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
1681	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
1682	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
1683	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
1684	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
1685	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
1686	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
1687	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
1688	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
1689	2025-12-22	Multimodality model investigating the impact of brain atlases, connectivity measures, and dimensionality reduction techniques on Attention Deficit Hyperactivity Disorder diagnosis using resting state functional connectivity 2024-Nov, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.11.6.064502 PMID:39713730	研究论文	本文提出了一种多模态模型，用于研究不同脑图谱、连接性测量和降维技术对注意力缺陷多动障碍诊断的影响	首次全面评估多种脑图谱、连接性测量和降维技术对ADHD诊断的影响，并整合表型数据构建高效多模态分类模型	未明确说明模型在外部验证集上的泛化能力，且样本量可能有限	研究不同脑图谱、连接性测量和降维技术对ADHD诊断的影响，并构建高效的多模态分类模型	注意力缺陷多动障碍患者	机器学习	注意力缺陷多动障碍	静息态功能连接分析	传统机器学习分类器	功能连接数据，表型数据	ADHD-200数据集	NA	NA	准确率，AUC，F1分数	NA
1690	2025-12-22	Traditional Machine Learning, Deep Learning, and BERT (Large Language Model) Approaches for Predicting Hospitalizations From Nurse Triage Notes: Comparative Evaluation of Resource Management 2024-Aug-27, JMIR AI DOI:10.2196/52190 PMID:39190905	研究论文	本研究比较了传统机器学习、深度学习和基于BERT的大语言模型在预测护士分诊笔记中住院需求方面的性能，以评估资源管理策略	首次系统比较了不同计算资源需求模型（从简单逻辑回归到复杂BERT模型）在护士分诊笔记预测任务中的表现，为资源受限环境提供实用指导	研究仅基于单一医疗系统数据，外部泛化能力需进一步验证；未考虑其他可能影响住院预测的临床因素	评估不同计算复杂度模型在预测急诊患者住院需求方面的性能差异，为医疗系统资源管理提供决策依据	急诊科护士分诊笔记	自然语言处理	NA	自然语言处理	逻辑回归, BERT	文本	1,391,988名患者（来自2017-2022年Mount Sinai医疗系统急诊科）	NA	Bio-Clinical-BERT	受试者工作特征曲线下面积	NA
1691	2025-12-19	Strategies to optimise machine learning classification performance when using biomechanical features 2024-03, Journal of biomechanics IF:2.4Q3 DOI:10.1016/j.jbiomech.2024.111998 PMID:38377743	研究论文	本研究探讨了在生物力学特征有限样本量下，利用现代机器学习算法优化分类性能的策略	比较了多种机器学习算法（包括传统回归、XGBoost、深度学习时间序列算法）在生物力学数据分类中的表现，并探索了数据增强和迁移学习对样本量限制问题的缓解效果	研究基于两个特定生物力学数据集（行走和跳跃），样本量差异较大（2295 vs 31），可能影响结果的普适性	优化生物力学特征在有限样本量下的机器学习分类性能	行走数据集中的2295名参与者（健康、跟骨、踝、膝、髋疾病分类）和跳跃数据集中的31名参与者（健康 vs 髌股疼痛综合征）	机器学习	骨科疾病	三维地面反作用力（GRFs）测量	多分类/LASSO回归, XGBoost, 深度学习时间序列算法	时间序列生物力学数据	行走数据集2295名参与者，跳跃数据集31名参与者	NA	InceptionTime	加权多分类AUC	NA
1692	2025-12-18	Deep Learning-Based Automated Optical Inspection System for the Additive Manufacturing of Diamond Tools 2024-Dec, 3D printing and additive manufacturing IF:2.3Q3 DOI:10.1089/3dp.2023.0208 PMID:39734731	研究论文	本文提出了一种基于改进YOLOv5s的自动光学检测系统，用于监测增材制造金刚石工具过程中金刚石磨粒的吸附状态	改进了YOLOv5s模型，通过添加检测头、使用深度可分离卷积模块替代标准卷积模块、引入坐标注意力机制，实现了参数和计算量的显著降低，同时提高了检测精度	未明确说明模型在其他工业检测场景中的泛化能力，且未与其他先进检测模型进行广泛对比	开发一种自动光学检测系统，以维持增材制造过程中金刚石磨粒的植砂率	增材制造金刚石工具过程中，针孔上金刚石磨粒的吸附状态	计算机视觉	NA	自动光学检测	CNN	图像	大量空缺和磨损空缺针孔数据	PyTorch	YOLOv5s	检测精度, 检测时间	NA
1693	2025-12-18	Deep Learning in Image-Based Plant Phenotyping 2024-07, Annual review of plant biology IF:21.3Q1 DOI:10.1146/annurev-arplant-070523-042828 PMID:38382904	综述	本文综述了深度学习在基于图像的植物表型分析中的应用，包括其基础、评估方法、应用实例、最佳实践和开放挑战	系统性地回顾了深度学习在植物表型分析中的最新进展，并总结了最佳实践和未来挑战	作为综述文章，未提供新的实验数据或模型，主要基于现有文献进行总结	探讨深度学习如何加速和优化基于图像的植物表型分析，以促进作物改良	植物表型分析，特别是通过图像数据进行的表型测量	计算机视觉	NA	图像分析	深度学习	图像	NA	NA	NA	NA	NA
1694	2025-12-17	Automatic detection and classification of beluga whale calls in the St. Lawrence estuary 2024-12-01, The Journal of the Acoustical Society of America IF:2.1Q1 DOI:10.1121/10.0030472 PMID:39636175	研究论文	本文介绍了一种自动分析被动声学数据的流程，用于检测和分类圣劳伦斯河口濒危白鲸的叫声	开发了一个结合对象检测和深度学习分类器的自动管道，用于连续分析白鲸声学活动，提供标准且准确的声学存在和发声活动估计	研究聚焦于高居住区Baie Sainte-Marguerite，可能不适用于其他区域；未详细讨论算法在更广泛环境中的泛化能力	通过被动声学监测为白鲸的监测和保护提供实时时空栖息地使用信息	圣劳伦斯河口的濒危白鲸（Delphinapterus leucas）	机器学习	NA	被动声学监测	深度学习分类器	声学数据	NA	NA	NA	NA	NA
1695	2025-12-17	Comparing neural networks against click train detectors to reveal temporal trends in passive acoustic sperm whale detections 2024-12-01, The Journal of the Acoustical Society of America IF:2.1Q1 DOI:10.1121/10.0034602 PMID:39692862	研究论文	本研究比较了人类分析师注释、多假设跟踪点击序列分类器和基于深度学习的声学分类器，用于分类抹香鲸点击序列的存在与否，并研究了地中海抹香鲸亚群在巴利阿里群岛周围的时空分布	通过比较人类专家、传统多假设跟踪分类器和深度学习分类器在被动声学监测数据中的表现，揭示了自动分类器在提取生物信息方面的优势和局限性，特别是在处理新站点数据时的性能下降问题	两种自动分类器在部署到新站点时性能均有所下降，且深度学习模型的“黑箱”特性使其潜在偏差难以量化	比较不同分类方法在被动声学监测中检测抹香鲸点击序列的效果，并分析抹香鲸的时空分布模式	抹香鲸（Physeter macrocephalus）的点击序列声学信号	自然语言处理	NA	被动声学监测（PAM）	深度学习分类器	声学录音	NA	NA	NA	与人类标签的一致性百分比	NA
1696	2025-12-17	Leveraging laryngograph data for robust voicing detection in speech 2024-11-01, The Journal of the Acoustical Society of America IF:2.1Q1 DOI:10.1121/10.0034445 PMID:39565144	研究论文	本研究提出了一种利用喉部描记数据的有监督发声检测模型，旨在提高语音信号中发声区间检测的鲁棒性和泛化能力	采用喉部描记数据作为参考标准，并引入CrossNet架构进行模型适应，同时探索预训练策略以增强模型泛化能力	模型性能可能依赖于喉部描记数据的质量和可用性，且未明确说明对非标准语音或噪声环境的适应性	开发一种鲁棒且泛化能力强的发声检测方法，以改进语音信号处理中的基频追踪任务	语音信号中的发声区间	自然语言处理	NA	喉部描记术	深度学习模型	语音信号, 喉部描记数据	NA	NA	CrossNet	NA	NA
1697	2025-12-17	Enhancing the analysis of murine neonatal ultrasonic vocalizations: Development, evaluation, and application of different mathematical models 2024-10-01, The Journal of the Acoustical Society of America IF:2.1Q1 DOI:10.1121/10.0030473 PMID:39400270	研究论文	本文首次系统评估了多种神经网络架构在小鼠新生儿超声发声分类任务中的性能，并开发了一个全自动分析流程	首次对不同类型神经网络在超声发声分类任务中进行系统比较，并开发了结合熵基检测算法的高可靠性全自动分析流程	研究主要针对小鼠新生儿超声发声，尚未在其他物种或年龄组中验证	开发并评估适用于啮齿动物超声发声自动分析的深度学习模型	小鼠新生儿超声发声	机器学习	NA	超声发声记录与分析	CNN, Transformer, 前馈网络	音频信号（超声发声）	NA	NA	自定义全连接网络, 自定义卷积神经网络, 残差神经网络, EfficientNet, Vision Transformer	准确率, 召回率, 精确率	NA
1698	2025-12-17	Toward Explainable Artificial Intelligence for Precision Pathology 2024-01-24, Annual review of pathology DOI:10.1146/annurev-pathmechdis-051222-113147 PMID:37871132	综述	本文综述了人工智能在精准病理学中的应用，特别关注可解释性AI以提升诊断透明度	强调将可解释性AI引入病理学，以解决传统AI黑盒问题，促进生物医学与AI领域的相互理解	作为综述文章，未涉及具体实验数据或模型性能验证，主要基于现有文献分析	推动可解释性人工智能在精准病理学中的应用，以标准化、定量化方式整合临床、组织学和分子数据	组织学图像和分子谱数据，用于疾病分类、组织生物标志物量化和临床结果预测	数字病理学	NA	深度学习	NA	图像, 分子数据	NA	NA	NA	NA	NA
1699	2025-12-16	CareSleepNet: A Hybrid Deep Learning Network for Automatic Sleep Staging 2024-12, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3426939 PMID:38990749	研究论文	本文提出了一种名为CareSleepNet的混合深度学习网络，用于从多导睡眠图（PSG）记录中自动进行睡眠分期	设计了一个多尺度卷积-Transformer时期编码器来编码每个睡眠时期的局部显著波形特征和全局特征，并基于协同注意力机制开发了一个跨模态上下文编码器来建模不同模态（如EEG和EOG）之间的跨模态上下文关系	NA	开发一个自动睡眠分期系统，以辅助睡眠评估和疾病诊断	多导睡眠图（PSG）记录，特别是脑电图（EEG）和眼电图（EOG）信号	机器学习	NA	多导睡眠图（PSG）	CNN, Transformer	生理信号（时间序列数据）	使用了三个数据集：一个私有睡眠数据集SSND，以及两个公共数据集Sleep-EDF-153和ISRUC	NA	CareSleepNet（包含多尺度卷积-Transformer时期编码器、基于协同注意力的跨模态上下文编码器、基于Transformer的序列编码器）	NA	NA
1700	2025-12-16	BP-Net: Monitoring "Changes" in Blood Pressure Using PPG With Self-Contrastive Masking 2024-12, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3422023 PMID:38954566	研究论文	本文提出了一种名为BP-Net的新方法，通过自对比掩码模型从光电容积脉搏波中监测血压变化，而非直接估计血压值	将血压监测问题重新定义为追踪血压在时间间隔内的“变化”，而非直接估计其数值，并引入了自对比掩码模型进行成对时间比较	模型在未见过的受试者上的准确率为75.97%/73.19%，仍有提升空间，且泛化能力需进一步验证	开发一种基于光电容积脉搏波的深度学习模型，用于检测收缩压的阈值变化，以改善临床血压监测	光电容积脉搏波信号及其对应的收缩压变化	机器学习	心血管疾病	光电容积脉搏波	深度学习模型	生理信号	使用PulseDB数据集，具体样本数量未在摘要中明确说明	NA	BP-Net, 自对比掩码模型	准确率	NA