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
1641	2026-06-01	CerviHFENet: hybrid feature extraction-based deep learning for multi-label classification of upper cervical spine abnormalities in X-ray imaging 2025-12-08, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-025-02070-9 PMID:41361372	研究论文	提出CerviHFENet框架，基于混合特征提取的深度学习，对颈椎X光片进行多标签分类，识别六种上颈椎异常	首次整合混合特征提取机制，同时提取颈椎解剖特征和不同颈部位置下的骨结构动态变化；采用改进的focal loss函数学习六种异常间的互斥或条件依赖关系	样本量较小，仅249名患者参与；未提及模型在外部数据集上的泛化能力验证	开发深度学习模型，实现上颈椎X光片中多种异常的多标签分类，提高诊断准确性	患者上颈椎X光片（扩展位、中立位、屈曲位三视图）中的六种异常	计算机视觉	颈椎疾病	X光成像	CNN（混合特征提取模型）	图像	249名患者，747张X光图像	PyTorch	自适应ROI检测模块 + 混合特征提取机制（未具体说明基础架构）	AUC, mAP	NA
1642	2026-06-01	An integrated radiomics and deep learning model on multisequence MRI for preoperative prediction of lymphovascular space invasion in endometrial cancer 2025-12-08, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-025-02091-4 PMID:41361391	研究论文	开发并验证一种整合多序列MRI放射组学特征和深度学习特征的多模态模型，用于术前预测子宫内膜癌患者的淋巴脉管间隙浸润	首次将放射组学特征与深度学习特征结合，构建多模态MRI模型用于术前无创预测子宫内膜癌LVSI，并在多中心数据中验证其优越性能	未在标题和摘要中明确提及局限性	开发并验证基于术前多序列MRI的整合放射组学和深度学习特征的多模态模型，用于预测子宫内膜癌患者的淋巴脉管间隙浸润	892例术后病理确诊的子宫内膜癌患者的多中心回顾性数据	计算机视觉, 数字病理学	子宫内膜癌	MRI多序列成像（T2加权成像、对比增强T1加权成像、表观扩散系数图）	CNN, 放射组学	图像（MRI）	892例患者（训练队列378例，内部验证160例，外部验证354例）	PyRadiomics	VGG 11, ResNet 101, DenseNet 121	AUC（受试者工作特征曲线下面积）	NA
1643	2026-06-01	Enhancing diagnosis of gout with deep learning in dual-energy computed tomography: a retrospective analysis of crystal and artefact differentiation 2025-Dec-01, Rheumatology (Oxford, England) DOI:10.1093/rheumatology/keae523 PMID:39565918	研究论文	利用深度学习在双能CT扫描中区分痛风结晶与伪影，提升诊断准确性	首次将深度学习算法应用于DECT中区分绿色编码的痛风石与块状伪影，并采用逐病灶和逐患者分析评估模型性能	未明确提及研究局限性	评估深度学习在DECT扫描中区分痛风石与伪影的诊断准确性	来自47名痛风患者和27名无痛风对照的DECT扫描中的18704个感兴趣区域	机器学习和医学影像	痛风	双能CT	CNN, SVM	图像	47名痛风患者和27名无痛风的对照者，共18704个感兴趣区域	NA	CNN, SVM	AUC, 灵敏度, 特异度, 阳性预测值, 阴性预测值, 准确率	NA
1644	2026-06-01	Foundation Model for Predicting Prognosis and Adjuvant Therapy Benefit From Digital Pathology in GI Cancers 2025-Nov-10, Journal of clinical oncology : official journal of the American Society of Clinical Oncology IF:42.1Q1 DOI:10.1200/JCO-24-01501 PMID:40168636	研究论文	提出一个基于组织病理学切片的基线AI模型，用于预测消化道癌症的预后和辅助化疗获益	利用超1.3亿张图像块进行自监督学习训练基础模型，并在多国队列中验证其预后预测及辅助化疗获益评估能力	尚需前瞻性验证以确认其临床适用性	开发一种能够从常规H&E染色组织病理学切片中预测消化系统癌症预后及辅助化疗获益的AI基础模型	胃癌和结直肠癌患者（共来自七个队列的4213例患者）	数字病理学	胃癌, 结直肠癌, 食管癌	NA	自监督学习, 深度学习	图像（组织病理学全切片图像）	训练集包括104,876张全切片图像（1.3亿图像块），验证集包括1,619例胃癌/食管癌和2,594例结直肠癌患者	PyTorch	Transformer, ResNet	一致性指数（Concordance index）, 5年生存率	NA
1645	2026-06-01	A Robust Deep Learning Framework for Detecting Bursts in Muscle Sympathetic Nerve Activity 2025-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference DOI:10.1109/EMBC58623.2025.11253957 PMID:41337229	研究论文	提出一种基于卷积神经网络的鲁棒深度学习框架，用于检测肌肉交感神经活动中的爆发信号	首次将集成肌肉交感神经活动和心电图活动的卷积神经网络用于爆发峰值检测	仅基于健康女性静息状态数据，可能无法推广到其他人群或动态条件	开发自动化方法替代专家手动检测，提高爆发检测效率并降低错误风险	41名健康女性参与者的静息自主神经系统记录	machine learning	NA	NA	CNN	生理信号	41名健康女性参与者	NA	卷积神经网络	F1-score	NA
1646	2026-06-01	Impact of Deep Learning-Based Computer-Aided Detection and Electronic Notification System for Pneumothorax on Time to Treatment: Clinical Implementation 2025-04, Journal of the American College of Radiology : JACR IF:4.0Q1 DOI:10.1016/j.jacr.2024.11.009 PMID:39566875	研究论文	评估结合深度学习计算机辅助检测和电子通知系统对气胸患者治疗时间的影响	在真实临床环境中引入深度学习计算机辅助检测与电子通知系统，同时通知放射科医生和转诊医生，评估其对气胸患者治疗时间的影响	仅对氧疗有显著效果，对其他治疗（如胸腔穿刺或胸管引流、胸心外科会诊）无显著改善	评估深度学习计算机辅助检测结合电子通知系统在真实临床实践中对气胸患者治疗时间的影响	气胸患者	计算机视觉	气胸	深度学习计算机辅助检测	深度学习	胸部X光图像	603,028次胸部X光检查，来自140,841名独特患者，气胸患病率2.0%	NA	NA	治疗时间减少分钟数、95%置信区间、P值	NA
1647	2026-06-01	Predicting response to neoadjuvant chemotherapy in muscle-invasive bladder cancer via interpretable multimodal deep learning 2025-Mar-22, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-025-01560-y PMID:40121304	研究论文	开发了一种可解释的基于图的多模态晚期融合深度学习框架，整合组织病理学、细胞类型和基因表达数据，预测肌层浸润性膀胱癌对新辅助化疗的反应	提出可解释的图基多模态晚期融合框架，融合H&E图像、细胞类型数据和RNA-seq基因表达谱，发现新的组织病理、细胞和分子预测因子	NA	构建准确预测模型并识别肌层浸润性膀胱癌治疗反应的生物标志物	肌层浸润性膀胱癌患者	机器学习	膀胱癌	RNA-seq	图神经网络	图像、文本	来自SWOG S1314-COXEN临床试验的样本	NA	图基多模态晚期融合	NA	NA
1648	2026-06-01	Deciphering the Language of Protein-DNA Interactions: A Deep Learning Approach Combining Contextual Embeddings and Multi-Scale Sequence Modeling 2024-11-15, Journal of molecular biology IF:4.7Q1 DOI:10.1016/j.jmb.2024.168769 PMID:39214282	研究论文	提出一种结合上下文嵌入和多尺度序列建模的深度学习方法，用于预测蛋白质-DNA相互作用位点	将预训练蛋白质语言模型（如ProtTrans）的上下文嵌入与多窗口卷积神经网络架构相结合，以捕捉DNA结合位点的局部和全局模式，显著提升了预测性能	未在文中明确提及局限性	从蛋白质序列直接预测与DNA相互作用的残基，以加速理解关键细胞过程和疾病通路	蛋白质序列中的DNA结合位点	机器学习	NA	深度学习方法、预训练语言模型（ProtTrans）、卷积神经网络	多窗口卷积神经网络	蛋白质序列数据	使用整理好的基准数据集进行综合评估，具体样本量未提及	PyTorch	多窗口CNN	ROC曲线下面积（AUC）达0.89	NA
1649	2026-06-01	Comprehensive evaluation and prediction of editing outcomes for near-PAMless adenine and cytosine base editors 2024-10-25, Communications biology IF:5.2Q1 DOI:10.1038/s42003-024-07078-5 PMID:39455714	研究论文	对近无PAM的腺嘌呤和胞嘧啶碱基编辑器的编辑效果进行综合评估与预测	生成了四种近PAM-less碱基编辑器，并构建大规模sgRNA靶点文库系统评估其编辑模式与效率，开发了深度学习模型BEguider用于准确预测编辑结果	未提及具体局限性	评估近PAM-less碱基编辑器的编辑效果并开发预测模型	近PAM-less碱基编辑器及其编辑结果	机器学习	NA	深度测序	深度学习模型	序列数据	45,747个sgRNA靶点序列和20,541个ClinVar位点	NA	BEguider	NA	NA
1650	2026-06-01	Overcoming photon and spatiotemporal sparsity in fluorescence lifetime imaging with SparseFLIM 2024-10-21, Communications biology IF:5.2Q1 DOI:10.1038/s42003-024-07080-x PMID:39433929	研究论文	提出SparseFLIM智能方法，利用耦合双向传播网络从稀疏光子测量中实现高保真度荧光寿命成像重建	首次通过深度学习实现从稀疏光子测量中重建高质量荧光寿命图像，实现光子计数十倍富集，远超传统方法的采集速度限制	NA（摘要中未提及局限性信息）	克服荧光寿命成像中光子与时空稀疏性限制，提高采集速度并保持图像质量	荧光寿命成像显微图像中的稀疏光子数据	数字病理学	NA（未具体指定疾病）	荧光寿命成像显微术	耦合双向传播网络	图像	NA（样本数量未提及）	NA（未明确指定框架）	耦合双向传播网络	信噪比, 寿命准确度, 相关性	NA（未提供计算资源信息）
1651	2026-06-01	Graph attention automatic encoder based on contrastive learning for domain recognition of spatial transcriptomics 2024-10-18, Communications biology IF:5.2Q1 DOI:10.1038/s42003-024-07037-0 PMID:39424696	研究论文	提出一种基于图注意力自编码器和对比学习的空间转录组学域识别方法GAAEST	结合图注意力网络编码器和自监督对比学习，在局部、全局和上下文三个层次优化空间嵌入，提升空间域识别性能	未提及具体局限性	提高空间转录组学中空间域识别的准确性和鲁棒性	空间转录组学数据中的空间域	数字病理学	NA	空间转录组学	图注意力网络	空间转录组学数据（基因表达和空间位置信息）	多个数据集	PyTorch	图注意力自编码器	聚类准确率、空间域识别性能	NA
1652	2026-06-01	mACPpred 2.0: Stacked Deep Learning for Anticancer Peptide Prediction with Integrated Spatial and Probabilistic Feature Representations 2024-09-01, Journal of molecular biology IF:4.7Q1 DOI:10.1016/j.jmb.2024.168687 PMID:39237191	研究论文	开发了mACPpred 2.0模型，通过堆叠深度学习整合空间与概率特征表示，用于抗癌肽的高效预测	首次整合空间与概率特征表示来预测抗癌肽，并采用堆叠深度学习（SDL）方法结合1D CNN和混合特征	NA	提升抗癌肽预测的准确性和鲁棒性，更新并超越现有预测方法	抗癌肽（ACPs）和非抗癌肽的氨基酸序列数据	机器学习	癌症	深度学习、自然语言处理（NLP）嵌入、特征选择	堆叠深度学习（SDL）、1D卷积神经网络（1D CNN）	序列数据（氨基酸序列）	整合所有公开可用的ACPs数据集构建更新基准数据集	深度学习框架（未指定具体名称）	1D CNN	交叉验证、独立测试（具体指标如准确率、F1值等未列出）	NA
1653	2026-06-01	GalaxySagittarius-AF: Predicting Targets for Drug-Like Compounds in the Extended Human 3D Proteome 2024-09-01, Journal of molecular biology IF:4.7Q1 DOI:10.1016/j.jmb.2024.168617 PMID:39237198	研究论文	GalaxySagittarius-AF是一个结合深度学习预测结构进行药物类似化合物靶点预测的网络服务器	利用AlphaFold预测的结构扩展人类蛋白质组覆盖范围，并采用基于相似性和基于结构的双重方法进行靶点预测	未明确提及，但可能依赖于预测结构的准确性以及数据库的完整性	开发一个能够预测药物类似化合物在扩展人类3D蛋白质组中靶点的网络服务器	药物类似化合物及其在人类蛋白质组中的潜在靶点	机器学习和计算生物学	不适用	AlphaFold结构预测和GalaxySite结合位点预测	基于相似性和基于结构的预测模型	蛋白质结构数据和化合物结构数据	不适用	不适用	不适用	不适用	网络服务器，无需注册即可访问，运行速度比前代快2-3倍
1654	2026-06-01	ModFOLD9: A Web Server for Independent Estimates of 3D Protein Model Quality 2024-09-01, Journal of molecular biology IF:4.7Q1 DOI:10.1016/j.jmb.2024.168531 PMID:39237204	研究论文	介绍ModFOLD9网络服务器，用于独立评估3D蛋白质模型质量	整合了基于深度学习的新评分方法，显著提高了预测准确性	未提及具体局限性	提供可靠的独立模型质量估计以识别错误并选择最佳模型	蛋白质三维结构模型	机器学习	NA	NA	深度学习模型	蛋白质结构数据	NA	NA	NA	预测准确性	NA
1655	2026-06-01	Deep learning-based pathological prediction of lymph node metastasis for patient with renal cell carcinoma from primary whole slide images 2024-06-14, Journal of translational medicine IF:6.1Q1 DOI:10.1186/s12967-024-05382-6 PMID:38877591	研究论文	基于深度学习从肾细胞癌原发性全切片图像预测淋巴结转移的病理学模型	利用聚类约束注意力多实例学习方法开发了直接从原发性全切片图像预测肾细胞癌淋巴结转移的深度学习策略，并验证其在冰冻病理切片上的适用性及对预后预测的作用	NA	开发并验证基于病理组学的肾细胞癌微转移预测模型，辅助临床治疗决策	肾细胞癌患者的原发性全切片图像	数字病理学	肾细胞癌	全切片成像	深度学习模型	全切片图像	895张福尔马林固定石蜡包埋全切片图像（来自上海总医院、CPTAC和TCGA三个队列）和588张TCGA冰冻切片全切片图像	NA	聚类约束注意力多实例学习网络	AUC	NA
1656	2026-06-01	Imaging at the nexus: how state of the art imaging techniques can enhance our understanding of cancer and fibrosis 2024-06-13, Journal of translational medicine IF:6.1Q1 DOI:10.1186/s12967-024-05379-1 PMID:38872212	综述	详细描述了癌症和纤维化这两种疾病的最先进成像技术进展及其相互交叉应用	阐明了癌症与纤维化共同的分子病理生理学机制，并系统总结了PET、MRI、SGHI、超声、影像组学和人工智能等多种成像技术如何相互促进以提高对两种疾病的检测和监测能力	未提及具体研究局限	综述癌症和纤维化成像技术的最新进展及交叉应用，以改善诊断和监测	癌症和纤维化疾病的成像技术	医学影像、人工智能、数字病理学	癌症、纤维化	PET、MRI、SGHI、超声、影像组学、人工智能	深度学习	图像	NA	NA	深度学习架构	NA	NA
1657	2026-06-01	Nacre-like block lattice metamaterials with targeted phononic band gap and mechanical properties 2024-06, Journal of the mechanical behavior of biomedical materials IF:3.3Q3 DOI:10.1016/j.jmbbm.2024.106511 PMID:38518512	研究论文	提出一种基于人工神经网络的深度学习方法来设计具有同时波动过滤和增强力学性能的层级块格超材料，通过贝叶斯优化确定最优几何参数	首次将深度学习与贝叶斯优化相结合，用于仿生多层次块格超材料的前向预测、参数设计和拓扑设计，实现多目标优化（力学性能与波动过滤）	仅通过数值模拟验证，未涉及实验样机制造和实际测试；层级结构对动态行为的影响机制尚未完全阐明	克服传统设计方法的局限，开发能够同时实现波动过滤和增强力学性能的层级架构块格超材料	仿珍珠层复合材料的块格超材料，包括其几何构型、体积分数分布对声波/弹性波带隙和力学性能的影响	机器学习	NA	NA	人工神经网络（ANN）	数值模拟数据	NA	NA	人工神经网络	NA	NA
1658	2026-06-01	Application of Artificial Intelligence to the Monitoring of Medication Adherence for Tuberculosis Treatment in Africa: Algorithm Development and Validation 2023 Jan-Dec, JMIR AI DOI:10.2196/40167 PMID:38464947	研究论文	本研究开发并验证了基于深度学习模型的视频监测方法，用于自动分类结核病治疗中的药物依从性	首次在非洲资源有限环境中应用人工智能进行视频药物依从性监控，并系统评估多种卷积神经网络模型的性能	由于缺乏公开可用数据集，未进行外部验证；正负样本不平衡（405正样本vs 92负样本），可能影响模型泛化能力	探索深度学习模型在结核病治疗中药物依从性监测的可行性，提高视频监测效率	乌干达结核病患者的药物摄入视频图像	计算机视觉	结核病	视频监测技术	卷积神经网络	视频图像	861个视频图像，经筛选后497个视频用于模型训练（405正样本，92负样本）	NA	3D ResNet, 以及其他三种未指定架构的卷积神经网络	灵敏度, 特异性, F1分数, 精确率, AUC, 每视频处理速度	NA
1659	2026-06-01	Automated grading of enlarged perivascular spaces in clinical imaging data of an acute stroke cohort using an interpretable, 3D deep learning framework 2022-01-17, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-021-04287-4 PMID:35039524	研究论文	开发了一种可解释的3D深度学习框架，用于自动化分级急性卒中患者临床影像数据中的血管周围间隙扩大	首次利用3D-ResNet-152和3DGradCAM可解释性技术，在异质性急性卒中队列的临床级影像数据中实现自动化EPVS严重程度分级	样本量较小（n=262），且仅基于T2加权图像进行单一解剖区域（基底节）的评估	开发一个可解释的3D神经网络，用于自动化分级急性卒中患者基底节区血管周围间隙扩大（EPVS）的严重程度	262名急性卒中患者的T2加权影像数据	计算机视觉，数字病理学	脑血管疾病	磁共振成像（MRI）	3D卷积神经网络（CNN）	图像（临床级T2加权MRI）	262名急性卒中患者（训练/测试集：85%/15%）	PyTorch	3D-ResNet-152	准确率（0.897），AUC（0.879）	NA
1660	2026-05-31	Redefining spiking neural networks through the lens of dynamical superspace 2026-Dec, Cognitive neurodynamics IF:3.1Q2 DOI:10.1007/s11571-026-10470-y PMID:42212279	观点/展望论文	本文通过动力学超空间框架重新定义脉冲神经网络，从时间密度和状态空间复杂度角度审视神经计算，并提出从同步到异步计时、从平衡态到非平衡动力学的演进路线图	提出动力学超空间概念将神经计算重新定义为由时间密度和状态空间复杂度决定的连续层次，揭示了真实神经形态优势来源于异步计时与非平衡动力学，并构建了全局优化与局部执行的桥梁	该框架尚处于概念阶段，缺乏具体实验验证和定量分析；从理论到实际应用的技术路径未详细展开	重新定义脉冲神经网络的计算范式，揭示其作为动力系统而非高效量化的本质，为下一代智能系统提供理论基础	脉冲神经网络（SNN）的计算原理、时间动力学特性及其与生物神经电路的关系	机器学习, 神经形态计算	NA	NA	脉冲神经网络（SNN）	NA	NA	NA	NA	NA	NA