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
1781	2025-12-04	Exogenous Chemicals Impact Virus Receptor Gene Transcription: Insights from Deep Learning 2023-11-21, Environmental science & technology IF:10.8Q1 DOI:10.1021/acs.est.2c09837 PMID:37186679	研究论文	本研究提出了一种基于图卷积网络（GCN）的深度学习模型，用于预测影响ACE2基因转录表达的外源性物质	首次利用GCN模型预测外源性物质对ACE2基因转录的影响，并强调模型的可解释性	未明确说明模型在其他病毒受体基因上的泛化能力验证情况	探究外源性物质暴露对SARS-CoV-2病毒感染的影响	ACE2基因的转录表达	机器学习	COVID-19	定量PCR	GCN	基因转录数据	NA	NA	图卷积网络	AUROC	NA
1782	2025-12-04	Advancing Computational Toxicology by Interpretable Machine Learning 2023-11-21, Environmental science & technology IF:10.8Q1 DOI:10.1021/acs.est.3c00653 PMID:37224004	综述	本文综述了可解释机器学习在计算毒理学中的应用，包括毒性特征数据、模型解释方法、知识库框架的使用以及最新应用	将可解释机器学习技术应用于计算毒理学，以揭示毒性机制并阐明毒性模型的领域知识，解决传统“黑箱”模型难以解释的问题	NA	促进计算毒理学的发展，通过可解释机器学习模型辅助新化学物质评估并阐明人类毒性机制	药物、消费品和环境化学物质的毒性预测	机器学习	NA	机器学习, 深度学习	NA	毒性特征数据	NA	NA	NA	NA	NA
1783	2025-12-04	Deep-Learning-Based Automated Tracking and Counting of Living Plankton in Natural Aquatic Environments 2023-11-21, Environmental science & technology IF:10.8Q1 DOI:10.1021/acs.est.3c00253 PMID:37207295	研究论文	提出一种基于深度学习的自动化视频导向浮游生物跟踪工作流（AVPTW），用于连续监测水生环境中活体浮游生物的丰度	开发了AVPTW，首次实现基于深度学习的自动化视频采集、背景校准、检测、跟踪、校正和统计，用于在线监测移动浮游生物，并展示其对环境变化的敏感性	AVPTW仅对移动浮游生物敏感，可能无法准确计数静止或缓慢移动的浮游生物	开发自动化工具以高效监测水生环境中浮游生物的时空变化，用于环境风险评估	自然水生环境中的活体浮游生物，包括移动的浮游动物和浮游植物	计算机视觉	NA	视频采集与深度学习分析	深度学习模型（具体未指定，如CNN）	视频	使用受污染河流和未受污染湖泊的自然水样进行验证	NA	NA	准确性（通过与显微镜计数对比验证）	NA
1784	2025-12-04	Real-Time Sensor Data Profile-Based Deep Learning Method Applied to Open Raceway Pond Microalgal Productivity Prediction 2023-11-21, Environmental science & technology IF:10.8Q1 DOI:10.1021/acs.est.2c07578 PMID:37234045	研究论文	本文提出了一种基于传感器参数剖面图图像的深度学习方法，用于预测开放式跑道池微藻生产力	首次将图像处理与深度学习结合，利用远程监测的传感器数据预测微藻生产力，无需物理测量或特定地点校准	未考虑生物过程参数（如生物质密度、水力停留时间和营养浓度），可能影响预测的全面性	开发一种低成本工具，用于微藻生产和运营预测，通过远程监测数据有效预测开放式跑道池生产力	开放式跑道池微藻生产力	计算机视觉	NA	传感器监测（pH、溶解氧、温度、光合有效辐射、总溶解固体）	深度学习	图像（传感器参数剖面图）	来自美国5个州32个开放式跑道池的598个生产力数据和数百万条传感器记录	NA	NA	R²	NA
1785	2025-12-04	Ocean Stratification Impacts on Dissolved Polycyclic Aromatic Hydrocarbons (PAHs): From Global Observation to Deep Learning 2023-11-21, Environmental science & technology IF:10.8Q1 DOI:10.1021/acs.est.3c03237 PMID:37651694	研究论文	本文通过分析全球海洋和边缘海溶解多环芳烃数据，结合深度学习模型，探讨海洋层化对多环芳烃分布的影响	首次将深度学习神经网络模型应用于研究海洋层化与多环芳烃储量之间的关系，并揭示了层化指数与多环芳烃储量之间的显著正对数关系	研究主要基于全球观测数据，模型可能受数据覆盖范围和精度的限制，且未详细探讨其他环境因素的交互影响	研究海洋层化对溶解多环芳烃分布和储量的影响，以评估全球变暖背景下有机污染物的环境归宿	全球海洋和边缘海中的溶解多环芳烃	机器学习	NA	全球海洋观测数据收集与分析	深度学习神经网络	海洋化学数据（溶解多环芳烃浓度、层化指数、初级生产力等）	来自全球海洋和边缘海的溶解多环芳烃样本	NA	NA	相关系数（≥ 0.92）	NA
1786	2025-12-04	Deep learning-driven adaptive optics for single-molecule localization microscopy 2023-11, Nature methods IF:36.1Q1 DOI:10.1038/s41592-023-02029-0 PMID:37770712	研究论文	本文提出了一种基于深度学习的自适应光学方法，用于单分子定位显微镜，以直接推断波前畸变并进行近实时补偿，从而提高成像分辨率	开发了深度学习驱动的自适应光学系统，绕过传统的迭代试错过程，直接从单分子发射模式推断共享波前畸变，实现近实时补偿	NA	提高单分子定位显微镜在生物组织中的成像分辨率和保真度	单分子发射模式，波前畸变，脑组织样本	计算机视觉	NA	单分子定位显微镜	深度神经网络	图像	超过130微米厚的脑组织样本	NA	NA	分辨率，保真度	NA
1787	2025-12-04	CryoREAD: de novo structure modeling for nucleic acids in cryo-EM maps using deep learning 2023-11, Nature methods IF:36.1Q1 DOI:10.1038/s41592-023-02032-5 PMID:37783885	研究论文	本文介绍了一种名为CryoREAD的深度学习方法，用于在冷冻电镜图中从头建模核酸的原子结构	提出首个完全自动化的深度学习方法来从头建模DNA/RNA的原子结构，特别是在分辨率低于原子水平时仍能实现	方法在分辨率低于5.0 Å的冷冻电镜图中测试，可能对更低分辨率图的适用性有限	开发一种自动化工具，以解决核酸在冷冻电镜图中结构建模的挑战	DNA和RNA的三维结构，以及它们与蛋白质的复合物	结构生物学, 深度学习	NA	冷冻电镜（cryo-EM）	深度学习	冷冻电镜图	在2.0至5.0 Å分辨率的冷冻电镜图上测试，并应用于SARS-CoV-2的生物分子复合物图	NA	NA	准确性	NA
1788	2025-12-04	EmbryoNet: using deep learning to link embryonic phenotypes to signaling pathways 2023-06, Nature methods IF:36.1Q1 DOI:10.1038/s41592-023-01873-4 PMID:37156842	研究论文	本研究开发了一个名为EmbryoNet的深度卷积神经网络，用于自动识别斑马鱼信号通路突变体的表型缺陷	首次利用深度学习结合时间依赖性发育轨迹模型，无偏地准确识别和分类七种主要脊椎动物发育信号通路的功能缺失表型缺陷	分类方案尚未标准化，且需要专家知识进行验证	通过自动表型分析链接胚胎表型与信号通路，以识别发育缺陷的潜在信号机制	斑马鱼胚胎及其信号通路突变体	计算机视觉	NA	深度学习，自动表型分析	CNN	图像	超过200万张用于训练和测试的图像	NA	EmbryoNet	高精度分类	NA
1789	2025-12-04	A Unified Learning Model for Estimating Fiber Orientation Distribution Functions on Heterogeneous Multi-shell Diffusion-Weighted MRI 2023, Computational diffusion MRI. CDMRI (Workshop) DOI:10.1007/978-3-031-47292-3_2 PMID:41321351	研究论文	本文提出了一种统一的动态网络，用于在异质多壳扩散加权MRI序列上高效估计纤维取向分布函数	采用单阶段球形卷积神经网络，避免了传统多阶段学习策略对中间表示的依赖，提高了估计效率和一致性	研究主要基于HCP年轻成人数据，未广泛验证于其他人群或临床场景，且未讨论模型在更复杂病理条件下的泛化能力	开发一种更高效和一致的纤维取向分布函数估计方法，以改进扩散加权MRI在组织分类和微结构成像中的应用	人类连接组计划中的年轻成人受试者，使用重测扫描数据	医学影像分析	NA	多壳扩散加权MRI	球形卷积神经网络	扩散加权MRI图像	人类连接组计划年轻成人数据集，包含重测扫描	NA	球形卷积神经网络	重测一致性，估计效率	NA
1790	2025-12-03	Making AI accessible for forensic DNA profile analysis 2026-Feb, Forensic science international. Genetics DOI:10.1016/j.fsigen.2025.103345 PMID:40848662	研究论文	本研究探索使用案例工作中收集的数据和广泛采用的U-Net架构训练高性能模型，用于法医DNA分析中的等位基因自动识别	首次利用案例工作数据而非手动标注数据训练U-Net模型进行等位基因识别，实现了与人类分析师相当的性能，并公开了代码、模型权重和研究数据以促进社区发展	未明确说明数据、标注或模型架构中哪些方面对性能起关键作用，未来工作需进一步探索这些因素	开发一种易于访问且高性能的深度学习模型，用于自动化法医DNA分析中的等位基因识别	法医DNA分析中的电泳图（EPG）数据，包括案例数据和独立混合研究数据	计算机视觉	NA	DNA分析，电泳图（EPG）技术	CNN	图像（电泳图扫描点）	未明确指定具体样本数量，但包括案例数据和独立混合研究数据	未明确指定，但可能基于PyTorch或TensorFlow（因U-Net常用）	U-Net	F1分数	NA
1791	2025-12-03	A semi-supervised learning-based framework for quantifying litter fluxes in river systems 2026-Jan-15, Water research IF:11.4Q1 DOI:10.1016/j.watres.2025.124833 PMID:41161028	研究论文	本文提出了一种结合半监督学习和切片辅助超推理的框架，用于量化河流横截面漂浮垃圾通量	首次将半监督学习与SAHI方法结合用于河流漂浮垃圾通量量化，解决了监督学习依赖大量标注数据和小垃圾物品检测困难的问题	框架仍会严重低估垃圾通量（比人工测量低3-4倍），主要因透明垃圾和困在水葫芦中的物品漏检	开发一种更高效准确的河流漂浮垃圾通量量化方法，以支持污染评估	河流水面漂浮的宏观塑料垃圾（>5毫米）	计算机视觉	NA	半监督学习，切片辅助超推理	CNN	图像	来自荷兰、印度尼西亚和越南水道的图像数据，具体数量未明确说明	PyTorch	ResNet50, Faster R-CNN	F1分数	NA
1792	2025-12-03	Floc image-driven deep learning enhanced by temporal windows and transformers for carbon emission reduction in drinking water treatment plants 2026-Jan-15, Water research IF:11.4Q1 DOI:10.1016/j.watres.2025.124868 PMID:41202793	研究论文	本研究通过引入絮体形态特征提取、时间窗口选择和Transformer架构集成等策略，优化深度学习模型，用于饮用水处理厂的精确混凝剂投加，以实现碳减排	提出了创新的絮体形态特征提取方法、时间窗口选择策略以及Transformer架构的集成，显著提升了深度学习模型在短期数据下的性能	研究仅基于一个月的数据进行训练，虽然通过自更新机制确保长期适应性，但初始数据量有限可能影响模型的泛化能力	优化深度学习算法以实现饮用水处理厂中混凝剂的精确投加，从而提升水净化效率并减少碳排放	饮用水处理厂中的混凝剂投加过程	机器学习	NA	絮体图像分析	CNN, LSTM, GAN, Transformer	图像, 时间序列数据	一个月的数据	TensorFlow, PyTorch	Temporal Convolutional Network (TCN), Transformer	R, R²	NA
1793	2025-12-03	Will artificial intelligence solve the riddle of athlete development? A critical review of how AI is being used for athlete identification, selection, and development 2026-Jan, Psychology of sport and exercise IF:3.1Q1 DOI:10.1016/j.psychsport.2025.102978 PMID:41038088	综述	本文批判性地回顾了人工智能在运动员识别、选拔和发展领域的应用现状与挑战	系统梳理了人工智能在体育科学中应用于运动员发展的三个主要领域，并强调了创新与批判性评估的平衡方法	未明确提及具体研究限制，但暗示了该领域应用范围与效用尚不完全明确	探讨人工智能在运动员发展（包括识别、选拔和培养）中的使用范围、效用及相关挑战	体育科学研究中使用人工智能的文献	机器学习	NA	机器学习，深度学习	NA	NA	NA	NA	NA	NA	NA
1794	2025-12-03	Deep learning synthesis of DBT features from mammography for breast cancer diagnosis 2026-Jan, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2025.112486 PMID:41151435	研究论文	本研究提出了一种跨模态特征合成（CMFS）模型，从数字乳腺X线摄影（DM）图像生成合成数字乳腺断层合成（sDBT）特征，以提升乳腺癌诊断的准确性和临床实用性	开发了基于ResNet的多尺度注意力网络（MSAN）和生成对抗网络（GAN）模型，通过多任务学习将DM特征转换为sDBT特征，从而增强病变分类并减少患者辐射暴露	研究为回顾性设计，样本量相对有限（共806个样本），且未在外部数据集上进行验证	提升数字乳腺X线摄影（DM）在乳腺癌诊断中的诊断准确性和临床效用	乳腺癌患者	计算机视觉	乳腺癌	数字乳腺X线摄影（DM），数字乳腺断层合成（DBT）	GAN, ResNet	图像	806个样本（训练集570个，测试集236个）	NA	ResNet, MSAN, GAN	AUC	NA
1795	2025-12-03	Gd-EOB-DTPA-enhanced MRI radiomics and deep learning models for predicting the pathological differentiation degree in hepatocellular carcinoma 2026-Jan, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2025.112487 PMID:41161266	研究论文	本研究探讨了结合Gd-EOB-DTPA增强MRI影像组学、深度学习模型及临床放射学特征在预测肝细胞癌病理分化程度中的价值	创新性地将深度学习模型与影像组学特征及临床放射学特征相结合，构建了综合预测模型，显著提高了对肝细胞癌分化程度的预测性能	研究为回顾性设计，样本来自三家医院，可能存在选择偏倚；模型性能仍需在前瞻性多中心研究中进一步验证	预测肝细胞癌的病理分化程度，以辅助制定更有利的治疗方案	肝细胞癌患者	数字病理学	肝细胞癌	Gd-EOB-DTPA增强MRI	深度学习, 机器学习	MRI图像	409例肝细胞癌患者（训练集304例，验证集105例）	FeAture Explorer, 3D ResNet-18	ResNet-18	AUC, 敏感性, 特异性	NA
1796	2025-12-03	Accurate multi-b-value DWI generation using two-stage deep learning: multicenter study 2026-Jan, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2025.112497 PMID:41161267	研究论文	本研究开发并验证了一种两阶段深度学习框架，用于高保真多器官、多b值DWI合成和准确ADC恢复	提出两阶段DC2Anet-MineGAN框架，结合DC2Anet进行器官特定低至高b值合成和MineGAN进行任意b值插值，以克服临床DWI采集限制	存在潜在幻觉或失真风险，需要进一步多中心临床验证	开发高保真多器官、多b值DWI合成和准确ADC恢复的深度学习框架	来自三家医院和TCIA数据库的DWI图像，涵盖五个解剖区域（脑、乳腺、腹部、颈部、骨盆）	医学影像分析	NA	扩散加权成像（DWI）	生成对抗网络（GAN）	图像	50000张图像	NA	DC2Anet, MineGAN	均方误差（MSE）, 平均绝对误差（MAE）, 峰值信噪比（PSNR）, 结构相似性指数（SSIM）, 组内相关系数（ICC）	NA
1797	2025-12-03	Machine Learning Approaches for Predicting RNA-RNA/DNA Interactions 2026, Methods in molecular biology (Clifton, N.J.) DOI:10.1007/978-1-0716-4670-0_14 PMID:41174207	综述	本章介绍用于预测RNA-RNA/DNA相互作用的机器学习方法，这对于理解非编码RNA功能至关重要	利用深度学习技术和来自高通量测序方法的大规模相互作用数据，开发出比传统基于能量方法更准确的预测工具	存在过拟合风险和需要第三方验证等挑战	预测RNA-RNA/DNA相互作用以理解非编码RNA功能	原核小RNA、一般RNA-RNA相互作用、miRNAs、box C/D snoRNAs、lncRNA-DNA三链体、CRISPR引导RNA设计	机器学习	NA	高通量测序	深度学习	相互作用数据	NA	NA	NA	准确性	NA
1798	2025-12-03	Deep learning and transformer-based feature fusion of conventional MRI for differentiating spinal osteolytic bone metastases and multiple myeloma 2026-Jan, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2025.112463 PMID:41176822	研究论文	本研究开发了一种结合Transformer特征融合的深度学习模型，利用常规MRI序列区分脊柱溶骨性骨转移瘤和多发性骨髓瘤	首次将Transformer架构应用于常规MRI序列的特征融合，以区分脊柱溶骨性骨转移瘤和多发性骨髓瘤，并展示了其优越的临床净获益和泛化能力	模型在外部测试集上的性能差异未达到统计学显著性（所有P > 0.05），且研究为回顾性设计	开发一种基于深度学习和Transformer特征融合的模型，用于区分脊柱溶骨性骨转移瘤和多发性骨髓瘤	663名患者（342例脊柱溶骨性骨转移瘤和321例多发性骨髓瘤）的常规MRI序列图像	医学影像分析	骨肿瘤	常规MRI序列（T1WI, T2WI, T2WI-fs）	深度学习, Transformer	医学影像	663名患者（训练集421例，外部测试集242例）	NA	DenseNet169, Transformer	AUC, 准确率, ROC曲线, 校准图, 决策曲线分析	NA
1799	2025-12-03	Assessing deep learning artificial intelligence support for detecting elbow fractures in the pediatric emergency department 2026-Jan, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2025.112498 PMID:41197552	研究论文	本研究评估了深度学习人工智能在辅助儿科急诊医生检测儿童肘部骨折方面的性能	首次在儿科急诊环境中评估深度学习算法对肘部骨折检测的辅助作用，并比较了有/无AI支持时医生的诊断表现	研究为回顾性设计，且AI辅助仅为理论性模拟，未在实际临床工作流程中实时测试	评估深度学习算法在辅助儿科急诊医生检测儿童肘部骨折方面的诊断性能	因创伤接受肘部X光检查的0-15岁儿童患者	计算机视觉	骨折	X光成像	深度学习算法	图像	755名儿童患者	NA	NA	灵敏度, 特异度	NA
1800	2025-12-03	Multi-modal deep learning for predicting functional outcomes in intracerebral hemorrhage using 3D CT and clinical data 2026-Jan, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2025.112506 PMID:41202530	研究论文	本研究构建并验证了一种新颖的多模态深度学习框架，该框架整合了三维CT图像和临床文本信息，用于预测脑出血患者发病90天后的功能结局	提出了一种融合3D CT图像和临床文本的多模态深度学习框架，并采用双流注意力机制进行深度特征融合，提高了预测准确性	研究为回顾性设计，样本量相对有限（508例），且仅来自两个医疗中心，可能存在选择偏倚	准确预测脑出血患者发病90天后的长期功能结局，以支持早期临床风险分层	脑出血患者	数字病理学	脑出血	三维计算机断层扫描	CNN, 预训练语言模型	图像, 文本	508例脑出血患者（训练验证队列391例，外部测试队列117例）	PyTorch, TensorFlow（推断）	3D CNN, BioClinicalBERT	准确率, AUC	未明确指定，但推断需要GPU支持以处理3D CNN和预训练语言模型