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
781	2024-10-02	Towards deep learning methods for quantification of the right ventricle using 2D echocardiography 2024, Future cardiology IF:1.6Q3 DOI:10.1080/14796678.2024.2347125 PMID:39351980	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
782	2026-05-30	An update on computational pathology tools for genitourinary pathology practice: A review paper from the Genitourinary Pathology Society (GUPS) 2023, Journal of pathology informatics DOI:10.1016/j.jpi.2022.100177 PMID:36654741	综述	本文对用于泌尿生殖病理学的计算病理学工具进行了综述，评估了最新深度学习工具的应用进展	系统性地评估了泌尿生殖病理学深度学习工具的最新迭代，强调了其在肿瘤分级、分期和亚型识别中的潜力	数据可用性、监管和标准化方面的限制阻碍了这些工具的实施	评估实用深度学习工具在泌尿生殖病理学中的演化轨迹和潜力	泌尿生殖病理学中的深度学习算法工具	数字病理学	泌尿生殖系统疾病（如前列腺癌、膀胱癌等）	深度学习	深度学习模型	病理图像	NA	NA	NA	NA	NA
783	2026-05-29	Bioimaging and the future of whole-organismal developmental physiology 2025-02, Comparative biochemistry and physiology. Part A, Molecular & integrative physiology DOI:10.1016/j.cbpa.2024.111783 PMID:39581226	评论文章	评估影像技术作为测量整体生物发育生理学手段的重要性，并探讨计算机视觉在发育生理学中的应用潜力与挑战	强调计算机视觉模型在不同物种、生命阶段和实验之间的可转移性，推动发育生理学中的表型组学应用	并未提及具体的技术验证或定量结果分析	探讨利用计算机视觉和深度学习方法推进发育动物生长与功能的理解	发育中的动物整体生物及其体表形态	计算机视觉	NA	影像技术	深度学习模型	图像	NA	NA	NA	NA	NA
784	2026-05-29	Recent advances in fish cutting: From cutting schemes to automatic technologies and internet of things innovations 2024-11, Comprehensive reviews in food science and food safety IF:12.0Q1 DOI:10.1111/1541-4337.70039 PMID:39495567	综述	综述鱼类切割技术的最新进展，包括切割方案、自动化技术和物联网创新	系统总结了智能化切割技术与工业4.0框架（物联网、人工智能、大数据和区块链）的结合应用，展示了从人工到自动化的转变过程	未提及具体性能数据或方法比较，可能缺乏技术细节验证	探讨鱼类切割从传统方案到自动化和物联网技术的演进及其在工业4.0背景下的应用	鱼类切割方案（去头去尾、切片、去骨、去皮、修整和骨检）及相关自动技术	计算机视觉, 机器学习	NA	机器视觉, 深度学习, 传感器, 物联网	NA	图像	NA	NA	NA	NA	NA
785	2026-05-29	Machine vision combined with deep learning-based approaches for food authentication: An integrative review and new insights 2024-11, Comprehensive reviews in food science and food safety IF:12.0Q1 DOI:10.1111/1541-4337.70054 PMID:39530613	综述	本文综述了基于机器视觉和深度学习的方法在食品真实性鉴别中的应用，包括掺假识别、品种鉴定、新鲜度检测和质量鉴别等，并探讨了相关局限性与未来趋势	系统性地整合了机器视觉与深度学习（包括轻量级DL）在食品真实性分析中的最新进展，并单独探讨了智能手机和便携式设备结合机器视觉系统的应用前景	深度学习仍存在过拟合、可解释性差、数据隐私、算法偏差等挑战，且传感设备小型化和轻量级DL的设计部署有待改进	探讨机器视觉结合深度学习算法在食品真实性快速、无损检测中的应用、局限性与未来发展	食品真实性分析相关技术和方法，包括掺假、品种、新鲜度及质量鉴别等应用场景	计算机视觉	NA	机器视觉	深度学习模型，轻量级深度学习模型	图像	NA	NA	NA	NA	NA
786	2026-05-29	Imputing spatial transcriptomics through gene network constructed from protein language model 2024-10-05, Communications biology IF:5.2Q1 DOI:10.1038/s42003-024-06964-2 PMID:39369061	research paper	提出一种基于蛋白质语言模型构建基因网络来插补空间转录组学数据的方法	利用蛋白质语言模型ESM-2构建基因网络，结合图神经网络与自编码器，从参考单细胞RNA测序数据中插补空间转录组学的缺失基因，并量化预测不确定性	未明确提及局限，但可能依赖参考scRNA-seq数据的质量和基因网络的完整性	提高空间转录组学缺失基因的插补准确性及细胞群识别能力	空间转录组学数据与单细胞RNA测序数据中的基因表达	machine learning	NA	空间转录组测序, scRNA-seq, 蛋白质语言模型ESM-2	自编码器, 图神经网络, 深度学习模型	基因表达数据	多个数据集（具体数量未说明）	NA	自编码器, 图神经网络	插补准确度, 聚类性能	NA
787	2026-05-29	Quantum-level machine learning calculations of Levodopa 2024-10, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2024.108146 PMID:39067350	研究论文	利用量子级机器学习方法计算左旋多巴药物分子的势能面	首次将ANI-1x神经网络势作为量子级机器学习工具，用于预测抗帕金森药物左旋多巴的势能面，并验证其与DFT计算的相似性及计算效率优势	仅针对左旋多巴一种药物分子，未探讨方法对其他药物的普适性；未详细说明ANI-1x模型在更复杂分子或反应路径中的适用性	评估ANI-1x神经网络势在药物分子势能面计算中的准确性和效率	左旋多巴（L-3,4-二羟基苯丙氨酸）抗帕金森药物分子	机器学习	帕金森病	DFT, ANI-1x神经网络势	神经网络	分子结构及能量数据	单个药物分子（左旋多巴）	NA	ANI-1x	NA	NA
788	2026-05-29	Multi-scale DNA language model improves 6 mA binding sites prediction 2024-10, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2024.108129 PMID:39067351	研究论文	提出一种基于多尺度DNA语言模型的框架iDNA6mA-MDL，用于预测N6-甲基腺嘌呤（6 mA）结合位点	整合多种k-mer和核苷酸特性与频率方法进行特征嵌入，并利用DNABERT补偿全局DNA信息捕获不足，实现多尺度序列上下文信息融合	未明确指出，但可能依赖于特定数据集（如水稻基因数据集）的验证，泛化性需更多验证	提高6 mA结合位点预测的准确性，为基因调控、DNA修复和疾病发展等提供见解	6 mA结合位点	机器学习	NA	DNA语言模型、DNABERT	CNN、Transformer	DNA序列	包含一个经典水稻基因数据集（6 mA rice gene dataset）和另外11个6 mA数据集	NA	DNABERT、多尺度特征嵌入	AUC	NA
789	2026-05-29	MMCL-CPI: A multi-modal compound-protein interaction prediction model incorporating contrastive learning pre-training 2024-10, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2024.108137 PMID:39079285	研究论文	提出一种名为MMCL-CPI的多模态化合物-蛋白质相互作用预测模型，结合对比学习预训练	首次从一维SMILES和二维图像两种模态提取化合物特征，并设计多模态预训练策略，利用大规模无标签数据通过对比学习建立SMILES字符串与化合物图像的对应关系	未明确说明	提高化合物-蛋白质相互作用（CPI）预测的准确性	化合物与蛋白质的相互作用	机器学习	不适用	对比学习预训练	多模态模型	文本（SMILES字符串）、图像（化合物二维图像）	大规模无标签数据集（未指定具体数量）	NA	NA	NA	NA
790	2026-05-29	Review of Machine Learning Techniques in Soft Tissue Biomechanics and Biomaterials 2024-10, Cardiovascular engineering and technology IF:1.6Q4 DOI:10.1007/s13239-024-00737-y PMID:38956008	综述	全面探讨机器学习技术在软组织生物力学和生物材料中的应用，特别是心血管工程领域，并讨论各方法的基本数学基础	系统分类了标准ML和物理信息ML算法，总结了11篇相关研究，并详细讨论了软组织和生物材料力学特性预测中的机器学习方法	仅纳入11篇符合标准的文章，基于特定关键词选择，可能遗漏其他相关研究；未详细比较不同ML模型的性能差异	综述机器学习技术用于评估软生物组织和生物材料的力学特性，重点关注心血管工程应用	软生物组织和生物材料（如血管、心脏瓣膜等），以及与之相关的实验和合成力学数据	机器学习	心血管疾病	NA	支持向量机、袋装决策树、人工神经网络、深度神经网络、卷积神经网络、自编码器、物理信息神经网络	实验数据（单轴或双轴应力-应变数据）、合成数据（非线性拟合和有限元模拟生成）、图像数据（三维二次谐波生成图像、CT图像）	11篇相关研究文章	NA	支持向量机、袋装决策树、ANN、DNN、CNN、自编码器、物理信息神经网络	决定系数R²，其他多种度量和误差测量	NA
791	2026-05-29	A Label-Efficient Framework for Automated Sinonasal CT Segmentation in Image-Guided Surgery 2024-Oct, Otolaryngology--head and neck surgery : official journal of American Academy of Otolaryngology-Head and Neck Surgery DOI:10.1002/ohn.868 PMID:38922721	研究论文	评估一种标签高效的深度学习管道，用于CT扫描中鼻窦结构的语义分割，仅需少量标注扫描即可达到亚毫米精度	提出一种标签高效的深度学习框架，能够联合训练少量标注扫描和大量未标注扫描，显著减少对大规模标注数据的需求	未明确提及	评估标签高效深度学习管道在CT扫描中分割鼻窦结构（如鼻中隔、下鼻甲、上颌窦和视神经）的可行性	40张CT扫描，包括16张手动标注的扫描用于评估	计算机视觉	鼻窦疾病	CT成像	深度学习	图像（CT扫描）	40张CT扫描，其中16张完成手动标注	深度学习框架（未具体说明）	未明确说明	平均表面距离（ASD）	未明确说明
792	2026-05-29	ACDMBI: A deep learning model based on community division and multi-source biological information fusion predicts essential proteins 2024-10, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2024.108115 PMID:38865861	研究论文	提出了一种基于社区划分和多源生物信息融合的深度学习模型ACDMBI，用于预测必需蛋白质	首次结合社区划分、图卷积网络、图注意力网络、双向长短期记忆网络和多头自注意力机制，从蛋白互作网络、基因表达数据和亚细胞定位数据三种来源融合特征	实验仅在酿酒酵母数据上进行，模型在其他物种上的泛化能力未验证	提高必需蛋白质预测的准确性，服务于药物研究和疾病诊断	必需蛋白质	机器学习	NA	NA	ACDMBI	蛋白互作网络数据、基因表达数据、亚细胞定位数据	酿酒酵母数据	PyTorch, Keras	GCN, GAT, BiLSTM, DNN	AUC, AUPR	NA
793	2026-05-29	Prediction of viral families and hosts of single-stranded RNA viruses based on K-Mer coding from phylogenetic gene sequences 2024-10, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2024.108114 PMID:38852362	研究论文	基于系统发育基因序列的K-Mer编码，利用机器学习和深度学习模型预测单链RNA病毒的病毒科和宿主	首次对包含单链RNA病毒基因序列、具有广泛家族和宿主多样性的PhyVirus数据集进行病毒科和宿主分类研究，并详细探究了K-Mer编码中不同词长对分类效果的影响	未在摘要中明确说明局限性	快速准确地对病毒物种及其潜在宿主进行分类，以了解传播动态并促进靶向疗法的开发	Baltimore组四（+ssRNA）和五（-ssRNA）的单链RNA病毒及其宿主和物种	机器学习，自然语言处理	NA	K-Mer编码	全连接深度神经网络，随机森林，梯度提升，极端随机树	基因序列	包含来自不同宿主和物种的单链RNA病毒基因序列的PhyVirus数据集	NA	全连接深度神经网络，随机森林，梯度提升，极端随机树	准确率	NA
794	2026-05-29	CNN-BLSTM based deep learning framework for eukaryotic kinome classification: An explainability based approach 2024-10, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2024.108169 PMID:39137619	研究论文	提出一种基于CNN-BLSTM的可解释性深度学习框架，用于真核生物激酶组的分类	级联GRAD CAM和Integrated Gradient可解释性方法，以替代传统CNN模型的类激活图解释，提升模型在真核激酶分类中的可靠性和可解释性	未提及具体局限性	开发具有可解释性的深度学习模型，用于真核生物激酶序列分类，增强模型在蛋白质组学研究中的可信度	真核生物激酶序列及其对应家族	机器学习	NA	NA	CNN-BLSTM	序列数据	未提及具体样本量	NA	CNN-BLSTM	F1-score	NA
795	2026-05-29	Hybrid optimal feature selection-based iterative deep convolution learning for COVID-19 classification system 2024-10, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109031 PMID:39173484	研究论文	提出一种混合最优特征选择的迭代深度卷积学习框架，用于基于物联网数据的COVID-19分类	融合随机森林注入粒子群黑寡妇优化算法（RFI-PS-BWO）与迭代深度卷积学习（IDCL）特征选择，实现高精度COVID-19分类	未提及外部验证数据集或计算资源需求，可能影响泛化性和可复现性	利用物联网医疗数据，通过AI方法实现COVID-19的早期检测与诊断	物联网设备收集的SARS-CoV-2及其他病毒类别的医学数据	机器学习	COVID-19	NA	一维卷积神经网络（1D-CNN）	物联网传感器数据（医疗健康数据）	大型COVID-19样本数据集（具体数量未提及）	NA	1D-CNN	F1分数、灵敏度、特异性、精确率、召回率	NA
796	2026-05-29	Depth estimation from monocular endoscopy using simulation and image transfer approach 2024-10, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109038 PMID:39178804	研究论文	提出一种结合仿真与图像迁移技术的深度学习方法，从单目内窥镜图像中估计深度信息	首次利用模拟内窥镜图像和循环生成对抗网络提升图像真实性，并用于训练深度估计网络模型	未提及实际临床数据验证及计算资源消耗评估	实现从单目内窥镜图像中精确估计深度信息，增强导航系统功能	结肠表面模型及模拟内窥镜图像	计算机视觉	NA	NA	深度学习模型、循环生成对抗网络	模拟内窥镜图像、深度图	基于CT结肠成像分割的结肠表面模型生成的模拟数据	Unity	循环生成对抗网络	深度估计精确度	NA
797	2026-05-29	Skeleton-guided multi-scale dual-coordinate attention aggregation network for retinal blood vessel segmentation 2024-10, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109027 PMID:39178808	研究论文	提出一种骨架引导的多尺度双坐标注意力聚合网络，用于视网膜血管分割	创新性设计了双坐标注意力模块、不平衡像素放大器和血管骨架引导模块，以及特征级对比损失函数，有效解决了类不平衡和血管结构不连续问题	未明确提及局限性，但可能对严重病变图像或低对比度图像的泛化能力需进一步验证	提高视网膜血管分割的精度和连续性，解决前景薄血管类不平衡及图像质量差导致的结构断裂问题	视网膜血管结构	计算机视觉	视网膜疾病	深度学习	CNN	图像	三个公开数据集（DRIVE、STARE、CHASE_DB1），未明确样本总数	NA	双坐标注意力模块、不平衡像素放大器、血管骨架引导模块	分割准确率	NA
798	2026-05-29	RETNet: Resolution enhancement Transformer network for magnetic particle imaging based on X-space 2024-10, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109043 PMID:39191080	研究论文	提出了一种基于X-space的磁粒子成像分辨率增强Transformer网络（RETNet），用于从低梯度图像重建高梯度图像，提高空间分辨率	首次将Transformer架构应用于磁粒子成像分辨率增强，创新性地设计了跨尺度Transformer关注纹理特征和残差Swin Transformer关注结构特征的双分支结构，实现细节完整性和高清晰度重建	无相关信息	提出一种低成本、高效的方法，通过深度学习重建高梯度图像来提高磁粒子成像的空间分辨率，避免高功率消耗和高噪声	磁粒子成像中的超顺磁性氧化铁纳米颗粒浓度分布图像	计算机视觉	不适用	磁粒子成像	Transformer	图像	仿真、体模和体内实验数据	PyTorch	RETNet, 跨尺度Transformer, 残差Swin Transformer	无噪声和多噪声水平下的对比实验	无相关信息
799	2026-05-29	ECG classification via integration of adaptive beat segmentation and relative heart rate with deep learning networks 2024-10, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109062 PMID:39205344	研究论文	提出一种集成自适应心跳分割和相对心率信息的深度学习方法，用于心电图信号分析中的波形界定与搏动类型分类	创新点包括自适应心跳分割方法（根据RR间期确定最佳持续时间）和融入相对心率信息（提高对房性早搏的检测准确率），显著提升了模型性能	NA	提升心电图信号分析中搏动类型分类和波形界定的准确性	心电图信号中的搏动类型（正常搏动、室性早搏、房性早搏）和波形（P波、QRS波群、T波）	机器学习, 数字病理学	心血管疾病	ECG	深度学习模型	信号	PhysioNet QT数据库、MIT-BIH心律失常数据库和真实世界可穿戴设备数据	NA	NA	敏感性, F1分数	NA
800	2026-05-29	A novel pipeline employing deep multi-attention channels network for the autonomous detection of metastasizing cells through fluorescence microscopy 2024-10, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109052 PMID:39216406	研究论文	开发了一种基于深度多注意力通道网络的自动化荧光显微镜检测转移细胞的新流程	提出了多注意力通道网络架构，并结合可解释的全局方法（GradCam）来解析细胞骨架在转移中的作用	未明确提及局限性	利用深度学习自动区分正常细胞和转移性癌细胞，并提高模型的可解释性	人类正常细胞及其同基因匹配的致癌转化、侵袭和转移细胞	计算机视觉	癌症转移	荧光显微镜	卷积神经网络（CNN），多注意力通道网络	图像	未明确提及样本数量	NA	多注意力通道网络	GradCam得分	NA