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	2026-10-01	Interrogating theoretical models of neural computation with emergent property inference 2021-07-29, eLife IF:6.4Q1 DOI:10.7554/eLife.56265 PMID:34323690	研究论文	提出了一种新技术——涌现属性推断（EPI），利用深度神经网络学习具有特定计算特性的参数分布，以解决理论神经科学中的逆问题	将现代概率建模工具包引入理论神经科学，使用深度神经网络学习参数分布而非拟合特定数据集，允许精确控制推断参数的行为，并在参数维度上比替代技术更具可扩展性	未明确提及	识别与观察到的现象（行为或神经活动模式）一致的模型参数，解决逆问题	神经回路模型，具体包括口胃神经节、初级视觉皮层和上丘的模型	计算神经科学	NA	深度神经网络，概率建模	NA	NA	NA	NA	NA	NA	NA
2	2026-10-01	Learning Carbohydrate Digestion and Insulin Absorption Curves Using Blood Glucose Level Prediction and Deep Learning Models 2021-Jul-20, Sensors (Basel, Switzerland) DOI:10.3390/s21144926 PMID:34300672	研究论文	本文提出了一种基于深度学习的血糖预测方法，通过估计碳水化合物消化和胰岛素吸收曲线来提高1型糖尿病患者的血糖预测准确性	提出了一种新颖的机制，通过估计特定患者的碳水化合物消化和胰岛素吸收曲线来提高深度学习模型血糖预测的准确性，使用简化的双参数模型并通过遗传算法拟合每个患者	使用模拟数据进行验证，未在真实患者数据上进行测试	提高1型糖尿病患者血糖预测的准确性，帮助患者进行血糖控制	1型糖尿病患者	机器学习	糖尿病	NA	深度学习模型, 遗传算法	模拟数据	NA	NA	NA	平均绝对误差	NA
3	2026-10-01	Deep learning identifies antigenic determinants of severe SARS-CoV-2 infection within T-cell repertoires 2021-07-12, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-021-93608-8 PMID:34253751	研究论文	通过分析T细胞受体测序数据，利用深度学习模型DeepTCR预测SARS-CoV-2感染的严重程度，并识别与严重感染相关的T细胞表位	利用DeepTCR这一多重实例深度学习库分类器从T细胞受体库测序数据中预测SARS-CoV-2严重感染，并识别出导致严重感染的特定抗原表位	研究基于公共数据库ImmuneCODE的回顾性数据，样本量可能有限，且未在前瞻性队列中验证模型的泛化能力	理解导致SARS-CoV-2感染不同临床结局的免疫基因组差异，并预测严重感染患者	SARS-CoV-2感染患者的T细胞受体测序数据	机器学习	COVID-19	T细胞受体测序 (TCR-Seq)	深度学习	序列数据	NA	NA	DeepTCR	NA	NA
4	2026-10-01	ASIST: Annotation-free synthetic instance segmentation and tracking by adversarial simulations 2021-07, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2021.104501 PMID:34107436	研究论文	本文提出了一种无需标注的合成实例分割与跟踪方法（ASIST），通过对抗模拟和单阶段像素嵌入学习，用于显微镜视频中细胞和亚细胞对象的分割与跟踪	首次探索无需标注的显微镜视频实例分割与跟踪研究；结合对抗模拟和单阶段像素嵌入深度学习；在细胞（HeLa细胞）和亚细胞（微绒毛）对象上验证了方法	未明确提及	解决显微镜视频中实例分割和跟踪需要大量时空一致标注的问题，实现无需标注的合成实例分割与跟踪	显微镜视频中的细胞（HeLa细胞）和亚细胞（微绒毛）对象	计算机视觉	NA	NA	NA	图像（显微镜视频）	NA	NA	NA	分割性能、检测性能、跟踪性能	NA
5	2026-10-01	Synthetic polarization-sensitive optical coherence tomography by deep learning 2021-Jul-01, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-021-00475-8 PMID:34211104	研究论文	该研究通过深度学习，特别是生成对抗网络，从标准OCT强度图像合成偏振敏感OCT图像	开发了一种深度学习方法，通过训练生成对抗网络在OCT强度和PS-OCT图像上合成PS-OCT图像，从而无需额外硬件即可实现偏振敏感性	未明确提及	开发一种计算PS-OCT成像方法，以减少基于硬件的PS-OCT成像系统的成本、复杂性和需求	OCT强度和PS-OCT图像	医学图像处理	癌症	光学相干断层扫描	生成对抗网络	图像	未明确提及	未明确提及	生成对抗网络	结构相似性指数、分类准确率	未明确提及
6	2026-09-29	Anatomy-guided multimodal registration by learning segmentation without ground truth: Application to intraprocedural CBCT/MR liver segmentation and registration 2021-07, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2021.102041 PMID:33823397	研究论文	本文提出了一种解剖结构引导的多模态图像配准框架，通过学习源模态标注数据实现无目标模态标注的CBCT和MR肝脏分割，并将分割结果整合到基于鲁棒点匹配的多模态配准中	提出了解剖保持域适应分割网络（APA2Seg-Net），利用已有源模态标注数据集学习目标模态分割，无需目标模态的手动标注；将分割器集成到基于鲁棒点匹配机的解剖引导多模态配准框架中	摘要中未明确提及研究局限性	解决术中CBCT因HU单位信号校准不足、有限视野及运动/金属伪影导致图像质量不佳，使得传统基于强度的多模态配准方法无法生成正确变换的问题，实现术中CBCT与术前MR的肝脏分割与配准	接受经导管动脉化疗栓塞术（TACE）的肝癌患者的术中CBCT和术前MR图像	医学图像配准	肝癌	CBCT，MR，深度学习分割，域适应，鲁棒点匹配	CNN	图像	机构内部TACE患者数据（摘要中未给出具体数量）	NA	APA2Seg-Net	NA	NA
7	2026-09-29	Multi-site MRI harmonization via attention-guided deep domain adaptation for brain disorder identification 2021-07, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2021.102076 PMID:33930828	研究论文	本文提出了一种注意力引导的深度域适应框架用于多站点MRI协调，并应用于脑部疾病识别	不需要目标域的任何类别标签信息，并能自动识别全脑MRI中的判别性区域	未明确说明，可能对极大数据集或非T1加权MRI的适用性有限	多站点MRI协调及脑部疾病自动识别	来自四个基准数据集的2572名受试者的T1加权结构MRI	医学图像分析	脑部疾病	结构磁共振成像	深度学习	图像	2572名受试者	NA	注意力引导深度域适应框架包含MRI特征编码、注意力发现和域转移模块	NA	NA
8	2026-09-29	Deep learning model for distinguishing novel coronavirus from other chest related infections in X-ray images 2021-07, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2021.104401 PMID:34010794	研究论文	本文提出了一种基于深度学习的集成模型，用于在胸部X射线图像中区分新型冠状病毒与其他胸部相关感染，并通过构建更大且平衡的数据集以及模型架构调整和集成，实现了更高的分类准确率	构建了相对更大且平衡的数据集；对多种深度学习模型（AlexNet、SqueezeNet、DenseNet201、MobileNetV2、InceptionV3）进行了多种训练策略（从头训练、无预训练权重的微调、更新预训练权重的微调、带数据增强的微调）的系统分析；对MobileNetV2和InceptionV3进行了架构调整以学习更复杂的特征，并将它们融合到提出的集成模型中；使用配对双尾t检验在5个不同的训练/测试集划分上对四种性能指标进行了统计显著性分析	摘要中未明确提及研究的局限性	开发一种深度学习模型，从胸部X射线图像中区分新型冠状病毒与其他胸部相关感染，以辅助放射科医生进行快速、准确和可靠的诊断	胸部X射线图像	计算机视觉	肺癌	胸部X射线成像	CNN	图像	摘要中未提供具体样本数量，但提到准备了一个相对较大且平衡的数据集	NA	AlexNet, SqueezeNet, DenseNet201, MobileNetV2, InceptionV3, 集成模型	准确率, 精确率, 召回率, F1分数	NA
9	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
10	2026-05-15	Optimizing Deep Learning Algorithms for Segmentation of Acute Infarcts on Non-Contrast Material-enhanced CT Scans of the Brain Using Simulated Lesions 2021-Jul, Radiology. Artificial intelligence DOI:10.1148/ryai.2021200127 PMID:34350404	研究论文	使用模拟急性梗死病灶的深度学习算法优化非增强CT脑扫描的梗死分割	首次在非增强CT上利用合成急性梗死病灶训练深度学习模型，并引入对称感知U-Net架构提升分割性能	合成病灶可能无法完全模拟真实病灶的异质性，样本量较小（40个DWI病灶），且渐进训练策略未显示明显效果	评估深度学习算法在非增强CT上分割急性梗死病灶的效果	急性卒中患者的DWI病灶与非增强CT脑扫描图像	计算机视觉, 机器学习	急性脑卒中	CT扫描, DWI	U-Net	图像	40个DWI病灶与40个正常CT扫描组合，共640个组合用于训练（420）、验证（110）和测试（110）	NA	标准U-Net, 对称感知U-Net	Dice系数	NA
11	2026-04-22	True ultra-low-dose amyloid PET/MRI enhanced with deep learning for clinical interpretation 2021-07, European journal of nuclear medicine and molecular imaging IF:8.6Q1 DOI:10.1007/s00259-020-05151-9 PMID:33416955	研究论文	本研究评估了深度学习增强技术在超低剂量淀粉样蛋白PET/MRI中的应用，以提升图像质量并验证其临床诊断效能	首次在真实注射超低剂量（标准剂量的2.2±1.3%）淀粉样蛋白PET/MRI数据上验证深度学习增强技术的有效性，并证明了采样模拟数据的通用性	样本量较小（仅18名参与者），且研究仅针对淀粉样蛋白成像，未涵盖其他PET示踪剂或疾病类型	评估深度学习技术能否从超低剂量PET/MRI数据中合成具有诊断质量的图像，以显著降低辐射剂量	18名参与者的超低剂量与标准剂量18F-florbetaben PET/MRI图像数据	数字病理学	阿尔茨海默病（淀粉样蛋白相关）	PET/MRI成像，18F-florbetaben示踪剂注射	CNN	医学图像（PET和MRI）	18名参与者，每名接受两次PET/MRI扫描（超低剂量和标准剂量）	NA	预训练的卷积神经网络（具体架构未指定）	峰值信噪比, 结构相似性, 均方根误差, 区域标准摄取值比值的变异系数, 图像质量五分制评分, 淀粉样蛋白状态分类准确率	NA
12	2026-04-12	PredictProtein - Predicting Protein Structure and Function for 29 Years 2021-07-02, Nucleic acids research IF:16.6Q1 DOI:10.1093/nar/gkab354 PMID:33999203	研究论文	本文介绍了PredictProtein在线资源，一个用于蛋白质序列分析的一站式平台，自1992年以来持续提供服务，结合进化信息和机器学习预测蛋白质结构和功能	PredictProtein是首个互联网蛋白质预测服务器，率先结合进化信息和机器学习，并最近整合了深度学习嵌入预测方法	NA	提供可靠的蛋白质结构和功能预测工具，服务于计算和实验生物学家	蛋白质序列	生物信息学	NA	蛋白质序列分析	机器学习, 深度学习	蛋白质序列	每月超过3,000用户查询（2020年数据）	NA	NA	NA	卢森堡系统生物医学中心（LCSB）托管，使用MMseqs2序列搜索提升处理速度
13	2026-04-10	Impact of Upstream Medical Image Processing on Downstream Performance of a Head CT Triage Neural Network 2021-Jul, Radiology. Artificial intelligence DOI:10.1148/ryai.2021200229 PMID:34350412	研究论文	开发了一个卷积神经网络用于头CT检查的自动分诊，并研究了上游医学图像处理对CNN性能的影响	首次系统性地探讨了图像采集、重建和预处理等上游处理环节对下游CNN分诊性能的影响，特别是发现投影数量可减少16倍且原始传感器数据可直接输入CNN而不影响性能	研究基于单一机构的回顾性数据，可能存在选择偏倚；未在外部验证集上测试模型泛化能力	开发头CT自动分诊系统并评估上游图像处理流程对深度学习模型性能的影响	头CT检查图像	计算机视觉	神经系统疾病	CT成像	CNN	医学图像	9776个头CT研究（训练集7856，验证集936，测试集984）	NA	NA	AUROC, 敏感性	NA
14	2026-04-10	Automated Identification of Orthopedic Implants on Radiographs Using Deep Learning 2021-Jul, Radiology. Artificial intelligence DOI:10.1148/ryai.2021200183 PMID:34350407	研究论文	本研究开发并评估了一种基于深度学习的卷积神经网络，用于从X光片中自动识别骨科植入物模型	结合U-Net分割网络与分类网络集成，实现自动零掩码处理，并在识别准确率上显著超越资深骨科专家	研究仅涵盖膝关节和髋关节的12种植入物模型，未来需扩展到更多关节和植入物类型	开发自动识别骨科植入物模型的深度学习系统，以辅助翻修关节成形术的术前规划	骨科植入物在X光片上的图像	计算机视觉	骨科疾病	X光成像	CNN	图像	427张膝关节和922张髋关节单侧前后位X光片，来自650名患者，涵盖12种植入物模型	NA	U-Net	准确率, top-three准确率	NA
15	2026-04-09	Extracting postmarketing adverse events from safety reports in the vaccine adverse event reporting system (VAERS) using deep learning 2021-07-14, Journal of the American Medical Informatics Association : JAMIA IF:4.7Q1 DOI:10.1093/jamia/ocab014 PMID:33647938	研究论文	本研究利用深度学习算法从疫苗不良事件报告系统（VAERS）中提取神经系统障碍相关的不良事件，以自动化分析疫苗上市后监测报告	首次在VAERS报告中应用并评估了最先进的深度学习算法进行命名实体识别，并预训练了领域特定的BERT模型（VAERS BERT）	样本量较小，仅包含91份VAERS报告，可能影响模型的泛化能力	自动化提取疫苗安全报告中的神经系统障碍相关不良事件，以支持疫苗上市后监测	疫苗不良事件报告系统（VAERS）中与格林-巴利综合征（GBS）相关的流感疫苗安全报告	自然语言处理	神经系统障碍	命名实体识别	BERT, Bi-LSTM, CRF	文本	91份VAERS报告，包含2512个实体	TensorFlow, PyTorch	BERT, BioBERT, Bi-LSTM	F1-score, 精确匹配F1分数, 宽松匹配F1分数	NA
16	2026-03-10	Accurate diagnosis of endoscopic mucosal healing in ulcerative colitis using deep learning and machine learning 2021-07-01, Journal of the Chinese Medical Association : JCMA IF:1.9Q2 DOI:10.1097/JCMA.0000000000000559 PMID:34050105	研究论文	本研究开发了一种结合深度学习和机器学习的计算机辅助诊断系统，用于准确诊断溃疡性结肠炎患者的黏膜愈合状态	开发了DLML-CAD系统，结合预训练神经网络特征提取与多种分类器（DNN、SVM、k-NN）及集成学习，实现了对溃疡性结肠炎内镜下黏膜愈合的高精度自动诊断	研究样本量有限（仅54名患者的856张图像），且数据来源于单一医疗中心，可能影响模型的泛化能力	开发一种计算机辅助诊断系统，以客观、准确地评估溃疡性结肠炎患者的内镜下黏膜愈合状态	溃疡性结肠炎患者的内镜结肠图像	数字病理学	溃疡性结肠炎	内镜成像	DNN, SVM, k-NN	图像	54名患者的856张内镜图像	NA	预训练神经网络（具体架构未指定）	准确率, 灵敏度, 特异性	NA
17	2026-03-06	Metrics of sleep apnea severity: beyond the apnea-hypopnea index 2021-07-09, Sleep IF:5.3Q1 DOI:10.1093/sleep/zsab030 PMID:33693939	综述	本文回顾了阻塞性睡眠呼吸暂停（OSA）严重程度评估指标的历史、预测价值及局限性，并探讨了替代指标和未来研究方向	系统性地批判了传统呼吸暂停低通气指数（AHI）的不足，并引入了缺氧负荷、觉醒强度、比值乘积和心肺耦合等新兴指标，同时展望了利用遗传学、生物标志物、机器学习/深度学习和可穿戴技术的未来研究方向	文章为综述性质，未提供原始实验数据或新模型的验证结果，主要基于现有文献进行分析和总结	评估和比较阻塞性睡眠呼吸暂停（OSA）严重程度的不同度量指标，探索更有效的诊断和预后评估方法	阻塞性睡眠呼吸暂停（OSA）患者及其相关临床数据	NA	阻塞性睡眠呼吸暂停	NA	NA	NA	NA	NA	NA	NA	NA
18	2026-03-06	GestAltNet: aggregation and attention to improve deep learning of gestational age from placental whole-slide images 2021-07, Laboratory investigation; a journal of technical methods and pathology DOI:10.1038/s41374-021-00579-5 PMID:33674784	研究论文	本文提出GestAltNet模型，通过注意力机制和区域聚合来从胎盘全玻片图像中深度学习预测孕周	开发了GestAltNet模型，模拟人类对高产出区域的注意力并跨区域聚合数据，以改善胎盘全玻片图像中孕周的深度学习预测	NA	利用深度学习模型从胎盘全玻片图像中准确估计孕周，并研究绒毛成熟度的机器识别	胎盘全玻片图像	数字病理学	妊娠期糖尿病, 先兆子痫	全玻片图像扫描	深度学习模型	图像	36张未见过的全玻片图像用于测试	NA	GestAltNet	相关系数(r), 平均绝对误差(MAE)	NA
19	2025-12-20	End-to-end deep learning for recognition of ploidy status using time-lapse videos 2021-Jul, Journal of assisted reproduction and genetics IF:3.2Q2 DOI:10.1007/s10815-021-02228-8 PMID:34021832	研究论文	本研究开发了一种端到端深度学习模型，利用原始延时视频识别胚胎的倍性状态	首次提出使用端到端深度学习模型直接从原始延时视频中预测胚胎倍性状态，无需人工特征提取	研究为回顾性设计，样本量相对较小，未来需要更大规模数据和前瞻性验证	通过深度学习自动识别胚胎的倍性状态，辅助胚胎植入前遗传学检测	人类胚胎的延时视频	计算机视觉	生殖健康	延时视频成像，胚胎植入前遗传学检测（PGT-A）	深度学习模型	视频	690组延时视频图像，其中138个用于测试	NA	NA	AUC	NA
20	2025-11-11	A Hybrid Deep Learning-Driven SDN Enabled Mechanism for Secure Communication in Internet of Things (IoT) 2021-07-18, Sensors (Basel, Switzerland) DOI:10.3390/s21144884 PMID:34300623	研究论文	提出一种基于SDN和深度学习的混合框架，用于物联网环境中的威胁检测	结合SDN技术与混合深度学习模型（Cu-DNNGRU和Cu-BLSTM），实现高效的物联网安全威胁检测	NA	保护物联网环境免受网络攻击，防止数据泄露和经济损失	物联网设备网络流量数据	机器学习	NA	NA	DNN, GRU, BLSTM	网络流量数据	CICIDS2018公开数据集	CUDA	DNNGRU, BLSTM, GRULSTM, DNNLSTM	准确率, 召回率, F1分数, 精确率, 速度效率	CUDA加速