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
1641	2025-12-05	Histolytics: A panoptic spatial analysis framework for interpretable histopathology 2025, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2025.11.022 PMID:41328400	研究论文	本文介绍了Histolytics，一个用于可解释性组织病理学分析的开源Python框架	将全景分割与空间查询、形态学分析和基于图的分析相结合，提供高分辨率、可解释的组织特征量化方法	NA	开发一个可扩展的计算病理学框架，用于量化组织空间组织模式	宫颈和卵巢高级别浆液性癌的H&E染色全切片图像	数字病理学	宫颈癌,卵巢癌	H&E染色,全景分割	深度学习模型	图像	NA	Python	NA	NA	NA
1642	2025-12-05	Functional connectivity signatures of major depressive disorder: machine learning analysis of two multicenter neuroimaging studies 2023-07, Molecular psychiatry IF:9.6Q1 DOI:10.1038/s41380-023-01977-5 PMID:36792654	研究论文	本研究通过机器学习和深度学习算法分析两个大型静息态功能磁共振成像数据集，以区分重度抑郁症患者与健康对照，并识别抑郁症的神经生理学特征	首次在两个最大的重度抑郁症静息态数据集上应用支持向量机和图卷积神经网络进行分类，并利用GCN-Explainer等方法可视化特征，揭示了丘脑过度连接作为抑郁症的突出神经生理学特征	分类准确率相对较低（约61%），可能受疾病异质性影响，且研究主要基于静息态功能连接，未考虑其他神经影像或临床因素	开发基于神经影像的机器学习诊断工具，以识别重度抑郁症的生物标志物	重度抑郁症患者和健康对照者	机器学习	重度抑郁症	静息态功能磁共振成像	SVM, GCN	功能连接矩阵	REST-meta-MDD数据集2338例，PsyMRI数据集1039例	NA	图卷积神经网络	准确率	NA
1643	2025-12-05	Prediction of postoperative infection in elderly using deep learning-based analysis: an observational cohort study 2023-Mar, Aging clinical and experimental research IF:3.4Q2 DOI:10.1007/s40520-022-02325-3 PMID:36598653	研究论文	本研究旨在开发和验证基于深度学习的模型，用于预测老年患者术后感染	首次在老年患者中应用深度学习模型，结合基线临床特征和手术相关风险因素，以预测术后感染	研究为可行性研究，样本量有限（2014名患者），且模型性能有待进一步验证以指导临床实践	开发和验证深度学习模型，以预测老年患者术后感染，改善手术结果	2014名来自中国28家医院的老年择期手术患者	机器学习	老年疾病	NA	深度学习	临床数据	2014名老年患者（1510名训练，504名验证）	NA	NA	AUC, 敏感性, 特异性	NA
1644	2025-12-05	DeepCompete : A deep learning approach to competing risks in continuous time domain 2020, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:33936389	研究论文	本文提出了一种名为DeepCompete的深度学习模型，用于在连续时间域中处理竞争风险生存分析	引入了一种新颖的连续时间深度学习架构，能够以数据驱动方式学习每种疾病的风险，无需对底层随机过程做出强假设	未在摘要中明确说明	开发一种工具来量化由每种竞争疾病导致的不良事件的相对风险，并优先处理患者多种疾病中的治疗	65岁及以上患有多种急性疾病（多病共存）的老年人群	机器学习	老年疾病	NA	深度学习模型	NA	NA	NA	DeepCompete	NA	NA
1645	2025-12-05	Deep Learning Approach to Parse Eligibility Criteria in Dietary Supplements Clinical Trials Following OMOP Common Data Model 2020, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:33936396	研究论文	本研究利用深度学习模型（Bi-LSTM-CRF）解析膳食补充剂临床试验的资格标准，并映射到OMOP通用数据模型，以支持患者招募	首次将膳食补充剂作为新实体映射到OMOP通用数据模型，并评估深度学习模型在解析资格标准中的可行性	模型平均F1分数仅为0.601，表明性能有待提升，且样本量仅基于100个随机选择的临床试验	自动解析临床试验资格标准以加速患者招募过程	膳食补充剂临床试验的资格标准文本	自然语言处理	NA	深度学习	Bi-LSTM-CRF	文本	100个随机选择的膳食补充剂临床试验	CLAMP平台	Bi-LSTM-CRF	F1分数	NA
1646	2025-12-05	Contextual Embeddings from Clinical Notes Improves Prediction of Sepsis 2020, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:33936391	研究论文	本研究设计了一种基于电子健康记录数据的深度学习算法，通过整合临床文本特征来改进脓毒症的早期预测	利用预训练的神经语言表示模型从临床文本中提取特征，无需依赖基于本体的命名实体识别和分类，从而整合了非结构化数据	未明确说明模型在外部验证集上的泛化能力或临床部署的可行性	改进脓毒症的早期预测，以降低假警报并促进及时治疗	脓毒症患者	自然语言处理	脓毒症	电子健康记录分析	深度学习模型	结构化数据（生命体征、实验室结果）和非结构化数据（临床文本）	超过40,000名患者，包括2,805名脓毒症患者	NA	预训练的神经语言表示模型	AUC	NA
1647	2025-12-05	RadLex Normalization in Radiology Reports 2020, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:33936406	研究论文	本文旨在将放射学报告中的多样化实体标准化为RadLex术语，并提出了基于BERT的深度学习方法进行自动归一化	首次尝试利用RadLex进行放射学实体的标准化，并构建了一个手动标注的归一化语料库，同时提出了基于BERT的两种NLP方法	研究仅基于三种类型的报告构建语料库，样本量相对有限（1706个实体提及），且最佳准确率为78.44%，仍有提升空间	标准化放射学报告中的实体到RadLex术语，以促进临床信息的提取和共享	放射学报告中的实体，如解剖结构、成像发现等	自然语言处理	NA	自然语言处理（NLP），基于预训练语言模型	BERT	文本（放射学报告）	1706个实体提及，来自三种类型的放射学报告	NA	BERT	准确率	NA
1648	2025-12-05	A Clinically Practical and Interpretable Deep Model for ICU Mortality Prediction with External Validation 2020, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:33936437	研究论文	本研究提出了一种临床实用且可解释的深度学习模型，用于ICU死亡率预测，并进行了外部验证	结合了外部验证和可解释性，使用双层注意力机制的循环神经网络，并在新发布的Philips eICU数据集上训练，在MIMIC III数据集上进行外部验证	未提及模型在其他独立数据集上的泛化能力，也未讨论模型在不同ICU类型或患者亚群中的性能差异	开发一种能够在重症监护场景中推广应用的深度学习模型，用于死亡率预测并支持临床决策	重症监护病房（ICU）患者	机器学习	重症监护	NA	循环神经网络（RNN）	临床时间序列数据	使用Philips eICU数据集进行训练，MIMIC III数据集进行外部验证（具体样本数量未提及）	NA	具有双层注意力机制的循环神经网络	AUC（曲线下面积）	NA
1649	2025-12-05	Multi-task Learning via Adaptation to Similar Tasks for Mortality Prediction of Diverse Rare Diseases 2020, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:33936451	研究论文	本文提出了一种名为Ada-SiT的多任务学习方法，用于基于电子健康记录数据预测多种罕见疾病的死亡率	提出了一种初始化共享的多任务学习方法，能够学习参数初始化并动态测量任务相似性，以快速适应数据不足和任务多样性的挑战	NA	解决罕见疾病死亡率预测中的数据不足和临床多样性问题	多种罕见疾病患者的电子健康记录数据	自然语言处理	罕见疾病	电子健康记录分析	LSTM	纵向电子健康记录数据	NA	NA	LSTM	NA	NA
1650	2025-12-05	Deep CHORES: Estimating Hallmark Measures of Physical Activity Using Deep Learning 2020, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:33936455	研究论文	本研究利用深度学习从手腕加速度计数据中识别身体活动类型并估计能量消耗	开发了深度学习网络以从时间序列数据中提取时空表示，用于准确识别身体活动类型和估计能量消耗	研究在标准化实验室环境中进行，可能无法完全反映自由生活条件下的身体活动情况	评估手腕加速度计在识别身体活动类型和估计能量消耗方面的性能	20-89岁的参与者（66%为女性）在实验室环境中执行33种日常活动	机器学习	NA	三轴加速度计数据采集，便携式代谢单元测量	深度学习网络	时间序列加速度计数据	20-89岁参与者群体，具体人数未明确说明	NA	NA	F1分数，均方根误差	NA
1651	2025-12-05	Inferring ADR causality by predicting the Naranjo Score from Clinical Notes 2020, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:33936480	研究论文	提出一种结合深度学习和统计学习模型的方法，从患者出院摘要中自动推断药物与不良反应之间的因果关系	首次提出使用BERT提取Naranjo问卷相关段落，并结合逻辑回归等统计模型预测Naranjo评分和因果关系	未在摘要中明确说明	开发自动推断药物不良反应因果关系的方法，替代人工审阅病历	患者出院摘要中的药物不良反应因果关系	自然语言处理	NA	临床文本分析	BERT, 逻辑回归	文本（临床笔记/出院摘要）	未在摘要中明确说明	未在摘要中明确说明	BERT	宏平均F1分数, 加权F1分数	未在摘要中明确说明
1652	2025-12-05	Patient Cohort Retrieval using Transformer Language Models 2020, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:33936491	研究论文	本文应用基于深度学习的语言模型进行患者队列检索任务，以评估其效果	提出一个无需显式特征工程和领域知识的框架，将患者队列检索映射为文档检索任务，并应用多种深度神经网络模型	NA	评估深度学习语言模型在患者队列检索任务中的效能	电子健康记录（EHRs）中的文档	自然语言处理	NA	NA	Transformer	文本	NA	NA	Transformer	NA	NA
1653	2025-12-05	Extracting and Learning Fine-Grained Labels from Chest Radiographs 2020, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:33936495	研究论文	本文提出了一种从胸部X光放射学报告中提取细粒度标签的新方法，并训练了一个用于细粒度分类的深度学习模型	首次开发了结合词汇驱动概念提取和依赖解析树短语分组的细粒度标签提取方法，并构建了覆盖457个细粒度标签的最大谱系数据集	NA	从胸部X光图像中提取和学习细粒度标签	胸部X光图像及其放射学报告	计算机视觉	NA	自然语言处理	深度学习模型	图像, 文本	NA	NA	NA	NA	NA
1654	2025-12-05	Prediction of secondary structure population and intrinsic disorder of proteins using multitask deep learning 2020, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:33936509	研究论文	本研究开发了一种多任务深度学习框架，用于预测蛋白质的二级结构种群和内在无序性	设计了单任务和多任务深度学习框架，通过同时预测二级结构种群来增强内在无序蛋白质/区域的预测性能	未明确提及	预测蛋白质的二级结构种群和内在无序性，以定量表征蛋白质的结构构象特性	蛋白质，特别是内在无序蛋白质和区域	机器学习	NA	核磁共振化学位移	深度学习	化学位移数据	未明确提及	未明确提及	未明确提及	未明确提及	未明确提及
1655	2025-12-05	Predicting Tumor Cell Response to Synergistic Drug Combinations Using a Novel Simplified Deep Learning Model 2020, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:33936513	研究论文	本研究提出了一种新的简化深度学习模型，用于预测肿瘤细胞对协同药物组合的反应	与现有模型使用大量化学结构和基因组学特征不同，该模型基于一小套癌症信号通路构建，能更生物意义明确且可解释地模拟多组学数据和药物靶点/机制的整合	模型依赖于NCI ALMANAC药物组合筛选数据，可能受数据集的局限性和信号通路选择的限制	开发计算模型以预测药物组合的协同效应，促进新型药物组合的发现	肿瘤细胞对药物组合的反应	机器学习	癌症	深度学习	深度学习模型	信号通路数据、药物组合筛选数据	NA	NA	简化深度学习模型	NA	NA
1656	2025-12-05	Normalizing Clinical Document Titles to LOINC Document Ontology: an Initial Study 2020, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:33936520	研究论文	本研究探讨了将临床文档标题标准化为LOINC文档本体（DO）的可行性，通过跨五个机构的临床笔记标题映射到DO的五个轴，并利用BERT模型实现自动映射	首次将BERT模型应用于临床文档标题到LOINC DO轴的自动映射，并分析了DO轴定义中的歧义问题	研究仅基于4,000个手动标注的标题，样本规模有限，且未涉及更广泛的临床文档类型或机构	调查LOINC DO在临床文档标准化中的可行性和泛化能力	来自五个机构的临床笔记标题	自然语言处理	NA	NA	BERT	文本	4,000个手动标注的临床文档标题	NA	BERT	NA	NA
1657	2025-12-04	Dengue forecasting and outbreak detection in Brazil using LSTM: integrating human mobility and climate factors 2026-Mar, Infectious Disease Modelling IF:3.0Q1 DOI:10.1016/j.idm.2025.11.002 PMID:41321683	研究论文	本研究开发了一种基于LSTM的深度学习模型，用于预测巴西的登革热病例并检测疫情爆发，整合了人类移动性和气候因素	首次将人类移动性数据整合到基于深度学习的登革热预测框架中，以捕捉病毒传播的空间动态	未明确提及模型在更广泛地理区域或不同疾病背景下的泛化能力限制	提高登革热病例预测和疫情爆发的检测准确性，以支持早期预警系统和公共卫生干预	巴西选定城市的登革热病例数据、气候变量和人类移动性数据	自然语言处理	登革热	深度学习	LSTM	时间序列数据	NA	NA	LSTM	MAE, MAPE, CRPS, 准确率, 灵敏度, 特异性, F1分数	NA
1658	2025-12-04	LUMIR: an LLM-driven unified agent framework for multi-task infrared spectroscopy reasoning 2026-Jan-08, Analytica chimica acta IF:5.7Q1 DOI:10.1016/j.aca.2025.344857 PMID:41330688	研究论文	本文介绍了一个名为LUMIR的LLM驱动的统一智能体框架，用于在低数据条件下实现多任务红外光谱分析的自动化与增强	提出了首个将结构化文献知识库、自动化预处理、特征提取和预测建模集成到统一流程中的LLM驱动框架，通过挖掘同行评审文献中的已验证策略并结合小样本学习，实现了在资源有限条件下的鲁棒光谱分析	框架在更广泛的光谱类型和极端数据稀缺场景下的泛化能力仍需进一步验证，且依赖于文献知识库的质量和覆盖范围	开发一个数据高效、可自动化的统一框架，以解决红外光谱分析中工作流程构建复杂、泛化能力差的问题	红外光谱数据	机器学习	NA	红外光谱分析	LLM	光谱数据	多个数据集，包括公开的牛奶近红外数据集、中草药、不同储存时长的陈皮、工业废水COD数据集以及Tecator和Corn两个公共基准数据集	NA	基于智能体的统一框架（LUMIR）	与已建立的机器学习和深度学习模型性能相当（具体指标未明确列出，但涉及分类、回归和异常检测任务）	NA
1659	2025-12-04	AI-driven aging digital twins: A roadmap for clinical translation in precision geriatrics 2026-Jan, Ageing research reviews IF:12.5Q1 DOI:10.1016/j.arr.2025.102931 PMID:41192800	综述	本文综述了AI驱动的衰老数字孪生在精准老年医学中的临床转化路线图，探讨了其潜力与挑战	提出了基于AI和多源异构数据整合的衰老数字孪生技术，用于实时健康监测、预测分析和个性化干预	训练数据集中存在年龄分层偏差，老年人群数据质量差异可能限制模型泛化性，数据隐私、算法透明度和临床验证问题尚未解决	探讨AI驱动的衰老数字孪生在精准老年医学中的临床转化潜力	衰老及相关疾病（如神经退行性疾病、心血管疾病和癌症）	机器学习	老年疾病	深度学习	NA	多源异构数据	NA	NA	NA	NA	NA
1660	2025-12-04	Artificial intelligence for fall detection in older adults: A comprehensive survey of machine learning, deep learning approaches, and future directions 2026-Jan, Ageing research reviews IF:12.5Q1 DOI:10.1016/j.arr.2025.102948 PMID:41265569	综述	本文全面综述了面向老年人的跌倒检测技术，重点关注机器学习与深度学习方法，并探讨了未来研究方向	整合了AI驱动系统的监管框架，跨工程、计算机科学和老年学等多个领域，并明确了跌倒检测与骨质疏松症、神经系统疾病等病症之间的联系	NA	综述老年人跌倒检测技术的最新进展，特别是应对数据稀缺的挑战，并推动稳健AI系统的临床转化与监管批准	老年人跌倒检测系统	机器学习和计算机视觉	老年疾病	NA	NA	传感器数据和视觉数据	NA	NA	NA	NA	NA