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	Modeling Small-Molecule Reactivity Identifies Promiscuous Bioactive Compounds 2018-08-27, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.8b00104 PMID:29990427	研究论文	本文利用深度学习对小分子反应性进行机理建模，以识别高通量筛选中出现的混杂生物活性化合物，并与PAINS过滤器进行比较和结合	首次证明基于小分子反应性的深度学习模型无需高通量筛选数据训练即可识别混杂生物活性化合物，且与PAINS过滤器互补，结合后性能优于任一单独方法，并能提供化合物反应性中具体原子的机理假设	模型的敏感度较低（18.5%），作为概率模型需要调整阈值来平衡敏感度和特异性，且仅在PubChem试验数据上进行了验证	探索通过深度学习对小分子反应性进行机理建模来改进混杂生物活性化合物的识别方法	PubChem试验中的小分子化合物及混杂生物活性化合物（频繁命中物）	机器学习	NA	深度学习	深度学习模型（反应性建模）	分子结构数据	NA	NA	NA	敏感度, 特异性	NA
2	2026-10-01	3D Pulmonary Artery Segmentation from CTA Scans Using Deep Learning with Realistic Data Augmentation 2018-Sep, Image analysis for moving organ, breast, and thoracic images : third International Workshop, RAMBO 2018, fourth International Workshop, BIA 2018, and first International Workshop, TIA 2018, held in conjunction with MICCAI 2018, Granada,... DOI:10.1007/978-3-030-00946-5_23 PMID:32494780	研究论文	本文提出了一种基于三维卷积神经网络和真实数据增强的肺动脉自动分割方法，用于CTA扫描图像	提出了一种新的三维卷积神经网络架构，并采用基于真实变形的数据增强范式，通过主成分分析从多个数据集的仿射配准变形场中生成变形	未明确说明	从计算机断层扫描血管造影图像中自动分割肺动脉，以用于肺动脉几何演变的复杂分析、流体力学模型或个体化医疗	肺动脉	计算机视觉	肺动脉疾病	计算机断层扫描血管造影	三维卷积神经网络	图像	91个数据集	NA	三维卷积神经网络, U-Net	平均Dice系数, Jaccard系数, 表面间平均距离	NA
3	2026-09-08	A deep learning approach to estimate stress distribution: a fast and accurate surrogate of finite-element analysis 2018-01, Journal of the Royal Society, Interface DOI:10.1098/rsif.2017.0844 PMID:29367242	研究论文	利用深度学习模型作为有限元分析的快速且准确的替代方法，直接估算主动脉壁的应力分布	首次证明深度学习技术可作为有限元分析在应力分析中的快速准确替代方案	NA	开发深度学习模型，直接估计主动脉的应力分布，以绕过硬骨有限元分析的计算过程，为临床提供快速反馈	主动脉壁应力分布	深度学习	心血管疾病	有限元分析	深度学习模型	数值模拟数据	NA	NA	NA	平均误差	NA
4	2026-08-25	A deep learning approach for 18F-FDG PET attenuation correction 2018-Nov-12, EJNMMI physics IF:3.0Q2 DOI:10.1186/s40658-018-0225-8 PMID:30417316	研究论文	开发并评估了一种基于深度学习的PET图像衰减校正方法（deepAC），无需解剖成像即可从非衰减校正的18F-FDG PET图像生成伪CT图像	首次提出无需解剖成像的深度学习PET衰减校正方法，能够从单张非衰减校正PET图像直接生成连续值的伪CT图像	研究仅基于100例回顾性头部PET图像训练，且评估样本量较小（28例），可能缺乏泛化性；未涉及其他部位或不同示踪剂的验证	开发一种数据驱动的深度学习PET图像衰减校正方法，以避免额外解剖成像需求	18F-FDG PET头部图像及对应的CT图像	深度学习, 医学图像处理	不适用	PET成像, CT成像	卷积编码器-解码器网络	图像（3D PET和CT）	100例训练图像，28例测试图像	不明确	卷积编码器-解码器	Dice系数, 平均绝对误差（MAE）	不明确
5	2026-08-18	Fully automatic multi-organ segmentation for head and neck cancer radiotherapy using shape representation model constrained fully convolutional neural networks 2018-Oct, Medical physics IF:3.2Q1 DOI:10.1002/mp.13147 PMID:30136285	研究论文	提出一种结合形状表示模型与全卷积神经网络的全自动头颈癌放疗多器官分割方法	将形状表示模型（SRM）作为先验约束引入全卷积神经网络（FCNN）训练中，以改善解剖变异和低软组织对比度下的分割性能	未明确提及局限性，但可能受限于训练数据量（仅22例）和特定器官的分割精度（如视交叉DSC较低）	实现头颈癌放疗中危及器官的全自动、准确且快速的分割	头颈CT图像中的九个危及器官（脑干、视交叉、下颌骨、视神经、腮腺、颌下腺）	医学图像分析、深度学习	头颈癌	CT成像	全卷积神经网络（FCNN）	CT图像	22例训练，10例验证（来自PDDCA数据库）	NA	全卷积神经网络，形状表示模型	Dice相似系数（DSC）、阳性预测值（PPV）、敏感性（SEN）、平均表面距离（ASD）、95%最大表面距离（95%SD）	NA
6	2026-08-18	Automated mammographic breast density estimation using a fully convolutional network 2018-Mar, Medical physics IF:3.2Q1 DOI:10.1002/mp.12763 PMID:29363774	研究论文	本研究利用全卷积网络自动分割乳腺和致密纤维腺体区域，以估计乳腺密度百分比，并与放射科医生的BI-RADS密度评估进行比较	提出了一种基于全卷积网络的完全自动化乳腺密度估计算法，用于同时分割乳腺和致密纤维腺体区域，并显示出比现有先进算法更好的性能	未明确提及限制，但可能包括数据集规模有限（604名女性）以及需要依赖放射科医生的BI-RADS评估作为部分地面真值	开发一种全自动的乳腺密度估计算法，并验证其与放射科医生BI-RADS密度评估的相关性和分类能力	604名女性的全视野数字筛查乳腺X光图像，包括1208个内外斜位（MLO）和1208个头尾位（CC）视图	计算机视觉	乳腺疾病	NA	全卷积网络	图像	604名女性，1208个MLO视图和1208个CC视图，其中455个用于训练，58个用于测试，91个用于验证	NA	全卷积网络	Pearson相关系数，p值	NA
7	2026-08-18	A deep learning method for classifying mammographic breast density categories 2018-Jan, Medical physics IF:3.2Q1 DOI:10.1002/mp.12683 PMID:29159811	研究论文	本研究开发了一种基于深度学习的乳腺X线摄影密度分类器，以区分两个难以区分的BI-RADS类别，并评估其性能	使用大型数字乳腺X线摄影数据集（22,000张图像）从头训练CNN模型，并比较了从零训练和迁移学习的性能，达到了高AUC值	未明确提及局限性，但数据来自单一机构，且依赖放射科医生的主观评估作为金标准	开发一种深度学习模型，以一致地区分乳腺密度类别中的“散在密度”和“不均匀致密”两类，辅助放射科医生在临床工作流程中的评估	乳腺X线摄影图像中的乳腺密度分类	计算机视觉	乳腺癌	数字乳腺X线摄影	卷积神经网络（CNN）	图像	22,000张图像，来自1,427名女性	NA	CNN	AUC, ROC曲线	NA
8	2026-08-17	Autosegmentation for thoracic radiation treatment planning: A grand challenge at AAPM 2017 2018-Oct, Medical physics IF:3.2Q1 DOI:10.1002/mp.13141 PMID:30144101	研究论文	本文介绍2017年AAPM年会举办的胸部自动分割挑战赛的方法和结果，评估胸部CT图像中危及器官自动分割算法的性能	提供了一个公开的基准数据集和平台，用于评估胸部CT中OAR自动分割方法，并比较深度学习方法与传统方法的表现	未明确说明，但挑战赛数据仅来自三个机构，且食管分割难度大，可能影响泛化性	评估和比较不同自动分割算法在胸部CT图像中分割危及器官（左肺、右肺、心脏、食管、脊髓）的性能	胸部CT扫描图像中的危及器官（左肺、右肺、心脏、食管、脊髓）	计算机视觉、数字病理	胸部肿瘤（如肺癌）	CT成像、深度学习、多图谱分割	深度学习模型（如CNN）、多图谱方法	图像（CT扫描）	60例胸部CT扫描（36训练、12离线测试、12在线测试）	未明确说明	未明确说明，但深度学习算法可能包含CNN架构	Dice系数、Hausdorff距离、平均表面距离	未明确说明
9	2026-08-17	Development of deep neural network for individualized hepatobiliary toxicity prediction after liver SBRT 2018-Oct, Medical physics IF:3.2Q1 DOI:10.1002/mp.13122 PMID:30098025	研究论文	开发深度神经网络模型来预测肝脏立体定向体部放疗后的个体化肝胆毒性风险	提出超越传统剂量体积直方图指标的预测范式，利用深度学习从3D剂量计划中提取毒性相关模式，并结合临床数值特征进行综合预测，同时通过显著性图自动识别关键保护的解剖区域	基于单一机构的数据集，样本量有限（125例），需要外部验证	提高肝脏SBRT后肝胆毒性的预测准确性，减少假阳性预测并自动识别需要保护的解剖区域	肝脏SBRT患者的3D剂量计划、CT图像和临床数值特征	医学影像分析、深度学习	肝肿瘤（包括肝转移癌、肝细胞癌、胆管癌）	放射治疗、CT成像	卷积神经网络（CNN）、全连接神经网络（FCN）、迁移学习	3D剂量计划图像、CT图像、临床数值数据	125例肝脏SBRT患者，以及2644个人体器官的CT图像用于预训练	NA	CNN、全连接神经网络	AUC、假阳性率、假阴性率、风险评分	NA
10	2026-08-10	Quantitative imaging of cancer in the postgenomic era: Radio(geno)mics, deep learning, and habitats 2018-12-15, Cancer IF:6.1Q1 DOI:10.1002/cncr.31630 PMID:30383900	综述	本文探讨了后基因组时代癌症的定量影像分析，包括放射(基因)组学、深度学习和肿瘤栖息地，旨在利用影像特征量化肿瘤异质性，为精准肿瘤学提供决策支持。	提出了将放射组学与深度学习及肿瘤栖息地分析相结合，用于无创量化肿瘤内异质性，超越了传统单一影像特征提取方法。	未提及具体技术限制或临床转化障碍，可能需要更多验证研究。	阐述放射组学及其扩展（深度学习和栖息地分析）在癌症精准医学中的应用前景和潜力。	癌症患者的影像数据及其反映的肿瘤异质性。	医学影像分析	癌症	放射组学、深度学习、影像分析	卷积神经网络	医学影像	不适用	不适用	卷积神经网络	不适用	不适用
11	2026-08-10	Fast and accurate view classification of echocardiograms using deep learning 2018, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-017-0013-1 PMID:30828647	研究论文	本文开发了一种基于深度学习的心动超声图像视图分类方法，实现了对15种标准视图的快速准确识别	首次将卷积神经网络应用于心动超声多视图分类，在15种视图间达到97.8%的准确率，且性能优于专家医师	研究样本量有限（267例超声心动图），且模型仅在单中心数据上训练和验证	验证深度学习是否能够学会识别心动超声标准视图，为后续计算机辅助超声心动图解读奠定基础	267例经胸超声心动图采集的标注图像和视频，涵盖15种标准视图	计算机视觉, 医疗图像分析	心血管疾病	NA	卷积神经网络	图像（超声图像）和视频	267例超声心动图	NA	卷积神经网络	准确率	NA
12	2026-05-24	Deep learning in the cross-time frequency domain for sleep staging from a single-lead electrocardiogram 2018-12-21, Physiological measurement IF:2.3Q3 DOI:10.1088/1361-6579/aaf339 PMID:30524025	研究论文	该研究利用单导联心电图中的拍检测、时频域心肺耦合和深度卷积神经网络进行睡眠阶段分类	提出基于ECG的睡眠阶段分类方法，在非脑电图数据上达到最高报告结果，使用数据集比以往研究大十倍以上，系统无需人工标注可扩展至大规模分析	NA	从单导联心电图自动分类睡眠阶段	睡眠阶段（清醒、快速眼动睡眠、非快速眼动浅睡眠、非快速眼动深睡眠）	机器学习	睡眠障碍	心电图分析、心肺耦合分析	卷积神经网络	心电图信号	使用MIT-BIH多导睡眠图数据库、PhysioNet/CinC2018数据库和睡眠心脏健康研究数据库	NA	NA	NA	NA
13	2026-05-24	Gumpy: a Python toolbox suitable for hybrid brain-computer interfaces 2018-12, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/aae186 PMID:30215610	研究论文	介绍一个新的免费开源Python工具箱Gumpy，专为混合脑机接口设计	提供从经典机器学习到深度神经网络模型的广泛分类方法，并支持混合脑机接口的实时应用	NA	提供一个集成先进算法和信号处理方法的开源工具箱，用于混合脑机接口研究	脑电和肌电生物信号	机器学习	NA	脑电图(EEG), 肌电图(EMG), sEMG, SSVEP	深度学习模型	生物信号(EEG和EMG)	NA	Python	NA	准确率	NA
14	2026-05-24	Comparison of logistic regression, support vector machines, and deep learning classifiers for predicting memory encoding success using human intracranial EEG recordings 2018-12, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/aae131 PMID:30211695	研究论文	比较逻辑回归、支持向量机和深度学习分类器在利用人类颅内脑电图记录预测记忆编码成功中的性能	首次直接比较传统与深度学习方法在预测成功记忆编码中的二元分类性能	基于30名立体脑电图患者的数据集，样本量较小，可能限制泛化能力	评估不同机器学习策略在预测情景记忆编码成功中的性能，并探索特征降维的影响	记忆编码成功与否的二元分类任务	机器学习	NA	颅内脑电图	逻辑回归, 支持向量机, 深度学习	脑电信号	30名立体脑电图患者	NA	逻辑回归, 支持向量机, 深度学习	AUC	NA
15	2026-05-24	Deep compressive autoencoder for action potential compression in large-scale neural recording 2018-12, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/aae18d PMID:30215605	研究论文	开发一种基于深度学习的压缩模型，用于大规模神经记录中动作电位的带宽减少	首次将深度压缩自编码器与矢量量化结合应用于动作电位压缩，通过离散潜在嵌入和残差转换实现高压缩比和高质量重建	未明确说明局限性	设计低带宽、高保真的神经信号压缩方法，以支持大规模神经接口的数据传输	动作电位信号（包括合成数据集和体内数据集）	机器学习	NA	神经记录	深度压缩自编码器（CAE）	神经信号（动作电位波形）	合成数据集和体内数据集（未提供具体样本数量）	PyTorch（基于代码开源仓库推测）	残差变换编码器、解卷积解码器、矢量量化嵌入层	压缩比、重建精度、尖峰分类准确率	NA
16	2026-05-24	Multiclass classification of obstructive sleep apnea/hypopnea based on a convolutional neural network from a single-lead electrocardiogram 2018-06-20, Physiological measurement IF:2.3Q3 DOI:10.1088/1361-6579/aac7b7 PMID:29794342	研究论文	提出基于卷积神经网络的深度学习架构，利用单导联心电图记录对阻塞性睡眠呼吸暂停/低通气进行多分类	首次利用六层CNN模型对正常、低通气和呼吸暂停三类事件进行自动分类，并基于单导联ECG实现高精度筛查	样本量较小（仅86名受试者），且未经外部验证集验证	实现阻塞性睡眠呼吸暂停/低通气的早期自动检测和多类分类	阻塞性睡眠呼吸暂停/低通气患者（86名受试者，约6小时ECG记录，分段为10秒片段）	机器学习	阻塞性睡眠呼吸暂停/低通气	单导联心电图记录	卷积神经网络（CNN）	心电图信号	86名受试者（训练集69人，测试集17人），共56,370个10秒时段	NA	六层CNN	加权F1分数	NA
17	2026-05-24	Decoding of finger trajectory from ECoG using deep learning 2018-06, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/aa9dbe PMID:29182152	研究论文	使用深度学习从ECoG信号解码手指运动轨迹	将特征提取和时序建模整合到一个联合优化的深度学习网络中，无需分阶段训练，支持在线学习	NA	开发一种自适应、在线学习的脑机接口解码系统，提高解码性能	ECoG信号中的手指运动轨迹解码	机器学习	NA	ECoG	CNN-LSTM	信号	NA	NA	CNN, LSTM	NA	NA
18	2026-05-24	Deep learning for hybrid EEG-fNIRS brain-computer interface: application to motor imagery classification 2018-06, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/aaaf82 PMID:29446352	研究论文	本文研究了使用深度学习方法对混合EEG-fNIRS脑机接口数据进行运动想象分类	首次将深度神经网络（DNN）应用于EEG与fNIRS多模态记录的结合，显著提高了脑机接口分类性能	未提及具体限制	评估深度学习方法在混合EEG-fNIRS脑机接口中用于运动想象分类的性能	15名受试者进行的左右手运动想象任务	机器学习	NA	EEG, fNIRS	深度神经网络（DNN）	脑电和血氧信号	15名受试者，每人10分钟实验，1秒响应时间	NA	NA	分类准确率	NA
19	2026-05-24	A review of classification algorithms for EEG-based brain-computer interfaces: a 10 year update 2018-06, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/aab2f2 PMID:29488902	综述	对基于脑电图的脑机接口分类算法的十年回顾，更新了2007年以来的研究进展	总结了2007至2017年间新开发的分类算法，将其分为四类，并评估了各算法的优势和劣势	深度学习方法尚未在脑机接口中展现优于现有技术的改进，迁移学习的可变性较大	提供脑机接口中EEG分类算法的全面回顾，并指导何时及如何使用这些方法	基于EEG的脑机接口分类算法	机器学习	NA	EEG	自适应分类器、矩阵和张量分类器、迁移学习、深度学习	EEG信号	NA	NA	Riemannian几何方法、收缩线性判别分析、随机森林	NA	NA
20	2026-05-24	A deep learning approach for fetal QRS complex detection 2018-04-20, Physiological measurement IF:2.3Q3 DOI:10.1088/1361-6579/aab297 PMID:29485406	研究论文	提出一种基于深度学习的胎儿QRS复合波检测方法，利用卷积神经网络从原始非侵入性胎儿心电图信号中直接检测胎儿QRS复合波	无需消除母体心电图信号即可从单通道原始信号中实现可靠的胎儿QRS复合波检测	NA	探究是否能在不消除母体心电图信号的情况下，从单通道非侵入性胎儿心电图信号特征中获得可靠的胎儿QRS复合波检测性能	胎儿心电图中的QRS复合波	机器学习	胎儿疾病	非侵入性胎儿心电图	卷积神经网络	心电图信号	从PhysioNet/计算心脏病学挑战赛数据库的set-a中收集数据	NA	CNN	精确率, 召回率, F值, 准确率	NA