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	2026-10-04	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
2	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
3	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
4	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
5	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
6	2026-09-29	Hybrid Deep Learning Models with Sparse Enhancement Technique for Detection of Newly Grown Tree Leaves 2021-Mar-16, Sensors (Basel, Switzerland) DOI:10.3390/s21062077 PMID:33809537	研究论文	本文提出结合稀疏增强技术与混合深度学习CNN模型，用于检测森林图像中新长出的树叶	提出稀疏增强技术增强新叶信号，并设计混合CNN模型（结合U-net和SegNet特征）以及3-Layer SegNet、3-Layer U-SegNet、2-Layer U-SegNet、2-Layer Conv-U-SegNet架构来减少池化程度，并使用损失函数增加新叶权重	未明确说明	基于深度学习检测新长出的树叶，以帮助估计树木生长和气候变化	森林图像中的新长出的树叶	计算机视觉	NA	深度学习图像分割	CNN	图像	NA	NA	U-net, SegNet, 3-Layer SegNet, 3-Layer U-SegNet, 2-Layer U-SegNet, 2-Layer Conv-U-SegNet	kappa	NA
7	2026-09-29	Whole-body voxel-based internal dosimetry using deep learning 2021-03, European journal of nuclear medicine and molecular imaging IF:8.6Q1 DOI:10.1007/s00259-020-05013-4 PMID:32875430	研究论文	本文提出了一种基于深度学习的方法，用于全身个性化器官级内照射剂量学，考虑了活度分布异质性、周围介质非均匀性和患者特异性解剖结构	将体素尺度MIRD方法从单一S值核扩展到对应患者特异性解剖结构的特定S值核，并使用深度神经网络从3D核中心单源预测沉积能量分布，从而构建全身剂量图	未明确提及	在精准医学时代，利用深度学习算法进行全身个性化器官级剂量学计算，以克服传统核医学剂量学技术的局限性	患者特异性解剖结构、活度分布、周围介质	医学影像分析	NA	蒙特卡罗模拟、CT成像、发射/透射图像	深度神经网络	图像	NA	NA	深度神经网络	平均相对绝对误差、Bland-Altman分析、剂量偏差、方差	NA
8	2026-09-07	Deep generative neural network for accurate drug response imputation 2021-03-19, Nature communications IF:14.7Q1 DOI:10.1038/s41467-021-21997-5 PMID:33741950	研究论文	开发深度变分自编码器模型以准确插补药物反应，并在细胞系和癌症样本中验证其性能	利用深度变分自编码器将数千个基因压缩为低维潜在向量，用于准确插补药物反应，优于基于特征基因的方法，并控制过拟合问题	未在文中明确提及局限性	开发深度生成模型以准确插补药物反应，并研究相关特征和标志物	癌症细胞系和癌症样本，包括TCGA数据	深度学习	癌症	转录组测序	变分自编码器	基因表达数据	未明确提及具体样本数量	未明确提及	变分自编码器	相关性	未明确提及
9	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
10	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
11	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
12	2026-05-23	scGNN is a novel graph neural network framework for single-cell RNA-Seq analyses 2021-03-25, Nature communications IF:14.7Q1 DOI:10.1038/s41467-021-22197-x PMID:33767197	研究论文	提出scGNN框架，利用图神经网络进行单细胞RNA测序分析，包括基因插补和细胞聚类	将图神经网络与左截断混合高斯模型结合，用于单细胞RNA测序分析，并集成三个迭代多模态自编码器	NA	开发一种无假设的深度学习框架，用于单细胞RNA测序分析，以解决测序稀疏性和基因表达复杂差异模式等挑战	单细胞RNA测序数据	机器学习	阿尔茨海默病	RNA测序（单细胞RNA测序）	图神经网络	基因表达数据	4个基准单细胞RNA测序数据集，以及1个包含13,214个单细胞核的阿尔茨海默病研究样本	NA	图神经网络, 多模态自编码器	基因插补和细胞聚类的性能指标	NA
13	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
14	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
15	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
16	2026-04-06	Automatic semantic segmentation of kidney cysts in MR images of patients affected by autosomal-dominant polycystic kidney disease 2021-03, Abdominal radiology (New York) DOI:10.1007/s00261-020-02748-4 PMID:32940759	研究论文	本文开发了一种基于卷积神经网络的自动语义分割方法，用于在常染色体显性多囊肾病患者的磁共振图像中分割肾脏囊肿	提出了一种全自动的语义分割方法，用于区分和分析ADPKD患者的肾脏囊肿，其性能达到观察者间变异性水平	研究样本量较小（60例MR图像），且仅使用T2加权图像，可能限制了模型的泛化能力	开发并评估一种全自动语义分割方法，以区分和分析ADPKD患者的肾脏囊肿，用于自动分类患者表型、临床决策和疾病进展监测	常染色体显性多囊肾病患者的磁共振图像中的肾脏囊肿	数字病理学	常染色体显性多囊肾病	磁共振成像	CNN	图像	60例MR T2加权图像	NA	NA	Dice系数, 总囊肿体积百分比差异	NA
17	2026-03-22	The effect of confounding data features on a deep learning algorithm to predict complete coronary occlusion in a retrospective observational setting 2021-Mar, European heart journal. Digital health DOI:10.1093/ehjdh/ztab002 PMID:36711180	研究论文	本研究评估了深度学习算法在预测冠状动脉完全闭塞中的可行性，并探讨了数据特征混淆对模型性能的影响	揭示了深度学习模型在数据泄露情况下可能产生虚假高结果的风险，强调了在回顾性观察性研究中数据质量控制的重要性	数据集规模过小，导致第二次实验模型性能不佳；存在数据泄露问题，影响了第一次实验结果的可靠性	评估深度学习算法在检测冠状动脉闭塞方面的可行性，并与心脏病专家及STEMI标准进行比较	STAFF III数据库中的心电图样本，包括急性冠状动脉闭塞样本和无闭塞样本	机器学习	心血管疾病	心电图分析	CNN	心电图信号	STAFF III数据库中的样本，具体数量未明确说明	未明确说明	深度卷积神经网络	F1分数	未明确说明
18	2026-03-22	Artificial intelligence assessment for early detection of heart failure with preserved ejection fraction based on electrocardiographic features 2021-Mar, European heart journal. Digital health DOI:10.1093/ehjdh/ztaa015 PMID:36711179	研究论文	本研究开发了一种基于心电图特征的深度学习模型，用于早期检测射血分数保留的心力衰竭	首次开发了一种可解释的深度学习模型，利用常规心电图设备进行HFpEF的可靠和经济筛查，并通过内部和外部验证展示了高性能	研究为回顾性队列设计，可能存在选择偏倚；模型性能虽高，但需在前瞻性研究中进一步验证	开发并验证一种基于心电图的深度学习模型，用于早期筛查射血分数保留的心力衰竭	接受超声心动图和心电图检查且左心室收缩功能正常的患者	机器学习	心血管疾病	心电图	深度学习模型	心电图信号	内部开发集：20,169名患者的32,671份心电图；内部验证集：1,979名患者；外部验证集：11,955名患者	NA	集成神经网络	受试者工作特征曲线下面积	NA
19	2026-03-02	Deep representation learning of patient data from Electronic Health Records (EHR): A systematic review 2021-03, Journal of biomedical informatics IF:4.0Q2 DOI:10.1016/j.jbi.2020.103671 PMID:33387683	系统综述	本文对使用深度学习从电子健康记录中学习患者表示的研究进行了系统性回顾，并提供了方法论角度的定性和定量分析	首次系统性回顾了患者表示学习领域，总结了从2015年至2019年该领域的发展趋势、典型工作流程、主流方法及应用	现有预测模型主要关注单一疾病预测，未从整体角度考虑患者的复杂机制；由于电子健康记录数据的隐私问题，基准数据集大多不可用	回顾和分析使用深度学习方法从电子健康记录中学习患者表示的研究进展	从电子健康记录中提取的患者数据	自然语言处理, 机器学习	NA	深度学习	RNN, LSTM, GRU	结构化电子健康记录数据	49篇研究论文	NA	长短期记忆网络, 门控循环单元	交叉熵损失	NA
20	2026-02-21	STAN: spatio-temporal attention network for pandemic prediction using real-world evidence 2021-03-18, Journal of the American Medical Informatics Association : JAMIA IF:4.7Q1 DOI:10.1093/jamia/ocaa322 PMID:33486527	研究论文	本文提出了一种时空注意力网络（STAN），用于基于真实世界证据的疫情预测	结合患者索赔数据、人口统计相似性和地理邻近性，并将疫情传播动力学整合到深度学习模型中，以提升预测准确性	NA	开发一种混合模型，以更早、更准确地预测疫情中的感染病例数	美国各县的疫情数据和患者索赔数据	机器学习	COVID-19	深度学习	图注意力网络	索赔数据, 统计数据	美国各县的疫情数据和患者索赔数据	NA	时空注意力网络	均方误差	NA