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
861	2026-08-05	Deep learning-based CT radiomics for ALK rearrangement status prediction in lung adenocarcinoma 2026-May-14, BMC cancer IF:3.4Q2 DOI:10.1186/s12885-026-16124-w PMID:42135669	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
862	2026-08-05	Beyond Invariable Sites: Using Evolutionary Stasis to Map Multi-Layered Constraints on the Evolution of Viral and Mammalian Genomes 2026-Apr-10, bioRxiv : the preprint server for biology DOI:10.64898/2026.04.09.717527 PMID:41993262	研究论文	提出B-STILL框架，利用进化停滞位点解析病毒和哺乳动物基因组中的多层选择约束。	首次通过贝叶斯层次模型结合密码子替换模型，聚焦近零进化速率区域，区分随机不变性与功能性约束，识别进化停滞锚点（ESAs）。	依赖密码子替换模型的近似计算，可能对极长序列或复杂进化场景的适用性有限。	开发可扩展的统计框架，用于高分辨率基因组注释，将不变位点转化为极端纯化选择的标记。	病毒和哺乳动物基因组中的蛋白质编码基因。	机器学习, 计算生物学	NA	密码子替换模型, 贝叶斯推断	层次贝叶斯模型	基因组序列数据	包含数千条序列的比对，以及来自病原体和临床数据库的验证数据	NA	层次贝叶斯模型	预测能力, 聚类显著性	NA
863	2026-08-05	Getting Started on Artificial Intelligence in Health Care and Clinical Research: Includes Rigor Checklist for Authors and Reviewers 2026-Jan, Advances in wound care IF:5.8Q1 DOI:10.1177/21621918251380217 PMID:41039915	综述	本文为研究人员、临床医生和审稿人提供了在医疗保健和临床研究中应用人工智能的路线图，包括严谨性检查清单，并概述了人工智能的基础、核心技术和应用。	强调了人工智能采用始于人而非技术，提出了从内部建设生物医学人工智能劳动力队伍的系统方法，并提供了针对作者和审稿人的严谨性检查清单。	未提及具体局限性。	帮助研究人员、临床医生和审稿人理解并严谨地应用人工智能于医疗保健和临床研究，促进负责任和变革性的创新。	生物医学人工智能领域，包括研究人员、临床医生、审稿人以及相关技术应用。	机器学习	不适用	不适用	不适用	不适用	不适用	不适用	不适用	不适用	不适用
864	2026-08-05	Exploring the Terra incognita of AI-based domain classifications 2025-12, Protein science : a publication of the Protein Society IF:4.5Q1 DOI:10.1002/pro.70392 PMID:41288334	研究论文	本研究探索了基于AI的蛋白质结构域分类中的未知领域，通过分析664个低置信度的候选新型折叠结构域，创建了190个新的Pfam家族，并揭示了蛋白质折叠空间的扩展机制	首次系统性地对TED和DPAM方法均低置信度分类的候选新型折叠结构域进行全面分析，建立了190个新的Pfam家族，包括许多未知功能域，并发现了锌结合和二硫键丰富结构等新型架构	部分候选新型折叠结构域可能源于结构域边界预测错误，如截断序列或紧密堆积的结构域重复，这可能影响分类的准确性	深入探索基于AI的蛋白质结构域分类中的未分类区域，解决新型蛋白质折叠分类挑战，并扩展蛋白质分类框架到未探索的结构领域	664个来自TED数据库的候选新型折叠结构域，这些结构域被TED和DPAM方法以低置信度分类，涵盖结构多样且大部分非冗余的结构域集合	结构生物信息学	不适用	结构域分类方法（TED和DPAM）、序列与结构相似性分析	不适用	蛋白质结构域数据	664个候选新型折叠结构域，来自TED数据库	不适用	不适用	不适用	不适用
865	2026-08-05	Development of machine learning-based mpox surveillance models in a learning health system 2025-Oct-16, Sexually transmitted infections IF:3.6Q2 DOI:10.1136/sextrans-2024-056382 PMID:40318862	研究论文	本研究旨在开发基于机器学习和深度学习模型的mpox病例监测系统，利用临床笔记进行监测	首次将机器学习模型应用于mpox监测，并在学习型健康系统框架下进行，比较了传统回归模型与深度学习模型的性能	仅基于单一医疗中心的数据，样本量相对较小，可能限制模型的泛化能力	开发并评估基于临床笔记的机器学习模型用于mpox病例监测，以支持公共卫生监测和持续质量改进	哥伦比亚大学欧文医学中心的临床就诊记录，包括PCR确诊的mpox病例及匹配对照	机器学习	mpox	临床笔记文本分析	逻辑回归（LASSO）、ClinicalBERT、ClinicalLongformer	临床文本数据	228例mpox病例和698例对照	NA	LASSO、ClinicalBERT、ClinicalLongformer	精确率、召回率、F1分数、AUROC、AUPRC、RP80	NA
866	2026-08-05	Decentralized, privacy-preserving surgical video analysis with Swarm Learning 2025-Oct-03, medRxiv : the preprint server for health sciences DOI:10.1101/2025.10.02.25337106 PMID:41256170	研究论文	提出了一种结合弱监督深度学习与群体学习的去中心化、隐私保护的手术视频分析流程，并在阑尾切除术视频数据集上验证其性能	首次将群体学习与弱监督深度学习结合用于手术视频分析，实现去中心化协作训练而无需共享数据，并针对患者级结果进行预测	硬件故障和与电子病历系统集成有限是临床实施的主要障碍	开发并评估一种去中心化、隐私保护的手术视频分析流程，以支持多中心协作并预测患者级结局	397段来自六个国际手术中心的腹腔镜阑尾切除术视频记录	医学影像分析，机器学习	阑尾炎	手术视频分析	SurgTempoNet，SurgFrameNet，多示例学习	手术视频（腹腔镜阑尾切除术记录）	397段视频，来自6个中心	NA	SurgTempoNet，SurgFrameNet	分类性能（可能包括准确率、AUC等，但未具体列出，故此处为NA）	NA
867	2026-08-05	OncoMet: a deep learning framework for the prediction of oncogenic signaling pathways and metastasis in esophageal cancer patients using histopathology images from primary tumors 2025-08-21, Journal of translational medicine IF:6.1Q1 DOI:10.1186/s12967-025-06914-4 PMID:40842012	研究论文	提出一个基于深度学习的框架OncoMet，利用食管癌患者原发肿瘤的组织病理学图像预测致癌信号通路及其转移风险	首次在无需详尽patch级标注的情况下，仅依赖切片级标注，利用深度学习模型从H&E染色切片预测致癌信号通路和转移风险	文中未明确提及局限性	利用深度学习分析数字病理图像，自动化并提升食管癌的诊断和风险分层，以支持精准医学和靶向治疗	食管癌患者原发肿瘤的组织病理学图像	数字病理学	食管癌	H&E染色全切片成像	深度学习模型	图像（高分辨率H&E染色全切片图像）	未明确给出样本数量	未明确指定（可能使用通用深度学习框架，如TensorFlow或PyTorch）	未明确指定（深度学习模型）	AUC	未明确说明
868	2026-08-05	Spatiotemporal calcium signaling patterns underlying opposing effects of histamine and TAS2R agonists in airway smooth muscle 2025-07-01, American journal of physiology. Lung cellular and molecular physiology DOI:10.1152/ajplung.00058.2025 PMID:40434402	研究论文	本研究通过单细胞显微镜和基于深度学习的图像分割技术，比较了组胺、氯喹和氟芬那酸在气道平滑肌细胞中引起的钙信号时空动态，并结合离子通道模型揭示了不同激动剂的相反效应机制	首次将单细胞显微成像与深度学习分割方法结合，量化分析不同激动剂诱导的钙信号时空异质性，并提出钙信号向细胞外周区室化导致膜超极化的新机制	摘要未提及研究局限性	探究苦味受体激动剂与组胺在气道平滑肌细胞中钙信号时空动态差异及其对膜电位和舒张作用的机制	气道平滑肌细胞中的钙信号动态及离子通道行为	数字病理学	哮喘	单细胞显微镜、深度学习分割	深度学习模型	图像	未提及具体样本数量	NA	NA	熵	NA
869	2026-08-05	Deep learning model for hair artifact removal and Mpox skin lesion analysis and detection 2025-Jul-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-05324-2 PMID:40594433	研究论文	本研究提出一种结合毛发去除与升级U-Net模型的深度学习方法来增强Mpox皮肤病变的检测	通过整合毛发去除预处理步骤与增强U-Net架构，提高Mpox皮肤病变的可见性和分割精度，显著优于现有模型	未提及	提高Mpox皮肤病变检测的准确性，辅助医生早期诊断	Mpox、水痘和麻疹的皮肤病变图像	计算机视觉	痘病	深度学习	CNN（U-Net）	图像	未提及	未提及	U-Net	准确率、召回率、F1分数	未提及
870	2026-08-05	Screening and Risk Analysis of Atrial Fibrillation After Radiotherapy for Breast Cancer: Protocol for the Cross-Sectional Cohort Study "Watch Your Heart (WATCH)" 2025-06-04, JMIR research protocols IF:1.4Q3 DOI:10.2196/67875 PMID:40466092	研究论文	本研究旨在评估乳腺癌放疗后5年内房颤的发生率，并探讨心脏辐射暴露与房颤发生之间的关联。	使用智能手表进行为期一个月的房颤筛查，并辅以心电图确认和医生验证；开发深度学习算法进行心脏亚结构的自动分割和剂量分析。	样本量有限（200例），且为单中心研究，可能限制结果的普遍性。	评估乳腺癌放疗后5年随访期间症状性或无症状性房颤的发生率，并研究心脏辐射剂量与房颤发生的关联。	年龄超过65岁、5年前接受乳腺癌放疗、无房颤病史的200名患者。	数字病理学	乳腺癌	心电图、智能手表监测、经胸超声心动图、深度学习自动分割	深度学习模型（具体类型未指定）	心电图数据、智能手表监测数据、超声心动图图像、医疗记录、剂量学数据	200名乳腺癌放疗后5年的患者	NA	NA	发病率	NA
871	2026-08-05	AngioPy Segmentation: An open-source, user-guided deep learning tool for coronary artery segmentation 2025-01-01, International journal of cardiology IF:3.2Q2 DOI:10.1016/j.ijcard.2024.132598 PMID:39341506	研究论文	开发并验证了AngioPy，一个基于用户引导的深度学习工具，用于冠状动脉分割，无需手动校正即可实现快速准确的分割。	创新性地整合用户定义的地面真值点来提升分割性能，并减少手动校正需求。	研究未提及具体局限性。	开发并验证一个能够减少手动校正的冠状动脉分割深度学习工具，以提高定量冠状动脉造影的准确性和效率。	冠状动脉造影图像中的血管分割。	医学影像分析	冠状动脉疾病	数字减影血管造影	深度学习分割模型	图像	2455张训练图像和580张外部验证图像；203张图像用于与QCA比较。	未提及	未明确指定，但可能使用卷积神经网络（CNN）结构	F1分数、像素准确率、精确率、敏感性、特异性、相关系数、平均差异	未提及
872	2026-08-05	PharmRL: pharmacophore elucidation with deep geometric reinforcement learning 2024-12-31, BMC biology IF:4.4Q1 DOI:10.1186/s12915-024-02096-5 PMID:39736736	研究论文	开发了一种基于深度几何强化学习的方法PharmRL，用于在无配体情况下识别药效团，并在多个数据集上验证了其虚拟筛选性能	首次将深度几何Q-learning应用于药效团识别，无需配体即可自动生成药效团，且优于随机选择配体特征的方法	未在更广泛的数据集上验证，且对于复杂结合位点的泛化能力尚待进一步测试	开发一种自动化方法，在缺乏配体的情况下识别药效团，以提高虚拟筛选效率	蛋白质结合位点及无配体的蛋白质-配体复合物	计算机视觉, 机器学习, 药物设计	未指定	深度学习, 深度几何强化学习	CNN, Q-learning	蛋白质结构数据, 分子数据	包含DUD-E数据集, LIT-PCBA数据集, COVID moonshot数据集	Google Colab, 深度学习框架（具体未提及）	CNN, 深度Q网络	F1分数	未提及具体GPU，但提供了Google Colab笔记本
873	2026-08-05	DeSide: A unified deep learning approach for cellular deconvolution of tumor microenvironment 2024-11-12, Proceedings of the National Academy of Sciences of the United States of America IF:9.4Q1 DOI:10.1073/pnas.2407096121 PMID:39514318	研究论文	介绍DeSide，一种基于深度学习的统一方法，用于通过批量RNA测序数据对肿瘤微环境进行细胞去卷积，以估计16种不同细胞类型和亚型的比例	整合生物学通路，先评估非癌细胞类型以避免癌细胞基因表达谱变异性问题，并采用独特的采样和过滤技术生成高质量训练集	未明确提及	开发一种准确且成本效益高的细胞去卷积方法，以分析肿瘤微环境中的细胞组成，并支持患者预后分层	实体瘤中的16种细胞类型和亚型，以及来自TCGA的19种癌症类型和外部数据集	机器学习	肿瘤	批量RNA测序、单细胞RNA测序	深度学习模型	基因表达数据	来自6种癌症类型的scRNA-seq数据和来自22种癌症类型的185个癌细胞系作为参考，以及TCGA批量RNA-seq数据	未明确	未明确	准确性	未明确
874	2026-08-05	PharmRL: Pharmacophore elucidation with Deep Geometric Reinforcement Learning 2024-Sep-24, Research square DOI:10.21203/rs.3.rs-5033986/v1 PMID:39399689	研究论文	开发了一种名为PharmRL的深度几何强化学习方法，用于在无配体情况下从蛋白质结合位点识别药效团，并提高虚拟筛选性能	首次在无配体情况下利用深度几何强化学习进行药效团识别，并结合CNN模型预测有利相互作用点，优于随机选择共晶结构特征	未明确提及，但可能依赖于CNN对结合位点的特征预测精度，且算法选择子集可能受限于训练数据的多样性	开发一种无需配体共晶结构即可识别药效团的深度学习方法，以提升虚拟筛选效率	蛋白质结合位点及其中的药效团特征，应用于虚拟筛选	机器学习、药物设计	NA	深度几何强化学习、CNN模型	CNN、深度Q学习	分子结构数据（结合位点、药效团点）	DUD-E、LIT-PCBA和COVID moonshot数据集	NA	CNN、深度Q网络	F1分数	Google Colab笔记本
875	2026-08-05	TEPCAM: Prediction of T-cell receptor-epitope binding specificity via interpretable deep learning 2024-01, Protein science : a publication of the Protein Society IF:4.5Q1 DOI:10.1002/pro.4841 PMID:37983648	研究论文	提出了一种基于交叉注意力和多通道卷积的深度学习模型TEPCAM，用于预测T细胞受体与表位的结合特异性，并增强模型的可解释性。	结合自注意力、交叉注意力机制和多通道卷积，提高了模型在未见测试集上的泛化能力，并通过提取交叉注意力层的可解释矩阵映射到三维结构，以学习TCR与表位的相互作用模式。	未明确提及，但可能受限于训练数据的多样性或模型在极端情况下的性能。	提高TCR-表位结合特异性预测的准确性和泛化能力，同时增强模型的可解释性，以支持免疫疗法的开发。	T细胞受体和表位（肽段）之间的结合特异性。	机器学习	NA	深度学习	深度学习模型（基于交叉注意力和多通道卷积）	序列数据（TCR和表位序列）	未明确提及，但涉及严格划分的数据集和外部数据集。	NA	交叉注意力、多通道卷积	未明确提及，但可能与准确率、AUC等标准指标相关。	NA
876	2026-08-04	Training deep learning models on personalized genomic sequences improves variant effect prediction 2025-Feb-15, bioRxiv : the preprint server for biology DOI:10.1101/2024.10.15.618510 PMID:39463940	研究论文	本文展示了在个性化基因组序列上训练深度学习模型可以提高变异效应预测的性能，并保留了变异效应表征。	提出在训练序列-功能模型时使用匹配的个人基因组数据，以改善变异效应预测，这是对传统模型的创新改进。	未提及具体限制，但可能包括对未见过细胞环境和实验读出场景的泛化能力有限。	旨在训练深度学习模型以改进变异效应预测，并探索其在解释性状相关遗传变异中的应用。	个性化基因组序列和功能基因组数据，用于变异效应预测。	机器学习	NA	功能基因组学	深度学习模型	基因组序列和功能数据	NA	NA	NA	性能指标未明确，可能包括预测准确性等。	NA
877	2026-08-04	MedFuseNet: fusing local and global deep feature representations with hybrid attention mechanisms for medical image segmentation 2025-02-11, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-89096-9 PMID:39934248	研究论文	本文提出了一种名为MedFuseNet的新型编码器-解码器架构，旨在通过混合注意力机制融合局部和全局深度特征表示，用于医学图像分割。	提出了双分支并行特征学习结构，结合CNN和Swin-Transformer，并设计了四种不同的注意力模块（ASPP、交叉注意力、自适应交叉注意力和SE注意力）用于特征融合和增强。	未在摘要中明确提及局限性。	提高医学图像分割的性能，通过融合局部和全局特征表示及混合注意力机制。	医学图像（如心脏MRI和腹部CT图像）	计算机视觉、深度学习	不适用（涉及心脏和腹部影像，但不特定于某疾病）	深度学习、卷积神经网络、Transformer	编码器-解码器架构（CNN和Swin-Transformer）	医学图像（MRI和CT）	使用ACDC和Synapse公开数据集，具体样本数量未提及	不适用（未提及具体框架）	MedFuseNet（基于CNN和Swin-Transformer，包含ASPP、交叉注意力、ACA和SE注意力模块）	Dice相似系数（DSC）	不适用（未提及具体计算资源）
878	2026-08-04	A promising AI based super resolution image reconstruction technique for early diagnosis of skin cancer 2025-02-11, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-89693-8 PMID:39934265	研究论文	提出一种基于人工智能的超分辨率图像重建技术，用于皮肤癌早期诊断，特别是中间可疑皮肤病变的检测。	提出新颖的MELIIGAN框架，结合堆叠残差块处理大尺度放大与细粒度纹理重建，混合损失函数（含总变差正则化和Charbonnier损失）提升重建质量。	未在摘要中明确提及局限性。	解决超分辨率重建中放大时纹理细节丢失的挑战，实现中间皮肤病变的早期诊断。	皮肤镜检查图像中的中间可疑皮肤病变。	计算机视觉	皮肤癌（黑色素瘤）	超分辨率图像重建	生成对抗网络（GAN）	图像	未指定。	未指定。	MELIIGAN，堆叠残差块	SSIM（0.946），PSNR（40.12 dB）	未指定。
879	2026-08-04	AndroPred: an artificial intelligence-based model for predicting androgen receptor inhibitors 2024-09, Journal of biomolecular structure & dynamics IF:2.7Q2 DOI:10.1080/07391102.2023.2239935 PMID:37493402	研究论文	本文介绍了一种基于人工智能的模型AndroPred，用于预测雄激素受体抑制剂，以加速前列腺癌药物发现	首次将多种机器学习与深度学习算法应用于雄激素受体抑制剂的预测，并发现深度神经网络模型性能最优，准确率达93.05%	模型缺乏实验验证，未来需通过实验分析和前瞻性测试确认其预测能力	利用人工智能算法快速预测雄激素受体抑制剂，以简化前列腺癌药物发现过程	雄激素受体抑制剂及其相关化合物	机器学习	前列腺癌	分子描述符与分子指纹分析	机器学习及深度学习模型，包括深度神经网络	化合物数据	2242个化合物	NA	深度神经网络	准确率	NA
880	2026-08-04	Prediction of prognosis using artificial intelligence-based histopathological image analysis in patients with soft tissue sarcomas 2024-05, Cancer medicine IF:2.9Q2 DOI:10.1002/cam4.7252 PMID:38800990	研究论文	本文探索了基于人工智能的病理图像分析在软组织肉瘤患者预后预测中的应用	首次将深度学习应用于软组织肉瘤的预后预测，使用Inception v3模型从病理图像中估计生存率	样本量较小（35例），且为回顾性研究，可能影响模型的泛化性	利用深度学习从组织病理图像预测软组织肉瘤患者的预后，以辅助临床管理	软组织肉瘤患者的组织病理切片	数字病理学	软组织肉瘤	组织病理图像数字化	卷积神经网络	图像	35例软组织肉瘤患者的组织病理切片	NA	Inception v3	AUC, 准确率, F1分数	NA