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	2026-10-03	Can deep learning beat numerical weather prediction? 2021-Apr-05, Philosophical transactions. Series A, Mathematical, physical, and engineering sciences DOI:10.1098/rsta.2020.0097 PMID:33583266	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2	2026-10-03	Discovery of Ongoing Selective Sweeps within Anopheles Mosquito Populations Using Deep Learning 2021-03-09, Molecular biology and evolution IF:11.0Q1 DOI:10.1093/molbev/msaa259 PMID:33022051	研究论文	该文章提出了一种基于深度学习的方法partialS/HIC，用于从群体基因组数据中发现正在进行的持续性选择性清除	引入深度学习方法partialS/HIC，利用卷积神经网络结合溯祖模拟生成的汇总统计量，能够区分已完成与部分清除、硬清除与软清除，以及直接受选择影响的区域与仅与附近选择性清除连锁的区域；这是首个能够区分已完成和部分清除以及硬和软清除的监督机器学习方法	未明确提及	开发一种能够发现正在进行的部分选择性清除的工具，以追踪进化动态	八种按蚊群体的全基因组数据	群体基因组学	NA	全基因组测序	CNN	基因组数据	来自撒哈拉以南非洲的八个按蚊群体	NA	卷积神经网络	NA	NA
3	2026-10-03	Initial chest radiographs and artificial intelligence (AI) predict clinical outcomes in COVID-19 patients: analysis of 697 Italian patients 2021-Mar, European radiology IF:4.7Q1 DOI:10.1007/s00330-020-07269-8 PMID:32945968	研究论文	该研究评估了基于人工智能（AI）系统评估的初始胸部X光（CXR）严重程度对COVID-19患者是否具有预后价值	使用AI系统评估初始胸部X光严重程度，并与放射科医生评估的RALE评分进行比较，发现两者在预测不良结局方面具有独立且可比的性能，可能在资源受限环境中改变游戏规则	回顾性单中心研究，样本量有限，需要进一步多中心验证	评估初始胸部X光严重程度（由AI系统评估）在COVID-19患者中的预后效用	2020年2月25日至4月9日期间急诊科就诊的成年COVID-19患者	数字病理学	COVID-19	深度学习人工智能系统	CNN	图像	697名患者	NA	NA	风险比（HR），置信区间（CI），p值	NA
4	2026-10-03	Leveraging multimodal microscopy to optimize deep learning models for cell segmentation 2021-Mar, APL bioengineering IF:6.6Q1 DOI:10.1063/5.0027993 PMID:33415313	研究论文	本研究通过使用由大规模“超标记”图像堆栈中采样的通道组成的子图像堆栈来训练深度学习模型，从而在相同细胞上直接比较多种标记策略和训练方法，并探索如何通过合并荧光通道和利用离焦明场图像来结合标记与无标记技术的优势	提出使用“超标记”图像堆栈的子图像堆栈进行训练，使得能够在完全相同的细胞上直接比较多种标记策略和训练方法，克服了不同训练数据集通道差异导致难以跨研究比较的问题；同时发现该方法可模拟多种标记条件，提升最终模型对不同候选细胞标记策略的适应能力	摘要中未明确提及研究的局限性	优化用于细胞分割的深度学习模型，并直接比较多种细胞标记策略和训练方法的效果	高通量显微镜图像中的细胞	计算机视觉	NA	高内涵显微成像、荧光标记、无标记成像、明场成像	深度学习模型	图像	NA	NA	NA	分割准确率	NA
5	2026-10-03	Review of deep learning for photoacoustic imaging 2021-Mar, Photoacoustics IF:7.1Q1 DOI:10.1016/j.pacs.2020.100215 PMID:33425679	综述	本文综述了深度学习在光声成像领域的应用进展与挑战，涵盖从图像重建到疾病诊断的整个生态链	系统性地综述了深度学习在光声成像全生态链中的应用，从图像重建到疾病诊断，并提供了开源材料和其他资源供研究者参考	作为综述文章，未涉及具体实验验证，且未对现有方法进行定量比较分析	概述机器学习在医学图像分析中的新进展和挑战，特别聚焦于深度学习在光声成像中的应用，介绍深度学习基础知识、综述近期相关工作并提供开源资源	光声成像领域的深度学习应用，包括图像重建和疾病诊断等相关研究	计算机视觉	NA	光声成像	深度人工神经网络	图像	NA	NA	深度神经网络	NA	NA
6	2026-10-03	Predicting COVID-19 disease progression and patient outcomes based on temporal deep learning 2021-02-08, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-020-01359-9 PMID:33557818	研究论文	该论文提出基于时间感知长短期记忆网络（T-LSTM）的时间深度学习方法，利用武汉485名COVID-19患者的血液样本数据，预测疾病进展和患者结局，并识别疾病分期	提出时间感知长短期记忆网络（T-LSTM）处理不规则采样时间序列，同时考虑生物标志物和不规则时间间隔来预测患者结局，并基于提取的患者表征进行疾病亚型分期，发现了COVID-19的4个进展阶段及3种并发症	未明确提及	识别COVID-19疾病进展阶段并在早期预测患者结局，以帮助靶向治疗和资源分配	武汉485名COVID-19患者的血液样本	机器学习	COVID-19	时间感知长短期记忆网络（T-LSTM）	T-LSTM	时间序列血液样本数据	485名患者的血液样本	NA	T-LSTM	准确率	NA
7	2026-10-03	Machine learning applied on chest x-ray can aid in the diagnosis of COVID-19: a first experience from Lombardy, Italy 2021-02-02, European radiology experimental IF:3.7Q1 DOI:10.1186/s41747-020-00203-z PMID:33527198	研究论文	本研究训练并测试了一个深度学习分类器，利用胸部X光片辅助诊断COVID-19，研究对象来自意大利伦巴第大区的两家医院	首次在意大利伦巴第地区使用集成十个卷积神经网络的深度学习模型，基于床旁胸部X光片进行COVID-19诊断，并与放射科医生的回顾性判读进行对比	训练数据集有限（仅500例），模型性能仍有提升空间，需要更多胸部X光片进行进一步训练以提高性能	训练并测试深度学习分类器以支持利用胸部X光片诊断COVID-19	来自意大利伦巴第两家医院的COVID-19患者和非COVID-19患者的床旁胸部X光片	计算机视觉	COVID-19	胸部X光成像，实时聚合酶链反应	CNN	图像	训练和验证集：500例（250例COVID-19，250例非COVID-19）；独立测试集：110例患者（74例COVID-19，36例非COVID-19）	NA	卷积神经网络集成（十个CNN）	灵敏度，特异度，曲线下面积（AUC）	NA
8	2026-10-03	Text classification models for the automatic detection of nonmedical prescription medication use from social media 2021-01-26, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-021-01394-0 PMID:33499852	研究论文	本文开发并评估了基于双向Transformer的自动文本分类模型，用于从Twitter检测非医疗处方药使用（滥用/误用）的自我报告。	提出了融合（fusion）方法，并首次系统地将多种最先进的Transformer模型（BERT、RoBERTa、XLNet、AlBERT、DistilBERT）应用于非医疗处方药使用的检测，同时证明了融合模型显著优于传统模型和单一Transformer模型；此外通过变化训练集大小的实验证明了Transformer模型在小样本下更稳定。	社交媒体文本缺乏上下文且语言独特（如俚语、缩写等），这是当前模型性能提升的主要障碍；作者指出要进一步提升BERT类模型的效果需要克服这些挑战。	开发自动化的社交媒体文本分类系统，以连续监测Twitter上关于非医疗处方药使用（滥用/误用）的自我报告。	Twitter上公开的用户推文，特别是包含非医疗处方药滥用/误用自我报告的推文。	自然语言处理	药物滥用	双向Transformer语言模型（BERT、RoBERTa、XLNet、AlBERT、DistilBERT）以及融合方法	Transformer, BERT, RoBERTa, XLNet, AlBERT, DistilBERT	文本（推文）	使用了公共数据集，但摘要未明确说明具体样本量。	NA	BERT, RoBERTa, XLNet, AlBERT, DistilBERT, 融合模型	F1-score (95% CI)	NA
9	2026-10-03	Mining influential genes based on deep learning 2021-Jan-22, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-021-03972-5 PMID:33482718	研究论文	本文提出一个基于深度学习的计算框架，利用AutoEncoder和DeepLIFT挖掘能覆盖更多基因组信息的关键基因集	首次将AutoEncoder与DeepLIFT结合用于关键基因挖掘，并重新获得了一个关键基因集，该基因集在预测目标基因时比L1000方法更准确和稳健	未明确说明计算资源需求及框架在大规模数据上的可扩展性	挖掘能覆盖更多基因组信息的关键基因子集，以更准确和稳健地推断目标基因	基因表达谱数据中的基因	机器学习	NA	基因表达谱分析	AutoEncoder	基因表达数据	NA	NA	AutoEncoder	平均绝对误差, 皮尔逊相关系数	NA
10	2026-10-03	Intelligent Fault Diagnosis of Hydraulic Piston Pump Based on Wavelet Analysis and Improved AlexNet 2021-Jan-14, Sensors (Basel, Switzerland) DOI:10.3390/s21020549 PMID:33466697	研究论文	本文提出一种结合小波分析和改进CNN的液压柱塞泵智能故障诊断方法，通过改进AlexNet结构减少参数和计算复杂度，实现多状态故障分类。	结合小波分析与改进CNN，通过修改网络结构减少参数和计算复杂度，相比经典AlexNet更高效。	摘要中未明确提及研究的局限性。	探索液压柱塞泵的智能故障诊断方法，克服传统方法对专家经验和特征提取的依赖。	液压柱塞泵的振动信号，涵盖中心弹簧故障、滑靴磨损、斜盘磨损、滑靴松动和正常状态五种健康状态。	机器学习	NA	小波分析	CNN	振动信号（数值数据）	五种不同健康状态的故障数据	NA	改进AlexNet, LeNet-5, 2D LeNet-5, AlexNet	识别准确率, 鲁棒性	NA
11	2026-10-03	FSS-2019-nCov: A deep learning architecture for semi-supervised few-shot segmentation of COVID-19 infection 2021-Jan-05, Knowledge-based systems IF:7.2Q1 DOI:10.1016/j.knosys.2020.106647 PMID:33519100	研究论文	本文提出了一种名为FSS-2019-nCov的半监督小样本分割深度学习架构，用于从少量标注的肺部CT扫描中高效分割COVID-19感染区域	提出了一种新颖的双路径深度学习架构用于小样本分割，每条路径包含编码器-解码器结构；引入了平滑空洞卷积（SAC）块和多尺度金字塔池化（MPP）块组成的上下文增强模块；提出了自适应重组合与重校准（RR）模块，实现两条路径之间的高效知识交换且仅带来微小的计算复杂度增加	摘要中未明确提及研究局限性	在标注数据有限的情况下，实现COVID-19感染的精确分割，并提供一个适用于有限数据场景下肺部疾病诊断的通用框架	COVID-19感染患者的肺部CT扫描图像	计算机视觉	肺癌	CT成像	CNN	图像	少量标注的肺部CT扫描图像（具体数量未在摘要中说明）	NA	ResNet34编码器, 编码器-解码器架构	NA	NA
12	2026-10-03	A slice classification model-facilitated 3D encoder-decoder network for segmenting organs at risk in head and neck cancer 2021-Jan-01, Journal of radiation research IF:1.9Q3 DOI:10.1093/jrr/rraa094 PMID:33029634	研究论文	本文开发并验证了一种基于切片分类模型辅助的3D编码器-解码器网络，用于头颈部癌症中危及器官（OARs）的分割，以解决小体积OARs与全CT图像之间的类别不平衡问题。	提出了一种两步分割模型，首先使用切片分类模型将CT切片分为六个类别，然后将不同OARs的目标类别分别输入到不同的3D编码器-解码器分割网络中，从而减少假阳性和计算时间。	未明确提及	缓解头颈部癌症OARs分割中的类别不平衡问题，提高分割精度和效率。	头颈部癌症患者的CT图像中的危及器官（OARs），包括左右眼、左右视神经、脑干、左右颞叶、左右颞下颌关节、下颌骨、左右腮腺。	数字病理学, 计算机视觉	头颈部癌症	CT成像	CNN	图像	170名患者（训练集120，验证集30，测试集20）	未明确提及	3D编码器-解码器网络, 切片分类模型	Dice相似系数, 95%豪斯多夫距离, 准确率	未明确提及
13	2026-10-03	Technology trends and applications of deep learning in ultrasonography: image quality enhancement, diagnostic support, and improving workflow efficiency 2021-Jan, Ultrasonography (Seoul, Korea) DOI:10.14366/usg.20102 PMID:33152846	综述	本文综述了深度学习在超声成像中的最新应用，涵盖图像质量增强、诊断支持和工作流程效率提升	系统总结了深度学习在超声图像处理、诊断及工作流程优化中的最新进展，并展望未来方向	作为综述，未提供原始实验数据，且未深入讨论技术实现细节	综述深度学习在超声成像中的应用，包括图像质量增强、诊断支持和工作流程效率提升	超声图像及相关临床应用（乳腺、甲状腺、心脏、肾脏、肝脏、胎儿头部等）	医学图像分析	乳腺癌, 甲状腺癌, 心血管疾病, 肾脏疾病, 肝脏疾病, 胎儿异常	超声成像	CNN, GAN, Transformer	图像	NA	NA	NA	NA	NA
14	2026-10-03	Deep Learning-Based Acute Ischemic Stroke Lesion Segmentation Method on Multimodal MR Images Using a Few Fully Labeled Subjects 2021, Computational and mathematical methods in medicine DOI:10.1155/2021/3628179 PMID:33564322	研究论文	本文提出一种基于深度学习的多模态MR图像急性缺血性卒中病灶分割方法，利用少量全标注受试者和大量弱标注受试者进行训练	提出多特征图融合网络（MFMF-Network），采用双分支结构，分类分支使用数百个弱标注受试者训练，分割分支使用少量全标注受试者微调，从而减少对全标注数据的依赖	仅使用了5个全标注受试者，分割性能（平均Dice系数0.699）仍有提升空间；方法依赖于弱标注数据的质量和数量	解决急性缺血性卒中病灶分割中全标注数据稀缺的问题，实现高效准确的病灶分割	急性缺血性卒中患者的多模态MR图像	医学图像分割	急性缺血性卒中	多模态磁共振成像（MRI）	卷积神经网络（CNN）	图像	398个弱标注受试者用于训练分类分支，5个全标注受试者用于训练分割分支，179个受试者用于测试	NA	多特征图融合网络（MFMF-Network）	Dice系数、病灶级F1分数、受试者级检测率	NA
15	2026-10-03	Radar-Spectrogram-Based UAV Classification Using Convolutional Neural Networks 2020-Dec-31, Sensors (Basel, Switzerland) DOI:10.3390/s21010210 PMID:33396245	研究论文	本文提出了一种基于雷达频谱图的深度学习分类模型，用于实时识别低慢小目标	设计了ResNet-SP模型，在ResNet-18基础上减少了计算量，提高了准确性和稳定性	未明确说明	实现低慢小目标的实时识别	五类低慢小目标（三种无人机和两种人类活动）	计算机视觉	NA	调频连续波雷达，短时傅里叶变换	CNN	图像	未明确说明具体样本数量，但涉及五种目标类型	NA	ResNet-18, ResNet-SP	准确率, 训练时间	NA
16	2026-10-03	Addressing Noise and Skewness in Interpretable Health-Condition Assessment by Learning Model Confidence 2020-Dec-19, Sensors (Basel, Switzerland) DOI:10.3390/s20247307 PMID:33352690	研究论文	本文提出了一种基于K-margin的可解释学习方法用于健康状态评估，通过偏斜感知的RCR-Net模型处理类别偏斜，利用诊断模型自动处理噪声片段，并提供知识引导的解释方法，在医疗和航空航天领域验证了有效性	提出了K-margin可解释学习方法，包括偏斜感知RCR-Net模型处理类别偏斜，基于K-margin的诊断模型自动处理噪声片段，以及知识引导的解释方法自动学习领域知识级特征，无需人类专家帮助	摘要中未提及	解决现有深度学习方法在健康状态评估中存在的类别偏斜、噪声片段和结果可解释性不足的问题，提高实际应用中的适用性	健康状态评估任务，具体涉及医疗和航空航天领域的健康状态数据	机器学习	NA	深度学习	RCR-Net	传感器数据	NA	NA	RCR-Net	F1分数	NA
17	2026-10-03	Machine learning predicts live-birth occurrence before in-vitro fertilization treatment 2020-12-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-020-76928-z PMID:33262383	研究论文	本文利用人工智能技术，基于体外受精（IVF）相关数据集，预测胚胎移植后活产的发生，并比较了多种机器学习算法的性能	首次在公开的HFEA数据集上比较经典机器学习、深度学习及集成算法在有无特征选择两种设置下预测IVF活产的效果，并发现随机森林模型取得最高F1分数	未明确说明数据集的样本量、特征数量及具体特征，且模型性能仍有提升空间（F1约76%）	预测体外受精（IVF）治疗中活产的发生，辅助临床决策	接受体外受精（IVF）治疗的夫妇（胚胎来自夫妇自身而非捐赠者）	机器学习	不孕不育	NA	随机森林, 深度学习, 集成学习	表格数据	NA	NA	随机森林, 深度学习模型, 集成学习模型	F1分数, 精确率, 召回率, ROC AUC, 混淆矩阵, ROC曲线	NA
18	2026-10-03	Artificial Intelligence-Based Polyp Detection in Colonoscopy: Where Have We Been, Where Do We Stand, and Where Are We Headed? 2020-Dec, Visceral medicine IF:1.8Q2 DOI:10.1159/000512438 PMID:33447598	综述	本文综述了过去35年基于人工智能的结肠镜检查中息肉和腺瘤检测的演变，从手工特征到深度学习，并讨论了大规模临床数据的需求以及未来展望	提供了结肠镜检查中AI息肉检测35年发展的全面历史概述，强调了巴黎分类、纹理特征、大数据和深度学习等里程碑	未提及具体的技术限制或未来挑战的深入分析	概述基于人工智能的结肠镜检查中腺瘤和息肉检测的演变，并讨论未来可能性	结肠镜检查图像中的息肉和腺瘤	计算机视觉	结直肠癌	结肠镜检查	CNN	图像	NA	NA	卷积神经网络	NA	NA
19	2026-10-03	Coarse-to-Fine Satellite Images Change Detection Framework via Boundary-Aware Attentive Network 2020-Nov-25, Sensors (Basel, Switzerland) DOI:10.3390/s20236735 PMID:33255688	研究论文	该文章提出了一种基于边界感知注意力网络的由粗到细卫星图像变化检测框架，并在两个基准数据集上验证了其有效性	设计了由粗到细的变化检测框架，包含注意力引导的编码器-解码器子网络和残差学习细化网络，提出了边界感知注意力网络和混合损失函数（从像素、块、图三个层次提供监督）	未明确提及	解决现有深度学习方法在陆地表面形状各异的不连通变化区域场景下，难以正确检测所有变化区域及准确表示变化区域边界的问题	双时相高分辨率卫星图像	计算机视觉	NA	深度学习	CNN	图像	两个基准数据集：LEBEDEV和SZTAKI	NA	注意力引导的编码器-解码器网络，残差网络	NA	NA
20	2026-10-03	Deep Learning in Proteomics 2020-11, Proteomics IF:3.4Q2 DOI:10.1002/pmic.201900335 PMID:32939979	综述	本文综述了深度学习在蛋白质组学中的多种应用，包括保留时间预测、串联质谱谱图预测、从头肽段测序、翻译后修饰预测、主要组织相容性复合体-肽段结合预测和蛋白质结构预测	系统性地总结了深度学习在蛋白质组学多个关键任务中的应用，并讨论了其局限性和未来方向	作为综述文章，未提出新的方法或模型，且可能未涵盖所有最新进展	概述深度学习在蛋白质组学中的应用，并探讨其局限性和未来方向	蛋白质组学数据（包括蛋白质序列、结构、质谱数据等）	机器学习	NA	串联质谱	深度学习	序列、结构、质谱数据	NA	NA	NA	NA	NA