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
1841	2025-12-17	DeepNhKcr: Explainable Deep Learning Framework for the Prediction of Crotonylation Sites of Non-histone Lysine in Plants Based on Pre-trained Protein Language Model 2025-Dec-15, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3643930 PMID:41396754	研究论文	本文提出了一种名为DeepNhKcr的可解释深度学习框架，用于预测植物非组蛋白赖氨酸的巴豆酰化位点	首次将预训练蛋白质语言模型（ESM2）与双向长短期记忆网络（BiLSTM）相结合，并引入焦点损失函数处理数据不平衡问题，同时融合传统蛋白质编码策略进行特征提取与整合	未明确说明模型在跨物种或其他类型蛋白质上的泛化能力，也未讨论计算资源需求对实际应用的影响	开发一种快速准确预测植物非组蛋白赖氨酸巴豆酰化位点的计算方法	植物非组蛋白中的赖氨酸巴豆酰化位点	生物信息学	NA	蛋白质语言模型，深度学习	BiLSTM	蛋白质序列数据	NA	PyTorch（基于ESM2推断）	ESM2, BiLSTM	准确率，五折交叉验证，独立测试性能	NA
1842	2025-12-17	PiperNet: a hybrid deep learning approach for monitoring papaya seed adulteration in black pepper using hyperspectral imaging 2025-Dec-15, Food additives & contaminants. Part A, Chemistry, analysis, control, exposure & risk assessment DOI:10.1080/19440049.2025.2598389 PMID:41397220	研究论文	本研究提出了一种结合高光谱成像与深度学习的混合框架，用于检测黑胡椒中掺杂的木瓜籽	提出了一种新颖的混合深度学习模型PiperNet，该模型将2D CNN、Squeeze-and-Excitation模块和双向门控循环单元层集成在一起，以联合捕获空间纹理、强调信息丰富的光谱通道并建模序列波长依赖性	未在更广泛或更复杂的掺杂物类型上进行测试，也未讨论模型在实时或大规模工业应用中的计算效率	开发一种非破坏性、自动化的香料认证方法，以支持食品质量保证、法规遵从和消费者保护	黑胡椒及其掺杂物（干燥木瓜籽）	计算机视觉	NA	高光谱成像	CNN, Bi-GRU	高光谱图像	600个样本，分为纯黑胡椒、纯木瓜籽和掺假混合物三类	NA	PiperNet（集成SE模块和Bi-GRU层的2D CNN）	分类准确率	NA
1843	2025-12-17	A Comparative Study on Signal Decomposition Techniques for Stimulated Raman Photoacoustic Microscopy 2025-Dec-15, Journal of biophotonics IF:2.0Q3 DOI:10.1002/jbio.202500388 PMID:41397816	研究论文	本文比较了基于受激拉曼光谱的多光谱光声显微镜系统中四种信号分解技术的性能	首次在受激拉曼光声显微镜系统中系统比较了包括深度学习在内的多种信号分解方法	方法性能在较长时延下表现出较大变异性，且仅在小鼠脑部数据上测试	评估不同信号分解技术在光声显微镜中的效果，以优化氧饱和度估计	小鼠脑部产生的光声信号	生物医学成像	NA	受激拉曼光谱，多光谱光声显微镜	CNN, 自编码器	光声信号	从小鼠脑部获取的数据	NA	卷积神经网络与自编码器结合架构	准确度	NA
1844	2025-12-17	Comparative Analysis of AI-based Quantification vs. Visual Rating of Enlarged Perivascular Spaces in the MESA Cohort 2025-Dec-15, AJNR. American journal of neuroradiology DOI:10.3174/ajnr.A9129 PMID:41397892	研究论文	本研究比较了视觉评分与基于AI的量化方法在评估脑部MRI中扩大的血管周围空间（PVS）与血管风险因素及认知表现关联性的效果	首次在MESA队列中系统比较了传统视觉评分与全自动深度学习算法在PVS量化上的差异，并发现AI方法能检测出更多与血管风险因素和认知功能的关联	横断面研究设计无法确定因果关系，样本量相对有限（235名参与者），且仅基于单一队列数据	比较AI量化与视觉评分在识别PVS与血管风险因素及认知表现关联性方面的差异	235名来自多民族动脉粥样硬化研究（MESA）的参与者，均接受了脑部MRI检查	数字病理学	心血管疾病	脑部MRI，流体衰减反转恢复序列	深度学习算法	图像	235名参与者	NA	NA	β系数，置信区间	NA
1845	2025-12-17	Deep learning accelerates discovery of complex nanomaterials 2025-Dec-15, Nature computational science IF:12.0Q1 DOI:10.1038/s43588-025-00918-2 PMID:41398083	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1846	2025-12-17	Development and validation of a deep learning-based automatic segmentation and classification of cerebral white matter hyperintensities 2025-Dec-15, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-12174-z PMID:41398110	研究论文	本研究开发并验证了一种基于深度学习的、用于认知障碍患者脑白质高信号自动分割与分类的模型	采用多任务多实例学习框架，实现了脑白质高信号的同时自动分割与分类，并利用Fazekas量表进行严重程度评估	模型在外部数据集上的分类准确率（0.68-0.75）低于内部数据集，表明可能存在泛化性挑战；研究为回顾性设计	开发并验证一种能够自动分割和分类脑白质高信号的深度学习模型，以支持脑小血管病的量化评估	认知障碍患者的脑部磁共振图像	医学影像分析	脑小血管病	磁共振成像	深度学习	图像	内部数据集：分割模型训练448例、调优149例、测试149例；分类模型训练1186例、调优394例、测试394例；外部测试集100例	NA	UNet with Resnet-34 encoder	Dice分数, 准确率	NA
1847	2025-12-17	Comprehensive discovery of m6A sites in the human transcriptome at single-molecule resolution 2025-Dec-15, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-67417-w PMID:41398146	研究论文	本研究开发了一个基于纳米孔测序的深度学习框架DeepRM，用于在单分子分辨率下全面发现人类转录组中的m6A位点	构建了规模空前、质量极高的训练数据集（比以往数据集大三个数量级），并实现了近乎完美的m6A位点检测和修饰化学计量测量精度	未明确说明模型在其他RNA修饰类型或生物体中的泛化能力的具体验证结果	开发高精度RNA修饰检测方法，构建人类m6A修饰图谱	人类转录组中的RNA修饰（特别是m6A）位点	机器学习	NA	纳米孔测序	深度学习	测序数据	大规模数据集（具体数量未明确说明）	未明确说明	未明确说明	准确度	NA
1848	2025-12-17	Multicenter study on the versatility and adoption of AI-driven automated radiotherapy planning across cancer types 2025-Dec-15, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-67581-z PMID:41398177	研究论文	本研究提出了一种结合深度学习剂量预测与临床目标引导逆向优化的混合策略，用于在五分钟内生成可直接执行的放疗计划，并在多中心、多癌种中验证其有效性和临床接受度	提出了一种混合策略，将深度学习剂量预测与临床目标引导的逆向优化相结合，以快速生成个性化、可直接执行的放疗计划，并在多中心、多癌种中验证了其临床适用性	研究为回顾性测试，且深度学习模型基于单一机构数据训练，可能在不同机构间的泛化能力存在局限	开发并验证一种高效、自动化且个性化的放疗计划生成方法，以提升放疗工作流程效率并减少计划质量差异	针对五种不同疾病部位的放疗计划	数字病理	多种癌症	深度学习，逆向优化	深度学习模型	放疗剂量数据，临床目标数据	250个自动生成的放疗计划	NA	NA	临床标准符合率，计划偏好率，剂量学分析	NA
1849	2025-12-17	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），整合卫星图像、气象变量和地面观测数据，并引入了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，以支持城市环境管理和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	卫星图像、气象变量、地面观测数据	NA	NA	MAST-Net	RMSE, 相关系数	NA
1850	2025-12-17	Deep learning based thyroid prediction with opposition learning based red panda optimization feature selection 2025-Dec-15, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32801-5 PMID:41398443	研究论文	本研究提出了一种基于深度学习的甲状腺预测新方法，结合了级联自编码器特征提取、改进的红熊猫优化特征选择和增强Transformer模型	提出了基于对立学习的红熊猫优化算法进行特征选择，并构建了级联自编码器-简单循环模型与增强Transformer模型结合的混合架构	未提及模型在不同人群或临床环境中的泛化能力验证，也未说明计算复杂度分析	开发高精度的甲状腺疾病预测模型	甲状腺疾病患者数据	机器学习	甲状腺疾病	深度学习	自编码器, Transformer	医疗数据	三个公开数据集（未说明具体样本量）	NA	级联自编码器, 简单循环模型, 增强Transformer	准确率, 特异性, 敏感性, F分数, 阳性预测值, 阴性预测值, 错误率	NA
1851	2025-12-17	"Enhancing early detection of oral cancer: a comparative study of artificial intelligence models and clinical specialist in lesion classification" 2025-Dec-15, BMC cancer IF:3.4Q2 DOI:10.1186/s12885-025-15334-y PMID:41398657	研究论文	本研究通过比较人工智能模型与临床专家在口腔病变分类中的表现，探索AI在口腔癌早期检测中的应用	首次系统比较了多种预训练深度学习模型在口腔癌病变分类中的性能，并证明AI模型可超越经验丰富的口腔专家诊断准确率	研究样本量相对有限（518张图像），且数据来源于单一医疗机构，可能影响模型的泛化能力	评估人工智能模型在口腔癌早期检测中的效能，并比较其与临床专家的诊断准确性	口腔内临床图像中的恶性与良性病变	计算机视觉	口腔癌	深度学习图像分析	CNN	图像	518张口腔内临床图像（104张恶性病变，414张良性或正常组织）	NA	DenseNet-121, EfficientNet-B0, ResNet-50	准确率, 灵敏度, 特异性, 阳性预测值, 阴性预测值, F1分数, AUC	NA
1852	2025-12-17	Enhancing breast cancer diagnosis: non-invasive prediction of MKI-67 (Ki67) expression using ultrasound images 2025-Dec-15, BMC cancer IF:3.4Q2 DOI:10.1186/s12885-025-15443-8 PMID:41398654	研究论文	本研究探索利用术前超声图像异质性非侵入性预测乳腺癌中MKI-67 (Ki67)表达状态	通过结合栖息地亚区、全局肿瘤、实验室和深度学习特征，综合多维度信息预测Ki67表达状态	复合模型在与某些组合模型比较时未显示出显著优势	非侵入性预测乳腺癌Ki67表达状态	乳腺癌患者	数字病理学	乳腺癌	超声成像	CNN, 机器学习	图像, 实验室数据	432名患者（训练集）和109名患者（测试集）	PyTorch, Scikit-learn	Swin-unet, ResNet-101	准确率, AUC, 敏感性, 特异性, 阳性预测值, 阴性预测值	NA
1853	2025-12-17	Biparametric MRI-Based Habitat Analysis Integrated With Deep Learning for Predicting Clinically Significant Prostate Cancer in PI-RADS Category 3 Lesions 2025-Dec-15, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.70205 PMID:41398999	研究论文	本研究开发并验证了一种基于双参数MRI的栖息地分析模型，结合深度学习特征，用于预测PI-RADS 3类别病变中的临床显著性前列腺癌	整合了双参数MRI的栖息地分析与深度学习特征，构建了栖息地全肿瘤模型和组合模型，提高了对PI-RADS 3病变中临床显著性前列腺癌的预测准确性	研究为回顾性设计，样本来自两个中心，可能存在选择偏倚，且模型性能需在前瞻性研究中进一步验证	预测PI-RADS 3类别前列腺病变中的临床显著性前列腺癌	551名经MRI识别为PI-RADS 3类别病变并经组织病理学确认的患者	数字病理学	前列腺癌	双参数MRI（T2加权成像和扩散加权成像序列）	深度学习	MRI图像	551名患者（中心1：439名，中心2：112名）	NA	NA	AUC（曲线下面积）	NA
1854	2025-12-17	The legacy and future of recurrent neural networks in personalized medicine: A reflection on the 2024 Nobel Physics Prize 2025-Dec-13, Biomedical journal IF:4.1Q2 DOI:10.1016/j.bj.2025.100933 PMID:41397676	综述	本文回顾了Hopfield和Hinton在神经网络领域的开创性贡献，探讨了循环神经网络从早期模型到深度学习架构的发展，及其在个性化医疗中的应用与未来挑战	结合2024年诺贝尔物理学奖的获奖工作，系统梳理了循环神经网络在个性化医疗中的历史影响与前沿应用，并提出了未来发展方向	文章未涉及具体实验验证，主要基于理论综述，对模型可解释性、泛化能力及伦理问题的讨论较为宏观	探讨循环神经网络在个性化医疗中的应用潜力与未来发展趋势	循环神经网络及其在医疗领域的应用	机器学习	NA	NA	RNN	图像, 文本	NA	NA	NA	诊断准确性	NA
1855	2025-12-17	Long-Term Carotid Plaque Progression and the Role of Intraplaque Hemorrhage: A Deep Learning-Based Analysis of Longitudinal Vessel Wall Imaging 2025-Dec-10, Journal of cardiovascular magnetic resonance : official journal of the Society for Cardiovascular Magnetic Resonance IF:4.2Q1 DOI:10.1016/j.jocmr.2025.102670 PMID:41386425	研究论文	本研究利用基于深度学习的分割方法，分析纵向血管壁成像数据，评估了斑块内出血对颈动脉粥样硬化斑块负荷长期进展的影响	首次采用深度学习分割管道在长期纵向血管壁成像中量化斑块内出血体积，并揭示其与斑块负荷进展的关联，同时发现斑块内出血会削弱双侧斑块生长的对称性	样本量较小（28名无症状受试者），且为观察性研究，无法确定因果关系	评估斑块内出血对颈动脉斑块负荷长期进展的影响	无症状颈动脉粥样硬化受试者的颈动脉斑块	数字病理学	心血管疾病	多对比磁共振血管壁成像	深度学习	医学影像	28名无症状受试者，共50条动脉，平均每名受试者接受4.7次扫描，随访时间平均5.8年	NA	NA	相关系数, p值	NA
1856	2025-12-17	AI learning for pediatric right ventricular assessment: development and validation across multiple centers 2025-Dec-09, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-025-02123-x PMID:41366000	研究论文	开发并验证了一个基于视频的深度学习框架，用于儿童右心室功能的自动评估	开发了一个跨多中心验证的视频深度学习框架，首次实现了对儿童右心室的自动分割、功能评估（FAC）、疾病分类及左心室射血分数的探索性预测	研究依赖于特定超声心动图视图（A4C, PSAX），模型在更广泛的形态变异或图像质量不佳情况下的泛化能力未完全验证	开发一个自动化、准确的工具来评估儿童右心室功能，以改善先天性或获得性心脏病患儿的诊断和管理	患有先天性心脏病、肺动脉高压、早产等相关疾病的儿童患者	数字病理学	心血管疾病	超声心动图	深度学习	视频	来自北美和亚洲四个三级医疗中心的3993名儿童的24,984份超声心动图	NA	U²-Net	Dice系数, AUC	NA
1857	2025-12-17	Deep learning reveals endogenous sterols as allosteric modulators of the GPCR-Gα interface 2025-Dec-08, eLife IF:6.4Q1 DOI:10.7554/eLife.106397 PMID:41359750	研究论文	本文开发了AI驱动的计算工具Gcoupler，用于预测GPCR-Gα界面的内源性变构调节剂，并通过实验验证发现甾醇等疏水代谢物作为直接细胞内调节剂	开发了首个整合从头配体设计、图神经网络和生物活性优先排序的通用计算工具Gcoupler，用于无偏地识别GPCR内源性变构调节剂，并首次发现甾醇作为GPCR-Gα界面的直接细胞内调节剂	研究主要基于酵母模型Ste2p-Gpa1p，在人类系统中的普适性需进一步验证；计算方法的泛化能力有待更多GPCR靶点测试	探索GPCR的内源性细胞内变构调节剂及其分子机制	GPCR-Gα界面（以酵母Ste2p-Gpa1p和人类/新生大鼠心脏肥大模型为例）	计算生物学	心血管疾病	计算模拟、遗传筛选、多组学分析、定点诱变、生化检测	图神经网络	分子结构数据、多组学数据、生化实验数据	未明确样本数量，但涉及酵母、人类和新生大鼠模型	未明确指定，但提及统计方法和图神经网络	未明确指定具体架构	未明确指定性能指标	未明确指定计算资源
1858	2025-12-17	MMETHANE: interpretable AI for predicting host status from microbial composition and metabolomics data 2025-Dec-08, Microbiome IF:13.8Q1 DOI:10.1186/s40168-025-02270-z PMID:41361854	研究论文	本文介绍了一种名为MMETHANE的可解释AI模型，用于从微生物组成和代谢组学数据预测宿主状态	MMETHANE整合了先验生物学知识（如系统发育和化学关系），并具有内在可解释性，能输出解释其决策的英文规则集	NA	开发一种计算工具，以链接微生物组组成和代谢物数据到宿主状态，用于理解宿主-微生物相互作用机制	微生物组成和代谢组学数据，以及宿主状态（如疾病状态）	机器学习	炎症性肠病	微生物测序，代谢组学测量	深度学习	微生物组成数据，代谢组学数据	六个数据集，包含配对的微生物组成和代谢组学测量	NA	MMETHANE	NA	NA
1859	2025-12-17	Deep learning-based detection of incisal translucency patterns 2025-Dec, The Journal of prosthetic dentistry IF:4.3Q1 DOI:10.1016/j.prosdent.2024.11.018 PMID:39837680	研究论文	本研究评估了深度学习模型在预测前牙切端半透明模式中的准确性	结合YOLOv5进行检测、Vision Transformers进行分类和U-Net进行分割，提供了一种全面的方法来分类切端半透明模式	研究样本量较小（约240张图像），且数据仅来自智能手机拍摄，可能影响模型的泛化能力	评估深度学习模型在预测前牙切端半透明模式中的准确性，以辅助牙科修复实践	前牙图像，特别是切端半透明模式	计算机视觉	NA	智能手机图像采集，图像增强技术	YOLOv5, Vision Transformers, U-Net	图像	约240张前牙JPEG图像，来自18岁以上参与者	NA	YOLOv5, Vision Transformer, U-Net	准确率, 精确率, 召回率, F1分数, 混淆矩阵, Dice系数	NA
1860	2025-12-17	Non-enhanced CT deep learning model for differentiating lung adenocarcinoma from tuberculoma: a multicenter diagnostic study 2025-Dec, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-11721-y PMID:40500528	研究论文	本研究开发并验证了一种基于三维特征的深度学习模型，用于区分肺腺癌和结核球	首次提出基于三维特征和视觉Transformer网络的深度学习模型，在非增强CT图像上区分肺腺癌与结核球，其性能优于二维特征模型、影像组学模型及六名放射科医生	研究样本主要来自三家医院，可能存在选择偏倚；未考虑其他肺部病变的鉴别诊断	开发并验证一种深度学习模型，用于在非增强CT图像上区分肺腺癌和结核球	肺腺癌和结核球患者	计算机视觉	肺癌	非增强CT成像	深度学习	CT图像	1160名患者（训练集840人，验证集210人，外部测试集110人）	NA	Vision Transformer	AUC	NA