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
1601	2026-05-06	MHCII-peptide presentation: an assessment of the state-of-the-art prediction methods 2024, Frontiers in immunology IF:5.7Q1 DOI:10.3389/fimmu.2024.1293706 PMID:38646540	研究论文	对MHCII-肽段结合预测方法的现状进行全面评估	通过独立测试集系统评估11种预测方法，揭示深度学习算法和数据增长带来的性能提升，为研究者选择预测工具提供指导	仅评估了截至2022年1月的11种预测方法，未涵盖最新进展；仅使用人类MHCII蛋白数据，未包含其他物种	评估现有MHCII-肽段结合预测方法的性能，为免疫治疗和癌症疫苗设计提供方法选择指导	20种人类MHCII蛋白亚型的结合与非结合肽段	机器学习	癌症相关免疫疾病	免疫肽组学	深度学习模型	氨基酸序列	来自免疫表位数据库的20种人类MHCII蛋白亚型的结合与非结合肽段	NA	MixMHC2pred, NetMHCIIpan-4.1	预测性能	NA
1602	2026-05-06	Localizing Post-Admixture Adaptive Variants with Object Detection on Ancestry-Painted Chromosomes 2023-04-04, Molecular biology and evolution IF:11.0Q1 DOI:10.1093/molbev/msad074 PMID:36947126	研究论文	开发一种基于深度学习的对象检测方法，应用于祖先绘制的基因组图像，以定位后混合适应性变异	将深度学习对象检测技术应用于祖先绘制的染色体图像，无需用户定义汇总统计量，保留基因组上下文信息，能够更精确地定位适应性变异	缺乏各种人口统计学场景下祖先分布的理论模型，可能导致假阳性和假阴性结果；远距离位点间的祖先模式常不独立，当前方法倾向于推断包含多个基因的宽基因组区域	提高后混合正选择的检测精度，将适应性变异定位到更窄的基因组区域	人类和动物的后混合基因组，包括免疫力、代谢和动物颜色等适应性变异	机器学习	NA	NA	深度学习对象检测模型	基因组图像	模拟数据和来自Cabo Verde的人类基因型数据	NA	对象检测架构（未明确具体名称）	NA	NA
1603	2026-05-06	Advancing diagnostic performance and clinical applicability of deep learning-driven generative adversarial networks for Alzheimer's disease 2021-Dec, Psychoradiology DOI:10.1093/psyrad/kkab017 PMID:38666217	综述	系统综述生成对抗网络在阿尔茨海默病诊断中的应用，评估其相比于其他方法在分类和图像处理中的性能	首次系统比较生成对抗网络与其他方法在阿尔茨海默病诊断中的分类准确性和图像处理性能	多数研究使用公开数据库数据，缺少临床验证；定量评估和比较过程缺乏临床医生参与	评估生成对抗网络在阿尔茨海默病诊断中的应用价值并提出临床建议	阿尔茨海默病相关影像研究	机器学习	阿尔茨海默病	NA	生成对抗网络	图像	NA	NA	生成对抗网络	准确性	NA
1604	2026-05-06	Comparative analysis between convolutional neural network learned and engineered features: A case study on cardiac arrhythmia detection 2020 Jul-Aug, Cardiovascular digital health journal IF:2.6Q2 DOI:10.1016/j.cvdhj.2020.04.001 PMID:35265872	研究论文	比较卷积神经网络学习特征与人工设计特征在心房颤动检测中的性能	系统比较了CNN自动学习特征与人工设计特征（包括时频域和线性非线性特征）在心房颤动分类中的效果，并分析了两种特征之间的相关性	仅使用短时单导联心电图记录（9-61秒），可能无法涵盖所有心律失常类型；外部验证集规模有限（3,658例）	评估CNN和随机森林机器学习模型在心房颤动分类中的信息提取能力	单导联心电图记录中的正常、心房颤动、其他节律和噪声窦性节律	机器学习	心血管疾病	NA	CNN, 随机森林, 支持向量机	心电图信号	训练及内部验证8,528例心电图，外部验证3,658例心电图	NA	一维12层CNN	F1分数	NA
1605	2026-05-06	Atrial fibrillation detection from raw photoplethysmography waveforms: A deep learning application 2020-Apr, Heart rhythm O2 IF:2.5Q2 DOI:10.1016/j.hroo.2020.02.002 PMID:34113853	研究论文	本研究测试了深度学习算法使用原始光电容积描记图波形检测心房颤动的能力，并对比了仅依赖心率数据的算法	首次使用原始PPG波形的深度卷积-循环神经网络进行房颤检测，相比仅用心率数据的LSTM模型和传统心率变异性分析，显著提高了检测准确性	样本量较小（仅51名持续性房颤患者），且种族和性别分布不均（88%白人，78%男性）	验证深度学习算法使用原始PPG波形检测房颤的准确性是否优于仅使用心率数据的算法	接受房颤复律治疗的患者	机器学习	心血管疾病	PPG	深度卷积-循环神经网络、LSTM	时间序列数据	51名持续性房颤患者（40人训练，11人测试）	NA	深度卷积-循环神经网络、LSTM	AUC, 灵敏度, 特异度	NA
1606	2026-05-05	Deep Hair Phenomics: Implications in Endocrinology, Development, and Aging 2025-Apr, The Journal of investigative dermatology IF:5.7Q1 DOI:10.1016/j.jid.2024.08.014 PMID:39236901	研究论文	开发了一种基于深度学习的计算机视觉方法，用于高通量、高分辨率量化单个毛发纤维，并探索内分泌、发育和衰老对小鼠毛发表型的影响	提出了创新的计算机视觉工具，能够区分和提取重叠的毛发纤维，实现多变量特征（长度、宽度、颜色）的高通量量化，并生成了单个毛发表型组	NA	开发一种高通量、定量化的毛发表型分析方法，并探究激素信号、基因修饰和衰老对毛囊产出的影响	小鼠的毛发纤维	计算机视觉	NA	深度学习	CNN	图像	NA	NA	NA	NA	NA
1607	2026-05-05	Improved diagnosis of arrhythmogenic right ventricular cardiomyopathy using electrocardiographic deep learning 2025-Apr, Heart rhythm IF:5.6Q1 DOI:10.1016/j.hrthm.2024.08.030 PMID:39168295	研究论文	利用心电图深度学习提高致心律失常性右心室心肌病的诊断准确率	首次开发并验证了基于深度学习的心电图工具，其诊断ARVC的能力可与专家相当，并能区分真性ARVC与表型模仿者及风险家属	样本量相对较小（共855例），且外部验证仅基于一个特定人群（Geisinger队列）	开发并验证用于ARVC诊断的心电图深度学习工具	疑似ARVC患者及携带致病性或可能致病性ARVC基因变异的患者	机器学习	心血管疾病	心电图	深度学习模型	心电图信号	开发集551例，测试集137例，外部验证集167例	NA	NA	c-statistic, 置信区间	NA
1608	2026-05-05	Advancing healthcare practice and education via data sharing: demonstrating the utility of open data by training an artificial intelligence model to assess cardiopulmonary resuscitation skills 2025-02, Advances in health sciences education : theory and practice IF:3.0Q2 DOI:10.1007/s10459-024-10369-5 PMID:39249618	研究论文	通过共享心肺复苏技能表现视频数据库并训练人工智能模型，展示开放数据在医疗保健实践与教育中的效用	首次利用开放共享的CPR技能表现视频数据库训练AI模型，实现自动临床评估；该数据库包含多角度视频和专家评分，支持3D重建和运动分析	NA	论证数据共享在医疗教育中的价值，并开发基于AI的自动CPR技能评估工具	40名参与者的心肺复苏技能表现视频及其质量评估数据	计算机视觉	NA	视频采集、姿势估计	深度学习网络	视频	40名参与者，从6个角度录制	NA	姿势估计网络、深度学习网络	NA	NA
1609	2026-05-05	Deep learning enables accurate brain tissue microstructure analysis based on clinically feasible diffusion magnetic resonance imaging 2024-10-15, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2024.120858 PMID:39317273	研究论文	基于深度学习的方法使用临床可行的扩散磁共振成像实现了准确的脑组织微观结构分析	首次证明深度学习用于组织微观结构重建能够基于临床可行的dMRI扫描产生可靠的脑组织微观结构分析，并准确识别与疾病和年龄相关的微小组织变化	未提及	验证深度学习方法在临床可行dMRI下进行组织微观结构重建的可靠性及其在临床应用的潜力	脑组织微观结构	数字病理学、机器学习	NA	扩散磁共振成像	深度学习模型	图像	四个不同的脑dMRI数据集	NA	NA	NA	NA
1610	2026-05-05	XDL-ESI: Electrophysiological Sources Imaging via explainable deep learning framework with validation on simultaneous EEG and iEEG 2024-10-01, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2024.120802 PMID:39173694	研究论文	提出一种基于可解释深度学习的脑电/脑磁源成像框架XDL-ESI，通过迭代优化与深度学习融合解决逆问题	设计可解释的深度学习框架，将迭代优化算法与神经网络模块展开结合，引入拓扑损失函数提升定位鲁棒性	NA	解决脑电/脑磁源成像中的病态逆问题，实现高效、准确且可解释的脑源估计	模拟数据及临床同步脑电与颅内脑电数据	机器学习	NA	脑电图（EEG）、脑磁图（MEG）、颅内脑电图（iEEG）	可解释深度学习	脑电信号、脑磁信号	NA	PyTorch	展开型神经网络	定位误差、重建准确性、可解释性	NA
1611	2026-05-05	Separating group- and individual-level brain signatures in the newborn functional connectome: A deep learning approach 2024-10-01, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2024.120806 PMID:39179011	research paper	利用深度生成模型分离新生儿功能连接组中群体和个体水平的脑信号特征	首次将变分自编码器应用于新生儿静息态功能磁共振成像，证明新生儿个体指纹存在性，并突破线性模型限制，成功分离与年龄变化和个体独特性相关的连接特征	未明确提及模型泛化能力验证及临床可解释性分析	探索新生儿功能连接数据中个体独特性的存在性，并利用深度学习模型提取年龄和个体表征	成人和新生儿的静息态功能磁共振成像数据	machine learning	NA	rs-fMRI	VAE	image	100名成人rs-fMRI扫描和464名新生儿rs-fMRI扫描	NA	变分自编码器	年龄预测相关系数、个体识别准确率	NA
1612	2026-05-05	Fully Automated Hippocampus Segmentation using T2-informed Deep Convolutional Neural Networks 2024-09, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2024.120767 PMID:39103064	研究论文	提出一种全自动海马体分割流程，利用T2加权MRI图像和深度卷积神经网络，提升基于临床T1加权图像的海马体分割性能	利用高分辨率T2加权图像创建更精确的标注真值，并训练分割网络，从而提升T1加权图像的分割准确性	T2加权序列在临床常规中不可行，且多对比度数据集的获取需要额外时间和资源	开发一种基于深度学习的方法，利用T2加权图像增强对临床T1加权图像中海马体的自动化分割，以准确估计阿尔茨海默病中的海马体萎缩	多对比度数据集中的成对T1加权和高分辨率T2加权MRI图像	计算机视觉	阿尔茨海默病	MRI成像	卷积神经网络（CNN）	图像	NA	NA	3D 卷积神经网络	视觉比较和多种定量测量指标	NA
1613	2026-05-05	RS2-Net: An end-to-end deep learning framework for rodent skull stripping in multi-center brain MRI 2024-09, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2024.120769 PMID:39122056	研究论文	提出RS2-Net端到端深度学习框架，用于多中心脑部MRI中啮齿动物的颅骨剥离	开发基于Swin-UNETR的轻量级框架，无需预处理即可自动适应多种MRI图像分辨率，降低人工标注依赖	未明确提及论文局限性	自动化啮齿动物MRI颅骨剥离流程，减少预处理步骤和工作量	小鼠和大鼠的脑部MRI扫描图像	计算机视觉	NA	MRI	Swin-UNETR	图像	来自89个中心的1037只啮齿动物共1142张图像	PyTorch	Swin-UNETR	Dice系数	NA
1614	2026-05-05	A comprehensive overview of diffuse correlation spectroscopy: Theoretical framework, recent advances in hardware, analysis, and applications 2024-09, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2024.120793 PMID:39153520	综述	全面介绍扩散相关光谱学的理论框架、硬件、分析方法和应用的最新进展	整合了连续波、频域和时域三种主要硬件架构，并探讨了硅单光子雪崩二极管传感器及深度学习在数据分析中的新应用	未提及具体实验验证或定量比较，主要提供概述性指导	为扩散相关光谱学领域的新研究者提供全面的知识基础和实践指南	扩散相关光谱学硬件架构、传感器（如SPAD）、激光器、相关器及数据分析工具	机器学习	NA	扩散相关光谱学	深度学习	NA	NA	NA	NA	NA	NA
1615	2026-05-05	Differentiating loss of consciousness causes through artificial intelligence-enabled decoding of functional connectivity 2024-08-15, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2024.120749 PMID:39033787	研究论文	通过人工智能解码功能连接来区分意识丧失的病因	首次开发利用功能连接变化模式进行不同病因意识丧失鉴别诊断的人工智能模型	未在论文标题和摘要中明确说明	开发人工智能模型以区分急性意识丧失的不同病因	非惊厥性癫痫持续状态、代谢性脑病和苯二氮卓类中毒引起的意识丧失患者	机器学习	意识丧失	脑电图	卷积神经网络及多种机器学习算法	脑电图信号	前瞻性队列数据	NA	卷积神经网络	AUC	NA
1616	2026-05-05	Anatomically constrained tractography of the fetal brain 2024-08-15, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2024.120723 PMID:39029605	研究论文	提出一种基于深度学习的胎儿脑组织分割方法，并结合解剖约束的纤维束追踪技术，以改善胎儿脑白质纤维束的重建	通过在dMRI空间直接进行精确的胎儿脑组织分割，并结合深度学习自动计算，实现了高弯曲度纤维束（如视辐射）的重建，且可适用于常规胎儿dMRI扫描	NA	提高胎儿脑dMRI纤维束追踪的准确性，解决假阳性纤维束和主要白质纤维束重建失败的问题	胎儿脑组织和白质纤维束	数字病理学	NA	扩散加权磁共振成像（dMRI）、扩散张量成像	深度学习模型	图像	独立测试数据（具体数量未提及）	NA	NA	分割准确率、纤维束追踪结果质量	NA
1617	2026-05-05	Brain age prediction using interpretable multi-feature-based convolutional neural network in mild traumatic brain injury 2024-08-15, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2024.120751 PMID:39048043	研究论文	利用可解释的多特征卷积神经网络预测轻度创伤性脑损伤患者的大脑年龄	提出结合多结构特征的三维组合CNN模型，利用大规模异构数据集实现大脑年龄预测，并引入基于脑图谱的遮挡分析方案，揭示了健康对照组和mTBI患者中与年龄分层相关的贡献性脑区	未在标题和摘要中明确提及	开发可解释的深度学习框架，准确预测健康个体和轻度创伤性脑损伤患者的大脑年龄，并分析年龄预测差距与认知损伤及神经退行性标志物的关联	健康对照者和轻度创伤性脑损伤患者	计算机视觉	轻度创伤性脑损伤	MRI结构成像	卷积神经网络（CNN）	图像	总样本量1464人，其中154名健康对照者用于测试，其余用于训练和验证	NA	3D组合CNN	平均绝对误差（MAE）、皮尔逊相关系数（Pearson's r）	NA
1618	2026-05-05	Disentangling brain atrophy heterogeneity in Alzheimer's disease: A deep self-supervised approach with interpretable latent space 2024-08-15, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2024.120737 PMID:39004409	研究论文	提出一种基于深度学习的自监督框架，通过可解释的潜在空间表征来解析阿尔茨海默病的大脑萎缩异质性	首次将特征工程、分类和聚类协同整合到自监督框架中，在潜在空间同时揭示疾病进展和亚型两个核心异质性维度，并识别出两种不同的疾病进展路径	NA	解析阿尔茨海默病的大脑萎缩异质性	阿尔茨海默病患者的大脑萎缩模式	机器学习	阿尔茨海默病	NA	自监督深度学习模型	神经影像数据	NA	NA	NA	NA	NA
1619	2026-05-05	Predicting changes in brain metabolism and progression from mild cognitive impairment to dementia using multitask Deep Learning models and explainable AI 2024-08-15, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2024.120695 PMID:38942101	研究论文	利用多任务深度学习模型和可解释人工智能预测轻度认知障碍向痴呆进展中的脑代谢变化	首次在阿尔茨海默病预测建模中引入多任务学习框架，整合脑代谢变化数据以增强识别进展型轻度认知障碍患者的能力	基于ADNI数据集，可能存在样本选择偏差，且未提及模型在不同人群中的泛化性	探索利用脑代谢变化（FDG-PET评估）建模多维度疾病信息，识别轻度认知障碍患者向痴呆进展的风险	轻度认知障碍患者（MCI）及进展为痴呆的个体（pMCI）	机器学习	阿尔茨海默病	FDG-PET	深度学习模型（多任务学习）	图像（FDG-PET扫描）	1,617名参与者（来自ADNI数据库）	NA	NA	敏感性、特异性	NA
1620	2026-05-05	Deep learning based decoding of single local field potential events 2024-08-15, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2024.120696 PMID:38909761	研究论文	使用无监督机器学习方法从单次试验的局部场电位事件中提取有意义信息	首次证明单通道LFP事件形状在自发活动期间采样了可能的刺激诱发事件形状的范畴，这一发现此前仅在多通道群体编码中被证实	NA	探索使用无监督机器学习从单次试验的神经电生理记录中提取信息，解码皮层信息处理机制	鼠类细胞外神经记录和人类颅内脑电图记录	机器学习	NA	细胞外神经记录, 颅内脑电图	自编码器网络	局部场电位事件	NA	NA	自编码器	NA	NA