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
41	2025-06-13	DRLSurv: Disentangled Representation Learning for Cancer Survival Prediction by Mining Multimodal Consistency and Complementarity 2025-Jun-11, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3578859 PMID:40498625	研究论文	提出了一种名为DRLSurv的新型多模态深度学习方法，用于精确预测癌症生存率，通过挖掘多模态数据的一致性和互补性	利用解耦表示学习技术，将每种模态分解为模态不变和模态特定的表示，并创新性地引入了基于子空间的邻近对比损失和再解耦损失	未明确提及具体局限性	提高癌症生存预测的准确性，为制定最佳治疗计划和提供个体化护理提供支持	癌症患者的多模态数据（如组织病理学图像和基因组数据）	数字病理学	癌症	解耦表示学习	深度学习	多模态数据（图像和基因组数据）	NA
42	2025-06-13	Dynamic Instance-level Graph Learning Network of Intracranial Electroencephalography Signals for Epileptic Seizure Prediction 2025-Jun-11, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3578627 PMID:40498623	research paper	提出了一种动态实例级图学习网络（DIGLN），用于癫痫发作预测，通过颅内脑电图（iEEG）信号建模动态因果关系	DIGLN通过分组时序神经网络和图结构学习方法捕获通道内和通道间的因果关系，并引入图形交互回写技术实现双向因果关系建模	实验仅在Freiburg iEEG数据集上进行验证，未在其他数据集上测试泛化能力	开发一种能够准确识别癫痫iEEG信号中动态因果关系的新型深度学习模型	癫痫患者的颅内脑电图（iEEG）信号	脑机接口	癫痫	深度学习	DIGLN（动态实例级图学习网络）	iEEG信号	Freiburg iEEG数据集
43	2025-06-13	DeepHeme, a high-performance, generalizable deep ensemble for bone marrow morphometry and hematologic diagnosis 2025-Jun-11, Science translational medicine IF:15.8Q1 DOI:10.1126/scitranslmed.adq2162 PMID:40498857	research paper	开发了一个名为DeepHeme的高性能深度学习集成模型，用于骨髓形态测量和血液学诊断	DeepHeme在准确性和可区分细胞类别数量上超越了现有模型，并展示了强大的跨数据集泛化能力	模型性能验证依赖于特定医疗机构的有限数据集，可能需要更多外部验证	提高骨髓细胞形态学自动分类的效率和准确性，以辅助血液学诊断	骨髓抽吸物(BMA)的细胞形态学图像	digital pathology	hematological disorders	deep learning	snapshot ensemble	image	训练集30,394张图像(40名正常骨髓患者)，测试集8,507张图像(10名不同患者)，外加外部验证集13,770张图像(665名正常/患病患者)
44	2025-06-13	A Self-Adaptive Reconfigurable Metasurface for Electromagnetic Wave Sensing and Dynamic Reflection Control 2025-Jun-11, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202505155 PMID:40498986	research paper	本文提出了一种实时自适应的可重构超表面，能够感知入射波的到达方向并相应调整其反射	该超表面通过简单的相位比较器和查找表集成传感和可重构反射元原子，无需辅助检测模式或外部控制单元，显著节省了响应时间、能耗和制造成本	实验仅验证了入射角在±50°范围内的有效性，且角度变化速率最高为12度/秒	开发一种自主、计算简单、经济高效、节能且实时的自适应反射控制解决方案	可重构超表面	电磁波传感	NA	相位比较器和查找表	NA	电磁波信号	NA
45	2025-06-13	Enhancing Pulmonary Disease Prediction Using Large Language Models With Feature Summarization and Hybrid Retrieval-Augmented Generation: Multicenter Methodological Study Based on Radiology Report 2025-Jun-11, Journal of medical Internet research IF:5.8Q1 DOI:10.2196/72638 PMID:40499132	研究论文	本研究探讨了利用大型语言模型（LLMs）结合特征摘要和混合检索增强生成技术来提升肺病预测性能	提出了一种结合特征摘要（F-Sum）、思维链（CoT）推理和混合检索增强生成（RAG）框架的新型提示工程策略	研究仅基于胸部CT放射学报告，未考虑其他临床数据	提升肺病预测模型的解释性和预测性能	健康个体及肺结核、肺癌和肺炎患者	自然语言处理	肺癌	TF-IDF和K-means聚类	LLM（GLM-4-Plus, GLM-4-air, GPT-4o）和BERT	文本	2965份胸部CT放射学报告（来自4个队列）和343份外部验证报告
46	2025-06-13	Comparison of Multimodal Deep Learning Approaches for Predicting Clinical Deterioration in Ward Patients: Observational Cohort Study 2025-Jun-11, Journal of medical Internet research IF:5.8Q1 DOI:10.2196/75340 PMID:40499139	研究论文	比较了使用和不使用临床笔记信息的多模态深度学习模型在预测病房患者临床恶化方面的表现	首次比较了结合结构化数据与临床笔记信息的多种参数化方法在预测临床恶化方面的效果，并评估了不同模型的表现	尽管结合了临床笔记信息，但模型性能提升不明显，且研究仅在美国两家医院进行，可能存在地域局限性	评估多模态深度学习模型在预测病房患者临床恶化方面的效果	芝加哥大学和威斯康星大学麦迪逊分校的病房住院成人患者	机器学习	临床恶化	SapBERT嵌入、概念唯一标识符聚类	深度循环神经网络	结构化数据和临床笔记文本	开发队列284,302名患者，外部验证队列248,055名患者
47	2025-06-13	Seamless finer-resolution soil moisture from the synergistic merging of the FengYun-3 satellite series 2025-Jun-11, Scientific data IF:5.8Q1 DOI:10.1038/s41597-025-05263-7 PMID:40500275	研究论文	本研究开发了一种从风云(FY)系列卫星数据中融合生成高分辨率土壤湿度数据集的方法	采用最小化均方误差的融合技术结合深度学习插值方法，首次从FY系列卫星数据生成0.15°空间分辨率的土壤湿度数据集	数据集时间范围仅限于2011-2020年	提供全球卫星土壤湿度观测数据以应对相关应用挑战	风云系列卫星(FY-3B/C/D)的被动微波观测数据	遥感	NA	最小均方误差融合技术、深度学习插值方法	深度学习	卫星遥感数据	2011-2020年全球范围的观测数据
48	2025-06-13	A fully open AI foundation model applied to chest radiography 2025-Jun-11, Nature IF:50.5Q1 DOI:10.1038/s41586-025-09079-8 PMID:40500447	research paper	开发了一个名为Ark的开放基础模型，用于胸部X光片的诊断，通过循环积累和重用来自多个数据集的异构专家标签知识	Ark模型通过积累和重用来自多个数据集的异构专家标签知识，扩展了诊断范围，适应新的诊断需求，并能从少量样本中学习罕见病症	NA	开发一个开放的基础模型，用于胸部X光片的自动化诊断	胸部X光片	digital pathology	lung cancer	deep learning	foundation model	image	多个数据集中的异构样本
49	2025-06-13	Non-enhanced CT deep learning model for differentiating lung adenocarcinoma from tuberculoma: a multicenter diagnostic study 2025-Jun-11, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-11721-y PMID:40500528	research paper	该研究开发并验证了一个基于三维特征的深度学习模型（DL_3D），用于区分肺腺癌（LUAD）和结核瘤（TBM）	提出了基于视觉Transformer网络的DL_3D模型，在非增强CT图像上区分LUAD和TBM，性能优于二维特征模型、放射组学模型和六位放射科医生	样本量相对有限，且仅来自三个医院，可能存在选择偏差	开发一种深度学习模型，用于在非增强CT图像上区分肺腺癌和结核瘤	肺腺癌（LUAD）和结核瘤（TBM）患者	digital pathology	lung cancer	非增强CT成像	vision transformer network	CT图像	1160名患者（840名训练集，210名验证集，110名外部测试集）
50	2025-06-13	Mechanisms of organotropism in breast cancer and predicting metastasis to distant organs using deep learning 2025-Jun-11, Discover oncology IF:2.8Q2 DOI:10.1007/s12672-025-02905-5 PMID:40500539	research paper	本研究探讨了乳腺癌的器官趋向性机制，并通过深度学习预测乳腺癌向远处器官的转移	结合单细胞RNA测序、批量RNA测序、ChIP-seq数据和深度学习技术，开发了深度神经网络模型来识别器官特异性转移基因	研究仅关注了乳腺癌向骨、脑、肝和肺四种器官的转移，未涵盖其他可能的转移目标	探索乳腺癌转移的分子机制，预测器官特异性转移	乳腺癌及其向骨、脑、肝和肺的转移	digital pathology	breast cancer	single-cell RNA sequencing, bulk RNA sequencing, ChIP-seq, deep learning	DNN	genomic data, gene expression data	NA
51	2025-06-13	Graph Transformer Model Integrating Physical Features for Projected Electronic Density of States Prediction 2025-Jun-11, The journal of physical chemistry. A DOI:10.1021/acs.jpca.5c03006 PMID:40500907	research paper	本研究提出了一种基于Graph Transformer的模型，用于预测材料的投影态密度（PDOS），并通过引入物理特征进一步提升了预测性能	首次将Graph Transformer应用于PDOS预测，并通过整合价电子计数等物理特征提升了模型性能	研究仅基于Materials Project的PDOS数据，未在其他数据集上验证模型泛化能力	改进材料投影态密度的预测方法	材料的投影态密度（PDOS）	machine learning	NA	Graph Transformer	GT（Graph Transformer）	材料科学数据	Materials Project数据库中的PDOS数据
52	2025-06-13	Identification of Atypical Scoliosis Patterns Using X-ray Images Based on Fine-Grained Techniques in Deep Learning 2025-Jun-11, Global spine journal IF:2.6Q1 DOI:10.1177/21925682251349999 PMID:40500925	研究论文	基于深度学习的细粒度技术，利用X射线图像识别非典型脊柱侧弯模式	开发了基于ResNet-50的细粒度分类模型，用于筛查与非典型脊柱侧弯模式相关的Chiari畸形I型（CMS），并在某些性能指标上超越了资深脊柱外科医生	研究为回顾性诊断研究，样本量相对较小（508对X射线图像）	开发一种深度学习模型，用于筛查脊柱侧弯及与非典型脊柱侧弯模式相关的CMS	Chiari畸形I型（CMS）患者、青少年特发性脊柱侧弯（AIS）患者及正常对照（NC）的X射线图像	计算机视觉	脊柱侧弯	深度学习	ResNet-50	X射线图像	508对冠状和矢状X射线图像
53	2025-06-13	Development of an Interpretable Machine Learning Model for Neurotoxicity Prediction of Environmentally Related Compounds 2025-Jun-10, Environmental science & technology IF:10.8Q1 DOI:10.1021/acs.est.5c03311 PMID:40307185	研究论文	开发了一种可解释的机器学习模型，用于预测环境相关化合物的神经毒性	结合分子指纹和分子描述符与XGBoost算法，构建了高性能且可解释的神经毒性预测模型，并开发了在线平台	在已知神经毒性数据的89种化合物中，模型准确率为0.74，仍有提升空间	预测环境相关化合物的神经毒性，管理环境健康风险	环境相关化合物	机器学习	神经系统疾病	分子指纹、分子描述符、分子图	XGBoost、传统机器学习算法、深度学习方法	分子数据	1170种在人血中检测到的化合物，其中89种有已知神经毒性数据
54	2025-06-13	Oil Palm Fruits Dataset in Plantations for Harvest Estimation Using Digital Census and Smartphone 2025-Jun-10, Scientific data IF:5.8Q1 DOI:10.1038/s41597-025-05227-x PMID:40494879	research paper	本文介绍了一个来自印度尼西亚中加里曼丹商业种植园的油棕鲜果束（FFBs）图像数据集，专注于五个成熟阶段：未熟、半熟、成熟、开花和异常	数据集通过智能手机视频记录多角度、多变条件下的未收获树木，并利用CVAT工具进行专业标注，支持油棕鲜果束的检测与分类	图像存在部分可见性、低对比度、遮挡和模糊等现实世界中的复杂情况	支持深度学习模型的开发，用于油棕鲜果束的检测和分类，以监测收获时间、预测产量和优化种植园资源	油棕鲜果束（FFBs）	computer vision	NA	智能手机视频记录、CVAT标注	deep learning models	image	训练集10,207张图像，验证集2,896张，测试集1,400张
55	2025-06-13	Deep learning-based ranking method for subgroup and predictive biomarker identification in patients 2025-Jun-10, Communications medicine IF:5.4Q1 DOI:10.1038/s43856-025-00946-z PMID:40494908	research paper	该研究开发了一种名为DeepRAB的深度学习框架，用于识别患者亚组和预测性生物标志物，以提高治疗效果	DeepRAB不仅能捕捉个体间的治疗效果差异，还能帮助发现与这些差异相关的有意义的生物标志物	研究主要基于模拟数据和单一临床试验数据，可能在其他疾病或更大样本中的适用性有待验证	开发一种深度学习方法来识别患者亚组和预测性生物标志物，以支持更精准的治疗策略	患者亚组和预测性生物标志物	machine learning	hidradenitis suppurativa	deep learning	DeepRAB	clinical trial data	模拟数据集和adalimumab治疗hidradenitis suppurativa的临床试验数据
56	2025-06-13	A cross population study of retinal aging biomarkers with longitudinal pre-training and label distribution learning 2025-Jun-10, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-025-01751-7 PMID:40494933	research paper	本研究开发了一种深度学习模型，通过视网膜图像准确估计视网膜年龄，并探索其作为衰老生物标志物的潜力	结合自监督学习和渐进式标签分布学习模块，提高了视网膜年龄预测的准确性，并揭示了视网膜年龄差与全因死亡率和多种年龄相关疾病的关联	研究主要基于健康人群数据，可能无法完全代表所有人群的衰老特征	开发高精度的视网膜年龄预测模型，并验证其作为衰老生物标志物的临床价值	视网膜图像数据	digital pathology	geriatric disease	deep learning	self-supervised learning model	image	34,433名来自UK Biobank和三个中国队列的健康参与者
57	2025-06-13	Empirical evaluation of artificial intelligence distillation techniques for ascertaining cancer outcomes from electronic health records 2025-Jun-10, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-025-01646-7 PMID:40494945	研究论文	本文评估了利用师生框架从电子健康记录中提取癌症纵向临床结果的技术	采用师生框架和分层Transformer架构，探索了在不同数据集上进行知识转移的效果	在Wiki-text和合成数据上训练的'学生'模型表现较差，强调了领域内公共数据集的重要性	评估人工智能蒸馏技术在从电子健康记录中提取癌症结果方面的应用	电子健康记录中的自由文本放射学报告	自然语言处理	癌症	师生框架、Transformer架构	Transformer	文本	来自Dana-Farber癌症研究所的数据、MIMIC-IV、Wiki-text和GPT-4生成的合成数据
58	2025-06-13	SCATrans: semantic cross-attention transformer for drug-drug interaction predication through multimodal biomedical data 2025-Jun-10, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-025-06165-6 PMID:40495152	研究论文	本文提出了一种名为SCATrans的语义交叉注意力转换器模型，用于通过多模态生物医学数据预测药物-药物相互作用	构建了SCAT模型，结合BioBERT、Doc2Vec和图卷积网络嵌入多模态数据，使用BiGRU捕获上下文依赖，通过交叉注意力整合特征并明确建模依赖关系	未提及具体的数据不平衡处理方法和模型在其他数据集上的泛化能力	预测潜在的药物-药物相互作用，以支持药物治疗、药物开发、药物监管和公共卫生	药物-药物相互作用	自然语言处理	NA	BioBERT, Doc2Vec, 图卷积网络, BiGRU, 交叉注意力	Transformer (SCAT)	多模态生物医学数据	DDIExtraction-2013数据集
59	2025-06-13	Multivariate multi-horizon time-series forecasting for real-time patient monitoring based on cascaded fine tuning of attention-based models 2025-Jun-10, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110406 PMID:40499368	研究论文	本文介绍了一种名为StreamHealth Multi-Horizon AI的新型框架，用于重症监护病房(ICU)中关键生理指标的多变量多时间范围实时预测	该框架结合了基于注意力的模型（如Temporal Fusion Transformer和Temporal Convolutional Network），并采用级联微调策略，显著提高了模型对未见患者数据的泛化能力	研究仅使用了MIMIC-III数据库的数据，未在其他独立数据集上进行验证	开发一个能实时预测ICU患者关键生理指标的AI系统，以支持早期临床干预	ICU患者的血氧饱和度(SpO2)和呼吸频率(RR)等生命体征	机器学习	重症监护	时间序列预测	TFT, TCN, LSTM, GRU, Bi-LSTM, Bi-GRU, CNN, Seq2Seq	生理时间序列数据	MIMIC-III数据库中的患者数据
60	2025-06-13	U2-Attention-Net: a deep learning automatic delineation model for parotid glands in head and neck cancer organs at risk on radiotherapy localization computed tomography images 2025-Jun-10, Physica medica : PM : an international journal devoted to the applications of physics to medicine and biology : official journal of the Italian Association of Biomedical Physics (AIFB) DOI:10.1016/j.ejmp.2025.105024 PMID:40499410	研究论文	本研究开发了一种名为U2-Attention-Net（U2A-Net）的新型深度学习模型，用于在放疗定位CT图像上精确分割腮腺	提出了一种结合不同注意力机制的深度学习模型U2A-Net，显著提高了腮腺分割的准确性	样本量相对较小（79例患者），且仅针对头颈癌患者的腮腺分割	开发一种能够精确分割放疗定位CT图像中腮腺的深度学习模型	头颈癌患者的放疗定位CT图像中的腮腺	数字病理	头颈癌	CT成像	U2A-Net（基于U-Net的变体）	图像	79例头颈癌患者的CT图像（训练集60例，验证集6例，测试集13例）