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
221	2024-08-07	Corrigendum to: Development of a deep learning model for predicting critical events in a pediatric intensive care unit 2024-05, Acute and critical care IF:1.7Q3 DOI:10.4266/acc.2023.01424.e1 PMID:38556908	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
222	2026-02-25	Causal-StoNet: Causal Inference for High-Dimensional Complex Data 2024-May, ... International Conference on Learning Representations PMID:41725678	研究论文	本文提出了一种基于深度学习的新因果推断方法Causal-StoNet，用于处理高维复杂数据	结合稀疏深度学习理论和随机神经网络，以一致方式处理高维度和未知数据生成过程，并支持数据缺失情况	NA	解决高维复杂数据中的因果推断问题	高维复杂数据集	机器学习	NA	深度学习	随机神经网络	高维复杂数据	NA	NA	NA	NA	NA
223	2026-02-25	WET-UNet: Wavelet integrated efficient transformer networks for nasopharyngeal carcinoma tumor segmentation 2024 Apr-Jun, Science progress IF:2.6Q2 DOI:10.1177/00368504241232537 PMID:38567422	研究论文	本文提出了一种基于UNet的混合模型WET-UNet，用于鼻咽癌图像分割，通过集成小波变换和注意力机制来提升分割精度和鲁棒性	将小波变换集成到UNet中，利用低频分量调整编码器并优化Transformer的计算过程，同时结合注意力机制捕获远程依赖关系，以增强病变边界信息和模型识别能力	未明确提及模型在更广泛数据集上的泛化能力或计算效率的具体限制	解决鼻咽癌图像分割中因数据集不准确、边界模糊和线条复杂导致的分割不精确和不稳定问题	鼻咽癌肿瘤图像	数字病理	鼻咽癌	NA	CNN, Transformer	图像	5000个样本，训练与验证比例为8:2	NA	UNet, Transformer	准确率, 精确率	NA
224	2026-02-25	Development of a deep learning model for predicting critical events in a pediatric intensive care unit 2024-Feb, Acute and critical care IF:1.7Q3 DOI:10.4266/acc.2023.01424 PMID:38476071	研究论文	本研究开发了一种深度学习模型，用于预测儿科重症监护病房中的关键事件，如心肺复苏或死亡	利用长短期记忆（LSTM）算法，首次在儿科重症监护环境中构建深度学习模型来预测关键事件，并展示了优异的预测性能	需要外部验证以确认模型的泛化能力，且研究为回顾性观察性设计	开发深度学习模型以预测儿科重症监护病房患者的关键事件，实现早期干预	2010年1月至2023年5月期间入住儿科重症监护病房的18岁以下患者	机器学习	儿科重症监护	回顾性数据分析	LSTM	生命体征测量数据	11,660条测量数据，其中1,060条对应关键事件	NA	长短期记忆网络	受试者工作特征曲线下面积, 精确率-召回率曲线下面积	NA
225	2026-02-25	The application value of deep learning in the background of precision medicine in glioblastoma 2024 Jan-Mar, Science progress IF:2.6Q2 DOI:10.1177/00368504231223353 PMID:38262933	综述	本文综述了深度学习在胶质母细胞瘤精准医疗背景下的应用价值，包括分子分类、诊断和预后评估	深度学习结合多模态数据（如磁共振成像序列、遗传信息和临床数据）进行非侵入性肿瘤诊断和预后预测，相比传统放射组学和浅层机器学习方法更为稳健有效	深度学习在胶质母细胞瘤治疗干预中的应用仍处于早期阶段，模型鲁棒性面临挑战，且现有样本数量不足，限制了大规模实验和模型应用	探讨深度学习在胶质母细胞瘤精准医疗中的应用，以优化个性化治疗方案	胶质母细胞瘤患者	数字病理学	胶质母细胞瘤	磁共振成像，遗传信息分析	深度学习模型	图像，遗传数据，临床数据	NA	NA	NA	准确性	NA
226	2026-02-25	A novel measurement approach to dynamic change of limb length discrepancy using deep learning and wearable sensors 2024 Jan-Mar, Science progress IF:2.6Q2 DOI:10.1177/00368504241236345 PMID:38490169	研究论文	本研究提出了一种结合深度学习与可穿戴传感器的新方法，用于在非临床环境中准确测量肢体长度差异的动态变化	首次将肢体长度差异动态变化测量视为基于步态模式的多重分类任务，并开发了CNN-LSTM混合深度学习模型来提取最具代表性的时空特征	研究仅招募了23名健康受试者模拟肢体长度差异，样本量较小，且未在真实患者群体中进行验证	开发一种在非临床环境中准确监测肢体长度差异动态变化的技术，以评估日常生活中的步态功能变化	健康受试者模拟的肢体长度差异步态模式	机器学习	肢体长度差异	可穿戴传感器数据采集	CNN, LSTM	步态传感器数据	23名健康受试者	未明确说明	CNN-LSTM混合模型	准确率, F1分数, 召回率, 精确率	NA
227	2026-02-24	Failure Modes of Time Series Interpretability Algorithms for Critical Care Applications and Potential Solutions 2024, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:41726394	研究论文	本文系统分析了时间序列可解释性算法在重症监护应用中的失败模式，并提出了可学习的基于掩码的框架作为解决方案	针对动态时间序列预测任务，首次系统分析了梯度、遮挡和置换等传统可解释性方法的失败模式，并支持引入时间连续性和标签一致性约束的可学习掩码框架	NA	提高时间序列可解释性算法在重症监护等动态预测任务中的可靠性和一致性	重症监护患者的时间序列数据	机器学习	重症监护	NA	深度学习模型	时间序列数据	NA	NA	NA	NA	NA
228	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
229	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
230	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
231	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
232	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
233	2026-02-23	Synthetic PET from CT improves diagnosis and prognosis for lung cancer: Proof of concept 2024-Mar-19, Cell reports. Medicine DOI:10.1016/j.xcrm.2024.101463 PMID:38471502	研究论文	本研究开发了一种条件生成对抗网络管道，能够从诊断性CT扫描中生成FDG-PET图像，以改善肺癌的诊断和预后	首次利用深度学习从CT生成高保真PET图像，并在多中心多模态肺癌数据集上验证了合成PET在影像、生物学和临床方面的价值	研究为概念验证阶段，样本量相对有限（n=1,478），且主要针对肺癌，未涉及其他疾病	探索通过深度学习从CT生成PET图像的可行性，以解决PET成本高、普及性差的问题	肺癌患者的多中心多模态数据集	计算机视觉	肺癌	CT扫描，FDG-PET成像	GAN	图像	1,478例	NA	条件生成对抗网络	影像质量，肿瘤对比度，癌症标志通路一致性，诊断、分期、风险预测和预后的临床价值	NA
234	2026-02-23	NPSV-deep: a deep learning method for genotyping structural variants in short read genome sequencing data 2024-03-04, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btae129 PMID:38444093	研究论文	本文提出了一种基于深度学习的结构变异基因分型方法NPSV-deep，用于处理短读长基因组测序数据	将结构变异基因分型任务重新定义为图像相似性问题，通过比较实际测序数据与模拟数据的堆叠图像来预测基因型，并自动校正不精确或不正确描述的结构变异	NA	提高短读长基因组测序数据中结构变异的基因分型准确性	插入和缺失类型的结构变异	机器学习	NA	短读长基因组测序	深度学习	图像（堆叠图像）	NA	NA	NA	基因分型准确性，基因分型错误率，基因分型一致性	NA
235	2026-02-22	Data Science Opportunities To Improve Radiotherapy Planning and Clinical Decision Making 2024-10, Seminars in radiation oncology IF:2.6Q2 DOI:10.1016/j.semradonc.2024.07.012 PMID:39271273	综述	本文探讨了数据科学在优化放疗计划和临床决策中的应用前景	提出结合深度学习与多源数据（如基因组学、影像组学和剂量组学）来改进预测模型，并引入“数字孪生”概念以指导自适应放疗	NA	提升放疗的个性化治疗水平，通过整合数据科学方法优化肿瘤控制与正常组织保护	放疗患者及其相关数据（如肿瘤基因组、影像数据和剂量分布）	机器学习	肿瘤	基因组学、影像组学、剂量组学	深度学习	基因组数据、影像数据、剂量数据	NA	NA	NA	NA	NA
236	2026-02-22	Deep Learning in Predicting Preterm Birth: A Comparative Study of Machine Learning Algorithms 2024-Jul, Maternal-fetal medicine (Wolters Kluwer Health, Inc.) DOI:10.1097/FM9.0000000000000236 PMID:40406277	研究论文	本研究通过比较多种机器学习算法，探讨深度学习在预测早产方面的适用性	首次在早产预测中比较了Transformer模型与传统机器学习算法（如逻辑回归、随机森林和支持向量机），并展示了Transformer的优越性能	研究为回顾性单中心设计，可能存在选择偏倚，且未详细说明模型的可解释性	评估深度学习算法是否适合用于预测早产	2018年1月至2023年6月在北京大学第三医院分娩的产妇数据	机器学习	早产	回顾性数据分析	Transformer, 逻辑回归, 随机森林, 支持向量机	结构化临床数据	30,965例分娩数据（第一部分24,770例，第二部分6,195例）	NA	Transformer	AUC, 灵敏度, 特异性, 阳性预测值, 阴性预测值, 准确率	NA
237	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
238	2026-02-21	Deep social neuroscience: the promise and peril of using artificial neural networks to study the social brain 2024-02-21, Social cognitive and affective neuroscience IF:3.9Q1 DOI:10.1093/scan/nsae014 PMID:38334747	综述	本文为社交神经科学家提供了一个关于人工神经网络在社交大脑研究中的应用、潜力及挑战的入门指南	提出了“深度社交神经科学”这一新概念，并系统阐述了神经网络在社交神经科学中的三种应用方式	讨论了深度学习在社交神经科学中面临的实际挑战、理论限制和伦理问题	探讨人工神经网络在社交神经科学研究中的应用潜力与风险	社交大脑、神经成像数据、自然主义刺激和社会互动	自然语言处理	NA	NA	人工神经网络	神经成像数据、行为数据、自然主义刺激数据	NA	NA	NA	NA	NA
239	2026-02-20	AI driven interpretable deep learning based fetal health classification 2024-12, SLAS technology IF:2.5Q3 DOI:10.1016/j.slast.2024.100206 PMID:39396731	研究论文	本研究提出了一种基于深度学习的胎儿健康分类模型，将胎儿健康分为正常、可疑和病理三类，旨在提高诊断过程的效率和效果	结合可解释性深度学习技术，通过特征重要性和特征显著性分析增强分类器决策的透明度，促进临床信任和采用	NA	利用深度学习改进胎儿健康评估，为早期风险检测提供可靠工具	通过Cardiotocography (CTG)获取的胎儿健康数据	机器学习	NA	Cardiotocography (CTG)	DNN	表格数据	NA	NA	深度神经网络（包含多个隐藏层，并采用批量归一化和Dropout层）	准确率, 灵敏度, 特异性, AUC, 精确率, F1分数	NA
240	2026-02-20	Automatic sleep staging based on 24/7 EEG SubQ (UNEEG medical) data displays strong agreement with polysomnography in healthy adults 2024-12, Sleep health IF:3.4Q2 DOI:10.1016/j.sleh.2024.08.007 PMID:39406630	研究论文	本文评估了基于双通道皮下脑电图（SubQ）的自动睡眠分期模型U-SleepSQ在健康成人中的性能，并与多导睡眠图（PSG）手动评分进行对比	开发了U-SleepSQ模型，首次在24/7皮下脑电图数据上实现自动睡眠分期，并展示了与PSG金标准的高度一致性	研究样本仅包括22名健康成人，未涉及睡眠障碍患者，且样本量相对较小	评估自动睡眠分期技术在双通道皮下脑电图数据上的性能	健康成年人的睡眠脑电图数据	数字病理学	NA	皮下脑电图（SubQ），多导睡眠图（PSG）	深度学习模型	脑电图（EEG）数据	22名健康成人，每人1-6次记录	NA	U-SleepSQ（基于U-Sleep的微调版本）	Bland-Altman分析，阶段特异性准确率，特异性，敏感性，kappa系数，F1分数，Cohen's κ系数，宏观F1分数	NA