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
1021	2025-05-31	YOLOv11-Based quantification and temporal analysis of repetitive behaviors in deer mice 2025-May-12, Neuroscience IF:2.9Q2 DOI:10.1016/j.neuroscience.2025.05.017 PMID:40368233	研究论文	本研究提出了一种基于YOLOv11的自动化系统，用于鹿鼠重复行为的量化与时间分析	结合YOLOv11深度学习直接进行行为分类，绕过初始运动特征工程，提供客观、高通量的行为频率、持续时间及复杂时间组织量化方法	NA	详细描述鹿鼠行为的时间动态，为未来研究自然变异和实验操作提供基线数据和分析工具	鹿鼠（Peromyscus maniculatus bairdii）	计算机视觉	NA	YOLOv11深度学习	YOLOv11	视频	NA
1022	2025-05-31	Energy-Efficient Fall-Detection System Using LoRa and Hybrid Algorithms 2025-May-12, Biomimetics (Basel, Switzerland) DOI:10.3390/biomimetics10050313 PMID:40422143	研究论文	介绍了一种结合LoRa技术和混合算法的高效能跌倒检测系统	提出了一种混合系统，结合了基于阈值的初步检测和基于CNN-LSTM的深度学习模型，以提高分类准确性，并通过LoRa技术实现长距离、低能耗的通信	实验中使用的是模拟跌倒数据，可能无法完全反映真实场景中的复杂性	开发一种高效能、高精度的跌倒检测系统，以提升老年人和行动不便人士的安全和生活质量	老年人和行动不便人士	可穿戴设备	老年疾病	LoRa, CNN, LSTM	CNN-LSTM	加速度数据	实验中使用模拟跌倒数据和日常活动数据，具体样本数量未提及
1023	2025-05-31	ROICellTrack: a deep learning framework for integrating cellular imaging modalities in subcellular spatial transcriptomic profiling of tumor tissues 2025-May-06, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf152 PMID:40199763	research paper	开发了一个名为ROICellTrack的深度学习框架，用于更好地整合细胞成像与空间转录组分析	提出了一种新的深度学习框架ROICellTrack，能够更有效地整合细胞成像和空间转录组数据，用于分析肿瘤微环境	研究仅基于56个ROI样本，样本量较小，可能影响结果的普适性	旨在通过整合成像和转录组数据，提高对肿瘤异质性的理解，以支持个性化和靶向治疗	膀胱尿路上皮癌和上尿路尿路上皮癌的肿瘤组织	digital pathology	urothelial carcinoma	GeoMx Digital Spatial Profiler, 空间转录组技术	deep learning	image, transcriptomic data	56个ROI样本
1024	2025-05-31	MultiSEss: Automatic Sleep Staging Model Based on SE Attention Mechanism and State Space Model 2025-May-03, Biomimetics (Basel, Switzerland) DOI:10.3390/biomimetics10050288 PMID:40422118	research paper	提出了一种名为MultiSEss的创新深度学习架构，用于解决自动睡眠阶段分类中的关键问题	结合了多尺度卷积模块和Squeeze-and-Excitation注意力机制，并采用状态空间序列耦合模块来更准确地捕获和整合多模态数据之间的相关性	未提及具体的局限性	提高自动睡眠阶段分类的准确性，以改善睡眠障碍的诊断和治疗	睡眠阶段分类	machine learning	sleep disorders	深度学习	CNN, SE注意力机制, 状态空间模型	多模态数据	Sleep-EDF-20和Sleep-EDF-78数据集
1025	2025-05-31	FakeRotLib: expedient non-canonical amino acid parameterization in Rosetta 2025-May-02, bioRxiv : the preprint server for biology DOI:10.1101/2025.02.27.640629 PMID:40093079	research paper	介绍了一种名为FakeRotLib的方法，用于在Rosetta中快速参数化非经典氨基酸	提出FakeRotLib方法，通过小分子构象统计拟合创建旋转异构体分布，显著提升参数化效率并扩展可建模的NCAA类型	未提及具体的数据集规模或验证范围	改进Rosetta中非经典氨基酸的参数化方法	非经典氨基酸（NCAAs）	计算生物学	NA	统计拟合、小分子构象分析	FakeRotLib	分子构象数据	NA
1026	2025-05-31	A Bio-Inspired Learning Dendritic Motion Detection Framework with Direction-Selective Horizontal Cells 2025-May-02, Biomimetics (Basel, Switzerland) DOI:10.3390/biomimetics10050286 PMID:40422116	research paper	提出了一种受生物启发的可学习水平细胞树突神经元模型（HCdM），用于高效且鲁棒的运动方向检测	HCdM模型模仿树突神经元的局部处理机制，通过突触学习修剪不必要部分，在噪声图像中保持高准确度，特别是在椒盐噪声下表现优异	未来研究需要将HCdM与在复杂视觉场景中表现优异的SOTA模型结合以增强其适应性	开发一种高效且鲁棒的运动方向检测模型	运动方向检测	computer vision	NA	NA	HCdM	image	NA
1027	2025-05-31	High-throughput markerless pose estimation and home-cage activity analysis of tree shrew using deep learning 2025-May, Animal models and experimental medicine IF:3.8Q2 DOI:10.1002/ame2.12530 PMID:39846430	research paper	该研究提出了一种基于深度学习的无标记姿态估计方法，用于量化树鼩的笼内活动并识别多种自发行为	开发了一种高效的高通量方法，可同时监测16只树鼩的长期笼内活动，并创新性地建立了研究抓取行为的系统	未提及方法的泛化能力或其他潜在限制	量化树鼩的自然行为以更好地理解其日常活动并建立疾病模型	树鼩的自发行为（如饮水、进食、休息等）	machine learning	NA	deep learning	DL	video	16只树鼩
1028	2025-05-31	Single Cell Inference of Cancer Drug Response Using Pathway-Based Transformer Network 2025-05, Small methods IF:10.7Q1 DOI:10.1002/smtd.202400991 PMID:39962810	research paper	该研究开发了一个基于Transformer的深度学习模型scPDS，用于从单细胞RNA测序数据预测癌症药物敏感性	通过整合大量细胞系数据集中的批量RNA测序数据，scPDS模型提高了单细胞RNA测序分析的准确性和计算效率，并在时间和内存消耗上优于现有方法	NA	预测癌症药物反应以优化个性化治疗方案	乳腺癌细胞和患者	machine learning	breast cancer	scRNA-seq, bulk RNA-seq	Transformer	RNA-seq数据	NA
1029	2025-05-31	On-patient medical record and mRNA therapeutics using intradermal microneedles 2025-May, Nature materials IF:37.2Q1 DOI:10.1038/s41563-024-02115-4 PMID:39994390	研究论文	本文介绍了一种不可见的皮肤内微针技术，用于在患者皮肤上准确存储医疗信息，同时递送mRNA治疗药物	开发了一种结合医疗记录存储和mRNA治疗的皮肤内微针技术，并采用深度学习图像处理进行信息编码解码	研究仅在猪模型中进行长期验证，尚未进行人体临床试验	开发可靠的即时医疗记录保存技术以改善全球医疗公平性	皮肤内微针技术及其在医疗记录保存和mRNA治疗中的应用	生物医学工程	SARS-CoV-2感染	mRNA治疗技术、近红外荧光微粒标记、深度学习图像处理	深度学习模型	图像数据	猪模型长期研究
1030	2025-05-31	Aligning, Autoencoding and Prompting Large Language Models for Novel Disease Reporting 2025-05, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2025.3534586 PMID:40031357	research paper	提出了一种基于提示的深度学习框架PromptLLM，用于准确高效地生成新疾病的放射学报告	通过视觉图像与文本报告的对齐、无标签数据的自编码以及提示LLM学习新疾病的知识和写作风格，减少对大量标注数据的依赖	实验仅针对COVID-19和多种胸部疾病进行验证，可能在其他疾病上的泛化能力有限	开发一种能够在新疾病数据有限的情况下生成准确放射学报告的方法	放射学图像和新疾病的报告生成	natural language processing	COVID-19, thorax diseases	prompt-based deep learning	LLM	image, text	仅使用1%的训练数据
1031	2025-05-31	Deep learning reconstruction for accelerated 3-D magnetic resonance cholangiopancreatography 2025-May, La Radiologia medica DOI:10.1007/s11547-025-01987-z PMID:40100541	研究论文	本研究比较了传统的三维磁共振胰胆管造影（MRCP）序列与深度学习加速的MRCP序列（MRCPDL）在采集时间和图像质量方面的表现	使用深度学习技术加速MRCP序列，显著减少采集时间并保持图像质量	研究样本量较小（30名参与者），且仅在单一三级中心进行	比较传统MRCP序列与深度学习加速MRCP序列的性能	接受MRCP检查的连续患者	医学影像	NA	深度学习加速的磁共振胰胆管造影	深度学习	医学影像	30名参与者（16名男性，14名女性，平均年龄63±15岁）
1032	2025-05-31	Deep learning-based segmentation of ultra-low-dose CT images using an optimized nnU-Net model 2025-May, La Radiologia medica DOI:10.1007/s11547-025-01989-x PMID:40100539	研究论文	本研究开发了一种基于深度学习的管道，用于在超低剂量CT图像上进行器官分割	针对低剂量CT图像开发了专用的LD-nnU-Net模型，相较于传统FD-nnU-Net模型在低剂量图像上表现更优	研究仅使用了274个CT原始数据集，样本量可能不足以覆盖所有临床场景	开发适用于超低剂量CT图像的器官分割深度学习模型	低剂量CT图像中的22个器官	数字病理	NA	CT成像	nnU-Net	图像	274个CT原始数据集
1033	2025-05-31	Development and validation of pan-cancer lesion segmentation AI-model for whole-body 18F-FDG PET/CT in diverse clinical cohorts 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110052 PMID:40127518	研究论文	开发并验证了一种基于深度学习的全身18F-FDG PET/CT图像病灶分割AI模型，适用于多种临床队列	提出了一种不依赖病灶位置和部位的深度学习自动分割模型，并在多种未见过的临床队列中进行了验证	模型在测试集和PHEO队列中遗漏了小体积和低摄取病灶，且在OS和ST队列中假阳性和假阴性病灶的体积和摄取无显著差异	开发一种适用于全身18F-FDG PET/CT图像的自动病灶分割AI模型	全身18F-FDG PET/CT图像中的病灶	数字病理学	多种癌症（骨肉瘤、神经母细胞瘤、儿童实体瘤、成人嗜铬细胞瘤/副神经节瘤）	18F-FDG PET/CT成像	3D U-Net（特别是3D full resolution nnUNet）	3D医学影像	训练、验证和测试集共1014例全身FDG-PET/CT图像，外加3个未见过的临床队列（OS队列13例，ST队列14例，PHEO队列40例）
1034	2025-05-31	IR-GPT: AI Foundation Models to Optimize Interventional Radiology 2025-May, Cardiovascular and interventional radiology IF:2.8Q2 DOI:10.1007/s00270-024-03945-0 PMID:40140092	研究论文	本文探讨了如何为介入放射学（IR）定制基础人工智能（AI）模型，提出了IR-GPT的设计理念	首次提出为介入放射学定制基础AI模型IR-GPT，旨在提供一个统一的AI平台	未具体说明模型实现细节及实际应用效果	优化介入放射学中的AI应用	介入放射学相关的AI基础模型	数字病理学	NA	深度学习	GPT	文本、医学图像	NA
1035	2025-05-31	Unsupervised Test-Time Adaptation for Hepatic Steatosis Grading Using Ultrasound B-Mode Images 2025-05, IEEE transactions on ultrasonics, ferroelectrics, and frequency control DOI:10.1109/TUFFC.2025.3555180 PMID:40138246	研究论文	本文提出了一种无监督的测试时间自适应方法，用于超声B模式图像的肝脏脂肪变性分级	提出了一种测试时间批量归一化（TTN）技术，专门针对标签分布变化引起的域偏移，通过调整训练好的卷积神经网络模型中批量归一化层的选定特征来实现无监督自适应	方法仅在两个不同机构收集的腹部超声数据集上进行了评估，可能需要更多样化的数据集验证其泛化能力	解决肝脏脂肪变性分级中因临床环境差异导致的域偏移问题，提高模型在不同临床环境中的泛化能力	超声B模式图像中的肝脏脂肪变性分级	数字病理学	肝脏疾病	无监督域适应技术	CNN	图像	两个不同机构收集的腹部超声数据集
1036	2025-05-31	DeepRNA-Twist: language-model-guided RNA torsion angle prediction with attention-inception network 2025-May-01, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaf199 PMID:40315431	研究论文	提出了一种名为DeepRNA-Twist的新型深度学习框架，用于直接从序列预测RNA的扭转角和伪扭转角	结合了RNA语言模型嵌入和2A3IDC模块（注意力增强的Inception网络与扩张卷积和多头注意力机制），显著提高了预测准确性	未提及具体的数据集规模限制或计算资源需求	解决RNA结构预测中扭转角和伪扭转角准确预测的挑战	RNA分子的扭转角和伪扭转角	自然语言处理	NA	RNA语言模型嵌入，扩张卷积，多头注意力机制	Attention-inception network	RNA序列	在RNA-Puzzles、CASP-RNA和SPOT-RNA-1D等基准数据集上进行了评估
1037	2025-05-31	Deep scSTAR: leveraging deep learning for the extraction and enhancement of phenotype-associated features from single-cell RNA sequencing and spatial transcriptomics data 2025-May-01, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaf160 PMID:40315434	研究论文	介绍了一种基于深度学习的工具Deep scSTAR，用于增强单细胞RNA测序和空间转录组数据中与表型相关的特征	开发了Deep scSTAR工具，能够识别与疾病表型相关的细胞特征，并在多种癌症中验证其应用	未提及具体的技术限制或数据处理的挑战	提高从单细胞RNA测序和空间转录组数据中提取与表型相关特征的能力	单细胞RNA测序和空间转录组数据	生物信息学	非小细胞肺癌、肾细胞癌、肝细胞癌	单细胞RNA测序、空间转录组学	深度学习	基因表达数据	NA
1038	2025-05-31	An overview of computational methods in single-cell transcriptomic cell type annotation 2025-May-01, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaf207 PMID:40347979	综述	本文系统回顾了基于单细胞RNA测序数据的细胞类型注释计算方法	全面比较和分类了现有的细胞类型注释方法，并探讨了深度学习技术在解决数据不平衡和罕见细胞类型识别中的潜力	未提及具体方法的性能比较或实验验证结果	总结和比较单细胞转录组数据中的细胞类型注释方法	单细胞RNA测序数据	生物信息学	NA	单细胞RNA测序	监督学习、深度学习	基因表达数据	NA
1039	2025-05-31	Predicting the structures of cyclic peptides containing unnatural amino acids by HighFold2 2025-May-01, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaf202 PMID:40350698	research paper	本文介绍了一种名为HighFold2的新模型，用于预测含有非天然氨基酸的环肽的三维结构	HighFold2基于AlphaFold-Multimer框架，首次将预定义的刚性基团及其初始原子坐标从天然氨基酸扩展到非天然氨基酸，并引入额外的神经网络来表征肽的原子级特征，同时构建了基于不同环化约束的环肽相对位置编码矩阵	NA	准确预测含有非天然氨基酸的环肽的三维结构，以促进基于环肽的药物发现	含有非天然氨基酸的环肽及其与蛋白质的复合物	machine learning	NA	deep learning	HighFold2 (基于AlphaFold-Multimer框架)	3D结构数据	NA
1040	2025-05-31	MMsurv: a multimodal multi-instance multi-cancer survival prediction model integrating pathological images, clinical information, and sequencing data 2025-May-01, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaf209 PMID:40366860	research paper	该研究提出了一种名为MMSurv的多模态深度学习模型，用于整合病理图像、临床信息和测序数据以预测多种癌症患者的生存率	提出了一种基于紧凑双线性池化和Transformer的新型多模态融合方法，并采用双层多实例学习模型剔除与预后无关的图像块	模型仅在TCGA的六种癌症类型上进行了验证，未在其他独立数据集上测试	开发一个可解释的多模态深度学习模型以提高癌症患者生存率预测的准确性	癌症患者的病理图像、临床信息和测序数据	digital pathology	multi-cancer	deep learning, word embedding, cell segmentation	Transformer, multi-instance learning model	image, text, sequencing data	TCGA数据库中的六种癌症类型数据