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
101	2025-07-19	Deep learning diagnosis of hepatic echinococcosis based on dual-modality plain CT and ultrasound images: a large-scale, multicenter, diagnostic study 2025-07-01, International journal of surgery (London, England) DOI:10.1097/JS9.0000000000002486 PMID:40358633	research paper	开发并验证了一种基于平扫CT和超声的多模态深度学习诊断系统，用于提高肝包虫病、肝囊肿和肝脓肿的诊断准确性	结合平扫CT和超声的多模态深度学习系统，显著提高了肝包虫病等肝脏疾病的诊断准确性，超越了单一模态方法和经验丰富的医生诊断	研究主要集中在中国新疆地区的八家医院，可能在其他地区的泛化性有待验证	提高资源匮乏地区肝包虫病等肝脏疾病的影像筛查准确性	肝包虫病、肝囊肿、肝脓肿及健康肝脏	digital pathology	hepatic echinococcosis	plain CT和超声成像	EfficientNet3D和EfficientNet-B0	image	8979例病例，来自中国新疆八家医院，跨越18年
102	2025-07-19	Deep learning-based radiomics and machine learning for prognostic assessment in IDH-wildtype glioblastoma after maximal safe surgical resection: a multicenter study 2025-07-01, International journal of surgery (London, England) DOI:10.1097/JS9.0000000000002488 PMID:40391963	research paper	本研究构建并验证了一种基于放射组学和机器学习的模型，用于预测IDH野生型胶质母细胞瘤患者在最大安全手术切除后的总生存期	结合深度学习分割网络和放射组学特征，开发了一种新的预测模型，并通过多中心数据验证其性能	研究为回顾性设计，可能存在选择偏倚，且外部验证队列样本量相对较小	预测IDH野生型胶质母细胞瘤患者手术后的总生存期	582名IDH野生型胶质母细胞瘤患者	digital pathology	glioblastoma	MRI, radiomics	ResNet, Step Cox[backward] + RSF	medical imaging	582名患者（训练队列301名，内部验证128名，外部验证153名）
103	2025-07-19	Predicting NSCLC surgical outcomes using deep learning on histopathological images: development and multi-omics validation of Sr-PPS model 2025-07-01, International journal of surgery (London, England) DOI:10.1097/JS9.0000000000002526 PMID:40440686	研究论文	开发并验证了一种基于深度学习的模型Sr-PPS，用于预测非小细胞肺癌（NSCLC）患者术后结果	利用先进的Res2Net深度学习架构开发了新型手术预后预测评分系统（Sr-PPS），并通过多组学验证揭示了其分子机制	研究样本量相对有限，且依赖于TCGA数据库的外部验证	开发可靠的预测工具以准确预测NSCLC患者的术后结果	非小细胞肺癌（NSCLC）患者	数字病理学	肺癌	深度学习	Res2Net	组织病理学图像和临床数据	337例Local-NSCLC患者用于模型开发，554例NSCLC患者（来自TCGA数据库）用于验证
104	2025-07-19	Comparison of an Attention-Based Multiple Instance Learning (MIL) With a Visual Transformer Model: Two Weakly Supervised Deep Learning (DL) Algorithms for the Detection of Histopathologic Lesions in the Rat Liver to Distinguish Normal From Abnormal 2025-Jul, Toxicologic pathology IF:1.4Q4 DOI:10.1177/01926233251339653 PMID:40444726	研究论文	比较基于注意力的多实例学习（MIL）与视觉Transformer模型在弱监督深度学习算法中检测大鼠肝脏组织病理学病变的效果	首次在弱监督框架下比较MIL和视觉Transformer模型在组织病理学病变检测中的表现，并展示了模型在肾脏WSIs上的迁移学习能力	研究仅基于大鼠肝脏和肾脏的WSIs，未涉及其他器官或物种	提高监管毒性研究中组织病理学评估的效率	大鼠肝脏和肾脏的WSIs	数字病理学	NA	弱监督深度学习	MIL, Transformer	WSIs	58项不同大鼠毒性研究的肝脏切片WSIs
105	2025-07-19	Artificial Intelligence in Obstetric and Gynecological MR Imaging 2025-Jul-01, Magnetic resonance in medical sciences : MRMS : an official journal of Japan Society of Magnetic Resonance in Medicine IF:2.5Q2 DOI:10.2463/mrms.rev.2024-0077 PMID:39477505	综述	本文回顾了人工智能在产科和妇科MRI影像中的重大进展和应用	从基础算法技术到深度学习和高级放射组学的AI发展历程，以及AI在特定疾病诊断中的应用	未提及具体的技术实施细节和数据集的具体规模	探索AI在产科和妇科MRI影像中的应用及其未来发展方向	子宫平滑肌肉瘤、子宫内膜癌、宫颈癌、卵巢肿瘤和胎盘植入等妇科疾病	数字病理学	妇科疾病	MRI、深度学习、放射组学	NA	MRI影像	NA
106	2025-07-19	Multimodal AI to forecast arrhythmic death in hypertrophic cardiomyopathy 2025-Jul, Nature cardiovascular research IF:9.4Q1 DOI:10.1038/s44161-025-00679-1 PMID:40603582	研究论文	本文提出了一种名为MAARS的多模态人工智能方法，用于预测肥厚型心肌病患者的致命性心律失常事件	MAARS利用基于transformer的神经网络分析多模态医疗数据，包括电子健康记录、超声心动图和放射学报告以及对比增强心脏磁共振图像，后者是该模型的独特特征	NA	提高肥厚型心肌病患者致命性心律失常事件的预测准确性	肥厚型心肌病患者	人工智能在医疗领域的应用	心血管疾病	深度学习	transformer-based神经网络	多模态医疗数据（电子健康记录、超声心动图、放射学报告、心脏磁共振图像）	内部和外部队列患者（具体数量未提及）
107	2025-07-19	Dynamic frame-by-frame motion correction for 18F-flurpiridaz PET-MPI using convolution neural network 2025-Jul-01, medRxiv : the preprint server for health sciences DOI:10.1101/2025.06.27.25330436 PMID:40630596	research paper	提出了一种基于深度学习的自动运动校正框架，用于18F-flurpiridaz PET心肌灌注成像	使用3D ResNet架构实现自动帧间运动校正，减少人工干预和观察者间差异	研究仅基于32个临床站点的数据，可能需要更大规模验证	提高18F-flurpiridaz PET心肌血流定量分析的准确性和效率	18F-flurpiridaz PET心肌灌注成像数据	digital pathology	cardiovascular disease	PET成像	3D ResNet	3D医学影像	来自32个临床站点的多中心数据（NCT01347710临床试验）
108	2025-07-19	Noise-aware system generative model (NASGM): positron emission tomography (PET) image simulation framework with observer validation studies 2025-Jul, Medical physics IF:3.2Q1 DOI:10.1002/mp.17962 PMID:40660861	研究论文	开发并验证了一种基于深度学习的PET图像模拟方法NASGM，用于生成不同采集时间的PET图像	提出了一种新型的噪声感知系统生成模型（NASGM），采用双域鉴别器和基于Transformer的频率鉴别器结构，能够更好地模拟不同采集时间的PET图像	未提及在超出训练范围的时间帧上的泛化能力	开发一种计算高效的PET图像模拟框架，用于生成大量不同采集时间的模拟PET图像数据集	PET图像	医学影像处理	NA	深度学习生成模型	条件生成对抗网络（cGAN）	医学影像（PET/CT）	使用公共PET/CT数据集作为输入活动和衰减图
109	2025-07-19	Use of a deep learning neural network to generate bone suppressed images for markerless lung tumor tracking 2025-Jul, Medical physics IF:3.2Q1 DOI:10.1002/mp.17949 PMID:40660921	研究论文	本研究使用U-net神经网络生成骨抑制图像，用于无标记肺部肿瘤追踪	提出了一种使用U-net神经网络生成合成双能减影（sDES）图像的方法，无需额外硬件或软件	研究样本量有限，仅包括20名肺癌患者和一个运动体模	比较合成双能减影（sDES）图像与真实双能减影（DES）图像在图像质量和追踪结果上的差异	运动体模和20名肺癌患者的X射线图像	数字病理	肺癌	双能减影（DES）和U-net神经网络	U-net	X射线图像	20名肺癌患者和1个运动体模，共7193张图像对
110	2025-07-19	CATH-ddG: towards robust mutation effect prediction on protein-protein interactions out of CATH homologous superfamily 2025-Jul-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf228 PMID:40662779	研究论文	提出了一种名为CATH-ddG的新方法，用于预测蛋白质-蛋白质相互作用中突变效应，以提高预测的鲁棒性	通过结合CATH同源超家族、物理能量约束和蛋白质3D结构，采用混合噪声策略进行数据增强，并引入几何编码器场景来表示突变微环境差异，同时通过轻量级非线性模块微调ESM2表示，实现了序列共进化信息的可迁移性	深度学习模型可能因潜在的数据泄漏而高估性能，且在处理硬突变（最大TM分数<0.6）时泛化能力仍有挑战	提高蛋白质-蛋白质相互作用中突变效应预测的准确性和鲁棒性，以支持药物设计和疾病机制研究	蛋白质-蛋白质相互作用中的突变效应	生物信息学	NA	深度学习、几何编码、数据增强	CATH-ddG、ESM2	蛋白质3D结构、序列数据	419种人类表皮生长因子受体2（HER2）抗体变体和285种SARS-CoV-2受体结合域（RBD）变体
111	2025-07-19	GASTON-Mix: a unified model of spatial gradients and domains using spatial mixture-of-experts 2025-Jul-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf254 PMID:40662777	研究论文	介绍了一种名为GASTON-Mix的机器学习算法，用于从空间分辨转录组学数据中识别空间域和每个域内的空间梯度	GASTON-Mix扩展了混合专家（MoE）深度学习框架，结合了MoE模型的聚类组件和神经场模型，能够表示组织中空间域的任何几何排列，并在每个域内定义基因表达的连续梯度	未明确提及具体限制	开发一种计算方法来量化基因表达的空间变异，同时考虑空间域和连续梯度	空间分辨转录组学（SRT）数据	机器学习	NA	空间分辨转录组学（SRT）	混合专家（MoE）深度学习框架	基因表达数据	NA
112	2025-07-19	Top-DTI: integrating topological deep learning and large language models for drug-target interaction prediction 2025-Jul-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf183 PMID:40662785	研究论文	提出了一种结合拓扑深度学习和大型语言模型的药物-靶点相互作用预测框架Top-DTI	整合拓扑数据分析和大型语言模型，利用持久同源性提取蛋白质接触图和药物分子图像的拓扑特征，同时生成蛋白质和药物的语义丰富嵌入	NA	提高药物-靶点相互作用预测的准确性和鲁棒性	药物和蛋白质	机器学习	NA	拓扑数据分析（TDA）、大型语言模型（LLMs）	Top-DTI	蛋白质接触图、药物分子图像、蛋白质序列、药物SMILES字符串	公共BioSNAP和Human DTI基准数据集
113	2025-07-19	Understanding the sources of performance in deep drug response models reveals insights and improvements 2025-Jul-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf255 PMID:40662789	research paper	该研究探讨了深度药物反应预测模型的性能来源，并提出了改进方法	揭示了药物特征对性能无贡献，性能主要来自细胞系的转录组学特征，并提出了新的二元预测模型BinaryET和BinaryCB	现有模型的性能很大程度上依赖于训练目标值，且药物特征未被有效利用	改进抗癌药物反应预测模型的性能	抗癌药物反应预测	machine learning	cancer	深度学习	transformer-type architecture	omics profiles, chemical structures	NA
114	2025-07-19	HIG-Syn: a hypergraph and interaction-aware multigranularity network for predicting synergistic drug combinations 2025-Jul-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf215 PMID:40662801	研究论文	提出了一种名为HIG-Syn的超图和交互感知多粒度网络模型，用于预测药物组合的协同作用	整合了粗粒度和细粒度模块，前者使用超图捕捉全局特征，后者通过交互感知注意力模拟生物过程，建模子结构-子结构和子结构-细胞系相互作用	模型在实际应用中的准确性仍需提高，且大多数方法忽视了模型的生物学意义	开发深度学习方法来预测药物协同组合的目标	药物组合	机器学习	NA	深度学习	HIG-Syn	药物组合数据	从DrugComb和GDSC2数据库中提取的验证数据集
115	2025-07-19	GRACKLE: an interpretable matrix factorization approach for biomedical representation learning 2025-Jul-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf213 PMID:40662804	研究论文	介绍了一种名为GRACKLE的新型非负矩阵分解方法，用于生物医学表示学习	GRACKLE方法结合了样本相似性和基因相似性矩阵，利用样本元数据和分子关系，提高了对疾病特异性基因特征的识别能力	当前模型未同时考虑分子相互作用的先验知识和样本标签	开发一种能够识别疾病特异性基因特征的表示学习方法	基因表达数据	生物医学研究	乳腺癌、唐氏综合症	非负矩阵分解(NMF)	GRACKLE	基因表达数据	NA
116	2025-07-19	GPO-VAE: modeling explainable gene perturbation responses utilizing GRN-aligned parameter optimization 2025-Jul-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf256 PMID:40662800	研究论文	提出了一种名为GPO-VAE的可解释变分自编码器，通过基因调控网络对齐的参数优化来建模基因扰动响应	GPO-VAE通过将基因调控网络（GRN）的概念融入VAE设计，增强了模型的可解释性，并在潜在空间中明确建模基因调控网络	未提及具体局限性	预测细胞对基因扰动的响应，以理解生物系统并开发靶向治疗策略	基因扰动响应和基因调控网络	机器学习	NA	变分自编码器（VAE）	GPO-VAE（基于VAE）	基因表达数据	多个基准数据集（未提及具体数量）
117	2025-07-19	Deep learning models for unbiased sequence-based PPI prediction plateau at an accuracy of 0.65 2025-Jul-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf192 PMID:40662806	research paper	该研究探讨了基于序列的蛋白质-蛋白质相互作用（PPI）预测的深度学习模型性能，发现其准确率在0.65处达到平台期	揭示了ESM-2蛋白质嵌入在性能提升中的关键作用，并发现所有测试模型在准确率上均达到0.65的平台期	基于序列的模型无法隐式学习接触图作为中间层，可能需要其他输入类型（如结构）来提高预测可靠性	评估和改进基于序列的蛋白质-蛋白质相互作用预测方法	蛋白质-蛋白质相互作用（PPI）	machine learning	NA	ESM-2 protein embeddings	深度学习模型（未指定具体类型）	蛋白质序列数据	NA
118	2025-07-19	From high-throughput evaluation to wet-lab studies: advancing mutation effect prediction with a retrieval-enhanced model 2025-Jul-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf189 PMID:40662802	research paper	介绍了一种名为VenusREM的检索增强蛋白质语言模型，用于预测突变效应，并在酶工程中验证其性能	提出了一种新的检索增强蛋白质语言模型VenusREM，能够捕捉氨基酸在空间和时间尺度上的局部相互作用，并在高吞吐量基准测试和湿实验室实验中验证了其性能	仅针对217个ProteinGym基准测试和30多个突变体进行了验证，样本量相对有限	开发一种高性能的计算工具，用于预测突变效应并优化酶的性能	蛋白质序列、结构和功能的关系，特别是VHH抗体和DNA聚合酶的突变体	machine learning	NA	蛋白质语言模型，湿实验室实验	VenusREM	蛋白质序列数据	217个ProteinGym基准测试和30多个突变体
119	2025-07-19	Soffritto: a deep learning model for predicting high-resolution replication timing 2025-Jul-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf231 PMID:40662815	研究论文	开发了一个名为Soffritto的深度学习模型，用于预测高分辨率的复制时序数据	利用双组分RT数据、组蛋白ChIP-seq数据、GC含量和基因密度作为输入，通过LSTM模块预测高分辨率RT数据	高分辨率Repli-Seq数据生成成本高且技术挑战大，目前可用数据有限	预测高分辨率复制时序数据以提升RT特征的检测能力	人类和小鼠的五个细胞系	机器学习	NA	Repli-Seq, ChIP-seq, DNA测序	LSTM	基因组数据	五个人类和小鼠细胞系
120	2025-07-19	TCR-epiDiff: solving dual challenges of TCR generation and binding prediction 2025-Jul-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf202 PMID:40662810	研究论文	提出了一种基于扩散的深度学习模型TCR-epiDiff，用于生成特定于表位的TCR并预测TCR与表位的结合	整合表位信息于TCR序列嵌入过程，并采用去噪扩散概率模型进行序列生成，同时开发了TCR-表位结合预测器	未提及模型在更广泛数据集上的泛化能力或计算资源需求	解决TCR生成和结合预测的双重挑战，以促进疫苗和免疫疗法的设计	T细胞受体（TCRs）及其与表位的结合	机器学习	NA	ProtT5-XL嵌入，去噪扩散概率模型	扩散模型	序列数据	未明确提及具体样本量，但使用了外部验证数据集