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
601	2026-05-19	AlphaFold predictions of fold-switched conformations are driven by structure memorization 2024-08-24, Nature communications IF:14.7Q1 DOI:10.1038/s41467-024-51801-z PMID:39181864	研究论文	测试AlphaFold在预测折叠转换蛋白构象方面的能力，发现其预测能力较弱且部分成功源于结构记忆而非学习到的能量特性	首次系统评估AlphaFold对折叠转换蛋白的预测能力，揭示其通过记忆训练集结构而非学习物理能量学实现部分成功预测	AlphaFold对折叠转换蛋白的预测成功率仅35%，且主要限于训练集中存在的蛋白；对训练集外蛋白几乎完全失败；置信度指标无法区分高低能量构象；存在结构信息记忆和共进化约束错误分配问题	评估AlphaFold模型预测折叠转换蛋白（形成两种不同二级/三级结构区域）构象的能力及其机理	折叠转换蛋白（fold-switching proteins）	机器学习	NA	深度学习结构预测（AlphaFold2/3）	AlphaFold（深度神经网络）	蛋白质序列与结构数据	超过56万个模型（AF2和AF3的多种实现）	NA	AlphaFold2, AlphaFold3	成功率（35%）、置信度指标	NA
602	2026-05-19	Deconvolution of polygenic risk score in single cells unravels cellular and molecular heterogeneity of complex human diseases 2024-May-14, bioRxiv : the preprint server for biology DOI:10.1101/2024.05.14.594252 PMID:38798507	研究论文	介绍scPRS，一个几何深度学习模型，通过单细胞染色质可及性数据构建单细胞层面多基因风险评分，用于复杂疾病预测和生物学发现	首次将多基因风险评分降维至单细胞层面，结合几何深度学习解析疾病细胞异质性和分子机制	未明确说明局限性，可能依赖于参考单细胞染色质数据质量及计算资源需求	开发单细胞分辨率的PRS方法，增强复杂疾病的遗传风险预测和生物学机制理解	2型糖尿病、肥厚性心肌病和阿尔茨海默病的单细胞数据	机器学习	2型糖尿病, 肥厚性心肌病, 阿尔茨海默病	单细胞ATAC测序, 多组学分析	几何深度学习模型	单细胞染色质可及性数据、多组学数据	NA	NA	scPRS	预测能力	NA
603	2026-05-19	Opportunities for Improving Glaucoma Clinical Trials via Deep Learning-Based Identification of Patients with Low Visual Field Variability 2024 May-Jun, Ophthalmology. Glaucoma DOI:10.1016/j.ogla.2024.01.005 PMID:38296108	研究论文	开发深度学习模型预测低视野变异性的青光眼患者，并评估其对神经保护试验样本量的影响	首次利用深度学习模型从单次基线临床访问数据预测低视野变异性，并证明其可显著减少临床试验所需样本量	未提及模型在实际临床试验中的验证，可能存在外部有效性限制	评估深度学习模型在识别低视野变异性患者中的作用，以及降低青光眼临床试验样本量的潜力	青光眼患者的视野变异性和临床试验样本量	医疗影像	青光眼	NA	深度学习模型	视野测量数据、OCT图像、临床数据	2817只眼（每位患者一只眼）	NA	NA	受试者工作特征曲线下面积（AUC）	NA
604	2026-05-19	LEARNING SPATIALLY-CONTINUOUS FIBER ORIENTATION FUNCTIONS 2024-May, Proceedings. IEEE International Symposium on Biomedical Imaging DOI:10.1109/isbi56570.2024.10635838 PMID:42148456	研究论文	提出一种名为FENRI的新方法，从低分辨率扩散加权图像中学习空间连续的纤维取向分布函数，以提升纤维追踪的准确性	首次提出学习空间连续纤维取向分布函数的方法，满足纤维追踪对连续场的需求，并引入新的模拟数据集用于评估基于学习的纤维追踪模型	未提及，可能包括对计算资源的要求或需要在临床数据上进一步验证	解决低分辨率扩散MRI中纤维追踪因插值方法导致精度不足的问题	人脑连接组中的神经通路纤维方向	机器学习	NA	扩散磁共振成像	神经网络	图像	NA	NA	FENRI	NA	NA
605	2026-05-19	Deep Learning Classification of Angle Closure based on Anterior Segment OCT 2024 Jan-Feb, Ophthalmology. Glaucoma DOI:10.1016/j.ogla.2023.06.011 PMID:37437884	研究论文	评估卷积神经网络模型在前段OCT图像中识别原发性闭角型疾病及其阶段分化的性能和泛化能力	首次利用深度学习模型在多中心、跨国数据上系统评估了前段OCT图像中闭角型疾病的自动分类性能，并验证了模型在不同人群间的泛化能力	模型在区分PACS与PAC+PACG时表现中等，泛化能力下降	评估CNN模型用于客观、高通量识别原发性闭角型疾病及其阶段分化	前段OCT图像中的原发性闭角型疾病（PACD）	计算机视觉	闭角型青光眼	OCT	CNN	图像	中国两个中心841只眼（170只对照，488只PACS，183只PAC+PACG）和新加坡测试集300只眼	NA	CNN	AUC, precision, recall	NA
606	2026-05-19	AlphaFold2 has more to learn about protein energy landscapes 2023-Dec-13, bioRxiv : the preprint server for biology DOI:10.1101/2023.12.12.571380 PMID:38168383	研究论文	测试AlphaFold2对折叠转换蛋白能量景观的预测能力，发现其成功率有限，且置信度指标无法区分低能和高能状态	系统评估了AlphaFold2在预测折叠转换蛋白多种构象方面的局限性，揭示了深度学习模型在理解蛋白质能量景观方面的不足	AF2对折叠转换蛋白的预测成功率仅约25%，置信度指标偏向不一致模型，且对新靶标的替代构象无预测能力	评估AlphaFold2在蛋白质能量景观（特别是折叠转换蛋白）上的预测极限	93个已知折叠转换蛋白（训练集内）和7个新靶标（训练集外）	机器学习	NA	深度学习	AlphaFold2	蛋白质结构数据	训练集内93个蛋白生成超280,000个模型；训练集外7个蛋白生成超159,000个模型	NA	AlphaFold2	成功率约25%，置信度指标	NA
607	2026-05-19	AI-based assessments of speech and language impairments in dementia 2023-10, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz.13395 PMID:37578167	综述	综述了基于机器学习与深度学习算法利用语音和文本数据集开发痴呆症评估工具的研究	聚焦人工智能在痴呆症早期检测中利用语音和语言障碍评估的最新进展，强调系统在临床快速准确识别患者中的应用	未明确提及具体局限性，但综述可能受限于现有研究的样本异质性和算法泛化能力	综述利用机器学习与深度学习算法分析语音和语言数据开发痴呆症评估工具的研究	痴呆症患者的语音和语言数据	自然语言处理	痴呆症	NA	机器学习, 深度学习	语音, 文本	未提及	NA	NA	NA	NA
608	2026-05-19	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的架构用于全切片图像分类	创新地结合图神经网络与视觉Transformer处理病理全切片，并引入基于图的显著性映射技术GraphCAM实现可解释性	未提及计算资源消耗及多中心数据泛化性验证	开发能够利用全局切片级信息的高精度肺癌亚型分类方法	肺腺癌、肺鳞癌及正常组织的全切片病理图像	数字病理	肺癌	全切片成像	图Transformer	病理图像	4818张全切片图像（来自CPTAC、NLST、TCGA数据集）	PyTorch	图神经网络、Vision Transformer	准确率	NA
609	2026-05-19	Detection of dementia on voice recordings using deep learning: a Framingham Heart Study 2021-08-31, Alzheimer's research & therapy DOI:10.1186/s13195-021-00888-3 PMID:34465384	研究论文	利用深度学习从语音录音中检测痴呆症——基于弗明汉心脏研究	首次在社区队列环境中，利用深度学习模型（LSTM和CNN）自动分析神经心理学测试的语音录音，实现痴呆症的筛查	研究为概念验证性质，模型性能尚需提升，且仅使用单一队列的数据，可能需要外部验证	开发可靠、经济且易于使用的痴呆症检测策略，特别是通过自动化分析语音录音来评估认知功能	弗明汉心脏研究（FHS）中的参与者语音录音，包括正常认知、轻度认知障碍和痴呆症三种情况	机器学习	痴呆症	语音记录	LSTM, CNN	音频	1264份语音录音（483份正常认知，451份轻度认知障碍，330份痴呆症）	NA	两层LSTM网络，卷积神经网络（CNN）	AUC, 平衡准确率, 加权F1分数	NA
610	2026-05-18	AI model using CT-based imaging biomarkers to predict hepatocellular carcinoma in patients with chronic hepatitis B 2025-06, Journal of hepatology IF:26.8Q1 DOI:10.1016/j.jhep.2024.12.029 PMID:39710148	研究论文	开发基于CT影像生物标志物的人工智能模型，用于预测慢性乙型肝炎患者的肝细胞癌风险	整合深度学习CT自动分割软件提取的影像生物标志物与临床变量，提出PLAN-B-DF模型，显著优于仅基于临床数据的传统预测模型	未提及具体限制，但可能包括对CT图像质量依赖性强、外部验证队列的中位随访时间较短	开发并验证基于CT影像生物标志物的人工智能肝细胞癌风险预测模型	慢性乙型肝炎患者的肝细胞癌风险预测	机器学习	肝细胞癌	CT自动分割（DeepFore软件），梯度提升机算法	梯度提升机	图像（CT影像）和临床数据	训练和内部验证集5,585例，外部验证集2,883例慢性乙型肝炎患者	NA	梯度提升机	c-index, Hosmer-Lemeshow检验	NA
611	2026-05-18	Development and Validation of Multiparametric MRI-based Interpretable Deep Learning Radiomics Fusion Model for Predicting Lymph Node Metastasis and Prognosis in Rectal Cancer: A Two-center Study 2025-05, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.11.045 PMID:39638641	研究论文	开发并验证基于多参数MRI的可解释深度学习影像组学融合模型，用于预测直肠癌淋巴结转移和预后	结合深度学习特征和影像组学特征构建融合模型，并使用SHAP工具增强模型可解释性，提升放射科医师的诊断性能	未明确说明	开发可解释的机器学习模型，利用多参数MRI的深度学习和影像组学特征预测直肠癌术前淋巴结转移	直肠癌患者	数字病理学	直肠癌	多参数磁共振成像	深度学习模型	影像	286名来自中心1（训练集）和66名来自中心2（外部测试集）的癌症患者	NA	MobileNet-V3-large, Inception-V3, ResNet50, VGG16	AUC	NA
612	2026-05-18	Deep Learning for Contrast Enhanced Mammography - A Systematic Review 2025-05, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.11.035 PMID:39643464	综述	系统综述深度学习在对比增强乳腺摄影中的应用	首次系统综述深度学习在对比增强乳腺摄影中的应用，总结了模型在病变分类、检测和分割方面的性能	研究数量较少，大多数为回顾性研究，缺乏前瞻性临床验证	探讨深度学习如何提升对比增强乳腺摄影的诊断潜力	对比增强乳腺摄影图像中的病变（分类、检测、分割）	计算机视觉、医学影像分析	乳腺癌	对比增强乳腺摄影	卷积神经网络，注意力机制	医学影像	16项相关研究，时间跨度2018至2024年	NA	CNN, 注意力机制模型	AUC, 准确率	NA
613	2026-05-18	SMART: Development and Application of a Multimodal Multi-organ Trauma Screening Model for Abdominal Injuries in Emergency Settings 2025-05, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.11.056 PMID:39690074	研究论文	构建用于腹部创伤的多模态多器官创伤筛查模型SMART，整合非增强CT与文本数据，提升急诊诊断效率	首次将非增强CT影像与GPT-4文本嵌入进行多模态融合，构建急诊腹部创伤筛查模型，并显著缩短等待时间	研究样本来自单中心，且未详细说明模型在低资源环境或不同类型创伤中的泛化能力	通过深度学习构建多模态腹部创伤诊断模型，提升急诊中实体器官损伤的评估速度和准确性	腹部创伤患者	计算机视觉, 自然语言处理, 机器学习	腹部创伤	非增强CT, 文本数据	DenseNet, nnU-Net, GPT-4	影像, 文本	2638名患者（459例阳性，2179例阴性腹部创伤病例），其中1006名患者用于测试（1632个真实连续数据点）	PyTorch, GPT-4 API	DenseNet121, nnU-Net, GPT-4嵌入	敏感性, AUC	NA
614	2026-05-18	Interpretable Deep-learning Model Based on Superb Microvascular Imaging for Noninvasive Diagnosis of Interstitial Fibrosis in Chronic Kidney Disease 2025-05, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.11.067 PMID:39690075	研究论文	基于超微血管成像的可解释深度学习模型用于非侵入性诊断慢性肾脏病中的间质纤维化程度	首次开发基于超微血管成像的可解释深度学习模型，并利用SHAP方法生成饼图和热力图增强模型可解释性，揭示有助于诊断的图像区域	NA	开发基于超微血管成像的可解释深度学习模型，用于非侵入性诊断慢性肾脏病中间质纤维化程度	慢性肾病患者	数字病理	慢性肾病	超微血管成像、二维超声、超声影像组学、彩色多普勒超声	深度学习模型	图像	365例慢性肾病患者	NA	NA	AUC	NA
615	2026-05-18	The Quality and Accuracy of Radiomics Model in Diagnosing Osteoporosis: A Systematic Review and Meta-analysis 2025-05, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.11.065 PMID:39701845	meta分析	对放射组学模型诊断骨质疏松症的质量与准确性进行系统综述和荟萃分析	首次通过荟萃分析评估放射组学模型诊断骨质疏松症的整体性能，并对比不同影像模态和算法（如CT与深度学习）的异质性来源	纳入研究平均RQS评分仅为31.89%，提示放射组学研究方法学质量较低；不同影像模态构模型可能是异质性的来源	评估当前放射组学模型诊断骨质疏松症的诊断性能及研究质量	放射组学模型用于诊断骨质疏松症的相关研究	机器学习	骨质疏松症	放射组学	深度学习算法	医学影像（CT等）	24项研究共计1553名骨质疏松症患者和2200名非骨质疏松症患者	NA	NA	诊断优势比, 灵敏度, 特异性, AUC	NA
616	2026-05-18	Deep Learning Model for the Differential Diagnosis of Nasal Polyps and Inverted Papilloma by CT Images: A Multicenter Study 2025-05, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.12.011 PMID:39730250	研究论文	利用深度学习模型基于CT影像区分鼻息肉与内翻性乳头状瘤的多中心研究	首次评估3D Xception模型在CT影像上区分鼻息肉与内翻性乳头状瘤的性能，并整合蛋白质组学分析以解释模型的生物学基础	未提及具体限制	探索深度学习模型区分鼻息肉与内翻性乳头状瘤的可行性	鼻息肉和内翻性乳头状瘤患者的CT影像	计算机视觉	鼻部良性肿瘤（鼻息肉和内翻性乳头状瘤）	CT影像	深度学习模型（3D ResNet、3D Xception、HRNet）	CT图像	来自两家医院的1791名鼻部良性肿瘤患者（训练集、内部测试集和外部测试集），其中70例进行蛋白质组学分析	NA	3D ResNet、3D Xception、HRNet	受试者工作特征曲线下面积、准确率、敏感性、特异性	NA
617	2026-05-18	Multimodal Deep Learning Fusing Clinical and Radiomics Scores for Prediction of Early-Stage Lung Adenocarcinoma Lymph Node Metastasis 2025-05, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.12.018 PMID:39730249	研究论文	开发并验证一种基于CT影像和临床知识的多模态深度学习模型，用于预测早期肺腺癌淋巴结转移	提出基于InceptionResNetV2架构的多模态特征融合深度学习网络，有效整合临床特征、放射组学特征和影像特征，显著提升预测性能	未明确说明	建立多模态深度学习模型以准确预测早期肺腺癌淋巴结转移	724例经病理证实的早期浸润性肺腺癌患者	计算机视觉, 数字病理学	肺腺癌	CT影像, 放射组学特征提取	深度学习多模态融合网络, InceptionResNetV2	影像图像, 临床特征数据	724例患者（训练集418例，内部验证集106例，独立测试集200例）	NA	InceptionResNetV2	AUC, 灵敏度, 平均精确率	NA
618	2026-05-18	Multi-Energy Evaluation of Image Quality in Spectral CT Pulmonary Angiography Using Different Strength Deep Learning Spectral Reconstructions 2025-05, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.11.049 PMID:39732618	研究论文	评估不同强度的深度学习谱重建在双能CT肺血管造影中对虚拟单色图像质量的影响	首次比较标准与强深度学习谱重建在不同能量水平下对肺血管图像质量的提升效果	未提及具体限制	评估和比较不同能量水平的虚拟单色图像在使用标准与强深度学习谱重建时的图像质量	70名接受双能CT肺血管造影的患者（15例肺栓塞阳性，55例阴性）	数字病理学	肺栓塞	双能CT, 深度学习谱重建	深度学习谱重建	CT图像	70名患者	NA	深度学习谱重建	信号噪声比, 对比噪声比, 主观图像质量评分	NA
619	2026-05-18	Radiomics and Deep Learning Model for Benign and Malignant Soft Tissue Tumors Differentiation of Extremities and Trunk 2025-05, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.12.026 PMID:39753479	研究论文	基于脂肪饱和T2加权成像开发放射组学和深度学习模型，用于术前区分四肢和躯干软组织肿瘤的良恶性	结合放射组学特征和3D ResNet深度学习特征，构建融合模型（DLR），并在外部验证集上取得高AUC值（0.9410），实现非侵入性、低成本的术前诊断	样本量较小（训练集115例、外部验证集70例），且仅基于单序列脂肪抑制T2WI数据，可能限制模型泛化能力	建立术前区分良恶性软组织肿瘤的放射组学与深度学习模型	四肢和躯干软组织肿瘤患者	数字病理	软组织肿瘤	脂肪饱和T2加权成像	深度学习（3D ResNet）和机器学习算法	磁共振成像	训练集115例患者，外部验证集70例患者	PyTorch, Scikit-learn	3D ResNet	AUC, 决策曲线分析, 校准曲线	NA
620	2026-05-18	Development and Validation of an AI-Based Multimodal Model for Pathological Staging of Gastric Cancer Using CT and Endoscopic Images 2025-05, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.12.029 PMID:39753481	研究论文	开发并验证一种基于人工智能的多模态模型，利用CT和内镜图像实现胃癌术前病理分期	采用堆叠集成方法融合CT影像深度学习模型、CT手工放射组学特征机器学习模型以及内镜图像深度学习特征模型，构建多模态集成模型，显著提升胃癌术前分期性能	数据来源于单中心回顾性研究，可能存在选择偏倚；数据因伦理原因未公开，限制外部验证	开发并验证一种基于深度学习与放射组学的多模态模型，提高胃癌术前病理分期的准确性	胃癌患者的增强静脉期CT图像、内镜图像及术后病理结果	计算机视觉	胃癌	CT增强扫描、内镜检查	深度学习模型、机器学习算法、集成模型	CT图像、内镜图像	691名胃癌患者（2017年3月至2024年3月治疗）	PyTorch	DeepCT深度学习模型（9种架构，未具体说明）、ResNet-50、堆叠集成模型	ROC-AUC、敏感性、特异性	NA