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
1401	2025-12-05	Clinical Validation and Prospective Deployment of an Automated Deep Learning-Based Coronary Segmentation and Cardiac Toxicity Risk Prediction System 2025-Nov-18, ArXiv PMID:41333170	研究论文	本文介绍了一个基于深度学习的自动化冠状动脉分割和心脏毒性风险预测系统的临床验证与前瞻性部署	开发并验证了一个3D U-Net模型，用于自动分割心脏亚结构，并前瞻性地监测心脏剂量暴露，实现了大规模实时风险预警	训练数据主要来自单一机构（2003-2014年），可能限制了模型的泛化能力；外部验证数据集的时间跨度较长（2005-2020年），可能存在技术变化的影响	验证AI自动分割心脏亚结构的准确性，并预测心脏毒性风险，以促进冠状动脉保护治疗和随访	肺癌患者的心脏亚结构（如左前降支冠状动脉）	数字病理学	肺癌	CT扫描	深度学习	图像	训练集560例，内部验证70例，外部验证283例，回顾性分析3,399例，前瞻性监测1,386例	NA	3D U-Net	Dice系数, ASSD, 绝对差异百分比, 风险比	NA
1402	2025-12-05	Hyperbolic Graph Embeddings Reveal the Host-Pathogen Interactome 2025-Nov-18, ArXiv PMID:41333173	研究论文	本文开发了一个名为ApexPPI的深度学习框架，利用双曲图嵌入技术预测宿主与病原体之间的蛋白质相互作用	首次将蛋白质网络表示为双曲黎曼空间以捕捉生物网络的层次性和无标度结构，并整合多模态生物数据通过多任务双曲图神经网络进行预测	预测结果仍需通过实验验证，且模型性能可能受输入数据质量和完整性的影响	预测宿主与病原体之间的蛋白质相互作用，以促进新疗法的发现	宿主与病原体蛋白质	机器学习	传染病	蛋白质序列分析、基因扰动实验、互补相互作用网络	图神经网络	蛋白质序列、基因表达数据、网络数据	数千万个可能的蛋白质对	NA	多任务双曲图神经网络	准确率	NA
1403	2025-12-05	Toggle-Untoggle - a cell segmentation tool with an interactive user verification interface 2025-Nov-15, Journal of cell science IF:3.3Q3 DOI:10.1242/jcs.264154 PMID:41065013	研究论文	本文介绍了一个名为Toggle-Untoggle的桌面应用程序，用于荧光显微镜图像中细胞分割的质量控制	开发了一个无需编程的交互式用户验证界面，结合了预训练的Cellpose模型，允许用户直观地调整和修正自动细胞分割结果	NA	提高荧光显微镜图像中细胞分割的准确性和可访问性，使湿实验室研究人员能进行高效的定量分析	荧光显微镜图像中的细胞	数字病理学	NA	荧光显微镜成像	深度学习模型	图像	NA	NA	Cellpose cyto3模型, nuclei模型	NA	NA
1404	2025-12-05	Computational workflows for natural and biomedical image processing based on hypercomplex algebras 2025-Nov-14, Patterns (New York, N.Y.) DOI:10.1016/j.patter.2025.101388 PMID:41328164	研究论文	本文介绍了一种基于超复数代数（如四元数）的计算工作流，用于自然和生物医学图像处理，包括图像重新着色、去色、对比度增强以及组织学图像的染色分离等任务	利用四元数和二维正交平面分割框架，开发了非数据驱动的图像处理方法，在多种处理任务中展现出与现有方法相当或更优的性能	未明确提及方法在处理高维数据或实时应用中的具体限制	开发基于超复数代数的图像处理工作流，以提升自然和生物医学图像的处理效果	自然图像和生物医学图像（包括组织学图像）	计算机视觉, 数字病理学	NA	图像处理工作流	NA	图像	NA	NA	NA	NA	NA
1405	2025-12-05	Plug-and-play computational method for advancing natural and biomedical image representation 2025-Nov-14, Patterns (New York, N.Y.) DOI:10.1016/j.patter.2025.101412 PMID:41328168	研究论文	本文介绍了一种基于超复数代数的非数据驱动框架，用于自然和生物医学图像处理	提出了一种无需训练数据的即插即用方法，适用于多种图像处理任务	NA	推进自然和生物医学图像的表示方法	自然和生物医学图像	计算机视觉	NA	超复数代数	NA	图像	NA	NA	NA	NA	NA
1406	2025-12-05	Pan-microalgal dark proteome mapping via interpretable deep learning and synthetic chimeras 2025-Nov-14, Patterns (New York, N.Y.) DOI:10.1016/j.patter.2025.101373 PMID:41328162	研究论文	本研究开发了一个名为LASR的深度学习框架，用于对微藻基因组中的“暗蛋白质组”序列进行分类和注释	提出了结合Transformer和状态空间模型的LASR框架，使用合成嵌合序列进行训练，实现了比传统BLASTP快约10,701倍的分类速度，并保持了高准确率	研究仅针对十个藻类门类，可能无法完全覆盖所有微藻物种的多样性	开发高效准确的微藻暗蛋白质组序列分类工具	十个藻类门类的翻译ORFeomes序列	自然语言处理	NA	氨基酸序列分析	Transformer, 状态空间模型	氨基酸序列	约7700万条序列	NA	Transformer	召回率, 准确率	NA
1407	2025-12-05	MSAI-Path: Predicting Microsatellite Instability From Routine Histology Slides Without Reinventing the Wheel 2025-Nov-07, Modern pathology : an official journal of the United States and Canadian Academy of Pathology, Inc IF:7.1Q1 DOI:10.1016/j.modpat.2025.100932 PMID:41207630	研究论文	提出一种结合计算模型与病理学家知识的可解释混合方法，用于从结直肠癌常规组织切片中预测微卫星不稳定性	首次将贝塞斯达指南中MSI相关组织学特征（如上皮内淋巴细胞、分化等级等）通过自动分割模型进行量化，并与临床数据结合构建可解释预测模型	方法依赖于预定义的组织学特征量化，可能未涵盖所有潜在预测特征；在活检样本中验证队列相对较小	开发可解释且可验证的MSI预测方法，替代传统黑盒深度学习模型	结直肠癌患者的组织切片（包括切除和活检样本）	数字病理学	结直肠癌	组织切片数字化（H&E染色全切片图像）	逻辑回归, 随机森林	全切片图像, 临床数据	来自2267名患者的3256张全切片图像，涵盖5个中心的7个队列	未明确说明（提及深度学习分割模型但未指定框架）	未明确说明（使用核与组织分割模型但未指定架构）	AUC（曲线下面积）, 敏感性	未明确说明
1408	2025-12-05	Metagenomics approach to predict antibiotic resistance genes in sputum samples of adult people with cystic fibrosis: a pilot study 2025-Nov-05, Microbiology spectrum IF:3.7Q2 DOI:10.1128/spectrum.02299-24 PMID:41190884	研究论文	本研究探索了使用宏基因组学和深度学习工具deepARG来预测囊性纤维化成人痰液样本中抗生素耐药基因的可行性	首次将宏基因组学与深度学习工具deepARG结合，为囊性纤维化患者提供了一种不依赖培养、更快速的抗生素敏感性预测方法	样本量较小（20名患者，68份样本），且仅对部分抗生素类别（如氨基糖苷类、头孢菌素类、氟喹诺酮类）的预测结果显著	评估宏基因组学方法预测囊性纤维化患者痰液中抗生素耐药基因的效能，以替代耗时的传统培养方法	囊性纤维化成人患者的痰液样本	宏基因组学	囊性纤维化	鸟枪法宏基因组测序	深度学习	宏基因组测序数据	20名患者提供的68份痰液样本	NA	deepARG	AUC-ROC, 灵敏度	NA
1409	2025-12-05	Extraction of Novel Features and Diagnosis Prediction in Myelodysplastic Neoplasm Using a Weakly Supervised Artificial Intelligence Model Based on Normal Megakaryocytes 2025-Nov, Pathology international IF:2.5Q2 DOI:10.1111/pin.70049 PMID:40955745	研究论文	本研究提出了一种基于形态正常巨核细胞的弱监督人工智能模型，用于从骨髓活检标本中提取新特征并预测骨髓增生异常肿瘤的诊断	首次开发出能够基于正常巨核细胞形态对骨髓增生异常肿瘤与正常病例进行分类的人工智能模型，并揭示了与疾病预测显著相关的新的组织学特征	研究领域（骨髓活检）的人工智能应用仍相对有限，模型性能在疾病分类方面（AUC 0.879）虽良好但仍有提升空间	开发人工智能模型以辅助骨髓病理评估和疾病诊断	苏木精-伊红染色的骨髓活检标本中的形态正常巨核细胞	数字病理学	骨髓增生异常肿瘤	苏木精-伊红染色	深度学习, XGBoost	图像	未明确说明	未明确说明	未明确说明	AUC	未明确说明
1410	2025-12-05	Multiscale Cell-Cell Interactive Spatial Transcriptomics Analysis 2025-Nov, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202508358 PMID:40948400	研究论文	提出了一种名为MCIST的多尺度细胞间交互空间转录组学分析方法，用于改进空间域检测	结合多尺度拓扑表示与空间深度学习技术，首次在空间转录组学分析中系统考虑多尺度细胞间交互作用	未明确提及方法在特定组织类型或低分辨率数据上的适用性限制	开发一种能整合多尺度细胞间交互的空间转录组学数据分析方法	空间转录组学数据	空间转录组学	NA	空间转录组学	深度学习	空间转录组学数据	37个基准空间转录组学数据集	NA	NA	聚类分数	NA
1411	2025-12-05	Artificial Intelligence for Detection of Parkinson's Disease From Speech Signals-A Comprehensive Review 2025 Nov-Dec, BioFactors (Oxford, England) DOI:10.1002/biof.70065 PMID:41342337	综述	本文全面回顾了2020年至2024年间利用人工智能方法通过语音信号检测帕金森病的研究	聚焦于AI方法在帕金森病语音信号检测中的应用，并强调了对更具可解释性AI方法的需求	仅回顾了IEEE出版物，可能未涵盖所有相关研究	调查利用语音信号检测帕金森病的人工智能方法	帕金森病患者与健康对照者的语音信号	自然语言处理	帕金森病	语音信号分析	机器学习, 深度学习	语音信号	NA	NA	NA	NA	NA
1412	2025-12-05	Comparison of machine learning methods versus traditional Cox regression for survival prediction in cancer using real-world data: a systematic literature review and meta-analysis 2025-Oct-28, BMC medical research methodology IF:3.9Q1 DOI:10.1186/s12874-025-02694-z PMID:41152747	系统综述与荟萃分析	本文通过系统综述和荟萃分析，比较了机器学习模型与传统Cox回归在癌症生存预测中的性能	首次系统性地比较了多种机器学习模型与Cox比例风险模型在真实世界癌症生存预测中的性能，并进行了荟萃分析	纳入研究的异质性较高，且仅基于AUC或C指数进行性能比较，可能未全面反映模型优劣	系统总结观察性研究中机器学习模型在癌症生存结局预测中的应用，并比较其与Cox回归模型的性能	癌症患者的生存结局预测	机器学习	癌症	NA	随机生存森林, 梯度提升, 深度学习	真实世界数据	NA	R	NA	AUC, C指数	NA
1413	2025-12-05	Using Deep Learning to Simultaneously Reduce Noise and Motion Artifacts in Brain MR Imaging 2025-Oct-24, Magnetic resonance in medical sciences : MRMS : an official journal of Japan Society of Magnetic Resonance in Medicine IF:2.5Q2 DOI:10.2463/mrms.mp.2024-0098 PMID:39938896	研究论文	本文提出了一种使用深度学习同时减少脑部磁共振成像中噪声和运动伪影的方法	通过为T1W、T2W和FLAIR序列分别构建训练模型，独立于成像方向和伪影方向，有效去除噪声和运动伪影	研究仅基于20名健康志愿者的模拟图像数据，未涉及真实患者数据或更多样化的病理情况	减少脑部MRI中的运动伪影和噪声，提升临床实用性	脑部T1加权、T2加权和FLAIR图像	计算机视觉	NA	磁共振成像	深度学习	图像	20名健康志愿者的脑部MRI图像，生成了115200张模拟图像用于训练、验证和测试	NA	NA	结构相似性指数, 峰值信噪比, 视觉评估	NA
1414	2025-12-05	Improved Assessment of Juxtacortical Lesions in Multiple Sclerosis Using Highly-accelerated High-resolution Double Inversion Recovery MR Imaging with Deep Learning-based Reconstruction 2025-Oct-24, Magnetic resonance in medical sciences : MRMS : an official journal of Japan Society of Magnetic Resonance in Medicine IF:2.5Q2 DOI:10.2463/mrms.mp.2024-0126 PMID:39971311	研究论文	本研究开发了一种基于深度学习的高分辨率双反转恢复磁共振成像技术，用于改进多发性硬化症中皮质旁病变的评估	采用深度学习重建技术（DL-Speed）实现高分辨率双反转恢复成像，相比传统压缩感知方法在检测皮质旁多发性硬化病变方面表现出更优性能	研究为回顾性分析，样本量较小（25例患者），且仅针对多发性硬化症患者	评估基于深度学习重建的高分辨率双反转恢复磁共振成像在检测多发性硬化症皮质旁病变中的诊断性能	多发性硬化症患者的磁共振成像数据	医学影像分析	多发性硬化症	磁共振成像（MRI），包括3D FLAIR、传统DIR和深度学习加速DIR	深度学习重建模型	磁共振图像	25例多发性硬化症患者	NA	NA	病变计数统计，Wilcoxon符号秩检验	NA
1415	2025-12-05	MobileDANet integrating transfer learning and dynamic attention for classifying multi target histopathology images with explainable AI 2025-Oct-24, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-21360-4 PMID:41136678	研究论文	本研究提出了一种名为MobileDANet的深度学习框架，用于对肾细胞癌、乳腺癌和结肠癌的组织病理学图像进行多目标分类，并整合了可解释AI技术	结合了MobileNetV2骨干网络与动态注意力块（多头注意力+MLP），以高效捕获长程依赖关系，并采用Grad-CAM增强模型可解释性	未来需要扩展到更大的多机构数据集，并探索模型压缩与自动超参数优化	开发自动化计算机辅助诊断框架，用于癌症严重程度的分类	肾细胞癌、乳腺癌和结肠癌的组织病理学图像	数字病理学	肾细胞癌,乳腺癌,结肠癌	组织病理学成像	CNN,注意力机制	图像	KMC数据集（肾细胞癌）、BreakHis（乳腺癌）、CRCH（结肠癌）	NA	MobileNetV2,动态注意力块（多头注意力+MLP）	准确率,F1分数,加权F1分数	NA
1416	2025-12-05	Benchmarking Probabilistic Time Series Forecasting Models on Neural Activity 2025-Oct-22, ArXiv PMID:41281206	研究论文	本文系统评估了八种概率深度学习模型在神经活动预测任务上的性能，并与经典统计方法进行了比较	首次将包括两个基础模型在内的多种先进概率深度学习模型系统应用于神经活动预测领域，填补了深度学习在该应用中的空白	研究仅基于小鼠皮层自发神经活动的宽场成像数据，未验证其他神经记录技术或不同物种的数据	评估概率时间序列预测模型在神经活动预测任务中的性能，探索深度学习在该领域的应用潜力	小鼠皮层自发神经活动的时间序列数据	机器学习	NA	宽场成像	概率深度学习模型	时间序列数据	NA	NA	NA	NA	NA
1417	2025-12-05	The Seizure Embedding Map: A Spatio-Temporal Transformer for Comparing Patients by Ictal Intracranial EEG Features at Scale 2025-Oct-17, medRxiv : the preprint server for health sciences DOI:10.1101/2025.10.15.25338097 PMID:41282754	研究论文	本研究提出了一种时空Transformer模型，用于从耐药性癫痫患者的颅内脑电图（iEEG）发作期数据中提取特征，生成包含时空信息的嵌入表示，以大规模比较患者间的发作网络特征及其与治疗结果的关系	引入了一种自定义的时空Transformer模型，能够灵活处理不同电极数量和植入位置的iEEG数据，并首次实现了对大规模患者队列中发作起始模式的定量比较和聚类分析	发作聚类未能根据治疗方法或术后结果区分患者，且模型尚未整合多模态数据（如结构/功能成像、症状学、患者病史等）	为耐药性癫痫患者的手术治疗规划提供定量、基于证据的决策支持，通过比较新患者与历史病例的发作特征来推荐最佳治疗方案	耐药性癫痫患者的颅内脑电图（iEEG）发作起始时段数据	机器学习	癫痫	颅内脑电图（iEEG），包括立体定向脑电图和皮层脑电图	Transformer, CNN	多通道颅内脑电图（iEEG）时间序列数据	102名耐药性癫痫患者的882次临床发作	NA	自定义时空Transformer，包含卷积层和时空位置编码器	验证准确率	NA
1418	2025-12-05	Clinical Relevance of Computationally Derived Attributes of Arteries and Arterioles in focal segmental glomerulosclerosis and minimal change disease 2025-Oct-13, medRxiv : the preprint server for health sciences DOI:10.1101/2025.10.08.25336276 PMID:41282757	研究论文	本研究开发了一种计算流程，用于在数字肾脏活检中量化局灶节段性肾小球硬化症和微小病变病患者的动脉和小动脉特征，以提高标准化和可重复性	开发了深度学习模型来分割肌肉血管及其内部结构，并通过路径组学特征提取量化硬化症和玻璃样变，相比传统半定性评分方法提高了预测疾病进展的能力	研究仅基于225名参与者的单张三色染色全切片图像，样本量相对有限，且未涉及其他染色方法或更大规模的外部验证	旨在通过计算分析方法改进肾脏活检中动脉和小动脉硬化症及玻璃样变的评估标准，以增强临床预后预测	局灶节段性肾小球硬化症和微小病变病患者的数字肾脏活检图像	数字病理学	肾脏疾病	三色染色全切片图像分析，深度学习分割，路径组学特征提取	深度学习模型	图像	225名参与者（127例FSGS，98例MCD），共分割了1,499个小动脉、686个叶间动脉和131个弓形动脉	NA	NA	Spearman相关系数，一致性指数	NA
1419	2025-12-05	Towards a cardiovascular magnetic resonance foundation model for multi-task cardiac image analysis 2025-Oct-02, Journal of cardiovascular magnetic resonance : official journal of the Society for Cardiovascular Magnetic Resonance IF:4.2Q1 DOI:10.1016/j.jocmr.2025.101967 PMID:41046013	研究论文	本研究开发了一个针对心血管磁共振（CMR）的视觉基础模型，并通过监督微调应用于九个不同的CMR图像分析任务	首次为CMR开发专用视觉基础模型，采用自监督预训练，并在多任务上展示优于自然图像基础模型的性能	在疾病检测任务上性能提升有限，且未进行任务特定的方法优化	构建一个统一的基础模型框架，以高效处理CMR图像的多任务分析	心血管磁共振图像	计算机视觉	心血管疾病	心血管磁共振成像	ViT	图像	来自27,524名受试者的3600万张CMR图像，数据来源包括UK Biobank和两个临床中心	DINO	ViT-S/8	准确率，Dice系数	NA
1420	2025-12-05	Clinical target volumes for glioma - Automated delineation to improve neuroanatomic consistency 2025-Oct, Physics and imaging in radiation oncology DOI:10.1016/j.phro.2025.100865 PMID:41328287	研究论文	本研究开发了一种结合肿瘤浸润路径和解剖屏障的自动化方法，用于改进胶质瘤临床靶区（CTV）勾画的神经解剖一致性和效率	提出了一种整合白质束连接结构的约束距离变换方法，允许CTV在不同脑结构边界（如小脑和脑干）间扩展，从而提高了神经解剖一致性	未明确说明模型在更大规模或多中心数据集上的泛化能力，且对小结构（如视交叉）的分割性能相对较低（DSC 63.9%）	提高胶质瘤临床靶区勾画的神经解剖一致性和自动化效率	99名胶质瘤患者的CT图像及对应的脑结构（半球、脑干、小脑、视交叉、视神经、脑室、中线）	数字病理	胶质瘤	CT成像	深度学习模型	CT图像	99名胶质瘤患者	NA	NA	Dice相似系数（DSC）, 95%豪斯多夫距离（HD95）, 表面DSC	NA