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
4921	2025-03-11	Robust deep learning from weakly dependent data 2025-May, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2025.107227 PMID:39933320	研究论文	本文探讨了在弱依赖数据下的鲁棒深度学习，提出了在无界损失函数和无界输出情况下的深度神经网络估计器的非渐近边界	本文的创新点在于考虑了弱依赖观测数据下的鲁棒深度学习，放宽了现有工作中对损失函数和变量的限制，仅假设输出变量具有有限的r阶矩	本文的局限性在于仅考虑了强混合和ψ-弱依赖假设下的数据，未涉及其他类型的依赖结构	研究目的是在弱依赖数据下建立深度神经网络估计器的鲁棒性理论	研究对象是弱依赖观测数据下的深度神经网络估计器	机器学习	NA	NA	深度神经网络	数值数据	NA
4922	2025-03-11	Use of deep learning-accelerated T2 TSE for prostate MRI: Comparison with and without hyoscine butylbromide admission 2025-May, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2025.110358 PMID:39938669	研究论文	本研究探讨了深度学习加速的T2加权涡轮自旋回波成像序列（T2DL）在前列腺MRI中的应用，特别是关于是否需要使用丁溴东莨菪碱（HBB）以获得高质量图像	首次比较了使用和不使用HBB的深度学习加速T2DL序列与传统T2 TSE序列在前列腺MRI中的表现	需要进一步研究以评估在新型扫描仪上调整和开发的DL应用，并评估肿瘤检测率	探讨深度学习加速的T2DL序列在前列腺MRI中的应用及其与HBB使用的必要性	120名连续患者，分为四组，每组30人	数字病理	前列腺癌	深度学习加速的T2加权涡轮自旋回波成像序列（T2DL）	深度学习	图像	120名患者，分为四组，每组30人
4923	2025-03-11	Spiking-PhysFormer: Camera-based remote photoplethysmography with parallel spike-driven transformer 2025-May, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2025.107128 PMID:39817982	研究论文	本文提出了一种名为Spiking-PhysFormer的混合神经网络模型，旨在通过引入脉冲神经网络（SNNs）来降低基于相机的远程光电容积描记术（rPPG）的功耗	首次将SNNs引入rPPG领域，设计了一种并行脉冲变压器块和简化的脉冲自注意力机制，以减少功耗并保持模型性能	NA	降低基于相机的远程光电容积描记术（rPPG）的功耗，同时保持测量心脏活动和生理信号的准确性	面部视频中的脉搏波、心率和呼吸率等生理信号	计算机视觉	NA	远程光电容积描记术（rPPG）	混合神经网络（HNN），包括基于ANN的补丁嵌入块、基于SNN的变压器块和基于ANN的预测头	视频	四个数据集（PURE、UBFC-rPPG、UBFC-Phys和MMPD）
4924	2025-03-11	PrediRep: Modeling hierarchical predictive coding with an unsupervised deep learning network 2025-May, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2025.107246 PMID:39946763	研究论文	本文介绍了一种名为PrediRep的新型深度学习网络，该网络更紧密地遵循层次预测编码（hPC）的架构原则，用于理解大脑皮层如何通过内部生成模型预测未来感官输入	PrediRep网络在架构上更贴近hPC原则，与现有模型相比，在功能对齐上表现更优，特别是在使用全层次损失函数（PrediRepAll）时	PrediRep主要设计用于神经科学研究，而非优化性能，尽管在下一帧预测任务中表现出色，但其主要目标并非性能优化	开发一个更符合hPC原则的深度学习模型，用于神经科学研究和探索大脑皮层的预测编码机制	层次预测编码（hPC）和深度学习网络	机器学习	NA	深度学习	PrediRep	视频帧	NA
4925	2025-03-11	Automatic visual detection of activated sludge microorganisms based on microscopic phase contrast image optimisation and deep learning 2025-Apr, Journal of microscopy IF:1.5Q3 DOI:10.1111/jmi.13385 PMID:39846854	研究论文	本文提出了一种基于显微相差图像优化和深度学习的污泥微生物检测方法，旨在提高污水处理系统中微生物的快速准确检测	提出了一种基于融合方差的相差图像质量优化算法，设计了轻量级YOLOv8n-SimAM模型，并引入了SimAM注意力模块和新的损失函数IW-IoU，以提高检测精度和运行速度	NA	提高污水处理系统中微生物的检测精度和速度	活性污泥中的微生物	计算机视觉	NA	深度学习	YOLOv8n-SimAM	显微相差图像	包含八种微生物的数据集
4926	2025-03-11	PBScreen: A server for the high-throughput screening of placental barrier-permeable contaminants based on multifusion deep learning 2025-Apr-01, Environmental pollution (Barking, Essex : 1987) DOI:10.1016/j.envpol.2025.125858 PMID:39954759	研究论文	本文介绍了一个名为PBScreen的服务器，用于基于多融合深度学习模型高效筛选能够穿过胎盘屏障的污染物	使用多融合深度学习模型进行污染物筛选，相比传统细胞跨膜实验方法，提高了筛选效率和准确性	虽然模型在外部验证集和BeWo细胞跨膜实验中表现出良好的鲁棒性和泛化能力，但仍需进一步验证其在更广泛应用场景中的有效性	开发一种高效的高通量筛选工具，用于识别能够穿过胎盘屏障的污染物，以增强与关键公共卫生问题相关的污染物风险评估	能够穿过胎盘屏障的污染物	机器学习	NA	深度学习	图卷积网络（GCN）和深度神经网络（DNN）	化学数据	NA
4927	2025-03-11	Finger-aware Artificial Neural Network for predicting arthritis in Patients with hand pain 2025-Apr, Artificial intelligence in medicine IF:6.1Q1 DOI:10.1016/j.artmed.2025.103077 PMID:39970842	研究论文	本研究开发了一种基于Transformer的手指感知人工神经网络（FANN），用于预测手痛患者的关节炎发展	首次将深度学习应用于SUV数据以预测手部关节炎的发展，并开发了FANN模型，该模型在性能上优于传统机器学习模型	未提及具体的研究局限性	提高关节炎的早期和准确诊断，以支持有效的治疗和管理	手痛患者	机器学习	关节炎	SPECT/CT	Transformer-based FANN	图像数据	未提及具体样本数量
4928	2025-03-11	Artificial Intelligence non-invasive methods for neonatal jaundice detection: A review 2025-Apr, Artificial intelligence in medicine IF:6.1Q1 DOI:10.1016/j.artmed.2025.103088 PMID:39988547	综述	本文综述了人工智能在新生儿黄疸非侵入性检测方法中的应用	探讨了多种AI驱动技术，如机器学习和深度学习，这些技术在通过评估新生儿皮肤颜色和其他相关特征的复杂模式来提高诊断准确性方面显示出潜力	讨论了将AI技术整合到临床实践中的伦理和实际影响	评估AI解决方案在减少新生儿发病率和死亡率方面的潜在影响	新生儿黄疸	数字病理学	新生儿疾病	机器学习和深度学习	神经网络	图像	NA
4929	2025-03-11	A multi-stage multi-modal learning algorithm with adaptive multimodal fusion for improving multi-label skin lesion classification 2025-Apr, Artificial intelligence in medicine IF:6.1Q1 DOI:10.1016/j.artmed.2025.103091 PMID:40015211	研究论文	本文提出了一种基于不确定性的混合融合策略的多模态学习算法，用于皮肤癌诊断，结合了临床图像、皮肤镜图像和元数据三种不同模态	引入了基于不确定性的混合融合策略，能够自适应地结合不同模态的信息，提高了皮肤病变分类的准确性和鲁棒性	虽然实验结果表明了该方法的有效性，但未提及在更大规模或多样化数据集上的泛化能力	提高皮肤癌诊断的准确性和临床适用性	皮肤病变图像和元数据	计算机视觉	皮肤癌	深度学习	多模态融合模型	图像和元数据	使用了一个流行的公开皮肤疾病诊断数据集，但未提及具体样本数量
4930	2025-03-11	Machine learning-based evolution of water quality prediction model: An integrated robust framework for comparative application on periodic return and jitter data 2025-Mar-15, Environmental pollution (Barking, Essex : 1987) DOI:10.1016/j.envpol.2025.125834 PMID:39933618	研究论文	本研究提出了一种新颖的多层次耦合机器学习框架，用于提高水质预测的准确性	集成了数据去噪、特征选择和LSTM网络，显著提高了预测性能	未来研究需要探索该框架在不同地理和气候条件下的可扩展性	提高水质预测的准确性，以支持地表水资源的可持续管理	溶解氧和高锰酸盐指数	机器学习	NA	LSTM网络、数据去噪、特征选择	LSTM	时间序列数据	四个监测站的数据，采用80-20%和70-30%的训练配置
4931	2025-03-11	Screening of estrogen receptor activity of per- and polyfluoroalkyl substances based on deep learning and in vivo assessment 2025-Mar-15, Environmental pollution (Barking, Essex : 1987) DOI:10.1016/j.envpol.2025.125843 PMID:39947576	研究论文	本文提出了一种基于深度学习的堆叠架构GXDNet，用于预测全氟和多氟烷基物质（PFAS）的雌激素受体α（ERα）活性，并通过实验验证了代表性PFAS分子的ERα活性	提出了GXDNet模型，结合分子描述符和分子图来预测化合物的ERα活性，增强了模型的泛化能力，并通过实验验证了代表性PFAS分子的ERα活性	尽管模型在预测ERα活性方面表现出色，但仍需进一步验证其在其他内分泌干扰物中的应用效果	开发一种基于深度学习的模型，用于预测PFAS的ERα活性，并加速环保型PFAS分子的开发	10,067个PFAS分子	机器学习	内分泌干扰	深度学习	GXDNet	分子描述符和分子图	10,067个PFAS分子
4932	2025-03-11	Accelerating polymer self-consistent field simulation and inverse DSA-lithography with deep neural networks 2025-Mar-14, The Journal of chemical physics IF:3.1Q1 DOI:10.1063/5.0255288 PMID:40062757	研究论文	本文提出了一种基于深度学习的方法，用于加速自洽场理论（SCFT）模拟，并通过深度神经网络（DNN）直接映射早期SCFT结果到平衡结构，显著减少了模拟时间	通过深度神经网络直接映射早期SCFT结果到平衡结构，避免了耗时的SCFT迭代，显著提高了模拟效率	需要生成训练数据集，且训练网络的成本可能较高	加速自洽场理论（SCFT）模拟，提高计算效率	嵌段共聚物（BCP）自组装	机器学习	NA	深度神经网络（DNN）	DNN	模拟数据	NA
4933	2025-03-11	AI-Driven Drug Discovery for Rare Diseases 2025-Mar-10, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.4c01966 PMID:39689164	综述	本文探讨了人工智能（AI）在罕见病药物发现中的潜力，通过克服传统药物发现模型的挑战，加速罕见病治疗的发展	本文综合了当前知识和最新突破，提供了关于AI如何加速罕见病治疗发展的关键见解，填补了文献中的关键空白	本文主要基于现有文献和突破，缺乏实际应用案例和数据的支持	探索AI在罕见病药物发现中的应用，以加速治疗发展并改善患者预后	罕见病（RDs）及其治疗	机器学习	罕见病	机器学习（ML）和深度学习（DL）	NA	NA	NA
4934	2025-03-11	Deep Learning-Assisted Discovery of Protein Entangling Motifs 2025-Mar-10, Biomacromolecules IF:5.5Q1 DOI:10.1021/acs.biomac.4c01243 PMID:39937127	研究论文	本文开发了一种深度学习模型，用于预测同源二聚体的纠缠特征，并成功应用于筛选超嗜热古菌基因组中的纠缠基序	开发了一种基于氨基酸序列预测蛋白质纠缠特征的深度学习模型，搜索速度比AlphaFold-Multimer快数十倍，并成功应用于湿实验室合成蛋白质链环	模型的多样性和复杂性仍受限于可用纠缠基序的稀缺性	推进新型拓扑蛋白质的设计和合成	同源二聚体的纠缠特征	机器学习	NA	深度学习	深度学习模型	氨基酸序列	超嗜热古菌基因组
4935	2025-03-11	T-ALPHA: A Hierarchical Transformer-Based Deep Neural Network for Protein-Ligand Binding Affinity Prediction with Uncertainty-Aware Self-Learning for Protein-Specific Alignment 2025-Mar-10, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.4c02332 PMID:39965912	研究论文	本文介绍了一种名为T-ALPHA的新型深度学习模型，用于预测蛋白质-配体结合亲和力，并通过不确定性感知的自学习方法进行蛋白质特异性对齐	T-ALPHA模型通过整合多模态特征表示在分层Transformer框架中，显著提高了蛋白质-配体结合亲和力的预测准确性，并在使用预测结构而非晶体结构时仍保持最先进的性能	尽管T-ALPHA在预测结构上表现出色，但在实际应用中，实验确定的结构往往不可用或不完整，这可能限制了其广泛适用性	提高蛋白质-配体结合亲和力的预测准确性，以加速候选抑制剂的识别和优化	蛋白质-配体结合亲和力	机器学习	NA	深度学习	Transformer	蛋白质-配体结合数据	NA
4936	2025-03-11	Validation of patient-specific deep learning markerless lung tumor tracking aided by 4DCBCT 2025-Mar-10, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/adb89c PMID:39978071	研究论文	本文提出了一种基于4DCBCT辅助的深度学习模型，用于无标记的肺肿瘤实时跟踪	提出了一种新颖的4DCBCT辅助的GT生成方法，用于患者特定的AI模型训练和验证	样本量较小，仅使用了6个患者的数据进行验证和11个患者的数据进行测试	开发一种系统方法，用于自动生成CBCT投影上的肿瘤分割GT，并用于改进和验证患者特定的AI肿瘤定位模型	肺癌患者的肺肿瘤	数字病理学	肺癌	4DCBCT, Retina U-Net	Retina U-Net	CBCT投影图像	6个患者用于验证，11个患者用于测试，每个患者约40个CBCT投影
4937	2025-03-11	Sampling Conformational Ensembles of Highly Dynamic Proteins via Generative Deep Learning 2025-Mar-10, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.4c01838 PMID:39984300	研究论文	本文介绍了一种基于深度学习的模型ICoN，用于从分子动力学模拟数据中学习蛋白质构象变化的物理原理，并通过插值在潜在空间中选择数据点，快速识别具有复杂和大规模侧链和骨架排列的新合成构象	提出了ICoN模型，能够从分子动力学模拟数据中学习蛋白质构象变化的物理原理，并通过插值在潜在空间中选择数据点，快速识别新合成构象	需要依赖分子动力学模拟数据进行训练，且对于未包含在训练数据中的重要相互作用的识别可能有限	研究蛋白质构象集合，特别是高度动态的蛋白质，以理解其生物学功能和疾病相关聚集	高度动态的蛋白质，特别是淀粉样β（Aβ42）单体	机器学习	NA	深度学习	ICoN	分子动力学模拟数据	NA
4938	2025-03-11	A deep learning model for inter-fraction head and neck anatomical changes in proton therapy 2025-Mar-10, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/adba39 PMID:39999567	研究论文	本文提出了一种基于概率深度学习的算法，用于预测头颈部患者在质子治疗中的分次间解剖变化	使用变分自编码器架构构建了一个概率性的每日解剖模型（DAM），能够生成重复CT图像及其对应掩码的变形向量场，从而预测解剖变化	数据集仅包含93名患者，样本量相对较小，可能影响模型的泛化能力	评估深度学习模型在预测头颈部患者分次间解剖变化中的性能	头颈部患者的分次间解剖变化	数字病理学	头颈部癌症	深度学习	变分自编码器（VAE）	CT图像	93名患者（315对pCT-rCT图像），其中9名患者（27对图像）用于最终测试
4939	2025-03-11	SynthMol: A Drug Safety Prediction Framework Integrating Graph Attention and Molecular Descriptors into Pre-Trained Geometric Models 2025-Mar-10, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.4c01320 PMID:40000610	研究论文	本文介绍了一个名为SynthMol的深度学习框架，该框架整合了预训练的3D结构特征、图注意力网络和分子指纹，用于高精度的分子属性预测	SynthMol框架通过整合预训练的3D结构特征、图注意力网络和分子指纹，实现了在多个数据集上超越现有模型的预测精度	未明确提及具体局限性	开发一个高精度的药物安全性预测框架	药物分子及其安全性	机器学习	NA	深度学习	图注意力网络	分子数据	22个数据集，包括MoleculeNet、MolData和已发表的药物安全性数据
4940	2025-03-11	Large Model Era: Deep Learning in Osteoporosis Drug Discovery 2025-Mar-10, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.4c02264 PMID:40008920	综述	本文介绍了深度学习领域中的传统模型和大模型，系统总结了它们在药物发现各阶段的应用，并分析了它们在骨质疏松药物发现中的应用前景	大模型因其大量参数和处理复杂任务的能力，为理解疾病机制和促进药物发现提供了新方法	本文深入讨论了大模型的优势和局限性，以帮助未来的药物发现	探讨深度学习在骨质疏松药物发现中的应用	骨质疏松药物发现	机器学习	骨质疏松	深度学习	大模型	NA	NA