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	2026-05-19	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
42	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
43	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
44	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
45	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
46	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
47	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
48	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
49	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
50	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
51	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
52	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
53	2026-05-03	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	研究论文	提出基于概率与深度学习挖掘的级联数据特征学习模型，用于预测医院门诊量并分析医疗大数据特征	构建级联深度框架实现特征变换、选择与分类器的集成，结合概率与深度学习挖掘多模态医疗数据特征	周和月门诊量预测精度较低，因误差随预测间隔累积；未明确提及数据来源、样本规模及外部验证	开发智能应用预测门诊量，分析医疗大数据特征，优化医疗资源配置	医院门诊量数据（日、周、月）及其特征关系	机器学习	NA	深度学习挖掘、概率分析	级联深度模型	医疗大数据（结构化门诊量数据）	未明确说明	NA	级联深度框架	预测精度（日、周、月对比）	未说明
54	2026-04-30	Deep learning approaches for COVID-19 detection based on chest X-ray images 2021-Feb, Expert systems with applications IF:7.5Q1 DOI:10.1016/j.eswa.2020.114054 PMID:33013005	研究论文	利用深度学习方法基于胸部X光图像检测COVID-19	同时采用深度特征提取、预训练CNN微调和端到端训练新CNN模型三种方法，并对比多种SVM核函数性能	数据集较小（仅380张图像），可能影响模型泛化能力	评估深度学习在胸部X光图像中检测COVID-19的有效性	COVID-19和正常（健康）胸部X光图像	计算机视觉	COVID-19	NA	CNN, SVM	图像	380张胸部X光图像（180张COVID-19，200张正常）	NA	ResNet18, ResNet50, ResNet101, VGG16, VGG19, 新CNN模型	准确率	NA
55	2026-04-23	Stability and folding pathways of tetra-nucleosome from six-dimensional free energy surface 2021-02-17, Nature communications IF:14.7Q1 DOI:10.1038/s41467-021-21377-z PMID:33597548	研究论文	本文通过近原子模型和深度学习技术，研究了四核小体的稳定性和折叠途径	使用近原子模型结合深度学习，首次构建了六维自由能表面，揭示了染色质折叠的多条途径和中间态	模型基于特定四核小体，可能无法完全反映体内更复杂染色质结构的动态	探究染色质三维组织的稳定性和折叠机制，以理解基因调控	四核小体	计算生物学	NA	近原子模型、深度学习、高级采样模拟	深度学习模型	模拟数据	NA	NA	NA	NA	NA
56	2026-04-22	True ultra-low-dose amyloid PET/MRI enhanced with deep learning for clinical interpretation 2021-07, European journal of nuclear medicine and molecular imaging IF:8.6Q1 DOI:10.1007/s00259-020-05151-9 PMID:33416955	研究论文	本研究评估了深度学习增强技术在超低剂量淀粉样蛋白PET/MRI中的应用，以提升图像质量并验证其临床诊断效能	首次在真实注射超低剂量（标准剂量的2.2±1.3%）淀粉样蛋白PET/MRI数据上验证深度学习增强技术的有效性，并证明了采样模拟数据的通用性	样本量较小（仅18名参与者），且研究仅针对淀粉样蛋白成像，未涵盖其他PET示踪剂或疾病类型	评估深度学习技术能否从超低剂量PET/MRI数据中合成具有诊断质量的图像，以显著降低辐射剂量	18名参与者的超低剂量与标准剂量18F-florbetaben PET/MRI图像数据	数字病理学	阿尔茨海默病（淀粉样蛋白相关）	PET/MRI成像，18F-florbetaben示踪剂注射	CNN	医学图像（PET和MRI）	18名参与者，每名接受两次PET/MRI扫描（超低剂量和标准剂量）	NA	预训练的卷积神经网络（具体架构未指定）	峰值信噪比, 结构相似性, 均方根误差, 区域标准摄取值比值的变异系数, 图像质量五分制评分, 淀粉样蛋白状态分类准确率	NA
57	2026-04-14	Deep learning for cancer type classification and driver gene identification 2021-Oct-25, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-021-04400-4 PMID:34689757	研究论文	本研究提出了一种名为DeepCues的深度学习模型，利用卷积神经网络从原始癌症DNA测序数据中提取特征，用于癌症类型分类和相关基因发现	开发了能够同时整合胚系变异和体细胞突变（包括插入和缺失）的深度学习模型，直接从原始全外显子组测序数据中无偏倚地提取特征，显著提高了癌症类型预测的准确性	研究仅针对七种主要癌症类型进行分类，未涵盖所有癌症亚型；模型性能可能受限于训练数据的规模和多样性	开发一种能够有效探索遗传变异景观（包括胚系变异和小片段插入缺失）的新方法，用于癌症类型预测和驱动基因识别	癌症患者的DNA测序数据，包括胚系变异和体细胞突变	机器学习	癌症	全外显子组测序	CNN	DNA测序数据	TCGA数据集中的七种主要癌症类型样本	NA	卷积神经网络	准确率	NA
58	2026-04-14	Improved prediction of smoking status via isoform-aware RNA-seq deep learning models 2021-10, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1009433 PMID:34634029	研究论文	本文开发了一种基于RNA-seq数据的深度学习模型，利用外显子和异构体量化信息来预测吸烟状态，相比传统基因水平模型有显著性能提升	首次在吸烟状态预测中引入外显子与异构体水平的RNA-seq量化数据，并设计了包含外显子到异构体映射层的深度学习架构，挖掘了基因剪接的潜在信息	研究样本仅来自COPDGene研究队列，可能缺乏人群多样性；模型性能依赖于特定基因集合的选择	利用RNA-seq数据中的异构体信息改进临床预测模型的性能	2,557名COPDGene研究参与者的RNA-seq数据	机器学习	NA	RNA-seq	深度神经网络	基因表达数据（基因、外显子、异构体水平量化）	2,557名受试者	NA	包含外显子到异构体映射层的深度神经网络	AUC	NA
59	2026-04-12	PredictProtein - Predicting Protein Structure and Function for 29 Years 2021-07-02, Nucleic acids research IF:16.6Q1 DOI:10.1093/nar/gkab354 PMID:33999203	研究论文	本文介绍了PredictProtein在线资源，一个用于蛋白质序列分析的一站式平台，自1992年以来持续提供服务，结合进化信息和机器学习预测蛋白质结构和功能	PredictProtein是首个互联网蛋白质预测服务器，率先结合进化信息和机器学习，并最近整合了深度学习嵌入预测方法	NA	提供可靠的蛋白质结构和功能预测工具，服务于计算和实验生物学家	蛋白质序列	生物信息学	NA	蛋白质序列分析	机器学习, 深度学习	蛋白质序列	每月超过3,000用户查询（2020年数据）	NA	NA	NA	卢森堡系统生物医学中心（LCSB）托管，使用MMseqs2序列搜索提升处理速度
60	2026-04-10	Deep learning of gene relationships from single cell time-course expression data 2021-09-02, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbab142 PMID:33876191	研究论文	本文提出了一种基于深度学习的单细胞时间序列基因表达数据分析方法，用于预测基因间的调控和信号关系	开发了针对单细胞RNA测序时间序列数据的新型编码方法，并构建了结合卷积和循环神经网络的深度学习模型	未明确说明模型在非时间序列数据或不同实验条件下的泛化能力	从单细胞时间序列基因表达数据中推断基因间的调控和信号关系	基因间的相互作用和调控关系	机器学习	NA	单细胞RNA测序（scRNA-Seq）	CNN, RNN	时间序列基因表达数据	五个不同的时间序列单细胞RNA测序数据集	未明确指定	卷积神经网络（CNN），循环神经网络（RNN）	未明确指定具体指标	NA