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
1421	2026-01-25	Artificial intelligence in idiopathic pulmonary fibrosis: advances, challenges and future directions 2026-Jan, The European respiratory journal DOI:10.1183/13993003.01112-2025 PMID:41381227	综述	本文综述了人工智能在特发性肺纤维化（IPF）管理中的应用进展、挑战及未来方向	探讨了AI在IPF诊断、预后评估和药物发现中的创新应用，特别是卷积神经网络在影像分析中的潜力	面临数据异质性、模型可解释性不足以及缺乏大规模多中心研究验证等挑战	旨在改善IPF的诊断、预后评估和治疗策略	特发性肺纤维化（IPF）患者	数字病理学	肺纤维化	高分辨率计算机断层扫描（HRCT）、多组学数据	机器学习（ML）、深度学习（DL）、卷积神经网络（CNN）	临床数据、影像数据、形态学数据、转录组数据	NA	NA	卷积神经网络	NA	NA
1422	2026-01-25	Fully automated 3D multi-modal deep learning model for preoperative T-stage prediction of colorectal cancer using 18F-FDG PET/CT 2026-Jan, European journal of nuclear medicine and molecular imaging IF:8.6Q1 DOI:10.1007/s00259-025-07450-5 PMID:40719866	研究论文	本研究开发了一种全自动3D多模态深度学习模型，利用术前18F-FDG PET/CT预测结直肠癌的T分期，并评估其临床实用性	开发了基于3D ResNet18并结合交叉多头注意力机制的全自动多模态深度学习模型，用于结直肠癌T分期预测，性能优于单模态模型和放射科医生评估	研究为回顾性设计，样本量有限（474例患者），且仅使用单一外部验证队列	预测结直肠癌的术前T分期，以辅助临床决策	结直肠癌患者	数字病理	结直肠癌	18F-FDG PET/CT	深度学习	3D医学图像（PET/CT）	474例结直肠癌患者（内部队列400例，外部队列74例）	PyTorch	3D ResNet18	AUC, Dice系数	NA
1423	2026-01-25	Deep learning-based non-invasive prediction of PD-L1 status and immunotherapy survival stratification in esophageal cancer using [18F]FDG PET/CT 2026-Jan, European journal of nuclear medicine and molecular imaging IF:8.6Q1 DOI:10.1007/s00259-025-07463-0 PMID:40810801	研究论文	本研究开发并验证了基于[18F]FDG PET/CT的深度学习模型，用于预测食管癌患者的PD-L1状态，并评估了模型评分在免疫治疗生存分层中的潜力	首次利用[18F]FDG PET/CT结合深度学习（3D ResNet10）非侵入性预测食管癌PD-L1状态，并证明模型评分能有效进行免疫治疗生存分层，优于传统PD-L1评分方法	回顾性研究设计，样本量有限（331例患者），且仅50例患者接受免疫治疗随访，需更大规模前瞻性研究验证	开发非侵入性方法预测食管癌PD-L1状态，并探索其在免疫治疗生存分层中的应用	食管癌患者	数字病理学	食管癌	[18F]FDG PET/CT成像	深度学习	医学影像（PET/CT扫描）	331例食管癌患者（来自两个中心），其中50例接受免疫治疗随访	NA	3D ResNet10	AUC, 总体生存期, 无进展生存期	NA
1424	2026-01-25	Comprehensive analysis of [18F]MFBG biodistribution normal patterns and variability in pediatric patients with neuroblastoma 2026-Jan, European journal of nuclear medicine and molecular imaging IF:8.6Q1 DOI:10.1007/s00259-025-07490-x PMID:40815390	研究论文	本研究系统描述了[18F]MFBG在儿童神经母细胞瘤患者中的生理分布和变异性，为临床图像解读提供参考	首次在儿童患者中系统量化[18F]MFBG的生理分布模式，并利用深度学习方法进行自动分割分析	研究为回顾性分析，样本量有限（169例），且主要针对儿童神经母细胞瘤患者，结果可能不适用于其他人群或肿瘤类型	增强[18F]MFBG PET/CT在儿童神经母细胞瘤中的临床解读准确性，区分正常生理摄取与病理摄取	儿童神经母细胞瘤患者	数字病理学	神经母细胞瘤	[18F]MFBG PET/CT成像	深度学习	PET/CT图像	169例儿童神经母细胞瘤患者（包括20例确认缓解者）	NA	NA	SUVmax, SUVmean	NA
1425	2026-01-25	Accelerated magnetic resonance imaging of hippocampal sclerosis in pediatric patients with deep learning-based reconstruction: comparison of image quality and diagnostic performance with conventional reconstruction 2026-Jan, Pediatric radiology IF:2.1Q2 DOI:10.1007/s00247-025-06419-8 PMID:41081829	研究论文	本研究比较了深度学习重建与常规重建在加速磁共振成像中，对儿童海马硬化患者的图像质量和诊断性能的影响	首次在儿童海马硬化患者中评估深度学习重建加速MRI序列，实现了44%的扫描时间减少，同时保持相似的图像质量和诊断性能	研究样本量有限（68例），且仅针对特定疾病（海马硬化）和患者群体（儿童），结果可能无法推广到其他疾病或成人患者	比较常规重建MRI与加速序列（含/不含深度学习重建）在儿童海马硬化患者中的图像质量和诊断性能	68名确诊或疑似患有颞叶癫痫伴海马硬化的儿童患者	数字病理学	海马硬化	磁共振成像	深度学习模型	医学图像	68名儿童患者	NA	NA	图像质量评分、信噪比、Cohen's kappa	NA
1426	2026-01-25	Unravelling the Connection Between Reduced Mobility and Mild Cognitive Impairment in Chronic Pain Patients Through Cluster Analysis 2026, Advances in experimental medicine and biology DOI:10.1007/978-3-032-10389-5_24 PMID:41577919	研究论文	本研究通过深度学习分析慢性疼痛患者的血液数据，评估其轻度认知障碍风险，并结合聚类分析揭示活动能力下降与认知障碍之间的关联	首次将深度学习应用于基于常规血液检测数据估计慢性疼痛患者的轻度认知障碍风险，并通过聚类分析识别出活动能力下降是认知障碍的关键风险因素	研究样本仅限于日本疼痛治疗机构的门诊患者，可能无法推广到其他人群；血液检测数据可能受多种混杂因素影响	评估慢性疼痛患者中轻度认知障碍的风险，并探讨其与系统性代谢紊乱及活动能力下降的关联	门诊疼痛患者（疼痛组）和无疼痛对照患者（非疼痛对照组）	机器学习	老年疾病	深度学习, 主成分分析, 聚类分析	深度学习模型	血液检测数据, 评估量表数据	未明确指定样本数量，但涉及疼痛组和对照组患者	NA	NA	估计的MMSE分数, 欧几里得距离	NA
1427	2026-01-25	Graph attention-based heterogeneous multi-agent deep reinforcement learning for adaptive portfolio optimization 2025-Dec-27, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32408-w PMID:41455760	研究论文	本文提出了一种基于图注意力的异构多智能体深度强化学习框架，用于自适应投资组合优化	创新性地整合了图神经网络和异构智能体架构，利用图注意力网络建模时变的资产关联性，并部署了风险、收益和市场感知三种异构智能体	未明确说明框架在极端市场事件或高频率交易环境下的表现	解决传统投资组合优化方法在捕捉复杂资产关系和适应动态市场条件方面的局限性	金融市场中的投资组合	机器学习	NA	深度强化学习, 图神经网络	深度强化学习, 图注意力网络	金融市场时间序列数据	S&P 500, NASDAQ 100, 和 Russell 2000 数据集	NA	图注意力网络	年化收益率, 夏普比率, 最大回撤	NA
1428	2026-01-25	Deep learning-based disease detection in potato and mango leaves: a comparative study of CNN, AlexNet, ResNet, and EfficientNet 2025-Dec-24, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32607-5 PMID:41436834	研究论文	本研究使用深度学习模型对马铃薯和芒果叶片病害进行自动检测，并比较了CNN、AlexNet、ResNet和EfficientNet四种架构的性能	在植物病害检测领域，首次对CNN、AlexNet、ResNet和EfficientNet四种深度学习架构进行了系统性比较，并验证了EfficientNet在叶片病害分类中的优越泛化能力	研究仅使用了两个公开数据集（马铃薯和芒果叶片），样本多样性可能有限，且未在更广泛的植物种类或实际田间环境中进行验证	开发一个自动化的植物叶片病害识别系统，以支持精准农业和早期病害防治	马铃薯和芒果植物的叶片图像	计算机视觉	植物病害	深度学习	CNN, AlexNet, ResNet, EfficientNet	图像	马铃薯叶片病害数据集2,152张图像，芒果叶片病害数据集4,000张图像	NA	CNN, AlexNet, ResNet, EfficientNet	准确率, 精确率, 召回率, 损失值	NA
1429	2026-01-25	Generalizable compound protein interaction prediction with a model incorporating protein structure aware and compound property aware language model representations 2025-Dec-19, Communications chemistry IF:5.9Q1 DOI:10.1038/s42004-025-01844-0 PMID:41413187	研究论文	本文提出了一种名为GenSPARC的深度学习模型，用于预测化合物-蛋白质相互作用，该模型整合了蛋白质结构感知和化合物性质感知的语言模型表示	提出GenSPARC模型，首次将AlphaFold2预测的蛋白质结构表示与FoldSeek的三维相互作用字母表相结合，并利用图卷积网络和预训练化学语言模型提取化合物特征，通过注意力机制增强相互作用建模	未明确提及具体局限性，但暗示当前模型仍受限于标记数据的缺乏	提高化合物-蛋白质相互作用预测的准确性和泛化能力，以推动人工智能驱动的药物发现	小分子化合物与蛋白质之间的相互作用	机器学习	NA	深度学习，图卷积网络，语言模型	深度学习模型，图卷积网络，注意力机制	蛋白质序列与结构数据，化合物分子图数据	多个CPI基准数据集（具体数量未提及）	NA	GenSPARC（整合AlphaFold2, FoldSeek, 图卷积网络，化学语言模型，注意力机制）	泛化能力评估，虚拟筛选任务中的竞争性结果（具体指标未提及）	NA
1430	2026-01-25	Probing the thermal decomposition mechanism of CF3SO2F by deep learning molecular dynamics 2025-Dec-19, Communications chemistry IF:5.9Q1 DOI:10.1038/s42004-025-01847-x PMID:41420003	研究论文	本研究利用深度学习分子动力学方法，探究了绝缘气体替代品CF3SO2F的热分解机理及其产物	首次将深度学习势函数与分子动力学结合，用于研究CF3SO2F的热分解，实现了从头算精度与经验分子动力学效率的统一	研究主要基于模拟，实验验证仅针对特征分解产物，未涵盖所有可能的中间产物或反应路径	评估CF3SO2F作为SF6环保替代绝缘气体的环境可行性，理解其热分解路径以指导安全应用	三氟甲磺酰氟（CF3SO2F）气体分子	机器学习	NA	深度学习分子动力学，热分解实验平台	深度学习势函数	分子动力学模拟数据，实验产物数据	NA	NA	NA	NA	NA
1431	2026-01-25	Air quality prediction using multi-source remote sensing data integration with hybrid deep learning framework 2025-Dec-15, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32466-0 PMID:41398224	研究论文	本文提出了一种结合LSTM和CNN的混合深度学习框架，利用多源遥感数据预测空气质量	提出了一种新颖的多模态注意力时空网络（MAST-Net），整合卫星影像、气象变量和地面观测数据，并引入动态特征选择策略和不确定性量化以提高可靠性	NA	空气质量预测，用于城市环境管理中的实时空气质量控制系统	PM2.5、PM10、NO₂和O₃的浓度	机器学习	NA	多源遥感数据集成	LSTM, CNN	卫星影像、气象变量、地面观测数据	NA	NA	MAST-Net	RMSE, 相关系数	NA
1432	2026-01-25	PhenoProfiler: advancing phenotypic learning for image-based drug discovery 2025-Dec-14, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-67479-w PMID:41392045	研究论文	本文介绍了一个名为PhenoProfiler的端到端深度学习框架，用于将高内涵多通道细胞图像转化为低维定量表示，以提升基于图像的药物发现中的表型分析能力	PhenoProfiler通过高效的端到端深度学习框架，直接处理高内涵细胞图像，避免了传统多步骤流程的计算密集和易错问题，并引入了定制的表型校正策略以增强处理诱导的变异检测	NA	提升基于图像的药物发现中细胞表型响应的准确捕获能力，以理解药物机制和预测疗效	高内涵多通道细胞图像	计算机视觉	NA	深度学习	深度学习框架	图像	近400,000张高内涵图像和8.42百万张单细胞图像	NA	NA	准确性, 鲁棒性	NA
1433	2026-01-25	Development of a deep learning model to classify choroidal melanoma risk factors based on color fundus photographs 2025-Dec-11, AJO international DOI:10.1016/j.ajoint.2025.100167 PMID:41567739	研究论文	本研究开发了一种基于彩色眼底照片的深度学习模型，用于分类脉络膜黑色素瘤的风险因素	首次利用深度学习模型仅基于眼底图像来识别脉络膜痣转化为黑色素瘤的五个关键风险因素，无需多模态成像设备	模型依赖于眼底图像，可能无法完全替代需要专业设备和专家的多模态评估	开发一种基于深度学习的方法，以在资源有限的环境中识别高风险脉络膜痣	脉络膜痣的眼底图像	计算机视觉	脉络膜黑色素瘤	彩色眼底摄影	深度学习模型	图像	NA	NA	NA	预测性能评估	NA
1434	2026-01-25	Deep Learning-based Alignment Measurement in Knee Radiographs 2025-Sep-19, Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention DOI:10.1007/978-3-032-04965-0_12 PMID:41568201	研究论文	本研究提出了一种基于深度学习的方法，用于在膝关节前后位X光片中通过自动定位膝关节解剖标志来测量膝关节对线	首次基于深度学习定位超过100个膝关节解剖标志以完整勾勒膝关节形状，并整合术前和术后图像的膝关节对线测量	NA	自动化膝关节对线测量以预测关节健康和全膝关节置换术后的手术结果	膝关节前后位X光片	计算机视觉	骨关节疾病	X光成像	CNN	图像	NA	NA	Hourglass网络	平均绝对差异, 组内相关系数	NA
1435	2026-01-25	Auxiliary Teaching and Student Evaluation Methods Based on Facial Expression Recognition in Medical Education 2025-May-22, JMIR human factors IF:2.6Q3 DOI:10.2196/72838 PMID:40402552	研究论文	提出一种基于面部表情识别技术的医学教育辅助教学与学生评估方法	将面部表情识别技术应用于医学教育，通过计算机视觉和深度学习算法识别学生情绪状态，以优化教学策略	面临技术准确性、设备依赖性和隐私保护等挑战	改善医学教育中的教学效果、优化个性化学习并促进师生互动	医学教育中的学生	计算机视觉	NA	面部表情识别	深度学习算法	面部表情图像	NA	NA	NA	NA	NA
1436	2026-01-25	A multimodal and fully automated system for prediction of pathological complete response to neoadjuvant chemotherapy in breast cancer 2025-05-02, Science advances IF:11.7Q1 DOI:10.1126/sciadv.adr1576 PMID:40305609	研究论文	本研究开发了一种多模态集成全自动管道系统（MIFAPS），用于预测乳腺癌患者对新辅助化疗的病理完全缓解	通过整合多模态数据（包括磁共振成像、全切片图像和临床风险因素）并采用全自动化流程，显著提升了预测性能	NA	预测乳腺癌患者对新辅助化疗的病理完全缓解	1004名局部晚期乳腺癌患者	数字病理学	乳腺癌	磁共振成像, 全切片图像	深度学习	图像, 临床数据	1004名患者	NA	NA	AUC	NA
1437	2026-01-25	FlyVISTA, an integrated machine learning platform for deep phenotyping of sleep in Drosophila 2025-Mar-14, Science advances IF:11.7Q1 DOI:10.1126/sciadv.adq8131 PMID:40073129	研究论文	本文介绍了FlyVISTA，一个用于果蝇睡眠深度表型分析的集成机器学习平台	开发了结合高分辨率闭环视频成像系统、深度学习网络和计算流程的平台，用于注释35个身体部位并提取高维数据中的行为，揭示了睡眠和觉醒相关微行为的时空动态	NA	深入分析果蝇睡眠的表型特征	果蝇	机器学习	NA	高分辨率闭环视频成像系统	深度学习网络	视频	NA	NA	NA	NA	NA
1438	2026-01-25	Deep Unsupervised Clustering for Prostate Auto-segmentation With and Without Hydrogel Spacer 2025-Mar, Machine learning: science and technology DOI:10.1088/2632-2153/ada8f3 PMID:41078605	研究论文	本文提出了一种基于深度无监督聚类和文本引导分割的方法，用于前列腺自动分割，以处理临床数据集中的异质性问题，特别是针对使用水凝胶间隔物的患者	结合UMAP降维和k-means聚类识别数据集中的隐藏簇，并开发了CLIP-UNet模型，通过文本编码器整合簇信息以提升分割性能	研究仅基于909名患者的数据，可能未涵盖所有临床异质性情况，且聚类方法依赖于特定降维和聚类算法	提高前列腺自动分割在异质临床数据集中的准确性，特别是在使用水凝胶间隔物的场景下	前列腺癌患者的CT图像，包括使用两种类型水凝胶间隔物及未使用的患者	数字病理学	前列腺癌	CT成像	深度学习模型	图像	909名患者	NA	UNet, CLIP-UNet	Dice系数	NA
1439	2026-01-25	Rewiring protein sequence and structure generative models to enhance protein stability prediction 2025-Feb-18, bioRxiv : the preprint server for biology DOI:10.1101/2025.02.13.638154 PMID:40027759	研究论文	本文提出了一种名为SPURS的新型深度学习框架，通过整合蛋白质语言模型和逆折叠模型，以增强蛋白质稳定性预测	提出了一种轻量级神经网络模块，将ProteinMPNN学习的结构表示重新连接到ESM的注意力层，从而整合序列和结构数据中的进化模式	未明确说明模型在特定蛋白质家族或极端条件下的泛化能力限制	提高蛋白质热稳定性变化的预测准确性，以理解人类疾病并设计用于临床和工业应用的蛋白质	蛋白质氨基酸替换对热稳定性的影响	机器学习	NA	深度学习	神经网络, 蛋白质语言模型, 逆折叠模型	序列数据, 结构数据	基于最新发布的大规模热稳定性数据集进行监督训练	PyTorch	ESM, ProteinMPNN	准确性, 速度, 可扩展性, 泛化能力	NA
1440	2026-01-25	Advanced EEG signal classification for neural prosthetic devices using metaheuristic and deep learning techniques 2025, Frontiers in digital health IF:3.2Q2 DOI:10.3389/fdgth.2025.1706660 PMID:41567346	研究论文	本文提出了一种结合改进的浣熊优化算法特征选择与多种机器学习/深度学习分类器的统一优化驱动框架，用于提高基于EEG的运动想象信号解码精度	提出了一种动态且无参数的浣熊优化算法，结合对立学习机制，在高维特征空间中实现更好的探索与利用平衡，用于特征选择	NA	提高神经假体设备中高维脑电图信号的分类准确性，以增强分类器泛化能力和计算效率	脑电图信号，特别是运动想象任务相关的信号	机器学习	NA	脑电图信号处理	SVM, RF, CNN, RNN	脑电图信号	使用了PhysioNet运动运动/想象数据集等常用基准EEG数据集	NA	卷积神经网络，循环神经网络	准确率，精确率，召回率，F1分数	NA