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
1361	2025-11-03	De Novo Design of High-Performance Sec-type Signal Peptide via a Hybrid Deep Learning Architecture 2025-Oct-27, JACS Au IF:8.5Q1 DOI:10.1021/jacsau.5c00757 PMID:41169554	研究论文	开发了一种结合规则域组装和Transformer深度生成模型的混合深度学习架构SPgo，用于从头设计高性能Sec型信号肽	首次将规则域组装与Transformer深度生成模型相结合，通过BERT-LSTM管道探索疏水核心区的广阔序列空间，突破了传统方法的限制	NA	开发计算框架优化信号肽设计，提高蛋白质分泌效率	Sec型信号肽序列	机器学习	NA	深度生成模型	Transformer, BERT, LSTM	蛋白质序列数据	多种蛋白质靶标（荧光蛋白、工业酶、生物活性肽）	NA	Transformer, BERT-LSTM混合架构	蛋白质产量（mg/L）	NA
1362	2025-11-03	Identification of defensins using transformer-derived protein embeddings and discrete cosine transformation-enhanced evolutionary features with generative adversarial capsule bidirectional temporal convolutional neural network 2025-Oct-21, International journal of biological macromolecules IF:7.7Q1 DOI:10.1016/j.ijbiomac.2025.148336 PMID:41130478	研究论文	提出一种名为GAC-BTCNN-Pred的新型防御素识别预测器，通过融合进化特征和蛋白质语言模型嵌入实现高精度防御素预测	结合离散余弦变换增强的进化特征与基于Transformer的蛋白质嵌入，并首次提出生成对抗胶囊双向时序卷积神经网络架构	未明确说明模型在跨物种或大规模数据集上的泛化能力	开发高精度的防御素识别计算方法以支持新型抗菌药物发现	防御素（阳离子抗菌肽）	生物信息学	细菌感染	蛋白质序列分析，特征工程	GAN，Capsule Network，TCN，Transformer	蛋白质序列数据	NA	NA	生成对抗胶囊双向时序卷积神经网络（GAC-BTCNN），ProtGen-LLM	准确率，精确率，召回率，F1分数，AUC	NA
1363	2025-11-03	A deep learning pipeline for accurate and automated restoration, segmentation, and quantification of dendritic spines 2025-Oct-20, Cell reports methods IF:4.3Q2 DOI:10.1016/j.crmeth.2025.101179 PMID:40972567	研究论文	开发了一个名为RESPAN的深度学习流程，用于自动化修复、分割和量化树突棘	集成最先进的深度学习技术，通过内容感知修复增强信号、对比度和各向同性分辨率，提供用户友好的开源界面	NA	开发准确且自动化的树突棘修复、分割和量化方法	树突棘、树突分支和神经元胞体	数字病理学	神经科学疾病	快速体积成像、双光子显微镜	深度学习	图像	多种样本类型，包括信号有限的挑战性数据集	NA	NA	准确性、可重复性	NA
1364	2025-11-03	A Study on the Performance Comparison of Brain MRI Image-Based Abnormality Classification Models 2025-Oct-16, Life (Basel, Switzerland) DOI:10.3390/life15101614 PMID:41157286	研究论文	本研究比较了基于脑部MRI图像的异常分类模型性能，重点评估了深度学习与传统机器学习方法的差异	在合成数据集上系统比较了自定义CNN、ResNet-50迁移学习与传统机器学习方法在脑MRI异常分类中的表现	结果基于合成数据集，需要进一步用真实临床MRI数据验证才能确定临床适用性	开发并比较脑部MRI图像的异常分类模型性能	脑部MRI图像（正常与异常）	计算机视觉	脑部疾病	MRI成像	CNN, ResNet-50, SVM, 随机森林	图像	合成数据集10,000张图像（5,000正常+5,000异常），参考数据集253张真实患者MRI图像（98正常+155异常）	NA	ResNet-50, 自定义CNN	准确率, F1分数	NA
1365	2025-11-03	Development and Validation of a Modality-Invariant 3D Swin U-Net Transformer for Liver and Spleen Segmentation on Multi-Site Clinical Bi-parametric MR Images 2025-Oct, Journal of imaging informatics in medicine DOI:10.1007/s10278-024-01362-w PMID:39707114	研究论文	开发并验证一种模态不变的3D Swin U-Net Transformer模型，用于多中心临床双参数MR图像上的肝脏和脾脏分割	提出模态不变的训练策略，将同一患者的T1w和T2w MR图像作为独立训练样本，实现跨模态的鲁棒分割	回顾性研究设计，样本来自四个特定医疗中心，可能限制模型的泛化能力	开发能够处理多模态MR图像的肝脏和脾脏自动分割模型	已知或疑似慢性肝病的儿科和成人患者的腹部MR图像	医学影像分析	慢性肝病	双参数MR成像(T1w和T2w)	Transformer, CNN	3D MR图像	304名患者(241个T1w序列和339个T2w序列)，年龄31.8±20.3岁，43%女性	NA	Swin UNETR, U-Net	Dice相似系数(DSC)	NA
1366	2025-11-03	Deep Learning Models for Automatic Classification of Anatomic Location in Abdominopelvic Digital Subtraction Angiography 2025-Oct, Journal of imaging informatics in medicine DOI:10.1007/s10278-024-01351-z PMID:39789320	研究论文	本研究开发深度学习模型用于自动分类腹盆腔数字减影血管造影中的解剖位置	提出使用模式模型和多示例学习模型处理DSA序列中的信息稀疏性问题，并自动识别关键图像	数据来自单一医疗中心，样本量相对有限	评估深度学习算法在DSA序列中自动识别解剖位置的性能	腹主动脉、腹腔动脉、肠系膜上动脉、肠系膜下动脉和双侧髂外动脉的DSA图像	计算机视觉	心血管疾病	数字减影血管造影	深度学习	医学图像序列	来自205名患者和276个手术的819个血管造影序列	NA	模式模型, 多示例学习模型	多类分类准确率, McNemar检验	NA
1367	2025-09-12	Multi-region ultrasound-based deep learning for post-neoadjuvant therapy axillary decision support in breast cancer 2025-Oct, EBioMedicine IF:9.7Q1 DOI:10.1016/j.ebiom.2025.105916 PMID:40929754	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1368	2025-11-03	Prediction of Atrial Fibrillation From the ECG in the Community Using Deep Learning: A Multinational Study 2025-Oct, Circulation. Arrhythmia and electrophysiology DOI:10.1161/CIRCEP.125.013734 PMID:41025252	研究论文	开发并验证基于心电图的深度学习模型用于预测心房颤动风险	使用多国社区队列数据验证单一输入的深度学习模型，并与临床风险评分进行比较和组合	研究基于观察性队列，需要进一步验证在临床实践中的适用性	通过深度学习从心电图预测心房颤动风险并评估与其他心血管结局的关联	来自Framingham心脏研究、英国生物银行和ELSA-Brasil三个队列的参与者	数字病理	心血管疾病	心电图分析	深度神经网络	心电图信号	FHS: 10,097人，英国生物银行: 49,280人，ELSA-Brasil: 12,284人	NA	深度神经网络	受试者工作特征曲线下面积	NA
1369	2025-11-03	MMSE-Based Dementia Prediction: Deep vs. Traditional Models 2025-Oct-01, Life (Basel, Switzerland) DOI:10.3390/life15101544 PMID:41157217	研究论文	本研究开发了基于MMSE数据的深度学习痴呆预测模型，并与传统机器学习模型进行性能比较	首次将项目级MMSE特征与可解释AI（SHAP分析）结合，实现高预测准确性和临床可解释性	使用单一临床中心数据且样本量较小，可能限制模型的泛化能力	开发准确的早期痴呆预测模型并比较深度学习方法与传统方法的性能	164名参与者，分为认知正常组、轻度认知障碍组和痴呆组	机器学习	老年疾病	MMSE认知功能评估	全连接神经网络, Random Forest, SVM	临床评估数据	164名参与者	NA	全连接神经网络	准确率, F1分数, 混淆矩阵, ROC曲线	NA
1370	2025-11-03	Simulating a Specialist's Treatment Experience for Hypertension Using Deep Neural Networks 2025-Oct, Journal of clinical hypertension (Greenwich, Conn.) DOI:10.1111/jch.70173 PMID:41163326	研究论文	开发并验证了一种能够模拟高血压专家处方模式并预测生理反应的双模块深度神经网络	提出双模块DNN架构，同时预测最佳药物处方和次日生理指标，采用多目标方法捕捉药物选择与生理结果的关系	基于单中心数据集，未来需要多中心合作和更大数据集验证临床决策支持的可行性	开发能够模拟高血压专家治疗决策的深度学习模型	高血压患者的药物治疗和生理反应	机器学习	心血管疾病	临床试验数据分析	DNN	结构化临床数据	NA	NA	双模块深度神经网络	平均绝对误差,误差方差,平均相对误差	NA
1371	2025-11-03	Leveraging artificial intelligence for risk stratification of inherited cardiomyopathies in under-resourced settings 2025-Oct, Heart rhythm O2 IF:2.5Q2 DOI:10.1016/j.hroo.2025.07.020 PMID:41169969	综述	评估人工智能在资源匮乏地区遗传性心肌病风险分层中的应用潜力	首次将多种AI技术整合到统一框架中，针对资源匮乏地区的遗传性心肌病风险预测提出系统性解决方案	主要基于文献综述，缺乏实际临床验证数据	探索AI技术在改善资源匮乏地区遗传性心肌病风险分层和个性化护理中的作用	遗传性心肌病患者，特别是资源匮乏地区的年轻人群	自然语言处理, 机器学习	心血管疾病	机器学习, 深度学习, 自然语言处理	NA	电生理数据, 影像数据, 临床数据	NA	NA	NA	NA	NA
1372	2025-11-03	Artificial intelligence-driven framework for discovering synthetic binding protein-like scaffolds from the entire protein universe 2025-Aug-31, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaf573 PMID:41165486	研究论文	开发了一种人工智能驱动的框架，用于从整个已知蛋白质组中发现合成结合蛋白样支架	结合深度学习FoldSeek和自主开发的HP2A算法，能够从低序列相似性中识别结构相似的蛋白质支架	仅使用四种代表性合成结合蛋白作为概念验证，需要进一步实验验证	发现高质量的工程蛋白质支架，促进新型合成结合蛋白的开发	合成结合蛋白样支架，包括Affibody、Anticalin、DARPin和Fynome	机器学习	NA	深度学习，蛋白质结构分析，进化分析	深度学习	蛋白质序列和结构数据	四种代表性合成结合蛋白作为查询模板	FoldSeek, HP2A	NA	序列相似性，TM-score	NA
1373	2025-11-03	Accurate deep-learning model to differentiate dementia severity and diagnosis using a portable electroencephalography device 2025-Jul-20, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-12526-1 PMID:40685486	研究论文	提出基于便携式脑电图设备和深度学习的方法，用于区分健康志愿者与痴呆相关疾病患者	首次将便携式EEG设备与定制化Transformer模型结合用于痴呆严重程度和诊断分类	样本量相对有限（233名参与者），未提及模型在其他人群中的泛化能力验证	开发可访问、成本效益高且非侵入性的痴呆诊断工具	233名参与者（119名健康志愿者和114名痴呆相关疾病患者）	医疗人工智能	痴呆症	脑电图（EEG），短时傅里叶变换	Transformer	脑电图信号	233名参与者（119名健康志愿者，114名患者）	NA	定制化Transformer模型	AUC（曲线下面积），平衡准确率（bACC）	NA
1374	2025-11-03	Integrating AI and genomics: predictive CNN models for schizophrenia phenotypes 2025-Jun-01, Journal of integrative bioinformatics IF:1.5Q3 DOI:10.1515/jib-2024-0057 PMID:40525405	研究论文	本研究利用深度学习分析遗传数据，预测与精神分裂症相关的表型特征	首次将卷积神经网络应用于大规模外显子组测序数据，识别精神分裂症的遗传模式	研究基于瑞典人群数据，遗传特征尚未完全解析	探索深度学习在精神疾病基因型-表型关系研究中的应用	精神分裂症患者与对照组的遗传数据	机器学习	精神分裂症	外显子组测序	CNN	遗传数据	大规模病例对照样本（瑞典人群）	NA	卷积神经网络	准确率	NA
1375	2025-11-03	Benchmarking diffusion models against state-of-the-art architectures for OCT fluid biomarker segmentation 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0335615 PMID:41160596	研究论文	本研究评估扩散模型在OCT视网膜液性生物标志物分割中的性能，并与当前主流分割模型进行比较	首次将扩散模型应用于OCT视网膜液性生物标志物分割任务，并与多种先进分割架构进行系统对比	使用的标注扫描数量有限（SRF 269例，IRF 224例，PED 114例），可能影响模型泛化能力	开发自动化的OCT视网膜疾病特征分割方法，辅助临床诊断标准化	视网膜OCT扫描中的视网膜下液(SRF)、视网膜内液(IRF)和色素上皮脱离(PED)	计算机视觉	视网膜疾病	光学相干断层扫描(OCT)	扩散模型, U-Net, Transformer	医学图像	SRF 269例，IRF 224例，PED 114例 OCT扫描	NA	扩散模型, Nested U-Net, nnU-Net, TransUNet, SwinUNet	Dice系数, 敏感度, 特异度, Pearson相关系数, R2	NA
1376	2025-11-03	Evaluating machine learning models for predictive accuracy in cryptocurrency price forecasting 2025, PeerJ. Computer science DOI:10.7717/peerj-cs.2626 PMID:41169439	研究论文	本研究评估机器学习分类模型和技术指标在加密货币价格预测中的预测性能和鲁棒性	提供了包含逻辑回归、随机森林和梯度提升等模型在不同数据配置和重采样技术下的新颖比较，以解决类别不平衡问题	未明确说明具体使用的加密货币种类和数据时间范围	识别可靠的加密货币算法交易方法，为明智决策和盈利策略开发提供依据	加密货币市场的历史交易数据	机器学习	NA	NA	逻辑回归, 随机森林, 梯度提升, XGBoost	历史交易数据	NA	NA	NA	预测准确率	NA
1377	2025-11-03	Cajal's legacy in the digital era: from neuroscience foundations to deep learning 2025, Frontiers in neuroanatomy IF:2.1Q3 DOI:10.3389/fnana.2025.1672016 PMID:41169656	综述	本文探讨了Santiago Ramón y Cajal的神经科学奠基性工作对现代人工智能特别是深度学习的持续影响	系统性地揭示了Cajal神经科学理论与现代深度学习之间的历史渊源和理论联系	NA	回顾Cajal的关键贡献并探索其在人工智能发展中的作用	Cajal的神经科学理论与深度学习理论	机器学习	NA	NA	人工神经网络	NA	NA	NA	NA	NA	NA
1378	2025-11-03	A Deep Learning Approach Toward Differentiating Left versus Right for Idiopathic Ventricular Arrhythmia Originated from Outflow Tract 2025, Journal of medical signals and sensors DOI:10.4103/jmss.jmss_2_25 PMID:41169702	研究论文	本研究使用深度学习技术通过标准12导联心电图区分起源于流出道的特发性室性心律失常的左右侧起源位置	首次将下一代测序思想应用于心电图分析，创建一维早搏数据流，并比较多种一维深度学习模型在心律失常起源定位中的性能	研究基于公开数据集，样本量相对有限(334名患者)，未在更广泛人群中验证	开发基于深度学习的无创方法，准确定位流出道起源的室性心律失常的起源侧别	特发性室性心律失常患者的心电图数据	医疗人工智能	心血管疾病	心电图分析	LSTM, GRU, 1D-CNN	一维心电图信号	334名患者	NA	一维卷积神经网络	准确率, F1分数	NA
1379	2025-11-03	Intelligent grading of sugarcane leaf disease severity by integrating physiological traits with the SSA-XGBoost algorithm 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1698808 PMID:41169726	研究论文	提出一种基于生理特征整合SSA-XGBoost算法的甘蔗叶部病害严重程度智能分级方法	首次将麻雀搜索算法(SSA)与XGBoost结合用于甘蔗病害严重度分级，相比基于图像的深度学习方法具有数据易获取、计算效率高和模型透明度好的优势	研究仅针对三种甘蔗叶部病害，未验证对其他病害的适用性；模型性能依赖特定仪器采集的生理参数	开发甘蔗叶部病害严重程度的智能诊断与早期预警技术	感染褐条病、环斑病和花叶病的甘蔗叶片	农业人工智能	植物病害	植物营养分析仪(TYS-4N)测量SPAD值、叶面温度和氮含量	XGBoost, KNN, AdaBoost, Random Forest, Logistic Regression, Decision Tree	生理特征数据	从耿马县采集的独立验证数据集，包含四个严重度等级（轻度、中度、中重度和重度）的甘蔗叶片样本	Scikit-learn, XGBoost	SSA-XGBoost	精确率, 召回率, F1分数, 准确率, PRFA综合评分	NA
1380	2025-11-03	App2: software solution for apple leaf disease detection based on deep learning (CNN+SVM) 2025, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2025.1648867 PMID:41169736	研究论文	开发了一款基于深度学习(CNN+SVM)的苹果叶病害检测移动应用App2	提出结合CNN和SVM的混合模型用于苹果叶病害识别，并集成OpenAI API进行图像预过滤	在清晰病叶图像上的检测性能为80%，仍有提升空间	通过移动应用实现苹果叶病害的早期检测	苹果树叶片图像	计算机视觉	植物病害	深度学习	CNN,SVM	图像	NA	FastAPI,React Native,OpenAI API	CNN+SVM混合架构	准确率	Azure云平台