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
541	2026-05-23	Automatic International Hidradenitis Suppurativa Severity Score System (AIHS4): A novel tool to assess the severity of hidradenitis suppurativa using artificial intelligence 2023-Jun, Skin research and technology : official journal of International Society for Bioengineering and the Skin (ISBS) [and] International Society for Digital Imaging of Skin (ISDIS) [and] International Society for Skin Imaging (ISSI) IF:2.0Q3 DOI:10.1111/srt.13357 PMID:37357665	研究论文	提出一种基于深度学习的自动化脓性汗腺炎严重程度评分系统（AIHS4），用于替代传统手动IHS4评估	首次实现基于YOLOv5架构的深度学习模型自动评估化脓性汗腺炎严重程度，并通过多专家标注和知识统一算法处理训练数据	当前数据集规模有限，可能影响模型泛化性	开发自动化的IHS4评分工具以提高临床评估效率和一致性	化脓性汗腺炎患者皮肤图像	计算机视觉	化脓性汗腺炎	深度学习	CNN（YOLOv5）	图像	未明确说明，但提及当前数据集规模	PyTorch（基于YOLOv5）	YOLOv5	与顶尖医生性能相当（未具体列出指标）	未说明
542	2026-05-23	Methods and considerations for estimating parameters in biophysically detailed neural models with simulation based inference 2023-Apr-17, bioRxiv : the preprint server for biology DOI:10.1101/2023.04.17.537118 PMID:37131818	研究论文	本文探讨了如何利用基于模拟的推理（SBI）估计生物物理详细神经模型中的参数，特别是针对时间序列波形，并提供了指南和考虑因素	首次为生物物理详细神经模型中的大规模参数推断提供了实用指南，特别是利用SBI处理时间序列波形数据，并建立了诊断后验估计质量和唯一性的方法	SBI在生物物理详细模型中的大规模应用仍具挑战，且推断参数以解释时间序列波形的方法尚未完全建立	为生物物理详细神经模型中的参数估计提供SBI应用指南和考虑因素，特别是针对时间序列波形	生物物理详细的神经模型、MEG/EEG时间序列波形	机器学习	NA	基于模拟的推理（SBI）	生物物理详细神经模型	时间序列波形（MEG/EEG数据）	NA	PyTorch	密度估计神经网络	后验诊断指标（如质量与唯一性评估）	NA
543	2026-05-23	Scoring metrics for assessing skills in arthroscopic rotator cuff repair: performance comparison study of novice and expert surgeons 2022-Oct, International journal of computer assisted radiology and surgery IF:2.3Q2 DOI:10.1007/s11548-022-02683-3 PMID:35672594	研究论文	开发定量性能指标和深度学习模型来客观评估关节镜肩袖修复手术技能	提出了一套定量性能指标和深度学习模型AAVET用于自动评估手术技能，并验证了其在区分新手与专家医生方面的有效性	样本量较小且仅涉及肩关节镜手术，指标和模型的通用性和可扩展性需要进一步验证	构建客观量化的手术技能评估平台，为外科医生提供自我评估工具	新手和专家医生在进行关节镜肩袖修复手术时的技能表现	计算机视觉	肩袖损伤	深度学习视频分析技术	深度学习模型（AAVET）	手术视频	24例肩关节镜肩袖修复手术（10例由新手执行，14例由专家执行）	PyTorch	可能基于卷积神经网络（具体架构未明确）	F1分数、有效性指标	NA
544	2026-05-23	SLEAP: A deep learning system for multi-animal pose tracking 2022-04, Nature methods IF:36.1Q1 DOI:10.1038/s41592-022-01426-1 PMID:35379947	研究论文	提出了SLEAP，一个用于多动物姿态追踪的深度学习系统	首个支持多动物无标记姿态估计的机器学习系统，具备灵活的工作流、30多种模型架构和身份追踪方法	未提及明显局限	开发一种能够处理多动物姿态追踪的深度学习系统，以支持社会行为和自然环境中动物的研究	多动物姿态追踪系统及其在果蝇、蜜蜂、小鼠和沙鼠上的性能评估	计算机视觉, 机器学习	NA	深度学习, 计算机视觉	CNN	图像	七个数据集，涵盖四种动物（果蝇、蜜蜂、小鼠、沙鼠）	TensorFlow, PyTorch	ResNet, VGG, U-Net, EfficientNet等超过30种架构	准确率, 速度（帧每秒，FPS）, 延迟（毫秒）	NA
545	2026-05-23	Biologically informed deep neural network for prostate cancer discovery 2021-10, Nature IF:50.5Q1 DOI:10.1038/s41586-021-03922-4 PMID:34552244	研究论文	开发了一种生物信息深度神经网络P-NET，用于前列腺癌的分子特征发现和临床预测	提出了一种生物信息驱动的深度学习模型P-NET，实现完全可解释性，能通过分子数据预测癌症状态并揭示治疗耐药性的分子驱动因素	没有明确提及	利用可解释的机器学习模型在临床癌症基因组学中发现和预测前列腺癌的临床侵袭性分子特征	前列腺癌患者及其治疗耐药性状态相关的分子数据	机器学习	前列腺癌	NA	深度神经网络	分子数据	NA	NA	P-NET	NA	NA
546	2026-05-23	scGNN is a novel graph neural network framework for single-cell RNA-Seq analyses 2021-03-25, Nature communications IF:14.7Q1 DOI:10.1038/s41467-021-22197-x PMID:33767197	研究论文	提出scGNN框架，利用图神经网络进行单细胞RNA测序分析，包括基因插补和细胞聚类	将图神经网络与左截断混合高斯模型结合，用于单细胞RNA测序分析，并集成三个迭代多模态自编码器	NA	开发一种无假设的深度学习框架，用于单细胞RNA测序分析，以解决测序稀疏性和基因表达复杂差异模式等挑战	单细胞RNA测序数据	机器学习	阿尔茨海默病	RNA测序（单细胞RNA测序）	图神经网络	基因表达数据	4个基准单细胞RNA测序数据集，以及1个包含13,214个单细胞核的阿尔茨海默病研究样本	NA	图神经网络, 多模态自编码器	基因插补和细胞聚类的性能指标	NA
547	2026-05-23	A deep learning approach for real-time detection of sleep spindles 2019-06, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/ab0933 PMID:30790769	研究论文	提出一种基于深度学习的睡眠纺锤波实时检测方法SpindleNet，使用单通道脑电图实现高速高精度检测	首次实现基于单通道EEG的睡眠纺锤波实时在线检测，检测延迟仅150-350毫秒，且在不同年龄和物种的数据集中具有良好的泛化能力	NA	开发适用于实时应用的睡眠纺锤波自动检测方法，以支持闭环神经科学实验和长期睡眠监测	睡眠纺锤波及其在脑电图中的检测	机器学习	NA	EEG	CNN	脑电图信号	两个公开的专家验证的EEG睡眠纺锤波数据集，包含不同年龄和物种的受试者	PyTorch	SpindleNet	检测准确率、检测速度、检测延迟	NA
548	2026-05-22	How Does Attention Work in Vision Transformers? A Visual Analytics Attempt 2023-Jun, IEEE transactions on visualization and computer graphics IF:4.7Q1 DOI:10.1109/TVCG.2023.3261935 PMID:37027263	研究论文	通过可视化分析方法研究视觉Transformer中注意力机制的原理	提出基于剪枝的度量方法识别重要注意力头，并采用自编码器总结注意力模式	未明确提及局限性	理解视觉Transformer中注意力的工作机制	视觉Transformer模型的注意力头	计算机视觉	NA	NA	视觉Transformer	图像	NA	PyTorch	Vision Transformer	NA	NA
549	2026-05-22	Inter-fraction deformable image registration using unsupervised deep learning for CBCT-guided abdominal radiotherapy 2023-04-13, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/acc721 PMID:36958049	研究论文	提出一种基于无监督深度学习的CBCT-CBCT可变形图像配准方法，用于CBCT引导的腹部放疗中的分次间解剖变化分析	提出结合全局生成对抗网络和局部生成对抗网络的空间变换网络，无需真实变形矢量场的监督即可实现粗尺度和细尺度运动预测	NA	实现CBCT引导的腹部放疗中分次间的快速准确纵向CBCT配准，以量化解剖变化	腹部癌症患者的CBCT图像	计算机视觉	腹部癌症	CBCT成像	生成对抗网络	图像	20名腹部癌症患者的100个分次CBCT用于实验，21名不同腹部癌症患者的105个分次CBCT用于保留测试	PyTorch	空间变换网络，全局生成对抗网络，局部生成对抗网络	目标配准误差，平均绝对误差，归一化互相关	NA
550	2026-05-22	AlphaFold Models of Small Proteins Rival the Accuracy of Solution NMR Structures 2022, Frontiers in molecular biosciences IF:3.9Q2 DOI:10.3389/fmolb.2022.877000 PMID:35769913	研究论文	评估AlphaFold对小分子量刚性蛋白质的建模精度与溶液NMR结构相当	首次系统验证AlphaFold模型在溶液NMR数据上的拟合度与实验NMR结构相当甚至更优，挑战了AlphaFold不能准确建模溶液NMR结构的普遍误解	研究仅针对小分子量、刚性蛋白质，未涉及大分子、柔性蛋白或多结构域蛋白，且评估工具依赖特定软件套件（PSVS）	验证AlphaFold对小分子量刚性蛋白质的建模精度是否与实验溶液NMR结构相当	六种代表性小蛋白质（同时具有NMR和X射线晶体结构）及三个CASP靶标	结构生物学，分子建模	NA	NMR， X射线晶体学	AlphaFold（深度学习蛋白质结构预测模型）	蛋白质序列、NMR数据（NOESY峰列表、化学位移、残余偶极耦合数据）	6种代表性小蛋白质 + 3个CASP靶标	NA	AlphaFold2	RPF-DP分数、ANSURR分数、RDC Q因子	NA
551	2026-05-22	Magnetic resonance parameter mapping using model-guided self-supervised deep learning 2021-06, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.28659 PMID:33464652	研究论文	提出一种名为RELAX的模型引导自监督深度学习框架，用于快速定量磁共振参数映射	通过整合MR成像模型和定量参数拟合模型，消除对全采样参考数据的需求，实现无监督的快速参数映射	仅初步验证了T1和T2映射的可行性，需进一步扩展到其他定量MRI应用	开发一种无需全采样参考数据的自监督深度学习重建方法，用于加速定量MR参数映射	模拟和实际采集的MRI数据集中的T1和T2参数映射	机器学习	NA	MRI参数映射	自监督深度学习	MRI K空间数据	模拟数据集和实际在体T1/T2映射数据集	PyTorch	RELAX（自监督深度学习框架，包含物理模型约束）	图像质量比较（与监督学习和传统重建方法的对比）	NA
552	2026-05-22	SMPLIP-Score: predicting ligand binding affinity from simple and interpretable on-the-fly interaction fingerprint pattern descriptors 2021-Mar-25, Journal of cheminformatics IF:7.1Q1 DOI:10.1186/s13321-021-00507-1 PMID:33766140	研究论文	提出SMPLIP-Score，一种基于简单可解释的交互指纹模式描述符预测配体结合亲和力的方法	采用简单直接的特征化过程，将配体结合位点环境的交互指纹模式和配体分子碎片嵌入可向量化的矩阵中，无需额外特征分析即可直接解释特征含义	未提及与其他复杂特征模型的对比优势及泛化能力的进一步验证	实现快速、准确且可解释的蛋白质-配体结合亲和力预测，用于药物发现中的先导化合物优化	蛋白质-配体复合物的结合亲和力	机器学习	NA	NA	随机森林或深度神经网络	配体结合位点环境图像和分子碎片描述符	使用多个基准数据集（包括PDBbind v.2015、Astex Diverse Set、CSAR NRC HiQ、FEP、PDBbind NMR和CASF-2016）	NA	NA	NA	NA
553	2026-05-22	Topic classification of electric vehicle consumer experiences with transformer-based deep learning 2021-Feb-12, Patterns (New York, N.Y.) DOI:10.1016/j.patter.2020.100195 PMID:33659911	研究论文	利用基于Transformer的深度学习对电动汽车消费者体验进行主题分类	首次在电动汽车消费者体验分析中应用Transformer深度学习模型，并在全国代表性样本上实现了超过91%的分类准确率和0.83的F1分数，优于之前领先算法	未明确说明局限性	利用深度学习技术从非结构化电动汽车用户评论中自动发现关注主题，为公共政策分析和充电基础设施决策提供支持	电动汽车消费者的在线评论	自然语言处理	NA	NA	Transformer深度学习模型	文本	全国代表性样本（具体数量未提及）	NA	Transformer	准确率, F1分数	NA
554	2026-05-22	Genomic pan-cancer classification using image-based deep learning 2021, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2021.01.010 PMID:33598099	research paper	提出一种基于图像的深度学习策略，将基因突变数据转化为遗传突变图谱，用于泛癌分类	首次将基因突变数据（包括单核苷酸多态性、插入和缺失）转换为遗传突变图谱，并应用多种深度学习网络进行癌症类型分类	NA	提高基于基因突变的癌症类型分类准确性，提供泛癌分类和驱动基因发现的新方法	36种癌症类型的9047个患者样本的基因突变数据	computervision	多种癌症（包括前列腺癌和乳腺癌）	基因突变数据转换（包括SNP、插入和缺失）	深度学习网络（CNN）	图像（基因突变图谱）	9047个患者样本，36种癌症类型	NA	VGG-16, Inception-v3, ResNet-50, Inception-ResNet-v2	准确率（over 95%）	NA
555	2026-05-22	Machine learning techniques for analysis of hyperspectral images to determine quality of food products: A review 2021, Current research in food science IF:6.2Q1 DOI:10.1016/j.crfs.2021.01.002 PMID:33659896	综述	综述了机器学习技术在食品质量高光谱图像分析中的应用	总结不同机器学习技术在高光谱图像分析中的优势与局限，强调特征选择及深度学习、终身学习的应用潜力	深度学习领域相对较新，终身机器学习需进一步研究以纳入季节性变化	探讨机器学习技术用于食品质量快速、无损检测的方法和前景	高光谱图像中的食品质量检测	计算机视觉	NA	高光谱成像	深度学习	图像	NA	NA	NA	分类准确率	NA
556	2026-05-22	Improved sequence-based prediction of interaction sites in α-helical transmembrane proteins by deep learning 2021, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2021.03.005 PMID:33815689	研究论文	提出一种基于深度学习的序列预测方法DeepTMInter，用于预测α-螺旋跨膜蛋白的相互作用位点	结合超深残差神经网络与堆叠泛化集成技术，显著优于现有方法	未明确提及，但可能受限于预测精度和实际应用验证不足	开发序列层面的计算方法，大规模注释跨膜蛋白的相互作用位点	α-螺旋跨膜蛋白的相互作用位点	机器学习	NA	NA	超深残差神经网络	序列数据	训练和基准测试数据集来自公开数据集Mendeley	NA	超深残差神经网络	AUC, AUCPR	NA
557	2026-05-21	A deep learning approach for 18F-FDG PET attenuation correction 2018-Nov-12, EJNMMI physics IF:3.0Q2 DOI:10.1186/s40658-018-0225-8 PMID:30417316	研究论文	开发并评估基于深度学习的PET图像衰减校正方法deepAC，无需解剖成像即可从18F-FDG PET图像生成伪CT图像	首次提出数据驱动的深度学习框架，直接从非衰减校正的18F-FDG PET图像生成连续值的伪CT，无需CT或MRI解剖成像	仅针对头部PET成像，且训练数据量较小（100例），未评估其他部位或示踪剂的泛化能力	实现无需解剖成像的PET衰减校正，避免额外CT辐射并提高临床适用性	18F-FDG PET头部图像及对应CT数据	数字病理学	脑部疾病	PET/CT, 18F-FDG PET	卷积编码器-解码器网络	图像	100例回顾性3D FDG PET头部图像用于训练，28例患者用于评估	NA	深度卷积编码器-解码器网络	Dice系数, 平均绝对误差, 配对样本t检验	NA
558	2026-05-20	Multi-scale drift characteristics of Ulva prolifera in the Yellow Sea derived from deep learning-based MODIS and Sentinel-1 observations 2026-Jul, Marine pollution bulletin IF:5.3Q1 DOI:10.1016/j.marpolbul.2026.119516 PMID:41855964	研究论文	利用深度学习模型融合MODIS和Sentinel-1数据，分析黄海浒苔多尺度漂移特征	提出融合注意力机制与Vision Transformer的AttFusionViT-UNet模型，首次实现多源遥感数据（MODIS和Sentinel-1）的融合，生成周、月、年多尺度浒苔时空分布，提升短期漂移过程的捕捉能力	未明确讨论模型对极端天气或高云覆盖场景的鲁棒性，且融合方法可能引入数据配准误差	量化黄海浒苔空间覆盖及不同时间尺度的漂移特征，改善预测能力	黄海浒苔的短期涌现、扩展和漂移过程	计算机视觉，遥感	不适用	MODIS遥感， Sentinel-1合成孔径雷达	深度神经网络， Vision Transformer	卫星图像	MODIS数据（2008-2024年）和Sentinel-1数据（2015-2024年）	NA	AttFusionViT-UNet	平均交并比（mean IoU）	NA
559	2026-05-20	Enhancing the accuracy of seawater intrusion vulnerability assessment using a hybrid GALDIT framework in tropical low-lying coastal settings 2026-Jul, Marine pollution bulletin IF:5.3Q1 DOI:10.1016/j.marpolbul.2026.119585 PMID:41861586	研究论文	提出一种混合GALDIT框架（结合CNN-XGBoost）以提升热带低洼沿海地区海水入侵脆弱性评估的准确性	首次将改进的GALDIT模型与混合深度学习技术（CNN用于特征提取、XGBoost用于预测建模）相结合，通过XGBoost的正则化技术减轻过拟合，实现空间分析精度的显著提升	传统GALDIT和改进GALDIT模型均难以捕捉海水入侵的非线性空间复杂性	提高热带低洼沿海地区海水入侵脆弱性评估的准确性	印度奥里萨邦沿海地区的海水入侵脆弱性	机器学习	不适用	NA	CNN、XGBoost	空间数据（土壤介质、井密度、总溶解固体等）	NA	NA	CNN、XGBoost	接收者操作特征曲线、曲线下面积、R值、总溶解固体数据	NA
560	2026-05-20	Leveraging quantum chemical properties in transfer learning for predicting blood-brain barrier permeability of drugs 2026-Jun, Drug delivery and translational research IF:5.7Q1 DOI:10.1007/s13346-025-02005-5 PMID:41160380	研究论文	探索机器学习、深度学习和迁移学习模型，利用量子化学性质预测药物分子的血脑屏障渗透性，并通过PAMPA-BBB实验验证	首次将量子化学性质（QM9扩展的极化率和偶极矩）融入迁移学习，提升了预测血脑屏障渗透性的性能，且量子化学性质提供的预测价值超越了传统分子描述符和P-糖蛋白抑制基线	NA	开发计算模型快速筛选药物分子的血脑屏障渗透性，以促进中枢神经系统药物开发	药物分子的血脑屏障渗透性预测	机器学习	中枢神经系统疾病	PAMPA-BBB体外实验, 机器学习分类模型	SVM, DNN, D-MPNN, 迁移学习模型	分子结构数据 (2D RDKit和Morgan指纹, QM9量子化学性质)	约8000个化合物（B3DB数据库），18个化合物（EEBL库实验验证）	NA	SVM, DNN, D-MPNN	准确率, ROC-AUC	NA