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	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
2	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
3	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
4	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
5	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
6	2026-04-02	Mutation effect estimation on protein-protein interactions using deep contextualized representation learning 2020-Jun, NAR genomics and bioinformatics IF:4.0Q1 DOI:10.1093/nargab/lqaa015 PMID:32166223	研究论文	提出一个名为MuPIPR的端到端深度学习框架，用于预测蛋白质突变对蛋白质-蛋白质相互作用（PPI）特性的影响	结合了氨基酸的上下文表示机制来放大点突变在长蛋白质序列中的细微变化，并采用孪生残差循环卷积神经编码器来编码野生型和突变型蛋白质对	仅使用序列信息，未结合结构或能量特征，且在SKEMPI v2数据集上的性能仅与现有方法相当	量化蛋白质突变对蛋白质-蛋白质相互作用特性的影响	蛋白质-蛋白质相互作用（PPI）	机器学习	NA	深度学习	CNN, 多层感知机	蛋白质序列	SKEMPI v1 和 SKEMPI v2 数据集	NA	孪生残差循环卷积神经编码器	结合亲和力变化和埋藏表面积变化的预测性能	NA
7	2026-03-28	Development and validation of an interpretable deep learning framework for Alzheimer's disease classification 2020-06-01, Brain : a journal of neurology IF:10.6Q1 DOI:10.1093/brain/awaa137 PMID:32357201	研究论文	开发并验证了一种用于阿尔茨海默病分类的可解释深度学习框架，该框架整合了MRI、年龄、性别和简易精神状态检查评分等多模态输入	提出了一种可解释的深度学习策略，能够从多模态输入中描绘独特的阿尔茨海默病特征，并生成个体疾病风险的直观可视化，其诊断性能超过了执业神经科医生团队	研究主要依赖于临床诊断数据，未明确提及模型在不同种族或医疗资源不均群体中的泛化能力验证	开发一种临床可适应的策略，利用常规影像技术生成阿尔茨海默病的神经影像特征以辅助诊断	阿尔茨海默病患者和认知正常受试者	数字病理学	阿尔茨海默病	MRI	深度学习	图像, 临床数据	训练集：ADNI数据集（n=417）；验证集：AIBL（n=382）、Framingham心脏研究（n=102）、NACC（n=582）	NA	全卷积网络, 多层感知机	曲线下面积	NA
8	2026-03-25	Deep-AmPEP30: Improve Short Antimicrobial Peptides Prediction with Deep Learning 2020-Jun-05, Molecular therapy. Nucleic acids DOI:10.1016/j.omtn.2020.05.006 PMID:32464552	研究论文	本文提出了一种基于深度学习的短长度抗菌肽预测方法Deep-AmPEP30，用于从基因组序列中识别潜在的抗菌肽	结合PseKRAAC简化的氨基酸组成最优特征集与卷积神经网络，提高了短长度抗菌肽的预测性能	NA	开发一种高效的短长度抗菌肽预测工具，以支持药物发现	短长度（≤30个氨基酸）抗菌肽	机器学习	NA	NA	CNN	序列数据	188个样本的平衡基准数据集	NA	NA	准确率, AUC-ROC, AUC-PR	NA
9	2026-01-18	Neonatal EEG sleep stage classification based on deep learning and HMM 2020-06-25, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/ab965a PMID:32454463	研究论文	本文提出了一种基于深度学习和隐马尔可夫模型的新生儿多通道脑电图睡眠阶段自动分类方法	结合了改进的图聚类蚁群优化算法进行特征选择、双向长短时记忆网络进行分类，并利用隐马尔可夫模型进行后处理以减少误报	研究样本量较小（仅16名新生儿），且仅针对足月新生儿，未涵盖早产儿或其他年龄段	提高新生儿睡眠阶段自动分类的准确性，以研究神经发育过程和诊断脑部异常	足月新生儿（孕后年龄38-40周）的多通道脑电图数据	机器学习	NA	多通道脑电图记录	BiLSTM, HMM	脑电图信号	16名新生儿	NA	双向长短时记忆网络	kappa系数, 总体准确率	NA
10	2026-01-18	Auditory attention tracking states in a cocktail party environment can be decoded by deep convolutional neural networks 2020-06-12, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/ab92b2 PMID:32403093	研究论文	本研究提出了一种基于源空间特征图像的深度卷积神经网络模型，用于解码鸡尾酒会环境中的听觉注意追踪状态	提出了一种新颖的CNN模型，使用源空间特征图像作为输入，结合节奏熵和加权最小范数估计提取特征，并应用深度迁移学习改善低行为表现组的分类性能	头皮脑电信号样本数量少、信噪比低、空间分辨率有限，可能限制基于CNN模型的脑机接口应用潜力	解码鸡尾酒会环境中的听觉注意追踪状态，为注意力与听力障碍患者提供新型听觉认知脑机接口通信通道	头皮脑电信号，特别是听觉注意追踪状态（成功与不成功）	脑机接口	注意力与听力障碍	节奏熵，加权最小范数估计	CNN	源空间特征图像	未明确说明样本数量，但涉及低行为表现组	未明确指定	具有三个卷积层的CNN	分类准确率	NA
11	2026-01-18	High-quality photoacoustic image reconstruction based on deep convolutional neural network: towards intra-operative photoacoustic imaging 2020-06-12, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ab9a10 PMID:33444279	研究论文	本文提出了一种结合时间反转和深度学习的方法，用于从有限数据中重建高质量光声图像，以支持神经外科术中成像	将时间反转算法作为神经网络的第一层，结合卷积神经网络进行端到端训练，以在减少探测器数量的情况下实现高质量图像重建	方法仅在合成血管数据库上进行评估，缺乏真实临床数据的验证	开发一种高质量、实时的术中光声成像方法，用于神经外科中血管和肿瘤微血管结构的定位	血管和肿瘤微血管结构的光声图像	计算机视觉	NA	光声成像	CNN	图像	合成血管数据库	NA	卷积神经网络	信噪比, 峰值信噪比, 结构相似性指数, 边缘保持指数	NA
12	2025-12-14	Label-driven magnetic resonance imaging (MRI)-transrectal ultrasound (TRUS) registration using weakly supervised learning for MRI-guided prostate radiotherapy 2020-06-26, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab8cd6 PMID:32330922	研究论文	本文提出了一种基于弱监督学习的全自动深度学习框架，用于磁共振成像（MRI）与经直肠超声（TRUS）的配准，以辅助前列腺近距离放射治疗	提出了一种结合图像分割与配准的端到端弱监督学习方法，使用前列腺标签衍生的体积重叠和表面一致性作为优化目标函数，解决了缺乏体素级真实对应关系的问题	研究样本量较小（36例患者数据），且未明确说明训练集、验证集和测试集的划分细节	开发一种准确、自动化的MRI-TRUS图像配准方法，以指导前列腺放射治疗	前列腺的MRI和TRUS图像	数字病理学	前列腺癌	磁共振成像（MRI），经直肠超声（TRUS）	CNN, UNET	图像	36组患者数据	NA	全卷积神经网络（CNN），2D CNN，3D UNET	目标配准误差（TRE），Dice系数，平均表面距离（MSD），豪斯多夫距离（HD）	NA
13	2025-12-14	Investigating the challenges and generalizability of deep learning brain conductivity mapping 2020-06-26, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab9356 PMID:32408291	研究论文	本研究探讨了深度学习在脑电导率映射中的挑战与泛化能力，通过训练3D基于补丁的卷积神经网络从B1收发相位数据预测电导率图	首次系统评估深度学习电导率断层扫描在不同模拟和体内数据集（包括病理情况）上的性能，并探索使用传统EPT生成的标签进行训练以改善结果	当网络从模拟数据训练后应用于体内数据时，测量相关伪影会影响电导率图的质量，且泛化能力有限	研究深度学习在脑电导率映射中的应用，评估其在不同数据集上的挑战和泛化性	模拟数据集、健康志愿者和脑部病变患者的体内测量数据集	医学影像分析	脑部病变	电导率断层扫描	CNN	图像	三个数据集：一个模拟数据集和两个体内测量数据集（分别来自健康志愿者和患者）	NA	3D基于补丁的卷积神经网络	NA	NA
14	2025-12-14	Low-dose CT with deep learning regularization via proximal forward-backward splitting 2020-06-15, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab831a PMID:32209742	研究论文	本文开发了基于深度学习的正则化方法，用于低剂量CT图像重建，通过展开近端前向后向分裂框架，结合数据驱动的深度神经网络正则化	提出了PFBS-AIR方法，将解析重建和迭代重建融合在协同的数据保真度更新中，相比传统方法显著提升了重建质量	NA	开发低剂量CT图像重建方法，以降低患者辐射剂量并提升图像质量	低剂量x射线计算机断层扫描图像	计算机视觉	NA	低剂量CT扫描	深度神经网络	CT图像	NA	NA	NA	重建质量	NA
15	2025-12-14	Abdominal synthetic CT generation from MR Dixon images using a U-net trained with 'semi-synthetic' CT data 2020-06-15, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab8cd2 PMID:32330923	研究论文	本研究提出了一种基于深度学习的U-net模型，从T1加权MR Dixon图像生成腹部合成CT，以支持基于MRI的肝内放射治疗计划	通过生成'半合成'CT图像解决CT和MRI图像因运动和器官填充状态不同导致的错配问题，该方法结合了CT的骨骼对比度和MRI的软组织及空气体积分类结果	研究仅涉及46名患者，样本量相对较小，且未详细讨论模型在更广泛患者群体或不同扫描条件下的泛化能力	开发一种从MR图像生成合成CT的方法，以支持MRI引导的肝内放射治疗计划	46名患者的MR和CT扫描数据，其中31名患者有临床放射治疗计划	数字病理学	肝内癌症	MRI, CT, 深度学习	U-net	图像	46名患者	NA	U-net	平均绝对误差（HU），剂量差异（Gy）	NA
16	2025-12-14	BIRADS features-oriented semi-supervised deep learning for breast ultrasound computer-aided diagnosis 2020-06-12, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab7e7d PMID:32155605	研究论文	提出一种新颖的BIRADS-SSDL网络，将临床批准的乳腺病变特征（BIRADS特征）整合到面向任务的半监督深度学习（SSDL）中，用于小训练数据集下的超声图像准确诊断	通过距离变换和高斯滤波器将乳腺超声图像转换为BIRADS导向特征图（BFMs），并设计多任务学习框架，使无监督的堆叠卷积自编码器（SCAE）在病灶分类任务约束下提取特征，同时利用SCAE编码器特征实现病灶分类	模型性能受病灶分割精度影响，分类准确率随分割精度下降而降低；预训练策略虽加速收敛但未提升测试集分类准确率	开发一种基于小数据集的乳腺超声计算机辅助诊断方法	乳腺超声图像	计算机视觉	乳腺癌	超声成像	半监督深度学习, 自编码器	图像	两个乳腺超声图像数据集（具体样本数未提供）	NA	堆叠卷积自编码器（SCAE）, 卷积网络	分类准确率	NA
17	2025-12-14	Deep learning based methods for gamma ray interaction location estimation in monolithic scintillation crystal detectors 2020-06-10, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ab857a PMID:32235062	研究论文	本文探索了基于深度学习的伽马射线相互作用位置估计方法，使用平均探测器响应函数信息，以替代传统的搜索方法	提出使用深度学习技术直接从平均探测器响应函数数据估计伽马射线相互作用位置，无需记录所有参考数据，显著降低了内存成本并加速了定位过程	未考虑深度信息，仅评估了x和y方向的定位误差	开发高效、低内存成本的伽马射线相互作用位置估计方法，用于单块闪烁晶体探测器	伽马射线在单块闪烁晶体探测器中的相互作用位置	机器学习	NA	平均探测器响应函数	CNN, 全连接网络	平均探测器响应函数数据	NA	NA	全连接网络, CNN	定位误差, 测试速度, 内存成本	NA
18	2025-10-06	Classification of Cancer Types Using Graph Convolutional Neural Networks 2020-Jun, Frontiers in physics IF:1.9Q2 DOI:10.3389/fphy.2020.00203 PMID:33437754	研究论文	本研究利用图卷积神经网络对33种癌症类型和正常组织进行分类	首次将图卷积神经网络应用于癌症分类，并设计了基于共表达网络和蛋白质相互作用网络的四种图结构模型	仅使用TCGA数据集，未在其他独立数据集上验证模型泛化能力	基于基因表达谱准确预测癌症类型	肿瘤样本和正常组织样本	机器学习	癌症	基因表达分析	GCNN	基因表达数据	10,340个癌症样本和731个正常组织样本	NA	图卷积神经网络	准确率	NA
19	2025-10-07	Lung Nodule Detection from Feature Engineering to Deep Learning in Thoracic CT Images: a Comprehensive Review 2020-06, Journal of digital imaging IF:2.9Q2 DOI:10.1007/s10278-020-00320-6 PMID:31997045	综述	本文系统回顾了2009年至2018年4月期间胸部CT图像中肺结节检测的研究进展	全面梳理了从传统特征工程到深度学习的肺结节检测技术发展脉络，特别聚焦于卷积神经网络的应用	仅涵盖截至2018年4月的研究成果，未包含最新技术发展	为研究人员提供肺结节检测领域的现状和技术进展综述	胸部CT图像中的肺结节	计算机视觉	肺癌	CT扫描	CNN	医学图像	NA	NA	NA	NA	NA
20	2024-10-11	Machine Learning for 3D Kinematic Analysis of Movements in Neurorehabilitation 2020-06-15, Current neurology and neuroscience reports IF:4.8Q1 DOI:10.1007/s11910-020-01049-z PMID:32542455	综述	本文综述了机器学习，特别是深度学习在神经康复中3D运动学分析的应用	深度学习方法在人体姿势和运动分类中的应用，以及便携式立体摄像系统在临床环境中进行3D姿态估计的可能性	目前这些技术在运动康复领域的应用尚未广泛	探讨机器学习在3D运动学分析中的应用及其对神经康复的影响	机器学习在神经康复中的应用	机器学习	NA	深度学习	卷积神经网络	图像	NA	NA	NA	NA	NA