深度学习在生物医药领域中的应用

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
1	2025-03-28	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(EHR)中学习患者表示的研究进行了系统综述，并提供了方法论上的定性和定量分析	首次系统综述了基于深度学习的EHR患者表示学习领域，揭示了该领域的方法学趋势和挑战	现有预测模型主要关注单一疾病预测，未能全面考虑患者的复杂机制	评估和总结使用深度学习从EHR数据中学习患者表示的研究现状	从MEDLINE等数据库中筛选出的49篇相关研究论文	医疗健康信息学	NA	深度学习	RNN/LSTM/GRU	结构化EHR数据	49篇研究论文(来自363篇初筛文章)
2	2025-03-21	Preoperative identification of microvascular invasion in hepatocellular carcinoma by XGBoost and deep learning 2021-Mar, Journal of cancer research and clinical oncology IF:2.7Q3 DOI:10.1007/s00432-020-03366-9 PMID:32852634	研究论文	本研究开发了基于CT图像的XGBoost和深度学习模型，用于术前预测肝细胞癌的微血管侵犯	结合了放射组学特征、放射学特征和临床变量，开发了XGBoost模型和3D-CNN模型，用于术前预测MVI状态	需要进一步验证这些机器学习模型的有效性	术前预测肝细胞癌的微血管侵犯状态	405名肝细胞癌患者	计算机视觉	肝细胞癌	CT图像分析	XGBoost, 3D-CNN	图像	405名患者
3	2025-02-21	Sensor-Based Human Activity Recognition with Spatio-Temporal Deep Learning 2021-Mar-18, Sensors (Basel, Switzerland) DOI:10.3390/s21062141 PMID:33803891	研究论文	本文提出了一种基于卷积神经网络（CNN）和双向长短期记忆网络（BiLSTM）的时空深度学习新方法，用于传感器数据的人类活动识别（HAR）	本研究的创新点在于有效选择最佳视频表示，并利用传统CNN和BiLSTM从传感器数据中有效提取空间和时间特征	NA	优化人类活动识别（HAR）性能，特别是在医疗保健和老年护理领域的应用	传感器数据，包括加速度计、传感器和陀螺仪收集的数据	计算机视觉	NA	深度学习	CNN, BiLSTM	传感器数据	WISDM和UCI数据集
4	2025-02-21	An Experimental Review on Deep Learning Architectures for Time Series Forecasting 2021-Mar, International journal of neural systems IF:6.6Q1 DOI:10.1142/S0129065721300011 PMID:33588711	综述	本文对深度学习在时间序列预测中的应用进行了全面回顾和实验研究，比较了七种流行架构的性能	提供了最广泛的深度学习研究，涉及超过38,000个模型的训练，并比较了不同架构配置和训练超参数下的结果	需要进一步研究不同预测任务中现有架构的适用性	评估深度学习架构在时间序列预测中的性能和适用性	时间序列数据	机器学习	NA	深度学习	LSTM, CNN	时间序列数据	超过50,000个时间序列，分为12个不同的预测问题
5	2024-12-01	Applications of Artificial Intelligence for Retinopathy of Prematurity Screening 2021-03, Pediatrics IF:6.2Q1 DOI:10.1542/peds.2020-016618 PMID:33637645	研究论文	评估人工智能在印度ROP远程医疗项目中的有效性，并探讨不同新生儿护理单元间ROP严重程度的差异是否与氧气调节能力有关	利用人工智能进行ROP筛查，可能改善次级预防的护理可及性，并有助于评估疾病流行病学和新生儿护理单元资源	NA	评估人工智能在ROP筛查中的有效性，并探讨不同新生儿护理单元间ROP严重程度的差异与氧气调节能力的关系	ROP的严重程度及新生儿护理单元的氧气调节能力	机器学习	NA	深度学习	NA	图像	NA
6	2024-10-09	SMORE: A Self-Supervised Anti-Aliasing and Super-Resolution Algorithm for MRI Using Deep Learning 2021-03, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2020.3037187 PMID:33170776	研究论文	本文提出了一种基于卷积神经网络的自监督抗锯齿和超分辨率算法SMORE，用于提高MRI图像的质量	该方法无需外部训练数据，利用图像本身的高分辨率和低分辨率数据进行自监督训练	NA	提高MRI图像的分辨率和减少锯齿伪影	MRI图像	计算机视觉	NA	卷积神经网络	CNN	图像	广泛收集的MRI数据，包括滤波和下采样的图像以及实际采集的低分辨率图像
7	2024-10-08	InstantDL: an easy-to-use deep learning pipeline for image segmentation and classification 2021-Mar-02, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-021-04037-3 PMID:33653266	研究论文	本文介绍了一个名为InstantDL的深度学习管道，用于图像分割和分类任务	InstantDL允许具有基本计算背景的研究人员轻松应用经过调试和基准测试的最新深度学习算法，无需大量编码和机器学习背景	NA	开发一个易于使用的深度学习管道，使生物医学研究人员能够进行可重复的图像处理	图像分割和分类任务	计算机视觉	NA	卷积神经网络	CNN	图像	七个公开数据集
8	2024-09-19	Deep Learning-Driven Automated Detection of COVID-19 from Radiography Images: a Comparative Analysis 2021-Mar-02, Cognitive computation IF:4.3Q1 DOI:10.1007/s12559-020-09779-5 PMID:33680209	研究论文	本文详细研究了基于深度学习的COVID-19自动检测方法，并进行了模型性能的基准测试	首次对315种深度学习模型在COVID-19检测中的性能进行了基准测试，并发现DenseNet201模型结合Quadratic SVM分类器表现最佳	研究主要集中在X射线图像上，未涵盖其他类型的医学影像数据	评估和比较不同深度学习模型在COVID-19检测中的性能	COVID-19、正常和肺炎的X射线图像	计算机视觉	COVID-19	深度学习	DenseNet201	图像	来自四个数据集的X射线图像，共315个模型
9	2024-09-14	Synthetic dual-energy CT for MRI-only based proton therapy treatment planning using label-GAN 2021-03-09, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/abe736 PMID:33596558	研究论文	本文提出了一种基于深度学习的方法，利用label-GAN从MRI生成合成双能CT（sDECT），以计算质子治疗中的停止功率比（SPR）	本文提出了一种新的基于标签生成对抗网络（label-GAN）的模型，能够区分高能CT（HECT）和低能CT（LECT），并显著提高了sDECT的准确性	本文仅在57例头颈部癌症患者的数据集上验证了方法的有效性，未来需要在更大和更多样化的数据集上进行验证	开发一种从MRI生成合成双能CT的方法，以支持无CT的质子治疗计划	头颈部癌症患者的MRI和双能CT图像	计算机视觉	头颈部癌症	深度学习	生成对抗网络（GAN）	图像	57例头颈部癌症患者
10	2024-09-11	Handling of uncertainty in medical data using machine learning and probability theory techniques: a review of 30 years (1991-2020) 2021-Mar-21, Annals of operations research IF:4.4Q1 DOI:10.1007/s10479-021-04006-2 PMID:33776178	综述	本文回顾了过去30年（1991-2020）使用概率论和机器学习技术处理医疗数据中不确定性的相关研究	总结了处理医疗原始数据不确定性及新模型中挑战的各种方法	医疗数据中的不确定性问题仍存在有限的知识和挑战	探讨如何通过概率论和机器学习技术处理医疗数据中的不确定性	医疗数据中的不确定性及其处理方法	机器学习	NA	概率论	深度学习	医疗数据	NA
11	2024-09-10	TLCoV- An automated Covid-19 screening model using Transfer Learning from chest X-ray images 2021-Mar, Chaos, solitons, and fractals DOI:10.1016/j.chaos.2021.110713 PMID:33526961	研究论文	本文设计了一种基于迁移学习的自动化Covid-19筛查模型，通过胸部X光图像识别患者是否感染Covid-19	本文提出的模型使用VGG-16架构，在Covid-19筛查中表现优于现有的CNN和ResNet-50模型	NA	开发一种高精度的自动化Covid-19筛查模型，以减少疾病的快速传播	Covid-19感染患者、其他肺炎感染患者和无感染者	计算机视觉	Covid-19	迁移学习	VGG-16	图像	使用来自Kaggle仓库的标准Covid-19放射影像数据集中的胸部X光图像
12	2024-09-10	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	研究了深度学习算法在预测冠状动脉完全闭塞中的效果，并探讨了混杂数据特征的影响	首次探讨了数据泄露对深度学习模型预测冠状动脉闭塞结果的影响	数据集过小导致模型性能不佳，且存在数据泄露问题	评估深度学习算法在检测冠状动脉闭塞中的可行性	冠状动脉闭塞的ECG样本	机器学习	心血管疾病	深度学习	深度卷积神经网络	ECG数据	NA
13	2024-09-05	Generating High-Quality Lymph Node Clinical Target Volumes for Head and Neck Cancer Radiation Therapy Using a Fully Automated Deep Learning-Based Approach 2021-03-01, International journal of radiation oncology, biology, physics DOI:10.1016/j.ijrobp.2020.10.005 PMID:33068690	研究论文	本文开发了一种基于深度学习的全自动方法，用于生成头颈部癌症放疗的高质量淋巴结临床目标体积（CTV）轮廓。	该研究首次实现了全自动的深度学习方法来描绘头颈部癌症患者的淋巴结CTV，提高了放疗计划的自动化程度。	研究中使用的模型需要进一步优化，以减少对医生编辑的依赖，并提高不同医生间的评分一致性。	开发一种全自动的深度学习模型，用于生成头颈部癌症放疗的高质量淋巴结CTV轮廓。	头颈部癌症患者的淋巴结CTV轮廓。	计算机视觉	头颈部癌症	计算机断层扫描（CT）	U-Net	图像	71名头颈部癌症患者的CT扫描数据，其中51名用于训练，10名用于交叉验证，10名用于测试，另外32名用于最终模型验证。
14	2024-09-04	[Research progress and application of retention time prediction method based on deep learning] 2021-Mar, Se pu = Chinese journal of chromatography DOI:10.3724/SP.J.1123.2020.08015 PMID:34227303	研究论文	本文综述了基于深度学习的保留时间预测方法及其在蛋白质组学中的应用进展	引入深度学习技术进行保留时间预测，通过迁移学习提高模型在不同色谱条件下的适用性，并生成伪光谱库以克服传统方法的局限	对于复杂修饰如糖基化的预测仍存在不足	探讨深度学习在保留时间预测及其相关应用中的研究进展和未来发展方向	蛋白质组学中的肽段保留时间预测	机器学习	NA	深度学习	深度神经网络	序列数据	NA
15	2024-09-02	Can peritumoral regions increase the efficiency of machine-learning prediction of pathological invasiveness in lung adenocarcinoma manifesting as ground-glass nodules? 2021-Mar, Journal of thoracic disease IF:2.1Q3 DOI:10.21037/jtd-20-2981 PMID:33841926	研究论文	本研究探讨了基于CT图像的深度学习模型在预测肺腺癌表现为磨玻璃结节（GGNs）的病理侵袭性中的价值和应用	使用包含肿瘤周围区域的GPTV模型比仅使用GTV的模型在预测GGN侵袭性方面更有效	NA	探索肿瘤及肿瘤周围区域的CT图像深度学习模型在预测磨玻璃结节侵袭性中的价值和应用	622名患者的687个肺部磨玻璃结节	机器学习	肺腺癌	3D DenseNet	DenseNet	CT图像	622名患者，共687个肺部磨玻璃结节
16	2024-08-27	Deep learning quantified mucus-tumor ratio predicting survival of patients with colorectal cancer using whole-slide images 2021-Mar, Precision clinical medicine IF:5.1Q1 DOI:10.1093/pcmedi/pbab002 PMID:35693123	研究论文	本文利用深度学习技术量化结直肠癌患者的粘液-肿瘤比例，并研究其对患者生存率的预测价值	首次使用深度学习技术量化粘液比例，并探讨其在结直肠癌中的预后价值	NA	量化粘液比例并研究其在结直肠癌患者中的预后价值	结直肠癌患者的粘液-肿瘤比例及其预后影响	数字病理	结直肠癌	深度学习	NA	图像	训练集419例，验证集315例
17	2024-08-11	Application of artificial intelligence in digital chest radiography reading for pulmonary tuberculosis screening 2021-Mar, Chronic diseases and translational medicine DOI:10.1016/j.cdtm.2021.02.001 PMID:34013178	研究论文	本文探讨了人工智能在数字胸部X光片阅读中用于肺结核筛查的应用	结合人工智能和大量医学图像，为计算机辅助检测系统在医学应用中的建立提供了新的机会，特别是在深度学习技术时代	NA	研究人工智能在肺结核筛查中的应用	肺结核的筛查和诊断	计算机视觉	肺结核	深度学习	NA	图像	NA
18	2024-08-10	Use of deep learning for structural analysis of computer tomography images of soil samples 2021-Mar-31, Royal Society open science IF:2.9Q1 DOI:10.1098/rsos.201275 PMID:33959314	研究论文	本文使用深度学习方法对来自多个欧洲国家的土壤样本的计算机断层扫描（CT）图像进行结构分析	引入了新的自动化标注方法'surrogate'学习，并使用VGG16网络进行训练	NA	研究深度学习在土壤样本CT图像结构分析中的应用	欧洲多个国家的土壤样本	计算机视觉	NA	深度学习	VGG16	图像	多个土壤样本
19	2024-08-10	Novel Transfer Learning Approach for Medical Imaging with Limited Labeled Data 2021-Mar-30, Cancers IF:4.5Q1 DOI:10.3390/cancers13071590 PMID:33808207	研究论文	本文提出了一种新的迁移学习方法，通过在大规模未标记医学图像数据集上训练深度学习模型，然后将知识迁移到少量标记医学图像上，以提高医学图像分类的性能	提出了一种新的迁移学习方法，通过在大规模未标记医学图像数据集上训练模型，并将知识迁移到少量标记医学图像上，以及引入了一种新的深度卷积神经网络（DCNN）模型	NA	克服传统迁移学习方法在医学图像分类中的无效性，提高医学图像分类的性能	皮肤癌和乳腺癌的分类任务	计算机视觉	皮肤癌, 乳腺癌	迁移学习	深度卷积神经网络（DCNN）	图像	少量标记医学图像和大量未标记医学图像
20	2024-08-10	An Improved UNet++ Model for Congestive Heart Failure Diagnosis Using Short-Term RR Intervals 2021-Mar-16, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics11030534 PMID:33809773	研究论文	本文提出了一种基于心率变异性信号的端到端编码器-解码器模型，用于诊断充血性心力衰竭	改进的UNet++模型结合挤压激励（SE）残差块，用于层次化提取深层特征并区分充血性心力衰竭患者与正常对象	NA	开发一种新的深度学习模型，用于早期检测充血性心力衰竭	充血性心力衰竭的早期诊断	机器学习	心血管疾病	NA	UNet++	信号	使用了两个开源数据库，分别使用了500、1000和2000个RR间期进行评估