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
161	2026-03-06	Classifying Malignancy in Prostate Glandular Structures from Biopsy Scans with Deep Learning 2023-Apr-17, Cancers IF:4.5Q1 DOI:10.3390/cancers15082335 PMID:37190264	研究论文	本研究开发了一个深度学习模型，用于从活检扫描中分类前列腺腺体结构的恶性程度，并验证其在独立数据集上的性能	采用迁移学习和微调方法，将预训练于ImageNet的深度学习网络适配于小样本组织病理学图像分类，以区分前列腺癌的Gleason模式	样本量相对较小（基线测试52例患者，GS3与GS4区分40例患者），且模型在区分GS3与GS4时的准确率较低（68%）	通过深度学习自动分类前列腺癌活检扫描中的腺体结构恶性程度，减少对专家经验的依赖	前列腺活检组织病理学图像中的腺体结构	数字病理学	前列腺癌	组织病理学成像	深度学习神经网络	图像	14,509个图像块，来自52例患者（基线测试）和40例患者（GS3/GS4区分）	NA	多种深度学习网络架构（具体未指定）	准确率, F1分数, AUC	NA
162	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
163	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
164	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
165	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
166	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
167	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
168	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
169	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
170	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
171	2026-03-02	Optimizing Deep Learning-Based Segmentation of Densely Packed Cells using Cell Surface Markers 2023-Sep-26, Research square DOI:10.21203/rs.3.rs-3307496/v1 PMID:37841876	研究论文	本文评估并优化了深度学习模型在密集细胞分割任务中的性能，特别是在人类疱疹病毒感染皮肤组织的免疫荧光图像上	系统评估了18种深度学习细胞分割模型，并通过进一步训练和参数调优显著提升了模型性能，最终模型性能优于人工表现	最终模型性能仍不完美，主要归因于图像数据集的中等信噪比	优化基于深度学习的密集细胞分割方法，以提高空间分子谱分析中细胞识别的准确性	人类疱疹病毒感染皮肤组织中的免疫细胞	数字病理学	疱疹病毒感染	免疫荧光染色	深度学习	图像	超过10,000个训练实例	NA	Cellpose	平均精度均值	NA
172	2026-03-02	Automated Identification of Heart Failure with Reduced Ejection Fraction using Deep Learning-based Natural Language Processing 2023-Sep-11, medRxiv : the preprint server for health sciences DOI:10.1101/2023.09.10.23295315 PMID:37745445	研究论文	本研究开发了一种基于深度学习的自然语言处理模型，用于从出院小结中自动识别射血分数降低的心力衰竭患者	采用半监督学习框架，构建了首个能够从临床文本中高精度识别HFrEF的深度学习语言模型，并进行了多中心外部验证	模型主要基于单中心数据开发，外部验证数据集中部分样本量较小，且依赖于超声心动图报告的左心室射血分数作为金标准	开发自动化工具以评估和改进射血分数降低的心力衰竭患者的指南导向治疗质量	心力衰竭患者的出院小结文本数据	自然语言处理	心血管疾病	深度学习自然语言处理	深度学习语言模型	文本	13,251份出院小结（来自5,392名患者），外部验证包括19,242份（西北医学）、139份（耶鲁社区医院）和146份（MIMIC-III）	NA	深度学习语言模型	AUROC, AUPRC, NRI	NA
173	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
174	2026-03-02	Acquisition of a Lexicon for Family History Information: Bidirectional Encoder Representations From Transformers-Assisted Sublanguage Analysis 2023-Jun-27, JMIR medical informatics IF:3.1Q2 DOI:10.2196/48072 PMID:37368483	研究论文	本研究旨在构建一个用于家庭病史信息提取和标准化的词汇资源，利用基于Transformer的方法从初级保健临床笔记中提取信息，并通过规则和深度学习系统进行评估	利用基于Transformer的方法（如BERT）辅助构建家庭病史词汇资源，结合规则和深度学习系统进行信息提取，提高了召回率	性能评估中F1分数存在波动，且词汇资源主要基于特定临床笔记语料，可能在其他医疗环境中泛化能力有限	构建一个标准化的家庭病史词汇资源，以支持电子健康记录中的信息提取和下游临床应用	家庭病史信息，包括临床笔记中的实体和关系	自然语言处理	NA	自然语言处理，基于Transformer的方法	BERT，深度学习模型	文本（临床笔记）	语料来自初级保健临床笔记，具体样本数量未明确说明	NA	Transformer，BERT	F1分数，召回率	NA
175	2026-03-02	Deep learning to estimate lung disease mortality from chest radiographs 2023-05-16, Nature communications IF:14.7Q1 DOI:10.1038/s41467-023-37758-5 PMID:37193717	研究论文	本研究开发了一个深度学习模型CXR Lung-Risk，用于从胸部X光片中预测肺部疾病死亡风险	首次利用深度学习从易于获取的胸部X光片中预测肺部疾病死亡率，并展示了与死亡风险的梯度关联	模型仅基于胸部X光片，未整合其他临床或基因组数据，且外部验证队列数量有限	预测肺部疾病死亡率以改善个性化预防和治疗策略	慢性肺部疾病（如哮喘、肺癌）患者	计算机视觉	肺癌	胸部X光成像	深度学习模型	图像	训练集：40,643名个体的147,497张X光图像；测试集：三个独立队列共15,976名个体	NA	CXR Lung-Risk	风险比（Hazard ratios）	NA
176	2026-03-02	Applications of Deep Learning in Endocrine Neoplasms 2023-Mar, Surgical pathology clinics DOI:10.1016/j.path.2022.09.014 PMID:36739164	综述	本文综述了深度学习在内分泌肿瘤组织病理学中的当前研究进展，重点关注实验设计、重要发现和关键局限性	系统总结了深度学习在内分泌肿瘤领域的应用现状，强调了从肿瘤分级到基因表达预测等任务中的效用	作为综述文章，未提出新的实验数据或模型，主要依赖现有文献的归纳分析	总结深度学习在内分泌肿瘤组织病理学中的研究现状与应用	内分泌肿瘤的组织病理学样本	数字病理学	内分泌肿瘤	NA	深度学习	组织学样本图像	NA	NA	NA	NA	NA
177	2026-03-02	Deep learning in digital pathology for personalized treatment plans of cancer patients 2023-Mar, Seminars in diagnostic pathology IF:2.9Q2 DOI:10.1053/j.semdp.2023.02.003 PMID:36890029	综述	本文综述了基于深度学习的数字病理学方法在癌症患者个性化治疗计划中的应用，重点介绍了利用H&E染色病理图像进行生物标志物量化和治疗反应预测的研究	利用人工智能自动量化病理图像中的生物标志物，实现更高效、客观的评估，辅助制定个性化癌症治疗方案	综述性文章未直接进行实验，因此未提及具体研究局限性	改善癌症患者治疗选择，通过AI辅助实现个性化治疗计划	癌症患者的H&E染色病理图像	数字病理学	癌症	H&E染色	深度学习	图像	NA	NA	NA	NA	NA
178	2026-03-02	Retrospective T2 quantification from conventional weighted MRI of the prostate based on deep learning 2023, Frontiers in radiology DOI:10.3389/fradi.2023.1223377 PMID:37886239	研究论文	开发了一种基于深度学习的U-Net神经网络方法，从常规T1和T2加权图像中回顾性量化前列腺T2图	首次利用深度学习直接从临床常规MRI图像中估计前列腺T2图，无需额外扫描序列	样本量较小（25名受试者），且为回顾性研究，需要进一步验证	开发一种从常规MRI图像中回顾性量化前列腺T2值的方法，以改善前列腺癌的诊断和表征	前列腺组织，包括高风险前列腺癌队列和低风险主动监测队列的患者	数字病理	前列腺癌	多回波自旋回波序列MRI	CNN	图像	25名受试者用于训练，38名前列腺癌患者用于验证	NA	U-Net	结构相似性指数, 峰值信噪比, 平均百分比误差, Pearson相关系数	NA
179	2026-03-02	Digital staining facilitates biomedical microscopy 2023, Frontiers in bioinformatics IF:2.8Q2 DOI:10.3389/fbinf.2023.1243663 PMID:37564725	综述	本文综述了深度学习在生物医学显微镜中实现虚拟染色技术，以替代传统染色方法	利用深度学习实现虚拟染色，避免了传统染色的耗时、成本高、样本损伤及标记不一致等问题，并能结合神经网络校正显微镜像差	NA	探讨如何通过计算虚拟染色技术优化生物医学显微镜的样本制备和成像过程	生物医学显微镜成像中的生物样本	数字病理学	NA	深度学习	神经网络	图像	NA	NA	NA	NA	NA
180	2026-02-27	A Scalable Framework for Closed-Loop Neuromodulation with Deep Learning 2023-Jan-20, bioRxiv : the preprint server for biology DOI:10.1101/2023.01.18.524615 PMID:36712027	研究论文	本文提出并验证了一种基于深度学习的新型框架，用于设计和部署灵活、数据驱动的自动化闭环神经调控，该框架可扩展、与刺激技术无关，且无需个性化真实性能数据	框架基于识别响应期（检测到的状态，在应用刺激时与无刺激相比性能发生变化），支持多模态刺激（如tACS、tDCS、tFUS、TMS），并利用深度学习（CNN）实现自动化决策，避免了传统方法中的偏倚生物标志物检测	未明确说明框架在更广泛数据集或不同临床场景中的泛化能力，且可能依赖于特定数据质量（如GX数据集）	开发一个可扩展的深度学习框架，用于自动化闭环神经调控，以优化临床和非临床行为、认知、健康、注意力或任务表现增强	神经或生理活动数据（如EEG、ECG、EOG），以及与之配对的持续警觉/注意力疲劳跟踪和高清经颅电刺激（HD-tES）数据	机器学习	NA	深度学习，卷积神经网络（CNN），多模态神经刺激技术（tACS、tDCS、tFUS、TMS）	CNN	生理信号（ECG、EOG）、神经元信号（EEG）、行为跟踪数据	基于开源的GX数据集，具体样本数量未明确说明	未明确指定，但提及深度学习框架	卷积神经网络（CNN）	正确应用试验的百分比（88.26%），预测错误刺激时间的百分比（11.25%）	NA