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	2026-09-29	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	本文开发了一种深度学习模型，用于从前列腺活检扫描中识别主要Gleason模式，并在独立数据集上进行验证	使用转移学习和微调方法比较多种深度神经网络架构，并针对小样本组织病理学判别进行优化	在区分GS3和GS4时，准确率仅为68%，AUC为0.71，性能相对较低	开发深度学习模型以识别前列腺腺体结构中的主要Gleason模式，并验证其性能	前列腺活检组织切片图像中的腺体结构	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；基线测试52名患者，GS3与GS4区分40名患者	NA	NA	准确率, F-score, AUC	NA
2	2026-09-21	Smart brain tumor diagnosis system utilizing deep convolutional neural networks 2023-Apr-28, Multimedia tools and applications IF:3.0Q2 DOI:10.1007/s11042-023-15422-w PMID:37362644	研究论文	本研究开发了一种基于深度卷积神经网络（CNN）的脑肿瘤诊断系统，采用改进的EfficientNetv2s架构，并与多种先进深度学习架构进行了性能对比	采用Ranger优化器和广泛预处理改进EfficientNetv2s架构，在脑肿瘤分类任务上取得了优异的性能	未明确说明（摘要中未提及）	利用计算机辅助智能系统辅助医生进行脑肿瘤的早期诊断	脑肿瘤MRI图像	计算机视觉	脑肿瘤	磁共振成像（MRI）	CNN	图像	未明确说明（摘要中未提及具体样本量）	NA	EfficientNetv2s, ResNet18, ResNet200d, InceptionV4	准确率, AUC, 精确率, 召回率, F1分数	NA
3	2026-09-21	Sample-to-answer platform for the clinical evaluation of COVID-19 using a deep learning-assisted smartphone-based assay 2023-04-24, Nature communications IF:14.7Q1 DOI:10.1038/s41467-023-38104-5 PMID:37095107	研究论文	该论文提出了一种基于深度学习的智能手机侧向层析检测（SMART-LFA）平台，用于提高COVID-19检测的准确性	结合深度学习与智能手机，通过两步算法实现免孵育的现场检测，在低滴度样本中保持高准确性	未在摘要中明确提及	开发一种准确、高灵敏度的COVID-19检测方法，以改善患者护理和公共卫生	COVID-19临床样本和智能手机应用测试数据	机器学习	COVID-19	侧向层析检测	深度学习	图像	1500个临床数据，135个智能手机应用测试	NA	NA	准确率	NA
4	2026-09-21	Systematic comparison of multi-omics survival models reveals a widespread lack of noise resistance 2023-04-24, Cell reports methods IF:4.3Q2 DOI:10.1016/j.crmeth.2023.100461 PMID:37159669	研究论文	系统比较了八种深度学习与四种统计多组学整合方法在17个数据集上的生存预测表现，重点关注准确性与抗噪性	首次在大规模多组学数据集上系统评估并比较多种整合方法的抗噪能力，揭示了现有方法普遍缺乏抗噪性的问题	未提出新的抗噪模型，仅对现有方法进行比较；当模态数量过多时，所有方法均难以有效处理噪声	比较多组学生存模型在整体准确性和抗噪性方面的性能，探讨多组学整合是否总能提升模型表现	17个多组学癌症数据集（涵盖多种癌症类型）	机器学习	癌症（多癌种）	多组学整合分析	深度学习, 统计模型	多组学数据（基因组、转录组、表观组等）	17个多组学数据集（具体样本量未明确说明）	NA	NA	整体准确性, 区分度, 校准度, 抗噪性	NA
5	2026-09-21	Improving the Detection of Epidemic Clones in Candida parapsilosis Outbreaks by Combining MALDI-TOF Mass Spectrometry and Deep Learning Approaches 2023-Apr-20, Microorganisms IF:4.1Q2 DOI:10.3390/microorganisms11041071 PMID:37110493	研究论文	本研究将MALDI-TOF质谱与深度学习相结合，用于识别住院暴发中传播的近平滑念珠菌流行克隆，并评估了培养时间、培养基和质谱仪等制备参数对分类器性能的影响	首次将深度学习应用于MALDI-TOF质谱光谱的分类，以区分近平滑念珠菌暴发中的流行克隆株与非克隆株；系统评估了培养时间、培养基类型和质谱仪差异等制备参数对深度神经网络分类性能的影响；发现将不同培养时间的光谱纳入训练步骤可恢复预测准确性；提出在预处理阶段加入光谱对齐步骤可显著改善因设备差异导致的性能下降	样本量相对较小（仅95株分离株）；研究仅限于两家巴黎医院的暴发场景，外部推广性有待验证；深度学习模型对培养条件和设备差异高度敏感，需要严格控制实验参数才能获得可靠结果；未与其他克隆分型方法（如全基因组测序或微卫星分析）进行直接比较	利用深度学习对MALDI-TOF质谱常规鉴定中获得的光谱进行分类，以区分属于流行克隆的分离株与其他分离株，并评估光谱制备参数对分类器性能的影响	近平滑念珠菌（Candida parapsilosis）临床分离株，包括39株属于克隆亚群的氟康唑耐药分离株和56株同期收集的大多数氟康唑敏感且不属于克隆亚群的分离株	数字病理学, 机器学习	真菌感染, 院内感染	MALDI-TOF质谱	深度神经网络	质谱光谱数据	95株近平滑念珠菌临床分离株（39株克隆亚群分离株和56株非克隆亚群分离株），在4台不同质谱仪上、3种不同培养基中培养24或48小时后获得光谱	NA	深度神经网络	准确率	NA
6	2026-09-21	Methods and considerations for estimating parameters in biophysically detailed neural models with simulation based inference 2023-Apr-17, bioRxiv : the preprint server for biology DOI:10.1101/2023.04.17.537118 PMID:37131818	研究论文	本文提供了使用基于模拟的推断（SBI）在生物物理详细神经模型中估计参数的指南和注意事项，以估计时间序列波形	提供了将SBI应用于大规模生物物理详细神经模型中估计时间序列波形的指南和方法，特别是针对MEG/EEG波形，并描述了如何使用诊断方法评估后验估计的质量和唯一性	在大规模生物物理详细模型中使用SBI具有挑战性，且相关方法尚未建立	为使用详细模型研究神经动力学的广泛应用中SBI的未来应用提供原则性基础	生物物理详细神经模型中的时间序列波形，包括常见的MEG/EEG波形	机器学习	NA	基于模拟的推断（SBI）	NA	时间序列	NA	NA	NA	NA	NA
7	2026-09-21	Fostering formative assessment: teachers' perception, practice and challenges of implementation in four Sudanese medical schools, a mixed-method study 2023-Apr-14, BMC medical education IF:2.7Q1 DOI:10.1186/s12909-023-04214-3 PMID:37060025	研究论文	本文采用混合方法研究苏丹四所医学院教师对形成性评价的认知、实践及实施挑战，并提出解决方案	首次在苏丹四所医学院中结合问卷调查与德尔菲法，系统探讨医学教师对形成性评价的认知、实践及挑战，并提出基于教师认知的可行解决方案	样本仅来自苏丹四所医学院的190名教师，结果可能无法推广到其他地区或教育体系；未详细说明德尔菲法的具体实施过程和专家选择标准	描述医学教师对形成性评价的认知、实践及实施挑战，并提出可行的解决方案	苏丹四所医学院的190名医学教师	医学教育	NA	混合方法研究（问卷调查与德尔菲法）	NA	文本	190名医学教师	NA	NA	NA	NA
8	2026-09-21	The Feasibility and Performance of Total Hip Replacement Prediction Deep Learning Algorithm with Real World Data 2023-Apr-09, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering10040458 PMID:37106645	研究论文	本研究设计了一种序贯两阶段全髋关节置换预测深度学习算法，利用骨盆平片识别三个月内需行全髋关节置换的可能性，并使用真实世界数据进行验证	首次使用真实世界数据验证深度学习算法在全髋关节置换预测中的功能，并设计了序贯两阶段预测算法	样本仅来源于2018至2019年的3766张骨盆平片，时间跨度较短，未提及多中心外部验证	探讨全髋关节置换预测深度学习算法在真实世界数据中的可行性与性能	2018至2019年收集的3766张骨盆平片及相关患者数据	计算机视觉	老年疾病	骨盆平片X线摄影	CNN	图像	3766张骨盆平片	NA	NA	准确率, 灵敏度, 特异度, 精确率, 阴性预测值, 假阴性率, F1分数, AUC	NA
9	2026-09-21	A Machine Learning Method to Identify Umami Peptide Sequences by Using Multiplicative LSTM Embedded Features 2023-Apr-02, Foods (Basel, Switzerland) DOI:10.3390/foods12071498 PMID:37048319	研究论文	本文提出了一种名为iUmami-DRLF的机器学习方法，利用乘法LSTM预训练神经网络特征提取技术（UniRep）从肽序列中提取特征，并结合逻辑回归模型来识别鲜味肽序列	首次将基于乘法LSTM的深度学习预训练表示学习方法（UniRep）与逻辑回归相结合用于鲜味肽序列的识别，仅基于肽序列信息即可实现高精度预测，并在新验证的味觉序列上展现出更好的鲁棒性和准确性	摘要中未明确提及研究的具体局限性	开发一种基于机器学习的鲜味肽序列识别方法，替代耗时且昂贵的湿实验方法，以促进食品鲜味增强的研究	鲜味肽序列	机器学习	NA	深度学习预训练特征提取（UniRep，基于乘法LSTM），逻辑回归	乘法LSTM，逻辑回归	肽序列文本数据	摘要中未明确提及具体样本量	NA	乘法LSTM，UniRep，逻辑回归	预测精度，鲁棒性，准确率	NA
10	2026-09-21	Automatic reconstruction of interstitial needles using CT images in post-operative cervical cancer brachytherapy based on deep learning 2023-Apr, Journal of contemporary brachytherapy IF:1.1Q3 DOI:10.5114/jcb.2023.126514 PMID:37215613	研究论文	本研究开发了一种基于深度学习的自动重建方法，用于在术后宫颈癌近距离放疗的CT图像中定位间质针	利用卷积神经网络实现间质针的自动重建，并验证其几何精度和剂量学一致性	未明确说明	研究基于深度学习的自动重建在三维CT图像中定位间质针的精度	70名接受CT引导近距离放疗的术后宫颈癌患者	计算机视觉	宫颈癌	CT成像	CNN	图像	70名患者，每位患者使用3根金属针	NA	CNN	Dice相似系数, 95%豪斯多夫距离, Jaccard系数, 剂量体积指标, Spearman相关系数	NA
11	2026-09-20	Yield prediction through integration of genetic, environment, and management data through deep learning 2023-04-11, G3 (Bethesda, Md.) DOI:10.1093/g3journal/jkad006 PMID:36625555	研究论文	本文使用深度神经网络预测玉米产量，比较了两种模型开发方法，并利用传统线性模型和机器学习模型对模型性能进行情境化分析，同时考察了不同数据类型间交互作用的有效性。	针对每种数据类型优化深度神经网络子模块，而非一次性优化整个模型；将遗传、环境和管理数据间的交互作用纳入模型，并分析交互作用对模型敏感性的影响。	摘要中未明确说明研究的具体局限性。	准确预测不同基因型、环境和管理干预组合所产生的表型结果，并探讨数据交互作用对预测的影响。	玉米产量。	机器学习	NA	NA	深度神经网络, 最佳线性无偏预测（BLUP）, 机器学习模型	遗传数据, 环境数据, 管理数据	NA	NA	深度神经网络	平均误差	NA
12	2026-09-20	Snapshot multispectral imaging using a diffractive optical network 2023-Apr-06, Light, science & applications DOI:10.1038/s41377-023-01135-0 PMID:37024463	研究论文	本文提出了一种基于衍射光学网络的多光谱成像系统，通过深度学习训练在输出图像视场创建虚拟光谱滤波器阵列，实现快照多光谱成像	创新性地使用衍射光学网络作为虚拟光谱滤波器阵列，无需光谱滤波器或图像恢复算法即可将单色焦平面阵列转换为多光谱成像设备；设计对输入偏振态不敏感；通过3D打印衍射网络在太赫兹波段实验验证	主要基于数值模拟验证，实验仅进行了太赫兹波段的2×2波段演示，未在可见光波段进行实验验证	开发一种紧凑、无计算、功率高效且偏振不敏感的快照多光谱成像系统	多光谱成像系统、衍射光学网络、虚拟光谱滤波器阵列	计算机视觉	NA	衍射光学网络、3D打印、深度学习	衍射光学网络	图像	NA	NA	衍射光学网络	光谱波段数量（4、9、16个可见光波段，4个太赫兹波段）	NA
13	2026-09-20	Deep Learning-based Non-rigid Image Registration for High-dose Rate Brachytherapy in Inter-fraction Cervical Cancer 2023-04, Journal of digital imaging IF:2.9Q2 DOI:10.1007/s10278-022-00732-6 PMID:36417026	研究论文	提出基于深度学习的非刚性图像配准框架，用于局部晚期宫颈癌的间质高剂量率近距离放疗，并模拟器官变形	提出结合解剖柔韧性、刚性和运动的间质器官变形模拟框架，并采用DIRNet进行非刚性配准，优于传统算法	样本量有限（57例CT扫描），且仅针对宫颈癌，未在其他癌症或更大数据集上验证	开发基于深度学习的非刚性图像配准方法，用于间质宫颈癌高剂量率近距离放疗	局部晚期宫颈癌患者的CT图像及危及器官（膀胱、宫颈、直肠）	医学图像配准	宫颈癌	CT成像	CNN	图像	57例CT扫描（7202个2D切片），随机分为训练集42例和测试集15例	NA	DIRNet	Dice指数，平均对称表面距离，Jaccard指数	NA
14	2026-09-20	Transforming medical imaging with Transformers? A comparative review of key properties, current progresses, and future perspectives 2023-04, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2023.102762 PMID:36738650	综述	本文全面综述了基于Transformer的医学影像方法，涵盖分割、识别、检测、配准、重建和增强等任务，并比较了Transformer与CNN的关键特性	综述的组织方式基于Transformer的关键定义特性以及Transformer与CNN的组合架构类型，帮助读者理解所综述方法的原理	作为综述文章，未开展新的实验验证，也未提供定量性能比较	探讨Transformer模型能否变革医学影像领域，并综述基于Transformer的医学影像方法的最新进展	医学影像数据及基于Transformer的医学影像分析方法	计算机视觉	NA	NA	Transformer, CNN	图像	NA	NA	Transformer, CNN	NA	NA
15	2026-09-20	Topological data analysis in medical imaging: current state of the art 2023-Apr-01, Insights into imaging IF:4.1Q1 DOI:10.1186/s13244-023-01413-w PMID:37005938	综述	本文综述了拓扑数据分析（TDA）在医学图像分析中的应用，重点介绍了持续同调及其变体，并回顾了TDA在医学影像研究中的最新成功案例	系统介绍了持续同调及其变体，并综述了TDA在医学图像分析中的最新应用进展，强调了TDA在提供可解释输出和计算效率方面的优势	作为综述文章，未涉及原始实验数据，可能未全面覆盖所有TDA变体或应用场景	介绍持续同调及其变体，并综述TDA在医学图像分析中的最新成功应用	医学图像分析中的机器学习方法，特别是拓扑数据分析技术	医学图像分析	NA	持续同调	NA	图像	NA	NA	NA	NA	NA
16	2026-09-13	Deep-Learning-Based Hepatic Ploidy Quantification Using H&E Histopathology Images 2023-04-16, Genes IF:2.8Q2 DOI:10.3390/genes14040921 PMID:37107679	研究论文	本文开发了一种基于深度学习的计算算法，利用H&E组织病理学图像量化肝脏倍性	首次成功尝试在H&E图像上自动化倍性分析	未提及	提高临床样本中肝脏倍性量化的可及性	肝脏倍性	数字病理学	肝脏疾病	H&E组织病理学成像	CNN	图像	未提及	未提及	未提及	未提及	未提及
17	2026-09-01	BetaBuddy: An end-to-end computer vision pipeline for the automated analysis of insulin secreting β-cells 2023-Apr-06, bioRxiv : the preprint server for biology DOI:10.1101/2023.04.06.535890 PMID:37066375	研究论文	本文介绍了一个用于自动分析胰岛素分泌β细胞的内皮到端计算机视觉流程，包括细胞分割、跟踪和钙水平分析。	利用深度学习算法自动分割和跟踪数千个细胞，减少人工干预和偏见，并发现先前手动分割低估了电刺激后钙尖峰活动的变化。	未在摘要中明确提及局限性。	开发一个自动化的计算机视觉流程，以减少分析β细胞钙信号的时间并提高准确性。	胰腺β细胞及其钙信号活动。	计算机视觉	NA	活细胞成像	深度学习模型（具体类型未在摘要中指定，可能包括CNN）	图像（时间序列图像堆栈）	未在摘要中明确提及样本数量，但提到重新分析了电刺激后的β细胞数据集。	NA	NA	准确性（未具体列出其他指标）	NA
18	2026-08-31	Fast, accurate antibody structure prediction from deep learning on massive set of natural antibodies 2023-04-25, Nature communications IF:14.7Q1 DOI:10.1038/s41467-023-38063-x PMID:37185622	研究论文	本文介绍了IgFold，一种基于深度学习的快速抗体结构预测方法，能在不到25秒内预测出与AlphaFold相当或更优的结构质量。	创新点在于使用在5.58亿条天然抗体序列上预训练的语言模型结合图网络直接预测骨架原子坐标，实现了极快的预测速度，并在大规模应用上展示了优势。	摘要未提及明显的局限性。	旨在快速且准确地预测抗体结构，特别是高变环区域，以支持大规模结构分析。	研究对象为天然抗体序列及其结构。	深度学习	NA	NA	语言模型和图网络	序列数据	5.58亿条天然抗体序列用于预训练，1.4百万条配对抗体序列用于预测。	NA	预训练语言模型和图网络	结构质量（与AlphaFold比较）和预测时间	NA
19	2026-08-29	An open-source deep learning network AVA-Net for arterial-venous area segmentation in optical coherence tomography angiography 2023-Apr-17, Communications medicine IF:5.4Q1 DOI:10.1038/s43856-023-00287-9 PMID:37069396	研究论文	开发并验证了名为AVA-Net的开源深度学习网络，用于光学相干断层扫描血管造影（OCTA）中的动静脉面积分割，并提取了七种新特征用于糖尿病视网膜病变的早期检测	首次实现OCTA中动静脉面积和血流灌注强度的定量分析，提出了七个新特征，并验证了AV-PIDR作为早期DR检测最敏感特征的有效性	未明确说明限制，但可能包括样本量有限、特征在更广泛人群中的通用性需进一步验证	开发一种用于OCTA中定量动静脉分析的方法，通过分割动静脉区域并提取灌注特征，以实现糖尿病视网膜病变的早期检测	OCTA图像中的动静脉区域，以及健康对照、无DR糖尿病和轻度DR患者的OCTA图像	计算机视觉	糖尿病视网膜病变	OCTA（光学相干断层扫描血管造影）	深度学习网络（AVA-Net）	OCTA图像	包括健康对照组、无DR糖尿病组和轻度DR组，具体样本量未在摘要中说明	NA	AVA-Net（具体架构未详细说明）	敏感性，显著性差异（基于Bonferroni校正）	NA
20	2026-08-25	Contrastive learning-based pretraining improves representation and transferability of diabetic retinopathy classification models 2023-04-13, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-023-33365-y PMID:37055475	研究论文	本文介绍了一种基于自监督对比学习预训练的糖尿病视网膜病变分类模型，通过神经风格迁移增强数据表示，提高了模型在独立数据集上的泛化能力	首次将对比学习预训练与神经风格迁移增强相结合用于糖尿病视网膜病变分类，显著提升了小样本训练下的模型性能和跨数据集迁移能力	研究仅基于公开数据集EyePACS和单一临床数据集UIC进行验证，可能限制模型在其他人群和临床环境中的泛化性	开发一种能够在小规模标注数据集上训练的鲁棒且可泛化的糖尿病视网膜病变自动检测模型	糖尿病视网膜病变患者的彩色眼底图像	计算机视觉	糖尿病视网膜病变	对比学习预训练, 神经风格迁移	深度学习模型（卷积神经网络）	图像（彩色眼底图像）	EyePACS数据集用于训练和验证，UIC临床数据集用于独立测试（具体样本数量未提及）	NA	FundusNet	AUC（曲线下面积）	NA