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
41	2026-02-26	An effective deep learning-based approach for splice site identification in gene expression 2024 Jul-Sep, Science progress IF:2.6Q2 DOI:10.1177/00368504241266588 PMID:39051530	研究论文	本文提出了一种基于深度学习的计算机辅助诊断技术，用于快速准确识别基因表达中的剪接位点序列	利用长短期记忆网络从RNA序列中提取独特模式，实现快速准确的点突变序列映射，并通过与现有方法的比较验证了其优越性	未提及具体的数据集规模限制或模型泛化能力的详细评估	开发一种精确可靠的计算机辅助诊断技术，用于快速正确识别剪接位点序列	真核生物基因表达中的mRNA剪接位点序列	自然语言处理	NA	RNA序列分析	LSTM	序列数据	NA	NA	LSTM	准确率	NA
42	2026-02-26	Early and late blight disease identification in tomato plants using a neural network-based model to augmenting agricultural productivity 2024 Jul-Sep, Science progress IF:2.6Q2 DOI:10.1177/00368504241275371 PMID:39262392	研究论文	本研究开发了一种基于Inception-V3架构的神经网络模型，用于识别番茄植株的早疫病和晚疫病，旨在提高疾病识别准确率并促进农业生产	利用深度学习技术（Inception-V3架构）对番茄叶片疾病进行自动分类，相比传统方法提高了识别效率和准确性	研究仅使用PlantVillage数据集中的6000张图像，可能无法涵盖所有田间变异情况；未提及模型在真实农业环境中的泛化能力测试	通过深度学习技术提高番茄叶片疾病的识别准确率，以增强农业生产力和经济效益	番茄植株的叶片，特别是受早疫病和晚疫病影响的叶片	计算机视觉	植物病害（番茄早疫病和晚疫病）	深度学习图像分类	CNN	图像	6000张番茄叶片图像（来自PlantVillage数据集）	NA	Inception-V3	准确率	NA
43	2026-02-26	Innovative entrepreneurial market trend prediction model based on deep learning: Case study and performance evaluation 2024 Jul-Sep, Science progress IF:2.6Q2 DOI:10.1177/00368504241272722 PMID:39205470	研究论文	本文提出了一种基于深度学习的创新性创业市场趋势预测模型，并通过案例研究和性能评估验证了其有效性	结合历史市场数据与社交媒体情感分析等多源指标，构建了超越传统方法的先进预测模型	未明确说明模型的具体泛化能力或在不同市场环境下的适用性限制	提高创新与创业领域的市场趋势预测准确性，以支持决策制定	市场趋势数据，包括历史市场数据和社交媒体情感指标	机器学习	NA	深度学习	深度学习模型	历史市场数据、社交媒体文本数据	NA	NA	NA	准确性	NA
44	2026-02-25	Future Perspectives of Artificial Intelligence in Bone Marrow Dosimetry and Individualized Radioligand Therapy 2024-07, Seminars in nuclear medicine IF:4.6Q1 DOI:10.1053/j.semnuclmed.2024.06.003 PMID:39013673	综述	本文综述了人工智能在核医学剂量学，特别是骨髓剂量测定和个体化放射性配体治疗中的未来应用前景	探讨了人工智能（尤其是机器学习和深度学习）在提高骨髓和血液剂量测定准确性、早期识别血液学风险因素以及实现适应性治疗规划方面的潜在创新作用	NA	旨在概述人工智能方法在核医学剂量学领域整合的机遇，以推动放射性配体治疗向真正个体化诊疗发展	放射性配体治疗及其相关的骨髓剂量测定和血液学副作用	核医学	恶性肿瘤	NA	机器学习, 深度学习	NA	NA	NA	NA	NA	NA
45	2026-02-22	Deep Learning in Predicting Preterm Birth: A Comparative Study of Machine Learning Algorithms 2024-Jul, Maternal-fetal medicine (Wolters Kluwer Health, Inc.) DOI:10.1097/FM9.0000000000000236 PMID:40406277	研究论文	本研究通过比较多种机器学习算法，探讨深度学习在预测早产方面的适用性	首次在早产预测中比较了Transformer模型与传统机器学习算法（如逻辑回归、随机森林和支持向量机），并展示了Transformer的优越性能	研究为回顾性单中心设计，可能存在选择偏倚，且未详细说明模型的可解释性	评估深度学习算法是否适合用于预测早产	2018年1月至2023年6月在北京大学第三医院分娩的产妇数据	机器学习	早产	回顾性数据分析	Transformer, 逻辑回归, 随机森林, 支持向量机	结构化临床数据	30,965例分娩数据（第一部分24,770例，第二部分6,195例）	NA	Transformer	AUC, 灵敏度, 特异性, 阳性预测值, 阴性预测值, 准确率	NA
46	2026-02-10	From 2D to 3D: automatic measurement of the Cobb angle in adolescent idiopathic scoliosis with the weight-bearing 3D imaging 2024-07, The spine journal : official journal of the North American Spine Society DOI:10.1016/j.spinee.2024.03.019 PMID:38583576	研究论文	本研究比较了青少年特发性脊柱侧凸（AIS）中传统的2D Cobb角测量与基于负重3D成像（WR3D）的3D自动测量技术	首次在AIS评估中系统比较了传统2D Cobb角测量与三种不同的3D自动测量方法（AM、PIM、PPM），并利用3D-UNet深度学习模型进行脊柱分割，实现了自动化的3D角度计算	样本量相对较小（53例患者），且缺乏严重弯曲患者的验证，需要进一步研究来扩展和验证结果	比较传统2D与3D自动测量方法在评估青少年特发性脊柱侧凸脊柱弯曲度方面的差异	青少年特发性脊柱侧凸（AIS）患者	数字病理学	青少年特发性脊柱侧凸	负重3D成像（WR3D）、深度学习分割	CNN	3D医学图像	53名AIS患者，包含88个脊柱弯曲	3D Slicer	3D-UNet	NA	NA
47	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
48	2026-01-29	Do Deep Learning Algorithms Accurately Segment Intracerebral Hemorrhages on Noncontrast Computed Tomography? A Systematic Review and Meta-Analysis 2024-Jul, Stroke (Hoboken, N.J.) DOI:10.1161/SVIN.123.001314 PMID:41585382	系统综述与荟萃分析	本文通过系统综述和荟萃分析评估深度学习算法在非增强计算机断层扫描上分割脑出血的准确性	首次对深度学习在非增强CT上分割脑出血的准确性进行全面的系统综述和荟萃分析，揭示了算法在不同出血病因中的性能差异	分割小出血灶仍存在挑战，且需要进一步研究以解决局限性并扩展临床实用性	评估深度学习算法在非增强CT上分割脑出血的精确性	脑出血（ICH）在非增强计算机断层扫描上的分割	医学影像分析	脑出血	非增强计算机断层扫描	CNN	医学影像（CT图像）	28项研究（主要为回顾性队列）	NA	U-Net及其变体	Dice相似系数	NA
49	2026-01-23	Decoding depression: a comprehensive multi-cohort exploration of blood DNA methylation using machine learning and deep learning approaches 2024-07-15, Translational psychiatry IF:5.8Q1 DOI:10.1038/s41398-024-02992-y PMID:39009577	研究论文	本研究通过机器学习和深度学习方法，探索了血液DNA甲基化在抑郁症中的稳定性与预测能力	首次在多个队列中综合评估了12种机器学习和深度学习策略用于抑郁症分类，并比较了有偏和无偏特征选择的效果	使用协调化数据时甲基化预测能力较低，且模型性能受特征选择偏差影响	探索抑郁症的血液DNA甲基化生物标志物，并评估不同机器学习方法在抑郁症分类中的应用	来自六个不同人群的八个队列的血液DNA甲基化数据	机器学习	抑郁症	DNA甲基化分析	随机森林, 自动编码器-分类器联合模型	DNA甲基化数据	1942个样本	NA	自动编码器	AUC	NA
50	2026-01-22	Deep Learning Used with a Colorimetric Sensor Array to Detect Indole for Nondestructive Monitoring of Shrimp Freshness 2024-07-24, ACS applied materials & interfaces IF:8.3Q1 DOI:10.1021/acsami.4c04223 PMID:38980942	研究论文	本研究开发了一种基于比色传感器阵列和深度学习技术的智能比色鲜度指示器，用于无损监测虾的新鲜度	提出了一种掺杂PDL的PVA/壳聚糖比色条传感器阵列，其颜色变化（从淡黄色到粉色或桑葚色）能像进度条一样直观反映吲哚浓度，并结合深度学习图像分类系统实现高精度鲜度识别	传感器阵列的检测范围限定在50-350 ppb的吲哚浓度区间，实际应用场景的普适性未充分验证	开发一种低成本、直观的无损食品鲜度监测方法	虾的新鲜度（通过吲哚浓度指示）	计算机视觉	NA	比色传感器阵列	DCNN	图像	NA	NA	VGG16	准确率	NA
51	2026-01-17	BrainFTFCN: Synergistic feature fusion of temporal dynamics and network connectivity for brain age prediction 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/EMBC53108.2024.10782250 PMID:40038971	研究论文	提出一种名为BrainFTFCN的新型特征融合网络，通过协同整合时间动态性和网络连接性来增强大脑年龄预测	首次将时间动态性（通过时间序列）和网络拓扑结构（通过功能网络连接）进行协同特征融合，克服了以往模型仅关注单一特征的局限性	研究仅在Cam-CAN数据集上进行验证，未在其他独立数据集上测试泛化能力	开发更准确的大脑年龄预测模型以理解大脑发育和衰老机制	静息态功能磁共振成像（rs-fMRI）数据	医学影像分析	神经退行性疾病	静息态功能磁共振成像（rs-fMRI）	深度学习, 图神经网络, 自编码器, 支持向量回归	神经影像数据	Cam-CAN数据集（具体数量未明确说明）	PyTorch（推断）, Scikit-learn	Temporal Attention Autoencoder (TAAE), Functional Connectivity Graph Attention Network (FCGAT), 支持向量回归	平均绝对误差（MAE）, 其他未指定指标	NA
52	2026-01-15	AI-powered microscopy image analysis for parasitology: integrating human expertise 2024-07, Trends in parasitology IF:7.0Q1 DOI:10.1016/j.pt.2024.05.005 PMID:38824067	综述	本文全面综述了面向寄生虫学显微图像分析的、集成人类专家知识的知识融合深度学习模型的最新进展	提出将寄生虫学领域大量的人类专家知识整合到深度学习模型中，以增强AI驱动决策的准确性和可解释性，并展望了其在寄生虫学领域的广泛应用前景	NA	回顾和总结知识融合深度学习模型在寄生虫学显微图像分析领域的最新进展，旨在解决传统数据驱动方法缺乏可解释性和指导资源不足的问题	寄生虫学显微图像分析	计算机视觉	寄生虫病	显微图像分析	深度学习	图像	NA	NA	NA	准确性，可解释性	NA
53	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
54	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
55	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
56	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
57	2025-12-10	Sensitive Detection of Structural Differences using a Statistical Framework for Comparative Crystallography 2024-Jul-23, bioRxiv : the preprint server for biology DOI:10.1101/2024.07.22.604476 PMID:39091831	研究论文	本文介绍了一种结合深度学习和统计先验的贝叶斯框架，用于校正X射线衍射数据，并通过多变量统计理论提升比较晶体学中结构差异的敏感检测	将贝叶斯框架与多变量统计理论结合，显著提高了蛋白质动力学、元素特异性异常信号及药物片段结合的检测能力	NA	开发一种统计框架，以敏感检测比较晶体学中的结构差异	蛋白质的化学和构象变化	机器学习	NA	X射线衍射	深度学习	晶体学数据	NA	NA	NA	NA	NA
58	2025-12-04	Clustering single-cell RNA sequencing data via iterative smoothing and self-supervised discriminative embedding 2024-07, Oncogene IF:6.9Q1 DOI:10.1038/s41388-024-03074-5 PMID:38834657	研究论文	提出了一种名为scRISE的深度聚类方法，用于单细胞RNA测序数据的聚类分析	结合了基于图自编码器的迭代平滑模块和具有自适应相似度阈值的自监督判别嵌入模块，以去噪数据并优化聚类	未明确提及方法在极大规模数据集上的计算效率或泛化能力	解决单细胞RNA测序数据聚类中相似度度量选择的挑战	单细胞RNA测序数据	机器学习	头颈鳞状细胞癌	单细胞转录组测序	图自编码器	基因表达数据	17个单细胞RNA测序数据集	NA	图自编码器	NA	NA
59	2025-11-19	IRTCI: Item Response Theory for Categorical Imputation 2024-Jul-02, Research square DOI:10.21203/rs.3.rs-4529519/v1 PMID:39011102	研究论文	提出基于项目反应理论的分类数据插补新方法IRTCI，并与现有多种机器学习方法进行对比评估	首次将项目反应理论应用于分类数据插补，通过生成概率项确定缺失单元格的类别归属	未明确说明方法在大规模数据集上的计算效率及在复杂缺失模式下的表现	开发更有效的分类数据缺失值插补方法	具有缺失值的分类数据集	机器学习	NA	项目反应理论	IRT	分类数据（顺序、名义、二元）	三个不同数据集	NA	IRTCI	准确率, 预测性能	NA
60	2025-11-12	Detection of Peri-Pancreatic Edema using Deep Learning and Radiomics Techniques 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/EMBC53108.2024.10782032 PMID:40039000	研究论文	本研究开发了一种结合深度学习和影像组学技术自动检测胰周水肿的方法	首次提出自动检测胰周水肿的研究，创建了首个该问题的基准测试，结合了现代深度学习架构和影像组学技术	样本量相对有限（255例患者），需要进一步验证	开发自动检测胰周水肿的方法以辅助胰腺炎诊断和管理	胰腺疾病患者的CT影像数据	医学影像分析	胰腺炎	CT影像分析	Transformer, XGBoost	CT图像	255例胰腺疾病患者	PyTorch	LinTransUNet, Swin-Tiny	Dice系数, mIoU, 召回率, 精确率, 准确率	NA