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
1	2026-10-08	Combining Artificial Intelligence and Simplified Image Processing for the Automatic Detection of Mycobacterium tuberculosis in Acid-fast Stain : A Cross-institute Training and Validation Study 2024-07-01, The American journal of surgical pathology DOI:10.1097/PAS.0000000000002223 PMID:38595262	研究论文	该研究结合人工智能与简化图像处理技术，自动检测抗酸染色中的结核分枝杆菌	跨机构训练与验证，结合简化的图像处理方法和改进的EfficientNet模型，有效识别伪影和污染物	未明确说明	开发高效自动化的结核病检测方法	抗酸染色全切片图像	数字病理学	结核病	抗酸染色，全切片图像处理	改进的EfficientNet	图像	来自2家医院的全切片图像	NA	EfficientNet	准确率，检测率，假阳性率	高性能系统
2	2026-10-05	Detection and quantitative analysis of patient-ventilator interactions in ventilated infants by deep learning networks 2024-07, Pediatric research IF:3.1Q1 DOI:10.1038/s41390-024-03064-z PMID:38316942	研究论文	该研究通过深度学习网络对新生儿机械通气中的患者-呼吸机交互（PVI）进行检测和定量分析，利用手动标注的波形数据训练CNN模型进行PVI分类	适应了成人PVI定义的分类法，手动标注新生儿呼吸机波形以确定新生儿PVI的患病率和共现情况，并开发了用于常见PVI的二元深度学习分类器以促进自动检测和量化	样本量较小（23名婴儿），仅从170名新生儿中随机选择，可能限制泛化能力	研究和分析机械通气新生儿的患者-呼吸机交互（PVI），开发自动检测和量化工具	从170名接受SIPPV-VG、SIMV-VG或PSV-VG模式通气至少12小时的新生儿中随机选择的23名婴儿的呼吸波形数据	机器学习	新生儿疾病	机械通气、呼吸波形分析	CNN	波形数据	23名婴儿，每个记录随机选择500次呼吸进行手动标注	NA	卷积神经网络（CNN）	F1分数	NA
3	2026-09-18	Privacy-proof Live Surgery Streaming: Development and Validation of a Low-cost, Real-time Robotic Surgery Anonymization Algorithm 2024-07-01, Annals of surgery IF:7.5Q1 DOI:10.1097/SLA.0000000000006245 PMID:38390732	研究论文	开发并验证了一种低成本、实时的机器人手术匿名化算法，用于在手术视频直播中可靠地移除体外图像	首个公开可用的、与机器人平台和手术类型无关的实时手术匿名化算法，在未见手术类型上性能优于现有最先进方法	需要进一步验证在更多手术类型和机器人平台上的泛化能力	开发并验证一种实时手术匿名化算法，以在机器人手术视频直播中准确移除体外图像	63个手术视频，涵盖6种手术类型，在4种机器人系统上执行	计算机视觉	NA	深度学习	CNN	图像	496,828张图像	NA	Robotic Anonymization Network（基于CNN）	AUC	NA
4	2026-09-16	DP2LM: leveraging deep learning approach for estimation and hypothesis testing on mediation effects with high-dimensional mediators and complex confounders 2024-07-01, Biostatistics (Oxford, England) DOI:10.1093/biostatistics/kxad037 PMID:38330064	研究论文	提出了一种名为DP2LM的新方法，结合深度神经网络和惩罚部分线性模型来处理高维中介变量和复杂混杂因素，并进行中介效应的估计和假设检验	结合深度神经网络处理混杂因素的非线性效应，并使用惩罚部分线性模型处理高维中介变量，同时开发了检验直接和间接中介效应的检验程序，并证明其保持第一类错误率	未明确说明限制	解决传统线性中介分析在处理高维中介变量和复杂混杂因素时的局限性，准确估计和严格推断中介效应	高维中介变量和复杂混杂因素	机器学习	NA	深度学习，惩罚部分线性模型	深度神经网络	模拟数据，DNA甲基化数据	涉及大量中介变量和经历童年创伤的个体	NA	NA	第一类错误率，估计准确性	NA
5	2026-09-10	Research on precise phenotype identification and growth prediction of lettuce based on deep learning 2024-07-01, Environmental research IF:7.7Q1 DOI:10.1016/j.envres.2024.118845 PMID:38570128	研究论文	本文以生菜为研究对象，利用深度学习模型基于RGB图像进行精确表型识别与生长预测，并结合损失函数优化提升预测精度。	引入自定义表型指标，并结合MSE、SSIM和感知损失来优化预测，提高生长图像和表型指数的准确性。	未提及。	实现生菜全生育期的智能监测与管理，为精准农业提供技术支持。	生菜	计算机视觉	不适用	RGB图像采集	深度学习模型	图像	未提及具体样本数量	不明确，可能使用PyTorch或TensorFlow	不明确，可能基于卷积神经网络结构	SSIM、PSNR、平均误差	未提及
6	2026-09-05	Public health nurse perspectives on predicting nonattendance for cervical cancer screening through classification, ensemble, and deep learning models 2024 Jul-Aug, Public health nursing (Boston, Mass.) DOI:10.1111/phn.13334 PMID:38757647	研究论文	本研究旨在通过分类、集成和深度学习模型预测女性未参加宫颈癌筛查的情况，并比较不同模型的性能。	采用多种算法（包括分类、集成和深度学习）比较预测未参加宫颈癌筛查的性能，特别是软投票集成模型和LSTM等深度学习方法的应用。	未提及明确的局限性。	准确预测女性未参加宫颈癌筛查的主要障碍，以提高社区医疗服务中的筛查参与率。	来自初级卫生中心门诊部的1046名女性的数据，包括参加和未参加宫颈癌筛查的情况。	机器学习	宫颈癌	NA	分类模型、集成模型、深度学习模型（如朴素贝叶斯、逻辑回归、随机森林、神经网络、LSTM、MLP）	表格数据（临床记录）	1046名女性的数据	NA	随机森林、神经网络、LSTM、MLP等	准确率、特异性、敏感性、AUC	NA
7	2026-08-29	Sharing massive biomedical data at magnitudes lower bandwidth using implicit neural function 2024-07-09, Proceedings of the National Academy of Sciences of the United States of America IF:9.4Q1 DOI:10.1073/pnas.2320870121 PMID:38959033	研究论文	提出一种基于隐式神经函数的生物医学数据压缩方法BRIEF，实现大规模数据的低带宽共享，压缩率提升2-3个数量级且保持高保真度	使用数据特定的紧凑神经网络表示生物医学数据，避免了传统深度学习方法的泛化问题，并支持自定义空间变化保真度	摘要中未明确提及局限性，可能需要进一步评估在不同数据类型上的计算开销和实际部署效率	实现大规模生物医学数据的低带宽存储与共享，促进跨机构合作	多种生物医学数据，包括图像、视频等	机器学习	NA	隐式神经函数	隐式神经函数	生物医学图像和视频	多种生物医学数据集，具体数量未在摘要中说明	NA	紧凑神经网络	压缩比、保真度	未在摘要中说明
8	2026-08-29	Interpretation of SPECT wall motion with deep learning 2024-07, Journal of nuclear cardiology : official publication of the American Society of Nuclear Cardiology IF:3.0Q2 DOI:10.1016/j.nuclcard.2024.101881 PMID:38723886	研究论文	本研究开发了一种基于深度学习的工作流程，用于解释SPECT心肌壁运动，并评估其性能优于人类专家和定量参数	创新地使用深度学习模型预测异常壁运动的概率，并实现了区域壁运动的评估，同时提供了GUI界面以便在30秒内产生初步解释	未明确说明，但可能受限于单中心数据、回顾性设计以及需要外部验证	开发一种深度学习工作流程，以提高SPECT壁运动解释的准确性	静息ECG门控SPECT图像和超声心动图数据	医学影像分析	心血管疾病	SPECT成像	深度学习模型（未指定具体类型）	医学影像（SPECT）	1038名患者，其中317名用于训练DL-model 2	NA	NA	AUC, 准确率, 净重分类指数	NA
9	2026-08-26	Prediction of visual field progression with serial optic disc photographs using deep learning 2024-07-23, The British journal of ophthalmology DOI:10.1136/bjo-2023-324277 PMID:37833037	研究论文	本研究测试了基于纵向视盘照片对的深度学习模型预测视野进展的假设	首次使用深度学习模型基于早期时间点的纵向视盘照片对来预测青光眼视野进展	未在摘要中明确提及局限性，可能需要进一步验证	验证基于纵向视盘照片的深度学习模型能否预测视野进展	3919只眼（2259名患者）的纵向视盘照片和视野检查数据	深度学习, 医学影像分析	青光眼	眼底照相	孪生神经网络	图像（视盘照片）	3919只眼（2259名患者）	PyTorch	ResNet50	AUC, 准确率	NA
10	2026-08-26	Developing a privacy-preserving deep learning model for glaucoma detection: a multicentre study with federated learning 2024-07-23, The British journal of ophthalmology DOI:10.1136/bjo-2023-324188 PMID:37857452	研究论文	本研究开发了一种基于联邦学习的隐私保护深度学习模型，用于从光学相干断层扫描（OCT）图像中检测青光眼，并在多中心研究中验证了其性能。	首次将联邦学习范式应用于眼科青光眼检测，通过中心服务器与多中心本地模型参数聚合，实现了无需数据交换的隐私保护模型训练，并验证了模型的泛化能力。	研究中未提及具体限制，可能需要进一步评估模型在不同人群和更广泛临床场景中的适用性。	开发一种隐私保护的深度学习模型，利用联邦学习从OCT图像中准确检测青光眼，同时确保患者隐私和数据安全。	来自香港、美国和新加坡七个眼科中心的2785名受试者的9326个体积OCT扫描数据。	医学影像分析	青光眼	光学相干断层扫描（OCT）	三维卷积神经网络（3D-CNN）	图像（OCT体积扫描）	2785名受试者的9326个体积OCT扫描	NA（未提及具体框架）	三种三维网络（具体架构未在摘要中指定）	准确率（accuracy）	NA（未提及具体计算资源）
11	2026-08-25	Opening the Black Box: Spatial Transcriptomics and the Relevance of Artificial Intelligence-Detected Prognostic Regions in High-Grade Serous Carcinoma 2024-07, Modern pathology : an official journal of the United States and Canadian Academy of Pathology, Inc IF:7.1Q1 DOI:10.1016/j.modpat.2024.100508 PMID:38704029	研究论文	本文结合空间转录组学与人工智能检测的预后区域，揭示高级别浆液性卵巢癌中与化疗反应相关的分子特征	首次将AI检测的预后相关肿瘤区域与空间转录组学结合，以揭示传统形态学无法区分的分子差异	样本量较小（16例），且研究为概念验证性质，需更大规模验证	利用AI引导的空间转录组学分析，识别与高级别浆液性卵巢癌患者预后相关的生物学特征	16例高级别浆液性卵巢癌患者的肿瘤组织，分为预后好和差两组（每组8例）	数字病理学, 机器学习	卵巢癌	空间转录组学	AI模型（基于图像）	转录组数据, 组织图像	16例患者（8例预后好，8例预后差）	NA	NA	预测结果准确性	NA
12	2026-08-25	Unlocking Hidden Risks: Harnessing Artificial Intelligence (AI) to Detect Subclinical Conditions from an Electrocardiogram (ECG) 2024-07-01, Journal of insurance medicine (New York, N.Y.) DOI:10.17849/insm-51-2-64-76.1 PMID:39266002	研究论文	本文旨在提供对AI增强心电图技术的基本理解，并讨论其在检测亚临床心血管疾病方面的应用和潜力	利用深度学习模型从正常心电图中检测出疾病，准确率超过以往技术或人类专家水平，显著优于现有筛查模型	虽然结果令人鼓舞，但需要谨慎乐观，技术仍在快速演变中	探讨AI增强心电图在检测亚临床心血管疾病中的应用价值	AI增强心电图技术及其在特定心血管疾病检测中的应用	机器学习	心血管疾病	NA	深度学习模型	心电图数据	NA	NA	NA	AUC, 准确率	NA
13	2026-08-23	Deep learning guided design of dynamic proteins 2024-Jul-19, bioRxiv : the preprint server for biology DOI:10.1101/2024.07.17.603962 PMID:39071443	研究论文	本文介绍了一种基于深度学习的通用方法，用于设计蛋白质分子内的构象动态变化，类似于自然界中的开关机制，并实现了原子级精度。	提出了首个能够以原子级精度设计蛋白质构象动态变化的深度学习方法，该方法超越了以往仅能设计静态蛋白质结构的限制，并通过实验验证了设计的构象。	文中未提及具体局限性，但可能包括设计的构象变化仅限于分子内结构域间，且依赖于深度学习预测和物理模拟的准确性。	实现蛋白质构象动力学的可控设计，构建可调控的类似天然信号蛋白的开关机制。	蛋白质构象变化，包括设计蛋白的构象状态、状态间转换及配体和突变对其调控。	机器学习	不适用	实体生物化学结构解析	深度学习模型	蛋白质结构数据	不适用	不适用	不适用	不适用	不适用
14	2024-08-07	Cannulation selection in relation to deep learning-based algorithm for the detection of thoracic aortic calcifications 2024-07-01, European journal of cardio-thoracic surgery : official journal of the European Association for Cardio-thoracic Surgery IF:3.1Q1 DOI:10.1093/ejcts/ezae260 PMID:38960724	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
15	2026-08-21	Harnessing deep learning for SNP-based disease prediction in genomics 2024-Jul-04, International journal of information technology : an official journal of Bharati Vidyapeeth's Institute of Computer Applications and Management DOI:10.1007/s41870-025-02624-8 PMID:40822924	研究论文	本研究探讨了利用深度学习模型从单核苷酸多态性（SNP）数据预测疾病状态的方法	本研究的新颖之处在于对所有数据集应用了标准化的预处理、特征选择和模型训练流程，从而能够直接且公平地比较模型性能	未明确提及，但可能包括数据集规模有限、泛化能力待验证等	研究目的是利用深度学习模型从SNP数据中预测疾病状态，并比较不同模型架构的性能	研究对象为八个GEO数据集中的SNP基因型数据及其对应的疾病状态	机器学习	未明确指定，泛指多种疾病	SNP基因分型	前馈网络、自编码器、CNN、RNN	基因型数据（SNP）	八个GEO数据集，具体样本量未说明	未明确提及	前馈网络、自编码器、CNN、RNN	未明确提及，可能包括准确率、AUC等	未明确提及
16	2026-08-20	A deep learning model of tumor cell architecture elucidates response and resistance to CDK4/6 inhibitors 2024-07, Nature cancer IF:23.5Q1 DOI:10.1038/s43018-024-00740-1 PMID:38443662	研究论文	构建了一个基于癌症多蛋白复合物参考图谱的可解释深度学习模型，用于预测CDK4/6抑制剂帕博西尼的反应和耐药性	通过多蛋白复合物整合罕见和常见基因改变，比单基因生物标志物更准确地预测药物反应，并利用CRISPR-Cas9验证了预测复合物的功能	未明确提及，但可能包括依赖细胞系和异种移植模型，需进一步临床验证	阐明CDK4/6抑制剂反应和耐药性的潜在机制，提高治疗预测准确性	乳腺癌细胞系、患者和患者来源的异种移植模型	深度学习	乳腺癌	CRISPR-Cas9、深度学习	深度学习模型（具体类型未明确）	基因组数据、蛋白复合物数据	未明确，但涉及多个细胞系、患者和异种移植模型	NA	NA	未明确，但可能包括准确性、敏感性等	NA
17	2026-08-19	A deep learning-based toolkit for 3D nuclei segmentation and quantitative analysis in cellular and tissue context 2024-07-15, Development (Cambridge, England) DOI:10.1242/dev.202800 PMID:39036998	研究论文	本文介绍了一套用于三维细胞核分割和定量分析的计算工具包，实现了对不同组织和条件下的细胞核进行准确分割，并提供了相关分析功能。	提出了一种新的地面真值生成和迭代训练方法，提高了三维细胞核分割的准确性和适用性；提供了两个高质量的预训练模型和约10000个细胞核的数据集；扩展了MorphoGraphX软件用于细胞核与周围细胞的关联分析；在PlantSeg中引入校对工具进行细胞分割修正。	未明确提及局限性。	开发并验证一种广泛适用的三维细胞核分割和定量分析工具包，以支持细胞和组织层面的研究。	从不同植物和动物组织获取的固定或活体样本中的细胞核。	数字病理学、计算机视觉	不适用	荧光显微成像	深度学习分割模型（CellPose、PlantSeg、StarDist）	三维图像数据	约10,000个细胞核	未明确提及	CellPose、PlantSeg、StarDist	未明确提及	未明确提及
18	2026-08-13	Rigdelet neural network and improved partial reinforcement effect optimizer for music genre classification from sound spectrum images 2024-Jul-30, Heliyon IF:3.4Q1 DOI:10.1016/j.heliyon.2024.e34067 PMID:39104510	研究论文	介绍了一种通过声音频谱图像进行音乐流派分类的新方法，使用增强型Ridgelet神经网络和改进的部分强化效应优化器进行特征提取和优化	提出了一种改进的部分强化效应优化器（IPREO）来优化Ridgelet神经网络，有效避免局部最优并增强模型的泛化能力，采用了混合CNN-双向RNN架构	摘要中未明确提及局限性	实现音乐流派的高准确率分类，并提升模型性能优于传统方法和现有深度学习架构	音乐音频信号及其声音频谱图像	计算机视觉, 音频处理	不适用	NA	Ridgelet神经网络（RNN）	图像（声音频谱图像）	GTZAN数据集（包含1000个音频片段，每段30秒，涵盖10个流派）	NA	混合CNN-双向RNN设计	准确率	NA
19	2026-08-13	Using deep learning to decipher the impact of telomerase promoter mutations on the dynamic metastatic morpholome 2024-07, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1012271 PMID:39078811	研究论文	利用深度学习解析端粒酶启动子突变对黑色素瘤动态转移形态组的影响	创新性地结合等基因克隆细胞系和双色表达报告系统，实现端粒酶启动子突变对形态组影响的等位基因分辨率解析，并应用深度学习分析动态形态组变化	摘要中未提及研究的局限性	阐明端粒酶启动子突变（C228T和C250T）对黑色素瘤转移过程中的形态和表型影响	携带端粒酶启动子突变的等基因克隆细胞系及其野生型对照	深度学习	黑色素瘤	深度学习	深度学习模型	细胞形态图像	NA	NA	NA	NA	NA
20	2026-08-13	Achieving Occam's razor: Deep learning for optimal model reduction 2024-07, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1012283 PMID:39024398	研究论文	本文展示了如何利用深度学习方法实现奥卡姆剃刀原理，通过提出FixFit方法，使用带瓶颈层的深度前馈神经网络来表征和预测给定模型的行为，并识别模型中的非必要参数	提出FixFit方法，利用深度前馈神经网络和瓶颈层来量化模型复杂度，实现唯一参数拟合并提供无偏方式区分有价值和无价值的实验假设	摘要中未提及具体限制	利用深度学习应用奥卡姆剃刀原理，实现最优模型简化，以减少参数冗余并提高参数估计准确性	包括开普勒轨道模型、血糖调控动态模型和多尺度脑模型在内的数学模型	机器学习	NA	NA	深度前馈神经网络	数值数据	涉及三个用例，但具体样本数量未在摘要中提及	NA	带瓶颈层的深度前馈神经网络	NA	NA