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
261	2026-08-28	Computationally intelligent real-time security surveillance system in the education sector using deep learning 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0301908 PMID:38990958	research paper	提出了一种基于改进FaceNet网络的实时安全监控系统，用于教育领域的人脸检测与识别。	通过改进损失函数增强FaceNet网络，并采用RetinaFace进行快速人脸检测与对齐，实现高精度实时人脸识别。	未提及具体的局限性。	开发一种实时安全监控系统，以提高教育领域中人脸检测与识别的准确性和效率。	教育领域中的实时安全监控系统及其人脸检测与识别性能。	computer vision	NA	深度学习	FaceNet, RetinaFace	图像	未提及	NA	FaceNet, RetinaFace	准确率	未提及
262	2026-08-28	Enhanced deep learning model for precise nodule localization and recurrence risk prediction following curative-intent surgery for lung cancer 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0300442 PMID:38995927	研究论文	本研究开发了一种基于Mask R-CNN的深度学习模型，用于术前CT图像中肺癌结节的精确定位和复发风险预测	使用Mask R-CNN模型结合优化的训练策略（包括预处理代码、动态学习率和超参数调整）实现肺癌复发部位的准确预测和可视化	未提及明显局限性	利用术前CT图像预测肺癌患者术后复发风险，以支持更积极的治疗方案和强化辅助治疗决策	接受根治性肺切除术的非小细胞肺癌患者	计算机视觉	肺癌	CT成像	Mask R-CNN	医学图像	未提及具体样本数量	NA	Mask R-CNN	边界框损失（bounding box）、分类损失（classification）、掩码损失（mask）、区域提议网络边界框（RPN bounding box）、区域提议网络分类（RPN classification）	NA
263	2026-08-28	Deep learning-based automatic image classification of oral cancer cells acquiring chemoresistance in vitro 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0310304 PMID:39485749	研究论文	本研究利用深度学习模型（EfficientNet-B3）对口腔癌细胞系进行自动图像分类，以区分非癌细胞、无化疗耐药性和有化疗耐药性的癌细胞，并通过集成学习近似估计耐药细胞比例。	首次使用EfficientNet-B3模型结合过采样和欠采样技术，对形态几乎无法通过肉眼或显微镜区分但具有化疗耐药性的口腔癌细胞进行三分类，并利用集成学习方法准确预测耐药细胞比例。	研究仅在体外细胞系中进行，尚需验证其在临床样本或体内的有效性。	评估深度学习图像分析能否识别由化疗引起的细胞形态变化，并实现对耐药性细胞的自动分类及比例估算。	口腔癌细胞系（包括对化疗耐药和亲本非耐药细胞）以及非癌细胞。	计算机视觉	口腔癌	显微镜图像分析	卷积神经网络（CNN）	细胞图像	未明确说明具体样本数量，但涉及口腔癌细胞系及其耐药变体和非癌细胞。	PyTorch	EfficientNet-B3, 集成学习（Ensemble Learning）	准确率（accuracy）、均方根误差（RMSE）	未明确说明具体硬件，但推测使用GPU加速训练深度学习模型。
264	2026-08-28	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	开发了一个预测模型，利用电子健康记录和邮政编码级别数据指导阿片类药物使用障碍的治疗选择	首次将电子健康记录与邮政编码级别数据结合，用于预测丁丙诺啡和美沙酮的治疗反应，以指导治疗选择	邮政编码级别数据未显著提升模型性能，且模型一致推荐丁丙诺啡，需要探索其他建模方法和更全面的社会外部因素	建立一个预测模型以辅助阿片类药物使用障碍的治疗选择，提高药物使用率	阿片类药物使用障碍患者的治疗反应（住院期间及出院后90天内无不良结局）	机器学习	阿片类药物使用障碍	NA	广义线性回归、随机森林、梯度提升机、深度学习模型	电子健康记录和邮政编码级别数据	NA	NA	NA	NA	NA
265	2026-08-28	Advancing crop classification in smallholder agriculture: A multifaceted approach combining frequency-domain image co-registration, transformer-based parcel segmentation, and Bi-LSTM for crop classification 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0299350 PMID:38427638	研究论文	该研究提出了一种结合频域图像配准、基于Transformer的地块分割和Bi-LSTM的多方面方法，以提高小农农业中的作物分类精度	采用开源工具进行传感器间和传感器内图像配准，并强调使用SAM-GEOs进行植被地块分割，以及开发Bi-LSTM深度学习模型用于作物分类，在验证集上实现了超过94%和96%的准确率	未在摘要中明确说明局限性	为小农经济体中的农业遥感应用提出优化解决方案，以克服农场规模缩小、数据缺乏和高成本等挑战	小农农业农场中的作物，使用代表不同生长季节的主要作物数据集	计算机视觉	NA	遥感图像配准、SAM-GEOs分割	Bi-LSTM	图像	两个数据集，在不同生长季节收集	NA	Transformer（用于SAM-GEOs分割）、Bi-LSTM	准确率、均方根误差	NA
266	2026-08-28	Vision transformer with masked autoencoders for referable diabetic retinopathy classification based on large-size retina image 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0299265 PMID:38446810	研究论文	本研究利用基于掩码自编码器的视觉Transformer模型，对大规模视网膜图像进行可转诊糖尿病视网膜病变的分类，并取得了较好的性能。	首次将掩码自编码器预训练应用于大规模视网膜图像上的视觉Transformer模型，以分类可转诊糖尿病视网膜病变，并证明其优于使用ImageNet预训练的方法。	研究仅使用了公开数据集，且预训练数据集规模远小于ImageNet，可能影响模型的泛化能力。	开发一种基于视觉Transformer和掩码自编码器的模型，以在有限数量的大尺寸视网膜图像上提高可转诊糖尿病视网膜病变的分类性能。	超过10万张大于224×224的公开眼底视网膜图像。	计算机视觉，数字病理学	糖尿病视网膜病变	图像分类	视觉Transformer（ViT）	图像	超过100,000张视网膜图像	未提及	视觉Transformer（ViT），掩码自编码器（MAE）	准确率，曲线下面积（AUC），敏感性，特异性	未提及
267	2026-08-28	Development of a multi-wear-site, deep learning-based physical activity intensity classification algorithm using raw acceleration data 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0299295 PMID:38452147	研究论文	本研究开发了一种基于原始加速度数据、利用深度神经网络进行多佩戴部位和活动强度分类的算法，并评估其性能优于基于计数的传统算法。	创新性地提出了能够同时分类佩戴部位和活动强度的深度神经网络模型，打破了传统算法对特定佩戴部位的依赖，提高了分类准确率。	研究仅在实验室环境下进行，样本量较小，可能限制模型在真实世界场景中的泛化能力。未提及模型在不同人群或长期监测中的稳定性评估。	开发并评估一种基于原始加速度数据的深度学习算法，用于准确分类物理活动强度，并确定加速度计的佩戴部位，以提高设备的可用性和用户依从性。	54名参与者（包括26名成人和28名儿童），其髋部、手腕和胸部佩戴加速度计，采集原始加速度数据和代谢率作为标签。	机器学习	非特定疾病，属于健康监测领域	加速度计	长短期记忆网络（LSTM）	时间序列加速度数据、人口统计学特征	54名参与者，其中成人26名（平均年龄26.9±8.7岁），儿童28名（平均年龄12.1±2.3岁）	NA	长短期记忆网络（LSTM）	准确率（Accuracy）	NA
268	2026-08-28	Time series classification of multi-channel nerve cuff recordings using deep learning 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0299271 PMID:38470880	研究论文	本研究探讨了利用深度学习技术，特别是针对时间序列应用的网络，来提高多接触神经袖带电极记录的选择性	将专为时间序列数据设计的卷积神经网络应用于外周神经记录，并系统评估了窗口长度和数据增强对分类性能的影响	未明确提及具体局限性	确定深度学习技术能否增加多接触神经袖带电极的记录选择性	Long-Evans大鼠坐骨神经的56通道神经袖带记录，包括三种机械刺激诱发的传入信号	深度学习	不适用	神经袖带电极记录	卷积神经网络	神经信号	未明确具体样本数量，但使用了来自Long-Evans大鼠的56通道神经袖带记录数据集	未明确提及	卷积神经网络，具体架构未指明	准确率、F1分数	未明确提及
269	2026-08-28	GNViT- An enhanced image-based groundnut pest classification using Vision Transformer (ViT) model 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0301174 PMID:38527074	研究论文	本研究引入了GNViT模型，一种基于预训练Vision Transformer的图像分类方法，用于检测和分类花生作物中的害虫	提出了专门针对花生害虫分类的GNViT模型，利用在ImageNet上预训练的ViT，并通过数据增强显著提升了训练准确率	信息不足，未在标题和摘要中明确说明	实现花生作物害虫的自动检测与分类，以减少作物损失并增强全球粮食安全	花生作物及其害虫，包括蓟马、蚜虫、夜蛾和地老虎	计算机视觉	农业害虫相关，具体为花生害虫	深度学习，基于预训练模型迁移学习	视觉变换器 (ViT)	图像	使用了来自IP102数据集的综合数据，具体样本数量未在摘要中提及	NA	ViT (Vision Transformer)	F1分数、召回率、准确率	NA
270	2026-08-28	Automatic segmentation of lower limb muscles from MR images of post-menopausal women based on deep learning and data augmentation 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0299099 PMID:38564618	研究论文	本研究探索三种卷积神经网络（UNet、Attention UNet和新型Spatial Channel UNet）在磁共振图像中自动分割绝经后女性下肢肌肉的能力，并采用数据增强技术训练模型	提出了一种新颖的Spatial Channel UNet架构，并结合数据增强技术，实现了对23块下肢肌肉（髋部、大腿和小腿）的自动分割	分割性能依赖于受试者和网络类型，且模型仅针对特定采集参数的T1加权磁共振图像进行验证	评估深度学习技术在下肢肌肉自动分割中的可行性，以克服手动分割的耗时和重复性问题	绝经后女性下肢肌肉（髋部、大腿和小腿的23块肌肉）	深度学习	肌肉骨骼疾病	磁共振成像 (MRI)	卷积神经网络 (CNN)	图像	6名受试者的磁共振图像	NA	UNet, Attention UNet, Spatial Channel UNet	相对体积误差 (RVE), Dice相似系数 (DSC), Hausdorff距离 (HD)	NA
271	2026-08-27	Automated wound segmentation and classification of seven common injuries in forensic medicine 2024-06, Forensic science, medicine, and pathology DOI:10.1007/s12024-023-00668-5 PMID:37378809	研究论文	本文探讨了在法医医学中，利用深度学习架构对照片中的伤口进行自动分割和分类，以辅助法医病理学家评估损伤并加速报告过程。	首次将多种预训练的深度学习架构应用于法医相关照片的伤口分割和分类，针对七种常见伤害类型，并处理了类别不平衡问题。	模型难以区分背景与伤口区域，尤其是皮下血肿或皮肤擦伤的像素被错误归类为背景的比率高达31%，部分原因是某些伤口类型边界不明确。	旨在开发一种工具，通过自动分割和分类法医照片中的伤口，提高损伤评估的准确性和报告过程的效率。	法医相关照片中的七种常见伤口类型，包括刺伤、皮下血肿等。	计算机视觉	法医损伤	深度学习图像分割和分类技术	预训练深度学习模型（如CNN）	图像	未具体说明，但使用来自数据库的法医相关照片进行训练和测试	NA	多种预训练深度学习架构（具体名称未提及）	平均像素准确率、平均交并比（IoU）	NA
272	2026-08-27	Cancer immunotherapy efficacy and machine learning 2024 Jan-Feb, Expert review of anticancer therapy IF:2.9Q2 DOI:10.1080/14737140.2024.2311684 PMID:38288663	综述	本文综述了机器学习在预测癌症免疫治疗疗效中的应用，包括影像组学、病理组学、肿瘤微环境和免疫相关基因分析。	系统总结了机器学习在免疫治疗疗效预测中的多种应用领域，并强调了深度学习在其中的潜力。	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
273	2026-08-26	Detection of glaucoma progression on longitudinal series of en-face macular optical coherence tomography angiography images with a deep learning model 2024-11-22, The British journal of ophthalmology DOI:10.1136/bjo-2023-324528 PMID:39117359	研究论文	设计了一种深度学习模型，用于通过纵向黄斑OCTA图像检测青光眼进展，并与逻辑回归模型进行了比较	首次使用定制卷积神经网络（CNN）基于纵向黄斑OCTA图像自动检测青光眼进展，并利用无血管区中心进行图像对齐	样本量有限，且缺乏外部验证，模型性能可能受限于特定数据集	开发并评估一种基于深度学习的方法，用于检测青光眼进展，以提高临床诊断的准确性	开角型青光眼患者的黄斑OCTA图像序列	计算机视觉, 数字病理学	青光眼	光学相干断层扫描血管成像（OCTA）	卷积神经网络（CNN）	图像	134名患者的202只眼，每只眼至少4次OCTA检查，平均随访3.5年	NA	定制卷积神经网络（CNN）	AUC, 敏感性, 特异性, 准确性	NA
274	2026-08-26	Deep learning-based image quality assessment for optical coherence tomography macular scans: a multicentre study 2024-10-22, The British journal of ophthalmology DOI:10.1136/bjo-2023-323871 PMID:39033014	研究论文	开发并外部测试用于评估Cirrus和Spectralis光学相干断层扫描三维黄斑扫描图像质量的深度学习模型	首次提出针对不同OCT设备（Cirrus和Spectralis）分别采用3D ResNet-18和多实例学习框架进行图像质量评估，并在多中心外部数据集上验证了模型的鲁棒性	回顾性研究设计，可能引入选择偏差；模型性能在不同设备间存在差异，可能需针对特定设备进行微调	开发并外部验证用于自动评估OCT三维黄斑扫描图像质量的深度学习模型，以支持全自动眼病检测流程	Cirrus和Spectralis OCT设备采集的三维黄斑扫描图像，涵盖多种眼病（如糖尿病性黄斑水肿、年龄相关性黄斑变性、息肉状脉络膜血管病变和病理性近视）及正常眼	计算机视觉、数字病理	糖尿病性黄斑水肿、年龄相关性黄斑变性、息肉状脉络膜血管病变、病理性近视	OCT成像	3D ResNet-18、多实例学习（MIL）	OCT三维扫描图像	训练集含2277个Cirrus扫描和1557个Spectralis扫描，另有多个外部测试集（来自新加坡、印度、澳大利亚和香港）	NA	3D ResNet-18，多实例学习框架下的ResNet-18	AUC	NA
275	2026-08-26	Generative artificial intelligence in ophthalmology: current innovations, future applications and challenges 2024-09-20, The British journal of ophthalmology DOI:10.1136/bjo-2024-325458 PMID:38925907	综述	本文探讨生成式人工智能在眼科领域的当前创新、未来应用及面临的挑战。	系统性地总结了生成对抗网络、扩散模型和多模态基础模型在眼科中的应用，并指出其临床转化的潜力与障碍。	该技术仍处于早期阶段，存在数据偏差、安全性问题及临床实施困难等挑战。	概述生成式人工智能在眼科中的现有进展，并展望未来应用方向及讨论相关挑战。	眼科影像、眼科诊断、患者教育及医疗培训相关应用。	计算机视觉	眼科疾病	生成对抗网络、扩散模型、多模态基础模型	生成对抗网络、扩散模型	图像、文本、视频	不适用	不适用	不适用	不适用	不适用
276	2026-08-26	Deep learning model for extensive smartphone-based diagnosis and triage of cataracts and multiple corneal diseases 2024-09-20, The British journal of ophthalmology DOI:10.1136/bjo-2023-324488 PMID:38242700	研究论文	开发基于智能手机图像的深度学习模型，用于白内障和多种角膜疾病的诊断与分诊。	利用智能手机图像进行多疾病诊断，覆盖36种疾病并分为9类，实现了高准确率。	智能手机图像样本量较小（336张），可能影响模型泛化能力。	开发一个基于智能手机图像的AI算法，用于白内障和角膜疾病的诊断及紧急程度分诊。	白内障和多种角膜疾病（共36种疾病，分为9类）。	计算机视觉	白内障, 角膜疾病	NA（基于图像分类）	深度学习模型（未指定具体类型）	图像（裂隙灯显微镜和智能手机拍摄）	6442张图像（6106张裂隙灯，336张智能手机）	NA	NA	敏感性, 特异性, ROC曲线面积	NA
277	2026-08-26	Validation of a deep learning model for automatic detection and quantification of five OCT critical retinal features associated with neovascular age-related macular degeneration 2024-09-20, The British journal of ophthalmology DOI:10.1136/bjo-2023-324647 PMID:38485214	研究论文	开发并验证了一个基于U-Net的深度学习模型，用于自动分割与新生血管性年龄相关性黄斑变性（nAMD）相关的五种关键视网膜特征	提出了一种全自动分割模型，可同时检测和量化五种与nAMD相关的视网膜生物标志物，其性能达到经验丰富的分级人员的水平	未提及明显限制，但样本量相对较小（300个OCT体积），可能影响模型的泛化能力	开发并验证一个深度学习模型，用于自动分割与nAMD相关的五种视网膜生物标志物，以支持临床研究和实践	300个来自nAMD患者眼部的光学相干断层扫描（OCT）体积图像	医学影像分析	新生血管性年龄相关性黄斑变性	光学相干断层扫描	深度学习模型（U-Net）	图像（OCT体积）	300个OCT体积	NA	U-Net	受试者工作特征曲线下面积（AUC）、相关系数（R2）、Dice系数	NA
278	2026-08-26	Single-cell AI-based detection and prognostic and predictive value of DNA mismatch repair deficiency in colorectal cancer 2024-09-17, Cell reports. Medicine DOI:10.1016/j.xcrm.2024.101727 PMID:39293403	研究论文	本文介绍了一种基于人工智能的单细胞水平检测结直肠癌DNA错配修复缺陷的方法AIMMeR，并评估其预后和预测价值	首次在单细胞水平上利用AI自动检测错配修复蛋白表达，无需病理学家手动评估，提高了效率和准确性，并能提供病因学信息	与微卫星不稳定检测的一致性较低（AUROC 0.86），反映了MMR和MSI PCR之间的差异，而非AIMMeR的错误分类；需要进一步验证其在不同人群中的适用性	开发并验证一种AI方法，用于自动检测结直肠癌中DNA错配修复缺陷，以支持精准医疗和减少病理学家工作负担	结直肠癌患者的常规病理样本，包括II/III期患者，来自两个试验队列和SCOT试验	数字病理学	结直肠癌	深度学习	深度学习模型（具体类型未在摘要中说明）	病理图像	两个试验队列和SCOT试验的患者样本（具体数量未在摘要中给出）	未指定	未指定	AUROC，特异性，敏感性，阳性预测值	未指定
279	2026-08-26	Radiomics in breast cancer: Current advances and future directions 2024-09-17, Cell reports. Medicine DOI:10.1016/j.xcrm.2024.101719 PMID:39293402	综述	本综述总结了放射组学在预测乳腺癌临床病理指标和临床结局方面的当前应用，并关注连接表型与微观尺度信息的放射多组学研究	重点探讨放射组学与多组学结合的研究，以弥合表型和微观尺度信息之间的差距	当前阻碍放射组学模型临床采用存在缺陷，但具体缺点未详述	总结乳腺癌放射组学的现状并探讨未来发展方向	乳腺癌患者	医学影像	乳腺癌	放射组学	传统机器学习或深度学习模型	医学影像数据	未提及	未提及	未提及	未提及	未提及
280	2026-08-26	Integrating genomics, phenomics, and deep learning improves the predictive ability for Fusarium head blight-related traits in winter wheat 2024-Sep, The plant genome DOI:10.1002/tpg2.20470 PMID:38853339	研究论文	本研究结合基因组学、表型组学和深度学习，提高了冬小麦赤霉病相关性状的预测能力	利用基于人工智能的精准FDK估计，并首次将高光谱成像与深度学习结合进行表型预测，显著提升预测能力	未明确提及局限性，但可能受限于样本规模和特定环境条件下的验证	通过集成基因组学、表型组学和深度学习，提高冬小麦赤霉病相关性状的预测能力	冬小麦品种及其赤霉病相关性状（FDK和DON）	机器学习, 数字病理学	赤霉病	基因组选择, 高光谱成像	深度学习模型	基因组数据, 高光谱图像, 表型数据	未明确提供样本数量	NA	深度学习架构（具体未指定）	预测能力, 准确性（R值）, 遗传力	NA