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
2161	2025-12-05	ralphi: a deep reinforcement learning framework for haplotype assembly 2025-Feb-21, bioRxiv : the preprint server for biology DOI:10.1101/2025.02.17.638151 PMID:40027721	研究论文	本文提出了一种基于深度强化学习的新型单倍型组装框架ralphi，用于从测序读段中准确重建二倍体基因组的单倍型	首次将深度强化学习应用于单倍型组装问题，通过结合深度学习的表征能力和强化学习的决策优化，实现了对读段片段的精确分区	未明确说明模型在非人类基因组或高杂合度区域的泛化能力，且训练数据主要基于1000 Genomes Project的基因组	开发一种更准确、更高效的单倍型组装方法，以提升单倍型重建的准确性和连续性	二倍体基因组的单倍型组装	机器学习	NA	ONT测序	深度强化学习	序列数据	基于1000 Genomes Project基因组生成的多样化片段图拓扑数据集	PyTorch	NA	错误率, 单倍型区块长度	NA
2162	2025-12-05	GLAM: Glomeruli Segmentation for Human Pathological Lesions using Adapted Mouse Model 2025-Feb, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.3046823 PMID:41323934	研究论文	本研究提出GLAM方法，利用小鼠模型进行人类肾脏病变的细粒度分割，通过零样本迁移学习和混合学习策略评估不同学习策略	首次针对人类病理肾小球病变的细粒度分割，结合小鼠模型进行迁移学习，并比较零样本迁移与混合学习策略	研究可能未全面覆盖所有类型的人类肾脏病变，且依赖于小鼠模型数据的可扩展性	开发一种深度学习模型，用于从动物模型迁移到人类应用的肾小球分割，特别关注病理病变	人类肾脏病变组织，特别是受不同病变影响的病理肾小球	数字病理学	肾脏疾病	深度学习分割技术	深度学习模型	图像数据	NA	NA	NA	NA	NA
2163	2025-12-05	Intelligent grading of sugarcane leaf disease severity by integrating physiological traits with the SSA-XGBoost algorithm 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1698808 PMID:41169726	研究论文	本研究提出了一种基于生理特征和SSA-XGBoost算法的甘蔗叶片病害严重程度智能分级方法	结合生理特征（SPAD值、叶面温度、氮含量）与麻雀搜索算法优化XGBoost模型，实现高效、透明的甘蔗病害严重程度分级	未与基于图像的深度学习方法进行直接性能对比，且仅针对三种特定甘蔗病害进行验证	开发一种智能方法，用于准确评估甘蔗叶片病害严重程度，以支持早期预警和有效病害控制	感染褐条病、环斑病和花叶病的甘蔗叶片	机器学习	植物病害	植物营养分析仪（TYS-4N）测量	XGBoost, KNN, AdaBoost, Random Forest, Logistic Regression, Decision Tree	生理特征数据（SPAD值、叶面温度、氮含量）	从田间收集的感染三种病害、四个严重程度等级的甘蔗叶片数据	Scikit-learn, XGBoost	XGBoost, KNN, AdaBoost, Random Forest, Logistic Regression, Decision Tree	精确率, 召回率, F1分数, 准确率, PRFA综合评分	未明确说明
2164	2025-12-05	Identifying escaped farmed salmon from fish scales using deep learning 2025, Biology methods & protocols IF:2.5Q3 DOI:10.1093/biomethods/bpaf078 PMID:41311715	研究论文	本文利用深度学习技术，通过鱼鳞图像自动识别逃逸养殖鲑鱼，以解决传统方法劳动密集和时间消耗大的问题	首次在包含近90,000张鱼鳞图像的大型多样化数据集上训练和验证卷积神经网络，涵盖异质成像协议、数百条河流及自1930年代的时间序列数据，展示了模型在生态和方法学背景下的强泛化能力	未明确提及模型在极端环境或新型养殖技术下的适用性限制	开发一个自动化、高精度的工具，用于大规模监测逃逸养殖鲑鱼，以保护野生大西洋鲑鱼种群	挪威的逃逸养殖鲑鱼和野生大西洋鲑鱼	计算机视觉	NA	鱼鳞图像分析	CNN	图像	近90,000张鱼鳞图像，来自两个国家档案库，涵盖数百条河流和自1930年代的时间序列	NA	卷积神经网络	F1分数	NA
2165	2025-12-05	Scale-up Unlearnable Examples Learning with High-Performance Computing 2025, IS&T International Symposium on Electronic Imaging DOI:10.2352/ei.2025.37.12.hpci-184 PMID:41323016	研究论文	本文通过在高性能计算环境下扩展不可学习示例学习，探索批量大小对数据不可学习性的影响，以增强医疗数据安全	首次在Summit超级计算机上使用分布式数据并行训练扩展不可学习聚类方法，实现理论上无限资源下的不可学习示例性能提升	批量大小与不可学习性的关系因数据集而异，需针对不同数据集定制策略，且实验仅限于特定图像数据集	防止未经授权的深度学习模型学习，特别是在医疗AI诊断工具中保护敏感数据隐私和知识产权	医疗影像数据及其他图像数据集（如Pets、MedMNist、Flowers、Flowers102）	机器学习	NA	不可学习示例学习，不可学习聚类	深度学习模型	图像	多个数据集（Pets、MedMNist、Flowers、Flowers102），具体样本数量未在摘要中指定	PyTorch（基于DDP框架推断）	NA	准确性，不可学习性	Summit超级计算机，高性能GPU，分布式数据并行训练
2166	2025-12-05	Histolytics: A panoptic spatial analysis framework for interpretable histopathology 2025, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2025.11.022 PMID:41328400	研究论文	本文介绍了Histolytics，一个用于可解释性组织病理学分析的开源Python框架	将全景分割与空间查询、形态学分析和基于图的分析相结合，提供高分辨率、可解释的组织特征量化方法	NA	开发一个可扩展的计算病理学框架，用于量化组织空间组织模式	宫颈和卵巢高级别浆液性癌的H&E染色全切片图像	数字病理学	宫颈癌,卵巢癌	H&E染色,全景分割	深度学习模型	图像	NA	Python	NA	NA	NA
2167	2025-12-05	Functional connectivity signatures of major depressive disorder: machine learning analysis of two multicenter neuroimaging studies 2023-07, Molecular psychiatry IF:9.6Q1 DOI:10.1038/s41380-023-01977-5 PMID:36792654	研究论文	本研究通过机器学习和深度学习算法分析两个大型静息态功能磁共振成像数据集，以区分重度抑郁症患者与健康对照，并识别抑郁症的神经生理学特征	首次在两个最大的重度抑郁症静息态数据集上应用支持向量机和图卷积神经网络进行分类，并利用GCN-Explainer等方法可视化特征，揭示了丘脑过度连接作为抑郁症的突出神经生理学特征	分类准确率相对较低（约61%），可能受疾病异质性影响，且研究主要基于静息态功能连接，未考虑其他神经影像或临床因素	开发基于神经影像的机器学习诊断工具，以识别重度抑郁症的生物标志物	重度抑郁症患者和健康对照者	机器学习	重度抑郁症	静息态功能磁共振成像	SVM, GCN	功能连接矩阵	REST-meta-MDD数据集2338例，PsyMRI数据集1039例	NA	图卷积神经网络	准确率	NA
2168	2025-12-05	Prediction of postoperative infection in elderly using deep learning-based analysis: an observational cohort study 2023-Mar, Aging clinical and experimental research IF:3.4Q2 DOI:10.1007/s40520-022-02325-3 PMID:36598653	研究论文	本研究旨在开发和验证基于深度学习的模型，用于预测老年患者术后感染	首次在老年患者中应用深度学习模型，结合基线临床特征和手术相关风险因素，以预测术后感染	研究为可行性研究，样本量有限（2014名患者），且模型性能有待进一步验证以指导临床实践	开发和验证深度学习模型，以预测老年患者术后感染，改善手术结果	2014名来自中国28家医院的老年择期手术患者	机器学习	老年疾病	NA	深度学习	临床数据	2014名老年患者（1510名训练，504名验证）	NA	NA	AUC, 敏感性, 特异性	NA
2169	2025-12-05	DeepCompete : A deep learning approach to competing risks in continuous time domain 2020, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:33936389	研究论文	本文提出了一种名为DeepCompete的深度学习模型，用于在连续时间域中处理竞争风险生存分析	引入了一种新颖的连续时间深度学习架构，能够以数据驱动方式学习每种疾病的风险，无需对底层随机过程做出强假设	未在摘要中明确说明	开发一种工具来量化由每种竞争疾病导致的不良事件的相对风险，并优先处理患者多种疾病中的治疗	65岁及以上患有多种急性疾病（多病共存）的老年人群	机器学习	老年疾病	NA	深度学习模型	NA	NA	NA	DeepCompete	NA	NA
2170	2025-12-05	Deep Learning Approach to Parse Eligibility Criteria in Dietary Supplements Clinical Trials Following OMOP Common Data Model 2020, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:33936396	研究论文	本研究利用深度学习模型（Bi-LSTM-CRF）解析膳食补充剂临床试验的资格标准，并映射到OMOP通用数据模型，以支持患者招募	首次将膳食补充剂作为新实体映射到OMOP通用数据模型，并评估深度学习模型在解析资格标准中的可行性	模型平均F1分数仅为0.601，表明性能有待提升，且样本量仅基于100个随机选择的临床试验	自动解析临床试验资格标准以加速患者招募过程	膳食补充剂临床试验的资格标准文本	自然语言处理	NA	深度学习	Bi-LSTM-CRF	文本	100个随机选择的膳食补充剂临床试验	CLAMP平台	Bi-LSTM-CRF	F1分数	NA
2171	2025-12-05	Contextual Embeddings from Clinical Notes Improves Prediction of Sepsis 2020, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:33936391	研究论文	本研究设计了一种基于电子健康记录数据的深度学习算法，通过整合临床文本特征来改进脓毒症的早期预测	利用预训练的神经语言表示模型从临床文本中提取特征，无需依赖基于本体的命名实体识别和分类，从而整合了非结构化数据	未明确说明模型在外部验证集上的泛化能力或临床部署的可行性	改进脓毒症的早期预测，以降低假警报并促进及时治疗	脓毒症患者	自然语言处理	脓毒症	电子健康记录分析	深度学习模型	结构化数据（生命体征、实验室结果）和非结构化数据（临床文本）	超过40,000名患者，包括2,805名脓毒症患者	NA	预训练的神经语言表示模型	AUC	NA
2172	2025-12-05	RadLex Normalization in Radiology Reports 2020, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:33936406	研究论文	本文旨在将放射学报告中的多样化实体标准化为RadLex术语，并提出了基于BERT的深度学习方法进行自动归一化	首次尝试利用RadLex进行放射学实体的标准化，并构建了一个手动标注的归一化语料库，同时提出了基于BERT的两种NLP方法	研究仅基于三种类型的报告构建语料库，样本量相对有限（1706个实体提及），且最佳准确率为78.44%，仍有提升空间	标准化放射学报告中的实体到RadLex术语，以促进临床信息的提取和共享	放射学报告中的实体，如解剖结构、成像发现等	自然语言处理	NA	自然语言处理（NLP），基于预训练语言模型	BERT	文本（放射学报告）	1706个实体提及，来自三种类型的放射学报告	NA	BERT	准确率	NA
2173	2025-12-05	A Clinically Practical and Interpretable Deep Model for ICU Mortality Prediction with External Validation 2020, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:33936437	研究论文	本研究提出了一种临床实用且可解释的深度学习模型，用于ICU死亡率预测，并进行了外部验证	结合了外部验证和可解释性，使用双层注意力机制的循环神经网络，并在新发布的Philips eICU数据集上训练，在MIMIC III数据集上进行外部验证	未提及模型在其他独立数据集上的泛化能力，也未讨论模型在不同ICU类型或患者亚群中的性能差异	开发一种能够在重症监护场景中推广应用的深度学习模型，用于死亡率预测并支持临床决策	重症监护病房（ICU）患者	机器学习	重症监护	NA	循环神经网络（RNN）	临床时间序列数据	使用Philips eICU数据集进行训练，MIMIC III数据集进行外部验证（具体样本数量未提及）	NA	具有双层注意力机制的循环神经网络	AUC（曲线下面积）	NA
2174	2025-12-05	Multi-task Learning via Adaptation to Similar Tasks for Mortality Prediction of Diverse Rare Diseases 2020, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:33936451	研究论文	本文提出了一种名为Ada-SiT的多任务学习方法，用于基于电子健康记录数据预测多种罕见疾病的死亡率	提出了一种初始化共享的多任务学习方法，能够学习参数初始化并动态测量任务相似性，以快速适应数据不足和任务多样性的挑战	NA	解决罕见疾病死亡率预测中的数据不足和临床多样性问题	多种罕见疾病患者的电子健康记录数据	自然语言处理	罕见疾病	电子健康记录分析	LSTM	纵向电子健康记录数据	NA	NA	LSTM	NA	NA
2175	2025-12-05	Deep CHORES: Estimating Hallmark Measures of Physical Activity Using Deep Learning 2020, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:33936455	研究论文	本研究利用深度学习从手腕加速度计数据中识别身体活动类型并估计能量消耗	开发了深度学习网络以从时间序列数据中提取时空表示，用于准确识别身体活动类型和估计能量消耗	研究在标准化实验室环境中进行，可能无法完全反映自由生活条件下的身体活动情况	评估手腕加速度计在识别身体活动类型和估计能量消耗方面的性能	20-89岁的参与者（66%为女性）在实验室环境中执行33种日常活动	机器学习	NA	三轴加速度计数据采集，便携式代谢单元测量	深度学习网络	时间序列加速度计数据	20-89岁参与者群体，具体人数未明确说明	NA	NA	F1分数，均方根误差	NA
2176	2025-12-05	Inferring ADR causality by predicting the Naranjo Score from Clinical Notes 2020, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:33936480	研究论文	提出一种结合深度学习和统计学习模型的方法，从患者出院摘要中自动推断药物与不良反应之间的因果关系	首次提出使用BERT提取Naranjo问卷相关段落，并结合逻辑回归等统计模型预测Naranjo评分和因果关系	未在摘要中明确说明	开发自动推断药物不良反应因果关系的方法，替代人工审阅病历	患者出院摘要中的药物不良反应因果关系	自然语言处理	NA	临床文本分析	BERT, 逻辑回归	文本（临床笔记/出院摘要）	未在摘要中明确说明	未在摘要中明确说明	BERT	宏平均F1分数, 加权F1分数	未在摘要中明确说明
2177	2025-12-05	Patient Cohort Retrieval using Transformer Language Models 2020, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:33936491	研究论文	本文应用基于深度学习的语言模型进行患者队列检索任务，以评估其效果	提出一个无需显式特征工程和领域知识的框架，将患者队列检索映射为文档检索任务，并应用多种深度神经网络模型	NA	评估深度学习语言模型在患者队列检索任务中的效能	电子健康记录（EHRs）中的文档	自然语言处理	NA	NA	Transformer	文本	NA	NA	Transformer	NA	NA
2178	2025-12-05	Extracting and Learning Fine-Grained Labels from Chest Radiographs 2020, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:33936495	研究论文	本文提出了一种从胸部X光放射学报告中提取细粒度标签的新方法，并训练了一个用于细粒度分类的深度学习模型	首次开发了结合词汇驱动概念提取和依赖解析树短语分组的细粒度标签提取方法，并构建了覆盖457个细粒度标签的最大谱系数据集	NA	从胸部X光图像中提取和学习细粒度标签	胸部X光图像及其放射学报告	计算机视觉	NA	自然语言处理	深度学习模型	图像, 文本	NA	NA	NA	NA	NA
2179	2025-12-05	Prediction of secondary structure population and intrinsic disorder of proteins using multitask deep learning 2020, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:33936509	研究论文	本研究开发了一种多任务深度学习框架，用于预测蛋白质的二级结构种群和内在无序性	设计了单任务和多任务深度学习框架，通过同时预测二级结构种群来增强内在无序蛋白质/区域的预测性能	未明确提及	预测蛋白质的二级结构种群和内在无序性，以定量表征蛋白质的结构构象特性	蛋白质，特别是内在无序蛋白质和区域	机器学习	NA	核磁共振化学位移	深度学习	化学位移数据	未明确提及	未明确提及	未明确提及	未明确提及	未明确提及
2180	2025-12-05	Predicting Tumor Cell Response to Synergistic Drug Combinations Using a Novel Simplified Deep Learning Model 2020, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:33936513	研究论文	本研究提出了一种新的简化深度学习模型，用于预测肿瘤细胞对协同药物组合的反应	与现有模型使用大量化学结构和基因组学特征不同，该模型基于一小套癌症信号通路构建，能更生物意义明确且可解释地模拟多组学数据和药物靶点/机制的整合	模型依赖于NCI ALMANAC药物组合筛选数据，可能受数据集的局限性和信号通路选择的限制	开发计算模型以预测药物组合的协同效应，促进新型药物组合的发现	肿瘤细胞对药物组合的反应	机器学习	癌症	深度学习	深度学习模型	信号通路数据、药物组合筛选数据	NA	NA	简化深度学习模型	NA	NA