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
81	2026-09-05	Protein Family Classification from Scratch: A CNN Based Deep Learning Approach 2021 Sep-Oct, IEEE/ACM transactions on computational biology and bioinformatics DOI:10.1109/TCBB.2020.2966633 PMID:31944984	研究论文	本文提出了一种基于CNN的深度学习方法，用于从头进行蛋白质家族分类，利用有限的已表征蛋白质并考虑氨基酸位置信息。	创新点在于：1) 使用CNN进行氨基酸表示学习，摒弃了传统的N-Gram特征提取，同时关注基序及基序与邻近氨基酸的亲和性信息；2) 在有限样本下进行训练，并利用UniProt数据库中已审阅和未审阅的蛋白质序列进行验证	尚未提供明确的局限性说明	利用CNN和氨基酸表示学习，提高蛋白质家族分类的准确性，特别是对于未表征蛋白质。	蛋白质家族分类，以及来自UniProt数据库的蛋白质序列。	机器学习	不适用	NGS，CNN	CNN	蛋白质序列数据	不明确，但包含UniProt数据库中已审阅和未审阅的蛋白质序列	不明确	CNN	不明确	不明确
82	2026-09-04	Intra-domain task-adaptive transfer learning to determine acute ischemic stroke onset time 2021-06, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society IF:5.4Q1 DOI:10.1016/j.compmedimag.2021.101926 PMID:33934065	研究论文	本文提出了一种域内任务自适应迁移学习方法，利用MRI扩散序列对急性缺血性卒中患者的发病时间进行分类	提出了一种域内任务自适应迁移学习方法，先在较简单的临床任务（卒中检测）上训练模型，再根据不同TSS二元阈值对模型进行微调	未明确提及	开发深度学习模型，利用MRI扩散序列对急性缺血性卒中患者的发病时间进行分类，以辅助未知TSS患者的治疗决策	急性缺血性卒中（AIS）患者的MRI扩散序列影像数据	计算机视觉	急性缺血性卒中（心血管疾病）	MRI扩散成像	CNN（2D和3D卷积神经网络）	医学影像（MRI扩散序列）	未明确提及具体样本量，但涵盖了更广泛的患者群体，未排除基于临床、人口统计学或图像处理标准的影像研究	NA	2D CNN, 3D CNN	ROC-AUC, 敏感性 (sensitivity), 特异性 (specificity), 准确率 (accuracy)	NA
83	2026-08-29	Automated identification of clinical features from sparsely annotated 3-dimensional medical imaging 2021-Mar-08, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-021-00411-w PMID:33686212	研究论文	提出一种新的深度学习技术SLIVER-net，用于从稀疏标注的三维医学影像中自动识别临床特征，并在年龄相关性黄斑变性进展风险因素预测中验证其有效性	基于迁移学习，通过2D图像平铺和新增层利用3D结构，有效处理三维医学影像，克服标注数据稀缺问题	训练样本相对较少，阳性示例仅几十个，且主要针对特定疾病（AMD）进行验证	开发一种深度学习方法，以利用有限标注数据自动识别三维医学影像中的临床特征，提高医学诊断效率	年龄相关性黄斑变性（AMD）患者的光学相干断层扫描（OCT）三维体积	机器学习, 数字病理学	年龄相关性黄斑变性	光学相干断层扫描（OCT）	深度学习网络（SLIVER-net，基于迁移学习）	三维医学影像（OCT体积）	数百个标注体积，数十个阳性训练示例	NA	SLIVER-net（使用2D平铺和3D结构增强）	准确率、召回率、F1分数、AUC（未明确列出，但提及优于现有技术及专家比较）	NA
84	2026-08-27	Deep-learning power and perspectives for genomic selection 2021-11, The plant genome DOI:10.1002/tpg2.20122 PMID:34309215	研究论文	本文探讨了深度学习在基因组选择中的应用，并提供了关于其解决复杂预测任务的能力以及如何将深度学习与基因组选择相结合以加速植物育种革命的见解。	强调了深度学习模型在基因组选择中超越人类能力和其他机器学习算法的潜力，并指出了利用深度学习方法进行基因组选择的机遇领域。	作者承认需要大量研究来适应和开发考虑育种输入和基因组选择特性的深度学习方法。	提供关于深度学习在基因组选择中应用的洞见，并讨论如何结合两者以推动植物育种的发展。	深度学习模型在基因组选择中的应用及植物育种中的基因组选择方法。	机器学习	NA	基因组选择	深度学习（DL）	基因组数据	NA	NA	NA	NA	NA
85	2026-08-27	Application of a Poisson deep neural network model for the prediction of count data in genome-based prediction 2021-11, The plant genome DOI:10.1002/tpg2.20118 PMID:34323393	研究论文	本文应用泊松深度神经网络（PDNN）模型进行基因组预测中的计数数据预测，并与多种传统和深度学习方法进行了比较	将先前提出的单变量泊松深度神经网络应用于基因组预测的计数数据，利用TensorFlow和Keras实现，能够处理中型和大型数据集，克服了传统GS计数数据模型的限制	PDNN模型在预测精度上未优于处理连续结果的常规深度神经网络	评估泊松深度神经网络在基因组选择中对计数数据预测的性能	基因组选择中的计数数据预测模型	机器学习	NA	NA	深度神经网络（DNN），泊松深度神经网络（PDNN）	计数数据	未明确说明	TensorFlow, Keras	PDNN，隐藏层使用ReLU激活函数，输出层使用指数激活函数	预测精度	未明确说明
86	2026-08-25	Federated Learning for Microvasculature Segmentation and Diabetic Retinopathy Classification of OCT Data 2021-Dec, Ophthalmology science IF:3.2Q1 DOI:10.1016/j.xops.2021.100069 PMID:36246944	研究论文	评估联邦学习框架在基于深度神经网络的视网膜微血管分割和可参考糖尿病视网膜病变分类中的应用，使用OCT和OCTA数据	首次在OCT和OCTA数据上应用联邦学习进行微血管分割和糖尿病视网膜病变分类，并比较了与其他协作训练方法的效果	未明确提及局限性，但可能包括数据异质性、通信开销等	评估联邦学习在视网膜微血管分割和RDR分类中的性能，并保持数据隐私	OCT和OCTA扫描图像，包括153张OCTA en face图像用于分割，700只眼睛用于分类	计算机视觉	糖尿病视网膜病变	OCT和OCTA成像	深度神经网络	图像	153张OCTA en face图像用于分割，700只眼睛用于分类	NA	NA	准确率, Dice相似系数, AUROC, 精确率-召回率曲线下面积, 平衡准确率, F1分数, 灵敏度, 特异度	NA
87	2026-08-25	Deepfakes in Ophthalmology: Applications and Realism of Synthetic Retinal Images from Generative Adversarial Networks 2021-Dec, Ophthalmology science IF:3.2Q1 DOI:10.1016/j.xops.2021.100079 PMID:36246951	研究论文	本研究评估专家区分由生成对抗网络合成的视网膜眼底图像与真实图像的能力，并回顾了GAN在眼科中的当前应用和局限性。	首次评估眼科专家区分真实与合成视网膜眼底图像的能力，并系统回顾了GAN在眼科中的应用。	专家数量有限，且图像生成基于特定疾病（ROP）的单一数据集，可能影响泛化性。	评估GAN合成的视网膜图像的真实性，并总结其在眼科中的应用和局限。	基于多中心ROP筛查项目获取的4282对眼底图像和视网膜血管图。	计算机视觉	早产儿视网膜病变	GAN	GAN	图像	4282对图像，其中880张用于生成，50张合成图像和50张真实图像用于专家评估	PyTorch	Pix2Pix HD	准确率	未提及
88	2026-08-25	Quantification of Nonperfusion Area in Montaged Widefield OCT Angiography Using Deep Learning in Diabetic Retinopathy 2021-Jun, Ophthalmology science IF:3.2Q1 DOI:10.1016/j.xops.2021.100027 PMID:36249293	研究论文	本研究评估了一种基于深度学习的算法，用于量化拼接宽视野OCT血管成像中的非灌注区，以评估糖尿病视网膜病变的严重程度。	开发了一种深度学习算法，能够区分非灌注区与阴影伪影，并在拼接的宽视野OCTA图像上准确量化非灌注区，显示出比单独黄斑扫描更高的检测灵敏度。	未在文中明确提及局限性。	评估基于深度学习的算法在拼接宽视野OCT血管成像中量化非灌注区的效果，用于糖尿病视网膜病变严重程度的评估。	137名不同严重程度的糖尿病视网膜病变参与者和26名健康参与者。	深度学习	糖尿病视网膜病变	OCT血管成像	深度学习算法（具体类型未指定，推测为卷积神经网络）	OCT血管成像图像	163名参与者，978个OCT血管成像扫描	未明确指定	未明确指定	F1分数、曲线下面积、灵敏度、特异性	未明确提及
89	2026-08-20	Deep learning for Koopman Operator Optimal Control 2021-01-06, ISA transactions IF:6.3Q1 DOI:10.1016/j.isatra.2021.01.005 PMID:33431116	研究论文	本文介绍了一种基于深度学习的Koopman算子方法，用于非线性动力学系统的全局线性化和最优控制	提出了两种新的网络架构DENIS和DEINA，其中DENIS通过初始状态参数化提高了控制性能，DEINA通过辅助网络非线性变换输入以处理非仿射系统，并实现了比现有实现更快的LREN	未明确提及限制，但可推测该方法依赖于数据质量和训练计算资源	开发一种基于深度学习的Koopman框架，实现非线性动力学的全局线性化和最优控制，以提高控制性能并减少对状态空间方程的依赖	非线性动力学系统，包括机器人技术和计算神经科学中的应用	机器学习	NA	深度学习	神经网络（包括LREN、DENIS、DEINA）	时间序列数据（来自非线性动力学系统）	NA	NA	LREN, DENIS, DEINA	控制性能（通过能量预算评估方法）	NA
90	2026-08-18	Accurate Point Cloud Registration with Robust Optimal Transport 2021-Dec, Advances in neural information processing systems PMID:42602398	研究论文	本文研究使用鲁棒最优传输（OT）进行形状匹配，并展示其可提升点云配准的基于优化和深度学习方法的性能	提出利用现代OT求解器增强点云配准，提供实用概览并解决应用难点，首次在肺血管树配准等挑战性任务上取得最先进结果，并发布新数据集PVT1010	未在摘要中明确提及局限性，可能包括计算成本、对特定复杂形状的适应性或数据集规模限制	探索鲁棒最优传输在点云配准中的应用，以提升精度和可扩展性，并为计算视觉工具箱提供新方法	点云数据，包括部分形状、场景流（Kitti数据集）和肺血管树（吸气和呼气阶段）	计算机视觉	肺部疾病（相关于肺血管树配准任务）	最优传输（OT）	非参数方法（基于优化）和深度学习方法	点云（图像、3D形状）	PVT1010数据集包含1,010对肺血管树，每对具有密集采样点	NA	NA	准确率（accuracy）和可扩展性（scalability）	未提及，代码和数据集在线公开（GitHub链接）
91	2026-08-17	Protein tertiary structure prediction and refinement using deep learning and Rosetta in CASP14 2021-12, Proteins IF:3.2Q2 DOI:10.1002/prot.26194 PMID:34331359	研究论文	本文介绍了在CASP14中利用深度学习与Rosetta进行蛋白质三级结构预测和优化的方法，通过引入语言模型嵌入和模板信息，并开发了基于DeepAccNet的优化流程，显著提升了预测性能。	创新点在于将语言模型嵌入和基于序列相似性加权的模板信息作为输入，结合DeepAccNet精度预测器指导的模板自由和模板利用版本trRosetta模型的组合优化流程，提高了预测速度和资源效率。	限制在于优化改进相对有限，部分原因在于缺失结构域间或链间接触信息，导致高分辨率优化效果不显著。	旨在改进trRosetta蛋白质结构预测方法，提高预测精度和效率，并开发有效的优化流程。	研究对象是蛋白质三级结构，涉及CASP14中的目标蛋白质。	机器学习和结构生物学	不适用	深度学习，语言模型嵌入，模板信息加权，Rosetta	深度学习网络（如trRosetta），精度预测器DeepAccNet	蛋白质序列和模板信息	CASP14中的多个目标蛋白质，具体数量未在标题和摘要中提及。	未明确提及，可能涉及TensorFlow或PyTorch等，但未在摘要中说明。	trRosetta（残基间距离和方向预测），DeepAccNet	预测精度（如TM-score，GDT），计算时间（中位数<3小时），资源消耗	计算资源较少，完成整个建模过程的中位时间少于3小时，但具体GPU类型等未提及。
92	2026-08-17	Deep learning and alignment of spatially resolved single-cell transcriptomes with Tangram 2021-11, Nature methods IF:36.1Q1 DOI:10.1038/s41592-021-01264-7 PMID:34711971	研究论文	本文提出Tangram方法，将单细胞/单核RNA测序数据与多种空间转录组数据（如MERFISH、STARmap等）对齐，以在单细胞分辨率下构建全基因组空间图谱	创新性地提出一种通用的空间转录组对齐算法，能处理包括多模态数据在内的多种单细胞数据，并首次将染色质可及性数据映射到空间模式	方法依赖于同一区域的空间数据，且对数据质量和分辨率有较高要求，可能限制其在低质量数据上的应用	开发一种计算方法，将单细胞转录组数据与空间转录组数据整合，以在单细胞分辨率下绘制组织器官的生物学图谱	小鼠大脑（视觉和躯体运动区域）的组织样本	机器学习	不适用	单细胞/单核RNA测序、MERFISH、STARmap、smFISH、空间转录组学（Visium）、SHARE-seq	概率对齐模型	基因表达数据、空间转录组数据、组织学图像	小鼠大脑组织（具体样本数未提及）	PyTorch	嵌入层、线性层（具体架构未详细描述）	准确度、相关性、F1分数	未提及
93	2026-08-16	Inter-laboratory automation of the in vitro micronucleus assay using imaging flow cytometry and deep learning 2021-09, Archives of toxicology IF:4.8Q1 DOI:10.1007/s00204-021-03113-0 PMID:34245348	研究论文	本文展示了利用成像流式细胞术和深度学习实现体外微核试验的跨实验室自动化操作	首次将成像流式细胞术与深度学习结合，实现微核试验的自动化跨实验室评分，无需用户配置即可处理全新实验室的数据	对极其罕见的三核和四核细胞伴微核的分类成功率较低（≤57%）	开发一种自动化、跨实验室适用的体外微核试验评分方法，以替代耗时且主观的人工评分	TK6细胞，经甲磺酸甲酯（1.25-5.0 μg/mL）和/或多菌灵（0.8-1.6 μg/mL）处理	计算机视觉, 数字病理学	NA	成像流式细胞术	深度学习神经网络	图像	三个实验室的图像集，具体数量未在摘要中说明	NA	DeepFlow神经网络	准确率	NA
94	2026-08-16	Deep learning prediction of BRAF-RAS gene expression signature identifies noninvasive follicular thyroid neoplasms with papillary-like nuclear features 2021-05, Modern pathology : an official journal of the United States and Canadian Academy of Pathology, Inc IF:7.1Q1 DOI:10.1038/s41379-020-00724-3 PMID:33299111	研究论文	利用深度学习预测BRAF-RAS基因表达签名，以识别具有乳头状核特征的非侵袭性滤泡性甲状腺肿瘤（NIFTP）	首次将深度学习应用于预测BRAF-RAS基因表达评分（BRS），以区分NIFTP与其他滤泡型甲状腺肿瘤，实现了从组织学图像到基因表达谱的映射	该研究依赖TCGA数据集和内部队列，可能存在样本选择偏差；模型预测的BRS作为NIFTP的单一判别指标虽表现良好，但未在更大规模或多样化人群中进行外部验证	验证深度学习预测BRAF-RAS基因表达签名是否能区分NIFTP和其他滤泡型甲状腺肿瘤，促进安全降级治疗	甲状腺肿瘤组织切片，包括NIFTP、乳头状甲状腺癌伴广泛滤泡生长（PTC-EFG）和经典乳头状甲状腺癌（经典PTC）	数字病理学	甲状腺肿瘤	组织病理学切片数字化	深度学习模型	病理图像（H&E染色切片）、基因表达数据	训练集115例甲状腺肿瘤，TCGA队列497例甲状腺肿瘤	NA	NA	相关系数（R）、曲线下面积（AUC）	NA
95	2026-08-16	Improving clinical disease subtyping and future events prediction through a chest CT-based deep learning approach 2021-Mar, Medical physics IF:3.2Q1 DOI:10.1002/mp.14673 PMID:33340116	研究论文	开发并评估了一种基于胸部CT的深度学习方法来改善慢性阻塞性肺疾病的临床亚型分类和未来事件预测。	创新性地利用深度学习从高分辨率CT中学习紧凑的患者表征，通过自适应权重聚合区域影像特征，以预测多种COPD结局，并将预测能力与传统指标（如BODE指数）进行比较。	未在本文中明确提及局限性。	开发并评估一种深度学习模型，从COPD患者的高分辨率CT中提取丰富信息，以预测生理严重程度和多种临床结局。	慢性阻塞性肺疾病患者。	深度学习	慢性阻塞性肺疾病	高分辨率CT成像	深度学习模型	胸部CT图像	10,300名来自COPDGene队列的参与者	NA	NA	r²，准确率，AUC，一致性指数（C-index）	NA
96	2026-08-16	Deep Multi-Modal Transfer Learning for Augmented Patient Acuity Assessment in the Intelligent ICU 2021-Feb, Frontiers in digital health IF:3.2Q2 DOI:10.3389/fdgth.2021.640685 PMID:33718920	研究论文	本研究探索在智能重症监护室中，通过结合电子健康记录和腕戴式活动传感器的数据，利用深度迁移学习增强患者病情严重程度评估的预测能力	首次将腕戴式活动传感器数据与电子健康记录数据结合，应用于智能ICU的患者病情评估，并利用大型传统ICU队列进行深度迁移学习以解决小样本问题	作为试点研究，样本量较小，可能限制结果的泛化性；依赖特定临床环境（智能ICU）和新颖传感器数据，可能难以在其他医疗环境中复现	评估在传统电子健康记录数据基础上，增加腕戴式活动传感器数据对患者出院结果预测的效用，特别是在应用迁移学习后对小型ICU队列的预测改进	重症监护室患者，包括来自智能ICU的前瞻性队列和来自传统ICU的大型回溯性队列	机器学习	重症疾病（危重病）	深度迁移学习、时间序列建模	深度学习模型（具体如RNN/LSTM，但未明确）	电子健康记录数据（生命体征）和腕戴式传感器活动数据	小型前瞻性智能ICU队列和大型传统ICU回溯性队列（具体数量未给出）	未明确	时间序列深度学习模型（具体架构未明确）	未明确（可能包括准确率等，但未列出）	未明确
97	2026-08-10	Systematic characterization of mutations altering protein degradation in human cancers 2021-03-18, Molecular cell IF:14.5Q1 DOI:10.1016/j.molcel.2021.01.020 PMID:33567269	研究论文	利用多组学数据系统分析人类癌症中泛素-蛋白酶体系统（UPS）相关突变，揭示其作为癌症驱动基因的作用，并开发深度学习模型预测降解子（degron）缺失突变	首次大规模表征人类癌症中影响蛋白质降解的突变，开发深度学习模型deepDegron预测degron缺失，并实验验证GATA3和PPM1D截短突变增加蛋白质稳定性的预测	摘要中未明确说明局限性	系统表征人类癌症中影响蛋白质降解的突变，并揭示UPS失调在癌症中的作用及治疗潜力	人类肿瘤样本中的UPS基因和底物	机器学习, 数字病理学	多种癌症类型（33种）	多组学分析（如基因组、转录组等）	深度学习模型（deepDegron）	多组学数据（如基因组、转录组等）	超过9,000个人类肿瘤样本	NA	NA	NA	NA
98	2026-08-07	DEEPMIR: a deep neural network for differential detection of cerebral microbleeds and iron deposits in MRI 2021-07-08, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-021-93427-x PMID:34238951	研究论文	开发了DEEPMIR，一种基于深度卷积神经网络的MRI分割方法，用于同时检测脑微出血和基底节铁沉积	提出了一种同时手动标注脑微出血和非出血性铁沉积的方案，并调整U-Net模型增加分辨率层以检测微小病变，且整合多模态MRI数据（特别是QSM）以提高检测性能	样本量较小（24名参与者），训练和评估可能在更大规模数据集上需要进一步验证，且本研究未涉及外部验证或临床实际应用环境	开发一种适用于同时分割脑微出血和铁沉积的深度学习方法，并评估多模态MRI数据的效用	脑微出血病变和基底节非出血性铁沉积区域，以及多模态MRI图像（T2加权、SWI、QSM）	计算机视觉、数字病理学、机器学习	脑血管疾病、神经退行性疾病	MRI（包括T2加权成像、磁敏感加权成像、定量磁化率成像）	卷积神经网络（CNN）	MRI图像	来自MESA队列的24名参与者的影像数据	NA	U-Net	灵敏度、精确度	NA
99	2026-08-02	Hepatocellular carcinoma risk after viral response in hepatitis C virus-advanced fibrosis: Who to screen and for how long? 2021-Oct-28, World journal of gastroenterology IF:4.3Q1 DOI:10.3748/wjg.v27.i40.6737 PMID:34790004	综述	本文综述了丙型肝炎病毒相关晚期纤维化患者在获得持续病毒学应答后肝细胞癌的风险，探讨了哪些患者应接受筛查以及筛查持续时间	强调在直接抗病毒药物时代，利用预测模型、风险计算器、生物标志物、遗传面板和深度学习模型来个体化评估肝细胞癌风险，以优化筛查策略	未提及具体局限性	探讨丙型肝炎病毒相关晚期纤维化患者获得持续病毒学应答后肝细胞癌的发生风险，并讨论筛查策略和个体化风险评估方法	丙型肝炎病毒相关晚期纤维化或肝硬化患者	机器学习	肝细胞癌、丙型肝炎	NA	深度学习模型	NA	NA	NA	NA	NA	NA
100	2026-07-10	Application of Deep Learning in Plant-Microbiota Association Analysis 2021, Frontiers in genetics IF:2.8Q2 DOI:10.3389/fgene.2021.697090 PMID:34691142	综述	综述深度学习在植物-微生物组关联分析中的应用	全面总结了深度学习模型在植物微生物组数据分析中的应用，讨论了卷积神经网络和图神经网络的优势	未提及具体实验数据验证或模型比较的局限性	探讨深度学习在植物-微生物组关联分析中的潜力和应用策略	植物微生物组数据与植物表型的关联	机器学习	NA	NA	CNN、图神经网络	微生物组数据	NA	NA	卷积神经网络、图神经网络	NA	NA