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	2026-04-17	Histopathological image analysis and enhanced diagnostic accuracy explainability for oral cancer detection 2025, Polish journal of pathology : official journal of the Polish Society of Pathologists IF:0.7Q4 DOI:10.5114/pjp.2025.153973 PMID:40977550	研究论文	本研究提出了一种用于口腔癌分类的深度学习模型，通过颜色归一化、特征选择和可解释人工智能技术，提高了诊断准确性和决策可解释性	结合Vahadane颜色归一化、加权Fisher分数特征选择和可解释人工智能，改进了U-Net分类器，使用特征输入而非完整图像，降低了计算复杂度	未明确提及样本来源的多样性或外部验证结果，可能影响模型的泛化能力	提高口腔癌组织病理学图像分析的诊断准确性和可解释性，以支持精准医疗	口腔癌组织病理学图像	数字病理学	口腔癌	组织病理学图像分析	深度学习模型	图像	NA	NA	U-Net, DenseNet201, VGG10	准确率, 精确度, 可靠性	NA
2	2026-04-14	Identification of cardiac wall motion abnormalities in diverse populations by deep learning of the electrocardiogram 2025-Jan-11, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-024-01407-y PMID:39799179	研究论文	本研究利用深度学习分析心电图，以识别心脏壁运动异常，并参考超声心动图作为金标准进行验证	开发了一种名为ECG-WMA-Net的深度神经网络，通过分析心电图中的QRS和T波区域，显著提高了心脏壁运动异常的检测准确性，超越了传统基于Q波的筛查方法	研究依赖于超声心动图报告的文本解析进行标注，可能存在标注误差；外部验证队列规模相对较小（n=2338），可能影响模型的泛化能力评估	通过深度学习技术，从心电图中提取新特征，以增强心脏壁运动异常的检测能力，并解决传统方法在不同种族和民族群体中准确性差异的问题	来自加利福尼亚州和佐治亚州的多样化患者群体，包括35,210名患者用于训练和验证，以及2,338名患者用于外部验证	机器学习	心血管疾病	深度学习，超声心动图	深度神经网络	心电图，超声心动图报告文本	训练和验证队列：35,210名患者；外部验证队列：2,338名患者	NA	ECG-WMA-Net	AUROC, AUC	NA
3	2026-04-14	ACTION: Augmentation and computation toolbox for brain network analysis with functional MRI 2025-Jan, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2024.120967 PMID:39716522	研究论文	本文介绍了一个名为ACTION的开源工具箱，用于功能磁共振成像（fMRI）的脑网络分析，提供数据增强和深度学习模型支持	开发了一个综合性的开源工具箱，首次集成fMRI数据增强（包括BOLD信号和脑网络增强），并支持深度学习模型预训练及联邦学习策略，以处理有限或不平衡数据	未明确说明工具箱在特定疾病或任务上的性能限制，或对计算资源的具体要求	开发一个用户友好的工具箱，以简化和增强fMRI分析，特别是通过数据增强和深度学习方法来改善脑网络研究	功能磁共振成像（fMRI）数据，用于脑网络分析	机器学习	NA	功能磁共振成像（fMRI）	深度学习模型	fMRI图像数据	超过3,800个静息态fMRI扫描作为辅助未标记数据用于预训练	Python	NA	NA	NA
4	2026-04-12	Advancing bioinformatics with large language models: components, applications and perspectives 2025-Jan-31, ArXiv PMID:38259343	综述	本文全面概述了大型语言模型在生物信息学中的关键组成部分、应用领域及未来展望	系统性地探讨了LLMs在解决生物信息学问题（超越其在人类语言建模方面的熟练度）的潜力，并提供了针对生物信息学领域不同数据类型（基因组学、转录组学等）的实用指南	作为一篇综述文章，未提出新的原创模型或方法，主要基于现有研究和经验进行总结与展望	综述大型语言模型在生物信息学领域的应用现状、关键技术与未来发展方向	大型语言模型及其在生物信息学子领域的应用	自然语言处理, 生物信息学	NA	自监督学习, 半监督学习	Transformer	文本, 基因组数据, 转录组数据, 蛋白质组数据, 单细胞数据	NA	NA	Transformer	NA	NA
5	2026-04-10	A novel approach in cancer diagnosis: integrating holography microscopic medical imaging and deep learning techniques-challenges and future trends 2025-Jan-29, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ad9eb7 PMID:39671712	综述	本文探讨了将全息显微医学成像与深度学习技术相结合用于癌症诊断的新方法，分析了其优势、挑战及未来趋势	提出了一种结合定量相位成像（QPI）与深度学习（如U-Net和Vision Transformer）的集成方法，以捕获传统成像技术无法提供的详细结构（相位）信息，从而提高癌症诊断的准确性	文中未明确提及具体实验数据或样本量，主要基于文献综述和分析，因此缺乏实证研究的局限性讨论	研究旨在通过整合全息显微相位成像和深度学习技术，改进癌症诊断的准确性和全面性	癌症诊断中的生物结构成像，特别是通过全息显微技术捕获的振幅和相位细节	数字病理学	癌症	全息显微医学成像，定量相位成像（QPI）	深度学习模型，包括U-Net和Vision Transformer（ViT）	全息显微图像	NA	NA	U-Net, Vision Transformer（ViT）	NA	NA
6	2026-04-10	Deep Learning to Simulate Contrast-Enhanced MRI for Evaluating Suspected Prostate Cancer 2025-01, Radiology IF:12.1Q1 DOI:10.1148/radiol.240238 PMID:39807983	研究论文	本研究评估了使用深度学习从非对比MRI序列生成模拟对比增强MRI的可行性，并探讨其在评估临床显著前列腺癌中的潜在价值	首次利用pix2pix算法从四种非对比MRI序列合成对比增强MRI，以减少对比剂使用的潜在风险	研究为回顾性设计，且模拟图像与真实图像的相似度在外部测试集上有所下降	评估深度学习生成模拟对比增强MRI的可行性及其在前列腺癌PI-RADS评分中的应用价值	疑似前列腺癌的男性患者	数字病理学	前列腺癌	多参数MRI，包括T1加权成像、T2加权成像、扩散加权成像和表观扩散系数图	GAN	MRI图像	567名男性患者（平均年龄66岁±11），分为训练测试集（244例）、内部测试集（104例）、外部测试集1（143例）和外部测试集2（76例）	NA	pix2pix	多尺度结构相似性指数，Cohen κ	NA
7	2026-04-10	Automated Deep Learning-Based Detection and Segmentation of Lung Tumors at CT 2025-01, Radiology IF:12.1Q1 DOI:10.1148/radiol.233029 PMID:39835976	研究论文	本研究开发并评估了一种基于集成深度学习的模型，用于自动化检测和分割CT扫描中的肺部肿瘤	采用3D U-Net集成方法，平衡了体积上下文与分辨率，并展示了模型在外部站点上的泛化能力	研究为回顾性设计，可能受限于数据集的特定来源和时间范围	开发自动化工具以辅助肺部肿瘤的检测和分割，减少人工标注的负担和变异性	CT模拟扫描图像及临床肺部肿瘤分割标注	计算机视觉	肺癌	CT扫描	深度学习	图像	训练集：1,504个CT扫描；测试集：150个CT扫描（其中100个为单肿瘤子集）	NA	3D U-Net	灵敏度, 特异度, 假阳性率, Dice相似系数	NA
8	2025-01-29	Deep Learning MRI Reconstruction Delivers Superior Resolution and Improved Diagnostics 2025-Jan, Radiology IF:12.1Q1 DOI:10.1148/radiol.242952 PMID:39873600	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
9	2026-04-10	Deep Learning Superresolution for Simultaneous Multislice Parallel Imaging-Accelerated Knee MRI Using Arthroscopy Validation 2025-01, Radiology IF:12.1Q1 DOI:10.1148/radiol.241249 PMID:39873603	研究论文	本研究通过关节镜验证，评估了深度学习超分辨率技术在膝关节MRI中的诊断性能	首次使用关节镜作为独立参考标准，验证了深度学习超分辨率技术在加速膝关节MRI中的诊断性能	研究样本量相对较小（116名成人），且仅针对膝关节特定病变进行评估	验证深度学习超分辨率MRI在膝关节病变诊断中的性能	患有膝关节疼痛的成人患者	医学影像分析	膝关节疾病	深度学习超分辨率, 同时多层并行成像加速MRI	深度学习模型	MRI图像	116名成人（平均年龄45岁，74名男性）	NA	NA	AUC, Cohen κ, Gwet AC2, Likert评分	3 T MRI扫描仪
10	2026-04-10	RETRACTED: Fast fault diagnosis of smart grid equipment based on deep neural network model based on knowledge graph 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0315143 PMID:39951439	研究论文	本文提出了一种基于知识图谱和YOLOv4目标检测算法的智能电网设备故障诊断模型，旨在提高诊断准确性和效率	创新性地将YOLOv4目标检测算法与知识图谱结合，统一多模态信息的表征和存储，以提升智能电网设备故障诊断的准确性和速度	未在摘要中明确提及具体限制，如模型泛化能力、数据多样性或实际部署挑战	开发一种更准确、快速且易于操作的智能电网设备故障诊断技术，以解决现有技术中应用复杂和诊断率低的问题	智能电网设备及其故障诊断	机器学习	NA	深度学习多模态语义模型和知识图谱	CNN	多模态信息（可能包括图像、文本等）	NA	NA	YOLOv4	准确性、速度、易操作性	NA
11	2026-04-10	RETRACTED: Optimizing chemotherapeutic targets in non-small cell lung cancer with transfer learning for precision medicine 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0319499 PMID:40299923	研究论文	本文提出了一种结合混合UNet Transformer、改进Rime优化算法和深度迁移学习的药物发现模型，用于识别非小细胞肺癌的化疗靶点	提出了一种混合UNet Transformer架构用于从药物和蛋白质序列中提取深度特征，并引入了改进的Rime优化算法进行特征选择，同时设计了深度迁移学习模型以提高药物发现的准确性	未提及模型在临床实际应用中的验证情况，也未讨论模型对不同患者亚群的泛化能力	优化非小细胞肺癌的化疗靶点识别，推动精准医疗发展	非小细胞肺癌患者的药物靶点	机器学习	肺癌	特征提取，迁移学习	Transformer, UNet, LSTM	序列数据（药物序列和蛋白质序列）	使用了Davis、KIBA和Binding-DB三个基准数据集，具体样本数量未明确说明	NA	混合UNet Transformer, DTransL	准确率	NA
12	2026-04-10	RETRACTED: TGEL-transformer: Fusing educational theories with deep learning for interpretable student performance prediction 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0327481 PMID:40587446	研究论文	本研究提出了一个融合教育理论与深度学习的TGEL-Transformer框架，用于可解释的学生成绩预测	提出了理论指导的TGEL-Transformer框架，首次将多元智能理论和社会认知理论融入深度学习模型，设计了双通道特征处理模块、理论指导的四头注意力机制和可解释预测层	未在摘要中明确说明	解决传统教育数据挖掘方法难以整合异构特征数据、现有深度学习模型缺乏教育理论指导且可解释性不足的问题	学生	教育数据挖掘	NA	深度学习	Transformer	异构特征数据（认知、情感、环境维度）	6,608名学生（主要数据集），480名跨文化数据（外部验证）	未在摘要中明确说明	TGEL-Transformer（Theory-Guided Educational Learning Transformer）	RMSE, R2	未在摘要中明确说明
13	2026-04-10	Artificial intelligence in breast ultrasound: a systematic review of research advances 2025, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2025.1619364 PMID:41098709	综述	本研究通过文献计量可视化分析，总结了人工智能集成超声技术在乳腺癌领域的研究进展、热点、趋势及国际合作模式	首次对2004-2025年间人工智能在乳腺超声领域的文献进行系统性文献计量与可视化分析，揭示了该领域的发展轨迹、核心研究力量及新兴主题	分析仅基于Web of Science核心合集数据库，可能未涵盖所有相关文献；研究结果存在地域性差异，全球合作仍需加强	总结人工智能在乳腺超声领域的研究进展，为临床诊断和治疗决策提供参考	2004-2025年间发表的关于人工智能集成超声技术用于乳腺癌的相关学术文献	医学影像分析	乳腺癌	文献计量分析，可视化分析	NA	文献元数据（发表量、引用、合作网络、关键词等）	1876篇纳入分析的学术文章	VOSviewer, CiteSpace, Microsoft Excel	NA	发表数量，总引用次数，关键词聚类，突现检测	NA
14	2026-04-07	Structure-Based Approaches for Protein-Protein Interaction Prediction Using Machine Learning and Deep Learning 2025-01-17, Biomolecules IF:4.8Q1 DOI:10.3390/biom15010141 PMID:39858535	综述	本文总结了利用蛋白质结构信息进行蛋白质-蛋白质相互作用预测的计算方法，重点关注机器学习和深度学习技术	通过整合三维空间和生化特征，结构基方法比序列基方法提供更高的生物准确性，并揭示功能位点如结合和催化残基	面临高分辨率结构数据有限和有效负采样需求等挑战	推动蛋白质-蛋白质相互作用预测，以理解细胞过程并揭示健康和疾病的分子机制	蛋白质-蛋白质相互作用	机器学习	NA	结构基预测	机器学习,深度学习	蛋白质结构数据	NA	NA	NA	预测准确性	NA
15	2026-04-07	Utilizing Feature Selection Techniques for AI-Driven Tumor Subtype Classification: Enhancing Precision in Cancer Diagnostics 2025-01-08, Biomolecules IF:4.8Q1 DOI:10.3390/biom15010081 PMID:39858475	综述	本文综述了特征选择技术如何通过提高机器学习模型在高维数据集中的可解释性和性能，来应对癌症异质性带来的诊断挑战	探讨了人工智能驱动的特征选择在自动化特征提取方面的潜力，并强调了整合深度学习模型和多组学策略的未来方向	方法仍面临数据质量保证、过拟合缓解和可扩展性处理等关键限制	提升癌症诊断的精确性，特别是肿瘤亚型的分类	肿瘤亚型及其生物行为	机器学习	癌症	多组学数据整合	机器学习模型，深度学习模型	高维数据集	NA	NA	NA	NA	NA
16	2026-04-05	Diagnostic performance and generalizability of deep learning for multiple retinal diseases using bimodal imaging of fundus photography and optical coherence tomography 2025, Frontiers in cell and developmental biology IF:4.6Q1 DOI:10.3389/fcell.2025.1665173 PMID:41018263	研究论文	本研究开发并评估了基于彩色眼底照相和光学相干断层扫描的双模态深度学习模型，用于检测多种视网膜疾病，并评估其诊断性能和泛化能力	提出了双模态融合模型（Fusion-MIL），结合了彩色眼底照相和光学相干断层扫描数据，在多种设备和扫描模式下表现出优于单模态模型的诊断性能和高泛化能力	研究为横断面设计，未进行前瞻性验证；样本量相对有限，且数据来自特定医院和设备，可能影响模型在更广泛人群中的适用性	开发并评估深度学习模型，用于检测和分类多种视网膜疾病，提升诊断准确性和泛化能力	视网膜疾病患者，包括糖尿病视网膜病变、年龄相关性黄斑变性、病理性近视、视网膜前膜和黄斑水肿等	计算机视觉	视网膜疾病	彩色眼底照相，光学相干断层扫描	深度学习模型，多实例学习	图像	1445对CFP-OCT图像来自1029名患者，另有1184对用于ATN分类	NA	Fusion-MIL, CFP-MIL, OCT-MIL	AUC	NA
17	2026-04-04	Analyzing the impact of social security systems on video-based public health surveillance 2025, Frontiers in public health IF:3.0Q2 DOI:10.3389/fpubh.2025.1684291 PMID:41929396	研究论文	本研究提出了一种结合社会安全系统影响的视频公共卫生监测框架，旨在通过深度学习模型改进时空健康监测	开发了分层流行病学变换器（HET）架构，并引入了政策感知动态校准机制（PDCM），以整合实时政策信号和统计偏差，动态调整预测	未明确提及具体的数据集规模或模型泛化能力的详细限制	整合治理结构与健康信息学，改进视频公共卫生监测系统，以更响应和公平地应对流行病异常	视频监测数据中的公共卫生指标、人口多样性和政策驱动干预措施	计算机视觉	公共卫生	视频监测	Transformer	视频	多个公共卫生视频监测数据集，涵盖不同城市区域和政策设置	NA	分层流行病学变换器（HET）	敏感性	NA
18	2026-04-02	Predicting Acute Exacerbation Phenotype in Chronic Obstructive Pulmonary Disease Patients Using VGG-16 Deep Learning 2025, Respiration; international review of thoracic diseases DOI:10.1159/000540383 PMID:39047695	研究论文	本研究利用VGG-16深度学习模型提取HRCT扫描特征，结合临床特征和定量CT参数，预测慢性阻塞性肺疾病患者的急性加重表型	首次将VGG-16深度学习特征与定量CT参数及临床特征结合，构建预测COPD急性加重的综合模型，并在外部验证队列中验证了其稳健性	研究为回顾性设计，样本量相对较小（219例患者），外部验证队列仅29例患者，可能影响模型的泛化能力	开发基于深度学习的模型，用于预测慢性阻塞性肺疾病患者的急性加重表型	219例接受吸气和呼气HRCT扫描的慢性阻塞性肺疾病患者	数字病理学	慢性阻塞性肺疾病	HRCT扫描	CNN	图像	219例患者（训练/测试队列）和29例患者（外部验证队列）	NA	VGG-16	AUC	NA
19	2026-04-02	Achieving accurate prostate auto-segmentation on CT in the absence of MR imaging 2025-01, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology IF:4.9Q1 DOI:10.1016/j.radonc.2024.110588 PMID:39419353	研究论文	本研究探讨了在缺乏MRI的情况下，通过深度学习模型仅使用CT输入实现前列腺自动分割的准确性	提出了一种基于CT-MRI配准信息的增量学习策略，以提升在MRI可用性有限时的CT前列腺分割精度	研究样本量相对较小（111例患者），且依赖于CT-MRI配准数据作为参考轮廓，可能受配准误差影响	实现在无MRI时仅基于CT的前列腺自动分割，达到与MRI相当的分割准确性	前列腺放疗患者的CT和MRI图像	数字病理	前列腺癌	CT-MRI配准，深度学习	深度学习模型	医学图像（CT和MRI）	111例前列腺放疗患者，分为训练集（37例）、验证集（20例）和测试集（54例）	NA	NA	Dice相似系数（DSC），95%定向Hausdorff距离（HD95）	NA
20	2026-04-02	A feasibility study of dose-band prediction in radiation therapy: Predicting a spectrum of plan dose 2025-01, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology IF:4.9Q1 DOI:10.1016/j.radonc.2024.110593 PMID:39489427	研究论文	本文提出了一种名为“剂量带预测”的新方法，用于在放射治疗中预测一系列剂量分布，以改进计划制定和质量保证	首次提出剂量带预测方法，通过Upper/Lower-band模型预测剂量谱，而非单一剂量分布，为自动计划和质量保证提供更多选择	研究样本量有限（三个数据集共195例），且仅针对特定癌症类型（鼻咽癌和宫颈癌）和放疗技术（螺旋断层放疗、IMRT、VMAT）进行验证	开发一种能够预测剂量谱的深度学习方法，以增强放射治疗计划制定的灵活性和质量保证能力	鼻咽癌和宫颈癌患者的放疗剂量分布	医学影像分析	鼻咽癌, 宫颈癌	放射治疗计划，包括螺旋断层放疗、IMRT、VMAT	3D神经网络	3D剂量分布数据	104例鼻咽癌病例（数据集1），54例宫颈癌病例（数据集2），37例宫颈癌病例（数据集3），总计195例	NA	Upper-band模型, Lower-band模型	平均差异百分比	NA