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	2026-09-29	Brain Tumor Analysis Empowered with Deep Learning: A Review, Taxonomy, and Future Challenges 2020-Feb-22, Brain sciences IF:2.7Q3 DOI:10.3390/brainsci10020118 PMID:32098333	综述	本文综述了深度学习在脑肿瘤分析中的应用，包括分割、分类、预测和评估，并提出了研究分类体系及未来挑战	提供了脑肿瘤分析领域中深度学习研究的连贯分类体系，并系统梳理了该新兴领域的主要方面	未进行原始实验验证，仅基于文献综述，且深度学习技术本身仍存在局限性	综述与脑肿瘤分析相关的主要深度学习概念，包括分割、分类、预测和评估	脑肿瘤相关的医学图像及文献研究	医学图像处理	脑肿瘤	深度学习	NA	图像	NA	NA	NA	NA	NA
2	2026-09-29	Integrating radiomics into holomics for personalised oncology: from algorithms to bedside 2020-02-07, European radiology experimental IF:3.7Q1 DOI:10.1186/s41747-019-0143-0 PMID:32034573	综述	本文综述了放射组学在个性化肿瘤学中的研究趋势，从手工放射组学特征提取与统计分析到深度学习，并探讨了将基因组学、免疫组学等多组学数据整合到放射组学中以改善患者分层和治疗反应预测，以及数据协调和管理基础设施的挑战。	提出了“全组学”这一新兴范式，强调将放射组学与所有其他组学数据整合到临床工作流程中，并指出大数据基础设施实施中的范式转变。	作为综述文章，未提供原始实验数据；数据协调和管理基础设施仍面临挑战；全组学的临床整合尚需进一步验证。	分析放射组学的当前研究趋势，探讨将放射组学与基因组学、免疫组学等多组学数据整合以改善患者分层和治疗反应预测，并讨论数据协调和管理基础设施的挑战。	医学影像大数据、放射组学特征、基因组学数据、免疫组学数据、患者分层与治疗反应预测	数字病理学	肺癌	放射组学、人工智能、深度学习	卷积神经网络、深度学习模型	图像、文本	NA	NA	NA	NA	NA
3	2026-09-29	Locating induced earthquakes with a network of seismic stations in Oklahoma via a deep learning method 2020-02-06, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-020-58908-5 PMID:32029857	研究论文	该论文开发了一个全卷积网络，利用俄克拉荷马州30个地震台站的数据定位石油和天然气作业引发的地震	使用全卷积网络进行地震定位，输出三维事件位置概率体积，无需速度模型或人工干预，能自动区分干扰事件或监测区域外事件	对于较小事件（M=1.0, 0.5）定位误差大于11公里，且定位精度受目录地面真值精度影响	准确自动确定小地震（M<3.0）的位置，以监测地震活动和评估潜在危害	俄克拉荷马州石油和天然气作业引发的地震	机器学习	NA	深度学习	CNN	地震波形数据	1,013个目录事件（M≥3.0）作为基础数据，加上针对较小事件（3.0>M≥0.5）的增强数据，来自30个台站	NA	全卷积网络	平均震中误差	NA
4	2026-09-29	A deep learning system accurately classifies primary and metastatic cancers using passenger mutation patterns 2020-02-05, Nature communications IF:14.7Q1 DOI:10.1038/s41467-019-13825-8 PMID:32024849	研究论文	该文章基于全基因组测序中的体细胞乘客突变模式，训练了一个深度学习分类器来预测癌症类型，并在独立原发性和转移性样本上验证了其准确性	利用体细胞乘客突变模式而非驱动突变来分类癌症类型；开发了一个深度学习分类器，在转移性肿瘤样本上的准确率约为病理学家的两倍；发现添加驱动突变信息反而降低了准确率	摘要中未明确提及研究的局限性	开发一个深度学习分类器，基于体细胞乘客突变模式预测癌症类型，特别是针对原发灶不明的转移性肿瘤	2606个肿瘤样本，涵盖24种常见癌症类型，来自ICGC/TCGA Pan-Cancer Analysis of Whole Genomes (PCAWG) 联盟	机器学习	癌症	全基因组测序 (WGS)	深度学习分类器	基因组数据	2606个肿瘤样本（包括原发性肿瘤和转移性肿瘤），涵盖24种癌症类型	NA	NA	准确率	NA
5	2026-09-07	Deep Learning for Predicting Enhancing Lesions in Multiple Sclerosis from Noncontrast MRI 2020-02, Radiology IF:12.1Q1 DOI:10.1148/radiol.2019191061 PMID:31845845	研究论文	本研究评估了深度学习能否在无对比剂的MRI扫描中预测多发性硬化症的增强病灶	首次将深度学习应用于无对比剂MRI预测多发性硬化增强病灶，结合卷积神经网络与全连接网络进行逐切片和逐参与者预测	未明确提及局限性，但可能存在对增强病灶的误判风险及依赖特定MRI协议	开发并评估无需对比剂即可预测多发性硬化增强病灶的深度学习方法	多发性硬化患者的非对比剂多参数MRI扫描和增强病灶	医学影像分析	多发性硬化症	NA	卷积神经网络	MRI影像	1008名参与者的1970次多参数MRI扫描	NA	卷积神经网络和全连接网络	灵敏度、特异性、AUC	NA
6	2026-03-29	Applications of Artificial Intelligence to Electronic Health Record Data in Ophthalmology 2020-02-27, Translational vision science & technology IF:2.6Q2 DOI:10.1167/tvst.9.2.13 PMID:32704419	综述	本文综述了人工智能技术在眼科电子健康记录数据中的应用，包括疾病诊断、风险评估和进展预测	聚焦于眼科领域，系统回顾了AI技术（如监督机器学习、深度学习和自然语言处理）在EHR数据中的具体应用，填补了该领域研究的空白	NA	概述人工智能方法在眼科电子健康记录数据中的应用，以促进患者护理和临床决策	眼科电子健康记录数据，特别是青光眼、糖尿病视网膜病变、年龄相关性黄斑变性和白内障相关数据	自然语言处理, 机器学习	青光眼, 糖尿病视网膜病变, 年龄相关性黄斑变性, 白内障	NA	监督机器学习, 深度学习, 自然语言处理	电子健康记录数据	NA	NA	NA	NA	NA
7	2026-03-16	Improving speaker diarization for naturalistic child-adult conversational interactions using contextual information 2020-02, The Journal of the Acoustical Society of America IF:2.1Q1 DOI:10.1121/10.0000736 PMID:32113327	研究论文	本文分析了影响儿童-成人对话互动中说话人日志性能的上下文因素，并训练了一个结合这些因素的DNN来改进日志性能	通过识别影响每种日志错误类型的上下文因素，并将这些因素与日志输出结合训练DNN，以改进在临床环境中儿童-成人互动的说话人日志性能	NA	改进在自然主义儿童-成人对话互动中的说话人日志性能	儿童与成人（照顾者/检查者）之间的对话互动	自然语言处理	NA	深度学习	DNN	音频	NA	NA	NA	NA	NA
8	2026-03-02	Methodological Challenges of Deep Learning in Optical Coherence Tomography for Retinal Diseases: A Review 2020-02-18, Translational vision science & technology IF:2.6Q2 DOI:10.1167/tvst.9.2.11 PMID:32704417	综述	本文综述了深度学习在光学相干断层扫描（OCT）用于视网膜疾病分析中的方法论挑战	系统性地识别并讨论了AI在OCT分析中面临的主要方法论障碍，包括数据、设备、计算和报告标准方面的挑战	作为综述文章，未提出新的实验数据或模型，主要基于现有文献分析挑战	探讨深度学习在OCT图像分类和分割中应用的方法论挑战及潜在解决方案	光学相干断层扫描（OCT）图像，特别是用于视网膜疾病分析	计算机视觉	视网膜疾病	光学相干断层扫描（OCT）	深度学习模型	3D体积图像	NA	NA	NA	诊断性能指标（具体未指定）	图形处理单元（GPU）
9	2026-01-18	Automated segmentation of the left ventricle from MR cine imaging based on deep learning architecture 2020-02-18, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ab7363 PMID:33438635	研究论文	本研究提出了一种基于深度学习的DenseV-Net方法，用于从磁共振电影成像中自动分割左心室，以提高心脏功能量化的效率和准确性	通过将V-Net中的卷积块替换为密集连接算法和密集计算，提出了DenseV-Net，以缓解梯度消失问题、防止梯度爆炸并增强特征传播	研究样本量较小，仅包含30名患者的数据，可能影响模型的泛化能力	开发一种自动分割左心室的方法，以改进心脏功能量化的临床工作流程	磁共振电影成像中的左心室	计算机视觉	心血管疾病	平衡稳态自由进动技术的磁共振电影成像	CNN	图像	30名患者，其中随机选择11名患者的30个切片（每个切片包含73张图像）	NA	V-Net, UNet, FCN, DenseV-Net	Dice相似系数, 线性回归相关系数	NA
10	2025-12-14	A novel deep learning model using dosimetric and clinical information for grade 4 radiotherapy-induced lymphopenia prediction 2020-02-04, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab63b6 PMID:31851954	研究论文	本文开发了一种新颖的混合深度学习模型，用于预测4级放疗诱导的淋巴细胞减少症	提出了一种双输入通道混合深度学习模型，结合了堆叠双向LSTM处理剂量参数和多层感知机处理非剂量信息，以改进预测性能	NA	提高放疗诱导的淋巴细胞减少症的预测准确性	放疗患者	机器学习	癌症	放疗	混合深度学习模型	剂量参数和临床信息	505名患者用于训练，216名患者用于测试	NA	堆叠双向LSTM, 多层感知机	AUC, 准确率, F1分数, 精确率, 召回率	NA
11	2025-12-14	Deep DoseNet: a deep neural network for accurate dosimetric transformation between different spatial resolutions and/or different dose calculation algorithms for precision radiation therapy 2020-02-04, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab652d PMID:31869825	研究论文	本文提出了一种名为Deep DoseNet的深度神经网络，用于在不同空间分辨率和/或不同剂量计算算法之间进行精确的剂量学转换，以提高放射治疗的精度	引入了一种新颖的深度学习策略，通过从低成本算法计算的剂量分布进行转换，以获得高精度的剂量计划，显著提高了剂量计算的准确性和效率	研究仅基于10名患者的CT数据，样本量相对较小，且仅针对特定治疗部位（肺、脑、腹部和骨盆）进行了验证	开发一种深度学习方法，用于精确转换不同剂量计算算法或空间分辨率下的剂量分布，以加速和优化放射治疗计划	放射治疗中的剂量分布数据，具体基于患者CT图像计算的剂量切片	机器学习	肺癌, 脑癌, 腹部和骨盆癌症	剂量计算算法（AAA和AXB），深度学习	CNN	图像（剂量分布切片和CT切片）	25,168个剂量分布切片，基于10名患者的CT数据	NA	Deep DoseNet（包含特征提取和上采样部分）	均方误差, Gamma指数通过率	NVIDIA DGX工作站
12	2025-12-14	A deep learning approach to radiation dose estimation 2020-02-04, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab65dc PMID:31881547	研究论文	本研究提出了一种基于深度学习和经验模态分解的混合方法（DNN-EMD），用于提高临床放射剂量估计的精度和可靠性	结合了Green's函数经验模态分解和U-net架构的深度学习技术，并利用软组织核蒙特卡洛模拟，以克服传统剂量估计方法的局限性	研究样本量较小（仅26名患者），且依赖于蒙特卡洛模拟作为参考标准，可能在实际应用中存在泛化性限制	开发一种个体化放射剂量预测方法，以改进临床剂量学应用的精度和可靠性	患者队列的X射线计算机断层扫描组织密度图和剂量图，以及Lu放射性核素的SPECT分布数据	机器学习	NA	蒙特卡洛模拟，SPECT分布测量，经验模态分解	深度神经网络，U-net	图像（CT组织密度图和剂量图）	26名患者	NA	U-net	平均偏差，方差	NA
13	2025-02-26	Harnessing the Power of Deep Learning to Assess Breast Cancer Risk 2020-02, Radiology IF:12.1Q1 DOI:10.1148/radiol.2019192471 PMID:31846401	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
14	2025-01-02	Retrospective imaging studies of gastric cancer: Study protocol clinical trial (SPIRIT Compliant) 2020-Feb, Medicine IF:1.3Q2 DOI:10.1097/MD.0000000000019157 PMID:32080093	研究论文	本研究旨在开发一种深度学习模型，用于胃癌中腹膜转移的术前准确诊断	首次基于CT图像使用深度学习技术诊断胃癌中的腹膜转移	研究为回顾性研究，可能存在选择偏倚	提高CT在胃癌腹膜转移诊断中的性能	胃癌患者	数字病理学	胃癌	CT	深度卷积神经网络（DCNN）	图像	所有胃癌患者，具体数量未明确	NA	NA	NA	NA
15	2024-10-26	Anatomical Context Protects Deep Learning from Adversarial Perturbations in Medical Imaging 2020-Feb-28, Neurocomputing IF:5.5Q1 DOI:10.1016/j.neucom.2019.10.085 PMID:32863583	研究论文	研究了深度学习在医学影像处理中对抗性扰动的影响，并比较了传统深度神经网络和结合解剖学上下文特征的混合模型的鲁棒性	提出了一种结合解剖学上下文特征的混合深度学习模型，该模型在对抗性扰动下表现出更高的鲁棒性	当前深度学习技术在临床应用中存在局限性	研究对抗性扰动对医学影像处理中深度学习模型的影响，并探索提高模型鲁棒性的方法	3D MRI脑部图像和基于图像预测个体年龄的任务	计算机视觉	NA	深度学习	深度神经网络和混合深度学习模型	图像	大量3D MRI脑部图像	NA	NA	NA	NA
16	2024-10-11	Multi-resolution convolutional neural networks for fully automated segmentation of acutely injured lungs in multiple species 2020-02, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2019.101592 PMID:31760194	研究论文	本文提出了一种多分辨率卷积神经网络用于自动分割多物种中急性损伤肺部	本文创新性地使用多分辨率卷积神经网络，通过级联低分辨率到高分辨率网络，避免了在高分辨率和全局上下文之间的权衡	本文的局限性在于依赖于有限的训练数据集，并使用了迁移学习来弥补这一不足	研究目的是开发一种自动分割急性损伤肺部的方法	研究对象是多物种中急性呼吸窘迫综合征（ARDS）损伤的肺部	计算机视觉	呼吸系统疾病	卷积神经网络	多分辨率卷积神经网络	CT图像	287个动物数据集	NA	NA	NA	NA
17	2024-10-11	Spatiotemporal Imputation of MAIAC AOD Using Deep Learning with Downscaling 2020-Feb, Remote sensing of environment IF:11.1Q1 DOI:10.1016/j.rse.2019.111584 PMID:32158056	研究论文	本文提出了一种利用深度学习进行降尺度处理的方法，用于填补MAIAC AOD数据的缺失值	本文创新性地使用深度学习结合降尺度技术，通过残差连接和参数共享来提高学习效果并减少过拟合，同时采用bagging方法降低误差方差	NA	研究目的是填补MAIAC AOD数据的缺失值，以提高空气质量建模的可靠性	研究对象是MAIAC AOD数据及其在加利福尼亚州的时空变异性	机器学习	NA	深度学习	深度残差网络	空间数据	研究涵盖了2000年至2016年加利福尼亚州的MAIAC AOD数据	NA	NA	NA	NA
18	2024-10-04	Application of deep learning to the classification of uterine cervical squamous epithelial lesion from colposcopy images combined with HPV types 2020-Feb, Oncology letters IF:2.5Q3 DOI:10.3892/ol.2019.11214 PMID:31966086	研究论文	研究利用深度学习技术结合HPV类型对宫颈鳞状上皮病变进行分类的可行性	开发了一种结合卷积神经网络和HPV张量的AI分类器，其准确性高于妇科肿瘤专家	需要进一步研究以验证其在临床中的应用	探索使用深度学习技术对宫颈鳞状上皮病变进行分类的可行性	宫颈鳞状上皮病变（SILs）的分类	计算机视觉	宫颈癌	深度学习	卷积神经网络	图像	253名患者，其中210名患有高级别SIL，43名患有低级别SIL	NA	NA	NA	NA
19	2024-09-14	[Research and application of orthotopic DR chest radiograph quality control system based on artificial intelligence] 2020-Feb-25, Sheng wu yi xue gong cheng xue za zhi = Journal of biomedical engineering = Shengwu yixue gongchengxue zazhi DOI:10.7507/1001-5515.201904017 PMID:32096390	研究论文	本文研究并应用了基于人工智能的正位DR胸部X光片质量控制系统	本文展示了深度学习算法在医学图像大数据有效训练中比传统图像处理算法更准确和高效，并开发了一套智能质量控制系统	NA	研究并实现计算机辅助的医学图像质量控制	正位DR胸部X光片的质量控制	计算机视觉	NA	深度学习算法	图像分割模型和图像分类模型	图像	涉及大量医学图像数据	NA	NA	NA	NA
20	2024-08-29	Automated Sagittal Craniosynostosis Classification from CT Images Using Transfer Learning 2020-Feb, Clinics in surgery PMID:32704611	研究论文	本研究开发了一种基于深度学习的自动分类方法，用于从CT图像中识别矢状缝早闭症（CSO）的亚型	本研究采用深度学习技术，通过迁移学习方法提高了特征提取效率和分类准确性，减少了手术技术选择的主观性	深度学习模型的性能仍依赖于原始数据的质量，医生的分类差异可能导致模型输出差异	提高矢状缝早闭症亚型分类的准确性和效率	矢状缝早闭症的亚型分类	计算机视觉	NA	深度学习	卷积神经网络（CNN）	图像	超过100个手工特征的CT图像数据集	NA	NA	NA	NA