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
281	2026-02-06	Privacy Risk Assessment for Synthetic Longitudinal Health Data 2024-08-30, Studies in health technology and informatics DOI:10.3233/SHTI240867 PMID:39234731	研究论文	本文评估了合成纵向健康数据的隐私风险，应用Anonymeter框架分析独特性、可链接性和属性推断等漏洞	首次将欧洲数据保护委员会认可的隐私风险框架应用于流行病学领域的合成数据生成研究，重点关注异常值的脆弱性	隐私风险评估仍是一个开放性问题，实施和结果解释过程中存在挑战	评估合成数据发布时的隐私风险，以符合数据保护指南	基于DONALD队列研究（1312名参与者，16个时间点）生成的合成纵向健康数据	机器学习	NA	合成数据生成方法	深度学习	纵向健康数据	1312名参与者，16个时间点	NA	NA	隐私评分	NA
282	2026-02-06	Predicting Overall Survival of Glioblastoma Patients Using Deep Learning Classification Based on MRIs 2024-08-30, Studies in health technology and informatics DOI:10.3233/SHTI240878 PMID:39234740	研究论文	本研究开发了一种基于深度学习的MRI图像分类方法，用于预测胶质母细胞瘤患者的总生存期	首次将多序列MRI图像融合并结合ResNet50架构与bagging模型，实现胶质母细胞瘤患者生存期的三分类预测	模型性能仍有提升空间（F1分数0.51），未说明样本来源的多样性或外部验证结果	通过深度学习自动分析MRI图像，预测胶质母细胞瘤患者的总生存期	胶质母细胞瘤患者的MRI扫描图像（FLAIR, T1, T1CE, T2序列）	计算机视觉	胶质母细胞瘤	MRI成像	CNN	图像	未明确说明具体样本数量	未明确说明	ResNet50	F1-score, 准确率	未明确说明
283	2026-02-06	Deep Learning-Based Prediction of Daily COVID-19 Cases Using X (Twitter) Data 2024-08-22, Studies in health technology and informatics DOI:10.3233/SHTI240824 PMID:39176883	研究论文	本研究利用X（Twitter）社交媒体数据和深度学习模型预测每日COVID-19病例	创新性地结合社交媒体推文数据和深度学习时间序列模型（TSMixer）进行COVID-19病例预测	NA	预测每日COVID-19确诊病例，以支持疫情控制	X（Twitter）社交媒体数据和COVID-19病例数据	自然语言处理	COVID-19	自然语言处理（NLP）	深度学习时间序列模型	文本数据（推文）和时间序列数据	NA	NA	时间序列混合器（TSMixer）	均方误差（MSE）	NA
284	2026-02-06	Deep Learning Models for Health-Driven Forecasting of Indoor Temperatures in Heat Waves in Canada: An Exploratory Study Using Smart Thermostats 2024-08-22, Studies in health technology and informatics DOI:10.3233/SHTI240826 PMID:39176885	研究论文	本研究探索了利用智能恒温器数据和深度学习模型预测加拿大热浪期间室内温度，以增强公共卫生应对能力	首次将智能恒温器（IoT设备）采集的室内实时数据与深度学习模型结合，用于热浪期间的室内温度预测，为公共卫生预警系统提供新方法	研究为探索性研究，模型在更广泛地理区域和建筑类型中的泛化能力尚未验证，且未考虑建筑结构、隔热性能等潜在影响因素	评估深度学习模型利用智能恒温器数据预测热浪期间室内温度的效果，以支持公共卫生决策和极端高温应对策略	加拿大热浪期间的家庭室内温度数据	机器学习	NA	智能恒温器（ecobee）传感器数据采集	深度学习模型	时间序列数据（温度、湿度）	未明确说明具体样本数量，数据来源于安装ecobee智能恒温器的家庭	NA	NA	NA	NA
285	2026-02-06	Data encoding for healthcare data democratization and information leakage prevention 2024-Feb-21, Nature communications IF:14.7Q1 DOI:10.1038/s41467-024-45777-z PMID:38383571	研究论文	本文探讨了通过不可逆数据编码实现医疗数据民主化并防止信息泄露的方法	提出利用随机投影和随机量子编码为密集和纵向或时间序列数据实现理想的编码框架，以在保护隐私的同时保持数据语义	NA	开发一种编码框架，以促进医疗数据民主化并防止深度学习模型中的信息泄露	医疗数据和临床模型	机器学习	NA	随机投影，随机量子编码	深度学习模型	时间序列数据，密集数据，纵向数据	NA	NA	NA	信息瓶颈原则	NA
286	2026-02-05	Will Artificial Intelligence Be "Better" Than Humans in the Management of Syncope? 2024-Sep, JACC. Advances DOI:10.1016/j.jacadv.2024.101072 PMID:39372450	综述	本文探讨了人工智能（包括机器学习、深度学习和自然语言处理）在晕厥诊断、管理和研究中的潜在应用、优势、局限性及解决方案	系统性地将AI技术（ML、DL、NLP）应用于晕厥这一临床挑战领域，并探讨其在临床决策、研究和教育三个维度的潜力，提出了从因果关系分析向相关性分析的模式转变	未提供具体实验数据或模型性能验证，主要基于理论探讨和潜在应用分析	评估人工智能在晕厥管理中的潜在作用，并探讨其是否可能优于人类临床决策	晕厥（一种短暂的意识丧失）患者的诊断、风险分层、临床管理和教育	自然语言处理, 机器学习	心血管疾病	机器学习, 深度学习, 自然语言处理	NA	临床数据, 文本数据	NA	NA	NA	NA	NA
287	2026-02-05	Coronary Artery Stenosis and High-Risk Plaque Assessed With an Unsupervised Fully Automated Deep Learning Technique 2024-Sep, JACC. Advances DOI:10.1016/j.jacadv.2024.100861 PMID:39372456	研究论文	本研究开发并验证了一种全自动无监督深度学习系统，用于在冠状动脉CT血管造影（CCTA）中评估冠状动脉狭窄严重程度和高风险斑块	提出了一种全自动、无监督的深度学习技术，能够快速、准确地评估冠状动脉狭窄和高风险斑块，克服了传统CCTA评估耗时且需专业培训的限制	研究样本量有限，特别是高风险斑块的测试集仅包含45名患者（325条血管），可能影响模型的泛化能力	开发并验证一个全自动深度学习系统，用于在CCTA扫描中自动评估冠状动脉狭窄严重程度和表征高风险斑块	冠状动脉CT血管造影（CCTA）扫描图像	计算机视觉	心血管疾病	冠状动脉CT血管造影（CCTA）	深度学习	医学影像（CT图像）	训练集：570名患者；测试集：狭窄评估769名患者（3,012条血管），高风险斑块评估45名患者（325条血管）	NA	NA	敏感性, 特异性, 阳性预测值, 阴性预测值, 曲线下面积（AUC）	NA
288	2026-02-05	Automated Assessment of Right Atrial Pressure From Ultrasound Videos Using Machine Learning 2024-Sep, JACC. Advances DOI:10.1016/j.jacadv.2024.101192 PMID:39372459	研究论文	本文开发了一种基于机器学习的全自动深度学习模型，用于从超声心动图视频中自动评估右心房压力	首次提出全自动深度学习模型，能够从超声心动图视频中自动识别下腔静脉扫描并估计右心房压力，其性能与心脏病专家评估相当，并具有良好的泛化能力	模型在测试数据集上与心脏病专家估计的一致性为80.3%，虽然高于文献报道的操作者间一致性（70-75%），但仍存在一定误差；外部验证数据集规模较小（仅来自另一机构）	评估机器学习是否能够准确估计超声心动图测量的右心房压力，以实现自动化的血管内容积状态评估	超声心动图视频中的下腔静脉扫描，以及与之耦合的心脏病专家评估的右心房压力估计和右心导管测量的右心房压力	医学影像分析	心血管疾病	超声心动图，右心导管术	深度学习模型	视频	15,828个下腔静脉超声视频和319个右心导管测量的右心房压力数据	NA	NA	一致性百分比，受试者工作特征曲线下面积，P值	NA
289	2026-02-05	Impact of Case and Control Selection on Training Artificial Intelligence Screening of Cardiac Amyloidosis 2024-Sep, JACC. Advances DOI:10.1016/j.jacadv.2024.100998 PMID:39372462	研究论文	本研究评估了基于心电图波形的人工智能模型在心脏淀粉样变性筛查中的性能，并探讨了不同病例和对照组定义标准对模型训练的影响	首次系统评估了病例和对照组选择策略对罕见疾病（心脏淀粉样变性）AI筛查模型性能的影响，揭示了模型在匹配测试集与真实世界人群中的泛化能力差异	研究主要基于单一医疗中心（Cedars-Sinai）的数据，可能限制结果的普适性；未详细说明模型的具体架构和超参数设置	评估心电图AI模型在心脏淀粉样变性筛查中的性能，并优化病例与对照组的选择策略	约130万份心电图记录，来自341,989名患者	机器学习	心脏淀粉样变性	心电图波形分析	深度学习模型	心电图波形数据	约130万份心电图，来自341,989名患者	NA	NA	AUC	NA
290	2026-02-05	Machine-Learning for Phenotyping and Prognostication of Myocardial Infarction and Injury in Suspected Acute Coronary Syndrome 2024-Sep, JACC. Advances DOI:10.1016/j.jacadv.2024.101011 PMID:39372465	研究论文	本研究开发了机器学习模型，用于对疑似急性冠脉综合征患者的心肌损伤和梗死进行数字表型分析，并预测30天内的死亡或心肌梗死事件	首次利用机器学习和深度学习模型，根据第四版通用心肌梗死定义，对疑似ACS患者进行心肌损伤和梗死的数字表型分析，并预测短期临床结局	模型需要在随机临床试验中进行外部验证以评估其临床影响，且数据主要来自南澳大利亚医院，可能存在地域局限性	开发机器学习模型以改善疑似急性冠脉综合征患者的诊断表型分析和预后预测	疑似急性冠脉综合征患者	机器学习	心血管疾病	电子健康记录分析	XGBoost, 深度学习	电子健康记录数据	训练集6,722名参与者，测试集8,869名参与者	Python 3.6	XGBoost, 深度学习模型	AUC	NA
291	2024-10-08	Electrocardiographic Risk Stratification in Critically Ill Cardiac Patients: Can Deep Learning Fulfill its Promise? 2024-Sep, JACC. Advances DOI:10.1016/j.jacadv.2024.101168 PMID:39372472	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
292	2026-02-05	Enhancing Periodontal Treatment Through the Integration of Deep Learning-Based Detection with Bayesian Network Models 2024-08-22, Studies in health technology and informatics DOI:10.3233/SHTI240758 PMID:39176544	研究论文	本研究将深度学习用于牙周病检测，并整合到贝叶斯网络临床决策支持模型中，以实现全面的牙周护理	结合深度学习（Faster R-CNN）与贝叶斯网络模型，用于牙周病检测和治疗计划推荐，提高了模型的准确性	NA	通过整合深度学习检测与贝叶斯网络模型，增强牙周治疗的效果	牙周病患者及其放射影像数据	计算机视觉	牙周病	放射影像分析	CNN, 贝叶斯网络	图像	NA	NA	Faster R-CNN	ROC曲线分析, 准确性	NA
293	2026-02-05	Deep Learning in High-Resolution Anoscopy: Assessing the Impact of Staining and Therapeutic Manipulation on Automated Detection of Anal Cancer Precursors 2024-Apr-01, Clinical and translational gastroenterology IF:3.0Q2 DOI:10.14309/ctg.0000000000000681 PMID:38270249	研究论文	本研究开发了一种基于深度学习的卷积神经网络系统，用于在高分辨率肛门镜检查图像中自动区分高级别与低级别肛门鳞状上皮内病变，并评估了染色技术和肛门操作对算法性能的影响	首次评估了染色技术（如醋酸、卢戈氏碘液）和肛门操作对人工智能算法在高分辨率肛门镜检查中检测肛门癌前病变性能的影响，并展示了算法在不同条件下的优异表现	研究样本量相对有限（88名患者，103次检查），且未在外部数据集上进行验证，可能影响模型的泛化能力	开发并评估一个深度学习系统，用于在高分辨率肛门镜检查图像中自动区分高级别与低级别肛门鳞状上皮内病变	肛门鳞状细胞癌前病变，具体为高级别和低级别肛门鳞状上皮内病变	数字病理学	肛门癌	高分辨率肛门镜检查	CNN	图像	来自88名患者的103次高分辨率肛门镜检查，共计27,770张图像	NA	NA	灵敏度, 特异度, 准确度, 阳性预测值, 阴性预测值, AUC	NA
294	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
295	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
296	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
297	2026-02-03	CTLESS: A scatter-window projection and deep learning-based transmission-less attenuation compensation method for myocardial perfusion SPECT 2024-Nov-25, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2024.3496870 PMID:40030354	研究论文	本文提出了一种基于散射窗口投影和深度学习的无传输扫描衰减补偿方法（CTLESS），用于心肌灌注SPECT成像	开发了一种无需单独CT扫描的衰减补偿方法，利用散射能量窗口投影和深度学习网络分割估计的衰减图，从而减少辐射剂量和成本	方法依赖于预定义的衰减系数，且需要CT扫描数据进行训练，可能受训练数据质量和泛化能力限制	解决心肌灌注SPECT成像中衰减补偿对单独CT扫描的依赖问题，以提高诊断准确性并降低成本和辐射风险	心肌灌注SPECT图像，特别是用于检测灌注缺陷的临床任务	数字病理学	心血管疾病	单光子发射计算机断层扫描（SPECT），散射能量窗口投影	深度学习网络	图像	回顾性研究中使用匿名临床SPECT/CT应力心肌灌注图像，涉及两个不同摄像头的SPECT扫描仪	NA	多通道输入多解码器网络	AUC, RMSE, SSIM	NA
298	2026-02-03	A practical guide to the implementation of artificial intelligence in orthopaedic research-Part 2: A technical introduction 2024-Jul, Journal of experimental orthopaedics IF:2.0Q2 DOI:10.1002/jeo2.12025 PMID:38715910	综述	本文为骨科研究人员提供人工智能技术基础的实用指南，涵盖机器学习任务、神经网络、自然语言处理及生成式AI的入门介绍	针对骨科研究领域系统梳理AI技术框架，特别强调生成式AI与大型语言模型在医学研究中的变革潜力	作为技术入门指南未涉及具体实验数据或模型验证	为骨科研究人员提供参与AI驱动研究所需的基础技术知识	骨科研究领域的人工智能技术方法论	机器学习	骨科疾病	NA	神经网络, 深度学习架构, 大型语言模型	医学数据, 文本数据	NA	NA	NA	NA	NA
299	2026-02-03	Retrieval augmented scientific claim verification 2024-Apr, JAMIA open IF:2.5Q3 DOI:10.1093/jamiaopen/ooae021 PMID:38455840	研究论文	本文开发了CliVER系统，利用检索增强技术自动验证科学声明，并通过与临床医生比较评估其性能	提出了CliVER系统，结合检索增强技术和PICO框架，并创建了新的COVID验证数据集CoVERt，集成多个深度学习模型以提高验证准确性	需要进一步测试其临床实用性，且数据集规模有限（仅15个药物声明和96个临床试验摘要）	自动化科学声明验证，利用PubMed摘要支持或反驳科学声明	科学声明（特别是药物相关声明）和PubMed中的临床试验摘要	自然语言处理	COVID-19	检索增强技术，PICO框架，深度学习模型集成	深度学习模型（具体类型未指定，但提及为state-of-the-art模型）	文本（PubMed摘要和科学声明）	CoVERt数据集包含15个PICO编码的药物声明和96个手动标记的临床试验摘要；比较实验涉及19个声明和189,648个PubMed摘要	NA	NA	F1分数，精确度	NA
300	2026-02-03	A deep learning adversarial autoencoder with dynamic batching displays high performance in denoising and ordering scRNA-seq data 2024-Mar-15, iScience IF:4.6Q1 DOI:10.1016/j.isci.2024.109027 PMID:38361616	研究论文	本文提出了一种名为动态批处理对抗自编码器（DB-AAE）的深度神经网络生成框架，用于有效去噪和排序单细胞RNA测序（scRNA-seq）数据	DB-AAE直接捕获输入数据中的最优特征，增强特征保留，包括细胞类型特异性基因表达模式，并在去噪准确性和生物信号保留方面优于其他方法	NA	提高scRNA-seq数据的质量和可靠性，以增强下游分析的准确性	单细胞RNA测序（scRNA-seq）数据	机器学习	NA	单细胞RNA测序（scRNA-seq）	对抗自编码器（AAE）	基因表达数据	模拟和真实数据集	NA	动态批处理对抗自编码器（DB-AAE）	去噪准确性, 生物信号保留	NA