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
1881	2026-08-18	An online nomogram based on bimodal ultrasound images for preoperative diagnosis of cytologically indeterminate thyroid nodules 2026, Frontiers in endocrinology IF:3.9Q2 DOI:10.3389/fendo.2026.1838372 PMID:42445878	研究论文	本文开发了一个基于双模态超声图像的在线列线图模型，用于术前诊断细胞学不确定的甲状腺结节，以减少不必要的甲状腺切除术	首次结合B型超声和应变弹性超声图像的影像组学特征和深度学习特征，并整合遗传检测和弹性成像水平，构建在线列线图模型，实现对不确定甲状腺结节的精准术前评估	未明确提及局限性	开发并验证一个在线列线图模型，用于术前精准评估不确定甲状腺结节的恶性风险，以减少不必要的诊断性甲状腺切除术	来自五个中心的甲状腺结节患者，分为回顾性训练、独立测试和前瞻性验证队列	医学影像分析	甲状腺结节	超声成像（B型超声、应变弹性超声）	列线图模型	B型超声和应变弹性超声图像	未明确样本数量，但涉及多中心多个队列	未明确提及	未明确提及	受试者工作特征曲线下面积（AUC）	未明确提及
1882	2026-08-18	Deep learning-based detection of bacterial swarm motion using a single image 2025-12, Gut microbes IF:12.2Q1 DOI:10.1080/19490976.2025.2505115 PMID:40366861	研究论文	开发了一种基于深度学习的细菌群集运动检测方法，利用单张模糊图像快速自主预测群集概率。	提出一种利用单张模糊图像进行细菌群集运动检测的深度学习分类器，避免了传统视频处理和人工观察的耗时与偏差，适用于高通量环境并提供客观定量评估。	训练数据仅来自单一菌株SM3，可能限制对其他菌种的适应性，且依赖图像质量。	实现细菌群集运动的快速、客观、自动化检测，以辅助疾病诊断如炎症性肠病和尿路感染。	细菌群集运动和游动运动的图像，包括SM3、DB10和H6菌株。	计算机视觉	炎症性肠病, 尿路感染	NA	深度学习分类器	图像	训练和测试图像来自SM3，以及外部测试图像来自DB10和H6	NA	NA	灵敏度, 特异性	NA
1883	2026-08-18	Impact of hypertension on cerebral small vessel disease: A post-mortem study of microvascular pathology from normal-appearing white matter into white matter hyperintensities 2025-09, Journal of cerebral blood flow and metabolism : official journal of the International Society of Cerebral Blood Flow and Metabolism IF:4.9Q1 DOI:10.1177/0271678X251333256 PMID:40219923	研究论文	本研究通过尸检样本，探讨了高血压对脑小血管疾病的影响，特别是微血管病理从正常表现白质向白质高信号转变的过程	首次利用深度学习优化白质高信号分割，并对正常表现白质到白质高信号中心进行逐体素的相关性分析，揭示了高血压个体中内皮损伤、血脑屏障破坏和神经血管炎症在脑小血管病进展中的协同作用	未观察到沿正常表现白质到白质高信号转变过程中血脑屏障损伤或神经血管炎症的渐进性变化，可能受限于样本量或尸检组织处理的影响	探讨慢性高血压与脑小血管病早期发病机制的关系，特别是微血管病理变化在正常表现白质向白质高信号转变中的作用	有无高血压个体的尸检脑组织，特别是脑室周围正常表现白质和白质高信号区域	数字病理学	脑小血管疾病	组织病理学检查、深度学习分割	深度学习模型	组织切片图像和MRI图像	未明确说明，但为尸检脑样本，分为高血压和非高血压组	NA	NA	NA	NA
1884	2026-08-18	Dissecting cross-lineage tumourigenesis under p53 inactivation through single-cell multi-omics and spatial transcriptomics 2025-09, Clinical and translational medicine IF:7.9Q1 DOI:10.1002/ctm2.70461 PMID:40887856	研究论文	本研究通过单细胞多组学和空间转录组学，探讨了p53失活后不同细胞谱系的肿瘤发生机制。	整合单细胞转录组、ATAC-seq、空间转录组等多组学数据，构建了Trp53功能细胞图谱，并通过深度学习基因网络模型重建p53调控网络，揭示了p53失活后跨谱系肿瘤发生的共享和特异特征。	未提供明确的局限性信息。	研究p53失活后不同细胞谱系的细胞稳态破坏和肿瘤发生机制，构建Trp53功能细胞图谱，并解码p53下游调控网络。	小鼠Trp53敲除模型中的免疫、基质和上皮细胞等不同细胞谱系。	单细胞多组学、空间转录组学、深度学习	Li-Fraumeni综合征	单细胞转录组学、单细胞ATAC-seq、空间转录组学、全基因组测序、CUT&Tag	深度学习基因网络模型	单细胞转录组数据、染色质可及性数据、空间转录组数据、基因组测序数据、CUT&Tag数据	小鼠模型，具体样本数量未提及	NA	基因网络模型	NA	NA
1885	2026-08-18	Deep Learning-Based Super Resolution Applied to Finite Element Analysis of Fused Deposition Modeling 3D Printing 2025-Aug, 3D printing and additive manufacturing IF:2.3Q3 DOI:10.1089/3dp.2023.0191 PMID:40933586	研究论文	提出一种基于深度学习的超分辨率方法，用于提高熔融沉积建模3D打印有限元分析中粗网格模型的温度和位移预测精度，并减少计算时间	将有限元分析中的网格视为图像像素，创新性地应用超分辨率残差网络，将粗网格模型结果提升至细网格模型精度水平，同时缩短计算时间	未提及局限性	改善粗网格有限元模型结果准确性至细网格模型水平，并降低计算时间，以促进有限元分析在增材制造中的应用	熔融沉积建模3D打印过程中的温度和位移预测	深度学习	NA	有限元分析（FEA）	超分辨率残差网络（SRResNet）	图像（温度和位移图像）	NA	NA	超分辨率残差网络	峰值信噪比（PSNR），结构相似性指数（SSIM）	NA
1886	2026-08-18	Deep Learning for Fluorescence Lifetime Predictions Enables High-Throughput In Vivo Imaging 2025-07-02, Journal of the American Chemical Society IF:14.4Q1 DOI:10.1021/jacs.5c03749 PMID:40515693	研究论文	介绍FLIMngo，一种深度学习模型，用于从低光子数环境下的FLIM数据中准确预测荧光寿命，从而将FLIM转变为高通量成像工具	FLIMngo通过同时利用原始FLIM数据中的时间和空间信息，在每像素少于50个光子时仍能准确预测荧光寿命，优于其他深度学习方法，且无需重新训练即可跨系统应用	未明确提及限制，但依赖于模拟数据表征，且应用示例仅限于特定活体样本	提高荧光寿命成像的吞吐量，使其适用于活体样本的动态分析，并减少与长时间光照相关的光毒性	FLIM数据及活体动态样本，如非麻醉的秀丽隐杆线虫中的疾病相关蛋白聚集体	深度学习	神经退行性疾病（基于蛋白质聚集体）	荧光寿命成像显微镜（FLIM）	深度学习模型	图像	未明确提供具体样本数量，但包括模拟数据和活体线虫样本	未明确指定，但模型为开源	未明确指定具体架构，但利用时间和空间信息	准确性（与真实荧光寿命预测相比）	未明确提及
1887	2024-10-02	Deep learning sharpens vistas on biodiversity mapping 2024-10-08, Proceedings of the National Academy of Sciences of the United States of America IF:9.4Q1 DOI:10.1073/pnas.2416358121 PMID:39348547	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1888	2026-08-18	Single-cell analysis via manifold fitting: A framework for RNA clustering and beyond 2024-09-10, Proceedings of the National Academy of Sciences of the United States of America IF:9.4Q1 DOI:10.1073/pnas.2400002121 PMID:39226348	研究论文	提出scAMF框架，通过流形拟合去噪单细胞RNA测序数据，提高聚类准确性和数据可视化	引入流形拟合模块，通过展开数据在环境空间中的分布来去噪，并改善细胞间的空间分布，捕获类一致的邻域	未提及具体限制	提高单细胞RNA测序数据分析中的聚类准确性和数据可视化清晰度	单细胞RNA测序数据（scRNA-seq）	机器学习	NA	单细胞RNA测序（scRNA-seq）	流形拟合	基因表达数据	25个公开可用的scRNA-seq数据集，涵盖多种测序平台、物种和器官类型	NA	NA	聚类效率、数据可视化清晰度	NA
1889	2026-08-18	Joint trajectory inference for single-cell genomics using deep learning with a mixture prior 2024-09-10, Proceedings of the National Academy of Sciences of the United States of America IF:9.4Q1 DOI:10.1073/pnas.2316256121 PMID:39226366	研究论文	本文介绍了VITAE，一种结合潜在层次混合模型与变分自编码器的统计方法，用于单细胞基因组学中的轨迹推断和数据整合。	VITAE首次将层次混合模型与变分自编码器结合，实现同时轨迹推断和数据整合，并提供不确定性量化。	文中未明确提及局限性。	提出一种具备统计模型和不确定性量化的轨迹推断方法，并实现多数据集整合分析。	单细胞RNA测序数据及多组学数据。	机器学习	NA	单细胞RNA测序	变分自编码器	基因表达数据	小鼠新皮层的三个单细胞RNA测序数据集	NA	变分自编码器	准确性	NA
1890	2026-08-18	Deep learning models map rapid plant species changes from citizen science and remote sensing data 2024-09-10, Proceedings of the National Academy of Sciences of the United States of America IF:9.4Q1 DOI:10.1073/pnas.2318296121 PMID:39236239	研究论文	利用深度学习和遥感图像及公民科学数据绘制超过2000种植物物种的高分辨率分布图	首次将公民科学观测与遥感图像结合训练深度学习模型，实现几米分辨率下的物种分布精细绘图，并能检测野火等干扰后的快速变化	未明确提及限制，可能包括对数据质量的依赖和模型的可迁移性未知	开发深度学习模型以高空间、时间及分类分辨率绘制植物物种分布变化，支持生物多样性监测	美国加利福尼亚州的2000多种植物物种	计算机视觉, 机器学习	NA	遥感成像, 公民科学观测	深度学习模型	遥感图像, 公民科学观测数据	超过50万条公民科学观测记录	NA	NA	AUC	NA
1891	2026-08-18	A multimodal Transformer Network for protein-small molecule interactions enhances predictions of kinase inhibition and enzyme-substrate relationships 2024-05, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1012100 PMID:38768223	研究论文	本文提出了ProSmith，一种利用多模态Transformer网络同时处理蛋白质序列和小分子字符串的机器学习框架，以增强蛋白质-小分子相互作用的预测性能	提出了ProSmith框架，首创在同一输入中融合蛋白质氨基酸序列和小分子字符串的多模态Transformer网络，促进两种分子间信息交换，并结合梯度提升与独立深度学习表示进行预测	训练蛋白质之外的泛化能力有限，导致现有模型性能受限	提高蛋白质-小分子相互作用的预测准确性，以加速制药和生物技术研究	蛋白质与小分子的相互作用，包括激酶抑制、酶底物关系及米氏常数KM	机器学习	NA	多模态Transformer网络	多模态Transformer网络、梯度提升	蛋白质氨基酸序列和小分子字符串	NA	NA	Transformer网络、梯度提升	预测性能指标，如准确率、精确率、召回率、F1分数、AUC等	NA
1892	2026-08-18	UNNT: A novel Utility for comparing Neural Net and Tree-based models 2024-04, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1011504 PMID:38683879	研究论文	开发了一个名为UNNT的开源库，用于比较神经网络和树模型在癌症药物反应预测中的性能，并证明XGBoost优于CNN	提出了一个专门用于比较神经网络和树模型的开源工具UNNT，并通过案例研究展示了树模型在单一药物反应问题上的优势	案例研究仅聚焦于癌症药物反应数据集，实际应用中可能需针对其他领域进行调整	开发一个用户友好的工具，以简化神经网络和树模型的训练与比较，并验证树模型在药物反应预测中的优势	癌症药物反应数据集，以及化学等其他领域的数据集	机器学习	癌症	NA	CNN, XGBoost	表格数据（药物反应数据）	NA	NA	CNN, XGBoost	准确性	NA
1893	2026-08-18	Offensive language detection in low resource languages: A use case of Persian language 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0304166 PMID:38905214	研究论文	本文针对低资源语言波斯语，构建了包含6000条标注推文的攻击性语言语料库，并评估了多种机器学习、深度学习和基于Transformer的模型，提出了集成模型以提高检测性能	首次为波斯语提供了大规模的标注攻击性语言语料库，并引入了包含单语和跨语言预训练语言模型的集成方法，显著提升了检测效果	语料库规模相对较小，且标注过程可能受主观性影响；实验仅在单一平台（Twitter）上采样，可能限制了泛化能力	解决低资源语言（波斯语）中的攻击性语言检测问题，减少社交网络用户的潜在伤害	波斯语社交网络帖子（来自X/Twitter的微博客）	自然语言处理	NA	文本标注、基于Transformer的预训练模型（如ParsBERT）	支持向量机（SVM）、深度学习模型、神经网络、集成模型	文本数据（社交网络帖子）	6000条从520,000条随机采样的X（Twitter）帖子	NA	SVM、Transformer（如ParsBERT）、多层感知机等	宏F1分数	NA
1894	2026-08-18	The potential of the transformer-based survival analysis model, SurvTrace, for predicting recurrent cardiovascular events and stratifying high-risk patients with ischemic heart disease 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0304423 PMID:38889124	研究论文	本研究评估了基于Transformer的生存分析模型SurvTrace在预测复发性心血管事件和识别高风险患者方面的准确性，并与传统评分系统进行比较	首次将Transformer-Based生存分析模型SurvTrace应用于缺血性心脏病患者复发性心血管事件的预测和高风险分层，并利用真实世界数据验证其优越性	研究基于单中心数据，可能导致泛化性受限；未提及模型解释性和计算成本	评估SurvTrace模型预测复发性心血管事件和高风险患者分层的准确性，并对比传统评分系统	接受经皮冠状动脉介入治疗（PCI）的缺血性心脏病患者	机器学习	缺血性心脏病	NA	Transformer	临床数据	3938例患者，其中394例用于测试，3544例用于训练	NA	Transformer	Harrell's c-index, Kaplan-Meier曲线, 对数秩检验	NA
1895	2026-08-18	Visual explanations for polyp detection: How medical doctors assess intrinsic versus extrinsic explanations 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0304069 PMID:38820304	研究论文	本研究调查了医学专业人员对应用于胃肠道疾病检测的现有人工智能可解释性方法的看法，比较了内在和外在解释，并发现内在解释更受青睐	首次从医学专家角度系统比较内在与外在解释方法在临床应用中的价值	未提供具体样本量和统计细节，可能限制结果的普遍性	评估医学专业人员对深度学习中可解释性方法的意见，以优化未来医学人工智能解释的设计	医学专业人员（医生）及其对可解释性方法的主观评价	计算机视觉	胃肠道疾病	深度学习	神经网络	医学图像	未提供	未提及	未提及	未提供	未提及
1896	2026-08-18	Multimodal MALDI imaging mass spectrometry for improved diagnosis of melanoma 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0304709 PMID:38820337	研究论文	本研究开发了一种多模态分类流程，结合预训练人工神经网络的显微镜图像特征和质谱成像数据，以提高黑色素瘤与痣病变的鉴别诊断性能	首次将预训练神经网络提取的组织病理图像形态特征与质谱成像数据融合进行分类，避免了对大量显微镜数据的训练需求	未明确提及局限性，但可能受限于样本量（331例）和预训练网络的特征提取通用性	开发并验证基于深度学习的多模态分类流程，以改善黑色素细胞肿瘤的分类性能	331例患者的黑色素瘤和痣病变组织样本，包括MALDI质谱成像数据和H&E染色切片图像	数字病理学	黑色素瘤	MALDI成像质谱	预训练人工神经网络	质谱成像数据、组织病理图像	331例患者	未明确提及	预训练人工神经网络（具体架构未提及）	ROC-AUC	未明确提及
1897	2026-08-18	A Hybrid convolution neural network for the classification of tree species using hyperspectral imagery 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0304469 PMID:38820430	研究论文	提出了一种结合卷积神经网络（CNN）和传统机器学习技术的混合模型，用于高光谱图像中树种的高精度分类	混合了深度学习与传统学习技术，融合相关特征选择与优化递归特征消除算法，并在网络架构中引入注意力机制，采用双分支网络提升分类性能	未提及，可能未涉及模型计算成本或对不同数据集的泛化性分析	利用高光谱遥感数据实现树种的精确分类，以支持森林资源管理和监测	树种高光谱图像数据	计算机视觉	NA	高光谱成像	CNN, SVM	高光谱图像	未明示	未提及	CNN（可能包含注意力机制，双分支网络）	分类准确率	未提及
1898	2026-08-18	Long short-term memory (LSTM)-based news classification model 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0301835 PMID:38814925	研究论文	该研究利用单向和双向长短期记忆（LSTM）深度学习网络进行中文新闻分类，并评估上下文信息对文本分类的影响，实现了高准确率。	提出了一种结合BiLSTM和LSTM的集成架构进行特征提取和集成，并利用jieba分词、word2vec和Adam优化器优化模型性能。	未在摘要中明确说明局限性。	改进中文新闻分类的准确性，并比较双向和单向LSTM在特征提取方面的效果。	中文新闻文章。	自然语言处理	NA	NGS	LSTM, BiLSTM	文本	NA	NA	LSTM, BiLSTM, 全连接层	F1-score	NA
1899	2026-08-18	Factors associated with interobserver variation amongst pathologists in the diagnosis of endometrial hyperplasia: A systematic review 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0302252 PMID:38683770	系统综述	本系统综述旨在识别与病理学家在子宫内膜增生诊断中观察者间变异相关的病理学家特定因素，并评估这些因素对诊断可重复性的影响。	首次系统性地评估病理学家特定因素及工作实践对子宫内膜增生诊断观察者间变异的影响，并识别出一些新的工作方法，如核异型性程度分级和半自动定量图像分析/深度学习模型的整合。	现有研究数量有限，且很少有研究专门探讨病理学家特定特征，因此证据不足；此外，由于研究设计和方法差异，无法进行定量荟萃分析。	探讨病理学家特定因素和工作实践如何影响子宫内膜增生诊断中的观察者间变异，并为提高诊断可重复性提供依据。	病理学家及其在子宫内膜增生诊断中的工作实践和诊断风格。	数字病理学	子宫内膜增生	系统综述方法，涉及文献检索和叙事综合	NA	文献数据（已发表研究）	8项研究	NA	NA	观察者间一致性（如kappa值）	NA
1900	2026-08-18	De novo prediction of RNA 3D structures with deep generative models 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0297105 PMID:38358972	研究论文	提出一种基于深度生成模型从核酸序列预测RNA三维折叠结构的方法，结合自回归深度生成模型、蒙特卡洛树搜索和评分模型。	首次在原子分辨率下实现RNA从头结构预测的深度学习，无需多序列比对的结构接触信息或化学探针实验数据。	训练数据有限（实验测定的RNA结构数量少），可能影响泛化能力。	开发一种直接从RNA序列预测其三维结构的深度学习新方法。	RNA分子及其三维折叠结构。	机器学习	不适用	不适用	深度生成模型	序列和结构数据	实验测定的RNA结构（数量未明确）	不适用	自回归深度生成模型	竞争性结果（具体指标未列出）	不适用