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
41	2026-03-13	Interindividual distances and orientations of laying hens under 8 stocking densities measured by integrative deep learning techniques 2023-Nov, Poultry science IF:3.8Q1 DOI:10.1016/j.psj.2023.103076 PMID:37742450	研究论文	本研究通过集成深度学习技术，测量了蛋鸡在不同饲养密度下的个体间距离和方向，以优化鸡群空间分配	首次将深度学习技术应用于蛋鸡个体间距离和方向的自动检测，并系统分析了8种不同饲养密度下的行为指标	研究仅针对特定品种（京粉蛋鸡）和年龄（35周龄），且实验环境为受控的隔间，可能无法完全反映实际养殖场条件	开发深度学习技术以自动测量蛋鸡的个体间距离和方向，并评估不同饲养密度对这些指标的影响	蛋鸡（京粉品种，35周龄）	计算机视觉	NA	深度学习图像分类、定向目标检测	CNN	视频	8种饲养密度（3-10只鸡/隔间），具体数量未明确	NA	YOLOv5m	准确率、精确率、召回率、F1分数	NA
42	2026-03-06	Deep learning-based dose prediction to improve the plan quality of volumetric modulated arc therapy for gynecologic cancers 2023-Nov, Medical physics IF:3.2Q1 DOI:10.1002/mp.16735 PMID:37706560	研究论文	本文开发了一种基于深度学习的模型，用于预测妇科癌症患者容积旋转调强放疗（VMAT）计划的高质量三维剂量分布，并评估其在提升计划质量方面的实用性	首次将3D密集扩张U-Net模型应用于妇科癌症VMAT计划的剂量预测，并利用预测结果指导临床计划的再优化，以识别和改善可优化的计划	研究样本量较小（仅79个VMAT计划），且仅针对女性盆腔区域，模型在其他癌症类型或解剖部位的泛化能力尚未验证	开发深度学习模型以预测高质量剂量分布，并评估其驱动VMAT计划质量改进的实用性	妇科癌症患者的容积旋转调强放疗（VMAT）计划	数字病理	妇科癌症	容积旋转调强放疗（VMAT）	CNN	CT扫描图像、剂量处方、靶区和正常组织轮廓	79个VMAT计划（训练集47个，验证集16个，测试集16个）	NA	3D密集扩张U-Net	体素级剂量差异均值、靶区剂量指标D1%和D98%的百分比差异、危及器官平均和最大剂量差异、临床可接受性评分（5点量表）	NA
43	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
44	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
45	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
46	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
47	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
48	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
49	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
50	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
51	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
52	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
53	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
54	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
55	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
56	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
57	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
58	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
59	2025-12-23	AimSeg: A machine-learning-aided tool for axon, inner tongue and myelin segmentation 2023-11, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1010845 PMID:37976310	研究论文	本文介绍了AimSeg，一种用于轴突、内舌和髓鞘分割的生物图像分析工具，旨在自动化或辅助分析电子显微镜图像中的髓鞘结构	开发了首个能够同时分割轴突、内舌和髓鞘的机器学习辅助工具，并特别关注了传统分析中常被忽略的非致密髓鞘（内舌）的量化	工具性能依赖于在特定再髓鞘化组织上训练的机器学习分类器，可能在其他条件或组织类型上的泛化能力有限	开发一个自动化或用户辅助的工具，以高效、准确地从电子显微镜图像中分割和量化轴突、内舌及髓鞘结构，支持髓鞘形成、退化和再生的研究	中枢和周围神经系统的轴突及其包裹的髓鞘，特别是髓鞘的内舌（非致密部分）	数字病理学	NA	透射电子显微镜（TEM）成像	机器学习分类器	电子显微镜图像	NA	ilastik, Fiji	NA	NA	NA
60	2025-12-21	Deep learning-based multi-stage postoperative type-b aortic dissection segmentation using global-local fusion learning 2023-11-29, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/acfec7 PMID:37774717	研究论文	本文提出了一种基于深度学习的多阶段分割框架，用于术后B型主动脉夹层的分割，通过全局-局部融合学习机制提升分割精度	设计了全局-局部融合学习机制，通过补偿裁剪图像缺失的上下文特征，改善了血栓和分支血管的分割效果	未明确提及具体局限性，但可能受限于数据集规模和多样性	构建一个深度学习分割框架，用于术后B型主动脉夹层的快速准确分割，以支持患者特异性三维形态学和血流动力学分析	术后B型主动脉夹层患者的CT图像，包括真腔、假腔、血栓和分支血管	数字病理学	心血管疾病	CT成像	深度学习	医学图像	133名患者的306张随访图像	NA	NA	Dice相似系数	NA