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
21	2026-10-04	Past, Present, and Future of Machine Learning and Artificial Intelligence for Breast Cancer Screening 2022-10-10, Journal of breast imaging IF:2.0Q3 DOI:10.1093/jbi/wbac052 PMID:38416954	综述	本文综述了人工智能在乳腺癌筛查中的历史、现状与未来，以及AI系统开发所面临的挑战	系统性回顾了AI在乳腺癌筛查中从传统方法到深度学习的演变历程，并展望了AI从辅助阅片到独立自主阅片的未来发展路径	作为综述文章，未提供原始实验数据；未对现有AI系统进行定量比较分析	概述AI在乳腺癌筛查和诊断中的历史、当前状态和未来发展方向，并探讨AI系统开发中的挑战	乳腺癌筛查中的AI算法与系统	计算机视觉	乳腺癌	NA	深度学习	图像	NA	NA	NA	NA	NA
22	2026-10-04	Forecasting COVID-19 new cases using deep learning methods 2022-05, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2022.105342 PMID:35247764	研究论文	本文开发了三种深度学习模型（CNN、LSTM、CNN-LSTM）用于预测巴西、印度和俄罗斯的COVID-19新增病例数。	将CNN、LSTM和CNN-LSTM三种深度学习模型应用于巴西、印度和俄罗斯三个国家的COVID-19病例预测，并与已有深度学习模型进行性能对比，取得了显著的预测性能提升。	模型仅在巴西、印度和俄罗斯三个国家的数据集上进行了验证，尚未在其他国家或地区进行广泛测试。	准确预测SARS-CoV-2的传播趋势和COVID-19病例数，为全球疫情防控提供支持。	巴西、印度和俄罗斯的COVID-19新增病例数据。	机器学习	COVID-19	深度学习预测建模	CNN, LSTM, CNN-LSTM	时间序列数据	NA	NA	CNN, LSTM, CNN-LSTM	预测准确率	NA
23	2026-10-04	Federated learning for multi-center imaging diagnostics: a simulation study in cardiovascular disease 2022-03-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-022-07186-4 PMID:35241683	研究论文	本文首次在心血管磁共振成像领域进行模拟联邦学习研究，使用来自M&M和ACDC数据集的四个中心数据，专注于肥厚型心肌病的诊断	首次在心血管磁共振模态上进行模拟联邦学习研究，并系统分析了形状先验信息和数据增强设置对协作学习选择的影响	数据规模较小（仅180个受试者），且为模拟联邦学习研究，可能无法完全反映真实世界多中心场景的复杂性	探索联邦学习在多中心医学影像诊断中的可行性，特别是在心血管疾病诊断中，以解决数据稀缺和隐私保护问题	来自四个中心的180名受试者，数据来源于M&M和ACDC数据集，用于肥厚型心肌病的诊断	医学影像分析	心血管疾病	心血管磁共振成像	3D-CNN	图像	180名受试者，来自四个中心	NA	3D-CNN	NA	NA
24	2026-10-04	Informative RNA base embedding for RNA structural alignment and clustering by deep representation learning 2022-Mar, NAR genomics and bioinformatics IF:4.0Q1 DOI:10.1093/nargab/lqac012 PMID:35211670	研究论文	该论文采用预训练算法对RNA碱基进行有效嵌入，获得语义丰富的表示，并应用于RNA结构比对和聚类	提出了一种信息性碱基嵌入方法，通过位置依赖的方式嵌入RNA的四个碱基，同时嵌入碱基信息、二级结构和上下文信息，在RNA结构比对和家族聚类任务上超越了现有最先进方法，并结合简单的Needleman-Wunsch算法实现了时间复杂度为O(n^2)的结构比对	未明确说明	通过深度表示学习获得有效的RNA碱基嵌入，以解决RNA结构比对和聚类这两个基本问题	RNA序列	机器学习	NA	预训练算法，深度表示学习	NA	RNA序列	来自不同RNA家族的大量RNA序列	NA	NA	准确率	NA
25	2026-10-04	Deep learning in optical metrology: a review 2022-Feb-23, Light, science & applications DOI:10.1038/s41377-022-00714-x PMID:35197457	综述	本文综述了深度学习在光学计量领域（如条纹去噪、相位恢复、相位解包裹、子集相关和误差补偿等任务）的应用现状与最新进展，并讨论了当前挑战与未来方向	系统梳理了深度学习在光学计量多个任务中的应用，将传统“基于物理”的方法与“数据驱动”的深度学习方法进行对比，并展望未来研究方向	作为综述文章，未提出新的算法或模型，也未进行实验验证；可能未覆盖所有最新研究或缺乏定量比较	概述深度学习在光学计量领域的应用现状和最新进展，讨论开放挑战并指出未来研究方向	光学计量领域的深度学习技术及其应用任务，包括条纹去噪、相位恢复、相位解包裹、子集相关和误差补偿等	计算机视觉	NA	深度学习	NA	图像	NA	NA	NA	NA	NA
26	2026-10-04	Automated Knee MR Images Segmentation of Anterior Cruciate Ligament Tears 2022-Feb-17, Sensors (Basel, Switzerland) DOI:10.3390/s22041552 PMID:35214451	研究论文	该研究通过深度学习技术从磁共振图像中自动分割前交叉韧带撕裂	在JPEG格式的MRI图像上使用U-Net架构实现前交叉韧带撕裂的自动分割，并声称其准确度超越了人工分割	未明确提及局限性，但可能包括研究仅基于单一数据集、未与其他深度学习模型进行广泛比较、以及JPEG图像压缩可能影响分割精度	实现膝关节前交叉韧带撕裂的自动分割，以早期准确分析并改善前交叉韧带撕裂的分类	膝关节前交叉韧带撕裂的磁共振图像	计算机视觉	前交叉韧带损伤	磁共振成像	CNN	图像	11451张训练图像和3817张验证图像	NA	U-Net	准确率, 交并比, Dice相似系数, 精确率, 召回率, F1分数, Dice损失	NA
27	2026-10-04	A Comprehensive Analysis of Recent Deep and Federated-Learning-Based Methodologies for Brain Tumor Diagnosis 2022-Feb-13, Journal of personalized medicine IF:3.0Q1 DOI:10.3390/jpm12020275 PMID:35207763	综述	本文综述了近期基于深度学习和联邦学习方法的脑肿瘤诊断研究，探讨其性能、准确率、开放问题与挑战	聚焦联邦学习与深度学习在脑肿瘤诊断中的结合，系统梳理近期方法并评估其诊断准确率	作为综述文章，未提出新的模型或实验验证，缺乏对具体方法性能的定量比较与统一基准测试	探索深度学习和联邦学习方法在脑肿瘤诊断中的性能表现并评估其诊断准确率	脑肿瘤诊断相关的深度学习与联邦学习研究方法	医学图像分析	脑肿瘤	深度学习, 联邦学习	NA	医学影像	NA	NA	NA	准确率	NA
28	2026-10-04	Computational multi-wavelength phase synthesis using convolutional neural networks [Invited] 2022-Feb-10, Applied optics IF:1.7Q3 DOI:10.1364/AO.439323 PMID:35201134	研究论文	本文提出使用卷积神经网络进行多波长数字全息显微术的计算相位合成，以实现单次拍摄的折射率估计	提出了一种新颖的计算概念，通过深度学习卷积神经网络实现计算相位合成，从而在不需要增加实验复杂度的情况下，获得不同波长的高速度同时相位估计，并实现单次拍摄的积分折射率估计	研究使用细胞模型和模拟全息记录过程进行验证，未在真实生物样本或实验中进行广泛测试	开发基于深度学习的计算相位合成方法，用于多波长数字全息显微术，以实现高速、单次拍摄的相位和折射率估计	细胞模型（包含内部折射率变化，代表细胞质和膜结合细胞器）和模拟的全息记录过程	计算机视觉	NA	多波长数字全息显微术, 深度学习	CNN	图像	NA	NA	NA	NA	NA
29	2026-10-04	Deep Learning-Enabled Technologies for Bioimage Analysis 2022-Feb-06, Micromachines IF:3.0Q2 DOI:10.3390/mi13020260 PMID:35208385	综述	本文简要介绍深度学习的基本概念，并综述深度学习在细胞形态定量分析中的应用，涵盖胚胎学、即时排卵检测、胎儿心脏妊娠预测、癌症组织学图像分类诊断、常染色体多囊肾病和慢性肾病等领域	系统综述了深度学习在细胞形态定量分析中的新兴应用，涵盖多个生物医学和临床领域，包括胚胎学、即时排卵检测、胎儿心脏妊娠预测、癌症诊断、常染色体多囊肾病和慢性肾病	作为综述文章，未提供原始实验数据或新模型验证	综述深度学习在生物图像分析和细胞形态定量中的应用	细胞形态定量分析相关的生物医学图像数据	数字病理学	肺癌, 常染色体多囊肾病, 慢性肾病	深度学习	NA	图像	NA	NA	NA	NA	NA
30	2026-10-04	Brain Tumor Classification Using a Combination of Variational Autoencoders and Generative Adversarial Networks 2022-Jan-21, Biomedicines IF:3.9Q1 DOI:10.3390/biomedicines10020223 PMID:35203433	研究论文	本文提出了一种结合变分自编码器和生成对抗网络的框架，用于生成脑肿瘤MRI图像以解决医学数据不足问题，并提升脑肿瘤分类性能	将变分自编码器和生成对抗网络结合，利用VAE的编码器-解码器网络交换后输出包含图像流形信息的噪声向量，替代随机高斯噪声输入GAN，从而避免模式崩溃并生成逼真的脑肿瘤MRI图像	未明确讨论生成图像的质量评估指标，且生成图像在临床实际应用中的泛化能力有待进一步验证	解决医学影像领域公开数据集规模有限的问题，通过生成合成脑肿瘤MRI图像来增强训练数据，从而提高深度学习模型的分类性能	脑肿瘤磁共振图像，包括胶质瘤等不同严重程度的脑肿瘤类型	计算机视觉	脑肿瘤	磁共振成像	变分自编码器, 生成对抗网络, ResNet	图像	NA	NA	VAE, GAN, ResNet50	准确率, 召回率, 特异性, 精确率, F1分数	NA
31	2026-10-04	Degenerative adversarial neuroimage nets for brain scan simulations: Application in ageing and dementia 2022-01, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2021.102257 PMID:34731771	研究论文	提出4D-DANI-Net深度学习框架，生成模拟衰老和痴呆中受试者特异性神经退行性变的高分辨率纵向MRI扫描	结合对抗训练和新颖的时空生物学约束，采用Profile Weight Functions、3D超分辨率模块和迁移学习策略	未明确提及	生成高分辨率、纵向、受试者特异性的MRI扫描，模拟衰老和痴呆中的神经退行性变	衰老和痴呆（阿尔茨海默病）患者	医学图像生成	阿尔茨海默病	MRI	生成对抗网络	图像	训练集：876名参与者的9852张T1加权MRI扫描；测试集：170名参与者的1283张MRI扫描	NA	4D-DANI-Net	图像质量评估、区域脑体积准确度、医学专家视觉感知	NA
32	2026-10-04	Classification of malignant tumors by a non-sequential recurrent ensemble of deep neural network model 2022, Multimedia tools and applications IF:3.0Q2 DOI:10.1007/s11042-022-12229-z PMID:35194379	研究论文	本文提出了一种非序列循环深度神经网络集成模型，用于根据肿瘤分期对异质性肿瘤图像进行分类	提出了一种新的非序列深度混合模型集成，利用分支和重注入层以及双向循环层，能够对异质性肿瘤图像进行分期分类，而不考虑其起源	模型仅在有限的异质性肿瘤数据集上进行了验证，可能需要进一步的外部验证和更大规模的样本	开发一种能够根据肿瘤分期对异质性肿瘤图像进行分类的高效模型，作为放射科医生的辅助决策支持系统，加速肿瘤诊断过程	来自癌症影像档案的八种不同数据集的异质性肿瘤图像，共717个受试者，涵盖不同的成像模式和TNM分期	计算机视觉	肺癌, 前列腺癌, 心血管疾病, 老年疾病, 肿瘤	深度学习	CNN, LSTM, 双向循环层, 集成模型	图像	717个受试者	NA	非序列深度混合模型集成，包含分支和重注入层以及双向循环层	准确率, ROC-AUC	NA
33	2026-10-04	Is image-to-image translation the panacea for multimodal image registration? A comparative study 2022, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0276196 PMID:36441754	研究论文	本文通过对比多种图像到图像翻译方法在多模态图像配准中的效果，并与直接多模态配准方法进行比较，探讨了图像到图像翻译的适用性	首次对多种图像到图像翻译方法在多模态图像配准任务中的效果进行了系统的比较研究，并公开了完整的实验设置和代码	图像到图像翻译方法在模态间相关性不强时效果不佳，且未考虑非刚性配准和更多模态	评估图像到图像翻译方法在多模态生物医学图像刚性配准中的适用性和有效性	多模态生物医学和医学2D和3D图像	计算机视觉	NA	生成对抗网络（GAN）、对比表示学习、互信息最大化	GAN	图像	四个公开的多模态（2D和3D）数据集	PyTorch	NA	配准性能指标	NA
34	2026-10-01	Deep learning-based speech analysis for Alzheimer's disease detection: a literature review 2022-12-14, Alzheimer's research & therapy DOI:10.1186/s13195-022-01131-3 PMID:36517837	综述	本文综述了基于深度学习的语音分析在阿尔茨海默病检测中的最新研究进展	系统整合了语音数据库、深度学习方法和模型性能，指出了当前研究的主流方向和局限性	仅纳入52篇论文，可能未覆盖所有相关研究，且未进行定量荟萃分析	综述基于深度学习的语音分析用于阿尔茨海默病检测的研究进展，为未来研究提供方向	阿尔茨海默病、痴呆或认知障碍患者的语音数据	自然语言处理	阿尔茨海默病	语音分析	深度学习	语音	52篇论文	NA	NA	NA	NA
35	2026-10-01	A novel knowledge extraction method based on deep learning in fruit domain 2022-12-13, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-022-26116-y PMID:36513750	研究论文	本文提出一种基于深度学习的重叠三元组抽取模型，用于从水果营养领域非结构化文本中提取实体和关系，以构建结构化的水果营养知识库	针对水果营养领域语料中存在的重叠三元组问题（即同一主语对应多个宾语或同一主宾语对应多种关系），提出将关系建模为主语到宾语的映射函数，并将主语混合信息输入关系-宾语抽取模型以同时检测宾语和关系	未明确说明模型的泛化能力是否适用于其他领域，也未讨论计算复杂度或对标注数据规模的敏感性	解决水果营养领域文本中重叠三元组难以准确抽取的问题，并构建高质量结构化的水果营养知识库	水果营养领域非结构化文本语料及人工标注的水果营养领域数据集	自然语言处理	NA	深度学习	关系-宾语抽取模型（具体架构未明确说明）	文本	人工标注的水果营养领域数据集（具体样本数量未说明）	NA	NA	未明确说明具体指标，但提及达到state-of-the-art性能	NA
36	2026-10-01	Deep learning-based age estimation from chest X-rays indicates cardiovascular prognosis 2022-Dec-09, Communications medicine IF:5.4Q1 DOI:10.1038/s43856-022-00220-6 PMID:36494479	研究论文	该研究训练了一个深度神经网络模型，仅从胸部X光图像中估计患者年龄，并验证了估计年龄（X光年龄）与心血管疾病预后的关联	首次利用超过10万张胸部X光图像训练深度神经网络进行年龄估计，并系统性地验证了X光年龄在心力衰竭和心血管疾病ICU患者中的临床预后价值	摘要中未明确提及研究局限性	利用人工智能从胸部X光图像中估计年龄，并探讨估计年龄对心血管疾病预后的临床意义	心力衰竭住院患者和心血管疾病ICU入院患者	计算机视觉	心血管疾病	NA	深度神经网络	图像	超过100,000张胸部X光图像用于模型训练，1,562名连续住院心力衰竭患者和3,586名心血管疾病ICU入院患者用于临床验证	NA	深度神经网络	相关性分析、临床结局（心力衰竭再入院、全因死亡）	NA
37	2026-10-01	Automated detection of dental restorations using deep learning on panoramic radiographs 2022-Dec-01, Dento maxillo facial radiology DOI:10.1259/dmfr.20220244 PMID:36043433	研究论文	本研究提出了一种基于深度学习的计算机辅助检测系统，用于在全景X光片中自动检测牙科修复体、假牙和种植体	使用了十种不同的深度学习检测模型，包括R-CNN、Faster R-CNN、SSD、YOLOv3和RetinaNet作为检测器，并集成了ResNet-50、ResNet-101、XCeption-101、VGG16和DarkNet53作为骨干和特征提取器，此外还采用了Side-Aware Boundary Localization、级联结构和Libra、Dynamic等简单模型框架	错误主要由定位混淆导致，未来需要通过更多数据和标准化报告来训练模型	开发一个全面的计算机辅助检测系统，用于自动检测牙科修复体，以支持治疗规划和牙科健康管理	全景X光片中的牙科修复体、假牙和种植体	计算机视觉	NA	深度学习	CNN	图像	684个对象	NA	ResNet-50, ResNet-101, XCeption-101, VGG16, DarkNet53, R-CNN, Faster R-CNN, SSD, YOLOv3, RetinaNet	mAP, AR, precision-recall curve, 精确率-召回率曲线下面积	NA
38	2026-10-01	The Passive Monitoring of Depression and Anxiety Among Workers Using Digital Biomarkers Based on Their Physical Activity and Working Conditions: 2-Week Longitudinal Study 2022-Nov-30, JMIR formative research IF:2.0Q4 DOI:10.2196/40339 PMID:36449342	研究论文	该研究开发了一种基于长短期记忆网络的深度学习模型，利用体力活动和劳动条件数据被动监测劳动者的抑郁和焦虑	首次针对劳动者群体开发了基于体力活动和劳动条件的深度学习模型，利用Google Fit应用获取活动数据，并纳入职业、工作班次、工作小时数等劳动条件特征，采用LSTM利用前一日数据进行次日心理困扰预测	研究仅持续2周，样本仅来自日本城市地区的劳动者，未能纳入缺勤劳动者，且重度心理困扰的分类准确率较低（51.1%）	评估一种针对劳动者优化的深度学习模型在预测抑郁和焦虑方面的性能，以心理困扰作为抑郁和焦虑的指标	日本城市地区的236名在职劳动者，年龄在20至69岁之间	机器学习	抑郁症, 焦虑症	可穿戴设备体力活动监测（Google Fit应用）, 自报问卷调查	LSTM	时间序列数据, 数值数据, 文本数据	236名劳动者的1661天监督数据	NA	LSTM	分类准确率	NA
39	2026-10-01	A longitudinal observational study of home-based conversations for detecting early dementia: protocol for the CUBOId TV task 2022-11-23, BMJ open IF:2.4Q1 DOI:10.1136/bmjopen-2022-065033 PMID:36418120	研究方案	本文描述了CUBOId研究，一项纵向观察性研究，旨在通过家庭环境中的多模态数据（包括语音）来监测轻度认知障碍和早期阿尔茨海默病，重点介绍了一种新颖的语音任务（TV任务）。	利用智能传感技术在家庭环境中连续采集多模态行为数据，并设计了一种生态效度高的TV任务来追踪对话变化，结合深度学习融合活动与语音数据以优化诊断和预测性能。	目前仅提供了研究方案，尚未报告实际数据结果；样本量可能有限；长期监测的可行性和数据质量仍需验证。	探索多模态数据融合在家庭监测轻度认知障碍和早期阿尔茨海默病中的可行性，并评估语音任务在追踪疾病进展中的效用。	CUBOId研究的参与者，包括被诊断为轻度认知障碍或阿尔茨海默病的患者及其无此诊断的伴侣（作为对照）。	数字病理学	阿尔茨海默病	可穿戴设备和家用固定传感器、音频记录、深度学习	深度学习	音频、多模态活动数据	NA	NA	NA	NA	NA
40	2026-10-01	IUP-BERT: Identification of Umami Peptides Based on BERT Features 2022-Nov-21, Foods (Basel, Switzerland) DOI:10.3390/foods11223742 PMID:36429332	研究论文	本文开发了一种基于BERT特征和SVM的鲜味肽预测器iUP-BERT，并建立了在线服务器	首次基于单一深度学习预训练神经网络特征提取方法构建高效的序列鲜味肽预测器，并结合SMOTE和SVM优化模型	未明确提及，可能依赖于特定数据集和特征提取方法	开发一种快速、准确的基于序列的鲜味肽预测方法，以替代耗时耗力的实验室方法	鲜味肽序列	机器学习	NA	BERT特征提取，SMOTE，SVM	BERT, SVM	序列数据	NA	NA	BERT, SVM	交叉验证和独立测试中的性能改进，但未具体说明指标	NA