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
1681	2026-01-23	A Novel Fusion Framework Combining Graph Embedding Class-Based Convolutional Recurrent Attention Network with Brown Bear Optimization Algorithm for EEG-Based Parkinson's Disease Recognition 2025-Mar-15, Journal of molecular neuroscience : MN IF:2.8Q2 DOI:10.1007/s12031-025-02329-4 PMID:40088329	研究论文	本文提出了一种结合图嵌入类卷积循环注意力网络与棕熊优化算法的新型融合框架，用于基于EEG信号的帕金森病识别	提出GECCR2ANet+BBOA融合框架，首次将图嵌入类卷积循环注意力网络与棕熊优化算法结合，显著提升EEG信号中时空依赖关系的捕捉能力	未提及模型在更大规模或更复杂EEG数据集上的泛化能力验证	提高基于EEG信号的帕金森病识别准确率，促进早期诊断	帕金森病患者与健康对照的EEG信号数据	机器学习	帕金森病	EEG信号处理	CNN, 注意力网络, 优化算法	EEG信号	UNM数据集和UC San Diego数据集（具体样本数未明确）	未明确指定	改进的VGG19, 图三重注意力网络, 图嵌入类卷积循环注意力网络	准确率, 灵敏度, F1分数, 错误率, 计算时间	未明确指定
1682	2026-01-23	Decoding depression: a comprehensive multi-cohort exploration of blood DNA methylation using machine learning and deep learning approaches 2024-07-15, Translational psychiatry IF:5.8Q1 DOI:10.1038/s41398-024-02992-y PMID:39009577	研究论文	本研究通过机器学习和深度学习方法，探索了血液DNA甲基化在抑郁症中的稳定性与预测能力	首次在多个队列中综合评估了12种机器学习和深度学习策略用于抑郁症分类，并比较了有偏和无偏特征选择的效果	使用协调化数据时甲基化预测能力较低，且模型性能受特征选择偏差影响	探索抑郁症的血液DNA甲基化生物标志物，并评估不同机器学习方法在抑郁症分类中的应用	来自六个不同人群的八个队列的血液DNA甲基化数据	机器学习	抑郁症	DNA甲基化分析	随机森林, 自动编码器-分类器联合模型	DNA甲基化数据	1942个样本	NA	自动编码器	AUC	NA
1683	2026-01-23	Automated mood disorder symptoms monitoring from multivariate time-series sensory data: getting the full picture beyond a single number 2024-03-26, Translational psychiatry IF:5.8Q1 DOI:10.1038/s41398-024-02876-1 PMID:38531865	研究论文	本文提出了一种基于可穿戴设备生理数据的深度学习管道，用于自动监测情绪障碍症状，超越单一标签预测，实现HDRS和YMRS量表所有项目的推断	首次提出从多变量时间序列传感器数据推断完整标准化量表（HDRS和YMRS）所有项目的任务，解决了临床中相同标签可能对应不同症状谱的问题	未明确说明样本的具体人口学特征或数据收集时长，且测试集中在分布外样本的重要性上，可能面临泛化挑战	开发一种基于可穿戴设备生理数据的自动化方法，以全面监测情绪障碍症状，支持临床决策	情绪障碍患者	机器学习	情绪障碍	可穿戴设备生理数据采集	深度学习	多变量时间序列传感器数据	大型情绪障碍患者队列（具体数量未提供）	NA	NA	二次Cohen's κ, 宏平均F1分数	NA
1684	2026-01-23	Brain volume is a better biomarker of outcomes in ischemic stroke compared to brain atrophy 2024, Frontiers in stroke DOI:10.3389/fstro.2024.1468772 PMID:41542273	研究论文	本研究比较了缺血性卒中时脑体积与脑萎缩作为预测功能结局的生物标志物的效果，发现脑体积是更优的预测指标	首次通过深度学习自动分割管道直接比较脑体积与脑实质分数作为卒中结局预测生物标志物的效能，并利用贝叶斯信息准则进行模型比较	单中心回顾性研究，样本量有限，仅包含2003-2011年的病例，可能无法完全推广到其他人群或医疗环境	确定缺血性卒中损伤时的脑体积是否比脑萎缩更能预测功能结局	急性缺血性卒中患者	数字病理学	缺血性卒中	深度学习自动分割，神经影像分析	深度学习分割模型，逻辑回归	神经影像数据	467名动脉缺血性卒中患者	NA	NA	贝叶斯信息准则	NA
1685	2026-01-22	RETRACTED ARTICLE: Economic simulation of sports industry based on deep learning algorithm and data mining 2023-05-22, Soft computing IF:3.1Q2 DOI:10.1007/s00500-023-08461-w PMID:37362271	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1686	2026-01-22	Deep Learning Photo Processing for Periodontitis Screening 2026-Feb, Journal of dental research IF:5.7Q1 DOI:10.1177/00220345251347508 PMID:40650464	研究论文	本研究开发了一种基于深度学习的口腔图像处理模型，用于牙周炎筛查	采用全局激活池化的多实例深度学习模型，无需图像标注地标，仅基于口腔正面视图图像即可准确识别II至IV期牙周炎，且模型关注的兴趣区域与牙周病专家高度一致	需要更多的开发和验证以将该方法推广为全球多人群的筛查工具	测试口腔图像中的诊断信息能否辅助深度学习算法检测牙周炎病例	在上海第九人民医院就诊的连续受试者及其口腔数字孪生图像	计算机视觉	牙周炎	深度学习图像处理	深度学习模型	图像	内部开发与测试387名受试者，外部测试183名受试者	NA	ResNet50	AUROC, 敏感性, 特异性	NA
1687	2026-01-22	AI-Driven Fall Prediction across Generations: Integrating Deep Learning and Machine Learning for Young, Middle-Aged, and Older Adults 2026, Gerontology IF:3.1Q3 DOI:10.1159/000549410 PMID:41196832	研究论文	本研究开发并比较了多种机器学习和深度学习模型，用于预测不同年龄段成年人的跌倒风险，并识别关键预测特征	首次将深度学习模型（特别是AGRU）应用于跨世代（年轻、中年、老年）的跌倒风险预测，并通过年龄分层分析揭示了年龄特异性的风险因素	模型在独立数据集上的外部验证仅显示中等泛化能力，且需要更大、更多样化的数据集以及整合时序或传感器数据进行实际应用验证	开发和比较不同的ML/DL模型，以预测跌倒风险并识别跨年龄组的关键预测特征	1441名台湾南部社区居住的20岁以上成年人，包括有和无跌倒史的参与者	机器学习	老年疾病	NA	机器学习, 深度学习	人口统计学、临床和身体性能数据	1441名社区居住成年人	NA	KNN, RF, GBDT, XGBoost, CatBoost, GRU, AGRU	准确率, 精确率, 召回率, F1分数, AUROC	NA
1688	2026-01-22	Integrated modeling approach for assessing sustainable concrete incorporating waste glass powder: a finite element and deep learning perspective 2025-Dec, Environmental science and pollution research international DOI:10.1007/s11356-025-36767-9 PMID:40694313	研究论文	本研究提出了一种结合有限元方法和深度学习的模型，用于评估掺入废玻璃粉作为水泥部分替代品的混凝土的结构与力学性能	首次将有限元模拟与深度学习（特别是卷积神经网络）相结合，以评估废玻璃粉替代水泥对混凝土性能的影响，并优化配合比设计	研究主要关注压缩强度，可能未全面评估其他力学性能如抗拉强度或耐久性；模型基于特定实验条件，普适性有待进一步验证	评估废玻璃粉作为水泥部分替代品在混凝土中的可行性，并优化其配合比设计以实现可持续建筑	掺有废玻璃粉的混凝土材料	机器学习	NA	有限元方法，深度学习	CNN	模拟数据，实验数据	未明确说明具体样本数量，但涉及不同废玻璃粉掺量比例的混凝土样本	未明确说明，可能为TensorFlow或PyTorch	卷积神经网络（CNN）	准确率	NA
1689	2026-01-22	Responsible Use of Artificial Intelligence to Improve Kidney Care: A Statement from the American Society of Nephrology 2025-Nov-07, Journal of the American Society of Nephrology : JASN IF:10.3Q1 DOI:10.1681/ASN.0000000929 PMID:41201255	综述	美国肾脏病学会发布了一份关于在肾脏病护理中负责任地使用人工智能的立场声明，概述了指导原则、临床应用和关键挑战	由专业学会牵头，首次为肾脏病学领域制定了负责任使用AI的综合性框架和指导原则	这是一份立场声明和综述，不涉及具体的研究数据或模型验证	为肾脏病护理中人工智能的负责任开发和应用提供框架和指导	肾脏疾病患者、临床医生及肾脏病护理系统	机器学习	肾脏疾病	NA	NA	NA	NA	NA	NA	NA	NA
1690	2026-01-22	DRCNN-Lesion Proxy: a hybrid CNN with lesion-inspired feature simulation for diabetic retinopathy severity classification 2025-Oct-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-21337-3 PMID:41168219	研究论文	提出了一种名为DRCNN-Lesion Proxy的混合CNN架构，通过模拟病灶特征来提升糖尿病视网膜病变严重程度分类的准确性	提出了一种无需显式病灶边界框标注的病灶代理模块，通过模拟病灶特征来增强模型对早期病变的识别能力	未明确说明模型在临床部署中的计算效率或实时性能	开发一种准确、可扩展的糖尿病视网膜病变自动筛查解决方案	糖尿病视网膜病变的眼底图像	计算机视觉	糖尿病视网膜病变	深度学习	CNN	图像	未明确说明具体样本数量，但使用了六个公开数据集	未明确说明	ResNet34	准确率, F1分数, AUC	未明确说明
1691	2026-01-22	XComposition: multimodal deep learning model to measure body composition using chest radiographs and clinical data 2025-Sep, Radiology advances DOI:10.1093/radadv/umaf035 PMID:41164313	研究论文	本文提出了一种名为XComposition的多模态深度学习模型，利用胸部X光片和临床数据来估计身体组成指标	开发了一个结合胸部X光片和易于获取的临床变量的多任务、多模态深度学习模型，用于从胸部X光片中估计身体组成，这在以前的研究中较少见	研究为回顾性队列，样本量相对有限（1118名患者），且模型对骨骼肌体积的预测性能较低（Pearson相关系数为0.58）	探索使用深度学习从胸部X光片和临床变量中估计身体组成指标，以促进大规模研究	患者（包括女性和男性）的胸部X光片和临床数据（年龄、出生性别、身高、体重）	数字病理学	心血管疾病	深度学习	多任务、多模态深度学习模型	图像（胸部X光片）、文本（临床数据）	1118名患者（582名女性，538名男性），来自美国30个卫生系统，影像采集时间为2010年至2024年	NA	NA	Pearson相关系数, 平均绝对误差	NA
1692	2026-01-22	Computational characterization of lymphocyte topology on whole slide images of glomerular diseases 2025-Apr-14, medRxiv : the preprint server for health sciences DOI:10.1101/2025.04.12.25325548 PMID:40321276	研究论文	本研究利用深度学习与图模型，对肾小球疾病全玻片图像中的淋巴细胞拓扑结构进行量化表征，并评估其与疾病进展的临床关联	开发了一种新颖的基于图的生境聚类算法，以识别密集与稀疏的淋巴细胞生境，并提取高维病理组学特征来捕获传统视觉评估无法捕捉的炎症模式复杂性	研究样本仅包含FSGS和MCD两种肾小球疾病，且依赖于单张H&E染色全玻片图像	通过计算量化淋巴细胞炎症的拓扑结构，并测试其临床相关性，以增强对MCD/FSGS疾病进展的预测能力	肾小球疾病患者的肾组织全玻片图像	数字病理学	肾小球疾病	全玻片图像分析	深度学习模型	图像	333名NEPTUNE/CureGN参与者（155例FSGS，178例MCD），每人一张H&E染色全玻片图像	NA	NA	一致性指数	NA
1693	2026-01-22	SVMVGGNet-16: A Novel Machine and Deep Learning Based Approaches for Lung Cancer Detection Using Combined SVM and VGGNet-16 2025, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056348824241224100809 PMID:39773067	研究论文	本文提出了一种结合SVM和VGGNet-16的混合模型SVMVGGNet-16，用于肺癌检测，并在LIDC-IDRI数据集上验证了其性能	创新性地将VGGNet-16与SVM结合，形成混合模型SVMVGGNet-16，利用CNN进行特征提取和SVM进行分类，以提高肺癌检测的准确性和可靠性	未来工作包括模型优化、数据集扩展、临床试验以及系统集成到临床实践中，以确保实际可用性	通过集成机器学习和深度学习方法来增强肺癌检测，实现早期和准确诊断	肺癌类型，包括腺癌、大细胞癌、正常组织和鳞状细胞癌	计算机视觉	肺癌	图像预处理（中值滤波和直方图均衡化）、分割（阈值和边缘检测）、特征提取（几何特征）	CNN, SVM	图像	使用LIDC-IDRI数据集，具体样本数量未在摘要中明确说明	NA	VGGNet-16	准确率, AUC, 召回率, 精确率, F1分数	NA
1694	2026-01-22	Challenges and Advances in Classifying Brain Tumors: An Overview of Machine, Deep Learning, and Hybrid Approaches with Future Perspectives in Medical Imaging 2025, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056365191250602124819 PMID:40511649	综述	本文全面综述了利用机器学习和深度学习模型，特别是基于MRI医学影像数据，提升脑肿瘤分类准确性和效率的方法、挑战及未来展望	系统比较了从经典机器学习算法到先进深度学习模型及混合架构在脑肿瘤分类中的应用，并提出了融合多模态成像、可解释AI框架和隐私保护技术等未来方向	面临标注数据集稀缺、计算复杂度高、模型可解释性不足以及临床整合障碍等挑战	提升脑肿瘤分类的准确性和效率，以支持治疗决策和改善患者预后	脑肿瘤，包括胶质瘤、脑膜瘤和转移性脑病变	医学影像	脑肿瘤	磁共振成像	SVM, Decision Trees, CNN, RNN, 混合架构	图像	NA	NA	NA	准确率, 灵敏度, 特异性, AUC-ROC	NA
1695	2026-01-22	Evaluation of Deep Learning Methods for Pulmonary Disease Classification 2025, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056388107250710120917 PMID:40692157	研究论文	本研究评估了深度学习模型在肺病分类中的应用，通过结合多种音频特征和CNN-RNN-LSTM架构，提出了一种多特征深度学习模型，实现了92%的最高准确率	提出了一种结合MFCC、Chroma STFT和频谱图特征的多特征深度学习模型，并整合CNN、RNN和LSTM架构，显著提升了肺病分类的准确率	数据集中慢性阻塞性肺疾病样本过多，而上下呼吸道感染样本较少，导致模型在测试音频样本上的泛化能力受限	提高肺病检测的准确性，通过深度学习技术改进诊断方法	肺病分类，具体包括慢性阻塞性肺疾病、下呼吸道感染和上呼吸道感染	机器学习	肺病	听诊录音分析，包括频谱图、色度图和MFCC特征提取	CNN, RNN, LSTM	音频	未明确指定样本数量，但提及数据集有限且不平衡	未明确指定，可能为TensorFlow或PyTorch	CNN, RNN, LSTM	准确率	未明确指定
1696	2026-01-22	Oral-Anatomical Knowledge-Informed Semi-Supervised Learning for 3D Dental CBCT Segmentation and Lesion Detection 2025, IEEE transactions on automation science and engineering : a publication of the IEEE Robotics and Automation Society IF:5.9Q1 DOI:10.1109/tase.2025.3530936 PMID:40918035	研究论文	本文提出了一种新颖的口腔解剖知识引导的半监督学习模型（OAK-SSL），用于3D牙科CBCT图像分割和病变检测	OAK-SSL能够将定性的口腔解剖知识（如病变可能位置）整合到深度学习设计中，包括知识量化表示、知识引导的双任务学习架构和知识引导的半监督损失函数	NA	开发自动化3D牙科CBCT图像分割和病变检测方法，以提升牙科医疗质量和效率	包含小病变的3D牙科CBCT图像	计算机视觉	牙科疾病	锥形束计算机断层扫描（CBCT）	深度学习	3D图像	NA	NA	OAK-SSL	NA	NA
1697	2026-01-22	What makes human cortical pyramidal neurons functionally complex 2024-Dec-19, bioRxiv : the preprint server for biology DOI:10.1101/2024.12.17.628883 PMID:39763809	研究论文	本文提出了一个基于深度学习的框架——功能复杂性指数（FCI），用于量化神经元输入输出复杂性，并比较了人类与啮齿动物皮层锥体神经元的功能复杂性差异	首次提出功能复杂性指数（FCI）作为量化神经元功能复杂性的标准化度量，并揭示了人类皮层锥体神经元在树突膜面积、分支模式及NMDA受体密度和非线性方面的独特结构生物物理基础	NA	探究人类皮层神经元独特性质如何解释其高级认知能力，并开发量化神经元功能复杂性的方法	人类和啮齿动物（大鼠）的皮层锥体神经元	机器学习	NA	深度学习	NA	神经元形态和生理特性数据	NA	NA	NA	NA	NA
1698	2026-01-22	Deep Learning Used with a Colorimetric Sensor Array to Detect Indole for Nondestructive Monitoring of Shrimp Freshness 2024-07-24, ACS applied materials & interfaces IF:8.3Q1 DOI:10.1021/acsami.4c04223 PMID:38980942	研究论文	本研究开发了一种基于比色传感器阵列和深度学习技术的智能比色鲜度指示器，用于无损监测虾的新鲜度	提出了一种掺杂PDL的PVA/壳聚糖比色条传感器阵列，其颜色变化（从淡黄色到粉色或桑葚色）能像进度条一样直观反映吲哚浓度，并结合深度学习图像分类系统实现高精度鲜度识别	传感器阵列的检测范围限定在50-350 ppb的吲哚浓度区间，实际应用场景的普适性未充分验证	开发一种低成本、直观的无损食品鲜度监测方法	虾的新鲜度（通过吲哚浓度指示）	计算机视觉	NA	比色传感器阵列	DCNN	图像	NA	NA	VGG16	准确率	NA
1699	2026-01-22	Deep learning application to automated classification of recommendations made by hospital pharmacists during medication prescription review 2024-05-24, American journal of health-system pharmacy : AJHP : official journal of the American Society of Health-System Pharmacists IF:2.1Q3 DOI:10.1093/ajhp/zxae011 PMID:38294025	研究论文	本研究应用深度学习算法对医院药师在处方审核过程中提出的建议进行自动分类，以促进建议数据的总结和利用	首次将深度学习技术应用于医院药师建议的自动化分类，利用大量文本数据提升分类效率，并通过半监督学习方式整合未标记数据优化模型性能	研究仅基于单一法国大学医院的数据，模型泛化能力需进一步验证；分类准确率虽达81%，但在实际临床应用中可能仍需人工复核	开发一个深度学习算法，用于自动分类医院药师在处方审核中提出的治疗建议，以促进这些数据的回顾性分析和利用	医院药师在处方审核过程中生成的文本建议	自然语言处理	NA	深度学习	深度神经网络	文本	27,699条已标记建议（2017年上半年）用于训练和评估，另包含2017年下半年未标记建议	NA	深度神经网络分类器	准确率	NA
1700	2026-01-22	A multimodal deep learning approach for the prediction of cognitive decline and its effectiveness in clinical trials for Alzheimer's disease 2024-02-21, Translational psychiatry IF:5.8Q1 DOI:10.1038/s41398-024-02819-w PMID:38383536	研究论文	本研究提出了一种基于人工智能模型预测认知衰退程度的分层随机化方法，以抑制阿尔茨海默病临床试验中的分配偏差，并通过ADNI数据集模拟评估其有效性	首次将人工智能预测的认知衰退程度作为分层指数，用于临床试验的随机化过程，以解决因个体认知衰退速度差异导致的治疗组与安慰剂组分配偏差问题	研究基于模拟数据（ADNI数据集）进行评估，尚未在真实临床试验中验证；模型预测准确性可能受数据质量和样本量限制	开发一种分层随机化方法，以减少阿尔茨海默病临床试验中因认知衰退速度个体差异引起的分配偏差，从而提高治疗效果评估的准确性	阿尔茨海默病患者的认知衰退预测及临床试验随机化过程	机器学习	阿尔茨海默病	多模态深度学习	深度学习模型	多模态数据（可能包括影像、临床评估等）	基于ADNI数据集，具体样本量未在摘要中明确说明	未明确说明	未明确说明	未明确说明	未明确说明