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	2026-10-01	A convolutional neural network for the screening and staging of diabetic retinopathy 2020, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0233514 PMID:32569310	研究论文	本文提出了一种具有18个卷积层和3个全连接层的深度卷积神经网络，用于分析眼底图像，自动区分无糖尿病视网膜病变、中度糖尿病视网膜病变和重度糖尿病视网膜病变	提出了一种具有18个卷积层和3个全连接层的特定深度CNN架构，结合类别特定的数据增强和图像尺寸调整预处理，在5折和10折交叉验证中均取得了较高的验证准确率、灵敏度和特异性，并使用了二次加权Kappa评分进行评估	未明确提及	利用深度学习模型对糖尿病视网膜病变进行自动筛查和分级，以替代视网膜专家，扩大视网膜护理的可及性	眼底图像	计算机视觉	糖尿病视网膜病变	光学相干断层扫描（OCT）和眼底摄影	CNN	图像	NA	NA	18层卷积神经网络	验证准确率、灵敏度、特异性、二次加权Kappa评分	NA
2	2026-10-01	Texture Synthesis Based Thyroid Nodule Detection From Medical Ultrasound Images: Interpreting and Suppressing the Adversarial Effect of In-place Manual Annotation 2020, Frontiers in bioengineering and biotechnology IF:4.3Q2 DOI:10.3389/fbioe.2020.00599 PMID:32626697	研究论文	本文针对医学超声图像中手动标注的对抗性效应，开发了一种基于纹理合成的修复算法来去除标注并恢复原始图像，同时应用变分信息瓶颈方法过滤无关特征，以提高甲状腺结节检测模型的鲁棒性	提出了一种修复算法来去除医学图像中的手动标注，并首次将变分信息瓶颈方法应用于过滤由标注引入的对抗性特征，从而提升模型鲁棒性	未明确说明修复算法在其它医学图像或标注类型上的泛化能力，且实验仅基于甲状腺超声图像	解决医学图像中手动标注对计算机视觉AI任务的对抗性影响，提高模型泛化性和鲁棒性	甲状腺超声图像中的结节	计算机视觉	甲状腺癌	图像修复算法，变分信息瓶颈	深度学习模型	图像	NA	NA	NA	mAP	NA
3	2026-09-29	A Multi-Task Framework for Facial Attributes Classification through End-to-End Face Parsing and Deep Convolutional Neural Networks 2020-Jan-07, Sensors (Basel, Switzerland) DOI:10.3390/s20020328 PMID:31935996	研究论文	该论文提出了一种通过端到端人脸解析和深度卷积神经网络进行人脸属性（种族、年龄、性别）分类的多任务框架	手动标注人脸图像训练端到端人脸解析模型，生成七类密集概率图作为特征描述符，并为每个属性任务训练单独的CNN，结合多任务框架提升分类性能	未明确说明	解决人脸图像分析中的种族、年龄和性别识别三个挑战性问题	人脸图像	计算机视觉	不适用	深度学习	CNN	图像	未明确说明	未明确说明	未明确说明	未明确说明	未明确说明
4	2026-09-29	Estimation of absolute states of human skeletal muscle via standard B-mode ultrasound imaging and deep convolutional neural networks 2020-01, Journal of the Royal Society, Interface DOI:10.1098/rsif.2019.0715 PMID:31992165	研究论文	本文利用标准B型超声成像和深度卷积神经网络，从人体骨骼肌图像中估计主动和被动状态，包括活动、关节角度和关节力矩	首次使用深度卷积神经网络从2D超声图像中同时估计绝对、无漂移的神经生物力学状态组件（活动、关节角度、关节力矩），并实现可泛化性	研究样本量较小（32名健康参与者），仅涉及小腿肌肉，需要进一步验证在更广泛人群和肌肉群中的适用性	测试使用超声成像自动估计主动和被动骨骼肌状态的可行性，提供一种非侵入性的在线估计方法	人体骨骼肌（特别是内侧腓肠肌和比目鱼肌）	计算机视觉, 医学影像分析	NA	B型超声成像, 肌电图, 关节力矩/角度测量	深度卷积神经网络	2D超声图像, 肌电图信号, 关节角度和力矩数据	32名健康参与者（7名女性，年龄范围19-65岁，平均27.5岁），共32个留出样本用于16折交叉验证	NA	深度卷积神经网络	准确率	NA
5	2026-09-29	Cardiac MR segmentation based on sequence propagation by deep learning 2020, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0230415 PMID:32271777	研究论文	本文提出了一种基于U-Net并结合图像序列信息的心脏磁共振（CMR）分割方法，通过利用3D序列信息从顶部切片到底部切片进行有效分割	在训练过程中，每个输入切片依赖于其下方的切片，即预测的分割结果依赖于前一个切片的现有分割标签，从而充分利用了3D序列信息	未明确提及	实现心脏MRI中心肌的准确分割，以支持快速诊断和定量病理分析	心脏磁共振图像（CMR）中的心肌	计算机视觉	心血管疾病	心脏磁共振成像（CMR）	CNN	图像	100名患者的CMR图像（1700张2D MRI），评估时使用了340张CMR图像	NA	U-Net	Dice分数	NA
6	2026-09-07	Are multi-contrast magnetic resonance images necessary for segmenting multiple sclerosis brains? A large cohort study based on deep learning 2020-01, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2019.10.003 PMID:31670238	研究论文	本研究基于深度学习模型，探讨多对比磁共振图像对多发性硬化脑组织分割的必要性，并评估不同输入组合的性能。	首次在大规模（1000例）多发性硬化患者队列中系统比较了15种多对比图像组合作为输入对分割结果的影响。	对于极小的病灶（<20 μl），所有图像组合的分割性能均较差，且仅使用FLAIR图像时对小型病灶的假阳性率略高。	确定单对比或多对比磁共振图像输入对多发性硬化脑组织（灰质、白质、脑脊液、病灶）分割体积的影响，以优化扫描流程并保持分割质量。	多发性硬化患者的脑部磁共振图像，包括FLAIR、T1加权、T2加权和质子密度加权图像。	计算机视觉, 数字病理	多发性硬化	磁共振成像	卷积神经网络	图像	1000例多发性硬化患者	NA	U-Net	Dice相似系数、真阳性率、假阳性率	NA
7	2026-09-01	Deep learning-based model for predicting progression in patients with head and neck squamous cell carcinoma 2020, Cancer biomarkers : section A of Disease markers IF:2.2Q3 DOI:10.3233/CBM-190380 PMID:31658045	研究论文	本研究旨在通过整合多组学数据构建深度学习模型，预测头颈鳞状细胞癌患者的疾病进展。	利用自编码器集成RNA测序、miRNA测序和甲基化数据，结合SVM算法构建预后模型，相较于PCA和Cox-PH模型具有更高的准确性和效率。	未明确提及，但可能包括样本量有限、依赖TCGA数据库、需外部验证等。	构建并验证基于深度学习的预后模型，预测HNSCC患者的无进展生存期，并识别相关分子特征。	头颈鳞状细胞癌患者的多组学数据，包括RNA测序、miRNA测序和甲基化数据。	数字病理学	头颈鳞状细胞癌	RNA测序、miRNA测序、甲基化测序	自编码器、支持向量机	基因组数据	未明确说明，但基于TCGA数据库，包含训练集和三个验证集	未明确说明	自编码器、PCA、Cox-PH	C-index、准确性、效率	未明确说明
8	2026-05-03	An automated tissue-to-diagnosis pipeline using intraoperative stimulated Raman histology and deep learning 2020, Molecular & cellular oncology IF:2.6Q3 DOI:10.1080/23723556.2020.1736742 PMID:32391430	研究论文	利用术中受激拉曼组织学与深度学习实现自动化组织诊断流程	开发了基于床边的组织到诊断的全自动流程，结合受激拉曼组织学（SRH）和深度卷积神经网络（CNN），无需标记即可快速识别脑肿瘤区域	NA	建立并验证一种术中快速、自动化的脑肿瘤诊断方法	脑组织标本，特别是常见脑肿瘤	机器学习的医学图像分析	脑肿瘤	受激拉曼组织学（SRH）	深度卷积神经网络（CNN）	SRH图像	NA	NA	卷积神经网络（CNN）	分割准确性	NA
9	2026-04-08	MU-PseUDeep: A deep learning method for prediction of pseudouridine sites 2020, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2020.07.010 PMID:32774783	研究论文	本文提出了一种名为MU-PseUDeep的深度学习方法，用于预测RNA中的假尿苷（Ψ）位点	利用深度学习和原始序列及二级结构特征，通过卷积神经网络同时捕获序列和二级结构上下文，相比现有工具在预测准确性上有显著提升	未明确说明模型在跨物种或不同RNA类型上的泛化能力，以及计算资源需求的具体细节	开发一种更准确的假尿苷位点预测工具，以改进RNA修饰研究	RNA序列中的假尿苷位点	生物信息学	神经退行性疾病	深度学习，RNA二级结构预测	CNN	RNA序列数据，二级结构数据	NA	NA	卷积神经网络	准确性	NA
10	2026-04-05	Rapid preliminary purity evaluation of tumor biopsies using deep learning approach 2020, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2020.06.007 PMID:32695267	研究论文	本文提出了一种基于深度学习的快速初步评估肿瘤活检纯度的方法	利用深度学习模型从转录组数据中预测肿瘤活检纯度，提供了一种快速、低成本且易于执行的替代传统病理学评估的方法	方法可能对实验协议和癌症类型差异敏感，且需要进一步验证在更广泛样本中的适用性	开发一种快速、低成本评估肿瘤活检纯度的工具	肿瘤活检样本	数字病理学	癌症	转录组分析	深度学习分类器	转录组数据	来自不同组的多数据集，具体数量未明确	NA	NA	准确度	NA
11	2026-04-04	SuperHistopath: A Deep Learning Pipeline for Mapping Tumor Heterogeneity on Low-Resolution Whole-Slide Digital Histopathology Images 2020, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2020.586292 PMID:33552964	研究论文	提出一种名为SuperHistopath的深度学习流程，用于在低分辨率全切片数字病理图像上高效映射肿瘤异质性	结合SLIC超像素分割与CNN分类，直接在低分辨率（5倍放大）全切片图像上操作，显著降低计算成本并保持高精度	未明确说明模型在更广泛癌症类型或更大样本量中的泛化能力	开发计算高效的数字病理图像分析框架，用于量化肿瘤形态异质性并辅助临床工作流程	黑色素瘤、三阴性乳腺癌和高危儿童神经母细胞瘤转基因小鼠模型的病理组织样本	数字病理学	黑色素瘤, 三阴性乳腺癌, 神经母细胞瘤	数字病理成像	CNN	图像	127例黑色素瘤、23例三阴性乳腺癌和73例转基因小鼠神经母细胞瘤样本	未明确说明	未明确说明	准确率	未明确说明
12	2026-03-29	Classification of the urinary metabolome using machine learning and potential applications to diagnosing interstitial cystitis 2020, Bladder (San Francisco, Calif.) DOI:10.14440/bladder.2020.815 PMID:32775485	研究论文	本研究开发了一种基于机器学习的诊断模型，用于利用尿液代谢组学数据诊断间质性膀胱炎	首次将机器学习算法（SVM和逻辑回归）应用于间质性膀胱炎的尿液代谢组学诊断，并展示了在样本量较小的情况下仍能取得高区分能力	样本量相对较小（43名患者和16名健康对照），无法应用复杂的深度学习模型	开发一种基于机器学习的诊断方法，用于间质性膀胱炎的客观诊断	间质性膀胱炎患者和健康对照的尿液代谢组学数据	机器学习	间质性膀胱炎	代谢组学	SVM, LR	代谢组学数据	43名间质性膀胱炎患者和16名健康对照	NA	NA	准确率, 精确率, 召回率, AUC	NA
13	2026-03-25	Deep learning in rare disease. Detection of tubers in tuberous sclerosis complex 2020, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0232376 PMID:32348367	研究论文	本研究开发并测试了一种深度学习算法，用于自动检测结节性硬化症患者MRI中的皮质结节，并探索了在数据有限的罕见疾病中深度学习的应用	在罕见疾病（结节性硬化症）中应用深度学习算法进行皮质结节检测，并开发了开源的独立应用程序	算法仅适用于手动选择的MRI图像，未在未经筛选的临床数据中进行全面验证	开发自动检测结节性硬化症皮质结节的深度学习算法，并探索其在罕见疾病诊断中的应用潜力	结节性硬化症患者的MRI图像（T2和FLAIR序列）	计算机视觉	结节性硬化症	磁共振成像	CNN	图像	228名受试者（114名结节性硬化症患者和114名对照）	NA	InceptionV3	灵敏度, 特异度, 阳性预测值, 阴性预测值, F1分数, 准确率, AUC	NA
14	2026-03-03	Unsupervised Deep Learning for Susceptibility Distortion Correction in Connectome Imaging 2020, Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention DOI:10.1007/978-3-030-59728-3_30 PMID:34458893	研究论文	提出一种基于无监督深度学习的磁化率畸变校正方法，用于校正高分辨率扩散MRI数据中的残余畸变	使用从扩散MRI数据计算出的纤维方向分布（FOD）图像替代传统的B0图像，提供更可靠的对比信息，并结合U-Net和Transformer网络进行畸变校正	仅使用HCP数据集的100名受试者进行训练和评估，样本量相对有限，且未在其他独立数据集上验证	校正高分辨率扩散MRI数据中由磁化率引起的残余畸变	人类连接组项目（HCP）数据集中的扩散MRI数据	医学影像分析	NA	扩散MRI，纤维方向分布（FOD）计算	U-Net，Transformer	图像（FOD图像）	100名受试者（60名用于训练，40名用于测试）	NA	U-Net，Transformer	平均平方差（MSD）的各向异性分数（FA），两个相位编码方向之间的最小角度差	NA
15	2026-01-18	Generation of abdominal synthetic CTs from 0.35T MR images using generative adversarial networks for MR-only liver radiotherapy 2020-01-30, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ab6e1f PMID:33438621	研究论文	本研究评估了两种生成对抗网络模型（cGAN和cycleGAN）从0.35T MR图像生成腹部合成CT图像的能力，以支持仅基于MR的肝脏放射治疗	首次在0.35T MR图像上应用cGAN和cycleGAN生成腹部合成CT图像，并验证其在肝脏放射治疗剂量计算中的准确性	样本量较小（仅12名患者），且未来需要纳入更多腹部患者以进一步评估模型	评估生成对抗网络在生成腹部合成CT图像方面的性能，以实现仅基于MR的肝脏放射治疗中的有效剂量计算	12名患有肝脏（n=8）和非肝脏腹部（n=4）癌症的患者	医学影像处理	肝脏癌症	0.35T MR成像，CT成像	cGAN, cycleGAN	图像	12名患者的CT和MR图像	NA	条件生成对抗网络，循环一致性生成对抗网络	平均绝对误差，伽马通过率，剂量-体积直方图指标	NA
16	2026-01-18	Spike detection and sorting with deep learning 2020-01-24, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/ab4896 PMID:31561235	研究论文	本文提出了一种基于深度学习的尖峰检测与排序方法，用于从多通道动作电位记录中提取和识别单单元神经活动	采用卷积神经网络（CNN）与循环神经网络（RNN）的组合架构，分别应用于尖峰检测和活动排序与预测任务，为实时高精度脑机接口提供了灵活鲁棒的算法基础	尖峰检测的平均召回率为69%，仍有提升空间；研究未详细说明数据集的多样性和泛化能力	开发基于多通道动作电位记录的神经活动检测、分类和预测方法，以支持高精度脑机接口的应用	多通道动作电位记录中的单单元神经活动	机器学习	NA	多通道动作电位记录	CNN, RNN	电信号数据	涉及超过20个不同神经元产生的活动	NA	卷积神经网络, 循环神经网络	召回率, 准确率	NA
17	2026-01-06	ECG AI-Guided Screening for Low Ejection Fraction (EAGLE): Rationale and design of a pragmatic cluster randomized trial 2020-01, American heart journal IF:3.7Q1 DOI:10.1016/j.ahj.2019.10.007 PMID:31710842	研究论文	本研究旨在通过一项实用的集群随机试验，评估一种基于深度学习的AI筛查工具在初级保健实践中检测低射血分数的有效性	首次在真实世界初级保健实践中前瞻性评估AI驱动的ECG筛查工具，用于检测无症状低射血分数，并整合到电子健康记录中实现自动筛查	试验仅限于明尼苏达州和威斯康星州的48个初级保健诊所，可能无法完全代表其他地区或医疗环境，且依赖电子健康记录数据，未直接接触患者	评估AI筛查工具在初级保健中检测低射血分数的临床有效性和实施价值	初级保健诊所的临床团队、约400名临床医生和20,000名患者，特别是接受ECG检查且未被诊断为低射血分数的成人	机器学习	心血管疾病	深度学习算法，12导联心电图	深度学习算法	心电图数据，电子健康记录数据	约20,000名患者，涉及48个初级保健诊所和400名临床医生	NA	NA	新发现的射血分数≤50%	NA
18	2025-12-14	A multi-scale framework with unsupervised joint training of convolutional neural networks for pulmonary deformable image registration 2020-01-13, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab5da0 PMID:31783390	研究论文	本文提出了一种用于肺部CT图像变形配准的多尺度无监督联合训练卷积神经网络框架MJ-CNN	提出多尺度无监督联合训练卷积神经网络框架，通过从粗到细的配准避免局部最小值，无需真实变形矢量场监督，并展示了跨数据集和成像技术的泛化能力	未提及具体局限性，但可能包括对训练数据质量和多样性的依赖，以及未在更广泛临床场景中验证	实现肺部CT图像的准确快速变形图像配准	肺部CT图像，包括4D-CT、CT-to-CBCT和CBCT-to-CBCT配准	计算机视觉	肺癌	CT、4D-CT、CBCT成像	CNN	图像	使用公共SPARE 4D-CT数据训练，在DIR-LAB 4D-CT数据集及临床CT-to-CBCT和CBCT-to-CBCT配准上评估	未明确指定，但基于卷积神经网络	多尺度卷积神经网络	配准误差	未明确指定，但配准速度约为1.4秒，无需手动调参
19	2025-12-05	DeepCompete : A deep learning approach to competing risks in continuous time domain 2020, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:33936389	研究论文	本文提出了一种名为DeepCompete的深度学习模型，用于在连续时间域中处理竞争风险生存分析	引入了一种新颖的连续时间深度学习架构，能够以数据驱动方式学习每种疾病的风险，无需对底层随机过程做出强假设	未在摘要中明确说明	开发一种工具来量化由每种竞争疾病导致的不良事件的相对风险，并优先处理患者多种疾病中的治疗	65岁及以上患有多种急性疾病（多病共存）的老年人群	机器学习	老年疾病	NA	深度学习模型	NA	NA	NA	DeepCompete	NA	NA
20	2025-12-05	Deep Learning Approach to Parse Eligibility Criteria in Dietary Supplements Clinical Trials Following OMOP Common Data Model 2020, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:33936396	研究论文	本研究利用深度学习模型（Bi-LSTM-CRF）解析膳食补充剂临床试验的资格标准，并映射到OMOP通用数据模型，以支持患者招募	首次将膳食补充剂作为新实体映射到OMOP通用数据模型，并评估深度学习模型在解析资格标准中的可行性	模型平均F1分数仅为0.601，表明性能有待提升，且样本量仅基于100个随机选择的临床试验	自动解析临床试验资格标准以加速患者招募过程	膳食补充剂临床试验的资格标准文本	自然语言处理	NA	深度学习	Bi-LSTM-CRF	文本	100个随机选择的膳食补充剂临床试验	CLAMP平台	Bi-LSTM-CRF	F1分数	NA