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	2026-08-21	U-Swing: An Adaptive U-Net and Swin Fusion for WB-MRI Whole Spine Bone Marrow Segmentation 2026-Aug, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01701-5 PMID:41055833	研究论文	提出U-Swing混合深度学习模型，结合Swin Transformer和U-Net模块，用于全身MRI全脊柱骨髓分割，并展示了其在分割性能上的优越性	引入U-Swing Patch Fusion动态融合Swin Transformer和U-Net模块特征，并通过Stage-Wise U-Swing Adaptation实现层次优化，提升了骨髓分割精度	标题和摘要中未提供明确的局限性信息	开发自动化方法对全身MRI中的骨髓进行精确分割，以支持多发性骨髓瘤等疾病的评估和治疗监测	全身MRI全脊柱骨髓图像	计算机视觉	多发性骨髓瘤	NA	混合深度学习模型（Swin Transformer与U-Net融合）	医学图像（T1加权涡轮自旋回波序列的全身MRI）	未在标题和摘要中提及	NA	U-Swing（Swin Transformer模块与U-Net模块）	Dice相似度（DS）、豪斯多夫距离（HD95）、平均对称表面距离（ASSD）	NA
2	2026-08-21	Super-Resolution MR Spectroscopic Imaging via Diffusion Models for Tumor Metabolism Mapping 2026-Jun, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01652-x PMID:40897835	研究论文	提出一种基于条件去噪扩散概率模型的深度学习方法，用于磁共振波谱成像的超分辨率重建，以改善胶质瘤代谢图谱的精度和分辨率。	首次将条件扩散模型应用于MRSI超分辨率重建，结合Self-Attention UNet骨干网络，能够更好地保留全局上下文特征和细节，优于传统基线方法。	研究样本量有限，且模拟数据和真实数据之间的性能差异仍需进一步验证；LPIPS改进在部分情况下统计显著性未充分说明。	开发一种基于扩散模型的超分辨率重建框架，提高MRSI的空间分辨率，以改善胶质瘤代谢异质性和边界可视化。	胶质瘤患者和健康志愿者的MRSI数据，包括突变型异柠檬酸脱氢酶胶质瘤。	磁共振成像、计算机视觉、机器学习	胶质瘤	磁共振波谱成像（MRSI）、扩散概率模型	条件去噪扩散概率模型（DDPM）、Self-Attention UNet	磁共振波谱成像数据（低分辨率图像）	模拟患者数据和少量体内数据（健康志愿者和胶质瘤患者），具体数量未详述	NA	Self-Attention UNet	结构相似性指数（SSIM）、峰值信噪比（PSNR）、学习感知图像块相似性（LPIPS）	NA
3	2026-08-21	DisConST: Distribution-aware Contrastive Learning for Spatial Domain Identification 2026-03-27, Genomics, proteomics & bioinformatics DOI:10.1093/gpbjnl/qzaf085 PMID:40990806	研究论文	介绍了一种名为DisConST的分布感知对比学习深度学习方法，用于提高空间转录组学数据中空间域识别的准确性	创新性地结合了零膨胀负二项分布和图像对比学习，以生成更具信息量的潜在表示，有效整合空间位置、转录组谱和细胞类型比例	未在摘要中明确提及局限	改进空间转录组学中的空间域识别，以探索组织结构、生物发育和疾病机制	来自不同测序平台的组织、器官和胚胎的正常和疾病状态空间转录组数据集	机器学习	不适用	空间转录组学	对比学习模型	基因表达数据和空间位置数据	多个空间转录组数据集，涵盖不同组织、器官和胚胎，未给出具体数量	未指定	图对比学习网络	空间域识别准确率	未提及
4	2026-08-21	Artificial Intelligence-Enhanced Electrocardiography for Complete Heart Block Risk Stratification 2025-Nov-01, JAMA cardiology IF:14.8Q1 DOI:10.1001/jamacardio.2025.2522 PMID:40833775	研究论文	本研究开发并外部验证了一种基于人工智能的心电图风险估计器（AIRE-CHB），用于预测完全性心脏传导阻滞（CHB）的发病风险。	首次提出利用深度学习模型从心电图中预测新发完全性心脏传导阻滞风险，相较于传统的双束支阻滞风险分层方法，显著提高了预测性能。	作为观察性研究，可能存在选择偏倚；外部验证仅在UK Biobank人群中进行，普适性有待进一步验证。	开发并验证一种基于人工智能的心电图风险估计器，以预测完全性心脏传导阻滞的发病风险。	完全性心脏传导阻滞（CHB）患者及心电图像数据。	深度学习、医学影像分析、心电图分析	心血管疾病（完全性心脏传导阻滞）	心电图（ECG）	残差卷积神经网络（ResNet）	心电图数据	Beth Israel Deaconess Medical Center队列包含1,163,401份心电图来自189,539名患者；UK Biobank队列包含50,641份心电图（注：摘要中提及来自189,539名患者，但数量可能不一致，以实际为准）。	未提及	残差卷积神经网络（ResNet）	C指数、受试者工作特征曲线下面积（AUROC）、调整后风险比（aHR）	未提及
5	2026-08-21	Artificial intelligence and first-principle methods in protein redesign: A marriage of convenience? 2025-08, Protein science : a publication of the Protein Society IF:4.5Q1 DOI:10.1002/pro.70210 PMID:40671352	研究论文	本文评估并比较多种深度学习蛋白质设计工具与第一性原理方法在蛋白质重设计中的效果，并引入新工具TriCombine用于突变候选筛选，展示了结合AI建模和力场评分可获得最可靠结果	首次系统比较深度学习工具与传统力场方法，并推出新工具TriCombine识别残基三角并基于替换频率评分突变体，同时结合FoldX进行建模验证	所有方法在处理未解析的从头设计模型时性能均下降，且对非自然蛋白质的准确性受限	评估和组合人工智能与第一性原理方法，以提高蛋白质重设计的效果和潜在治疗再利用的可靠性	16个SH3突变体（最多9个并发替换）、36个突变体、11个晶体结构（7个新解析）、以及来自179个天然和从头设计域的160,000个四点位GB1突变体和163,555个单/双变体	蛋白质设计、机器学习	不适用	深度学习、力场计算、X射线晶体学	深度学习模型（如AlphaFold2）、逆折叠工具、力场	蛋白质结构、突变数据	共涉及约323,000个蛋白质变体和11个晶体结构，包括16个SH3突变体、36个突变体和179个蛋白质域	不适用	AlphaFold2、逆折叠工具、FoldX	序列恢复率、突变效应预测准确性	未指定
6	2026-08-21	Deep learning for disease outbreak prediction: a parallel LSTM-CNN model 2025-Aug, Journal of the Royal Society, Interface DOI:10.1098/rsif.2025.0046 PMID:40829638	研究论文	本研究提出了一种并行LSTM-CNN深度学习模型，用于预测疾病爆发的早期预警信号，并在模拟和真实数据上验证其性能	提出一种并行LSTM-CNN模型，结合了长短期记忆网络和卷积神经网络，针对时间序列分类任务中的噪声问题，利用模拟动态系统和噪声诱导疾病动力学数据进行训练，提高了早期预警信号的鲁棒性	模型训练依赖于模拟数据，可能无法完全捕捉真实疾病的复杂性；此外，研究未提及计算资源需求或模型在实际部署中的可行性	开发一种鲁棒的早期预警信号方法，用于预测疾病爆发，提高在噪声环境下的时间序列分类性能	疾病爆发预测中的时间序列数据，包括模拟动态系统、噪声诱导疾病动力学数据以及真实世界数据（流感、COVID-19、猴痘）	机器学习	传染病	NA	LSTM, CNN	时间序列数据	两个模拟数据集和三个真实世界数据集（流感、COVID-19、猴痘），样本数量未明确	NA	LSTM, CNN	准确率、精确率、召回率、F1分数、AUC	NA
7	2026-08-21	Pediatric Electrocardiogram-Based Deep Learning to Predict Secundum Atrial Septal Defects 2025-Jun, Pediatric cardiology IF:1.5Q2 DOI:10.1007/s00246-024-03540-7 PMID:38953953	研究论文	本研究训练了一个基于儿科心电图的卷积神经网络模型，用于预测继发孔型房间隔缺损，并在内部测试和急诊科队列中评估了其性能。	首次将AI增强的ECG分析应用于儿科人群检测ASD2，并展示了在无症状或轻微症状患者中的筛查潜力。	研究为单中心回顾性研究，未来需要多中心验证和前瞻性试验来指导临床决策。	开发并验证一个基于深度学习的模型，利用儿科心电图来检测继发孔型房间隔缺损，以便早期筛查和诊断。	年龄不超过18岁、无重大先天性心脏病的患者，他们的心电图和超声心动图配对数据。	机器学习	心血管疾病	心电图	卷积神经网络	心电图和超声心动图配对数据	训练集包括92,377对ECG-超声心动图数据（46,261名患者），内部测试集12,631名患者，急诊科队列2,830名患者。	PyTorch	卷积神经网络	AUROC, AUPRC	NA
8	2026-08-21	Machine learning of clinical phenotypes facilitates autism screening and identifies novel subgroups with distinct transcriptomic profiles 2025-Apr-05, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-95291-5 PMID:40188264	研究论文	利用机器学习分析临床表型数据以提高自闭症筛查准确率，并识别具有不同转录组特征的新亚型	首次将临床表型数据与分子数据整合，通过机器学习聚类发现与基因表达模式相关联的ASD亚型，并提出基于临床观察起始的亚型识别方法比基于基因表达更有效	未提及	利用机器学习提高自闭症谱系障碍筛查准确性并识别有意义的亚型	自闭症谱系障碍患者	机器学习	自闭症谱系障碍	基因表达谱分析	深度学习模型	临床评估数据（ADI-R评分）和基因表达数据	2794名个体的临床数据以及GSE15402数据集中的分子数据	NA	深度学习模型（具体架构未提及）	准确率	NA
9	2026-08-21	Automatic segmentation of cardiac structures can change the way we evaluate dose limits for radiotherapy in the left breast 2025-03, Journal of medical imaging and radiation sciences IF:1.3Q3 DOI:10.1016/j.jmir.2024.101844 PMID:39740303	研究论文	本研究评估自动分割在左乳腺癌放疗中对心脏结构剂量评估的影响，并建立剂量关联模型	利用自动分割工具评估心脏亚结构剂量分布，并提出新的剂量约束参数估计模型	未提及具体局限性，可能包括自动分割准确性依赖和样本量限制	评估自动分割心脏亚结构在左乳腺癌放疗中的剂量分布，并建立相关模型以改善剂量限制评估	左乳腺癌患者的心脏结构，包括左前降支动脉、心脏和左心室	数字病理学	乳腺癌	自动分割，基于深度学习和多图谱方法	深度学习模型，具体为自动分割模型（如TotalSegmentator和Limbus AI）	医学图像（CT扫描）	未明确提及样本数量，涉及左乳腺癌患者	NA	TotalSegmentator和Limbus AI（具体架构未提及）	平均剂量分布、体积分布、相关性评估	NA
10	2026-08-21	Establishing the effect of computed tomography reconstruction kernels on the measure of bone mineral density in opportunistic osteoporosis screening 2025-02-14, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-88551-x PMID:39953113	研究论文	本研究旨在探究CT重建核函数对临床CT扫描中体积骨密度（vBMD）定量分析的影响，通过使用模型和内部校准方法，评估不同重建核函数在机会性骨质疏松筛查中的误差	系统性地评估了多种重建核函数（包括平滑和锐化核）对vBMD测量的影响，并结合深度学习和两种校准方法，为机会性CT扫描的标准化提供依据	研究仅基于单一CT设备（GE HealthCare）和45例扫描，结果可能不适用于其他厂商或扫描协议，且未涵盖所有可能的临床场景	评估CT重建核函数对临床CT扫描中vBMD定量结果的影响，以指导机会性骨质疏松筛查中的扫描协议选择	临床CT扫描中的全髋关节和第四腰椎（L4）	医学影像分析	骨质疏松症	CT扫描，深度学习分割	深度学习分割模型	CT图像	45例临床CT扫描	NA	NA	决定系数[公式:见原文]，均值差异，配对t检验，Bland-Altman分析	NA
11	2026-08-21	Coordinating multiple mental faculties during learning 2025-02-13, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-89732-4 PMID:39939457	研究论文	提出一种控制器-外周架构，用于解释大脑多个区域在学习过程中如何协调，并通过形式化模型模拟快速学习行为	首次提出控制器-外周架构来解释多脑区协调机制，并成功模拟了人类行为和脑反应，而标准深度学习模型无法做到	未提及明确局限性，但可能受限于模型简化及仅针对快速学习场景	探索大脑多个区域在学习过程中如何在没有统一指挥者的情况下实现协调	大脑区域（如腹侧视觉流、海马体、前额叶皮层）及其协调机制	机器学习、神经科学	NA	形式化建模、计算模拟	控制器-外周架构模型	图像（示例图像）	未明确说明样本数量	NA	控制器-外周架构（具体结构未指定）	人类行为匹配度、脑响应匹配度	NA
12	2026-08-21	BiFPN-enhanced SwinDAT-based cherry variety classification with YOLOv8 2025-02-13, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-89624-7 PMID:39948150	研究论文	提出一种基于深度学习的混合模型，集成BiFPN、Swin Transformer和可变形注意力Transformer，用于樱桃品种分类，并在土耳其西地中海地区构建的数据集上验证其性能。	首次将BiFPN与YOLOv8n-cls框架结合，并融合Swin Transformer和DAT技术，以提高樱桃品种分类的准确性。	摘要未提及明确的局限性。	利用深度学习模型准确分类樱桃品种，以优化收获时机、保障质量控制和支持出口分类。	土耳其西地中海地区的樱桃品种。	计算机视觉	不适用	不适用	深度学习混合模型（含YOLOv8n-cls、Swin Transformer、DAT）	图像	未明确样本数量，提及新构建的数据集。	NA	YOLOv8n-cls, Swin Transformer, DAT, BiFPN	精确率、召回率、F1分数、准确率	NA
13	2026-08-21	Spatial transcriptomic clocks reveal cell proximity effects in brain ageing 2025-02, Nature IF:50.5Q1 DOI:10.1038/s41586-024-08334-8 PMID:39695234	研究论文	生成了包含420万个细胞的空间分辨单细胞转录组脑图谱，并构建空间老化时钟以识别脑老化、恢复年轻和疾病的空间及细胞类型特异性转录组指纹。	首次构建空间老化时钟，利用空间转录组学和深度学习揭示T细胞和神经干细胞对邻近细胞的衰老和恢复年轻效应。	摘要未提及局限性。	系统研究脑老化中细胞间邻近效应及其对组织衰退的影响，并提供评估干预措施的可扩展工具。	小鼠脑组织，涵盖20个不同年龄段及两种干预措施（运动和部分重编程）。	空间转录组学、机器学习	神经退行性疾病（与脑老化相关）	空间转录组学（单细胞）	机器学习模型（空间老化时钟）、深度学习	空间转录组数据	4.2百万细胞，来自20个年龄点和2种干预条件	NA	NA（深度学习，未指定具体架构）	NA	NA
14	2026-08-21	Optical coherence tomography: implications for neurology 2025-02-01, Current opinion in neurology IF:4.1Q2 DOI:10.1097/WCO.0000000000001340 PMID:39704153	综述	本文探讨了光学相干断层扫描（OCT）在神经病学实践中的作用，特别是在诊断和监测视乳头水肿、视神经炎和视网膜动脉阻塞等疾病中的应用。	强调OCT技术在神经眼科领域的进展，包括深度学习算法的应用，提高了诊断准确性和预测能力。	文中未明确提及局限性。	评估OCT在神经病学中诊断、监测和量化治疗反应的作用。	视乳头水肿、视神经炎和视网膜动脉阻塞患者。	医学影像	神经眼科疾病	光学相干断层扫描（OCT）	深度学习模型（未具体指定）	图像（视网膜结构图像）	未提及	未提及	未提及	未提及	未提及
15	2026-08-21	Artificial intelligence and stroke imaging 2025-02-01, Current opinion in neurology IF:4.1Q2 DOI:10.1097/WCO.0000000000001333 PMID:39760722	综述	本文探讨了人工智能在卒中成像中的应用，特别是深度学习在预测、描述和推断工具中的潜力，并分析了临床应用中面临的挑战和未来方向。	提出深度生成模型作为解决当前深度学习模型对真实临床数据鲁棒性不足问题的潜在方案，预测其能催化卒中领域的创新。	目前AI在卒中成像临床一线应用仍有限，主要受限于数据噪声、不完整、偏差和小规模等现实问题，模型泛化能力不足。	探讨人工智能如何通过高分辨率成像模型实现卒中个体化精确护理，并分析其当前进展和未来路径。	卒中患者的高分辨率影像数据，包括实质宏观结构、微结构、功能组织特性以及血管拓扑和动力学特征。	计算机视觉、机器学习、医学影像分析	卒中（脑血管疾病）	高分辨率成像技术，具体类型未明确（如MRI、CT等）	深度学习模型（包括深度生成模型）	影像数据（高分辨率成像）	未明确	未明确	未明确提及具体架构，但涉及深度学习模型如深度生成模型	未明确	未明确
16	2026-08-21	Intrapartum electronic fetal heart rate monitoring to predict acidemia at birth with the use of deep learning 2025-Jan, American journal of obstetrics and gynecology IF:8.7Q1 DOI:10.1016/j.ajog.2024.04.022 PMID:38663662	研究论文	本研究旨在利用深度学习技术开发并验证一个模型，以预测分娩期间胎儿酸血症，基于电子胎心率监测数据。	首次将深度学习方法应用于电子胎心率监测的大规模数据，以预测胎儿的酸血症，并进行了外部验证。	研究的局限在于数据库可能存在选择偏差，且模型在外部验证中的性能可能受限于数据集差异。	目标是通过深度学习模型改善电子胎儿监测的预测准确性，以预防分娩期缺氧缺血性损伤。	研究物体为分娩期间的电子胎儿心率监测数据，共涉及124,777份文件，其中10,182份用于最终分析。	数字病理学	胎儿酸血症	电子胎儿心率监测，脐带血气分析	深度学习模型	电子胎儿心率监测数据，血气分析实验室结果	10,182份电子胎儿监测记录及其对应的脐带血气体结果	未指定	多种深度学习架构, 具体未指明	接收者操作特征曲线下面积, 正预测值, 灵敏度, 特异度	未指定
17	2026-08-21	For the busy clinical-imaging professional in an AI world: Gaining intuition about deep learning without math 2025-01, Journal of medical imaging and radiation sciences IF:1.3Q3 DOI:10.1016/j.jmir.2024.101762 PMID:39437625	教育文章	本文为医学影像专业人士提供关于深度学习的基础直观理解，通过类比和模拟练习解释其工作原理，无需数学知识。	通过医学类比和快速模拟，为非技术背景的临床专业人士提供深度学习直觉，无需数学知识。	未提及具体限制，但可能缺乏深度数学基础。	帮助忙碌的临床影像专业人士理解深度学习在计算机辅助诊断中的应用，无需数学知识。	医学影像专业人士，特别是涉及乳腺癌诊断的临床工作者。	医学影像	乳腺癌	深度学习模拟	深度学习算法	模拟数据	未提及	NA	NA	准确性	未提及
18	2026-08-21	Color Fundus Photography and Deep Learning Applications in Alzheimer Disease 2024-Dec, Mayo Clinic proceedings. Digital health DOI:10.1016/j.mcpdig.2024.08.005 PMID:39748801	研究论文	本研究开发并评估了两种基于视网膜彩色眼底照片的深度学习模型，用于分类阿尔茨海默病	采用自监督学习（BERT风格）预训练卷积神经网络，优于基于U-Net的血管分割方法，并利用注意力热图揭示模型决策关键区域	需要更大且多样的人群验证，并整合技术以统一眼底照片并减少成像噪声	开发并评估基于视网膜彩色眼底照片的深度学习模型以筛查阿尔茨海默病	阿尔茨海默病患者和对照组的视网膜彩色眼底照片	计算机视觉	阿尔茨海默病	眼底摄影	卷积神经网络	图像	UK Biobank数据集和机构数据集，具体样本量未说明	NA	U-Net, BERT风格的Transformer, 自监督卷积神经网络	准确率、敏感性、特异性、接收者操作曲线	NA
19	2026-08-21	Quantification of myocardial oxygen extraction fraction on noncontrast MRI enabled by deep learning 2024-Nov, Radiology advances DOI:10.1093/radadv/umae026 PMID:40641627	研究论文	提出了一种基于深度学习的非对比心血管磁共振方法，用于定量心肌氧摄取分数和心肌血容量	首次利用深度学习结合非对称自旋回波CMR序列，实现无需对比剂的心肌氧摄取分数和血容量定量	样本量较小，且主要验证了健康志愿者和慢性心肌梗死患者，未涵盖其他心脏疾病类型	开发一种非对比的CMR方法，用于体内定量心肌氧摄取分数和心肌血容量，以评估心肌缺氧状态	20名健康志愿者（20-30岁，11名女性）和10名慢性心肌梗死患者	医学影像	慢性心肌梗死	心血管磁共振成像	神经网络	图像	30名受试者（20名健康志愿者和10名慢性心肌梗死患者）	NA	U-Net	变异系数	NA
20	2026-08-21	Cough2COVID-19 detection using an enhanced multi layer ensemble deep learning framework and CoughFeatureRanker 2024-10-24, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-76639-9 PMID:39448760	研究论文	提出Cough2COVID-19框架，利用咳嗽音频信号通过多层集成深度学习实现高效且非侵入的COVID-19检测。	引入多层集成深度学习框架和CoughFeatureRanker算法，从15个特征中选取最具判别性能的特征，提升检测准确性。	摘要中未提及明确局限性。	开发一种成本低、非侵入且可广泛获取的COVID-19检测方法，以替代传统PCR测试的限制。	咳嗽音频信号及其特征。	机器学习	COVID-19	音频信号分析	多层集成深度学习（MLEDL）框架	音频数据	未明确说明样本量。	未明确说明。	多层集成深度学习（MLEDL）框架，具体架构未明确。	特异性、灵敏度、准确率、AUC分数	未明确说明。