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
21	2026-05-22	Magnetic resonance parameter mapping using model-guided self-supervised deep learning 2021-06, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.28659 PMID:33464652	研究论文	提出一种名为RELAX的模型引导自监督深度学习框架，用于快速定量磁共振参数映射	通过整合MR成像模型和定量参数拟合模型，消除对全采样参考数据的需求，实现无监督的快速参数映射	仅初步验证了T1和T2映射的可行性，需进一步扩展到其他定量MRI应用	开发一种无需全采样参考数据的自监督深度学习重建方法，用于加速定量MR参数映射	模拟和实际采集的MRI数据集中的T1和T2参数映射	机器学习	NA	MRI参数映射	自监督深度学习	MRI K空间数据	模拟数据集和实际在体T1/T2映射数据集	PyTorch	RELAX（自监督深度学习框架，包含物理模型约束）	图像质量比较（与监督学习和传统重建方法的对比）	NA
22	2026-05-22	SMPLIP-Score: predicting ligand binding affinity from simple and interpretable on-the-fly interaction fingerprint pattern descriptors 2021-Mar-25, Journal of cheminformatics IF:7.1Q1 DOI:10.1186/s13321-021-00507-1 PMID:33766140	研究论文	提出SMPLIP-Score，一种基于简单可解释的交互指纹模式描述符预测配体结合亲和力的方法	采用简单直接的特征化过程，将配体结合位点环境的交互指纹模式和配体分子碎片嵌入可向量化的矩阵中，无需额外特征分析即可直接解释特征含义	未提及与其他复杂特征模型的对比优势及泛化能力的进一步验证	实现快速、准确且可解释的蛋白质-配体结合亲和力预测，用于药物发现中的先导化合物优化	蛋白质-配体复合物的结合亲和力	机器学习	NA	NA	随机森林或深度神经网络	配体结合位点环境图像和分子碎片描述符	使用多个基准数据集（包括PDBbind v.2015、Astex Diverse Set、CSAR NRC HiQ、FEP、PDBbind NMR和CASF-2016）	NA	NA	NA	NA
23	2026-05-22	Topic classification of electric vehicle consumer experiences with transformer-based deep learning 2021-Feb-12, Patterns (New York, N.Y.) DOI:10.1016/j.patter.2020.100195 PMID:33659911	研究论文	利用基于Transformer的深度学习对电动汽车消费者体验进行主题分类	首次在电动汽车消费者体验分析中应用Transformer深度学习模型，并在全国代表性样本上实现了超过91%的分类准确率和0.83的F1分数，优于之前领先算法	未明确说明局限性	利用深度学习技术从非结构化电动汽车用户评论中自动发现关注主题，为公共政策分析和充电基础设施决策提供支持	电动汽车消费者的在线评论	自然语言处理	NA	NA	Transformer深度学习模型	文本	全国代表性样本（具体数量未提及）	NA	Transformer	准确率, F1分数	NA
24	2026-05-22	Genomic pan-cancer classification using image-based deep learning 2021, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2021.01.010 PMID:33598099	research paper	提出一种基于图像的深度学习策略，将基因突变数据转化为遗传突变图谱，用于泛癌分类	首次将基因突变数据（包括单核苷酸多态性、插入和缺失）转换为遗传突变图谱，并应用多种深度学习网络进行癌症类型分类	NA	提高基于基因突变的癌症类型分类准确性，提供泛癌分类和驱动基因发现的新方法	36种癌症类型的9047个患者样本的基因突变数据	computervision	多种癌症（包括前列腺癌和乳腺癌）	基因突变数据转换（包括SNP、插入和缺失）	深度学习网络（CNN）	图像（基因突变图谱）	9047个患者样本，36种癌症类型	NA	VGG-16, Inception-v3, ResNet-50, Inception-ResNet-v2	准确率（over 95%）	NA
25	2026-05-22	Machine learning techniques for analysis of hyperspectral images to determine quality of food products: A review 2021, Current research in food science IF:6.2Q1 DOI:10.1016/j.crfs.2021.01.002 PMID:33659896	综述	综述了机器学习技术在食品质量高光谱图像分析中的应用	总结不同机器学习技术在高光谱图像分析中的优势与局限，强调特征选择及深度学习、终身学习的应用潜力	深度学习领域相对较新，终身机器学习需进一步研究以纳入季节性变化	探讨机器学习技术用于食品质量快速、无损检测的方法和前景	高光谱图像中的食品质量检测	计算机视觉	NA	高光谱成像	深度学习	图像	NA	NA	NA	分类准确率	NA
26	2026-05-22	Improved sequence-based prediction of interaction sites in α-helical transmembrane proteins by deep learning 2021, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2021.03.005 PMID:33815689	研究论文	提出一种基于深度学习的序列预测方法DeepTMInter，用于预测α-螺旋跨膜蛋白的相互作用位点	结合超深残差神经网络与堆叠泛化集成技术，显著优于现有方法	未明确提及，但可能受限于预测精度和实际应用验证不足	开发序列层面的计算方法，大规模注释跨膜蛋白的相互作用位点	α-螺旋跨膜蛋白的相互作用位点	机器学习	NA	NA	超深残差神经网络	序列数据	训练和基准测试数据集来自公开数据集Mendeley	NA	超深残差神经网络	AUC, AUCPR	NA
27	2026-05-20	Classification of COVID-19 by Compressed Chest CT Image through Deep Learning on a Large Patients Cohort 2021-Mar, Interdisciplinary sciences, computational life sciences DOI:10.1007/s12539-020-00408-1 PMID:33565027	研究论文	提出一种基于深度学习的原型诊断系统，通过压缩胸部CT图像对COVID-19进行快速分类，并在大型患者队列上进行验证	无需数据增强即可区分COVID-19与正常对照，特异性0.92、敏感性0.93；测试时无需原始DICOM图像，可使用高度压缩的JPEG图像实现快速诊断；在6秒内区分病毒感染，支持低成本在线测试	小样本无症状患者验证有限；仅使用特定数据集，泛化性需进一步评估	开发一种快速、准确的COVID-19诊断系统，克服RT-PCR检测准确率低和传统AI方法耗时长的问题	1357名确诊COVID-19患者和未感染人群的胸部CT序列	计算机视觉	COVID-19	CT成像	深度学习模型	图像（胸部CT序列，含JPEG压缩图像）	2267个CT序列来自1357名确诊患者，1235个CT序列来自未感染者；额外48名无症状患者	NA	NA	特异性、敏感性	在线检测系统，要求低成本计算
28	2026-05-20	Complex Human Action Recognition Using a Hierarchical Feature Reduction and Deep Learning-Based Method 2021, SN computer science DOI:10.1007/s42979-021-00484-0 PMID:33615240	研究论文	提出一种基于层级特征降维和深度学习的方法，用于识别复杂的人类动作	通过自动化选取代表性帧并结合层级特征降维技术（背景减除、HOG）、深度学习网络（CNN和LSTM）以及骨骼建模，有效提取时间信息并降低计算成本	未提及具体限制，但可能依赖特定数据集（UCF101）的性能表现	解决视频序列中人类动作识别的时间信息利用不足和计算成本高的问题	视频序列中的复杂人类动作	计算机视觉	不适用	不适用	CNN, LSTM, Softmax-KNN	视频	UCF101数据集，包含101类复杂动作	不适用	不适用	准确性, 速度	不适用
29	2026-05-19	Detection of dementia on voice recordings using deep learning: a Framingham Heart Study 2021-08-31, Alzheimer's research & therapy DOI:10.1186/s13195-021-00888-3 PMID:34465384	研究论文	利用深度学习从语音录音中检测痴呆症——基于弗明汉心脏研究	首次在社区队列环境中，利用深度学习模型（LSTM和CNN）自动分析神经心理学测试的语音录音，实现痴呆症的筛查	研究为概念验证性质，模型性能尚需提升，且仅使用单一队列的数据，可能需要外部验证	开发可靠、经济且易于使用的痴呆症检测策略，特别是通过自动化分析语音录音来评估认知功能	弗明汉心脏研究（FHS）中的参与者语音录音，包括正常认知、轻度认知障碍和痴呆症三种情况	机器学习	痴呆症	语音记录	LSTM, CNN	音频	1264份语音录音（483份正常认知，451份轻度认知障碍，330份痴呆症）	NA	两层LSTM网络，卷积神经网络（CNN）	AUC, 平衡准确率, 加权F1分数	NA
30	2026-05-16	Integrative multiomics-histopathology analysis for breast cancer classification 2021-Nov-29, NPJ breast cancer IF:6.5Q1 DOI:10.1038/s41523-021-00357-y PMID:34845230	研究论文	开发弱监督深度学习模型，分析乳腺癌H&E染色切片与多组学状态（基因表达、突变）之间的关系	首次系统探索乳腺癌组织学形态与多组学状态之间的关联，并利用深度学习从视觉信号中预测受体状态和基因突变	未在摘要中明确提及限制	研究乳腺癌组织学形态与临床亚型、基因表达和突变状态的关系	乳腺癌患者的H&E染色活检切片及其多组学数据	数字病理学	乳腺癌	H&E染色组织切片分析	弱监督深度学习模型	图像	独立验证队列（具体数量未提供）	NA	NA	AUC（受试者工作特征曲线下面积）	NA
31	2026-05-16	Derivatization Design of Synthetically Accessible Space for Optimization: In Silico Synthesis vs Deep Generative Design 2021-Feb-11, ACS medicinal chemistry letters IF:3.5Q2 DOI:10.1021/acsmedchemlett.0c00540 PMID:33603964	研究论文	提出了一种基于人工智能辅助正向合成的衍生化设计技术，用于先导化合物优化中的分子生成	将人工智能辅助正向合成与分子设计相结合，自动生成具有合成可行性、试剂可用性和成本数据的近邻类似物及骨架变体	文中未明确提及局限性	开发一种新的衍生化设计技术，以加速先导化合物优化过程并降低研发成本	DDR1抑制剂类似物	机器学习	NA	AI辅助正向合成	NA	分子结构数据	未明确说明	NA	NA	NA	NA
32	2026-05-16	Wide and deep learning for automatic cell type identification 2021, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2021.01.027 PMID:33613870	研究论文	提出宽深度学习（WDL）方法用于单细胞数据中自动细胞类型识别	通过结合宽组件和深度神经网络，并引入正则化（dropout和L1/L2正则化），在跨平台不同癌症类型数据上显著提升细胞分类准确率	未明确讨论计算资源消耗、模型训练时间及对大规模异构数据的泛化能力	开发一种能处理高维数据并保留生物意义的细胞分类预测模型	肿瘤微环境中的免疫细胞及其亚型（如CD4+和CD8+ T细胞）	机器学习	癌症	单细胞测序	宽深度神经网络	单细胞转录组数据	黑素瘤数据（10X平台）和基底细胞癌数据（SMART-seq平台）	NA	WDL	准确率	NA
33	2026-05-15	Optimizing Deep Learning Algorithms for Segmentation of Acute Infarcts on Non-Contrast Material-enhanced CT Scans of the Brain Using Simulated Lesions 2021-Jul, Radiology. Artificial intelligence DOI:10.1148/ryai.2021200127 PMID:34350404	研究论文	使用模拟急性梗死病灶的深度学习算法优化非增强CT脑扫描的梗死分割	首次在非增强CT上利用合成急性梗死病灶训练深度学习模型，并引入对称感知U-Net架构提升分割性能	合成病灶可能无法完全模拟真实病灶的异质性，样本量较小（40个DWI病灶），且渐进训练策略未显示明显效果	评估深度学习算法在非增强CT上分割急性梗死病灶的效果	急性卒中患者的DWI病灶与非增强CT脑扫描图像	计算机视觉, 机器学习	急性脑卒中	CT扫描, DWI	U-Net	图像	40个DWI病灶与40个正常CT扫描组合，共640个组合用于训练（420）、验证（110）和测试（110）	NA	标准U-Net, 对称感知U-Net	Dice系数	NA
34	2026-05-11	Comparing machine and deep learning-based algorithms for prediction of clinical improvement in psychosis with functional magnetic resonance imaging 2021-03, Human brain mapping IF:3.5Q1 DOI:10.1002/hbm.25286 PMID:33185307	研究论文	比较六种机器学习算法和深度学习在基于功能性磁共振成像预测精神病患者临床改善中的表现	首次在早期精神病患者中系统比较多种机器学习方法与深度学习在预测症状改善方面的性能，并采用可解释人工智能揭示关键特征左背外侧前额叶皮质激活	样本量较小（精神分裂症65例，I型双相障碍17例），且仅使用单一认知任务（AX持续表现任务）的前顶叶激活特征	评估机器学习和深度学习方法在预测精神病患者经协调专科护理1年后临床症状改善的能力	早期精神病患者（精神分裂症或I型双相障碍）及健康对照者	机器学习	精神病	功能性磁共振成像	朴素贝叶斯、支持向量机、K Star、AdaBoost、J48决策树、随机森林、深度学习	功能性磁共振成像数据	82名患者（65例精神分裂症，17例I型双相障碍）和138名健康对照者	NA	NA	准确率、均方根误差	NA
35	2026-05-11	Further evaluation and validation of the VETSCAN IMAGYST: in-clinic feline and canine fecal parasite detection system integrated with a deep learning algorithm 2021-Jan-29, Parasites & vectors IF:3.0Q1 DOI:10.1186/s13071-021-04591-y PMID:33514412	研究论文	评估VETSCAN IMAGYST系统结合深度学习算法在猫狗粪便寄生虫检测中的性能	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
36	2026-05-11	DeepTFactor: A deep learning-based tool for the prediction of transcription factors 2021-01-12, Proceedings of the National Academy of Sciences of the United States of America IF:9.4Q1 DOI:10.1073/pnas.2021171118 PMID:33372147	研究论文	开发了一个基于深度学习的工具DeepTFactor，用于预测转录因子	利用卷积神经网络自动提取蛋白质特征，无需依赖已知转录因子的序列同源性，可预测无同源性的新转录因子	未明确讨论模型在非典型或极端环境下的泛化能力，以及预测结果的生物学验证覆盖范围有限（仅验证三种候选转录因子）	开发一种不依赖序列同源性的深度学习工具，准确预测真核和原核生物中的转录因子	转录因子（TFs）及蛋白质序列	机器学习	NA	NA	卷积神经网络（CNN）	蛋白质序列	48346个基因组中的73073012个蛋白质序列；对K-12 MG1655菌株预测332个候选转录因子	NA	卷积神经网络（CNN）	F1分数	NA
37	2026-05-09	Diagnostic Accuracy and Failure Mode Analysis of a Deep Learning Algorithm for the Detection of Cervical Spine Fractures 2021-08, AJNR. American journal of neuroradiology DOI:10.3174/ajnr.A7179 PMID:34117018	研究论文	评估深度学习算法Aidoc在检测颈椎骨折中的诊断准确性并进行失效模式分析	对商用AI决策支持系统Aidoc进行独立的失效模式分析，揭示其在慢性骨折检测中的性能不足	单中心回顾性研究，样本量有限，未涵盖所有骨折类型，且未与其他算法或临床工作流程进行比较	评估AI决策支持系统在颈椎CT扫描中检测骨折的性能，并识别性能较差的领域	成年患者的非对比颈椎CT扫描	计算机视觉	颈椎骨折	CT扫描	深度学习算法	图像	1904例急诊非对比颈椎CT扫描	NA	NA	敏感性, 特异性, 阳性预测值, 阴性预测值	NA
38	2026-05-08	Image Quality Assessment of Fetal Brain MRI Using Multi-Instance Deep Learning Methods 2021-09, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.27649 PMID:33891778	research paper	提出多实例深度学习方法用于自动评估三维胎儿脑MR图像质量	首次将多实例计数、投票和特征嵌入三种深度学习方法应用于胎儿脑MR图像质量自动评估，并量化胎龄对模型性能的影响	研究为回顾性设计，样本量有限，且仅针对T2加权单次激发快速自旋回波序列在1.5T场强下的数据	开发并评估多实例深度学习方法以实现胎儿脑MR图像质量的自动、客观、快速评估	211名胎儿的271次MR检查影像（平均胎龄30.9±5.5周）	computer vision	NA	MRI	多实例深度学习模型	图像	271次MR检查（来自211名胎儿）	NA	MI-CB-DLM, MI-VB-DLM, MI-FE-DLM	精确率, 召回率, F-score, 准确率, AUC	NA
39	2026-05-06	Advancing diagnostic performance and clinical applicability of deep learning-driven generative adversarial networks for Alzheimer's disease 2021-Dec, Psychoradiology DOI:10.1093/psyrad/kkab017 PMID:38666217	综述	系统综述生成对抗网络在阿尔茨海默病诊断中的应用，评估其相比于其他方法在分类和图像处理中的性能	首次系统比较生成对抗网络与其他方法在阿尔茨海默病诊断中的分类准确性和图像处理性能	多数研究使用公开数据库数据，缺少临床验证；定量评估和比较过程缺乏临床医生参与	评估生成对抗网络在阿尔茨海默病诊断中的应用价值并提出临床建议	阿尔茨海默病相关影像研究	机器学习	阿尔茨海默病	NA	生成对抗网络	图像	NA	NA	生成对抗网络	准确性	NA
40	2026-05-05	Classification of parotid gland tumors by using multimodal MRI and deep learning 2021-01, NMR in biomedicine IF:2.7Q1 DOI:10.1002/nbm.4408 PMID:32886955	研究论文	使用多模态磁共振成像和深度学习对腮腺肿瘤进行分类	提出了一种基于U-Net的全自动系统，结合迁移学习和批次分布优化，用于多模态MRI图像的腮腺肿瘤分割与分类	对恶性肿瘤的分类效果不佳，样本量较小（n=85），且扩散加权与增强T1加权图像结合未提高预测准确性	开发一种基于深度学习的全自动系统，用于多模态MRI图像中腮腺肿瘤的诊断分类	腮腺肿瘤（包括Warthin瘤、多形性腺瘤和恶性肿瘤）	计算机视觉	腮腺肿瘤	多模态磁共振成像	卷积神经网络	图像	85个样本	NA	U-Net	准确性、敏感性、特异性	NA