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
61	2025-10-06	Survival Analysis for Multimode Ablation Using Self-Adapted Deep Learning Network Based on Multisource Features 2024-01, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2023.3260776 PMID:37015120	研究论文	开发了一种基于多源特征的自适应深度学习网络，用于肝癌多模式消融治疗后的生存分析预测	提出结合MRI影像组学特征、视觉Transformer深度学习特征和免疫特征的多源特征融合方法，并改进了深度Cox混合模型和自适应全连接层	方法仅在单一临床数据集上验证，需要更大规模的多中心研究确认泛化能力	开发生存分析框架用于肝癌消融治疗后的生存预测和疗效评估	接受多模式热疗（冷冻后射频加热）的肝癌患者	医学影像分析	肝癌	MRI影像组学、流式细胞术、常规血液检测	深度Cox混合模型、随机生存森林	医学影像、血液检测数据	临床数据集（具体样本数未明确说明）	NA	视觉Transformer、自适应全连接层	C-index、综合Brier评分	NA
62	2025-10-06	Deep learning-based diagnosis of aortic dissection using an electrocardiogram: Development, validation, and clinical implications of the AADE score 2024, Kardiologia polska IF:3.7Q1 DOI:10.33963/v.phj.98880 PMID:38230465	研究论文	开发基于心电图和深度学习技术的主动脉夹层诊断模型及AADE评分系统	首次将卷积神经网络应用于心电图分析以实现主动脉夹层的自动检测，并创新性地提出AI衍生的AADE评分系统	研究样本量相对有限（共1878例患者），需要更大规模的多中心验证	开发基于心电图的深度学习AI模型用于主动脉夹层检测和严重程度评估	主动脉夹层患者和胸痛对照患者	医疗人工智能	心血管疾病	心电图分析	CNN	心电图信号	1878例患者（313例主动脉夹层，313例胸痛对照，其余为训练验证集）	NA	卷积神经网络	准确率,F1分数	NA
63	2025-10-06	Using Artificial Intelligence for Rheumatic Heart Disease Detection by Echocardiography: Focus on Mitral Regurgitation 2024-Jan-16, Journal of the American Heart Association IF:5.0Q1 DOI:10.1161/JAHA.123.031257 PMID:38226515	研究论文	本研究开发了一种基于人工智能的自动化方法，通过超声心动图检测儿童风湿性心脏病，特别关注二尖瓣反流分析	首次将卷积神经网络与注意力机制相结合，用于超声心动图中二尖瓣反流射流分析和风湿性心脏病检测	研究样本量有限（511例），需要更多数据验证模型性能	开发自动化人工智能系统用于儿童风湿性心脏病的早期筛查	儿童超声心动图，特别关注二尖瓣区域	计算机视觉	风湿性心脏病	超声心动图	CNN, 深度学习	图像	511例儿童超声心动图（229例正常，282例风湿性心脏病）	NA	带有注意力机制的深度学习模型	准确率,Dice系数,ROC曲线下面积,精确率,召回率,F1分数	NA
64	2025-10-06	Alzheimer's Disease Prediction Using Fly-Optimized Densely Connected Convolution Neural Networks Based on MRI Images 2024, The journal of prevention of Alzheimer's disease.. DOI:10.14283/jpad.2024.66 PMID:39044523	研究论文	提出一种基于果蝇算法优化的密集连接卷积神经网络，用于从MRI图像中预测阿尔茨海默病	结合果蝇优化算法与密集连接卷积神经网络，采用自适应直方图处理和加权中值滤波进行图像预处理，通过相关信息理论提取纹理和统计特征	仅使用Kaggle数据集进行验证，未提及在其他数据集上的泛化能力	开发自动化的阿尔茨海默病检测方法，提高早期诊断准确率	阿尔茨海默病影响的脑部区域	计算机视觉	阿尔茨海默病	MRI成像	CNN	图像	NA	NA	密集连接卷积神经网络	敏感度, 特异度, 准确率, 错误率, F-measure	NA
65	2025-10-06	ADVANCING THE UNDERSTANDING OF CLINICAL SEPSIS USING GENE EXPRESSION-DRIVEN MACHINE LEARNING TO IMPROVE PATIENT OUTCOMES 2024-01-01, Shock (Augusta, Ga.) DOI:10.1097/SHK.0000000000002227 PMID:37752080	研究论文	本研究探索利用基因表达数据驱动的机器学习技术来改善脓毒症患者的临床预后	整合临床数据与基因表达信息，应用神经网络、深度学习和集成方法等机器学习技术来预测和理解脓毒症	模型可解释性存在挑战，可能存在数据偏差	通过机器学习技术改善脓毒症患者预后，推进精准医疗方法	脓毒症患者及其基因表达数据	机器学习	脓毒症	基因表达分析	神经网络,深度学习,集成方法	基因表达数据,临床数据	NA	NA	NA	预测准确性	NA
66	2025-10-06	Electrocardiographic deep learning for predicting post-procedural mortality: a model development and validation study 2024-01, The Lancet. Digital health DOI:10.1016/S2589-7500(23)00220-0 PMID:38065778	研究论文	开发并验证一种基于心电图深度学习的模型，用于预测患者术后死亡率	首次利用深度学习分析心电图波形信号来预测术后死亡率，相比传统Revised Cardiac Risk Index评分系统具有显著更好的预测性能	研究数据来源于特定医疗中心，需要在更广泛人群中进一步验证	开发能够准确预测接受医疗程序患者术后死亡率的预后模型	接受术前心电图检查的患者	医疗人工智能	心血管疾病	心电图分析	深度学习算法	心电图波形图像	45,969名患者，包含59,975次住院程序和112,794份心电图	NA	NA	AUC, 95%置信区间, 未调整优势比	NA
67	2025-10-06	An interpretable deep learning framework identifies proteomic drivers of Alzheimer's disease 2024, Frontiers in cell and developmental biology IF:4.6Q1 DOI:10.3389/fcell.2024.1379984 PMID:39355118	研究论文	开发了一种可解释的深度学习框架EnsembleOmicsAE，用于识别阿尔茨海默病的蛋白质组学驱动因素	使用集成自编码器将蛋白质组数据降维为少量潜在特征，并开发了基于迭代扰动的特征重要性评分算法，识别出线性方法遗漏的AD分子驱动因素	研究基于三个队列的559名个体，样本量相对有限，且主要关注蛋白质组层面	识别阿尔茨海默病的蛋白质组学驱动因素并建立可解释的深度学习框架	559名健康或阿尔茨海默病诊断个体的脑蛋白质组数据	机器学习	阿尔茨海默病	蛋白质组学	自编码器	蛋白质组数据	来自三个AD队列的559名个体	NA	集成自编码器	特征稳定性，蛋白质-蛋白质相互作用富集分析	NA
68	2025-10-06	Artificial intelligence research in radiation oncology: a practical guide for the clinician on concepts and methods 2024-Jan, BJR open DOI:10.1093/bjro/tzae039 PMID:39583148	综述	本文为临床医生提供放射肿瘤学中人工智能研究与开发的实用指南	从临床医生视角系统阐述AI在放射肿瘤学中的应用流程与评估方法	主要面向临床医生视角，未涉及具体技术细节和算法实现	提升临床医生对AI在放射肿瘤学中开发与应用的理解	放射肿瘤学临床医生和AI研究人员	医疗人工智能	肿瘤疾病	深度学习	NA	医学影像, 临床数据	NA	NA	NA	NA	NA
69	2025-10-06	Integrative computational analyses implicate regulatory genomic elements contributing to spina bifida 2024, Genetics in medicine open DOI:10.1016/j.gimo.2024.101894 PMID:39669613	研究论文	通过整合计算方法识别导致脊柱裂的调控基因组元件	采用无偏倚的全基因组方法结合深度学习优先排序框架，首次系统鉴定脊柱裂相关的罕见调控变异及其靶基因	研究主要依赖计算预测，需要后续实验验证调控变异的生物学功能	阐明脊柱裂病理生理学的全基因组调控特征	脊柱裂患者与健康对照的基因组调控区域	计算生物学	脊柱裂	全基因组测序，深度学习优先排序	深度学习	基因组序列数据，调控元件数据	脊柱裂患者与健康对照组（具体样本数量未明确说明）	深度学习优先排序框架	NA	NA	NA
70	2025-07-22	Radiologic imaging biomarkers in triple-negative breast cancer: a literature review about the role of artificial intelligence and the way forward 2024-Jan, BJR artificial intelligence DOI:10.1093/bjrai/ubae016 PMID:40201726	review	本文综述了人工智能在放射影像学中作为三阴性乳腺癌（TNBC）成像生物标志物的应用现状与未来发展	整合了过去十年（2013-2024）基于放射组学和深度学习的AI技术在TNBC诊疗中的最新进展，并探讨了未来发展方向	作为综述文章，未涉及原始数据或实验验证	开发更有效和个性化的TNBC影像生物标志物，推进TNBC的诊断、治疗和预后评估	三阴性乳腺癌（TNBC）的放射影像数据	digital pathology	breast cancer	radiomics, deep learning	deep learning-based models	radiologic breast images	NA	NA	NA	NA	NA
71	2025-10-06	Computational staining of CD3/CD20 positive lymphocytes in human tissues with experimental confirmation in a genetically engineered mouse model 2024, Frontiers in immunology IF:5.7Q1 DOI:10.3389/fimmu.2024.1451261 PMID:39530103	研究论文	提出一种知识引导的深度学习框架，用于在人类H&E组织上测量淋巴细胞空间结构，并通过基因工程小鼠模型进行实验验证	通过单细胞分辨率图像配准实现H&E到IHC的像素级完美标注，并整合计算科学与基础科学进行实验验证	模型在外部测试数据集上的AUC为0.71，性能有待进一步提升	量化淋巴细胞空间炎症结构，促进空间系统生物学研究	人类H&E组织样本和基因工程Rag2小鼠模型	数字病理学	癌症	H&E染色，IHC染色，单细胞分辨率图像配准	深度学习	组织图像	超过111,000个人类细胞核（45,611个CD3/CD20阳性淋巴细胞）	NA	NA	AUC, 结构相似性	NA
72	2025-10-06	Brain Age Estimation from Overnight Sleep Electroencephalography with Multi-Flow Sequence Learning 2024, Nature and science of sleep IF:3.0Q2 DOI:10.2147/NSS.S463495 PMID:38974693	研究论文	本研究开发了一种基于整夜睡眠脑电图的多流程深度学习模型，用于提高大脑年龄估计的准确性	提出多流程学习框架，结合一维Swin Transformer和带注意力机制的卷积神经网络，并设计DecadeCE损失函数解决年龄分布不均问题	NA	改进大脑年龄估计方法，开发更准确的脑龄预测模型	整夜睡眠脑电图数据	机器学习	精神疾病,神经系统疾病	脑电图,多导睡眠图	Transformer,CNN	脑电图信号	13,616名受试者的18,767个多导睡眠图	NA	一维Swin Transformer,带注意力机制的卷积神经网络	平均绝对误差,相关系数	NA
73	2025-10-06	Deep learning uncertainty quantification for clinical text classification 2024-01, Journal of biomedical informatics IF:4.0Q2 DOI:10.1016/j.jbi.2023.104576 PMID:38101690	研究论文	本研究开发了基于深度学习的临床文本分类不确定性量化方法，用于自动化提取癌症登记系统中的疾病信息	提出了多种选择性分类方法，在保证目标准确率的同时最小化拒绝数量，且无需重新训练模型	对于分布外测试数据的解释较为复杂，性能表现存在一定不确定性	开发可靠的临床文本分类不确定性量化方法以支持癌症登记自动化	美国国家癌症研究所SEER癌症登记系统的电子病理报告文本	自然语言处理	癌症	电子病理报告文本分析	深度神经网络	文本	NA	NA	深度神经网络	准确率, 拒绝率	NA
74	2024-10-17	Editorial: Deep learning methods and applications in brain imaging for the diagnosis of neurological and psychiatric disorders 2024, Frontiers in neuroscience IF:3.2Q2 DOI:10.3389/fnins.2024.1497417 PMID:39411146	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
75	2025-10-06	A deep learning algorithm to detect cutaneous squamous cell carcinoma on frozen sections in Mohs micrographic surgery: A retrospective assessment 2024-Jan, Experimental dermatology IF:3.5Q1 DOI:10.1111/exd.14949 PMID:37864429	研究论文	开发并评估用于检测莫氏显微手术中皮肤鳞状细胞癌的深度学习算法	首次开发针对皮肤鳞状细胞癌冰冻切片的实时组织学边缘分析AI算法	对高分化肿瘤的独特表皮景观敏感性不足，需要进一步算法改进	开发用于皮肤鳞状细胞癌实时组织学边缘分析的AI算法	皮肤鳞状细胞癌冰冻切片样本	数字病理学	皮肤鳞状细胞癌	冰冻切片技术	CNN	病理图像	NA	NA	卷积神经网络工作流	准确率	NA
76	2025-10-06	Workshop summaries from the 2024 voice AI symposium, presented by the Bridge2AI-voice consortium 2024, Frontiers in digital health IF:3.2Q2 DOI:10.3389/fdgth.2024.1484818 PMID:39540145	研讨会总结	总结了2024年语音AI研讨会中关于语音生物标志物和人工智能在医疗领域应用的最新进展	通过多学科研讨会探讨语音生物标志物国际标准化、AI解决方案实际部署和伦理实践等前沿议题	面临数据变异性、安全性和可扩展性等挑战，需要改进数据收集标准和模型鲁棒性	推动语音生物标志物和AI在医疗领域的开发与应用	语音生物标志物、AI医疗应用、语音障碍辅助技术	自然语言处理,机器学习	语音障碍	语音信号处理,深度学习,MLOps	深度学习模型	语音数据	NA	Whisper,ChatGPT	NA	NA	NA
77	2025-10-06	AI prediction of cardiovascular events using opportunistic epicardial adipose tissue assessments from CT calcium score 2024-Jan-29, ArXiv PMID:38351935	研究论文	本研究开发了新型手工特征'脂肪组学'，通过CT钙化评分中的心外膜脂肪组织评估来预测主要不良心血管事件	创建了148个新型手工放射组学特征（脂肪组学），包括形态学、空间和强度特征，显著改善了心血管事件预测性能	初步研究结果，需要进一步验证	改进心血管事件风险预测	心外膜脂肪组织	医学影像分析	心血管疾病	CT钙化评分，放射组学特征提取	深度学习，Cox弹性网络	CT影像	NA	NA	NA	C-index, 风险比, P值	NA
78	2025-10-06	Explaining deep learning-based representations of resting state functional connectivity data: focusing on interpreting nonlinear patterns in autism spectrum disorder 2024, Frontiers in psychiatry IF:3.2Q2 DOI:10.3389/fpsyt.2024.1397093 PMID:38832332	研究论文	本研究开发了可解释的变分自编码器模型，用于解释静息态功能磁共振成像数据中的非线性模式，特别关注自闭症谱系障碍	引入了潜在贡献分数来解释VAE识别的非线性模式，能够捕捉每个观察到的rsFC特征随潜在表示变化的变化	研究仅针对自闭症谱系障碍，样本量相对有限，方法在其他精神疾病中的适用性有待验证	开发可解释的深度学习模型来理解自闭症谱系障碍的潜在神经机制	1150名参与者（601名健康对照和549名ASD患者）的静息态功能磁共振成像数据	机器学习	自闭症谱系障碍	静息态功能磁共振成像（rs-fMRI）	VAE（变分自编码器）	功能连接矩阵	1150名参与者（601名健康对照，549名ASD患者）	NA	变分自编码器	潜在贡献分数	NA
79	2025-10-06	Neuron collinearity differentiates human hippocampal subregions: a validated deep learning approach 2024, Brain communications IF:4.1Q2 DOI:10.1093/braincomms/fcae296 PMID:39262825	研究论文	开发了一种基于深度学习的高通量方法，用于自动提取海马体亚区中锥体神经元的方向和共线性	首次对海马体亚区内锥体神经元方向和共线性进行全面定量研究，建立了神经元共线性作为海马亚区分割的定量参数	NA	开发自动化方法定量分析海马体亚区锥体神经元共线性差异	人类海马体亚区中的锥体神经元	数字病理学	神经退行性疾病	深度学习，细胞分割	CNN	图像	168个海马体分区中的479,873个锥体神经元	Cellpose	Cellpose	与人工方向评估进行验证	NA
80	2025-10-06	The combined focal loss and dice loss function improves the segmentation of beta-sheets in medium-resolution cryo-electron-microscopy density maps 2024, Bioinformatics advances IF:2.4Q2 DOI:10.1093/bioadv/vbae169 PMID:39600382	研究论文	本研究提出了一种结合Focal loss和Dice loss的新损失函数，用于改进中分辨率冷冻电镜密度图中β-折叠的分割效果	设计了结合Focal loss和Dice loss的新型损失函数，显著提升了β-折叠体素检测的F1分数8.8%	仅针对中分辨率(5-10Å)冷冻电镜数据，且β-折叠检测仍比螺旋结构更具挑战性	改进蛋白质二级结构在冷冻电镜密度图中的分割精度	蛋白质二级结构，特别是β-折叠	计算机视觉	NA	冷冻电镜	CNN	密度图	1355个原子结构/密度图对	NA	U-Net	F1-score	NA