图1 GEO与PDB数据库每年数据量变化（2005—2020年）Fig.1 Annual Data Volume Change of GEO and PDB Databases（2005-2020）

表2 深度学习模型在生物医药领域应用Tab.2 Application of Deep Learning Model in the Field of Biomedicine应用领域 深度学习模型 模型用途生物信息学 CNN 乳房组织病理学图像有丝分裂检测［10］DBN 在动态PPI网络中识别关键蛋白［11］DCA 单细胞RNA序列测序去噪［12］医学图像识别 CNN 医学图像配准［13］CNN 利用双变量脑电波同步测量数据预测癫痫发作［14］CNN 对X线胸片进行胸部疾病检测［15］CNN，AE 医学图像中肿瘤病变识别［16］DRL 肺癌辅助诊断和治疗［17］DBN，CNN，DNN 肺结节诊断识别［18］CNN，PFT 肺结节良恶性辅助诊断［19］病症预测 CNN 慢性充血性心衰预测［20］RNN 对疾病诊断进行多标签分类［21］RNN 预测患者未来的事件［22］CNN，RNN 医学事件预测［23］临床辅助决策 CNN 肿瘤标志物识别［24］AE 寻找有潜在风险的患者［25］RNN 临床文本自动识别［26］RNN 临床干预任务预测［27］药物开发 DNN 模拟药物 -药物相互作用［28］DBN 预测药物与标靶的相互作用［29］DNN，RF 预测潜在药物分子的活性［30］DBN 预测药物组合的协同作用［31］

1.1 生物信息学方向应用现状

随着生物医学技术与计算机运算能力的高速发展以及高通量测序的普遍应用，生物信息学领域基因组、蛋白质数据开始大量累积。由人工神经网络发展而来的基于深度学习的算法在从复杂数据中提取特征和学习模式方面显示出巨大的潜力，由于其可以提供数据驱动的特征学习并处理高维数据，因此在基因组序列的分析中变得越来越流行［32］。深度学习除了可以用于基因组测序、基因表达分析和预测蛋白质结构外［32］，还可以用于从基因组角度分析组织模型［33］、预测内含子和外显子变异对疾病发生的影响［34］以及DNA和RNA结合蛋白质的序列特异性分析［35］。

除此之外，Saha［10］等利用 CAFFE深度学习框架基础上开发的拥有五个卷积层、四个池化层的卷积神经网络对乳腺组织病理进行细胞有丝分裂建模。模型利用第一个全连接层后的Dropout正则化避免过拟合，结果达到了预测精度92%、召回率88%、F-score 90%，对于临床乳腺癌分级提供了重要的第二意见。Zhang Y［11］等开发一种多源深度置信网络（msiDBN），将不同时间节点的蛋白质结构变型解读为重构的残差，通过提取多个蛋白质-蛋白质相互作用网络的通用表示，重构动态网络，分析重构残差并确定酵母细胞周期过程中的关键蛋白，获得了较传统方法更高的重建率和重建效率。Eraslan G［12］等在自动编码框架下利用零膨胀负二项模型（Zero-Inflated Negative Binomial，ZINB）与朴素贝叶斯模型（Naive Bayesian，NB）优化色散、斜率和偏移参数，以最小化观测值和预测值之间的二进制交叉熵。其构建的深度计数自动编码网络（Deep Count Autoencoder，DCA）在单细胞RNA序列去噪操作中，质量和速度上优于现有的数据填补方法，有利于增强生物发现。

1.2 医学图像识别方向应用现状

生物医学信号数据在逐年的累积中也在实现着量的变化，尤其是生物医学图像数据方面。随着医学图像数据的显著增加，用于图像分割、定位、分类和识别任务的深度学习算法取得了成功。基于卷积神经网络的无监督的图像配准技术——深度学习图像配准（Deep Learning Image Registration，DLIR）框架在训练完成后进行图像配准无需迭代，性能与传统图像配准相当，速度快了几个数量级［13］。卷积神经网络由于其在空间信息分析方面的出色能力，在序列分析、生物信号处理和临床预判中表现出巨大潜力［14，35］。在胸部X光片检查中，卷积神经网络验证了其对胸部病理分类识别的能力，例如慢性阻塞性肺疾病、肺炎、哮喘、结核病和其他肺部疾病，其综合识别率达到92.4%，明显高于传统浅层网络（反向传播神经网络和竞争神经网络）的85%［15］。

卷积神经网络和自动编码器由于在数据中高效自主学习的显著特征，其在医学图像处理中的能力已经超过了传统机器学习的支持向量机（Support Vector Machine，SVM）和随机森林分类器等技术。对于生物影像图片，Aditya Khosla等［16］利用GoogLeNet生成肿瘤概率热图，在此基础上计算肿瘤图像的几何和形态学特征，并利用相同的模型对肿瘤邻近区域进行丰富以辅助识别肿瘤病变，该技术的应用使得他们团队在国际生物医学成像研讨会（International Symposium on Biomedical Imaging，ISBI）的大挑战赛中取得优秀成绩。

文章来源：《医学食疗与健康》 网址: http://www.yxslyjkbjb.cn/qikandaodu/2021/0115/595.html