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
5501	2025-07-23	Generative Modeling of Molecular Dynamics Trajectories 2024-Sep-26, ArXiv PMID:39398217	research paper	本文介绍了利用生成模型学习分子动力学轨迹的灵活多任务替代模型	首次展示了基于生成模型的分子动力学轨迹建模，能够适应多种任务，如正向模拟、过渡路径采样和轨迹上采样，并初步探索了基于动力学的分子设计	仅在四肽模拟和蛋白质单体上进行了验证，尚未在更复杂的分子系统上测试	开发深度学习替代模型以降低分子动力学的计算成本	分子动力学轨迹	machine learning	NA	分子动力学 (MD)	generative model	分子轨迹数据	四肽模拟和蛋白质单体	NA	NA	NA	NA
5502	2025-07-23	Small metal artifact detection and inpainting in cardiac CT images 2024-Sep-25, ArXiv PMID:39398205	研究论文	开发了一种自动检测和修复心脏CT图像中金属伪影的深度学习方法	提出了结合2D U-Net和3D图像修复DL模型的新方法，用于自动检测和修复心脏CT中的金属伪影	方法主要针对已重建的CT图像，且需要人工标注金属伪影区域进行训练	提高心脏CT图像中金属伪影的检测和修复精度，以改善心脏运动分析	心脏CT图像中的金属伪影	数字病理	心血管疾病	深度学习	2D U-Net, 3D图像修复DL模型	CT图像	12名患者的心电图门控4DCT扫描数据，以及148名患者的无伪影心脏CT数据用于合成数据集	NA	NA	NA	NA
5503	2025-07-23	Novel multi-omics deconfounding variational autoencoders can obtain meaningful disease subtyping 2024-Sep-23, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae512 PMID:39413796	研究论文	本文提出了四种基于VAE的去混淆框架，用于多组学数据的聚类分析，有效减少混淆因素的影响并保留真实的生物学模式	创新性地开发了四种VAE去混淆框架，特别是条件多组学VAE (cXVAE)，能够处理模拟的混淆效应并恢复生物学驱动的聚类结构	研究中提出的某些策略（如对抗训练）在去除混淆因素方面效果不足	开发去混淆框架以优化多组学数据的聚类分析，实现有意义的疾病亚型分类和患者分层	多组学数据和患者样本	机器学习	癌症	多组学数据分析	VAE, cXVAE	多组学数据	来自The Cancer Genome Atlas的真实多组学数据，50次重复评估	NA	NA	NA	NA
5504	2025-07-23	A robust deep learning model for the classification of dental implant brands 2024-09, Journal of stomatology, oral and maxillofacial surgery DOI:10.1016/j.jormas.2024.101818 PMID:38462066	研究论文	本研究探讨了深度学习技术在牙科种植体系统分类中的应用，通过全景X光片实现准确分类	提出了一种基于ConvNeXt的深度学习模型，在牙科种植体品牌分类中表现出色，准确率达到95.74%	研究仅使用了6种牙科种植体系统作为原型，可能无法涵盖所有品牌	探索深度学习技术在牙科种植体系统分类中的应用，提高分类准确性和效率	牙科种植体系统	计算机视觉	牙科疾病	深度学习	CNN, 包括VGG16、ResNet-50、EfficientNet和ConvNeXt	图像（全景X光片）	1258张来自牙科患者的全景X光片	NA	NA	NA	NA
5505	2025-07-23	The Use of Deep Learning and Machine Learning on Longitudinal Electronic Health Records for the Early Detection and Prevention of Diseases: Scoping Review 2024-08-20, Journal of medical Internet research IF:5.8Q1 DOI:10.2196/48320 PMID:39163096	综述	本文对利用深度学习和机器学习分析纵向电子健康记录（EHRs）进行疾病早期检测和预防的证据进行了范围综述	综述了ML和DL在纵向EHRs中的应用，特别是在疾病早期检测和预防方面的医学见解和临床益处	研究排除了技术焦点或使用影像或住院数据的研究，且基于文本EHRs的ML模型仍处于发展阶段	探讨ML和DL在纵向EHRs中支持疾病早期检测和预防的潜力	纵向电子健康记录（EHRs）	机器学习	多种疾病（如糖尿病、肾脏疾病、循环系统疾病、精神和行为障碍等）	机器学习（ML）、深度学习（DL）	RNN、LSTM	文本（EHRs数据）	20项研究（主要发表于2018年至2022年）	NA	NA	NA	NA
5506	2025-07-23	Multimodal functional deep learning for multiomics data 2024-Jul-25, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae448 PMID:39285512	research paper	提出了一种多模态功能深度学习（MFDL）方法，用于分析高维多组学数据	MFDL方法通过深度神经网络的层次结构建模多组学变异与疾病表型之间的复杂关系，并利用功能数据分析技术处理高维组学数据	未明确提及具体局限性	开发新型分析方法以应对高维多组学数据分析的挑战	高维多组学数据	machine learning	NA	functional data analysis, deep learning	deep neural networks	multiomics data	NA	NA	NA	NA	NA
5507	2025-07-23	A Computed Tomography-Based Fracture Prediction Model With Images of Vertebral Bones and Muscles by Employing Deep Learning: Development and Validation Study 2024-07-12, Journal of medical Internet research IF:5.8Q1 DOI:10.2196/48535 PMID:38995678	研究论文	本研究开发并验证了一种基于CT扫描的深度学习模型，用于预测椎骨骨折风险	结合椎骨和椎旁肌肉的CT图像，使用注意力卷积神经网络-循环神经网络模型进行骨折预测，相比仅使用骨图像或临床变量模型表现更优	研究样本主要来自特定时间段(2010-2019年)的患者，且女性比例较高	开发并验证基于CT图像的骨折预测模型	1214名患者的腹部CT图像(开发集)和495名患者(验证集)	数字病理学	骨质疏松症	CT扫描	注意力CNN-RNN	医学图像	开发集1214名患者，验证集495名患者	NA	NA	NA	NA
5508	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
5509	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
5510	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
5511	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
5512	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
5513	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
5514	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
5515	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
5516	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
5517	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
5518	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
5519	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
5520	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