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
681	2025-12-27	Decoding protein binding plasticity via integrated deep ribosome display and deep learning 2025-Dec-02, Communications biology IF:5.2Q1 DOI:10.1038/s42003-025-09160-y PMID:41331327	研究论文	本文介绍了一个结合深度实验筛选与深度学习的平台，用于解码蛋白质结合可塑性	开发了一个去除了所有已知核糖体终止和拯救功能的核糖体展示系统，并整合深度学习来系统探索蛋白质结合可塑性	NA	解码蛋白质结合可塑性，以理解生物网络和从头蛋白质设计	蛋白质相互作用，特别是链霉亲和素结合活性	机器学习	NA	核糖体展示	深度学习	序列数据	4780万个独特肽段	NA	NA	皮尔逊相关系数	NA
682	2025-12-27	Deep Learning-Based Image Steganography with Latent Space Embedding and Smart Decoder Selection 2025-Dec-02, Entropy (Basel, Switzerland) DOI:10.3390/e27121223 PMID:41440426	研究论文	本文提出了一种基于深度学习的图像隐写术框架，通过潜在空间嵌入和智能解码器选择，实现了安全隐蔽的数据传输	提出了自适应多编码器-解码器对框架，能够动态适应不同的秘密数据类型，并采用优化的架构和专门组件，显著提升了隐写性能和抗检测能力	未明确提及具体的数据集规模限制或计算资源需求，也未讨论在极端噪声或压缩条件下的性能表现	开发一种更安全、鲁棒且适应性强的图像隐写方法，以提升隐蔽通信的可靠性和隐私保护能力	图像隐写术，秘密数据嵌入与提取，隐写图像质量与安全性	计算机视觉	NA	深度学习	GAN, 自编码器	图像	NA	NA	自适应多编码器-解码器对	秘密恢复准确率（SRA）, 结构相似性指数（SSIM）, 峰值信噪比（PSNR）, 曲线下面积（AUC）	NA
683	2025-12-27	Imaging Diagnosis of Mild Cognitive Impairment: A Bibliometric Analysis (1999-2024) 2025-Dec, Brain and behavior IF:2.6Q3 DOI:10.1002/brb3.71144 PMID:41431290	文献计量分析	本文对轻度认知障碍影像诊断领域（1999-2024年）的研究进行了全面的文献计量分析，以揭示全球研究趋势、关键贡献者、主题集群和新兴主题	首次对长达25年的MCI影像诊断研究进行系统的文献计量分析，揭示了研究趋势从早期生物标志物和影像研究向当前人工智能和多模态成像的演变	分析仅基于Web of Science核心合集的英文出版物，可能遗漏其他语言或数据库的相关研究	阐明轻度认知障碍影像诊断领域的全球研究趋势、关键贡献者、主题集群和新兴主题	1999年至2024年间Web of Science核心合集中与MCI影像诊断相关的英文出版物	医学影像分析	阿尔茨海默病	文献计量分析	NA	文献元数据	7,568篇文章	VOSviewer, CiteSpace, R-bibliometrix	NA	NA	NA
684	2025-12-27	Developing Topics 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70861_108226 PMID:41434480	研究论文	本研究利用深度学习结合注意力机制进行海马体分割，以检测阿尔茨海默病和轻度认知障碍中的加速萎缩模式	采用轻量级深度学习方法进行海马体分割，结合统计建模实现高灵敏度检测，为大规模分析提供自动化工具	研究目前仅展示初步结果，完整队列分析仍在进行中，需要大规模验证	开发用于早期检测阿尔茨海默病和轻度认知障碍中海马体萎缩的自动化工具	阿尔茨海默病和轻度认知障碍患者	数字病理学	阿尔茨海默病	纵向T1加权MRI扫描	深度学习模型	MRI图像	计划每组150名患者，共300名患者	NA	注意力机制模型	Dice相似性分数	NA
685	2025-12-27	Public Health 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70860_100850 PMID:41434616	研究论文	本研究整合MRI成像数据和临床信息，开发了一种基于深度学习的阿尔茨海默病和轻度认知障碍分类模型	提出了一种基于DenseNet-196和交叉注意力机制的多模态分类模型，用于阿尔茨海默病和轻度认知障碍的识别	研究仅使用公开的ADNI数据集，可能缺乏外部验证和更广泛的样本多样性	开发深度学习模型以辅助阿尔茨海默病和轻度认知障碍的早期临床诊断	阿尔茨海默病患者和轻度认知障碍患者的MRI扫描图像及临床数据	数字病理学	阿尔茨海默病	MRI成像	深度学习, CNN	图像, 临床数据	使用公开的ADNI数据集，具体样本数量未明确说明	NA	DenseNet-196	准确率, 灵敏度, 特异性, F1分数, AUC	NA
686	2025-12-27	Developing Topics 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70861_108879 PMID:41434742	研究论文	本研究探讨了原发性tau蛋白病中，特定tau蛋白形式及其聚集如何影响线粒体自噬（mitophagy）在不同易感脑区和细胞类型中的变化	首次将线粒体自噬标记pS65-Ub与多种原发性tau蛋白病（如PART、PiD、PSP、CBD）中的特定tau包涵体关联，揭示了不同细胞类型中线粒体自噬的异质性变化	研究主要基于尸检脑组织，无法动态观察线粒体自噬过程；样本量有限（92例），且手动计数pS65-Ub阳性细胞可能引入主观偏差	阐明不同tau蛋白物种及其聚集对线粒体自噬的影响，以理解tau蛋白病的病理机制	92例对照和tau蛋白病病例（包括PART、PiD、PSP、CBD）的脑组织样本	数字病理学	tau蛋白病	免疫组织化学、免疫荧光共染色、深度学习图像识别	深度学习图像识别模型	图像	92例脑组织样本（包括对照和tau蛋白病病例）	NA	NA	NA	NA
687	2025-12-27	Public Health 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70860_099719 PMID:41435160	研究论文	本研究开发了一种基于Transformer架构的深度学习模型，用于预测阿尔茨海默病患者的医疗资源利用和疾病进展	首次将Transformer架构应用于阿尔茨海默病医疗资源利用和疾病进展的预测，通过将临床事件和资源使用编码为序列令牌来学习复杂的时间模式	模型在预测下一个事件令牌时的准确率约为40%，可能存在改进空间，且研究基于瑞典数据，泛化性需进一步验证	评估阿尔茨海默病新型疾病修饰疗法的成本效益和疾病进展影响，以支持决策制定和政策发展	阿尔茨海默病患者	机器学习	阿尔茨海默病	深度学习	Transformer	纵向数据，包括医疗资源使用、生物标志物和死亡率数据	基于瑞典痴呆症登记处（SveDem）的纵向数据，具体样本数量未明确说明	NA	Transformer	下一个事件令牌的预测准确率，MMSE分数的预测误差（±2分）	NA
688	2025-12-27	Basic Science and Pathogenesis 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70855_101581 PMID:41436086	研究论文	本研究利用深度学习提取的脑老化模式，在阿尔茨海默病测序项目队列中分析了脑萎缩模式与全基因组遗传变异之间的关联	首次在大型队列中系统评估了五种新近建立的脑老化模式指数（R-indices）与诊断组及全基因组遗传因素的关联，为神经退行性变的异质性提供了新的遗传学见解	研究样本主要来自阿尔茨海默病测序项目，可能限制了结果在其他人群中的普适性；横断面设计难以推断因果关系	探索与脑老化相关的脑萎缩模式及其遗传基础，以理解神经退行性变的异质性	阿尔茨海默病测序项目中的2401名参与者（包括认知正常、轻度认知障碍和阿尔茨海默病患者）	数字病理学	阿尔茨海默病	全基因组测序，T1加权磁共振成像	深度学习（具体模型未在摘要中指定）	影像数据（区域脑体积），基因组数据	2401名受试者（年龄72.75±9.08岁，54.07%为女性）	NA	NA	Cohen's d（效应量），p值	NA
689	2025-12-27	Basic Science and Pathogenesis 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70855_100741 PMID:41436073	研究论文	提出一种能够处理不完整多组学数据的阿尔茨海默病预测方法，通过特征重要性分析识别关键生物标志物	开发了一种新型模型，能够有效整合不完整的多组学数据，防止模态塌陷，并通过特征重要性分析验证生物标志物	未明确说明模型在外部验证集上的泛化能力或计算效率的具体限制	整合多组学数据以预测阿尔茨海默病并识别相关生物标志物	来自ROSMAP等大型联盟数据库的多组学数据样本	机器学习	阿尔茨海默病	多组学数据整合	深度学习模型	多组学数据	未明确指定具体样本数量，但提及使用完整和不完整多组学样本进行训练	未明确指定，可能为PyTorch或TensorFlow	包含编码器、聚合器和预测器的自定义架构	准确率	NA
690	2025-12-27	Basic Science and Pathogenesis 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70855_102546 PMID:41436381	研究论文	本文介绍了韩国为推进阿尔茨海默病研究而建立的试验就绪注册表和K-Dementia平台，旨在通过标准化和整合痴呆相关数据集来识别潜在治疗靶点和生物标志物	开发了最小通用数据集和基于SNOMED-CT的标准化模型，并创建了集中式数据库系统与AWS集成的云平台，以支持安全的数据分析和全球协作	NA	通过标准化和整合痴呆相关数据集，识别阿尔茨海默病的潜在治疗靶点和生物标志物，以推进该领域的研究	阿尔茨海默病患者及痴呆相关临床数据与生物样本	数字病理学	阿尔茨海默病	临床评估、认知评估、磁共振成像、Florbetaben-PET、Flutemetamol-PET、血液检测	深度学习	临床数据、影像数据、血液样本数据	试验就绪注册表目标招募3000名参与者，截至2024年12月已招募超过2000名；K-Dementia平台回顾性收集了超过10000个数据集	NA	NA	NA	AWS云平台
691	2025-12-27	Basic Science and Pathogenesis 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70855_102535 PMID:41436748	研究论文	本研究利用单核RNA测序和空间表观基因组学，结合深度神经网络框架，探索了环状RNA在阿尔茨海默病中的调控机制及其表观转录组修饰的作用	开发了定制化的深度神经网络模型CircEpiNet，首次整合单核RNA测序与空间表观基因组学数据，系统识别并验证了阿尔茨海默病中具有显著表观转录组修饰的环状RNA及其分子功能影响	研究主要基于已公开的脑组织数据集，样本量相对有限，且模型预测结果仍需在更大队列或实验模型中进一步验证	探究环状RNA及其表观转录组修饰在阿尔茨海默病发病机制中的作用，识别潜在的分子调控网络和治疗靶点	阿尔茨海默病患者脑组织样本中的环状RNA、表观转录组修饰（如m6A、m5C）以及相关的神经元与胶质细胞功能	机器学习	阿尔茨海默病	单核RNA测序（snRNA-seq）、空间表观基因组学	深度神经网络（DNN）	RNA测序数据、表观基因组数据	107个脑样本和377个组织切片，来源于皮质灰质、白质和海马区域	NA	CircEpiNet（定制化DNN模型）	AUROC	NA
692	2025-12-27	Automated Guava Disease Detection Using Transfer Learning With ResNet-101 2025-Dec, Food science & nutrition IF:3.5Q2 DOI:10.1002/fsn3.71348 PMID:41438181	研究论文	本文探讨了使用深度学习和迁移学习（基于ResNet-101）来自动化检测番石榴疾病的方法	利用ResNet-101进行迁移学习，无需手动提取特征，直接处理原始图像信息，实现了高效准确的分类，并采用Grad-CAM可视化增强模型的可解释性	未明确提及模型在更广泛农业环境或不同光照、背景条件下的泛化能力，以及计算资源需求的具体细节	开发一个自动化的番石榴疾病检测系统，以替代耗时且易出错的人工检查方法	番石榴植物的图像，具体针对炭疽病、果蝇侵害和健康状态三类	计算机视觉	植物疾病（番石榴疾病）	深度学习，迁移学习，数据增强（如图像变换）	CNN	图像	原始3784张图像，经数据增强后生成4632张图像，均匀分布在炭疽病、果蝇侵害和健康三类中	未明确指定，但基于ResNet-101，可能使用TensorFlow或PyTorch	ResNet-101	准确率，误分类率，特异性，召回率，精确率，阴性预测值，假阳性率，假阴性率，F1分数	未明确指定GPU类型或云平台，仅提及使用深度学习技术
693	2025-12-27	Interpretable deep learning for depression detection in neurological patients using EEG signals 2025-Dec, MethodsX IF:1.6Q2 DOI:10.1016/j.mex.2025.103736 PMID:41438403	研究论文	提出了一种基于EEG信号的可解释深度学习框架，用于神经科患者的抑郁症客观检测	将EEG特征与可解释人工智能结合，在保持高准确率的同时提供诊断透明度，并识别出具有临床意义的EEG生物标志物	研究样本仅限于神经科患者（232人），未涉及更广泛的人群	开发客观、可解释的抑郁症检测工具以辅助临床决策	神经科患者的EEG信号	机器学习	抑郁症	EEG信号分析	深度学习	EEG信号	232名神经科患者	NA	轻量级深度学习模型	分类准确率	NA
694	2025-12-27	Basic Science and Pathogenesis 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70855_103323 PMID:41439280	研究论文	本文开发了脑细胞类型特异性非编码变异预测评分和一种新颖的罕见变异测试方法，应用于阿尔茨海默病全基因组测序数据，以识别新的疾病相关基因和调控元件	开发了脑细胞类型特异性非编码变异预测评分，结合剪接和增强子/启动子效应，并引入了一种贝叶斯概率模型来改进罕见变异发现	NA	研究罕见遗传变异在阿尔茨海默病中的作用，提高全基因组罕见变异关联测试的识别能力	阿尔茨海默病病例和对照的全基因组测序数据	机器学习	阿尔茨海默病	全基因组测序, RNA-seq, MPRA	深度学习模型	基因组测序数据, RNA-seq数据	7,966例阿尔茨海默病病例和13,412例对照	NA	NA	PR-AUC, ROC-AUC	NA
695	2025-12-27	Basic Science and Pathogenesis 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70855_104990 PMID:41439656	研究论文	本研究评估了APOE基因型对海马体体积与记忆表现关联的调节作用，并考虑了性别、种族和临床诊断的影响	首次在多队列大样本中系统评估APOE基因型（包括ε2和ε4等位基因）与海马体体积对记忆表现的交互作用，并纳入性别、种族和临床诊断的三维交互分析	研究样本以非西班牙裔白人为主（81%），可能限制结果对其他种族群体的普适性；采用横断面设计，因果推断能力有限	探究APOE基因型如何调节海马体体积与记忆表现的关联，并分析性别、种族和临床诊断的修饰效应	6,895名老年人（平均年龄75.2岁），包括阿尔茨海默病患者、轻度认知障碍者和认知正常者	神经科学	阿尔茨海默病	MRI脑成像、深度学习海马分割、潜在变量建模	线性回归模型、混合效应回归模型	神经影像数据（海马体积）、认知评估数据（记忆综合分数）、遗传数据（APOE基因型）、人口学数据	6,895名参与者，来自ADNI、NACC、ROS/MAP/MARS、WRAP四个老龄化与AD研究队列	深度学习MUSE（用于MRI处理）	NA	p值、R²（解释方差）、R²c（条件R²）、R²m（边际R²）	NA
696	2025-12-27	Biomarkers 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70856_096538 PMID:41440370	研究论文	本研究提出了一种基于自然语言处理技术的序列框架，利用结构磁共振成像数据对轻度认知障碍转化者与非转化者进行分类	提出了一种受自然语言处理启发的序列框架，采用基于层自适应正弦激活函数的双向循环神经网络，以捕获MRI切片间的时空关系，解决了传统2D和3D CNN在空间相关性检测和计算效率上的不足	研究样本量相对较小（187名受试者），且仅基于ADNI数据库，可能限制模型的泛化能力	早期诊断轻度认知障碍，以延缓痴呆症进展	轻度认知障碍转化者与非转化者	数字病理学	老年疾病	结构磁共振成像	BiRNN	图像	187名受试者（75名MCI转化者，112名MCI非转化者）	NA	基于层自适应正弦激活函数的双向循环神经网络	准确率	NA
697	2025-12-27	Biomarkers 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70856_096669 PMID:41440996	研究论文	本研究开发了一种基于YOLOv8架构的自动化内侧颞叶萎缩分级工具，用于阿尔茨海默病的早期诊断和疾病进展评估	结合EfficientViT骨干网络和自定义自适应滑动损失函数，提升了内侧颞叶萎缩分级的准确性和泛化能力	研究主要基于ADNI数据库和本地记忆诊所数据，可能未涵盖所有临床场景或人群多样性	通过人工智能算法消除内侧颞叶萎缩分级中的评估者间变异性，实现自动化分级	阿尔茨海默病患者的内侧颞叶结构	计算机视觉	阿尔茨海默病	MRI成像	CNN	图像	1524例（来自ADNI数据库和本地记忆诊所）	PyTorch	YOLOv8, EfficientViT, Faster R-CNN, Mask R-CNN, U-Net	组内相关系数, 准确率	NA
698	2025-12-27	AgentMol: Multi-Model AI System for Automatic Drug-Target Identification and Molecule Development 2025-Dec-01, Methods and protocols IF:2.3Q3 DOI:10.3390/mps8060143 PMID:41441186	研究论文	介绍了一个名为AgentMol的多模型AI系统，用于自动识别药物靶点并开发分子	整合了大型语言模型、化学语言建模和基于深度学习的亲和力预测，实现了从疾病查询到候选药物生成与评估的端到端自动化流程	未明确提及系统在真实世界药物发现中的验证或临床前测试结果	加速早期药物发现中的靶点识别和化合物开发过程	药物靶点（蛋白质）和小分子候选药物	机器学习	NA	NA	大型语言模型, GPT-2, 卷积神经网络	文本（疾病查询、蛋白质序列）, 化学结构（SMILES格式）	470,560个配体-蛋白质对（来自BindingDB数据库）	LangGraph	GPT-2, RCNN（回归卷积神经网络）	有效性, 独特性, 多样性, R值, 皮尔逊相关系数	NA
699	2025-12-27	Biomarkers 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70856_099645 PMID:41442165	研究论文	本研究开发了一种基于深度学习的模型，用于在数据不平衡的情况下自动分割脑腔隙（推测为血管源性），并有效区分其与类似腔隙的特征	采用基于监督对比学习的预训练编码器的Attention U-Net架构，处理高度不平衡的数据集	研究仅使用单一中心的427例T2-FLAIR MRI图像，缺乏多中心外部验证	开发自动分割脑腔隙的深度学习模型，以评估其与认知衰退和淀粉样蛋白相关成像异常（ARIA）风险的关系	来自Asan Medical Center的427例T2-FLAIR MRI图像中的脑腔隙	数字病理学	脑血管疾病	T2-FLAIR MRI	深度学习	图像	427例T2-FLAIR MRI图像（训练、验证、测试集按3:1:1划分）	NA	Attention U-Net	AFROC分析，FOM，AUC，敏感性	NA
700	2025-12-27	Biomarkers 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70856_097891 PMID:41442195	研究论文	本文开发了一种基于深度学习的扫描仪不变性脑年龄模型，用于衰老和痴呆研究，通过结合直方图匹配和扫描仪类型作为输入，减少扫描仪差异对脑年龄预测的影响	创新点包括将直方图匹配和扫描仪类型作为DenseNet模型的输入，以降低扫描仪间的预测差异，实现扫描仪不变的纵向脑年龄估计	研究样本主要来自单一机构（梅奥诊所），且测试集限于MCI参与者，可能限制模型的泛化能力	开发深度学习为基础的扫描仪不变性脑年龄模型，以支持衰老和痴呆研究中的纵向跟踪，克服扫描仪变化带来的障碍	研究对象包括认知未受损参与者、轻度认知障碍参与者和痴呆参与者，使用T1扫描图像进行脑年龄预测	数字病理学	老年疾病	T1扫描，PiB-PET	深度学习	图像	3374名认知未受损参与者，其中863名为CU-noVAβ子集，453名MCI参与者作为测试集，113名参与者用于跨厂商测试	NA	DenseNet	平均绝对误差，脑年龄差距	NA