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
4101	2026-08-16	Grading of Foveal Hypoplasia Using Deep Learning on Retinal Fundus Images 2025-May-01, Translational vision science & technology IF:2.6Q2 DOI:10.1167/tvst.14.5.18 PMID:40402544	研究论文	本研究旨在开发和评估一个基于视网膜眼底图像进行中心凹发育不良分级的人工智能模型	提出了一种使用深度学习技术对视网膜眼底图像进行中心凹发育不良自动分级的新方法，并证明其性能优于初级和高级临床医生的人工评估	未提及研究的局限性	开发并评估一个利用视网膜眼底图像进行中心凹发育不良分级的深度学习模型	中心凹发育不良患者	医学影像分析，深度学习	中心凹发育不良	眼底成像，光学相干断层扫描	卷积神经网络	视网膜眼底图像	605张视网膜眼底图像（来自303名患者）	PyTorch	EfficientNet_b1	准确率, 敏感性, 特异性, AUC, AUPRC	未提及
4102	2026-08-16	A Deep Learning Approach for Accurate Discrimination Between Optic Disc Drusen and Papilledema on Fundus Photographs 2024-12-01, Journal of neuro-ophthalmology : the official journal of the North American Neuro-Ophthalmology Society IF:2.0Q2 DOI:10.1097/WNO.0000000000002223 PMID:39090774	研究论文	本研究开发并验证了一个深度学习系统，用于在眼底照片上准确区分视盘玻璃膜疣和视乳头水肿，包括不同亚组。	首次在大型国际多中心队列中，针对视盘玻璃膜疣和视乳头水肿的二元分类，开发和验证专用的深度学习系统，并特别关注隐藏性玻璃膜疣与轻中度视乳头水肿的区分。	未提及	训练、验证和测试一个专用深度学习系统，以在常规散瞳数字眼底照片上实现视盘玻璃膜疣与视乳头水肿的准确分类。	视盘玻璃膜疣和视乳头水肿患者	计算机视觉	眼科疾病	眼底照相	深度学习系统	图像	2180名患者的4508张彩色眼底图像（训练和内部验证），外部测试集包含221名患者（207张视盘玻璃膜疣图像和214张视乳头水肿图像）	未提及	未提及	AUC、准确率、灵敏度、特异度	未提及
4103	2026-08-16	EEG-based brain-computer interface methods with the aim of rehabilitating advanced stage ALS patients 2024-11, Disability and rehabilitation. Assistive technology DOI:10.1080/17483107.2024.2316312 PMID:38400897	综述	本文综述了基于EEG的脑机接口方法，旨在帮助晚期肌萎缩侧索硬化症患者进行康复，重点介绍了特征提取和分类方法。	全面比较了多种特征提取方法（如FFT、WPD、CSP等）和分类方法（如LDA、SVM、NN、DL），并指出SVM和DL的适用优势。	未详细说明各方法的实际性能对比数据，且未提及具体实验验证。	探讨EEG-based BCI方法在晚期ALS患者康复中的应用，并综述相关技术。	晚期肌萎缩侧索硬化症（ALS）患者	脑机接口	肌萎缩侧索硬化症	EEG	SVM, LDA, NN, DL	脑电信号	NA	NA	NA	准确率、可靠性	NA
4104	2026-08-16	Deep learning reveals a damage signalling hierarchy that coordinates different cell behaviours driving wound re-epithelialisation 2024-09-15, Development (Cambridge, England) DOI:10.1242/dev.202943 PMID:39177163	研究论文	利用深度学习工具量化果蝇蛹翅上皮伤口再上皮化过程中细胞行为，并揭示损伤信号层级协调这些行为	首次应用深度学习工具从活体成像视频中量化细胞分裂、形状变化和迁移对伤口再上皮化的贡献，并通过基因扰动实验揭示钙信号、JNK和巨噬细胞信号在伤口修复中的层级调控关系	研究仅基于果蝇蛹翅上皮模型，可能不直接适用于哺乳动物伤口愈合；深度学习工具可能未捕捉所有细胞行为复杂性	阐明伤口再上皮化过程中不同细胞行为的贡献及其信号调控层级	果蝇蛹翅上皮伤口修复过程中的细胞行为及信号分子（Ca2+、JNK、巨噬细胞信号）	深度学习	伤口愈合（组织修复）	活体成像显微镜	深度学习模型（类型未具体说明）	图像（活体显微镜视频）	未具体说明样本量，但包括多个果蝇蛹翅上皮伤口视频	未明确提及	未明确具体架构，但使用深度学习工具（如卷积神经网络）	量化细胞行为（如细胞分裂率、形状变化、迁移速度）的指标	未明确提及
4105	2026-08-16	Leveraging conformal prediction to annotate enzyme function space with limited false positives 2024-05, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1012135 PMID:38809942	研究论文	本文提出了CPEC框架，结合深度学习与共形预测，以受控的假发现率对酶功能进行注释。	首次将共形预测与深度学习结合，用于酶功能注释，提供严格的FDR控制保证，优于现有方法在较低FDR下的预测性能。	未明确指出，但可能包括对训练数据中代表性不足的酶预测精度有限，以及依赖用户指定的FDR水平。	开发一个机器学习框架，用于在生物发现中提供FDR控制的预测，以减少假阳性，并通过酶功能注释案例验证其有效性。	蛋白质酶，特别是功能表征较少的酶。	机器学习	不适用	深度学习	深度学习模型（未具体说明）	蛋白质序列或结构数据（推断）	不适用	不适用	未具体说明	假发现率（FDR）、预测准确性	不适用
4106	2026-08-16	Versatile multiple object tracking in sparse 2D/3D videos via deformable image registration 2024-05, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1012075 PMID:38768230	研究论文	提出ZephIR，一种基于图像配准的半监督多目标跟踪框架，用于2D/3D视频中的物体跟踪	利用空间变换网络技术，通过可调节参数编码空间和时间先验，实现跨多种生物系统的通用性	需要小量标注进行交互式优化，对于缺乏独特特征和稀疏图像环境存在挑战	开发一种通用且高效的多目标跟踪工具，适用于部分相关运动的物体，减少手动标注需求	行为小鼠的身体部位和自由移动线虫大脑中的神经元	计算机视觉	NA	图像配准	空间变换网络	图像（2D/3D视频）	NA	PyTorch	ZephIR	准确率	NA
4107	2026-08-16	Non-invasive load monitoring based on deep learning to identify unknown loads 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0296979 PMID:38335185	研究论文	本文提出了一种基于深度学习的非侵入式负载监测方法，利用三元组神经网络和凸包重合度检测未知电器负载，并通过迁移学习快速更新分类模型。	提出了基于三元组神经网络的新编码特征空间，使用凸包重合度检测未知负载，并引入迁移学习实现预分类模型的自增类快速更新。	未提及具体限制。	解决未知电器负载的准确识别问题，提高能源利用效率，减少能源浪费。	未知电器负载。	机器学习	NA	N/A	三元组神经网络（Triplet Neural Network）	时序电信号数据（来自PLAID数据集）	PLAID数据集中的样本	N/A	三元组网络（Triplet Network）	准确率（达到99.23%）	N/A
4108	2026-08-16	Deep learning segmentation and registration-driven lung parenchymal volume and movement CT analysis in prone positioning 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0299366 PMID:38422097	研究论文	利用深度神经网络对俯卧位CT图像进行肺实质体积和运动的定量分析	首次使用DNN分割和配准技术对俯卧位CT进行肺叶体积变化和三维像素位移的定量评估	未在摘要中明确提及限制	评估俯卧位对肺实质体积和运动的影响，并探讨其与肺纤维化程度及肺功能的相关性	疑似间质性肺异常或疾病的患者	医学影像分析	间质性肺疾病	CT成像	深度神经网络（DNN）	CT图像	108对CT图像（成功配准的病例）	NA	分割网络和变形配准网络	体积变化（毫升），最大像素位移（厘米），Spearman相关系数	NA
4109	2026-08-16	RETRACTED: Convolutional neural network model by deep learning and teaching robot in keyboard musical instrument teaching 2023, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0293411 PMID:37883500	研究论文	本文探讨了学前教育中键盘乐器教学的现状与问题，并提出通过教学机器人和深度学习卷积神经网络模型改进教学的方法。	将教学机器人与深度学习卷积神经网络结合用于键盘乐器教学，通过分析学生演奏时的图像和动作实现个性化教学。	摘要未提及研究的局限性。	调查学前教育中键盘乐器教学现状，识别问题，并提出基于智能技术的解决方案。	学前教育中的键盘乐器教学和学生。	机器学习	NA	深度学习	卷积神经网络（CNN）	图像	NA	NA	卷积神经网络（CNN）	学生满意度	NA
4110	2026-08-16	Inter-laboratory automation of the in vitro micronucleus assay using imaging flow cytometry and deep learning 2021-09, Archives of toxicology IF:4.8Q1 DOI:10.1007/s00204-021-03113-0 PMID:34245348	研究论文	本文展示了利用成像流式细胞术和深度学习实现体外微核试验的跨实验室自动化操作	首次将成像流式细胞术与深度学习结合，实现微核试验的自动化跨实验室评分，无需用户配置即可处理全新实验室的数据	对极其罕见的三核和四核细胞伴微核的分类成功率较低（≤57%）	开发一种自动化、跨实验室适用的体外微核试验评分方法，以替代耗时且主观的人工评分	TK6细胞，经甲磺酸甲酯（1.25-5.0 μg/mL）和/或多菌灵（0.8-1.6 μg/mL）处理	计算机视觉, 数字病理学	NA	成像流式细胞术	深度学习神经网络	图像	三个实验室的图像集，具体数量未在摘要中说明	NA	DeepFlow神经网络	准确率	NA
4111	2026-08-16	Deep learning prediction of BRAF-RAS gene expression signature identifies noninvasive follicular thyroid neoplasms with papillary-like nuclear features 2021-05, Modern pathology : an official journal of the United States and Canadian Academy of Pathology, Inc IF:7.1Q1 DOI:10.1038/s41379-020-00724-3 PMID:33299111	研究论文	利用深度学习预测BRAF-RAS基因表达签名，以识别具有乳头状核特征的非侵袭性滤泡性甲状腺肿瘤（NIFTP）	首次将深度学习应用于预测BRAF-RAS基因表达评分（BRS），以区分NIFTP与其他滤泡型甲状腺肿瘤，实现了从组织学图像到基因表达谱的映射	该研究依赖TCGA数据集和内部队列，可能存在样本选择偏差；模型预测的BRS作为NIFTP的单一判别指标虽表现良好，但未在更大规模或多样化人群中进行外部验证	验证深度学习预测BRAF-RAS基因表达签名是否能区分NIFTP和其他滤泡型甲状腺肿瘤，促进安全降级治疗	甲状腺肿瘤组织切片，包括NIFTP、乳头状甲状腺癌伴广泛滤泡生长（PTC-EFG）和经典乳头状甲状腺癌（经典PTC）	数字病理学	甲状腺肿瘤	组织病理学切片数字化	深度学习模型	病理图像（H&E染色切片）、基因表达数据	训练集115例甲状腺肿瘤，TCGA队列497例甲状腺肿瘤	NA	NA	相关系数（R）、曲线下面积（AUC）	NA
4112	2026-08-16	Improving clinical disease subtyping and future events prediction through a chest CT-based deep learning approach 2021-Mar, Medical physics IF:3.2Q1 DOI:10.1002/mp.14673 PMID:33340116	研究论文	开发并评估了一种基于胸部CT的深度学习方法来改善慢性阻塞性肺疾病的临床亚型分类和未来事件预测。	创新性地利用深度学习从高分辨率CT中学习紧凑的患者表征，通过自适应权重聚合区域影像特征，以预测多种COPD结局，并将预测能力与传统指标（如BODE指数）进行比较。	未在本文中明确提及局限性。	开发并评估一种深度学习模型，从COPD患者的高分辨率CT中提取丰富信息，以预测生理严重程度和多种临床结局。	慢性阻塞性肺疾病患者。	深度学习	慢性阻塞性肺疾病	高分辨率CT成像	深度学习模型	胸部CT图像	10,300名来自COPDGene队列的参与者	NA	NA	r²，准确率，AUC，一致性指数（C-index）	NA
4113	2026-08-16	Deep Multi-Modal Transfer Learning for Augmented Patient Acuity Assessment in the Intelligent ICU 2021-Feb, Frontiers in digital health IF:3.2Q2 DOI:10.3389/fdgth.2021.640685 PMID:33718920	研究论文	本研究探索在智能重症监护室中，通过结合电子健康记录和腕戴式活动传感器的数据，利用深度迁移学习增强患者病情严重程度评估的预测能力	首次将腕戴式活动传感器数据与电子健康记录数据结合，应用于智能ICU的患者病情评估，并利用大型传统ICU队列进行深度迁移学习以解决小样本问题	作为试点研究，样本量较小，可能限制结果的泛化性；依赖特定临床环境（智能ICU）和新颖传感器数据，可能难以在其他医疗环境中复现	评估在传统电子健康记录数据基础上，增加腕戴式活动传感器数据对患者出院结果预测的效用，特别是在应用迁移学习后对小型ICU队列的预测改进	重症监护室患者，包括来自智能ICU的前瞻性队列和来自传统ICU的大型回溯性队列	机器学习	重症疾病（危重病）	深度迁移学习、时间序列建模	深度学习模型（具体如RNN/LSTM，但未明确）	电子健康记录数据（生命体征）和腕戴式传感器活动数据	小型前瞻性智能ICU队列和大型传统ICU回溯性队列（具体数量未给出）	未明确	时间序列深度学习模型（具体架构未明确）	未明确（可能包括准确率等，但未列出）	未明确
4114	2026-08-16	Image Descriptors for Weakly Annotated Histopathological Breast Cancer Data 2020-Dec, Frontiers in digital health IF:3.2Q2 DOI:10.3389/fdgth.2020.572671 PMID:33345255	研究论文	提出两种图像描述符（CKD和WAID）用于弱标注的组织病理学乳腺癌数据，提高癌症组织识别性能	引入协方差-核描述符（CKD）和弱标注图像描述符（WAID），无需像素级组织标注即可识别恶性肿瘤区域，并优于多种计算机视觉特征	未在更大规模或多样化的数据集上验证，且未涉及深度学习方案，可能影响泛化能力	提供强大的特征描述符，增强临床医生对乳腺癌组织病理图像的识别能力	乳腺癌组织病理图像中的恶性区域	计算机视觉、数字病理学	乳腺癌	组织病理图像分析	多示例学习框架	图像	私有乳腺癌数据集和Breast Cancer Histopathological数据库（BreakHis）	NA	CKD、WAID	分类准确率（ACC）、曲线下面积（AUC）、正确分类恶性（CCM）实例率	NA
4115	2026-08-16	Fully Automated CT Quantification of Epicardial Adipose Tissue by Deep Learning: A Multicenter Study 2019-Nov-27, Radiology. Artificial intelligence DOI:10.1148/ryai.2019190045 PMID:32090206	研究论文	本研究评估了深度学习算法在多中心心脏CT数据中自动量化心外膜脂肪组织的性能和鲁棒性	首次在多中心、多扫描仪和多协议的非增强钙化评分CT数据上验证了深度学习算法对于心外膜脂肪组织的全自动量化，并将其与专家阅片者进行了详细比较	研究仅使用了非增强钙化评分CT数据，可能不适用于其他类型的CT图像，且未明确提及算法在不同人群中的泛化能力	评估深度学习算法用于快速、鲁棒且全自动的心外膜脂肪组织量化，以支持常规心血管风险评估	心外膜脂肪组织在心脏CT图像中的量化	计算机视觉	心血管疾病	CT成像	卷积神经网络（CNN）	图像（CT扫描）	850例扫描用于训练，141例用于与专家比较，70例用于进展分析	NA	卷积神经网络（CNN）	相关系数（R）、偏差（bias）、时间	NA
4116	2026-08-16	Automatic 3D liver segmentation based on deep learning and globally optimized surface evolution 2016-12-21, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/61/24/8676 PMID:27880735	研究论文	提出了一种基于3D卷积神经网络和全局优化表面演化的自动肝脏分割框架，用于从腹部3D CT图像中检测和分割肝脏	结合深度3D CNN和全局优化的表面演化方法，利用概率图作为形状先验，并自适应整合全局和局部外观信息	未明确提及，但可能依赖于CT图像质量，且验证样本量有限	实现自动、准确的肝脏分割，以辅助计算机辅助肝脏手术规划	肝脏	计算机视觉	肝脏疾病	CT成像	3D卷积神经网络	3D CT图像	42张CT图像，来自Sliver07公共数据库和本地医院	NA	3D CNN	Dice相似系数、平均对称表面距离、总体评分	NA
4117	2026-08-15	Retraction notice to "A new deep learning approach based on bilateral semantic segmentation models for sustainable estuarine wetland ecosystem management" [Sci. Total Environ. 838 (2022) 155826] 2026-Aug-14, The Science of the total environment DOI:10.1016/j.scitotenv.2026.182193 PMID:42595572	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
4118	2026-08-15	A Novel EEG-Based Topographic Brain Map-Driven Deep Learning Method for Autism Spectrum Disorder Detection in Children 2026-Aug-14, Brain topography IF:2.3Q3 DOI:10.1007/s10548-026-01243-1 PMID:42595811	研究论文	本研究提出了一种基于EEG地形脑图驱动的深度学习方法，用于儿童自闭症谱系障碍的自动检测，并在伊拉克和波兰数据集上验证了其高性能。	首次将EEG通道功率谱密度生成的地形脑图作为深度特征提取模型（AlexNet和GoogLeNet）的输入，结合ANOVA特征选择和线性分类器，实现了跨数据集的高准确率检测。	数据集规模较小，需要更大规模的数据集来进一步验证模型的泛化能力。	开发一种自动化的EEG-based ASD检测方法，以早期诊断自闭症并减轻其长期影响。	儿童自闭症谱系障碍（ASD）患者，数据来自伊拉克和波兰。	机器学习	自闭症谱系障碍	脑电图（EEG）	深度学习模型（AlexNet和GoogLeNet）	EEG信号	未明确提及具体样本数量，但涉及伊拉克和波兰两个数据集，并进行了交叉数据集验证。	NA	AlexNet, GoogLeNet	准确率	NA
4119	2026-08-15	Advancing cancer drug discovery through the integration of machine learning and high-throughput screening 2026-Aug-14, Future medicinal chemistry IF:3.2Q3 DOI:10.1080/17568919.2026.2714025 PMID:42596875	综述	本文综述了人工智能与高通量筛选相结合在癌症药物发现中的应用，重点讨论了深度学习技术如何加速药物候选物的选择并改善临床结果	强调AI与HTS的协同作用，并探讨可解释AI和联邦学习等新兴范式以提高模型透明度和促进协作	存在数据质量、模型可解释性和伦理方面的挑战	探讨AI与HTS相结合在癌症药物发现中的潜力和应用，以降低开发成本并改善治疗效果	癌症药物发现过程中的化合物筛选和药物候选物选择	机器学习	癌症	高通量筛选	卷积神经网络，循环神经网络，强化学习	高通量筛选数据，多组学数据	不适用	不适用	卷积神经网络，循环神经网络，强化学习	不适用	不适用
4120	2026-08-15	Transformer-Based Deep Learning Framework for Automated Lesion Detection in Capsule Endoscopy: A Comparative Study With CNN Architectures 2026-Aug-14, Journal of clinical gastroenterology IF:2.8Q2 DOI:10.1097/MCG.0000000000002432 PMID:42598992	研究论文	比较视觉Transformer与两种卷积神经网络架构在胶囊内镜图像多类病变分类中的性能	首次在21类胶囊内镜图像数据集上系统比较Transformer与CNN架构，融合两个公开数据集并预处理	数据以图像级别而非患者或操作级别分割，帧间相关性未考虑，性能结果可能仅反映基准，不代表患者级泛化或架构绝对优势	评估视觉Transformer在胶囊内镜病变检测中的有效性，并与CNN架构进行比较	胶囊内镜图像中的多类病变	计算机视觉	消化道疾病	图像预处理	视觉Transformer、DenseNet121、ResNet50	图像	约58,000帧，分为训练集40,587、验证集8,696、测试集8,696	NA	视觉Transformer、DenseNet121、ResNet50	准确率、宏平均精确率、召回率、F1分数、ROC曲线下面积	NA