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
81	2026-02-24	HIBERT: A Hybrid Clustering BERT for Interpretable Opioid Overdose Risk Prediction 2024, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:41726407	研究论文	本文提出了一种名为HIBERT的混合BERT模型，用于预测阿片类药物过量风险，结合了Transformer模型与深度聚类技术	HIBERT通过集成针对不同电子健康记录特征类别的专用BERT模块，并引入深度显著性聚类，生成具有临床意义的风险分层，提高了模型的解释性	未在摘要中明确提及	开发高精度且可解释的阿片类药物过量风险预测模型，以支持早期干预和预防	电子健康记录数据	自然语言处理	阿片类药物过量	深度聚类	BERT, Transformer	文本	使用Health Facts数据库进行评估，具体样本量未在摘要中提及	NA	BERT	未在摘要中明确提及具体指标	NA
82	2026-02-24	A Treatment Selection Model for Opioid Use Disorder Using Electronic Health Record and ZIP-Level Data 2024, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:41726412	研究论文	本文开发了一个预测模型，用于指导阿片类药物使用障碍（OUD）的治疗选择，基于电子健康记录（EHR）和ZIP级别数据	结合EHR和ZIP级别数据，采用早期和晚期融合方法构建多种机器学习模型，以预测OUD治疗反应概率	ZIP级别数据未显著提升EHR-only模型的性能，未来需探索更有效的方法来建模OUD治疗反应及捕捉社会与外部因素	开发预测模型以指导阿片类药物使用障碍（OUD）的治疗选择，提高治疗效率	阿片类药物使用障碍（OUD）患者	机器学习	阿片类药物使用障碍	电子健康记录（EHR）分析，ZIP级别数据分析	广义线性回归，随机森林，梯度提升机，深度学习	电子健康记录（EHR），ZIP级别数据	NA	NA	NA	NA	NA
83	2026-02-24	No Black Box Anymore: Demystifying Clinical Predictive Modeling with Temporal-Feature Cross Attention Mechanism 2024, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:41726437	研究论文	本文提出了一种名为TFCAM的新型深度学习框架，用于提升临床预测任务的准确性和可解释性	提出了TFCAM框架，通过时间-特征交叉注意力机制捕捉临床特征在时间维度上的动态交互，实现了多层次的模型可解释性	仅针对慢性肾病这一种疾病进行了验证，样本量为1,422例患者	解决深度学习模型在临床预测中的可解释性问题	慢性肾病患者	机器学习	慢性肾病	NA	Transformer, LSTM	临床时间序列数据	1,422名慢性肾病患者	NA	TFCAM, LSTM, RE-TAIN	AUROC, F1-score	NA
84	2026-02-24	Predicting Chemotherapy-Related Symptom Deterioration Using Hybrid Deep Learning Architecture 2024, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:41726450	研究论文	本研究利用混合深度学习架构预测化疗患者症状恶化，以支持主动干预和改善临床结果	采用CNN-LSTM混合架构结合局部时间窗口模式和长期时间依赖，针对高类别不平衡数据通过聚合3-7天症状日志提升预测性能	未提及模型在外部验证或不同患者群体中的泛化能力，且数据基于自我报告可能存在偏差	预测化疗相关症状恶化，实现早期检测和临床决策支持	接受化疗的个体及其每日自我报告的症状日志	机器学习	癌症	深度学习	CNN, LSTM	文本日志	未明确样本数量，但涉及每日症状日志数据	未指定	CNN-LSTM	准确率, 精确率, 召回率, F1分数, AUC	未提及
85	2026-02-24	Opportunistic Screening for Pancreatic Cancer using Computed Tomography Imaging and Radiology Reports 2024, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:41726519	研究论文	本研究通过整合放射学报告和CT影像，利用深度学习融合模型预测胰腺导管腺癌的风险和生存率	首次将放射学报告与CT影像通过深度学习融合模型结合，用于胰腺癌的风险预测和生存分析	未详细说明模型在更广泛人群或不同医疗中心中的泛化能力，以及可能的数据偏差	利用临床和影像数据，通过深度学习模型进行胰腺癌的早期检测和预后建模	胰腺导管腺癌（PDAC）患者	数字病理学	胰腺癌	CT成像	深度学习融合模型	图像, 文本	内部和外部数据集，具体样本数量未提供	NA	DeepSurv	C-index	NA
86	2026-02-22	The application of explainable artificial intelligence (XAI) in electronic health record research: A scoping review 2024 Jan-Dec, Digital health IF:2.9Q2 DOI:10.1177/20552076241272657 PMID:39493635	综述	本文对电子健康记录研究中可解释人工智能（XAI）的应用进行了范围综述	首次对使用表格型电子健康记录数据的机器学习/深度学习模型中的XAI方法应用进行了系统性范围综述，揭示了该领域快速增长但缺乏关键评估的现状	仅纳入了表格型电子健康记录数据的研究，未涵盖其他类型医疗数据；缺乏对XAI方法有效性的深入评估；可能存在发表偏倚	批判性评估可解释人工智能方法在电子健康记录研究中的应用现状与效果	使用电子健康记录数据并应用可解释人工智能方法的机器学习/深度学习研究	机器学习	NA	NA	机器学习模型,深度学习模型	表格数据	76篇出版物（来自3220篇筛选文献）	NA	极端梯度提升,随机森林	NA	NA
87	2026-02-17	Scaling behaviours of deep learning and linear algorithms for the prediction of stroke severity 2024, Brain communications IF:4.1Q2 DOI:10.1093/braincomms/fcae007 PMID:38274570	研究论文	本研究比较了线性回归和深度学习算法在预测中风严重程度方面的性能，特别关注样本量对预测效果的影响	首次系统比较了线性算法和深度学习在真实世界中风患者样本（规模较小）中预测中风严重程度的性能，并揭示了深度学习在较大样本量（900例患者）下开始显著优于线性方法	研究样本量相对有限（最大900例训练样本），且仅基于MRI病灶位置进行预测，未考虑其他临床因素	评估深度学习算法在预测中风后症状严重程度方面的潜力，并与传统线性方法进行比较	缺血性中风患者	医学影像分析	中风	扩散加权MRI, 病灶自动分割, 空间标准化, 主成分分析	线性回归, 神经网络	MRI图像	总计1430例患者（来自MRI-Genetics Interface Exploration合作和麻省总医院研究），训练子集包括100、300和900例	未明确提及	八层神经网络	解释方差	NA
88	2026-02-17	[Recent Review Article in RPT: Deep learning-based PET image denoising and reconstruction: A review] 2024, Igaku butsuri : Nihon Igaku Butsuri Gakkai kikanshi = Japanese journal of medical physics : an official journal of Japan Society of Medical Physics DOI:10.11323/jjmp.44.4_78 PMID:41692459	综述	本文回顾了基于深度学习的PET图像去噪和重建技术的历史与发展	NA	NA	综述医学物理领域，特别是PET图像处理中深度学习的应用历史	PET图像的去噪和重建技术	医学物理	NA	NA	深度学习	图像	NA	NA	NA	NA	NA
89	2026-02-14	Advancements in computer vision and pathology: Unraveling the potential of artificial intelligence for precision diagnosis and beyond 2024, Advances in cancer research DOI:10.1016/bs.acr.2024.05.006 PMID:39032956	综述	本章探讨了计算机视觉与人工智能在病理学领域的整合及其对精准诊断和自动化工作流程的变革潜力	系统阐述了AI驱动的计算机视觉如何通过深度学习架构（如CNN和U-Net）增强病理诊断能力，并提出了跨学科协作的必要性	承认AI在病理学应用中的技术、实践和伦理限制，包括开发与实施过程中的挑战	分析人工智能与计算机视觉在数字病理学中的整合潜力，以提升诊断精度和工作效率	数字病理切片图像及其自动化分析流程	数字病理学	NA	切片数字化	CNN, U-Net	图像	NA	NA	CNN, U-Net	NA	NA
90	2026-02-14	Deep learning-based multimodal spatial transcriptomics analysis for cancer 2024, Advances in cancer research DOI:10.1016/bs.acr.2024.08.001 PMID:39271260	书籍章节	本章探讨了深度学习与多模态空间转录组学在癌症研究中的整合，以推进癌症诊断、治疗规划和精准医学	整合深度学习与多模态空间转录组学，提供对肿瘤生物学前所未有的洞察，实现更精确和个性化的肿瘤学方法	NA	推进癌症诊断、治疗规划和精准医学	癌症研究，特别是肿瘤生物学、诊断和治疗	数字病理学	癌症	空间转录组学	CNN	多模态数据（包括基因组、蛋白质组、影像和临床数据）	NA	NA	NA	NA	NA
91	2026-02-11	Application of Deep Learning Algorithms Based on the Multilayer Y0L0v8 Neural Network to Identify Fungal Keratitis 2024, Sovremennye tekhnologii v meditsine DOI:10.17691/stm2024.16.4.01 PMID:39881837	研究论文	本文开发了一种基于深度学习算法分析眼前段照片来诊断真菌性角膜炎的方法	应用多层Y0L0v8神经网络进行真菌性角膜炎的识别，这是一种新的深度学习算法应用	NA	开发一种诊断真菌性角膜炎的方法，并评估其敏感性和特异性	眼前段照片	计算机视觉	真菌性角膜炎	深度学习算法	CNN	图像	NA	NA	多层Y0L0v8神经网络	敏感性, 特异性	NA
92	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
93	2026-02-08	IDSL_MINT: a deep learning framework to predict molecular fingerprints from mass spectra 2024-Jan-18, Journal of cheminformatics IF:7.1Q1 DOI:10.1186/s13321-024-00804-5 PMID:38238779	研究论文	本文介绍了一种名为IDSL_MINT的深度学习框架，用于从质谱数据预测分子指纹	IDSL_MINT首次将Transformer模型应用于质谱数据，类似于大型语言模型，能够将MS/MS谱图转化为分子指纹描述符	NA	提高非靶向代谢组学和暴露组学研究中MS/MS谱图的注释率	质谱数据（MS/MS谱图）	机器学习	NA	串联质谱（MS/MS）	Transformer	质谱数据	使用LipidMaps数据库进行基准测试	NA	Transformer	NA	NA
94	2026-02-07	A CNN-CBAM-BIGRU model for protein function prediction 2024-01-01, Statistical applications in genetics and molecular biology IF:0.8Q3 DOI:10.1515/sagmb-2024-0004 PMID:38943434	研究论文	本文提出了一种结合CNN、CBAM和BiGRU的深度学习模型，用于从蛋白质氨基酸序列预测其功能	创新性地将卷积注意力模块（CBAM）与双向门控循环单元（BiGRU）结合，以增强特征提取和长程依赖捕获能力	未明确说明模型在更广泛物种或更大规模数据集上的泛化能力，以及计算效率的详细分析	提高基于蛋白质序列的功能预测准确性	人类和酵母的蛋白质序列	生物信息学	NA	深度学习	CNN, BiGRU	蛋白质氨基酸序列	NA	NA	CNN-CBAM-BiGRU	准确率	NA
95	2026-02-05	Clinical correlates of CT imaging-derived phenotypes among lean and overweight patients with hepatic steatosis 2024-01-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-023-49470-x PMID:38167550	研究论文	本研究利用深度学习从腹部CT扫描中提取脾-肝衰减差作为肝脂肪变性的定量指标，并基于BMI分层分析瘦与超重患者中肝脂肪变性与临床表型的关联	首次在大型生物样本库中，通过深度学习量化CT影像特征，系统比较瘦与超重患者肝脂肪变性的流行病学差异及其与心血管、肾脏等疾病的关联	研究为回顾性设计，可能受选择偏倚影响；CT衍生的肝脂肪变性指标虽经验证，但非金标准；未考虑其他混杂因素如生活方式或遗传背景	定义肝脂肪变性的CT影像表型，并探究其与患者临床特征（特别是瘦与超重人群差异）的关联	肝脂肪变性患者，包括瘦（BMI < 25 kg/m²）和超重（BMI ≥ 25 kg/m²）个体	数字病理学	肝脂肪变性	腹部CT扫描	深度学习	医学影像（CT图像）	8914名患者，包括278名瘦且伴有脂肪变性、1867名瘦无脂肪变性、1863名超重伴有脂肪变性、4906名超重无脂肪变性	NA	NA	p值	NA
96	2026-02-05	Toward an intelligent computing system for the early diagnosis of Alzheimer's disease based on the modular hybrid growing neural gas 2024 Jan-Dec, Digital health IF:2.9Q2 DOI:10.1177/20552076241284349 PMID:39381826	研究论文	本文开发了一个基于模块化混合增长神经气体（MyGNG）的智能计算系统，用于阿尔茨海默病的早期诊断，通过分类任务（MCI-AD和CN-MCI-AD）实现	提出了一种混合和个体发育神经架构MyGNG，结合GNG聚类和感知机标记，在阿尔茨海默病早期诊断中表现优于其他机器学习方法	未明确说明数据集的局限性或模型在其他数据集上的泛化能力	开发智能计算系统以解决阿尔茨海默病的早期诊断问题	阿尔茨海默病患者，包括轻度认知障碍（MCI）和认知正常（CN）个体	机器学习	阿尔茨海默病	神经影像数据	混合神经网络架构（GNG和感知机）	结构化数据（患者特征）	MCI-AD任务495名患者，CN-MCI-AD任务819名患者，均来自ADNI数据库，每名患者有211个特征	NA	模块化混合增长神经气体（MyGNG），包含增长神经气体（GNG）和感知机	AUC, 敏感度	NA
97	2026-02-05	Differential diagnosis of frontotemporal dementia subtypes with explainable deep learning on structural MRI 2024, Frontiers in neuroscience IF:3.2Q2 DOI:10.3389/fnins.2024.1331677 PMID:38384484	研究论文	本研究提出了一种基于结构MRI的可解释深度学习框架，用于自动区分额颞叶痴呆的三种临床亚型	采用多类型并行特征嵌入框架和集成梯度方法进行特征可视化，实现了对额颞叶痴呆亚型的可解释性分类	样本量相对较小且存在不平衡，数据来自多中心可能存在扫描仪差异的残留影响	自动区分额颞叶痴呆的三种临床表型，以辅助早期精确诊断和干预规划	277名额颞叶痴呆患者，包括行为变异型额颞叶痴呆、语义变异型原发性进行性失语和非流利变异型原发性进行性失语	数字病理学	老年疾病	结构MRI	深度神经网络	图像	277名患者（173名行为变异型额颞叶痴呆，63名非流利变异型原发性进行性失语，41名语义变异型原发性进行性失语）	NA	多类型并行特征嵌入框架	平衡准确度	NA
98	2026-01-29	Building and validating an artificial intelligence model to identify tracheobronchopathia osteochondroplastica by using bronchoscopic images 2024 Jan-Dec, Therapeutic advances in respiratory disease IF:3.3Q2 DOI:10.1177/17534666241253694 PMID:38803144	研究论文	本研究构建并验证了一个基于支气管镜图像的AI模型，用于识别气管支气管骨软骨病（TO）并与其他多结节性气道疾病区分	首次开发了一个基于深度学习的AI模型，专门用于从支气管镜图像中识别罕见的TO疾病，并进行了外部验证	样本量相对较小，特别是TO病例较少，且仅在一家医院进行了外部验证	构建一个AI模型，帮助初级医院的年轻医生通过支气管镜图像识别TO	多结节性气道疾病患者（包括TO、淀粉样变性、肿瘤和炎症）以及无气道病变的患者	计算机视觉	气管支气管骨软骨病	支气管镜检查	CNN	图像	414名患者（201名多结节性气道疾病患者和213名无病变患者），涉及3916张支气管镜图像	NA	EfficientNet	准确率	NA
99	2026-01-28	TimeTuner: Diagnosing Time Representations for Time-Series Forecasting with Counterfactual Explanations 2024-Jan, IEEE transactions on visualization and computer graphics IF:4.7Q1 DOI:10.1109/TVCG.2023.3327389 PMID:37883273	研究论文	本文提出了一个名为TimeTuner的可视化分析框架，用于诊断时间序列预测中的时间表示，并通过反事实解释帮助分析人员理解模型行为	提出了一种结合反事实解释和可视化交互的两阶段技术，首次将局部相关性、平稳性和粒度分析集成到时间序列表示诊断中	仅实例化了平滑和采样两种转换方法，在更复杂的时间序列转换方法上尚未验证	改进时间序列预测中特征工程的自动化方法，增强模型行为的可解释性和可靠性	时间序列数据，包括单变量太阳黑子和多变量空气污染物数据	机器学习	NA	反事实解释，可视化分析	深度学习模型	时间序列数据	NA	NA	NA	NA	NA
100	2026-01-25	Deep Learning-Based Spermatogenic Staging in Tissue Sections of Cynomolgus Macaque Testes 2024-01, Toxicologic pathology IF:1.4Q4 DOI:10.1177/01926233241234059 PMID:38465599	研究论文	本文开发了一种基于深度学习的模型，用于对食蟹猴睾丸组织切片中的生精小管进行生精阶段自动分期	首次将深度学习技术应用于食蟹猴睾丸组织切片的生精阶段自动分期，实现了对大量生精小管的高灵敏度、高精度和高准确度的自动化评估	所生成的阶段频率图的诊断价值尚不明确，需要进一步收集具有生精障碍的睾丸数据来验证其变异性和相关性	开发自动化工具以辅助病理学家对食蟹猴睾丸组织进行生精阶段感知的评估，并探索阶段频率图的潜在诊断价值	食蟹猴睾丸组织切片	数字病理学	生殖系统疾病	数字全玻片成像	深度学习模型	图像	6张全玻片图像，平均每张包含4938个生精小管横截面	NA	NA	灵敏度, 精确度, 准确度	NA