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	2025-03-30	Variational Autoencoders for Biomedical Signal Morphology Clustering and Noise Detection 2023-Sep-28, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2023.3320585 PMID:37768790	研究论文	提出了一种基于变分自编码器和高斯混合模型的生物医学波形噪声检测框架，用于无监督检测波形异常并提供置信度评分	使用变分自编码器与高斯混合模型结合，实现无需标注的波形异常检测，并生成置信度指标	方法主要针对具有心脏活动周期性的生物医学信号，可能不适用于非周期性信号	开发一种自动化的生物医学信号噪声检测方法，提高下游生理指标估计的准确性	非侵入式可穿戴设备采集的原始波形数据	机器学习	心血管疾病	变分自编码器(VAE), 高斯混合模型(GMM), 动态时间规整(DTW)	VAE, GMM	时间序列数据	97885个心脏周期的心阻抗数据
2	2025-03-27	Embryonic cranial cartilage defects in the Fgfr3Y367C /+ mouse model of achondroplasia 2023-Sep-25, Anatomical record (Hoboken, N.J. : 2007) DOI:10.1002/ar.25327 PMID:37747411	研究论文	本研究利用Fgfr3Y367C/+小鼠模型探讨了软骨发育不全症胚胎期颅骨和Meckel软骨的缺陷	首次在胚胎期研究了Fgfr3突变对颅骨和咽部软骨的直接影响，并开发了基于深度学习的3D分割模型	研究仅使用了小鼠模型，结果在人类中的适用性需要进一步验证	探究软骨发育不全症中FGFR3突变对胚胎期软骨发育的影响	Fgfr3Y367C/+突变小鼠的胚胎颅骨和Meckel软骨	数字病理学	软骨发育不全症	microCT成像和深度学习3D分割	深度学习3D分割模型	3D图像	E14.5和E16.5胚胎期Fgfr3突变小鼠及其未受影响同窝仔
3	2025-03-19	Forest fuel type classification: Review of remote sensing techniques, constraints and future trends 2023-09-15, Journal of environmental management IF:8.0Q1 DOI:10.1016/j.jenvman.2023.118315 PMID:37290304	综述	本文综述了用于森林燃料类型分类的遥感技术，探讨了其限制因素和未来发展趋势	本文综合了最新的遥感技术进展，并强调了深度学习算法与遥感数据源集成的研究方向	遥感技术在燃料类型分类中仍面临挑战，如燃料属性的高度可变性和复杂性	提高对森林火灾风险和行为的理解，以增强生物多样性保护和规划有效的风险缓解活动	森林燃料类型	遥感	NA	遥感数据获取与融合技术	深度学习算法	遥感数据	NA
4	2025-03-14	Deep learning on electronic medical records identifies distinct subphenotypes of diabetic kidney disease driven by genetic variations in the Rho pathway 2023-Sep-07, medRxiv : the preprint server for health sciences DOI:10.1101/2023.09.06.23295120 PMID:37732187	研究论文	本文利用深度学习技术分析电子病历数据，识别出与糖尿病肾病进展相关的新型遗传特征，并发现由Rho通路基因变异驱动的不同亚型	首次发现影响细胞骨架调节蛋白稳定性的疾病相关遗传变异，揭示了一种新的表达数量性状位点类别，具有潜在治疗靶点价值	研究样本量相对较小（1,372例），且仅针对糖尿病肾病患者，结果可能不适用于其他类型肾病	探索糖尿病肾病的遗传异质性，识别与疾病进展相关的遗传特征	1,372名糖尿病肾病患者	机器学习	糖尿病肾病	深度学习，外显子组关联分析	自编码器，无监督聚类	电子病历数据	1,372名糖尿病肾病患者
5	2024-08-07	Deep Learning on Electrocardiograms for Prediction of In-hospital Intradialytic Hypotension in Patients with ESKD 2023-09-01, Kidney360 IF:3.2Q1 DOI:10.34067/KID.0000000000000208 PMID:37418626	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
6	2025-03-09	MRI-Based Deep Learning Method for Classification of IDH Mutation Status 2023-Sep-05, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering10091045 PMID:37760146	研究论文	本研究旨在开发基于T2加权MRI图像的深度学习网络，用于非侵入性IDH突变状态分类，并与多对比网络进行比较	开发了仅使用T2加权图像的深度学习网络（T2-net）和多对比网络（MC-net），并在超过1100个样本上进行了测试，这是迄今为止最大的基于图像的IDH分类研究	NA	开发用于IDH突变状态分类的深度学习算法	胶质瘤患者的MRI图像和基因组数据	计算机视觉	胶质瘤	MRI	深度学习网络（T2-net和MC-net）	图像	超过1100个样本，包括来自多个数据库的病例
7	2025-03-01	A deep learning-based electrocardiogram risk score for long term cardiovascular death and disease 2023-Sep-12, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-023-00916-6 PMID:37700032	研究论文	本文介绍了一种基于深度学习的静息心电图风险评分系统SEER，用于预测长期心血管死亡和疾病风险	开发了SEER，一种基于深度卷积神经网络的模型，仅通过静息心电图即可准确预测长期心血管死亡和疾病风险	研究主要基于斯坦福大学医学中心的数据，虽然在其他两个医疗中心进行了独立评估，但可能仍需更多样化的数据集验证其普适性	探索静息心电图在长期心血管风险评估中的应用，并开发一种新的风险评估工具	静息心电图数据	机器学习	心血管疾病	深度卷积神经网络	CNN	心电图数据	斯坦福大学医学中心收集的大量静息12导联心电图数据，并在Cedars-Sinai医疗中心和哥伦比亚大学欧文医学中心进行了独立评估
8	2025-02-21	A Stacked Long Short-Term Memory Approach for Predictive Blood Glucose Monitoring in Women with Gestational Diabetes Mellitus 2023-Sep-20, Sensors (Basel, Switzerland) DOI:10.3390/s23187990 PMID:37766044	研究论文	本研究旨在通过使用长短期记忆（LSTM）递归神经网络模型，基于GDm-Health平台收集的时间序列数据，开发基准血糖预测模型，并建议优化的临床复查计划以减少血糖稳定的孕妇的总体血液检测次数	这是首个基于机器学习的研究，提出了优化的血糖监测频率（7天监测以预测未来14天的血糖），并且所提出的模型基于指尖血糖测试的准确性与使用连续血糖监测（CGM）读数的一小时预测模型的基准性能相当	研究仅基于GDm-Health平台的数据，可能无法完全代表所有妊娠糖尿病患者的血糖模式	开发基准血糖预测模型，并建议优化的临床复查计划以减少血糖稳定的孕妇的总体血液检测次数	妊娠糖尿病（GDM）患者	机器学习	妊娠糖尿病	LSTM递归神经网络	LSTM	时间序列数据	1110名患者的190,396次血糖读数
9	2025-02-21	Improving DNA 6mA Site Prediction via Integrating Bidirectional Long Short-Term Memory, Convolutional Neural Network, and Self-Attention Mechanism 2023-09-11, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.3c00698 PMID:37603823	研究论文	本文提出了一种新的元方法Co6mA，通过整合双向长短期记忆网络（BiLSTM）、卷积神经网络（CNN）和自注意力机制（SAM）来提高DNA N6-甲基腺嘌呤（6mA）位点预测的性能	提出了一种新的元方法Co6mA，整合了BiLSTM、CNN和SAM，通过组合两种不同的深度学习模型来提高6mA位点预测的性能	NA	提高DNA 6mA位点预测的准确性	DNA N6-甲基腺嘌呤（6mA）位点	生物信息学	NA	深度学习	BiLSTM, CNN, SAM	DNA序列数据	两个独立测试集的不同模式生物样本
10	2025-02-21	Automated recognition of epilepsy from EEG signals using a combining space-time algorithm of CNN-LSTM 2023-09-08, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-023-41537-z PMID:37684278	研究论文	本文提出了一种结合CNN和LSTM的深度学习算法，用于从EEG信号中自动识别癫痫，并在多分类任务中实现了最先进的性能	提出了一种结合CNN和LSTM的混合网络，用于多分类任务（包括二元和三元分类），并实现了无需额外预处理或手动干预的自动知识获取	研究仅使用了公开的基准数据库，可能未涵盖所有临床场景	开发一种智能识别方法，用于从EEG信号中分类癫痫状态	癫痫患者的EEG信号	机器学习	癫痫	EEG信号分析	CNN-LSTM	EEG信号	公开的基准数据库中的EEG样本
11	2025-02-21	Protein intrinsically disordered region prediction by combining neural architecture search and multi-objective genetic algorithm 2023-09-07, BMC biology IF:4.4Q1 DOI:10.1186/s12915-023-01672-5 PMID:37674132	研究论文	本文提出了一种结合神经架构搜索和多目标遗传算法的蛋白质内在无序区域预测方法	使用神经架构搜索算法自动构建网络结构，结合长度依赖模型和通用模型，提出新的预测器IDP-Fusion，以稳定预测长短无序区域	未提及具体的数据集规模或实验细节，可能影响结果的普适性	提高蛋白质内在无序区域（IDRs）的预测准确性，特别是长短无序区域的稳定预测	蛋白质序列中的内在无序区域（IDRs）	生物信息学	NA	神经架构搜索（NAS），多目标遗传算法	CNN, LSTM, IDP-Fusion	蛋白质序列数据	NA
12	2025-02-21	An ECG Signal Acquisition and Analysis System Based on Machine Learning with Model Fusion 2023-Sep-03, Sensors (Basel, Switzerland) DOI:10.3390/s23177643 PMID:37688099	研究论文	本研究提出了一种基于机器学习的ECG采集与分析系统，旨在解决现有ECG信号采集仪器不便携和手动分析的问题	结合传统机器学习模型和深度学习模型进行模型融合，提高了ECG信号分类的准确性	未来工作将集中在模型优化和开发更便携的仪器上，目前系统的便携性尚未实现	开发一种便携且自动化的ECG信号采集与分析系统，以提高心血管疾病的诊断效率	ECG信号	机器学习	心血管疾病	机器学习模型融合	逻辑回归、支持向量机、XGBoost、卷积神经网络(CNN)、长短期记忆网络(LSTM)	ECG信号	NA
13	2025-02-21	Attention-based bidirectional-long short-term memory for abnormal human activity detection 2023-09-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-023-41231-0 PMID:37660111	研究论文	本文提出了一种基于注意力机制的双向长短期记忆网络（Bi-LSTM）和卷积神经网络（CNN）的深度学习框架，用于检测异常人类活动	结合CNN、Bi-LSTM和注意力机制，专注于原始视频流的独特时空特征，以检测异常人类活动	未提及具体局限性	检测异常人类活动，以预防社会损害，如人身伤害或网络仇恨犯罪的传播	视频流中的异常人类活动	计算机视觉	NA	深度学习	CNN, Bi-LSTM, 注意力机制	视频	UCF11, UCF50, subUCF犯罪数据集
14	2025-02-16	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	本文开发了一种基于深度学习的自然语言处理模型，用于从出院摘要中自动识别射血分数降低的心力衰竭（HFrEF）患者	提出了一种新的半监督学习框架下的深度学习语言模型，用于自动识别HFrEF患者，并在多个外部数据集上进行了验证	模型依赖于出院摘要的质量和完整性，且需要进一步的临床验证以确保其在不同医疗环境中的普适性	开发自动化工具以评估和提高HFrEF患者的护理质量	HFrEF患者	自然语言处理	心血管疾病	深度学习	深度学习语言模型	文本	13,251份笔记，来自5,392名独特个体（平均年龄73±14岁，48%为女性），包括2,487名HFrEF患者（46.1%）
15	2025-02-14	Application of artificial intelligence in the diagnosis of hepatocellular carcinoma 2023-Sep, eGastroenterology DOI:10.1136/egastro-2023-100002 PMID:39944000	综述	本文探讨了人工智能（AI）在肝细胞癌（HCC）放射学诊断中的最新进展	AI，特别是深度学习和神经网络模型，在HCC的放射学检测中显示出潜力，能够减少诊断变异性、优化数据分析并重新分配医疗资源	需要进一步的研究和临床实施，以充分发挥AI在HCC管理中的潜力	探索AI在HCC放射学诊断中的应用，以提高早期检测、治疗选择和患者预后	肝细胞癌（HCC）	数字病理学	肝癌	深度学习，神经网络	深度学习模型，神经网络模型	影像数据	NA
16	2025-02-12	Capturing continuous, long timescale behavioral changes in Drosophila melanogaster postural data 2023-Sep-07, ArXiv PMID:37731659	研究论文	本文通过长时间连续记录果蝇的姿势数据，探索了果蝇行为在不同时间尺度上的变化	使用深度学习框架SLEAP生成了包含近20亿个姿势实例的全身体姿势数据集，并分析了果蝇行为在昼夜节律和实验过程中的变化	实验环境为无特征竞技场，可能限制了果蝇行为的多样性	研究果蝇行为在不同时间尺度上的变化	果蝇（Drosophila melanogaster）	行为分析	NA	深度学习框架SLEAP	NA	姿势数据	47只果蝇
17	2024-09-27	NuFold: A Novel Tertiary RNA Structure Prediction Method Using Deep Learning with Flexible Nucleobase Center Representation 2023-Sep-22, bioRxiv : the preprint server for biology DOI:10.1101/2023.09.20.558715 PMID:37790488	研究论文	提出了一种新的RNA三级结构预测方法NuFold，利用深度学习技术结合灵活的核苷酸中心表示	引入了NuFold方法，使用核苷酸中心表示来准确预测RNA的三级结构	NA	开发一种成本效益高且高效的计算方法来预测RNA的三级结构	RNA的三级结构	机器学习	NA	深度学习	NuFold	RNA序列	NA
18	2025-01-29	Deep-learning-based image segmentation for image-based computational hemodynamic analysis of abdominal aortic aneurysms: a comparison study 2023-09-12, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/acf3ed PMID:37625388	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
19	2025-01-15	Functional Imaging Derived ADHD Biotypes Based on Deep Clustering May Guide Personalized Medication Therapy 2023-Sep-14, Research square DOI:10.21203/rs.3.rs-3272441/v1 PMID:37790426	研究论文	本文提出了一种基于图卷积网络和深度聚类的ADHD生物型检测方法，旨在通过功能性网络连接性（FNC）识别ADHD生物型，以指导个性化药物治疗	创新点在于使用图卷积网络和深度聚类技术对ADHD患者进行分类，并发现不同生物型对药物治疗的反应存在显著差异	研究样本主要来自青少年脑认知发展研究（ABCD），可能限制了结果的普遍性	研究目的是通过神经影像标记物识别ADHD生物型，以指导个性化药物治疗	研究对象为1069名ADHD患者和130名接受纵向药物治疗的ADHD青少年	机器学习	神经发育障碍	功能性网络连接性（FNC）	图卷积网络（GCN）和深度聚类	神经影像数据	1069名ADHD患者和130名ADHD青少年
20	2024-12-12	Systematic review of deep learning image analyses for the diagnosis and monitoring of skin disease 2023-Sep-27, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-023-00914-8 PMID:37758829	综述	本文系统回顾了使用深度学习图像分析技术进行皮肤病诊断和监测的研究	本文首次系统性地评估了深度学习算法在多种常见皮肤病诊断和严重程度评估中的应用	当前研究存在高偏倚风险和适用性问题，且大多数研究未报告参与者的种族/皮肤类型，缺乏真实世界的外部验证	评估深度学习图像分析技术在皮肤病诊断和监测中的潜力	常见皮肤病，如痤疮、银屑病、湿疹、酒渣鼻、白癜风、荨麻疹	计算机视觉	皮肤病	深度学习	神经网络	图像	64项研究，涉及多种皮肤病