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
1621	2026-03-15	Uncertainty-aware deep learning in healthcare: A scoping review 2022, PLOS digital health DOI:10.1371/journal.pdig.0000085 PMID:36590140	综述	本文对医疗健康领域中深度学习不确定性量化方法进行了范围性综述，并提出了一个指定深度学习预测确定性的概念框架	首次系统性地评估了医疗健康应用中深度学习的不确定性量化方法，并提出了一个用于指定预测确定性的概念框架	报告方法的异质性阻碍了进行荟萃分析，且模型学习曲线在量化认知不确定性方面的应用较为稀疏	批判性评估医疗健康应用中深度学习的不确定性量化方法，并建立一个指定预测确定性的概念框架	医疗健康领域的深度学习模型及其不确定性估计方法	医疗健康	NA	深度学习	卷积神经网络	医学影像, 非影像数据	30项研究	NA	卷积神经网络及其变体	NA	NA
1622	2026-03-15	PrimSeq: A deep learning-based pipeline to quantitate rehabilitation training 2022, PLOS digital health DOI:10.1371/journal.pdig.0000044 PMID:36420347	研究论文	本文介绍了一种名为PrimSeq的深度学习流程，用于分类和计数中风康复训练中的功能性动作	开发了PrimSeq流程，整合可穿戴传感器、深度学习模型和计数算法，首次实现对中风康复训练中功能性动作的自动量化测量	未明确说明模型在更广泛患者群体或不同康复环境中的泛化能力，且可能依赖于特定传感器设置	旨在量化中风康复训练中的功能性动作剂量，以支持康复治疗的定量研究	中风患者的上肢运动	机器学习	中风	可穿戴传感器运动捕捉	深度学习模型	运动传感器数据	未明确指定样本数量，但涉及具有不同程度上肢运动障碍的中风患者	NA	NA	准确性	NA
1623	2026-03-15	Detection of dementia on voice recordings using deep learning: a Framingham Heart Study 2021-08-31, Alzheimer's research & therapy DOI:10.1186/s13195-021-00888-3 PMID:34465384	研究论文	本研究利用深度学习模型分析神经心理学测试的语音录音，以检测痴呆症	首次在社区队列研究中应用深度学习自动分析语音录音进行痴呆筛查	样本量相对有限，且录音中包含多个说话者可能影响模型性能	开发可靠、经济、易用的痴呆症检测方法	来自弗雷明汉心脏研究的参与者语音录音	自然语言处理	老年疾病	语音录音分析	LSTM, CNN	音频	1264份语音录音（483正常认知，451轻度认知障碍，330痴呆）	NA	双层LSTM网络，卷积神经网络	AUC，平衡准确率，加权F1分数	NA
1624	2026-03-15	The METLIN small molecule dataset for machine learning-based retention time prediction 2019-12-20, Nature communications IF:14.7Q1 DOI:10.1038/s41467-019-13680-7 PMID:31862874	研究论文	本文介绍了METLIN小分子保留时间数据集，并利用深度学习模型进行保留时间预测以辅助小分子注释	提供了迄今为止最大的实验性反相色谱保留时间数据集，包含高达80,038个小分子，显著提升了机器学习模型在保留时间预测中的准确性	未明确提及模型的具体泛化能力或在不同色谱条件下的适用性限制	通过提供大规模实验数据集，改进小分子分析中保留时间预测的准确性，以支持小分子注释	小分子化合物及其在反相色谱中的保留时间	机器学习	NA	反相色谱，质谱分析	深度学习模型	化学结构数据，保留时间数据	80,038个小分子	NA	NA	排名准确性（前3候选中的正确率）	NA
1625	2026-03-15	deepDR: a network-based deep learning approach to in silico drug repositioning 2019-12-15, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btz418 PMID:31116390	研究论文	本研究提出了一种基于网络的深度学习方法deepDR，用于计算机药物重定位，通过整合多种异构网络数据预测药物与疾病的新关联	采用多模态深度自编码器从异构网络中学习药物的高层次特征，并结合变分自编码器推断已批准药物的新适应症，有效捕获了高度非线性的网络结构	未明确提及，但可能依赖于现有网络数据的完整性和准确性	开发一种高效的计算机药物重定位方法，以加速有效治疗方案的发现	已批准药物及其与疾病、副作用、靶标等的关联网络	机器学习	阿尔茨海默病, 帕金森病	网络整合分析	自编码器, 变分自编码器	网络数据	整合了10个网络（包括药物-疾病、药物-副作用、药物-靶标及7个药物-药物网络）	NA	多模态深度自编码器, 变分自编码器	AUROC	NA
1626	2026-03-15	Recent developments in deep learning applied to protein structure prediction 2019-12, Proteins IF:3.2Q2 DOI:10.1002/prot.25824 PMID:31589782	综述	本文简要介绍了深度神经网络在蛋白质结构预测中的应用进展，并探讨了其成功的原因及潜在问题	深度神经网络在CASP12和CASP13实验中取得了显著影响，尤其是在同源序列较少的情况下仍能产生准确预测	讨论了深度神经网络模型的潜在陷阱，但未具体说明	探讨深度神经网络在结构生物信息学问题中的应用原理和效果	蛋白质结构预测，特别是接触预测任务	结构生物信息学	NA	深度神经网络	深度神经网络	蛋白质序列数据	NA	NA	NA	NA	NA
1627	2026-03-15	Use of deep learning to detect personalized spatial-frequency abnormalities in EEGs of children with ADHD 2019-11-19, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/ab3a0a PMID:31398717	研究论文	本研究利用深度学习技术检测儿童ADHD患者脑电图中的个性化空间频率异常	提出了一种新的多通道脑电图数据表示形式，兼容主流CNN架构，并通过可视化技术使模型决策过程可解释	样本量相对较小（107名参与者），且未提及外部验证或跨数据集泛化能力	开发一种基于深度学习的个性化脑电图异常检测方法，以辅助ADHD的诊断和治疗规划	50名ADHD儿童和57名年龄与利手匹配的对照组儿童	机器学习	注意力缺陷多动障碍	脑电图	CNN	脑电图功率谱密度	107名儿童（50名ADHD患者，57名对照组）	NA	CNN	准确率	NA
1628	2026-03-15	Artificial Intelligence for Mammography and Digital Breast Tomosynthesis: Current Concepts and Future Perspectives 2019-11, Radiology IF:12.1Q1 DOI:10.1148/radiol.2019182627 PMID:31549948	综述	本文综述了人工智能在乳腺X线摄影和数字乳腺断层合成中的当前概念与未来展望	探讨了深度学习在乳腺影像中的应用潜力，尤其是在癌症检测和风险预测方面接近放射科医生水平，并展望了其在数字乳腺断层合成中的合成图像生成等未来方向	临床验证尚不充分，深度学习在优化实践中的应用方式尚不明确，且数字乳腺断层合成领域需要更大数据库以支持模型进一步发展	综述人工智能在乳腺影像学中的应用现状、技术挑战及未来发展趋势	乳腺X线摄影和数字乳腺断层合成影像	计算机视觉	乳腺癌	NA	卷积神经网络	图像	NA	NA	NA	NA	NA
1629	2026-03-15	A novel hybrid deep learning scheme for four-class motor imagery classification 2019-10-16, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/ab3471 PMID:31341093	研究论文	本文提出了一种新颖的混合深度学习方案，用于四类运动想象脑电信号的分类	提出了一种结合CNN和LSTM的混合深度网络，能够同时提取和学习MI信号的空间与时间特征，并构建了一个独立于受试者的共享神经网络模型	NA	提高四类运动想象脑电信号的分类准确率	运动想象脑电信号	脑机接口	NA	脑电图	CNN, LSTM	脑电信号	使用BCI竞赛IV数据集2a	NA	CNN, LSTM	准确率, Cohen's kappa值	NA
1630	2026-03-15	A deep learning approach for real-time detection of sleep spindles 2019-06, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/ab0933 PMID:30790769	研究论文	本文提出了一种基于深度学习的实时睡眠纺锤波检测方法SpindleNet，用于单通道EEG信号分析	SpindleNet是一种新颖的深度学习策略，专为在线应用设计，相比现有方法具有更高的检测精度和速度，并能在低采样频率和低信噪比条件下保持优异性能	NA	开发一种适用于实时应用的睡眠纺锤波自动检测方法	睡眠纺锤波	机器学习	NA	EEG信号分析	深度学习	EEG信号	两个公开的专家验证EEG睡眠纺锤波数据集，涵盖不同年龄和物种的受试群体	NA	SpindleNet	检测精度, 检测延迟	NA
1631	2026-03-15	Regression convolutional neural network for improved simultaneous EMG control 2019-06, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/ab0e2e PMID:30849774	研究论文	本文提出了一种基于回归卷积神经网络的肌电控制方案，用于改进同时手腕运动的控制性能	首次验证了回归CNN模型在在线Fitts定律测试中的可用性，并展示了其在同时控制多个自由度任务中的优势	NA	开发一种无需特征工程的深度学习模型，以替代传统的基于特征提取的回归模型，用于肌电信号控制	肌电信号，特别是手腕运动的肌电信号	机器学习	NA	肌电图	CNN	肌电信号	NA	NA	回归卷积神经网络	吞吐量，回归准确率	NA
1632	2026-03-15	Deep-learning for seizure forecasting in canines with epilepsy 2019-06, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/ab172d PMID:30959492	研究论文	本文介绍了一种基于深度学习的卷积神经网络系统，用于预测犬类癫痫发作，该系统在手持设备上实现，并通过伪前瞻性模式在四只自然发生癫痫的犬类上进行了测试	开发了一种全自动、个体化的深度学习CNN系统，用于癫痫发作预测，并在手持设备上部署，实现了实时分析流式颅内脑电图数据，性能优于传统机器学习方法	研究仅基于四只犬类的数据，样本量较小，且未在人类患者中进行验证	开发并评估一种基于深度学习的癫痫发作预测系统，以提高预测准确性和实时性	四只自然发生癫痫的犬类	机器学习	癫痫	颅内脑电图	CNN	脑电图信号	75次癫痫发作，收集自四只犬类，历时1608天	NA	卷积神经网络	敏感性, 警告时间百分比	手持平板电脑（Mayo癫痫辅助设备）
1633	2026-03-15	Inter-subject transfer learning with an end-to-end deep convolutional neural network for EEG-based BCI 2019-04, Journal of neural engineering IF:3.7Q2 DOI:10.1088/1741-2552/aaf3f6 PMID:30524056	研究论文	本文提出了一种基于深度卷积神经网络的端到端框架，用于从单通道原始脑电图数据中检测注意力状态，并探索了跨被试迁移学习的应用	首次在认知脑机接口中成功应用端到端深度卷积神经网络进行跨被试分类，并利用原始脑电图数据最小化预处理需求	未明确说明模型在更广泛人群或不同脑电图设备上的泛化能力，且跨被试分类的准确性仍有提升空间	提高基于脑电图的脑机接口系统中注意力检测的准确性和实用性	单通道原始脑电图数据中的注意力状态	脑机接口	NA	脑电图	CNN	时间序列数据	120名被试	NA	深度卷积神经网络	分类准确率	NA
1634	2026-03-15	Feasibility of Multimodal MRI-Based Deep Learning Prediction of High Amino Acid Uptake Regions and Survival in Patients With Glioblastoma 2019, Frontiers in neurology IF:2.7Q3 DOI:10.3389/fneur.2019.01305 PMID:31920928	研究论文	本研究探索了一种基于多模态MRI的端到端深度学习框架（U-Net）的可行性，用于预测胶质母细胞瘤患者的高氨基酸摄取区域和生存期	首次使用U-Net深度学习框架，通过临床多模态MRI序列预测胶质母细胞瘤的高氨基酸摄取区域（代谢肿瘤体积），并评估其与无进展生存期的关联	样本量较小（21名患者），在随机选择的受试者中重复验证时，敏感性和阳性预测值仅为中等水平	探索深度学习在利用多模态MRI预测胶质母细胞瘤代谢肿瘤体积和患者生存期方面的可行性	新诊断的胶质母细胞瘤患者	数字病理学	胶质母细胞瘤	多模态MRI（T2, FLAIR, 表观扩散系数图, 对比增强T1）和AMT-PET成像	CNN	图像	21名新诊断的胶质母细胞瘤患者	NA	U-Net	敏感性, 特异性, 阳性预测值, 阴性预测值	NA
1635	2026-03-14	MedFusion-gP-AKI: development and multicenter validation of a machine learning fusion model for early prediction of KDIGO stage 3 acute kidney injury in critically ill traumatic cervicothoracic spinal cord injury patients 2026-Dec, Renal failure IF:3.0Q1 DOI:10.1080/0886022X.2026.2640690 PMID:41803650	研究论文	本研究开发并验证了一个名为MedFusion-gP-AKI的多模态深度学习融合模型，用于早期预测危重创伤性颈胸段脊髓损伤患者发生KDIGO 3期急性肾损伤的风险	首次将多模态深度学习与因果推断方法结合，针对危重创伤性颈胸段脊髓损伤患者开发了早期预测严重急性肾损伤的融合模型，并进行了多中心外部验证	研究基于回顾性数据，未来需要前瞻性研究进一步验证；模型在更广泛人群中的泛化能力仍需评估	开发一个能够早期预测危重创伤性颈胸段脊髓损伤患者发生KDIGO 3期急性肾损伤的机器学习模型	危重创伤性颈胸段脊髓损伤患者	机器学习	急性肾损伤	多模态深度学习、因果推断	GAN, 集成学习	临床数据	MIMIC-IV/eICU队列用于训练，来自中国四个三级医疗中心的188名患者用于外部验证	NA	集成模型（由15个基线模型中表现最佳的架构融合而成）	AUC, AP	NA
1636	2026-03-14	An optimized hierarchical attention assisted deep learning model for brain tissue classification 2026-Jun, Journal of neuroscience methods IF:2.7Q3 DOI:10.1016/j.jneumeth.2026.110724 PMID:41740680	研究论文	本文提出了一种优化的分层注意力辅助深度学习模型，用于脑组织分类和异常检测	提出了一种新颖的混合分割方法ResFAU-net，结合了残差块、注意力门和融合累积桥模块，并引入了分层注意力改进的卷积级联胶囊网络（HAMC3）进行分类，同时使用Coati优化算法调整参数以降低模型复杂性	NA	开发一种有效的、优化的分层深度学习方法，用于检测脑组织异常	脑组织，特别是异常脑组织区域	数字病理学	脑部疾病	磁共振成像	CNN, Capsule Network	图像	使用BRATS2020数据集进行评估	NA	ResFAU-net, HAMC3	Dice分数, IoU, 准确率, 精确率, 灵敏度, 特异性, F1分数	NA
1637	2026-03-14	Exploration of the mental attention mechanisms in motor imagery-based EEG decoding 2026-Jun, Journal of neuroscience methods IF:2.7Q3 DOI:10.1016/j.jneumeth.2026.110721 PMID:41748031	研究论文	本研究定量探讨了心理注意力如何调节基于运动想象的脑电信号解码性能	从以用户为中心的视角出发，将心理注意力作为数据选择标准整合到解码框架中，而非仅关注算法创新	未明确说明实验参与者的具体数量与特征，且注意力监测方法的实时性可能面临实际应用挑战	探索心理注意力机制对基于运动想象的脑机接口解码性能的影响	基于运动想象的脑电信号	机器学习	NA	脑电图	NA	脑电信号	NA	NA	NA	准确率	NA
1638	2026-03-14	Comprehensive study on the performance optimization of hyperspectral unmixing algorithms: A focus on airborne hyperspectral data 2026-May-15, Water research IF:11.4Q1 DOI:10.1016/j.watres.2026.125560 PMID:41759318	研究论文	本研究应用高光谱解混技术与多种一维深度学习架构，对韩国锦江高马鲁地区的入侵植物物种进行制图与分类	结合了多种一维深度学习架构（CNN、CBAM、MLPMixer-1D、SpectralFormer、ViT-1D、Swin-1D）进行高光谱解混，并提出了结合SAD、SID和MSE的加权光谱损失函数进行超参数优化	入侵物种的分类精度中等，主要原因是光谱重叠	优化高光谱解混算法的性能，以支持大规模生态监测，特别是入侵植物物种的检测	韩国锦江高马鲁地区的入侵外来植物物种（三裂豚草、葎草、刺果瓜）	计算机视觉	NA	高光谱成像技术	CNN, CBAM, MLPMixer-1D, SpectralFormer, ViT-1D, Swin-1D	高光谱图像	NA	NA	CNN, CBAM, MLPMixer-1D, SpectralFormer, ViT-1D, Swin-1D	SAD, SAM, SID, RMSE, PSNR	NA
1639	2026-03-14	Artificial intelligence for detection of age-related macular degeneration based on fundus images: A systematic review 2026 May-Jun, Survey of ophthalmology IF:5.1Q1 DOI:10.1016/j.survophthal.2025.10.004 PMID:41173219	综述	本文系统回顾了基于眼底图像利用机器学习/深度学习算法进行年龄相关性黄斑变性检测和预测的应用与性能	系统性地总结了不同机器学习与深度学习架构（特别是CNN和ResNet）在AMD检测中的应用与性能，并指出了未来需关注校准、公平性、可解释性、外部验证等关键问题	回顾性研究，纳入的研究在模型架构、数据集和评估方法上存在异质性，缺乏统一的性能比较标准	评估机器学习和深度学习算法在基于眼底图像的年龄相关性黄斑变性检测与预测中的应用效果	用于AMD检测的机器学习和深度学习算法及其性能	计算机视觉	年龄相关性黄斑变性	眼底成像	CNN	图像	NA	NA	ResNet	准确率	NA
1640	2026-03-14	Deep learning-based diagnostic classification of multiple sclerosis using multicenter optical coherence tomography data 2026-May, Experimental eye research IF:3.0Q1 DOI:10.1016/j.exer.2026.110916 PMID:41679586	研究论文	本研究利用多中心光学相干断层扫描数据，通过深度学习模型对多发性硬化症进行诊断分类	结合了特征提取、定制深度网络和微调预训练网络三类AI模型，并采用通道组合和拼接技术整合视网膜层厚度和表面特征，提高了分类性能	模型在跨数据集评估中性能显著下降，表明外部泛化能力有限，尤其是在使用公共数据训练并应用于本地临床数据时	开发基于人工智能的准确且可解释的多发性硬化症诊断分类方法	多发性硬化症患者和健康对照者的眼睛	数字病理学	多发性硬化症	光学相干断层扫描	自编码器, 定制深度网络, 预训练网络	图像	116只眼睛（38只健康对照眼，78只多发性硬化症眼）	NA	NA	平衡准确率, 特异性, 敏感性, g-均值, F1分数, AUC	NA