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
5081	2025-03-15	Exploring the application of deep learning methods for polygenic risk score estimation 2025-Mar-13, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/adbb71 PMID:40020248	研究论文	本文探讨了深度学习在生成多基因风险评分（PRS）中的应用，并展示了其在减少训练数据量和处理缺失数据方面的潜力	使用深度学习模型生成多基因风险评分，并展示了一个模型生成多个PRS的能力，以及在处理缺失数据时的优势	进一步改进可能需要额外的输入数据	探索深度学习如何改进多基因风险评分的生成	多基因风险评分（PRS）	机器学习	NA	深度学习	深度学习模型	基因数据	UK Biobank数据
5082	2025-03-15	CT-free attenuation and Monte-Carlo based scatter correction-guided quantitative 90Y-SPECT imaging for improved dose calculation using deep learning 2025-Mar-13, European journal of nuclear medicine and molecular imaging IF:8.6Q1 DOI:10.1007/s00259-025-07191-5 PMID:40080141	研究论文	本研究旨在开发深度学习模型，用于无CT的衰减校正和基于蒙特卡罗的散射校正，以改进90Y SPECT成像中的剂量计算	使用改进的3D Swin UNETR架构训练深度学习模型，实现无CT的衰减校正和蒙特卡罗散射校正，提高了90Y SPECT成像的剂量计算精度	需要更大规模的数据集进行训练，以进一步提高模型的泛化能力	改进90Y SPECT成像中的剂量计算	190名接受90Y选择性内放射治疗（SIRT）的患者	医学影像处理	NA	深度学习	3D Swin UNETR	SPECT图像	190名患者
5083	2025-03-15	AI-Powered Image-Based Assessment of Pressure Injuries Using You Only Look once (YOLO) Version 8 Models 2025-Mar-13, Advances in wound care IF:5.8Q1 DOI:10.1089/wound.2024.0245 PMID:40081991	研究论文	本研究旨在通过机器学习和YOLOv8深度学习模型提升压力性损伤的检测和分期准确性	首次将YOLOv8模型应用于压力性损伤分期，并通过优化器和超参数调优显著提升了检测精度	研究基于模拟数据集，未在真实临床环境中进行验证	提升压力性损伤的检测和分期准确性	压力性损伤图像	计算机视觉	压力性损伤	深度学习	YOLOv8	图像	公开的高质量数据集
5084	2025-03-15	Deep learning based automatic quantification of aortic valve calcification on contrast enhanced coronary CT angiography 2025-Mar-12, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-93744-5 PMID:40069321	研究论文	本研究评估了基于深度学习的自动量化主动脉瓣钙化的可行性，并与手动钙化评分进行了比较	使用深度学习模型自动量化主动脉瓣钙化，提供了一种在增强CT上高精度测量主动脉瓣钙化的方法	研究为回顾性分析，样本量有限（177例患者）	评估基于深度学习的自动量化主动脉瓣钙化的可行性，并与手动钙化评分进行比较	177例接受主动脉瓣狭窄评估的患者	数字病理学	心血管疾病	对比增强冠状动脉CT血管造影	DeepLab v3+ 和 XGBoost	CT图像	177例患者（97例开发集，80例内部验证集）
5085	2025-03-15	Automated Fast Prediction of Bone Mineral Density From Low-dose Computed Tomography 2025-Mar-12, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2025.02.041 PMID:40082126	研究论文	本研究探讨了利用深度学习基于低剂量CT扫描建立体积骨密度预测和骨质疏松分类系统的可行性	首次将深度学习应用于低剂量CT扫描，自动预测体积骨密度并进行骨质疏松和骨质减少的分类	研究样本量相对较小，且仅针对腰椎进行了分析	开发一个基于低剂量CT扫描的自动体积骨密度预测和骨质疏松分类系统	551名同时接受低剂量CT和定量CT检查的受试者	数字病理学	骨质疏松	低剂量CT扫描	U-net	图像	551名受试者
5086	2025-03-15	Deep learning modelling of structural brain MRI in chronic head and neck pain after mild TBI 2025-Mar-12, Pain IF:5.9Q1 DOI:10.1097/j.pain.0000000000003587 PMID:40084983	研究论文	本研究利用深度学习模型分析轻度创伤性脑损伤（mTBI）后慢性头颈痛患者的结构性脑MRI扫描，以预测高风险个体	首次使用预训练的3D ResNet-18深度学习模型分析mTBI后72小时内的T1加权脑MRI扫描，以预测慢性疼痛风险	样本量相对较小（128名患者），且模型的平均准确率和AUC值较低（分别为0.59和0.56）	探索早期脑MRI扫描在预测mTBI后慢性头颈痛中的实用性	227名因车祸导致mTBI的患者，其中128名在伤后72小时内进行了T1加权脑MRI扫描	数字病理学	创伤性脑损伤	T1加权脑MRI扫描	3D ResNet-18	图像	128名患者
5087	2025-03-15	A comprehensive dataset of magnetic resonance enterography images with intestinal segment annotations 2025-Mar-11, Scientific data IF:5.8Q1 DOI:10.1038/s41597-025-04760-z PMID:40069172	研究论文	本文介绍了一个包含肠道分段注释的磁共振肠造影（MRE）图像的综合数据集，旨在支持炎症性肠病（IBD）的诊断和监测	创建了一个大规模、精细注释的MRE数据集，并验证了几种最先进的分割方法在该数据集上的效率	数据集的样本量相对较小，仅包含114名患者	为IBD的诊断和监测提供自动化工具，减少放射科医生的手动工作量	炎症性肠病（IBD）患者	数字病理学	炎症性肠病	磁共振肠造影（MRE）	深度学习分割方法	图像	114名患者，每人1600-2000 mL 2.5%甘露醇
5088	2025-03-15	A transformer-based real-time earthquake detection framework in heterogeneous environments 2025-Mar-11, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-82087-2 PMID:40069212	研究论文	本文介绍了一种基于Transformer的实时地震检测框架TFEQ，旨在解决在高度异构环境中部署深度学习技术的挑战	TFEQ模型独特地同时分析P波和S波，解决了现有模型通常只关注S波检测而忽视P波早期检测的问题	NA	开发一种能够在异构物联网环境中进行实时地震检测的深度学习模型	地震波（P波和S波）	机器学习	NA	深度学习	Transformer	传感器数据	CrowdQuake计划收集的MEMS传感器数据
5089	2025-03-15	Fuzzy control algorithm of cleaning parameters of street sweeper based on road garbage volume grading 2025-Mar-11, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-92771-6 PMID:40069257	研究论文	本文提出了一种基于道路垃圾量分级的模糊控制算法，用于调整街道清扫车的清洁参数，以提高清洁效率和降低能耗	创新点在于结合YOLO v5深度学习模型进行目标检测和垃圾分类，并基于垃圾覆盖率和重量计算道路垃圾量分级系数，进而开发模糊控制模型以优化清扫车操作参数	未提及算法的泛化能力及在不同城市环境中的适用性	研究目的是通过智能算法优化街道清扫车的清洁参数，以提高清洁效率和降低能耗	研究对象是街道清扫车及其清洁参数	计算机视觉	NA	YOLO v5	模糊控制模型	图像	未提及具体样本数量
5090	2025-03-15	Infusing structural assumptions into dimensionality reduction for single-cell RNA sequencing data to identify small gene sets 2025-Mar-11, Communications biology IF:5.2Q1 DOI:10.1038/s42003-025-07872-9 PMID:40069486	研究论文	本文提出了一种结合无监督深度学习和增强方法的维度降低技术，用于单细胞RNA测序数据，以识别小基因集	提出了增强自编码器（BAE）方法，结合了无监督深度学习和增强方法的优势，能够选择解释潜在维度的小基因集	未明确提及具体局限性	探索单细胞RNA测序数据中的细胞异质性，识别小基因集	单细胞RNA测序数据	机器学习	NA	单细胞RNA测序	自编码器（Autoencoder）	RNA测序数据	未明确提及样本数量
5091	2025-03-15	An efficient deep learning-based strategy to screen inhibitors for GluN1/GluN3A receptor 2025-Mar-11, Acta pharmacologica Sinica IF:6.9Q1 DOI:10.1038/s41401-025-01513-x PMID:40069493	研究论文	本文提出了一种基于深度学习的策略，用于高效筛选GluN1/GluN3A受体的抑制剂	结合序列和复合物基础的评分函数，利用深度学习技术提高筛选效率和准确性	研究仍处于早期阶段，药理研究数据有限	开发一种高效且准确的筛选方法，用于识别GluN1/GluN3A受体的抑制剂	GluN1/GluN3A受体及其抑制剂	机器学习	神经精神疾病	全细胞电压钳电生理学	深度学习模型	化合物库数据	1800万种化合物库筛选至约10个候选分子
5092	2025-03-15	Efficient deep learning-based tomato leaf disease detection through global and local feature fusion 2025-Mar-11, BMC plant biology IF:4.3Q1 DOI:10.1186/s12870-025-06247-w PMID:40069604	研究论文	本研究提出了一种高效的番茄病害检测网络（E-TomatoDet），通过融合和增强全局和局部特征感知能力，提高了番茄叶病害检测的效果	结合CSWinTransformer和综合多核模块（CMKM），设计了局部特征增强金字塔（LFEP）网络，显著提升了复杂背景下不同尺度番茄叶病害目标的检测性能	未提及具体的数据集规模或模型在其他作物病害检测中的泛化能力	提高番茄叶病害检测的效率和准确性	番茄叶病害	计算机视觉	植物病害	深度学习	E-TomatoDet（基于CSWinTransformer和CMKM）	图像	两个数据集（未提及具体样本数量）
5093	2025-03-15	Breast tumors from ATM pathogenic variant carriers display a specific genome-wide DNA methylation profile 2025-Mar-11, Breast cancer research : BCR IF:6.1Q1 DOI:10.1186/s13058-025-01988-w PMID:40069712	研究论文	本研究探讨了ATM致病性变异携带者的乳腺癌肿瘤是否具有特定的全基因组DNA甲基化特征，以作为识别这些肿瘤的生物标志物	首次揭示了ATM致病性变异携带者的乳腺癌肿瘤具有特定的全基因组DNA甲基化特征，并识别了27个关键基因启动子的甲基化模式可预测ATM致病性变异状态	样本量相对较小，特别是A-T患者仅有2例，且转录组数据仅对10个肿瘤进行了分析	研究ATM致病性变异携带者的乳腺癌肿瘤的DNA甲基化特征，以作为识别这些肿瘤的生物标志物	乳腺癌肿瘤	数字病理学	乳腺癌	全基因组DNA甲基化分析	逻辑回归、随机森林、XGBoost	DNA甲基化数据、转录组数据	2例A-T患者、27例ATM致病性变异携带者、6例临床意义不确定的变异携带者、484例非携带者
5094	2025-03-15	RBPsuite 2.0: an updated RNA-protein binding site prediction suite with high coverage on species and proteins based on deep learning 2025-Mar-11, BMC biology IF:4.4Q1 DOI:10.1186/s12915-025-02182-2 PMID:40069726	研究论文	本文介绍了RBPsuite 2.0，一个基于深度学习的RNA-蛋白质结合位点预测工具，支持更多RNA结合蛋白和物种，并提供更准确的环状RNA预测	RBPsuite 2.0在原有版本基础上增加了支持的RNA结合蛋白数量（从154个增加到353个）和物种数量（从1个扩展到7个），并采用更准确的iDeepC模型替代CRIP进行环状RNA结合位点预测	未明确提及具体局限性	开发一个更全面、易用的RNA-蛋白质结合位点预测工具，以帮助研究RNA结合蛋白在疾病中的生物学机制	RNA结合蛋白（RBPs）及其与线性RNA和环状RNA的结合位点	生物信息学	NA	深度学习	iDeepC	RNA序列	支持353种RNA结合蛋白和7个物种
5095	2025-03-15	AnomalGRN: deciphering single-cell gene regulation network with graph anomaly detection 2025-Mar-11, BMC biology IF:4.4Q1 DOI:10.1186/s12915-025-02177-z PMID:40069807	研究论文	本文介绍了AnomalGRN模型，通过图异常检测技术解析单细胞基因调控网络	首次将异常检测技术应用于基因调控网络分析，并引入余弦度量规则区分节点间的同质性和异质性	未提及具体的数据集或实验结果的局限性	解析单细胞基因调控网络中的复杂调控机制	单细胞RNA测序数据	机器学习	NA	scRNA-seq	AnomalGRN	基因表达数据	NA
5096	2025-03-15	Cellular senescence predicts breast cancer risk from benign breast disease biopsy images 2025-Mar-11, Breast cancer research : BCR IF:6.1Q1 DOI:10.1186/s13058-025-01993-z PMID:40069863	研究论文	本研究通过深度学习模型预测乳腺上皮和脂肪组织中的细胞衰老评分，以评估良性乳腺疾病（BBD）女性患乳腺癌的风险	首次使用深度学习模型预测乳腺组织中的细胞衰老评分，并将其与乳腺癌风险关联	研究依赖于历史数据，可能无法完全反映当前医疗技术的进展	评估细胞衰老评分在预测乳腺癌风险中的价值	15,395名接受乳腺活检的女性，其中512名发展为浸润性乳腺癌，491名未发展为乳腺癌	数字病理学	乳腺癌	深度学习	深度学习模型	图像	15,395名女性，其中512名发展为浸润性乳腺癌，491名未发展为乳腺癌
5097	2025-03-15	RAG_MCNNIL6: A Retrieval-Augmented Multi-Window Convolutional Network for Accurate Prediction of IL-6 Inducing Epitopes 2025-Mar-10, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.4c02144 PMID:39967508	研究论文	本文介绍了一种名为RAG_MCNNIL6的新型深度学习框架，用于准确预测IL-6诱导表位	RAG_MCNNIL6结合了检索增强生成（RAG）和多窗口卷积神经网络（MCNN），显著提高了预测性能	NA	开发一种准确且高效的IL-6诱导表位预测方法，以促进基于表位的疫苗和免疫疗法的研发	IL-6诱导表位	自然语言处理	自身免疫性疾病, 癌症, COVID-19	ProtTrans预训练蛋白质语言模型	多窗口卷积神经网络（MCNN）	蛋白质序列	基准数据集
5098	2025-03-15	ProCeSa: Contrast-Enhanced Structure-Aware Network for Thermostability Prediction with Protein Language Models 2025-Mar-10, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.4c01752 PMID:39988825	研究论文	本文提出了一种名为ProCeSa的新型蛋白质对比增强结构感知网络，用于结合蛋白质语言模型（PLMs）提取的序列和结构信息来增强热稳定性预测	ProCeSa模型通过对比学习方案，结合氨基酸残基类别，有效整合了PLMs提取的序列和结构信息，无需原子结构数据即可预测蛋白质热稳定性	模型未考虑原子级别的蛋白质结构信息，可能在某些情况下限制了预测的准确性	提高蛋白质热稳定性预测的准确性	蛋白质序列及其热稳定性	机器学习	NA	对比学习	ProCeSa	蛋白质序列	公开数据集
5099	2025-03-15	APNet, an explainable sparse deep learning model to discover differentially active drivers of severe COVID-19 2025-Mar-04, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf063 PMID:39921901	研究论文	本文介绍了一种名为APNet的新型计算管道，结合了基于SJARACNe共表达网络的差异活性分析和PASNet（一种生物学信息稀疏深度学习模型），用于对COVID-19严重程度进行可解释的预测	APNet结合了差异活性分析和稀疏深度学习模型，提供了超越特征排名的生物解释性，并在COVID-19患者分类中优于其他模型	当前的计算方法往往忽略了非线性的蛋白质组动态，如翻译后修饰	通过计算分析揭示复杂疾病（如COVID-19）中的分子、细胞表型和信号模式，以发现与不良临床结果相关的驱动因素	COVID-19患者	机器学习	COVID-19	SJARACNe共表达网络，PASNet	稀疏深度学习模型	蛋白质组数据	三个COVID-19蛋白质组数据集
5100	2025-03-15	Cox-Sage: enhancing Cox proportional hazards model with interpretable graph neural networks for cancer prognosis 2025-Mar-04, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaf108 PMID:40067266	研究论文	本文提出了一种名为Cox-Sage的可解释癌症预后模型，通过构建患者相似性图并利用多层图卷积来建模比例风险模式，同时引入数学方法解释模型参数的意义	提出了一种新的可解释癌症预后模型Cox-Sage，通过构建患者相似性图并利用多层图卷积来建模比例风险模式，同时引入数学方法解释模型参数的意义，并提出了两种衡量基因重要性的指标	作为初步研究，仅在LIHC（肝细胞癌）数据集上进行了预后生物标志物发现，需要进一步验证在其他癌症类型上的适用性	提高癌症预后模型的解释性和预测性能	癌症患者	机器学习	肝癌	高通量测序技术	图神经网络（GNN）	临床数据和基因表达数据	来自TCGA的七个数据集