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
2841	2026-03-02	Clinical validation of deep learning algorithms for radiotherapy targeting of non-small-cell lung cancer: an observational study 2022-09, The Lancet. Digital health DOI:10.1016/S2589-7500(22)00129-7 PMID:36028289	研究论文	本研究通过多中心数据验证了深度学习模型在非小细胞肺癌放疗靶区勾画中的临床效用	提出了一个全面的临床验证策略，包括观察者间/内基准测试、主要验证、功能验证和终端用户测试，并发现几何分割指标可能与临床效用不相关	研究数据来自2001年至2015年，可能无法完全反映当前临床实践；专家分割风格和偏好可能影响模型性能	临床验证深度学习算法在非小细胞肺癌放疗靶区勾画中的准确性和实用性	非小细胞肺癌患者和受累淋巴结的CT图像	数字病理学	肺癌	CT成像	深度学习模型	CT图像	2208名患者（787名用于模型发现，1421名用于模型验证，其中28名用于终端用户测试）	NA	NA	体积Dice系数, 表面Dice系数, 分割时间减少百分比, 观察者间变异性减少百分比	NA
2842	2026-03-02	Association of Selective Serotonin Reuptake Inhibitor Use With Abnormal Physical Movement Patterns as Detected Using a Piezoelectric Accelerometer and Deep Learning in a Nationally Representative Sample of Noninstitutionalized Persons in the US 2022-04-01, JAMA network open IF:10.5Q1 DOI:10.1001/jamanetworkopen.2022.5403 PMID:35389502	研究论文	本研究利用可穿戴加速度计和深度学习模型，在美国全国代表性样本中评估了选择性血清素再摄取抑制剂使用与异常身体运动模式之间的关联	首次在大规模、自然主义、纵向、客观数据中验证了SSRI使用与身体活动的关系，并利用时间序列深度学习模型从被动运动数据中检测SSRI使用	横断面研究设计无法确定因果关系，可能存在未测量的混杂因素，模型性能仅为中等水平	评估SSRI使用者与对照组之间是否存在身体运动差异，并识别SSRI使用者运动的独特特征	美国非机构化人群的全国代表性样本，包括SSRI使用者和非使用者	机器学习	精神疾病	压电加速度计数据采集，深度学习分析	深度学习分类器	时间序列运动数据	7162名参与者，其中266人使用SSRI	NA	NA	AUC	NA
2843	2026-03-02	Machine-learning based investigation of prognostic indicators for oncological outcome of pancreatic ductal adenocarcinoma 2022, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2022.895515 PMID:36568148	研究论文	本文提出了一种基于3D-CNN的机器学习预测模型，利用术前CT扫描可靠预测胰腺导管腺癌的淋巴结转移和术后切缘阳性状态	首次将3D-CNN应用于胰腺导管腺癌的术前CT扫描，以预测淋巴结转移和术后切缘状态，为治疗决策提供新工具	样本量较小（仅110名患者），需更大队列研究以提高模型的泛化能力	改善胰腺导管腺癌的术前影像学肿瘤分期，预测术后切缘和淋巴结状态，以优化治疗顺序	胰腺导管腺癌（PDAC）患者	计算机视觉	胰腺癌	计算机断层扫描（CT）	CNN	图像	110名患者的881个CT扫描	NA	3D-CNN	准确率	NA
2844	2026-03-02	A Deep-Learning Proteomic-Scale Approach for Drug Design 2021-Dec-07, Pharmaceuticals (Basel, Switzerland) DOI:10.3390/ph14121277 PMID:34959678	研究论文	本研究利用深度学习技术，通过降维和生成模型，基于药物-蛋白质组相互作用签名设计新型药物样化合物，以加速药物发现过程	首次将深度学习中的降维自编码器和条件变分自编码器应用于CANDO平台，用于生成具有目标相互作用签名的新型药物化合物，实现了药物设计的自动化	研究仅基于计算预测，未进行实验验证；模型性能可能受限于训练数据的质量和覆盖范围	开发一种基于深度学习的全自动药物设计方法，以提高药物发现的效率和安全性	药物/化合物与人类蛋白质组结构的相互作用签名，以及针对特定疾病（如非小细胞肺癌和抗衰老）的药物设计	机器学习	肺癌	深度学习，蛋白质组学分析	自编码器，条件变分自编码器	药物-蛋白质组相互作用签名数据	涉及20种已批准和实验性药物，以及13种与非小细胞肺癌和抗衰老相关的药物/化合物	NA	自编码器，条件变分自编码器	行为相似性预测的p值（≤0.05）	NA
2845	2026-03-02	MRI-based Identification and Classification of Major Intracranial Tumor Types by Using a 3D Convolutional Neural Network: A Retrospective Multi-institutional Analysis 2021-Sep, Radiology. Artificial intelligence DOI:10.1148/ryai.2021200301 PMID:34617029	研究论文	本研究开发了一种基于3D卷积神经网络的算法，用于对增强后T1加权MRI扫描中的主要颅内肿瘤类型进行分类，并区分健康组织与肿瘤图像	利用多机构、多数据集（包括公开和内部临床数据）训练3D卷积神经网络，实现了对六种颅内肿瘤类型及健康组织的自动分类，并通过特征图可视化网络注意力	研究为回顾性分析，可能存在选择偏倚；模型性能在外部数据上略有下降，特别是阳性预测值	开发一种能够自动分类颅内肿瘤类型并区分健康与病变组织的算法	增强后T1加权MRI扫描图像	计算机视觉	颅内肿瘤	MRI	CNN	图像	2105张图像（来自多个公开数据集和内部临床数据集）	NA	3D卷积神经网络	准确率, 阳性预测值, 阴性预测值, 灵敏度, 特异性, F1分数, AUC, AUPRC	NA
2846	2026-03-02	Student becomes teacher: training faster deep learning lightweight networks for automated identification of optical coherence tomography B-scans of interest using a student-teacher framework 2021-Sep-01, Biomedical optics express IF:2.9Q2 DOI:10.1364/BOE.433432 PMID:34692189	研究论文	本研究探索了一种学生-教师框架，利用未标记图像训练参数较少的轻量级深度学习模型，以快速自动检测光学相干断层扫描B扫描中的感兴趣图像	采用学生-教师框架结合大量未标记B扫描数据（约500K）训练轻量级模型，实现了比传统ResNet50教师模型更快的推理速度（2.53至4.13倍），同时保持可比的敏感性和特异性	未明确说明模型在更广泛临床数据集上的泛化能力，且未讨论不同轻量级模型家族间的具体架构差异对性能的影响	开发快速自动检测光学相干断层扫描B扫描中异常图像的轻量级深度学习模型	光学相干断层扫描B扫描图像（包括标记和未标记数据）	计算机视觉	NA	光学相干断层扫描	CNN	图像	约70K专家标记B扫描（训练集）和约500K未标记B扫描（学生-教师框架增强）	NA	ResNet50（教师网络），四种轻量级模型家族的27个变体（学生网络）	验证准确率，敏感性，特异性	NA
2847	2026-03-02	Deep representation learning of patient data from Electronic Health Records (EHR): A systematic review 2021-03, Journal of biomedical informatics IF:4.0Q2 DOI:10.1016/j.jbi.2020.103671 PMID:33387683	系统综述	本文对使用深度学习从电子健康记录中学习患者表示的研究进行了系统性回顾，并提供了方法论角度的定性和定量分析	首次系统性回顾了患者表示学习领域，总结了从2015年至2019年该领域的发展趋势、典型工作流程、主流方法及应用	现有预测模型主要关注单一疾病预测，未从整体角度考虑患者的复杂机制；由于电子健康记录数据的隐私问题，基准数据集大多不可用	回顾和分析使用深度学习方法从电子健康记录中学习患者表示的研究进展	从电子健康记录中提取的患者数据	自然语言处理, 机器学习	NA	深度学习	RNN, LSTM, GRU	结构化电子健康记录数据	49篇研究论文	NA	长短期记忆网络, 门控循环单元	交叉熵损失	NA
2848	2026-03-02	An Artificial Intelligence-Assisted Method for Dementia Detection Using Images from the Clock Drawing Test 2021, Journal of Alzheimer's disease : JAD DOI:10.3233/JAD-210299 PMID:34334396	研究论文	本文提出了一种基于人工智能辅助的方法，利用钟表绘图测试图像进行痴呆检测	首次将深度学习算法应用于钟表绘图测试图像，结合年龄和教育水平预测痴呆状态，实现了高精度的计算机辅助筛查工具	研究样本中认知受损者数量相对较少（160例），且方法尚未完全验证，需进一步临床确认	评估机器学习模型是否能利用钟表绘图测试图像预测轻度认知障碍或痴呆	3,263名认知正常者和160名认知受损者绘制的模拟钟表图像	数字病理学	老年疾病	深度学习算法	深度学习模型	图像	3,423名受试者（3,263名认知正常，160名认知受损）	NA	NA	AUC, F1分数	NA
2849	2026-03-02	Deep Learning to Predict Protein Backbone Structure from High-Resolution Cryo-EM Density Maps 2020-03-09, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-020-60598-y PMID:32152330	研究论文	提出一种基于级联卷积神经网络的深度学习模型，用于从高分辨率冷冻电镜密度图中预测蛋白质主链结构	提出级联CNN（C-CNN）新架构，结合语义分割图像分类方法，并引入禁忌搜索路径行走算法和螺旋优化算法，实现从密度图到完整蛋白质结构的自动化预测	方法在2.6-4.4Å分辨率范围内测试，对更低分辨率密度图的适用性未验证，且需要为每个密度图设置推荐阈值	开发从冷冻电镜密度图自动预测蛋白质主链结构的深度学习方法	蛋白质三维结构	计算生物学	NA	冷冻电镜（cryo-EM）	CNN	图像（密度图）	数千个模拟密度图用于训练，50个实验密度图（2.6-4.4Å分辨率）用于测试	NA	级联卷积神经网络（C-CNN）	Cα原子预测百分比，均方根偏差（RMSD）	NA
2850	2026-03-02	Methodological Challenges of Deep Learning in Optical Coherence Tomography for Retinal Diseases: A Review 2020-02-18, Translational vision science & technology IF:2.6Q2 DOI:10.1167/tvst.9.2.11 PMID:32704417	综述	本文综述了深度学习在光学相干断层扫描（OCT）用于视网膜疾病分析中的方法论挑战	系统性地识别并讨论了AI在OCT分析中面临的主要方法论障碍，包括数据、设备、计算和报告标准方面的挑战	作为综述文章，未提出新的实验数据或模型，主要基于现有文献分析挑战	探讨深度学习在OCT图像分类和分割中应用的方法论挑战及潜在解决方案	光学相干断层扫描（OCT）图像，特别是用于视网膜疾病分析	计算机视觉	视网膜疾病	光学相干断层扫描（OCT）	深度学习模型	3D体积图像	NA	NA	NA	诊断性能指标（具体未指定）	图形处理单元（GPU）
2851	2026-03-02	Development and validation of a deep learning algorithm for distinguishing the nonperfusion area from signal reduction artifacts on OCT angiography 2019-Jul-01, Biomedical optics express IF:2.9Q2 DOI:10.1364/BOE.10.003257 PMID:31360599	研究论文	开发并验证了一种深度学习算法，用于在OCTA中区分无灌注区与信号衰减伪影	提出了MEDnet-V2卷积神经网络，专门用于在6×6 mm OCTA图像中区分无灌注区与信号衰减伪影，提高了DR评估的准确性	NA	开发一种深度学习算法，以准确区分OCTA图像中的无灌注区与信号衰减伪影	糖尿病视网膜病变患者的OCTA图像	计算机视觉	糖尿病视网膜病变	光学相干断层扫描血管成像	CNN	图像	NA	NA	MEDnet-V2	特异性, 敏感性	NA
2852	2026-03-02	Simultaneous cosegmentation of tumors in PET-CT images using deep fully convolutional networks 2019-Feb, Medical physics IF:3.2Q1 DOI:10.1002/mp.13331 PMID:30537103	研究论文	本研究探讨了使用三维深度全卷积网络（DFCN）在PET-CT图像中同时进行肿瘤协同分割的效率和效果	提出了一种基于两个耦合3D-UNet的DFCN协同分割方法，能够在PET和CT之间共享互补信息	样本量相对较小（60对PET/CT图像），且仅针对非小细胞肺癌（NSCLC）	研究在双模态PET-CT图像中同时进行肿瘤协同分割的深度学习方法	非小细胞肺癌（NSCLC）患者的PET-CT图像	计算机视觉	肺癌	PET-CT成像	CNN	图像	60对PET/CT图像	NA	3D-UNet	Dice相似系数（DSC）、加权平均敏感性和阳性预测值（Scores）、平均对称表面距离	NA
2853	2026-03-02	Validation of automated artificial intelligence segmentation of optical coherence tomography images 2019, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0220063 PMID:31419240	研究论文	本文验证了使用卷积神经网络自动分割光学相干断层扫描图像中眼后部各腔室的性能，并与不同专业水平的人工分割结果进行了比较	首次将深度学习算法应用于SDOCT和SSOCT图像的自动分割，并系统评估了其与多类人工分级者的一致性，证明了算法性能与人工分割相当	研究仅基于特定数据集（6210张图像），未在更广泛或多样化的临床环境中验证，且分割仅限于眼后部腔室	评估和验证人工智能算法在光学相干断层扫描图像分割中的性能，以替代或辅助人工分割	光学相干断层扫描（OCT）B扫描图像中的眼后部腔室（玻璃体、视网膜、脉络膜、巩膜）	计算机视觉	眼科疾病	光学相干断层扫描（OCT），包括谱域（SD）和扫频源（SS）技术	CNN	图像	6210张手动分割图像，来源于2070个B扫描（1046个SDOCT和1024个SSOCT；630个C扫描）	NA	NA	Intersection over Union（IOU）	NA
2854	2026-03-02	Forecasting future Humphrey Visual Fields using deep learning 2019, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0214875 PMID:30951547	研究论文	本研究利用深度学习网络预测未来Humphrey视野检查结果	首次使用深度学习网络基于单次HVF数据预测未来长达5.5年的视野变化，并在真实世界数据上验证了其优于线性模型的性能	研究基于回顾性数据，未在外部验证集上进行测试，且预测时间范围限于5.5年内	开发能够预测未来Humphrey视野检查结果的深度学习模型	青光眼患者的24-2 Humphrey视野检查数据	计算机视觉	青光眼	Humphrey视野检查	深度学习人工神经网络	视野检查数据点	32,443次24-2 HVF检查，包含超过170万个视野点	NA	CascadeNet-5	点状平均绝对误差, 平均偏差差异, 相关系数	NA
2855	2026-03-02	A feature agnostic approach for glaucoma detection in OCT volumes 2019, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0219126 PMID:31260494	研究论文	本研究提出了一种基于3D卷积神经网络的深度学习技术，直接从原始、未分割的视神经头OCT体积中检测青光眼，无需依赖传统分割特征	采用特征无关方法，直接从原始OCT体积进行分类，避免了传统基于分割特征的依赖，并通过类激活图提供可解释性，识别出与青光眼相关的关键解剖区域	未明确说明样本量、数据来源多样性或模型泛化能力，可能受限于特定数据集或采集条件	开发一种无需手动特征提取的青光眼检测方法，提高诊断准确性	视神经头的OCT体积数据，用于区分健康眼和青光眼	计算机视觉	青光眼	光学相干断层扫描	CNN	3D图像	NA	NA	3D CNN	AUC	NA
2856	2026-03-01	Machine Learning on Dynamic Functional Connectivity: Promise, Pitfalls, and Interpretations 2026-Jun-05, Information sciences DOI:10.1016/j.ins.2026.123184 PMID:41737630	研究论文	本文通过大规模功能磁共振成像数据，评估了机器学习模型在认知任务识别和疾病诊断中的性能，并提出了设计深度学习模型的实证指南	利用大规模神经影像数据（39,784个fMRI样本）系统评估了多种深度学习模型在认知和临床场景中的表现，并引入了基于注意力的可解释性方法来揭示与任务和疾病相关的大脑激活空间模式	研究结果可能受数据集、任务类型和评估设置的差异影响，且未提供统一的通用模型	为功能神经影像学中的深度学习模型设计建立实证指南，并探讨模型在认知任务识别和疾病诊断中的性能与局限性	大规模功能磁共振成像数据，涵盖认知任务和疾病诊断场景	机器学习	NA	功能磁共振成像	深度学习模型	图像	39,784个fMRI样本，来自七个数据库	NA	NA	NA	NA
2857	2026-03-01	LDM-Morph: Latent diffusion model guided deformable image registration 2026-Jun, Pattern recognition IF:7.5Q1 DOI:10.1016/j.patcog.2025.112925 PMID:41736822	研究论文	本文提出了一种名为LDM-Morph的无监督可变形图像配准算法，通过集成潜在扩散模型特征来增强语义信息，以提高医学图像配准的准确性和拓扑保持能力	首次将潜在扩散模型特征集成到可变形图像配准中，设计了基于潜在和全局特征的交叉注意力模块，并提出了分层度量方法，在像素空间和潜在特征空间同时评估相似性	未明确说明算法在更广泛医学图像数据集上的泛化能力，也未讨论对计算资源的具体需求	提高医学图像可变形配准的准确性和拓扑保持能力	医学图像，包括2D心脏图像和3D图像	计算机视觉	心血管疾病	潜在扩散模型	CNN, Transformer	图像	四个公开2D心脏图像数据集和两个3D图像数据集	NA	潜在扩散模型	准确性, 拓扑保持能力, 计算效率	NA
2858	2026-03-01	Predicting treatment response to neoadjuvant chemotherapy in locally advanced rectal cancer: A combined deep learning and machine learning approach utilizing longitudinal multi-sequence MRI 2026-Jun, European journal of radiology open IF:1.8Q3 DOI:10.1016/j.ejro.2026.100739 PMID:41756036	研究论文	本研究开发并验证了基于深度学习和机器学习的模型，利用纵向多序列MRI预测局部晚期直肠癌患者对新辅助化疗的治疗反应	结合纵向多序列MRI的深度学习特征与临床放射学特征，构建融合模型以预测治疗反应	研究为回顾性设计，样本量相对较小（169例患者），且模型性能提升未达到统计学显著性	预测局部晚期直肠癌患者对新辅助化疗的病理反应	局部晚期直肠癌患者	数字病理学	直肠癌	多序列MRI（CE-T1WI, T2WI, DWI）	深度学习, 机器学习	图像	169例局部晚期直肠癌患者（训练队列118例，测试队列51例）	NA	DenseNet121	AUC, 准确率, 灵敏度, 特异性, Brier分数	NA
2859	2026-03-01	Artificial intelligence approaches for non-invasive diabetes prediction using ECG signals: A systematic review 2026-May-01, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2026.109264 PMID:41643489	系统综述	本文系统综述了利用心电图信号进行非侵入性糖尿病预测的人工智能方法	首次系统性地总结和评估了基于AI的心电图分析在糖尿病及糖尿病前期预测中的应用，指出了该领域的研究现状、潜力与关键局限	纳入研究大多基于小型、单中心、横断面数据集，缺乏外部验证和亚组性能评估，方法标准化不足，透明度低，且未专门关注农村或服务不足人群	批判性评估用于心电图信号非侵入性预测糖尿病及糖尿病前期的机器学习和深度学习模型	基于心电图信号预测糖尿病及糖尿病前期的AI模型	机器学习	糖尿病	心电图分析	机器学习模型, 深度学习模型	心电图信号	样本量从24到超过190,000名个体不等，多数研究样本量较小	NA	NA	准确率	NA
2860	2026-03-01	UltraMN: Advancing Real-Time Median Nerve Ultrasound Monitoring With a Multitask Deep Learning Framework 2026-Apr, Ultrasound in medicine & biology DOI:10.1016/j.ultrasmedbio.2025.12.002 PMID:41506963	研究论文	本研究提出了一种名为UltraMN的多任务深度学习框架，用于提升实时超声监测正中神经的性能	提出了一种新颖的多任务学习模型，将标准平面分类（UltraCLS）和组织分割（UltraSEG）集成到一个框架中，用于正中神经的全面分析	本研究仅基于健康正中神经的超声数据，其对于病理情况（如腕管综合征）的泛化能力需要进一步验证	开发一种先进的深度学习框架，以克服与实时超声监测正中神经相关的挑战	正中神经的超声图像和视频	计算机视觉	NA	超声成像	深度学习	图像, 视频	446个病例，每个病例双侧采集8个视频，总计3568个视频和249,985张图像，涵盖四个标准化成像平面	Python	UltraMN, UltraCLS, UltraSEG	准确率, 精确率, 召回率, F1分数, 平均交并比	NA