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	2026-08-18	A deep feature fusion methodology for breast cancer diagnosis demonstrated on three imaging modality datasets 2017-Oct, Medical physics IF:3.2Q1 DOI:10.1002/mp.12453 PMID:28681390	研究论文	提出一种深度特征融合方法，结合预训练CNN提取的低级到中级特征与传统手工放射组学特征，用于乳腺癌诊断，并在三种影像模态数据集上验证其有效性	利用预训练CNN提取并池化低级到中级特征，与手工特征融合，提高乳腺癌CADx性能，同时避免大规模图像预处理	未提及具体限制	开发一种高效、无需大量图像预处理的乳腺癌计算机辅助诊断方法	乳腺癌良恶性病变的影像特征	计算机视觉, 数字病理学	乳腺癌	NA	卷积神经网络（CNN）	医学图像（动态对比增强MRI、全视野数字乳腺X线摄影、超声）	DCE-MRI：690例，FFDM：245例，超声：1125例	NA	预训练CNN（未指定具体架构）	AUC	NA
2	2026-08-18	MRI-based prostate cancer detection with high-level representation and hierarchical classification 2017-Mar, Medical physics IF:3.2Q1 DOI:10.1002/mp.12116 PMID:28107548	研究论文	本文提出一种基于深度神经网络提取高级特征表示并结合层次分类方法进行前列腺癌检测的方法	利用深度神经网络学习高级特征表示，并构建层次分类方法（迭代使用多个随机森林分类器）细化检测结果，相比传统手工特征（如LBP和Haar-like）性能更优	实验仅基于21例真实患者，样本量较小，可能影响泛化性	提高MRI图像中前列腺癌检测的准确性，通过高级特征表示和层次分类细化检测结果	前列腺癌检测，基于多参数MRI图像	机器学习	前列腺癌	MRI	深度神经网络、随机森林	图像（多参数MRI）	21例患者	NA	深度神经网络，随机森林分类器	基于切片的评估（SBE）、敏感性、特异性	NA
3	2026-08-18	Segmentation of organs-at-risks in head and neck CT images using convolutional neural networks 2017-Feb, Medical physics IF:3.2Q1 DOI:10.1002/mp.12045 PMID:28205307	研究论文	提出首个基于深度学习的卷积神经网络算法，用于头颈部CT图像中危及器官的分割，并与现有算法、商业软件及观察者间差异进行比较	首次将深度学习概念（CNN）应用于头颈部CT图像中的OAR分割，并通过代表性训练和马尔可夫随机场平滑处理提高分割精度	对小器官（如视交叉和下颌下腺）的分割性能较差，可能需额外信息（如MR图像）改善边界不清晰的器官分割	开发并评估基于CNN的算法在头颈部CT图像中分割危及器官的准确性	头颈部癌症患者CT图像中的九个危及器官，包括脊髓、下颌骨、腮腺、下颌下腺、喉、咽、眼球、视神经和视交叉	计算机视觉	头颈部癌症	CT成像	卷积神经网络	图像（CT图像）	50张头颈部CT图像	NA	CNN（具体架构未在摘要中指定）	Dice系数	NA
4	2026-07-05	Deep learning for single-molecule science 2017-Oct-20, Nanotechnology IF:2.9Q2 DOI:10.1088/1361-6528/aa8334 PMID:28762339	教程	本文是一篇教程，通过逐步指南说明如何将卷积神经网络（CNN）用于DNA测序中的碱基调用，并与支持向量机（SVM）进行比较	在单分子科学领域引入深度学习技术，特别是卷积神经网络，提供一个新的数据分析和预测方法	深度神经网络具有“黑箱”特性，影响数据解释和内部工作机制的理解	展示深度学习在单分子科学中的应用，特别是DNA测序碱基调用	单分子数据，特别是DNA测序数据	机器学习	NA	DNA测序	CNN	序列数据	NA	NA	卷积神经网络（CNN），支持向量机（SVM）	NA	NA
5	2026-05-15	A novel deep learning approach for classification of EEG motor imagery signals 2017-02, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2560/14/1/016003 PMID:27900952	研究论文	提出一种新颖的深度学习方法来分类脑电图运动想象信号，将CNN与SAE结合构建新网络，在BCI竞赛数据集上取得优于获胜算法的分类性能	首次引入结合时间、频率和位置信息的新输入形式，用于具有一维卷积和最大池化层的CNN；同时提出CNN与SAE结合的新型深度网络架构	研究仅基于BCI竞赛IV数据集2b，未在其他数据集上验证；当数据量较小时可能不适用	利用深度学习方法提高脑电图运动想象信号的分类性能，改善脑机接口系统的信号分类效果	BCI竞赛IV数据集2b中的脑电图运动想象信号	机器学习	NA	脑电图	CNN, SAE	信号	BCI竞赛IV数据集2b（具体数量未提及）	NA	CNN（含一维卷积和最大池化层）, SAE	Kappa值	NA
6	2026-04-30	ANI-1: an extensible neural network potential with DFT accuracy at force field computational cost 2017-Apr-01, Chemical science IF:7.6Q1 DOI:10.1039/c6sc05720a PMID:28507695	研究论文	本文介绍了一种基于深度神经网络的ANI-1模型，能够以力场计算成本实现DFT精度的分子势能预测	提出ANAKIN-ME方法，利用改进的Behler-Parrinello对称函数构建单原子环境向量，并引入正态模式采样方法生成分子构象，首次在构型和构象空间大规模训练可迁移的神经网络势	仅在含H、C、N、O四种原子类型的小分子上验证，对更大分子系统的泛化能力需进一步评估	开发一种兼具DFT精度和力场计算效率的可迁移神经网络势能模型	有机分子，主要来自GDB数据库中含最多8个重原子的子集，以及最多54个原子的更大分子系统	机器学习	NA	深度神经网络、DFT计算、正态模式采样	深度神经网络	分子结构及能量数据	训练集为GDB数据库子集（最多8个重原子），测试集包含最多54个原子的分子系统	NA	神经网络，基于改进的Behler-Parrinello对称函数构建单原子环境向量	化学精度（与参考DFT计算对比）	NA
7	2026-03-13	Data augmentation-assisted deep learning of hand-drawn partially colored sketches for visual search 2017, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0183838 PMID:28859140	研究论文	本文提出了一种基于用户手绘部分着色草图的视觉搜索机制，通过数据增强辅助的深度学习方法来提升草图检索性能	利用增强数据集微调深度卷积神经网络，以处理手绘草图的模糊性，并评估部分着色对检索性能的影响	未明确说明数据增强的具体限制或模型在处理极端模糊草图时的潜在不足	开发一种基于手绘部分着色草图的图像检索系统，以改善视觉信息访问	手绘部分着色草图及自然图像数据库	计算机视觉	NA	数据增强、深度学习	CNN	图像	两个大型数据集（具体数量未说明）	NA	深度卷积神经网络（具体架构未指定）	分类性能、检索性能	NA
8	2026-03-11	Deep Learning for Brain Tumor Classification 2017-Feb, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.2254195 PMID:41799012	研究论文	本研究应用深度学习方法来分类脑部图像中的不同肿瘤类型：脑膜瘤、胶质瘤和垂体瘤	采用更通用的深度学习方法，无需图像扩张和肿瘤环状子区域处理，即可超越需要这些专门步骤的方法	研究仅使用轴向平面的图像，以避免不同平面图像对神经网络的混淆，这可能限制了模型对多平面信息的利用	应用深度学习方法对脑部肿瘤图像进行分类	脑部MRI图像中的脑膜瘤、胶质瘤和垂体瘤	计算机视觉	脑肿瘤	T1加权对比增强MRI	CNN, 全连接神经网络	图像	来自191名患者的989张轴向MRI图像	NA	NA	五折交叉验证准确率	NA
9	2025-10-05	Leveraging word embeddings and medical entity extraction for biomedical dataset retrieval using unstructured texts 2017-Jan-01, Database : the journal of biological databases and curation DOI:10.1093/database/bax091 PMID:31725862	研究论文	提出一种利用词嵌入和医学实体提取的生物医学数据集检索系统	结合最先进的信息检索模型、医学命名实体提取技术、基于深度学习的查询扩展和重排序策略	NA	解决生物医学领域数据集检索的挑战	bioCADDIE数据集检索挑战中的生物医学数据集	自然语言处理	NA	医学命名实体提取	深度学习	文本	bioCADDIE数据集检索挑战数据集	NA	NA	推理平均精度, 推理标准化折损累计增益	NA
10	2025-10-07	Deep Recurrent Neural Networks for Human Activity Recognition 2017-Nov-06, Sensors (Basel, Switzerland) DOI:10.3390/s17112556 PMID:29113103	研究论文	提出使用深度循环神经网络进行人类活动识别，能够捕捉可变长度输入序列中的长期依赖关系	采用基于LSTM的深度循环神经网络架构，能够处理可变长度输入序列并捕获长期时间依赖关系，克服了传统方法固定长度输入窗口的限制	未明确说明模型在实时应用中的计算效率和处理速度	开发能够有效识别人类活动的高性能模型	从身体佩戴传感器获取的人类活动数据序列	机器学习	NA	传感器数据采集	RNN, LSTM	时间序列数据	多个基准数据集（具体数量未明确说明）	NA	LSTM, 单向LSTM, 双向LSTM, 级联LSTM	NA	NA
11	2025-10-07	DeepSleepNet: A Model for Automatic Sleep Stage Scoring Based on Raw Single-Channel EEG 2017-11, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society IF:4.8Q1 DOI:10.1109/TNSRE.2017.2721116 PMID:28678710	研究论文	提出一种基于原始单通道脑电图的自动睡眠分期深度学习模型DeepSleepNet	无需手工设计特征，自动从原始脑电信号中学习时间不变特征和睡眠阶段转换规则	NA	开发自动睡眠分期模型	睡眠脑电图数据	机器学习	睡眠障碍	脑电图	CNN, 双向LSTM	脑电信号	来自两个公共睡眠数据集的不同单通道脑电图	NA	DeepSleepNet	准确率, 宏F1分数	NA
12	2025-10-07	A deep learning framework for financial time series using stacked autoencoders and long-short term memory 2017, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0180944 PMID:28708865	研究论文	提出一种结合小波变换、堆叠自编码器和长短期记忆网络的深度学习框架用于股价预测	首次将堆叠自编码器用于分层提取深度特征并应用于股价预测	NA	开发深度学习框架以提高股价预测的准确性和盈利能力	六个市场指数及其对应的指数期货	机器学习	NA	小波变换	堆叠自编码器,长短期记忆网络	金融时间序列数据	六个市场指数及其指数期货	NA	堆叠自编码器,LSTM	预测准确性,盈利能力表现	NA
13	2025-10-07	Deep learning based Nucleus Classification in pancreas histological images 2017-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference DOI:10.1109/EMBC.2017.8036914 PMID:29059962	研究论文	提出基于深度学习的细胞核分类方法DeepNC，使用配对的病理学和免疫荧光图像进行胰腺组织细胞核分类	首次使用配对的病理学和免疫荧光图像训练深度学习模型进行细胞核分类，解决基因组/转录组与病理学评估之间的肿瘤纯度估计差异问题	训练大型数据集的深度学习模型面临挑战	改进组织学评估方法，准确分类胰腺组织中的细胞核	胰腺组织样本中的细胞核	数字病理学	胰腺癌	组织病理学成像，免疫荧光成像	深度学习	图像	大量样本	NA	NA	NA	NA
14	2025-10-07	Single subject prediction of brain disorders in neuroimaging: Promises and pitfalls 2017-01-15, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2016.02.079 PMID:27012503	综述	本文系统综述了基于神经影像的脑疾病个体预测研究现状，分析该领域的挑战与未来发展方向	提供了迄今为止最全面的神经影像个体预测脑疾病研究综述，并从机器学习角度系统分析了研究中的主要缺陷	样本量有限是该领域的主要瓶颈，研究结果的可推广性仍需验证	评估神经影像技术在脑疾病个体预测中的应用潜力与局限性	精神分裂症、轻度认知障碍、阿尔茨海默病、抑郁症、自闭症谱系障碍和注意缺陷多动障碍患者	医学影像分析	神经精神疾病	结构MRI、功能MRI、扩散MRI	机器学习、深度学习	神经影像数据	综述了200多篇研究报告的样本数据	NA	NA	准确率	NA
15	2024-11-10	Tumor gene expression data classification via sample expansion-based deep learning 2017-Dec-12, Oncotarget DOI:10.18632/oncotarget.22762 PMID:29312636	研究论文	本文提出了一种基于样本扩展的深度学习方法用于肿瘤基因表达数据分类	本文提出了样本扩展方法，通过随机清洗部分损坏的输入多次来获得大量样本，解决了基因表达数据训练样本不足的问题	NA	研究如何有效区分肿瘤样本和正常样本	肿瘤基因表达数据	机器学习	NA	深度学习	堆叠自编码器 (SAE) 和一维卷积神经网络 (1DCNN)	基因表达数据	NA	NA	NA	NA	NA
16	2024-10-11	Chemical Selectivity and Sensitivity of a 16-Channel Electronic Nose for Trace Vapour Detection 2017-Dec-08, Sensors (Basel, Switzerland) DOI:10.3390/s17122845 PMID:29292764	研究论文	本文介绍了基于16个差分微电容器的16通道电子鼻的设计、构建和测量，用于检测目标分子的蒸汽痕迹	提出了使用不同硅烷表面功能化的微电容器来增强化学选择性，并探讨了使用人工智能深度学习方法进一步提高选择性的可能性	NA	研究电子鼻的化学选择性和灵敏度，以可靠检测爆炸物和其他有害物质	16通道电子鼻及其对TNT、RDX、DNT等分子的检测能力	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
17	2024-10-09	Infer Cause of Death for Population Health Using Convolutional Neural Network 2017-Aug, ACM-BCB ... ... : the ... ACM Conference on Bioinformatics, Computational Biology and Biomedicine. ACM Conference on Bioinformatics, Computational Biology and Biomedicine DOI:10.1145/3107411.3107447 PMID:32642743	研究论文	本文利用卷积神经网络（CNN）推断人口死亡原因，以改善公共卫生报告和提高患者护理质量	采用数据驱动的方法分析和改进死亡报告流程，构建了先进的深度学习模型CNN，并提供了模型解释	模型准确率为75%，仍有提升空间	推断人口死亡原因，改善公共卫生报告和患者护理质量	人口死亡原因	机器学习	NA	卷积神经网络（CNN）	卷积神经网络（CNN）	医疗数据	未明确提及具体样本数量	NA	NA	NA	NA
18	2024-09-13	[Study of attention deficit/hyperactivity disorder classification based on convolutional neural networks] 2017-Feb, Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi PMID:29717596	研究论文	本文提出了一种基于卷积神经网络的注意力缺陷/多动障碍（ADHD）分类算法	利用粗分割和深度学习方法，提高了ADHD分类的准确性，并简化了计算过程	未提及具体的局限性	解决ADHD诊断中高误诊率和漏诊率的问题	ADHD患者和正常人群的分类	计算机视觉	精神疾病	卷积神经网络	CNN	图像	未提及具体样本数量	NA	NA	NA	NA
19	2024-08-07	Deep learning with convolutional neural networks for EEG decoding and visualization 2017-11, Human brain mapping IF:3.5Q1 DOI:10.1002/hbm.23730 PMID:28782865	研究论文	本文研究了使用卷积神经网络（ConvNets）进行脑电图（EEG）解码和可视化的深度学习方法	提出了使用批量归一化和指数线性单元等机器学习领域的最新进展，以及裁剪训练策略，提高了深度ConvNets的解码性能	需要进一步理解如何设计和训练ConvNets以进行端到端的EEG解码，并可视化ConvNets学习到的信息性EEG特征	探索如何设计和训练ConvNets以从原始EEG中解码任务相关信息，并展示深度ConvNets结合先进可视化技术在基于EEG的脑映射中的潜力	研究了不同架构的深度ConvNets，用于从原始EEG解码想象或执行的任务	机器学习	NA	卷积神经网络（ConvNets）	CNN	脑电图（EEG）	未具体说明样本数量	NA	NA	NA	NA
20	2024-08-07	ShortFuse: Biomedical Time Series Representations in the Presence of Structured Information 2017-Aug, Proceedings of machine learning research PMID:30882086	研究论文	本文介绍了一种名为ShortFuse的方法，该方法通过显式建模时间序列与结构化协变量之间的时间交互和依赖关系，提高了深度学习模型在时间序列上的准确性	ShortFuse引入了混合卷积和LSTM单元，通过在时间域上共享权重的协变量来整合结构化信息	NA	提高深度学习模型在医疗应用中时间序列数据的准确性	预测与骨关节炎相关的软骨退化和脑瘫患者的手术结果	机器学习	NA	NA	CNN, LSTM	时间序列	NA	NA	NA	NA	NA