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	2026-04-11	DeepLSR: a deep learning approach for laser speckle reduction 2019-Jun-01, Biomedical optics express IF:2.9Q2 DOI:10.1364/BOE.10.002869 PMID:31259057	研究论文	提出了一种名为DeepLSR的对抗性深度学习框架，用于减少激光散斑噪声，将相干照明图像转换为无散斑的非相干照明图像	采用对抗性深度学习框架进行激光散斑减少，相比传统方法（如优化非局部均值处理、BM3D和光学散斑减少器）能显著降低噪声（6.4 dB），并可结合光学方法进一步减少至9.4 dB	未明确提及具体局限性，如泛化能力、计算成本或对不同成像模态的适应性	减少激光散斑噪声，提高相干光源成像质量，以支持医疗内窥镜等需要小型照明源和高品质成像的应用	使用多波长激光照明的物体和组织宽场图像，以LED照明图像作为真实参考	计算机视觉	NA	激光照明成像，宽场成像	GAN	图像	未明确提及具体样本数量，但涉及胃肠道组织图像	未明确指定，但基于对抗性深度学习框架	未明确指定具体架构，但为对抗性框架	散斑噪声减少（dB）	NA
2	2026-04-03	Deep learning enables automated volumetric assessments of cardiac function in zebrafish 2019-10-25, Disease models & mechanisms IF:4.0Q1 DOI:10.1242/dmm.040188 PMID:31548281	研究论文	本文开发了一个基于深度学习的图像分析平台，用于自动从斑马鱼胚胎心脏的动态光片荧光显微镜图像中提取心脏功能的体积参数	开发了名为心脏功能成像网络的深度学习平台，首次实现了对斑马鱼胚胎心脏功能的自动化体积评估，相比现有方法具有更高的敏感性和准确性	NA	开发自动化工具以精确评估斑马鱼胚胎模型中的心脏功能	斑马鱼胚胎心脏	计算机视觉	心血管疾病	动态光片荧光显微镜	深度学习	图像	NA	NA	NA	敏感性, 准确性	NA
3	2026-04-01	Deep learning and manual assessment show that the absolute mitotic count does not contain prognostic information in triple negative breast cancer 2019-Aug, Cellular oncology (Dordrecht, Netherlands) DOI:10.1007/s13402-019-00445-z PMID:30989469	研究论文	本研究通过深度学习和手动评估，探讨了绝对有丝分裂计数在三阴性乳腺癌中的预后价值	首次结合深度学习和手动方法，系统评估绝对有丝分裂计数在三阴性乳腺癌中的预后意义，并尝试所有可能的分界值	研究为回顾性设计，样本量相对有限（n=298），且仅基于单一队列，可能影响结果的普适性	评估绝对有丝分裂计数是否可作为三阴性乳腺癌的预后因素	三阴性乳腺癌患者	数字病理学	乳腺癌	H&E染色切片数字化	CNN	图像	298例三阴性乳腺癌患者	NA	卷积神经网络	c-statistic	NA
4	2026-04-01	Computer aided quantification of intratumoral stroma yields an independent prognosticator in rectal cancer 2019-Jun, Cellular oncology (Dordrecht, Netherlands) DOI:10.1007/s13402-019-00429-z PMID:30825182	研究论文	本研究开发了一种基于深度学习的半自动方法，用于量化直肠癌全切片图像中的肿瘤内间质比例，并验证了其作为独立预后因素的价值	首次在直肠癌中应用基于深度学习的自动化肿瘤-间质比例分析，相比传统视觉评估，自动化方法在多元分析中显示出独立的预后预测能力	研究样本量相对较小（129例），且依赖于专家提供的间质热点区域，可能引入选择偏差	评估计算机辅助量化肿瘤内间质在直肠癌预后预测中的潜力	129例直肠腺癌患者的组织学切片	数字病理学	直肠癌	深度学习	深度学习模型	全切片图像	129例直肠腺癌患者	未明确指定	未明确指定	风险比, 疾病特异性生存期, 无病生存期	NA
5	2026-03-29	Data-efficient deep learning of radiological image data for outcome prediction after endovascular treatment of patients with acute ischemic stroke 2019-12, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2019.103516 PMID:31707199	研究论文	本研究利用深度学习技术，基于CT血管造影图像直接预测急性缺血性卒中患者血管内治疗后的良好再灌注和功能结局，无需图像标注	首次将深度学习直接应用于卒中结局预测，而非复制传统影像生物标志物，并引入了结构化感受野和自编码器进行网络权重初始化	研究基于单一注册数据集（MR CLEAN Registry），样本量有限（1301名患者），且未在外部数据集上进行验证	开发数据高效的深度学习模型，以改善急性缺血性卒中患者血管内治疗后的结局预测和治疗选择	急性缺血性卒中患者	医学影像分析	急性缺血性卒中	CT血管造影	CNN	图像	1301名患者	NA	ResNet, RFNN, AE	AUC	NA
6	2026-03-29	Deep Learning Convolutional Neural Networks for the Automatic Quantification of Muscle Fat Infiltration Following Whiplash Injury 2019-05-28, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-019-44416-8 PMID:31138878	研究论文	本研究利用深度学习卷积神经网络自动量化挥鞭伤后肌肉脂肪浸润，并探索其与疼痛和残疾临床指标的关系	首次应用CNN模型自动分割肌肉并计算MFI，提高了效率和客观性，替代了耗时且依赖评分者的手动技术	样本量较小（仅39名参与者），且MFI与残疾的相关性未达到统计学显著性（p=0.105）	开发自动量化肌肉脂肪浸润的方法，以监测颈椎疾病及其他疾病的肌肉特性	挥鞭伤后3个月的39名参与者（26名女性，平均年龄31.7±9.3岁）	计算机视觉	颈椎疾病	高分辨率脂肪-水成像	CNN	图像	39名参与者	NA	NA	可靠性, 准确性, 相关系数, p值	NA
7	2026-03-15	The METLIN small molecule dataset for machine learning-based retention time prediction 2019-12-20, Nature communications IF:14.7Q1 DOI:10.1038/s41467-019-13680-7 PMID:31862874	研究论文	本文介绍了METLIN小分子保留时间数据集，并利用深度学习模型进行保留时间预测以辅助小分子注释	提供了迄今为止最大的实验性反相色谱保留时间数据集，包含高达80,038个小分子，显著提升了机器学习模型在保留时间预测中的准确性	未明确提及模型的具体泛化能力或在不同色谱条件下的适用性限制	通过提供大规模实验数据集，改进小分子分析中保留时间预测的准确性，以支持小分子注释	小分子化合物及其在反相色谱中的保留时间	机器学习	NA	反相色谱，质谱分析	深度学习模型	化学结构数据，保留时间数据	80,038个小分子	NA	NA	排名准确性（前3候选中的正确率）	NA
8	2026-03-15	deepDR: a network-based deep learning approach to in silico drug repositioning 2019-12-15, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btz418 PMID:31116390	研究论文	本研究提出了一种基于网络的深度学习方法deepDR，用于计算机药物重定位，通过整合多种异构网络数据预测药物与疾病的新关联	采用多模态深度自编码器从异构网络中学习药物的高层次特征，并结合变分自编码器推断已批准药物的新适应症，有效捕获了高度非线性的网络结构	未明确提及，但可能依赖于现有网络数据的完整性和准确性	开发一种高效的计算机药物重定位方法，以加速有效治疗方案的发现	已批准药物及其与疾病、副作用、靶标等的关联网络	机器学习	阿尔茨海默病, 帕金森病	网络整合分析	自编码器, 变分自编码器	网络数据	整合了10个网络（包括药物-疾病、药物-副作用、药物-靶标及7个药物-药物网络）	NA	多模态深度自编码器, 变分自编码器	AUROC	NA
9	2026-03-15	Recent developments in deep learning applied to protein structure prediction 2019-12, Proteins IF:3.2Q2 DOI:10.1002/prot.25824 PMID:31589782	综述	本文简要介绍了深度神经网络在蛋白质结构预测中的应用进展，并探讨了其成功的原因及潜在问题	深度神经网络在CASP12和CASP13实验中取得了显著影响，尤其是在同源序列较少的情况下仍能产生准确预测	讨论了深度神经网络模型的潜在陷阱，但未具体说明	探讨深度神经网络在结构生物信息学问题中的应用原理和效果	蛋白质结构预测，特别是接触预测任务	结构生物信息学	NA	深度神经网络	深度神经网络	蛋白质序列数据	NA	NA	NA	NA	NA
10	2026-03-15	Use of deep learning to detect personalized spatial-frequency abnormalities in EEGs of children with ADHD 2019-11-19, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/ab3a0a PMID:31398717	研究论文	本研究利用深度学习技术检测儿童ADHD患者脑电图中的个性化空间频率异常	提出了一种新的多通道脑电图数据表示形式，兼容主流CNN架构，并通过可视化技术使模型决策过程可解释	样本量相对较小（107名参与者），且未提及外部验证或跨数据集泛化能力	开发一种基于深度学习的个性化脑电图异常检测方法，以辅助ADHD的诊断和治疗规划	50名ADHD儿童和57名年龄与利手匹配的对照组儿童	机器学习	注意力缺陷多动障碍	脑电图	CNN	脑电图功率谱密度	107名儿童（50名ADHD患者，57名对照组）	NA	CNN	准确率	NA
11	2026-03-15	Artificial Intelligence for Mammography and Digital Breast Tomosynthesis: Current Concepts and Future Perspectives 2019-11, Radiology IF:12.1Q1 DOI:10.1148/radiol.2019182627 PMID:31549948	综述	本文综述了人工智能在乳腺X线摄影和数字乳腺断层合成中的当前概念与未来展望	探讨了深度学习在乳腺影像中的应用潜力，尤其是在癌症检测和风险预测方面接近放射科医生水平，并展望了其在数字乳腺断层合成中的合成图像生成等未来方向	临床验证尚不充分，深度学习在优化实践中的应用方式尚不明确，且数字乳腺断层合成领域需要更大数据库以支持模型进一步发展	综述人工智能在乳腺影像学中的应用现状、技术挑战及未来发展趋势	乳腺X线摄影和数字乳腺断层合成影像	计算机视觉	乳腺癌	NA	卷积神经网络	图像	NA	NA	NA	NA	NA
12	2026-03-15	A novel hybrid deep learning scheme for four-class motor imagery classification 2019-10-16, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/ab3471 PMID:31341093	研究论文	本文提出了一种新颖的混合深度学习方案，用于四类运动想象脑电信号的分类	提出了一种结合CNN和LSTM的混合深度网络，能够同时提取和学习MI信号的空间与时间特征，并构建了一个独立于受试者的共享神经网络模型	NA	提高四类运动想象脑电信号的分类准确率	运动想象脑电信号	脑机接口	NA	脑电图	CNN, LSTM	脑电信号	使用BCI竞赛IV数据集2a	NA	CNN, LSTM	准确率, Cohen's kappa值	NA
13	2026-03-15	A deep learning approach for real-time detection of sleep spindles 2019-06, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/ab0933 PMID:30790769	研究论文	本文提出了一种基于深度学习的实时睡眠纺锤波检测方法SpindleNet，用于单通道EEG信号分析	SpindleNet是一种新颖的深度学习策略，专为在线应用设计，相比现有方法具有更高的检测精度和速度，并能在低采样频率和低信噪比条件下保持优异性能	NA	开发一种适用于实时应用的睡眠纺锤波自动检测方法	睡眠纺锤波	机器学习	NA	EEG信号分析	深度学习	EEG信号	两个公开的专家验证EEG睡眠纺锤波数据集，涵盖不同年龄和物种的受试群体	NA	SpindleNet	检测精度, 检测延迟	NA
14	2026-03-15	Regression convolutional neural network for improved simultaneous EMG control 2019-06, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/ab0e2e PMID:30849774	研究论文	本文提出了一种基于回归卷积神经网络的肌电控制方案，用于改进同时手腕运动的控制性能	首次验证了回归CNN模型在在线Fitts定律测试中的可用性，并展示了其在同时控制多个自由度任务中的优势	NA	开发一种无需特征工程的深度学习模型，以替代传统的基于特征提取的回归模型，用于肌电信号控制	肌电信号，特别是手腕运动的肌电信号	机器学习	NA	肌电图	CNN	肌电信号	NA	NA	回归卷积神经网络	吞吐量，回归准确率	NA
15	2026-03-15	Deep-learning for seizure forecasting in canines with epilepsy 2019-06, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/ab172d PMID:30959492	研究论文	本文介绍了一种基于深度学习的卷积神经网络系统，用于预测犬类癫痫发作，该系统在手持设备上实现，并通过伪前瞻性模式在四只自然发生癫痫的犬类上进行了测试	开发了一种全自动、个体化的深度学习CNN系统，用于癫痫发作预测，并在手持设备上部署，实现了实时分析流式颅内脑电图数据，性能优于传统机器学习方法	研究仅基于四只犬类的数据，样本量较小，且未在人类患者中进行验证	开发并评估一种基于深度学习的癫痫发作预测系统，以提高预测准确性和实时性	四只自然发生癫痫的犬类	机器学习	癫痫	颅内脑电图	CNN	脑电图信号	75次癫痫发作，收集自四只犬类，历时1608天	NA	卷积神经网络	敏感性, 警告时间百分比	手持平板电脑（Mayo癫痫辅助设备）
16	2026-03-15	Inter-subject transfer learning with an end-to-end deep convolutional neural network for EEG-based BCI 2019-04, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/aaf3f6 PMID:30524056	研究论文	本文提出了一种基于深度卷积神经网络的端到端框架，用于从单通道原始脑电图数据中检测注意力状态，并探索了跨被试迁移学习的应用	首次在认知脑机接口中成功应用端到端深度卷积神经网络进行跨被试分类，并利用原始脑电图数据最小化预处理需求	未明确说明模型在更广泛人群或不同脑电图设备上的泛化能力，且跨被试分类的准确性仍有提升空间	提高基于脑电图的脑机接口系统中注意力检测的准确性和实用性	单通道原始脑电图数据中的注意力状态	脑机接口	NA	脑电图	CNN	时间序列数据	120名被试	NA	深度卷积神经网络	分类准确率	NA
17	2026-03-15	Feasibility of Multimodal MRI-Based Deep Learning Prediction of High Amino Acid Uptake Regions and Survival in Patients With Glioblastoma 2019, Frontiers in neurology IF:2.7Q3 DOI:10.3389/fneur.2019.01305 PMID:31920928	研究论文	本研究探索了一种基于多模态MRI的端到端深度学习框架（U-Net）的可行性，用于预测胶质母细胞瘤患者的高氨基酸摄取区域和生存期	首次使用U-Net深度学习框架，通过临床多模态MRI序列预测胶质母细胞瘤的高氨基酸摄取区域（代谢肿瘤体积），并评估其与无进展生存期的关联	样本量较小（21名患者），在随机选择的受试者中重复验证时，敏感性和阳性预测值仅为中等水平	探索深度学习在利用多模态MRI预测胶质母细胞瘤代谢肿瘤体积和患者生存期方面的可行性	新诊断的胶质母细胞瘤患者	数字病理学	胶质母细胞瘤	多模态MRI（T2, FLAIR, 表观扩散系数图, 对比增强T1）和AMT-PET成像	CNN	图像	21名新诊断的胶质母细胞瘤患者	NA	U-Net	敏感性, 特异性, 阳性预测值, 阴性预测值	NA
18	2026-03-13	Deciphering epigenomic code for cell differentiation using deep learning 2019-Sep-12, BMC genomics IF:3.5Q2 DOI:10.1186/s12864-019-6072-8 PMID:31510916	研究论文	本文利用深度卷积神经网络（CNN）模型，通过分析人类CD4+ T细胞类型和组蛋白标记，揭示了细胞分化过程中不同细胞类型独特表观基因组形成的序列决定因素	首次采用针对不同细胞类型和组蛋白标记的深度CNN模型，通过比较分析学习到的序列基序，揭示了细胞分化中表观基因组形成的序列决定因素及其与转录因子相互作用的机制	研究仅针对人类CD4+ T细胞类型和六种组蛋白标记，未扩展到其他细胞类型或更广泛的表观遗传标记	探究细胞分化过程中不同细胞类型独特表观基因组形成的DNA序列决定因素	人类CD4+ T细胞类型及其组蛋白修饰模式	机器学习	NA	组蛋白标记测量	CNN	序列数据	四种人类CD4+ T细胞类型，每种细胞类型测量六种组蛋白标记	NA	深度卷积神经网络	NA	NA
19	2026-03-13	Cytokit: a single-cell analysis toolkit for high dimensional fluorescent microscopy imaging 2019-Sep-02, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-019-3055-3 PMID:31477013	研究论文	本文介绍并验证了Cytokit，一个用于处理高维荧光显微镜成像数据的端到端GPU加速单细胞分析工具包	开发了首个集成了GPU加速图像处理、高效I/O策略和交互式用户界面的工具包，专门针对大规模多路免疫荧光成像数据	工具主要面向生物信息学家或技术用户，在批处理和高通量设置中使用，可能对非技术用户不够友好	提供和验证用于处理高维荧光显微镜成像数据的软件，以促进疾病进展和诊断的理解	单细胞分析，特别是基于多路原位荧光成像的空间、形态和表达特性	数字病理学	NA	多路免疫荧光成像	深度学习模型	图像	涉及多个成像实验，使用公开可用的多路图像数据集进行验证	NA	NA	通过与独立但可比较的检测方法配对结果进行验证，并复现已发表结果	GPU加速环境，支持单GPU或多GPU配置
20	2026-03-10	Segmentation of Glomeruli Within Trichrome Images Using Deep Learning 2019-Jul, Kidney international reports IF:5.7Q1 DOI:10.1016/j.ekir.2019.04.008 PMID:31317118	研究论文	本文开发了一个深度学习框架，用于从人类肾脏活检的数字图像中准确识别和分割肾小球	利用卷积神经网络（CNN）自动分割三色染色图像中的肾小球，特别是全局硬化（GS）肾小球，提高了评估效率和标准化程度	样本量相对较小（275张图像），仅基于单一医疗中心的数据，可能限制模型的泛化能力	开发一个深度学习框架，以自动化、标准化地评估肾脏活检图像中的肾小球数量和肾小球硬化	人类慢性肾脏病患者的肾脏活检三色染色图像	数字病理学	慢性肾脏病	三色染色	CNN	图像	275张三色染色图像，来自171名患者，包含751张非肾小球区域图像、611张正常或部分硬化肾小球图像和134张全局硬化肾小球图像	NA	NA	准确率, Kappa系数, 马修斯相关系数	NA