深度学习在生物医药领域中的应用

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
1	2025-07-20	The 2019 n2c2/OHNLP Track on Clinical Semantic Textual Similarity: Overview 2020-Nov-27, JMIR medical informatics IF:3.1Q2 DOI:10.2196/23375 PMID:33245291	研究论文	本文概述了2019年n2c2/OHNLP临床语义文本相似性(ClinicalSTS)共享任务，旨在推动临床领域语义文本相似性任务的研究	发布了更大的ClinicalSTS数据集，并利用最先进的神经语言模型如BERT和XLNet进行语义文本相似性计算	训练数据中GE句子对占比较大，但系统在Epic句子对上表现更好，可能存在数据分布不均衡的问题	推动自然语言处理和生物医学信息学社区解决临床领域的语义文本相似性任务	临床文本句子对	自然语言处理	NA	语义文本相似性计算	BERT, XLNet	文本	1642对临床句子（来自GE和Epic电子健康记录系统）
2	2025-07-20	A deep learning diagnostic platform for diffuse large B-cell lymphoma with high accuracy across multiple hospitals 2020-11-26, Nature communications IF:14.7Q1 DOI:10.1038/s41467-020-19817-3 PMID:33244018	研究论文	本文建立了一个高准确度的深度学习平台，用于诊断弥漫性大B细胞淋巴瘤（DLBCL），并在多家医院中实现了接近100%的诊断准确率	开发了一个由多个卷积神经网络组成的高精度深度学习平台，能够在较小数据集上实现接近100%的诊断准确率，并解决了跨医院测试中的技术变异性问题	模型在跨医院测试中因样本制备和图像收集的技术变异性而性能下降，尽管通过消除这些变异性后恢复了100%的准确率	开发一个高准确度的AI诊断平台，用于DLBCL及其他人类造血系统恶性肿瘤的诊断	人类弥漫性大B细胞淋巴瘤（DLBCL）和非DLBCL的病理图像	数字病理学	弥漫性大B细胞淋巴瘤	深度学习	CNN	图像	来自三家医院的DLBCL和非DLBCL病理图像
3	2025-07-20	Virtual Monoenergetic CT Imaging via Deep Learning 2020-Nov-13, Patterns (New York, N.Y.) DOI:10.1016/j.patter.2020.100128 PMID:33294869	research paper	本文提出了一种基于深度学习的单能谱CT图像转换为虚拟单能（VM）图像的方法	使用改进的ResNet模型从单能谱CT图像生成VM图像，避免了双能CT的系统复杂性和辐射剂量增加	方法依赖于临床DECT数据进行训练，可能受限于训练数据的质量和多样性	开发一种能够从单能谱CT图像生成虚拟单能图像的方法，以降低系统复杂性和辐射剂量	单能谱CT图像和虚拟单能图像	medical imaging	NA	deep learning	ResNet	CT images	临床DECT数据
4	2025-04-10	A demonstration of automated visual evaluation of cervical images taken with a smartphone camera 2020-11-01, International journal of cancer IF:5.7Q1 DOI:10.1002/ijc.33029 PMID:32356305	research paper	研究探讨了自动化视觉评估（AVE）这一用于宫颈癌筛查的深度学习计算机应用，是否能够应用于智能手机拍摄的宫颈图像	首次将AVE技术应用于智能手机拍摄的宫颈图像，并通过大量数据和专家标注验证其有效性	金标准为专家印象而非组织病理学，且仅在小部分具有组织病理学诊断的图像上进行了验证	验证AVE技术在智能手机拍摄宫颈图像上的应用效果	7587张来自3221名女性的宫颈图像	computer vision	cervical cancer	deep learning	object detection networks	image	7587张图像来自3221名女性
5	2025-04-01	Deep learning approaches in predicting ADMET properties 2020-11, Future medicinal chemistry IF:3.2Q3 DOI:10.4155/fmc-2020-0259 PMID:33124448	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
6	2025-02-21	EEG-Based Emotion Classification Using Long Short-Term Memory Network with Attention Mechanism 2020-Nov-25, Sensors (Basel, Switzerland) DOI:10.3390/s20236727 PMID:33255539	研究论文	本文提出了一种基于长短期记忆网络（LSTM）和注意力机制的脑电图（EEG）情感分类方法	结合LSTM网络和注意力机制，考虑情感信号随时间的变化，并基于心理学中的峰终规则对特定时刻的情感状态进行加权	未提及具体局限性	研究基于EEG信号的情感分类	32通道EEG数据	机器学习	NA	深度学习算法	LSTM, CNN	EEG信号	DEAP数据库中的32通道EEG数据
7	2025-01-12	Poly(A)-DG: A deep-learning-based domain generalization method to identify cross-species Poly(A) signal without prior knowledge from target species 2020-11, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1008297 PMID:33151940	研究论文	本文提出了一种基于深度学习的领域泛化方法Poly(A)-DG，用于在无需目标物种先验知识的情况下识别跨物种的Poly(A)信号	提出了一种新的深度学习方法Poly(A)-DG，结合了卷积神经网络-多层感知器（CNN-MLP）网络和领域泛化技术，能够在无需重新训练的情况下识别目标物种的Poly(A)信号	虽然Poly(A)-DG在跨物种识别中表现出色，但在数据不足或数据不平衡的情况下，性能可能会受到影响	研究目的是开发一种能够在无需目标物种先验知识的情况下识别跨物种Poly(A)信号的深度学习方法	研究对象是四种不同物种的Poly(A)信号	机器学习	NA	深度学习	CNN-MLP	DNA序列数据	四种物种的数据集，其中两种用于训练，另外两种用于评估
8	2024-12-15	Multimodality Imaging and Artificial Intelligence for Tumor Characterization: Current Status and Future Perspective 2020-Nov, Seminars in nuclear medicine IF:4.6Q1 DOI:10.1053/j.semnuclmed.2020.07.003 PMID:33059823	研究论文	本文探讨了多模态影像与人工智能在肿瘤特征分析中的应用现状及未来展望	人工智能通过机器学习和深度学习，能够整合大量异质性数据进行分析，提供自动化和可重复的定量影像生物标志物	需要设定质量标准，包括影像采集的标准化、模型开发的透明性、验证和测试的高质量过程以及算法的更好可解释性	研究多模态影像与人工智能在肿瘤特征分析中的应用，以实现精准肿瘤学	肿瘤的特征分析和分子表达的非侵入性监测	计算机视觉	NA	机器学习，深度学习	NA	影像	NA
9	2024-12-06	Use of artificial intelligence in diagnosis of head and neck precancerous and cancerous lesions: A systematic review 2020-11, Oral oncology IF:4.0Q2 DOI:10.1016/j.oraloncology.2020.104885 PMID:32674040	综述	本文系统综述了人工智能在头颈部癌前病变和癌症诊断中的应用及其诊断准确性	本文首次系统综述了人工智能在头颈部癌前病变和癌症诊断中的应用，并评估了其诊断准确性	本文发现大多数研究存在高偏倚风险，可能导致准确率被高估，且缺乏对其他头颈部病理的AI诊断证据	评估人工智能在头颈部癌前病变和癌症诊断中的应用及其诊断准确性	头颈部癌前病变和癌症，包括口腔上皮发育不良、口腔黏膜下纤维化、口腔鳞状细胞癌和口咽鳞状细胞癌	数字病理	头颈部癌	人工智能	监督学习方法	图像	11项研究，涉及40-270张全切片图像
10	2024-10-12	[Segmentation of organs at risk in nasopharyngeal cancer for radiotherapy using a self-adaptive Unet network] 2020-Nov-30, Nan fang yi ke da xue xue bao = Journal of Southern Medical University DOI:10.12122/j.issn.1673-4254.2020.11.07 PMID:33243744	研究论文	研究基于自适应Unet网络在鼻咽癌放疗中对危及器官的自动分割精度	提出了基于三维Unet的改进网络AUnet，并引入了器官大小作为先验知识来优化卷积核设计，提高了网络对不同大小器官特征的提取能力	AUnet在视神经和视交叉的分割结果与手动分割存在显著差异	研究鼻咽癌放疗中危及器官自动分割的准确性	鼻咽癌患者的危及器官	计算机视觉	鼻咽癌	自适应直方图均衡化算法	AUnet	CT图像	147例鼻咽癌患者
11	2024-10-11	Multi-task deep learning based CT imaging analysis for COVID-19 pneumonia: Classification and segmentation 2020-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2020.104037 PMID:33065387	研究论文	本文提出了一种基于多任务深度学习的胸部CT影像分析工具，用于COVID-19肺炎的分类和分割	本文提出了一种新的多任务深度学习模型，通过联合执行分割、分类和重建任务来识别COVID-19患者并分割病变区域	本文未提及具体的局限性	开发一种自动化的分类和分割工具，以帮助筛查COVID-19肺炎并评估其严重程度	COVID-19肺炎患者的胸部CT影像	计算机视觉	COVID-19	深度学习	多任务深度学习模型	影像	1369名患者，其中包括449名COVID-19患者、425名正常患者、98名肺癌患者和397名其他病理患者
12	2024-10-09	Deep learning-based medical image segmentation with limited labels 2020-11-20, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/abc363 PMID:33086205	研究论文	本文提出了一种基于深度学习的医学图像分割方法，利用变形图像配准技术生成伪轮廓，以减少对大量标注数据的依赖	本文创新性地使用变形图像配准技术生成伪轮廓，结合少量标注数据训练深度学习模型，提高了在有限标注数据情况下的分割精度	本文仅在特定数据集上进行了验证，尚未在更广泛的数据集上进行测试	研究如何在有限标注数据的情况下，利用深度学习技术实现准确的医学图像分割	本文主要研究了下颌骨、腮腺和下颌下腺的分割	计算机视觉	NA	变形图像配准	深度学习模型	医学图像	10个标注的TCIA数据集和50个未标注的CT扫描图像
13	2024-10-07	Explainable Deep Learning for Pulmonary Disease and Coronavirus COVID-19 Detection from X-rays 2020-Nov, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2020.105608 PMID:32599338	研究论文	本文提出了一种利用深度学习技术从X光片中自动检测肺部疾病和COVID-19的方法	本文首次提出了一种基于深度学习的COVID-19自动检测方法，并结合了肺炎检测和症状定位	实验数据来自不同机构，可能存在数据偏差	提供一种自动且快速的COVID-19诊断方法	COVID-19和肺炎的检测与定位	计算机视觉	肺部疾病	深度学习	NA	图像	6523张胸部X光片
14	2024-09-14	A systematic review on recent trends in transmission, diagnosis, prevention and imaging features of COVID-19 2020-Nov, Process biochemistry (Barking, London, England) DOI:10.1016/j.procbio.2020.08.016 PMID:32843849	综述	本文综述了COVID-19的传播方式、诊断方法、预防措施以及影像学特征的最新趋势	介绍了人工智能和深度学习算法在COVID-19诊断中的应用潜力，并提出了无人机热成像筛查等新技术的发展方向	未详细讨论新技术在实际应用中的可行性和局限性	探讨COVID-19的传播、诊断、预防和影像学特征的最新进展	COVID-19的传播方式、诊断方法、预防措施以及影像学特征	NA	传染病	计算机断层扫描(CT)、反转录聚合酶链反应(RT-PCR)、免疫荧光色谱法	深度学习算法	NA	NA
15	2024-09-02	Putting artificial intelligence (AI) on the spot: machine learning evaluation of pulmonary nodules 2020-Nov, Journal of thoracic disease IF:2.1Q3 DOI:10.21037/jtd-2019-cptn-03 PMID:33282401	综述	本文综述了人工智能在肺结节评估中的应用，特别是深度学习和卷积神经网络在肺结节检测、分割和分类中的进展	深度学习和卷积神经网络在肺结节检测和分类中显示出有希望的结果	仍存在一些缺陷和挑战，需要将这些进展应用于常规临床实践中	旨在概述人工智能在肺结节检测和特征化方面的最新进展，最终目标是预测和分类肺癌	肺结节	机器学习	肺癌	深度学习 (DL) 和卷积神经网络 (CNNs)	卷积神经网络 (CNNs)	图像	NA
16	2024-08-22	Image quality improvement of single-shot turbo spin-echo magnetic resonance imaging of female pelvis using a convolutional neural network 2020-Nov-20, Medicine IF:1.3Q2 DOI:10.1097/MD.0000000000023138 PMID:33217817	研究论文	开发了一种基于深度学习的方法，用于提高单次激发涡轮自旋回波（SSTSE）磁共振成像的女性盆腔图像质量	使用卷积神经网络（CNN）生成的DL-SSTSE图像在图像质量上显著优于传统的SSTSE图像，并且在运动伪影鲁棒性和采集时间效率方面保持了SSTSE成像的优势	NA	比较基于深度学习的单次激发涡轮自旋回波（DL-SSTSE）图像与涡轮自旋回波（TSE）和传统SSTSE图像在图像质量上的差异	女性盆腔的SSTSE磁共振成像图像	计算机视觉	NA	磁共振成像（MRI）	卷积神经网络（CNN）	图像	105个训练样本和21个测试样本
17	2024-08-06	Evaluation of Survival Outcomes of Endovascular Versus Open Aortic Repair for Abdominal Aortic Aneurysms with a Big Data Approach 2020-Nov-30, Entropy (Basel, Switzerland) DOI:10.3390/e22121349 PMID:33265931	研究论文	本研究比较了开放主动脉修复与内血管主动脉修复在腹主动脉瘤患者中的生存结果	采用了基于深度学习的分析策略，提供了一种新的大数据方法来评估rAAA的治疗效果	虽然通过大数据方法模仿了随机临床试验，但实际操作中存在可行性问题	客观比较开放主动脉修复和内血管主动脉修复的生存结果	7826名腹主动脉瘤患者	数字病理学	腹主动脉瘤	大数据分析	深度学习	医疗数据	7826名患者
18	2024-08-07	Classification and Detection of Breathing Patterns with Wearable Sensors and Deep Learning 2020-Nov-13, Sensors (Basel, Switzerland) DOI:10.3390/s20226481 PMID:33202857	研究论文	本研究开发了一种非侵入式呼吸模式分析系统，利用可穿戴传感器和深度学习技术自动检测临床上有意义的呼吸模式	本研究通过构建合成数据集并使用一维卷积神经网络，实现了对不同呼吸事件的高精度检测和分类	本研究仅在模拟的正常志愿者中进行了测试，实际应用中可能需要进一步验证	开发一种能够快速评估呼吸模式的技术，以应对紧急医疗情况	研究对象为100名模拟各种呼吸事件的正常志愿者	机器学习	NA	一维卷积神经网络	CNN	加速度计和陀螺仪数据	100名正常志愿者
19	2024-08-07	AK-Score: Accurate Protein-Ligand Binding Affinity Prediction Using an Ensemble of 3D-Convolutional Neural Networks 2020-Nov-10, International journal of molecular sciences IF:4.9Q2 DOI:10.3390/ijms21228424 PMID:33182567	研究论文	本文开发了一种新的神经网络模型AK-Score，用于预测蛋白质-配体复合物的结合亲和力，该模型使用多个独立训练的3D卷积神经网络的集成	AK-Score模型的Pearson相关系数为0.827，高于现有最先进的结合亲和力预测评分函数	NA	提高蛋白质-配体结合亲和力的预测准确性，以促进理性药物设计	蛋白质-配体复合物的结合亲和力	机器学习	NA	3D卷积神经网络	CNN	结构数据	训练集包含3772个蛋白质-配体复合物，测试集包含285个复合物
20	2024-08-07	Reimagining T Staging Through Artificial Intelligence and Machine Learning Image Processing Approaches in Digital Pathology 2020-11, JCO clinical cancer informatics IF:3.3Q2 DOI:10.1200/CCI.20.00110 PMID:33166198	研究论文	本文讨论了人工智能和机器学习在数字病理学中用于疾病预后、肿瘤基因组和分子改变预测以及治疗反应预测的应用	人工智能方法有望克服传统TNM分期和肿瘤分级方法的局限性，提供独立于肿瘤阶段和级别的直接预后预测	文章提到了验证、解释性和报销等方面的潜在挑战，这些需要在广泛临床部署之前得到解决	探讨人工智能在数字病理学和肿瘤学中的应用及其未来机会	数字病理学中的疾病预后、肿瘤基因组和分子改变预测以及治疗反应预测	数字病理学	NA	人工智能 (AI), 机器学习 (ML)	深度学习 (DL)	图像	NA