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	2026-10-05	Generative Adversarial Networks to Synthesize Missing T1 and FLAIR MRI Sequences for Use in a Multisequence Brain Tumor Segmentation Model 2021-05, Radiology IF:12.1Q1 DOI:10.1148/radiol.2021203786 PMID:33687284	研究论文	使用生成对抗网络合成缺失的T1和FLAIR磁共振序列，用于多序列脑肿瘤分割模型	利用生成对抗网络合成缺失的MRI序列，使深度学习分割模型在输入不完整时仍可使用	需进一步验证生成图像在其他肿瘤类型和更大数据集上的泛化能力	确定使用生成对抗网络合成脑MRI扫描是否允许使用需要T1加权、对比增强T1加权、FLAIR和T2加权图像的深度学习模型进行脑病变分割	胶质母细胞瘤和中枢神经系统淋巴瘤患者的脑MRI扫描	医学图像分割	脑肿瘤	生成对抗网络	生成对抗网络	图像	210个胶质母细胞瘤（BRATS 2017数据集），46个胶质母细胞瘤和21个中枢神经系统淋巴瘤（机构数据集）	NA	NA	均方误差, 结构相似性指数, Dice相似系数	NA
2	2026-09-30	Deep Learning Algorithm for Automated Cardiac Murmur Detection via a Digital Stethoscope Platform 2021-05-04, Journal of the American Heart Association IF:5.0Q1 DOI:10.1161/JAHA.120.019905 PMID:33899504	研究论文	利用深度学习算法通过数字听诊器平台自动检测心脏杂音并识别临床显著瓣膜性心脏病	在大规模临床研究中验证深度学习算法检测杂音及主动脉瓣狭窄和二尖瓣反流的性能，并与专家心脏病学家进行对比	排除了强度为1级的柔和杂音后灵敏度提高，表明算法对低强度杂音的检测能力有限	评估深度学习算法使用商业数字听诊器录音检测杂音和临床显著瓣膜性心脏病的性能	962名临床研究患者的心脏声音录音	机器学习	心血管疾病	数字听诊器	CNN	音频	962名患者，超过34小时的心脏声音录音	NA	NA	灵敏度, 特异性	NA
3	2026-09-30	Deep Generative Adversarial Networks: Applications in Musculoskeletal Imaging 2021-May, Radiology. Artificial intelligence DOI:10.1148/ryai.2021200157 PMID:34136816	综述	这篇综述介绍了生成对抗网络（GAN）在肌肉骨骼影像学中的应用，包括关键架构、技术背景、挑战以及研究趋势，如高分辨率MRI重建、多模态图像合成、图像增强、像素级分割和不同解剖结构的应用	系统总结了GAN在肌肉骨骼影像学中的最新应用进展，并强调了临床验证的潜力和挑战	许多应用仍处于研究阶段，临床适用性难以通过传统性能指标和专家评估来捕捉，需要进一步的临床验证	探讨GAN在肌肉骨骼影像学中的应用潜力，包括图像生成、重建、增强和分割，以改善诊断和成像效率	肌肉骨骼影像，包括成人、儿科、计算机辅助诊断、骨骼、软组织等	医学影像分析	肌肉骨骼疾病	深度学习，生成对抗网络（GAN）	GAN	图像	NA	NA	生成对抗网络（GAN）	NA	NA
4	2026-09-29	Federated Learning for Thyroid Ultrasound Image Analysis to Protect Personal Information: Validation Study in a Real Health Care Environment 2021-May-18, JMIR medical informatics IF:3.1Q2 DOI:10.2196/25869 PMID:33858817	研究论文	本研究在真实医疗环境中使用联邦学习对甲状腺超声图像进行分析，以预测甲状腺结节的良恶性，并保护患者个人信息	在真实医疗环境中验证联邦学习用于甲状腺超声图像分析的可行性，证明使用去中心化数据的联邦学习性能与使用汇集数据的传统深度学习相当	外部验证数据集规模较小（仅100张超声图像），可能影响结果的泛化性评估	评估联邦学习的性能是否与传统深度学习相当	甲状腺结节超声图像	医学图像分析	甲状腺癌	联邦学习，超声成像	CNN	图像	共8457张超声图像（5375张恶性，3082张良性），来自6个机构用于联邦学习和传统深度学习；内部验证使用20%的图像（1075张恶性，616张良性）；外部验证使用来自另一机构的100张超声图像（50张恶性，50张良性）	NA	VGG19, ResNet50, ResNext50, SE-ResNet50, SE-ResNext50	AUROC	NA
5	2026-09-29	MolTrans: Molecular Interaction Transformer for drug-target interaction prediction 2021-05-05, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaa880 PMID:33070179	研究论文	该论文提出了一种分子交互Transformer（MolTrans）模型，用于药物-靶点相互作用预测	受知识启发的子结构模式挖掘算法和交互建模模块，以及增强的Transformer编码器，能够从大量未标记的生物医学数据中提取和捕获子结构之间的语义关系	未明确提及	解决现有分子表示学习方法忽略DTI子结构性质以及忽略大量未标记分子数据价值的问题，提高DTI预测的准确性和可解释性	药物-靶点相互作用数据	机器学习	NA	NA	Transformer	分子数据	NA	NA	Transformer	NA	NA
6	2026-09-29	Deep hierarchical embedding for simultaneous modeling of GPCR proteins in a unified metric space 2021-05-05, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-021-88623-8 PMID:33953216	研究论文	本文提出DeepHier，一种深度学习模型，能够从蛋白质序列中同时学习GPCR家族层次结构的表示，并在统一度量空间中建模	提出基于度量学习的新型损失项，将蛋白质间的层次关系纳入统一模型，而非分别建模家族、亚家族和亚亚家族	未明确提及	同时建模GPCR蛋白质的多层次层次关系，并在统一度量空间中捕捉序列间的层次关系	GPCR蛋白质序列	机器学习	NA	深度学习	深度学习模型	蛋白质序列	公共GPCR序列数据集	NA	DeepHier	度量距离	NA
7	2026-09-29	Decoding COVID-19 pneumonia: comparison of deep learning and radiomics CT image signatures 2021-05, European journal of nuclear medicine and molecular imaging IF:8.6Q1 DOI:10.1007/s00259-020-05075-4 PMID:33094432	研究论文	比较深度学习和放射组学方法在CT图像上预测COVID-19肺炎的特征，以提高机器学习算法的可解释性并增强人类诊断性能	采用双向对抗网络框架提取深度学习特征，并与放射组学特征进行比较，发现特定特征可提高模型可解释性，且结合模型可提升人类专家诊断性能	样本量相对较小，仅来自三家医院，且外部验证队列规模有限	比较特征工程和深度学习方法，以深入了解驱动基于CT的COVID-19肺炎预测的图像特征，并揭示对COVID-19肺炎有重要意义的CT图像特征	266名COVID-19和其他病毒性肺炎患者，其临床症状和CT征象与COVID-19相似	医学图像分析	COVID-19肺炎	CT成像	双向对抗网络, 线性分类器, Lasso分类器	图像	266名患者（184名来自中国两家医院用于发现队列，32名来自美国医院用于外部验证队列）	PyRadiomics	双向对抗网络	敏感性, 特异性	NA
8	2026-09-29	Automated Classification of Radiographic Positioning of Hand X-Rays Using a Deep Neural Network 2021-May, Plastic surgery (Oakville, Ont.) DOI:10.1177/2292550321997012 PMID:34026669	研究论文	本文应用深度学习框架，自动分类手部X光片的放射学位置（后前位、侧位、斜位）	首次将152层深度神经网络应用于手部X光片放射学位置的自动分类	数据集排除了儿科X光片和非典型视图，可能限制模型的泛化能力	自动分类手部X光片的放射学位置，以辅助快速初步分析	手部X光片	医学图像分析	骨骼肌肉疾病	X射线成像	深度神经网络	图像	原始数据集6003张手部X光片，增强后训练集80672张图像	NA	152层深度神经网络（可能为ResNet-152）	准确率, 精确率, 敏感度, 特异度, 混淆矩阵	NA
9	2026-09-29	Automatic Segmentation of Diffuse White Matter Abnormality on T2-weighted Brain MR Images Using Deep Learning in Very Preterm Infants 2021-May, Radiology. Artificial intelligence DOI:10.1148/ryai.2021200166 PMID:34142089	研究论文	本文开发了一种基于3D ResU-Net的深度学习模型，用于在极早产儿的T2加权脑部MR图像上自动分割弥漫性白质异常	使用3D ResU-Net深度学习模型自动分割弥漫性白质异常，并在外部独立队列中验证了其性能，超越了多个同类深度学习模型	样本量相对较小，内部队列98例，外部队列28例，可能影响模型的泛化能力	开发并验证一个深度学习模型，用于在极早产儿的T2加权MR图像上自动量化弥漫性白质异常，以辅助临床诊断	极早产儿（胎龄≤32周）的T2加权脑部MR图像	医学图像分割	弥漫性白质异常	T2加权MRI	CNN	图像	内部队列98例极早产儿，外部队列28例极早产儿	NA	3D ResU-Net	Dice相似系数, 平衡准确率	NA
10	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
11	2026-07-03	A Prognostic Predictive System Based on Deep Learning for Locoregionally Advanced Nasopharyngeal Carcinoma 2021-05-04, Journal of the National Cancer Institute DOI:10.1093/jnci/djaa149 PMID:32970812	研究论文	基于深度学习构建局部晚期鼻咽癌预后预测系统，利用MRI影像和临床数据区分低危患者	首次将3D卷积神经网络与XGBoost结合，基于MRI影像和临床数据构建多中心验证的预后系统，显著优于传统TNM分期系统	未提及具体限制，可能包括样本量有限、数据来源地域局限或模型可解释性不足	开发并验证基于MRI特征的预后系统，以区分局部晚期鼻咽癌低危患者，优化治疗方案	局部晚期鼻咽癌（LA-NPC）患者	机器学习	鼻咽癌	MRI	3D卷积神经网络, XGBoost	图像	3444例局部晚期鼻咽癌患者	NA	3D卷积神经网络, XGBoost	一致性指数（C-index）	NA
12	2026-05-31	Attenuation correction using deep Learning and integrated UTE/multi-echo Dixon sequence: evaluation in amyloid and tau PET imaging 2021-05, European journal of nuclear medicine and molecular imaging IF:8.6Q1 DOI:10.1007/s00259-020-05061-w PMID:33108475	研究论文	提出一种结合深度学习与新型超短回波时间/多回波Dixon（UTE/mUTE）序列的MR衰减校正方法，用于淀粉样蛋白和tau蛋白PET成像	首次将深度学习与mUTE序列结合用于PET/MR衰减校正，在淀粉样蛋白和tau蛋白成像中显著提高骨区域Dice系数（0.87/0.94），优于传统图谱法和基于MPRAGE或Dixon的深度学习方法	样本量较小（35名受试者），仅评估了特定PET示踪剂（11C-PiB和18F-MK6240），未验证其他脑部疾病或示踪剂的通用性	提高阿尔茨海默病PET成像中衰减校正的准确性	35名接受11C-PiB和18F-MK6240扫描的受试者	计算机视觉	阿尔茨海默病	MR衰减校正，UTE/multi-echo Dixon序列，深度学习	深度学习	图像	35名受试者	NA	NA	Dice系数，验证损失，标准摄取值比（SUVR）误差	NA
13	2026-05-27	Leveraging Uncertainty from Deep Learning for Trustworthy Material Discovery Workflows 2021-May-18, ACS omega IF:3.7Q2 DOI:10.1021/acsomega.1c00975 PMID:34056423	研究论文	利用深度学习预测不确定性来提升材料发现工作流的可信度	首次将预测不确定性引入材料科学机器学习工作流，解决数据集规模确定、模糊样本决策回避和分布外检测等关键问题	未提及具体局限性	提升基于机器学习的材料应用工作流中分类模型的性能和可靠性	扫描电子显微镜图像中的微观结构信息	计算机视觉	NA	深度学习预测不确定性	深度神经网络	图像	NA	NA	NA	分类准确率	NA
14	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
15	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
16	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
17	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
18	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
19	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
20	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