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	2026-06-17	ProSE-Pero: Peroxisomal Protein Localization Identification Model Based on Self-Supervised Multi-Task Language Pre-Training Model 2023-12-01, Frontiers in bioscience (Landmark edition) DOI:10.31083/j.fbl2812322 PMID:38179735	研究论文	基于自监督多任务语言预训练模型ProSE开发了ProSE-Pero模型，用于过氧化物酶体蛋白定位识别	首次将预训练多任务语言模型ProSE应用于过氧化物酶体蛋白特征提取，结合SVMSMOTE平衡数据集和SHAP解释模型进行特征选择，在植物液泡蛋白识别任务上性能超越最新模型iPVP-DRLF约5%	NA	开发更精确的过氧化物酶体蛋白定位识别模型	过氧化物酶体蛋白的定位识别	机器学习	NA	蛋白质序列特征提取	ProSE（预训练多任务语言模型）、LightGBM、传统机器学习方法、深度学习模型	蛋白质序列数据	160个过氧化物酶体蛋白	NA	ProSE	特异性（Sp）、灵敏度（Sn）、准确率（Acc）、马修斯相关系数（MCC）、F1分数、曲线下面积（AUC）	NA
22	2026-06-07	Markerless Motion Tracking With Noisy Video and IMU Data 2023-11, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2023.3275775 PMID:37171931	研究论文	提出深度学习模型，利用含噪视频和惯性测量单元数据估计人体运动，无需精确标定	无需传感器与身体对齐的繁琐标定流程，模型对传感器错位和摄像头遮挡噪声具有鲁棒性	模型训练使用合成数据，真实场景应用仍需验证	简化临床和家庭环境中人体运动分析的流程，降低成本和操作门槛	人体运动姿态估计（包括行走、跑步、深蹲、坐立等动作）	计算机视觉, 机器学习	神经肌肉骨骼疾病	视频运动捕捉, 惯性测量单元	深度学习模型	视频, 惯性传感器数据	使用标记点运动捕捉数据集生成合成训练数据，测试包含真实动作数据	NA	VideoNet, IMUNet, FusionNet	均方根误差	NA
23	2026-06-07	Autonomous Robotic Ultrasound Vascular Imaging System With Decoupled Control Strategy for External-Vision-Free Environments 2023-11, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2023.3279114 PMID:37227912	研究论文	提出了一种在无外部视觉环境下自主执行机器人超声血管成像的解耦控制策略	将系统分为外环姿态控制和内环方向控制，分别由深度学习智能体和强化学习智能体独立决策，摆脱了对外部视觉信息的依赖	未提及具体局限	实现机器人在无外部视觉的动态环境中自主超声血管成像	人体手臂血管（不同硬度、曲率和尺寸的志愿者的手臂）	机器人学, 医学影像	血管疾病	超声成像	深度学习模型, 强化学习模型	超声图像	多个志愿者	NA	超声血管分割网络（弱监督）	NA	NA
24	2026-06-07	Deep learning-based diagnosis of disease activity in patients with Graves' orbitopathy using orbital SPECT/CT 2023-10, European journal of nuclear medicine and molecular imaging IF:8.6Q1 DOI:10.1007/s00259-023-06312-2 PMID:37395800	研究论文	提出基于深度学习的GO-Net模型，利用眶部SPECT/CT自动检测Graves眼病炎症活动性	首次结合语义分割网络（SV-Net）与卷积神经网络（CNN），融合CT、SPECT及眼外肌掩膜进行甲状腺相关眼病活动性自动分类	未提及模型在不同医院或设备上的泛化能力验证，且手动勾画感兴趣区可能引入标注偏差	开发自动化方法检测Graves眼病炎症活动性，减轻医生解读负担	478例Graves眼病患者的956只眼（活动期475眼，非活动期481眼）	计算机视觉	Graves眼病	SPECT/CT	V-Net, 卷积神经网络	医学影像	956只眼（来自478例患者）	NA	语义V-Net分割网络（SV-Net），卷积神经网络（CNN）	敏感度，特异度，AUC，平均交并比	NA
25	2026-06-07	Parametric Modeling and Deep Learning for Enhancing Pain Assessment in Postanesthesia 2023-10, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2023.3274541 PMID:37527300	研究论文	提出结合分数阶阻抗模型参数化与深度学习（CNN）的方法，用于术后麻醉期间疼痛评估，以提高可靠性	提出了递归识别方法结合分数阶阻抗模型参数化，以及利用时频数据和频谱图的CNN分类算法，实现个性化、客观的疼痛评估	样本量小（仅12名患者），尚处于概念验证阶段，需在更大规模临床中验证	通过术后创伤建模与分类增强疼痛评估的可靠性	术后麻醉患者的皮肤阻抗测量数据	机器学习	术后疼痛	皮肤阻抗测量	CNN	时频数据	12名患者	PyTorch	CNN	NRS评分相关性	NA
26	2026-06-02	Grading surface urban heat island and investigating factor weight based on interpretable deep learning model across global cities 2023-10, Environment international IF:10.3Q1 DOI:10.1016/j.envint.2023.108196 PMID:37708813	研究论文	基于可解释深度学习模型对全球城市地表城市热岛进行分级并探究因子权重	首次对全球城市进行地表城市热岛分级，并利用可解释机器学习TabNet量化不同指标和等级的因子权重	未明确提及局限性	提出地表城市热岛分级方法并量化不同指标和等级的因子权重，以支持全球缓解措施	全球城市地表城市热岛	机器学习	NA	NA	TabNet	数值数据	全球城市	NA	TabNet	因子权重	NA
27	2026-06-01	Application of Artificial Intelligence to the Monitoring of Medication Adherence for Tuberculosis Treatment in Africa: Algorithm Development and Validation 2023 Jan-Dec, JMIR AI DOI:10.2196/40167 PMID:38464947	研究论文	本研究开发并验证了基于深度学习模型的视频监测方法，用于自动分类结核病治疗中的药物依从性	首次在非洲资源有限环境中应用人工智能进行视频药物依从性监控，并系统评估多种卷积神经网络模型的性能	由于缺乏公开可用数据集，未进行外部验证；正负样本不平衡（405正样本vs 92负样本），可能影响模型泛化能力	探索深度学习模型在结核病治疗中药物依从性监测的可行性，提高视频监测效率	乌干达结核病患者的药物摄入视频图像	计算机视觉	结核病	视频监测技术	卷积神经网络	视频图像	861个视频图像，经筛选后497个视频用于模型训练（405正样本，92负样本）	NA	3D ResNet, 以及其他三种未指定架构的卷积神经网络	灵敏度, 特异性, F1分数, 精确率, AUC, 每视频处理速度	NA
28	2026-05-31	Deep Learning-Enabled Diagnosis of Liver Adenocarcinoma 2023-11, Gastroenterology IF:25.7Q1 DOI:10.1053/j.gastro.2023.07.026 PMID:37562657	研究论文	提出深度学习模型HEPNET，用于区分肝内胆管癌与结直肠癌肝转移，基于H&E染色全切片图像实现临床级准确率	开发了专门用于肝脏腺癌诊断的深度学习模型HEPNET，在区分原发性与继发性肝腺癌方面达到临床级精度，且性能超越6名病理专家并提升初级医师诊断水平	未在文中明确阐述局限性	实现肝脏腺癌的准确诊断，辅助临床决策并优化病理工作流程	肝内胆管癌与结直肠癌肝转移患者的H&E染色全切片图像	数字病理学	肝腺癌（包括肝内胆管癌和结直肠癌肝转移）	H&E染色全切片成像	深度学习（CNN）	病理全切片图像	训练集：456例患者（714,589个图像块）；内部测试集：115例；外部验证集：159例（来自美因茨大学医院）	NA	HEPNET	AUC、准确率	NA
29	2026-05-31	Recognition of walking directional intention employed ground reaction forces and center of pressure during gait initiation 2023-09, Gait & posture IF:2.2Q2 DOI:10.1016/j.gaitpost.2023.08.009 PMID:37639961	研究论文	利用地面反作用力和压力中心数据，通过深度学习技术识别步行方向意图	首次使用地面反作用力和压力中心数据替代脑电图，通过LSTM模型识别步行方向意图，实现高精度分类	仅针对直行和右转两种方向，未考虑左转及其他复杂场景；样本量较小（10名健康成年男性）；未在真实外骨骼控制或行人交通流场景中验证	利用深度学习技术识别地面反作用力和压力中心数据，分类直行和右转意图；揭示可替代脑电图预测步行方向意图的步态特征	10名健康成年男性在测力平台上执行的站立、直行和右转动作	机器学习	NA	地面反作用力（GRF）和压力中心（COP）测量	LSTM	时间序列数据（GRF和COP）	10名健康成年男性的步态数据	NA	LSTM	准确率（最高94.79%）	NA
30	2026-05-30	An update on computational pathology tools for genitourinary pathology practice: A review paper from the Genitourinary Pathology Society (GUPS) 2023, Journal of pathology informatics DOI:10.1016/j.jpi.2022.100177 PMID:36654741	综述	本文对用于泌尿生殖病理学的计算病理学工具进行了综述，评估了最新深度学习工具的应用进展	系统性地评估了泌尿生殖病理学深度学习工具的最新迭代，强调了其在肿瘤分级、分期和亚型识别中的潜力	数据可用性、监管和标准化方面的限制阻碍了这些工具的实施	评估实用深度学习工具在泌尿生殖病理学中的演化轨迹和潜力	泌尿生殖病理学中的深度学习算法工具	数字病理学	泌尿生殖系统疾病（如前列腺癌、膀胱癌等）	深度学习	深度学习模型	病理图像	NA	NA	NA	NA	NA
31	2026-05-29	Diagnosing evapotranspiration responses to water deficit across biomes using deep learning 2023-11, The New phytologist DOI:10.1111/nph.19197 PMID:37621238	研究论文	利用深度学习研究深水区不同生物群落的蒸散发响应	首次使用深度学习神经网路从通量测量数据中提取水分胁迫因子（fET），揭示了不同生物群落对持续干旱的多样响应模式，并发现了标准地表模型未能捕捉的复杂性	研究依赖通量测量数据，可能受限于站点分布和测量精度；尚未解释不同响应行为的机制，仅推测了气孔调节、水力传导和深层水分利用等可能原因	量化水分限制对蒸散发的影响，理解植被对干旱的敏感性	不同生物群落的蒸散发响应，包括草原、热带稀树草原、森林等	机器学习	NA	通量测量	深度神经网络	通量测量数据（包括蒸散发、大气干旱度等协变量）	多种站点数据，包括热带稀树草原、草地和森林站点	PyTorch	深度神经网络	NA	NA
32	2026-05-29	scDisInFact: disentangled learning for integration and prediction of multi-batch multi-condition single-cell RNA-sequencing data 2023-May-02, bioRxiv : the preprint server for biology DOI:10.1101/2023.05.01.538975 PMID:37205545	研究论文	scDisInFact是一个深度学习框架，用于多批次多条件单细胞RNA测序数据的整合与预测，可同时消除批次效应并保留条件效应	首次提出能够同时分离批次效应和条件效应的解耦学习方法，实现批次校正、关键基因检测和扰动预测三项任务的统一	当前方法要么消除所有批次效应而丢失条件效应，要么仅关注条件效应而忽略批次效应，scDisInFact通过解耦学习解决了这一矛盾	开发一个能够同时处理批次效应和条件效应的深度学习模型，用于整合和预测多批次多条件的单细胞RNA测序数据	单细胞RNA测序数据中的批次效应和条件效应	机器学习	NA	scRNA-seq	深度学习框架	基因表达数据	模拟数据和真实数据集	NA	解耦学习网络	批次校正性能、关键基因检测准确率、扰动预测精度	NA
33	2026-05-29	Atrial fibrillation ablation outcome prediction with a machine learning fusion framework incorporating cardiac computed tomography 2023-05, Journal of cardiovascular electrophysiology IF:2.3Q2 DOI:10.1111/jce.15890 PMID:36934383	研究论文	提出一种融合机器学习框架，整合心脏CT成像与临床数据，预测房颤消融术后结果	首次将CT形态特征、深度学习图像特征和临床数据智能融合，构建端到端自动预测框架	单中心回顾性研究，样本量有限，需外部验证	开发个性化房颤消融术后预后预测模型	321例接受房颤消融术患者的CT影像及临床数据	机器学习	心房颤动	CT成像	融合机器学习模型	图像、临床结构化数据	321例患者（平均年龄64.2岁，69%男性，40%阵发性房颤）	NA	深度学习网络	AUC	NA
34	2026-05-29	Deep Learning-Based Model for Identifying Tumors in Endoscopic Images From Patients With Locally Advanced Rectal Cancer Treated With Total Neoadjuvant Therapy 2023-03-01, Diseases of the colon and rectum DOI:10.1097/DCR.0000000000002295 PMID:35358109	研究论文	开发一种基于深度卷积神经网络的方法，从局部晚期直肠癌患者的内镜图像中自动分类是否存在肿瘤	首次将深度卷积神经网络应用于局部晚期直肠癌患者全新辅助治疗后的内镜图像中肿瘤存在与否的自动分类	每组的图像数量有限，且研究在单一机构进行	开发一种新方法，利用深度卷积神经网络自动分类内镜图像中肿瘤存在与否，并评估其准确性	接受全新辅助治疗的局部晚期直肠癌患者的内镜图像	计算机视觉	直肠癌	NA	卷积神经网络	图像	109名患者的1392张内镜图像	NA	卷积神经网络	接收者操作特征曲线下面积	NA
35	2026-05-27	Uncertainty-Aware Deep Learning Classification of Adamantinomatous Craniopharyngioma from Preoperative MRI 2023-Mar-16, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics13061132 PMID:36980440	研究论文	提出一种基于贝叶斯深度学习的分类方法，用于从术前MRI中诊断成釉细胞瘤型颅咽管瘤	首次将贝叶斯深度学习应用于颅咽管瘤的MRI分类，通过校准模型实现预测不确定性估计并引入分类弃权机制，显著提升准确率	校准后的模型性能低于原始结果，表明原始模型存在过拟合；弃权率为34.2%时准确率提升，但可能牺牲部分可分类样本	实现非侵入性诊断成釉细胞瘤型颅咽管瘤，通过深度学习分类结合不确定性估计提高临床适用性	86名鞍上肿瘤患者的术前MRI图像及病理诊断结果	计算机视觉	颅咽管瘤	MRI影像	贝叶斯深度学习	图像	86名鞍上肿瘤患者的多机构样本	PyTorch	原始分类器	准确率	NA
36	2026-05-27	Automated Quantification of Pneumonia Infected Volume in Lung CT Images: A Comparison with Subjective Assessment of Radiologists 2023-Mar-02, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering10030321 PMID:36978712	研究论文	旨在通过改进的深度学习模型自动分割肺部CT图像中感染区域并预测疾病严重程度，并与放射科医生的主观评估进行对比	提出结合五个定制残差注意力U-Net模型和特征金字塔网络的集成深度学习模型，并首次通过放射科医生主观对比研究验证临床实用性	样本量较小（训练20例、测试80例），且仅针对COVID-19患者，可能缺乏泛化性	探索使用深度学习自动化定量评估肺部CT感染区域和严重程度的可行性，以提高诊断效率并减少评估变异	COVID-19患者的肺部CT图像中的感染区域分割和疾病严重程度预测	计算机视觉	COVID-19	CT成像	深度学习集成模型	图像	训练20例COVID-19患者，测试80例COVID-19患者	NA	残差注意力U-Net、特征金字塔网络	严重程度分类一致性、5级评分法	NA
37	2026-05-27	PhacoTrainer: Deep Learning for Cataract Surgical Videos to Track Surgical Tools 2023-03-01, Translational vision science & technology IF:2.6Q2 DOI:10.1167/tvst.12.3.23 PMID:36947046	研究论文	本文构建了一个深度学习模型，用于自动分析白内障手术视频中的手术器械位置，并推导与手术技能相关的运动指标	首次将YOLACT模型应用于白内障手术视频的掩膜分割，并结合椭圆或直线拟合方法从掩膜中精确识别手术器械和眼内关键解剖结构	该方法对辅助器械尖端的定位误差为17.1像素，可能影响高精度需求场景的运用	开发自动分析白内障手术视频中手术器械和眼内解剖结构位置的方法，以生成与手术技能相关的运动度量指标	白内障手术视频中的瞳孔、角巩膜缘、8类手术器械（包括超声乳化头、第二器械等）	计算机视觉	白内障	NA	YOLACT	图像	训练使用268个视频中的1156帧和CaDIS公开数据集；评估使用10个超声乳化视频片段的5853帧	PyTorch	YOLACT	平均精度均值（mAP）、交并比（IoU）、像素欧氏距离	NA
38	2026-05-26	Application of IoT technology based on neural networks in basketball training motion capture and injury prevention 2023-10, Preventive medicine IF:4.3Q1 DOI:10.1016/j.ypmed.2023.107660 PMID:37573953	研究论文	本文研究基于物联网和神经网络技术的篮球训练动作捕捉与损伤预防方法	设计了多视角人体运动轨迹捕捉算法框架，结合深度学习二维人体姿态估计与多视角摄像机姿态知识，转换为三维空间关节分布	未提及具体局限性	应用神经网络与物联网设备于篮球动作捕捉，预防运动损伤	篮球训练中的运动员动作与损伤预防	计算机视觉, 机器学习	运动损伤	动作捕捉	神经网络	图像, 视频	未提及	NA	二维人体姿态估计算法	NA	物联网设备
39	2026-05-26	Enhancement of Diabetic Retinopathy Prognostication Using Deep Learning, CLAHE, and ESRGAN 2023-Jul-14, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics13142375 PMID:37510123	研究论文	利用深度学习、CLAHE和ESRGAN增强糖尿病视网膜病变的预后预测	结合CLAHE和ESRGAN图像增强技术，使用DenseNet-121模型在APTO-2019数据集上实现了98.36%的最高准确率，并验证了CLAHE+ESRGAN在DR分类中的有效性	摘要未提及局限性	通过深度学习模型和图像增强方法提高糖尿病视网膜病变及其严重程度分级的检测准确性	糖尿病视网膜病变及其严重程度分级	计算机视觉	糖尿病视网膜病变	NA	CNN	图像	APTO-2019盲症检测数据集	NA	DenseNet-121, ESRGAN	准确率（top-1、top-2、top-3）、精确率、召回率、F1分数	NA
40	2026-05-26	Transformer based deep learning denoising of single and multi-delay 3D Arterial Spin Labeling 2023-Apr-26, medRxiv : the preprint server for health sciences DOI:10.1101/2023.04.24.23288718 PMID:37162975	研究论文	提出基于Swin Transformer的深度学习方法对单延迟和多延迟三维动脉自旋标记图像去噪，并与卷积神经网络方法进行比较	首次将Swin Transformer应用于三维ASL图像去噪，并在单延迟和多延迟场景中均优于传统CNN方法	训练数据来自3个不同厂商但样本量有限（59名受试者，104次扫描），可能影响泛化能力	开发高质量ASL图像去噪方法以提升临床适用性	单延迟和多延迟三维动脉自旋标记图像	计算机视觉	脑血管疾病	3D动脉自旋标记，深度学习去噪	Swin Transformer	医学图像	单延迟：59名受试者（104次扫描）训练，44名受试者（57次扫描）测试；多延迟：6名受试者（10次扫描）	NA	Swin Transformer，卷积神经网络	相似度指标，信噪比，脑血流量和动脉传输时间的量化准确性	NA