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
601	2026-04-09	Extracting postmarketing adverse events from safety reports in the vaccine adverse event reporting system (VAERS) using deep learning 2021-07-14, Journal of the American Medical Informatics Association : JAMIA IF:4.7Q1 DOI:10.1093/jamia/ocab014 PMID:33647938	研究论文	本研究利用深度学习算法从疫苗不良事件报告系统（VAERS）中提取神经系统障碍相关的不良事件，以自动化分析疫苗上市后监测报告	首次在VAERS报告中应用并评估了最先进的深度学习算法进行命名实体识别，并预训练了领域特定的BERT模型（VAERS BERT）	样本量较小，仅包含91份VAERS报告，可能影响模型的泛化能力	自动化提取疫苗安全报告中的神经系统障碍相关不良事件，以支持疫苗上市后监测	疫苗不良事件报告系统（VAERS）中与格林-巴利综合征（GBS）相关的流感疫苗安全报告	自然语言处理	神经系统障碍	命名实体识别	BERT, Bi-LSTM, CRF	文本	91份VAERS报告，包含2512个实体	TensorFlow, PyTorch	BERT, BioBERT, Bi-LSTM	F1-score, 精确匹配F1分数, 宽松匹配F1分数	NA
602	2026-04-09	DEEPMIR: a deep neural network for differential detection of cerebral microbleeds and iron deposits in MRI 2021-07-08, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-021-93427-x PMID:34238951	研究论文	本研究开发了一种基于深度学习的分割方法，用于同时检测脑微出血和基底节区非出血性铁沉积	采用改进的U-Net模型，增加分辨率层数以检测MRI标准分辨率下的小病灶，并探索了多模态MRI数据（特别是QSM）对检测性能的提升	样本量较小（仅24名参与者），且为便利样本，可能限制模型的泛化能力	开发一种自动化检测脑小血管病相关病变（脑微出血和非出血性铁沉积）的深度学习分割方法	脑微出血和基底节区非出血性铁沉积	数字病理学	脑血管疾病	定量磁化率成像，磁共振成像	CNN	图像	24名参与者	NA	U-Net	灵敏度，精确度	NA
603	2026-04-09	Accelerated in Vivo Cardiac Diffusion-Tensor MRI Using Residual Deep Learning-based Denoising in Participants with Obesity 2021-Jun, Radiology. Cardiothoracic imaging DOI:10.1148/ryct.2021200580 PMID:34250491	研究论文	本研究开发了一种基于残差深度学习的去噪算法，用于加速活体心脏扩散张量磁共振成像，并在减少信号平均次数的同时保持图像质量和扩散参数	首次将残差深度学习的去噪卷积神经网络应用于心脏扩散张量磁共振成像加速，实现了至少两倍的加速率，同时保留了肥胖与非肥胖个体间的关键扩散参数差异	样本量较小（共26名参与者，其中仅6名肥胖者），研究人群年龄分布不均（肥胖组平均年龄显著高于非肥胖组），且未在更广泛的人群或疾病状态下验证	开发并评估一种基于深度学习的去噪算法，以加速活体心脏扩散张量磁共振成像的采集过程	26名成年参与者（20名非肥胖者，6名肥胖者）的心脏扩散张量磁共振成像数据	医学影像分析	肥胖症	心脏扩散张量磁共振成像	CNN	磁共振图像	26名参与者（20名非肥胖者，6名肥胖者）	未明确说明	去噪卷积神经网络	信噪比, 结构相似性指数, 平均扩散率, 分数各向异性, 螺旋角跨壁性	未明确说明
604	2026-04-09	A novel deep learning method for predictive modeling of microbiome data 2021-05-20, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaa073 PMID:32406914	研究论文	本文提出了一种名为MDeep的新型深度学习方法，用于基于微生物组数据进行预测建模	开发了首个高效且严谨地整合系统发育树结构的深度学习方法，通过设计卷积层模拟分类等级，捕获不同分类水平上的微生物信号	未明确说明方法对高维稀疏数据的处理能力，也未讨论计算复杂度	构建基于微生物组数据的临床结果预测模型	人类微生物组数据（包含物种丰度和系统发育树）	机器学习	NA	下一代测序技术	CNN	微生物组数据（物种丰度与系统发育树）	NA	NA	自定义卷积神经网络架构	回归与二分类性能评估指标（未具体说明）	NA
605	2026-04-09	Automated identification of clinical features from sparsely annotated 3-dimensional medical imaging 2021-Mar-08, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-021-00411-w PMID:33686212	研究论文	本文提出了一种名为SLIVER-net的新型深度学习技术，用于从稀疏标注的三维医学影像中自动识别临床特征，并应用于预测年龄相关性黄斑变性的进展风险因素	提出了一种基于迁移学习的新深度学习技术SLIVER-net，通过利用公开大型数据集中的网络结构和参数，并采用新颖的切片和层叠方法处理三维结构，从而在少量标注数据下有效预测临床特征	训练数据相对较少（仅数百个标注体积和数十个阳性样本），且依赖于公开数据集的可用性，可能限制了模型在更广泛医学影像任务中的泛化能力	开发一种能够在有限标注医学影像数据下自动识别临床特征的深度学习技术，以解决医学领域标注数据稀缺的挑战	三维医学影像数据，特别是光学相干断层扫描体积，用于预测年龄相关性黄斑变性的进展风险因素	计算机视觉	年龄相关性黄斑变性	光学相干断层扫描	深度学习	三维体积图像	数百个标注体积和数十个阳性训练样本	NA	SLIVER-net	NA	NA
606	2026-04-09	Deep Learning-Based Approaches for Decoding Motor Intent From Peripheral Nerve Signals 2021, Frontiers in neuroscience IF:3.2Q2 DOI:10.3389/fnins.2021.667907 PMID:34248481	研究论文	本研究探讨了基于深度学习的运动意图解码方法，比较了不同策略在效率和实时性方面的优劣，旨在为临床实时应用提供参考	提出并比较了单步和双步两种深度学习部署策略，针对不同数据量场景优化模型效率，并创建了“伪在线”数据集模拟实时条件	研究主要基于离线分析，虽然模拟了实时条件，但未在真实实时系统中完全验证；样本来源仅限于截肢者的残余周围神经信号	提高基于深度学习的运动解码范式的效率，为其实时临床应用提供实施参考	截肢者残余周围神经信号	机器学习	NA	神经信号记录	RNN, 深度学习模型, 机器学习模型	神经信号	NA	NA	RNN	准确率, F1分数, 均方误差, 方差解释率	NA
607	2026-04-09	Astrocyte DISC1 contributes to cognitive function in a brain region-dependent manner 2020-10-10, Human molecular genetics IF:3.1Q2 DOI:10.1093/hmg/ddaa180 PMID:32803234	研究论文	本研究探讨了星形胶质细胞中DISC1基因敲低对认知功能的影响，揭示了其在大脑区域依赖性中的作用机制	首次结合深度学习方法和单细胞分析，探究星形胶质细胞DISC1在特定脑区（海马与前额叶皮层）对认知功能的差异性影响	研究主要基于小鼠模型，结果可能不完全适用于人类；且仅关注了DISC1基因敲低，未涉及其他风险变异	探究遗传风险因子DISC1在星形胶质细胞中的生理机制及其对认知功能的影响	成熟小鼠的星形胶质细胞，重点关注前额叶皮层和海马区域	神经科学	精神疾病	基因敲低技术，单细胞分析	CNN	图像数据	成年小鼠	NA	ResNet50, ResNet18	NA	NA
608	2026-04-08	Federated learning improves site performance in multicenter deep learning without data sharing 2021-06-12, Journal of the American Medical Informatics Association : JAMIA IF:4.7Q1 DOI:10.1093/jamia/ocaa341 PMID:33537772	研究论文	本研究通过联邦学习在多中心环境中训练深度学习模型，无需共享数据，提升了模型性能和泛化能力	首次在三个学术机构中成功应用联邦学习进行多中心深度学习训练，避免了患者数据隐私风险	研究仅涉及三个机构，样本规模和多样性可能有限	探索联邦学习在多机构深度学习模型训练中的应用效果	多中心临床数据	机器学习	NA	深度学习	深度学习模型	临床数据	涉及三个学术机构的本地临床数据	NA	NA	整体性能水平	NA
609	2026-04-08	Learning from crowds in digital pathology using scalable variational Gaussian processes 2021-06-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-021-90821-3 PMID:34078955	研究论文	本文研究了在数字病理学中应用可扩展变分高斯过程进行众包标注的方法，以解决病理学标注中专家稀缺和数据标注规模化的挑战	首次将可扩展变分高斯过程众包方法应用于数字病理学领域，并展示了其在处理多标注者噪声数据中的有效性，同时能学习标注者的类别条件可靠性	研究主要针对乳腺癌组织区域标注，未涉及其他疾病或更广泛的病理学任务，且依赖于特定多标注者数据集	探索利用众包标注和可扩展变分高斯过程来提升数字病理学中机器学习模型的标注效率和质量	乳腺癌组织区域的标注数据，涉及病理学家、病理学住院医师和医学生等多类标注者	数字病理学	乳腺癌	众包标注	高斯过程	图像	大型多标注者数据集，具体数量未明确说明	NA	可扩展变分高斯过程	NA	NA
610	2026-04-08	Identifying genomic islands with deep neural networks 2021-Jun-02, BMC genomics IF:3.5Q2 DOI:10.1186/s12864-021-07575-5 PMID:34078279	研究论文	本文提出了一种名为Shutter Island的方法，利用深度学习模型（Inception V3）通过图像表示基因组片段来检测基因组岛	采用基于图像的深度学习方法（Inception V3）检测基因组岛，通过迁移学习在有限数据集上实现泛化，优于现有工具	模型仅在有限数量的基因组岛数据集上进行再训练，数据可能不足或难以整理	开发一种能检测所有类型基因组岛的通用计算方法	细菌的基因组岛，涉及来自细菌、古菌、病毒和真核生物的基因簇	机器学习	NA	迁移学习	CNN	图像	NA	TensorFlow, PyTorch	Inception V3	NA	NA
611	2026-04-08	Leveraging Genetic Reports and Electronic Health Records for the Prediction of Primary Cancers: Algorithm Development and Validation Study 2021-May-25, JMIR medical informatics IF:3.1Q2 DOI:10.2196/23586 PMID:34032581	研究论文	本研究开发了一种结合遗传报告和电子健康记录数据的方法，用于预测原发性癌症类型和未知原发癌症	利用HL7 FHIR和语义网资源描述框架整合表型和遗传数据，构建患者-表型-遗传网络，并应用Node2vec图嵌入算法生成特征，以提升癌症预测性能	研究样本量相对较小（1011名患者），且仅基于单一医疗中心（梅奥诊所）的数据，可能限制模型的泛化能力	通过整合临床和基因组数据，实现原发性癌症的早期检测和未知原发癌症的预测，以支持精准肿瘤学的治疗决策	1011名癌症患者的肿瘤遗传报告和对应的电子健康记录数据	机器学习	癌症	遗传报告分析，电子健康记录数据提取	机器学习，深度学习	文本，结构化数据	1011名癌症患者	Node2vec，多种机器学习框架（未指定具体名称）	多种机器学习模型（未指定具体架构）	AUROC（受试者工作特征曲线下面积）	NA
612	2026-04-08	Joint regression-classification deep learning framework for analyzing fluorescence lifetime images using NADH and FAD 2021-May-01, Biomedical optics express IF:2.9Q2 DOI:10.1364/BOE.417108 PMID:34123498	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
613	2026-04-08	Effects of Study Population, Labeling and Training on Glaucoma Detection Using Deep Learning Algorithms 2020-04, Translational vision science & technology IF:2.6Q2 DOI:10.1167/tvst.9.2.27 PMID:32818088	研究论文	本研究比较了不同深度学习算法在青光眼检测中的性能，并评估了将新数据整合到模型中的策略	比较了独立开发的深度学习算法在青光眼检测中的表现，并评估了不同训练策略（原始、顺序、组合）对模型性能的影响	模型性能受疾病严重程度、标签、训练策略和人群特征的影响，需要报告按相关协变量分层的准确性以进行跨研究比较	评估深度学习算法在青光眼检测中的性能，并优化训练策略以提高跨数据集的泛化能力	青光眼患者	计算机视觉	青光眼	眼底摄影	深度学习算法	图像	来自DIGS/ADAGES和松江红十字医院的两个眼底摄影数据集	NA	NA	AUC	NA
614	2026-04-08	MU-PseUDeep: A deep learning method for prediction of pseudouridine sites 2020, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2020.07.010 PMID:32774783	研究论文	本文提出了一种名为MU-PseUDeep的深度学习方法，用于预测RNA中的假尿苷（Ψ）位点	利用深度学习和原始序列及二级结构特征，通过卷积神经网络同时捕获序列和二级结构上下文，相比现有工具在预测准确性上有显著提升	未明确说明模型在跨物种或不同RNA类型上的泛化能力，以及计算资源需求的具体细节	开发一种更准确的假尿苷位点预测工具，以改进RNA修饰研究	RNA序列中的假尿苷位点	生物信息学	神经退行性疾病	深度学习，RNA二级结构预测	CNN	RNA序列数据，二级结构数据	NA	NA	卷积神经网络	准确性	NA
615	2026-04-07	The differences in essential facial areas for impressions between humans and deep learning models: An eye-tracking and explainable AI approach 2026-May, British journal of psychology (London, England : 1953) DOI:10.1111/bjop.12744 PMID:39460393	研究论文	本研究结合眼动追踪和可解释AI技术，探讨了人类与深度学习模型在面部印象（吸引力、支配性和性别二态性）评估中关注的关键面部区域差异	首次将眼动追踪实验与可解释AI（Grad-CAM）方法结合，对比人类视觉注意与深度学习模型特征提取的差异，揭示面部印象形成机制的分离性	研究仅针对特定三种面部印象（吸引力、支配性、性别二态性），且面部图像通过几何形态测量学生成，可能未完全覆盖真实人脸的自然变异	探究人类与深度学习模型在面部印象评估中依赖的面部特征差异，并验证可解释AI技术在提取印象决定因素中的有效性	通过几何形态测量学生成的面部图像，以及参与眼动追踪实验的人类受试者	计算机视觉	NA	几何形态测量学，眼动追踪，可解释AI（Grad-CAM）	深度学习模型	图像	NA	NA	NA	NA	NA
616	2026-04-07	Computers and chess masters: The role of AI in transforming elite human performance 2026-May, British journal of psychology (London, England : 1953) DOI:10.1111/bjop.12750 PMID:39635926	研究论文	本文通过分析超过1160万次精英棋手的决策，探讨了人工智能（AI）在复杂任务中对人类顶级表现的辅助作用	首次量化分析了AI两次革命（1990年代末的PC/互联网和2010年代末的深度学习引擎）对精英棋手决策质量的影响，发现人类进步与AI发展同步，但决策质量在四十年间稳步提升，未出现预期的快速飞跃期	研究仅聚焦于国际象棋领域，结论可能无法直接推广到其他复杂任务；且最新神经网络引擎的影响可能尚未完全显现	探究AI在人类顶级表现中的辅助角色及其影响机制	精英国际象棋选手的决策数据	机器学习	NA	数据分析、深度学习	NA	决策记录数据	超过1160万次精英棋手决策	NA	NA	决策质量评估	NA
617	2026-04-07	The state of modelling face processing in humans with deep learning 2026-May, British journal of psychology (London, England : 1953) DOI:10.1111/bjop.12794 PMID:40364689	综述	本文综述了深度学习模型在人类面部处理研究中的现状，并与心理学模型进行了比较	通过比较深度学习模型与心理学模型，揭示了深度学习模型在面部编码方面的意外发现，如身份识别网络同时编码表情信息，并提出了未来研究的开放性问题	NA	探讨深度学习模型如何模拟人类面部处理系统，并比较其与心理学模型的异同	人类面部处理系统，包括核心系统（提取面部编码）和扩展系统（链接个人与社会信息）	计算机视觉	NA	深度学习	NA	图像	NA	NA	NA	NA	NA
618	2026-04-07	Deep Learning-based Automated Coronary Plaque Quantification: First Demonstration With Ultra-high Resolution Photon-counting Detector CT at Different Temporal Resolutions 2026-May-01, Investigative radiology IF:7.0Q1 DOI:10.1097/RLI.0000000000001233 PMID:40843653	研究论文	本研究评估了一种基于深度学习的自动化冠状动脉斑块量化工具在超高分辨率光子计数探测器CT冠状动脉造影中的可行性和可重复性，并探讨了时间分辨率对斑块定量的影响	首次在超高分辨率光子计数探测器CT冠状动脉造影中应用基于深度学习的全自动冠状动脉分割和斑块量化算法，并比较了不同时间分辨率（66毫秒与125毫秒）对斑块定量结果的影响	研究为单中心回顾性设计，样本量较小（45例患者），且仅评估了特定CT扫描仪和重建模式下的性能	评估基于深度学习的自动化冠状动脉斑块量化工具在超高分辨率CT数据中的技术可行性和可重复性，并分析时间分辨率对量化结果的影响	接受临床指征的超高分辨率光子计数探测器CT冠状动脉造影扫描的45例患者	数字病理学	心血管疾病	超高分辨率光子计数探测器CT冠状动脉造影	深度学习算法	CT图像	45例患者，共135支冠状动脉（其中119支显示动脉粥样硬化斑块）	NA	NA	斑块体积量化、直径狭窄程度、统计显著性（P值）	NA
619	2026-04-07	Deep Learning Model for Histologic Diagnosis of Dysplastic Barrett's Esophagus: Multisite Cohort External Validation 2026-Apr-01, The American journal of gastroenterology DOI:10.14309/ajg.0000000000003495 PMID:40267276	研究论文	本研究通过外部验证一个深度学习模型，用于基于全切片图像诊断巴雷特食管发育不良的等级	在多个外部学术中心对先前交叉验证的深度学习模型进行外部验证，并采用循环生成对抗网络进行染色归一化，结合YOLO和ResNet101的集成方法	研究样本主要来自学术中心，可能无法完全代表社区病理学家的诊断环境；模型性能虽高，但仍有提升空间	提高巴雷特食管发育不良的诊断准确性，减少观察者间变异性和过度诊断	巴雷特食管患者的组织学切片，包括非发育不良、低级别发育不良和高级别发育不良	数字病理学	巴雷特食管	全切片图像数字化，染色归一化	深度学习模型	图像	489个全切片图像	NA	YOLO, ResNet101	灵敏度, 特异度, F1分数	NA
620	2026-04-07	Dosiomics-guided deep learning for radiation esophagitis prediction in lung cancer: optimal region of interest definition via multi-branch fusion auxiliary learning 2025-11, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology IF:4.9Q1 DOI:10.1016/j.radonc.2025.111121 PMID:40921328	研究论文	本研究开发了一种结合剂量组学和深度学习的模型，通过多任务辅助学习自动定义感兴趣区域，用于预测肺癌患者放疗后≥2级放射性食管炎	提出了一种剂量组学引导的深度学习网络，利用多任务辅助学习基于辐射剂量分布图像自动定义准确且客观的感兴趣区域，并结合对比学习和辅助分割模块	研究为回顾性设计，可能受到选择偏倚的影响，且外部验证集样本量相对较小	开发一个预测模型，用于准确预测肺癌患者接受放疗后发生≥2级放射性食管炎的风险	接受放疗的肺癌患者	数字病理学	肺癌	剂量组学特征提取，深度学习	CNN	辐射剂量分布图像	488名患者（训练集235例，内部验证集101例，外部验证集1为57例，外部验证集2为95例）	PyTorch	ResNet34	AUC	NA