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
7501	2026-06-26	Enhancing Molecular Network-Based Cancer Driver Gene Prediction Using Machine Learning Approaches: Current Challenges and Opportunities 2025-01, Journal of cellular and molecular medicine IF:4.3Q2 DOI:10.1111/jcmm.70351 PMID:39804102	综述	综述旨在全面探讨机器学习方法（特别是网络传播、图神经网络、自动编码器、图嵌入和注意力机制）如何增强基于分子网络的癌症驱动基因预测的可扩展性和可解释性	系统评估了深度学习（尤其是基于图的模型）在分子网络基础上预测癌症驱动基因方面的最新进展和机遇	该综述强调了当前挑战但未提供具体的实验验证或性能比较	探索机器学习方法在基于分子网络的癌症驱动基因预测中的应用，以提高可扩展性和可解释性	癌症驱动基因	机器学习	癌症	NA	图神经网络、自动编码器、图嵌入、注意力机制	分子网络数据、蛋白质-蛋白质相互作用网络、突变数据	NA	NA	网络传播模型、图神经网络、自动编码器、图嵌入、注意力机制	NA	NA
7502	2026-06-26	A computational deep learning investigation of animacy perception in the human brain 2024-12-31, Communications biology IF:5.2Q1 DOI:10.1038/s42003-024-07415-8 PMID:39741161	研究论文	通过深度学习模型探讨人类对动物感知的神经机制，特别是对类动物物体的“动物偏差”	首次在深度神经网络中成功诱导出人类特有的动物偏差，并证明该偏差可通过特定训练方法复现	未探讨其他物种的动物感知机制，且模型训练数据可能无法完全模拟人类真实感知环境	探究人类大脑对动物类物体感知偏差的计算机制	动物类物体（类动物形状的物体）及深度神经网络	机器学习	NA	深度学习神经网络训练	深度神经网络（DNNs）	图像数据	NA	NA	NA	NA	NA
7503	2026-06-26	Annotating protein functions via fusing multiple biological modalities 2024-12-27, Communications biology IF:5.2Q1 DOI:10.1038/s42003-024-07411-y PMID:39730886	研究论文	提出MIF2GO方法，通过融合多种生物模态数据注释蛋白质功能	首次提出三步融合多达六种不同生物层次模态的流程，生成高质量蛋白质表征，同时解决稀疏标签导致的次优解收敛问题	NA	通过多模态数据融合提升蛋白质功能注释的准确性和泛化能力	蛋白质功能预测与基因本体术语推断	机器学习	NA	NA	深度学习模型	多模态生物数据（序列、结构、相互作用等）	七个基准数据集	NA	NA	NA	NA
7504	2026-06-26	Improved enzyme functional annotation prediction using contrastive learning with structural inference 2024-12-23, Communications biology IF:5.2Q1 DOI:10.1038/s42003-024-07359-z PMID:39715863	研究论文	提出了一个结合对比学习和结构推理的酶功能注释预测框架CLEAN-Contact	首次将蛋白质氨基酸序列与接触图两种模态通过对比学习融合，填补了单一模态方法的空白	未明确提及局限性	提升酶功能预测的准确性	酶的功能注释	机器学习	NA	对比学习，结构推理	对比学习框架	蛋白质氨基酸序列，接触图	多个基准数据集，Prochlorococcus marinus MED4的蛋白质组	PyTorch	NA	准确性	NA
7505	2026-06-26	A deep learning framework deploying segment anything to detect pan-cancer mitotic figures from haematoxylin and eosin-stained slides 2024-12-19, Communications biology IF:5.2Q1 DOI:10.1038/s42003-024-07398-6 PMID:39702417	研究论文	提出一个名为OMG-Net的深度学习框架，用于在H&E染色的全切片图像中检测泛癌有丝分裂像	构建迄今为止最大的有丝分裂像数据集（74,620个），并采用Segment Anything模型自动勾画细胞轮廓的两阶段框架，在泛癌检测中优于现有模型	未提及具体限制	开发人工智能方法自动检测有丝分裂像，提高癌症分级准确性和效率	有丝分裂像（分裂中细胞）在H&E染色全切片图像中的检测	数字病理学	泛癌（包括乳腺癌、神经内分泌肿瘤、黑色素瘤）	H&E染色	深度学习（CNN）	图像（全切片图像）	74,620个有丝分裂像样本，结合内部软组织肿瘤数据集与五个开源数据集	PyTorch	Segment Anything Model, ResNet18	F1分数	NA
7506	2026-06-26	Machine Learning and Omics Analysis in Aortic Aneurysm 2024 Nov-Dec, Angiology IF:2.6Q2 DOI:10.1177/00033197231206427 PMID:37817423	综述	总结机器学习与深度学习在主动脉瘤组学分析中的最新进展，用于解析病理生理机制并开发个性化风险预测模型	系统综述了机器学习/深度学习在主动脉瘤组学数据分析中的应用，强调其在多组学数据整合和风险预测建模中的潜力	目前仅有少数研究报道了机器学习/深度学习在主动脉瘤组学分析中的实际应用	总结机器学习/深度学习在主动脉瘤组学分析中的最新进展，讨论当前局限并展望未来方向	主动脉瘤的组学数据（基因组学、转录组学、蛋白质组学等）	机器学习	主动脉瘤	NA	机器学习、深度学习	组学数据	NA	NA	NA	NA	NA
7507	2026-06-26	A deep-learning-based framework for identifying and localizing multiple abnormalities and assessing cardiomegaly in chest X-ray 2024-02-14, Nature communications IF:14.7Q1 DOI:10.1038/s41467-024-45599-z PMID:38355644	研究论文	基于深度学习框架，实现胸部X光片中多异常识别定位与心脏肥大评估	创建了包含165,988张胸片和253,844个边界框的大型数据集CXR-AL14，并开发了同时识别14种常见异常和计算心胸比的深度学习框架，性能优于资深放射科医生	NA	开发一个能够准确识别和定位多种异常并计算心胸比的深度学习框架，以支持临床胸部X光解读	胸部X光片中的14种常见异常和心脏肥大评估	计算机视觉	心血管疾病	X光成像	CNN	图像	165,988张胸部X光片，包含253,844个边界框	NA	NA	平均精度均值, 组内相关系数	NA
7508	2026-06-26	Urban Air-Quality Estimation Using Visual Cues and a Deep Convolutional Neural Network in Bengaluru (Bangalore), India 2024-01-09, Environmental science & technology IF:10.8Q1 DOI:10.1021/acs.est.3c04495 PMID:38104325	研究论文	使用车载摄像头视频和深度卷积神经网络估算印度班加罗尔的空气质量	首次利用视频而非静态图像，通过目标识别和运动分析获取视觉线索，并结合CNN回归模型实现实时道路污染物浓度推断	研究仅在一座城市进行，未验证模型在其他环境下的泛化性；视频质量可能受光照、天气等条件影响	开发基于视频的深度学习方法来推断道路污染物浓度	印度班加罗尔道路上的四种污染物（黑碳、颗粒物数浓度、PM质量浓度、二氧化碳）	机器学习, 计算机视觉	环境健康	视频采集, 目标检测, 光流法	CNN（卷积神经网络）	视频	50小时车载道路测量数据	NA	回归CNN	归一化均方根误差	NA
7509	2026-06-26	Deep learning based predictive modeling to screen natural compounds against TNF-alpha for the potential management of rheumatoid arthritis: Virtual screening to comprehensive in silico investigation 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0303954 PMID:39636801	研究论文	采用深度学习方法虚拟筛选天然化合物以抑制TNF-α，用于类风湿关节炎的潜在管理	将深度学习预测模型与虚拟筛选、分子对接、ADMET评估及分子动力学模拟相结合，系统筛选天然化合物针对TNF-α的潜在抑制剂	未提及体外或体内实验验证，结果完全基于计算预测	寻找治疗类风湿关节炎的天然化合物候选药物	TNF-α蛋白及天然化合物库	机器学习	类风湿关节炎	分子对接, ADMET分析, 分子动力学模拟	深度学习预测模型	分子结构数据	2563个天然化合物	NA	NA	MSE, MAPE, MAE	NA
7510	2026-06-26	trRosettaRNA: automated prediction of RNA 3D structure with transformer network 2023-11-09, Nature communications IF:14.7Q1 DOI:10.1038/s41467-023-42528-4 PMID:37945552	研究论文	开发了一个基于深度学习的自动化RNA三维结构预测方法trRosettaRNA，使用Transformer网络预测一维和二维几何特征，再通过能量最小化进行三维结构折叠	首次将Transformer网络应用于RNA结构预测，在CASP15和RNA-Puzzles盲测中达到与顶级人工预测相当的水平，且优于其他深度学习方法	对于合成RNA的结构预测仍具挑战性，自动化方法难以准确预测其结构	解决RNA三维结构预测这一长期挑战，推动深度学习在RNA结构预测中的应用	天然RNA和合成RNA的三维结构	机器学习	不适用	深度学习	Transformer网络	序列数据	不适用	不适用	Transformer	Z-score, 均方根偏差	不适用
7511	2026-06-26	Efficient and accurate large library ligand docking with KarmaDock 2023-09, Nature computational science IF:12.0Q1 DOI:10.1038/s43588-023-00511-5 PMID:38177786	研究论文	提出一种名为KarmaDock的深度学习配体对接方法，集成了对接加速、结合姿态生成与校正以及结合强度估计功能	首次将E(n)等变图神经网络与自注意力机制应用于配体对接，通过端到端学习同时优化对接速度、姿态质量和结合亲和度精度	NA	开发一种高效且准确的深度学习方法用于大规模文库配体对接，以提升虚拟筛选性能	配体对接的准确性和效率，以及发现的潜在药物分子	机器学习	NA	NA	E(n)等变图神经网络、混合密度网络	分子结构（蛋白质与配体）	四个基准数据集和一个实际虚拟筛选项目（涉及白细胞酪氨酸激酶LTK的活性抑制剂筛选）	NA	E(n)等变图神经网络、自注意力机制、混合密度网络	对接速度、姿态质量、结合亲和度	NA
7512	2026-06-26	Automatic International Hidradenitis Suppurativa Severity Score System (AIHS4): A novel tool to assess the severity of hidradenitis suppurativa using artificial intelligence 2023-Jun, Skin research and technology : official journal of International Society for Bioengineering and the Skin (ISBS) [and] International Society for Digital Imaging of Skin (ISDIS) [and] International Society for Skin Imaging (ISSI) IF:2.0Q3 DOI:10.1111/srt.13357 PMID:37357665	研究论文	介绍了一种基于深度学习的自动化脓性汗腺炎严重程度评分系统（AIHS4），用于评估化脓性汗腺炎严重程度	首次利用深度学习模型（YOLOv5架构）实现IHS4的自动评分，并采用多专家注释和知识统一算法处理数据	当前数据集规模有限，可能影响模型泛化能力	开发可替代人工IHS4评分的自动评估工具，减少观察者间变异性和对专家经验的依赖	化脓性汗腺炎患者的皮肤图像	计算机视觉	化脓性汗腺炎	图像处理	CNN	图像	Legit.Health-HS-IHS4数据集，包含由六位专家标注的化脓性汗腺炎图像	PyTorch	YOLOv5	与最专业医师相当的性能	NA
7513	2026-06-26	Corrigendum to ArtifactID: Identifying artifacts in low-field MRI of the brain using deep learning Magnetic Resonance Imaging Volume 89, June 2022, Pages 42-48 2023-Jan, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2022.03.006 PMID:35396147	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
7514	2026-06-26	EPI susceptibility correction introduces significant differences far from local areas of high distortion 2022-10, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2022.05.016 PMID:35644448	研究论文	应用深度学习工具PreQual校正EPI磁敏感伪影，发现校正不仅改善局部高畸变区域，还在全脑范围内显著影响扩散成像和基于扩散的推理结果	首次证明EPI磁敏感伪影校正对远离高畸变区域的图像保真度和扩散指标（如FA）有广泛影响，挑战了传统认为伪影仅局限于局部区域的观念	未明确说明样本量、具体深度学习模型架构和计算资源细节	评估基于深度学习的EPI磁敏感伪影校正对图像保真度和扩散数据解释的影响，特别关注远离高畸变区域的效应	抑郁与非抑郁受试者的扩散加权成像（DWI）数据	机器学习	抑郁	扩散加权成像（DWI），EPI序列	深度学习（PreQual工具）	图像	NA	PreQual	NA	基于纤维束空间统计（TBSS）的FA分析、回归系数显著性检验	NA
7515	2026-06-26	Quantification of lung ventilation defects on hyperpolarized MRI: The Multi-Ethnic Study of Atherosclerosis (MESA) COPD study 2022-10, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2022.06.016 PMID:35777684	研究论文	开发一个端到端深度学习框架，用于分割肺部超极化MRI上的通气缺陷	提出级联U-Net框架，结合传统数据增强和生成对抗网络数据增强，实现全自动分割	生成对抗网络数据增强未带来进一步改进，样本量较小（56名参与者）	量化肺部超极化MRI上的通气缺陷，用于COPD研究	老年吸烟者的肺部超极化MRI图像	机器学习	慢性阻塞性肺疾病	超极化MRI	U-Net	图像	56名参与者，820张1H和3He MRI切片	NA	级联U-Net	Dice相似系数	NA
7516	2026-06-26	Clinical feasibility of an abdominal thin-slice breath-hold single-shot fast spin echo sequence processed using a deep learning-based noise-reduction approach 2022-07, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2022.04.005 PMID:35504409	研究论文	评估基于深度学习降噪的腹部薄层屏气单次激发快速自旋回波序列在胰腺MRI中的临床可行性	利用深度学习降噪重建技术加速屏气薄层单次激发快速自旋回波MRI，显著提升图像质量并缩短扫描时间	未提及具体限制，如样本量较小或单中心研究	评估深度学习降噪序列在胰腺解剖成像中的图像质量与临床可行性	疑似胰胆疾病患者的胰腺和肝脏MRI图像	医学影像	胰胆疾病	MRI T2加权成像，单次激发快速自旋回波序列	深度学习降噪模型	MRI图像	42名疑似胰胆疾病患者	NA	深度学习降噪重建	信噪比，对比噪声比，图像质量定性评分	1.5T MRI扫描仪
7517	2026-06-26	ArtifactID: Identifying artifacts in low-field MRI of the brain using deep learning 2022-06, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2022.02.002 PMID:35176447	研究论文	利用深度学习识别低场脑部MRI中的伪影	首次针对低场MRI中的卷褶和吉布斯环振伪影开发专门的识别模型，并利用GradCAM提供可视化解释以增强模型可信度	仅使用T1加权图像，可能限制模型在其他序列上的泛化能力；数据量有限，可能影响模型鲁棒性	识别低场脑部MRI中的卷褶和吉布斯环振伪影，提升诊断质量	低场脑部MRI图像中的卷褶伪影（通过平面和平面内）和吉布斯环振伪影	计算机视觉	不适用	MRI	卷积神经网络	图像	179张来自0.36T扫描仪的T1加权病理脑图像和581张公开可用的T1加权脑图像	不适用	不适用	精确率, 召回率, Cohen's kappa	不适用
7518	2026-06-26	DBGAN: A dual-branch generative adversarial network for undersampled MRI reconstruction 2022-06, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2022.03.003 PMID:35339616	研究论文	提出一种基于双分支生成对抗网络的欠采样MRI重建方法	采用跨阶段跳跃连接扩宽特征传播通道，用实例归一化代替批归一化避免训练与推理差异，引入双线性插值解码器分支补充反卷积解码器信息缺失	未提及在其他MRI模态或更大规模数据集上的验证，以及与其他非生成对抗网络方法的全面比较	提高欠采样MRI重建的图像质量和速度，适用于实时处理	T1加权的脑部MRI数据（来自MICCAI 2013挑战赛）和膝盖MRI数据	计算机视觉	未指定	MRI	生成对抗网络	图像	未明确说明样本数量，但使用MICCAI 2013挑战赛的T1加权脑部数据集和膝盖MRI数据	NA	U-Net	峰值信噪比, 归一化均方误差	每个256×256图像重建耗时60毫秒，模型参数少于最先进方法的一半
7519	2026-06-25	Interpol review of forensic image and video analysis, 2022-2025 2026-Dec, Forensic science international. Synergy DOI:10.1016/j.fsisyn.2026.100697 PMID:42339396	综述	分析了2022年至2025年期间法医图像与视频分析领域的最新进展与挑战，涵盖核心实践、内容分析、生物特征与场景分析及标准化工作	系统梳理了深度学习范式下法医实践的变革，包括计算摄影时代PRNU源相机识别的重新评估、伪造检测与隐写术的持续对抗，以及人脸比较向概率似然比框架的转变	未提及其自身的局限性，但文中强调了技术进步与标准化之间的紧张关系	综述法医图像与视频分析领域2022年至今的关键进展与挑战，并展望未来方向	法医图像与视频分析技术，包括源相机识别、图像增强/认证、数字伪造检测、生物特征分析及场景分析	计算机视觉	NA	深度学习	NA	图像、视频	NA	NA	NA	NA	NA
7520	2026-06-25	SPSGL: uncovering psychiatric network mechanisms via structural-prior guided synaptic graph learning 2026-Dec, Health information science and systems IF:4.7Q1 DOI:10.1007/s13755-026-00467-6 PMID:42339397	研究论文	提出了一种基于结构先验的突触图学习框架SPSGL，用于从fMRI信号中构建大脑功能连接网络，以揭示精神疾病的神经机制	提出了生物启发的门控边更新机制来捕捉连接强度的动态变化，并通过结构先验引导多头注意力关注神经生物学有意义的连接，实现了自适应多尺度脑图表示学习	NA	开发一种能够捕捉大脑动态可塑性并构建有神经生物学意义连接模式的深度学习框架，用于精神疾病的脑连接分析	fMRI信号中提取的脑功能连接网络，包括核心功能网络和全脑模式	机器学习	精神疾病	功能性磁共振成像	深度学习	fMRI信号时间序列	NA	PyTorch	多头注意力机制、门控边更新机制、正交聚类读出	精确度、AUC	NA