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	2026-03-29	Comparative Analysis of AI-based Quantification vs. Visual Rating of Enlarged Perivascular Spaces in the MESA Cohort 2025-Dec-15, AJNR. American journal of neuroradiology DOI:10.3174/ajnr.A9129 PMID:41397892	研究论文	本研究比较了AI量化与视觉评分在评估扩大的血管周围空间（PVS）与血管风险因素及认知表现关联方面的效果	首次在MESA队列中系统比较AI自动量化与专家视觉评分在PVS研究中的敏感性，发现AI方法能检测到更多与血管风险因素和认知表现的关联	横断面研究设计无法确定因果关系，样本量相对有限（235名参与者），且仅基于单一队列	比较AI量化与视觉评分在识别PVS与血管风险因素及认知表现关联方面的差异	235名来自多民族动脉粥样硬化研究（MESA）的参与者，均接受脑部MRI检查	数字病理学	心血管疾病	脑部MRI（包括FLAIR序列）	深度学习算法	医学影像（MRI图像）	235名参与者（男性95人，女性140人；126人自报为黑人）	NA	NA	回归系数（β），95%置信区间（CI）	NA
582	2026-03-29	Consensus Molecular Subtypes (CMS) Classification: a progress towards Subtype-Driven treatments in colorectal cancer 2025-Nov-24, World journal of surgical oncology IF:2.5Q1 DOI:10.1186/s12957-025-04117-1 PMID:41276825	综述	本文综述了结直肠癌的共识分子亚型（CMS）分类，包括其预后预测价值、识别方法、与免疫治疗等个性化治疗的关联，以及临床应用中面临的挑战	系统总结了基于基因表达谱、免疫组化和深度学习图像模型的CMS分类方法，并探讨了单细胞测序等新兴技术如何解决肿瘤内异质性等临床采纳障碍	肿瘤内异质性和技术标准化不足阻碍了CMS分类的广泛临床应用	回顾CMS分类在结直肠癌预后预测和个性化治疗指导方面的进展与挑战	结直肠癌及其共识分子亚型（CMS1-4）	数字病理学	结直肠癌	基因表达谱分析, 免疫组化（IHC）, 单细胞RNA测序, 深度学习	深度学习模型	基因表达数据, 病理图像	NA	NA	NA	NA	NA
583	2026-03-29	Comparing innovative artificial intelligence algorithms to assess echocardiographic videos for clinical modeling 2025-11, The Journal of thoracic and cardiovascular surgery IF:4.9Q1 DOI:10.1016/j.jtcvs.2025.01.008 PMID:39842544	研究论文	本研究比较了多种动态深度学习算法，利用超声心动图视频开发预测模型，并评估样本量对性能指标的影响	在监督学习和半监督学习框架下，比较了3D CNN、视频视觉Transformer及混合CNN-LSTM模型在不同样本量下的性能，发现半监督学习模型使用未标记数据可达到与仅使用标记数据模型相当的性能	研究仅基于特定样本量（200、400、800视频数据集）进行评估，未涵盖更广泛或更小的样本规模，且模型性能可能受数据质量和标注一致性影响	开发并比较基于超声心动图视频的预测模型，优化样本量使用以提高性能	超声心动图视频数据	计算机视觉	心血管疾病	超声心动图成像	3D CNN, 视频视觉Transformer, CNN-LSTM混合模型	视频	200、400、800视频数据集	NA	ResNet3D, ResNet+LSTM	平均绝对误差, 均方根误差	NA
584	2026-03-29	Leveraging learned representations and multitask learning for lysine methylation site discovery 2025-Sep-21, bioRxiv : the preprint server for biology DOI:10.1101/2025.08.27.672583 PMID:40950037	研究论文	本文提出了一种基于Transformer的深度学习模型MethylSight 2.0，用于预测赖氨酸甲基化位点，并通过质谱实验验证了其有效性	利用深度学习最新进展，首次将Transformer架构应用于赖氨酸甲基化位点预测，并结合多任务学习整合其他赖氨酸翻译后修饰信息，实现了最先进的预测精度	模型主要针对赖氨酸甲基化位点，对于非组蛋白底物的甲基化机制理解仍有限，且实验验证的样本规模相对较小	提高赖氨酸甲基化位点的预测准确性，以促进赖氨酸甲基组图谱的绘制和癌症药物靶点的识别	蛋白质中的赖氨酸甲基化位点，特别是非组蛋白底物	自然语言处理	癌症	质谱实验	Transformer	序列数据	NA	NA	Transformer	准确性	NA
585	2026-03-29	Deep learning approach for automated hMPV classification 2025-Aug-08, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-14467-1 PMID:40781468	研究论文	本文提出了一种名为hMPV-Net的深度学习框架，利用卷积神经网络（CNN）实现人偏肺病毒（hMPV）感染的精确检测与分类	开发了hMPV-Net这一新型深度学习框架，通过结合数据增强、加权损失函数和dropout正则化等技术，有效解决了数据集不平衡问题，并在计算效率上显著优于ResNet-50和VGG-16等先进模型	研究使用了模拟图像数据集而非真实患者数据，这可能会影响模型在真实临床场景中的泛化能力	开发一个自动化、高效且准确的深度学习系统，用于hMPV感染的诊断与分类	人偏肺病毒（hMPV）感染的检测与分类	计算机视觉	呼吸道疾病	深度学习，图像分类	CNN	图像	10000个样本（hMPV阳性和阴性病例各占一半）	NA	hMPV-Net	准确率, 精确率, 召回率, F1分数	NA
586	2026-03-29	Multi-center evaluation of radiomics and deep learning to stratify malignancy risk of IPMNs 2025-May-30, Research square DOI:10.21203/rs.3.rs-6622868/v1 PMID:40502758	研究论文	本研究通过多中心评估，利用放射组学和深度学习技术对IPMNs的恶性风险进行分层	首次在IPMN的囊肿级别恶性风险分层中探索并融合了放射组学和深度学习特征，并在多中心队列中验证了其可行性	模型性能仍需提升才能独立应用于临床，且样本量相对有限	评估AI在预测IPMN异型增生等级方面的可行性，以改善诊断准确性并减少不必要的手术干预	IPMNs（胰腺导管内乳头状黏液性肿瘤）的囊肿	计算机视觉	胰腺癌	T2W MRI成像	深度学习模型	图像	359个T2W MRI图像，来自七个中心	NA	2D和3D放射组学模型、深度学习模型、放射组学-深度学习融合模型	AUC	NA
587	2026-03-29	Characterizing multivariate regional hubs for schizophrenia classification, sex differences, and brain age estimation using explainable AI 2025-Mar-04, medRxiv : the preprint server for health sciences DOI:10.1101/2025.02.28.25323105 PMID:40093221	研究论文	本研究利用结构MRI、人口统计学数据和可解释人工智能，探索精神分裂症分类、性别差异及大脑年龄的多变量区域模式	整合深度学习模型与SHAP可解释性方法，识别与精神分裂症、性别差异及大脑年龄相关的个性化多变量脑区模式	未明确说明样本的具体来源、数据预处理细节或模型泛化能力的验证	通过可解释AI方法，研究精神分裂症分类、性别差异及大脑年龄预测中的多变量脑区模式	精神分裂症患者及健康对照者的结构MRI数据和人口统计学信息	机器学习	精神分裂症	结构MRI	深度学习神经网络, 支持向量机, K近邻, Lasso回归, 岭回归, 支持向量回归	图像, 人口统计学数据	NA	NA	NA	NA	NA
588	2026-03-29	ChromaFold predicts the 3D contact map from single-cell chromatin accessibility 2024-11-01, Nature communications IF:14.7Q1 DOI:10.1038/s41467-024-53628-0 PMID:39487131	研究论文	本文介绍了ChromaFold，一种深度学习模型，能够仅从单细胞ATAC测序数据预测3D接触图谱和调控相互作用	ChromaFold是首个仅使用单细胞ATAC测序数据预测3D接触图谱的模型，无需Hi-C或ChIP-seq数据，实现了在有限细胞数下的高分辨率预测	模型训练依赖于配对的scATAC-seq和Hi-C数据，可能受限于数据可用性和质量	预测细胞类型特异性的3D染色质相互作用，以解析基因调控和解释疾病相关的非编码变异	人类和小鼠样本中的单细胞染色质可及性数据	计算生物学	NA	单细胞ATAC测序（scATAC-seq），Hi-C	深度学习模型	染色质可及性数据，CTCF基序轨迹	人类和小鼠的多种测试细胞类型	NA	轻量级架构	准确性	标准GPU
589	2026-03-29	AmyloidPETNet: Classification of Amyloid Positivity in Brain PET Imaging Using End-to-End Deep Learning 2024-06, Radiology IF:12.1Q1 DOI:10.1148/radiol.231442 PMID:38860897	研究论文	本研究开发了一个名为AmyloidPETNet的端到端深度学习模型，用于对最小化处理的脑部PET扫描进行淀粉样蛋白阳性或阴性的自动分类	该模型无需依赖经验丰富的放射科医生或结构MRI，可直接对最小化处理的PET扫描进行端到端分类，并在不同示踪剂和独立数据集上表现出良好的泛化能力	本研究为回顾性研究，模型性能在主要为模棱两可的病例样本上与医生的一致性仅为一般水平	开发一个深度学习模型，用于自动、准确地分类脑部PET扫描的淀粉样蛋白状态，并评估其在不同数据集和示踪剂上的性能	脑部PET扫描图像	数字病理学	阿尔茨海默病	PET成像	深度学习模型	图像	8476次PET扫描（6722名患者），训练集1538次扫描（766名患者），验证集205次扫描（95名患者），内部测试集184次扫描（95名患者）	NA	AmyloidPETNet	AUC, 其他性能指标, Cohen κ	NA
590	2026-03-29	Graph Structured Neural Networks for Perturbation Biology 2024-Feb-29, bioRxiv : the preprint server for biology DOI:10.1101/2024.02.28.582164 PMID:38464019	研究论文	本文提出了一种称为图结构化神经网络（GSNN）的新方法，用于扰动生物学中的计算建模，以更准确地预测分子相互作用和细胞反应	提出了一种替代传统图神经网络（GNN）的GSNN方法，通过将细胞信号知识编码为图数据结构，为深度学习添加归纳偏置，从而鼓励更具机制性的预测逻辑	方法需要进一步精炼才能产生适用于临床决策辅助的可信药物反应模型	开发能够更准确捕获分子相互作用序列并支持精准医学实现的扰动生物学计算模型	分子元素与细胞反应之间的关系，特别是药物扰动下的基因表达、细胞活力和疾病特异性药物优先排序	机器学习	NA	NA	GSNN	图数据	使用LINCS L1000数据集和文献整理的分子相互作用数据	NA	图结构化神经网络	NA	NA
591	2026-03-29	Direct Observation and Automated Measurement of Stomatal Responses to Pseudomonas syringae pv. tomato DC3000 in Arabidopsis thaliana 2024-02-09, Journal of visualized experiments : JoVE DOI:10.3791/66112 PMID:38407316	研究论文	本文介绍了一种评估拟南芥气孔对细菌入侵反应的新方法，包括喷雾接种、便携式成像设备直接观察和基于深度学习的图像分析管道自动测量气孔孔径	结合便携式成像设备和深度学习图像分析管道，实现了在植物不离体条件下直接观察和自动测量气孔对细菌入侵的动态响应，更贴近自然感染过程	方法目前仅应用于拟南芥，可能不适用于其他植物物种；便携式设备的分辨率和适用性可能有限	开发一种更简便、更贴近自然条件的方法来评估植物气孔对病原细菌入侵的响应	拟南芥（Arabidopsis thaliana）的气孔及其对Pseudomonas syringae pv. tomato DC3000（Pto）入侵的反应	植物病理学与计算机视觉交叉	植物细菌性病害	喷雾接种、便携式成像设备观察、深度学习图像分析	深度学习模型	图像	NA	NA	NA	NA	NA
592	2026-03-29	MKMR: a multi-kernel machine regression model to predict health outcomes using human microbiome data 2023-05-19, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbad158 PMID:37099694	研究论文	本文提出了一种多核机器回归模型，用于利用人类微生物组数据预测健康结果	首次开发了能够同时利用多种微生物组信号形式（如丰度、存在/缺失、系统发育关系）的预测模型	未明确说明模型在更广泛数据集或不同疾病类型中的泛化能力	开发一个预测模型，以利用人类微生物组数据预测健康结果	人类微生物组数据，包括喉咙和肠道微生物组	机器学习	NA	微生物组测序	多核机器回归	微生物组丰度数据、存在/缺失数据	NA	NA	多核机器回归	预测性能	NA
593	2026-03-29	Prediction of postoperative infection in elderly using deep learning-based analysis: an observational cohort study 2023-Mar, Aging clinical and experimental research IF:3.4Q2 DOI:10.1007/s40520-022-02325-3 PMID:36598653	研究论文	本研究旨在开发和验证基于深度学习的模型，用于预测老年患者术后感染风险	首次在老年患者中应用深度学习模型整合围手术期风险因素进行术后感染预测	研究为观察性队列设计，样本量有限（2014例），且未在外部验证集中测试模型泛化能力	开发并验证深度学习模型以预测老年患者术后感染	2014年4月至6月期间中国28家医院接受择期手术的2014名老年患者	机器学习	老年疾病	NA	深度学习模型	临床特征数据	2014名老年患者（训练集1510例，验证集504例）	NA	NA	AUC, 敏感性, 特异性	NA
594	2026-03-29	Socioeconomic disparity in the association between fine particulate matter exposure and papillary thyroid cancer 2023-02-23, Environmental health : a global access science source IF:5.3Q1 DOI:10.1186/s12940-023-00972-1 PMID:36823621	研究论文	本研究评估了细颗粒物（PM2.5）累积暴露与乳头状甲状腺癌（PTC）的关联，并发现这种关联在社会经济群体中存在差异	首次使用深度学习神经网络模型结合气象和卫星数据计算PM2.5累积暴露，并揭示了PM2.5暴露与PTC诊断之间的关联在不同家庭收入群体中的差异	研究为回顾性病例对照设计，可能存在选择偏倚和未测量的混杂因素，且PM2.5暴露评估基于居住地邮政编码，未考虑个体移动性	评估PM2.5暴露与乳头状甲状腺癌（PTC）的关联，并确定高风险患者亚组	成年患者（年龄≥18岁），包括2013年1月至2016年12月期间新诊断为PTC的患者以及无甲状腺疾病的对照组患者	环境流行病学	甲状腺癌	深度学习神经网络模型，结合气象和卫星测量数据	深度学习神经网络	电子病历数据、气象数据、卫星数据	1990名PTC患者和6919名无甲状腺疾病的对照组患者	NA	NA	调整后比值比（aOR）、95%置信区间（95%CI）、交互作用p值	NA
595	2026-03-29	EPViz: A flexible and lightweight visualizer to facilitate predictive modeling for multi-channel EEG 2023, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0282268 PMID:36848345	研究论文	介绍了一种名为EPViz的新型开源可视化工具，用于辅助多通道脑电图（EEG）的预测建模开发、验证和结果报告	开发了一个轻量级、独立的软件包，能够加载PyTorch深度学习模型，将输出预测叠加在原始EEG时间序列上，并支持高分辨率图像保存，填补了EEG可视化领域的空白	NA	促进计算神经科学中时空预测分析的发展，并推动工程师与临床医生之间的合作	多通道头皮脑电图（EEG）数据	机器学习	NA	脑电图（EEG）	深度学习模型	时间序列数据	NA	PyTorch	NA	NA	NA
596	2026-03-29	A novel deep learning method for predictive modeling of microbiome data 2021-05-20, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaa073 PMID:32406914	研究论文	本文提出了一种名为MDeep的新型深度学习方法，用于基于微生物组数据进行预测建模	开发了首个能高效且严谨地整合系统发育树结构的深度学习方法，通过设计卷积层模拟分类学层级，在局部感受野中捕捉微生物物种间的系统发育相关性	未明确说明方法在超大规模数据集或实时预测场景下的计算效率限制	构建基于微生物组数据的临床结果预测模型，用于药物反应预测和疾病诊断等应用	人类微生物组数据（包含物种丰度和系统发育树）	机器学习	NA	下一代测序技术	CNN	微生物组数据（物种丰度与系统发育树）	NA	NA	自定义卷积神经网络架构	回归和二元分类评估指标（具体指标未明确说明）	NA
597	2026-03-29	Deep learning models for the prediction of intraoperative hypotension 2021-04, British journal of anaesthesia IF:9.1Q1 DOI:10.1016/j.bja.2020.12.035 PMID:33558051	研究论文	本研究开发并验证了基于深度学习算法，利用患者监测的生物信号波形，在低血压事件发生前5、10和15分钟进行实时预测的模型	提出了结合多种生物信号（如动脉压波形、心电图、光电容积脉搏波和二氧化碳波形）的多通道深度学习模型，相较于单一信号模型，在预测低血压事件方面表现出更高的性能	研究为回顾性观察性研究，可能存在选择偏倚；模型性能在非侵入性监测中相对较低，且未在外部数据集上进行验证	开发能够实时预测术中低血压事件的深度学习算法，以降低术后器官功能障碍的风险	接受非心脏手术的患者，通过患者监测获取的生物信号波形	机器学习	心血管疾病	生物信号波形分析	深度学习模型	生物信号波形数据	3301名患者	NA	NA	AUROC, MAE	NA
598	2026-03-29	Flash-Flood Potential Mapping Using Deep Learning, Alternating Decision Trees and Data Provided by Remote Sensing Sensors 2021-Jan-04, Sensors (Basel, Switzerland) DOI:10.3390/s21010280 PMID:33406613	研究论文	本研究利用遥感传感器和GIS数据，通过四种集成模型评估罗马尼亚一个小流域的突发洪水潜在风险	结合深度学习神经网络与频率比、证据权重等传统方法，以及交替决策树，构建了四种集成模型来绘制突发洪水潜在图	研究区域局限于罗马尼亚的一个小流域，样本点数量有限（481个受影响点和481个随机点），可能影响模型的泛化能力	评估突发洪水潜在风险，为自然灾害监测和评估提供方法支持	罗马尼亚Bâsca Chiojdului河流域的突发洪水潜在风险	机器学习	NA	遥感传感器、地理信息系统（GIS）、高分辨率卫星图像	深度学习神经网络、交替决策树	图像、地理空间数据	962个点（481个受洪水影响点，481个随机非影响点）	NA	深度学习神经网络、交替决策树	灵敏度、特异性、总体准确率、K指数、ROC曲线、AUC	NA
599	2026-03-29	Development of novel machine learning model for right ventricular quantification on echocardiography-A multimodality validation study 2020-05, Echocardiography (Mount Kisco, N.Y.) DOI:10.1111/echo.14674 PMID:32396705	研究论文	本研究开发了一种基于卷积神经网络的机器学习模型，用于在超声心动图上自动追踪三尖瓣环，以量化右心室功能	首次提出一种全自动的机器学习模型，通过追踪三尖瓣环来评估右心室功能，无需额外成像或手动分析，具有高效率和零观察者变异性	模型在诊断性能方面（AUC 0.69-0.73）仍有提升空间，且样本量相对较小（101名患者）	开发并验证一种用于右心室功能自动量化的机器学习模型	右心室功能评估，特别是通过超声心动图追踪三尖瓣环	医学影像分析	心血管疾病	超声心动图，心脏磁共振成像	CNN	图像	101名患者的前瞻性数据，包括7791个图像帧用于训练	NA	卷积神经网络	AUC, 阴性预测值, ICC	NA
600	2026-03-29	Effects of Study Population, Labeling and Training on Glaucoma Detection Using Deep Learning Algorithms 2020-04, Translational vision science & technology IF:2.6Q2 DOI:10.1167/tvst.9.2.27 PMID:32818088	研究论文	本研究比较了独立开发的深度学习算法在眼底照片中检测青光眼的性能，并评估了将新数据整合到模型中的策略	比较了不同研究人群、标签和训练策略对深度学习算法检测青光眼性能的影响，并提出了基于相关协变量分层报告准确性的重要性	模型性能受疾病严重程度、标签、训练策略和人群特征影响，可能限制了在更广泛人群中的泛化能力	评估深度学习算法在检测青光眼方面的性能，并优化训练策略以提高跨数据集的准确性	眼底照片数据集，包括来自Diagnostic Innovations in Glaucoma Study/African Descent and Glaucoma Evaluation Study和Matsue Red Cross Hospital的数据	计算机视觉	青光眼	眼底摄影	深度学习算法	图像	来自两个独立数据集的眼底照片，具体数量未在摘要中明确说明	NA	NA	受试者工作特征曲线下面积	NA