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	2026-10-13	Vertebrae, IVD and spinal canal boundary extraction on MRI, utilizing CT-trained active shape models 2021-Dec, International journal of computer assisted radiology and surgery IF:2.3Q2 DOI:10.1007/s11548-021-02502-1 PMID:34643884	研究论文	提出一种利用CT训练的活动形状模型在MRI中提取椎骨、椎间盘和椎管边界的方法	使用从CT图像导出的形状先验来指导MRI中的边界提取，不依赖于CT/MR图像对，且不需要大量训练数据	需要有限的用户干预	在MRI中自动提取椎骨、椎间盘和椎管的边界	MRI图像中的椎骨、椎间盘和椎管	计算机视觉	脊髓疾病	活动形状模型	活动形状模型	图像	两个MRI数据集	NA	活动形状模型	NA	NA
2	2026-10-13	Deep learning improves macromolecule identification in 3D cellular cryo-electron tomograms 2021-11, Nature methods IF:36.1Q1 DOI:10.1038/s41592-021-01275-4 PMID:34675434	研究论文	本文提出了DeepFinder，一种利用人工神经网络在细胞冷冻电子断层扫描图像中同时定位多类大分子的计算流程	DeepFinder能够同时定位多类大分子，推理阶段比模板匹配更快，在合成和实验数据集上优于其他竞争性深度学习方法，并在细胞冷冻电子断层扫描数据上达到了与专家监督标注相当的精度	摘要中未明确提及研究局限性	提高3D细胞冷冻电子断层扫描中大分子识别的自动化程度和准确性	细胞冷冻电子断层扫描图像中的大分子，包括膜结合和胞质核糖体、核酮糖-1,5-二磷酸羧化酶/加氧酶以及光系统II	计算机视觉	NA	冷冻电子断层扫描	人工神经网络	图像	NA	NA	NA	定位精度	NA
3	2026-10-08	A real-time system using deep learning to detect and track ureteral orifices during urinary endoscopy 2021-01, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2020.104104 PMID:33220590	研究论文	该研究开发并验证了一种基于改进的实时深度卷积神经网络和鲁棒跟踪算法的实时计算机辅助系统，用于在泌尿内窥镜场景中自动检测和跟踪输尿管开口	提出了改进的SSD（Refined-SSD）用于输尿管开口检测，并将检测模型与五种不同的跟踪算法集成，以模拟泌尿科医生的检查行为，解决了输尿管开口在蠕动收缩闭合状态下难以识别的问题	研究使用了特定数量的内窥镜图像和视频帧进行训练和测试，样本量和多样性可能有限，未提及多中心验证或不同设备条件下的泛化能力	在真实内窥镜场景中自动识别和定位各种类型和状态的输尿管开口	输尿管开口（UO），包括经尿道电切镜和输尿管镜图像及视频帧中的输尿管开口	计算机视觉	泌尿系统疾病	泌尿内窥镜检查	CNN	图像和视频	447张经尿道电切镜图像（含输尿管开口）用于训练，818张输尿管镜图像用于测试，892个经尿道电切镜视频帧和1366个输尿管镜视频帧用于视频序列分析，17个经尿道电切镜视频片段和40个输尿管镜视频片段用于跟踪评估	NA	Refined-SSD, SSD	准确率, 灵敏度, 每图像假阳性率, 跟踪成功率	NA
4	2026-10-05	Generative Adversarial Networks to Synthesize Missing T1 and FLAIR MRI Sequences for Use in a Multisequence Brain Tumor Segmentation Model 2021-05, Radiology IF:12.1Q1 DOI:10.1148/radiol.2021203786 PMID:33687284	研究论文	使用生成对抗网络合成缺失的T1和FLAIR磁共振序列，用于多序列脑肿瘤分割模型	利用生成对抗网络合成缺失的MRI序列，使深度学习分割模型在输入不完整时仍可使用	需进一步验证生成图像在其他肿瘤类型和更大数据集上的泛化能力	确定使用生成对抗网络合成脑MRI扫描是否允许使用需要T1加权、对比增强T1加权、FLAIR和T2加权图像的深度学习模型进行脑病变分割	胶质母细胞瘤和中枢神经系统淋巴瘤患者的脑MRI扫描	医学图像分割	脑肿瘤	生成对抗网络	生成对抗网络	图像	210个胶质母细胞瘤（BRATS 2017数据集），46个胶质母细胞瘤和21个中枢神经系统淋巴瘤（机构数据集）	NA	NA	均方误差, 结构相似性指数, Dice相似系数	NA
5	2026-10-05	Retracted: Medical Data Feature Learning Based on Probability and Depth Learning Mining: Model Development and Validation 2021-04-08, JMIR medical informatics IF:3.1Q2 DOI:10.2196/19055 PMID:33830067	撤稿	本文提出了一种基于概率和深度学习挖掘的级联深度模型，用于医疗数据特征学习，并开发智能应用预测医院门诊量	构建了级联深度学习框架，结合概率和深度学习挖掘医疗大数据特征，提出级联数据特征学习模型用于门诊量预测	论文已被撤稿，研究结果的可靠性和有效性存疑；周和月门诊量预测中误差会累积导致预测精度降低	分析医疗健康数据，开发智能应用预测医院门诊就诊量，分析医疗大数据特征，实现疾病风险评估和 multimodal 数据特征学习	医疗健康大数据，医院门诊量数据	机器学习	NA	深度学习，机器学习	级联深度学习模型	医疗数据，门诊量数据	NA	NA	级联深度模型	预测精度	NA
6	2026-10-04	Latent traits of lung tissue patterns in former smokers derived by dual channel deep learning in computed tomography images 2021-03-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-021-84547-5 PMID:33649381	研究论文	本文利用无监督三维卷积自编码器-特征构建器深度学习网络从CT图像中学习并提取肺组织模式簇，进而通过探索性因子分析发现潜在特质，用于预测肺功能和区分COPD严重程度	采用双通道（CT强度和Jacobian值）三维卷积自编码器-特征构建器进行无监督学习，联合推导组织模式簇，并应用探索性因子分析发现未观察到的潜在特质	摘要中未明确提及研究的局限性	从CT图像中提取肺组织模式的潜在特质，以开发基于因子的替代标记物用于新的COPD表型	541名 former smokers 和59名健康非吸烟者的CT图像	数字病理学	慢性阻塞性肺疾病	计算机断层扫描（CT）成像	卷积自编码器（CAE）	图像	600名受试者（541名 former smokers 和59名健康非吸烟者）的CT图像	NA	3D卷积自编码器	NA	NA
7	2026-10-03	Can deep learning beat numerical weather prediction? 2021-Apr-05, Philosophical transactions. Series A, Mathematical, physical, and engineering sciences DOI:10.1098/rsta.2020.0097 PMID:33583266	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
8	2026-10-03	Discovery of Ongoing Selective Sweeps within Anopheles Mosquito Populations Using Deep Learning 2021-03-09, Molecular biology and evolution IF:11.0Q1 DOI:10.1093/molbev/msaa259 PMID:33022051	研究论文	该文章提出了一种基于深度学习的方法partialS/HIC，用于从群体基因组数据中发现正在进行的持续性选择性清除	引入深度学习方法partialS/HIC，利用卷积神经网络结合溯祖模拟生成的汇总统计量，能够区分已完成与部分清除、硬清除与软清除，以及直接受选择影响的区域与仅与附近选择性清除连锁的区域；这是首个能够区分已完成和部分清除以及硬和软清除的监督机器学习方法	未明确提及	开发一种能够发现正在进行的部分选择性清除的工具，以追踪进化动态	八种按蚊群体的全基因组数据	群体基因组学	NA	全基因组测序	CNN	基因组数据	来自撒哈拉以南非洲的八个按蚊群体	NA	卷积神经网络	NA	NA
9	2026-10-03	Initial chest radiographs and artificial intelligence (AI) predict clinical outcomes in COVID-19 patients: analysis of 697 Italian patients 2021-Mar, European radiology IF:4.7Q1 DOI:10.1007/s00330-020-07269-8 PMID:32945968	研究论文	该研究评估了基于人工智能（AI）系统评估的初始胸部X光（CXR）严重程度对COVID-19患者是否具有预后价值	使用AI系统评估初始胸部X光严重程度，并与放射科医生评估的RALE评分进行比较，发现两者在预测不良结局方面具有独立且可比的性能，可能在资源受限环境中改变游戏规则	回顾性单中心研究，样本量有限，需要进一步多中心验证	评估初始胸部X光严重程度（由AI系统评估）在COVID-19患者中的预后效用	2020年2月25日至4月9日期间急诊科就诊的成年COVID-19患者	数字病理学	COVID-19	深度学习人工智能系统	CNN	图像	697名患者	NA	NA	风险比（HR），置信区间（CI），p值	NA
10	2026-10-03	Leveraging multimodal microscopy to optimize deep learning models for cell segmentation 2021-Mar, APL bioengineering IF:6.6Q1 DOI:10.1063/5.0027993 PMID:33415313	研究论文	本研究通过使用由大规模“超标记”图像堆栈中采样的通道组成的子图像堆栈来训练深度学习模型，从而在相同细胞上直接比较多种标记策略和训练方法，并探索如何通过合并荧光通道和利用离焦明场图像来结合标记与无标记技术的优势	提出使用“超标记”图像堆栈的子图像堆栈进行训练，使得能够在完全相同的细胞上直接比较多种标记策略和训练方法，克服了不同训练数据集通道差异导致难以跨研究比较的问题；同时发现该方法可模拟多种标记条件，提升最终模型对不同候选细胞标记策略的适应能力	摘要中未明确提及研究的局限性	优化用于细胞分割的深度学习模型，并直接比较多种细胞标记策略和训练方法的效果	高通量显微镜图像中的细胞	计算机视觉	NA	高内涵显微成像、荧光标记、无标记成像、明场成像	深度学习模型	图像	NA	NA	NA	分割准确率	NA
11	2026-10-03	Review of deep learning for photoacoustic imaging 2021-Mar, Photoacoustics IF:7.1Q1 DOI:10.1016/j.pacs.2020.100215 PMID:33425679	综述	本文综述了深度学习在光声成像领域的应用进展与挑战，涵盖从图像重建到疾病诊断的整个生态链	系统性地综述了深度学习在光声成像全生态链中的应用，从图像重建到疾病诊断，并提供了开源材料和其他资源供研究者参考	作为综述文章，未涉及具体实验验证，且未对现有方法进行定量比较分析	概述机器学习在医学图像分析中的新进展和挑战，特别聚焦于深度学习在光声成像中的应用，介绍深度学习基础知识、综述近期相关工作并提供开源资源	光声成像领域的深度学习应用，包括图像重建和疾病诊断等相关研究	计算机视觉	NA	光声成像	深度人工神经网络	图像	NA	NA	深度神经网络	NA	NA
12	2026-10-03	Predicting COVID-19 disease progression and patient outcomes based on temporal deep learning 2021-02-08, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-020-01359-9 PMID:33557818	研究论文	该论文提出基于时间感知长短期记忆网络（T-LSTM）的时间深度学习方法，利用武汉485名COVID-19患者的血液样本数据，预测疾病进展和患者结局，并识别疾病分期	提出时间感知长短期记忆网络（T-LSTM）处理不规则采样时间序列，同时考虑生物标志物和不规则时间间隔来预测患者结局，并基于提取的患者表征进行疾病亚型分期，发现了COVID-19的4个进展阶段及3种并发症	未明确提及	识别COVID-19疾病进展阶段并在早期预测患者结局，以帮助靶向治疗和资源分配	武汉485名COVID-19患者的血液样本	机器学习	COVID-19	时间感知长短期记忆网络（T-LSTM）	T-LSTM	时间序列血液样本数据	485名患者的血液样本	NA	T-LSTM	准确率	NA
13	2026-10-03	Machine learning applied on chest x-ray can aid in the diagnosis of COVID-19: a first experience from Lombardy, Italy 2021-02-02, European radiology experimental IF:3.7Q1 DOI:10.1186/s41747-020-00203-z PMID:33527198	研究论文	本研究训练并测试了一个深度学习分类器，利用胸部X光片辅助诊断COVID-19，研究对象来自意大利伦巴第大区的两家医院	首次在意大利伦巴第地区使用集成十个卷积神经网络的深度学习模型，基于床旁胸部X光片进行COVID-19诊断，并与放射科医生的回顾性判读进行对比	训练数据集有限（仅500例），模型性能仍有提升空间，需要更多胸部X光片进行进一步训练以提高性能	训练并测试深度学习分类器以支持利用胸部X光片诊断COVID-19	来自意大利伦巴第两家医院的COVID-19患者和非COVID-19患者的床旁胸部X光片	计算机视觉	COVID-19	胸部X光成像，实时聚合酶链反应	CNN	图像	训练和验证集：500例（250例COVID-19，250例非COVID-19）；独立测试集：110例患者（74例COVID-19，36例非COVID-19）	NA	卷积神经网络集成（十个CNN）	灵敏度，特异度，曲线下面积（AUC）	NA
14	2026-10-03	Text classification models for the automatic detection of nonmedical prescription medication use from social media 2021-01-26, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-021-01394-0 PMID:33499852	研究论文	本文开发并评估了基于双向Transformer的自动文本分类模型，用于从Twitter检测非医疗处方药使用（滥用/误用）的自我报告。	提出了融合（fusion）方法，并首次系统地将多种最先进的Transformer模型（BERT、RoBERTa、XLNet、AlBERT、DistilBERT）应用于非医疗处方药使用的检测，同时证明了融合模型显著优于传统模型和单一Transformer模型；此外通过变化训练集大小的实验证明了Transformer模型在小样本下更稳定。	社交媒体文本缺乏上下文且语言独特（如俚语、缩写等），这是当前模型性能提升的主要障碍；作者指出要进一步提升BERT类模型的效果需要克服这些挑战。	开发自动化的社交媒体文本分类系统，以连续监测Twitter上关于非医疗处方药使用（滥用/误用）的自我报告。	Twitter上公开的用户推文，特别是包含非医疗处方药滥用/误用自我报告的推文。	自然语言处理	药物滥用	双向Transformer语言模型（BERT、RoBERTa、XLNet、AlBERT、DistilBERT）以及融合方法	Transformer, BERT, RoBERTa, XLNet, AlBERT, DistilBERT	文本（推文）	使用了公共数据集，但摘要未明确说明具体样本量。	NA	BERT, RoBERTa, XLNet, AlBERT, DistilBERT, 融合模型	F1-score (95% CI)	NA
15	2026-10-03	Mining influential genes based on deep learning 2021-Jan-22, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-021-03972-5 PMID:33482718	研究论文	本文提出一个基于深度学习的计算框架，利用AutoEncoder和DeepLIFT挖掘能覆盖更多基因组信息的关键基因集	首次将AutoEncoder与DeepLIFT结合用于关键基因挖掘，并重新获得了一个关键基因集，该基因集在预测目标基因时比L1000方法更准确和稳健	未明确说明计算资源需求及框架在大规模数据上的可扩展性	挖掘能覆盖更多基因组信息的关键基因子集，以更准确和稳健地推断目标基因	基因表达谱数据中的基因	机器学习	NA	基因表达谱分析	AutoEncoder	基因表达数据	NA	NA	AutoEncoder	平均绝对误差, 皮尔逊相关系数	NA
16	2026-10-03	Intelligent Fault Diagnosis of Hydraulic Piston Pump Based on Wavelet Analysis and Improved AlexNet 2021-Jan-14, Sensors (Basel, Switzerland) DOI:10.3390/s21020549 PMID:33466697	研究论文	本文提出一种结合小波分析和改进CNN的液压柱塞泵智能故障诊断方法，通过改进AlexNet结构减少参数和计算复杂度，实现多状态故障分类。	结合小波分析与改进CNN，通过修改网络结构减少参数和计算复杂度，相比经典AlexNet更高效。	摘要中未明确提及研究的局限性。	探索液压柱塞泵的智能故障诊断方法，克服传统方法对专家经验和特征提取的依赖。	液压柱塞泵的振动信号，涵盖中心弹簧故障、滑靴磨损、斜盘磨损、滑靴松动和正常状态五种健康状态。	机器学习	NA	小波分析	CNN	振动信号（数值数据）	五种不同健康状态的故障数据	NA	改进AlexNet, LeNet-5, 2D LeNet-5, AlexNet	识别准确率, 鲁棒性	NA
17	2026-10-03	FSS-2019-nCov: A deep learning architecture for semi-supervised few-shot segmentation of COVID-19 infection 2021-Jan-05, Knowledge-based systems IF:7.2Q1 DOI:10.1016/j.knosys.2020.106647 PMID:33519100	研究论文	本文提出了一种名为FSS-2019-nCov的半监督小样本分割深度学习架构，用于从少量标注的肺部CT扫描中高效分割COVID-19感染区域	提出了一种新颖的双路径深度学习架构用于小样本分割，每条路径包含编码器-解码器结构；引入了平滑空洞卷积（SAC）块和多尺度金字塔池化（MPP）块组成的上下文增强模块；提出了自适应重组合与重校准（RR）模块，实现两条路径之间的高效知识交换且仅带来微小的计算复杂度增加	摘要中未明确提及研究局限性	在标注数据有限的情况下，实现COVID-19感染的精确分割，并提供一个适用于有限数据场景下肺部疾病诊断的通用框架	COVID-19感染患者的肺部CT扫描图像	计算机视觉	肺癌	CT成像	CNN	图像	少量标注的肺部CT扫描图像（具体数量未在摘要中说明）	NA	ResNet34编码器, 编码器-解码器架构	NA	NA
18	2026-10-03	A slice classification model-facilitated 3D encoder-decoder network for segmenting organs at risk in head and neck cancer 2021-Jan-01, Journal of radiation research IF:1.9Q3 DOI:10.1093/jrr/rraa094 PMID:33029634	研究论文	本文开发并验证了一种基于切片分类模型辅助的3D编码器-解码器网络，用于头颈部癌症中危及器官（OARs）的分割，以解决小体积OARs与全CT图像之间的类别不平衡问题。	提出了一种两步分割模型，首先使用切片分类模型将CT切片分为六个类别，然后将不同OARs的目标类别分别输入到不同的3D编码器-解码器分割网络中，从而减少假阳性和计算时间。	未明确提及	缓解头颈部癌症OARs分割中的类别不平衡问题，提高分割精度和效率。	头颈部癌症患者的CT图像中的危及器官（OARs），包括左右眼、左右视神经、脑干、左右颞叶、左右颞下颌关节、下颌骨、左右腮腺。	数字病理学, 计算机视觉	头颈部癌症	CT成像	CNN	图像	170名患者（训练集120，验证集30，测试集20）	未明确提及	3D编码器-解码器网络, 切片分类模型	Dice相似系数, 95%豪斯多夫距离, 准确率	未明确提及
19	2026-10-03	Technology trends and applications of deep learning in ultrasonography: image quality enhancement, diagnostic support, and improving workflow efficiency 2021-Jan, Ultrasonography (Seoul, Korea) DOI:10.14366/usg.20102 PMID:33152846	综述	本文综述了深度学习在超声成像中的最新应用，涵盖图像质量增强、诊断支持和工作流程效率提升	系统总结了深度学习在超声图像处理、诊断及工作流程优化中的最新进展，并展望未来方向	作为综述，未提供原始实验数据，且未深入讨论技术实现细节	综述深度学习在超声成像中的应用，包括图像质量增强、诊断支持和工作流程效率提升	超声图像及相关临床应用（乳腺、甲状腺、心脏、肾脏、肝脏、胎儿头部等）	医学图像分析	乳腺癌, 甲状腺癌, 心血管疾病, 肾脏疾病, 肝脏疾病, 胎儿异常	超声成像	CNN, GAN, Transformer	图像	NA	NA	NA	NA	NA
20	2026-10-03	Deep Learning-Based Acute Ischemic Stroke Lesion Segmentation Method on Multimodal MR Images Using a Few Fully Labeled Subjects 2021, Computational and mathematical methods in medicine DOI:10.1155/2021/3628179 PMID:33564322	研究论文	本文提出一种基于深度学习的多模态MR图像急性缺血性卒中病灶分割方法，利用少量全标注受试者和大量弱标注受试者进行训练	提出多特征图融合网络（MFMF-Network），采用双分支结构，分类分支使用数百个弱标注受试者训练，分割分支使用少量全标注受试者微调，从而减少对全标注数据的依赖	仅使用了5个全标注受试者，分割性能（平均Dice系数0.699）仍有提升空间；方法依赖于弱标注数据的质量和数量	解决急性缺血性卒中病灶分割中全标注数据稀缺的问题，实现高效准确的病灶分割	急性缺血性卒中患者的多模态MR图像	医学图像分割	急性缺血性卒中	多模态磁共振成像（MRI）	卷积神经网络（CNN）	图像	398个弱标注受试者用于训练分类分支，5个全标注受试者用于训练分割分支，179个受试者用于测试	NA	多特征图融合网络（MFMF-Network）	Dice系数、病灶级F1分数、受试者级检测率	NA