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
581	2026-05-31	Physically grounded deep learning-enabled gold nanoparticle localization and quantification in photonic resonator absorption microscopy for digital resolution molecular diagnostics 2025-Aug-01, Biosensors & bioelectronics IF:10.7Q1 DOI:10.1016/j.bios.2025.117455 PMID:40233489	研究论文	提出一种基于物理约束的深度学习方法LOCA-PRAM，用于光谐振吸收显微镜中金纳米颗粒的定位与定量，实现数字分辨率的分子诊断	利用光子晶体-金纳米颗粒共振耦合增强信号对比度，通过配准经验获得点扩散函数实现逼真训练数据生成，在无需样本分割或酶扩增下实现数字分辨率检测	未提及	实现高精度、高灵敏度的金纳米颗粒定位与定量，推动数字分辨率分子诊断	金纳米颗粒标记的生物分子	计算机视觉	NA	光谐振吸收显微镜	深度学习	图像	NA	NA	LOCA-PRAM	准确性、灵敏度、亚像素分辨率	NA
582	2026-05-31	Prediction of mammographic breast density based on clinical breast ultrasound images using deep learning: a retrospective analysis 2025-Jun, Lancet regional health. Americas DOI:10.1016/j.lana.2025.101096 PMID:40290129	研究论文	基于深度学习从临床乳腺超声图像预测乳腺钼靶密度的回顾性分析	首次探索利用人工智能从乳腺超声图像预测BI-RADS乳腺密度类别，并在乳腺癌风险模型中证明其与钼靶密度具有相似的预测能力	未明确提及，但基于回顾性设计可能存在选择偏倚和泛化性限制	评估深度学习模型从临床乳腺超声图像预测乳腺密度的准确性，并比较其与临床BI-RADS密度在乳腺癌风险预测中的表现	来自三所机构的14,066名女性的405,120张临床乳腺超声图像	计算机视觉, 机器学习	乳腺癌	NA	深度学习模型（CNN相关）	图像（乳腺超声图像）	14,066名女性，405,120张图像（训练集10,393人/302,574张，验证集2,593人/69,842张，测试集1,074人/28,616张）	NA	卷积神经网络（具体架构未说明）	AUROC	NA
583	2026-05-31	MRI-based multimodal AI model enables prediction of recurrence risk and adjuvant therapy in breast cancer 2025-06, Pharmacological research IF:9.1Q1 DOI:10.1016/j.phrs.2025.107765 PMID:40345352	research paper	本研究介绍了一种基于MRI和多模态AI的3D深度学习模型（3D-MMR-model），用于预测非转移性乳腺癌患者的复发风险	结合多模态MRI数据和AI驱动的3D深度学习模型，实现乳腺癌复发风险的无创预测，并通过RNA-seq分析探索肿瘤区域热点与微环境的关系	NA	开发并验证一种基于MRI的多模态AI模型，用于预测非转移性乳腺癌的复发风险，并指导辅助治疗决策	非转移性乳腺癌患者	machine learning	乳腺癌	MRI, RNA-seq	3D深度学习模型（3D-MMR-model）	MRI图像（T1+C, T2WI）和临床数据	来自中国四家机构的1199名非转移性乳腺癌患者	PyTorch	改进的3D-UNet（肿瘤分割），DenseNet121（无病生存预测）	AUC	NA
584	2026-05-31	High-throughput markerless pose estimation and home-cage activity analysis of tree shrew using deep learning 2025-05, Animal models and experimental medicine IF:3.8Q2 DOI:10.1002/ame2.12530 PMID:39846430	研究论文	利用深度学习方法实现树鼩的无标记姿态估计和居家笼活动分析	首次将深度学习用于树鼩的无标记姿态估计和多种自发行为识别，并开发了同时监测16只树鼩的高通量系统	NA	开发一种高效的方法来量化树鼩的居家笼活动，为理解其日常行为和建立疾病模型提供可靠基础	树鼩	计算机视觉	NA	深度学习	CNN	行为视频	16只树鼩	NA	NA	抓取行为中位持续时间0.20秒	NA
585	2026-05-31	Cyber-physical security of biochips: A perspective 2025-May, Biomicrofluidics IF:2.6Q2 DOI:10.1063/5.0252554 PMID:40454326	综述	从多层面探讨微流控生物芯片的网络安全与物理安全威胁及防御策略	首次系统阐述微流控生物芯片面临的结构篡改、材料降解、样本干扰和知识产权盗窃等多维度安全威胁，并提出基于深度学习、机械响应染料、分子条形码和物理不可克隆函数等跨学科综合防御框架	作为前瞻性观点文章，未提供具体实验验证或定量分析各防御技术的有效性	揭示微流控生物芯片在关键应用中的安全漏洞并推荐多层防御机制	微流控生物芯片及其安全威胁与防御技术	计算机视觉, 机器学习	不适用	微流控	深度学习	图像	不适用	不适用	不适用	不适用	不适用
586	2026-05-31	Non-local modeling of enhancer-promoter interactions, a correspondence on "LOCO-EPI: Leave-one-chromosome-out (LOCO) as a benchmarking paradigm for deep learning based prediction of enhancer-promoter interactions" 2025-May, Applied intelligence (Dordrecht, Netherlands) DOI:10.1007/s10489-025-06378-5 PMID:42210916	评述	对Tahir等人2024年关于增强子-启动子相互作用预测模型的论文提出质疑，指出其结论重复了2018年的工作，并解释模型性能差的原因与DNA环化等最新进展一致	纠正了已有研究记录的遗漏，并指出模型性能差与DNA环化、黏连蛋白挤压和CTCF约束下增强子-启动子相互作用建模的最新进展一致	未提供新的实验数据或模型改进，仅基于已有文献分析	纠正对增强子-启动子相互作用建模的误解，阐明模型性能差的可能原因	Tahir等人提出的LOCO-EPI模型及其与先前研究的比较	机器学习	NA	NA	深度学习模型	文本	NA	NA	NA	NA	NA
587	2026-05-31	A deep learning framework for automated and generalized synaptic event analysis 2025-Mar-05, eLife IF:6.4Q1 DOI:10.7554/eLife.98485 PMID:40042890	研究论文	提出一种基于深度学习的监督方法miniML，用于自动检测和分类自发突触事件，并验证其在多种实验条件下的通用性	首次将深度学习框架miniML应用于自发突触事件的自动化分析，在精确度和召回率上优于传统方法，且易于跨物种、跨记录技术和跨突触类型泛化	未提及具体局限，但依赖监督学习需要大量标注数据，可能对罕见突触事件检测不足	开发一种自动化、可靠且标准化的突触事件分析框架，以促进神经功能的高通量研究	模拟真实数据和多种生物样本中的自发突触事件	机器学习	神经疾病	电生理记录, 光学记录	CNN（卷积神经网络）	电信号, 图像	未在标题和摘要中明确说明样本数量	NA	NA	精确度, 召回率	NA
588	2026-05-31	Deep learning methods for protein function prediction 2025-01, Proteomics IF:3.4Q2 DOI:10.1002/pmic.202300471 PMID:38996351	综述	综述近期深度学习在蛋白质功能预测中的进展，涵盖数据源和评估指标	深入总结该领域的重要进展，识别主要挑战并探讨未来方向	未提供具体实验或方法比较，仅依赖于现有文献分析	梳理深度学习在蛋白质功能预测中的现状并指引未来发展	蛋白质功能预测方法	机器学习	NA	NA	深度学习	序列、结构、相互作用数据	NA	NA	NA	评估指标	NA
589	2026-05-31	iACP-DFSRA: Identification of Anticancer Peptides Based on a Dual-channel Fusion Strategy of ResCNN and Attention 2024-11-15, Journal of molecular biology IF:4.7Q1 DOI:10.1016/j.jmb.2024.168810 PMID:39362624	研究论文	提出了一种基于深度学习的双通道融合策略模型iACP-DFSRA，用于识别抗癌肽	结合了ProtBert_BFD预训练语言模型和手工特征进行序列编码，采用LightGBM进行特征选择，并利用ResCNN和注意力机制分别提取局部和全局特征，最后通过注意力机制深度融合关键特征	未明确提及，但可能依赖于现有数据集和特定特征编码技术，泛化性需进一步验证	开发一种准确且成本有效的抗癌肽识别方法	抗癌肽序列的识别	自然语言处理	癌症	蛋白质序列嵌入技术	ResCNN和注意力机制	序列数据	未明确说明，但使用了独立测试数据集和额外数据集	PyTorch	ResCNN, Attention机制, LightGBM	特异性(Sp), 敏感性(Sn), 准确率(Acc), 马修斯相关系数(MCC)	NA
590	2026-05-31	Prediction of peptide hormones using an ensemble of machine learning and similarity-based methods 2024-10, Proteomics IF:3.4Q2 DOI:10.1002/pmic.202400004 PMID:38803012	研究论文	提出了一种结合机器学习与基于相似性方法的集成策略，用于高精度预测激素肽	创新性地将基于相似性的方法（BLAST和MERCI）与机器学习模型（逻辑回归）集成，并开发了可识别激素相关基序的网络服务器HOPPred	基于相似性的方法存在无匹配结果或预测序列有限的问题，且集成模型在独立验证集上的性能仍有提升空间	开发一种高准确率的激素肽预测方法，并提供一个实用的网络工具	激素肽和非激素肽序列（各1174条）	机器学习	NA	NA	逻辑回归	序列	2348条肽序列（1174条激素肽和1174条非激素肽）	NA	NA	AUROC, 准确率, 马修斯相关系数 (MCC)	NA
591	2026-05-31	Model fusion for predicting unconventional proteins secreted by exosomes using deep learning 2024-09, Proteomics IF:3.4Q2 DOI:10.1002/pmic.202300184 PMID:38643383	研究论文	提出一种融合多个深度学习模型的方法，用于预测外泌体分泌的非传统分泌蛋白	首次结合卷积神经网络和多种密集连接神经网络，融合蛋白质序列与进化信息，提升了预测准确性	未提及模型在实际应用中的泛化能力或计算资源消耗	提高外泌体介导的非传统分泌蛋白预测准确性，探索非经典蛋白分泌和细胞间通讯的调控机制	外泌体分泌的非传统蛋白质	机器学习	NA	蛋白质序列分析、进化信息分析	CNN, DNN	蛋白质序列数据	独立测试数据集	NA	CNN, DNN	ACC, MCC	NA
592	2026-05-31	An efficient hybrid deep learning architecture for predicting short antimicrobial peptides 2024-07, Proteomics IF:3.4Q2 DOI:10.1002/pmic.202300382 PMID:38837544	研究论文	提出了一种高效的混合深度学习架构iAMP-DL，用于预测短抗菌肽	结合长短期记忆网络和卷积神经网络构建混合模型，在独立测试集上表现优于现有方法，并通过10次重复实验验证了模型的鲁棒性和稳定性	未明确说明局限性，可能对非短抗菌肽的预测效果需进一步验证	开发一种高效、鲁棒的短抗菌肽预测方法以支持抗菌药物研发	短抗菌肽序列	机器学习	NA	NA	长短期记忆网络（LSTM）和卷积神经网络（CNN）	序列数据	使用了独立测试集进行性能评估，具体样本数量未在摘要中说明	NA	LSTM, CNN	未在摘要中明确列出具体指标，但通过比较分析和重复实验评估性能	NA
593	2026-05-31	Deep Learning-Enabled Diagnosis of Liver Adenocarcinoma 2023-11, Gastroenterology IF:25.7Q1 DOI:10.1053/j.gastro.2023.07.026 PMID:37562657	研究论文	提出深度学习模型HEPNET，用于区分肝内胆管癌与结直肠癌肝转移，基于H&E染色全切片图像实现临床级准确率	开发了专门用于肝脏腺癌诊断的深度学习模型HEPNET，在区分原发性与继发性肝腺癌方面达到临床级精度，且性能超越6名病理专家并提升初级医师诊断水平	未在文中明确阐述局限性	实现肝脏腺癌的准确诊断，辅助临床决策并优化病理工作流程	肝内胆管癌与结直肠癌肝转移患者的H&E染色全切片图像	数字病理学	肝腺癌（包括肝内胆管癌和结直肠癌肝转移）	H&E染色全切片成像	深度学习（CNN）	病理全切片图像	训练集：456例患者（714,589个图像块）；内部测试集：115例；外部验证集：159例（来自美因茨大学医院）	NA	HEPNET	AUC、准确率	NA
594	2026-05-31	Recognition of walking directional intention employed ground reaction forces and center of pressure during gait initiation 2023-09, Gait & posture IF:2.2Q2 DOI:10.1016/j.gaitpost.2023.08.009 PMID:37639961	研究论文	利用地面反作用力和压力中心数据，通过深度学习技术识别步行方向意图	首次使用地面反作用力和压力中心数据替代脑电图，通过LSTM模型识别步行方向意图，实现高精度分类	仅针对直行和右转两种方向，未考虑左转及其他复杂场景；样本量较小（10名健康成年男性）；未在真实外骨骼控制或行人交通流场景中验证	利用深度学习技术识别地面反作用力和压力中心数据，分类直行和右转意图；揭示可替代脑电图预测步行方向意图的步态特征	10名健康成年男性在测力平台上执行的站立、直行和右转动作	机器学习	NA	地面反作用力（GRF）和压力中心（COP）测量	LSTM	时间序列数据（GRF和COP）	10名健康成年男性的步态数据	NA	LSTM	准确率（最高94.79%）	NA
595	2026-05-31	A Graph-Transformer for Whole Slide Image Classification 2022-11, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2022.3176598 PMID:35594209	研究论文	提出一种融合图表示与视觉Transformer的Graph-Transformer（GTP）方法，用于全切片图像分类，在肺癌组织学分类上取得高准确率	首次将图结构表示（Graph）与Vision Transformer融合构建GTP框架，用于全切片级别的病理图像分类，并引入基于图的显著性映射技术GraphCAM提升模型可解释性	NA（摘要未明确提及局限性）	开发一种能够利用WSI整体信息进行疾病分级预测的深度学习框架，并以肺癌亚型分类为验证任务	肺腺癌（LUAD）、肺鳞癌（LSCC）及癌旁正常组织	数字病理学	肺癌	深度学习、对比学习、病理图像全切片分析	Graph-Transformer（融合图神经网络与视觉Transformer）	病理全切片图像（WSI）	4,818张WSI，来自CPTAC、NLST和TCGA数据库	PyTorch	Vision Transformer、图神经网络	准确率	NA（摘要未明确提及计算资源）
596	2026-05-31	Measuring and modelling perceptions of the built environment for epidemiological research using crowd-sourcing and image-based deep learning models 2022-11, Journal of exposure science & environmental epidemiology DOI:10.1038/s41370-022-00489-8 PMID:36369372	研究论文	利用众包和基于图像的深度学习模型测量和模拟建筑环境感知，并应用于流行病学研究	通过众包方法收集特定健康研究（华盛顿州双胞胎登记处）的建筑环境感知数据，并利用迁移学习优化深度学习模型，提高模型性能	未明确提及，但可能包括感知数据的主观性和样本代表性有限	开发可客观测量和预测建筑环境感知的方法，用于流行病学研究	华盛顿州双胞胎登记处参与者的居住地址及街道图像	计算机视觉, 机器学习	心理健康相关	众包, 图像采集	深度学习模型	图像	超过36,000张图像比较	PyTorch, Keras	迁移学习模型	模型解释方差（nature quality 77.6%, beauty 68.1%, relaxation 72.0%, safety 64.7%）, 平均改进率3.8%	亚马逊Mechanical Turk众包平台, GPU（具体类型未提及）
597	2026-05-31	Deep learning for subtyping the Alzheimer's disease spectrum 2022-02, Trends in molecular medicine IF:12.8Q1 DOI:10.1016/j.molmed.2021.12.004 PMID:34996710	研究论文	利用深度学习对阿尔茨海默病谱系进行亚型分类，基于结构影像对认知障碍个体进行分型	通过深度学习技术基于结构性影像对认知障碍个体进行亚型分类，以量化阿尔茨海默病异质性，为靶向治疗提供新方法	NA	探索基于结构影像的阿尔茨海默病亚型分类方法，以促进疾病修饰疗法的应用和改善患者护理	认知障碍个体	机器学习	阿尔茨海默病	结构影像	深度学习	影像	NA	NA	NA	NA	NA
598	2026-05-31	Prospectively-validated deep learning model for segmenting swallowing and chewing structures in CT 2022-01-17, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ac4000 PMID:34874302	研究论文	开发并前瞻性验证了一种用于CT图像中咀嚼和吞咽结构分割的深度学习模型	首个经过前瞻性验证的用于CT图像中咀嚼和吞咽结构分割的深度学习模型	NA	开发准确高效的方法来自动勾画头颈部放疗中涉及咀嚼和吞咽的关键结构	242例头颈癌患者的CT扫描数据（用于模型开发）和91例CT扫描数据（用于前瞻性评估）	计算机视觉	头颈癌	CT成像	卷积神经网络	图像	242例患者CT扫描（模型开发），91例CT扫描（前瞻性评估），24例（回顾性测试）	PyTorch	DeepLabV3+	Dice相似系数	NA
599	2026-05-31	Deep Learning to Predict Cardiac Magnetic Resonance-Derived Left Ventricular Mass and Hypertrophy From 12-Lead ECGs 2021-06, Circulation. Cardiovascular imaging DOI:10.1161/CIRCIMAGING.120.012281 PMID:34126762	研究论文	利用深度学习从12导联心电图预测心脏磁共振测量的左心室质量和肥厚	首次使用深度学习模型从12导联心电图预测CMR导出的左心室质量，并与传统心电图规则比较左心室肥厚的鉴别能力	UK Biobank和MGB队列中预测LV质量与CMR导出的相关性不同，说明模型泛化性存在局限	提高使用12导联心电图检测左心室肥厚的敏感性	左心室质量和左心室肥厚	机器学习	心血管疾病	12导联心电图	CNN（卷积神经网络）	心电图信号和心脏磁共振数据	UK Biobank中32,239名受试者（训练），独立测试集包括UK Biobank 4,903人和MGB 1,371人，MGB结果队列28,612人	NA	卷积神经网络	相关系数r，c统计量，Cox回归风险比	NA
600	2026-05-31	Attenuation correction using deep Learning and integrated UTE/multi-echo Dixon sequence: evaluation in amyloid and tau PET imaging 2021-05, European journal of nuclear medicine and molecular imaging IF:8.6Q1 DOI:10.1007/s00259-020-05061-w PMID:33108475	研究论文	提出一种结合深度学习与新型超短回波时间/多回波Dixon（UTE/mUTE）序列的MR衰减校正方法，用于淀粉样蛋白和tau蛋白PET成像	首次将深度学习与mUTE序列结合用于PET/MR衰减校正，在淀粉样蛋白和tau蛋白成像中显著提高骨区域Dice系数（0.87/0.94），优于传统图谱法和基于MPRAGE或Dixon的深度学习方法	样本量较小（35名受试者），仅评估了特定PET示踪剂（11C-PiB和18F-MK6240），未验证其他脑部疾病或示踪剂的通用性	提高阿尔茨海默病PET成像中衰减校正的准确性	35名接受11C-PiB和18F-MK6240扫描的受试者	计算机视觉	阿尔茨海默病	MR衰减校正，UTE/multi-echo Dixon序列，深度学习	深度学习	图像	35名受试者	NA	NA	Dice系数，验证损失，标准摄取值比（SUVR）误差	NA