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	2026-05-31	Fast fit-free analysis of fluorescence lifetime imaging via deep learning 2019-11-26, Proceedings of the National Academy of Sciences of the United States of America IF:9.4Q1 DOI:10.1073/pnas.1912707116 PMID:31719196	研究论文	提出了一种基于深度学习的免拟合方法进行荧光寿命成像分析	首次实现了无需复杂数据拟合的荧光寿命成像分析，通过深度学习网络FLI-Net同时量化整个图像的荧光衰减，速度快且无需参数设置	文中未明确提及局限性	实现快速、免拟合的荧光寿命成像分析，以提升该技术在生物医学应用中的可重复性和速度	荧光寿命成像数据，包括可见光和近红外荧光寿命显微成像及近红外门控宏观荧光寿命成像	机器学习, 数字病理学	NA	荧光寿命成像	深度神经网络	图像	NA	NA	FLI-Net	准确度	NA
2	2026-05-29	Intelligent Labeling Based on Fisher Information for Medical Image Segmentation Using Deep Learning 2019-11, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2019.2907805 PMID:30932833	研究论文	提出一种基于Fisher信息量的主动学习方法，用于深度学习医学图像分割中的智能标注，以降低标注成本并提高模型性能	首次将基于Fisher信息量的主动学习方法用于卷积神经网络，通过高效反向传播计算梯度和低维近似方法，实现了对大规模参数CNN的Fisher信息量计算	仅针对脑提取任务进行验证，且目标数据集与源数据集在年龄组或病理类型上存在差异，未评估其他医学图像分割任务或更广泛的数据集	开发一种高效的主动学习方法，通过标注少量最有信息量的数据样本来提升CNN医学图像分割模型的性能	医学图像分割任务中的脑提取，涉及不同年龄组（如新生儿）和病理类型的数据集	数字病理学	NA	NA	CNN	图像	目标数据集的极小部分（低于0.25%）作为标注样本	NA	补丁式分割CNN	模型性能（未具体列出度量指标，如准确率、Dice系数等）	NA
3	2026-04-30	Attention-Based Deep Neural Networks for Detection of Cancerous and Precancerous Esophagus Tissue on Histopathological Slides 2019-11-01, JAMA network open IF:10.5Q1 DOI:10.1001/jamanetworkopen.2019.14645 PMID:31693124	研究论文	提出一种基于注意力机制的深度神经网络，利用组织级标注对食管癌及癌前病变的组织病理切片进行检测	首次使用组织级标注代替区域级标注，结合卷积神经网络与网格注意力网络，减少人工标注工作量	模型性能在统计上不显著优于滑动窗口方法，且BE伴异型增生类别的F1分数较低	评估基于注意力机制的深度学习方法在Barrett食管和食管腺癌检测中的效果	食管组织病理切片中的4类组织：正常、无异型增生BE、伴异型增生BE、腺癌	数字病理学	食管腺癌, Barrett食管	组织病理学成像	卷积神经网络, 注意力网络	图像	训练集379张组织病理图像，独立测试集123张图像	NA	卷积神经网络, 网格注意力网络	准确率, 召回率, 精确率, F1分数	NA
4	2026-04-23	Exploring semantic deep learning for building reliable and reusable one health knowledge from PubMed systematic reviews and veterinary clinical notes 2019-11-12, Journal of biomedical semantics IF:1.6Q3 DOI:10.1186/s13326-019-0212-6 PMID:31711540	研究论文	本研究探索了一种结合语义网技术和深度学习的语义深度学习方法，用于从PubMed系统综述和兽医临床笔记中提取可靠且可重用的“同一健康”知识	提出了一种将语义网技术与深度学习相结合的新方法，用于从非结构化自由文本中获取和验证临床知识，并开发了针对缩写和首字母缩略词的自定义映射方法	该方法依赖于外部知识库（如UMLS和BMJ Best Practice）进行映射和验证，可能受限于这些资源的覆盖范围和更新频率	探索如何将关于人类和动物健康的自由文本信息转化为可计算的知识，以支持“同一健康”知识的构建	从PubMed系统综述文章（PMSB数据集，30万篇）和兽医临床笔记（VetCN数据集，250万条）中提取的11种已知医学状况相关的临床概念	自然语言处理	NA	语义深度学习，语义网技术，MetaMap映射	深度学习	文本	PMSB数据集包含约30万篇系统综述文章，VetCN数据集包含约250万条兽医临床笔记	NA	NA	F值，精确率，召回率	NA
5	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
6	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
7	2026-02-08	A dual-stream deep convolutional network for reducing metal streak artifacts in CT images 2019-11-26, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab4e3e PMID:31618724	研究论文	本文通过训练一个双流深度卷积神经网络来减少CT图像中的金属条纹伪影，特别关注质子治疗规划中的图像质量提升	提出了一种结合残差学习和注意力机制的双流深度网络结构，在现有NMAR算法基础上进行二次校正，以更有效地去除金属伪影	未明确说明网络在极端或复杂金属植入案例中的泛化能力，且不同损失函数的优缺点需进一步临床验证	解决CT图像中金属伪影的长期问题，提高图像质量以支持精准的质子治疗规划	CT图像中的金属植入案例	医学影像处理	NA	CT成像	深度卷积神经网络	图像	NA	NA	双流深度卷积网络	视觉评估, 定量指标	NA
8	2026-02-08	Partial-ring PET image restoration using a deep learning based method 2019-11-21, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab4aa9 PMID:31581143	研究论文	本研究探讨了基于深度学习的部分环PET图像恢复方法，通过残差U-Net架构在投影域或图像域预测全环数据，以改善图像质量	首次将基于残差U-Net的深度学习方法应用于部分环PET图像恢复，并比较了投影域与图像域方法的性能差异	研究基于模拟数据（20个数字脑部幻影），未在真实临床数据上验证，且仅评估了有限数量的探测器块移除情况	恢复部分环PET扫描中因投影数据不完整导致的图像伪影，提高图像质量	数字脑部幻影模拟的PET扫描数据	医学影像处理	NA	蒙特卡洛模拟（SimSET工具包），PET扫描	CNN	图像，投影数据	20个数字脑部幻影	NA	残差U-Net	均方误差（MSE），结构相似性指数（SSIM），恢复系数（RC）	NA
9	2026-02-08	CBCT correction using a cycle-consistent generative adversarial network and unpaired training to enable photon and proton dose calculation 2019-11-15, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab4d8c PMID:31610527	研究论文	本研究探讨了使用循环一致性生成对抗网络（cycleGAN）进行无配对训练的前列腺CBCT校正的可行性，以提高光子及质子剂量计算的准确性	采用无配对训练的cycleGAN进行CBCT校正，不依赖解剖学一致的训练数据或可能不准确的形变图像配准，显著提高了校正速度	对于质子治疗，可能需要进一步的改进以提高剂量计算精度	开发一种高效的CBCT校正方法，以支持图像引导自适应放射治疗中的光子及质子剂量计算	前列腺CBCT图像	数字病理学	前列腺癌	CBCT成像	GAN	图像	33名患者	NA	cycleGAN	HU误差, 剂量差异通过率, 伽马通过率, 质子射程一致性	NA
10	2026-02-08	Whole-body PET estimation from low count statistics using cycle-consistent generative adversarial networks 2019-11-04, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab4891 PMID:31561244	研究论文	本文提出了一种基于循环一致性生成对抗网络的方法，用于从低计数统计的PET数据中估计诊断质量的全身PET图像	引入循环一致性生成对抗网络和残差块，以从低计数PET数据合成高质量图像，并学习逆变换确保一致性	未明确说明模型在临床环境中的泛化能力或对不同患者群体的适用性	解决PET成像中低计数统计问题，以降低辐射剂量或扫描时间同时保持图像质量	全身PET图像数据	医学影像分析	NA	PET成像	GAN	图像	NA	NA	Cycle GAN, 残差块	平均误差, 归一化均方误差, 归一化互相关, 峰值信噪比	NA
11	2026-02-08	Synthetic CT generation from non-attenuation corrected PET images for whole-body PET imaging 2019-11-04, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab4eb7 PMID:31622962	研究论文	提出一种基于深度学习的从非衰减校正PET图像生成合成CT的方法，用于全身PET/MRI成像中的衰减校正	首次利用3D循环一致性生成对抗网络框架从NAC PET图像合成CT，并引入自注意力策略以识别最信息丰富的部分并减少噪声干扰	研究为回顾性研究，样本量有限（119组数据），且未在外部数据集上验证泛化能力	开发一种从非衰减校正PET图像生成合成CT的深度学习方法，以解决PET/MRI中衰减校正的挑战	全身PET/CT图像数据	医学影像分析	NA	PET/MRI成像，深度学习	GAN	图像	119组全身PET/CT数据集（80组训练，39组测试评估）	NA	CycleGAN	平均绝对误差，平均误差，归一化均方误差，归一化互相关，峰值信噪比	NA
12	2026-01-29	Artificial intelligence in clinical and genomic diagnostics 2019-11-19, Genome medicine IF:10.4Q1 DOI:10.1186/s13073-019-0689-8 PMID:31744524	综述	本文综述了人工智能在临床诊断和基因组学中的应用、优势、具体任务以及未来挑战	系统性地总结了AI在临床诊断和基因组学中的适用问题类别，并聚焦于临床基因组学中变异识别、基因组注释、变异分类及表型-基因型关联等新兴方法	讨论了AI在医学应用中面临的挑战、局限性和潜在偏见，特别是在利用人类遗传和基因组数据时需谨慎处理的问题	探讨人工智能在临床诊断和基因组学领域的应用潜力、具体任务及未来发展方向	临床诊断任务和临床基因组学数据处理	机器学习	NA	NA	深度学习	图像, 基因组数据	NA	NA	NA	NA	图形处理器
13	2025-10-07	A Systematic Review of Detecting Sleep Apnea Using Deep Learning 2019-Nov-12, Sensors (Basel, Switzerland) DOI:10.3390/s19224934 PMID:31726771	系统综述	本文对2008-2018年间使用深度学习检测睡眠呼吸暂停的研究进行了系统性回顾分析	首次系统性地综述了深度学习在睡眠呼吸暂停检测中的应用，比较了不同深度网络架构的实现方法、预处理需求和优缺点	仅纳入了2008-2018年间的21篇文献，可能未覆盖最新研究进展	分析深度学习在睡眠呼吸暂停检测中的应用现状，回答不同深度网络的实现方法、预处理需求和网络优缺点等研究问题	睡眠呼吸暂停检测相关研究文献	机器学习	睡眠呼吸暂停	深度学习	深度神经网络	生理信号数据	255篇文献中筛选出21篇符合标准的研究	NA	NA	NA	NA
14	2025-02-21	Interpretable, highly accurate brain decoding of subtly distinct brain states from functional MRI using intrinsic functional networks and long short-term memory recurrent neural networks 2019-11-15, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2019.116059 PMID:31362049	研究论文	本文提出了一种基于深度学习的框架，利用内在功能网络建模和长短期记忆（LSTM）循环神经网络（RNNs）进行脑解码，以区分细微不同的脑状态	结合内在功能网络（FNs）和LSTM RNNs，构建了可解释且高精度的脑解码模型，显著提高了对细微不同工作记忆任务的区分能力	未明确提及具体限制，但可能包括对数据质量和数量的依赖，以及模型在不同任务上的泛化能力	开发一种高精度的脑解码方法，以区分细微不同的脑状态	功能性磁共振成像（fMRI）数据	机器学习	NA	功能性磁共振成像（fMRI），长短期记忆循环神经网络（LSTM RNNs）	LSTM RNNs	fMRI数据	HCP数据集中的fMRI数据	NA	NA	NA	NA
15	2024-12-15	Nano-opto-electro-mechanical switches operated at CMOS-level voltages 2019-11-15, Science (New York, N.Y.) DOI:10.1126/science.aay8645 PMID:31727832	研究论文	本文展示了在微米尺度的混合光子-等离子体结构中，利用光电机械效应在CMOS电压下实现光开关	本文首次展示了在CMOS电压下通过纳米级静电扰动实现快速光开关，并结合了光子和等离子体效应以最小化光学损耗	本文未详细讨论该技术的实际应用场景和大规模集成可能面临的挑战	探索在CMOS电压下实现光开关的技术，为集成光电子学提供新平台	微米尺度的混合光子-等离子体结构	NA	NA	光电机械效应	NA	NA	NA	NA	NA	NA	NA
16	2024-08-31	Facial expression recognition for monitoring neurological disorders based on convolutional neural network 2019-Nov, Multimedia tools and applications IF:3.0Q2 DOI:10.1007/s11042-019-07959-6 PMID:35693322	研究论文	本研究开发了一种基于卷积神经网络的自动化面部表情识别系统，用于监测神经障碍患者	该系统采用了一种新颖的深度学习方法，通过四阶段网络结构，结合整体面部信息和局部特征，提高了面部表情识别的准确性	NA	开发一种低成本、无创的自动化面部表情识别系统，帮助专家检测神经障碍	面部表情识别在神经障碍患者中的应用	计算机视觉	神经障碍	卷积神经网络	CNN	图像	在RaFD数据库上进行了实验，实现了94.44%的准确率	NA	NA	NA	NA
17	2024-08-07	Optimizing clinical trials recruitment via deep learning 2019-11-01, Journal of the American Medical Informatics Association : JAMIA IF:4.7Q1 DOI:10.1093/jamia/ocz064 PMID:31188432	研究论文	本文提出了一种基于深度学习的方法DeepMatch (DM)，用于优化临床试验的招募过程，通过分析调查员和试验相关的异构数据源，对调查员进行排名，以提高招募效率。	DeepMatch方法结合了深度学习技术，能够从多种数据源中学习，提高调查员的排名准确性，从而优化临床试验的执行。	NA	优化临床试验的招募过程，降低新疗法的开发成本。	临床试验的调查员及其招募效率。	机器学习	NA	深度学习	NA	异构数据	2618项研究	NA	NA	NA	NA
18	2024-08-07	Toward a clinical text encoder: pretraining for clinical natural language processing with applications to substance misuse 2019-11-01, Journal of the American Medical Informatics Association : JAMIA IF:4.7Q1 DOI:10.1093/jamia/ocz072 PMID:31233140	研究论文	本文旨在开发用于临床自然语言处理的临床文本编码器，并通过预训练方法在账单代码数据上进行实验，以提高在多种表型任务中的性能	探索了多种神经编码器架构，并通过预训练账单代码数据来解决临床自然语言处理中获取大型数据集的难题	讨论了预训练方法的潜在局限性	开发能够将临床文本编码为可用于多种表型任务的表示的算法	临床文本编码器及其在临床文本分类任务中的应用	自然语言处理	NA	深度学习方法	神经编码器	文本	大量账单代码数据	NA	NA	NA	NA
19	2024-08-07	Cohort selection for clinical trials using deep learning models 2019-11-01, Journal of the American Medical Informatics Association : JAMIA IF:4.7Q1 DOI:10.1093/jamia/ocz139 PMID:31532478	研究论文	本文探讨了使用深度学习模型进行临床试验队列选择的任务，评估了几种深度学习架构的性能	研究了全连接前馈层对不同深度学习架构性能的影响	数据集规模有限，结果没有统计显著性	评估几种深度学习架构在临床试验队列选择任务中的表现	临床试验队列选择	自然语言处理	NA	深度学习	CNN, RNN, CNN-RNN混合架构	文本	数据集规模有限	NA	NA	NA	NA
20	2024-08-07	Predicting HLA class II antigen presentation through integrated deep learning 2019-11, Nature biotechnology IF:33.1Q1 DOI:10.1038/s41587-019-0280-2 PMID:31611695	研究论文	本文介绍了MARIA，一种多模态循环神经网络，用于预测特定HLA II类等位基因背景下感兴趣基因的抗原提呈可能性	MARIA利用多种训练数据和改进的机器学习框架，在验证数据集中表现优于现有方法	NA	准确预测HLA II类分子抗原提呈，以促进疫苗开发和癌症免疫治疗	HLA II类分子抗原提呈的预测	机器学习	NA	NA	循环神经网络	基因序列、表达水平、蛋白酶切割信号	NA	NA	NA	NA	NA