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
821	2026-08-07	Deep learning method with integrated invertible wavelet scattering for improving the quality ofin vivocardiac DTI 2024-09-05, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad6f6a PMID:39142339	研究论文	提出了一种基于无监督学习的可逆小波散射深度学习方法，用于提高活体心脏弥散张量成像的质量。	创新性地将可逆小波散射与多尺度编码器-解码器网络相结合，提取变换不变和噪声鲁棒的特征，以改善心脏DTI图像质量。	未提及明确的局限性。	提高活体心脏DTI图像质量，同时处理噪声和残余运动问题。	心脏弥散加权图像，特别是舒张期、胃蠕动影响和收缩末期的心脏DW图像。	机器学习	不适用	心脏弥散张量成像	自编码器	图像	三个心脏DTI数据集	PyTorch	多尺度编码器-解码器网络	信噪比、对比度噪声比、分数各向异性、平均扩散率、螺旋角	未提及
822	2026-08-07	Noise-imitation learning: unpaired speckle noise reduction for optical coherence tomography 2024-09-03, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad708c PMID:39151463	研究论文	提出一种名为噪声模仿学习（NIL）的无配对光学相干断层扫描图像去噪方法，通过噪声提取、噪声模仿和对抗学习三个模块高效降低散斑噪声，并构建了NIL-NAFNet去噪流水线	采用单一生成器和单一判别器实现无配对OCT去噪，网络结构复杂度显著低于以往方法，通过高效融合无配对图像和对抗训练提取更多散斑噪声信息	未提及具体局限性	开发一种简化且有效的无配对OCT图像去噪方法，以提升图像质量和诊断准确性	光学相干断层扫描图像中的散斑噪声	计算机视觉	不适用	光学相干断层扫描	生成对抗网络（GAN）	图像	PKU37数据集（具体样本数未提及）	PyTorch	NAFNet	峰值信噪比（PSNR）、结构相似性指数（SSIM）、均方根误差（RMSE）	未提及
823	2026-08-07	Transformer for low concentration image denoising in magnetic particle imaging 2024-08-27, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad6ede PMID:39137818	研究论文	提出一种基于稀疏轻量级Transformer的深度学习方法来降低磁粒子成像中低浓度图像的噪声，提高图像质量	创新性地引入了残差局部Transformer结构，通过信息保留块增强图像细节的特征提取能力，并设计了一个噪声浓度数据集用于模型训练，实现了对低浓度MPI图像的高效去噪	未明确提及局限性，但可能受限于数据集规模和真实数据的多样性	提高低浓度磁粒子成像的图像质量，通过深度学习去噪方法改善信号噪声比，为临床低浓度应用提供可能性	模拟和真实磁粒子成像图像，特别是低浓度超顺磁性氧化铁纳米颗粒样本	计算机视觉	不适用	磁粒子成像（MPI）	Transformer	图像	模拟和真实MPI图像数据，其中真实样本铁浓度最低达67μg/mL，具体数量未提及	未提及	残差局部Transformer（Residual-Local Transformer）	未明确提及，但可能包括峰值信噪比（PSNR）、结构相似性指数（SSIM）等	未提及
824	2026-08-07	Predicting time-of-flight with Cerenkov light in BGO: a three-stage network approach with multiple timing kernels prior 2024-08-23, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad6ed8 PMID:39137808	研究论文	本研究提出了一种三阶段网络方法，利用切伦科夫光预测BGO探测器中的飞行时间，以提升TOF-PET图像质量。	结合切伦科夫光与闪烁光，通过三阶段网络结构引入多时间核先验知识，并在第三阶段使用偏置微调模块优化预测。	未提及具体限制。	提高TOF-PET重建中飞行时间预测的精度，从而改善图像信噪比。	BGO探测器中的混合信号（切伦科夫光与闪烁光）的符合波形对。	机器学习, 医学影像	NA	PET, TOF-PET	CNN, Transformer, 深度学习模块	波形数据	25类基于信号上升时间的分类数据	PyTorch	CNN, Transformer, LED方法	FWHM, FWTM	NA
825	2026-08-07	Contextual AI models for single-cell protein biology 2024-Jul-15, bioRxiv : the preprint server for biology DOI:10.1101/2023.07.18.549602 PMID:37503080	研究论文	介绍Pinnacle，一种几何深度学习方法，用于生成上下文感知的蛋白质表示，并展示其在多组织单细胞图谱中的应用	首次利用多器官单细胞图谱学习上下文相关的蛋白质相互作用网络，生成大量上下文感知的蛋白质表示，并支持零样本组织层级检索	未明确提及，但可能依赖于单细胞图谱的覆盖度和质量	建模蛋白质在不同生物上下文中的相互作用，以理解蛋白质功能并开发分子疗法	蛋白质及其在不同细胞类型和组织中的相互作用	机器学习	类风湿关节炎、炎症性肠病	单细胞测序	几何深度学习	单细胞图谱数据	394,760个蛋白质表示，来自24个组织的156个细胞类型上下文	NA	Pinnacle（几何深度学习架构）	预测能力	NA
826	2026-08-07	Synergizing Deep Learning-Enabled Preprocessing and Human-AI Integration for Efficient Automatic Ground Truth Generation 2024-Apr-28, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering11050434 PMID:38790302	研究论文	提出了一种结合深度学习预处理和人类-人工智能集成的方法，用于高效自动生成全切片图像的地面真值标注，通过标准化未知样本分布来减少过拟合，并显著提高标注效率和专家时间节省。	提出了基于深度学习的预处理算法，用于归一化分布外样本到训练集分布，减轻主动学习中的过拟合问题，并集成人类-人工智能，实现了高分辨率全切片图像的高效自动感兴趣区域标注。	未明确提及局限性，但可能包括对图像质量的依赖和跨图像不一致性处理的挑战。	减少人工标注成本和时间，提高自动地面真值生成的准确性和效率，特别是在医学图像分析领域。	高分辨率全切片显微镜图像，用于自动组织病理学分析。	数字病理学	未指定特定疾病	全切片成像（WSI）	深度学习模型（具体未指定，但可能包括CNN）	图像	未明确样本数量，但包括未标记的数据队列，标注集扩展了845%	未明确指定	未明确指定	自动标注接受率（92%）和专家时间节省（96%）	未明确指定
827	2026-08-07	Attribution classification method of APT malware based on multi-feature fusion 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0304066 PMID:38935673	研究论文	提出一种基于多特征融合的APT恶意软件归属分类方法，结合事件行为图、操作码图像和词频行为特征，使用深度学习模型提高分类性能	构建基于API指令的事件行为图并利用GNNs模型捕获主机执行轨迹；提出了ImageCNTM模型以捕获操作码图像的局部空间相关性和连续长期依赖；融合词频和行为特征，提出多特征多输入深度学习模型	摘要中未提及明确的局限性	解决APT恶意软件归属分类问题，提高分类准确性，特别是考虑DLL链接库和隐藏文件地址，以及捕获事件行为的局部和全局相关性	APT恶意软件样本	机器学习	NA	API指令分析、操作码特征提取、词频统计	GNNs、ImageCNTM（可能基于CNN和LSTM）	恶意软件可执行文件及执行日志	公开数据集中的APT恶意软件样本（具体数量未提及）	NA	GNNs、ImageCNTM	准确率	NA
828	2026-08-07	Tongue feature dataset construction and real-time detection 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0296070 PMID:38452007	研究论文	本研究构建了中医舌象特征数据集，并训练深度学习目标检测模型，实现舌象特征的实时定位与检测	将深度学习可视化技术应用于中医舌诊，构建了高质量的人工标注舌象特征数据集，并训练出可实时检测舌象特征的模型，提供了传统神经网络模型缺乏的可解释性和直观性	未在摘要中明确提及	自动化解释舌象特征，提高诊断效率和一致性	舌象图像及其特征（裂纹、齿痕、厚苔、黄苔等）	计算机视觉	中医诊断相关疾病	图像采集与深度学习	目标检测模型（深度学习）	图像	未在摘要中明确提及具体数量	未在摘要中明确提及	未在摘要中明确提及	平均精度（AP）	NVIDIA GeForce GTX 1060 GPU
829	2026-08-07	Insect detect: An open-source DIY camera trap for automated insect monitoring 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0295474 PMID:38568922	研究论文	介绍了一种基于低成本现成硬件和开源软件的DIY相机陷阱，用于自动化监测访花昆虫	提出了一种结合现成硬件、开源软件和定制深度学习模型的DIY相机陷阱，用于非侵入性自动监测访花昆虫，具有低成本、高定制性和在设备上实时处理的特点	未提及明确的局限性	开发一种自动化监测访花昆虫的DIY相机陷阱，以较低成本和努力实现高时空分辨率的数据收集，支持昆虫保护策略	访花昆虫	计算机视觉, 机器学习	NA	相机陷阱、深度学习	深度学习模型（用于检测、跟踪和分类）	图像	未明确说明样本数量	开源软件（未指定具体框架）	未明确指定具体架构	top-1准确率	设备上处理，太阳能供电，低功耗，本地计算机用于分类
830	2026-08-07	From explanation to intervention: Interactive knowledge extraction from Convolutional Neural Networks used in radiology 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0293967 PMID:38598468	研究论文	提出一个交互式框架，将放射学中使用的卷积神经网络（CNN）转换为可解释的符号规则，并允许临床医生通过“what-if”问题干预模型决策，以增强信任。	创新点在于将CNN层转换为紧凑的符号规则集，并通过临床医生交互可视化规则、基于放射组学和排列评估确定核的相关性，且可移除不具临床意义的核而不影响模型性能。	未提供，无法从标题和摘要中获取。	提高CNN在医学影像（X射线）诊断中的可解释性和临床信任度。	用于放射学X射线图像的CNN模型。	计算机视觉	未明确指定	CNN	CNN	医学X射线图像	未提供	未提供	未提供	模型性能（如准确性等，但具体指标未提供）	未提供
831	2026-08-07	Structure-Aware Annotation of Leucine-rich Repeat Domains 2023-Nov-01, bioRxiv : the preprint server for biology DOI:10.1101/2023.10.27.562987 PMID:37961157	研究论文	开发基于结构感知的降维方法，用于注释富含亮氨酸重复结构域的重复单元，并纠正现有序列基预测工具的误差	利用深度学习预测的蛋白质结构，通过降维方法改进序列基域注释，能够自动检测发夹环和结构异常	方法仅在特定蛋白质家族（LRR）和植物物种中验证，可能不适用于其他域类型	改进蛋白质结构域注释的准确性，特别是针对富含亮氨酸重复结构域	拟南芥中127个含LRR结构域的细胞内先天免疫蛋白的预测结构，以及172个手动注释LRR域的基准数据集	结构生物学	NA	深度学习蛋白质结构预测、降维分析	HMM（作为基线）	蛋白质结构数据、序列数据	127个预测结构、172个手动注释LRR域	NA	NA	准确性、错误纠正能力	NA
832	2026-08-07	Whole genome deconvolution unveils Alzheimer's resilient epigenetic signature 2023-08-16, Nature communications IF:14.7Q1 DOI:10.1038/s41467-023-40611-4 PMID:37587197	研究论文	开发了一种名为Cellformer的深度学习方法，用于从批量ATAC-seq数据中解卷积出细胞类型特异的染色质开放状态，并应用于阿尔茨海默病韧性研究	首次提出基于深度学习的全基因组批量ATAC-seq解卷积方法Cellformer，能高效低成本地实现大规模队列中细胞类型特异的开放染色质分析	未提及明显的局限性	开发一种深度学习工具，从批量ATAC-seq数据中推断细胞类型特异的基因调控机制，并识别阿尔茨海默病韧性的表观遗传学特征	191个来自3个脑区的批量ATAC-seq样本，涉及阿尔茨海默病韧性个体	深度学习	阿尔茨海默病	ATAC-seq	深度学习模型	基因表达谱（ATAC-seq数据）	191个批量样本，来自3个脑区	NA	Transformer	NA	NA
833	2026-08-07	A sequence-based global map of regulatory activity for deciphering human genetics 2022-07, Nature genetics IF:31.7Q1 DOI:10.1038/s41588-022-01102-2 PMID:35817977	研究论文	本文介绍Sei框架，通过深度学习方法整合人类遗传学数据与序列信息，预测大规模染色质谱图，提供全球调控活动图谱，以解析人类遗传变异的功能影响。	首次提出基于序列的全局调控活动图谱框架Sei，能够从任意序列或变异映射到调控活性，并学习调控活动词汇表（序列类别），实现细胞类型特异性的增强子功能等多样调控活性的分类和定量。	未明确提及限制，可能包括依赖参考表观基因组数据、对罕见变异预测的准确性和缺乏实验验证等。	建立从DNA序列到调控活性的系统映射，以揭示复杂性状和疾病的调控机制，为人类遗传学提供解读工具。	人类基因组中的调控序列和遗传变异，包括增强子等调控元件。	机器学习	NA	深度学习（预测染色质谱图）	深度学习模型（可能包含CNN或Transformer）	染色质谱图数据（表观基因组学）	超过1300种细胞系和组织类型的21,907个染色质谱图。	NA	NA	组织特异性表达支持、表达数量性状位点关联、进化保守性。	NA
834	2026-08-07	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	开发了DEEPMIR，一种基于深度卷积神经网络的MRI分割方法，用于同时检测脑微出血和基底节铁沉积	提出了一种同时手动标注脑微出血和非出血性铁沉积的方案，并调整U-Net模型增加分辨率层以检测微小病变，且整合多模态MRI数据（特别是QSM）以提高检测性能	样本量较小（24名参与者），训练和评估可能在更大规模数据集上需要进一步验证，且本研究未涉及外部验证或临床实际应用环境	开发一种适用于同时分割脑微出血和铁沉积的深度学习方法，并评估多模态MRI数据的效用	脑微出血病变和基底节非出血性铁沉积区域，以及多模态MRI图像（T2加权、SWI、QSM）	计算机视觉、数字病理学、机器学习	脑血管疾病、神经退行性疾病	MRI（包括T2加权成像、磁敏感加权成像、定量磁化率成像）	卷积神经网络（CNN）	MRI图像	来自MESA队列的24名参与者的影像数据	NA	U-Net	灵敏度、精确度	NA
835	2026-08-06	Application of artificial intelligence in brain arteriovenous malformations: Angioarchitectures, clinical symptoms and prognosis prediction 2026-Aug, Interventional neuroradiology : journal of peritherapeutic neuroradiology, surgical procedures and related neurosciences IF:1.5Q3 DOI:10.1177/15910199241238798 PMID:38515371	综述	本文总结了人工智能在脑动静脉畸形管理中的应用，包括血管构筑、临床症状和预后预测。	系统综述了1999-2022年间AI在脑动静脉畸形管理中的应用，特别关注机器学习和深度学习模型的进展。	基于文献综述，可能缺乏最新研究，且未进行定量荟萃分析。	总结AI在脑动静脉畸形管理中的应用进展、局限性和未来研究方向。	脑动静脉畸形患者的相关数据，包括影像、临床症状和预后。	机器学习	脑动静脉畸形	影像组学	机器学习模型	影像数据	NA	NA	NA	NA	NA
836	2026-08-06	Prediction of Hypoglycemia From Continuous Glucose Monitoring in Insulin-Treated Patients With Type 2 Diabetes Using Transfer Learning on Type 1 Diabetes Data: A Deep Transfer Learning Approach 2025-05, Journal of diabetes science and technology IF:4.1Q2 DOI:10.1177/19322968231215324 PMID:38014538	研究论文	利用迁移学习在1型糖尿病数据上预训练卷积神经网络，预测胰岛素治疗的2型糖尿病患者的低血糖事件	首次将迁移学习应用于从1型糖尿病到2型糖尿病的持续葡萄糖监测数据，以缓解数据稀缺问题	未明确提及外部验证数据集的多样性或模型在不同人群中的泛化能力	开发一种深度学习模型，通过迁移学习提高2型糖尿病患者低血糖预测的准确性	226名1型糖尿病患者和180名2型糖尿病患者的持续葡萄糖监测数据	机器学习	2型糖尿病	持续葡萄糖监测	卷积神经网络	时间序列数据	406名患者（226名1型糖尿病，180名2型糖尿病），外部验证334,711个一小时样本	NA	卷积神经网络	AUC, 阳性预测值, 特异性, 敏感性	NA
837	2026-08-06	Progression or Aging? A Deep Learning Approach for Distinguishing Glaucoma Progression From Age-Related Changes in OCT Scans 2024-10, American journal of ophthalmology IF:4.1Q1 DOI:10.1016/j.ajo.2024.04.030 PMID:38703802	研究论文	开发了一种名为噪声正无标记（Noise-PU）的弱监督时间序列深度学习算法，用于从OCT扫描中区分青光眼进展与年龄相关的变化	提出了一种无需参考标准的弱监督时间序列学习方法，能够区分青光眼进展和年龄相关变化	未明确提及，但可能受限于回顾性设计、使用替代参考标准以及特定设备（Spectralis OCT）	开发深度学习算法，在没有参考标准的情况下，利用OCT图像检测青光眼进展	青光眼和健康眼的OCT B扫描序列	计算机视觉	青光眼	OCT成像	CNN-LSTM	图像	8785个随访序列，来自3253只眼（1859名受试者）	NA	卷积神经网络（CNN）和长短期记忆（LSTM）网络组合	命中率（作为敏感性的代理），特异性	NA
838	2026-08-06	An assessment of the value of deep neural networks in genetic risk prediction for surgically relevant outcomes 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0294368 PMID:39008506	研究论文	本研究评估了深度神经网络在手术相关结果遗传风险预测中的价值，利用英国生物库数据构建线性和深度学习模型，比较了仅遗传、仅临床和联合模型的性能。	首次将深度神经网络与基因组学结合用于手术相关结果的预测，并评估了其相对于传统线性模型的增量价值。	研究仅基于英国生物库数据，可能限制了结果的普遍性；深度学习的性能提升有限，且未探讨模型在临床实践中的实际影响。	评估深度神经网络与遗传信息结合在预测手术相关并发症中的潜在价值。	英国生物库中的手术患者数据，涉及房颤、静脉血栓栓塞和肺炎等手术相关结果。	机器学习	心血管疾病、肺炎	GWAS	深度神经网络、线性模型	SNP数据、临床数据	英国生物库中的大型数据集（具体数量未在摘要中提供）	NA	NA	ROC-AUC、精确率、召回率	NA
839	2026-08-06	Research on improved gangue target detection algorithm based on Yolov8s 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0293777 PMID:38980881	研究论文	提出一种基于Yolov8s的改进煤矸石目标检测算法，以提高检测速度和精度并降低模型复杂度。	采用轻量级网络Fasternet作为主干，替换Slimneck的C2F部分，引入Detect-DyHead、DIoU损失函数和BAM块注意力机制，显著提升检测性能。	未提及具体局限性。	旨在解决煤矸石目标检测中深度学习速度慢、参数多和计算成本高的问题，提供高效实时的检测方案。	煤矸石目标	计算机视觉	不适用	深度学习目标检测	YOLOv8s（改进）	图像	未提及具体样本数量	未提及具体框架，但可能使用PyTorch	Fasternet、C2F、Detect-DyHead、BAM块	检测精度、参数数量、计算量、模型存储大小	未提及具体计算资源
840	2026-08-06	The analysis of the internet of things database query and optimization using deep learning network model 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0306291 PMID:38941309	研究论文	本研究探讨了深度学习网络模型在物联网数据库查询和优化中的应用效果，通过优化策略改进模型，并通过实验验证了其高效性	将深度学习网络模型用于物联网数据库查询优化，并通过优化策略提高模型在训练、参数优化、资源消耗和延迟方面的性能	未明确提及局限性，可能包括实验数据规模有限或模型泛化能力待验证	分析深度学习网络模型在物联网数据库查询和优化中的性能表现，并验证优化模型的优势	物联网数据库查询和优化任务	机器学习	NA	NA	深度学习网络模型	文本数据	未明确样本数，但实验涉及不同数据量（如2000、4000）	NA	未明确指定具体架构（如ResNet、Transformer等）	训练时间、参数优化时间、资源消耗（CPU/GPU使用率、内存使用）、吞吐量、延迟	NA