深度学习在生物医药领域中的应用

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
161	2025-05-16	Unraveling other-race face perception with GAN-based image reconstruction 2025-Mar-14, Behavior research methods IF:4.6Q1 DOI:10.3758/s13428-025-02636-z PMID:40087201	研究论文	本研究利用StyleGAN2深度学习技术生成逼真图像，探索其他种族面孔感知的表示基础	提出了一种基于GAN的图像重建新方法，揭示了人类参与者行为相似性数据中的内部面孔表示，并发现了新的年龄偏差	研究仅涉及东亚和白人参与者，可能无法推广到其他种族群体	探索其他种族效应（ORE）的表示基础	东亚和白人参与者的同种族和其他种族面孔	计算机视觉	NA	StyleGAN2	GAN	图像	东亚和白人参与者（具体数量未提及）
162	2025-05-16	Global or local modeling for XGBoost in geospatial studies upon simulated data and German COVID-19 infection forecasting 2025-Mar-14, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-92995-6 PMID:40087346	研究论文	本文研究了在空间地理研究中，XGBoost模型采用全局建模还是局部建模更优的问题，并通过模拟数据和德国COVID-19感染预测案例进行了比较	探讨了XGBoost在空间地理研究中的全局与局部建模策略，并通过实证分析比较了两种方法的优劣	研究结果依赖于数据的平衡性和空间变异性，且局部建模的空间划分需要额外注意	比较XGBoost在空间地理研究中的全局建模与局部建模的效果	模拟数据和德国COVID-19感染数据	机器学习	COVID-19	XGBoost	XGBoost	模拟数据和真实感染数据	NA
163	2025-05-16	Comparison of Deep Learning and Traditional Machine Learning Models for Predicting Mild Cognitive Impairment Using Plasma Proteomic Biomarkers 2025-Mar-08, International journal of molecular sciences IF:4.9Q2 DOI:10.3390/ijms26062428 PMID:40141072	research paper	比较深度学习和传统机器学习模型在利用血浆蛋白质组生物标志物预测轻度认知障碍(MCI)中的表现	首次比较了深度学习和传统机器学习模型在预测MCI中的性能，并识别出与MCI相关的关键血浆蛋白质组生物标志物	样本量相对较小(239名成人)，且数据来自单一队列(ADNI)	比较不同机器学习方法在预测轻度认知障碍方面的性能	239名成年人及其146种血浆蛋白质组生物标志物	machine learning	geriatric disease	血浆蛋白质组分析	DNN, SVM, LR, NB, RF, KNN, GBM, XGBoost	生物标志物数据	239名来自ADNI队列的成年人
164	2025-05-16	AD-VAE: Adversarial Disentangling Variational Autoencoder 2025-Mar-04, Sensors (Basel, Switzerland) DOI:10.3390/s25051574 PMID:40096455	研究论文	提出了一种名为AD-VAE的新框架，用于单人样本人脸识别（SSPP FR），结合了变分自编码器（VAE）和生成对抗网络（GAN）技术	AD-VAE框架通过结合VAE和GAN技术，能够从受控和野生数据集中学习构建具有代表性的身份保留原型，有效处理姿态、光照和遮挡等变化	未明确提及具体限制，但可能包括对极端姿态或遮挡情况的处理能力	解决单人样本人脸识别（SSPP FR）中学习鲁棒且具有判别性特征的挑战	人脸识别	计算机视觉	NA	VAE, GAN	AD-VAE（结合VAE和GAN的混合模型）	图像	使用了四个受控基准数据集（AR, E-YaleB, CAS-PEAL, FERET）和一个非受控数据集（LFW）
165	2025-05-16	Relational similarity-based graph contrastive learning for DTI prediction 2025-Mar-04, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaf122 PMID:40127181	研究论文	本文提出了一种基于关系相似性的图对比学习方法（RSGCL-DTI），用于提高药物-靶标相互作用（DTI）预测的准确性	结合药物和蛋白质的结构特征与关系特征，通过图对比学习提取药物间和蛋白质间的关系特征，从而提升DTI预测性能	NA	提高药物-靶标相互作用预测的准确性，以促进药物再利用	药物和靶标蛋白质	机器学习	NA	图对比学习	GNN, CNN, D-MPNN	图数据	四个基准数据集
166	2025-05-16	DS-MVP: identifying disease-specific pathogenicity of missense variants by pre-training representation 2025-Mar-04, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaf119 PMID:40127180	研究论文	提出了一种名为DS-MVP的方法，用于预测人类基因组中错义变异的疾病特异性致病性	DS-MVP通过预训练深度学习模型学习错义变异的丰富表示，并利用XGBoost模型在特定疾病的小数据集上进行微调，优于现有最先进方法	未提及具体样本量或数据集的详细限制	提高疾病诊断和临床研究的准确性，通过预测错义变异的疾病特异性致病性	人类基因组中的错义变异	机器学习	NA	深度学习预训练，XGBoost	深度学习模型，XGBoost	基因组数据	NA
167	2025-05-16	PCLSurv: a prototypical contrastive learning-based multi-omics data integration model for cancer survival prediction 2025-Mar-04, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaf124 PMID:40127182	research paper	介绍了一种名为PCLSurv的创新深度学习框架，用于基于多组学数据的癌症生存预测	结合了自动编码器提取组学特异性特征，采用样本级对比学习识别数据视图间的互补特征，并通过原型对比学习增强模型捕捉高层次语义关系的能力	NA	提高癌症生存预测的准确性	癌症患者	machine learning	cancer	multi-omics data integration	deep learning framework (PCLSurv)	multi-omics data	11个癌症数据集
168	2025-05-16	MethPriorGCN: a deep learning tool for inferring DNA methylation prior knowledge and guiding personalized medicine 2025-Mar-04, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaf131 PMID:40131311	research paper	提出了一种名为MethPriorGCN的深度学习工具，用于推断DNA甲基化先验知识并指导个性化医疗	通过整合层注意力机制和特征加权机制，MethPriorGCN不仅识别了可靠的甲基化数字生物标志物，还实现了卓越的疾病亚型分类准确性	NA	系统挖掘已知DNA甲基化与疾病关联中的可靠甲基化先验知识，并开发用于精准医疗应用的稳健计算方法	DNA甲基化与人类疾病的关联	machine learning	NA	DNA methylation sequencing	GCN (Graph Convolutional Network)	methylation data	NA
169	2025-05-16	scSAMAC: saliency-adjusted masking induced attention contrastive learning for single-cell clustering 2025-Mar-04, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaf128 PMID:40131310	研究论文	提出了一种名为scSAMAC的新方法，用于单细胞数据的聚类分析，通过结合对比学习和负二项式损失到变分自编码器中，提高了聚类的鲁棒性和泛化能力	scSAMAC方法创新性地整合了对比学习和负二项式损失到变分自编码器中，采用基因特征显著性调整的负样本生成方法构建掩码模块，并开发了包含软k均值损失、Wasserstein距离和对比损失的新损失函数，以及应用多头注意力机制模块增强特征相关性	未明确提及具体限制，但可能面临高维稀疏数据处理的挑战	提高单细胞数据的聚类性能，以便更好地分析细胞类型	单细胞测序数据	机器学习	NA	单细胞测序技术	变分自编码器（VAE）、多头注意力机制	单细胞测序数据	NA
170	2025-05-16	A review of neural networks for metagenomic binning 2025-Mar-04, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaf065 PMID:40131312	综述	本文详细回顾了人工神经网络在宏基因组分箱中的应用，比较了34种基于ANN的分箱工具	系统比较了34种基于ANN的分箱工具，揭示了深度学习方法的优势，并提出了未来研究方向	强调了基准测试实践的不足	描述微生物群落的分类多样性	宏基因组序列	机器学习	NA	宏基因组测序	CNN, autoencoders	序列数据	NA
171	2025-05-16	Machine learning for the rElapse risk eValuation in acute biliary pancreatitis: The deep learning MINERVA study protocol 2025-Mar-03, World journal of emergency surgery : WJES IF:6.0Q1 DOI:10.1186/s13017-025-00594-7 PMID:40033414	研究论文	该研究旨在开发和验证一种机器学习模型，用于预测轻度急性胆源性胰腺炎（MABP）患者的复发风险	利用卷积神经网络（CNN）进行特征提取和风险预测，结合kPCA进行变量空间转换，创建2D图像并应用卷积滤波器	研究仅针对意大利的多家医院，且排除了非胆源性病因、严重胰腺炎及无法提供知情同意的患者	开发一种可靠的预测工具，以改善MABP患者的临床决策过程	成年MABP患者，符合修订后的亚特兰大标准，且在首次住院期间未接受早期胆囊切除术	机器学习	胰腺炎	卷积神经网络（CNN），核主成分分析（kPCA）	CNN	临床和人口统计学数据	回顾性数据来自MANCTRA-1研究，并包括前瞻性数据收集
172	2025-05-16	FungID: Innovative Fungi Identification Method with Chromogenic Profiling of Colony Color Patterns 2025-Mar-03, Pathogens (Basel, Switzerland) DOI:10.3390/pathogens14030242 PMID:40137727	研究论文	介绍了一种名为FungID的新型深度学习算法，通过菌落颜色模式的显色分析来识别真菌物种	开发了基于CNN的FungID算法及其用户友好软件，用于通过显色分析快速可靠地识别真菌物种	需要仔细评估这些方法的适用范围和局限性	提高真菌物种识别的速度和可靠性，为健康、微生物学、生物技术等领域提供额外工具	真菌物种	计算机视觉	NA	显色分析	CNN	图像	269张图像
173	2025-05-16	Multimodal Artificial Intelligence Models Predicting Glaucoma Progression Using Electronic Health Records and Retinal Nerve Fiber Layer Scans 2025-Mar-03, Translational vision science & technology IF:2.6Q2 DOI:10.1167/tvst.14.3.27 PMID:40152766	研究论文	本研究开发了结合电子健康记录（EHRs）和视网膜神经纤维层光学相干断层扫描（RNFL OCT）扫描的多模态人工智能模型，用于预测青光眼患者是否需要手术	首次结合EHR和RNFL OCT扫描数据，使用TabNet深度学习架构预测青光眼手术需求，并证明其优于传统XGBoost模型	研究样本仅来自单一学术中心，可能限制模型的泛化能力	开发预测青光眼进展的人工智能模型	青光眼患者	数字病理	青光眼	光学相干断层扫描（OCT）	TabNet, XGBoost	结构化临床数据（EHR）、医学影像（RNFL OCT扫描）	1472名青光眼患者（其中367名进展至需要手术）
174	2025-05-16	Reconstructing 3D chromosome structures from single-cell Hi-C data with SO(3)-equivariant graph neural networks 2025-Mar, NAR genomics and bioinformatics IF:4.0Q1 DOI:10.1093/nargab/lqaf027 PMID:40124711	研究论文	提出了一种基于SO(3)-等变图神经网络(HiCEGNN)的方法，用于从单细胞Hi-C数据重建3D染色体结构	首次将SO(3)-等变图神经网络应用于单细胞Hi-C数据的3D染色体结构重建，相比传统优化方法和现有深度学习方法表现更优	未提及具体的数据集规模限制或计算资源需求	从稀疏的单细胞Hi-C数据中准确重建3D染色体结构	单细胞的染色体空间构象	生物信息学	NA	单细胞Hi-C(ScHi-C)	SO(3)-equivariant graph neural network (HiCEGNN)	染色体接触数据	NA
175	2025-05-16	LOGLformer: Integrating local and global characteristics for depression scale estimation from facial expressions 2025-Mar-01, The Review of scientific instruments DOI:10.1063/5.0231737 PMID:40130984	research paper	提出了一种名为LOGLFormer的新型混合计算架构，用于从面部表情中估计抑郁量表，整合了CNN的局部属性和transformer的全局模式	LOGLFormer架构首次整合了CNN和transformer的特性，通过特征对齐模块解决了两种特征集之间的差异，显著提升了自动抑郁检测的性能	仅在AVEC2013和AVEC2014两个抑郁数据库上进行了测试，未在其他数据集上验证其泛化能力	开发一种能够整合局部和全局面部动态特征的深度学习模型，用于自动抑郁检测	抑郁患者的面部表情	affective computing	depression	deep learning	LOGLFormer (CNN + transformer)	facial expression images	AVEC2013和AVEC2014两个抑郁数据库
176	2025-05-16	Using pretrained models in ensemble learning for date fruits multiclass classification 2025-Mar, Journal of food science IF:3.2Q2 DOI:10.1111/1750-3841.70136 PMID:40135491	研究论文	该研究使用预训练模型和集成学习方法对九种不同种类的椰枣进行多类分类	提出了一种名为Dirichlet Ensemble的集成学习方法，结合了四种CNN模型的预测结果，显著提高了分类准确率	VGG16模型表现不佳，仅获得73.24%的准确率，表明其处理复杂分类任务的能力有限	提高椰枣分类的准确性和鲁棒性，用于质量控制、自动分拣和商业应用	九种不同种类的椰枣	计算机视觉	NA	集成学习	CNN（包括DenseNet121、MobileNetV2、ResNet18和VGG16）	图像	未明确说明样本数量
177	2025-05-16	Machine Learning in Drug Development for Neurological Diseases: A Review of Blood Brain Barrier Permeability Prediction Models 2025-Mar, Molecular informatics IF:2.8Q2 DOI:10.1002/minf.202400325 PMID:40146590	review	本文回顾了机器学习在预测血脑屏障通透性方面的最新方法	总结了利用机器学习和深度学习技术预测血脑屏障通透性的最新进展	未提及具体模型性能比较或实际应用效果的局限性	探讨机器学习在神经系统疾病药物开发中的应用	血脑屏障通透性预测模型	machine learning	neurological disease	machine learning, deep learning	NA	empirical data	NA
178	2025-05-16	Current AI Applications and Challenges in Oral Pathology 2025-Mar, Oral (Basel, Switzerland) DOI:10.3390/oral5010002 PMID:40357025	review	本文综述了人工智能在口腔病理学中的当前应用与挑战	探讨了AI在口腔病理学中的变革潜力，包括提高口腔疾病检测准确性和简化诊断流程	数据质量、泛化能力、法律与伦理问题、财务限制以及实践模式转变的需求	探索人工智能在口腔病理学中的潜在应用与挑战	口腔病理学中的AI应用	digital pathology	oral diseases	machine learning (ML), deep learning (DL), convolutional neural networks (CNNs), natural language processing (NLP)	CNNs, NLP	image, text	NA
179	2025-05-16	Multiplex Detection and Quantification of Virus Co-Infections Using Label-free Surface-Enhanced Raman Spectroscopy and Deep Learning Algorithms 2025-02-28, ACS sensors IF:8.2Q1 DOI:10.1021/acssensors.4c03209 PMID:39874586	研究论文	介绍了一种结合表面增强拉曼散射(SERS)和深度学习的无标记诊断平台，用于快速定量检测呼吸道病毒共感染	开发了MultiplexCR深度学习模型，能够同时从SERS光谱预测病毒种类和浓度，准确率高达98.6%	NA	快速定量检测呼吸道病毒共感染，用于诊断、治疗和疾病管理	11种病毒、9种双病毒混合物和4种三病毒混合物	机器学习	呼吸道感染	表面增强拉曼散射(SERS)	深度学习模型(MultiplexCR)	光谱数据	超过120万条SERS光谱
180	2025-05-16	Enhancing Ophthalmic Diagnosis and Treatment with Artificial Intelligence 2025-Feb-28, Medicina (Kaunas, Lithuania) DOI:10.3390/medicina61030433 PMID:40142244	review	本文综述了人工智能在眼科诊断和治疗中的当前应用及未来潜力	利用AI算法（特别是机器学习和深度学习）提高诊断准确性，个性化治疗计划，并优化手术精度	数据隐私、安全性和算法偏见等挑战仍需解决	探索人工智能在眼科领域的应用以提升诊断和治疗效果	糖尿病视网膜病变、年龄相关性黄斑变性和青光眼等眼科疾病	digital pathology	diabetic retinopathy, age-related macular degeneration, glaucoma	machine learning, deep learning	ML, DL	multimodal data, including genetic information and patient histories	NA