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	2026-02-09	Super-adhesive sensor based on amylopectin-polyacrylic acid hydrogel for deep learning-assisted sign language recognition 2026-May, Journal of colloid and interface science IF:9.4Q1 DOI:10.1016/j.jcis.2026.139914 PMID:41570706	研究论文	本文设计了一种基于直链淀粉-聚丙烯酸水凝胶的超粘附传感器，并将其应用于深度学习辅助的手语识别系统	通过调控成分和网络结构，合理设计了聚丙烯酸/单宁酸/直链淀粉水凝胶，该凝胶集成了优异的韧性、高灵敏度、增强的电导率和强大的多表面粘附性，并首次将其无缝集成到深度学习辅助的手语识别系统中	NA	解决柔性可穿戴电子设备在高级应用领域中因粘附性差和性能不稳定而受限的问题，并探索其在人机交互和沟通中的应用	聚丙烯酸/单宁酸/直链淀粉水凝胶及其制成的传感器	机器学习	NA	NA	深度学习	传感器信号	NA	NA	NA	NA	NA
2	2026-02-09	Deep learning based treatment remission prediction to transcranial direct current stimulation in bipolar depression using EEG power spectral density 2026-Apr, Psychiatry research. Neuroimaging DOI:10.1016/j.pscychresns.2025.112115 PMID:41478240	研究论文	本文利用深度学习模型基于脑电图信号预测双相抑郁患者在接受经颅直流电刺激治疗后的临床缓解情况	首次将一维卷积神经网络与门控循环单元结合的混合模型应用于双相抑郁的经颅直流电刺激治疗缓解预测，并专注于特定电极和频带的功率谱密度特征	样本量较小（仅21名参与者），且仅使用两个电极的特定频带数据，可能限制了模型的泛化能力	预测双相抑郁患者在接受6周家庭经颅直流电刺激治疗后的临床缓解情况	双相障碍患者	机器学习	双相障碍	脑电图	1DCNN, GRU	脑电图信号	21名双相参与者	NA	1DCNN与GRU的混合模型	准确率, 灵敏度, 特异性	NA
3	2026-02-09	EEG-based schizophrenia classification using attention-integrated deep convolutional networks 2026-Apr, Psychiatry research. Neuroimaging DOI:10.1016/j.pscychresns.2026.112138 PMID:41529582	研究论文	本文提出了一种基于卷积注意力的深度学习框架，用于从脑电图信号中自动检测精神分裂症	提出了一种将卷积层空间特征提取与注意力机制相结合的新框架，该机制能自适应地聚焦于脑电图中的判别性时间模式	模型在不同数据集（莫斯科数据集和IBIB PAN数据集）上的性能差异显著，突显了在具有不同人口统计学和采集特征的数据集间泛化的挑战	开发一种用于精神分裂症自动检测的深度学习模型	精神分裂症患者的脑电图信号	机器学习	精神分裂症	脑电图	CNN	脑电图信号	两个公开数据集：莫斯科脑电图数据集和IBIB PAN数据集	NA	卷积注意力网络	准确率	NA
4	2026-02-09	Advancing precision psychiatry: Machine learning integration with neuroimaging for early detection and diagnosis of Obsessive-Compulsive Disorder 2026-Apr, Psychiatry research. Neuroimaging DOI:10.1016/j.pscychresns.2026.112137 PMID:41539129	综述	本文综述了机器学习与神经影像学相结合在强迫症早期检测和诊断中的最新进展	整合了混合模型和可解释人工智能方法，用于神经影像数据分析，以提升诊断准确性和临床可解释性	存在数据集变异性大、模型泛化能力有限以及伦理问题等挑战	推动精准精神病学，通过机器学习改进强迫症的早期检测和诊断	强迫症患者	机器学习	强迫症	结构磁共振成像, 功能磁共振成像	支持向量机, 卷积神经网络, 深度学习混合模型	神经影像数据, 生化标志物, 临床数据	NA	NA	NA	诊断准确率	NA
5	2026-02-09	Dual-representation structural MRI classification of psychiatric disorders using deep learning and large language models 2026-Apr, Psychiatry research. Neuroimaging DOI:10.1016/j.pscychresns.2026.112146 PMID:41576904	研究论文	本研究提出了一种双表征结构MRI框架，结合原始T1加权MRI切片和彩色编码组织分割图，使用ResNet-18 CNN和大型语言模型进行精神疾病分类	提出双表征结构MRI框架，结合原始图像与分割图，并首次使用大型语言模型作为后分析工具解释CNN输出，增强分类性能与可解释性	数据集规模有限（N=103），需通过迁移学习和数据增强技术应对	提高精神疾病（如精神分裂症和双相情感障碍）的准确分类，支持更透明、信息丰富的诊断工具开发	健康对照组、精神分裂症谱系、伴精神病性症状的双相情感障碍、不伴精神病性症状的双相情感障碍	数字病理学	精神疾病	结构MRI（T1加权成像）	CNN, LLM	图像	103例	PyTorch, TensorFlow	ResNet-18	准确率, 精确率, 召回率, F1分数, AUC	GPU（如NVIDIA V100或A100），可能使用AWS、Google Cloud或Azure云平台
6	2026-02-09	Early diagnosis of Alzheimer's disease from functional rs-fMRI images based on deep learning networks and transfer learning approach 2026-Apr, Psychiatry research. Neuroimaging DOI:10.1016/j.pscychresns.2026.112151 PMID:41604985	研究论文	本研究提出了一种基于优化VGG网络和迁移学习的方法，利用静息态功能磁共振成像（rs-fMRI）对阿尔茨海默病进行早期诊断	提出了两种新颖的深度网络OVGG-16和OVGG-19，结合了迁移学习和密集层的概念，以改进诊断性能并加速收敛	未明确提及具体的研究局限性，如数据集规模、泛化能力或临床验证的细节	开发一种计算机辅助诊断系统，用于阿尔茨海默病的早期诊断	阿尔茨海默病患者	计算机视觉	阿尔茨海默病	静息态功能磁共振成像	CNN	图像	NA	NA	VGG-16, VGG-19, OVGG-16, OVGG-19	准确率	NA
7	2026-02-09	Molreac-Oxi: An end-to-end deep learning-quantum chemistry platform for •OH reactivity (kOH), pathways, and active-site insight 2026-Mar-15, Environmental research IF:7.7Q1 DOI:10.1016/j.envres.2026.123763 PMID:41534583	研究论文	本文介绍了一个名为Molreac-Oxi的混合元模型框架，结合深度学习与量子化学，用于高效预测污染物与羟基自由基的反应速率常数、反应路径和活性位点分析	提出了一种融合深度预训练模型与传统机器学习的混合元模型框架，并集成了预测、机理推断和在线分析功能，通过PES-Learn模型与纳米反应器MD工作流结合，实现了近DFT精度的机理假设生成，且计算成本大幅降低	静态结构-性质模型的势能面分辨率有限，可能影响某些复杂反应的精确预测	高效评估污染物与羟基自由基系统的反应速率常数，以支持环境污染控制	968种污染物的DFT优化结构及多维量子化学描述符	机器学习	NA	DFT, 纳米反应器MD工作流	深度学习, 传统机器学习	3D分子结构, 量子化学描述符	968种污染物用于模型训练，72,502种有机污染物用于PES-Learn模型	NA	Uni-Mol, Random Forest, Gradient Boosting, XGBoost, LightGBM, CatBoost	R, MAE	GPU
8	2026-02-09	Optimizing wastewater treatment through combined deep learning and deep reinforcement learning: Recent advances and future prospects 2026-Mar-15, Environmental research IF:7.7Q1 DOI:10.1016/j.envres.2026.123795 PMID:41547426	综述	本文综述了深度学习和深度强化学习在优化污水处理过程中的最新进展与未来前景	通过阐明深度学习和深度强化学习的计算原理，讨论它们在污水处理中的应用适用性和优势，并强调标准化开放数据平台和模型透明化的重要性	智能系统在污水处理厂的实际应用仍面临挑战，需要可靠且标准化的数据采集	优化污水处理过程，提升性能并减少碳排放，以促进可持续城市发展	污水处理厂（WWTPs）	机器学习	NA	NA	深度学习, 深度强化学习	NA	NA	NA	NA	NA	NA
9	2026-02-09	D-EDL: Differential evidential deep learning for robust medical out-of-distribution detection 2026-Mar, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103888 PMID:41344199	研究论文	提出一种名为D-EDL的差分证据深度学习框架，用于医学图像中鲁棒的分布外样本检测	针对传统证据深度学习在医学图像高数据不确定性样本上的过惩罚效应，提出用排除模块替代KL散度进行差分约束，并引入测试时原始证据推断和平衡检测评分以提升鲁棒性与临床适用性	方法在极端测试场景下的性能仍需更多临床数据集验证，未明确说明计算复杂度增加的具体影响	提升医学图像分布外样本检测的鲁棒性与临床安全性	医学图像中的分布外样本（如罕见病症）	计算机视觉	皮肤病（ISIC2019）、骨髓细胞形态学疾病、眼部疾病（EDDFS）	深度学习	证据深度学习（EDL）的改进框架	医学图像	ISIC2019数据集、骨髓细胞形态学数据集、EDDFS数据集（具体样本数未明确说明）	PyTorch（基于代码仓库推断）	未明确指定基础网络架构，但基于证据深度学习框架改进	鲁棒性指标、临床适用性、平衡检测评分（BDS）、分布外检测精度	未明确说明
10	2026-02-09	Perivascular space identification nnUNet for generalised usage (PINGU) 2026-Mar, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103903 PMID:41365148	研究论文	本研究开发了一个名为PINGU的深度学习模型，用于在异质性MRI数据上自动分割血管周围空间（PVS），以提升其在不同临床和研究环境中的泛化能力	首次在异质性多数据集、多扫描仪、不同分辨率和质量的MRI上训练nnUNet模型，用于PVS分割，并在基底神经节区域表现出优于现有公开算法的性能	在未见过的外部站点数据上性能显著下降，表明模型泛化能力仍有局限	开发一个广泛适用的自动化血管周围空间（PVS）分割工具，以支持脑部废物清除系统与神经疾病的研究	脑部MRI图像中的血管周围空间（PVS），重点关注白质和基底神经节区域	数字病理学	神经疾病	MRI	深度学习	图像	来自7个不同数据集、6台不同扫描仪的异质性MRI样本	nnUNet	nnUNet	Dice系数（体素水平和簇水平）	NA
11	2026-02-09	Immunocto: A massive immune cell database auto-generated for histopathology 2026-Mar, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103905 PMID:41401636	研究论文	本文介绍了一种自动从H&E和多重免疫荧光染色组织切片生成大规模免疫细胞数据库的工作流程，并创建了Immunocto数据库	利用Segment Anything Model自动生成单细胞轮廓和标签，相比现有数据库需要最少人工干预，并整合了匹配的H&E和IF数据以提高鲁棒性	NA	为肿瘤免疫微环境研究提供自动生成的免疫细胞数据库，以支持计算病理学应用	人类组织切片中的免疫细胞，包括CD4 T细胞、CD8 T细胞、CD20 B细胞和CD68/CD163巨噬细胞	数字病理学	癌症	H&E染色、多重免疫荧光标记	深度学习模型	图像	6,848,454个细胞和对象，包括2,282,818个免疫细胞	NA	Segment Anything Model	NA	NA
12	2026-02-09	BIASNet: A bidirectional feature alignment and semantics-guided network for weakly-supervised medical image registration 2026-Mar, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103913 PMID:41412021	研究论文	本文提出了一种名为BIASNet的双向特征对齐与语义引导网络，用于弱监督医学图像配准	提出了一种结合预训练VoCo模型、LoRA微调、双向对齐融合模块以及语义引导渐进配准框架的新方法，并引入了解剖区域形变一致性学习进行正则化	未明确说明方法在计算效率或实时性方面的表现，也未讨论对不同模态图像的泛化能力	改进弱监督医学图像配准的精度	医学图像	数字病理	NA	深度学习	CNN	图像	三个典型且具有挑战性的数据集	PyTorch	VoCo, BIASNet	NA	NA
13	2026-02-09	Segmentation of the right ventricular myocardial infarction in multi-centre cardiac magnetic resonance images 2026-Mar, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103911 PMID:41412022	研究论文	本文提出了一种名为RVMISegNet的多阶段深度学习模型，用于分割多中心心脏磁共振图像中的右心室心肌梗死区域	首次公开了右心室心肌梗死分割领域的基准数据集，并提出了一种结合多阶段处理、迁移学习、伪标签生成和形态学后处理的新型模型架构，以解决类别极度不平衡和强度重叠的挑战	数据集仅包含来自3个中心的213名受试者，且设备仅限于Philips、GE和Siemens，可能限制了模型的泛化能力	开发一种能够准确分割心脏磁共振图像中右心室心肌梗死区域的自动化方法	来自多中心的心脏磁共振短轴图像，用于右心室心肌梗死分割	数字病理学	心血管疾病	心脏磁共振成像	深度学习	图像	来自3个中心的213名受试者的心脏磁共振短轴图像	NA	UNet++	NA	NA
14	2026-02-09	Extreme cardiac MRI analysis under respiratory motion: Results of the CMRxMotion challenge 2026-Mar, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103883 PMID:41421267	研究论文	本文介绍了CMRxMotion挑战赛，旨在评估深度学习模型在呼吸运动伪影影响下的心脏磁共振图像质量评估和心肌分割的鲁棒性	首次公开了包含受控呼吸运动伪影的心脏磁共振数据集，并组织了专门的挑战赛来系统评估深度学习模型对运动伪影的鲁棒性	数据集仅包含40名健康志愿者的数据，可能无法完全代表临床患者群体的多样性	促进深度学习模型在存在呼吸运动伪影的心脏磁共振分析中的鲁棒性研究	心脏磁共振图像	数字病理学	心血管疾病	心脏磁共振成像	深度学习模型	图像	40名健康志愿者的320个心脏磁共振电影序列	NA	NA	NA	NA
15	2026-02-09	CLIP-Guided Generative network for pathology nuclei image augmentation 2026-Mar, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103908 PMID:41421266	研究论文	本文提出了一种基于CLIP引导的生成网络，用于病理细胞核图像的数据增强，以提升细胞核分割与分类模型的性能	首次将预训练的病理CLIP文本和图像编码器集成到生成器和判别器中，利用多模态文本描述（包含组织类型、细胞计数和细胞核类型信息）引导生成逼真的合成组织病理学图像	未明确讨论生成图像在罕见细胞核类型或复杂组织背景下的泛化能力，也未详细分析计算成本	通过生成式数据增强解决病理细胞核图像标注数据稀缺的问题，提升深度学习模型在细胞核分割与分类任务上的性能	组织病理学图像中的细胞核	数字病理学	NA	生成对抗网络（GAN），视觉-语言基础模型	GAN	图像，文本	多个公开可用的病理细胞核数据集（具体数量未在摘要中说明）	PyTorch（根据代码仓库链接推断）	CLIP-guided Generative network，高分辨率图像判别器，CLIP图像编码器	定性分析，定量分析（具体指标未在摘要中说明，可能包括分割与分类任务的常用指标）	NA
16	2026-02-09	Template-guided reconstruction of pulmonary segments with neural implicit functions 2026-Mar, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103916 PMID:41435447	研究论文	本文提出了一种基于神经隐式函数的方法，通过变形可学习模板来重建具有解剖感知的精确肺段三维模型	采用神经隐式函数结合可学习模板进行肺段重建，实现了计算高效且分辨率连续的三维表示，并引入了两个临床相关评估指标，同时构建了首个公开的肺段形状数据集Lung3D	未明确说明方法在极端解剖变异或病理情况下的鲁棒性，且数据集规模（800个样本）可能仍需扩大以覆盖更多临床场景	开发高质量的三维肺段重建方法以辅助肺段切除术和肺癌手术规划	肺段的三维解剖结构及其对应的气道、动脉、静脉和段间静脉	计算机视觉	肺癌	三维重建、隐式建模	神经隐式函数	三维模型/形状数据	800个标注的肺段三维模型及其相关解剖结构	NA	NA	两个临床相关评估指标（具体名称未在摘要中说明）	NA
17	2026-02-09	Interpretable classification of endomicroscopic brain data via saliency consistent contrastive learning 2026-Mar, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103917 PMID:41456554	研究论文	本文提出了一种用于脑组织pCLE数据分类的可解释深度学习框架，通过标签对比学习和显著性一致性模块提升分类性能与可解释性	首次提出标签对比学习损失替代交叉熵损失以学习类内相似性和类间对比；设计显著性一致性模块生成临床相关显著性图；创新性地使用指数移动平均更新全局嵌入而非模型权重；提出全局嵌入推理层替代可学习分类层	未明确说明模型在更大规模或更多样化数据集上的泛化能力；未与其他可解释性方法进行系统性比较	开发可解释的脑组织pCLE图像分类模型以辅助神经外科手术决策	离体和在体pCLE脑组织图像数据	计算机视觉	脑肿瘤	pCLE（共聚焦激光内窥镜）	深度学习	图像	未明确说明具体样本数量（仅提及离体和在体pCLE数据）	未明确说明	未明确说明基础架构（但包含自定义的TK-MMP层和GEI层）	准确率, 鲁棒性, 可解释性	未明确说明
18	2026-02-09	Multi-cancer framework with cancer-aware attention and adversarial mutual-information minimization for whole slide image classification 2026-Mar, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103927 PMID:41494313	研究论文	本文提出了一种用于多癌症全切片图像分类的新框架，通过癌症感知注意力模块和对抗性互信息最小化来提升泛化能力	引入了癌症感知注意力模块来建模跨癌症的共享模式和癌症特异性变异，并构建了对抗性癌症正则化机制以最小化癌症特异性偏差	NA	开发一个可扩展的多癌症全切片图像分类解决方案，以克服现有方法在泛化性和可扩展性方面的限制	全切片图像	数字病理学	多癌症	深度学习	NA	图像	NA	NA	NA	NA	NA
19	2026-02-09	DVAP-Reg: Dual-view anatomical prior-driven cross-dimensional registration for spinal surgery navigation 2026-Mar, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103930 PMID:41506054	研究论文	提出了一种用于脊柱手术导航的双视图解剖先验驱动跨维度配准方法	提出了一种基于双视图X射线和空间相关机制的直接回归网络，并引入了通过Face-GCN模块提取的解剖先验作为条件信息，以增强高级空间感知并指导空间姿态对齐	未在摘要中明确说明	实现脊柱手术导航中术前3D椎骨与术中2D X射线的精确配准，以增强手术精度、减少辐射暴露和降低手术风险	脊柱（特别是腰椎）	计算机视觉	脊柱疾病	X射线成像，CT成像	GCN, 回归网络	图像（2D X射线，3D CT）	未在摘要中明确说明	未在摘要中明确说明	Face-GCN	旋转精度（度），平移精度（毫米）	未在摘要中明确说明
20	2026-02-09	DTG: Dual transformers-based generative adversarial networks for retinal 2D/3D OCT image classification 2026-Mar, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103915 PMID:41518764	研究论文	本文提出了一种基于双Transformer和生成对抗网络的深度学习架构DTG，用于视网膜2D/3D OCT图像的自动分类	结合Vision Transformer和Multiscale Vision Transformer编码2D/3D OCT图像，并采用生成对抗网络生成高质量语义表示，通过患者实例数据增强技术提升训练数据	未明确说明模型在数据稀缺情况下的表现或计算资源需求	实现视网膜疾病的自动准确分类，辅助眼科医生诊断	视网膜2D OCT图像（B-scans）和3D OCT图像（B-scans序列）	计算机视觉	视网膜疾病	光学相干断层扫描（OCT）	GAN, Transformer	图像	两个真实世界OCT数据集（具体数量未说明）	NA	Vision Transformer, Multiscale Vision Transformer	准确率, 精确率, 召回率, F1分数, 二次加权Kappa, AUC-PR, AUC-ROC	NA