1 DOI:10.1186/s13059-025-03886-y PMID:41318581	研究论文	提出一个名为ENGINE的可扩展等变图网络框架，用于精确预测蛋白质功能	整合了等变图卷积网络以捕获蛋白质3D结构的几何特征，利用大语言模型ESM-C编码进化和序列信息，并创新性地结合了统一空间与序列信号的3D序列表示	未在摘要中明确说明	开发高效的计算方法以进行准确的蛋白质功能注释	蛋白质	机器学习	NA	深度学习	图卷积网络, 大语言模型	蛋白质3D结构, 序列数据	NA	NA	等变图卷积网络, ESM-C	预测准确性	NA
4893	2025-12-03	A Deep Learning Radiomics Model Based on Superb Microvascular Imaging for Non-Invasive Prediction of the Degree of Arteriolosclerosis in Patients With Chronic Kidney Disease 2025-Nov-29, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056412035251027064309 PMID:41328654	研究论文	本研究开发并验证了一种基于超微血管成像的深度学习放射组学模型，用于无创评估慢性肾病患者的动脉硬化严重程度	结合超微血管成像、深度学习特征和放射组学特征，构建了深度学习放射组学模型，在无创预测动脉硬化程度方面表现出优于单一模型的性能	研究为前瞻性但样本量有限（326例），且仅来自两个医疗中心，可能需要更大规模的多中心验证	开发一种无创评估慢性肾病患者动脉硬化严重程度的模型	慢性肾病患者	数字病理学	慢性肾病	超微血管成像	深度学习	图像	326例慢性肾病患者（165例动脉硬化阳性，161例阴性）	NA	深度学习放射组学模型	AUC, 决策曲线分析	NA
4894	2025-12-03	A deep learning framework for automated dental segmentation and diagnostic report generation from cone-beam computed tomography 2025-Nov-28, Head & face medicine IF:2.4Q2 DOI:10.1186/s13005-025-00555-0 PMID:41316386	研究论文	本文开发了一个深度学习框架，用于从锥形束计算机断层扫描图像中自动分割牙齿并生成辅助诊断报告	提出了一种结合3D TransUNet、nnU-Netv2和3D DenseNet169的两阶段流水线模型，实现了牙齿自动分割与疾病诊断的一体化，并能自动生成结构化辅助诊断报告	未明确提及模型的计算复杂度、泛化能力到其他数据集或临床环境中的验证情况	开发一个能够自动分割CBCT图像中的牙齿并生成辅助诊断报告的深度学习模型	锥形束计算机断层扫描图像中的牙齿	计算机视觉	牙科疾病	锥形束计算机断层扫描	深度学习模型	3D医学图像	450个CBCT数据集	NA	3D TransUNet, nnU-Netv2, 3D DenseNet169	Dice相似系数, 平均对称表面距离, 准确率, F1分数	NA
4895	2025-12-03	Capuchin Red Kite-optimized Swin Transformer-based Convolutional Block Attention Module for Early Diagnosis and Classification of Pneumonia 2025-Nov-28, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056392646251021111437 PMID:41327768	研究论文	提出一种结合Capuchin Red Kite优化算法与Swin Transformer注意力模块的深度学习模型，用于肺炎、COVID-19和正常病例的早期诊断与分类	首次将Capuchin Red Kite优化算法与Swin Transformer注意力模块结合，并采用混合特征提取与自适应门控循环单元进行特征融合	模型仅在公开数据集上验证，未来需要在多样化真实世界数据集中验证泛化能力	开发高效的深度学习模型用于肺炎、COVID-19和正常病例的准确分类	胸部X光和CT图像	计算机视觉	肺炎	医学影像分析	深度学习	图像	Kaggle公开胸部X光数据集	NA	Swin Transformer, ResNet, Vision Transformer, 卷积块注意力模块	准确率, AUC	NA
4896	2025-12-03	Deep Learning and Attention Mechanism-based Prediction of Vaginal Invasion in Early-Stage Cervical Cancer 2025-Nov-28, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056392471251103125700 PMID:41327769	研究论文	本研究提出了一种结合3D ResNet分类和Grad-CAM可视化的新方法，利用T2WI-MRI预测早期宫颈癌的阴道侵犯，以提高诊断准确性并实现侵袭性病变的解剖定位	创新性地融合了3D ResNet分类与Grad-CAM可视化，通过各向异性卷积层和复杂数据增强优化模型，并整合瘤内及瘤周（3mm）区域特征，实现了对阴道侵犯的非侵入性预测及病变定位	研究基于单中心回顾性队列，样本量有限，限制了结果的普适性，需要外部验证和前瞻性研究才能进行临床转化	预测早期宫颈癌（IB-IIA期）的阴道侵犯，以辅助保留生育功能的决策	160例经病理证实的IB-IIA期宫颈癌患者的矢状位T2WI-MRI图像	计算机视觉	宫颈癌	T2WI-MRI	深度学习	医学影像（MRI图像）	160例患者	NA	3D ResNet-18	AUC, 敏感性, 特异性, 准确率, 精确率	NA
4897	2025-12-03	Spatial Attention-guided Hybrid Deep Learning with Sharpened Cosine Similarity for Accurate Chest X-ray Interpretation 2025-Nov-28, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056396626251105115902 PMID:41327770	研究论文	提出了一种结合空间注意力引导的混合深度学习框架VSAG-HDL Net，用于提高胸部X射线图像中病变分割和疾病分类的准确性和可解释性	整合了变分空间注意力融合U-Net（VSA-FU-Net）进行病变分割和锐化余弦相似度（SCS）网络进行疾病分类，通过消除冗余特征提取和空间注意力机制提升诊断性能和计算效率	在分类准确率上略低于DenseNet+VIT和DenseNet+VIT+GAP模型（分别低2.0%和2.3%）	提高胸部X射线图像中呼吸系统疾病（如COVID-19和肺炎）的诊断准确性和可解释性	胸部X射线图像	计算机视觉	呼吸系统疾病	NA	混合深度学习框架	图像	21,165张胸部X射线图像	NA	VSA-FU-Net, SCS Network	Dice相似系数, 交并比, 准确率	NA
4898	2025-12-03	Active learning framework leveraging transcriptomics identifies modulators of disease phenotypes 2025-Nov-27, Science (New York, N.Y.) DOI:10.1126/science.adi8577 PMID:41129612	研究论文	本文提出了一种利用转录组学的主动深度学习框架，用于高效识别诱导复杂疾病表型的化合物	开发了一种结合组学数据的主动深度学习框架，相比现有模型在表型命中率上实现了13至17倍的提升，并通过实验室闭环签名优化步骤进一步提高了命中率	NA	克服表型药物筛选中的化学空间广阔性和实验规模化挑战，加速药物发现	化合物及其对疾病表型的调控作用	机器学习	血液疾病	转录组学	深度学习	组学数据	NA	NA	NA	召回率, 表型命中率	NA
4899	2025-12-03	scRegulate: Single-Cell Regulatory-Embedded Variational Inference of Transcription Factor Activity from Gene Expression 2025-Nov-25, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf638 PMID:41288963	研究论文	本文提出了一种名为scRegulate的生成式深度学习框架，用于从单细胞RNA测序数据中推断转录因子活性和基因调控网络	scRegulate通过变分推理整合先验生物知识与数据驱动推断，能够捕获新颖、动态和上下文特异的调控相互作用，相比现有方法更具可扩展性和生物学基础	未在摘要中明确提及	开发一个从单细胞RNA测序数据中准确推断转录因子活性和基因调控网络的计算框架	单细胞RNA测序数据，转录因子及其靶基因关系	计算生物学	NA	单细胞RNA测序	变分自编码器	基因表达数据	公共实验和合成数据集，人类PBMC单细胞RNA测序数据	PyTorch	变分推理模型	准确性，效率（速度比较）	NA
4900	2025-12-03	One-click reconstruction in single-molecule localization microscopy via experimental parameter-aware deep learning 2025-Nov-25, Npj imaging DOI:10.1038/s44303-025-00123-w PMID:41291118	研究论文	本文介绍了AutoDS和AutoDS3D两种软件程序，用于单分子定位显微镜数据的超分辨率重建，基于Deep-STORM和DeepSTORM3D，通过实验参数感知的深度学习实现一键式重建	通过自动从原始成像数据中提取实验参数，显著减少了分析过程中的人工干预，在2D情况下从预训练模型集中选择最优模型，在3D情况下提高了计算效率并集成为图形用户界面	未明确提及具体局限性，但可能依赖于预训练模型的覆盖范围或实验条件的通用性	开发自动化软件以减少单分子定位超分辨率显微镜中的人工干预和计算时间	单分子定位显微镜数据	计算机视觉	NA	单分子定位超分辨率显微镜	深度神经网络	图像	NA	NA	Deep-STORM, DeepSTORM3D	NA	NA