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
321	2026-03-13	L-SeqSleepNet: Whole-cycle Long Sequence Modeling for Automatic Sleep Staging 2023-Oct, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2023.3303197 PMID:37552591	研究论文	本文提出了一种名为L-SeqSleepNet的深度学习模型，用于高效建模长序列睡眠数据，以提升自动睡眠分期的性能	首次在睡眠分期模型中考虑整个睡眠周期的长时依赖关系，并引入高效的长序列建模方法	未明确提及模型在极端噪声或数据缺失情况下的鲁棒性	开发能够利用整个睡眠周期信息的自动睡眠分期模型	睡眠数据，包括头皮EEG、耳内EEG和耳周EEG（cEEGrid）	机器学习	NA	EEG信号处理	深度学习模型	EEG信号	四个不同规模的数据库	NA	L-SeqSleepNet	NA	NA
322	2026-03-13	Deep learning enabled miniature mass spectrometer for rapid qualitative and quantitative analysis of pesticides on vegetable surfaces 2023-Oct, Food and chemical toxicology : an international journal published for the British Industrial Biological Research Association IF:3.9Q1 DOI:10.1016/j.fct.2023.114000 PMID:37648105	研究论文	本研究开发了一种基于微型质谱仪的深度学习算法，用于蔬菜表面农药残留的快速现场定性和定量分析	结合微型质谱仪与一维卷积神经网络深度学习算法，实现农药残留的自主判别和现场快速检测	NA	开发一种快速现场筛查蔬菜表面农药残留的方法，以应对食品安全威胁	蔬菜表面的农药残留	机器学习和数字病理学	食品安全相关疾病	质谱分析（全扫描MS和串联MS）	CNN	质谱数据	NA	NA	一维卷积神经网络	定性识别准确率	NA
323	2026-03-13	Quantitative assessment of adaptive radiotherapy for prostate cancer using deep learning: Bladder dose as a decision criterion 2023-Oct, Medical physics IF:3.2Q1 DOI:10.1002/mp.16710 PMID:37696263	研究论文	本研究利用深度学习技术，通过合成伪CT图像并评估剂量学影响，为前列腺癌自适应放疗提供了一种基于膀胱剂量的定量决策标准	首次结合CycleGAN合成高质量伪CT与U-Net自动勾画膀胱，实现基于实时膀胱解剖结构的剂量计算，为自适应放疗决策提供客观、自动化的定量标准	研究样本量较小（74例患者），且仅针对前列腺癌放疗中的膀胱剂量进行评估，未考虑其他器官或肿瘤靶区的变化	开发一种自动化的定量标准，以确定在前列腺癌分次放疗中是否需要立即进行自适应放疗	前列腺癌患者	数字病理	前列腺癌	锥形束CT, 自适应放疗	CycleGAN, U-net	CT图像, CBCT图像	74例患者（60例用于训练，14例用于评估）	NA	CycleGAN, U-Net	平均绝对误差, gamma通过率, Dice系数	NA
324	2026-03-13	MAE-Based Self-Supervised Pretraining Algorithm for Heart Rate Estimation of Radar Signals 2023-Sep-13, Sensors (Basel, Switzerland) DOI:10.3390/s23187869 PMID:37765926	研究论文	本文提出了一种基于掩码自编码器和视觉变换器网络的雷达信号心率估计算法，旨在提高非接触式心率监测的准确性和效率	创新性地结合了掩码自编码器进行自监督预训练和视觉变换器进行迁移学习，有效降低了心率数据采集成本并解决了呼吸谐波干扰问题	未明确提及算法的计算复杂度或在实际医疗场景中的泛化能力限制	提高基于毫米波雷达的非接触式心率估计的准确性和减少观测时间	雷达信号中的相位信号用于心率估计	机器学习	心血管疾病	毫米波雷达信号处理	MAE, ViT	信号	NA	NA	掩码自编码器, 视觉变换器	准确性	NA
325	2026-03-06	Deep learning-based dose prediction to improve the plan quality of volumetric modulated arc therapy for gynecologic cancers 2023-Nov, Medical physics IF:3.2Q1 DOI:10.1002/mp.16735 PMID:37706560	研究论文	本文开发了一种基于深度学习的模型，用于预测妇科癌症患者容积旋转调强放疗（VMAT）计划的高质量三维剂量分布，并评估其在提升计划质量方面的实用性	首次将3D密集扩张U-Net模型应用于妇科癌症VMAT计划的剂量预测，并利用预测结果指导临床计划的再优化，以识别和改善可优化的计划	研究样本量较小（仅79个VMAT计划），且仅针对女性盆腔区域，模型在其他癌症类型或解剖部位的泛化能力尚未验证	开发深度学习模型以预测高质量剂量分布，并评估其驱动VMAT计划质量改进的实用性	妇科癌症患者的容积旋转调强放疗（VMAT）计划	数字病理	妇科癌症	容积旋转调强放疗（VMAT）	CNN	CT扫描图像、剂量处方、靶区和正常组织轮廓	79个VMAT计划（训练集47个，验证集16个，测试集16个）	NA	3D密集扩张U-Net	体素级剂量差异均值、靶区剂量指标D1%和D98%的百分比差异、危及器官平均和最大剂量差异、临床可接受性评分（5点量表）	NA
326	2026-03-06	Contour subregion error detection methodology using deep learning auto-segmentation 2023-Nov, Medical physics IF:3.2Q1 DOI:10.1002/mp.16768 PMID:37793103	研究论文	本文提出了一种基于深度学习自动分割的轮廓子区域错误检测方法，用于放射治疗中手动器官勾画的质量保证	开发了一种新颖的轮廓子区域错误检测系统，利用手动与深度学习自动分割轮廓之间的子区域表面距离差异，实现定性和定量检测与可视化	研究基于头颈公共数据集，可能在其他解剖区域或数据集上需要进一步验证	开发并验证一个能有效检测和可视化子区域轮廓错误的轮廓质量保证系统	头颈放射治疗中的器官轮廓，包括脑干和左右腮腺	数字病理	头颈癌	深度学习自动分割	深度学习模型	医学图像轮廓数据	339例头颈公共数据集病例，以及60例临床训练数据集病例	NA	NA	真阳性率, 假阳性率, 准确率	NA
327	2026-03-06	Artifact Correction in Retinal Nerve Fiber Layer Thickness Maps Using Deep Learning and Its Clinical Utility in Glaucoma 2023-11-01, Translational vision science & technology IF:2.6Q2 DOI:10.1167/tvst.12.11.12 PMID:37934137	研究论文	本研究利用深度学习技术校正青光眼患者视网膜神经纤维层厚度图中的伪影，并评估其临床效用	首次提出使用深度学习模型校正RNFLT图中的伪影，并通过伪影叠加方法生成训练数据，改善了结构-功能关系及疾病进展预测的准确性	研究依赖于特定伪影定义（RNFLT < 50 µm），且仅评估了特定时间窗口内的数据，可能未涵盖所有临床场景	校正视网膜神经纤维层厚度图中的伪影以提升青光眼临床预测的准确性	青光眼患者的视网膜神经纤维层厚度图及视野测量数据	数字病理学	青光眼	光学相干断层扫描	深度学习	图像	24,257名患者（短期数据）和3,233名患者（长期序列数据），共使用27,319张高质量RNFLT图和21,722张低质量RNFLT图	NA	NA	平均绝对误差, 皮尔逊相关系数, R2, AUC	NA
328	2026-03-06	Machine and deep learning in inflammatory bowel disease 2023-07-01, Current opinion in gastroenterology IF:2.6Q2 DOI:10.1097/MOG.0000000000000945 PMID:37144491	综述	本文综述了机器学习和深度学习在炎症性肠病（IBD）评估与管理中的最新应用与进展	强调了人工智能技术（特别是机器学习和深度学习）作为IBD治疗领域的一个分水岭时刻，并指出这些方法为改善IBD患者临床结局提供了有前景的路径	NA	探讨机器学习和深度学习如何革新IBD的治疗方式，并改善临床结局	炎症性肠病（IBD）	机器学习, 深度学习	炎症性肠病	NA	机器学习, 深度学习	来自多种诊断模式的数据	NA	NA	NA	高准确度	NA
329	2026-03-06	Incremental retraining, clinical implementation, and acceptance rate of deep learning auto-segmentation for male pelvis in a multiuser environment 2023-Jul, Medical physics IF:3.2Q1 DOI:10.1002/mp.16537 PMID:37287322	研究论文	本研究评估并实施了具有增量再训练功能的商业深度学习自动分割软件，用于多用户环境中前列腺癌患者的确定性治疗	利用商业深度学习自动分割软件的增量再训练功能，通过机构数据训练定制模型以应对临床实践变异性，并在多用户环境中验证其临床采纳效果	研究样本量有限（215例患者），且定制模型在特定失败模式（如膀胱造影、髋关节假体等）下表现不佳，共识不可接受率（8.7%）仍高于人工轮廓（3.5%）	评估并实施具有增量再训练功能的商业深度学习自动分割软件，以提升前列腺癌患者靶器官和危及器官自动勾画的临床实用性和准确性	215例前列腺癌患者的CT图像，包括靶器官（前列腺）和危及器官（如精囊、直肠等）	数字病理	前列腺癌	CT成像	深度学习模型	医学影像（CT图像）	215例前列腺癌患者（其中20例用于验证商业模型，100例用于训练定制模型，115例用于评估）	NA	NA	Dice相似系数, Hausdorff距离, 平均表面距离, 表面Dice相似系数	NA
330	2026-03-06	Automated player identification and indexing using two-stage deep learning network 2023-Jun-20, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-023-36657-5 PMID:37339988	研究论文	本文提出了一种基于深度学习的球员追踪系统，用于自动追踪美式足球比赛中的球员并索引每场比赛的参与情况	采用两阶段网络设计，结合检测变换器和卷积神经网络，在拥挤场景中高精度识别球员和球衣号码	未明确提及具体局限性，可能包括数据不平衡或复杂环境下的识别挑战	开发自动化球员识别与索引系统，以提升美式足球比赛视频分析效率	美式足球比赛视频中的球员及其球衣号码	计算机视觉	NA	深度学习	检测变换器, 卷积神经网络	视频	未明确提及具体样本数量，仅提到足球视频数据	未明确提及具体框架，可能基于常见深度学习框架如TensorFlow或PyTorch	检测变换器, 卷积神经网络	定性结果, 定量结果	未明确提及具体计算资源
331	2026-03-06	Increasing angular sampling through deep learning for stationary cardiac SPECT image reconstruction 2023-02, Journal of nuclear cardiology : official publication of the American Society of Nuclear Cardiology IF:3.0Q2 DOI:10.1007/s12350-022-02972-z PMID:35508796	研究论文	本研究通过增加投影角度采样和深度学习方法来提高GE Discovery NM 530c/570c心脏SPECT扫描仪的图像重建质量	提出了一种深度学习网络，能从单角度19个投影生成合成四角度76个投影的图像，从而在静态成像中提高重建质量	NA	提高心脏SPECT扫描仪在静态成像中的图像重建质量	模拟数据、猪、物理体模和人类研究数据	数字病理学	心血管疾病	SPECT成像	深度神经网络	图像	NA	NA	NA	图像分辨率、均匀性、缺陷量化准确性、定量值	NA
332	2026-03-06	AI-AIF: artificial intelligence-based arterial input function for quantitative stress perfusion cardiac magnetic resonance 2023-Jan, European heart journal. Digital health DOI:10.1093/ehjdh/ztac074 PMID:36743875	研究论文	本研究开发了一种基于深度学习的动脉输入函数预测方法，用于定量应力灌注心脏磁共振成像中的心肌血流量计算	首次使用深度学习模型（1D U-Net）从标准图像中预测未饱和的动脉输入函数，避免了传统双序列采集的需求	研究样本量有限（训练集201例，测试集44例），且仅在两所医疗中心进行验证，需要更多外部验证	改进应力灌注心脏磁共振成像中动脉输入函数的估计方法，以准确量化心肌血流量	心脏磁共振成像中的动脉输入函数信号	医学影像分析	心血管疾病	心脏磁共振成像，应力灌注成像	深度学习	医学影像序列	训练集：201名患者（中心1）；测试集：44名患者（中心1和中心2）	未明确说明	1D U-Net	Mann-Whitney U检验，Bland-Altman分析，诊断分类匹配率	NA
333	2026-03-05	Spatiotemporal Rhythmic Seizure Sources Can be Imaged by means of Biophysically Constrained Deep Neural Networks 2023-Dec-01, medRxiv : the preprint server for health sciences DOI:10.1101/2023.11.30.23299218 PMID:38076950	研究论文	本文提出了一种基于深度学习的源成像框架DeepSIF，用于从耐药性局灶性癫痫患者的高密度脑电图记录中成像发作活动	采用神经质量模型生成具有时空频谱特征的合成训练数据，并开发了DeepSIF框架，在空间特异性和分散度方面优于传统方法	研究仅限于耐药性局灶性癫痫患者，样本量为33人，可能需进一步验证于更广泛人群	研究非侵入性动态脑成像技术，以改善癫痫发作活动的源定位	耐药性局灶性癫痫患者的高密度脑电图记录	机器学习	癫痫	高密度脑电图记录	深度学习神经网络	脑电图信号	33名耐药性局灶性癫痫患者	NA	DeepSIF	空间特异性, 空间分散度, 平均距离	NA
334	2026-03-05	Time series forecasting of COVID-19 transmission in Asia Pacific countries using deep neural networks 2023, Personal and ubiquitous computing DOI:10.1007/s00779-020-01494-0 PMID:33456433	研究论文	本研究利用深度学习模型预测亚太国家COVID-19的传播趋势	首次在亚太国家（特别是巴基斯坦、阿富汗、印度和孟加拉国）应用LSTM、RNN和GRU等深度学习模型进行COVID-19时间序列预测，并考虑了时间变量和数据非线性	仅预测未来10天的情况，且数据截止到2020年7月1日，可能无法反映疫情长期动态	预测COVID-19在亚太国家的传播趋势，为政府决策提供参考	亚太国家（巴基斯坦、阿富汗、印度、孟加拉国）的COVID-19病例数据	自然语言处理	COVID-19	时间序列分析	LSTM, RNN, GRU	时间序列数据	四个国家的COVID-19病例数据（具体数量未明确）	NA	LSTM, RNN, GRU	准确率	NA
335	2026-03-05	Prediction of muscular paralysis disease based on hybrid feature extraction with machine learning technique for COVID-19 and post-COVID-19 patients 2023, Personal and ubiquitous computing DOI:10.1007/s00779-021-01531-6 PMID:33679282	研究论文	本研究提出了一种基于混合特征提取和机器学习技术的模型，用于预测COVID-19及后COVID-19患者的肌肉麻痹疾病	提出了一种结合Yule-Walker、Burg方法、Renyi熵、均值绝对值、最小-最大电压特征提取等17种传统特征的混合特征提取方法，并应用Relief-F特征选择方法优化特征	研究仅使用了UCI的EMG-下肢数据集，样本来源和规模可能有限，未提及模型在其他数据集或临床环境中的泛化能力	早期检测和预测COVID-19及后COVID-19患者的肌肉疲劳和肌肉麻痹疾病	COVID-19患者及后COVID-19患者	机器学习	肌肉麻痹疾病	肌电图信号分析	深度学习分类器	EMG信号	UCI EMG-下肢数据集（具体数量未在摘要中说明）	未明确提及	未明确提及具体架构，但提到了神经网络和支持向量机作为对比方法	精确度	NA
336	2026-03-03	MECE: a method for enhancing the catalytic efficiency of glycoside hydrolase based on deep neural networks and molecular evolution 2023-11-30, Science bulletin IF:18.8Q1 DOI:10.1016/j.scib.2023.09.039 PMID:37867059	研究论文	本研究提出了一种结合深度神经网络与分子进化的MECE平台，用于预测并提升糖苷水解酶的催化效率	开发了DeepGH深度学习模型用于识别糖苷水解酶家族及功能残基，并构建了整合Grad-CAM可解释性技术的MECE智能设计平台	模型训练仅基于CAZy数据库的119个GH家族蛋白序列，未明确说明对其他酶类的泛化能力	提升糖苷水解酶的催化效率以满足工业应用需求	糖苷水解酶（GHs）家族蛋白	机器学习	NA	深度神经网络，分子进化，梯度加权类激活映射（Grad-CAM）	深度学习模型	蛋白质序列	来自CAZy数据库的119个GH家族蛋白序列	NA	DeepGH	预测准确率	NA
337	2026-03-02	Histopathologic brain age estimation via multiple instance learning 2023-12, Acta neuropathologica IF:9.3Q1 DOI:10.1007/s00401-023-02636-3 PMID:37815677	研究论文	本研究利用多实例学习从组织病理学全切片图像中估计大脑年龄，揭示了年龄加速与临床病理结果的关联	首次基于组织病理学全切片图像开发大脑年龄估计模型，并发现其与年龄相关变化的神经解剖区域对应，且比表观遗传学指标更能关联临床病理结果	研究基于死后海马组织样本，可能无法完全反映活体大脑的年龄变化；样本来源和数量可能限制模型的泛化能力	通过深度学习模型评估大脑年龄加速，以理解正常生理机制及阿尔茨海默病等年龄相关疾病的病理变化	人类死后海马组织切片	数字病理学	阿尔茨海默病	组织病理学全切片成像	多实例学习	图像	NA	NA	NA	平均绝对误差	NA
338	2026-03-02	Structural and functional connectome relationships in early childhood 2023-12, Developmental cognitive neuroscience IF:4.6Q1 DOI:10.1016/j.dcn.2023.101314 PMID:37898019	研究论文	本研究探讨了幼儿期大脑结构与功能连接组之间的关系，并开发了一种基于图卷积神经网络的深度学习模型来预测个体功能连接	首次在幼儿期纵向研究结构与功能连接组的关系，并应用了一种新的图卷积神经网络模型和损失函数以更好地捕捉个体异质性	研究样本主要来自特定年龄段的儿童和成人，可能无法完全代表所有人群，且模型在更广泛数据集上的泛化能力有待验证	探究幼儿期大脑结构与功能连接组之间的发展关系，并开发更准确的预测模型	1至6岁儿童及成人参与者	机器学习	NA	NA	图卷积神经网络	大脑连接组数据	360名儿童（纵向扫描于1、2、4、6岁）和89名成人	NA	图卷积神经网络	NA	NA
339	2026-03-02	Personal transcriptome variation is poorly explained by current genomic deep learning models 2023-12, Nature genetics IF:31.7Q1 DOI:10.1038/s41588-023-01574-w PMID:38036790	研究论文	本文评估了四种先进的基因组深度学习模型在解释个体间基因表达变异方面的表现，发现它们在预测顺式调控遗传变异对表达的影响方面存在局限性	首次系统评估了基因组深度学习模型在解释个体间转录组变异方面的能力，揭示了模型在预测顺式调控遗传变异效应方向上的不足	模型在解释个体间表达变异方面性能有限，且常无法正确预测顺式调控遗传变异对表达的影响方向	评估基因组深度学习模型在解释个体间基因表达变异方面的能力	配对个人基因组和转录组数据	机器学习	NA	基因组深度学习	深度学习模型	DNA序列、基因表达数据	NA	NA	NA	NA	NA
340	2026-03-02	Learning Spectral Fractional Anisotropy and Mean Diffusivity Features as Neuroimaging Biomarkers for Tracking White Matter Integrity Changes in Myotonic Dystrophy Type 1 Patients using Deep Convolutional Neural Networks 2023-07, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference DOI:10.1109/EMBC40787.2023.10340468 PMID:38083393	研究论文	本研究提出了一种基于谱图的深度学习方法，用于表征1型强直性肌营养不良症（DM1）患者的白质网络改变，旨在开发作为神经影像生物标志物的深度学习模型	提出了一种新颖的基于谱图的深度学习方法，用于从分数各向异性和平均扩散率数据中学习特征，作为追踪DM1患者白质完整性变化的神经影像生物标志物，相比先前方法在识别DM1方面取得了显著提升（91%准确率）	样本量相对有限（46名DM1患者和96名对照），且仅评估了25个主要白质束，可能未涵盖所有相关的白质变化	深入了解DM1对中枢神经系统的影响，并开发可作为疾病生物标志物的深度学习模型，未来有望用于临床试验作为结果测量指标	1型强直性肌营养不良症（DM1）患者和未受影响对照组的白质微结构变化	医学影像分析	神经肌肉疾病	扩散张量成像	CNN	图像	46名DM1患者和96名对照，共7100张谱图图像	NA	深度卷积神经网络	准确率	NA