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	2026-03-19	Prostate MR image segmentation using a multi-stage network approach 2026-Apr, International urology and nephrology IF:1.8Q3 DOI:10.1007/s11255-025-04763-0 PMID:40911178	研究论文	本研究利用深度学习图像分割技术，通过多阶段网络方法对前列腺MR图像进行分割，以提高前列腺癌的检测和表征准确性	采用多阶段分割方法（包括单阶段、顺序两阶段和端到端两阶段），并评估了多种深度学习架构，其中MultiResUNet模型在多阶段框架中显著改善了前列腺边界的描绘	未来工作需进一步优化模型并评估其在多样化医学成像环境中的泛化能力	通过深度学习图像分割技术提升前列腺癌的诊断准确性和治疗规划	前列腺MR图像	数字病理学	前列腺癌	T2加权磁共振成像	CNN	图像	1151名患者的61,119张T2加权MR图像	NA	MultiResUNet	NA	NA
2	2026-03-19	Development of Automated High-Throughput Digital Microscopy With Deep Learning for Enhanced Blood Smear Imaging 2026-Apr, Microscopy research and technique IF:2.0Q3 DOI:10.1002/jemt.70101 PMID:41370363	研究论文	本文旨在设计和开发一种基于自动化高通量光学数字显微镜的设备，用于批量扫描和捕获血涂片图像，结合深度学习算法实现实时图像采集	提出了一种结合光学组装设置与深度学习算法的自动对焦系统，利用迁移学习与预训练的VGG-16和Mobile Vision Transformer模型，克服了从头训练CNN的计算挑战，提高了图像清晰度、可靠性和稳定性	未明确说明数据集的详细规模或多样性，可能限制模型的泛化能力；高倍显微镜对振动敏感的问题虽被提及，但未详细讨论其在实际环境中的完全解决方案	开发自动化高通量数字显微镜系统，以增强血涂片成像效率，减少人工错误和疲劳	外周血涂片幻灯片	计算机视觉	NA	数字显微镜成像，深度学习	CNN, Transformer	图像	10张外周血涂片幻灯片	NA	VGG-16, Mobile Vision Transformer (MobileViT)	准确率	NA
3	2026-03-19	Toward Lightweight Dynamic Convolutional Neural Network Modeling for Soft Sensors 2026-Apr, IEEE transactions on cybernetics IF:9.4Q1 DOI:10.1109/TCYB.2026.3662472 PMID:41734121	研究论文	本文提出了一种新型轻量级动态卷积神经网络（LDCNN），用于工业软传感器建模，以处理非线性、自相关和互相关的时序数据	结合位置嵌入和简化时间注意力机制以改进动态建模，并引入扩张卷积和层归一化来显著减少网络深度和宽度，避免过度参数化	NA	开发一种轻量级神经网络模型，用于工业软传感器，以在有限训练样本下实现更好的泛化能力	工业时序数据	机器学习	NA	NA	CNN	时序数据	NA	NA	1-D-CNN, LDCNN	NA	NA
4	2026-03-19	What's New: Sub-5-minute Knee Magnetic Resonance Imaging- Spectrum of Sports Injuries and Overuse Conditions 2026-Apr, Seminars in musculoskeletal radiology IF:0.9Q4 DOI:10.1055/a-2798-5775 PMID:41776842	研究论文	本文介绍了一种基于深度学习的亚5分钟膝关节磁共振成像协议，并展示了其在运动损伤和过度使用条件诊断中的应用	采用公开可用的亚5分钟快速膝关节磁共振成像协议，结合基于深度学习的超分辨率图像重建技术	NA	开发并评估快速膝关节磁共振成像方法在临床实践中的应用价值	膝关节异常，包括运动损伤和过度使用条件	数字病理学	运动损伤	磁共振成像，深度学习	NA	图像	NA	NA	NA	NA	NA
5	2026-03-19	Advances in the application of artificial intelligence in mass spectrometry-based analysis of traditional Chinese medicine: compound identification and metabolic pathway elucidation 2026-Apr, Analytical and bioanalytical chemistry IF:3.8Q1 DOI:10.1007/s00216-025-06260-w PMID:41389153	综述	本文综述了人工智能在基于质谱的中药分析中的应用进展，重点关注化合物鉴定和代谢途径阐明	系统总结了AI在中药质谱分析中的最新应用，并聚焦于复杂化合物的快速定性分析和体内代谢途径重建这两个关键领域	当前领域面临高质量质谱数据库缺乏、AI模型可解释性有限以及跨模态数据融合能力不足等挑战	推动人工智能与质谱技术在中药研究中的融合，促进中药现代化和精准药理学研究	中药样品，包括生药、炮制品、体外细胞培养物和体内生物样本	机器学习	NA	质谱	机器学习, 深度学习	质谱数据	NA	NA	NA	NA	NA
6	2026-03-19	Dual-encoder contrastive learning accelerates enzyme discovery 2026-Mar-24, Proceedings of the National Academy of Sciences of the United States of America IF:9.4Q1 DOI:10.1073/pnas.2520070123 PMID:41843673	研究论文	提出了一种名为Dual-encoder contrastive learning的计算高效深度学习框架，用于大规模反应-酶推荐，并通过实验验证加速酶发现	首次将对比学习大规模应用于酶发现，并证明了其在真实实验场景中的有效性；通过结合反应指纹和蛋白质语言模型，实现了最先进的性能	未明确说明模型在特定反应类别上的泛化能力限制，以及计算资源需求的具体细节	解决酶工程中寻找合适起始蛋白的关键瓶颈，加速生物催化和代谢工程	酶（蛋白质）	机器学习	NA	对比学习，反应指纹，蛋白质语言模型	深度学习，对比学习	反应-酶对（数百万对）	数百万个反应-酶对	NA	双编码器（Dual-encoder）	Top-100命中率（超过75%的测试反应）	NA
7	2026-03-19	NeuroCardioSense (NCS): a time-aware fuzzy decision framework for multi-lead ECG classification and arrhythmia detection 2026-Mar-18, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ae4df5 PMID:41785513	研究论文	提出一种名为NeuroCardioSense (NCS)的时间感知模糊决策框架，用于多导联心电图分类和心律失常检测	设计了新颖的时间感知门控卷积层和门控机制，能够自适应地调制卷积滤波器和跨导联特征贡献；并引入了时间模糊集成模块，通过联合编码特征和隶属度构建可学习的模糊子空间，有效缓解类别边界模糊问题	NA	开发一个能够联合表征心电图形态模式、多导联交互和时间依赖性的自动化心律失常检测框架	心电图信号	数字病理学	心血管疾病	心电图	CNN	信号	MIT-BIH心律失常数据库	NA	NeuroCardioSenseNet (NCSN), NeuroCardioSenseNet-Fusion (NCSNF)	准确率	NA
8	2026-03-19	Multimodal skin disease classification using vision transformers, medical captioning, and metadata fusion: an analysis on the ISIC 2024 dataset 2026-Mar-18, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ae4eeb PMID:41802357	研究论文	本研究提出了一种基于MedCLIP的多模态皮肤疾病分类方法，融合了视觉、文本和临床元数据，并在ISIC 2024数据集上进行了评估	系统分析了MedCLIP多模态嵌入与临床元数据的融合策略（早期融合和基于注意力的融合），并评估了其与经典机器学习及神经分类器结合的性能	研究仅使用了ISIC 2024数据集的子集（1600张训练图像和400张测试图像），样本规模相对有限	解决皮肤病变的二分类问题，探索多模态融合在计算机辅助诊断中的价值	皮肤癌和皮肤科疾病	计算机视觉	皮肤癌	NA	Vision Transformer, MLP, 集成分类器	图像, 文本, 元数据	1600张训练图像和400张测试图像（来自ISIC 2024数据集）	NA	MedCLIP	准确率, AUROC	NA
9	2026-03-19	Exploration and performance analysis of deep learning applications in spermatic vein ultrasound segmentation 2026-Mar-18, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ae4eed PMID:41802363	研究论文	本研究探索并评估了深度学习在精索静脉超声图像分割中的应用，建立了首个自动化分割性能基准	提出了基于Segment Anything Model（SAM）的半自动标注工作流程，并首次为精索静脉超声分割任务建立了深度学习性能基准	所有模型在狭窄的性能范围内达到平台期（DSC：61%-65%），远低于成熟超声分割领域的性能，表明主要障碍是固有的数据限制而非模型架构	开发自动化精索静脉超声分割工具，以解决当前手动测量耗时、主观且缺乏可重复性的问题	精索静脉超声图像	医学图像分析	精索静脉曲张	超声成像	深度学习分割模型	超声图像	未明确说明具体样本数量，但采用留一患者交叉验证	未明确说明	U-Net, U-Net++, Attention U-Net, RPA-UNet, UNet-DS（带深度监督的U-Net）	Dice相似系数（DSC）, Kappa系数	NA
10	2026-03-19	High-throughput label-free assessment of sperm DNA fragmentation index via intelligent morphological imaging 2026-Mar-17, Lab on a chip IF:6.1Q2 DOI:10.1039/d5lc01122a PMID:41710949	研究论文	本研究提出了一种基于智能形态成像的高通量、无标记精子DNA碎片指数评估方法	首次将光流控时间拉伸定量相位成像流式细胞技术与卷积神经网络结合，实现了无标记、高通量、非破坏性的精子DNA碎片指数评估	研究样本量相对有限（31个临床精液样本），且方法依赖于特定的成像设备	开发一种准确、高效、无标记的精子DNA碎片指数评估方法，以改善男性不育症的临床诊断	人类精子细胞	数字病理学	男性不育症	光流控时间拉伸定量相位成像流式细胞技术	CNN	图像	31个临床精液样本，共136,070张图像	NA	NA	准确率	NA
11	2026-03-19	Novel Deep-Learning Unsupervised Domain Adaptation Method for Mitigating Batch, Strain, and Instrument Variations to Enhance Raman Spectroscopy-Based Bacterial Pathogen Identification 2026-Mar-17, Analytical chemistry IF:6.7Q1 DOI:10.1021/acs.analchem.5c07113 PMID:41842761	研究论文	本文提出了一种新颖的深度无监督域适应方法RSCDM，用于增强拉曼光谱在细菌病原体识别中的鲁棒性，以应对仪器、批次和菌株变异带来的挑战	RSCDM通过任务特定分类器之间的输出差异动态识别远离源域特征分布的目标样本，并采用对抗性特征对齐来桥接光谱变异性，相比传统基于固定域假设的方法更具适应性	方法在临床分离株上的验证样本量相对有限，且未明确讨论在极低细菌负载条件下的性能表现	提升拉曼光谱结合深度学习在细菌病原体快速识别中的模型鲁棒性，以应对抗生素耐药性威胁	七种细菌物种的拉曼光谱数据，包括商业光谱仪和自制光谱仪采集的批次、菌株及临床分离株样本	机器学习	细菌感染	拉曼光谱	深度学习	光谱数据	涉及七种细菌物种的多个批次和菌株样本，以及六种临床分离株（未参与训练）	NA	RSCDM（拉曼光谱分类差异模型）	分类准确率	NA
12	2026-03-19	Artificial Intelligence in Anatomic Education: Educational Utility, Safety Boundaries, and Implementation Considerations 2026-Mar-17, The Journal of craniofacial surgery IF:1.0Q3 DOI:10.1097/SCS.0000000000012573 PMID:41842848	综述	本文批判性地综合了人工智能在解剖学教育中的应用，重点关注其教育效用、安全边界和实施考虑	强调人工智能在解剖学教育中的教育效用而非临床自动化，并关注解剖准确性验证、生成系统中的错误信息风险、算法偏见等关键问题	NA	探讨人工智能如何支持解剖学教育，以应对传统教学方法的挑战	解剖学教育	计算机视觉,自然语言处理	NA	NA	深度学习	NA	NA	NA	NA	NA	NA
13	2026-03-19	Intelligent system for infants' pain detection: pain intensity estimation using deep learning approach 2026-Mar-17, Physical and engineering sciences in medicine IF:2.4Q2 DOI:10.1007/s13246-026-01720-8 PMID:41843272	研究论文	本研究提出了一种基于深度学习的方法，通过分析面部表情来估计足月婴儿的疼痛强度	采用回归CNN模型结合迁移学习技术，利用预训练的VGG16模型进行微调，以提高分类性能并避免过拟合	NA	开发一个智能系统来检测婴儿的疼痛强度，以改善疼痛管理	足月婴儿在NICU日常医疗程序中的面部表情	计算机视觉	NA	深度学习	CNN	图像	NA	NA	VGG16	MAE, MSE	NA
14	2026-03-19	A decade-long shift in use of energy devices for BABA robotic thyroidectomy: automated video analysis by deep learning 2026-Mar-17, Journal of robotic surgery IF:2.2Q2 DOI:10.1007/s11701-025-03113-7 PMID:41843322	研究论文	本研究利用YOLOv5深度学习模型分析2013年至2021年间81个BABA机器人甲状腺切除术视频，量化了能量设备使用偏好的十年变化	首次采用深度学习自动视频分析技术，量化追踪BABA机器人甲状腺切除术中能量设备使用的长期趋势变化	研究为回顾性设计，样本量相对较小（81个视频），且仅分析单一医疗中心的案例，可能影响结果的普适性	量化分析BABA机器人甲状腺切除术中能量设备使用的历史变化趋势	BABA机器人甲状腺切除术的手术视频	计算机视觉	甲状腺疾病	视频分析	CNN	视频	81个手术视频（2013-2021年）	PyTorch	YOLOv5	NA	NA
15	2026-03-19	Rapid Machine Learning-Driven Detection of Pesticides and Dyes Using Raman Spectroscopy 2026-Mar-17, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.6c00396 PMID:41843405	研究论文	本研究提出了一种名为MLRaman的深度学习框架，结合拉曼光谱技术，用于快速检测农药和合成染料	提出了基于ResNet-18特征提取并结合XGBoost、SVM等分类器的混合深度学习框架，并开发了用户友好的实时预测Streamlit应用	NA	开发快速可靠的农药和染料检测方法，以应对食品安全和环境污染问题	7种农药和3种染料，共10种分析物	机器学习	NA	拉曼光谱	CNN	光谱数据	NA	TensorFlow, PyTorch, Scikit-learn	ResNet-18	准确率, AUC	NA
16	2026-03-19	Bridging Datasets and Hyperparameters: GCN-Based Link Prediction for Recommendation 2026-Mar-17, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2026.3675022 PMID:41843509	研究论文	本文提出了一种基于图卷积网络的超参数推荐框架，通过将数据集和超参数配置建模为二分图中的节点，并利用链接预测来为新数据集推荐超参数	将超参数推荐问题形式化为二分图上的链接预测问题，并引入GCN同时捕获数据集内部、超参数内部以及两者之间的同质和异质交互关系，这是现有方法所不具备的能力	未明确说明模型的计算复杂度或在大规模超参数空间中的可扩展性，且仅在分类任务上进行了验证	开发一种能够更准确推荐超参数配置的元学习方法	历史数据集、超参数配置及其性能观测值	机器学习	NA	元学习	GCN	元数据（数据集特征、超参数配置、性能观测）	105个真实世界分类数据集	NA	GCN	多种评估指标（具体未列出）	NA
17	2026-03-19	Distillation-SAM: Knowledge Distillation Based Auto-prompt Embedding Learning for Surgical Image Segmentation 2026-Mar-17, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2026.3674509 PMID:41843527	研究论文	本文提出了一种基于知识蒸馏的自适应提示嵌入学习方法Distillation-SAM，用于提高手术图像分割的准确性和泛化能力	通过引入可训练的适配器分支学习稀疏和密集自动提示嵌入，并利用知识蒸馏约束，无需用户提供提示即可实现多类别手术对象分割	方法主要针对手术图像，可能在其他医学图像领域的泛化能力有限，且依赖于特定数据集进行训练	开发一种无需用户提示的自适应手术图像分割方法，以提升分割精度和跨手术场景的泛化性能	手术图像中的血管、器械和组织等对象	计算机视觉	NA	深度学习	SAM, 多层感知机	图像	多个手术数据集，包括IVIS、EndoVis2017和Cholecseg8k	NA	Segment Anything Model (SAM)	NA	NA
18	2026-03-19	EviCYP: In Silico Prediction of Cytochrome P450 Substrates Based on Vector Quantization and Evidential Deep Learning 2026-Mar-17, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.6c00074 PMID:41843769	研究论文	本文提出了一种名为EviCYP的新型预测框架，结合证据深度学习和向量量化，用于准确预测细胞色素P450底物	整合证据深度学习与向量量化，能够量化预测不确定性，并构建了一个高质量的数据集	未提及具体的外部验证或模型在更广泛数据集上的泛化能力	开发一个可靠的计算工具，用于药物发现和安全评估中的细胞色素P450底物预测	细胞色素P450酶及其底物与非底物分子	机器学习	NA	计算建模，证据深度学习，向量量化	深度学习模型	分子表示和酶序列数据	10996个样本，包括4388个底物、2880个非底物和3728个伪阴性样本，涵盖9种主要CYP亚型	NA	证据深度学习架构，结合向量量化	AUROC	NA
19	2026-03-19	YOLO11-based deep learning and machine vision framework for automated detection and counting of Rhopalosiphum padi (Hemiptera: Aphididae) 2026-Mar-17, Journal of economic entomology IF:2.2Q1 DOI:10.1093/jee/toag048 PMID:41843770	研究论文	本研究开发了一个基于YOLO11的深度学习框架，用于自动检测和计数谷物害虫禾谷缢管蚜	在YOLO11n基线模型基础上，集成了ADown下采样模块、Triplet Attention和Focusing Diffusion Pyramid Network模块，以提升小目标检测能力并控制计算开销	模型在受控温室条件下使用智能手机图像进行训练和评估，未来需评估跨场景鲁棒性和实际部署性能	开发一种快速、自动化的图像监测方法，以替代劳动密集型且不一致的人工巡查，用于禾谷缢管蚜的检测与计数	禾谷缢管蚜（Rhopalosiphum padi），一种主要的谷物害虫和大麦黄矮病毒复合体的传播媒介	计算机视觉	NA	深度学习，机器视觉	CNN	图像	在受控温室条件下采集的智能手机图像数据集	Ultralytics YOLO11	YOLO11n, ADown, Triplet Attention, Focusing Diffusion Pyramid Network	mAP50, 平均绝对误差, 均方根误差	NA
20	2026-03-19	Rectal Cancer Radiotherapy Response Prediction: Retrospective Study of Development of a Deep Learning-Based Radiomics Model 2026-Mar-17, JMIR medical informatics IF:3.1Q2 DOI:10.2196/77313 PMID:41843889	研究论文	本研究开发并比较了多种基于深度学习的放射组学模型，用于预测直肠癌患者的放疗反应，重点关注Transformer架构的性能和临床实用性	首次在大型直肠癌放疗前影像队列中，系统比较了CNN、GCN和Transformer架构，并证明基于MRI的Transformer模型在预测放疗反应方面优于传统架构，且具有更优的临床净获益	单中心回顾性研究，需要多中心外部验证；CT与MRI的晚期融合未显著提升整体区分度	开发并比较多种深度学习放射组学模型，以预测直肠癌患者的放疗反应，支持个性化临床决策	2000名经病理确诊并接受标准放疗的直肠癌患者	数字病理	直肠癌	放射组学，深度学习	CNN, GCN, Transformer	图像（CT和MRI影像），临床变量	2000名患者	未明确提及	U-Net, Transformer	AUROC, 准确率, 敏感性, 特异性, Dice系数, 交并比	未明确提及