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
21	2026-06-02	Deep learning enabled in vitro predicting biological tissue thickness using force measurement device 2024-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109181 PMID:39326264	研究论文	提出了一种结合力测试系统和离散多小波变换卷积神经网络的新型生物组织厚度体外测量方法	首次将力测试系统与离散多小波变换卷积神经网络结合用于体外预测生物组织厚度	仅在受控实验环境中对人工生物组织和猪肉样本进行了验证，尚未在活体组织上进行测试	开发一种低成本、非侵入性的生物组织厚度体外测量方法	生物组织厚度测量	机器学习	NA	力测试系统	卷积神经网络	力学测量数据	四种不同厚度的猪肉组织样本	NA	DMWA-CNN	准确率	NA
22	2026-06-02	A multi-task learning model for clinically interpretable sesamoiditis grading 2024-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109179 PMID:39326263	研究论文	提出一种多任务学习模型，用于可临床解释的籽骨炎分级	提出一种双分支解码器的多任务学习模型，融合临床知识与机器学习，同时进行籽骨炎分级和血管通道分割，并通过生成诊断报告增强模型决策的可解释性	未明确说明局限性	实现籽骨炎的准确分级并提高临床可解释性	马匹籽骨炎	机器学习	籽骨炎	NA	多任务学习模型	图像	两个数据集	NA	双分支解码器	准确率, 泛化能力	NA
23	2026-06-02	Personalized food consumption detection with deep learning and Inertial Measurement Unit sensor 2024-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109167 PMID:39326266	研究论文	利用惯性测量单元传感器和深度学习模型实现个性化食物消费检测，以准确记录碳水化合物摄入	开发了个性化深度学习模型，使用递归神经网络（LSTM）处理IMU传感器数据，实现高精度碳水化合物摄入检测	数据集主要包含单日数据点，多日性能未知；部分离群值存在；预测延迟平均5.5秒	为糖尿病患者提供自动化的碳水化合物摄入检测方法，以辅助人工胰腺管理	用于记录碳水化合物摄入的饮食习惯检测	机器学习	糖尿病	IMU传感器（加速度计和陀螺仪）	LSTM	传感器数据（加速度计和陀螺仪）	公共数据集中多个患者样本	NA	LSTM	F1分数, 混淆矩阵时间差	NA
24	2026-06-02	A multimodal cross-transformer-based model to predict mild cognitive impairment using speech, language and vision 2024-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109199 PMID:39332117	research paper	提出一种基于多模态交叉Transformer的模型，利用语音、语言和视觉数据预测轻度认知障碍	在嵌入层通过共注意力机制融合语音、语言和视觉三种模态，在交叉Transformer层内捕获模态间的互补信息，优于早期和晚期融合方法	未明确讨论数据集的规模限制、模型泛化到其他人群的潜在偏差，以及计算资源需求	开发一种能够有效利用多模态数据预测轻度认知障碍（MCI）的深度学习模型	年龄75岁以上的参与者，通过互联网/摄像头记录半结构化对话中的语音、语言和面部视频数据	machine learning	geriatric disease	深度学习	交叉Transformer	音频、文本、视频	I-CONECT数据集中的大量75岁以上参与者，具体样本数量未给出	NA	交叉Transformer、共注意力机制	AUC	NA
25	2026-06-02	Wfold: A new method for predicting RNA secondary structure with deep learning 2024-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109207 PMID:39341115	研究论文	提出了一种基于深度学习的端到端方法Wfold，用于预测RNA二级结构	结合U-net的局部信息收集能力和Transformer编码器的自注意力机制，以图像形式表示RNA序列，从而提高预测精度	在跨家族数据集上性能与传统方法相当，可能仍需更多验证	提高RNA二级结构预测的准确性，并可靠预测假结	RNA序列的二级结构	机器学习	NA	深度学习	CNN, Transformer	图像	使用RNA数据集	NA	U-net, Transformer	准确率	NA
26	2026-06-02	Development and validation of a deep learning-based survival prediction model for pediatric glioma patients: A retrospective study using the SEER database and Chinese data 2024-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109185 PMID:39341114	研究论文	开发并验证一种基于深度学习的时间依赖模型，用于预测儿童胶质瘤患者的预后	首次构建了一个基于DeepSurv的儿童胶质瘤在线预后预测工具，并结合SEER数据库和中国数据进行了外部验证	研究可能受到回顾性设计、数据来源的偏倚以及样本量（尤其中国队列）相对较小的限制	准确预测儿童胶质瘤患者的生存率，辅助临床决策	儿童胶质瘤患者（来自SEER数据库和中国唐都医院）	深度学习	儿童胶质瘤	NA	深度学习生存模型（DeepSurv、N-MTLR）、集成学习模型（RSF）和Cox比例风险模型	生存数据（包括临床特征、治疗信息和生存时间）	共9532名患者（SEER数据库9274名，中国唐都医院258名）	PyTorch	DeepSurv、N-MTLR、RSF	C-index、Brier score、Integrated Brier Score (IBS)、ROC曲线、AUC、校准曲线、决策曲线分析 (DCA)	NA
27	2026-06-02	BOATMAP: Bayesian Optimization Active Targeting for Monomorphic Arrhythmia Pace-mapping 2024-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109201 PMID:39342676	研究论文	提出BOATMAP主动学习方法，通过12导联心电图定位心室激活起源，指导室性心动过速消融治疗	创新性地将输入输出关系倒置，利用高斯过程作为替代模型主动学习目标心电图与起搏心电图之间的相似性，并提供可解释的临床指导	仅在模拟环境中测试，未在真实临床数据中验证	开发一种主动学习方法，从12导联心电图精准定位心室激活起源，辅助消融治疗决策	心室激活起源点定位与起搏心电图数据	机器学习	室性心动过速	心电图（ECG）	高斯过程	心电图信号	模拟多种心脏几何结构和组织特性，平均使用8.0±4.0个起搏点	NA	高斯过程	定位精度	NA
28	2026-06-02	Multimodal brain tumor segmentation and classification from MRI scans based on optimized DeepLabV3+ and interpreted networks information fusion empowered with explainable AI 2024-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109183 PMID:39357134	研究论文	提出一个基于深度学习和可解释人工智能的框架，用于脑肿瘤MRI图像的分割与分类	采用贝叶斯优化初始化DeepLabV3+超参数进行分割，并设计IRB-96和IRB-Self两个定制模型进行特征提取与融合，结合LIME可解释性方法提升模型透明度	仅在Figshare单一数据集上验证，未测试泛化能力；计算资源需求未提及	实现脑肿瘤MRI图像的高精度分割与分类，并通过可解释性增强临床信任度	脑肿瘤MRI扫描图像	计算机视觉, 数字病理学	脑肿瘤	MRI	CNN, 注意力机制	图像	Figshare数据集（具体样本数未提及）	PyTorch	DeepLabV3+, IRB-96, IRB-Self	分割准确率, 分类准确率	NA
29	2026-06-02	On-site burn severity assessment using smartphone-captured color burn wound images 2024-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109171 PMID:39362001	研究论文	提出了一种利用智能手机拍摄的彩色烧伤伤口图像进行烧伤严重程度自动评估的分析平台	引入了非对称注意力机制，通过身体部位分割任务引导烧伤区域分割任务，并开发了便于临床使用的移动应用程序	NA	实现烧伤严重程度的快速、准确自动评估	烧伤伤口图像中的烧伤区域和身体部位	计算机视觉	烧伤	彩色图像捕捉	联合任务深度学习模型	图像	1340张彩色烧伤伤口图像	PyTorch	非对称注意力机制网络	Dice系数, R值	NA
30	2024-10-11	Responds to the Comments on "A Channel-Dimensional Feature-Reconstructed Deep Learning Model for Predicting Breast Cancer Molecular Subtypes on Overall b-Value Diffusion-Weighted MRI" 2024-11, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.29310 PMID:38363190	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
31	2024-10-11	Comments on "A Channel-Dimensional Feature-Reconstructed Deep Learning Model for Predicting Breast Cancer Molecular Subtypes on Overall b-Value Diffusion-Weighted MRI" 2024-11, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.29311 PMID:38366814	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
32	2026-06-02	Review of deep representation learning techniques for brain-computer interfaces 2024-11-01, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/ad8962 PMID:39433072	综述	综述深度学习表示学习技术在脑机接口中的应用现状	系统总结了81篇使用深度表示学习技术的脑机接口研究，发现自编码器是主流，自监督学习为新兴方向，但尚未形成通用的基础模型	目前尚无标准基础模型被脑机接口社区广泛采用，且仅少数研究对学习到的表示进行了深入分析	分析深度表示学习技术在脑机接口解码中的应用现状与趋势	脑电图信号	机器学习	神经疾病	脑电图	自编码器、自监督学习	脑电图信号	81篇相关研究论文	NA	自编码器	NA	NA
33	2026-06-01	Deciphering the Language of Protein-DNA Interactions: A Deep Learning Approach Combining Contextual Embeddings and Multi-Scale Sequence Modeling 2024-11-15, Journal of molecular biology IF:4.7Q1 DOI:10.1016/j.jmb.2024.168769 PMID:39214282	研究论文	提出一种结合上下文嵌入和多尺度序列建模的深度学习方法，用于预测蛋白质-DNA相互作用位点	将预训练蛋白质语言模型（如ProtTrans）的上下文嵌入与多窗口卷积神经网络架构相结合，以捕捉DNA结合位点的局部和全局模式，显著提升了预测性能	未在文中明确提及局限性	从蛋白质序列直接预测与DNA相互作用的残基，以加速理解关键细胞过程和疾病通路	蛋白质序列中的DNA结合位点	机器学习	NA	深度学习方法、预训练语言模型（ProtTrans）、卷积神经网络	多窗口卷积神经网络	蛋白质序列数据	使用整理好的基准数据集进行综合评估，具体样本量未提及	PyTorch	多窗口CNN	ROC曲线下面积（AUC）达0.89	NA
34	2026-05-31	iACP-DFSRA: Identification of Anticancer Peptides Based on a Dual-channel Fusion Strategy of ResCNN and Attention 2024-11-15, Journal of molecular biology IF:4.7Q1 DOI:10.1016/j.jmb.2024.168810 PMID:39362624	研究论文	提出了一种基于深度学习的双通道融合策略模型iACP-DFSRA，用于识别抗癌肽	结合了ProtBert_BFD预训练语言模型和手工特征进行序列编码，采用LightGBM进行特征选择，并利用ResCNN和注意力机制分别提取局部和全局特征，最后通过注意力机制深度融合关键特征	未明确提及，但可能依赖于现有数据集和特定特征编码技术，泛化性需进一步验证	开发一种准确且成本有效的抗癌肽识别方法	抗癌肽序列的识别	自然语言处理	癌症	蛋白质序列嵌入技术	ResCNN和注意力机制	序列数据	未明确说明，但使用了独立测试数据集和额外数据集	PyTorch	ResCNN, Attention机制, LightGBM	特异性(Sp), 敏感性(Sn), 准确率(Acc), 马修斯相关系数(MCC)	NA
35	2026-05-30	Preventing future zoonosis: SARS-CoV-2 mutations enhance human-animal cross-transmission 2024-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109101 PMID:39243518	研究论文	通过构建多任务深度学习模型MT-TopLap，预测SARS-CoV-2 RBD突变对不同物种ACE2的结合自由能变化，识别增强人畜交叉传播的关键突变	首次通过多任务深度学习模型同时预测SARS-CoV-2 RBD突变对多种动物宿主ACE2的结合影响，揭示人畜交叉传播的潜在突变机制	NA	识别增强SARS-CoV-2人畜交叉传播的RBD突变，评估病毒在动物宿主适应后增强人类传染性的风险	SARS-CoV-2的受体结合域（RBD）突变及其对跨物种传播的影响	机器学习	新型冠状病毒病（COVID-19）	深度突变扫描	多任务深度学习模型	突变扫描数据	包含人类、猫、蝙蝠、鹿和仓鼠多个物种的深度突变扫描数据集	NA	MT-TopLap	NA	NA
36	2026-05-30	Mesoscopic structure graphs for interpreting uncertainty in non-linear embeddings 2024-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109105 PMID:39265479	研究论文	提出一种名为ManiGraph的节点链接可视化技术，用于解释非线性降维中的不确定性	通过构建动态介观结构图并测量区域自适应可信度，重新审视高维和低维空间之间的邻域保真度，同时解决大规模数据集散点图可视化中的过度绘制问题	文中未明确提及局限性	解决概率非线性降维方法中由于全局与局部结构保持的权衡以及计算随机性导致的失真错误和误导可视化问题	非线性降维结果中的不确定性	机器学习, 计算机视觉, 计算生物学	结直肠癌	单细胞RNA测序	概率非线性降维模型（t-SNE, UMAP）	图像, 文本	使用Fashion-MNIST、单细胞RNA测序数据集和Histopathology-MNIST进行案例分析	NA	ManiGraph	区域自适应可信度	NA
37	2026-05-30	Improving deep learning-based automatic cranial defect reconstruction by heavy data augmentation: From image registration to latent diffusion models 2024-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109129 PMID:39265478	研究论文	使用数据增强技术改进基于深度学习的颅骨缺损自动重建方法	首次系统比较多种数据增强技术，包括经典几何变换、图像配准、变分自编码器、生成对抗网络和潜在扩散模型，并证明潜在扩散模型结合向量量化变分自编码器在生成增强策略中表现最优	未提及具体限制	提高深度学习颅骨缺损自动重建方法的泛化能力，使其适用于真实临床场景	颅骨缺损患者	数字病理学，计算机视觉	颅骨损伤	CT成像	深度学习模型	图像	SkullBreak和SkullFix数据集	PyTorch	变分自编码器，生成对抗网络，潜在扩散模型，向量量化变分自编码器	Dice系数	NA
38	2026-05-30	SpeechBrain-MOABB: An open-source Python library for benchmarking deep neural networks applied to EEG signals 2024-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109097 PMID:39265481	研究论文	介绍 SpeechBrain-MOABB，一个用于深度神经网络在脑电图信号上基准测试的开源 Python 库	该工具包引入了完整的实验协议，标准化了超参数搜索和模型评估等关键阶段，原生支持多步超参数搜索和多种子训练评估，以增强结果稳健性	未明确提及局限性，但可能包括对特定数据集或网络架构的通用性限制	提供基于深度学习的综合脑电图解码流水线开发工具，解决可重复性危机	脑电图信号解码任务	机器学习	NA	EEG 信号处理	深度神经网络	脑电图信号	NA	Python, SpeechBrain, MOABB, braindecode	NA	准确率	NA
39	2026-05-30	FvFold: A model to predict antibody Fv structure using protein language model with residual network and Rosetta minimization 2024-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109128 PMID:39270460	研究论文	提出FvFold模型，利用ProtT5-XL-UniRef50蛋白质语言模型结合残差网络和Rosetta最小化，预测抗体Fv结构	首次将ProtT5-XL-UniRef50蛋白质语言模型与残差网络及Rosetta最小化相结合用于抗体Fv结构预测，在多个基准测试中实现更低的RMSD和OCD值	未提及具体局限性	提高抗体Fv结构预测的准确性，特别是针对互补决定区（CDRs）和整体Fv区域	抗体可变片段（Fv）结构	机器学习	癌症	蛋白质语言模型	残差网络	蛋白质结构数据	NA	Rosetta	ProtT5-XL-UniRef50, Residual Network	RMSD（均方根偏差）, OCD（方向坐标距离）	NA
40	2026-05-30	CT perfusion parameter estimation in stroke using neural network with transformer and physical model priors 2024-11, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2024.109134 PMID:39278163	研究论文	提出一种结合Transformer和物理模型先验的深度学习网络CTPerformer-Net，用于CT灌注参数估计	首次将Transformer模型和物理先验（一致性先验、平滑性先验、物理模型先验）结合用于CT灌注参数估计	在真实临床数据上的梗死核心分割Dice系数仅为0.36，性能仍有提升空间	利用深度学习方法改进CT灌注参数估计的准确性和鲁棒性	急性缺血性卒中患者的CT灌注图像及物理模型生成的仿真数据集	计算机视觉, 医学影像分析	急性缺血性卒中	CT灌注成像	Transformer	图像（CT灌注序列图像）	仿真数据集（未说明具体样本量）和ISLES 2018挑战数据集中的103幅真实CTP图像	NA	Transformer（CTPerformer-Net）	相关系数, 系统误差, 随机误差, Dice系数	NA