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
101	2026-05-29	Review of Machine Learning Techniques in Soft Tissue Biomechanics and Biomaterials 2024-10, Cardiovascular engineering and technology IF:1.6Q4 DOI:10.1007/s13239-024-00737-y PMID:38956008	综述	全面探讨机器学习技术在软组织生物力学和生物材料中的应用，特别是心血管工程领域，并讨论各方法的基本数学基础	系统分类了标准ML和物理信息ML算法，总结了11篇相关研究，并详细讨论了软组织和生物材料力学特性预测中的机器学习方法	仅纳入11篇符合标准的文章，基于特定关键词选择，可能遗漏其他相关研究；未详细比较不同ML模型的性能差异	综述机器学习技术用于评估软生物组织和生物材料的力学特性，重点关注心血管工程应用	软生物组织和生物材料（如血管、心脏瓣膜等），以及与之相关的实验和合成力学数据	机器学习	心血管疾病	NA	支持向量机、袋装决策树、人工神经网络、深度神经网络、卷积神经网络、自编码器、物理信息神经网络	实验数据（单轴或双轴应力-应变数据）、合成数据（非线性拟合和有限元模拟生成）、图像数据（三维二次谐波生成图像、CT图像）	11篇相关研究文章	NA	支持向量机、袋装决策树、ANN、DNN、CNN、自编码器、物理信息神经网络	决定系数R²，其他多种度量和误差测量	NA
102	2026-05-29	A Label-Efficient Framework for Automated Sinonasal CT Segmentation in Image-Guided Surgery 2024-Oct, Otolaryngology--head and neck surgery : official journal of American Academy of Otolaryngology-Head and Neck Surgery DOI:10.1002/ohn.868 PMID:38922721	研究论文	评估一种标签高效的深度学习管道，用于CT扫描中鼻窦结构的语义分割，仅需少量标注扫描即可达到亚毫米精度	提出一种标签高效的深度学习框架，能够联合训练少量标注扫描和大量未标注扫描，显著减少对大规模标注数据的需求	未明确提及	评估标签高效深度学习管道在CT扫描中分割鼻窦结构（如鼻中隔、下鼻甲、上颌窦和视神经）的可行性	40张CT扫描，包括16张手动标注的扫描用于评估	计算机视觉	鼻窦疾病	CT成像	深度学习	图像（CT扫描）	40张CT扫描，其中16张完成手动标注	深度学习框架（未具体说明）	未明确说明	平均表面距离（ASD）	未明确说明
103	2026-05-29	ACDMBI: A deep learning model based on community division and multi-source biological information fusion predicts essential proteins 2024-10, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2024.108115 PMID:38865861	研究论文	提出了一种基于社区划分和多源生物信息融合的深度学习模型ACDMBI，用于预测必需蛋白质	首次结合社区划分、图卷积网络、图注意力网络、双向长短期记忆网络和多头自注意力机制，从蛋白互作网络、基因表达数据和亚细胞定位数据三种来源融合特征	实验仅在酿酒酵母数据上进行，模型在其他物种上的泛化能力未验证	提高必需蛋白质预测的准确性，服务于药物研究和疾病诊断	必需蛋白质	机器学习	NA	NA	ACDMBI	蛋白互作网络数据、基因表达数据、亚细胞定位数据	酿酒酵母数据	PyTorch, Keras	GCN, GAT, BiLSTM, DNN	AUC, AUPR	NA
104	2026-05-29	Prediction of viral families and hosts of single-stranded RNA viruses based on K-Mer coding from phylogenetic gene sequences 2024-10, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2024.108114 PMID:38852362	研究论文	基于系统发育基因序列的K-Mer编码，利用机器学习和深度学习模型预测单链RNA病毒的病毒科和宿主	首次对包含单链RNA病毒基因序列、具有广泛家族和宿主多样性的PhyVirus数据集进行病毒科和宿主分类研究，并详细探究了K-Mer编码中不同词长对分类效果的影响	未在摘要中明确说明局限性	快速准确地对病毒物种及其潜在宿主进行分类，以了解传播动态并促进靶向疗法的开发	Baltimore组四（+ssRNA）和五（-ssRNA）的单链RNA病毒及其宿主和物种	机器学习，自然语言处理	NA	K-Mer编码	全连接深度神经网络，随机森林，梯度提升，极端随机树	基因序列	包含来自不同宿主和物种的单链RNA病毒基因序列的PhyVirus数据集	NA	全连接深度神经网络，随机森林，梯度提升，极端随机树	准确率	NA
105	2026-05-29	CNN-BLSTM based deep learning framework for eukaryotic kinome classification: An explainability based approach 2024-10, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2024.108169 PMID:39137619	研究论文	提出一种基于CNN-BLSTM的可解释性深度学习框架，用于真核生物激酶组的分类	级联GRAD CAM和Integrated Gradient可解释性方法，以替代传统CNN模型的类激活图解释，提升模型在真核激酶分类中的可靠性和可解释性	未提及具体局限性	开发具有可解释性的深度学习模型，用于真核生物激酶序列分类，增强模型在蛋白质组学研究中的可信度	真核生物激酶序列及其对应家族	机器学习	NA	NA	CNN-BLSTM	序列数据	未提及具体样本量	NA	CNN-BLSTM	F1-score	NA
106	2026-05-29	Hybrid optimal feature selection-based iterative deep convolution learning for COVID-19 classification system 2024-10, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109031 PMID:39173484	研究论文	提出一种混合最优特征选择的迭代深度卷积学习框架，用于基于物联网数据的COVID-19分类	融合随机森林注入粒子群黑寡妇优化算法（RFI-PS-BWO）与迭代深度卷积学习（IDCL）特征选择，实现高精度COVID-19分类	未提及外部验证数据集或计算资源需求，可能影响泛化性和可复现性	利用物联网医疗数据，通过AI方法实现COVID-19的早期检测与诊断	物联网设备收集的SARS-CoV-2及其他病毒类别的医学数据	机器学习	COVID-19	NA	一维卷积神经网络（1D-CNN）	物联网传感器数据（医疗健康数据）	大型COVID-19样本数据集（具体数量未提及）	NA	1D-CNN	F1分数、灵敏度、特异性、精确率、召回率	NA
107	2026-05-29	Depth estimation from monocular endoscopy using simulation and image transfer approach 2024-10, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109038 PMID:39178804	研究论文	提出一种结合仿真与图像迁移技术的深度学习方法，从单目内窥镜图像中估计深度信息	首次利用模拟内窥镜图像和循环生成对抗网络提升图像真实性，并用于训练深度估计网络模型	未提及实际临床数据验证及计算资源消耗评估	实现从单目内窥镜图像中精确估计深度信息，增强导航系统功能	结肠表面模型及模拟内窥镜图像	计算机视觉	NA	NA	深度学习模型、循环生成对抗网络	模拟内窥镜图像、深度图	基于CT结肠成像分割的结肠表面模型生成的模拟数据	Unity	循环生成对抗网络	深度估计精确度	NA
108	2026-05-29	Skeleton-guided multi-scale dual-coordinate attention aggregation network for retinal blood vessel segmentation 2024-10, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109027 PMID:39178808	研究论文	提出一种骨架引导的多尺度双坐标注意力聚合网络，用于视网膜血管分割	创新性设计了双坐标注意力模块、不平衡像素放大器和血管骨架引导模块，以及特征级对比损失函数，有效解决了类不平衡和血管结构不连续问题	未明确提及局限性，但可能对严重病变图像或低对比度图像的泛化能力需进一步验证	提高视网膜血管分割的精度和连续性，解决前景薄血管类不平衡及图像质量差导致的结构断裂问题	视网膜血管结构	计算机视觉	视网膜疾病	深度学习	CNN	图像	三个公开数据集（DRIVE、STARE、CHASE_DB1），未明确样本总数	NA	双坐标注意力模块、不平衡像素放大器、血管骨架引导模块	分割准确率	NA
109	2026-05-29	RETNet: Resolution enhancement Transformer network for magnetic particle imaging based on X-space 2024-10, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109043 PMID:39191080	研究论文	提出了一种基于X-space的磁粒子成像分辨率增强Transformer网络（RETNet），用于从低梯度图像重建高梯度图像，提高空间分辨率	首次将Transformer架构应用于磁粒子成像分辨率增强，创新性地设计了跨尺度Transformer关注纹理特征和残差Swin Transformer关注结构特征的双分支结构，实现细节完整性和高清晰度重建	无相关信息	提出一种低成本、高效的方法，通过深度学习重建高梯度图像来提高磁粒子成像的空间分辨率，避免高功率消耗和高噪声	磁粒子成像中的超顺磁性氧化铁纳米颗粒浓度分布图像	计算机视觉	不适用	磁粒子成像	Transformer	图像	仿真、体模和体内实验数据	PyTorch	RETNet, 跨尺度Transformer, 残差Swin Transformer	无噪声和多噪声水平下的对比实验	无相关信息
110	2026-05-29	ECG classification via integration of adaptive beat segmentation and relative heart rate with deep learning networks 2024-10, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109062 PMID:39205344	研究论文	提出一种集成自适应心跳分割和相对心率信息的深度学习方法，用于心电图信号分析中的波形界定与搏动类型分类	创新点包括自适应心跳分割方法（根据RR间期确定最佳持续时间）和融入相对心率信息（提高对房性早搏的检测准确率），显著提升了模型性能	NA	提升心电图信号分析中搏动类型分类和波形界定的准确性	心电图信号中的搏动类型（正常搏动、室性早搏、房性早搏）和波形（P波、QRS波群、T波）	机器学习, 数字病理学	心血管疾病	ECG	深度学习模型	信号	PhysioNet QT数据库、MIT-BIH心律失常数据库和真实世界可穿戴设备数据	NA	NA	敏感性, F1分数	NA
111	2026-05-29	A novel pipeline employing deep multi-attention channels network for the autonomous detection of metastasizing cells through fluorescence microscopy 2024-10, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109052 PMID:39216406	研究论文	开发了一种基于深度多注意力通道网络的自动化荧光显微镜检测转移细胞的新流程	提出了多注意力通道网络架构，并结合可解释的全局方法（GradCam）来解析细胞骨架在转移中的作用	未明确提及局限性	利用深度学习自动区分正常细胞和转移性癌细胞，并提高模型的可解释性	人类正常细胞及其同基因匹配的致癌转化、侵袭和转移细胞	计算机视觉	癌症转移	荧光显微镜	卷积神经网络（CNN），多注意力通道网络	图像	未明确提及样本数量	NA	多注意力通道网络	GradCam得分	NA
112	2026-05-29	Mpox outbreak: Time series analysis with multifractal and deep learning network 2024-10-01, Chaos (Woodbury, N.Y.) DOI:10.1063/5.0236082 PMID:39413265	研究论文	本文利用多重分形和深度学习网络对猴痘疫情进行时间序列分析，预测未来传播趋势	结合分形插值预处理和多重分形测度分析猴痘传播的异质性，并使用双向长短期记忆神经网络预测疫情爆发	NA	分析猴痘疫情的多重分形特征并预测未来传播以预警全球流行	猴痘病例的时间序列数据	机器学习	猴痘	NA	双向长短期记忆神经网络（BiLSTM）	时间序列数据	非洲、美洲和欧洲地区的猴痘病例数据	NA	双向长短期记忆神经网络	NA	NA
113	2026-05-29	Dynamic entrainment: A deep learning and data-driven process approach for synchronization in the Hodgkin-Huxley model 2024-10-01, Chaos (Woodbury, N.Y.) DOI:10.1063/5.0219848 PMID:39470595	研究论文	利用深度学习和数据驱动方法在Hodgkin-Huxley模型中实现动态牵引同步	提出了一种名为“动态牵引”的创新技术，结合数据驱动方法和Hodgkin-Huxley模型输出，利用深度学习动态维持系统在牵引范围内	文中未明确提及局限性	研究动态系统中共振与同步节律现象，特别是生物背景下的应用	Hodgkin-Huxley模型描述的神经元动作电位传播	机器学习	神经退行性疾病（如亨廷顿病）	数据驱动方法	深度学习模型	数值仿真数据	NA	NA	NA	NA	NA
114	2026-05-29	Classification Method of ECG Signals Based on RANet 2024-10, Cardiovascular engineering and technology IF:1.6Q4 DOI:10.1007/s13239-024-00730-5 PMID:38653933	研究论文	提出基于残差注意力神经网络（RANet）的心电信号分类方法，解决梯度消失和信号特征重要性差异问题	结合ResNet解决梯度消失、引入注意力机制聚焦关键特征、改进投票方法缓解数据不平衡	仅基于单个数据集（PhysioNet/CinC Challenge 2017）验证，未提及泛化性测试	提升心电信号分类性能，解决深层网络梯度消失和特征重要性差异问题	不同类型心律失常的心电信号	机器学习	心血管疾病	NA	残差注意力神经网络（RANet）	心电信号	PhysioNet/CinC Challenge 2017数据集	NA	ResNet, 注意力机制	F1值	NA
115	2026-05-24	Deep learning for quantifying spatial patterning and formation process of early differentiated human-induced pluripotent stem cells with micropattern images 2024-10, Journal of microscopy IF:1.5Q3 DOI:10.1111/jmi.13346 PMID:38994744	研究论文	提出一种深度学习方法，利用微图案图像量化早期分化的人诱导多能干细胞的空间模式与形成过程	创新性地采用解码和编码U-net结构，同时结合Hoechst和明场图像分割hiPSC，并提取胚外区域及对比荧光强度量化多能性	未明确说明局限性	通过微图案图像定量评估hiPSC的多能性和早期分化中胚层的空间模式	人诱导多能干细胞（hiPSC）的早期分化阶段	计算机视觉	NA	微图案成像	U-net	图像	包含多个hiPSC系、不同微图案尺寸、多种标记组、活细胞和固定细胞的样本	NA	U-net（解码结构、编码结构）	细胞数量准确率、细胞区域准确率	NA
116	2026-05-17	Artificial Intelligence Applications in Oral Cancer and Oral Dysplasia 2024-10, Tissue engineering. Part A DOI:10.1089/ten.TEA.2024.0096 PMID:39041628	综述	综述人工智能在口腔癌和口腔上皮不典型增生中的应用，旨在开发预测生物标志物	系统回顾了基于人工智能的方法，包括机器学习和深度学习，在预测口腔上皮不典型增生恶变、口腔癌患者死亡率和治疗反应方面的进展	NA	强调基于人工智能的方法在开发预测口腔上皮不典型增生向口腔癌转化或口腔癌患者死亡率和治疗反应预测生物标志物方面的进展	口腔鳞状细胞癌和口腔上皮不典型增生	数字病理学	口腔癌	多重免疫组化、表观基因组学	深度学习	图像	NA	NA	神经网络	NA	NA
117	2026-05-16	A pathology foundation model for cancer diagnosis and prognosis prediction 2024-10, Nature IF:50.5Q1 DOI:10.1038/s41586-024-07894-z PMID:39232164	研究论文	提出了一种通用的弱监督机器学习框架CHIEF，用于提取病理成像特征以实现系统的癌症评估	利用两种互补的预训练方法（无监督预训练和弱监督预训练）来提取多样化的病理表征，并在大规模多部位全切片图像上验证了其优越的泛化能力	未提及具体局限性	开发一种能够泛化到不同数字化协议和不同人群样本的通用病理学基础模型，用于癌症诊断和预后预测	19个解剖部位的60,530张全切片图像和国际上24家医院及队列的32个独立切片集共19,491张全切片图像	数字病理学	癌症	NA	弱监督机器学习	病理全切片图像	60,530张全切片图像用于开发，19,491张全切片图像用于验证	PyTorch	NA	准确率、AUC	44TB高分辨率病理成像数据集
118	2026-05-16	Improving 18F-FDG PET Quantification Through a Spatial Normalization Method 2024-10-01, Journal of nuclear medicine : official publication, Society of Nuclear Medicine IF:9.1Q1 DOI:10.2967/jnumed.123.267360 PMID:39209545	研究论文	提出一种无需MRI的基于迁移学习的深度神经网络方法，实现18F-FDG PET图像的自动空间标准化，提升定量准确性	通过迁移学习将预训练的淀粉样蛋白PET模型适配到FDG PET空间标准化任务，仅需103张FDG PET/MR图像即可训练，无需配准的3D MRI，在外部数据集上表现优异	外部数据集与内部数据集人种分布不同且PET扫描仪及重建算法各异，可能影响泛化性，但文中未明确讨论其他潜在局限性	改进FDG PET图像定量分析，避免对个体3D MRI的依赖	18F-FDG PET脑图像，内部测试集65例和外部测试集78例	计算机视觉	脑肿瘤、癫痫、痴呆、帕金森病	18F-FDG PET成像	深度神经网络	图像	103张FDG PET/MR图像用于训练，65例内部测试集和78例外部测试集	PyTorch（根据迁移学习常见实现推断）	预训练深度神经网络（具体架构未说明）	归一化互信息、SUV比值相关系数、组内相关系数	NA
119	2026-05-16	Detectability of Hypoattenuating Liver Lesions with Deep Learning CT Reconstruction: A Phantom and Patient Study 2024-10, Radiology IF:12.1Q1 DOI:10.1148/radiol.232749 PMID:39377679	研究论文	通过体模和患者研究，评估深度学习CT重建对低衰减肝病变的可检测性	首次客观评估DLIR与ASIR-V在低对比度病变可检测性方面的差异，结合患者和体模研究	单中心回顾性研究，样本量有限，且病变类型可能不全面	比较深度学习CT重建（DLIR）与自适应统计迭代重建（ASIR-V）对低衰减肝病变的可检测性	低对比度肝病变（体模和患者）	计算机视觉	肝病	CT深度学习重建	深度学习模型	CT图像	50例患者（86个肝病变，平均尺寸15mm ± 9.5）和体模	NA	NA	图像质量、诊断置信度、显著性、小病变可见性、对比度噪声比	NA
120	2026-05-16	Prediction of Ischemic Stroke Functional Outcomes from Acute-Phase Noncontrast CT and Clinical Information 2024-10, Radiology IF:12.1Q1 DOI:10.1148/radiol.240137 PMID:39404632	研究论文	利用急性期非增强CT和临床信息，通过深度学习模型预测缺血性卒中患者90天功能预后	首次提出融合非增强CT影像与临床信息（如年龄、性别、NIHSS评分等）的深度学习模型，无需人工后处理，直接预测改良Rankin量表评分	未提及具体限制，但可能包括回顾性设计、样本量有限、外部验证不足等	开发融合急性期非增强CT和临床信息的深度学习模型，以预测90天功能预后	缺血性卒中患者	医学影像分析, 机器学习	缺血性卒中	非增强CT	深度学习模型	非增强CT影像, 临床数据（年龄、性别、NIHSS评分、高血压史等）	1335名患者（中位年龄71岁，674名女性）	NA	NA	平均绝对误差, 受试者工作特征曲线下面积	NA