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
3001	2026-08-28	Enhanced deep learning model for precise nodule localization and recurrence risk prediction following curative-intent surgery for lung cancer 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0300442 PMID:38995927	研究论文	本研究开发了一种基于Mask R-CNN的深度学习模型，用于术前CT图像中肺癌结节的精确定位和复发风险预测	使用Mask R-CNN模型结合优化的训练策略（包括预处理代码、动态学习率和超参数调整）实现肺癌复发部位的准确预测和可视化	未提及明显局限性	利用术前CT图像预测肺癌患者术后复发风险，以支持更积极的治疗方案和强化辅助治疗决策	接受根治性肺切除术的非小细胞肺癌患者	计算机视觉	肺癌	CT成像	Mask R-CNN	医学图像	未提及具体样本数量	NA	Mask R-CNN	边界框损失（bounding box）、分类损失（classification）、掩码损失（mask）、区域提议网络边界框（RPN bounding box）、区域提议网络分类（RPN classification）	NA
3002	2026-08-28	Deep learning-based automatic image classification of oral cancer cells acquiring chemoresistance in vitro 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0310304 PMID:39485749	研究论文	本研究利用深度学习模型（EfficientNet-B3）对口腔癌细胞系进行自动图像分类，以区分非癌细胞、无化疗耐药性和有化疗耐药性的癌细胞，并通过集成学习近似估计耐药细胞比例。	首次使用EfficientNet-B3模型结合过采样和欠采样技术，对形态几乎无法通过肉眼或显微镜区分但具有化疗耐药性的口腔癌细胞进行三分类，并利用集成学习方法准确预测耐药细胞比例。	研究仅在体外细胞系中进行，尚需验证其在临床样本或体内的有效性。	评估深度学习图像分析能否识别由化疗引起的细胞形态变化，并实现对耐药性细胞的自动分类及比例估算。	口腔癌细胞系（包括对化疗耐药和亲本非耐药细胞）以及非癌细胞。	计算机视觉	口腔癌	显微镜图像分析	卷积神经网络（CNN）	细胞图像	未明确说明具体样本数量，但涉及口腔癌细胞系及其耐药变体和非癌细胞。	PyTorch	EfficientNet-B3, 集成学习（Ensemble Learning）	准确率（accuracy）、均方根误差（RMSE）	未明确说明具体硬件，但推测使用GPU加速训练深度学习模型。
3003	2026-08-28	A Treatment Selection Model for Opioid Use Disorder Using Electronic Health Record and ZIP-Level Data 2024, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:41726412	研究论文	开发了一个预测模型，利用电子健康记录和邮政编码级别数据指导阿片类药物使用障碍的治疗选择	首次将电子健康记录与邮政编码级别数据结合，用于预测丁丙诺啡和美沙酮的治疗反应，以指导治疗选择	邮政编码级别数据未显著提升模型性能，且模型一致推荐丁丙诺啡，需要探索其他建模方法和更全面的社会外部因素	建立一个预测模型以辅助阿片类药物使用障碍的治疗选择，提高药物使用率	阿片类药物使用障碍患者的治疗反应（住院期间及出院后90天内无不良结局）	机器学习	阿片类药物使用障碍	NA	广义线性回归、随机森林、梯度提升机、深度学习模型	电子健康记录和邮政编码级别数据	NA	NA	NA	NA	NA
3004	2026-08-28	Advancing crop classification in smallholder agriculture: A multifaceted approach combining frequency-domain image co-registration, transformer-based parcel segmentation, and Bi-LSTM for crop classification 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0299350 PMID:38427638	研究论文	该研究提出了一种结合频域图像配准、基于Transformer的地块分割和Bi-LSTM的多方面方法，以提高小农农业中的作物分类精度	采用开源工具进行传感器间和传感器内图像配准，并强调使用SAM-GEOs进行植被地块分割，以及开发Bi-LSTM深度学习模型用于作物分类，在验证集上实现了超过94%和96%的准确率	未在摘要中明确说明局限性	为小农经济体中的农业遥感应用提出优化解决方案，以克服农场规模缩小、数据缺乏和高成本等挑战	小农农业农场中的作物，使用代表不同生长季节的主要作物数据集	计算机视觉	NA	遥感图像配准、SAM-GEOs分割	Bi-LSTM	图像	两个数据集，在不同生长季节收集	NA	Transformer（用于SAM-GEOs分割）、Bi-LSTM	准确率、均方根误差	NA
3005	2026-08-28	Vision transformer with masked autoencoders for referable diabetic retinopathy classification based on large-size retina image 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0299265 PMID:38446810	研究论文	本研究利用基于掩码自编码器的视觉Transformer模型，对大规模视网膜图像进行可转诊糖尿病视网膜病变的分类，并取得了较好的性能。	首次将掩码自编码器预训练应用于大规模视网膜图像上的视觉Transformer模型，以分类可转诊糖尿病视网膜病变，并证明其优于使用ImageNet预训练的方法。	研究仅使用了公开数据集，且预训练数据集规模远小于ImageNet，可能影响模型的泛化能力。	开发一种基于视觉Transformer和掩码自编码器的模型，以在有限数量的大尺寸视网膜图像上提高可转诊糖尿病视网膜病变的分类性能。	超过10万张大于224×224的公开眼底视网膜图像。	计算机视觉，数字病理学	糖尿病视网膜病变	图像分类	视觉Transformer（ViT）	图像	超过100,000张视网膜图像	未提及	视觉Transformer（ViT），掩码自编码器（MAE）	准确率，曲线下面积（AUC），敏感性，特异性	未提及
3006	2026-08-28	Development of a multi-wear-site, deep learning-based physical activity intensity classification algorithm using raw acceleration data 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0299295 PMID:38452147	研究论文	本研究开发了一种基于原始加速度数据、利用深度神经网络进行多佩戴部位和活动强度分类的算法，并评估其性能优于基于计数的传统算法。	创新性地提出了能够同时分类佩戴部位和活动强度的深度神经网络模型，打破了传统算法对特定佩戴部位的依赖，提高了分类准确率。	研究仅在实验室环境下进行，样本量较小，可能限制模型在真实世界场景中的泛化能力。未提及模型在不同人群或长期监测中的稳定性评估。	开发并评估一种基于原始加速度数据的深度学习算法，用于准确分类物理活动强度，并确定加速度计的佩戴部位，以提高设备的可用性和用户依从性。	54名参与者（包括26名成人和28名儿童），其髋部、手腕和胸部佩戴加速度计，采集原始加速度数据和代谢率作为标签。	机器学习	非特定疾病，属于健康监测领域	加速度计	长短期记忆网络（LSTM）	时间序列加速度数据、人口统计学特征	54名参与者，其中成人26名（平均年龄26.9±8.7岁），儿童28名（平均年龄12.1±2.3岁）	NA	长短期记忆网络（LSTM）	准确率（Accuracy）	NA
3007	2026-08-28	Time series classification of multi-channel nerve cuff recordings using deep learning 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0299271 PMID:38470880	研究论文	本研究探讨了利用深度学习技术，特别是针对时间序列应用的网络，来提高多接触神经袖带电极记录的选择性	将专为时间序列数据设计的卷积神经网络应用于外周神经记录，并系统评估了窗口长度和数据增强对分类性能的影响	未明确提及具体局限性	确定深度学习技术能否增加多接触神经袖带电极的记录选择性	Long-Evans大鼠坐骨神经的56通道神经袖带记录，包括三种机械刺激诱发的传入信号	深度学习	不适用	神经袖带电极记录	卷积神经网络	神经信号	未明确具体样本数量，但使用了来自Long-Evans大鼠的56通道神经袖带记录数据集	未明确提及	卷积神经网络，具体架构未指明	准确率、F1分数	未明确提及
3008	2026-08-28	GNViT- An enhanced image-based groundnut pest classification using Vision Transformer (ViT) model 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0301174 PMID:38527074	研究论文	本研究引入了GNViT模型，一种基于预训练Vision Transformer的图像分类方法，用于检测和分类花生作物中的害虫	提出了专门针对花生害虫分类的GNViT模型，利用在ImageNet上预训练的ViT，并通过数据增强显著提升了训练准确率	信息不足，未在标题和摘要中明确说明	实现花生作物害虫的自动检测与分类，以减少作物损失并增强全球粮食安全	花生作物及其害虫，包括蓟马、蚜虫、夜蛾和地老虎	计算机视觉	农业害虫相关，具体为花生害虫	深度学习，基于预训练模型迁移学习	视觉变换器 (ViT)	图像	使用了来自IP102数据集的综合数据，具体样本数量未在摘要中提及	NA	ViT (Vision Transformer)	F1分数、召回率、准确率	NA
3009	2026-08-28	Automatic segmentation of lower limb muscles from MR images of post-menopausal women based on deep learning and data augmentation 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0299099 PMID:38564618	研究论文	本研究探索三种卷积神经网络（UNet、Attention UNet和新型Spatial Channel UNet）在磁共振图像中自动分割绝经后女性下肢肌肉的能力，并采用数据增强技术训练模型	提出了一种新颖的Spatial Channel UNet架构，并结合数据增强技术，实现了对23块下肢肌肉（髋部、大腿和小腿）的自动分割	分割性能依赖于受试者和网络类型，且模型仅针对特定采集参数的T1加权磁共振图像进行验证	评估深度学习技术在下肢肌肉自动分割中的可行性，以克服手动分割的耗时和重复性问题	绝经后女性下肢肌肉（髋部、大腿和小腿的23块肌肉）	深度学习	肌肉骨骼疾病	磁共振成像 (MRI)	卷积神经网络 (CNN)	图像	6名受试者的磁共振图像	NA	UNet, Attention UNet, Spatial Channel UNet	相对体积误差 (RVE), Dice相似系数 (DSC), Hausdorff距离 (HD)	NA
3010	2026-08-28	PigSNIPE: Scalable Neuroimaging Processing Engine for Minipig MRI 2023-Feb, Algorithms IF:1.8Q2 DOI:10.3390/a16020116 PMID:42639144	研究论文	开发了PigSNIPE，一个用于微型猪MRI图像自动处理和分析的可扩展神经影像处理流水线	首次为大型动物图像开发自动化流水线工具，结合四个强化学习模型和五个深度学习UNet分割模型，显著减少分析微型猪神经影像所需的时间和资源	信息不足，无法从标题和摘要中提取具体局限性	为微型猪MRI图像提供自动处理和分析工具，以支持神经科学研究并提高效率	微型猪脑部MRI图像	医学影像处理	神经系统疾病	MRI	强化学习模型和UNet分割模型	图像	未提供具体样本数量	NA	UNet	DICE系数	NA
3011	2026-08-28	Deep Learning Approaches for Prognosis of Automated Skin Disease 2022-Mar-15, Life (Basel, Switzerland) DOI:10.3390/life12030426 PMID:35330177	研究论文	本研究利用MobileNetV2和LSTM开发了一种皮肤病自动分类系统，旨在提高皮肤病预测的准确性，同时高效存储完整状态信息以实现精确预测。	提出了一种混合深度学习模型，结合MobileNetV2和LSTM，用于皮肤病分类，以提高预测精度并处理复杂皮肤特征。	未提及具体局限性，可能包括对多样皮肤类型和条件的数据依赖及模型泛化能力的挑战。	开发一个基于深度学习的皮肤病分类系统，提高皮肤病预测的准确性，同时确保高效存储状态信息。	皮肤病图像，包括不同皮肤色调、毛发颜色和发型下的正常和异常皮肤组织。	计算机视觉	皮肤病	深度学习，图像分类	MobileNetV2, LSTM	图像	未提供具体样本数量	NA	MobileNetV2, LSTM	准确率	未提供具体计算资源信息
3012	2026-08-27	Automated wound segmentation and classification of seven common injuries in forensic medicine 2024-06, Forensic science, medicine, and pathology DOI:10.1007/s12024-023-00668-5 PMID:37378809	研究论文	本文探讨了在法医医学中，利用深度学习架构对照片中的伤口进行自动分割和分类，以辅助法医病理学家评估损伤并加速报告过程。	首次将多种预训练的深度学习架构应用于法医相关照片的伤口分割和分类，针对七种常见伤害类型，并处理了类别不平衡问题。	模型难以区分背景与伤口区域，尤其是皮下血肿或皮肤擦伤的像素被错误归类为背景的比率高达31%，部分原因是某些伤口类型边界不明确。	旨在开发一种工具，通过自动分割和分类法医照片中的伤口，提高损伤评估的准确性和报告过程的效率。	法医相关照片中的七种常见伤口类型，包括刺伤、皮下血肿等。	计算机视觉	法医损伤	深度学习图像分割和分类技术	预训练深度学习模型（如CNN）	图像	未具体说明，但使用来自数据库的法医相关照片进行训练和测试	NA	多种预训练深度学习架构（具体名称未提及）	平均像素准确率、平均交并比（IoU）	NA
3013	2026-08-27	Cancer immunotherapy efficacy and machine learning 2024 Jan-Feb, Expert review of anticancer therapy IF:2.9Q2 DOI:10.1080/14737140.2024.2311684 PMID:38288663	综述	本文综述了机器学习在预测癌症免疫治疗疗效中的应用，包括影像组学、病理组学、肿瘤微环境和免疫相关基因分析。	系统总结了机器学习在免疫治疗疗效预测中的多种应用领域，并强调了深度学习在其中的潜力。	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
3014	2026-08-27	Genomic prediction with machine learning in sugarcane, a complex highly polyploid clonally propagated crop with substantial non-additive variation for key traits 2023-12, The plant genome DOI:10.1002/tpg2.20390 PMID:37728221	研究论文	本研究探讨了深度学习和集成机器学习方法在甘蔗基因组预测中的表现，并与GBLUP模型进行了比较	首次在复杂高度多倍体克隆繁殖作物甘蔗中应用深度学习（MLP和CNN）和随机森林进行基因组预测，并考虑了非加性效应	机器学习模型的预测精度未超过扩展的GBLUP模型，可能受限于数据规模和标记密度	评估机器学习方法在甘蔗基因组预测中的潜力，并与传统线性模型比较	2912个甘蔗克隆，涉及总甘蔗收获量、商业蔗糖和纤维含量三个性状	机器学习	NA	单核苷酸多态性标记基因分型	多层感知机、卷积神经网络、随机森林、GBLUP	基因组标记数据和表型数据	2912个甘蔗克隆，26086个SNP标记	NA	MLP、CNN、随机森林	预测精度	NA
3015	2026-08-27	Comparing artificial-intelligence techniques with state-of-the-art parametric prediction models for predicting soybean traits 2023-03, The plant genome DOI:10.1002/tpg2.20263 PMID:36484148	研究论文	本研究比较了传统基因组预测方法（GBLUP）、核方法（高斯核）、人工智能方法（深度学习）及混合方法（反余弦核）在预测大豆产量、油分和蛋白质含量方面的准确性	首次将深度学习模型的仿真方法（反余弦核）与常用基因组预测方法进行系统比较，并评估了基因型与环境互作效应下的模型表现	深度学习方法的较差表现可能归因于次优的超参数设置，且研究仅基于单一作物（大豆）和特定环境条件	评估并比较不同基因组预测方法在预测大豆农艺性状（产量、油分、蛋白质）方面的表现	大豆品种（Glycine max）的基因型和表型数据	机器学习	不适用	基因组预测（GBLUP）、核方法（高斯核、反余弦核）、深度学习	深度学习（DL）、核模型	基因组标记数据和表型数据（产量、油分、蛋白质）	1379个大豆基因型，在6个环境中测试，所有基因型在所有环境中	不适用	深度学习网络、高斯核、反余弦核	预测准确度	不适用
3016	2026-08-27	Deep-learning power and perspectives for genomic selection 2021-11, The plant genome DOI:10.1002/tpg2.20122 PMID:34309215	研究论文	本文探讨了深度学习在基因组选择中的应用，并提供了关于其解决复杂预测任务的能力以及如何将深度学习与基因组选择相结合以加速植物育种革命的见解。	强调了深度学习模型在基因组选择中超越人类能力和其他机器学习算法的潜力，并指出了利用深度学习方法进行基因组选择的机遇领域。	作者承认需要大量研究来适应和开发考虑育种输入和基因组选择特性的深度学习方法。	提供关于深度学习在基因组选择中应用的洞见，并讨论如何结合两者以推动植物育种的发展。	深度学习模型在基因组选择中的应用及植物育种中的基因组选择方法。	机器学习	NA	基因组选择	深度学习（DL）	基因组数据	NA	NA	NA	NA	NA
3017	2026-08-27	Application of a Poisson deep neural network model for the prediction of count data in genome-based prediction 2021-11, The plant genome DOI:10.1002/tpg2.20118 PMID:34323393	研究论文	本文应用泊松深度神经网络（PDNN）模型进行基因组预测中的计数数据预测，并与多种传统和深度学习方法进行了比较	将先前提出的单变量泊松深度神经网络应用于基因组预测的计数数据，利用TensorFlow和Keras实现，能够处理中型和大型数据集，克服了传统GS计数数据模型的限制	PDNN模型在预测精度上未优于处理连续结果的常规深度神经网络	评估泊松深度神经网络在基因组选择中对计数数据预测的性能	基因组选择中的计数数据预测模型	机器学习	NA	NA	深度神经网络（DNN），泊松深度神经网络（PDNN）	计数数据	未明确说明	TensorFlow, Keras	PDNN，隐藏层使用ReLU激活函数，输出层使用指数激活函数	预测精度	未明确说明
3018	2026-08-27	Breast ultrasound lesion classification based on image decomposition and transfer learning 2020-Dec, Medical physics IF:3.2Q1 DOI:10.1002/mp.14510 PMID:33012047	研究论文	本研究提出了一种基于图像分解和迁移学习的乳腺超声图像分类方法，通过模糊增强和双边滤波图像与原始超声图像结合，利用预训练模型提高良性/恶性病变分类性能	采用图像分解技术生成模糊增强和双边滤波图像，与原始超声图像构建多特征数据，增强预训练模型的特征提取能力	摘要中未提及明显的局限性信息	解决乳腺超声图像模糊和斑点噪声干扰下深度学习分类可靠性不足的问题	乳腺超声图像中的良性/恶性病变	医学图像分析	乳腺病变	图像分解	卷积神经网络（CNN）	图像	NA	NA	VGG16	准确率、灵敏度、特异度、F1分数、AUC	NA
3019	2026-08-26	Deep Learning-Based Risk Factor Analysis for Accurate Prediction of Lung Cancer in High-Risk Populations 2026-Sep-01, American journal of clinical oncology DOI:10.1097/COC.0000000000001284 PMID:41437170	研究论文	本研究提出一种结合深度学习与优化算法的框架，用于高危人群肺癌风险预测，并达到99.25%的预测准确率	结合鲸鱼优化算法与自适应粒子群优化（WOA-APSO）进行特征选择，并采用基于核的非高斯CNN（KNG-CNN）模型，实现高精度预测	未提及具体局限性	提高高危人群中肺癌的早期检测和风险预测准确性	高危人群的肺癌风险预测	深度学习、医学影像	肺癌	CT影像（基于LIDC-IDRI数据集）	卷积神经网络（CNN）及KNG-CNN	医学影像（CT图像）	未提及具体样本量（使用LIDC-IDRI数据集）	PYTHON	CNN、KNG-CNN	准确率	NA
3020	2026-08-26	Accurate Lung Cancer Prediction From CT Scans Using Advanced Deep Learning Methods 2026-Sep-01, American journal of clinical oncology DOI:10.1097/COC.0000000000001286 PMID:41449566	研究论文	提出一种利用先进深度学习方法进行CT扫描肺癌预测的多阶段框架，包括混合图卷积网络和条件随机场进行图像分割，以及胶囊网络、孪生神经网络和混合深度自编码器进行特征提取	整合多种先进技术，包括混合GCN-CRF分割、CapsNet、Siamese网络和混合自编码器特征提取，以及混合CNN-Transformer和GNN分类的双重策略，以提高肺癌预测准确性	未在论文摘要中明确提及局限性	提高肺癌早期诊断和治疗结果，通过深度学习技术增强CT扫描中恶性病变的检测和分类	CT扫描图像中的肺部区域和潜在病变	计算机视觉	肺癌	CT扫描	混合图卷积网络、条件随机场、胶囊网络、孪生神经网络、混合深度自编码器、混合CNN-Transformer、图神经网络	图像	未提及	Python	混合GCN-CRF、CapsNet、Siamese网络、混合自编码器、混合CNN-Transformer、GNN	准确率	未提及