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
761	2026-01-10	Surrogate Simulation of Subject-Specific Lateral Pinch via Deep Learning 2024-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference DOI:10.1109/EMBC53108.2024.10782182 PMID:40039080	研究论文	本文提出了一种基于深度学习的自适应代理模型，用于模拟个体化的侧向捏力，以替代传统计算昂贵的肌肉骨骼建模和仿真过程	开发了一个能够接受肌肉骨骼参数和肌肉激活作为输入的深度学习代理模型，实现了对传统OpenSim前向动力学的快速模拟，且误差在实验测量标准误差范围内	未明确说明模型在其他手势或复杂运动模拟中的泛化能力，以及可能存在的过拟合风险	旨在通过深度学习技术加速个性化肌肉骨骼模型的仿真过程，提高计算效率	个体化的侧向捏力模拟，涉及肌肉骨骼参数和肌肉激活输入	机器学习	NA	深度学习	深度学习模型	肌肉骨骼参数和肌肉激活数据	NA	未指定	未指定	均方根误差	未指定
762	2026-01-10	Narrative Feature or Structured Feature? A Study of Large Language Models to Identify Cancer Patients at Risk of Heart Failure 2024, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:40417538	研究论文	本研究比较了传统机器学习、深度学习模型和大型语言模型在利用电子健康记录识别癌症患者心力衰竭风险方面的性能	提出从结构化医疗代码中提取新型叙事特征，并首次将大型语言模型GatorTron-3.9B应用于癌症患者心力衰竭风险预测任务	研究数据仅来自单一医疗机构（佛罗里达大学健康中心），样本量相对有限，且仅涵盖肺癌、乳腺癌和结直肠癌三种癌症类型	开发有效的机器学习模型来识别癌症治疗后可能发生心力衰竭的高风险患者	癌症患者（肺癌、乳腺癌、结直肠癌）	自然语言处理	心血管疾病	电子健康记录分析	SVM, LSTM, Transformer	文本（电子健康记录）	12,806名癌症患者（其中1,602名在癌症后发生心力衰竭）	NA	T-LSTM, BERT, GatorTron-3.9B	F1分数	NA
763	2026-01-10	Deep Learning-based Time-to-event Analysis of Depression and Asthma using the All of Us Research Program 2024, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:40417537	研究论文	本研究利用深度学习模型分析抑郁症与哮喘之间的关联，基于All of Us研究计划的大规模回顾性队列数据	首次在大型回顾性队列研究中应用深度学习模型分析抑郁症与哮喘的关联，并使用SHAP值增强模型可解释性	深度学习模型在c-index指标上未超越传统的Cox比例风险模型	探究抑郁症与哮喘之间的关联性及影响因素	All of Us研究计划中的239,161名参与者	机器学习	抑郁症, 哮喘	回顾性队列研究	DeepSurv, DeepHit, 逻辑回归, CoxPH	临床队列数据	239,161名参与者	NA	DeepSurv, DeepHit	c-index	NA
764	2026-01-08	Enhancing data security and privacy in energy applications: Integrating IoT and blockchain technologies 2024-Oct-15, Heliyon IF:3.4Q1 DOI:10.1016/j.heliyon.2024.e38917 PMID:39430499	研究论文	本研究提出了一种结合区块链与物联网的安全数据管理框架，以提升核能应用中的数据安全、隐私和完整性	开发了一个集成了加密、完整性验证、通信网络和数据流架构的安全框架，并首次系统性地探讨了区块链与物联网在核能领域的整合方案	需要实际验证、资源受限的物联网环境存在挑战、网络威胁日益增加、实时数据可用性有限	提升核能应用中数据的安全性与隐私保护	核能领域的物联网与区块链技术整合	物联网安全	NA	区块链技术、物联网技术、加密技术	NA	交易数据、传感器数据	NA	NA	NA	NA	NA
765	2026-01-08	Unsupervised Denoising and Super-Resolution of Vascular Flow Data by Physics-Informed Machine Learning 2024-09-01, Journal of biomechanical engineering DOI:10.1115/1.4065165 PMID:38529728	研究论文	提出一种无监督深度学习方法来执行血管流数据的去噪和超分辨率重建，无需高分辨率标签	结合自编码器和物理信息神经网络，通过物理损失函数在无高分辨率标签条件下实现流场去噪与超分辨率重建	基于计算流体动力学模拟生成的地面真值数据，可能未完全覆盖真实临床数据的复杂性	开发无监督的深度学习模型，用于血管流数据的去噪和超分辨率处理	三维狭窄和动脉瘤的血流数据，包括不同几何形状、方向和边界条件	机器学习	心血管疾病	计算流体动力学	自编码器, 物理信息神经网络	三维流场数据	NA	NA	自编码器	均方误差, 均方根残差, 相关系数	NA
766	2026-01-08	Deep learning model based on primary tumor to predict lymph node status in clinical stage IA lung adenocarcinoma: a multicenter study 2024-Sep, Journal of the National Cancer Center IF:7.6Q1 DOI:10.1016/j.jncc.2024.01.005 PMID:39281718	研究论文	本研究开发了一个基于深度残差网络的深度学习模型，用于预测临床IA期肺腺癌患者的淋巴结状态	利用深度学习模型基于原发肿瘤的HRCT图像预测淋巴结状态，并在多中心数据集上进行验证，展示了在早期肺腺癌中辅助淋巴结清扫决策的潜力	研究为回顾性设计，可能存在选择偏倚；模型性能在纯磨玻璃结节亚组中未单独充分验证	开发一个深度学习模型来预测临床IA期肺腺癌患者的淋巴结状态，以指导淋巴结清扫范围	经病理确诊的临床T1N0M0期肺腺癌患者	数字病理学	肺癌	高分辨率计算机断层扫描	CNN	图像	1009名患者（来自两个独立数据集：中国医学科学院肿瘤医院699例，解放军总医院310例）	NA	ResNet	AUC, 准确率, 精确率, 召回率, F1分数	NA
767	2026-01-08	GBERT: A hybrid deep learning model based on GPT-BERT for fake news detection 2024-Aug-30, Heliyon IF:3.4Q1 DOI:10.1016/j.heliyon.2024.e35865 PMID:39220956	研究论文	提出一种基于GPT和BERT的混合深度学习模型GBERT，用于虚假新闻检测	结合了BERT的深度上下文理解能力和GPT的生成能力，创建了一种新的混合框架GBERT	NA	解决虚假新闻分类问题，识别文本的真伪	虚假新闻文本	自然语言处理	NA	NA	Transformer, GPT, BERT	文本	在两个真实世界基准语料库上进行微调	NA	GBERT, GPT, BERT	准确率, 精确率, 灵敏度, F1分数	NA
768	2026-01-08	Deep learning-based workflow for automatic extraction of atria and epicardial adipose tissue on cardiac computed tomography in atrial fibrillation 2024-May-01, Journal of the Chinese Medical Association : JCMA IF:1.9Q2 DOI:10.1097/JCMA.0000000000001076 PMID:38380919	研究论文	本文提出了一种基于深度学习的自动分割工作流，用于从心房颤动患者的心脏CT图像中提取心房和心外膜脂肪组织	开发了一种基于3D U-Net的自动化工作流，首次实现了对左心房、右心房、心包以及心外膜脂肪组织的可靠自动分割	研究样本量有限（157名患者），且仅来自单一医疗中心，可能影响模型的泛化能力	设计一个深度学习工作流，为心房颤动的管理提供可靠的心房、心包和心外膜脂肪组织自动分割	心房颤动患者的心脏CT图像	数字病理学	心血管疾病	心脏计算机断层扫描	CNN	图像	157名首次接受导管消融术的心房颤动患者	NA	3D U-Net	Dice系数, 相关系数	NA
769	2026-01-08	Plant disease recognition using residual convolutional enlightened Swin transformer networks 2024-04-15, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-56393-8 PMID:38622177	研究论文	本文提出了一种结合Swin Transformer和残差卷积网络的新型集成模型，用于植物病害识别	提出了一种新颖的Swin Transformer与残差卷积网络的集成架构，以提取深层关键点特征，并通过前馈网络进行优化预测	未在摘要中明确说明	开发高精度、智能调优的深度学习算法，以实现植物病害的早期精准预测	植物叶片图像	计算机视觉	植物病害	深度学习	Transformer, CNN	图像	Plant Village Kaggle数据集	NA	Swin Transformer, 残差卷积网络	准确率, 精确率, 召回率, 特异性, F1分数	NA
770	2026-01-08	Deep learning hybridization for improved malware detection in smart Internet of Things 2024-Apr-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-57864-8 PMID:38570575	研究论文	本研究提出了一种用于智能物联网恶意软件检测的混合深度学习框架BEFSONet	提出了一种结合BERT和Feed Forward Neural Network的专用框架BEFNet，并采用Spotted Hyena Optimizer进行优化，以适应动态物联网环境中多样化的恶意软件数据形态	未明确说明框架在实时检测场景中的性能表现及计算开销	解决物联网设备大数据环境下的恶意软件检测与动态决策挑战	8种不同类型的恶意软件数据集	机器学习	NA	深度学习	BERT, Feed Forward Neural Network	恶意软件数据	8个数据集	NA	BERT-based Feed Forward Neural Network	准确率, Matthews相关系数, F1分数, AUC-ROC, Cohen's Kappa	NA
771	2026-01-07	Revolutionizing healthcare: a comparative insight into deep learning's role in medical imaging 2024-12-04, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-71358-7 PMID:39632902	研究论文	本文系统探讨了深度学习在医学影像中的应用，特别关注阿尔茨海默病MRI分类，并提出了一个结合云计算的创新框架	设计了一个包含输入层、基于云的预处理与模型执行层以及诊断层的新框架，并系统分析了不同深度学习模型在特定疾病数据集上的性能	未详细讨论其他疾病特定的数据集，且集成模型表现较差	比较深度学习模型在医学影像分析中的角色，特别针对阿尔茨海默病的MRI分类	阿尔茨海默病的MRI扫描图像	计算机视觉	阿尔茨海默病	磁共振成像	CNN, VGG-16, 集成模型	图像	NA	NA	CNN, VGG-16	测试准确率	云计算
772	2026-01-07	A novel optimization-driven deep learning framework for the detection of DDoS attacks 2024-Nov-14, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-77554-9 PMID:39543174	研究论文	本文提出了一种基于优化驱动深度学习框架的DDoS攻击检测方法	结合条件生成对抗网络进行数据平衡，并采用堆叠稀疏去噪自编码器与萤火虫-黑寡妇混合优化算法进行攻击分类	仅使用单一数据集进行验证，未在更广泛网络环境中测试	开发高效的入侵检测系统以识别DDoS攻击	云计算或网络环境中的DDoS攻击流量	机器学习	NA	深度学习	CGAN, SSDAE	网络流量数据	CICDDoS2019数据集	NA	条件生成对抗网络, 堆叠稀疏去噪自编码器	准确率	NA
773	2026-01-03	Emerging Brain-to-Content Technologies from Generative AI and Deep Representation Learning 2024-Nov, IEEE signal processing magazine IF:9.4Q1 DOI:10.1109/msp.2024.3484629 PMID:40786597	综述	本文探讨了生成式AI和深度表示学习在脑机接口（BCI）领域催生的新兴脑到内容技术	提出了由生成式AI和深度学习驱动的BCI 2.0系统，将传统脑机接口升级为能够生成内容的范式转变技术	NA	回顾并展望生成式AI与深度学习在脑到内容技术中的应用与发展	脑机接口系统及其与生成式AI结合的技术	自然语言处理, 计算机视觉, 机器学习	NA	生成式AI, 深度表示学习	NA	信号, 图像, 语音, 文本	NA	NA	NA	NA	NA
774	2026-01-03	HAMIL-QA: Hierarchical Approach to Multiple Instance Learning for Atrial LGE MRI Quality Assessment 2024-Oct, Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention DOI:10.1007/978-3-031-72378-0_26 PMID:41473352	研究论文	本研究提出了一种名为HAMIL-QA的分层多示例学习框架，用于自动化评估心房纤维化LGE MRI图像的质量	提出了一种分层袋与子袋结构的多示例学习方法，能够在子袋内进行针对性分析并在体积层面聚合信息，从而减少对大量标注的依赖、降低计算负担，并专注于诊断关键特征	未在摘要中明确说明	开发一种自动化、可扩展的解决方案，用于评估左心房纤维化3D LGE MRI图像的质量，以提高诊断准确性、标准化评估并改善患者预后	左心房纤维化的3D晚期钆增强（LGE）MRI图像	数字病理学	心血管疾病	晚期钆增强（LGE）MRI	多示例学习（MIL）	图像	NA	NA	分层多示例学习框架（HAMIL-QA）	准确率, AUROC, F1分数	NA
775	2025-12-31	Transformer technology in molecular science 2024 Jul-Aug, Wiley interdisciplinary reviews. Computational molecular science DOI:10.1002/wcms.1725 PMID:41451391	综述	本文深入探讨了Transformer技术在分子科学领域的技术细节和应用算法	聚焦于分子科学领域，对多种Transformer模型（如GPT、BERT、ViT等）的内部工作机制进行系统性梳理，并探讨其在处理复杂分子数据方面的技术能力和跨学科研究潜力	由于Transformer在分子科学中的应用非常广泛，本文仅聚焦于分子领域的技术层面，未涵盖所有应用场景	阐明Transformer架构的创新如何促进其在处理复杂分子数据方面的有效性，并讨论其在分子科学中的发展趋势	分子科学领域的Transformer模型算法	自然语言处理, 机器学习	NA	NA	Transformer	序列数据	NA	NA	GPT, BART, BERT, Graph Transformer, Transformer-XL, Text-to-Text Transfer Transformer, ViT, DETR, Conformer, CLIP, Sparse Transformers, Mobile and Efficient Transformers	NA	NA
776	2025-12-31	Self-supervised deep representation learning of a foundation transformer model enabling efficient ECG-based assessment of cardiac and coronary function with limited labels 2024-May-21, medRxiv : the preprint server for health sciences DOI:10.1101/2023.10.25.23297552 PMID:37961713	研究论文	本研究开发了一种基于自监督学习的视觉Transformer基础模型，用于从心电图数据中识别心肌血流储备受损和左心室射血分数降低的患者，并在有限标注数据下实现了高诊断准确性和预后预测能力	首次将自监督预训练的视觉Transformer基础模型应用于心电图分析，以解决心脏微血管和血管舒缩功能障碍等难以通过标准临床方法识别的关键问题，在标签稀缺的情况下显著提升了模型性能	研究依赖于特定数据库的心电图波形，且金标准PET数据仅在有限中心可用，可能影响模型的泛化能力；自监督预训练需要大量未标注数据	开发一种能够利用有限标注数据，从静息和负荷心电图中有效识别心肌血流储备受损和左心室功能异常的人工智能方法	接受正电子发射断层扫描心肌灌注成像或单光子发射计算机断层扫描心肌灌注成像的患者	机器学习	心血管疾病	心电图，正电子发射断层扫描心肌灌注成像，单光子发射计算机断层扫描心肌灌注成像	Transformer	心电图波形	自监督预训练使用800,035例未标注心电图；微调使用4,167例带有PET标注的数据；测试集包含1,031例PET患者和6,635例SPECT患者	NA	视觉Transformer	AUROC, 灵敏度, 特异性, 风险比	NA
777	2024-10-09	Correction to: Growing ecosystem of deep learning methods for modeling protein-protein interactions 2024-Jan-29, Protein engineering, design & selection : PEDS DOI:10.1093/protein/gzae016 PMID:39377372	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
778	2025-12-29	Impact of retraining and data partitions on the generalizability of a deep learning model in the task of COVID-19 classification on chest radiographs 2024-Nov, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.11.6.064503 PMID:39734609	研究论文	本研究探讨了在标准胸部X光片上进行COVID-19分类任务时，不同模型再训练方案和数据划分对模型性能及泛化能力的影响	通过比较四种再训练策略（包括在Set B上重新训练、微调、L2正则化以及200次重新划分Set A训练集），深入分析了数据划分对深度学习模型泛化性能的影响，揭示了模型性能差异的原因	研究仅使用来自同一机构的数据集，可能限制了结果的广泛适用性；未涉及外部验证集，泛化能力评估可能不全面	评估不同再训练方案和数据划分对深度学习模型在COVID-19胸部X光分类任务中泛化性能的影响	标准胸部X光片（CXRs）	计算机视觉	COVID-19	深度学习	深度学习模型	图像	Set A：9860名患者（2020年2月20日至2021年2月3日）；Set B：5893名患者（2020年3月15日至2022年1月1日）	NA	NA	AUC（曲线下面积）	NA
779	2025-12-29	MRI-based prostate cancer classification using 3D efficient capsule network 2024-Jul, Medical physics IF:3.2Q1 DOI:10.1002/mp.16975 PMID:38346111	研究论文	本研究提出了一种基于T2加权MRI的3D高效胶囊网络，用于前列腺癌风险分层	开发了3D高效胶囊网络，结合全连接胶囊层构建更深层次结构，并引入动态加权边缘损失以处理数据不平衡问题	未明确说明模型对图像翻转、缩放或旋转等变化的鲁棒性具体提升程度，且低风险与中风险分类性能相对较低（AUC 0.59）	通过计算机辅助诊断实现前列腺癌Gleason评分的非侵入性预测	前列腺癌患者	数字病理	前列腺癌	MRI	胶囊网络	图像	976名患者	NA	3D Efficient CapsNet	AUC, F1-score, 加权Cohen's Kappa	NA
780	2025-12-27	Model Ensemble for Brain Tumor Segmentation in Magnetic Resonance Imaging 2024, Brain tumor segmentation, and cross-modality domain adaptation for medical image segmentation : MICCAI challenges, BraTS 2023 and CrossMoDA 2023, held in conjunction with MICCAI 2023, Vancouver, BC, Canada, October 12 and 8, 2024 : proc... DOI:10.1007/978-3-031-76163-8_20 PMID:41439203	研究论文	本文提出了一种基于深度学习的集成策略，用于在磁共振成像中分割脑肿瘤，并在BraTS挑战赛的儿科脑肿瘤、颅内脑膜瘤和脑转移瘤任务中进行了评估	采用区域级集成方法结合nnU-Net和Swin UNETR模型，并实施了基于交叉验证阈值搜索的针对性后处理策略以优化肿瘤亚区域分割结果	NA	开发并评估一种用于多参数磁共振成像中脑肿瘤分割的深度学习集成方法，以支持临床试验和个性化患者护理	儿科脑肿瘤、颅内脑膜瘤和脑转移瘤病例	数字病理学	脑肿瘤	磁共振成像	CNN, Transformer	图像	4500例脑肿瘤病例（来自BraTS挑战赛数据集）	PyTorch	nnU-Net, Swin UNETR	Dice系数	NA