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	2026-04-09	A novel deep learning method for predictive modeling of microbiome data 2021-05-20, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaa073 PMID:32406914	研究论文	本文提出了一种名为MDeep的新型深度学习方法，用于基于微生物组数据进行预测建模	开发了首个高效且严谨地整合系统发育树结构的深度学习方法，通过设计卷积层模拟分类等级，捕获不同分类水平上的微生物信号	未明确说明方法对高维稀疏数据的处理能力，也未讨论计算复杂度	构建基于微生物组数据的临床结果预测模型	人类微生物组数据（包含物种丰度和系统发育树）	机器学习	NA	下一代测序技术	CNN	微生物组数据（物种丰度与系统发育树）	NA	NA	自定义卷积神经网络架构	回归与二分类性能评估指标（未具体说明）	NA
2	2026-04-08	Leveraging Genetic Reports and Electronic Health Records for the Prediction of Primary Cancers: Algorithm Development and Validation Study 2021-May-25, JMIR medical informatics IF:3.1Q2 DOI:10.2196/23586 PMID:34032581	研究论文	本研究开发了一种结合遗传报告和电子健康记录数据的方法，用于预测原发性癌症类型和未知原发癌症	利用HL7 FHIR和语义网资源描述框架整合表型和遗传数据，构建患者-表型-遗传网络，并应用Node2vec图嵌入算法生成特征，以提升癌症预测性能	研究样本量相对较小（1011名患者），且仅基于单一医疗中心（梅奥诊所）的数据，可能限制模型的泛化能力	通过整合临床和基因组数据，实现原发性癌症的早期检测和未知原发癌症的预测，以支持精准肿瘤学的治疗决策	1011名癌症患者的肿瘤遗传报告和对应的电子健康记录数据	机器学习	癌症	遗传报告分析，电子健康记录数据提取	机器学习，深度学习	文本，结构化数据	1011名癌症患者	Node2vec，多种机器学习框架（未指定具体名称）	多种机器学习模型（未指定具体架构）	AUROC（受试者工作特征曲线下面积）	NA
3	2026-04-08	Joint regression-classification deep learning framework for analyzing fluorescence lifetime images using NADH and FAD 2021-May-01, Biomedical optics express IF:2.9Q2 DOI:10.1364/BOE.417108 PMID:34123498	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
4	2026-02-27	Multi-Time Attention Networks for Irregularly Sampled Time Series 2021-May, ... International Conference on Learning Representations PMID:41737905	研究论文	本文提出了一种名为多时间注意力网络的新深度学习框架，用于处理不规则采样的时间序列数据，特别是在电子健康记录中的生理时间序列分析	提出了一种新的深度学习框架，通过连续时间值嵌入和注意力机制处理不规则采样时间序列，相比现有方法训练速度显著更快	未明确说明模型在处理极端稀疏数据或特定噪声模式下的性能限制	开发一种能够有效处理不规则采样时间序列的深度学习模型，用于插值和分类任务	电子健康记录中的生理时间序列数据，这些数据具有稀疏性、不规则采样和多变量特性	机器学习	NA	NA	注意力机制, 深度学习	时间序列数据	NA	NA	多时间注意力网络	NA	NA
5	2026-02-22	Segmentor: a tool for manual refinement of 3D microscopy annotations 2021-May-22, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-021-04202-8 PMID:34022787	研究论文	本文介绍Segmentor，一个用于手动细化和标注3D显微镜图像的开源工具	提出一种混合2D-3D可视化与分割方法，并集成自动区域分割功能，专门优化3D核分割流程	NA	开发高效、用户友好的手动标注工具，以支持深度学习分割算法的训练数据准备	3D光片显微镜图像中的对象（如细胞核）	数字病理学	NA	光片显微镜成像	NA	3D图像	NA	NA	NA	准确性	NA
6	2026-02-22	CancerSiamese: one-shot learning for predicting primary and metastatic tumor types unseen during model training 2021-May-12, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-021-04157-w PMID:33980137	研究论文	本文提出了一种名为CancerSiamese的新型一次性学习模型，用于预测训练期间未见过的原发性和转移性肿瘤类型	首次展示了预测样本有限的未见癌症类型的可行性，通过一次性学习模型学习类型无关的表达表示	模型依赖于现有训练样本，可能对罕见癌症类型的预测能力有限	利用现有训练样本预测训练期间未见过的癌症类型	原发性和转移性肿瘤的基因表达谱	机器学习	癌症	基因表达谱分析	CNN	基因表达数据	来自TCGA和MET500的样本	NA	CancerSiamese（基于孪生卷积神经网络）	准确率	NA
7	2025-12-18	Position paper of the EACVI and EANM on artificial intelligence applications in multimodality cardiovascular imaging using SPECT/CT, PET/CT, and cardiac CT 2021-05, European journal of nuclear medicine and molecular imaging IF:8.6Q1 DOI:10.1007/s00259-021-05341-z PMID:33864509	立场论文	本文概述了人工智能在心血管多模态成像中的应用，重点介绍了机器学习算法在SPECT/CT、PET/CT和心脏CT中的潜力	提出了将机器学习和深度学习算法整合到心血管成像中的新策略，以提升诊断和预后评估能力	NA	为心血管成像领域的人工智能应用提供概念框架和实践指南，支持临床决策	心血管疾病患者，使用SPECT/CT、PET/CT和心脏CT等成像技术	数字病理学	心血管疾病	SPECT/CT, PET/CT, 心脏CT, 冠状动脉CT血管造影	机器学习, 深度学习	图像	NA	NA	NA	NA	NA
8	2025-10-06	Advances in High-Speed Structured Illumination Microscopy 2021-May, Frontiers in physics IF:1.9Q2 DOI:10.3389/fphy.2021.672555 PMID:40771414	综述	本文综述了旨在提高结构光照明显微镜整体速度的最新进展，包括硬件和软件改进	聚焦于通过减少原始图像数量、GPU加速、深度学习和空间域重建等多种方法综合提升SIM速度	NA	提高结构光照明显微镜的成像采集和重建速度以满足活细胞成像需求	结构光照明显微镜技术及其在活细胞成像中的应用	生物医学成像	NA	结构光照明显微镜	NA	显微图像	NA	NA	NA	NA	GPU加速
9	2025-10-06	A combined microfluidic deep learning approach for lung cancer cell high throughput screening toward automatic cancer screening applications 2021-05-07, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-021-89352-8 PMID:33963232	研究论文	结合微流控技术与深度学习开发肺癌细胞自动筛查系统	首次将微流控芯片技术与深度学习ResNet18模型结合用于肺癌细胞系的高通量分类	仅使用实验室培养的细胞系数据，未涉及临床患者样本	开发可靠的计算机辅助诊断系统实现肺癌细胞自动分类	五类非小细胞肺癌细胞系和正常支气管上皮细胞系	计算机视觉	肺癌	微流控芯片技术、荧光显微镜成像	CNN	荧光显微镜图像	六种细胞系图像数据	NA	ResNet18	准确率, F1分数	NA
10	2025-05-23	Computer-aided diagnosis of esophageal cancer and neoplasms in endoscopic images: a systematic review and meta-analysis of diagnostic test accuracy 2021-05, Gastrointestinal endoscopy IF:6.7Q1 DOI:10.1016/j.gie.2020.11.025 PMID:33290771	meta-analysis	通过系统性回顾和荟萃分析评估计算机辅助诊断（CAD）算法在内镜图像中对食管癌及肿瘤的诊断准确性	首次通过荟萃分析评估CAD算法在食管癌及肿瘤内镜诊断中的准确性，并提供了全面的诊断性能指标	缺乏外部验证和临床应用的表现数据	评估CAD算法在内镜图像中对食管癌及肿瘤的诊断准确性	食管癌及肿瘤的内镜图像	digital pathology	esophageal cancer	deep learning, machine learning	NA	image	21项研究用于系统性回顾，19项研究用于荟萃分析	NA	NA	NA	NA
11	2025-02-21	Device-Free Human Activity Recognition with Low-Resolution Infrared Array Sensor Using Long Short-Term Memory Neural Network 2021-May-20, Sensors (Basel, Switzerland) DOI:10.3390/s21103551 PMID:34065183	研究论文	本文提出了一种基于低分辨率红外阵列传感器和长短期记忆神经网络的无设备人体活动识别方法	利用8×8像素的红外阵列传感器收集红外信号，结合J滤波降噪方法和巴特沃斯滤波器预处理信号，使用LSTM神经网络自动提取特征并构建识别模型	未提及具体样本量及实验环境的具体限制	开发一种低成本且保护隐私的人体活动识别方法	人体日常活动	机器学习	NA	红外阵列传感器，J滤波降噪，巴特沃斯滤波	LSTM	红外信号	NA	NA	NA	NA	NA
12	2025-10-07	Head and neck multi-organ segmentation on dual-energy CT using dual pyramid convolutional neural networks 2021-05-20, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/abfce2 PMID:33915524	研究论文	提出一种基于双金字塔卷积神经网络的头颈部双能CT多器官自动分割方法	采用双金字塔网络分别学习低能和高能CT特征，通过深度注意力机制融合特征，并在Mask R-CNN框架中集成掩码评分子网络以建立器官类别与分割形状的关联	对小尺寸低对比度器官（如视交叉、耳蜗等）的分割性能仍有提升空间（DSC 0.5-0.8）	开发头颈部双能CT的自动多器官分割方法	头颈部癌症患者的19个器官	计算机视觉	头颈部癌症	双能CT	CNN, R-CNN	CT图像	127名头颈部癌症患者（66名训练，61名测试）	PyTorch, TensorFlow	Mask R-CNN, 双金字塔卷积神经网络	Dice相似系数, 95% Hausdorff距离	NA
13	2024-11-18	Label3DMaize: toolkit for 3D point cloud data annotation of maize shoots 2021-05-07, GigaScience IF:11.8Q1 DOI:10.1093/gigascience/giab031 PMID:33963385	研究论文	本文提出了一种用于玉米植株3D点云数据标注的工具包Label3DMaize，通过自上而下的点云分割算法实现半自动的点云分割和标注	本文的创新点在于提出了一种基于最优运输距离的点云分割算法，并开发了一个半自动的3D点云标注工具包Label3DMaize	本文的局限性在于工具包的分割精度依赖于粗分割和精细分割的结合，且精细分割需要更多时间	本文的研究目的是开发一种高效的3D点云分割和标注工具，以支持基于深度学习的植物点云处理研究	本文的研究对象是玉米植株的3D点云数据	计算机视觉	NA	3D点云分割	NA	3D点云数据	不同生长阶段的玉米植株	NA	NA	NA	NA
14	2024-11-18	Fluorescence microscopy datasets for training deep neural networks 2021-05-05, GigaScience IF:11.8Q1 DOI:10.1093/gigascience/giab032 PMID:33954794	研究论文	本文提供了用于训练深度神经网络的高质量荧光显微镜数据集	本文提供了高质量的数据集，用于训练和评估正在开发的深度学习方法	NA	提高荧光显微镜图像的信噪比，减少光漂白和光毒性	荧光显微镜图像	计算机视觉	NA	荧光显微镜	卷积神经网络	图像	NA	NA	NA	NA	NA
15	2024-10-09	Enhancing deep-learning training for phase identification in powder X-ray diffractograms 2021-May-01, IUCrJ IF:2.9Q3 DOI:10.1107/S2052252521002402 PMID:33953927	研究论文	本文提出了一种生成合成粉末X射线衍射图谱的方法，用于增强深度学习模型在相位识别任务中的训练	开发了一种生成合成XRD扫描图谱的框架，模拟真实测量中的典型效应，用于训练机器或深度学习模型	需要数千个训练样本才能使模型达到可靠性能，但可用样本不足	提高深度学习模型在粉末X射线衍射图谱相位识别任务中的性能	铁矿石和水泥化合物	机器学习	NA	粉末X射线衍射（XRD）	卷积神经网络（CNN）	衍射图谱	数千个合成XRD扫描图谱	NA	NA	NA	NA
16	2024-09-27	A review of deep learning in medical imaging: Imaging traits, technology trends, case studies with progress highlights, and future promises 2021-May, Proceedings of the IEEE. Institute of Electrical and Electronics Engineers DOI:10.1109/JPROC.2021.3054390 PMID:37786449	综述	本文综述了深度学习在医学影像中的应用，涵盖了影像特征、技术趋势、案例研究及未来展望	本文总结了深度学习在医学影像中的最新进展，并探讨了未来的发展方向	本文未提供详尽的文献综述，而是重点介绍了几个突出的研究亮点	探讨深度学习在医学影像中的应用及其未来发展	医学影像中的网络架构、稀疏和噪声标签、联邦学习、可解释性和不确定性量化等问题	计算机视觉	NA	深度学习	NA	影像	NA	NA	NA	NA	NA
17	2024-09-19	Deep Learning-Based COVID-19 Detection Using CT and X-Ray Images: Current Analytics and Comparisons 2021-May-01, IT professional IF:2.2Q3 DOI:10.1109/MITP.2020.3036820 PMID:35582037	研究论文	本文利用深度学习方法基于CT和X光图像进行COVID-19检测，并分析其全球传播情况	本文提出了基于深度学习的COVID-19检测方法，并结合数据分析全球传播情况	NA	研究COVID-19的检测方法及其全球传播情况	COVID-19病毒及其传播	计算机视觉	COVID-19	深度学习	NA	图像	NA	NA	NA	NA	NA
18	2024-09-14	Echocardiographic image multi-structure segmentation using Cardiac-SegNet 2021-May, Medical physics IF:3.2Q1 DOI:10.1002/mp.14818 PMID:33655564	研究论文	本文提出了一种基于深度学习的超声心动图多结构分割方法，使用Cardiac-SegNet网络进行自动分割	本文提出了一种无锚点的掩码卷积神经网络Cardiac-SegNet，相比传统的Mask R-CNN方法，该网络能够更好地建模目标的空间关系，并采用空间注意力策略突出显著特征	NA	开发一种基于深度学习的自动多结构分割方法，用于超声心动图的心脏边界分割，以评估心脏功能和疾病诊断	超声心动图中的左心室心内膜、左心室心外膜和左心房	计算机视觉	心血管疾病	卷积神经网络	CNN	图像	450个患者数据集，采用五折交叉验证和保留测试	NA	NA	NA	NA
19	2024-09-10	Automatic detection of COVID-19 disease using U-Net architecture based fully convolutional network 2021-May, Biomedical signal processing and control IF:4.9Q1 DOI:10.1016/j.bspc.2021.102518 PMID:33643425	研究论文	本文提出了一种基于U-Net架构的全卷积网络，用于自动检测COVID-19疾病	使用U-Net架构进行胸部CT图像分析，以提高COVID-19检测的准确性	仅使用了1000张CT图像进行评估，样本量相对较小	开发一种自动化的COVID-19检测系统，作为现有RT-PCR检测方法的补充	COVID-19患者的胸部CT图像	计算机视觉	COVID-19	深度学习	U-Net	图像	1000张胸部CT图像，其中552张来自正常人，448张来自COVID-19患者	NA	NA	NA	NA
20	2024-09-10	Forecasting of COVID-19 using deep layer Recurrent Neural Networks (RNNs) with Gated Recurrent Units (GRUs) and Long Short-Term Memory (LSTM) cells 2021-May, Chaos, solitons, and fractals DOI:10.1016/j.chaos.2021.110861 PMID:33746373	研究论文	本文使用深度循环神经网络（RNN）模型，包括门控循环单元（GRU）和长短期记忆（LSTM）细胞，来预测COVID-19的全球影响	本文提出了使用深度学习RNN模型来预测COVID-19的未来趋势，并强调了年龄、预防措施、医疗设施和人口密度等因素的重要性	NA	预测COVID-19的全球影响，帮助各国更好地准备和控制疫情	COVID-19的累计确诊病例、累计康复病例和累计死亡病例	机器学习	传染病	深度学习	RNN、GRU、LSTM	数据	使用约翰霍普金斯大学COVID-19数据库的公开数据	NA	NA	NA	NA