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
741	2026-03-28	DeepRNA-Reg: a deep-learning based approach for comparative analysis of CLIP experiments 2025-12, RNA biology IF:3.6Q2 DOI:10.1080/15476286.2025.2564941 PMID:41055236	研究论文	本文提出了一种基于深度学习的DeepRNA-Reg方法，用于对配对的高通量测序RNA交联免疫沉淀实验数据进行高保真比较分析	DeepRNA-Reg利用深度学习技术，在Ago2靶向被选择性扰动的实验范式中，提供了优于现有最佳差异HITS-CLIP分析方法的预测结果，并更好地符合RNA一级和二级结构基序的真实情况	NA	开发一种深度学习方法来改进配对HITS-CLIP实验数据的比较分析	高通量测序RNA交联免疫沉淀实验数据，特别是涉及Ago2靶向和microRNA簇基因敲除的实验	自然语言处理	NA	HITS-CLIP	深度学习	RNA测序数据	NA	NA	NA	NA	NA
742	2026-03-28	IMAGO: An Improved Model Based on Attention Mechanism for Enhanced Protein Function Prediction 2025-11-29, Biomolecules IF:4.8Q1 DOI:10.3390/biom15121667 PMID:41463323	研究论文	本文提出了一种基于注意力机制的新型蛋白质功能预测模型IMAGO，通过整合多头注意力机制和正则化技术来减少过拟合和噪声问题，从而提高预测准确性	采用Transformer预训练过程，结合多头注意力机制和正则化技术，并优化损失函数，有效减少训练中的过拟合和噪声问题，生成更鲁棒的嵌入表示	未明确说明具体数据集名称和样本规模，可能影响结果的可复现性和泛化能力评估	开发高效、稳定且准确的深度学习模型以改进蛋白质功能预测	蛋白质功能预测，基于蛋白质-蛋白质相互作用网络和其他生物属性	自然语言处理	NA	自然语言处理技术，Transformer预训练	Transformer	文本数据（生物属性信息）	NA	NA	Transformer	NA	NA
743	2026-03-28	MKNet-family architectures for auto-segmentation of the residual pancreas after pancreatic resection: a deep learning comparative study 2025-Nov-27, Abdominal radiology (New York) DOI:10.1007/s00261-025-05211-4 PMID:41307673	研究论文	本研究开发并比较了新型MKNet系列深度学习架构在胰腺切除术后CT图像中自动分割残余胰腺的可行性与临床效用	提出了MKNet、MSKNet和MAKNet三种新型深度学习架构，专门针对术后胰腺分割任务进行优化，相比现有方法在术后场景中表现出色	研究样本量相对有限（共163例CT扫描），且术后数据集仅包含术后4周内的扫描，可能无法完全代表更长期的术后变化	评估新型深度学习架构在胰腺切除术后CT图像中自动分割残余胰腺的准确性和临床实用性	胰腺切除术后患者的残余胰腺组织	数字病理学	胰腺癌	CT扫描成像	CNN	医学图像（CT扫描）	163例CT扫描（82例术前正常扫描，81例术后4周内扫描）	NA	MKNet, MSKNet, MAKNet, Attention-U-Net	Hausdorff距离, 95百分位Hausdorff距离, 归一化表面距离, Dice相似系数	NA
744	2026-03-28	Multimodal Cardiovascular Risk Profiling Using Self-Supervised Learning of Polysomnography 2025-Nov-25, Sleep IF:5.3Q1 DOI:10.1093/sleep/zsaf371 PMID:41288599	研究论文	本研究开发了一种基于自监督学习的多模态框架，利用多导睡眠图数据评估个体心血管疾病风险	首次将自监督学习框架应用于多导睡眠图数据以进行心血管风险分析，无需依赖人工标注的睡眠分期，并生成可解释的风险评分	研究依赖于特定队列数据，外部验证队列的样本量相对较小，且部分预测结果的AUC值范围较宽	开发并评估一个可解释的框架，用于识别与心血管疾病结局相关的多导睡眠图生理模式	多导睡眠图信号，包括脑电图、心电图和呼吸信号	机器学习	心血管疾病	多导睡眠图	自监督深度学习模型	多模态信号数据	训练队列4,398名参与者，外部验证队列1,093名参与者	NA	NA	曲线下面积	NA
745	2026-03-28	Leveraging Artificial Intelligence and Modulation of Oxidative Stressors to Enhance Healthspan and Radical Longevity 2025-10-24, Biomolecules IF:4.8Q1 DOI:10.3390/biom15111501 PMID:41301419	综述	本文探讨了人工智能在促进健康寿命和延长寿命方面的变革潜力	综述了AI在分析复杂生物数据、加速生物标志物发现、优化治疗干预和个性化医疗方面的应用，特别是在识别生物年龄准确生物标志物、开发精准医学方法、加速药物发现和增强CRISPR等基因组编辑技术方面的突破	AI在长寿研究中的整合带来了伦理和社会挑战，包括隐私问题、公平获取以及延长人类寿命的更广泛影响	探索人工智能在促进健康寿命和延长寿命方面的应用潜力	健康寿命和长寿的生物机制，以及AI在相关领域的应用	机器学习	溶血性疾病	机器学习、深度学习、自然语言处理、机器人技术、数据分析	NA	复杂生物数据	NA	NA	NA	NA	NA
746	2026-03-28	Quantitative molecular imaging using deep magnetic resonance fingerprinting 2025-10, Nature protocols IF:13.1Q1 DOI:10.1038/s41596-025-01152-w PMID:40169753	研究论文	本文介绍了一种基于深度学习的饱和转移磁共振指纹成像（MRF）协议，用于蛋白质、代谢物和pH值的无创体内定量分子成像	提出了一个完整的深度MRF协议，通过人工智能模型解决传统分子MRI技术复杂、半定量和扫描时间长的问题，实现快速定量分子信息提取	协议完成时间从48分钟到57小时不等，对于复杂多质子池体内成像耗时较长，且技术复杂性可能限制其广泛临床采用	开发一种定量分子MRI方法，用于提取具有生物学和临床意义的分子信息	体外样本、动物和人类扫描	医学影像	癌症、神经退行性疾病、中风、心脏病	化学交换饱和转移（CEST）、半固体磁化转移（MT）定量成像	深度学习模型	磁共振图像	NA	NA	NA	NA	NA
747	2026-03-28	Deep Learning-Based Generation of DSC MRI Parameter Maps Using Dynamic Contrast-Enhanced MRI Data 2025-Oct-01, AJNR. American journal of neuroradiology DOI:10.3174/ajnr.A8768 PMID:40194853	研究论文	本研究开发了一种基于深度学习的条件生成对抗网络，用于从动态对比增强MRI数据合成DSC MRI参数图，以减少对比剂使用剂量	首次利用条件生成对抗网络从DCE MRI数据生成DSC MRI参数图，实现了单次对比剂注射获取双模态灌注参数，并能可视化传统DSC图中因磁敏感伪影不可见的区域	研究样本量较小（64名参与者），且数据来源于既往研究，可能影响模型泛化能力；未对不同类型脑肿瘤进行细分分析	开发深度学习方法来合成DSC MRI参数图，以减少临床扫描中对比剂的使用剂量	脑肿瘤患者及无脑肿瘤的对照参与者	医学影像分析	脑肿瘤	DSC MRI, DCE MRI	cGAN	MRI图像	64名参与者（包括脑肿瘤患者和对照）	NA	条件生成对抗网络	线性回归分析, Bland-Altman图	NA
748	2026-03-28	Optic Nerve Atrophy Conditions Associated With 3D Unsegmented Optical Coherence Tomography Volumes Using Deep Learning 2025-Oct-01, JAMA ophthalmology IF:7.8Q1 DOI:10.1001/jamaophthalmol.2025.2766 PMID:40839281	研究论文	本研究利用深度学习模型分析未分割的3D光学相干断层扫描（OCT）体积数据，以区分青光眼、非动脉炎性前部缺血性视神经病变（NAION）、视神经炎和健康眼睛的视神经萎缩	首次使用未分割的3D OCT体积数据训练深度学习模型，直接区分多种视神经萎缩疾病，无需手动分割，并比较了全体积、视盘周围区域（PPR）和视神经头（ONH）三种不同区域模型的性能	视神经炎的分类最具挑战性，当轴突损失严重或极小时，易被误分类为NAION或健康眼睛；研究为横断面设计，未评估纵向变化或治疗反应	确定基于未分割ONH OCT扫描的3D深度学习模型是否能可靠地区分青光眼、NAION、视神经炎和健康眼睛的视神经萎缩	患者（包括青光眼、NAION、视神经炎患者）和健康对照者的眼睛	数字病理学	视神经萎缩相关疾病（包括青光眼、非动脉炎性前部缺血性视神经病变、视神经炎）	光学相干断层扫描（OCT）	CNN	3D图像（OCT体积数据）	7014次Cirrus ONH OCT扫描，来自1382只眼睛（青光眼113只，NAION 311只，视神经炎163只，健康对照715只）	未明确指定，但基于ResNet-3D-18架构推断可能为PyTorch或TensorFlow	ResNet-3D-18	准确率，宏AUC-ROC，精确率，召回率，F1分数	未明确指定
749	2026-03-28	3D Deep Learning Analysis of OCT to Classify Optic Atrophy 2025-Oct-01, JAMA ophthalmology IF:7.8Q1 DOI:10.1001/jamaophthalmol.2025.2829 PMID:40839376	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
750	2026-03-28	Deep Learning-accelerated MRI in Body and Chest 2025 Jul-Aug 01, Journal of computer assisted tomography IF:1.0Q4 DOI:10.1097/RCT.0000000000001762 PMID:40360272	综述	本文综述了深度学习重建技术在加速磁共振成像中的应用，特别是在身体和胸部成像中，旨在提升图像质量并减少运动伪影	深度学习重建为磁共振加速提供了优雅解决方案，通过变分网络和监督模型，在保持图像质量的同时显著缩短采集时间，并具有去噪、伪影减少和提升信噪比等潜力	深度学习重建面临一些挑战，包括轻微降低病灶检测率、心脏运动相关信号丢失、区域信噪比变化以及不同器官系统中ADC测量的变异性	探讨深度学习重建技术在磁共振成像中的加速应用，以改善身体和胸部成像的图像质量并减少运动伪影	腹部、骨盆和胸部的磁共振成像，重点关注肝脏和前列腺等器官系统	医学影像分析	NA	磁共振成像（MRI），包括T2、T1和扩散加权成像	深度学习模型	磁共振图像	NA	NA	变分网络	图像质量指标、病灶显眼度、信噪比（SNR）、对比噪声比（CNR）、病灶检测率、ADC测量	NA
751	2026-03-28	Fundus Refraction Offset as an Individualized Myopia Biomarker 2025-Jul-01, JAMA ophthalmology IF:7.8Q1 DOI:10.1001/jamaophthalmol.2025.1513 PMID:40471629	研究论文	本研究提出了一种新的眼底水平指标——眼底屈光偏移，并探讨了其与光学相干断层扫描衍生眼部参数的关联	提出了眼底屈光偏移这一个体化近视生物标志物，用于捕捉后段解剖结构的个体差异，超越了传统的球镜等效屈光度和眼轴长度等轴上指标	研究为横断面设计，无法确定因果关系；外部验证数据集样本量较小	开发并验证一种能够反映个体后段解剖差异的近视生物标志物	健康人眼	数字病理学	近视	光学相干断层扫描	深度学习模型	图像	UK Biobank 数据集中 45,180 只健康眼（训练集 70%，内部测试集 30%），外部验证集 152 只右眼	NA	NA	线性回归系数, 95% 置信区间, P值	NA
752	2026-03-28	Investigating the Domain Adaptability of General-Purpose Foundation Models for Left Atrium Segmentation from MR Images 2025-Jun, Functional imaging and modeling of the heart : ... International Workshop, FIMH ..., proceedings. FIMH (Conference) DOI:10.1007/978-3-031-94562-5_25 PMID:41883586	研究论文	本研究探索了预训练基础模型（如DINOv2、SAM和MedSAM）在磁共振图像左心房分割任务中的领域适应性和鲁棒性	提出了一种结合预训练基础模型与改进UNet解码器的方法，利用基础模型编码的全局上下文特征，在数据稀缺的医学图像分割任务中展现出优越性能	研究主要针对左心房分割任务，在其他医学图像分割任务中的普适性有待进一步验证；且依赖于特定基础模型的预训练特征	探索通用基础模型在医学图像分割任务中的领域适应能力，为数据稀缺的医学应用提供更通用的解决方案	磁共振图像中的左心房结构	医学图像分析	心房颤动	磁共振成像	CNN, Transformer	医学图像	2022 LAScarQS和2018 LASC分割挑战数据集	PyTorch	UNet, DINOv2, SAM, MedSAM	Dice系数, IoU	NA
753	2026-03-28	A Deep Retrieval-Enhanced Meta-Learning Framework for Enzyme Optimum pH Prediction 2025-Apr-14, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.4c02291 PMID:40127128	研究论文	本文提出了一种基于深度检索增强元学习的酶最适pH预测框架Venus-DREAM，通过结合k近邻算法和少样本学习实现高精度预测	首次将酶pH预测视为少样本学习任务，并引入基于蛋白质语言模型嵌入的检索机制和Reptile元学习算法进行优化	未明确说明模型在极端pH值或罕见酶家族上的泛化能力，且依赖预训练蛋白质语言模型的嵌入质量	开发高效的计算方法以预测酶的最适pH值，支持酶的高通量虚拟筛选与设计	酶蛋白质序列及其最适pH值	机器学习	NA	蛋白质语言模型嵌入，少样本学习	kNN回归，元学习	蛋白质序列嵌入表示	NA	NA	Reptile	准确度	NA
754	2026-03-28	Evaluation of state-of-the-art deep learning models in the segmentation of the left and right ventricles in parasternal short-axis echocardiograms 2025-Mar, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.12.2.024002 PMID:40151505	研究论文	本研究评估了多种深度学习模型在超声心动图短轴视图中分割左右心室的效果	首次在超声心动图短轴视图中评估了包括领域特定和通用领域模型在内的多种先进深度学习模型，并比较了它们在有限数据集上的性能	研究样本量较小（33名志愿者女性），且数据集为本地采集，可能限制模型的泛化能力	评估深度学习模型在超声心动图短轴视图中分割左右心室的性能，以辅助心肺疾病和心肌病的诊断	超声心动图短轴视图中的左心室和右心室	计算机视觉	心血管疾病	超声心动图	CNN	图像	33名志愿者女性的387次扫描图像	未明确指定，但提及了Detectron2	Unet-ResNet101, Unet-ResNet50, SAM（三种变体）	Dice相似系数, Hausdorff距离, 横截面积差异	NA
755	2026-03-28	A dataset of blood slide images for AI-based diagnosis of malaria 2025-Feb, Data in brief IF:1.0Q3 DOI:10.1016/j.dib.2024.111190 PMID:39802838	研究论文	本文介绍了一个用于基于AI的疟疾诊断的血涂片图像数据集，包含厚血涂片和薄血涂片图像	提供了一个来自乌干达的基准数据集，支持构建卷积神经网络模型用于自动疟疾筛查	数据集规模相对较小（共4000张图像），且仅来自乌干达特定医院，可能限制模型的泛化能力	开发用于疟疾自动筛查的深度学习模型，以提高诊断效率和准确性	厚血涂片和薄血涂片图像	数字病理学	疟疾	显微镜检查	CNN	图像	3000张厚血涂片图像和1000张薄血涂片图像	NA	NA	检测准确率	NA
756	2026-03-28	G2PDeep-v2: a web-based deep-learning framework for phenotype prediction and biomarker discovery for all organisms using multi-omics data 2025-Jan-09, Research square DOI:10.21203/rs.3.rs-5776937/v1 PMID:39866874	研究论文	介绍了一个基于深度学习的网络平台G2PDeep-v2，用于多组学数据的表型预测和生物标志物发现	开发了一个通用的网络平台，支持所有生物体（包括人类、植物、动物和病毒）的多组学数据分析，并集成了自动化超参数调优和基因集富集分析功能	未在摘要中明确提及具体限制	构建一个基于深度学习的网络平台，用于表型预测和生物标志物发现	所有生物体（包括人类、植物、动物和病毒）的多组学数据	机器学习	NA	多组学数据	深度学习模型	多组学数据	NA	NA	NA	NA	高性能计算资源
757	2026-03-28	Risk-Specific Training Cohorts to Address Class Imbalance in Surgical Risk Prediction 2024-Dec-01, JAMA surgery IF:15.7Q1 DOI:10.1001/jamasurg.2024.4299 PMID:39382865	研究论文	本研究评估了在手术风险预测中，针对不同风险等级（高风险、中风险、低风险）的队列分别训练深度学习模型，以解决类别不平衡问题对预测性能的影响	提出了一种基于先验知识（手术特定风险类别）构建风险特异性训练队列的方法，以改善类别不平衡问题，特别是在低发生率并发症（如院内死亡率）的预测上	研究为横断面研究，可能无法捕捉时间动态；结果基于单一医疗系统的数据，外部有效性有待验证；风险分类的阈值定义基于经验性三分位数，可能具有主观性	评估在手术风险预测模型中，使用风险特异性训练队列对预测性能的影响，以解决类别不平衡问题	109,445例在佛罗里达大学健康系统两家医院进行的住院手术操作	机器学习	手术并发症	深度学习	深度学习模型	临床数据（手术代码、并发症发生率等）	109,445例住院手术操作	NA	NA	AUROC, AUPRC, F1分数, 准确率	NA
758	2026-03-28	A Competition for the Diagnosis of Myopic Maculopathy by Artificial Intelligence Algorithms 2024-Nov-01, JAMA ophthalmology IF:7.8Q1 DOI:10.1001/jamaophthalmol.2024.3707 PMID:39325442	研究论文	本研究通过国际竞赛评估了深度学习算法在近视性黄斑病变分类、分割及球镜当量预测任务中的性能，并与眼科医生进行了比较	首次通过国际竞赛形式系统比较多种AI算法在近视性黄斑病变诊断任务中的表现，并展示了模型集成方法能超越单个算法及眼科医生的诊断性能	研究基于特定竞赛数据集，可能无法完全代表临床实际场景；参与团队数量有限（7、4、4队），且未详细说明所有算法的具体架构	评估和比较深度学习算法在近视性黄斑病变自动诊断中的性能	近视性黄斑病变患者的眼底图像	计算机视觉	近视性黄斑病变	眼底成像	深度学习模型	图像	分类任务2306张、分割任务294张、预测任务2003张眼底图像	NA	NA	二次加权κ系数, F1分数, 灵敏度, 特异性, Dice相似系数, R2, 平均绝对误差	NA
759	2024-10-18	Deep Learning to Improve Diagnosis Must Also Not Do Harm 2024-Nov-01, JAMA ophthalmology IF:7.8Q1 DOI:10.1001/jamaophthalmol.2024.4377 PMID:39418056	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
760	2026-03-28	Deep Learning to Discriminate Arteritic From Nonarteritic Ischemic Optic Neuropathy on Color Images 2024-Nov-01, JAMA ophthalmology IF:7.8Q1 DOI:10.1001/jamaophthalmol.2024.4269 PMID:39418057	研究论文	本研究开发并测试了一个深度学习系统，用于在急性期通过彩色眼底图像区分动脉炎性前部缺血性视神经病变与非动脉炎性前部缺血性视神经病变	首次开发了一个深度学习系统，仅基于彩色眼底图像（无需临床或生物标志物信息）在眼水平上高精度区分AAION与NAION，并展示了疾病特异性平均类激活图	研究依赖于历史图像数据，未在实时临床环境中验证；外部测试集样本量相对较小（121名患者）；未考虑所有可能的混杂因素	开发、训练和测试一个深度学习系统，以在急性期通过彩色眼底图像区分动脉炎性前部缺血性视神经病变与非动脉炎性前部缺血性视神经病变	802名患者（共961只眼）的彩色眼底图像，这些患者确诊为AAION或NAION	数字病理学	心血管疾病	彩色眼底成像	深度学习系统	图像	训练和验证集：802名患者（961只眼）；外部测试集：121名患者	NA	NA	AUC, 灵敏度, 特异度, 准确度	NA