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	Radar-Spectrogram-Based UAV Classification Using Convolutional Neural Networks 2020-Dec-31, Sensors (Basel, Switzerland) DOI:10.3390/s21010210 PMID:33396245	研究论文	本文提出了一种基于雷达频谱图的深度学习分类模型，用于实时识别低慢小目标	设计了ResNet-SP模型，在ResNet-18基础上减少了计算量，提高了准确性和稳定性	未明确说明	实现低慢小目标的实时识别	五类低慢小目标（三种无人机和两种人类活动）	计算机视觉	NA	调频连续波雷达，短时傅里叶变换	CNN	图像	未明确说明具体样本数量，但涉及五种目标类型	NA	ResNet-18, ResNet-SP	准确率, 训练时间	NA
2	2026-10-03	Addressing Noise and Skewness in Interpretable Health-Condition Assessment by Learning Model Confidence 2020-Dec-19, Sensors (Basel, Switzerland) DOI:10.3390/s20247307 PMID:33352690	研究论文	本文提出了一种基于K-margin的可解释学习方法用于健康状态评估，通过偏斜感知的RCR-Net模型处理类别偏斜，利用诊断模型自动处理噪声片段，并提供知识引导的解释方法，在医疗和航空航天领域验证了有效性	提出了K-margin可解释学习方法，包括偏斜感知RCR-Net模型处理类别偏斜，基于K-margin的诊断模型自动处理噪声片段，以及知识引导的解释方法自动学习领域知识级特征，无需人类专家帮助	摘要中未提及	解决现有深度学习方法在健康状态评估中存在的类别偏斜、噪声片段和结果可解释性不足的问题，提高实际应用中的适用性	健康状态评估任务，具体涉及医疗和航空航天领域的健康状态数据	机器学习	NA	深度学习	RCR-Net	传感器数据	NA	NA	RCR-Net	F1分数	NA
3	2026-10-03	Machine learning predicts live-birth occurrence before in-vitro fertilization treatment 2020-12-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-020-76928-z PMID:33262383	研究论文	本文利用人工智能技术，基于体外受精（IVF）相关数据集，预测胚胎移植后活产的发生，并比较了多种机器学习算法的性能	首次在公开的HFEA数据集上比较经典机器学习、深度学习及集成算法在有无特征选择两种设置下预测IVF活产的效果，并发现随机森林模型取得最高F1分数	未明确说明数据集的样本量、特征数量及具体特征，且模型性能仍有提升空间（F1约76%）	预测体外受精（IVF）治疗中活产的发生，辅助临床决策	接受体外受精（IVF）治疗的夫妇（胚胎来自夫妇自身而非捐赠者）	机器学习	不孕不育	NA	随机森林, 深度学习, 集成学习	表格数据	NA	NA	随机森林, 深度学习模型, 集成学习模型	F1分数, 精确率, 召回率, ROC AUC, 混淆矩阵, ROC曲线	NA
4	2026-10-03	Artificial Intelligence-Based Polyp Detection in Colonoscopy: Where Have We Been, Where Do We Stand, and Where Are We Headed? 2020-Dec, Visceral medicine IF:1.8Q2 DOI:10.1159/000512438 PMID:33447598	综述	本文综述了过去35年基于人工智能的结肠镜检查中息肉和腺瘤检测的演变，从手工特征到深度学习，并讨论了大规模临床数据的需求以及未来展望	提供了结肠镜检查中AI息肉检测35年发展的全面历史概述，强调了巴黎分类、纹理特征、大数据和深度学习等里程碑	未提及具体的技术限制或未来挑战的深入分析	概述基于人工智能的结肠镜检查中腺瘤和息肉检测的演变，并讨论未来可能性	结肠镜检查图像中的息肉和腺瘤	计算机视觉	结直肠癌	结肠镜检查	CNN	图像	NA	NA	卷积神经网络	NA	NA
5	2026-10-03	Coarse-to-Fine Satellite Images Change Detection Framework via Boundary-Aware Attentive Network 2020-Nov-25, Sensors (Basel, Switzerland) DOI:10.3390/s20236735 PMID:33255688	研究论文	该文章提出了一种基于边界感知注意力网络的由粗到细卫星图像变化检测框架，并在两个基准数据集上验证了其有效性	设计了由粗到细的变化检测框架，包含注意力引导的编码器-解码器子网络和残差学习细化网络，提出了边界感知注意力网络和混合损失函数（从像素、块、图三个层次提供监督）	未明确提及	解决现有深度学习方法在陆地表面形状各异的不连通变化区域场景下，难以正确检测所有变化区域及准确表示变化区域边界的问题	双时相高分辨率卫星图像	计算机视觉	NA	深度学习	CNN	图像	两个基准数据集：LEBEDEV和SZTAKI	NA	注意力引导的编码器-解码器网络，残差网络	NA	NA
6	2026-10-03	Deep Learning in Proteomics 2020-11, Proteomics IF:3.4Q2 DOI:10.1002/pmic.201900335 PMID:32939979	综述	本文综述了深度学习在蛋白质组学中的多种应用，包括保留时间预测、串联质谱谱图预测、从头肽段测序、翻译后修饰预测、主要组织相容性复合体-肽段结合预测和蛋白质结构预测	系统性地总结了深度学习在蛋白质组学多个关键任务中的应用，并讨论了其局限性和未来方向	作为综述文章，未提出新的方法或模型，且可能未涵盖所有最新进展	概述深度学习在蛋白质组学中的应用，并探讨其局限性和未来方向	蛋白质组学数据（包括蛋白质序列、结构、质谱数据等）	机器学习	NA	串联质谱	深度学习	序列、结构、质谱数据	NA	NA	NA	NA	NA
7	2026-10-01	Deep Learning in Selected Cancers' Image Analysis-A Survey 2020-Nov-10, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging6110121 PMID:34460565	综述	本文综述了深度学习在乳腺癌、宫颈癌、脑肿瘤、结肠癌和肺癌的医学图像分析中的应用	系统性地综述了深度学习在多种癌症图像分析中的应用，并归纳了三种深度学习应用模式（从头训练、迁移学习与冻结层、修改架构减少参数），同时指出了非洲地区癌症研究关注不足的问题	仅在非洲地区研究关注度不足，未对非洲相关研究进行深入分析；综述范围未涵盖所有癌症类型	回顾和总结深度学习在多种癌症医学图像分析中的应用现状与发展趋势	乳腺癌、宫颈癌、脑肿瘤、结肠癌和肺癌的医学图像	计算机视觉	肺癌	NA	CNN	图像	NA	NA	NA	NA	NA
8	2026-10-01	Dynamic evolution of COVID-19 on chest computed tomography: experience from Jiangsu Province of China 2020-Nov, European radiology IF:4.7Q1 DOI:10.1007/s00330-020-06976-6 PMID:32524223	研究论文	该研究通过深度学习算法定量分析江苏省484例COVID-19患者954次胸部CT检查中肺部阴影的体积、密度和位置，揭示了不同疾病严重程度下CT表现的动态演变规律	利用深度学习算法对大规模COVID-19队列的胸部CT进行定量测量，系统描绘了肺部阴影体积、密度和位置从症状发作到15天以后的动态演变模式，并揭示了不同严重程度组之间的差异	本研究为回顾性队列研究，样本仅来自江苏省，可能存在选择偏倚；随访时间有限，未涵盖长期预后；深度学习算法的具体细节和验证过程未在摘要中详细说明	确定不同疾病严重程度的COVID-19患者胸部CT的演变模式	江苏省确诊的COVID-19患者	数字病理学	COVID-19	胸部CT	深度学习	图像	484例患者（无症状/轻型63例，普通型378例，重型/危重型43例），共954次CT检查	NA	NA	NA	NA
9	2026-10-01	Automated detection and quantification of COVID-19 pneumonia: CT imaging analysis by a deep learning-based software 2020-10, European journal of nuclear medicine and molecular imaging IF:8.6Q1 DOI:10.1007/s00259-020-04953-1 PMID:32666395	研究论文	该研究使用基于深度学习的软件自动检测、定位和量化COVID-19肺炎的CT影像	使用uAI智能辅助分析系统自动检测和量化COVID-19肺炎，并在大规模患者队列中验证其有效性	回顾性研究设计，缺乏外部验证，未与手动评估进行直接比较	评估基于深度学习的软件在COVID-19肺炎CT影像自动检测、定位和量化中的效用	RT-PCR检测SARS-CoV-2阳性的患者	医学影像分析	COVID-19肺炎	CT影像	CNN	图像	2460名患者（1250名男性，1210名女性；平均年龄57.7±14.0岁，年龄范围11-93岁）	NA	NA	NA	NA
10	2026-10-01	The correlation of deep learning-based CAD-RADS evaluated by coronary computed tomography angiography with breast arterial calcification on mammography 2020-07-13, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-020-68378-4 PMID:32661231	研究论文	本研究评估了乳腺筛查钼靶上的乳腺动脉钙化（BAC）与基于深度学习（DL）的冠状动脉CT血管造影（CCTA）得出的冠状动脉疾病报告和数据系统（CAD-RADS）之间的关联。	利用基于深度学习的CCTA评估CAD-RADS，并探讨其与钼靶上BAC的相关性，为女性CAD风险评估提供新思路。	样本量较小（213例），单中心前瞻性研究，可能限制结果的普遍性。	评估BAC与基于DL的CCTA CAD-RADS评分之间的关联，探索BAC作为预测CAD严重程度的附加诊断工具的可能性。	40岁以上接受CCTA和乳腺癌筛查钼靶的无症状女性。	数字病理学, 医学影像分析	心血管疾病, 乳腺癌	深度学习, 冠状动脉CT血管造影（CCTA）, 乳腺钼靶	深度学习模型（具体架构未指定）	医学影像（CCTA和钼靶图像）	213名患者	NA	NA	P值, 比值比（OR）, 95%置信区间（CI）	NA
11	2026-10-01	Semi-Supervised Text Classification Framework: An Overview of Dengue Landscape Factors and Satellite Earth Observation 2020-06-23, International journal of environmental research and public health DOI:10.3390/ijerph17124509 PMID:32585932	研究论文	本文提出了一种半监督文本分类框架，该框架集成了文本评分、主动学习机制和双向长短期记忆网络（BiLSTM），用于高效准确地筛选相关文献，并将其应用于登革热景观因素与卫星地球观测数据的综述研究	将文本评分和基于BiLSTM的主动学习分别替代标题/摘要筛选和全文筛选，大幅减少了人工工作量，实现了高效准确的文献筛选	未明确提及	总结影响登革热传播的景观因素和卫星地球观测数据源，并公开相关信息以指导未来研究和改善健康决策	登革热景观因素与卫星地球观测数据相关的文献	自然语言处理	登革热	卫星地球观测（EO）、文本评分、主动学习、BiLSTM	BiLSTM	文本	从4个文献数据库中筛选出101篇相关文献	NA	双向长短期记忆网络（BiLSTM）	NA	NA
12	2026-10-01	A talker-independent deep learning algorithm to increase intelligibility for hearing-impaired listeners in reverberant competing talker conditions 2020-06, The Journal of the Acoustical Society of America IF:2.1Q1 DOI:10.1121/10.0001441 PMID:32611178	研究论文	本文提出了一种与说话人无关的深度学习算法，用于在混响和竞争说话人的条件下提高听障听者的语音清晰度	该算法采用说话人无关的深度计算听觉场景分析框架，结合U-Net和时间卷积网络进行同时分组和顺序分组，在混响竞争说话人条件下对听障听者实现了显著的清晰度提升，且处理后的听障清晰度超过未处理的正常听力清晰度	当前的基于话语的模型未实现为实时系统	评估与说话人无关的深度学习语音分离和去混响算法在混响竞争说话人条件下对听障听者句子清晰度的提升效果	听障听者和正常听力听者	语音处理	听力障碍	深度学习语音分离	CNN	音频	NA	NA	U-Net, 时间卷积网络	语音清晰度提升百分点	NA
13	2026-10-01	Deep learning improves contrast in low-fluence photoacoustic imaging 2020-Jun-01, Biomedical optics express IF:2.9Q2 DOI:10.1364/BOE.395683 PMID:32637260	研究论文	本文提出一种基于多级小波卷积神经网络的去噪方法，将低能量光声图像映射为对应的高能量图像，以提高图像质量	使用多级小波卷积神经网络对低能量光声图像进行去噪，显著提高PSNR、SSIM和CNR指标	未明确说明方法的泛化能力、计算成本以及在不同组织类型中的适用性	提高低能量光声成像的图像质量，促进其临床应用	低能量光声图像	计算机视觉, 医学图像处理	NA	光声成像	卷积神经网络	图像	NA	NA	多级小波卷积神经网络	PSNR, SSIM, CNR	NA
14	2026-10-01	Can Deep Learning Recognize Subtle Human Activities? 2020-Jun, Conference on Computer Vision and Pattern Recognition Workshops. IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Workshops PMID:34290902	研究论文	本文提出一个新的动作分类挑战，通过控制混淆因素来比较人类和深度学习模型在识别细微人类活动（喝水、阅读、坐着）上的表现	提出一个严格的方法来减少数据集创建和人类与计算机视觉性能比较中的混淆因素，并展示了人类在这些细微动作识别任务上显著优于当前最优深度学习模型	仅考虑了三个示例性任务，未覆盖更多细微人类活动；未深入分析深度学习模型失败的具体原因	评估深度学习模型在识别细微人类活动上的能力，并与人类表现进行公平比较	人类活动动作分类任务中的图像数据以及人类参与者和深度学习模型	计算机视觉	NA	NA	CNN	图像	三个动作分类任务（喝水、阅读、坐着），人类参与者得分超过90%准确率，深度学习模型最佳准确率分别为61.7%、62.8%、76.8%	NA	NA	准确率	NA
15	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
16	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
17	2026-09-30	Deep Learning Single-Frame and Multiframe Super-Resolution for Cardiac MRI 2020-06, Radiology IF:12.1Q1 DOI:10.1148/radiol.2020192173 PMID:32286192	研究论文	本文探讨了使用深度学习进行心脏MRI单帧和多帧超分辨率的可行性，并与传统图像放大方法进行了比较	利用深度学习从低分辨率心脏MRI图像中恢复高频空间细节，超越了传统放大方法，并在其他成像平面上也显示出改善效果	训练仅基于短轴心脏MRI检查，可能限制了模型在其他成像平面或不同扫描协议下的泛化能力	探索深度学习在心脏MRI超分辨率中的可行性，并评估其相对于传统图像放大方法的性能	心脏MRI图像，包括短轴 cine 心脏MRI检查	计算机视觉	心血管疾病	心脏MRI	CNN	图像	400例MRI扫描来自367名患者（平均年龄48岁±18；214名男性），以及前瞻性招募的10名患者（平均年龄51岁±22；7名男性）	NA	NA	结构相似性指数（SSIM）、左心室容积测量	NA
18	2026-09-29	Uncertain-DeepSSM: From Images to Probabilistic Shape Models 2020-Oct, Shape in Medical Imaging : International Workshop, ShapeMI 2020, Held in Conjunction with MICCAI 2020, Lima, Peru, October 4, 2020, Proceedings DOI:10.1007/978-3-030-61056-2_5 PMID:33817703	研究论文	提出Uncertain-DeepSSM模型，从图像中直接提取概率形状模型，量化偶然不确定性和认知不确定性	统一模型量化数据相关的偶然不确定性和模型相关的认知不确定性，提高准确性	未明确提及	改进DeepSSM，提供不确定性量化的形状建模	未分割的图像	计算机视觉，医学图像分析	NA	统计形状建模，深度学习	神经网络， Monte Carlo dropout	图像	NA	NA	DeepSSM	准确性	NA
19	2026-09-29	[Research and application of artificial intelligence based three-dimensional preoperative planning system for total hip arthroplasty] 2020-Sep-15, Zhongguo xiu fu chong jian wai ke za zhi = Zhongguo xiufu chongjian waike zazhi = Chinese journal of reparative and reconstructive surgery DOI:10.7507/1002-1892.202005007 PMID:32929897	研究论文	开发基于人工智能的全髋关节置换术三维术前规划系统（AIHIP）并通过初步临床应用验证其准确性	首次展示并初步应用人工智能术前系统的工作流程	其潜在临床价值需要更深入的研究来发掘	开发人工智能全髋关节置换术三维术前规划系统并验证其准确性	接受单侧初次全髋关节置换术的患者	医学影像分析	髋关节疾病	CT扫描	深度学习神经网络	CT图像	60名患者（60个髋关节），试验组30例，对照组30例	NA	NA	匹配率, 下肢长度差异, 股骨偏移差异, 联合偏移差异	NA
20	2026-09-29	Machine learning applied to retinal image processing for glaucoma detection: review and perspective 2020-Apr-15, Biomedical engineering online IF:2.9Q3 DOI:10.1186/s12938-020-00767-2 PMID:32293466	综述	本文对2014-2019年间使用机器学习进行视网膜图像处理以诊断和检测青光眼的主要算法进行了系统综述	系统总结了青光眼视网膜图像处理中机器学习算法的应用现状，对比了特征提取+降维方法与深度卷积网络两种架构的差异，并指出数据增强和迁移学习可用于优化网络训练	排除了使用分割视盘方法的研究，仅纳入应用分类过程的方法，且文献时间范围限于2014-2019年，深度学习方法需要大量图像和较高计算成本	综述机器学习在视网膜图像处理中用于青光眼诊断和检测的主要算法，分析不同架构的优缺点并展望未来方向	2014-2019年间发表的关于机器学习应用于视网膜图像处理进行青光眼检测的研究文献	计算机视觉	青光眼	视网膜图像处理	CNN	图像	NA	NA	深度卷积网络	NA	NA