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	2026-10-04	Improving the repeatability of deep learning models with Monte Carlo dropout 2022-Nov-18, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-022-00709-3 PMID:36400939	研究论文	该论文评估了四种深度学习模型（二分类、多分类、有序分类和回归）在医学图像分类任务中的重复性，并研究了蒙特卡洛dropout对重复性和分类性能的影响	首次系统性地评估了不同模型类型在医学图像上的重复性，并证明了蒙特卡洛dropout预测能显著提高重复性，特别是在类别边界处，同时改善分类性能	研究仅使用了ResNet和DenseNet架构，未探索其他架构；仅涉及四个医学图像分类任务，可能限制泛化性	提高深度学习模型在临床实践中的可靠性和稳健性，通过评估和改善模型重复性	医学图像，包括膝关节骨关节炎、宫颈癌筛查、乳腺密度估计和早产儿视网膜病变的图像	医学图像分析	骨关节炎, 宫颈癌, 乳腺密度异常, 早产儿视网膜病变	深度学习, 蒙特卡洛dropout	CNN	图像	NA	NA	ResNet, DenseNet	重复性, 95%一致性界限, 类别 disagreement 率, 分类准确率	NA
2	2026-10-04	Automated cell-type classification combining dilated convolutional neural networks with label-free acoustic sensing 2022-11-18, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-022-22075-6 PMID:36400803	研究论文	本研究提出了一种结合无标记声学传感技术和深度学习人工智能模型的自动细胞类型分类系统，通过分析细胞背向散射信号模式来分类细胞类型	将无标记高频超声声学传感与基于一维卷积自编码器和卷积神经网络的深度学习模型相结合，实现自动细胞类型分类，通过高斯噪声注入数据增强提高系统鲁棒性，并比较了三种信号数据表示的CNN模型效果	研究仅在两种细胞类型和两种聚苯乙烯微球上进行了验证，样本类型和数量有限，尚未在更广泛的细胞类型和临床样本中验证	实现对活细胞类型的自动分类，通过分析背向散射信号模式，最小化对正常细胞生理和活动的影响，并消除手动设置和后处理中的误差及耗时过程	两种细胞（RBC和PNT1A）和两种聚苯乙烯微球	数字病理学	肺癌	无标记声学传感，高频超声，高脉冲重复频率	CNN，一维卷积自编码器	信号数据（波形、频谱、频谱图）	两种细胞类型（RBC和PNT1A）和两种聚苯乙烯微球	NA	一维CNN，二维CNN，卷积自编码器	准确率	NA
3	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
4	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
5	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
6	2026-10-01	Deep Learning-Based Computer-Aided Diagnosis (CAD): Applications for Medical Image Datasets 2022-Nov-21, Sensors (Basel, Switzerland) DOI:10.3390/s22228999 PMID:36433595	研究论文	本文提出了一种结合深度学习和元启发式算法的计算机辅助诊断系统，用于医学图像数据集的准确诊断	提出了一种基于深度学习、自编码器和蚁群优化的特征提取与选择的新框架，并应用于COVID-19和脑肿瘤的诊断	未明确说明	开发一个自动化计算机辅助诊断系统，以尽可能准确地执行诊断	胸部X射线和磁共振成像医学图像数据集	计算机视觉	COVID-19, 脑肿瘤	深度学习, 元启发式算法, 监督机器学习	CNN, 自编码器	图像	两个医学图像数据集：胸部X射线和磁共振成像	NA	CNN, 自编码器	准确率	NA
7	2026-10-01	Federated Learning in Ocular Imaging: Current Progress and Future Direction 2022-Nov-17, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics12112835 PMID:36428895	综述	本文综述了联邦学习在眼部影像中的应用现状、挑战与未来方向	系统总结了联邦学习在眼部影像中的当前证据，并讨论了其挑战和未来应用	作为综述文章，未提供新的实验数据或模型验证	介绍联邦学习概念，提供其在眼部影像中的当前证据，并讨论潜在挑战和未来应用	眼部影像数据，包括视网膜照片、光学相干断层扫描（OCT）图像和OCT血管造影图像	医学影像分析	眼部疾病	联邦学习	深度学习	图像	NA	NA	NA	NA	NA
8	2026-10-01	Classifying Comments on Social Media Related to Living Kidney Donation: Machine Learning Training and Validation Study 2022-Nov-08, JMIR medical informatics IF:3.1Q2 DOI:10.2196/37884 PMID:36346661	研究论文	本研究使用网络爬虫和深度学习算法从多个社交媒体平台收集并分类与活体肾脏捐献相关的评论	首次结合网络爬虫方法和深度学习算法从多种在线来源大规模收集和分类公众关于活体肾脏捐献的评论，并将数据集公开	模型在测试数据上的准确率为84%，但进一步验证发现实际准确率仅为63%，表明模型泛化能力有限	更好地理解公众对活体肾脏捐献的认知和障碍，为制定有效政策、教育机会和外展策略提供基础	纽约时报、YouTube、Twitter和Reddit上与活体肾脏捐献相关的公众评论	自然语言处理	肾脏疾病	网络爬虫	深度神经网络	文本	203219条独特评论，其中11027条被分类为与活体肾脏捐献相关	NA	NA	准确率	NA
9	2026-09-29	FReSCO: Flow Reconstruction and Segmentation for low-latency Cardiac Output monitoring using deep artifact suppression and segmentation 2022-11, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.29374 PMID:35781891	研究论文	本文提出了一种名为FReSCO的深度学习框架，用于低延迟心脏输出监测中的血流重建和分割，通过深度伪影抑制和分割U-Net实现实时相位对比MRI的快速重建和分割	首次将深度伪影抑制和分割U-Net独立训练并组合应用于实时螺旋相位对比MRI的低延迟重建和分割，实现了在扫描仪上实时监测心脏输出	研究仅在10名健康受试者中进行了验证，样本量较小，且未在患者群体中测试；平均延迟为622毫秒，可能仍有优化空间	实现实时心脏输出监测中的低延迟重建和分割，以评估运动等应激条件下的血流动力学反应	10名健康受试者在休息、运动和恢复期间的实时螺旋相位对比MRI数据	医学图像处理	心血管疾病	实时相位对比MRI、螺旋采样、压缩感知	CNN	图像	516个屏气螺旋相位对比MRI数据用于训练伪影抑制U-Net，其中96个用于训练分割U-Net；10名健康受试者的前瞻性实时数据	NA	U-Net	偏差、p值、平均延迟	NA
10	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
11	2026-05-31	A Graph-Transformer for Whole Slide Image Classification 2022-11, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2022.3176598 PMID:35594209	研究论文	提出一种融合图表示与视觉Transformer的Graph-Transformer（GTP）方法，用于全切片图像分类，在肺癌组织学分类上取得高准确率	首次将图结构表示（Graph）与Vision Transformer融合构建GTP框架，用于全切片级别的病理图像分类，并引入基于图的显著性映射技术GraphCAM提升模型可解释性	NA（摘要未明确提及局限性）	开发一种能够利用WSI整体信息进行疾病分级预测的深度学习框架，并以肺癌亚型分类为验证任务	肺腺癌（LUAD）、肺鳞癌（LSCC）及癌旁正常组织	数字病理学	肺癌	深度学习、对比学习、病理图像全切片分析	Graph-Transformer（融合图神经网络与视觉Transformer）	病理全切片图像（WSI）	4,818张WSI，来自CPTAC、NLST和TCGA数据库	PyTorch	Vision Transformer、图神经网络	准确率	NA（摘要未明确提及计算资源）
12	2026-05-31	Measuring and modelling perceptions of the built environment for epidemiological research using crowd-sourcing and image-based deep learning models 2022-11, Journal of exposure science & environmental epidemiology DOI:10.1038/s41370-022-00489-8 PMID:36369372	研究论文	利用众包和基于图像的深度学习模型测量和模拟建筑环境感知，并应用于流行病学研究	通过众包方法收集特定健康研究（华盛顿州双胞胎登记处）的建筑环境感知数据，并利用迁移学习优化深度学习模型，提高模型性能	未明确提及，但可能包括感知数据的主观性和样本代表性有限	开发可客观测量和预测建筑环境感知的方法，用于流行病学研究	华盛顿州双胞胎登记处参与者的居住地址及街道图像	计算机视觉, 机器学习	心理健康相关	众包, 图像采集	深度学习模型	图像	超过36,000张图像比较	PyTorch, Keras	迁移学习模型	模型解释方差（nature quality 77.6%, beauty 68.1%, relaxation 72.0%, safety 64.7%）, 平均改进率3.8%	亚马逊Mechanical Turk众包平台, GPU（具体类型未提及）
13	2026-04-17	Recent Technical Developments in ASL: A Review of the State of the Art 2022-11, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.29381 PMID:35983963	综述	本文综述了自Alsop等人发表ASL共识论文以来，先进动脉自旋标记（ASL）技术的最新发展	系统总结了ASL在读出与轨迹、图像重建、噪声抑制、部分容积校正、非灌注参数量化、fMRI、指纹识别、血管选择性ASL、血管造影、深度学习及超高场ASL等多个方面的最新技术进展	未涵盖速度选择性ASL、多时间点ASL、体部ASL及临床ASL建议等主题，这些内容已在其他文章中详细讨论	促进研究机构和MRI厂商采纳ASL技术的最新进展，并提供实施指导	先进动脉自旋标记（ASL）技术	医学影像	NA	动脉自旋标记（ASL）	NA	磁共振成像（MRI）数据	NA	NA	NA	NA	NA
14	2025-11-23	Segmenting 3D geometry of left coronary artery from coronary CT angiography using deep learning for hemodynamic evaluation 2022-11-08, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ac9e03 PMID:36317246	研究论文	提出基于深度学习的CoronarySegNet框架，用于从冠状动脉CT血管造影图像中自动分割左冠状动脉并生成3D几何模型	结合通道感知注意力模块和带有空间丢弃的深度残差块的U-net架构，通过消除2D特征图增强特征图独立性	NA	开发自动分割左冠状动脉3D几何的深度学习框架，用于血流动力学评估	左冠状动脉	数字病理学	心血管疾病	冠状动脉CT血管造影	CNN	医学图像	来自孟加拉国多家医疗中心和Rotterdam冠状动脉算法评估挑战数据集的CCTA图像	NA	U-net	Dice相似系数	NA
15	2025-11-12	Characterisation of urban environment and activity across space and time using street images and deep learning in Accra 2022-11-28, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-022-24474-1 PMID:36443345	研究论文	利用街景图像和深度学习技术分析加纳阿克拉城市环境特征与人类活动的时空模式	首次在非洲城市阿克拉构建大规模时间序列街景图像数据集，并开发针对当地环境特征的物体检测模型	仅覆盖145个采样点，手动标注样本数量有限（1250张图像），可能无法完全代表整个城市区域的多样性	通过智能感知和分析方法研究城市环境特征对健康、宜居性、安全性和可持续性的影响	加纳阿克拉大都会区的城市环境和人类活动	计算机视觉	NA	街景图像采集、迁移学习、数据增强	CNN	图像	210万张延时摄影图像（日夜），其中1250张手动标注	NA	卷积神经网络	NA	NA
16	2025-10-05	Exploration of Despair Eccentricities Based on Scale Metrics with Feature Sampling Using a Deep Learning Algorithm 2022-Nov-17, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics12112844 PMID:36428903	研究论文	提出一种基于深度学习算法的音频预测技术，用于检测后冠状病毒症状和抑郁倾向	首次将音频特征采样与深度学习算法结合用于后冠状病毒症状的抑郁特征识别，性能指标较传统方法提升约67%	NA	通过音频分析早期识别后冠状病毒症状和抑郁风险，防止心理健康恶化	受冠状病毒疫情影响的人群及其心理健康状态	机器学习	精神疾病	音频预测技术	深度学习算法	音频数据	NA	NA	NA	性能指标	NA
17	2025-10-06	Comparison of Retinal Imaging Techniques in Individuals with Pulmonary Artery Hypertension Using Vessel Generation Analysis 2022-Nov-28, Life (Basel, Switzerland) DOI:10.3390/life12121985 PMID:36556350	研究论文	比较荧光素血管造影和彩色眼底成像在肺动脉高压患者视网膜血管分析中的效果	首次将VESGEN软件应用于肺动脉高压患者的彩色眼底成像分析，并探索深度学习技术在此领域的应用	样本量较小（n=9），深度学习分割与传统手动分割在部分指标上存在差异	评估彩色眼底成像能否替代荧光素血管造影用于肺动脉高压患者的视网膜血管分析	肺动脉高压患者的视网膜血管	数字病理	心血管疾病	荧光素血管造影，彩色眼底成像，血管生成分析	深度学习	视网膜图像	9例肺动脉高压患者	NA	NA	分形维数，血管迂曲度，血管面积密度	NA
18	2025-10-06	A multi-use deep learning method for CITE-seq and single-cell RNA-seq data integration with cell surface protein prediction and imputation 2022-Nov, Nature machine intelligence IF:18.8Q1 DOI:10.1038/s42256-022-00545-w PMID:36873621	研究论文	提出一种名为sciPENN的多功能深度学习方法，用于整合CITE-seq和单细胞RNA-seq数据，并实现细胞表面蛋白预测和插补	开发支持多种功能的数据整合方法，包括跨数据集整合、蛋白表达预测与插补、不确定性量化和细胞类型标签转移	未在摘要中明确说明	解决CITE-seq和单细胞RNA-seq数据整合中的计算挑战，提高数据利用效率	CITE-seq和单细胞RNA-seq数据集	生物信息学	免疫相关疾病，流感，COVID-19	CITE-seq，单细胞RNA-seq	深度学习	单细胞多组学数据	多个数据集（未指定具体数量）	NA	sciPENN	NA	NA
19	2025-10-06	OrganoID: A versatile deep learning platform for tracking and analysis of single-organoid dynamics 2022-11, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1010584 PMID:36350878	研究论文	开发了一个名为OrganoID的深度学习平台，用于自动识别、标记和跟踪单个类器官的动态变化	提出了首个能够像素级自动识别、标记和跟踪单个类器官的通用深度学习平台，无需参数调整即可在多种癌症类器官上实现高精度分析	在四天延时显微镜研究中单类器官跟踪准确率保持在89%以上，仍有提升空间	开发自动化类器官图像分析平台以加速药物发现和个性化药物筛选	胰腺癌、肺癌、结肠癌和腺样囊性癌类器官	计算机视觉	多种癌症	明场和相差显微镜	深度学习	显微镜图像	多种癌症类器官图像数据集	NA	NA	类器官计数准确率95%，大小测量准确率97%，单类器官跟踪准确率89%	NA
20	2025-10-06	Annotation of spatially resolved single-cell data with STELLAR 2022-11, Nature methods IF:36.1Q1 DOI:10.1038/s41592-022-01651-8 PMID:36280720	研究论文	本文提出了一种名为STELLAR的几何深度学习方法，用于空间分辨单细胞数据的细胞类型注释和发现	STELLAR是首个专门为空间分辨单细胞数据设计的几何深度学习方法，能够考虑空间组织信息，自动发现新型细胞类型和细胞状态	NA	开发能够准确注释空间分辨单细胞数据中细胞类型的新计算方法	空间分辨单细胞数据	计算生物学	NA	CODEX多重荧光显微镜技术，多重RNA成像	几何深度学习	空间分辨单细胞数据，显微镜图像，RNA成像数据	260万个空间分辨单细胞	NA	NA	NA	NA