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	2026-05-04	Interpretable spatiotemporal traffic crash risk prediction using DMD-based graph neural networks 2026-Jul, Accident; analysis and prevention DOI:10.1016/j.aap.2026.108522 PMID:41911624	研究论文	提出一种基于Hankel动态模态分解与时空图神经网络的混合模型，用于预测城市街区级别的交通事故风险	将Hankel-DMD的低秩时空模态提取能力与图神经网络的非线性残差学习相结合，兼顾了预测准确性与可解释性	模型依赖历史数据质量和外部因素（如天气、事件），可能无法完全捕捉异常行为模式；仅在单一城市数据上验证	实现短时（1-7天）街区级事故风险的准确且可解释性预测，支持主动交通安全管理	美国丹佛市78个街区2019-2021年的每日事故记录	机器学学习, 数字病理学	NA	DMD, 图神经网络	混合模型（Hankel-DMD + 图神经网络）	数值矩阵（街区-天事故计数）	78个街区 × 1095天（2019-2021年）	PyTorch	STGNN, Hankel-DMD	MAE, RMSE, 百分比改进	NA
2	2026-05-04	Non-invasive classification of coronary perfusion pressure during CPR using smartphone-based skin video and deep learning 2026-Jul, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2026.109348 PMID:41967268	研究论文	提出一种基于智能手机皮肤视频和深度学习的非侵入性方法，用于心肺复苏过程中冠状动脉灌注压的无创分类	首次利用智能手机拍摄的皮肤视频结合深度学习模型无创分类CPP，并集成Grad-CAM和YCrCb分析增强可解释性	研究基于动物模型（15头猪），尚未在人体临床试验验证	开发一种低成本、可及的非侵入性CPP分类方法，用于院外心肺复苏的实时质量评估和决策支持	15头猪在心肺复苏过程中的皮肤视频和生物信号数据	计算机视觉，深度学习	心脏骤停，心血管疾病	智能手机视频记录，深度学习	CNN，GRU	视频，生物信号	15头猪	PyTorch	EfficientNetV2-B0，ConvNeXt-Nano，FastViT-T8，CNN-backbone-GRU	准确率，F1分数	NA
3	2026-05-04	The nonlinear impact of road safety policy implementation on the severity of road traffic crashes: A fusion of deep learning and Bayesian random parameter methods 2026-Jul, Accident; analysis and prevention DOI:10.1016/j.aap.2026.108503 PMID:41990541	研究论文	通过融合深度学习和贝叶斯随机参数方法，分析道路安全政策实施对交通事故严重程度的非线性影响	首次将可解释机器学习技术与贝叶斯随机参数方法相结合，探索政策干预与事故严重程度之间的非线性关系及时空异质性	未明确提及研究局限性	探究道路安全政策实施对交通事故严重程度的非线性影响及其时空异质性	澳大利亚七个州的交通事故数据及道路安全政策强度数据	机器学习	NA	NA	深度学习模型、贝叶斯随机参数模型	结构化数据（交通事故记录、政策强度数据）	澳大利亚七个州的多项交通事故数据及政策强度数据，具体数量未提及	NA	可解释机器学习模型、贝叶斯随机参数模型	模型可靠性经过严格测试，具体指标未提及	NA
4	2026-05-04	Echo-SMADS: A hierarchical planning model for predicting ejection fraction using echocardiography 2026-Jul, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2026.109377 PMID:42019102	研究论文	提出一种基于层次规划的心室射血分数预测模型Echo-SMADS以提高临床可解释性	借鉴人工智能层次规划概念，将射血分数预测任务分解为三个临床相关子任务（结构识别、相位选择和容积估计），并设计为独立优化的模块化系统，提供可解释的中间输出	仅基于EchoNet-Dynamic数据集验证，未在更多临床场景中测试；模块化设计可能增加模型复杂度和训练成本	设计一种临床对齐的模块化系统，模拟医生诊断流程，提升射血分数评估的可解释性、稳定性和临床适用性	超声心动图像中的左心室结构与功能评估	计算机视觉, 数字病理学	心血管疾病	超声心动图	层次规划模型	图像	EchoNet-Dynamic数据集	NA	模块化层次规划架构	平均绝对误差, 均方根误差	NA
5	2026-05-04	Exploring three-dimensional reconstruction with Neural Radiance Field (NeRF) for coronary roadmap navigation and view-planning in X-ray coronary angiography: A feasibility study 2026-Jul, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2026.109349 PMID:42019103	研究论文	探索使用神经辐射场（NeRF）从X射线冠状动脉造影图像进行三维重建，用于冠状动脉路线图导航和视角规划	首次应用NeRF技术从少量X射线冠状动脉造影视图进行自动三维重建，并评估其在临床导航和规划中的可行性	NeRF在视角规划方面表现不佳，不足三分之一的预测视图被认为可接受，且在不同评估者之间存在评分差异，需要对三维冠状动脉拓扑结构进行进一步改进以提高模型鲁棒性	评估NeRF在X射线冠状动脉造影中生成冠状动脉路线图和预测最佳视角的临床可行性	X射线冠状动脉造影图像中的三维冠状动脉树	计算机视觉	冠状动脉疾病	X射线冠状动脉造影	Neural Radiance Field (NeRF)	图像	多种分割后的血管造影视图组合	NA	NeRF	定性问卷调查（图像质量、冠状动脉拓扑结构、视觉杂乱程度）	NA
6	2026-05-04	Development of a deep learning tool to detect drug-resistance epilepsy with EEG 2026-Jul, Epilepsy & behavior : E&B IF:2.3Q2 DOI:10.1016/j.yebeh.2026.111028 PMID:41936310	研究论文	开发基于脑电图的深度学习工具检测耐药性癫痫	首次使用表面脑电图和卷积神经网络对耐药性癫痫与非耐药性癫痫进行分类	仅使用表面脑电图数据且数据集较小，模型性能中等，需通过添加神经影像和临床信息以及更大规模数据集来改进	开发一种卷积神经网络模型，利用表面脑电图分类癫痫患者为耐药性或非耐药性	癫痫患者	机器学习	癫痫	EEG	CNN	脑电图图像	180名癫痫患者（平均年龄41.1岁，52.8%女性）	NA	CNN	准确率、敏感度、特异度、F1分数、AUC-ROC、AUPRC	NA
7	2026-05-04	Artificial intelligence-based prediction of boar reproductive fitness and health: Current status in research and practice 2026-Jun, Animal reproduction science IF:2.2Q1 DOI:10.1016/j.anireprosci.2026.108172 PMID:41861691	综述	总结人工智能和机器学习在公猪生殖健康与繁殖性能预测中的当前研究与应用现状	系统综述了从传统精子评估转向基于AI的预测性、精准化生殖管理的技术进展，涵盖成像、光谱、超声等多模态数据应用	数据标准化、模型可解释性和经济可行性仍是主要挑战	评估AI/ML技术在公猪生殖健康管理中的潜力及应用范围	公猪生殖健康与繁殖性能	机器学习	NA	图像流式细胞术，计算机辅助精子分析，拉曼光谱，近红外光谱，睾丸超声	深度学习	图像，光谱数据	NA	NA	NA	NA	NA
8	2026-05-04	High-accuracy instance segmentation of cellular structures in head and neck squamous cell carcinoma histopathology using a cyto R-CNN deep learning framework 2026-Jun, Pathology, research and practice DOI:10.1016/j.prp.2026.156459 PMID:41985370	研究论文	开发一种基于深度学习的Cyto R-CNN框架，用于头颈部鳞状细胞癌组织病理学图像中细胞结构的实例分割，以提高病理评估的效率和客观性	提出了一个任务特定的Cyto R-CNN框架，通过集成双分支解码器和边界感知的轮廓损失，有效应对细胞重叠和边界模糊的挑战，实现了对细胞核和完整细胞的高精度实例分割	未来需扩展数据集并在更广泛的图像集合和临床应用中评估模型	自动化头颈部鳞状细胞癌组织病理学图像中细胞核和完整细胞的实例分割，提供定量支持以辅助诊断	头颈部鳞状细胞癌（HNSCC）组织病理学图像中的细胞核和完整细胞	计算机视觉	头颈部鳞状细胞癌	H&E染色	Cyto R-CNN	图像	83张图像，包含6598个标注实例	PyTorch	Cyto R-CNN	Dice系数	NA
9	2026-05-04	Predicting DNA replication-related protein expression at the nucleus level from HE: A deep learning study with same-specimen paired data 2026-Jun, Acta histochemica IF:2.3Q4 DOI:10.1016/j.acthis.2026.152334 PMID:42035593	研究论文	基于同一标本配对HE和IHC数据，利用深度卷积网络在细胞核水平预测DNA复制相关蛋白表达	首次在细胞核水平直接从HE核形态预测连续DAB光密度和二元阳性，使用同一标本配对的HE/IHC数据集，并评估多任务学习跨标记预测	样本量小（21例），缺乏外部验证	评估深度卷积网络能否从HE核图像预测DNA复制相关蛋白（CDC6、CDT1、MCM7、ORC1、CDC7、Geminin、Ki-67）的表达	子宫内膜样癌病例的HE和IHC图像中的细胞核	数字病理学	子宫内膜癌	HE染色、IHC染色、NMF颜色分离、HoVer-Net核分割	卷积神经网络	图像（HE和IHC）	21例子宫内膜样癌病例（每级7例）	PyTorch	ResNet-50, EfficientNet-B0, MobileNetV3-Small	AUC-ROC, F1分数, 相关系数, 平均绝对误差	NA
10	2026-05-04	AI-based plastic waste classification for sorting purposes: A review on recent progresses and challenges 2026-May-30, Waste management (New York, N.Y.) DOI:10.1016/j.wasman.2026.115542 PMID:42008919	综述	系统综述了2015至2025年间基于人工智能的塑料垃圾分类与分拣方法	整合了性能评估指标、映射了AI分类模型多样性，并提出了轻量模型、多传感器融合和边缘AI部署的未来研究方向	真实世界数据集有限、可扩展性问题及环境可变性挑战	为可持续和可扩展的AI驱动塑料垃圾分类提供技术资源和战略指南	塑料垃圾	计算机视觉、机器学习、自然语言处理	NA	近红外光谱、傅里叶变换红外光谱、拉曼光谱	卷积神经网络、YOLO、Transformer	图像	112篇文章	NA	CNN、YOLO、Transformer	准确率	NA
11	2026-05-04	Advancing air pollution forecasting: a review of physical, statistical, and machine learning methods 2026-May-03, Environmental science and pollution research international DOI:10.1007/s11356-026-37789-7 PMID:42070218	综述	综述了空气污染监测与预测工具，重点关注物理、统计和机器学习方法	强调混合和集成模型融合物理与数据驱动方法提升预测准确性，并探讨物理信息机器学习和边缘计算模型等新兴方向	NA	回顾空气污染预测建模技术，比较确定性模型、统计方法及机器学习/深度学习方法，并探索未来方向	空气污染数据与预测方法	机器学习	NA	NA	物理模型、统计模型、机器学习模型、深度学习模型、混合模型、集成模型	污染物浓度数据	NA	NA	NA	预测准确性、鲁棒性	边缘计算模型
12	2026-05-04	Optimizing land use and land cover classification with deep learning on multi-resolution datasets 2026-May-02, Environmental monitoring and assessment IF:2.9Q3 DOI:10.1007/s10661-026-15391-1 PMID:42068382	研究论文	探索三种深度学习架构（MobileNetV3、ResNet34、GoogleNet）结合迁移学习、数据增强和自适应学习率调度在多分辨率数据集上的土地覆盖分类性能	通过迁移学习、数据增强和自适应学习率调度的优化训练流程，系统比较三种现代深度学习架构在多分辨率遥感数据集上的分类性能	NA	优化深度学习方法用于多分辨率数据集上的土地覆盖分类	EuroSAT和PatternNet两个基准数据集中的遥感图像	计算机视觉	NA	卫星遥感图像处理	卷积神经网络	图像	EuroSAT数据集包含10类土地覆盖的Sentinel-2卫星图像，PatternNet数据集包含38种多样化类别的高分辨率航空图像	NA	MobileNetV3, ResNet34, GoogleNet	准确率, 推理时间	NA
13	2026-05-04	The Use of Statistical Shape and Appearance Modelling for Predicting Osteoporotic Fracture Risk 2026-May-02, Current osteoporosis reports IF:4.2Q1 DOI:10.1007/s11914-026-00966-1 PMID:42068423	综述	探讨统计形状与外观建模在预测骨质疏松性骨折风险中的应用进展	将统计形状与外观建模与有限元分析和机器学习结合，从2D临床图像重建3D对象进行生物力学评估	临床推广受限于模型的泛化能力不足	评估统计形状与外观建模在骨质疏松性骨折风险预测中的研究进展	骨质疏松性骨折的骨几何结构和内部密度分布	计算机视觉	骨质疏松性骨折	统计形状与外观建模	NA	图像	NA	NA	NA	NA	NA
14	2026-05-04	Engineering biomarker representations of vital signs data enhances deep learning mortality prediction 2026-May-02, Journal of the American Medical Informatics Association : JAMIA IF:4.7Q1 DOI:10.1093/jamia/ocag066 PMID:42068567	研究论文	评估双向长短期记忆模型在使用不同生命体征数据处理方法预测住院患者死亡率中的表现	提出使用基于生物标志物表示的生命体征预处理方法，扩展了PhysioZoo数字血氧生物标志工具箱，并证明该方法能显著提高深度学习模型的预测性能	未提及具体限制	评估不同生命体征数据处理方法对双向长短期记忆模型预测住院患者死亡率的影响	重症监护病房住院患者	机器学习	住院患者死亡率	NA	双向长短期记忆模型	生命体征数据	两个大型重症监护数据集：HiRID和eICU	NA	双向长短期记忆	判别能力、Brier分数	NA
15	2026-05-04	Fusion attention-based nasopharyngeal carcinoma segmentation model in predicting the clinical outcome of cervical lymph node residue after IMRT 2026-May-02, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-026-02356-6 PMID:42069522	研究论文	提出一种基于融合注意力的鼻咽癌分割模型，用于预测调强放疗后颈部淋巴结残留的临床结局，并构建影像组学列线图	将融合注意力机制引入U-Net框架，改进通道和空间注意力模块以聚焦小目标，并将2D交错稀疏自注意力扩展至3D，解决低对比度问题；结合临床因素和影像组学特征建立预测列线图	样本量较小（69例），为单中心回顾性研究，仅使用CT图像，缺乏外部验证集	实现鼻咽癌原发灶的自动分割，并根据治疗后残留淋巴结的影像组学特征预测其最终结局	69例接受调强放疗的鼻咽癌患者，治疗后首次MRI显示残留转移性淋巴结但无残留原发灶，中位随访53个月	医学影像分析	鼻咽癌	调强放疗CT图像	融合注意力卷积神经网络	CT图像	69例患者的放疗CT影像	PyTorch, PyRadiomics	U-Net, 通道和空间注意力模块, 3D交错稀疏自注意力	平均Dice系数, 相对体积误差, 平均对称表面距离, Hausdorff距离, 曲线下面积	NA
16	2026-05-04	A multicenter-validated interpretable transformer model for pituitary microadenoma detection on non-contrast multiparametric MRI 2026-May-02, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-026-02391-3 PMID:42069529	研究论文	开发了一种基于非对比多参数MRI的Transformer深度学习模型，用于检测垂体微腺瘤，并通过可解释AI技术增强模型透明度	首次将Transformer模型应用于非对比多参数MRI的垂体微腺瘤检测，并结合Grad-CAM和SHAP可解释性技术提升CNN分类的透明度和泛化能力	未在更大规模的多中心外部验证集中测试，且非对比MRI可能仍存在一定的敏感性限制，需进一步临床验证	提高非对比多参数MRI检测垂体微腺瘤的准确性、泛化性和可解释性	来自三家医院的590名患者的非对比多参数MRI鞍区扫描数据	计算机视觉, 数字病理学	垂体微腺瘤	多参数MRI	Transformer, CNN	MRI图像	590名患者	PyTorch	Transformer, 2D_DL, 2.5D_DL, 2D_multichannel	AUC, 准确率, 精确率, 召回率, F1分数	NVIDIA GPU（如V100或A100）
17	2026-05-04	Extending Tanner's framework: the digital clinical judgment model for nursing education 2026-May-02, BMC nursing IF:3.1Q1 DOI:10.1186/s12912-026-04703-y PMID:42069542	研究论文	提出数字临床判断模型（DCJM），用于支持数字护理教育中临床判断的教学与学习	将Tanner临床判断模型与社会文化学习、脚手架及深度学习理论进行概念综合，提出包含教学、社会情感和技术支持的三层结构的数字临床判断模型	需进一步实证研究验证其在实践中的有用性及其对学生学习和教育设计的影响	开发支持数字护理教育中临床判断教学的教学模型	数字护理教育中的临床判断教学与学习	机器学习	NA	NA	NA	NA	NA	NA	NA	NA	NA
18	2026-05-04	From intelligent models to clinical tools: the evolving landscape of AI in medical imaging 2026-May-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-49861-w PMID:42069740	评论	探讨人工智能在医学影像领域从智能模型到临床工具的发展现状，聚焦诊断准确性、工作流程效率和个性化治疗规划的提升，同时分析数据异质性、模型黑箱性质和临床整合验证等挑战	系统综述了AI在肿瘤学、心脏病学、眼科学等具体领域的算法创新、可解释AI和转化应用的前沿进展	未深入讨论各技术路径的具体性能对比和长期临床验证数据	概述AI医学影像领域从模型开发到临床转化的关键路径和协作需求	医学影像领域的AI驱动工具及其在多个专科中的临床应用	计算机视觉	肿瘤、心血管疾病	NA	深度学习	医学图像	NA	NA	NA	诊断准确性	NA
19	2026-05-04	Supervised contrastive learning for cell stage classification of animal embryos 2026-May-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-39214-y PMID:42069751	研究论文	提出结合监督对比学习和焦点损失的CLEmbryo方法，用于自动分类动物胚胎细胞阶段	首次将监督对比学习应用于胚胎细胞阶段分类，结合焦点损失处理不平衡数据，并采用轻量级3D神经网络CSN-50作为编码器	未明确提及局限性，但可能受限于低质量图像、类边界模糊和数据不平衡问题	利用深度学习自动从2D延时显微镜视频中分类胚胎细胞阶段，提升效率并支持大规模应用	牛胚胎和老鼠胚胎的细胞阶段分类	数字病理学	NA	视频显微镜	CSN-50（3D卷积神经网络）	图像	自建牛胚胎细胞阶段数据集和公开的NYU小鼠胚胎数据集	PyTorch	CSN-50	准确率	NA
20	2026-05-04	Hybrid deep learning model for multimodal vocal and lung signal analysis in health monitoring 2026-May-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32779-0 PMID:42069761	研究论文	提出一种混合深度学习模型，通过整合语音和肺部信号分析实现非侵入式健康监测	创新性地采用多模态数据处理方法，将卷积神经网络与双向循环神经网络融合为卷积双向循环神经网络模型，并行处理语音和肺音数据集，并通过集成模型进行综合评估	未提及模型在实际临床环境中的部署挑战，以及不同噪声条件下对模型性能的影响	开发一种多网络模型用于语音和肺部异常检测，以提高健康监测系统的准确性和可靠性	语音信号和肺部信号数据	机器学习	呼吸道疾病	梅尔频率倒谱系数	卷积双向循环神经网络	语音和肺部信号	未提及具体样本数量	NA	卷积神经网络、双向循环神经网络、卷积双向循环神经网络、集成模型	准确率	NA