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
1	2026-04-08	Federated learning improves site performance in multicenter deep learning without data sharing 2021-06-12, Journal of the American Medical Informatics Association : JAMIA IF:4.7Q1 DOI:10.1093/jamia/ocaa341 PMID:33537772	研究论文	本研究通过联邦学习在多中心环境中训练深度学习模型，无需共享数据，提升了模型性能和泛化能力	首次在三个学术机构中成功应用联邦学习进行多中心深度学习训练，避免了患者数据隐私风险	研究仅涉及三个机构，样本规模和多样性可能有限	探索联邦学习在多机构深度学习模型训练中的应用效果	多中心临床数据	机器学习	NA	深度学习	深度学习模型	临床数据	涉及三个学术机构的本地临床数据	NA	NA	整体性能水平	NA
2	2026-04-08	Learning from crowds in digital pathology using scalable variational Gaussian processes 2021-06-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-021-90821-3 PMID:34078955	研究论文	本文研究了在数字病理学中应用可扩展变分高斯过程进行众包标注的方法，以解决病理学标注中专家稀缺和数据标注规模化的挑战	首次将可扩展变分高斯过程众包方法应用于数字病理学领域，并展示了其在处理多标注者噪声数据中的有效性，同时能学习标注者的类别条件可靠性	研究主要针对乳腺癌组织区域标注，未涉及其他疾病或更广泛的病理学任务，且依赖于特定多标注者数据集	探索利用众包标注和可扩展变分高斯过程来提升数字病理学中机器学习模型的标注效率和质量	乳腺癌组织区域的标注数据，涉及病理学家、病理学住院医师和医学生等多类标注者	数字病理学	乳腺癌	众包标注	高斯过程	图像	大型多标注者数据集，具体数量未明确说明	NA	可扩展变分高斯过程	NA	NA
3	2026-04-08	Identifying genomic islands with deep neural networks 2021-Jun-02, BMC genomics IF:3.5Q2 DOI:10.1186/s12864-021-07575-5 PMID:34078279	研究论文	本文提出了一种名为Shutter Island的方法，利用深度学习模型（Inception V3）通过图像表示基因组片段来检测基因组岛	采用基于图像的深度学习方法（Inception V3）检测基因组岛，通过迁移学习在有限数据集上实现泛化，优于现有工具	模型仅在有限数量的基因组岛数据集上进行再训练，数据可能不足或难以整理	开发一种能检测所有类型基因组岛的通用计算方法	细菌的基因组岛，涉及来自细菌、古菌、病毒和真核生物的基因簇	机器学习	NA	迁移学习	CNN	图像	NA	TensorFlow, PyTorch	Inception V3	NA	NA
4	2026-04-08	Leveraging Genetic Reports and Electronic Health Records for the Prediction of Primary Cancers: Algorithm Development and Validation Study 2021-May-25, JMIR medical informatics IF:3.1Q2 DOI:10.2196/23586 PMID:34032581	研究论文	本研究开发了一种结合遗传报告和电子健康记录数据的方法，用于预测原发性癌症类型和未知原发癌症	利用HL7 FHIR和语义网资源描述框架整合表型和遗传数据，构建患者-表型-遗传网络，并应用Node2vec图嵌入算法生成特征，以提升癌症预测性能	研究样本量相对较小（1011名患者），且仅基于单一医疗中心（梅奥诊所）的数据，可能限制模型的泛化能力	通过整合临床和基因组数据，实现原发性癌症的早期检测和未知原发癌症的预测，以支持精准肿瘤学的治疗决策	1011名癌症患者的肿瘤遗传报告和对应的电子健康记录数据	机器学习	癌症	遗传报告分析，电子健康记录数据提取	机器学习，深度学习	文本，结构化数据	1011名癌症患者	Node2vec，多种机器学习框架（未指定具体名称）	多种机器学习模型（未指定具体架构）	AUROC（受试者工作特征曲线下面积）	NA
5	2026-04-08	Joint regression-classification deep learning framework for analyzing fluorescence lifetime images using NADH and FAD 2021-May-01, Biomedical optics express IF:2.9Q2 DOI:10.1364/BOE.417108 PMID:34123498	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
6	2026-04-08	Effects of Study Population, Labeling and Training on Glaucoma Detection Using Deep Learning Algorithms 2020-04, Translational vision science & technology IF:2.6Q2 DOI:10.1167/tvst.9.2.27 PMID:32818088	研究论文	本研究比较了不同深度学习算法在青光眼检测中的性能，并评估了将新数据整合到模型中的策略	比较了独立开发的深度学习算法在青光眼检测中的表现，并评估了不同训练策略（原始、顺序、组合）对模型性能的影响	模型性能受疾病严重程度、标签、训练策略和人群特征的影响，需要报告按相关协变量分层的准确性以进行跨研究比较	评估深度学习算法在青光眼检测中的性能，并优化训练策略以提高跨数据集的泛化能力	青光眼患者	计算机视觉	青光眼	眼底摄影	深度学习算法	图像	来自DIGS/ADAGES和松江红十字医院的两个眼底摄影数据集	NA	NA	AUC	NA
7	2026-04-08	MU-PseUDeep: A deep learning method for prediction of pseudouridine sites 2020, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2020.07.010 PMID:32774783	研究论文	本文提出了一种名为MU-PseUDeep的深度学习方法，用于预测RNA中的假尿苷（Ψ）位点	利用深度学习和原始序列及二级结构特征，通过卷积神经网络同时捕获序列和二级结构上下文，相比现有工具在预测准确性上有显著提升	未明确说明模型在跨物种或不同RNA类型上的泛化能力，以及计算资源需求的具体细节	开发一种更准确的假尿苷位点预测工具，以改进RNA修饰研究	RNA序列中的假尿苷位点	生物信息学	神经退行性疾病	深度学习，RNA二级结构预测	CNN	RNA序列数据，二级结构数据	NA	NA	卷积神经网络	准确性	NA
8	2026-04-07	The differences in essential facial areas for impressions between humans and deep learning models: An eye-tracking and explainable AI approach 2026-May, British journal of psychology (London, England : 1953) DOI:10.1111/bjop.12744 PMID:39460393	研究论文	本研究结合眼动追踪和可解释AI技术，探讨了人类与深度学习模型在面部印象（吸引力、支配性和性别二态性）评估中关注的关键面部区域差异	首次将眼动追踪实验与可解释AI（Grad-CAM）方法结合，对比人类视觉注意与深度学习模型特征提取的差异，揭示面部印象形成机制的分离性	研究仅针对特定三种面部印象（吸引力、支配性、性别二态性），且面部图像通过几何形态测量学生成，可能未完全覆盖真实人脸的自然变异	探究人类与深度学习模型在面部印象评估中依赖的面部特征差异，并验证可解释AI技术在提取印象决定因素中的有效性	通过几何形态测量学生成的面部图像，以及参与眼动追踪实验的人类受试者	计算机视觉	NA	几何形态测量学，眼动追踪，可解释AI（Grad-CAM）	深度学习模型	图像	NA	NA	NA	NA	NA
9	2026-04-07	Computers and chess masters: The role of AI in transforming elite human performance 2026-May, British journal of psychology (London, England : 1953) DOI:10.1111/bjop.12750 PMID:39635926	研究论文	本文通过分析超过1160万次精英棋手的决策，探讨了人工智能（AI）在复杂任务中对人类顶级表现的辅助作用	首次量化分析了AI两次革命（1990年代末的PC/互联网和2010年代末的深度学习引擎）对精英棋手决策质量的影响，发现人类进步与AI发展同步，但决策质量在四十年间稳步提升，未出现预期的快速飞跃期	研究仅聚焦于国际象棋领域，结论可能无法直接推广到其他复杂任务；且最新神经网络引擎的影响可能尚未完全显现	探究AI在人类顶级表现中的辅助角色及其影响机制	精英国际象棋选手的决策数据	机器学习	NA	数据分析、深度学习	NA	决策记录数据	超过1160万次精英棋手决策	NA	NA	决策质量评估	NA
10	2026-04-07	The state of modelling face processing in humans with deep learning 2026-May, British journal of psychology (London, England : 1953) DOI:10.1111/bjop.12794 PMID:40364689	综述	本文综述了深度学习模型在人类面部处理研究中的现状，并与心理学模型进行了比较	通过比较深度学习模型与心理学模型，揭示了深度学习模型在面部编码方面的意外发现，如身份识别网络同时编码表情信息，并提出了未来研究的开放性问题	NA	探讨深度学习模型如何模拟人类面部处理系统，并比较其与心理学模型的异同	人类面部处理系统，包括核心系统（提取面部编码）和扩展系统（链接个人与社会信息）	计算机视觉	NA	深度学习	NA	图像	NA	NA	NA	NA	NA
11	2026-04-07	Deep Learning-based Automated Coronary Plaque Quantification: First Demonstration With Ultra-high Resolution Photon-counting Detector CT at Different Temporal Resolutions 2026-May-01, Investigative radiology IF:7.0Q1 DOI:10.1097/RLI.0000000000001233 PMID:40843653	研究论文	本研究评估了一种基于深度学习的自动化冠状动脉斑块量化工具在超高分辨率光子计数探测器CT冠状动脉造影中的可行性和可重复性，并探讨了时间分辨率对斑块定量的影响	首次在超高分辨率光子计数探测器CT冠状动脉造影中应用基于深度学习的全自动冠状动脉分割和斑块量化算法，并比较了不同时间分辨率（66毫秒与125毫秒）对斑块定量结果的影响	研究为单中心回顾性设计，样本量较小（45例患者），且仅评估了特定CT扫描仪和重建模式下的性能	评估基于深度学习的自动化冠状动脉斑块量化工具在超高分辨率CT数据中的技术可行性和可重复性，并分析时间分辨率对量化结果的影响	接受临床指征的超高分辨率光子计数探测器CT冠状动脉造影扫描的45例患者	数字病理学	心血管疾病	超高分辨率光子计数探测器CT冠状动脉造影	深度学习算法	CT图像	45例患者，共135支冠状动脉（其中119支显示动脉粥样硬化斑块）	NA	NA	斑块体积量化、直径狭窄程度、统计显著性（P值）	NA
12	2026-04-07	Deep Learning Model for Histologic Diagnosis of Dysplastic Barrett's Esophagus: Multisite Cohort External Validation 2026-Apr-01, The American journal of gastroenterology DOI:10.14309/ajg.0000000000003495 PMID:40267276	研究论文	本研究通过外部验证一个深度学习模型，用于基于全切片图像诊断巴雷特食管发育不良的等级	在多个外部学术中心对先前交叉验证的深度学习模型进行外部验证，并采用循环生成对抗网络进行染色归一化，结合YOLO和ResNet101的集成方法	研究样本主要来自学术中心，可能无法完全代表社区病理学家的诊断环境；模型性能虽高，但仍有提升空间	提高巴雷特食管发育不良的诊断准确性，减少观察者间变异性和过度诊断	巴雷特食管患者的组织学切片，包括非发育不良、低级别发育不良和高级别发育不良	数字病理学	巴雷特食管	全切片图像数字化，染色归一化	深度学习模型	图像	489个全切片图像	NA	YOLO, ResNet101	灵敏度, 特异度, F1分数	NA
13	2026-04-07	Monitoring systemic ventriculoarterial coupling after cardiac surgery using continuous transoesophageal echocardiography and deep learning 2026-Apr, Journal of clinical monitoring and computing IF:2.0Q2 DOI:10.1007/s10877-025-01328-5 PMID:40676456	研究论文	本研究开发了一种结合经食管超声心动图和深度学习的工具autoMAPSE，用于心脏手术后连续监测左心室功能和系统心室动脉耦合	开发了autoMAPSE工具，首次将经食管超声心动图与深度学习结合，实现自动测量二尖瓣环平面收缩期位移，用于连续监测心室动脉耦合	样本量较小（50例患者），监测时间仅限于术后2小时，且为单中心研究	评估autoMAPSE工具在监测心脏手术后系统心室动脉耦合和检测术后心脏生物标志物变化方面的应用	50例心脏手术患者	数字病理学	心血管疾病	经食管超声心动图	深度学习	超声图像	50例心脏手术患者，术后监测120分钟	NA	NA	相关系数（rho），P值	NA
14	2026-04-07	Dosiomics-guided deep learning for radiation esophagitis prediction in lung cancer: optimal region of interest definition via multi-branch fusion auxiliary learning 2025-11, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology IF:4.9Q1 DOI:10.1016/j.radonc.2025.111121 PMID:40921328	研究论文	本研究开发了一种结合剂量组学和深度学习的模型，通过多任务辅助学习自动定义感兴趣区域，用于预测肺癌患者放疗后≥2级放射性食管炎	提出了一种剂量组学引导的深度学习网络，利用多任务辅助学习基于辐射剂量分布图像自动定义准确且客观的感兴趣区域，并结合对比学习和辅助分割模块	研究为回顾性设计，可能受到选择偏倚的影响，且外部验证集样本量相对较小	开发一个预测模型，用于准确预测肺癌患者接受放疗后发生≥2级放射性食管炎的风险	接受放疗的肺癌患者	数字病理学	肺癌	剂量组学特征提取，深度学习	CNN	辐射剂量分布图像	488名患者（训练集235例，内部验证集101例，外部验证集1为57例，外部验证集2为95例）	PyTorch	ResNet34	AUC	NA
15	2026-04-07	Training bias and sequence alignments shape protein-peptide docking by AlphaFold and related methods 2025-Nov, Protein science : a publication of the Protein Society IF:4.5Q1 DOI:10.1002/pro.70331 PMID:41084281	研究论文	本研究评估了AlphaFold2-Multimer、AlphaFold3、Boltz-1和Chai-1等深度学习模型在预测蛋白质-肽复合物结构时的性能，并分析了其训练偏差和对序列比对信息的利用方式	首次系统比较了四种主流深度学习模型在蛋白质-肽对接任务中的表现，揭示了模型对训练数据中已见结构的偏好性，并深入探究了蛋白质和肽段多重序列比对（MSA）对预测准确性的贡献	研究基于实验解析的结构数据集，可能无法完全覆盖所有新型蛋白质或结合位点；肽段序列的MSA通常较浅或质量较差，可能影响模型性能评估	评估深度学习模型预测蛋白质-肽复合物结构的性能，并理解其工作原理和局限性	蛋白质-肽相互作用复合物	计算生物学, 结构生物信息学	NA	多重序列比对（MSA）, 深度学习结构预测	深度学习模型	蛋白质三维结构数据, 序列比对数据	NA	NA	NA	NA	NA
16	2026-04-07	Deep learning for automatic vertebra analysis: A methodological survey of recent advances 2025-Oct, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society IF:5.4Q1 DOI:10.1016/j.compmedimag.2025.102652 PMID:41033041	综述	本文对近年来基于深度学习的自动椎体分析方法进行了系统性综述，总结了网络架构改进和学习策略设计方面的进展	作为该领域最新的综述，全面整合了公开数据集和评估指标，并分析了多模态学习、领域泛化及基础模型集成等未来研究方向	NA	系统总结自动椎体分析领域的最新进展，指导未来研究开发鲁棒、可泛化且临床可部署的系统	椎体检测与分割方法	计算机视觉	脊柱相关疾病	深度学习	NA	医学影像	NA	NA	NA	NA	NA
17	2026-04-07	Energy-Efficient Machine Learning Based Denoising Techniques for Sustainable Medical Imaging 2025-09-16, Journal of visualized experiments : JoVE DOI:10.3791/68968 PMID:41052129	研究论文	本研究提出了一种结合图像增强和K-means聚类预处理的节能型医学图像去噪方法，旨在降低计算成本和能耗	提出了一种集成图像锐化核和K-means聚类分割的预处理流程，能有效识别解剖边界和噪声区域，从而提升卷积自编码器的训练效率和去噪效果	未明确说明具体使用的CT和MRI公开数据集细节及样本规模，且未详细描述对比实验设置	开发节能高效的医学图像去噪技术，以支持可持续医疗成像实践和远程诊断	CT和MRI医学图像	医学影像处理	NA	图像去噪	卷积自编码器	医学图像	NA	NA	卷积自编码器	峰值信噪比, 结构相似性指数, 分类准确率	GPU
18	2026-04-07	Detecting structural heart disease from electrocardiograms using AI 2025-08, Nature IF:50.5Q1 DOI:10.1038/s41586-025-09227-0 PMID:40670798	研究论文	本文介绍了一种名为EchoNext的深度学习模型，用于从心电图检测多种结构性心脏病	模型基于大规模多样化健康系统的超过100万条心律和影像记录进行训练，能够检测多种结构性心脏病，并在内部和外部验证中表现出高诊断准确性，优于心脏病专家，且在不同护理环境和种族/民族群体中表现一致	NA	利用人工智能扩大心脏病筛查的可及性	结构性心脏病	机器学习	心血管疾病	深度学习	深度学习模型	心电图（心律记录）和影像记录	超过100万条心律和影像记录	NA	EchoNext	诊断准确性	NA
19	2026-04-07	Impact of spectrum bias on deep learning-based stroke MRI analysis 2025-Jul, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2025.112161 PMID:40359732	研究论文	本研究评估了在卒中MRI分析中排除不确定急性缺血性病变病例对深度学习工具诊断性能的影响，并识别了与这些不确定病例相关的因素	首次量化了排除不确定病例对深度学习工具诊断比值比的放大效应，并识别了MRI伪影、病灶大小、位置和年龄等与诊断不确定性相关的独立因素	单中心回顾性研究，可能受选择偏倚影响；未评估不同深度学习模型间的差异	评估卒中MRI分析中的谱偏倚，并探究排除不确定病例对深度学习工具诊断性能的影响	疑似卒中成年患者的脑部MRI图像	数字病理学	卒中	脑部MRI	深度学习	图像	989名患者	NA	NA	诊断比值比	NA
20	2026-04-07	Foundation model embeddings for quantitative tumor imaging biomarkers 2025-May-29, Research square DOI:10.21203/rs.3.rs-6630446/v1 PMID:40502795	研究论文	本研究系统评估了十种医学影像基础模型在提取定量肿瘤影像生物标志物方面的性能，并发布了基准测试工具TumorImagingBench	首次系统性地比较了多种基础模型在定量肿瘤影像生物标志物提取任务中的表现，并分析了模型对临床变异性的鲁棒性和可解释性	仅使用了六个公开数据集（共3244个扫描），可能无法涵盖所有临床场景和肿瘤类型	评估医学影像基础模型在提取可靠定量放射组学表型方面的能力	肿瘤影像数据	医学影像分析	肿瘤	深度学习	基础模型	医学影像扫描	3244个扫描（来自六个公开数据集）	NA	多种架构（具体未说明）	终点预测性能、鲁棒性、基于显著性的可解释性、嵌入表示相似性	NA