深度学习在生物医药领域中的应用

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
761	2025-06-13	Hybrid Frameworks Integrating Deep Learning and Optimization Methods for Inverse Design in Nanophotonics 2025-Jun-11, ACS applied materials & interfaces IF:8.3Q1 DOI:10.1021/acsami.5c03196 PMID:40445168	研究论文	本文探讨了人工智能在纳米光子学逆向设计中的混合框架，结合深度学习和经典优化技术	提出混合框架，结合深度学习的计算效率和泛化能力与经典优化技术的鲁棒性，实现更快收敛和更高设计效率	未提及具体实验验证或实际应用中的性能限制	推动纳米光子学逆向设计领域的发展，探索可扩展且实用的创新方法	纳米光子器件，如超表面和其他纳米光子设备	纳米光子学	NA	深度学习、伴随方法、进化算法、物理信息神经网络	混合框架（深度学习与优化方法结合）	NA	NA
762	2025-06-13	Asymmetric Braided Artificial Muscles with Precise Electrothermal Actuation Control Enabled by Deep Learning 2025-Jun-11, ACS applied materials & interfaces IF:8.3Q1 DOI:10.1021/acsami.5c05636 PMID:40447577	研究论文	本研究提出了一种新型的非对称编织方法，结合碳纳米管纱线和液晶弹性体纤维，制造出一种电热纤维形状执行器，并在空气和水中展示了卓越的执行性能	采用非对称编织方法结合碳纳米管纱线和液晶弹性体纤维，制造出高性能电热执行器，并应用LSTM模型提升其控制精度	未提及样本量或实验的具体限制条件	开发高性能且可控的人工肌肉执行器	电热纤维形状执行器	柔性机器人	NA	Maypole编织机、电热驱动	LSTM	NA	NA
763	2025-06-13	DRLSurv: Disentangled Representation Learning for Cancer Survival Prediction by Mining Multimodal Consistency and Complementarity 2025-Jun-11, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3578859 PMID:40498625	研究论文	提出了一种名为DRLSurv的新型多模态深度学习方法，用于精确预测癌症生存率，通过挖掘多模态数据的一致性和互补性	利用解耦表示学习技术，将每种模态分解为模态不变和模态特定的表示，并创新性地引入了基于子空间的邻近对比损失和再解耦损失	未明确提及具体局限性	提高癌症生存预测的准确性，为制定最佳治疗计划和提供个体化护理提供支持	癌症患者的多模态数据（如组织病理学图像和基因组数据）	数字病理学	癌症	解耦表示学习	深度学习	多模态数据（图像和基因组数据）	NA
764	2025-06-13	Dynamic Instance-level Graph Learning Network of Intracranial Electroencephalography Signals for Epileptic Seizure Prediction 2025-Jun-11, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3578627 PMID:40498623	research paper	提出了一种动态实例级图学习网络（DIGLN），用于癫痫发作预测，通过颅内脑电图（iEEG）信号建模动态因果关系	DIGLN通过分组时序神经网络和图结构学习方法捕获通道内和通道间的因果关系，并引入图形交互回写技术实现双向因果关系建模	实验仅在Freiburg iEEG数据集上进行验证，未在其他数据集上测试泛化能力	开发一种能够准确识别癫痫iEEG信号中动态因果关系的新型深度学习模型	癫痫患者的颅内脑电图（iEEG）信号	脑机接口	癫痫	深度学习	DIGLN（动态实例级图学习网络）	iEEG信号	Freiburg iEEG数据集
765	2025-06-13	DeepHeme, a high-performance, generalizable deep ensemble for bone marrow morphometry and hematologic diagnosis 2025-Jun-11, Science translational medicine IF:15.8Q1 DOI:10.1126/scitranslmed.adq2162 PMID:40498857	research paper	开发了一个名为DeepHeme的高性能深度学习集成模型，用于骨髓形态测量和血液学诊断	DeepHeme在准确性和可区分细胞类别数量上超越了现有模型，并展示了强大的跨数据集泛化能力	模型性能验证依赖于特定医疗机构的有限数据集，可能需要更多外部验证	提高骨髓细胞形态学自动分类的效率和准确性，以辅助血液学诊断	骨髓抽吸物(BMA)的细胞形态学图像	digital pathology	hematological disorders	deep learning	snapshot ensemble	image	训练集30,394张图像(40名正常骨髓患者)，测试集8,507张图像(10名不同患者)，外加外部验证集13,770张图像(665名正常/患病患者)
766	2025-06-13	A Self-Adaptive Reconfigurable Metasurface for Electromagnetic Wave Sensing and Dynamic Reflection Control 2025-Jun-11, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202505155 PMID:40498986	research paper	本文提出了一种实时自适应的可重构超表面，能够感知入射波的到达方向并相应调整其反射	该超表面通过简单的相位比较器和查找表集成传感和可重构反射元原子，无需辅助检测模式或外部控制单元，显著节省了响应时间、能耗和制造成本	实验仅验证了入射角在±50°范围内的有效性，且角度变化速率最高为12度/秒	开发一种自主、计算简单、经济高效、节能且实时的自适应反射控制解决方案	可重构超表面	电磁波传感	NA	相位比较器和查找表	NA	电磁波信号	NA
767	2025-06-13	A fully open AI foundation model applied to chest radiography 2025-Jun-11, Nature IF:50.5Q1 DOI:10.1038/s41586-025-09079-8 PMID:40500447	research paper	开发了一个名为Ark的开放基础模型，用于胸部X光片的诊断，通过循环积累和重用来自多个数据集的异构专家标签知识	Ark模型通过积累和重用来自多个数据集的异构专家标签知识，扩展了诊断范围，适应新的诊断需求，并能从少量样本中学习罕见病症	NA	开发一个开放的基础模型，用于胸部X光片的自动化诊断	胸部X光片	digital pathology	lung cancer	deep learning	foundation model	image	多个数据集中的异构样本
768	2025-06-13	Non-enhanced CT deep learning model for differentiating lung adenocarcinoma from tuberculoma: a multicenter diagnostic study 2025-Jun-11, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-11721-y PMID:40500528	research paper	该研究开发并验证了一个基于三维特征的深度学习模型（DL_3D），用于区分肺腺癌（LUAD）和结核瘤（TBM）	提出了基于视觉Transformer网络的DL_3D模型，在非增强CT图像上区分LUAD和TBM，性能优于二维特征模型、放射组学模型和六位放射科医生	样本量相对有限，且仅来自三个医院，可能存在选择偏差	开发一种深度学习模型，用于在非增强CT图像上区分肺腺癌和结核瘤	肺腺癌（LUAD）和结核瘤（TBM）患者	digital pathology	lung cancer	非增强CT成像	vision transformer network	CT图像	1160名患者（840名训练集，210名验证集，110名外部测试集）
769	2025-06-13	Development of an Interpretable Machine Learning Model for Neurotoxicity Prediction of Environmentally Related Compounds 2025-Jun-10, Environmental science & technology IF:10.8Q1 DOI:10.1021/acs.est.5c03311 PMID:40307185	研究论文	开发了一种可解释的机器学习模型，用于预测环境相关化合物的神经毒性	结合分子指纹和分子描述符与XGBoost算法，构建了高性能且可解释的神经毒性预测模型，并开发了在线平台	在已知神经毒性数据的89种化合物中，模型准确率为0.74，仍有提升空间	预测环境相关化合物的神经毒性，管理环境健康风险	环境相关化合物	机器学习	神经系统疾病	分子指纹、分子描述符、分子图	XGBoost、传统机器学习算法、深度学习方法	分子数据	1170种在人血中检测到的化合物，其中89种有已知神经毒性数据
770	2025-06-13	Multivariate multi-horizon time-series forecasting for real-time patient monitoring based on cascaded fine tuning of attention-based models 2025-Jun-10, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110406 PMID:40499368	研究论文	本文介绍了一种名为StreamHealth Multi-Horizon AI的新型框架，用于重症监护病房(ICU)中关键生理指标的多变量多时间范围实时预测	该框架结合了基于注意力的模型（如Temporal Fusion Transformer和Temporal Convolutional Network），并采用级联微调策略，显著提高了模型对未见患者数据的泛化能力	研究仅使用了MIMIC-III数据库的数据，未在其他独立数据集上进行验证	开发一个能实时预测ICU患者关键生理指标的AI系统，以支持早期临床干预	ICU患者的血氧饱和度(SpO2)和呼吸频率(RR)等生命体征	机器学习	重症监护	时间序列预测	TFT, TCN, LSTM, GRU, Bi-LSTM, Bi-GRU, CNN, Seq2Seq	生理时间序列数据	MIMIC-III数据库中的患者数据
771	2025-06-13	U2-Attention-Net: a deep learning automatic delineation model for parotid glands in head and neck cancer organs at risk on radiotherapy localization computed tomography images 2025-Jun-10, Physica medica : PM : an international journal devoted to the applications of physics to medicine and biology : official journal of the Italian Association of Biomedical Physics (AIFB) DOI:10.1016/j.ejmp.2025.105024 PMID:40499410	研究论文	本研究开发了一种名为U2-Attention-Net（U2A-Net）的新型深度学习模型，用于在放疗定位CT图像上精确分割腮腺	提出了一种结合不同注意力机制的深度学习模型U2A-Net，显著提高了腮腺分割的准确性	样本量相对较小（79例患者），且仅针对头颈癌患者的腮腺分割	开发一种能够精确分割放疗定位CT图像中腮腺的深度学习模型	头颈癌患者的放疗定位CT图像中的腮腺	数字病理	头颈癌	CT成像	U2A-Net（基于U-Net的变体）	图像	79例头颈癌患者的CT图像（训练集60例，验证集6例，测试集13例）
772	2025-06-13	Developing a Deep Learning Radiomics Model Combining Lumbar CT, Multi-Sequence MRI, and Clinical Data to Predict High-Risk Adjacent Segment Degeneration Following Lumbar Fusion: A Retrospective Multicenter Study 2025-Jun-09, Global spine journal IF:2.6Q1 DOI:10.1177/21925682251342531 PMID:40488256	研究论文	开发并验证了一个结合临床数据、深度学习放射组学特征和腰椎CT及多序列MRI的模型，用于预测腰椎融合术后高风险邻近节段退变患者	结合了临床数据、深度学习放射组学特征和传统放射组学特征，使用Vision Transformer 3D深度学习模型，以及多层感知器算法，显著提高了预测性能	研究为回顾性设计，样本量相对较小，外部测试队列仅包含30例患者	预测腰椎融合术后高风险邻近节段退变患者	305例接受腰椎融合手术的患者	数字病理	腰椎疾病	深度学习放射组学(DLR), LASSO回归, 多种机器学习算法	Vision Transformer 3D, 线性支持向量机, AdaBoost, 多层感知器	CT图像, MRI图像, 临床数据	305例患者（训练队列192例，内部验证队列83例，外部测试队列30例）
773	2025-06-13	Transfer learning for accurate brain tumor classification in MRI: a step forward in medical diagnostics 2025-Jun-09, Discover oncology IF:2.8Q2 DOI:10.1007/s12672-025-02671-4 PMID:40490586	研究论文	该研究提出了一种利用迁移学习（TL）和深度学习模型（AlexNet、MobileNetV2和GoogleNet）对MRI图像中的脑肿瘤进行分类的新方法	与以往研究不同，本研究综合比较了多种深度学习架构，并针对脑肿瘤分类进行了微调，同时解决了类别不平衡问题，并利用轻量级架构提高了模型效率	NA	提高脑肿瘤分类的准确性，以辅助医生做出快速和精确的诊断决策	MRI图像中的脑肿瘤（包括神经胶质瘤、脑膜瘤和垂体瘤）以及正常脑部图像	数字病理学	脑肿瘤	迁移学习（TL）	AlexNet、MobileNetV2、GoogleNet	图像	4,517张MRI扫描图像（包括1,129张神经胶质瘤、1,134张脑膜瘤、1,138张垂体瘤和1,116张正常脑部图像）
774	2025-06-13	Pod-pose : an efficient top-down keypoint detection model for fine-grained pod phenotyping in mature soybean 2025-Jun-09, Plant methods IF:4.7Q1 DOI:10.1186/s13007-025-01399-0 PMID:40490832	研究论文	提出了一种名为Pod-pose的顶部关键点检测模型，用于精确测量成熟大豆豆荚的表型特征	将人体姿态估计技术应用于植物表型分析，通过瓶颈结构优化和位置特征增强整合了多种先进YOLO模型的架构优势，并采用两阶段检测方法和迁移学习显著提升模型性能	未提及模型在其他作物或更大规模数据集上的泛化能力	开发高效准确的大豆豆荚表型特征提取方法以支持大豆育种优化	成熟大豆豆荚	计算机视觉	NA	深度学习、关键点检测、迁移学习	YOLO系列模型的改进版本（Pod-pose）	图像	自定义数据集（具体数量未提及）
775	2025-06-13	To Fly, or Not to Fly, That Is the Question: A Deep Learning Model for Peptide Detectability Prediction in Mass Spectrometry 2025-Jun-06, Journal of proteome research IF:3.8Q1 DOI:10.1021/acs.jproteome.4c00973 PMID:40344201	research paper	该研究开发了一个名为Pfly的深度学习模型，用于预测质谱中肽的可检测性	Pfly是一个基于肽序列的深度学习模型，具有高适应性，可根据特定实验条件定制，提高了预测准确性并在不同研究领域中扩展了应用范围	模型最初在合成肽库上训练，可能存在偏向合成性的偏差，尽管后续通过生物数据集进行了微调	开发一个通用的、可定制的工具，用于预测质谱中肽的可检测性	肽序列及其在质谱中的可检测性	machine learning	NA	质谱	encoder-decoder with attention mechanism	肽序列数据	合成肽库和生物数据集
776	2025-06-13	Comparative analysis of convolutional neural networks and vision transformers in identifying benign and malignant breast lesions 2025-Jun-06, Medicine IF:1.3Q2 DOI:10.1097/MD.0000000000042683 PMID:40489850	研究论文	比较分析卷积神经网络和视觉变换器在识别乳腺良恶性病变中的性能	系统比较了12种深度学习模型在乳腺动态对比增强磁共振成像图像分类中的表现，并分析了关键超参数的影响	ResNet152和ViT模型在小规模乳腺动态对比增强磁共振成像数据集上的表现不佳，数据增强在某些模型中意外降低了准确率	为乳腺动态对比增强磁共振成像图像分类研究建立可靠的基准	乳腺动态对比增强磁共振成像图像	计算机视觉	乳腺癌	动态对比增强磁共振成像	CNN, Vision Transformer (ViT), ResNet, VGG	图像	NA
777	2025-06-13	Comprehensive molecular impact mapping of common and rare variants at GWAS loci 2025-Jun-06, bioRxiv : the preprint server for biology DOI:10.1101/2025.06.05.658079 PMID:40501721	research paper	该研究介绍了DNACipher，一种深度学习模型，用于预测遗传变异在多种生物背景下的分子效应，并开发了DNACipher Deep Variant Impact Mapping (DVIM)方法，用于识别GWAS位点中具有分子效应的变异	DNACipher能够预测未直接测量的细胞类型和实验中的变异效应，DVIM方法显著提高了GWAS位点中变异的精细定位能力	模型的预测能力依赖于训练数据的覆盖范围和质量	开发一种能够广泛预测遗传变异分子效应的深度学习模型，并应用于GWAS位点的精细定位	遗传变异及其在多种生物背景下的分子效应	machine learning	type 1 diabetes	deep learning, single-nucleus ATAC-seq, luciferase assays	DNACipher	genomic sequence	38,582 cell type-assay combinations
778	2025-06-13	An improved model for prediction of de novo designed proteins with diverse geometries 2025-Jun-06, bioRxiv : the preprint server for biology DOI:10.1101/2025.06.02.657515 PMID:40502157	研究论文	本文提出了一种改进的深度学习模型，用于预测具有多样几何形状的从头设计蛋白质	提出了一个经过微调的Alphafold2版本，能够捕捉几何多样性，并推广到未见过的蛋白质折叠家族	当前基于深度学习的结构预测方法未能完全捕捉到蛋白质设计的物理原理	改进从头设计蛋白质的几何形状预测模型	从头设计的蛋白质	机器学习	NA	深度学习	Alphafold2	蛋白质结构数据	5,996个稳定的从头设计蛋白质
779	2025-06-13	Prenatal detection of congenital heart defects using the deep learning-based image and video analysis: protocol for Clinical Artificial Intelligence in Fetal Echocardiography (CAIFE), an international multicentre multidisciplinary study 2025-Jun-05, BMJ open IF:2.4Q1 DOI:10.1136/bmjopen-2025-101263 PMID:40473283	研究论文	本研究旨在开发基于深度学习的AI模型，以支持临床医生实时检测胎儿先天性心脏病（CHD），特别是在胎儿超声心动图专业知识不足的非专科或资源匮乏环境中	通过国际多中心多学科合作，收集大规模、多样化的胎儿心脏超声图像和视频数据，构建能够区分正常胎儿心脏和CHD的AI模型	目前AI模型在CHD检测上的准确性不足，部分原因是缺乏可用于机器学习的超声数据，CHD罕见且异质性高，以及已发表研究的回顾性性质	开发支持临床医生实时检测胎儿CHD的AI模型，特别是在资源匮乏的环境中	胎儿心脏超声图像和视频，包括正常心脏和CHD病例	数字病理	先天性心脏病	深度学习	AI模型	图像和视频	总计16,400例回顾性和前瞻性超声扫描，包括13,000例正常胎儿心脏和1,000例CHD胎儿的回顾性数据，以及2,000例正常胎儿心脏和400例主要CHD胎儿的前瞻性数据
780	2025-06-13	Multitask deep learning model based on multimodal data for predicting prognosis of rectal cancer: a multicenter retrospective study 2025-Jun-05, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-025-03050-3 PMID:40474195	研究论文	开发并验证了一种基于多模态数据的多任务深度学习模型，用于预测直肠癌患者的预后	模型整合了临床病理数据和多参数MRI图像，无需进行肿瘤分割，同时预测复发/转移和无病生存期	回顾性研究设计可能引入选择偏倚，且样本量相对有限	开发预测直肠癌患者预后的深度学习模型	直肠癌患者	数字病理	直肠癌	多参数MRI（包括扩散峰度成像）	多任务深度学习模型	临床病理数据和MRI图像	321名直肠癌患者（训练集212例，内部测试集53例，外部测试集56例）