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
121	2026-06-02	Deep Learning Radiomic Analysis of MRI Combined with Clinical Characteristics Diagnoses Placenta Accreta Spectrum and its Subtypes 2024-12, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.29317 PMID:38390981	研究论文	开发一种级联深度语义-影像组学-临床模型，用于基于T2加权MRI诊断胎盘植入谱及其亚型	首次提出结合深度语义特征、影像组学和临床特征的级联模型，用于诊断胎盘植入谱及其亚型，并在内外测试集上验证其高效性	未详细提及具体限制，但可能包括样本量、回顾性设计或外部验证的通用局限性	开发一种用于诊断胎盘植入谱及其亚型的级联深度语义-影像组学-临床模型	361名疑似胎盘植入谱的孕妇	机器学习	胎盘植入谱	MRI	CNN	图像	361名孕妇（平均年龄33.10±4.37岁），分为段训练队列（40例）、内部训练队列（139例）、内部测试队列（60例）和外部测试队列（122例）	NA	DRC模型	AUC, ACC, Dice系数	NA
122	2026-06-02	Fully Automated Identification of Lymph Node Metastases and Lymphovascular Invasion in Endometrial Cancer From Multi-Parametric MRI by Deep Learning 2024-12, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.29344 PMID:38471960	研究论文	开发深度学习模型从多参数MRI中自动识别子宫内膜癌淋巴结转移和淋巴血管浸润	首次开发多任务深度学习模型同时识别子宫内膜癌的淋巴结转移和淋巴血管浸润状态，并在外部测试队列中与放射科医生进行性能比较	NA	开发一种深度学习模型，从多参数MRI图像中同时识别子宫内膜癌的淋巴结转移和淋巴血管浸润	子宫内膜癌患者的多参数MRI图像	数字病理学	子宫内膜癌	多参数MRI（T2加权成像、对比增强T1加权成像、弥散加权成像）	深度学习	图像	621名患者（111名LNM阳性，168名LVSI阳性），分为训练集398人、内部测试集169人、外部测试集54人	NA	nnU-Net, 多任务深度学习模型	Dice相似系数, AUC	NA
123	2026-06-02	MuSE: A deep learning model based on multi-feature fusion for super-enhancer prediction 2024-12, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2024.108282 PMID:39561516	研究论文	提出了一种基于多特征融合的深度学习模型MuSE，用于预测超级增强子	首次将DNA2Vec和One-hot两种编码方法融合，通过神经网络自动提取DNA序列的关键特征，提升了超级增强子预测的准确性	DNA2Vec的k-mer表示捕捉了物种特异性信息，影响了模型在跨物种预测中的泛化能力	提高超级增强子预测的准确性和自动特征提取能力	人类和老鼠物种的DNA序列中的超级增强子	机器学习	NA	DNA序列编码	深度学习模型	序列数据	人类和老鼠物种的数据集	NA	神经网络	F1分数, AUC	NA
124	2026-06-02	Autoencoder-based drug synergy framework for malignant diseases 2024-12, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2024.108273 PMID:39522484	研究论文	提出了一种基于自编码器的药物协同框架AESyn，用于恶性疾病的药物组合预测	采用词袋编码技术提取药物靶向基因，并利用自编码器提取药物特征，实现了稳定且顺序无关的药物协同预测	NA	开发一种高效预测恶性疾病药物协同组合的机器学习方法	恶性疾病中的药物协同组合	机器学习	恶性疾病	NA	自编码器	药物靶向基因数据和药物组合筛选数据	NCI-ALMANAC和O'Neil数据集	NA	自编码器	准确率, AUROC, MAPE	NA
125	2026-06-02	Unveiling the distinctive variations in multi-omics triggered by TP53 mutation in lung cancer subtypes: An insight from interaction among intratumoral microbiota, tumor microenvironment, and pathology 2024-12, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2024.108274 PMID:39531992	研究论文	揭示肺腺癌和肺鳞癌中TP53突变引发的多组学差异，包括瘤内微生物组、肿瘤免疫微环境和病理学的相互作用	首次综合评估了NSCLC中肿瘤内微生物组、宿主基因表达和病理切片的关联，并提出了一种基于组织病理图像的多模态深度学习模型用于预测TP53突变	未明确提及，但可能包括样本量有限或模型泛化性需验证	探究NSCLC亚型中TP53突变与瘤内微生物组、免疫微环境和病理学的内在关联，并评估深度学习预测TP53突变的潜力	NSCLC患者的组织微生物组、基因表达特征和病理切片	数字病理学	非小细胞肺癌（肺腺癌和肺鳞癌）	多组学数据整合（微生物组测序、RNA-seq、组织病理学）	多模态深度学习模型	组织病理图像、基因表达数据、微生物组丰度数据	992名TCGA患者和332名CPTAC患者	NA	多模态深度学习模型（聚焦组织病理图像）	AUC	NA
126	2026-06-02	HiMolformer: Integrating graph and sequence representations for predicting liver microsome stability with SMILES 2024-12, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2024.108263 PMID:39536405	研究论文	提出HiMolformer混合模型，整合图和序列表示，用于预测肝脏微粒体稳定性	首次尝试使用单条SMILES输入通过回归任务开发小鼠和人肝脏微粒体稳定性预测模型；结合图神经网络HiMol和序列Transformer模型Molformer的混合架构	NA	提高药物代谢稳定性预测的准确性	新分子的代谢稳定性	机器学习	NA	NA	图神经网络（GNN）和Transformer	SMILES序列	3,498个分子（含小鼠和人肝脏微粒体实验数据）	PyTorch	HiMol, Molformer	NA	NA
127	2026-06-02	An audiovisual cognitive optimization strategy guided by salient object ranking for intelligent visual prothesis systems 2024-11-29, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/ad94a4 PMID:39569905	研究论文	提出一种基于显著对象排序的视听认知优化策略，用于智能视觉假体系统	首次将物体注意力机制转化为显著实体区域排序问题，并构建了SaOR数据集和网络，结合图像描述方法实现听觉反馈辅助的视觉认知优化	未提及具体限制	设计智能化视觉假体的视觉信息处理策略，提升用户物体识别和对象间关系理解能力	视觉假体系统中的视觉认知优化策略	计算机视觉	视觉障碍	深度学习	显著对象排序网络	图像	未提及	NA	Salient Object Ranking (SaOR) network	物体识别准确率、对象关系理解能力	NA
128	2026-06-02	Deep learning-based spike sorting: a survey 2024-11-14, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/ad8b6c PMID:39454590	综述	对基于深度学习的尖峰排序方法进行了全面的综述，涵盖了检测、特征提取和分类等子问题及集成系统	首次系统评估了24篇截至2023年12月的深度学习尖峰排序文献，并将方法分为三大子问题，同时探讨了多通道数据和硬件实现等前沿进展	未提及研究的局限性，但可能包括对某些模型潜在偏差的关注不足	综合评估基于深度学习的尖峰排序方法，为神经科学领域提供最新进展的见解并启发未来模型开发	基于深度学习的尖峰排序算法，包括尖峰检测、特征提取、分类及集成系统	机器学习	NA	NA	卷积神经网络, 自编码器	细胞外记录信号	24篇公开发表的文献	NA	NA	NA	专用集成电路, 现场可编程门阵列
129	2026-06-02	Decoding multi-limb movements from two-photon calcium imaging of neuronal activity using deep learning 2024-11-07, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/ad83c0 PMID:39508456	研究论文	利用深度学习从双光子钙成像数据解码多肢体运动	开发了一种循环编码器-解码器网络（LSTM-encdec），能够从单个半球的钙成像数据中准确解码所有四个肢体（对侧和同侧前肢及后肢）的运动信息，并提供了可解释性度量验证解码准确性，扩展了脑机接口对多肢体控制的潜力	未提及具体局限性	从双光子钙成像数据解码多肢体运动，推进神经解码技术和光学脑机接口的发展	跑步小鼠的神经活动及多肢体运动	机器学习	NA	双光子钙成像	LSTM	图像	NA	NA	LSTM编码器-解码器网络	NA	NA
130	2026-06-02	Three-dimensional localization and tracking of chromosomal loci throughout the Escherichia coli cell cycle 2024-11-05, Communications biology IF:5.2Q1 DOI:10.1038/s42003-024-07155-9 PMID:39501081	研究论文	开发了一种基于深度学习的方法，用于活体大肠杆菌细胞中染色体位点的超分辨率散光三维定位和追踪	首次实现活体大肠杆菌细胞中染色体位点的超分辨率三维定位，精度优于61纳米，并揭示了位点在细胞周期中的空间分布和扩散行为	未提及具体局限性	实现染色体位点的精确三维定位并研究其在细胞周期中的动态行为	大肠杆菌细胞中的染色体位点	机器学习	NA	超分辨率显微镜	深度学习模型	图像	NA	NA	NA	定位精度	NA
131	2026-06-02	An enzyme-inspired specificity in deep learning model for sleep stage classification using multi-channel PSG signals input: Separating training approach and its performance on cross-dataset validation for generalizability 2024-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109138 PMID:39305732	研究论文	提出了一种受酶启发特异性的深度学习模型，用于多导睡眠图信号输入的睡眠阶段分类，并采用分离训练方法以提高跨数据集验证的泛化能力	引入了受酶启发的特异性设计，包含信号特异性和通道特异性模型，并采用分离训练方法控制主体类型和评分手册因素，重点解决仪器和记录导联配置导致的泛化问题	仅控制了主体类型和评分手册因素，未充分探索其他影响泛化的因素；模型在N1阶段的F1分数较低（58.06%），表明对浅睡眠的分类仍有改进空间	开发一种能够解决深度学习模型在睡眠阶段分类中泛化问题的模型，使其成为睡眠技术人员的有效辅助工具	多导睡眠图（PSG）信号的睡眠阶段分类，包括脑电图（EEG）、眼电图（EOG）和肌电图（EMG）信号	机器学习	睡眠障碍	多导睡眠图（PSG）记录	CNN、BiLSTM	多导生理信号（EEG、EOG、EMG）	MGH数据集（未明确具体记录数）、SHHS1 200条记录、SHHS2 200条记录、Sleep-EDF 153条记录、BCI-MU 94条记录	NA	CNN、BiLSTM	总体准确率、宏平均F1分数、Kappa系数、各类别F1分数（W、N1、N2、N3、REM）	模型约9.3M可训练参数，每条PSG记录处理时间约26秒
132	2026-06-02	A flexible 2.5D medical image segmentation approach with in-slice and cross-slice attention 2024-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109173 PMID:39317055	研究论文	提出了一种灵活的2.5D医学图像分割模型CSA-Net，通过切片内和跨切片注意力机制有效处理2.5D图像	创新性地引入了跨切片注意力（CSA）模块，通过学习中心切片与相邻切片之间的长程依赖关系捕获3D空间信息，同时利用自注意机制学习中心切片内部像素的关联	未提及具体的局限性	解决2.5D医学图像分割中平面内分辨率高而跨平面分辨率低的挑战，提出一种计算高效且简单的2.5D分割模型	2.5D医学图像，包括脑部MR图像和前列腺MR图像	数字病理学，计算机视觉	前列腺癌	MRI	CNN, Transformer	图像	三个数据集：脑部数据集、前列腺数据集、ProstateX数据集	PyTorch	CSA-Net（含跨切片注意力和自注意力模块）	Dice系数，HD95	NA
133	2026-06-02	Deep evidential learning for radiotherapy dose prediction 2024-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109172 PMID:39317056	研究论文	本研究将深度证据学习应用于放疗剂量预测领域，量化模型预测的不确定性	首次将深度证据学习框架应用于放疗剂量预测，实现了与预测误差高度相关的不确定性估计，并通过重新设计损失函数确保稳定训练	未明确提及，但可能依赖于特定数据集（Open Knowledge-Based Planning Challenge），且需要进一步临床验证	评估深度证据学习在放疗剂量预测中提供不确定性估计的能力，增强模型统计鲁棒性	放疗剂量预测模型的不确定性估计与预测误差之间的关系	数字病理	NA	deep learning, radiotherapy dose prediction	深度学习模型（基于深度证据学习）	医学图像（CT图像）	使用Open Knowledge-Based Planning Challenge数据集，具体数量未提及	NA	深度证据学习网络	相关性指标（association indices）、中位误差、不确定性阈值线性度	NA
134	2026-06-02	MV-GNN: Generation of continuous geometric representations of mitral valve motion from 3D+t echocardiography 2024-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109154 PMID:39321581	研究论文	提出一种几何深度学习方法，从3D经食管超声心动图序列重建时间连续的二尖瓣表面网格	结合卷积神经网络体素编码器和图神经网络多分辨率网格解码器的端到端监督学习架构，并引入特殊损失函数来保持入口和出口几何结构，防止自交几何形状	NA	实现二尖瓣运动的连续几何表示，以分析二尖瓣动力学并增强个性化血流动力学评估和治疗规划模拟	二尖瓣表面网格	计算机视觉, 机器学习	心血管疾病	3D经食管超声心动图	卷积神经网络, 图神经网络	图像	NA	NA	CNN体素编码器, GNN多分辨率网格解码器	距离度量	NA
135	2026-06-02	Deep learning enabled in vitro predicting biological tissue thickness using force measurement device 2024-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109181 PMID:39326264	研究论文	提出了一种结合力测试系统和离散多小波变换卷积神经网络的新型生物组织厚度体外测量方法	首次将力测试系统与离散多小波变换卷积神经网络结合用于体外预测生物组织厚度	仅在受控实验环境中对人工生物组织和猪肉样本进行了验证，尚未在活体组织上进行测试	开发一种低成本、非侵入性的生物组织厚度体外测量方法	生物组织厚度测量	机器学习	NA	力测试系统	卷积神经网络	力学测量数据	四种不同厚度的猪肉组织样本	NA	DMWA-CNN	准确率	NA
136	2026-06-02	A multi-task learning model for clinically interpretable sesamoiditis grading 2024-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109179 PMID:39326263	研究论文	提出一种多任务学习模型，用于可临床解释的籽骨炎分级	提出一种双分支解码器的多任务学习模型，融合临床知识与机器学习，同时进行籽骨炎分级和血管通道分割，并通过生成诊断报告增强模型决策的可解释性	未明确说明局限性	实现籽骨炎的准确分级并提高临床可解释性	马匹籽骨炎	机器学习	籽骨炎	NA	多任务学习模型	图像	两个数据集	NA	双分支解码器	准确率, 泛化能力	NA
137	2026-06-02	Personalized food consumption detection with deep learning and Inertial Measurement Unit sensor 2024-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109167 PMID:39326266	研究论文	利用惯性测量单元传感器和深度学习模型实现个性化食物消费检测，以准确记录碳水化合物摄入	开发了个性化深度学习模型，使用递归神经网络（LSTM）处理IMU传感器数据，实现高精度碳水化合物摄入检测	数据集主要包含单日数据点，多日性能未知；部分离群值存在；预测延迟平均5.5秒	为糖尿病患者提供自动化的碳水化合物摄入检测方法，以辅助人工胰腺管理	用于记录碳水化合物摄入的饮食习惯检测	机器学习	糖尿病	IMU传感器（加速度计和陀螺仪）	LSTM	传感器数据（加速度计和陀螺仪）	公共数据集中多个患者样本	NA	LSTM	F1分数, 混淆矩阵时间差	NA
138	2026-06-02	A multimodal cross-transformer-based model to predict mild cognitive impairment using speech, language and vision 2024-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109199 PMID:39332117	research paper	提出一种基于多模态交叉Transformer的模型，利用语音、语言和视觉数据预测轻度认知障碍	在嵌入层通过共注意力机制融合语音、语言和视觉三种模态，在交叉Transformer层内捕获模态间的互补信息，优于早期和晚期融合方法	未明确讨论数据集的规模限制、模型泛化到其他人群的潜在偏差，以及计算资源需求	开发一种能够有效利用多模态数据预测轻度认知障碍（MCI）的深度学习模型	年龄75岁以上的参与者，通过互联网/摄像头记录半结构化对话中的语音、语言和面部视频数据	machine learning	geriatric disease	深度学习	交叉Transformer	音频、文本、视频	I-CONECT数据集中的大量75岁以上参与者，具体样本数量未给出	NA	交叉Transformer、共注意力机制	AUC	NA
139	2026-06-02	Wfold: A new method for predicting RNA secondary structure with deep learning 2024-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109207 PMID:39341115	研究论文	提出了一种基于深度学习的端到端方法Wfold，用于预测RNA二级结构	结合U-net的局部信息收集能力和Transformer编码器的自注意力机制，以图像形式表示RNA序列，从而提高预测精度	在跨家族数据集上性能与传统方法相当，可能仍需更多验证	提高RNA二级结构预测的准确性，并可靠预测假结	RNA序列的二级结构	机器学习	NA	深度学习	CNN, Transformer	图像	使用RNA数据集	NA	U-net, Transformer	准确率	NA
140	2026-06-02	Development and validation of a deep learning-based survival prediction model for pediatric glioma patients: A retrospective study using the SEER database and Chinese data 2024-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109185 PMID:39341114	研究论文	开发并验证一种基于深度学习的时间依赖模型，用于预测儿童胶质瘤患者的预后	首次构建了一个基于DeepSurv的儿童胶质瘤在线预后预测工具，并结合SEER数据库和中国数据进行了外部验证	研究可能受到回顾性设计、数据来源的偏倚以及样本量（尤其中国队列）相对较小的限制	准确预测儿童胶质瘤患者的生存率，辅助临床决策	儿童胶质瘤患者（来自SEER数据库和中国唐都医院）	深度学习	儿童胶质瘤	NA	深度学习生存模型（DeepSurv、N-MTLR）、集成学习模型（RSF）和Cox比例风险模型	生存数据（包括临床特征、治疗信息和生存时间）	共9532名患者（SEER数据库9274名，中国唐都医院258名）	PyTorch	DeepSurv、N-MTLR、RSF	C-index、Brier score、Integrated Brier Score (IBS)、ROC曲线、AUC、校准曲线、决策曲线分析 (DCA)	NA