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
5341	2025-07-23	Deep Learning-Based Automated Measurement of Murine Bone Length in Radiographs 2024-Jul-01, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering11070670 PMID:39061752	研究论文	本研究开发了一种基于深度学习的模型，用于自动化测量小鼠骨骼X光片中的骨骼长度，以提高准确性和可重复性	利用Keypoint R-CNN算法与EfficientNet-B3特征提取骨干网络，开发了一个骨骼检测和测量流程，显著提升了测量精度和一致性	研究主要针对小鼠骨骼，尚未验证其在人类骨骼测量中的适用性	开发自动化工具以替代传统手动测量小鼠骨骼长度的方法，提高遗传关联映射的精度和一致性	小鼠骨骼X光片	计算机视觉	骨骼疾病	深度学习	Keypoint R-CNN, EfficientNet-B3	图像	94张X光片用于开发，592张用于独立测试，21,300张用于进一步验证	NA	NA	NA	NA
5342	2025-07-23	PSSR2: a user-friendly Python package for democratizing deep learning-based point-scanning super-resolution microscopy 2024-Jun-16, bioRxiv : the preprint server for biology DOI:10.1101/2024.06.16.599221 PMID:38915557	research paper	PSSR2是一个用户友好的Python包，旨在普及基于深度学习的点扫描超分辨率显微镜技术	PSSR2改进并扩展了原有的PSSR工作流程，实现了同时超分辨率和去噪功能，并通过集成的CLI和Napari插件使技术更易于使用	NA	开发一个用户友好的工具，使显微镜和生物学研究社区能够轻松实现超分辨率工作流程	显微镜数据	digital pathology	NA	deep learning	NA	image	NA	NA	NA	NA	NA
5343	2025-10-06	AI-based classification of three common malignant tumors in neuro-oncology: A multi-institutional comparison of machine learning and deep learning methods 2024-May, Journal of neuroradiology = Journal de neuroradiologie DOI:10.1016/j.neurad.2023.08.007 PMID:37652263	研究论文	比较机器学习和深度学习方法在神经肿瘤学中三种常见恶性肿瘤的AI分类性能	首次在多机构数据上系统比较机器学习和深度学习管道在神经肿瘤三分类任务中的性能，并分析了不同MRI序列掩模的组合效果	回顾性研究，样本量相对有限，外部验证集规模较小	评估机器学习和深度学习方法在神经肿瘤分类中的性能差异	胶质母细胞瘤(GBM)、颅内转移性疾病(IMD)和原发性中枢神经系统淋巴瘤(PCNSL)	医学影像分析	脑肿瘤	多参数MRI成像	机器学习管道,3D-CNN	多参数MRI图像(T1W, T2W, FLAIR, DWI, T1-CE)	训练集502例(208 GBM, 67 PCNSL, 227 IMD)，外部验证集86例(27:27:32)	NA	3D卷积神经网络	AUC, 95%置信区间	NA
5344	2025-10-06	BigBind: Learning from Nonstructural Data for Structure-Based Virtual Screening 2024-04-08, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.3c01211 PMID:38113513	研究论文	提出BigBind数据集和Banana模型，用于基于结构的虚拟筛选	将ChEMBL活性数据与CrossDocked蛋白质结构数据结合创建新数据集，并开发快速准确的活性化合物分类模型	数据集仅包含583K配体活性数据，可能仍不足以覆盖所有蛋白质靶点	改进基于结构的虚拟筛选方法，提高活性化合物预测准确性	蛋白质-配体结合活性和结合口袋三维结构	机器学习	NA	虚拟筛选，分子对接	神经网络	3D结构数据，化学活性数据	583K配体活性数据，包含等量推定非活性化合物	NA	基础神经网络	AUC, EF1%	NA
5345	2025-07-23	Generative Adversarial Networks Accurately Reconstruct Pan-Cancer Histology from Pathologic, Genomic, and Radiographic Latent Features 2024-Mar-25, bioRxiv : the preprint server for biology DOI:10.1101/2024.03.22.586306 PMID:38585926	research paper	该研究开发了一种名为HistoXGAN的生成对抗网络，能够从病理、基因组和放射学潜在特征中准确重建泛癌组织学图像	提出并验证了HistoXGAN，能够利用常见特征提取器生成的特征向量重建代表性组织学图像，并展示了重建图像保留了肿瘤分级、组织学亚型和基因表达模式的信息	未提及具体样本量的限制或模型在其他数据集上的泛化能力	开发一种能够从多模态数据中重建肿瘤组织学图像的AI模型，以帮助理解深度学习模型所依赖的组织学特征	29种癌症亚型的组织学图像	digital pathology	pan-cancer	generative adversarial network	GAN	image	涉及29种癌症亚型（具体样本量未提及）	NA	NA	NA	NA
5346	2025-10-06	Uncovering prostate cancer aggressiveness signal in T2-weighted MRI through a three-reference tissues normalization technique 2024-Mar, NMR in biomedicine IF:2.7Q1 DOI:10.1002/nbm.5069 PMID:37990759	研究论文	开发了一种基于深度学习的自动化方法，用于前列腺T2加权MRI强度标准化，以改善前列腺癌侵袭性信号的检测	提出了一种三参考组织标准化技术，使用臀大肌、股骨和膀胱作为参考组织，通过样条函数拟合实现T2W强度标准化	训练数据仅来自32名患者的手动轮廓，样本量相对有限	开发前列腺T2W MRI强度自动标准化方法，提高前列腺癌定量评估能力	前列腺癌患者的前列腺MRI图像	数字病理	前列腺癌	T2加权MRI	MASK R-CNN	医学图像	训练集32名患者，独立测试集83名患者，共231个活检ROI	NA	MASK R-CNN	Spearman相关系数, t检验p值	NA
5347	2025-07-23	Cancer Mutations Converge on a Collection of Protein Assemblies to Predict Resistance to Replication Stress 2024-Mar-01, Cancer discovery IF:29.7Q1 DOI:10.1158/2159-8290.CD-23-0641 PMID:38236062	研究论文	该研究开发了一个预测模型集合，用于阐明癌症突变如何影响对常见复制压力诱导药物的反应	利用深度学习的最新进展，实现了多药物预测和机制解释，并识别了41个分子组装体，这些组装体整合了数百个基因的改变以准确预测药物反应	分子通路对药物抗性的理解不完全	阐明癌症突变如何影响对复制压力诱导药物的反应，以推动精准医疗	肿瘤细胞和接受顺铂治疗的宫颈癌患者	机器学习	宫颈癌	深度学习	ensemble of predictive models	基因突变数据和药物反应数据	肿瘤细胞和宫颈癌患者样本	NA	NA	NA	NA
5348	2025-10-06	Transformer-based deep learning denoising of single and multi-delay 3D arterial spin labeling 2024-Feb, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.29887 PMID:37849048	研究论文	提出基于Swin Transformer的深度学习模型SwinIR用于单延迟和多延迟3D动脉自旋标记去噪	首次将Swin Transformer应用于ASL去噪，并在单延迟和多延迟3D ASL数据上优于CNN和其他Transformer方法	使用M0作为输入会引入更大的脑血流量量化偏差	开发有效的深度学习方法来提高3D动脉自旋标记图像质量	单延迟和多延迟3D动脉自旋标记数据	医学影像处理	脑血管疾病	动脉自旋标记(ASL)	Transformer, CNN	3D医学影像	单延迟ASL: 105个受试者(163次扫描)，多延迟ASL: 6个受试者(10次扫描)	NA	SwinIR, 卷积神经网络	相似性指标, 空间信噪比, 脑血流量量化准确度, 动脉通过时间量化准确度	NA
5349	2025-07-23	End-to-end deep learning method for predicting hormonal treatment response in women with atypical endometrial hyperplasia or endometrial cancer 2024-Jan, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.11.1.017502 PMID:38370423	研究论文	本研究开发了一种端到端的深度学习方法，用于预测非典型子宫内膜增生或子宫内膜癌患者对激素治疗的反应	首次将混合监督的深度学习模型应用于全切片图像，以预测激素治疗反应	样本量较小（112例患者），且仅来自两个临床中心	探索利用深度学习模型预测子宫内膜疾病患者对激素治疗反应的可行性	非典型子宫内膜增生（AEH）或子宫内膜癌（EC）患者	数字病理学	子宫内膜癌	全切片图像（WSI）分析	Autoencoder或ResNet50	图像	112例患者	NA	NA	NA	NA
5350	2025-10-06	Survival Analysis for Multimode Ablation Using Self-Adapted Deep Learning Network Based on Multisource Features 2024-01, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2023.3260776 PMID:37015120	研究论文	开发了一种基于多源特征的自适应深度学习网络，用于肝癌多模式消融治疗后的生存分析预测	提出结合MRI影像组学特征、视觉Transformer深度学习特征和免疫特征的多源特征融合方法，并改进了深度Cox混合模型和自适应全连接层	方法仅在单一临床数据集上验证，需要更大规模的多中心研究确认泛化能力	开发生存分析框架用于肝癌消融治疗后的生存预测和疗效评估	接受多模式热疗（冷冻后射频加热）的肝癌患者	医学影像分析	肝癌	MRI影像组学、流式细胞术、常规血液检测	深度Cox混合模型、随机生存森林	医学影像、血液检测数据	临床数据集（具体样本数未明确说明）	NA	视觉Transformer、自适应全连接层	C-index、综合Brier评分	NA
5351	2025-10-06	Deep learning-based diagnosis of aortic dissection using an electrocardiogram: Development, validation, and clinical implications of the AADE score 2024, Kardiologia polska IF:3.7Q1 DOI:10.33963/v.phj.98880 PMID:38230465	研究论文	开发基于心电图和深度学习技术的主动脉夹层诊断模型及AADE评分系统	首次将卷积神经网络应用于心电图分析以实现主动脉夹层的自动检测，并创新性地提出AI衍生的AADE评分系统	研究样本量相对有限（共1878例患者），需要更大规模的多中心验证	开发基于心电图的深度学习AI模型用于主动脉夹层检测和严重程度评估	主动脉夹层患者和胸痛对照患者	医疗人工智能	心血管疾病	心电图分析	CNN	心电图信号	1878例患者（313例主动脉夹层，313例胸痛对照，其余为训练验证集）	NA	卷积神经网络	准确率,F1分数	NA
5352	2025-10-06	A Longitudinal MRI-Based Artificial Intelligence System to Predict Pathological Complete Response After Neoadjuvant Therapy in Rectal Cancer: A Multicenter Validation Study 2023-12-01, Diseases of the colon and rectum DOI:10.1097/DCR.0000000000002931 PMID:37682775	研究论文	开发并验证基于治疗前后配对MRI比较的深度学习模型DeepRP-RC，用于预测直肠癌新辅助治疗后病理完全缓解	首次开发基于纵向MRI比较的多任务深度学习模型，同时实现疗效预测和病灶分割，并在多中心数据集上进行验证	研究设计为回顾性研究，缺乏多民族数据	预测局部晚期直肠癌患者新辅助放化疗后的病理完全缓解	1201例接受新辅助放化疗的局部晚期直肠癌患者	医学影像分析	直肠癌	MRI影像分析	深度学习	MRI影像	1201例患者（训练集638例，内部和3个外部验证集）	NA	多任务深度学习网络	AUC	NA
5353	2025-10-06	Bering: joint cell segmentation and annotation for spatial transcriptomics with transferred graph embeddings 2023-Sep-22, bioRxiv : the preprint server for biology DOI:10.1101/2023.09.19.558548 PMID:37786667	研究论文	提出一种基于图深度学习的模型Bering，用于空间转录组学数据中的联合细胞分割与分子注释	利用转录共定位关系进行噪声感知的细胞分割，通过转移图嵌入增强基因关系学习	未明确说明模型在特定组织类型或技术平台上的潜在适应性限制	解决空间转录组学中细胞边界确定和身份注释的准确性挑战	二维和三维空间转录组学数据中的单个细胞	数字病理学	NA	空间转录组学测序技术	图深度学习	空间转录组数据	多种空间技术平台和组织类型的数据集	NA	基于图嵌入的深度学习架构	细胞分割准确率, 检测到的转录本数量	NA
5354	2025-07-23	Machine Learning for the Prediction of Procedural Case Durations Developed Using a Large Multicenter Database: Algorithm Development and Validation Study 2023-Sep-08, JMIR AI DOI:10.2196/44909 PMID:38875567	研究论文	本研究开发并验证了一种基于机器学习的算法，用于预测手术案例的持续时间，以提高手术室资源规划和患者沟通的效率	利用非线性预测模型和机器学习方法，开发了一个可扩展至多中心的预测算法，显著提高了手术持续时间的预测准确性	研究依赖于历史数据，可能无法完全适应未来手术技术或流程的变化	开发一个可扩展的机器学习算法，以准确预测手术案例的持续时间，优化手术室资源管理	手术案例的持续时间	机器学习	NA	深度学习、梯度提升和集成机器学习	梯度提升机	手术室数据	1,177,893例手术案例，来自13家学术和私立医院（2016-2019年）	NA	NA	NA	NA
5355	2025-10-06	Deep learning-based Fast Volumetric Image Generation for Image-guided Proton FLASH Radiotherapy 2023-Jul-26, Research square DOI:10.21203/rs.3.rs-3112632/v1 PMID:37546731	研究论文	开发基于深度学习的快速体积图像生成框架，用于质子FLASH放疗的图像引导	首次将深度学习应用于质子FLASH放疗的快速体积图像重建，通过正交X射线投影生成高精度三维解剖图像	研究仅针对肺部靶区患者，样本量相对有限（30例患者）	开发快速体积图像重建框架以支持质子FLASH放疗的精确靶区定位	肺部肿瘤患者的三维解剖结构，包括肿瘤和危及器官	医学影像分析	肺癌	千伏X射线投影，四维计算机断层扫描	深度学习模型	X射线投影图像，CT图像	30例肺部靶区患者，每人包含十个呼吸时相的四维CT数据集	NA	NA	平均绝对误差，峰值信噪比，结构相似性指数，水等效厚度误差	NA
5356	2025-10-06	Deep Learning of Videourodynamics to Classify Bladder Dysfunction Severity in Patients With Spina Bifida 2023-05, The Journal of urology IF:5.9Q1 DOI:10.1097/JU.0000000000003267 PMID:36787376	研究论文	开发深度学习模型通过视频尿动力学数据自动分类脊柱裂患者膀胱功能障碍严重程度	首次将深度学习应用于视频尿动力学数据，结合压力-容积记录和荧光图像自动分类膀胱功能障碍严重程度	单中心研究，样本量有限(306例)，模型准确度为70%仍有提升空间	开发自动分类膀胱功能障碍严重程度的深度学习模型以减少人工判读的主观差异	2个月至28岁脊柱裂患者	医疗影像分析	神经源性膀胱功能障碍	视频尿动力学检查	随机森林,CNN,集成学习	临床数据,压力-容积记录,荧光图像	306例视频尿动力学研究	NA	卷积神经网络	准确度,加权Kappa系数	NA
5357	2025-10-06	Scribe: Next Generation Library Searching for DDA Experiments 2023-02-03, Journal of proteome research IF:3.8Q1 DOI:10.1021/acs.jproteome.2c00672 PMID:36695531	研究论文	介绍Scribe——一种利用深度学习碎片预测技术的新型谱库搜索引擎，用于数据依赖性采集实验	采用深度学习碎片预测软件Prosit，能够预测FASTA数据库中所有肽段的碎片化和保留时间，无需依赖精心策划的DDA谱库	NA	开发更灵敏和定量精确的蛋白质组学工作流程	肽段识别和定量分析	蛋白质组学	NA	数据依赖性采集(DDA)，深度学习碎片预测	深度学习	质谱数据	NA	Prosit, Percolator	NA	灵敏度，定量精确度，错误发现率	NA
5358	2025-10-06	Overtriage, Undertriage, and Value of Care after Major Surgery: An Automated, Explainable Deep Learning-Enabled Classification System 2023-02-01, Journal of the American College of Surgeons IF:3.8Q1 DOI:10.1097/XCS.0000000000000471 PMID:36648256	研究论文	开发了一种自动化、可解释的深度学习术后分诊分类系统，用于评估过度分诊和分诊不足对护理价值的影响	首次提出可自动生成可解释决策支持的术后分诊分类系统，并验证其在多中心的重复性	研究仅基于两家大学医院的数据，可能限制结果的普适性	测试自动化术后分诊分类系统的可重复性，并评估其对护理价值的影响	接受住院手术的成年患者	医疗人工智能	术后护理	电子健康记录分析	深度学习	电子健康记录数据	13,263例住院手术患者（4,669例ICU入院和8,594例普通病房入院）	NA	可解释深度学习模型	死亡率、发病率、护理价值、住院时间、成本分析	NA
5359	2025-10-06	Prediction of lactate concentrations after cardiac surgery using machine learning and deep learning approaches 2023, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2023.1165912 PMID:37790131	研究论文	本研究使用机器学习和深度学习方法预测心脏手术后患者的最高血乳酸浓度	首次将分钟级术中时间序列数据与传统术前变量结合，采用循环神经网络和Transformer等动态建模方法预测术后乳酸浓度	研究为单中心回顾性研究，模型性能仅为中等准确度	开发能够预测心脏手术后乳酸浓度的预测模型	接受心脏手术并体外循环的成年患者	机器学习	心血管疾病	临床监测数据	线性回归, 随机森林, 人工神经网络, 循环神经网络, Transformer	时间序列数据, 临床变量	2,187名患者	NA	RNN, Transformer	平均绝对误差	NA
5360	2025-10-06	LONGL-Net: temporal correlation structure guided deep learning model to predict longitudinal age-related macular degeneration severity 2022-Mar, PNAS nexus IF:2.2Q1 DOI:10.1093/pnasnexus/pgab003 PMID:35360552	研究论文	提出一种基于时间相关结构引导的深度学习模型LONGL-Net，用于同时评估当前年龄相关性黄斑变性严重程度并预测纵向进展	首次设计时间相关结构引导的生成对抗网络模型，学习连续时间点CFP图像的时间变化相互关系，并通过预测未来CFP中的AMD症状提供分类决策的可解释性	NA	开发能够同时评估当前AMD严重程度并预测未来晚期AMD风险的自动化方法	年龄相关性黄斑变性患者	计算机视觉	年龄相关性黄斑变性	彩色眼底摄影	GAN, 深度学习分类模型	图像	约30,000张CFP图像，来自4,628名参与者（年龄相关眼病研究）和300张CFP图像（UK Biobank数据集验证）	NA	LONGL-Net, 生成对抗网络	AUC, 准确率, 灵敏度	NA