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	2026-08-27	Automated wound segmentation and classification of seven common injuries in forensic medicine 2024-06, Forensic science, medicine, and pathology DOI:10.1007/s12024-023-00668-5 PMID:37378809	研究论文	本文探讨了在法医医学中，利用深度学习架构对照片中的伤口进行自动分割和分类，以辅助法医病理学家评估损伤并加速报告过程。	首次将多种预训练的深度学习架构应用于法医相关照片的伤口分割和分类，针对七种常见伤害类型，并处理了类别不平衡问题。	模型难以区分背景与伤口区域，尤其是皮下血肿或皮肤擦伤的像素被错误归类为背景的比率高达31%，部分原因是某些伤口类型边界不明确。	旨在开发一种工具，通过自动分割和分类法医照片中的伤口，提高损伤评估的准确性和报告过程的效率。	法医相关照片中的七种常见伤口类型，包括刺伤、皮下血肿等。	计算机视觉	法医损伤	深度学习图像分割和分类技术	预训练深度学习模型（如CNN）	图像	未具体说明，但使用来自数据库的法医相关照片进行训练和测试	NA	多种预训练深度学习架构（具体名称未提及）	平均像素准确率、平均交并比（IoU）	NA
2	2026-08-27	Cancer immunotherapy efficacy and machine learning 2024 Jan-Feb, Expert review of anticancer therapy IF:2.9Q2 DOI:10.1080/14737140.2024.2311684 PMID:38288663	综述	本文综述了机器学习在预测癌症免疫治疗疗效中的应用，包括影像组学、病理组学、肿瘤微环境和免疫相关基因分析。	系统总结了机器学习在免疫治疗疗效预测中的多种应用领域，并强调了深度学习在其中的潜力。	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
3	2026-08-27	Genomic prediction with machine learning in sugarcane, a complex highly polyploid clonally propagated crop with substantial non-additive variation for key traits 2023-12, The plant genome DOI:10.1002/tpg2.20390 PMID:37728221	研究论文	本研究探讨了深度学习和集成机器学习方法在甘蔗基因组预测中的表现，并与GBLUP模型进行了比较	首次在复杂高度多倍体克隆繁殖作物甘蔗中应用深度学习（MLP和CNN）和随机森林进行基因组预测，并考虑了非加性效应	机器学习模型的预测精度未超过扩展的GBLUP模型，可能受限于数据规模和标记密度	评估机器学习方法在甘蔗基因组预测中的潜力，并与传统线性模型比较	2912个甘蔗克隆，涉及总甘蔗收获量、商业蔗糖和纤维含量三个性状	机器学习	NA	单核苷酸多态性标记基因分型	多层感知机、卷积神经网络、随机森林、GBLUP	基因组标记数据和表型数据	2912个甘蔗克隆，26086个SNP标记	NA	MLP、CNN、随机森林	预测精度	NA
4	2026-08-27	Comparing artificial-intelligence techniques with state-of-the-art parametric prediction models for predicting soybean traits 2023-03, The plant genome DOI:10.1002/tpg2.20263 PMID:36484148	研究论文	本研究比较了传统基因组预测方法（GBLUP）、核方法（高斯核）、人工智能方法（深度学习）及混合方法（反余弦核）在预测大豆产量、油分和蛋白质含量方面的准确性	首次将深度学习模型的仿真方法（反余弦核）与常用基因组预测方法进行系统比较，并评估了基因型与环境互作效应下的模型表现	深度学习方法的较差表现可能归因于次优的超参数设置，且研究仅基于单一作物（大豆）和特定环境条件	评估并比较不同基因组预测方法在预测大豆农艺性状（产量、油分、蛋白质）方面的表现	大豆品种（Glycine max）的基因型和表型数据	机器学习	不适用	基因组预测（GBLUP）、核方法（高斯核、反余弦核）、深度学习	深度学习（DL）、核模型	基因组标记数据和表型数据（产量、油分、蛋白质）	1379个大豆基因型，在6个环境中测试，所有基因型在所有环境中	不适用	深度学习网络、高斯核、反余弦核	预测准确度	不适用
5	2026-08-27	Deep-learning power and perspectives for genomic selection 2021-11, The plant genome DOI:10.1002/tpg2.20122 PMID:34309215	研究论文	本文探讨了深度学习在基因组选择中的应用，并提供了关于其解决复杂预测任务的能力以及如何将深度学习与基因组选择相结合以加速植物育种革命的见解。	强调了深度学习模型在基因组选择中超越人类能力和其他机器学习算法的潜力，并指出了利用深度学习方法进行基因组选择的机遇领域。	作者承认需要大量研究来适应和开发考虑育种输入和基因组选择特性的深度学习方法。	提供关于深度学习在基因组选择中应用的洞见，并讨论如何结合两者以推动植物育种的发展。	深度学习模型在基因组选择中的应用及植物育种中的基因组选择方法。	机器学习	NA	基因组选择	深度学习（DL）	基因组数据	NA	NA	NA	NA	NA
6	2026-08-27	Application of a Poisson deep neural network model for the prediction of count data in genome-based prediction 2021-11, The plant genome DOI:10.1002/tpg2.20118 PMID:34323393	研究论文	本文应用泊松深度神经网络（PDNN）模型进行基因组预测中的计数数据预测，并与多种传统和深度学习方法进行了比较	将先前提出的单变量泊松深度神经网络应用于基因组预测的计数数据，利用TensorFlow和Keras实现，能够处理中型和大型数据集，克服了传统GS计数数据模型的限制	PDNN模型在预测精度上未优于处理连续结果的常规深度神经网络	评估泊松深度神经网络在基因组选择中对计数数据预测的性能	基因组选择中的计数数据预测模型	机器学习	NA	NA	深度神经网络（DNN），泊松深度神经网络（PDNN）	计数数据	未明确说明	TensorFlow, Keras	PDNN，隐藏层使用ReLU激活函数，输出层使用指数激活函数	预测精度	未明确说明
7	2026-08-27	Breast ultrasound lesion classification based on image decomposition and transfer learning 2020-Dec, Medical physics IF:3.2Q1 DOI:10.1002/mp.14510 PMID:33012047	研究论文	本研究提出了一种基于图像分解和迁移学习的乳腺超声图像分类方法，通过模糊增强和双边滤波图像与原始超声图像结合，利用预训练模型提高良性/恶性病变分类性能	采用图像分解技术生成模糊增强和双边滤波图像，与原始超声图像构建多特征数据，增强预训练模型的特征提取能力	摘要中未提及明显的局限性信息	解决乳腺超声图像模糊和斑点噪声干扰下深度学习分类可靠性不足的问题	乳腺超声图像中的良性/恶性病变	医学图像分析	乳腺病变	图像分解	卷积神经网络（CNN）	图像	NA	NA	VGG16	准确率、灵敏度、特异度、F1分数、AUC	NA
8	2026-08-26	Deep Learning-Based Risk Factor Analysis for Accurate Prediction of Lung Cancer in High-Risk Populations 2026-Sep-01, American journal of clinical oncology DOI:10.1097/COC.0000000000001284 PMID:41437170	研究论文	本研究提出一种结合深度学习与优化算法的框架，用于高危人群肺癌风险预测，并达到99.25%的预测准确率	结合鲸鱼优化算法与自适应粒子群优化（WOA-APSO）进行特征选择，并采用基于核的非高斯CNN（KNG-CNN）模型，实现高精度预测	未提及具体局限性	提高高危人群中肺癌的早期检测和风险预测准确性	高危人群的肺癌风险预测	深度学习、医学影像	肺癌	CT影像（基于LIDC-IDRI数据集）	卷积神经网络（CNN）及KNG-CNN	医学影像（CT图像）	未提及具体样本量（使用LIDC-IDRI数据集）	PYTHON	CNN、KNG-CNN	准确率	NA
9	2026-08-26	Accurate Lung Cancer Prediction From CT Scans Using Advanced Deep Learning Methods 2026-Sep-01, American journal of clinical oncology DOI:10.1097/COC.0000000000001286 PMID:41449566	研究论文	提出一种利用先进深度学习方法进行CT扫描肺癌预测的多阶段框架，包括混合图卷积网络和条件随机场进行图像分割，以及胶囊网络、孪生神经网络和混合深度自编码器进行特征提取	整合多种先进技术，包括混合GCN-CRF分割、CapsNet、Siamese网络和混合自编码器特征提取，以及混合CNN-Transformer和GNN分类的双重策略，以提高肺癌预测准确性	未在论文摘要中明确提及局限性	提高肺癌早期诊断和治疗结果，通过深度学习技术增强CT扫描中恶性病变的检测和分类	CT扫描图像中的肺部区域和潜在病变	计算机视觉	肺癌	CT扫描	混合图卷积网络、条件随机场、胶囊网络、孪生神经网络、混合深度自编码器、混合CNN-Transformer、图神经网络	图像	未提及	Python	混合GCN-CRF、CapsNet、Siamese网络、混合自编码器、混合CNN-Transformer、GNN	准确率	未提及
10	2026-08-26	Integrating Genomic Data and Imaging in Lung Cancer Prediction Using a Hybrid Deep Learning Approach 2026-Sep-01, American journal of clinical oncology DOI:10.1097/COC.0000000000001288 PMID:41449569	研究论文	本研究开发了一种混合深度学习模型，整合基因组数据和医学影像数据，以提高肺癌预测的准确性。	首次将基因组数据与CT影像数据通过混合深度学习框架（基于Inception-ResNet-v2）进行多模态融合，并利用LoGF图像预处理技术增强关键特征提取，从而提升预测性能。	研究仅使用了单一数据集（LIDC-IDRI），未来需引入更多多模态数据（如电子健康记录和生活方式因素）以验证泛化能力；且未明确讨论计算资源或模型的可解释性。	开发一种混合深度学习模型，有效整合基因组和影像数据，以增强肺癌预测的准确性，支持早期诊断。	肺癌患者的CT影像数据和基因组数据，用于预测肺癌结果。	医学影像分析，基因组学，深度学习	肺癌	CT成像，基因组测序（具体技术未指定）	混合深度学习模型（基于CNN架构）	图像（CT扫描），基因数据	未在摘要中说明（基于LIDC-IDRI数据集，含多个患者样本）	Python（具体框架如TensorFlow或PyTorch未指定）	Inception-ResNet-v2	准确率（92.5%），其他如灵敏度、特异性未提及	未在摘要中说明（可能使用GPU，但未具体化）
11	2026-08-26	Sharper than human eyes? A systematic review and meta-analysis of machine learning for retinal detachment detection 2026-Sep, European journal of ophthalmology IF:1.4Q3 DOI:10.1177/11206721261419673 PMID:41666118	系统综述和荟萃分析	本文对机器学习在视网膜脱离检测中的应用进行了系统综述和荟萃分析，评估其诊断准确性	首次严格遵循PRISMA指南对ML检测RD进行诊断测试准确性荟萃分析，并进行了亚组分析	研究间存在显著异质性，外部验证存在挑战，患者选择和数据质量存在偏差	评估机器学习在视网膜脱离检测中的诊断准确性，并探讨其临床应用的潜力与障碍	用于检测视网膜脱离的机器学习模型	机器学习	视网膜脱离	眼底成像，光学相干断层扫描	深度学习，机器学习	眼底图像，OCT图像	20项研究，69个模型	NA	NA	灵敏度，特异度，曲线下面积	NA
12	2026-08-26	Automated acquisition of explainable knowledge from unannotated colposcopic images for predicting the natural course of CIN2 2026-Sep, International journal of gynaecology and obstetrics: the official organ of the International Federation of Gynaecology and Obstetrics DOI:10.1002/ijgo.70976 PMID:41884887	研究论文	本研究利用未标注的阴道镜图像，通过自动化的可解释知识提取方法，预测宫颈上皮内瘤变2级（CIN2）的自然转归（消退、持续或进展）	首次利用无标注的阴道镜图像，结合聚类分析和多种机器学习模型，自动化提取可解释的预后特征，以预测CIN2的自然病程，并为临床提供风险分层工具	未明确说明，可能包括样本量较小（212例）、回顾性设计、单中心数据等潜在限制	开发基于阴道镜图像的深度学习预后模型，以预测CIN2的转归（消退、持续或进展），并提供临床上有意义的风险分层，从而避免过度治疗	212名诊断为CIN2的患者，其阴道镜图像（包括未染色、醋酸染色和卢戈碘染色图像）	医学影像分析、机器学习	宫颈上皮内瘤变（CIN2）	阴道镜检查、图像聚类分析	逻辑回归、XGBoost、随机森林、极端随机树	阴道镜图像	212名CIN2患者的阴道镜图像	未明确说明	逻辑回归、XGBoost、随机森林、极端随机树	宏平均AUC、敏感性、混淆矩阵、接受者操作特征曲线、精确率-召回率曲线、决策曲线分析	未明确说明
13	2026-08-26	A comparative analysis of YOLOv8 and nnU-Net v2 based pipelines for sex and age estimation from maxillary sinus morphometry on panoramic radiographs 2026-Sep, International journal of legal medicine IF:2.2Q1 DOI:10.1007/s00414-026-03825-x PMID:42104112	研究论文	本研究旨在开发和比较两种基于深度学习的分割-放射组学流程（YOLOv8-Hybrid 和 nnU-Net v2），用于从全景X线片的上颌窦形态学中自动进行性别分类和年龄估计。	首次对 YOLOv8 和 nnU-Net v2 在法医上颌窦分析中进行系统比较，并提出 YOLOv8-Hybrid 流程，结合了粗分割、边界细化和超过120个形态测量及放射组学特征。	外部验证样本量较小，仅50张独立图像，可能影响泛化能力的全面评估。	开发和比较两种自动化的深度学习流程，用于从全景放射影像中的上颌窦形态学进行性别分类和年龄估计，以支持法医生物特征分析。	上颌窦形态学特征，来源于1024张全景X线片（512男，512女；年龄18-81岁）	计算机视觉	NA	全景放射摄影	卷积神经网络（YOLOv8, U-Net, nnU-Net）	图像	1024张全景X线片（训练/验证），50张独立图像（外部验证）	PyTorch	YOLOv8, U-Net, nnU-Net v2	AUC, MAE, mAP@50, ICC, Cohen's d, DeLong p 值	NA
14	2026-08-26	Utilizing Deep Learning-based Computed Tomography Fractional Flow Reserve on Coronary Artery Disease Diagnosis and Treatment: 1-year Clinical Application From a Chinese Major Hospital 2026-Sep-01, Journal of thoracic imaging IF:2.0Q3 DOI:10.1097/RTI.0000000000000881 PMID:41943563	研究论文	本研究回顾性分析了基于深度学习的CT-FFR在冠状动脉疾病诊断和治疗中的临床应用，评估其对临床决策的影响及诊断准确性	首次在真实世界中国患者群体中全面描述机器学习CT-FFR的常规实施情况，并将其与CCTA结合以提升诊断效能	单中心回顾性研究，可能存在选择偏倚	调查CT-FFR在中国患者临床决策中的应用特征和接受度，并以有创冠状动脉造影为参考评估其诊断准确性	4564例中国患者及其心外膜冠状动脉，涉及2718条血管	医学影像分析	冠状动脉疾病	冠状动脉CT血管成像，CT-FFR	机器学习模型	图像，临床数据	4564例患者，其中906例患者涉及的2718条血管用于诊断分析	NA	NA	诊断准确性	NA
15	2026-08-26	Vision Mamba Empowered by Dynamic Domain Generalization for Cross-Modality Medical Segmentation 2026-Aug, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01687-0 PMID:41100040	研究论文	提出一种结合Vision Mamba模型与动态域泛化的跨模态医学图像分割框架，以提升模型在未见过目标域上的泛化能力	首次将Vision Mamba与动态域泛化结合用于跨模态医学分割，引入VEBlock模块融合双向状态空间序列建模、贝塞尔曲线增强和双归一化策略	未提及具体限制，但可能受限于数据集的特定性和计算资源需求	解决跨模态医学图像分割中领域偏移导致的泛化问题，提高对未见目标域的适应性	跨模态医学图像，包括脑肿瘤（BraTS 2018）和心脏（CT和MRI）分割任务	医学图像分析	脑肿瘤和心血管疾病	医学影像分割（MRI、CT）	Vision Mamba（基于状态空间模型）	医学图像	BraTS 2018数据集和跨模态心脏数据集，具体样本数未提及	未提及	Vision Mamba，VEBlock	Dice分数，Hausdorff距离	未提及
16	2026-08-26	PhosSight: A Unified Deep Learning Framework Boosting and Accelerating Phosphoproteome Identification to Enable Biological Discoveries 2026-Aug, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.75856 PMID:42201678	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
17	2026-08-26	On the Prediction of pDNA Productivity Across Diverse Bioprocesses Using Ensemble Hybrid Models 2026-07, Biotechnology and bioengineering IF:3.5Q2 DOI:10.1002/bit.70207 PMID:42130220	研究论文	该文提出一种集成混合建模方法，用于预测不同生物工艺中质粒DNA的生产率，结合机理动态质量平衡与深度学习衍生的动力学速率。	采用集成混合模型，将每个速率项替换为全连接人工神经网络，并整合历史数据和分类变量；引入渐进式迁移学习框架以适应新的大肠杆菌菌株和培养模式。	未明确说明，但可能涉及对文献数据的依赖和模型泛化性的潜在限制。	通过混合建模和迁移学习加速pDNA生物工艺开发，减少模型重校准成本。	18个独特的大肠杆菌发酵过程，涵盖不同培养基、质粒和培养模式。	机器学习	NA	NA	全连接人工神经网络	发酵过程时间序列数据	18个大肠杆菌发酵数据集	NA	全连接人工神经网络	NA	NA
18	2026-08-26	Refining Sleep-Disordered Breathing Annotations Across Multiple Public Sleep Study Datasets 2026-06, Journal of sleep research IF:3.4Q2 DOI:10.1111/jsr.70264 PMID:41431151	研究论文	开发标准化标注流程，根据AASM指南重新标注多个公共睡眠研究数据集的睡眠呼吸障碍事件，以提高跨队列一致性和AI分析可靠性	首次提出标准化标注管道，整合睡眠分期、氧减饱和和觉醒事件，遵循AASM综合标准，改善多数据集间AHI计算的一致性	未明确说明局限性	改进公共睡眠数据集中睡眠呼吸障碍注释的准确性，以符合当前临床指南并支持AI分析	多中心睡眠研究参与者，包括SHHS、MrOS、MESA和KISS数据集	数字病理学	阻塞性睡眠呼吸暂停	多导睡眠监测	深度学习模型（未指定具体类型）	多导睡眠图信号	SHHS1 (n=5793), SHHS2 (n=2651), MrOS1 (n=2907), MrOS2 (n=1026), MESA (n=2054), KISS (n=7745)	NA	NA	平均绝对误差，F1分数	NA
19	2026-08-26	Optimising Sleep Stage Detection Using a Minimal Non-EEG Physiological Signal Set and Deep Learning 2026-06, Journal of sleep research IF:3.4Q2 DOI:10.1111/jsr.70266 PMID:41391449	研究论文	提出一种基于U-Net架构的可复现深度学习框架，仅利用三种非脑电生理信号（血氧饱和度、心率和腹式呼吸努力）进行睡眠分期，实现每秒级别的预测。	相比大多数依赖脑电信号和固定30秒时段的研究，本模型仅使用三种易采集的非脑电信号，并提供每秒级别的睡眠分期预测，突破了传统时段限制。	未明确提及，但可能包括对特定数据集依赖和模型在更广泛人群中的泛化性仍需进一步验证。	开发一种无需脑电信号的轻量级深度学习模型，以实现可扩展、临床相关的睡眠监测。	睡眠阶段分类，包括五阶段（清醒、N1、N2、N3和快速眼动）或四阶段（清醒、浅睡、深睡和快速眼动）。	深度学习、数字健康	睡眠相关疾病	非脑电生理信号采集，包括血氧饱和度、心率和腹式呼吸努力	卷积神经网络（基于U-Net架构）	生理信号时间序列数据	使用SHHS2数据集进行训练，MESA数据集进行外部验证，具体样本数量未在摘要中提供	Keras（使用Keras Tuner和Hyperband算法）	U-Net	加权F1分数、Cohen's Kappa	未明确提及，可能使用标准GPU，但摘要中未指定
20	2026-08-26	Cough acoustic analysis using artificial intelligence for COVID-19 detection: A comparative study of patient cohorts from Lima, Peru and Montreal, Canada 2026-Jun, Annals of epidemiology IF:3.3Q1 DOI:10.1016/j.annepidem.2026.110076 PMID:41862033	研究论文	本研究比较了秘鲁利马和加拿大蒙特利尔两个队列的咳嗽声学特征及基于人工智能的新冠肺炎检测性能，发现咳嗽声学具有人群特异性，模型跨人群泛化能力有限	首次系统比较不同地理和流行病学背景下咳嗽声学特征对新冠检测模型性能的影响，并分析了疾病状态对预测得分的影响	样本量相对较小，且仅涉及两个地区，可能限制结果的普遍性	评估和比较不同人群（利马和蒙特利尔）咳嗽声学特征及基于人工智能的新冠肺炎筛选模型的性能	来自秘鲁利马和加拿大蒙特利尔的605名成人咳嗽录音和临床数据	数字病理学	新冠肺炎	NAAT（核酸扩增检测）	XGBoost，深度神经网络	音频，文本	605名成人	NA	XGBoost，深度神经网络	AUC	NA