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	2026-03-06	Contour subregion error detection methodology using deep learning auto-segmentation 2023-Nov, Medical physics IF:3.2Q1 DOI:10.1002/mp.16768 PMID:37793103	研究论文	本文提出了一种基于深度学习自动分割的轮廓子区域错误检测方法，用于放射治疗中手动器官勾画的质量保证	开发了一种新颖的轮廓子区域错误检测系统，利用手动与深度学习自动分割轮廓之间的子区域表面距离差异，实现定性和定量检测与可视化	研究基于头颈公共数据集，可能在其他解剖区域或数据集上需要进一步验证	开发并验证一个能有效检测和可视化子区域轮廓错误的轮廓质量保证系统	头颈放射治疗中的器官轮廓，包括脑干和左右腮腺	数字病理	头颈癌	深度学习自动分割	深度学习模型	医学图像轮廓数据	339例头颈公共数据集病例，以及60例临床训练数据集病例	NA	NA	真阳性率, 假阳性率, 准确率	NA
22	2026-03-06	Artifact Correction in Retinal Nerve Fiber Layer Thickness Maps Using Deep Learning and Its Clinical Utility in Glaucoma 2023-11-01, Translational vision science & technology IF:2.6Q2 DOI:10.1167/tvst.12.11.12 PMID:37934137	研究论文	本研究利用深度学习技术校正青光眼患者视网膜神经纤维层厚度图中的伪影，并评估其临床效用	首次提出使用深度学习模型校正RNFLT图中的伪影，并通过伪影叠加方法生成训练数据，改善了结构-功能关系及疾病进展预测的准确性	研究依赖于特定伪影定义（RNFLT < 50 µm），且仅评估了特定时间窗口内的数据，可能未涵盖所有临床场景	校正视网膜神经纤维层厚度图中的伪影以提升青光眼临床预测的准确性	青光眼患者的视网膜神经纤维层厚度图及视野测量数据	数字病理学	青光眼	光学相干断层扫描	深度学习	图像	24,257名患者（短期数据）和3,233名患者（长期序列数据），共使用27,319张高质量RNFLT图和21,722张低质量RNFLT图	NA	NA	平均绝对误差, 皮尔逊相关系数, R2, AUC	NA
23	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
24	2026-03-02	Artificial intelligence for natural product drug discovery 2023-11, Nature reviews. Drug discovery DOI:10.1038/s41573-023-00774-7 PMID:37697042	综述	本文探讨了人工智能与计算组学技术在天然产物药物发现中的协同作用，旨在有效识别潜在药物候选分子	结合计算组学技术与人工智能方法，如机器学习，以挖掘天然产物的隐藏多样性并促进药物设计	需要高质量数据集来训练深度学习算法，并需制定适当的算法验证策略	探索人工智能与计算组学技术在天然产物药物发现中的协同应用，以识别药物候选分子	天然产物分子及其在药物发现中的应用	机器学习	NA	计算组学技术	深度学习	分子数据	NA	NA	NA	NA	NA
25	2026-02-14	Update on Lung Cancer Screening Guideline 2023-Nov, Thoracic surgery clinics IF:1.1Q3 DOI:10.1016/j.thorsurg.2023.04.002 PMID:37806735	综述	本文更新了肺癌筛查指南，并讨论了当前存在的种族/民族和性别差异	强调了2021年指南扩展后仍存在的筛查资格差异，并提出了风险预测模型、生物标志物和深度学习作为改进筛查选择的方法	未提供具体数据或模型验证结果，主要基于现有指南和观察性差异的讨论	更新肺癌筛查指南并探讨如何通过新技术减少筛查资格的不平等	符合年龄和吸烟史标准的个体，特别是高风险种族少数群体和女性	数字病理学	肺癌	NA	深度学习	NA	NA	NA	NA	NA	NA
26	2026-01-28	Motor Imagery EEG Classification Based on a Weighted Multi-Branch Structure Suitable for Multisubject Data 2023-Nov, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2023.3274231 PMID:37186527	研究论文	本文提出了一种加权多分支结构，用于处理多被试数据以提升特定被试运动想象脑电信号分类性能	提出加权多分支结构，每个分支负责拟合一对源-目标被试数据，通过自适应权重整合所有分支或选择权重最大的分支进行最终决策，有效利用分布差异大的多被试数据	未明确说明计算复杂度或实时性限制，且实验仅基于特定脑电数据集，泛化能力需进一步验证	解决特定被试运动想象脑电信号分类中训练数据稀缺问题，通过利用多被试数据提升模型性能	多被试脑电信号数据，包括BCICIV-2a、BCICIV-2b、高伽马数据集及两个补充数据集	机器学习	NA	脑电信号采集	CNN	脑电信号	基于多个公开脑电数据集，具体样本数未明确说明	NA	EEGNet, Shallow ConvNet, Deep ConvNet, ResNet, MSFBCNN, EEG_TCNet	分类准确率	NA
27	2026-01-28	Individualized Models for Glucose Prediction in Type 1 Diabetes: Comparing Black-Box Approaches to a Physiological White-Box One 2023-Nov, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2023.3276193 PMID:37195837	研究论文	本研究开发了一种基于个性化生理模型的血糖预测算法，并与多种黑盒模型进行比较，以评估其在1型糖尿病管理中的性能	首次将基于UVA/Padova T1D模拟器的个性化生理模型与粒子滤波器结合用于血糖预测，并与多种先进黑盒模型进行系统比较	研究仅涉及12名1型糖尿病患者，样本量较小，且所有参与者均处于开放环路治疗下的自由生活条件，可能限制结果的普适性	比较白盒生理模型与黑盒模型在1型糖尿病患者血糖预测中的性能，以确定最优预测方法	1型糖尿病患者的血糖浓度数据	机器学习	1型糖尿病	贝叶斯方法、马尔可夫链蒙特卡洛技术	LSTM, GRU, TCN, rARX, 非线性生理模型	血糖浓度时间序列数据	12名1型糖尿病患者，在自由生活条件下接受开放环路治疗监测10周	NA	长短期记忆网络, 门控循环单元, 时间卷积网络, 递归自回归外生输入模型	均方根误差	NA
28	2026-01-12	Boosting the performance of pretrained CNN architecture on dermoscopic pigmented skin lesion classification 2023-Nov, Skin research and technology : official journal of International Society for Bioengineering and the Skin (ISBS) [and] International Society for Digital Imaging of Skin (ISDIS) [and] International Society for Skin Imaging (ISSI) IF:2.0Q3 DOI:10.1111/srt.13505 PMID:38009020	研究论文	本研究通过数据增强和贝叶斯超参数调优，提升了预训练CNN模型在皮肤镜色素性皮肤病变分类中的性能	采用数据增强解决数据集不平衡问题，并结合贝叶斯超参数调优来优化预训练CNN模型，显著提高了分类性能，特别是敏感性	未明确说明模型在外部验证集上的泛化能力，且可能受限于ISIC 2019数据集的特定采集条件	提升预训练卷积神经网络在皮肤镜色素性皮肤病变分类中的性能	色素性皮肤病变（PSLs），包括八种疾病类别，特别是黑色素瘤	计算机视觉	皮肤癌	皮肤镜成像	CNN	图像	使用ISIC 2019数据集，具体样本数量未在摘要中明确	未明确指定，可能基于TensorFlow或PyTorch	Inception-V3	准确率, AUC	未在摘要中明确说明
29	2026-01-12	Lyme rashes disease classification using deep feature fusion technique 2023-Nov, Skin research and technology : official journal of International Society for Bioengineering and the Skin (ISBS) [and] International Society for Digital Imaging of Skin (ISDIS) [and] International Society for Skin Imaging (ISSI) IF:2.0Q3 DOI:10.1111/srt.13519 PMID:38009027	研究论文	本文提出了一种基于深度特征融合技术的莱姆病皮疹分类新方法	开发了一种深度特征融合机制（元分类器），将Densenet201、InceptionV3和Exception三个深度学习模型提取的特征进行融合，显著提升了分类准确率	NA	自动分类莱姆病皮疹，以辅助临床医生和皮肤科医生有效探查和研究莱姆病皮肤皮疹	莱姆病皮疹图像，特别是游走性红斑（EM）图像	计算机视觉	莱姆病	深度学习	CNN	图像	NA	NA	Densenet201, InceptionV3, Exception	准确率	NA
30	2026-01-12	Segmentation and classification of skin lesions using hybrid deep learning method in the Internet of Medical Things 2023-Nov, Skin research and technology : official journal of International Society for Bioengineering and the Skin (ISBS) [and] International Society for Digital Imaging of Skin (ISDIS) [and] International Society for Skin Imaging (ISSI) IF:2.0Q3 DOI:10.1111/srt.13524 PMID:38009016	研究论文	本研究提出了一种混合深度学习方法，用于在医疗物联网环境中对皮肤病变进行分割和分类	结合了Mask R-CNN进行语义分割和ResNet50进行病变检测的混合深度学习模型，在皮肤病变分析中实现了高精度分割和分类	未明确说明模型在多样化或临床实际数据上的泛化能力及计算资源需求	提高皮肤病变分析的准确性和效率，以支持医疗物联网环境下的精确诊断	皮肤病变，具体通过皮肤镜图像进行分析	计算机视觉	皮肤癌	皮肤镜成像	CNN	图像	大量带标注的皮肤镜图像数据集，包括ISIC 2020挑战赛数据集	TensorFlow, PyTorch	Mask R-CNN, ResNet50	准确率	NA
31	2026-01-10	State-of-the-art computational methods to predict protein-protein interactions with high accuracy and coverage 2023-11, Proteomics IF:3.4Q2 DOI:10.1002/pmic.202200292 PMID:37401192	综述	本文综述了利用蛋白质序列、结构和共丰度数据预测蛋白质-蛋白质相互作用的最先进计算方法，并重点介绍了深度学习在这些领域的应用	系统性地整合了基于不同数据源的蛋白质相互作用预测方法，并特别强调了深度学习技术在各数据类别中的最新进展和应用	未提及具体方法的性能比较或实验验证细节，主要侧重于文献综述和分类讨论	回顾和分类当前用于预测蛋白质-蛋白质相互作用的高精度和高覆盖率的计算方法	蛋白质-蛋白质相互作用预测的计算方法	机器学习	NA	深度学习	NA	蛋白质序列、蛋白质结构、蛋白质共丰度数据	NA	NA	NA	NA	NA
32	2026-01-09	Accurate classification of major brain cell types using in vivo imaging and neural network processing 2023-11, PLoS biology IF:7.8Q1 DOI:10.1371/journal.pbio.3002357 PMID:37943858	研究论文	本文介绍了一种结合活体双光子成像和深度学习的方法，用于无创分类小鼠大脑中的主要细胞类型	开发了NuCLear方法，首次实现基于活体成像和深度学习对大脑细胞类型进行非侵入性分类和三维定位	仅使用单一标记（组蛋白2B-eGFP），可能限制对其他细胞特征的识别；方法目前仅在小鼠次级运动皮层验证	开发一种非侵入性方法，用于长期研究生理和病理条件下大脑细胞类型组成的变化	小鼠次级运动皮层中的细胞核	数字病理学	NA	活体双光子成像，组蛋白2B-eGFP标记	深度学习	图像	约25,000个细胞（来自0.25 mm³成像体积）	NA	NA	NA	NA
33	2026-01-08	Solution for sports image classification using modified MobileNetV3 optimized by modified battle royal optimization algorithm 2023-Nov, Heliyon IF:3.4Q1 DOI:10.1016/j.heliyon.2023.e21603 PMID:38027597	研究论文	本文提出了一种结合深度学习与优化算法的混合框架，用于体育图像分类	采用改进的Battle Royal优化算法作为特征选择器，以降低图像维度并仅使用关键特征实现更高分类准确率	NA	提升体育图像分类的准确性与效率	体育图像	计算机视觉	NA	图像处理与机器视觉	深度学习	图像	NA	NA	改进的MobileNetV3	分类准确率	NA
34	2026-01-06	Deep learning for embryo evaluation using time-lapse: a systematic review of diagnostic test accuracy 2023-11, American journal of obstetrics and gynecology IF:8.7Q1 DOI:10.1016/j.ajog.2023.04.027 PMID:37116822	系统综述	本文系统综述了卷积神经网络模型在延时监测胚胎评估中的准确性	首次系统性地评估了深度学习在胚胎延时监测中的诊断测试准确性，并识别了模型在囊胚阶段分类方面的最佳预测性能	纳入研究之间存在高度异质性，且部分研究存在患者偏倚的高风险	研究卷积神经网络模型在胚胎评估中的准确性	胚胎图像数据	数字病理学	生殖医学	延时监测	CNN	图像	222,998个胚胎的522,516张图像	NA	NA	准确性	NA
35	2026-01-06	Are current machine learning applications comparable to radiologist classification of degenerate and herniated discs and Modic change? A systematic review and meta-analysis 2023-11, European spine journal : official publication of the European Spine Society, the European Spinal Deformity Society, and the European Section of the Cervical Spine Research Society IF:2.6Q1 DOI:10.1007/s00586-023-07718-0 PMID:37150769	系统综述与荟萃分析	本文通过系统综述和荟萃分析，评估当前机器学习算法在识别椎间盘退变、突出、膨出和Modic改变方面与放射科医生分类性能的可比性	首次针对机器学习在脊柱MRI中识别椎间盘退变及相关病变与放射科医生性能比较的系统综述和荟萃分析	现有研究存在验证尝试少、样本量不足、报告不完整等问题，且算法在外部验证中性能下降	评估机器学习算法在脊柱MRI中自动识别椎间盘退变、突出、膨出和Modic改变的诊断性能，并与放射科医生比较	腰椎间盘退变（LDD）、椎间盘突出、膨出和Modic改变的MRI影像	医学影像分析	腰椎间盘退变性疾病	MRI	深度学习, 支持向量机, k近邻, 随机森林, 朴素贝叶斯	MRI影像	NA	NA	NA	分类性能指标	NA
36	2025-12-30	Attention-based deep clustering method for scRNA-seq cell type identification 2023-11, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1011641 PMID:37948464	研究论文	提出了一种名为AttentionAE-sc的新型单细胞RNA测序数据聚类方法，通过注意力机制融合两种不同的聚类策略，以解决数据稀疏性和高维度的挑战	首次结合了基于零膨胀负二项分布的方法和图自编码器方法，通过注意力机制迭代融合去噪和拓扑嵌入，自动学习聚类友好的细胞表示，无需指定聚类数量	未明确说明方法在超大规模数据集上的计算效率，也未讨论对特定生物背景或技术噪声的适应性	开发一种无监督的深度学习方法，用于单细胞RNA测序数据的细胞类型识别	单细胞RNA测序数据	机器学习	乳腺癌	单细胞RNA测序	自编码器, 图自编码器	基因表达数据	16个真实scRNA-seq数据集及一个乳腺癌单细胞图谱数据集	NA	AttentionAE-sc（注意力融合自编码器）	聚类性能, 稳定性, 鲁棒性	NA
37	2025-12-30	A general hypergraph learning algorithm for drug multi-task predictions in micro-to-macro biomedical networks 2023-11, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1011597 PMID:37956212	研究论文	本研究提出了一种通用的超图学习框架HGDrug，用于药物多任务预测，通过构建微到宏的药物中心异质网络并整合药物-子结构关系，在多个基准任务上实现了高精度和鲁棒性预测	引入药物-子结构关系到分子相互作用网络中，构建微到宏的药物中心异质网络，并开发多分支超图学习模型HGDrug，以处理化学结构和高阶关系，这在当前生物医学网络中尚未充分解决	未明确说明模型在处理更大规模网络或更复杂任务时的可扩展性，以及在实际药物发现应用中的验证程度	加速药物发现过程，通过结合大规模药物相关相互作用网络和深度学习技术	药物及其相互作用，包括药物-药物、药物-靶点、药物-疾病和药物-副作用交互	机器学习	NA	超图学习	超图学习模型	网络数据	NA	NA	HGDrug	准确性, 鲁棒性	NA
38	2025-12-30	FUN-PROSE: A deep learning approach to predict condition-specific gene expression in fungi 2023-11, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1011563 PMID:37971967	研究论文	本文提出了一种名为FUN-PROSE的深度学习模型，用于预测真菌在不同环境条件下的基因表达差异	该模型首次结合启动子序列和所有转录因子的表达水平来预测条件特异性基因表达，而非仅基于启动子序列预测平均表达水平	模型仅在三种真菌物种上进行了训练和测试，可能无法泛化到其他物种或更广泛的条件	研究旨在通过深度学习预测真菌在特定环境条件下的基因表达，以支持代谢工程和工业规模化生产	三种真菌物种的基因表达数据，包括启动子序列和转录因子表达水平	机器学习	NA	深度学习	深度学习模型	序列数据（启动子序列）和表达数据（转录因子表达水平）	三种真菌物种的数据集	NA	FUN-PROSE	相关性（高达0.85）	NA
39	2025-12-30	Neural network models for sequence-based TCR and HLA association prediction 2023-11, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1011664 PMID:37983288	研究论文	本文提出了一种基于神经网络的深度学习方法DePTH，用于预测T细胞受体（TCR）与人类白细胞抗原（HLA）之间的关联，基于它们的氨基酸序列	DePTH方法能够预测训练数据集中未出现的TCR和HLA之间的关联，并能量化HLA等位基因之间的功能相似性，这与癌症患者免疫检查点阻断治疗的生存结果相关	未在摘要中明确提及	预测TCR与HLA之间的关联，以挖掘TCR数据中的有用信息或生物标志物，用于免疫相关疾病或状况	T细胞受体（TCR）和人类白细胞抗原（HLA）的氨基酸序列	机器学习	癌症	氨基酸序列分析	神经网络	序列数据（氨基酸序列）	NA	NA	NA	NA	NA
40	2025-12-23	Label-free deep learning-based species classification of bacteria imaged by phase-contrast microscopy 2023-11, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1011181 PMID:37956197	研究论文	本文提出了一种基于无标记深度学习的细菌物种分类方法，利用相差延时显微镜对四种与人类健康相关的细菌进行活体分类，无需固定或染色	结合相差延时显微镜与深度学习，实现对活体细菌的无标记物种分类，并支持并行抗生素敏感性测试	研究仅涵盖四种细菌物种，未来需扩展至更多物种和临床相关分离株以验证临床适用性	开发一种无标记、基于深度学习的细菌物种分类技术，以改善病原体检测和公共健康保障	四种与人类健康相关的细菌物种	计算机视觉	NA	相差延时显微镜	CNN, Vision Transformer	图像	未明确指定样本数量，涉及四种细菌物种	NA	NA	类平均准确率	NA