深度学习在生物医药领域中的应用

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
1	2025-07-25	PeakDetective: A Semisupervised Deep Learning-Based Approach for Peak Curation in Untargeted Metabolomics 2023-06-27, Analytical chemistry IF:6.7Q1 DOI:10.1021/acs.analchem.3c00764 PMID:37314824	研究论文	提出了一种基于半监督深度学习的峰检测方法PeakDetective，用于非靶向代谢组学中的峰筛选	结合无监督自编码器和主动学习分类器，快速训练并适应不同LC/MS方法和样本类型	需要用户标注少量峰样本进行训练	解决非靶向代谢组学数据处理中峰检测的准确性问题	代谢组学数据中的峰信号	机器学习	NA	LC/MS	自编码器+主动学习分类器	代谢组学数据	五个不同的LC/MS数据集，包括SARS-CoV-2数据集
2	2025-07-20	Noise Suppression With Similarity-Based Self-Supervised Deep Learning 2023-06, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2022.3231428 PMID:37015446	研究论文	提出了一种基于相似性的自监督深度学习去噪方法Noise2Sim，用于抑制CT图像中的独立和相关噪声	首次提出非局部和非线性方式的自监督去噪方法，能够处理CT图像中的相关噪声，理论证明在温和条件下与监督学习方法渐近等价	未提及具体在哪些实际应用场景中可能存在限制	优化低剂量和光子计数CT图像的去噪性能，在最小化辐射剂量的同时提高诊断性能	低剂量CT和光子计数CT图像	计算机视觉	NA	深度学习	自监督深度学习	CT图像	未提及具体样本数量
3	2025-07-20	Combined diagnosis of multiparametric MRI-based deep learning models facilitates differentiating triple-negative breast cancer from fibroadenoma magnetic resonance BI-RADS 4 lesions 2023-Jun, Journal of cancer research and clinical oncology IF:2.7Q3 DOI:10.1007/s00432-022-04142-7 PMID:35771263	研究论文	探讨基于多参数MRI的深度学习模型联合诊断在区分三阴性乳腺癌与纤维腺瘤磁共振BI-RADS 4类病变中的价值，并评估其是否能提高放射科医生的诊断性能	结合多参数MRI的深度学习模型联合诊断，显著提高了初级放射科医生的诊断性能，并与高级放射科医生的诊断性能相当	研究为回顾性设计，样本量相对有限，且仅针对BI-RADS 4类病变	提高三阴性乳腺癌与纤维腺瘤磁共振BI-RADS 4类病变的鉴别诊断准确性	319名女性患者的319个病理证实的BI-RADS 4类病变	数字病理	乳腺癌	多参数MRI（包括对比增强T1加权成像、扩散加权成像和T2加权成像）	深度学习模型	MRI图像	319名女性患者的319个病变
4	2025-06-04	Deep Learning System Outperforms Clinicians in Identifying Optic Disc Abnormalities 2023-Jun-01, Journal of neuro-ophthalmology : the official journal of the North American Neuro-Ophthalmology Society IF:2.0Q2 DOI:10.1097/WNO.0000000000001800 PMID:36719740	research paper	该研究开发了一种名为BONSAI-DLS的深度学习系统，用于通过数字眼底照片准确检测视盘异常，包括由颅内压升高引起的视乳头水肿，并在性能上超越了临床医生	开发了BONSAI-DLS系统，其在视盘异常分类上的表现优于各类临床医生，包括有或没有眼科培训的医生	研究使用的是回顾性收集的便利样本，可能无法完全代表所有临床情况	评估深度学习系统在检测视盘异常方面的性能，并与临床医生的表现进行比较	454名患者的800张眼底照片，包括正常视盘、视乳头水肿和其他异常	digital pathology	neurological conditions	deep learning	DLS (Deep Learning System)	image	800张眼底照片来自454名患者
5	2025-05-16	Artificial intelligence, machine learning, and deep learning in liver transplantation 2023-06, Journal of hepatology IF:26.8Q1 DOI:10.1016/j.jhep.2023.01.006 PMID:37208107	review	本文综述了人工智能、机器学习和深度学习在肝移植中的应用及其潜力	探讨了AI在肝移植前后管理中的应用，如优化移植候选决策和供受体匹配，以及预测患者和移植物生存	数据集不平衡、数据隐私问题以及缺乏实际应用中模型性能的基准研究实践	评估AI在肝移植临床决策中的潜在应用	肝移植患者的管理	machine learning	liver disease	AI, machine learning, deep learning	NA	demographic, clinical, laboratory, pathology, imaging, and omics data	NA
6	2025-05-10	CROSS-DOMAIN DIFFUSION BASED SPEECH ENHANCEMENT FOR VERY NOISY SPEECH 2023-Jun, Proceedings of the ... IEEE International Conference on Acoustics, Speech, and Signal Processing. ICASSP (Conference) DOI:10.1109/icassp49357.2023.10096985 PMID:40330790	研究论文	本文提出了一种基于跨域扩散的语音增强方法，用于极低信噪比条件下的非平稳噪声场景	将基于扩散的学习方法引入增强模型，提高了在极低信噪比条件下的鲁棒性	实验仅在TIMIT数据集上进行，未在其他数据集上验证	提高极低信噪比条件下的语音增强性能	语音信号	语音处理	NA	扩散模型	扩散模型	语音信号	TIMIT数据集
7	2025-04-17	Sequence basis of transcription initiation in human genome 2023-Jun-29, bioRxiv : the preprint server for biology DOI:10.1101/2023.06.27.546584 PMID:37425823	研究论文	本研究通过深度学习启发的可解释建模方法，揭示了人类基因组中转录起始的序列基础	提出了一个统一模型，在碱基对水平上解释了转录起始的序列基础，并揭示了大多数人类启动子的简单规则	NA	理解人类基因组中转录起始位点的序列模式和规则	人类基因组和241种哺乳动物基因组	基因组学	NA	深度学习启发的可解释建模方法	深度学习	基因组序列数据	241种哺乳动物基因组和小鼠转录起始位点数据
8	2025-04-12	Tissue response curve-shape analysis of dynamic glucose-enhanced and dynamic contrast-enhanced magnetic resonance imaging in patients with brain tumor 2023-06, NMR in biomedicine IF:2.7Q1 DOI:10.1002/nbm.4863 PMID:36310022	research paper	该研究开发了一种基于组织响应曲线形状的动态葡萄糖增强(DGE)MRI分析方法，并与动态对比增强(DCE)MRI进行比较，以评估其在脑肿瘤患者中的应用	提出了一种基于深度学习的DGE组织响应曲线形状分析方法，并创建了彩色编码的'曲线图'来直观展示不同曲线类型的空间分布	研究样本量较小(仅11名患者)，且DGE和DCE的增强模式在时间和空间上并不完全一致	比较DGE MRI和DCE MRI在脑肿瘤诊断中的信息价值	疑似胶质瘤患者的脑组织	digital pathology	brain tumor	dynamic glucose-enhanced MRI, dynamic contrast-enhanced MRI	deep learning	MRI图像	11名疑似胶质瘤患者
9	2025-04-03	Integrative dissection of gene regulatory elements at base resolution 2023-Jun-14, Cell genomics IF:11.1Q1 DOI:10.1016/j.xgen.2023.100318 PMID:37388913	研究论文	结合表观遗传扰动、碱基编辑和深度学习技术，解析CD69基因调控元件的功能序列	首次在天然染色质环境中系统解析调控元件的功能序列，并发现GATA3与BHLHE40的相互作用在T细胞快速转录反应中的普遍作用	研究仅聚焦于Jurkat T细胞中的CD69基因座，未验证其他细胞类型或基因	解析基因调控元件的功能序列基础	CD69基因座的调控元件	基因组学	NA	表观遗传扰动、碱基编辑、深度学习	深度学习	基因组序列数据	Jurkat T细胞系
10	2025-03-19	Explainable artificial intelligence (XAI) for interpreting the contributing factors feed into the wildfire susceptibility prediction model 2023-06-25, The Science of the total environment DOI:10.1016/j.scitotenv.2023.163004 PMID:36965733	研究论文	本文探讨了可解释人工智能（XAI）在解释野火易发性预测模型中的贡献因素的应用	使用Shapley加性解释（SHAP）模型来解释深度学习（DL）模型的结果，以识别影响预测模型的关键参数及其相对重要性	模型可能受到训练过程和输入变量数量及质量等多种不确定性来源的影响	通过可解释的AI技术提高野火易发性预测模型的可解释性和准确性	野火易发性预测模型	机器学习	NA	Shapley加性解释（SHAP）	深度学习（DL）	地形、土地覆盖/植被、气象数据	NA
11	2025-03-03	Few-shot learning using explainable Siamese twin network for the automated classification of blood cells 2023-Jun, Medical & biological engineering & computing IF:2.6Q3 DOI:10.1007/s11517-023-02804-3 PMID:36800155	研究论文	本文提出了一种基于对比学习的Siamese twin network (STN)模型，用于从少量图像中训练并自动分类健康的外周血细胞	使用EfficientNet-B3作为基础模型，提出了一种新的类激活映射方案，以提高模型的可解释性	模型训练依赖于少量数据，可能影响其泛化能力	开发一种自动化且可解释的血液细胞分类方法	健康的外周血细胞	计算机视觉	NA	对比学习	Siamese twin network (STN), EfficientNet-B3	图像	17,092张公开的细胞组织学图像，其中6%用于STN训练，6%用于少样本验证，88%用于少样本测试
12	2025-02-21	Automatic Detection of Abnormal EEG Signals Using WaveNet and LSTM 2023-Jun-27, Sensors (Basel, Switzerland) DOI:10.3390/s23135960 PMID:37447810	研究论文	本文提出了一种结合WaveNet和LSTM的深度学习模型，用于自动检测异常的原始EEG数据	提出了一种新颖的深度学习模型，结合WaveNet和LSTM，用于自动检测异常的EEG数据，并通过多个消融实验验证了模型各部分的有效性和重要性	未提及具体的研究限制	自动化诊断过程，早期准确识别脑电图（EEG）记录中的脑病理特征	异常的原始EEG数据	机器学习	神经系统疾病	深度学习	WaveNet, LSTM	EEG信号	使用TUH异常EEG语料库V.2.0.0（TUAB）和另一个独立数据集TUEP进行评估
13	2025-02-21	A deep learning network based on CNN and sliding window LSTM for spike sorting 2023-06, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2023.106879 PMID:37080004	研究论文	本文提出了一种基于CNN和滑动窗口LSTM的深度学习网络，用于神经信号解码中的尖峰排序	结合CNN和LSTM进行尖峰排序和分类，提高了模型的准确性和鲁棒性	在高噪声水平下，召回率有所下降	开发一种准确且具有泛化能力的自动尖峰排序算法	神经信号中的尖峰	机器学习	NA	NA	CNN, LSTM	神经信号数据	模拟数据和实验数据
14	2025-02-20	Deep learning enables fast, gentle STED microscopy 2023-06-27, Communications biology IF:5.2Q1 DOI:10.1038/s42003-023-05054-z PMID:37369761	研究论文	本文介绍了利用深度学习恢复STED显微镜图像的方法，以减少光漂白和光损伤，并显著降低像素停留时间	通过深度学习技术，实现了对STED显微镜图像的快速、温和恢复，减少了光漂白和光损伤，并显著降低了像素停留时间	NA	研究目的是通过深度学习技术改进STED显微镜成像，减少光漂白和光损伤，并提高成像效率	STED显微镜图像	计算机视觉	NA	STED显微镜	深度学习	图像	NA
15	2025-02-06	Deep-learning-assisted reconfigurable metasurface antenna for real-time holographic beam steering 2023-Jun, Nanophotonics (Berlin, Germany) DOI:10.1515/nanoph-2022-0789 PMID:39633750	研究论文	本文提出了一种能够实时全息波束转向的超表面天线，并采用深度学习算法来控制天线状态	采用深度学习算法结合自编码器和电磁散射方程，实时确定目标远场模式所需的状态，避免了传统迭代方法的低效性	需要验证Born近似在更复杂场景下的有效性	开发一种能够实时控制全息波束转向的超表面天线	超表面天线及其点偶极子元件	机器学习	NA	深度学习	自编码器	电磁散射数据	NA
16	2025-02-06	A deep neural network for general scattering matrix 2023-Jun, Nanophotonics (Berlin, Germany) DOI:10.1515/nanoph-2022-0770 PMID:39633768	研究论文	本文开发了一个深度神经网络（DNN），用于计算无对称性散射体的散射矩阵，速度比有限元求解器快数千倍	开发了一个能够快速计算无对称性散射体散射矩阵的深度神经网络，并且该网络的结果自然满足能量守恒、时间反演和互易性等基本物理原理	未提及具体样本大小或实验验证的详细数据	研究散射问题的深度学习方法	无对称性散射体的散射矩阵	机器学习	NA	深度神经网络（DNN）	DNN	数值数据	NA
17	2025-02-04	Digital labeling for 3D histology: segmenting blood vessels without a vascular contrast agent using deep learning 2023-Jun-01, Biomedical optics express IF:2.9Q2 DOI:10.1364/BOE.480230 PMID:37342724	研究论文	本文介绍了一种名为'数字标记'的方法，利用深度学习在无需血管对比剂的情况下，仅基于自发荧光信号和核染色（DAPI）对3D组织中的血管进行分割	创新点在于使用基于U-net架构的深度学习神经网络，并采用回归损失而非常见的分割损失，以提高小血管的检测精度	未来需要验证该方法是否适用于其他生物结构的分割	研究目的是开发一种无需血管对比剂即可对3D组织中的血管进行分割的方法	研究对象是3D组织中的血管	数字病理学	NA	光学组织透明化和3D荧光显微镜	U-net	3D图像	NA
18	2024-12-12	Geometric Deep Learning for Unsupervised Registration of Diffusion Magnetic Resonance Images 2023-Jun, Information processing in medical imaging : proceedings of the ... conference DOI:10.1007/978-3-031-34048-2_43 PMID:38205236	研究论文	本文提出了首个端到端的基于几何深度学习的非刚性配准模型，用于扩散磁共振图像（dMRI）中的纤维方向分布场（fODF）	首次提出了一种基于几何深度学习的非刚性配准模型，能够对扩散MRI中的fODF进行无监督配准，并引入了新的可微分层用于局部雅可比估计和重定向	NA	开发一种快速且准确的非刚性配准算法，用于扩散磁共振图像	扩散磁共振图像中的纤维方向分布场（fODF）	计算机视觉	NA	扩散磁共振成像（dMRI）	几何深度学习模型	图像	NA
19	2024-12-11	Discovering small-molecule senolytics with deep neural networks 2023-Jun, Nature aging IF:17.0Q1 DOI:10.1038/s43587-023-00415-z PMID:37142829	研究论文	本文利用图神经网络筛选并预测了大量分子的衰老活性，发现了几种具有选择性靶向衰老细胞的药物	利用深度学习技术筛选出具有衰老活性的化合物，并发现了几种具有更好药物化学性质和选择性的新型衰老药物	实验仅在动物模型中验证了其中一种化合物的有效性，仍需进一步临床验证	发现具有衰老活性的新型小分子药物	衰老细胞及其相关疾病	机器学习	NA	图神经网络，分子对接模拟，时间分辨荧光能量转移实验	图神经网络	分子结构数据	2,352种化合物用于筛选，800,000多种分子用于预测，以及老年小鼠模型
20	2024-12-11	Label- and slide-free tissue histology using 3D epi-mode quantitative phase imaging and virtual H&E staining 2023-Jun-01, ArXiv PMID:37396611	研究论文	本文提出了一种结合3D定量相位成像技术和无监督生成对抗网络的方法，将未染色厚组织的相位图像转换为虚拟H&E染色图像	首次将3D定量相位成像技术与无监督生成对抗网络结合，实现了无需染色和载玻片的组织病理学分析	需要进一步验证该方法在不同类型组织和疾病中的适用性	开发一种无需染色和载玻片的组织病理学分析方法，以提高诊断效率和降低成本	小鼠肝脏、大鼠胶质肉瘤和人类胶质瘤的新鲜组织样本	数字病理学	NA	3D定量相位成像技术（qOBM）	生成对抗网络（GAN）	图像	小鼠肝脏、大鼠胶质肉瘤和人类胶质瘤的新鲜组织样本