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
421	2026-09-29	Multi-site MRI harmonization via attention-guided deep domain adaptation for brain disorder identification 2021-07, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2021.102076 PMID:33930828	研究论文	本文提出了一种注意力引导的深度域适应框架用于多站点MRI协调，并应用于脑部疾病识别	不需要目标域的任何类别标签信息，并能自动识别全脑MRI中的判别性区域	未明确说明，可能对极大数据集或非T1加权MRI的适用性有限	多站点MRI协调及脑部疾病自动识别	来自四个基准数据集的2572名受试者的T1加权结构MRI	医学图像分析	脑部疾病	结构磁共振成像	深度学习	图像	2572名受试者	NA	注意力引导深度域适应框架包含MRI特征编码、注意力发现和域转移模块	NA	NA
422	2026-09-29	Deep learning model for distinguishing novel coronavirus from other chest related infections in X-ray images 2021-07, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2021.104401 PMID:34010794	研究论文	本文提出了一种基于深度学习的集成模型，用于在胸部X射线图像中区分新型冠状病毒与其他胸部相关感染，并通过构建更大且平衡的数据集以及模型架构调整和集成，实现了更高的分类准确率	构建了相对更大且平衡的数据集；对多种深度学习模型（AlexNet、SqueezeNet、DenseNet201、MobileNetV2、InceptionV3）进行了多种训练策略（从头训练、无预训练权重的微调、更新预训练权重的微调、带数据增强的微调）的系统分析；对MobileNetV2和InceptionV3进行了架构调整以学习更复杂的特征，并将它们融合到提出的集成模型中；使用配对双尾t检验在5个不同的训练/测试集划分上对四种性能指标进行了统计显著性分析	摘要中未明确提及研究的局限性	开发一种深度学习模型，从胸部X射线图像中区分新型冠状病毒与其他胸部相关感染，以辅助放射科医生进行快速、准确和可靠的诊断	胸部X射线图像	计算机视觉	肺癌	胸部X射线成像	CNN	图像	摘要中未提供具体样本数量，但提到准备了一个相对较大且平衡的数据集	NA	AlexNet, SqueezeNet, DenseNet201, MobileNetV2, InceptionV3, 集成模型	准确率, 精确率, 召回率, F1分数	NA
423	2026-09-29	Automated scoring of pre-REM sleep in mice with deep learning 2021-06-10, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-021-91286-0 PMID:34112829	研究论文	本文提出一种基于深度学习的方法，自动对小鼠睡眠阶段进行评分，包括经典阶段和pre-REM阶段	提出了一种简单的神经网络架构，能够同时评分经典睡眠阶段和pre-REM阶段，并提供了源代码和在线平台	对pre-REM阶段的评分F1分数较低（0.5），可能由于过渡阶段在数据集中代表性不足或评分者间差异大	实现小鼠睡眠阶段的自动评分，特别是pre-REM阶段	雄性C57BL/6J小鼠的睡眠数据	机器学习	NA	NA	神经网络	NA	NA	NA	简单神经网络	F1分数	NA
424	2026-09-29	Improved amyloid burden quantification with nonspecific estimates using deep learning 2021-06, European journal of nuclear medicine and molecular imaging IF:8.6Q1 DOI:10.1007/s00259-020-05131-z PMID:33415430	研究论文	该研究利用深度学习网络从结构MRI预测淀粉样蛋白PET的非特异性摄取，从而改进淀粉样蛋白负荷的量化	利用深度学习的跨模态图像转换能力来去除脑血管疾病引起的非特异性结合变异性，从而更准确地量化淀粉样蛋白负荷	研究样本来自新加坡淀粉样蛋白PET研究，可能存在人群特异性限制；仅使用了特定网络架构，未广泛比较其他方法	提出一种新的淀粉样蛋白PET量化方法，以消除脑血管疾病导致的非特异性结合变异，提高淀粉样蛋白负荷测量的准确性	172名具有不同严重程度脑血管疾病的参与者	数字病理学, 机器学习	阿尔茨海默病, 脑血管疾病	淀粉样蛋白PET, MRI	CNN, cGAN	图像	172名参与者，配对MR和PET图像	NA	ScaleNet, HighRes3DNet, cGAN	平均相对误差, 认知和功能测试评分的关联性	NA
425	2026-09-29	Complex networks and deep learning for EEG signal analysis 2021-Jun, Cognitive neurodynamics IF:3.1Q2 DOI:10.1007/s11571-020-09626-1 PMID:34040666	综述	本文综述了复杂网络和深度学习在脑电图（EEG）信号分析中的应用，并提出了一个结合递归图和卷积神经网络进行疲劳驾驶识别的框架	将复杂网络和深度学习结合用于EEG信号分析，并提出了递归图与卷积神经网络结合的疲劳驾驶识别框架	复杂网络与深度学习的结合在基于EEG信号的分类问题中仍处于起步阶段	综述复杂网络和深度学习在EEG信号研究中的应用，并探索二者结合进行特征提取和分类的潜力	EEG信号	机器学习	神经系统疾病	脑电图（EEG）	卷积神经网络（CNN）	图像	NA	NA	卷积神经网络（CNN）	NA	NA
426	2026-09-29	An effectively causal deep learning algorithm to increase intelligibility in untrained noises for hearing-impaired listeners 2021-06, The Journal of the Acoustical Society of America IF:2.1Q1 DOI:10.1121/10.0005089 PMID:34241481	研究论文	本文提出一种有效因果深度学习算法，通过单麦克风门控卷积循环网络进行复杂频谱映射，以在未训练噪声中提高听障听者的语音可懂度	采用有效因果深度学习框架，在人类语音感知机制的短暂延迟容忍度内利用未来时间帧信息，实现实时噪声减少并显著提高可懂度	未明确说明计算复杂度或实时性实现的具体硬件要求，以及可能对更广泛噪声类型的泛化能力有限	开发一种有效因果深度学习算法，以在未训练背景噪声中提高听障听者的语音可懂度	听障听者	语音增强	听力损失	深度学习	门控卷积循环网络	音频	NA	NA	门控卷积循环网络	可懂度	NA
427	2026-09-29	Federated Learning for Thyroid Ultrasound Image Analysis to Protect Personal Information: Validation Study in a Real Health Care Environment 2021-May-18, JMIR medical informatics IF:3.1Q2 DOI:10.2196/25869 PMID:33858817	研究论文	本研究在真实医疗环境中使用联邦学习对甲状腺超声图像进行分析，以预测甲状腺结节的良恶性，并保护患者个人信息	在真实医疗环境中验证联邦学习用于甲状腺超声图像分析的可行性，证明使用去中心化数据的联邦学习性能与使用汇集数据的传统深度学习相当	外部验证数据集规模较小（仅100张超声图像），可能影响结果的泛化性评估	评估联邦学习的性能是否与传统深度学习相当	甲状腺结节超声图像	医学图像分析	甲状腺癌	联邦学习，超声成像	CNN	图像	共8457张超声图像（5375张恶性，3082张良性），来自6个机构用于联邦学习和传统深度学习；内部验证使用20%的图像（1075张恶性，616张良性）；外部验证使用来自另一机构的100张超声图像（50张恶性，50张良性）	NA	VGG19, ResNet50, ResNext50, SE-ResNet50, SE-ResNext50	AUROC	NA
428	2026-09-29	MolTrans: Molecular Interaction Transformer for drug-target interaction prediction 2021-05-05, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaa880 PMID:33070179	研究论文	该论文提出了一种分子交互Transformer（MolTrans）模型，用于药物-靶点相互作用预测	受知识启发的子结构模式挖掘算法和交互建模模块，以及增强的Transformer编码器，能够从大量未标记的生物医学数据中提取和捕获子结构之间的语义关系	未明确提及	解决现有分子表示学习方法忽略DTI子结构性质以及忽略大量未标记分子数据价值的问题，提高DTI预测的准确性和可解释性	药物-靶点相互作用数据	机器学习	NA	NA	Transformer	分子数据	NA	NA	Transformer	NA	NA
429	2026-09-29	Deep hierarchical embedding for simultaneous modeling of GPCR proteins in a unified metric space 2021-05-05, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-021-88623-8 PMID:33953216	研究论文	本文提出DeepHier，一种深度学习模型，能够从蛋白质序列中同时学习GPCR家族层次结构的表示，并在统一度量空间中建模	提出基于度量学习的新型损失项，将蛋白质间的层次关系纳入统一模型，而非分别建模家族、亚家族和亚亚家族	未明确提及	同时建模GPCR蛋白质的多层次层次关系，并在统一度量空间中捕捉序列间的层次关系	GPCR蛋白质序列	机器学习	NA	深度学习	深度学习模型	蛋白质序列	公共GPCR序列数据集	NA	DeepHier	度量距离	NA
430	2026-09-29	Decoding COVID-19 pneumonia: comparison of deep learning and radiomics CT image signatures 2021-05, European journal of nuclear medicine and molecular imaging IF:8.6Q1 DOI:10.1007/s00259-020-05075-4 PMID:33094432	研究论文	比较深度学习和放射组学方法在CT图像上预测COVID-19肺炎的特征，以提高机器学习算法的可解释性并增强人类诊断性能	采用双向对抗网络框架提取深度学习特征，并与放射组学特征进行比较，发现特定特征可提高模型可解释性，且结合模型可提升人类专家诊断性能	样本量相对较小，仅来自三家医院，且外部验证队列规模有限	比较特征工程和深度学习方法，以深入了解驱动基于CT的COVID-19肺炎预测的图像特征，并揭示对COVID-19肺炎有重要意义的CT图像特征	266名COVID-19和其他病毒性肺炎患者，其临床症状和CT征象与COVID-19相似	医学图像分析	COVID-19肺炎	CT成像	双向对抗网络, 线性分类器, Lasso分类器	图像	266名患者（184名来自中国两家医院用于发现队列，32名来自美国医院用于外部验证队列）	PyRadiomics	双向对抗网络	敏感性, 特异性	NA
431	2026-09-29	Automated Classification of Radiographic Positioning of Hand X-Rays Using a Deep Neural Network 2021-May, Plastic surgery (Oakville, Ont.) DOI:10.1177/2292550321997012 PMID:34026669	研究论文	本文应用深度学习框架，自动分类手部X光片的放射学位置（后前位、侧位、斜位）	首次将152层深度神经网络应用于手部X光片放射学位置的自动分类	数据集排除了儿科X光片和非典型视图，可能限制模型的泛化能力	自动分类手部X光片的放射学位置，以辅助快速初步分析	手部X光片	医学图像分析	骨骼肌肉疾病	X射线成像	深度神经网络	图像	原始数据集6003张手部X光片，增强后训练集80672张图像	NA	152层深度神经网络（可能为ResNet-152）	准确率, 精确率, 敏感度, 特异度, 混淆矩阵	NA
432	2026-09-29	Automatic Segmentation of Diffuse White Matter Abnormality on T2-weighted Brain MR Images Using Deep Learning in Very Preterm Infants 2021-May, Radiology. Artificial intelligence DOI:10.1148/ryai.2021200166 PMID:34142089	研究论文	本文开发了一种基于3D ResU-Net的深度学习模型，用于在极早产儿的T2加权脑部MR图像上自动分割弥漫性白质异常	使用3D ResU-Net深度学习模型自动分割弥漫性白质异常，并在外部独立队列中验证了其性能，超越了多个同类深度学习模型	样本量相对较小，内部队列98例，外部队列28例，可能影响模型的泛化能力	开发并验证一个深度学习模型，用于在极早产儿的T2加权MR图像上自动量化弥漫性白质异常，以辅助临床诊断	极早产儿（胎龄≤32周）的T2加权脑部MR图像	医学图像分割	弥漫性白质异常	T2加权MRI	CNN	图像	内部队列98例极早产儿，外部队列28例极早产儿	NA	3D ResU-Net	Dice相似系数, 平衡准确率	NA
433	2026-09-29	MSA-Regularized Protein Sequence Transformer toward Predicting Genome-Wide Chemical-Protein Interactions: Application to GPCRome Deorphanization 2021-04-26, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.0c01285 PMID:33757283	研究论文	本文开发了一种新的深度学习框架DISAE，通过整合多序列比对信息进行自监督预训练，预测进化上分化的未注释蛋白质的化学结合，并应用于人类孤儿GPCR的配体分配和GPCRome聚类	提出DISAE方法，将进化信息（MSA）融入未标记蛋白质序列的自监督学习，以及基于模块的微调策略，显著提高了机器学习模型的泛化能力	摘要中未明确提及	预测全基因组范围的化学-蛋白质相互作用，特别是针对序列同源性低的未注释蛋白质	蛋白质序列及其多序列比对，化学分子，人类孤儿G蛋白偶联受体（GPCRs）	机器学习	NA	多序列比对，自监督学习，蒸馏序列比对嵌入，蛋白质序列Transformer	Transformer	序列	NA	NA	Transformer	NA	NA
434	2026-09-29	LoDoPaB-CT, a benchmark dataset for low-dose computed tomography reconstruction 2021-04-16, Scientific data IF:5.8Q1 DOI:10.1038/s41597-021-00893-z PMID:33863917	研究论文	本文介绍了LoDoPaB-CT数据集，用于低剂量计算机断层扫描重建，包含超过40000个扫描切片，来自约800名患者，适用于训练和比较深度学习及经典重建方法	提供了一个全面的、开放获取的CT图像和模拟低光子计数测量数据集，包含生成脚本、Python库和在线重建挑战，并支持迁移学习、稀疏和有限角度重建场景	数据集基于模拟的低光子计数测量，可能无法完全反映真实临床环境中的噪声和伪影	为低剂量CT重建提供一个基准数据集，以促进深度学习方法和经典重建方法的训练与比较	来自LIDC/IDRI数据库的约800名患者的CT扫描切片	计算机视觉	肺癌	低剂量计算机断层扫描	NA	图像	超过40000个扫描切片，来自约800名患者	NA	NA	NA	NA
435	2026-09-29	Multi-Level Seg-Unet Model with Global and Patch-Based X-ray Images for Knee Bone Tumor Detection 2021-Apr-13, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics11040691 PMID:33924426	研究论文	该研究提出了一种多级Seg-Unet模型，结合全局和基于块的X射线图像，用于膝关节骨肿瘤的检测和分类	提出了一种结合全局和基于块方法的Seg-Unet模型，包含分类、肿瘤分割和高风险区域分割分支，以学习全局上下文和局部纹理之间的相互益处，并构建了一个由全南大学医院医生支持的膝关节骨肿瘤数据集	未明确说明模型的泛化能力，可能受限于特定数据集，且未提及其他医院或更大规模数据的验证	帮助医生在放射学解释中检测和分类膝关节骨区域，判断其是正常、良性肿瘤还是恶性肿瘤区域	膝关节骨肿瘤的X射线图像	计算机视觉	骨肿瘤	X射线成像	CNN	图像	NA	NA	Seg-Unet	准确率, 平均IoU	NA
436	2026-09-29	Bring the model to the data: The Deep Learning Epilepsy Detection Challenge 2021-04, EBioMedicine IF:9.7Q1 DOI:10.1016/j.ebiom.2021.103323 PMID:33857902	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
437	2026-09-29	Hybrid Deep Learning Models with Sparse Enhancement Technique for Detection of Newly Grown Tree Leaves 2021-Mar-16, Sensors (Basel, Switzerland) DOI:10.3390/s21062077 PMID:33809537	研究论文	本文提出结合稀疏增强技术与混合深度学习CNN模型，用于检测森林图像中新长出的树叶	提出稀疏增强技术增强新叶信号，并设计混合CNN模型（结合U-net和SegNet特征）以及3-Layer SegNet、3-Layer U-SegNet、2-Layer U-SegNet、2-Layer Conv-U-SegNet架构来减少池化程度，并使用损失函数增加新叶权重	未明确说明	基于深度学习检测新长出的树叶，以帮助估计树木生长和气候变化	森林图像中的新长出的树叶	计算机视觉	NA	深度学习图像分割	CNN	图像	NA	NA	U-net, SegNet, 3-Layer SegNet, 3-Layer U-SegNet, 2-Layer U-SegNet, 2-Layer Conv-U-SegNet	kappa	NA
438	2026-09-29	Whole-body voxel-based internal dosimetry using deep learning 2021-03, European journal of nuclear medicine and molecular imaging IF:8.6Q1 DOI:10.1007/s00259-020-05013-4 PMID:32875430	研究论文	本文提出了一种基于深度学习的方法，用于全身个性化器官级内照射剂量学，考虑了活度分布异质性、周围介质非均匀性和患者特异性解剖结构	将体素尺度MIRD方法从单一S值核扩展到对应患者特异性解剖结构的特定S值核，并使用深度神经网络从3D核中心单源预测沉积能量分布，从而构建全身剂量图	未明确提及	在精准医学时代，利用深度学习算法进行全身个性化器官级剂量学计算，以克服传统核医学剂量学技术的局限性	患者特异性解剖结构、活度分布、周围介质	医学影像分析	NA	蒙特卡罗模拟、CT成像、发射/透射图像	深度神经网络	图像	NA	NA	深度神经网络	平均相对绝对误差、Bland-Altman分析、剂量偏差、方差	NA
439	2026-09-29	Advancing Eosinophilic Esophagitis Diagnosis and Phenotype Assessment with Deep Learning Computer Vision 2021-02, Biomedical engineering systems and technologies, international joint conference, BIOSTEC ... revised selected papers. BIOSTEC (Conference) DOI:10.5220/0010241900002865 PMID:34046649	研究论文	该文章提出了一种利用深度学习计算机视觉进行嗜酸性粒细胞性食管炎诊断和表型评估的自动化方法	这是首个利用深度学习计算机视觉方法进行EoE诊断并提供自动化过程来追踪疾病严重程度和进展的研究	未提及	研究目的是开发一种自动化方法来量化嗜酸性粒细胞，以诊断EoE并描述疾病严重程度和进展，并寻找与患者临床和治疗表型的联系	嗜酸性粒细胞性食管炎患者	数字病理学	嗜酸性粒细胞性食管炎	NA	U-Net, 深度学习分类模型	图像	NA	NA	U-Net	NA	NA
440	2026-09-29	Overview of current state of research on the application of artificial intelligence techniques for COVID-19 2021, PeerJ. Computer science DOI:10.7717/peerj-cs.564 PMID:34141890	综述	本文综述了人工智能技术在COVID-19预测、诊断、药物设计和社交影响分析等方面的应用现状	系统梳理和评估了多种AI技术（机器学习和深度学习模型）在COVID-19分类工具开发和药物发现模型构建中的应用，并提出了未来研究方向建议	作为综述文章，未开展原始实验验证；当前可用于预测和诊断COVID-19的资源仍然有限，COVID-19快速检测试剂盒的开发仍具挑战性	聚焦于COVID-19疫情带来的两大核心挑战，即开发COVID-19分类工具和针对感染患者的药物发现模型，借助人工智能技术加以解决	COVID-19疾病相关数据及感染患者，包括预测、诊断、药物设计和社会影响分析	机器学习	COVID-19	NA	机器学习, 深度学习	NA	NA	NA	NA	NA	NA