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
1	2026-08-04	Deep learning analysis of Google Street View to assess residential built environment and cardiovascular risk in a Midwestern US retrospective cohort 2026-Aug-03, European journal of preventive cardiology IF:8.4Q1 DOI:10.1093/eurjpc/zwaf038 PMID:39903569	研究论文	本研究利用谷歌街景图像和深度学习技术分析居住环境特征与心血管疾病风险的关系，发现可见的垂直绿化和人行道与较低的主要不良心血管事件风险相关。	创新性地使用街景级图像和深度学习技术大规模分析建成环境与心血管风险的关系，提供了更精细的环境暴露评估方法。	未来研究需验证这些关联并理解潜在机制。	探究居住环境特征（如绿化和人行道）与心血管风险之间的关联。	居住环境特征（如绿地和人行道）以及人群的心血管事件。	计算机视觉，机器学习	心血管疾病	深度学习图像分析	深度学习模型（具体未提及）	图像（谷歌街景图像）	49,887名参与者，其中2,083例发生主要不良心血管事件	NA	NA	风险比（HR）和置信区间（CI）	NA
2	2026-08-04	Training deep learning models on personalized genomic sequences improves variant effect prediction 2025-Feb-15, bioRxiv : the preprint server for biology DOI:10.1101/2024.10.15.618510 PMID:39463940	研究论文	本文展示了在个性化基因组序列上训练深度学习模型可以提高变异效应预测的性能，并保留了变异效应表征。	提出在训练序列-功能模型时使用匹配的个人基因组数据，以改善变异效应预测，这是对传统模型的创新改进。	未提及具体限制，但可能包括对未见过细胞环境和实验读出场景的泛化能力有限。	旨在训练深度学习模型以改进变异效应预测，并探索其在解释性状相关遗传变异中的应用。	个性化基因组序列和功能基因组数据，用于变异效应预测。	机器学习	NA	功能基因组学	深度学习模型	基因组序列和功能数据	NA	NA	NA	性能指标未明确，可能包括预测准确性等。	NA
3	2026-08-04	MedFuseNet: fusing local and global deep feature representations with hybrid attention mechanisms for medical image segmentation 2025-02-11, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-89096-9 PMID:39934248	研究论文	本文提出了一种名为MedFuseNet的新型编码器-解码器架构，旨在通过混合注意力机制融合局部和全局深度特征表示，用于医学图像分割。	提出了双分支并行特征学习结构，结合CNN和Swin-Transformer，并设计了四种不同的注意力模块（ASPP、交叉注意力、自适应交叉注意力和SE注意力）用于特征融合和增强。	未在摘要中明确提及局限性。	提高医学图像分割的性能，通过融合局部和全局特征表示及混合注意力机制。	医学图像（如心脏MRI和腹部CT图像）	计算机视觉、深度学习	不适用（涉及心脏和腹部影像，但不特定于某疾病）	深度学习、卷积神经网络、Transformer	编码器-解码器架构（CNN和Swin-Transformer）	医学图像（MRI和CT）	使用ACDC和Synapse公开数据集，具体样本数量未提及	不适用（未提及具体框架）	MedFuseNet（基于CNN和Swin-Transformer，包含ASPP、交叉注意力、ACA和SE注意力模块）	Dice相似系数（DSC）	不适用（未提及具体计算资源）
4	2026-08-04	A promising AI based super resolution image reconstruction technique for early diagnosis of skin cancer 2025-02-11, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-89693-8 PMID:39934265	研究论文	提出一种基于人工智能的超分辨率图像重建技术，用于皮肤癌早期诊断，特别是中间可疑皮肤病变的检测。	提出新颖的MELIIGAN框架，结合堆叠残差块处理大尺度放大与细粒度纹理重建，混合损失函数（含总变差正则化和Charbonnier损失）提升重建质量。	未在摘要中明确提及局限性。	解决超分辨率重建中放大时纹理细节丢失的挑战，实现中间皮肤病变的早期诊断。	皮肤镜检查图像中的中间可疑皮肤病变。	计算机视觉	皮肤癌（黑色素瘤）	超分辨率图像重建	生成对抗网络（GAN）	图像	未指定。	未指定。	MELIIGAN，堆叠残差块	SSIM（0.946），PSNR（40.12 dB）	未指定。
5	2026-08-04	AndroPred: an artificial intelligence-based model for predicting androgen receptor inhibitors 2024-09, Journal of biomolecular structure & dynamics IF:2.7Q2 DOI:10.1080/07391102.2023.2239935 PMID:37493402	研究论文	本文介绍了一种基于人工智能的模型AndroPred，用于预测雄激素受体抑制剂，以加速前列腺癌药物发现	首次将多种机器学习与深度学习算法应用于雄激素受体抑制剂的预测，并发现深度神经网络模型性能最优，准确率达93.05%	模型缺乏实验验证，未来需通过实验分析和前瞻性测试确认其预测能力	利用人工智能算法快速预测雄激素受体抑制剂，以简化前列腺癌药物发现过程	雄激素受体抑制剂及其相关化合物	机器学习	前列腺癌	分子描述符与分子指纹分析	机器学习及深度学习模型，包括深度神经网络	化合物数据	2242个化合物	NA	深度神经网络	准确率	NA
6	2026-08-04	Ultrasensitive plasma-based monitoring of tumor burden using machine-learning-guided signal enrichment 2024-06, Nature medicine IF:58.7Q1 DOI:10.1038/s41591-024-03040-4 PMID:38877116	研究论文	介绍MRD-EDGE，一种基于机器学习的血浆全基因组测序ctDNA检测平台，用于提高微小残留病灶监测和肿瘤负荷评估的灵敏度	通过深度学习和ctDNA特异性特征空间，将全基因组测序中的单核苷酸变异信号噪声富集提高约300倍；同时将非整倍体检测所需的测序深度从1Gb降低到200Mb，扩展了在实体瘤中的应用	未明确提及局限性，但可能受限于需要进一步验证的临床样本量及某些癌症类型的适用性	开发并验证一种超灵敏的血浆ctDNA检测方法，用于肿瘤负荷监测和微小残留病灶评估	多种癌症类型（包括肺癌、黑色素瘤、结直肠腺瘤）的患者血浆样本	机器学习	肺癌、黑色素瘤、结直肠腺瘤	全基因组测序	深度学习模型	基因组测序数据	未在摘要中明确说明样本数量，但涉及多种癌症类型	NA	NA	信号噪声比、灵敏度	NA
7	2026-08-04	Prediction of prognosis using artificial intelligence-based histopathological image analysis in patients with soft tissue sarcomas 2024-05, Cancer medicine IF:2.9Q2 DOI:10.1002/cam4.7252 PMID:38800990	研究论文	本文探索了基于人工智能的病理图像分析在软组织肉瘤患者预后预测中的应用	首次将深度学习应用于软组织肉瘤的预后预测，使用Inception v3模型从病理图像中估计生存率	样本量较小（35例），且为回顾性研究，可能影响模型的泛化性	利用深度学习从组织病理图像预测软组织肉瘤患者的预后，以辅助临床管理	软组织肉瘤患者的组织病理切片	数字病理学	软组织肉瘤	组织病理图像数字化	卷积神经网络	图像	35例软组织肉瘤患者的组织病理切片	NA	Inception v3	AUC, 准确率, F1分数	NA
8	2026-08-04	Biclustering for Epi-Transcriptomic Co-functional Analysis 2024, Methods in molecular biology (Clifton, N.J.) DOI:10.1007/978-1-0716-3918-4_19 PMID:38907925	综述	本章介绍了用于表观转录组数据共功能分析的几种双聚类挖掘算法，以发现潜在的共功能模式，并探讨了将深度学习技术引入该领域的可能性	引入深度学习技术到表观转录组共功能分析领域	未提及具体算法性能或实验验证	介绍双聚类算法在表观转录组数据共功能分析中的应用，并推动深度学习在该领域的应用	表观转录组数据中的N6-甲基腺苷（m6A）修饰模式	生物信息学	NA	RNA-seq	双聚类算法, 深度学习	表观转录组数据	NA	NA	NA	NA	NA
9	2026-08-04	Road extraction through Yangwang-1 nighttime light data: A case study in Wenzhou, China 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0297152 PMID:38241298	研究论文	该研究提出一种集成交叉注意力机制的改进U-Net模型（CA U-Net），用于从望洋一号夜间灯光图像中提取道路，并在温州市进行了案例研究	首次探索利用望洋一号夜间灯光数据进行道路提取，并引入交叉注意力机制改进U-Net模型，以提高道路识别和描绘的准确性	研究仅在温州市进行，可能不具有广泛代表性，且夜间灯光数据的道路提取仍处于初步阶段	旨在利用夜间灯光遥感数据提取道路网络，并验证深度学习框架在该任务中的可行性	温州市的道路网络	计算机视觉	NA	夜间灯光遥感	U-Net	图像	温州市的望洋一号夜间灯光图像（未提供具体样本数量）	NA	U-Net, 交叉注意力机制	F1分数	NA
10	2026-08-04	Evaluating deep learning-based melanoma classification using immunohistochemistry and routine histology: A three center study 2024, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0297146 PMID:38241314	研究论文	本研究评估了基于深度学习的黑色素瘤分类方法，使用免疫组织化学（IHC）染色的MelanA切片和常规苏木精-伊红（H&E）染色切片，并在三个中心的数据集上进行验证	首次系统比较了基于MelanA IHC切片和H&E切片的深度学习分类性能，并探索了多染色联合分类的潜在优势	未指明具体限制，可能包括数据集的多样性和泛化性限制	评估深度学习在黑色素瘤诊断中利用IHC和常规组织学切片的效能，并探索多染色联合分类的改进	黑色素瘤组织切片，包括MelanA IHC染色和H&E染色切片	数字病理学	黑色素瘤	免疫组织化学（IHC）染色、苏木精-伊红（H&E）染色	ResNet	组织病理学图像	三个中心的数据集，具体样本数未提供	NA	ResNet	AUROC（曲线下面积）	NA
11	2026-08-04	Coupling analysis of heart rate variability and cortical arousal using a deep learning algorithm 2023, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0284167 PMID:37023117	研究论文	本研究利用深度学习算法分析心率变异性与皮层觉醒之间的耦合关系，基于多民族动脉粥样硬化研究数据集中的心电图信号，发现皮层觉醒期间心率及HRV增加，且反应因性别和睡眠阶段而异	首次在种族多样人群中通过深度学习工具自动标注皮层觉醒事件，并结合时间分析区分觉醒病因，探索皮层觉醒与HRV的瞬时关联	未在文中明确提及具体限制，但可能包括样本特异性或对ECG信号分析的依赖性	探讨皮层觉醒与心率变异性之间的瞬时关联，并分析其在不同性别、睡眠阶段及觉醒病因下的变化	1,069名受试者的整夜心电图信号及皮层觉醒事件	数字病理学	睡眠呼吸障碍	心电图信号分析	深度学习模型	心电图信号	1,069名受试者的整夜心电图信号	NA	NA	NA	NA
12	2026-08-04	MR image reconstruction using deep learning: evaluation of network structure and loss functions 2019-Sep, Quantitative imaging in medicine and surgery IF:2.9Q2 DOI:10.21037/qims.2019.08.10 PMID:31667138	研究论文	评估深度学习在心脏磁共振图像重建中的应用，比较不同网络结构和损失函数的性能	在真实临床背景下评估了深度学习方法用于加速心脏磁共振成像，并发现Resnet以显著更少的参数达到与Unet相当的图像质量，同时感知损失函数在放射科医师评分中表现最优	未明确提及，但可能受限于特定临床数据集和评估场景	评估卷积神经网络重建方法在临床心脏磁共振成像中的效果，并比较不同网络结构和损失函数	心脏磁共振图像，使用回顾性和前瞻性欠采样数据	医学影像，深度学习	心脏病	磁共振成像，卷积神经网络重建	CNN（卷积神经网络）	图像	未明确提及具体样本数量	NA	Unet、Resnet	图像质量评分（放射科医师定性评估），定量评估指标	NA
13	2026-08-03	Optimized cortical EEG modeling for Parkinson disease diagnosis with snow Shepherd Stride tuning mechanism 2026-Dec, Cognitive neurodynamics IF:3.1Q2 DOI:10.1007/s11571-025-10406-y PMID:41657964	研究论文	提出了一种结合堆叠自编码器和MobileNet的CortiMoS-Net模型，用于从EEG信号中准确检测帕金森病，并引入优化的S3C-Tune混合调优算法提升性能	首次将深度堆叠自编码器与低计算量的MobileNet卷积块结合用于帕金森病EEG信号分类，并提出新的Snow Shepherd Stride配置调优（S3C-Tune）混合优化技术以增强模型收敛和参数优化	未明确提及局限，但可推断可能存在对EEG噪声的敏感性以及跨受试者泛化性的挑战	开发一种准确、计算可扩展的EEG分析方法，旨在改善帕金森病的早期诊断和临床管理	帕金森病患者与健康对照的脑电图（EEG）信号	机器学习, 数字病理学	帕金森病	脑电图（EEG）信号分析	堆叠自编码器, MobileNet	信号数据（EEG）	未明确提供	NA	堆叠自编码器, MobileNet	准确率, 精确率, 召回率, F1分数, 错误率, 损失值	NA
14	2026-08-03	Deep Learning Analysis of Prenatal Ultrasound for Identification of Ventriculomegaly 2026-Sep, Ultrasound in medicine & biology DOI:10.1016/j.ultrasmedbio.2026.05.011 PMID:42236425	研究论文	开发并评估一种基于超声数据预训练的基础模型，用于检测产前超声图像中的脑室增大	使用专门在超声数据上预训练的视觉变换器自监督基础模型，提升了脑室增大检测的分类性能和泛化能力	未在摘要中明确提及局限性	开发并评估深度学习模型，用于检测产前超声图像中的脑室增大	胎儿脑部超声图像	计算机视觉	胎儿脑室增大	超声成像	视觉变换器	图像	超过37万张超声图像用于预训练；胎儿脑部图像数据集用于微调	NA	USF-MAE, VGG-19, ResNet-50, ViT-B/16, MoCo v3	准确率, 精确率, 召回率, 特异性, F1分数, AUC(ROC), AUC(PR)	NA
15	2026-08-03	A Synthetic Data-Augmented Deep Learning Framework for Robust Segmentation and Quantification of the Carotid Artery in Ultrasound Images 2026-Sep, Ultrasound in medicine & biology DOI:10.1016/j.ultrasmedbio.2026.05.005 PMID:42242994	研究论文	提出了一种基于条件扩散模型和ControlNet的合成数据生成框架（CU-CDGF），用于增强超声图像中颈动脉分割性能，缓解数据稀缺问题。	创新性地将条件扩散模型与ControlNet结合应用于颈动脉超声图像生成，并通过盲测验证了图像的感知真实性，显著提高了下游分割网络的性能。	未在文中提及明确局限性。	开发和评估一种合成数据生成框架，以提高深度学习在超声图像中自动分割颈动脉的性能，缓解标注数据稀缺问题。	颈动脉超声图像及其分割掩膜。	计算机视觉	颈动脉疾病	NA	扩散模型	图像	未明确样本数量，但使用了内部测试集和独立外部测试集。	PyTorch	ControlNet	Fréchet Inception Distance (FID), Dice系数	NA
16	2026-08-03	A Coarse-to-Fine DoubleUNet Framework with Synergistic Loss for Accurate Fetal Head Circumference Measurement 2026-Sep, Ultrasound in medicine & biology DOI:10.1016/j.ultrasmedbio.2026.05.010 PMID:42250993	研究论文	提出了一种基于DoubleUNet的粗到细深度学习框架，用于从超声图像中自动分割和测量胎儿头围	提出了SDUNet框架，结合了定制的协同损失函数，该损失函数整合多个互补损失项并动态平衡其贡献，以适应性地促进生理上合理的头部形状，减少斑点噪声和边界模糊引起的误差	未提及具体限制	减少超声医师手工工作量，实现胎儿头围的自动分割和准确测量	胎儿头部超声图像	计算机视觉, 数字病理学	围产期疾病	超声成像	CNN	图像	公开的HC18数据集和独立外部数据集	NA	DoubleUNet	Dice系数, Jaccard指数, Hausdorff距离, 平均对称表面距离, 边界F1分数, 平均绝对误差, 百分比平均绝对误差	NA
17	2026-08-03	AutoRV: Automated Assessment of Right Ventricular Structure and Function Using Transesophageal Echocardiography in Mechanically Ventilated Patients 2026-Sep, Ultrasound in medicine & biology DOI:10.1016/j.ultrasmedbio.2026.05.002 PMID:42321092	研究论文	开发了AutoRV，一个基于深度学习的自动监测流程，用于评估机械通气患者右心室结构和功能	首次利用深度学习自动检测经食管超声心动图中的右心室心尖和三尖瓣环点，实现自动化评估	研究样本量较小（仅51名患者），且未提及在不同医院或设备上的泛化能力	开发并验证一个自动化的右心室功能评估流程，以减少手动测量的时间和不精确性	机械通气患者的二维经食管超声心动图图像	计算机视觉	心血管疾病	深度学习	卷积神经网络	图像	51名患者的图像	未明确指定	U-Net	准确度、处理速度、误差距离、测量误差	未明确指定
18	2026-08-03	Deep Learning-Based Standard Section Recognition and Multi-Organ Segmentation in Upper Abdominal Ultrasound 2026-Sep, Ultrasound in medicine & biology DOI:10.1016/j.ultrasmedbio.2026.06.003 PMID:42399171	研究论文	本研究开发并评估了用于上腹部超声标准切面识别和多器官分割的深度学习模型	提出了一种两阶段顺序框架，先使用卷积神经网络进行标准切面识别，再仅对识别出的标准切面应用分割网络，从而整合两个互补任务	数据来自单中心真实世界，缺乏外部验证，且脾脏和胰腺的分割性能较低	开发并评估深度学习模型在上腹部超声标准切面识别和下游多器官分割中的可行性	521个上腹部超声检查视频（465个符合纳入标准），5535张标准切面图像，涵盖肝脏、胆囊、胰腺和脾脏	医学影像分析	非特定疾病（上腹部超声诊断）	超声成像	卷积神经网络（CNN）和深度学习分割网络	超声视频和图像	521个视频，465个符合纳入标准，5535张标准切面图像	未明确报告	卷积神经网络（CNN）和分割网络（具体架构未指定）	精确率、召回率、特异性、准确率、IoU	未明确报告
19	2026-08-03	Diagnosis of Small Focal Liver Lesions (≤2 cm): A Deep Learning Approach Based on B-Mode Ultrasound and Contrast-Enhanced Ultrasound 2026-Sep, Ultrasound in medicine & biology DOI:10.1016/j.ultrasmedbio.2026.01.002 PMID:42350195	研究论文	开发并验证了一种基于B型超声和对比增强超声图像特征融合的深度学习模型，用于非侵入性诊断局灶性肝病变（特别是≤2cm的小病变）的良恶性。	创新性地设计了基于ResNet-18的深度学习模型，整合特征融合策略，从B型超声和三个关键CEUS阶段图像中提取并整合深度特征，以提高小FLLs的诊断准确性。	研究为回顾性设计，可能限制结果的普适性。	旨在开发并验证一种基于BMUS和CEUS图像特征融合的深度学习模型，用于非侵入性诊断小局灶性肝病变（≤2cm）的良恶性。	局灶性肝病变患者	医学影像分析、深度学习	局灶性肝病变	B型超声、对比增强超声	深度学习模型（卷积神经网络）	图像数据（B型超声和对比增强超声图像）	687名患者的回顾性数据集，分为训练集（80%）和测试集（20%）	未明确指定	ResNet-18	AUC、敏感性、特异性	未明确指定
20	2026-08-03	Region-Specific Evaluation of Plaque Segmentation in Cross-sectional Projections of Carotid Ultrasound Images Using Deep Learning Models in a Sub-clinical Atherosclerosis Cohort 2026-Sep, Ultrasound in medicine & biology DOI:10.1016/j.ultrasmedbio.2026.05.029 PMID:42379905	研究论文	本研究首次在亚临床动脉粥样硬化队列中，利用深度学习模型对颈动脉超声横断面图像进行区域特异性斑块分割评估	首次对颈动脉超声横断面图像进行区域特异性斑块分割评估，涵盖颈动脉球部和分叉等临床相关区域	未提及	评估深度学习模型在颈动脉超声横断面图像中进行区域特异性斑块分割的性能	颈动脉超声横断面图像中的动脉粥样硬化斑块	医学影像分析	动脉粥样硬化	超声成像	深度学习模型	超声图像	VIPVIZA队列6年随访的横断面颈动脉超声图像（具体数量未提及）	未提及	YOLOv8, U-Net, Attention U-Net, U-Net++, Swin U-Net, DeepLabV3	Dice系数	未提及