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
921	2025-07-22	Electrocardiographic deep learning for predicting post-procedural mortality: a model development and validation study 2024-01, The Lancet. Digital health DOI:10.1016/S2589-7500(23)00220-0 PMID:38065778	研究论文	本研究开发并验证了一种基于深度学习的算法，用于通过心电图预测术后死亡率	利用深度学习分析心电图波形信号，发现隐藏的风险标志物，显著提高了术后死亡率的预测准确性，超越了传统的修订心脏风险指数(RCRI)	研究仅基于三个医疗系统的数据，可能无法代表所有医疗环境	开发一种能够准确预测接受医疗手术患者术后死亡率的预后模型	接受术前心电图诊断测试的患者	数字病理学	心血管疾病	深度学习	深度学习算法	心电图波形图像	45,969名患者（共59,975次住院手术和112,794次心电图）
922	2025-07-22	An interpretable deep learning framework identifies proteomic drivers of Alzheimer's disease 2024, Frontiers in cell and developmental biology IF:4.6Q1 DOI:10.3389/fcell.2024.1379984 PMID:39355118	研究论文	本文提出了一种可解释的深度学习框架EnsembleOmicsAE，用于识别阿尔茨海默病的蛋白质组驱动因素	利用集成自编码器（AEs）降低蛋白质组数据的复杂性，生成稳定的潜在特征，并通过迭代扰乱输入特征计算特征重要性分数，识别出线性方法遗漏的AD分子驱动因素	研究依赖于三个AD队列的蛋白质组数据，样本量相对有限，且未涉及其他类型的数据验证	探索阿尔茨海默病的蛋白质组驱动因素，提高模型的可解释性	559名健康或诊断为阿尔茨海默病的个体的脑蛋白质组数据	机器学习	阿尔茨海默病	蛋白质组学	集成自编码器（EnsembleOmicsAE）	蛋白质组数据	559名个体
923	2025-07-22	Artificial intelligence research in radiation oncology: a practical guide for the clinician on concepts and methods 2024-Jan, BJR open DOI:10.1093/bjro/tzae039 PMID:39583148	review	本文综述了人工智能在放射肿瘤学中的应用现状、挑战与机遇，为临床医生提供了评估AI模型相关研究论文的工具	从临床医生的视角出发，系统阐述了AI在放射肿瘤学中的开发流程与应用前景，填补了临床医生在AI知识方面的空白	未涉及具体AI模型在临床实践中的验证数据，主要停留在方法论层面的讨论	提升临床医生对AI研发流程的理解，促进多学科合作，推动AI在放射肿瘤学中的临床应用	放射肿瘤学中的AI应用（如自动分割、治疗计划等）	digital pathology	NA	NA	deep learning	NA	NA
924	2025-07-22	Integrative computational analyses implicate regulatory genomic elements contributing to spina bifida 2024, Genetics in medicine open DOI:10.1016/j.gimo.2024.101894 PMID:39669613	研究论文	通过整合计算分析揭示调控基因组元件对脊柱裂的贡献	使用无靶向的全基因组方法探索脊柱裂的遗传风险模式，结合深度学习优先排序框架识别功能相关的罕见调控变异	研究依赖于计算预测和功能注释，缺乏实验验证	阐明脊柱裂病理生理学的全基因组调控特征	脊柱裂患者和健康对照的基因组数据	基因组学	脊柱裂	全基因组测序、深度学习优先排序框架	深度学习	基因组数据	脊柱裂患者与健康对照的基因组数据（具体样本量未提及）
925	2025-07-22	Radiologic imaging biomarkers in triple-negative breast cancer: a literature review about the role of artificial intelligence and the way forward 2024-Jan, BJR artificial intelligence DOI:10.1093/bjrai/ubae016 PMID:40201726	review	本文综述了人工智能在放射影像学中作为三阴性乳腺癌（TNBC）成像生物标志物的应用现状与未来发展	整合了过去十年（2013-2024）基于放射组学和深度学习的AI技术在TNBC诊疗中的最新进展，并探讨了未来发展方向	作为综述文章，未涉及原始数据或实验验证	开发更有效和个性化的TNBC影像生物标志物，推进TNBC的诊断、治疗和预后评估	三阴性乳腺癌（TNBC）的放射影像数据	digital pathology	breast cancer	radiomics, deep learning	deep learning-based models	radiologic breast images	NA
926	2025-07-22	Computational staining of CD3/CD20 positive lymphocytes in human tissues with experimental confirmation in a genetically engineered mouse model 2024, Frontiers in immunology IF:5.7Q1 DOI:10.3389/fimmu.2024.1451261 PMID:39530103	研究论文	提出了一种知识引导的深度学习框架，用于测量人类H&E组织上的淋巴细胞空间结构，并通过实验验证了该技术在基因工程小鼠模型中的可行性	通过单细胞分辨率图像配准H&E到IHC，实现了像素级完美的淋巴细胞标记，并整合了计算科学与基础科学进行更严格的验证	模型在外部测试数据集上的AUC为0.71，表现略低于内部测试数据集的0.78	量化淋巴细胞空间炎症，以促进空间系统生物学研究，提高对治疗抵抗的理解，并贡献于预后成像生物标志物	人类H&E组织样本和基因工程小鼠模型	数字病理学	癌症	深度学习	深度学习框架	图像	超过111,000个人类细胞核（45,611个CD3/CD20阳性淋巴细胞）
927	2025-07-22	A simulative deep learning model of SNP interactions on chromosome 19 for predicting Alzheimer's disease risk and rates of disease progression 2023-12, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz.13319 PMID:37409680	research paper	本文提出了一种模拟深度学习模型，用于预测阿尔茨海默病的风险和疾病进展速率	使用新型模拟深度学习模型量化了染色体19上每个单核苷酸多态性(SNP)及其相互作用对阿尔茨海默病风险的贡献	研究仅关注染色体19上的SNP，可能忽略了其他染色体上的遗传因素	通过遗传模式识别来评估阿尔茨海默病的风险和进展速率，以支持个性化治疗策略	阿尔茨海默病患者的染色体19遗传数据	machine learning	阿尔茨海默病	深度学习模型	深度学习	遗传数据	来自阿尔茨海默病神经影像学倡议(ADNI)和阿尔茨海默病影像与遗传生物标志物数据集的患者数据
928	2025-07-22	Flow-field inference from neural data using deep recurrent networks 2023-Nov-16, bioRxiv : the preprint server for biology DOI:10.1101/2023.11.14.567136 PMID:38014290	research paper	介绍了一种名为FINDR的无监督深度学习方法，用于推断神经群体活动的低维非线性随机动力学	提出了一种新的深度学习方法FINDR，能够推断神经群体活动的低维非线性随机动力学，并在捕获单个神经元的异质性反应方面优于现有方法	未明确提及具体局限性	揭示神经群体的低维任务相关动力学及其相关计算	大鼠前脑区域的群体尖峰序列数据	machine learning	NA	deep learning	deep recurrent networks	spike train data	NA
929	2025-07-22	Predicting multiple sclerosis severity with multimodal deep neural networks 2023-11-09, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-023-02354-6 PMID:37946182	research paper	该研究提出了一种利用多模态深度神经网络预测多发性硬化症（MS）疾病严重程度的方法	首次整合结构化电子健康记录（EHR）数据、神经影像数据和临床记录，构建多模态深度学习框架，预测MS严重程度，相比单模态数据模型，AUROC提高了19%	未提及具体样本量或数据不足可能影响模型泛化能力	通过早期准确分类MS疾病严重程度，减缓或预防疾病进展	多发性硬化症（MS）患者	digital pathology	geriatric disease	multimodal deep learning	multimodal deep neural networks	structured EHR数据、神经影像数据、临床记录	NA
930	2025-07-22	Spatially aware deep learning reveals tumor heterogeneity patterns that encode distinct kidney cancer states 2023-09-19, Cell reports. Medicine DOI:10.1016/j.xcrm.2023.101189 PMID:37729872	research paper	本研究开发了一种空间感知的深度学习模型，用于分析肾透明细胞癌(ccRCC)的肿瘤和免疫特征，揭示了与免疫检查点抑制剂(ICI)反应相关的肿瘤异质性模式	利用深度学习模型从全切片图像(WSIs)中识别出人类病理学家无法发现的肿瘤异质性模式，并发现这些模式与PBRM1功能缺失及患者预后相关	研究样本量虽然较大(n=1,102)，但仍可能存在一定的选择偏差	探索肾透明细胞癌(ccRCC)的肿瘤异质性模式及其与免疫治疗反应的关系	肾透明细胞癌(ccRCC)患者	digital pathology	kidney cancer	deep learning, multiplex immunofluorescence	spatially aware deep-learning models	whole-slide images (WSIs), multiplex immunofluorescence images	1,102名患者
931	2025-07-22	Automated Identification of Heart Failure with Reduced Ejection Fraction using Deep Learning-based Natural Language Processing 2023-Sep-11, medRxiv : the preprint server for health sciences DOI:10.1101/2023.09.10.23295315 PMID:37745445	研究论文	开发了一种基于深度学习的自然语言处理模型，用于从出院摘要中自动识别射血分数降低的心力衰竭（HFrEF）患者	采用半监督学习框架开发的新型深度学习语言模型，能够高精度地从临床笔记中识别HFrEF患者	研究主要依赖于特定医院的数据，可能在其他医疗环境中的泛化能力有待验证	开发自动化工具以评估和提高HFrEF患者的护理质量	射血分数降低的心力衰竭（HFrEF）患者	自然语言处理	心血管疾病	深度学习	深度学习语言模型	文本（出院摘要）	13,251份笔记来自5,392名独特个体，包括2,487名HFrEF患者
932	2025-07-22	T1dCteGui: A User-Friendly Clinical Trial Enrichment Tool to Optimize T1D Prevention Studies by Leveraging AI/ML Based Synthetic Patient Population 2023-09, Clinical pharmacology and therapeutics DOI:10.1002/cpt.2976 PMID:37326252	research paper	开发了一个用户友好的临床试验富集工具T1dCteGui，利用AI/ML生成的合成患者群体优化1型糖尿病预防研究	开发了一个基于深度学习的生成模型，用于生成合成患者群体，以支持临床试验富集工具的使用	工具依赖于合成患者群体，可能无法完全反映真实患者群体的多样性	优化1型糖尿病预防研究的临床试验富集策略	1型糖尿病高风险人群	digital pathology	type 1 diabetes	deep learning-based generative model	accelerated failure time model	clinical data	来自多个观察性研究的患者水平数据
933	2025-07-22	Confidence-based laboratory test reduction recommendation algorithm 2023-05-10, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-023-02187-3 PMID:37165369	研究论文	提出一种新的深度学习模型，用于识别住院患者不必要的血红蛋白(Hgb)检测，以降低健康风险和医疗成本	采用基于预测置信度的算法设计，选择性考虑高置信度样本进行推荐，并充分利用变量相关性和时间依赖性	未提及模型在更广泛医院或不同患者群体中的适用性验证	减少不必要的实验室检测，降低医疗成本和健康风险	住院患者的血红蛋白(Hgb)检测数据	机器学习	NA	深度学习	深度学习模型	实验室检测数据	来自休斯顿教学医院的内部患者数据和MIMIC III数据库的外部患者数据
934	2025-07-22	Deep learning-based polygenic risk analysis for Alzheimer's disease prediction 2023-Apr-06, Communications medicine IF:5.4Q1 DOI:10.1038/s43856-023-00269-x PMID:37024668	研究论文	本研究开发了基于深度学习的神经网络模型，用于建模阿尔茨海默病的多基因风险，并与其他统计模型进行比较	利用深度学习方法捕捉高维基因组数据中的非线性关系，提高了阿尔茨海默病风险预测的准确性，并揭示了疾病相关生物通路	未提及具体样本量及数据来源的详细信息，可能影响模型泛化能力	开发更准确的阿尔茨海默病多基因风险预测模型，并探索疾病机制	阿尔茨海默病的多基因风险	机器学习	阿尔茨海默病	深度学习方法	神经网络	基因组数据	NA
935	2025-07-22	Self-supervised semantic segmentation of retinal pigment epithelium cells in flatmount fluorescent microscopy images 2023-04-03, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btad191 PMID:37067486	research paper	提出了一种自监督语义分割方法（S4），用于视网膜色素上皮（RPE）细胞的准确分割，以支持RPE衰老研究中的大规模细胞形态学分析	开发了自监督学习策略和新的图像增强算法（AugCut），通过重建和成对表示损失以及形态学损失来提高分割网络的性能	未明确提及具体局限性，但可能依赖于自监督学习的效果和图像增强算法的适用性	提高视网膜色素上皮（RPE）细胞在荧光显微镜图像中的分割准确性，以支持衰老研究	视网膜色素上皮（RPE）细胞	digital pathology	geriatric disease	荧光显微镜成像	encoder-decoder architecture	image	大量荧光显微镜图像（具体数量未提及）
936	2025-07-22	The expert's knowledge combined with AI outperforms AI alone in seizure onset zone localization using resting state fMRI 2023, Frontiers in neurology IF:2.7Q3 DOI:10.3389/fneur.2023.1324461 PMID:38274868	研究论文	本研究评估了专家知识与AI结合在利用静息态功能MRI（rs-fMRI）连接组学定位癫痫发作区（SOZ）中的效果，发现其优于单独使用深度学习（DL）方法	结合专家知识与深度学习技术，显著提高了难治性癫痫（RE）患者SOZ定位的准确性和F1分数	样本量较小（52名儿童患者），且仅针对难治性癫痫患者进行研究	提高难治性癫痫患者癫痫发作区的定位准确性	52名难治性癫痫儿童患者的静息态功能MRI数据	数字病理学	癫痫	静息态功能MRI（rs-fMRI）连接组学	深度学习（DL）	图像	52名难治性癫痫儿童患者
937	2025-07-22	Comparison of Retinal Imaging Techniques in Individuals with Pulmonary Artery Hypertension Using Vessel Generation Analysis 2022-Nov-28, Life (Basel, Switzerland) DOI:10.3390/life12121985 PMID:36556350	研究论文	比较视网膜成像技术在肺动脉高压患者中的应用，使用血管生成分析	首次比较了荧光素血管造影（FA）和彩色眼底（CF）成像在肺动脉高压（PAH）患者中的视网膜血管变化，并探讨了深度学习（DL）处理CF图像的潜力	样本量较小（n=9），且微血管变化未在两种成像技术中表现一致	确定CF成像是否能提供与FA相同的视网膜血管信息，以评估PAH患者的视网膜血管变化	肺动脉高压（PAH）患者的视网膜血管	数字病理学	肺动脉高压	荧光素血管造影（FA）、彩色眼底（CF）成像、深度学习（DL）	深度学习（DL）	图像	9名PAH患者
938	2025-07-22	Using deep learning for the automated identification of cone and rod photoreceptors from adaptive optics imaging of the human retina 2022-Oct-01, Biomedical optics express IF:2.9Q2 DOI:10.1364/BOE.470071 PMID:36425636	研究论文	本文介绍了一种名为RC-UPerNet的新型深度学习算法，用于从人类视网膜的自适应光学成像中自动识别锥体和杆体光感受器	提出了一种新的深度学习算法RC-UPerNet，能够同时识别锥体和杆体光感受器，其性能优于之前报道的基于AI的方法	NA	开发自动、稳健的算法以分析高分辨率、特征丰富的视网膜图像	人类视网膜中的锥体和杆体光感受器	计算机视觉	NA	自适应光学成像	RC-UPerNet	图像	从中央到周边视网膜延伸至距中央凹30°的鼻侧和颞侧方向的图像
939	2025-07-22	GPU Accelerated Estimation of a Shared Random Effect Joint Model for Dynamic Prediction 2022-Oct, Computational statistics & data analysis IF:1.5Q2 DOI:10.1016/j.csda.2022.107528 PMID:39257897	研究论文	本文提出了一种GPU加速的共享随机效应联合模型，用于动态预测纵向队列研究中的终端临床事件风险	结合新颖的两阶段估计程序和GPU编程（通过PyTorch实现），显著加速了联合模型的估计过程，特别是在处理大型数据集时	未提及具体的数据集规模限制或模型在特定条件下的适用性边界	解决纵向和生存数据联合模型在计算上的挑战，提高动态预测的效率和准确性	纵向队列研究中的受试者及其终端临床事件风险	机器学习	NA	GPU编程，PyTorch框架	共享随机效应联合模型	纵向数据，生存数据	大型数据集（具体数量未提及）
940	2025-07-22	A hybrid deep learning model for forecasting lymphocyte depletion during radiation therapy 2022-May, Medical physics IF:3.2Q1 DOI:10.1002/mp.15584 PMID:35229311	研究论文	本文提出了一种混合深度学习模型，用于预测食管癌患者在放射治疗期间淋巴细胞减少的趋势	提出了一种堆叠结构的混合深度学习模型，结合LSTM和神经网络处理多类特征，并开发了判别性核以提取时间特征和分配不同权重	研究仅基于860名食管癌患者的数据，可能无法推广到其他类型的癌症或更大规模的人群	预测放射治疗引起的淋巴细胞减少，以优化治疗计划并识别高风险患者	食管癌患者	数字病理	食管癌	深度学习	LSTM, 神经网络	临床数据和剂量学特征	860名接受同步放化疗的食管癌患者