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
41	2026-09-30	Inferring Association Between Alcohol Addiction and Defendant's Emotion Based on Sound at Court 2021, Frontiers in psychology IF:2.6Q2 DOI:10.3389/fpsyg.2021.669780 PMID:34122261	研究论文	本文提出了一种基于深度学习的语音情感识别框架 ResCNN-SER，用于法庭中基于声音预测被告人情绪，并推断酒精成瘾与被告情绪之间的关联	首次研究了法庭中酒精成瘾与被告人情绪之间的关联，提出了结合残差网络和卷积神经网络的 ResCNN-SER 模型用于语音情感识别	样本量较小（仅54份庭审记录），未提及模型的计算资源需求及跨法庭场景的泛化能力验证	基于法庭声音识别被告人情绪，并推断酒精成瘾与被告人情绪之间的关联	法庭庭审录音中的被告人语音	语音情感识别，机器学习	酒精成瘾	语音信号处理，深度学习	CNN，ResNet	音频	54份庭审录音记录	NA	ResCNN-SER（残差卷积神经网络）	准确率（优于现有方法，具体指标未详细说明）	NA
42	2026-09-30	FedDPGAN: Federated Differentially Private Generative Adversarial Networks Framework for the Detection of COVID-19 Pneumonia 2021, Information systems frontiers : a journal of research and innovation IF:6.9Q1 DOI:10.1007/s10796-021-10144-6 PMID:34149305	研究论文	本文提出联邦差分隐私生成对抗网络框架FedDPGAN，用于在不泄露隐私的情况下检测COVID-19肺炎	将联邦学习与差分隐私生成对抗网络结合，在保护数据隐私的同时实现COVID-19肺炎检测，支持IID和非IID设置	仅在三种胸部X射线图像数据集上评估，未涉及其他医学影像或更大规模的真实世界部署	解决基于GAN的COVID-19肺炎检测中的数据隐私泄露问题	胸部X射线图像数据，包括COVID-19、正常和普通肺炎三类	计算机视觉	COVID-19肺炎	联邦学习, 差分隐私, 生成对抗网络	GAN	图像	NA	NA	DP-GAN	NA	NA
43	2026-09-30	A spectrogram image based intelligent technique for automatic detection of autism spectrum disorder from EEG 2021, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0253094 PMID:34170979	研究论文	该研究开发了一种基于脑电信号时频谱图图像的智能框架，用于自动检测自闭症谱系障碍	提出了基于短时傅里叶变换将脑电信号转换为二维频谱图图像，并分别使用机器学习和深度学习模型进行自闭症自动检测的框架	未明确说明具体局限性	开发一种基于脑电信号时频谱图图像的高效诊断框架，以自动识别自闭症谱系障碍	自闭症谱系障碍患者的脑电信号	机器学习	自闭症谱系障碍	脑电图, 短时傅里叶变换	CNN	图像	NA	NA	卷积神经网络	准确率	NA
44	2026-09-30	An amalgamation of YOLOv4 and XGBoost for next-gen smart traffic management system 2021, PeerJ. Computer science DOI:10.7717/peerj-cs.586 PMID:34239973	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
45	2026-09-29	Peel learning for pathway-related outcome prediction 2021-11-18, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btab402 PMID:34042937	研究论文	本文提出了一种新的神经网络方法——剥离学习（Peel Learning），该方法利用基因间的先验关系，通过逐层剥离和线性投影来简化网络结构，并采用改进的反向传播优化参数，用于通路相关的结果预测	提出了一种新的神经网络架构Peel Learning，该架构能够将基因间的先验通路关系整合到神经网络中，通过逐层剥离和线性投影降低变量间的依赖，从而在小样本高维数据上提高预测性能	未明确提及	解决传统回归模型在结果预测中的局限性以及深度学习在小样本高维基因表达数据中难以应用的问题	肺移植研究中的供体基因表达数据以及模拟数据	机器学习	肺移植	基因表达分析	神经网络	基因表达数据	一项小型肺移植研究	Python	Peel Learning	预测准确率	未明确提及
46	2026-09-29	A convolutional neural network for common coordinate registration of high-resolution histology images 2021-11-18, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btab447 PMID:34128955	研究论文	提出一种新型卷积神经网络架构，用于高分辨率组织学图像的共同坐标配准	结合局部分类CNN和全局分割CNN，实现端到端训练，能够处理高分辨率图像并保持全局感知，在多个数据集上优于竞争方法	未明确提及	解决大规模空间组学研究中的组织学图像配准问题，实现共同坐标配准	高分辨率组织学图像，包括一个参考组织学数据集和两个已发表的空间转录组学数据集	数字病理学	NA	空间转录组学	CNN	图像	NA	NA	CNN	NA	商用GPU
47	2026-09-29	Anatomy-guided multimodal registration by learning segmentation without ground truth: Application to intraprocedural CBCT/MR liver segmentation and registration 2021-07, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2021.102041 PMID:33823397	研究论文	本文提出了一种解剖结构引导的多模态图像配准框架，通过学习源模态标注数据实现无目标模态标注的CBCT和MR肝脏分割，并将分割结果整合到基于鲁棒点匹配的多模态配准中	提出了解剖保持域适应分割网络（APA2Seg-Net），利用已有源模态标注数据集学习目标模态分割，无需目标模态的手动标注；将分割器集成到基于鲁棒点匹配机的解剖引导多模态配准框架中	摘要中未明确提及研究局限性	解决术中CBCT因HU单位信号校准不足、有限视野及运动/金属伪影导致图像质量不佳，使得传统基于强度的多模态配准方法无法生成正确变换的问题，实现术中CBCT与术前MR的肝脏分割与配准	接受经导管动脉化疗栓塞术（TACE）的肝癌患者的术中CBCT和术前MR图像	医学图像配准	肝癌	CBCT，MR，深度学习分割，域适应，鲁棒点匹配	CNN	图像	机构内部TACE患者数据（摘要中未给出具体数量）	NA	APA2Seg-Net	NA	NA
48	2026-09-29	Multi-site MRI harmonization via attention-guided deep domain adaptation for brain disorder identification 2021-07, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2021.102076 PMID:33930828	研究论文	本文提出了一种注意力引导的深度域适应框架用于多站点MRI协调，并应用于脑部疾病识别	不需要目标域的任何类别标签信息，并能自动识别全脑MRI中的判别性区域	未明确说明，可能对极大数据集或非T1加权MRI的适用性有限	多站点MRI协调及脑部疾病自动识别	来自四个基准数据集的2572名受试者的T1加权结构MRI	医学图像分析	脑部疾病	结构磁共振成像	深度学习	图像	2572名受试者	NA	注意力引导深度域适应框架包含MRI特征编码、注意力发现和域转移模块	NA	NA
49	2026-09-29	Deep learning model for distinguishing novel coronavirus from other chest related infections in X-ray images 2021-07, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2021.104401 PMID:34010794	研究论文	本文提出了一种基于深度学习的集成模型，用于在胸部X射线图像中区分新型冠状病毒与其他胸部相关感染，并通过构建更大且平衡的数据集以及模型架构调整和集成，实现了更高的分类准确率	构建了相对更大且平衡的数据集；对多种深度学习模型（AlexNet、SqueezeNet、DenseNet201、MobileNetV2、InceptionV3）进行了多种训练策略（从头训练、无预训练权重的微调、更新预训练权重的微调、带数据增强的微调）的系统分析；对MobileNetV2和InceptionV3进行了架构调整以学习更复杂的特征，并将它们融合到提出的集成模型中；使用配对双尾t检验在5个不同的训练/测试集划分上对四种性能指标进行了统计显著性分析	摘要中未明确提及研究的局限性	开发一种深度学习模型，从胸部X射线图像中区分新型冠状病毒与其他胸部相关感染，以辅助放射科医生进行快速、准确和可靠的诊断	胸部X射线图像	计算机视觉	肺癌	胸部X射线成像	CNN	图像	摘要中未提供具体样本数量，但提到准备了一个相对较大且平衡的数据集	NA	AlexNet, SqueezeNet, DenseNet201, MobileNetV2, InceptionV3, 集成模型	准确率, 精确率, 召回率, F1分数	NA
50	2026-09-29	Automated scoring of pre-REM sleep in mice with deep learning 2021-06-10, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-021-91286-0 PMID:34112829	研究论文	本文提出一种基于深度学习的方法，自动对小鼠睡眠阶段进行评分，包括经典阶段和pre-REM阶段	提出了一种简单的神经网络架构，能够同时评分经典睡眠阶段和pre-REM阶段，并提供了源代码和在线平台	对pre-REM阶段的评分F1分数较低（0.5），可能由于过渡阶段在数据集中代表性不足或评分者间差异大	实现小鼠睡眠阶段的自动评分，特别是pre-REM阶段	雄性C57BL/6J小鼠的睡眠数据	机器学习	NA	NA	神经网络	NA	NA	NA	简单神经网络	F1分数	NA
51	2026-09-29	Improved amyloid burden quantification with nonspecific estimates using deep learning 2021-06, European journal of nuclear medicine and molecular imaging IF:8.6Q1 DOI:10.1007/s00259-020-05131-z PMID:33415430	研究论文	该研究利用深度学习网络从结构MRI预测淀粉样蛋白PET的非特异性摄取，从而改进淀粉样蛋白负荷的量化	利用深度学习的跨模态图像转换能力来去除脑血管疾病引起的非特异性结合变异性，从而更准确地量化淀粉样蛋白负荷	研究样本来自新加坡淀粉样蛋白PET研究，可能存在人群特异性限制；仅使用了特定网络架构，未广泛比较其他方法	提出一种新的淀粉样蛋白PET量化方法，以消除脑血管疾病导致的非特异性结合变异，提高淀粉样蛋白负荷测量的准确性	172名具有不同严重程度脑血管疾病的参与者	数字病理学, 机器学习	阿尔茨海默病, 脑血管疾病	淀粉样蛋白PET, MRI	CNN, cGAN	图像	172名参与者，配对MR和PET图像	NA	ScaleNet, HighRes3DNet, cGAN	平均相对误差, 认知和功能测试评分的关联性	NA
52	2026-09-29	Complex networks and deep learning for EEG signal analysis 2021-Jun, Cognitive neurodynamics IF:3.1Q2 DOI:10.1007/s11571-020-09626-1 PMID:34040666	综述	本文综述了复杂网络和深度学习在脑电图（EEG）信号分析中的应用，并提出了一个结合递归图和卷积神经网络进行疲劳驾驶识别的框架	将复杂网络和深度学习结合用于EEG信号分析，并提出了递归图与卷积神经网络结合的疲劳驾驶识别框架	复杂网络与深度学习的结合在基于EEG信号的分类问题中仍处于起步阶段	综述复杂网络和深度学习在EEG信号研究中的应用，并探索二者结合进行特征提取和分类的潜力	EEG信号	机器学习	神经系统疾病	脑电图（EEG）	卷积神经网络（CNN）	图像	NA	NA	卷积神经网络（CNN）	NA	NA
53	2026-09-29	An effectively causal deep learning algorithm to increase intelligibility in untrained noises for hearing-impaired listeners 2021-06, The Journal of the Acoustical Society of America IF:2.1Q1 DOI:10.1121/10.0005089 PMID:34241481	研究论文	本文提出一种有效因果深度学习算法，通过单麦克风门控卷积循环网络进行复杂频谱映射，以在未训练噪声中提高听障听者的语音可懂度	采用有效因果深度学习框架，在人类语音感知机制的短暂延迟容忍度内利用未来时间帧信息，实现实时噪声减少并显著提高可懂度	未明确说明计算复杂度或实时性实现的具体硬件要求，以及可能对更广泛噪声类型的泛化能力有限	开发一种有效因果深度学习算法，以在未训练背景噪声中提高听障听者的语音可懂度	听障听者	语音增强	听力损失	深度学习	门控卷积循环网络	音频	NA	NA	门控卷积循环网络	可懂度	NA
54	2026-09-29	Federated Learning for Thyroid Ultrasound Image Analysis to Protect Personal Information: Validation Study in a Real Health Care Environment 2021-May-18, JMIR medical informatics IF:3.1Q2 DOI:10.2196/25869 PMID:33858817	研究论文	本研究在真实医疗环境中使用联邦学习对甲状腺超声图像进行分析，以预测甲状腺结节的良恶性，并保护患者个人信息	在真实医疗环境中验证联邦学习用于甲状腺超声图像分析的可行性，证明使用去中心化数据的联邦学习性能与使用汇集数据的传统深度学习相当	外部验证数据集规模较小（仅100张超声图像），可能影响结果的泛化性评估	评估联邦学习的性能是否与传统深度学习相当	甲状腺结节超声图像	医学图像分析	甲状腺癌	联邦学习，超声成像	CNN	图像	共8457张超声图像（5375张恶性，3082张良性），来自6个机构用于联邦学习和传统深度学习；内部验证使用20%的图像（1075张恶性，616张良性）；外部验证使用来自另一机构的100张超声图像（50张恶性，50张良性）	NA	VGG19, ResNet50, ResNext50, SE-ResNet50, SE-ResNext50	AUROC	NA
55	2026-09-29	MolTrans: Molecular Interaction Transformer for drug-target interaction prediction 2021-05-05, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaa880 PMID:33070179	研究论文	该论文提出了一种分子交互Transformer（MolTrans）模型，用于药物-靶点相互作用预测	受知识启发的子结构模式挖掘算法和交互建模模块，以及增强的Transformer编码器，能够从大量未标记的生物医学数据中提取和捕获子结构之间的语义关系	未明确提及	解决现有分子表示学习方法忽略DTI子结构性质以及忽略大量未标记分子数据价值的问题，提高DTI预测的准确性和可解释性	药物-靶点相互作用数据	机器学习	NA	NA	Transformer	分子数据	NA	NA	Transformer	NA	NA
56	2026-09-29	Deep hierarchical embedding for simultaneous modeling of GPCR proteins in a unified metric space 2021-05-05, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-021-88623-8 PMID:33953216	研究论文	本文提出DeepHier，一种深度学习模型，能够从蛋白质序列中同时学习GPCR家族层次结构的表示，并在统一度量空间中建模	提出基于度量学习的新型损失项，将蛋白质间的层次关系纳入统一模型，而非分别建模家族、亚家族和亚亚家族	未明确提及	同时建模GPCR蛋白质的多层次层次关系，并在统一度量空间中捕捉序列间的层次关系	GPCR蛋白质序列	机器学习	NA	深度学习	深度学习模型	蛋白质序列	公共GPCR序列数据集	NA	DeepHier	度量距离	NA
57	2026-09-29	Decoding COVID-19 pneumonia: comparison of deep learning and radiomics CT image signatures 2021-05, European journal of nuclear medicine and molecular imaging IF:8.6Q1 DOI:10.1007/s00259-020-05075-4 PMID:33094432	研究论文	比较深度学习和放射组学方法在CT图像上预测COVID-19肺炎的特征，以提高机器学习算法的可解释性并增强人类诊断性能	采用双向对抗网络框架提取深度学习特征，并与放射组学特征进行比较，发现特定特征可提高模型可解释性，且结合模型可提升人类专家诊断性能	样本量相对较小，仅来自三家医院，且外部验证队列规模有限	比较特征工程和深度学习方法，以深入了解驱动基于CT的COVID-19肺炎预测的图像特征，并揭示对COVID-19肺炎有重要意义的CT图像特征	266名COVID-19和其他病毒性肺炎患者，其临床症状和CT征象与COVID-19相似	医学图像分析	COVID-19肺炎	CT成像	双向对抗网络, 线性分类器, Lasso分类器	图像	266名患者（184名来自中国两家医院用于发现队列，32名来自美国医院用于外部验证队列）	PyRadiomics	双向对抗网络	敏感性, 特异性	NA
58	2026-09-29	Automated Classification of Radiographic Positioning of Hand X-Rays Using a Deep Neural Network 2021-May, Plastic surgery (Oakville, Ont.) DOI:10.1177/2292550321997012 PMID:34026669	研究论文	本文应用深度学习框架，自动分类手部X光片的放射学位置（后前位、侧位、斜位）	首次将152层深度神经网络应用于手部X光片放射学位置的自动分类	数据集排除了儿科X光片和非典型视图，可能限制模型的泛化能力	自动分类手部X光片的放射学位置，以辅助快速初步分析	手部X光片	医学图像分析	骨骼肌肉疾病	X射线成像	深度神经网络	图像	原始数据集6003张手部X光片，增强后训练集80672张图像	NA	152层深度神经网络（可能为ResNet-152）	准确率, 精确率, 敏感度, 特异度, 混淆矩阵	NA
59	2026-09-29	Automatic Segmentation of Diffuse White Matter Abnormality on T2-weighted Brain MR Images Using Deep Learning in Very Preterm Infants 2021-May, Radiology. Artificial intelligence DOI:10.1148/ryai.2021200166 PMID:34142089	研究论文	本文开发了一种基于3D ResU-Net的深度学习模型，用于在极早产儿的T2加权脑部MR图像上自动分割弥漫性白质异常	使用3D ResU-Net深度学习模型自动分割弥漫性白质异常，并在外部独立队列中验证了其性能，超越了多个同类深度学习模型	样本量相对较小，内部队列98例，外部队列28例，可能影响模型的泛化能力	开发并验证一个深度学习模型，用于在极早产儿的T2加权MR图像上自动量化弥漫性白质异常，以辅助临床诊断	极早产儿（胎龄≤32周）的T2加权脑部MR图像	医学图像分割	弥漫性白质异常	T2加权MRI	CNN	图像	内部队列98例极早产儿，外部队列28例极早产儿	NA	3D ResU-Net	Dice相似系数, 平衡准确率	NA
60	2026-09-29	MSA-Regularized Protein Sequence Transformer toward Predicting Genome-Wide Chemical-Protein Interactions: Application to GPCRome Deorphanization 2021-04-26, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.0c01285 PMID:33757283	研究论文	本文开发了一种新的深度学习框架DISAE，通过整合多序列比对信息进行自监督预训练，预测进化上分化的未注释蛋白质的化学结合，并应用于人类孤儿GPCR的配体分配和GPCRome聚类	提出DISAE方法，将进化信息（MSA）融入未标记蛋白质序列的自监督学习，以及基于模块的微调策略，显著提高了机器学习模型的泛化能力	摘要中未明确提及	预测全基因组范围的化学-蛋白质相互作用，特别是针对序列同源性低的未注释蛋白质	蛋白质序列及其多序列比对，化学分子，人类孤儿G蛋白偶联受体（GPCRs）	机器学习	NA	多序列比对，自监督学习，蒸馏序列比对嵌入，蛋白质序列Transformer	Transformer	序列	NA	NA	Transformer	NA	NA