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
121	2026-09-28	Exploring the Employment Quality Evaluation Model of Application-Oriented University Graduates by Deep Learning 2022, Computational intelligence and neuroscience DOI:10.1155/2022/2823614 PMID:35502350	研究论文	本文结合深度学习技术构建了应用型大学毕业生的就业培训与就业质量评价模型，并通过问卷调查分析了学习动机、专注度、教学过程和最终结果对学习效果及就业质量的影响	将深度学习技术与就业概念相结合，构建就业培训模型，并从学习动机、专注度、教学过程和最终结果四个维度设计问卷进行就业质量评价	摘要未提及样本量的具体信息及模型的技术细节，研究主要基于问卷调查分析，可能缺乏大规模多中心验证	探索应用型大学毕业生就业质量评价模型，改善课堂就业指导能力与策略，为毕业生就业质量提供参考建议	应用型大学毕业生及在校大学生	机器学习	NA	深度学习技术，问卷调查	深度学习模型（具体架构未明确）	问卷调查数据（文本/数值型）	NA	NA	NA	P值，非标准化系数	NA
122	2026-09-28	Deep Learning for Prediction of Progression and Recurrence in Nonfunctioning Pituitary Macroadenomas: Combination of Clinical and MRI Features 2022, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2022.813806 PMID:35515108	研究论文	该研究应用深度学习算法结合临床和MRI特征预测无功能垂体大腺瘤的进展和复发	结合临床数据和MRI特征的多模态CNN-MLP模型用于预测无功能垂体大腺瘤的进展和复发	样本量较小（78例患者），需要更多研究来支持发现	应用深度学习算法预测无功能垂体大腺瘤的进展和复发	无功能垂体大腺瘤患者	医学影像分析	垂体腺瘤	深度学习	多层感知机, 卷积神经网络	临床数据, MRI图像	78例患者	NA	多层感知机, 卷积神经网络	准确率, 精确率, AUC	NA
123	2026-09-28	Avoiding Catastrophe: Active Dendrites Enable Multi-Task Learning in Dynamic Environments 2022, Frontiers in neurorobotics IF:2.6Q3 DOI:10.3389/fnbot.2022.846219 PMID:35574225	研究论文	本文提出了一种融合活跃树突和稀疏表示的新型人工神经网络架构，用于在多任务和持续学习场景中避免灾难性遗忘。	首次将活跃树突和稀疏表示融入标准深度学习框架，并在多任务强化学习和持续学习两个基准上同时取得有竞争力的结果。	未明确说明计算资源限制，可能在更大规模任务上的泛化性有待验证。	研究生物启发的架构如何解决动态环境中的多任务学习和持续学习问题。	多任务强化学习环境Meta-World中的机器人操作任务，以及持续学习基准中的预测任务。	机器学习	NA	NA	人工神经网络	NA	NA	NA	包含活跃树突和稀疏表示的人工神经网络	NA	NA
124	2026-09-28	A Survey on Deep Networks Approaches in Prediction of Sequence-Based Protein-Protein Interactions 2022, SN computer science DOI:10.1007/s42979-022-01197-8 PMID:35611239	综述	本文首次全面综述了基于序列的蛋白质-蛋白质相互作用预测中三种主流深度学习架构（深度神经网络、卷积神经网络和循环神经网络及其变体）的应用	首次对基于序列的PPI预测中三种流行深度学习架构（深度神经网络、卷积神经网络和循环神经网络及其变体）进行全面综述	未提及具体性能基准比较或对未来挑战的深入讨论	综述深度学习在基于序列的蛋白质-蛋白质相互作用预测中的应用，帮助研究人员进一步探索该领域的成功	蛋白质-蛋白质相互作用	机器学习	NA	NA	深度神经网络, 卷积神经网络, 循环神经网络及其变体	序列数据	NA	NA	深度神经网络, 卷积神经网络, 循环神经网络	NA	NA
125	2026-09-28	Film Effect Optimization by Deep Learning and Virtual Reality Technology in New Media Environment 2022, Computational intelligence and neuroscience DOI:10.1155/2022/8918073 PMID:35634038	研究论文	本文利用深度学习和虚拟现实技术优化电影播放效果，通过极值中值滤波、生成对抗网络、决策树和层次聚类算法提升单帧视频图像的对比度、细节和色彩表现	将优化的极值中值滤波算法、生成对抗网络与决策树及层次聚类算法结合，用于电影视频图像和VR图像的优化与增强，提升图像细节、纹理特征及交互沉浸感	未提及具体局限性	解决新媒体环境中电影视觉表达沉浸感弱、交互性差、仿真度低的问题，优化电影播放效果和VR电影体验	电影单帧视频图像和VR图像	计算机视觉	NA	虚拟现实技术、极值中值滤波、生成对抗网络、决策树算法、层次聚类算法	GAN	图像	NA	NA	GAN	对比度, 熵, 噪声比, Frechet Inception Distance	NA
126	2026-09-28	AX-Unet: A Deep Learning Framework for Image Segmentation to Assist Pancreatic Tumor Diagnosis 2022, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2022.894970 PMID:35719964	研究论文	本文提出了AX-Unet深度学习框架，通过改进的空洞空间金字塔池化模块和组卷积操作减少下采样过程中的信息损失，并引入显式边界感知损失函数处理模糊边界问题，用于胰腺CT图像分割以辅助胰腺肿瘤诊断	提出改进的空洞空间金字塔池化模块以学习位置信息并提取多级上下文信息；在每个层级的特征图上引入特殊的组卷积操作以实现通道间的信息解耦；提出显式边界感知损失函数以解决模糊边界问题	未明确说明模型的泛化能力、计算复杂度以及在更大规模多中心数据集上的验证情况	提高胰腺CT图像分割的准确性，减少深度神经网络信息传播过程中的信息损失，并通过特征对比辅助胰腺肿瘤筛查	胰腺CT图像中的胰腺区域，包括正常人群和胰腺肿瘤患者的胰腺	计算机视觉, 数字病理学	胰腺癌	CT影像	CNN	图像	两个公开胰腺CT数据集：NIH胰腺CT数据集和医学分割十项全能（MSD）数据集中的胰腺部分	NA	U-Net, AX-Unet	分割性能指标（未具体说明，但包括与最先进方法的对比）	NA
127	2026-09-28	Alternating Learning Approach for Variational Networks and Undersampling Pattern in Parallel MRI Applications 2022, IEEE transactions on computational imaging IF:4.2Q2 DOI:10.1109/tci.2022.3176129 PMID:35795003	研究论文	本文提出一种交替学习方法，用于学习并行MRI中的采样模式和变分网络参数	提出交替学习采样模式和变分网络参数的框架，包含四种变体，并发现改进不仅来自采样密度还来自k空间采样位置	未明确说明局限性	加速并行磁共振成像	脑部和膝关节MRI数据集	计算机视觉	NA	并行磁共振成像	变分网络	图像	两个数据集（脑部和膝关节）	NA	变分网络	RMSE, SSIM, HFEN	NA
128	2026-09-28	Deep learning frameworks for protein-protein interaction prediction 2022, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2022.06.025 PMID:35832624	综述	本文全面介绍了深度学习在蛋白质-蛋白质相互作用预测中的学习架构、基准和扩展应用	系统梳理了深度学习在PPI预测中的多种学习架构、基准和扩展应用，为该领域提供了综合性介绍	作为综述文章，未提出新的计算模型或实验验证	全面介绍深度学习在蛋白质-蛋白质相互作用预测中的应用	蛋白质-蛋白质相互作用预测方法	机器学习	NA	NA	深度学习	NA	NA	NA	NA	NA	NA
129	2026-09-28	Research on Emotion Analysis and Psychoanalysis Application With Convolutional Neural Network and Bidirectional Long Short-Term Memory 2022, Frontiers in psychology IF:2.6Q2 DOI:10.3389/fpsyg.2022.852242 PMID:35846596	研究论文	本研究聚焦于基于情感识别的心理分析应用中的情感分析方法，通过改进的C-BiL模型在服务器端的情感识别模块中有效实现情感识别功能	提出了改进的C-BiL模型，结合卷积神经网络和双向长短期记忆网络，并在多个数据集上取得了较高的准确率	未明确说明模型的局限性	研究情感分析方法在心理分析中的应用，提高文本情感识别的准确率	Diary数据集、Weibo数据集、Fudan数据集	自然语言处理	NA	NA	CNN, BiLSTM	文本	NA	NA	CNN, BiLSTM	准确率	NA
130	2026-09-28	Multi-person feature fusion transfer learning-based convolutional neural network for SSVEP-based collaborative BCI 2022, Frontiers in neuroscience IF:3.2Q2 DOI:10.3389/fnins.2022.971039 PMID:35958998	研究论文	本文构建了基于SSVEP的多脑协同脑机接口系统，提出三种多人脑电特征融合方法，并结合迁移学习卷积神经网络进行分类。	构建了多人SSVEP协同脑机接口系统，提出了三种多人脑电特征融合方法（并行连接、串行连接、多人平均），并首次将迁移学习卷积神经网络应用于该系统的分类。	未明确说明，但收集数据集规模较小，且被试数量有限（10人）	解决传统单人脑机接口信噪比低、个体差异大、实验效果不稳定等问题，提高SSVEP协同脑机接口的分类性能	多人脑电信号（SSVEP），10名被试	脑机接口	NA	脑电图（EEG）	CNN	脑电信号（EEG）	10名被试	NA	CNN	分类准确率	NA
131	2026-09-28	A comprehensive review of methods based on deep learning for diabetes-related foot ulcers 2022, Frontiers in endocrinology IF:3.9Q2 DOI:10.3389/fendo.2022.945020 PMID:36004341	综述	本文综述了过去十年中用于糖尿病相关足溃疡早期检测的深度学习方法，涵盖分类、目标检测和语义分割任务	系统总结并比较了深度学习在糖尿病相关足溃疡分类、目标检测和语义分割中的应用，并对比了不同模型的性能	需要进一步研究以更好地理解深度学习在糖尿病相关足溃疡中的作用机制	综述深度学习在糖尿病相关足溃疡早期检测中的应用，以避免截肢或感染	糖尿病相关足溃疡的图像数据	计算机视觉	糖尿病相关足溃疡	深度学习	CNN	图像	NA	NA	GoogLeNet, Faster R-CNN, YOLO v3, YOLO v5, EfficientDet, FCN, U-Net, V-Net, SegNet, Mask R-CNN	准确率, 平均精度均值, 精确率	NA
132	2026-09-23	Joint Neural Network for Fast Retrospective Rigid Motion Correction of Accelerated Segmented Multislice MRI 2022-May, Proceedings of the International Society for Magnetic Resonance in Medicine ... Scientific Meeting and Exhibition. International Society for Magnetic Resonance in Medicine. Scientific Meeting and Exhibition PMID:42099794	研究论文	本文提出了一种深度学习方法来快速回顾性校正分段多层MRI中的切片内刚性运动	该方法不需要扫描期间受试者头部运动的辅助信息，网络架构结合了频率域和图像空间域表示的卷积	目前仅针对切片内刚性运动，处理的是回顾性校正	实现加速分段多层MRI的快速回顾性刚性运动校正	分段多层MRI数据	医学图像处理	NA	MRI	卷积神经网络	MRI图像（频率域和图像空间域）	NA	NA	卷积神经网络	重建质量、速度（比GRAPPA快一个数量级）	NA
133	2026-09-21	Outsourcing Training without Uploading Data via Efficient Collaborative Open-Source Sampling 2022-Dec, Advances in neural information processing systems PMID:37151570	研究论文	该论文提出了一种名为ECOS的策略，通过利用开源的公共数据来构建代理数据集，从而在不上传数据的情况下将模型训练外包给云服务器。	提出ECOS策略，仅通过通信和计算高效的采样过程（传输少量压缩的公共特征和客户端标量响应）从开源数据中构建近端代理数据集，替代客户端数据用于云端训练。	未明确说明ECOS的局限性，例如对开源数据质量和分布匹配的依赖、潜在隐私泄露风险等。	解决传统外包训练中需要上传设备数据导致的隐私和通信带宽问题，实现无需上传数据的外包训练。	开源数据（如互联网图像）和客户端数据分布。	机器学习	NA	NA	NA	图像	NA	NA	NA	NA	NA
134	2026-09-20	Could artificial intelligence revolutionize the development of nanovectors for gene therapy and mRNA vaccines? 2022-Dec, Nano today IF:13.2Q1 DOI:10.1016/j.nantod.2022.101665 PMID:37034382	综述	本文综述了人工智能及其主要子领域在基因治疗和mRNA疫苗纳米载体开发中的应用潜力	系统探讨了人工智能在靶向基因递送载体设计、CRISPR/Cas系统改进、新型纳米机器人和mRNA疫苗载体开发中的潜在应用	未涉及具体实验数据或案例验证，主要停留在理论探讨和展望层面	探讨人工智能如何革新基因治疗和mRNA疫苗的纳米载体开发	基因治疗、mRNA疫苗、纳米载体、人工智能技术	机器学习	NA	基因治疗、CRISPR/Cas、mRNA疫苗、纳米载体技术	神经网络、深度学习	NA	NA	NA	NA	NA	NA
135	2026-09-20	A Path Towards Clinical Adaptation of Accelerated MRI 2022-Nov, Proceedings of machine learning research PMID:37008682	研究论文	本文探索了加速MRI重建器的增强方法，以提高其临床相关性，包括检测图像伪影的ConvNet模型、可变加速因子训练、克服灾难性遗忘的损失函数以及使用模拟体模数据预训练的方法	提出了检测MRI图像伪影来源的ConvNet模型，实现了79.1%的分类器F1分数；证明了在可变加速因子下训练重建器可将临床患者扫描的平均性能提高多达2%；提供了一种损失函数来克服模型学习重建多种解剖结构和方向时的灾难性遗忘；提出了一种在临床数据集和计算能力有限的情况下使用模拟体模数据预训练重建器的方法	研究未在真实临床环境中进行全面验证，仅初步探索了提高临床相关性的方法，可能仍存在未解决的临床适应问题	探索加速MRI重建器的增强方法，以提高其在临床环境中的适用性	加速MRI重建的神经网络模型和临床MRI数据	医学影像分析	NA	MRI	CNN	图像	NA	NA	ConvNet	分类器F1分数	NA
136	2026-09-20	From Images to Probabilistic Anatomical Shapes: A Deep Variational Bottleneck Approach 2022-Sep, Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention DOI:10.1007/978-3-031-16434-7_46 PMID:37011237	研究论文	本文提出了一种基于变分信息瓶颈理论的深度学习框架，用于直接从3D医学图像中预测解剖结构的概率形状，无需监督式形状描述符编码	利用变分信息瓶颈理论，在模型训练中直接学习潜在表示，避免了预先计算PCA形状表示的限制，允许非线性关系，模型自正则化且在有限训练数据下泛化更好	摘要中未明确提及局限性	直接从3D医学图像中预测解剖结构的概率形状，并提供校准的不确定性估计，以支持临床决策	解剖结构（具体部位未在摘要中指定）	医学图像分析	NA	统计形状建模	变分信息瓶颈	3D医学图像	NA	NA	NA	准确度, 校准的不确定性估计	NA
137	2026-09-20	Using Deep Learning to Identify Linguistic Features that Facilitate or Inhibit the Propagation of Anti- and Pro-Vaccine Content on Social Media 2022-Jul, IEEE International Conference on Digital Health. IEEE International Conference on Digital Health DOI:10.1109/icdh55609.2022.00025 PMID:37975063	研究论文	该研究利用深度学习技术识别促进或抑制社交媒体上反疫苗和亲疫苗内容传播的语言特征	使用微调的BERT分类器构建两阶段框架，实现了超过99%的二分类和80%的三分类准确率，并发现了促进和抑制疫苗相关内容传播的语言特征集	未明确说明（NA）	识别促进和抑制疫苗相关内容传播的语言特征集，并比较反疫苗、亲疫苗和中立推文中这些特征的出现频率差异	2021年11月15日至12月15日期间超过1.2亿条社交媒体推文（与Omicron变异株激增时期重合）	自然语言处理	疫苗犹豫	深度学习，自然语言处理	BERT	文本	超过1.2亿条推文	NA	BERT	准确率	NA
138	2026-09-16	HealthPrompt: A Zero-shot Learning Paradigm for Clinical Natural Language Processing 2022, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:37128372	研究论文	本文提出了HealthPrompt，一种基于提示的零样本学习框架，用于临床自然语言处理，无需标注训练数据即可处理临床文本任务	提出了HealthPrompt框架，将基于提示的零样本学习应用于临床NLP，通过定义任务提示模板而非微调预训练语言模型，在无训练数据设置下对六种预训练语言模型进行了深入分析	未明确说明，但可能受限于提示模板设计对性能的影响以及预训练语言模型在临床领域的覆盖范围	解决临床NLP系统开发中缺乏大规模标注临床文本数据集的瓶颈问题，探索零样本学习在临床NLP任务中的可行性	临床自然语言文本数据	自然语言处理	NA	基于提示的学习，零样本学习	预训练语言模型	文本	NA	NA	预训练语言模型（六种不同PLM）	NA	NA
139	2026-09-13	Enhancing convolutional neural network predictions of electrocardiograms with left ventricular dysfunction using a novel sub-waveform representation 2022-Oct, Cardiovascular digital health journal IF:2.6Q2 DOI:10.1016/j.cvdhj.2022.07.074 PMID:36310683	研究论文	该研究提出一种基于心电波形节律模式的子波形表示方法，以提升卷积神经网络对左心室功能障碍的预测性能，并在9万余例人群中验证了其有效性	提出了一种以数据为中心的子波形表示方法，利用心电波形的节律模式而非改变CNN架构来增强预测，并通过心跳对齐机制解释了性能提升的原因	摘要中未明确提及研究局限性	通过引入子波形表示来增强卷积神经网络对心电图左心室功能障碍的预测性能	92,446例患者的心电图数据	机器学习	心血管疾病	心电图深度学习	CNN	心电图波形信号	92,446例患者	NA	卷积神经网络	受试者工作特征曲线下面积，精确率-召回率曲线下面积	NA
140	2026-09-13	Default risk prediction and feature extraction using a penalized deep neural network 2022, Statistics and computing IF:1.6Q1 DOI:10.1007/s11222-022-10140-z PMID:36124203	研究论文	该研究开发了一种带惩罚的深度学习模型，用于基于生存数据预测P2P借贷中的违约风险，并实现特征选择与估计	在神经网络中增加一对一层并引入L1惩罚，同时实现特征选择与估计；使用小批量梯度下降处理大规模数据；预测违约概率随时间的变化而非简单二分类	摘要中未明确说明模型局限性，可能包括对高维稀疏数据的泛化能力、超参数调优复杂度等	提高P2P借贷平台中违约风险预测的准确性，并同时进行特征选择	P2P借贷平台上的贷款数据	机器学习	NA	深度学习，生存分析	带惩罚的深度神经网络	表格数据（贷款生存数据）	未明确说明具体样本量，但提及使用真实世界贷款数据和大规模模拟	NA	前馈神经网络（含一对一层）	NA	NA