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
901	2026-03-22	Improvements to Casanovo, a Deep Learning De Novo Peptide Sequencer 2026-Feb-06, Journal of proteome research IF:3.8Q1 DOI:10.1021/acs.jproteome.5c00706 PMID:41468557	研究论文	本文介绍了对Casanovo深度学习从头肽段测序器的一系列改进，旨在提升其可解释性、通用性、运行速度及用户体验	改进了预测肽段评分的可解释性，扩展了软件在数据库搜索中的通用性，并提供了工作流程和可视化工具以促进采用	NA	提高Casanovo在质谱和蛋白质组学数据中肽段测序的准确性和易用性	质谱和蛋白质组学数据中的肽段序列	机器学习	NA	质谱, 蛋白质组学	深度学习模型	质谱数据	NA	NA	Casanovo	NA	NA
902	2026-03-22	Bioinspired spiking architecture enables energy constrained touch encoding 2026-01-28, Nature communications IF:14.7Q1 DOI:10.1038/s41467-026-68858-7 PMID:41605933	研究论文	本文提出了一种结合光纤布拉格光栅电子皮肤与脉冲神经网络的模块化人工触觉系统，模拟人体体感系统的早期阶段	实现了高达10倍的定位超分辨率，相比现有深度学习方法提升32%的定位精度，并在神经形态芯片上展示了低功耗（亚毫瓦级）和高并行计算能力	未明确说明具体样本量或实验规模，可能受限于硬件实现或实际应用场景的验证范围	为自主系统（如机器人）开发可扩展且能量可持续的触觉感知解决方案，以促进安全人机交互和动态环境操作	人工触觉系统，包括光纤布拉格光栅电子皮肤和脉冲神经网络	机器感知	NA	光纤布拉格光栅传感，脉冲神经网络	SNN	触觉数据	NA	NA	NA	定位精度，超分辨率倍数	神经形态芯片，亚毫瓦级硬连线计算
903	2026-03-22	Lipid Nanoparticle Database towards structure-function modeling and data-driven design for nucleic acid delivery 2026-01-28, Nature communications IF:14.7Q1 DOI:10.1038/s41467-026-68818-1 PMID:41605942	研究论文	本文介绍了脂质纳米颗粒数据库（LNPDB）的开发，旨在整合和标准化脂质纳米颗粒的结构与功能数据，以支持数据驱动的核酸递送设计	创建了首个统一的脂质纳米颗粒数据库，标准化了脂质纳米颗粒的特征化，并支持分子动力学模拟和深度学习模型预测	NA	解决脂质纳米颗粒领域数据分散和非标准化的问题，促进脂质纳米颗粒的建模和理性设计	脂质纳米颗粒（LNPs）	机器学习	NA	分子动力学模拟	深度学习模型	结构化数据	19,528个脂质纳米颗粒	NA	NA	NA	NA
904	2026-03-22	Peptide-based drug design using generative AI 2026-Jan-13, Chemical communications (Cambridge, England) DOI:10.1039/d5cc04998a PMID:41376388	综述	本文综述了利用生成式人工智能进行肽基药物设计的最新进展，重点关注生成架构、相互作用建模、AI驱动的筛选和递送优化	整合了生成式AI（如图神经网络、Transformer和扩散模型）与肽化学创新（如环化、订书肽、非经典氨基酸和纳米颗粒制剂），以加速药物发现	预测生成肽序列的溶解度、免疫原性和毒性仍存在挑战，数据质量和自主药物发现是当前面临的实际困难	加速肽基治疗药物的设计与发现	肽基治疗药物	机器学习	代谢性疾病、肿瘤学	NA	图神经网络、Transformer、扩散模型	序列数据、化学结构数据	NA	NA	NA	NA	NA
905	2026-03-22	A Dual-stage Deep Learning Framework for Breast Ultrasound Image Segmentation and Classification 2025-Nov-18, Journal of medical systems IF:3.5Q2 DOI:10.1007/s10916-025-02298-6 PMID:41249662	研究论文	本文提出了一种用于乳腺超声图像分割与分类的双阶段深度学习框架	提出了一种模块化的双阶段流程，可灵活集成不同的骨干网络架构以适应特定任务或数据集需求	未明确说明模型在临床环境中的泛化能力及外部验证结果	探索深度学习技术在乳腺超声图像分割与分类中的应用，以支持乳腺癌诊断	乳腺超声图像中的肿块区域	计算机视觉	乳腺癌	超声成像	CNN	图像	两个乳腺超声数据集（具体样本数量未说明）	未明确说明	DeepLabV3+, ResNet34, MobileNetV3-Small, EfficientNet-B0	诊断准确率	NA
906	2026-03-22	A prognostic index integrating deep learning baseline PET/CT biomarkers and multi-omics profiling in diffuse large B cell lymphoma 2025-Nov-18, Cell reports. Medicine DOI:10.1016/j.xcrm.2025.102452 PMID:41260205	研究论文	本研究通过整合深度学习基线PET/CT生物标志物与多组学分析，开发了一个用于弥漫性大B细胞淋巴瘤的预后指数模型	结合nnUNet深度学习框架分析PET/CT扫描，并整合DNA和RNA测序数据，开发了ClinicalPET LymphPlex模型，有效区分不同治疗下的患者预后	研究依赖于特定数据集（AutoPET公共和内部数据集），可能限制了模型的泛化能力	提高弥漫性大B细胞淋巴瘤的预后精度并推进个性化治疗	1,024名新诊断的弥漫性大B细胞淋巴瘤患者	数字病理学	淋巴瘤	PET/CT扫描, DNA测序, RNA测序	深度学习	图像, 基因组数据	1,024名患者	nnUNet	nnUNet	预后价值评估	NA
907	2026-03-22	Massively parallel characterization of non-coding de novo mutations in autism spectrum disorder 2025-10, Journal of genetics and genomics = Yi chuan xue bao DOI:10.1016/j.jgg.2025.07.008 PMID:40738258	研究论文	本研究通过整合皮层细胞特异性顺式调控元件注释、深度学习变异预测模型和大规模并行报告基因检测，系统评估了自闭症谱系障碍中非编码区新生突变的功能影响	首次大规模并行表征自闭症谱系障碍中的非编码区新生突变，并发现下调调控突变与自闭症风险显著相关，鉴定出42个潜在的自闭症风险突变	研究主要基于Simons Simplex Collection和MSSNG队列数据，可能未涵盖所有人群变异；功能验证主要依赖报告基因检测，体内功能需要进一步验证	阐明非编码区新生突变在自闭症谱系障碍发病机制中的功能作用和分子机制	自闭症谱系障碍患者的非编码区新生突变	计算生物学	自闭症谱系障碍	大规模并行报告基因检测，深度学习变异预测	深度学习模型	基因组变异数据，调控元件注释数据	来自Simons Simplex Collection和Autism Speaks MSSNG资源的227,878个非编码区新生突变	NA	NA	比值比，P值	NA
908	2026-03-22	RETRACTED ARTICLE: Enhancing communication for people with hearing disabilities through robust sign language recognition using deep learning and the internet of things 2025-Sep-24, Disability and rehabilitation. Assistive technology DOI:10.1080/17483107.2025.2562454 PMID:40990717	撤稿文章	该文章已被撤稿，原计划研究利用深度学习和物联网技术增强听障人士手语识别的通信辅助技术	NA	文章因同行评审过程不合规而被撤稿，其科学性和可靠性无法得到保证	通过稳健的手语识别技术改善听障人士的沟通能力	听障人士	计算机视觉	听力障碍	深度学习, 物联网	深度学习模型	手势/图像数据	NA	NA	NA	NA	NA
909	2026-03-22	ViViEchoformer: Deep Video Regressor Predicting Ejection Fraction 2025-Aug, Journal of imaging informatics in medicine DOI:10.1007/s10278-024-01336-y PMID:39586913	研究论文	本文介绍了一种名为ViViEchoformer的深度学习模型，用于从超声心动图视频中直接回归预测射血分数	提出了一种基于视频视觉变换器的深度学习模型，能够直接从超声心动图视频中提取时空信息并准确预测射血分数	NA	开发一种自动、准确的射血分数预测方法，以辅助人类评估和分析	超声心动图视频	计算机视觉	心血管疾病	超声心动图	Transformer	视频	10,030个心尖四腔超声心动图视频	NA	视频视觉变换器	平均绝对误差, 均方根误差, 均方对数误差, 曲线下面积, 分类准确率	NA
910	2026-03-22	Optimised Hybrid Attention-Based Capsule Network Integrated Three-Pathway Network for Chronic Disease Detection in Retinal Images 2025-06, Journal of evaluation in clinical practice IF:2.1Q2 DOI:10.1111/jep.70126 PMID:40415584	研究论文	提出一种基于优化混合注意力胶囊网络与三通路网络集成的深度学习系统，用于从视网膜图像中检测慢性疾病	提出了一种结合Inception-V3、ResNet-152和卷积视觉Transformer（Conv-ViT）的三通路特征提取网络，并集成了优化的混合注意力胶囊网络作为分类器，通过优化策略提升了分类性能	未在摘要中明确说明	开发一种优化的深度学习系统，用于从视网膜图像中检测慢性疾病，并解决现有方法存在的过拟合、计算成本高等问题	视网膜图像	计算机视觉	慢性疾病	图像预处理（归一化、HSI颜色转换）、深度学习	CNN, Transformer, Capsule Network	图像	使用Diabetic Retinopathy 224×224 (2019 Data)和APTOS-2019两个数据集	未在摘要中明确说明	Inception-V3, ResNet-152, Convolutional Vision Transformer (Conv-ViT), Hybrid Attention-based Capsule Network	准确率	未在摘要中明确说明
911	2026-03-22	KanCell: dissecting cellular heterogeneity in biological tissues through integrated single-cell and spatial transcriptomics 2025-05, Journal of genetics and genomics = Yi chuan xue bao DOI:10.1016/j.jgg.2024.11.009 PMID:39577768	研究论文	KanCell是一种基于Kolmogorov-Arnold网络（KAN）的深度学习模型，旨在通过整合单细胞RNA测序和空间转录组学数据来增强细胞异质性分析	利用KAN有效捕获非线性关系并优化计算效率，在多种真实和模拟数据集上超越现有方法	NA	增强细胞异质性分析，揭示疾病微环境并识别治疗靶点	人类淋巴结、心脏、黑色素瘤、乳腺癌、背外侧前额叶皮层及小鼠胚胎大脑等生物组织	数字病理学	黑色素瘤, 乳腺癌	单细胞RNA测序, 空间转录组学	深度学习模型	基因表达数据	NA	NA	Kolmogorov-Arnold网络（KAN）	PCC, SSIM, COSSIM, RMSE, JSD, ARS, ROC	NA
912	2026-03-22	Machine Learning and Deep Learning in Detection of Neonatal Seizures: A Systematic Review 2025-04, Journal of evaluation in clinical practice IF:2.1Q2 DOI:10.1111/jep.70083 PMID:40189779	系统综述	本文系统综述了机器学习和深度学习在新生儿癫痫检测中的应用	首次系统性地总结和评估了ML和DL模型在新生儿癫痫检测中的性能，强调了卷积神经网络（CNN）在早期检测中的高效能	纳入的研究数量有限（仅10项），且研究间存在异质性，可能影响结论的普适性	研究机器学习和深度学习对新生儿癫痫检测的效果	新生儿癫痫的检测	机器学习	新生儿癫痫	脑电图（EEG）信号分析	CNN	时间序列数据（EEG信号）	最少17名，最多258名新生儿，共1389次癫痫发作，平均834小时EEG数据	NA	卷积神经网络	AUC, 灵敏度, 特异性	NA
913	2026-03-22	De novo design of Ras isoform selective binders 2025-Feb-05, bioRxiv : the preprint server for biology DOI:10.1101/2024.08.29.610300 PMID:39975043	研究论文	本研究利用深度学习设计针对Ras蛋白异构体的选择性结合剂，以特异性靶向其C末端	首次应用深度学习方法设计出针对所有主要Ras异构体的特异性结合剂，解决了传统方法难以针对其无序且高电荷C末端产生抗体的难题	未明确说明结合剂在体内环境下的长期稳定性及潜在免疫原性问题	开发能够特异性识别不同Ras蛋白异构体的结合工具，以研究其在癌症中的不同作用	Ras蛋白的四种主要异构体（KRAS4A、KRAS4B、HRAS、NRAS）	机器学习	癌症	深度学习	NA	蛋白质序列数据	针对四种Ras异构体的设计研究	NA	NA	结合特异性、膜定位干扰效果、Ras活性抑制能力	NA
914	2026-03-22	SpaGRA: Graph augmentation facilitates domain identification for spatially resolved transcriptomics 2025-01, Journal of genetics and genomics = Yi chuan xue bao DOI:10.1016/j.jgg.2024.09.015 PMID:39362628	研究论文	提出一种基于图增强的新方法SpaGRA，用于空间分辨转录组学中的自动多关系构建和空间域识别	引入图增强技术，动态调整边权重，利用多头图注意力网络揭示多样节点关系，并构建多视图关系以解决随机选择带来的采样偏差	未明确说明方法在超大规模数据集上的计算效率或对特定组织类型的泛化能力限制	改进空间分辨转录组学中的空间域识别任务，通过多关系构建提升准确性	空间分辨转录组学数据，包括小鼠下丘脑、小鼠胚胎和Visium HD数据中的细胞或点	计算生物学	NA	空间分辨转录组学	GAT	空间转录组数据	多个数据集，具体样本数量未明确说明	NA	多头图注意力网络	空间域识别性能，具体指标未明确说明	NA
915	2026-03-22	Multimodal deep learning radiomics model for predicting postoperative progression in solid stage I non-small cell lung cancer 2024-Oct-17, Cancer imaging : the official publication of the International Cancer Imaging Society IF:3.5Q1 DOI:10.1186/s40644-024-00783-8 PMID:39420411	研究论文	本研究开发了一种多模态深度学习放射组学模型，用于预测实性I期非小细胞肺癌患者术后进展风险	结合临床病理特征、主观CT发现和深度学习特征构建多模态模型，并采用迁移学习策略训练ResNet18模型提取特征	研究为回顾性设计，样本量有限，且仅包含两个医疗中心的数据，可能存在选择偏倚	探索多模态深度学习放射组学模型在预测实性I期非小细胞肺癌术后进展风险中的应用价值	经组织学确认的实性I期非小细胞肺癌患者	数字病理	肺癌	CT成像	深度学习	图像	459例患者作为训练集，104例患者作为外部验证队列	NA	ResNet18	AUC	NA
916	2026-03-22	Deep Learning Resolves Myovascular Dynamics in the Failing Human Heart 2024-May, JACC. Basic to translational science DOI:10.1016/j.jacbts.2024.02.007 PMID:38984052	研究论文	本文介绍了一种名为CardioCount的深度学习管道，用于精确量化人类心脏显微图像中的细胞核，并揭示了成年人类心脏中心肌细胞与内皮细胞的耦合生长关系	开发了CardioCount这一新的深度学习管道，首次大规模应用于368,434张人类显微图像，发现了成年人类心脏中心肌细胞与内皮细胞的耦合生长，以及终末期心力衰竭中血管稀疏与心肌肥大的相互关联	未明确说明模型在多样化数据集上的泛化能力或计算资源需求的具体限制	通过深度学习量化人类心脏显微图像中的细胞核，以研究心脏细胞动力学和心力衰竭的病理机制	人类心脏的显微图像，特别是心肌细胞和心脏内皮细胞	数字病理学	心血管疾病	显微镜成像	深度学习模型	图像	368,434张人类显微图像	未指定，但提及可通过GitHub和Google Colab访问	未指定具体架构	未明确说明	Google Colab（面向机器学习经验有限的用户）
917	2026-03-22	Magnetic Resonance Spectroscopy Spectral Registration Using Deep Learning 2024-03, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.28868 PMID:37401726	研究论文	本文提出了一种基于卷积神经网络的磁共振波谱配准方法，用于单个体素MEGA-PRESS MRS数据的同步频率和相位校正	首次将深度学习应用于磁共振波谱配准，实现了同步频率和相位校正，填补了该领域深度学习方法的空白	研究主要基于模拟数据集和有限的体内数据，需要更多真实世界数据验证其泛化能力	开发一种高效准确的磁共振波谱配准方法，用于MRS数据的频率和相位校正	单个体素MEGA-PRESS磁共振波谱数据	医学影像分析	NA	磁共振波谱，MEGA-PRESS序列	CNN	波谱数据	40,000个模拟MEGA-PRESS数据集和101个体内MEGA-PRESS内侧顶叶数据	NA	CNN-SR	频率偏移平均绝对误差，相位偏移平均绝对误差，胆碱区间方差	NA
918	2026-03-22	Deep learning-based patient stratification for prognostic enrichment of clinical dementia trials 2024, Brain communications IF:4.1Q2 DOI:10.1093/braincomms/fcae445 PMID:39713242	研究论文	本研究利用深度学习对早期痴呆患者进行分层，以优化临床试验的预后富集	采用深度学习方法对痴呆患者的疾病轨迹进行聚类，识别出“慢速”和“快速”进展亚组，并开发机器学习模型从横断面数据预测进展亚组，以降低临床试验所需样本量和成本	研究样本量相对有限（283名早期痴呆患者），且模型预测性能（AUC 0.70）有待进一步提升	通过人工智能方法对痴呆患者进行分层，以优化临床试验设计并提高治疗发现效率	早期痴呆患者，包括认知和功能评分数据	机器学习	阿尔茨海默病	深度学习聚类，机器学习分类	深度学习，机器学习	认知和功能评分数据	283名早期痴呆患者（内部队列），2779名痴呆患者（外部验证队列）	NA	NA	AUC（受试者工作特征曲线下面积）	NA
919	2026-03-22	Automated pediatric brain tumor imaging assessment tool from CBTN: Enhancing suprasellar region inclusion and managing limited data with deep learning 2024 Jan-Dec, Neuro-oncology advances IF:3.7Q2 DOI:10.1093/noajnl/vdae190 PMID:39717438	研究论文	本研究提出了一种基于深度学习的自动化工具，用于儿科脑肿瘤的颅骨剥离和肿瘤分割，特别关注鞍区/鞍上区域，并在有限数据场景下评估其性能	开发了能够处理鞍区/鞍上区域罕见肿瘤的颅骨剥离和肿瘤分割模型，并在多参数MRI输入和有限数据条件下展示了良好的泛化能力	肿瘤分割模型对于增强肿瘤区域的Dice分数相对较低（中位数约0.79），表明在复杂肿瘤区域的分割精度仍有提升空间，且研究依赖于特定儿科患者队列	开发并评估自动化儿科脑肿瘤成像评估工具，以改进颅骨剥离和肿瘤分割在临床有限数据环境下的应用	527名患有各种儿科脑肿瘤组织学类型的儿科患者的MRI扫描数据	数字病理学	儿科脑肿瘤	多参数MRI扫描	深度学习	图像	527名儿科患者（颅骨剥离模型使用336例，肿瘤分割模型使用489例）	nnU-Net	nnU-Net	Dice分数, 敏感性, 95% Hausdorff距离	NA
920	2026-03-22	Predicting Physiological Response in Heart Failure Management: A Graph Representation Learning Approach using Electronic Health Records 2023-Feb-01, medRxiv : the preprint server for health sciences DOI:10.1101/2023.01.27.23285129 PMID:36747787	研究论文	本研究开发了一种图表示学习框架，利用电子健康记录预测心力衰竭患者的生理反应，以个性化治疗方案	提出了一种结合图Transformer网络和图神经网络的框架，通过自注意力机制和全局注意力掩码来建模临床事件间的空间依赖性和时间性，以增强个性化预测	NA	通过深度学习技术预测心力衰竭患者的生理反应，以支持个性化治疗管理	心力衰竭患者	机器学习	心血管疾病	电子健康记录分析	GNN, Transformer	电子健康记录	NA	NA	Graph Transformer Network, GNN	NA	NA