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
13421	2025-10-07	Improving Diagnostic Performance of MRI for Temporal Lobe Epilepsy With Deep Learning-Based Image Reconstruction in Patients With Suspected Focal Epilepsy 2024-04, Korean journal of radiology IF:4.4Q1 DOI:10.3348/kjr.2023.0842 PMID:38528695	研究论文	评估基于深度学习的图像重建技术对颞叶癫痫MRI诊断性能的提升效果	首次将深度学习图像重建技术应用于1.5毫米层厚MRI，显著提升颞叶癫痫的诊断敏感性	回顾性研究设计，样本量有限（117例患者），特异性较常规MRI有所降低	提高颞叶癫痫的MRI诊断准确性	117例疑似局灶性癫痫患者的MRI图像	医学影像分析	颞叶癫痫	MRI，深度学习图像重建	深度学习	医学影像	117例患者（34例TLE患者，83例非TLE患者）	NA	NA	敏感性，特异性，准确率，信噪比，对比噪声比	NA
13422	2025-10-07	USE-Evaluator: Performance metrics for medical image segmentation models supervised by uncertain, small or empty reference annotations in neuroimaging 2023-Dec, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2023.102927 PMID:37672900	研究论文	本文提出了一种针对医学图像分割模型的性能评估方法，专门处理不确定、小范围或空参考标注的神经影像数据	针对医学图像分割中不确定、小范围或空参考标注的特殊情况，系统研究并提出了专门的评估指标和方法	研究主要基于脑卒中内部数据集，需要更多临床数据验证通用性	开发适用于临床环境中具有挑战性分割任务的医学图像分割模型性能评估指标	医学图像分割模型在神经影像数据上的性能评估	医学图像分析	脑卒中	医学图像分割	深度学习框架	医学影像	脑卒中内部数据集，并与BRATS 2019和脊髓公开数据集对比	标准深度学习框架	NA	Dice系数及其他分割评估指标	NA
13423	2025-10-07	DTF-diffusion: A 3D equivariant diffusion generation model based on ligand-target information fusion 2025-Aug, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108392 PMID:40020563	研究论文	提出了一种基于配体-靶点信息融合的三维等变扩散生成模型DTF-diffusion，用于生成与特定靶蛋白结合的合理药物分子	首次将配体与靶点的三维位置特征信息进行融合，并设计了化学规则判别模块来提升生成分子结构的合理性	NA	开发能够生成与特定靶蛋白结合且结构合理的药物分子的深度学习模型	药物分子和靶蛋白	机器学习	NA	扩散模型	扩散生成模型	三维分子结构数据	基于CrossDocket2020数据集	NA	DTF-diffusion	药物相似性指数，药物有效性指数	NA
13424	2025-10-07	Brain tumor segmentation and classification using MRI: Modified segnet model and hybrid deep learning architecture with improved texture features 2025-Aug, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108381 PMID:40020564	研究论文	提出一种基于MRI的脑肿瘤自动分割与分类方法，采用改进的Segnet模型和混合深度学习架构	提出改进的Segnet模型采用新池化操作，并开发结合Bi-LSTM和改进Linknet的混合深度学习架构，融合多种改进的纹理特征	NA	开发自动化的脑肿瘤分割与分类系统以提高诊断效率和准确性	脑肿瘤MRI图像	计算机视觉	脑肿瘤	磁共振成像(MRI)	CNN, Bi-LSTM	医学图像(MRI)	NA	NA	Modified Segnet, Bi-LSTM, Modified Linknet	准确率	NA
13425	2025-04-22	PocketDTA: A pocket-based multimodal deep learning model for drug-target affinity prediction 2025-Aug, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108416 PMID:40073710	研究论文	提出了一种基于口袋的多模态深度学习模型PocketDTA，用于药物-靶标亲和力预测	引入了口袋图结构，编码蛋白质残基特征作为节点，边代表不同的蛋白质序列和空间距离，克服了传统模型仅依赖蛋白质序列输入缺乏空间信息的限制	未明确提及具体局限性	提高药物-靶标亲和力预测的准确性和泛化能力	药物和蛋白质	机器学习	NA	深度学习	关系图卷积网络（Relational Graph Convolutional Networks）	序列数据和结构数据	多个基准数据集（具体数量未提及）	NA	NA	NA	NA
13426	2025-04-22	Multiple omics-based machine learning reveals specific macrophage sub-clusters in renal ischemia-reperfusion injury and constructs predictive models for transplant outcomes 2025-Aug, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108421 PMID:40086342	研究论文	本研究通过多组学机器学习方法揭示了肾缺血再灌注损伤中特定的巨噬细胞亚群，并构建了移植结果的预测模型	创新性地将基因表达矩阵转化为独特的图形像素模块，并应用先进的计算机视觉处理算法构建DGF预测模型，同时使用10种机器学习算法的111种组合开发移植物存活的预测特征	研究主要基于GEO数据库的scRNA-Seq数据，可能需要更多独立队列验证模型的普适性	分析巨噬细胞在IRI中的发育和分化特征，识别IRI的特定分子亚型，并建立DGF和移植物存活的预测策略	肾缺血再灌注损伤中的巨噬细胞亚群和移植受者	数字病理	肾脏疾病	scRNA-Seq, bulk RNA-Seq, qRT-PCR, WB, IHC	深度学习算法, 随机生存森林算法	基因表达数据, 图像数据	GEO数据库中的scRNA-Seq数据和小鼠IRI模型	NA	NA	NA	NA
13427	2025-04-22	On construction of data preprocessing for real-life SoyLeaf dataset & disease identification using Deep Learning Models 2025-Aug, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108417 PMID:40086344	research paper	该论文构建了一个真实的大豆叶片数据集SoyLeaf，并应用深度学习模型进行叶片病害识别	开发了包含9786张高质量大豆叶片图像的真实数据集SoyLeaf，并比较了多种预训练深度学习模型在该数据集上的表现	未提及模型在实际田间环境中的泛化能力测试	解决大豆叶片病害识别中高质量样本不足的问题	大豆叶片（健康与病害叶片）	computer vision	soybean leaf diseases	transfer learning	ResNet50V2, ResNet101V2, ResNet152V2, InceptionV3, InceptionResNetV2, MobileNet, MobileNetV2, DenseNet121, DenseNet169	image	9786张大豆叶片图像	NA	NA	NA	NA
13428	2025-04-22	Application of Machine Learning (ML) approach in discovery of novel drug targets against Leishmania: A computational based approach 2025-Aug, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108423 PMID:40086345	review	本文提出了一种基于机器学习的计算流程，用于预测抗利什曼病药物的活性	利用先进的机器学习和深度学习方法构建计算流程，克服传统方法的局限性	面临数据收集、特征提取和选择等挑战，需要进一步优化	优化抗利什曼病药物的发现和设计过程	具有抗利什曼活性的分子	machine learning	leishmaniasis	machine learning, deep learning	NA	molecular structures	NA	NA	NA	NA	NA
13429	2025-04-22	A critical address to advancements and challenges in computational strategies for structural prediction of protein in recent past 2025-Aug, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108430 PMID:40121710	review	本文回顾了计算蛋白质结构预测领域的历史演变，分析了最新模型的优缺点	探讨了深度学习模型如AlphaFold2、RoseTTAFold和OpenFold在蛋白质结构预测中的革命性应用	需要大量训练数据、计算资源需求高，以及在建模蛋白质动力学、内在无序区域和蛋白质-蛋白质相互作用方面存在困难	探索计算蛋白质结构预测的进展与挑战	蛋白质结构预测的计算方法	computational biophysics	NA	homology modeling, threading, ab initio folding, deep learning	AlphaFold2, RoseTTAFold, OpenFold	protein sequences and structures	NA	NA	NA	NA	NA
13430	2025-04-22	Drug-drug interaction prediction based on graph contrastive learning and dual-view fusion 2025-Aug, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108426 PMID:40138848	研究论文	提出了一种基于图对比学习和双视图融合的药物相互作用预测模型GDF-DDI	结合知识图谱网络和分子结构，通过双视图融合和图对比学习提取更丰富的药物嵌入信息	现有数据集中存在噪声和不完整数据，且数据量有限	提高药物相互作用(DDI)预测的性能	药物相互作用	机器学习	NA	图对比学习, 自监督学习	GDF-DDI, 图卷积网络	分子图, 知识图谱网络	两个数据集	NA	NA	NA	NA
13431	2025-04-22	In silico discovery of novel compounds for FAK activation using virtual screening, AI-based prediction, and molecular dynamics 2025-Aug, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108420 PMID:40157227	研究论文	利用虚拟筛选、AI预测和分子动力学模拟发现新型FAK激活化合物	开发了一个新流程，结合虚拟筛选、AI预测和分子动力学模拟，从1000万种化合物中筛选出10种潜在FAK激活剂，并最终确定3种最有希望的候选化合物	研究仅进行了计算机模拟，缺乏体外和体内实验验证	识别能够增强FAK活性的化合物	FAK(黏着斑激酶)及其潜在激活剂	计算生物学	癌症	虚拟筛选、分子对接模拟、分子动力学模拟、深度学习	GLAM、elEmBERT	化学化合物数据	从1000万种化合物开始筛选，最终确定3种候选化合物	NA	NA	NA	NA
13432	2025-04-22	Lung cancer detection and classification using optimized CNN features and Squeeze-Inception-ResNeXt model 2025-Aug, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108437 PMID:40158238	研究论文	本文提出了一种基于深度学习的方法，用于利用胸部CT扫描图像对肺癌进行分类	结合Squeeze-Inception V3与ResNeXt的新型Squeeze-Inception-ResNeXt模型，以及使用Slime Mould Algorithm (SMA)优化CNN特征提取	未提及具体的数据集来源或样本多样性，可能影响模型的泛化能力	开发一种高效的计算机辅助诊断系统，以提高肺癌的早期检测和分类准确性	胸部CT扫描图像中的肺结节	数字病理学	肺癌	计算机断层扫描(CT)	CNN, Squeeze-Inception-ResNeXt	图像	NA	NA	NA	NA	NA
13433	2025-04-22	pACPs-DNN: Predicting anticancer peptides using novel peptide transformation into evolutionary and structure matrix-based images with self-attention deep learning model 2025-Aug, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108441 PMID:40168838	研究论文	提出了一种基于自注意力深度学习模型pACPs-DNN，用于准确预测抗癌肽(ACPs)和非ACPs	将输入肽转化为基于残基能量接触矩阵(RECM)、替代矩阵表示(SMR)和位置特异性评分矩阵(PSSM)的图像表示，并采用局部二值模式(LBP)分解捕捉增强的结构和局部语义特征	未提及具体的数据集规模限制或模型计算资源需求	开发一种高效预测抗癌肽的深度学习模型，以推进癌症相关治疗药物的研发	抗癌肽(ACPs)和非ACPs	机器学习	癌症	残基能量接触矩阵(RECM)、替代矩阵表示(SMR)、位置特异性评分矩阵(PSSM)、局部二值模式(LBP)	自注意力深度神经网络(DNN)	肽序列数据	未明确提及具体样本数量，但在独立数据集Ind-I和Ind-II上进行了验证	NA	NA	NA	NA
13434	2025-04-22	The proteomic code: Novel amino acid residue pairing models "encode" protein folding and protein-protein interactions 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110033 PMID:40112562	research paper	本文提出了一种基于氨基酸残基配对模型的新框架，用于解释蛋白质折叠和蛋白质-蛋白质相互作用的机制	提出了三种新的氨基酸残基配对模型（GU、Transmuted和Shift配对模型），这些模型在统计分析和不同数据集上表现出最高的观察-预期比率和相关性	研究主要依赖于TOP2018数据集，可能在其他数据集上的泛化能力有待验证	探索氨基酸残基配对模型在蛋白质折叠和蛋白质-蛋白质相互作用中的机制	氨基酸残基配对模型及其在蛋白质结构预测中的应用	生物信息学	NA	统计分析和深度学习	NA	蛋白质结构数据	基于TOP2018数据集	NA	NA	NA	NA
13435	2025-04-22	Enhancing skin disease classification leveraging transformer-based deep learning architectures and explainable AI 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110007 PMID:40117795	research paper	该研究利用基于Transformer的深度学习架构和可解释AI技术，提升皮肤疾病分类的准确性和临床相关性	首次在皮肤病学任务中引入DinoV2模型，并在31类皮肤疾病数据集上实现了最先进的性能，测试准确率达到96.48% ± 0.0138%，F1分数为97.27%，比现有基准提高了近10%	NA	通过自动化皮肤疾病分类支持及时准确的诊断	皮肤疾病	computer vision	skin disease	Vision Transformers, Swin Transformers, DinoV2, ConvNeXt, CNN	Transformer, CNN	image	31类皮肤疾病数据集，以及HAM10000和Dermnet数据集	NA	NA	NA	NA
13436	2025-04-22	Capsule DenseNet++: Enhanced autism detection framework with deep learning and reinforcement learning-based lifestyle recommendation 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110038 PMID:40120178	研究论文	提出了一种结合深度学习和强化学习的自闭症检测框架，并提供了基于强化学习的个性化生活方式建议	提出了Capsule DenseNet++深度学习模型和基于PPO算法的个性化生活方式推荐系统，提高了自闭症检测的准确性和干预效果	研究仅在沙特阿拉伯的两个数据集上进行了测试，可能在其他地区或人群中的适用性有限	开发一个准确的自闭症检测框架并提供个性化生活方式建议	自闭症谱系障碍(ASD)患者，特别是沙特阿拉伯的幼儿	机器学习	自闭症谱系障碍	深度学习, 强化学习	Capsule DenseNet++, PPO	结构化数据	两个数据集：自闭症筛查数据和沙特阿拉伯幼儿ASD筛查数据	NA	NA	NA	NA
13437	2025-04-22	HistoMSC: Density and topology analysis for AI-based visual annotation of histopathology whole slide images 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109991 PMID:40120181	research paper	提出了一种用于组织病理学全切片图像自动视觉注释的端到端框架	结合深度学习模型实现细胞核的精确定位和分类，并通过空间数据聚合扩展稀疏分布细胞核的类别，引入了一种新颖且经济高效的定位方法	未提及具体样本量或数据集大小，可能影响结果的普遍性	开发一个自动视觉注释框架，以辅助病理学家分析和解释全切片图像	组织病理学全切片图像中的细胞核	digital pathology	neoplastic cases	U-Net, ResNet-50, YOLO, 生成方法, 核密度估计, Morse-Smale理论	U-Net, ResNet-50, YOLO	image	NA	NA	NA	NA	NA
13438	2025-04-22	Synergistic eigenanalysis of covariance and Hessian matrices for enhanced binary classification on health datasets 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109985 PMID:40132299	研究论文	提出了一种结合协方差矩阵和Hessian矩阵特征分析的新方法，用于增强健康数据集上的二元分类性能	首次将协方差矩阵和Hessian矩阵的特征分析相结合，通过投影到两个矩阵的最相关特征方向空间，实现了最优类别可分性	方法在理想数据条件下（如类均值周围的各向同性和主导领先特征值）表现最佳，实际应用中可能受限	提高二元分类任务的性能，特别是在健康数据集上	健康数据集和神经网络数据集	机器学习	NA	特征分析	深度学习模型	结构化数据	NA	NA	NA	NA	NA
13439	2025-04-22	Advancements in automated nuclei segmentation for histopathology using you only look once-driven approaches: A systematic review 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110072 PMID:40138968	系统综述	本文系统综述了基于YOLO框架的自动化细胞核分割技术在组织病理学图像分析中的进展、挑战和应用	全面评估YOLO框架在组织病理学细胞核分割中的独特优势，并与传统分割方法进行对比分析	处理细胞核外观变异、优化模型架构以提高在组织病理学图像上的性能、提升跨数据集的泛化能力等方面仍存在挑战	探索和评估YOLO框架在组织病理学图像细胞核分割中的方法和应用	组织病理学图像中的细胞核	数字病理学	NA	YOLO框架	CNN	图像	NA	NA	NA	NA	NA
13440	2025-04-22	Distinguishing severe sleep apnea from habitual snoring using a neck-wearable piezoelectric sensor and deep learning: A pilot study 2025-May, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110070 PMID:40147187	研究论文	本研究开发了一种结合颈部可穿戴压电传感器和深度学习的模型，用于准确区分严重睡眠呼吸暂停综合征（SAS）与习惯性打鼾	创新性地结合了颈部可穿戴压电传感器和混合深度学习模型（1D CNN和GRU），为早期和精确区分严重SAS与习惯性打鼾提供了新方法	样本量较小（60名成人），未来研究需要扩大样本量、多样化患者群体并在真实世界环境中进行外部验证	解决成人严重睡眠呼吸暂停综合征（SAS）诊断不足的问题	60名成人习惯性打鼾者	机器学习	睡眠呼吸暂停综合征	颈部可穿戴压电传感器	1D CNN和GRU混合模型	振动信号（70-250Hz）和颈动脉搏动信号（0.01-1.5Hz）	60名成人习惯性打鼾者（初始数据集来自20名参与者，包含1167个静默样本、1304个打鼾样本和399个噪音样本）	NA	NA	NA	NA