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
221	2026-05-19	Mapping the Conformational Heterogeneity Intrinsic to the Protein Native Ensemble 2025-07-15, Biochemistry IF:2.9Q3 DOI:10.1021/acs.biochem.5c00201 PMID:40615361	综述	本文综述了如何在AlphaFold时代利用实验和计算技术绘制蛋白质天然构象集合的异质性，强调从单一结构到构象集合的转变	提出了序列-集合-功能的新范式，强调即使对于看似良好折叠的蛋白质也需要考虑构象集合的异质性	未深入探讨具体方法的技术细节或定量比较方法间差异	阐明蛋白质构象多样性对功能理解的重要性，推动从单一结构到构象集合的研究范式转变	蛋白质天然构象集合	自然语言处理	不适用	多探针实验、计算建模	不适用	文本	不适用	不适用	不适用	不适用	不适用
222	2026-05-19	Extracerebral Normalization of 18F-FDG PET Imaging Combined with Behavioral CRS-R Scores Predict Recovery from Disorders of Consciousness 2025-06, Neurocritical care IF:3.1Q2 DOI:10.1007/s12028-024-02142-8 PMID:39532777	研究论文	利用18F-FDG PET颅外归一化结合行为CRS-R评分建立预测意识障碍患者一年后恢复的预后模型	首次将18F-FDG PET图像的颅外组织归一化方法与行为CRS-R评分相结合，构建多模态预后模型，显著提升了意识恢复预测的准确性	初步研究，样本量有限（87例），且未在独立的大规模外部验证集上进行验证	开发一个基于18F-FDG PET和临床行为评分的预后模型，用于预测长期意识障碍患者一年后的恢复情况	87名新诊断为长期意识障碍的患者	机器学习, 数字病理	意识障碍	18F-FDG PET/CT	DenseNet121, 深度学习表格模型	图像（PET/CT）、表格数据（行为评分）	87名意识障碍患者，其中52名恢复意识，35名未恢复	PyTorch	DenseNet121	AUC, 特异性, 灵敏度, 准确率	NA
223	2026-05-19	Improving Accuracy and Reproducibility of Cartilage T2 Mapping in the OAI Dataset Through Extended Phase Graph Modeling 2025-May, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.29646 PMID:39467097	研究论文	通过扩展相位图建模提高OAI数据集中软骨T2映射的准确性和可重复性	首次将EPG建模应用于OAI数据集，并系统比较EPG方法与单指数方法在软骨T2映射中的表现	未明确提及具体限制	评估不同拟合方法（包括基于EPG和基于指数的方法）对OAI数据集中软骨T2准确性和可重复性的影响	OAI数据集中50名按骨关节炎严重程度分层的受试者和50名无骨关节炎诊断的受试者	机器学习	骨关节炎	多回波自旋回波序列	深度学习	图像	100名受试者（50名OA患者，50名健康者，每组25名女性，平均年龄约61岁）	NA	NA	平均绝对误差, Bland-Altman分析, Lin's一致性系数, 变异系数	NA
224	2026-05-19	Stigmatisation of gambling disorder in social media: a tailored deep learning approach for YouTube comments 2025-04-18, Harm reduction journal IF:4.0Q1 DOI:10.1186/s12954-025-01169-0 PMID:40247272	研究论文	通过深度学习分析YouTube评论中关于赌博障碍的污名化现象	结合引导主题建模和定性总结性内容分析，创建扩展污名词典，专门针对赌博障碍的社交媒体污名化进行自动化分析	仅分析了两段视频下的用户评论，样本代表性有限；方法依赖预定义词典，可能遗漏未被收录的污名表达	理解德国社交媒体中赌博障碍的污名化模式，为减少污名化策略提供依据	YouTube视频中关于赌博障碍的用户评论	自然语言处理	赌博障碍	深度学习、引导主题建模、定性内容分析	深度学习模型	文本	从34个视频收集84,024条评论，最终聚焦2个视频	NA	引导主题模型	NA	NA
225	2026-05-19	Classification of 3D shoe prints using the PointNet architecture: proof of concept investigation of binary classification of nike and adidas outsoles 2025-03, Forensic science, medicine, and pathology DOI:10.1007/s12024-024-00877-6 PMID:39235752	研究论文	利用PointNet架构对3D鞋印进行二元分类的概念验证研究，区分耐克和阿迪达斯品牌	首次使用深度学习方法（PointNet架构）对3D鞋印进行分类研究	二元分类目前可能无法完全满足法医学实际需求，数据集仅包含两个品牌且样本量有限	证明深度学习方法在3D鞋印分类中的可行性，为法医学应用奠定基础	160双鞋的3D鞋印图像（797张阿迪达斯和2445张耐克）	计算机视觉	不适用	3D扫描	PointNet	3D点云图像	160双鞋的3D图像，共3242张	PyTorch	PointNet	准确率	未提及
226	2026-05-19	Flexible Tail of Antimicrobial Peptide PGLa Facilitates Water Pore Formation in Membranes 2025-02-06, The journal of physical chemistry. B DOI:10.1021/acs.jpcb.4c06190 PMID:39847609	研究论文	通过全原子模拟和深度学习算法，研究了抗菌肽PGLa诱导细胞膜水孔形成的完整过程，揭示了C末端尾部柔性的关键作用	首次阐明PGLa多肽C末端尾部柔性在膜插入和寡聚化过程中的重要性，并利用基于深度学习的中间状态识别算法解析了水孔形成的分子机制	未提及具体局限性	揭示抗菌肽PGLa诱导细胞膜水孔形成的分子机制，特别是结构柔性的作用	抗菌肽PGLa与阴离子细胞膜（DMPC/DMPG组成）的相互作用	机器学习	NA	全原子模拟（all-atom simulations）	深度学习模型	模拟轨迹数据	NA	NA	NA	NA	NA
227	2026-05-19	Applications of deep learning in intracranial aneurysm imaging: A scoping review of detection, risk prediction, and emerging prognostic models 2025-Jan-04, Current journal of neurology IF:0.5Q4 DOI:10.18502/cjn.v24i1.20302 PMID:42148237	综述	系统梳理深度学习在颅内动脉瘤影像检测、风险预测和预后模型中的应用现状与挑战	通过系统范围综述方法，整合42项研究，覆盖超过1万例患者，全面评估DL在IA检测、分割、风险预测和预后评估中的方法学严谨性、临床实用性和转化局限性，并指出缺乏模型间基准比较、可解释性不足以及伦理法规框架缺失等关键空白	仅少数研究进行了外部验证或关注治疗后结局，且存在模型间基准比较缺失、可解释性有限、数据集异质性和泛化性不足等主要局限	系统评估深度学习在颅内动脉瘤影像检测、分割、风险预测和预后评估中的应用格局，并关注方法学严谨性、临床实用性和转化障碍	PubMed、Scopus和Web of Science中截至2023年8月的42项研究，涵盖超过1万例患者	计算机视觉	脑血管疾病	放射影像	卷积神经网络	影像	42项研究，超过1万例患者	NA	卷积神经网络	灵敏度, AUC	NA
228	2026-05-19	Time series-based forecasting of infectious disease outbreak using information systems in public health 2025, Frontiers in public health IF:3.0Q2 DOI:10.3389/fpubh.2025.1680534 PMID:42145969	研究论文	提出EpiCastNet框架，通过融合时空注意力机制与混合编码架构，实现对传染病爆发的准确预测	创新地整合了时空注意力机制与因果正则化语义锚定模块，将流行病学原理（如干预效果和季节传播动态）融入神经网络的可微训练过程，提高了模型在现实不确定性下的语义对齐性和鲁棒性	NA	开发可靠且可解释的传染病爆发预测系统，以支持及时公共卫生干预	传染病爆发时间序列数据	机器学习	传染病	时间序列分析	EpiCastNet（结合时空注意力与混合编码的深度学习框架）	时间序列数据	COVIDcast 和 JHU COVID-19 公共健康时间序列数据集	NA	EpiCastNet（包含时空注意力机制、混合编码架构和因果正则化语义锚定模块）	均方根误差, 平均绝对误差, R2, 平均绝对百分比误差	NA
229	2026-05-18	AI model using CT-based imaging biomarkers to predict hepatocellular carcinoma in patients with chronic hepatitis B 2025-06, Journal of hepatology IF:26.8Q1 DOI:10.1016/j.jhep.2024.12.029 PMID:39710148	研究论文	开发基于CT影像生物标志物的人工智能模型，用于预测慢性乙型肝炎患者的肝细胞癌风险	整合深度学习CT自动分割软件提取的影像生物标志物与临床变量，提出PLAN-B-DF模型，显著优于仅基于临床数据的传统预测模型	未提及具体限制，但可能包括对CT图像质量依赖性强、外部验证队列的中位随访时间较短	开发并验证基于CT影像生物标志物的人工智能肝细胞癌风险预测模型	慢性乙型肝炎患者的肝细胞癌风险预测	机器学习	肝细胞癌	CT自动分割（DeepFore软件），梯度提升机算法	梯度提升机	图像（CT影像）和临床数据	训练和内部验证集5,585例，外部验证集2,883例慢性乙型肝炎患者	NA	梯度提升机	c-index, Hosmer-Lemeshow检验	NA
230	2026-05-18	Development and Validation of Multiparametric MRI-based Interpretable Deep Learning Radiomics Fusion Model for Predicting Lymph Node Metastasis and Prognosis in Rectal Cancer: A Two-center Study 2025-05, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.11.045 PMID:39638641	研究论文	开发并验证基于多参数MRI的可解释深度学习影像组学融合模型，用于预测直肠癌淋巴结转移和预后	结合深度学习特征和影像组学特征构建融合模型，并使用SHAP工具增强模型可解释性，提升放射科医师的诊断性能	未明确说明	开发可解释的机器学习模型，利用多参数MRI的深度学习和影像组学特征预测直肠癌术前淋巴结转移	直肠癌患者	数字病理学	直肠癌	多参数磁共振成像	深度学习模型	影像	286名来自中心1（训练集）和66名来自中心2（外部测试集）的癌症患者	NA	MobileNet-V3-large, Inception-V3, ResNet50, VGG16	AUC	NA
231	2026-05-18	Deep Learning for Contrast Enhanced Mammography - A Systematic Review 2025-05, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.11.035 PMID:39643464	综述	系统综述深度学习在对比增强乳腺摄影中的应用	首次系统综述深度学习在对比增强乳腺摄影中的应用，总结了模型在病变分类、检测和分割方面的性能	研究数量较少，大多数为回顾性研究，缺乏前瞻性临床验证	探讨深度学习如何提升对比增强乳腺摄影的诊断潜力	对比增强乳腺摄影图像中的病变（分类、检测、分割）	计算机视觉、医学影像分析	乳腺癌	对比增强乳腺摄影	卷积神经网络，注意力机制	医学影像	16项相关研究，时间跨度2018至2024年	NA	CNN, 注意力机制模型	AUC, 准确率	NA
232	2026-05-18	SMART: Development and Application of a Multimodal Multi-organ Trauma Screening Model for Abdominal Injuries in Emergency Settings 2025-05, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.11.056 PMID:39690074	研究论文	构建用于腹部创伤的多模态多器官创伤筛查模型SMART，整合非增强CT与文本数据，提升急诊诊断效率	首次将非增强CT影像与GPT-4文本嵌入进行多模态融合，构建急诊腹部创伤筛查模型，并显著缩短等待时间	研究样本来自单中心，且未详细说明模型在低资源环境或不同类型创伤中的泛化能力	通过深度学习构建多模态腹部创伤诊断模型，提升急诊中实体器官损伤的评估速度和准确性	腹部创伤患者	计算机视觉, 自然语言处理, 机器学习	腹部创伤	非增强CT, 文本数据	DenseNet, nnU-Net, GPT-4	影像, 文本	2638名患者（459例阳性，2179例阴性腹部创伤病例），其中1006名患者用于测试（1632个真实连续数据点）	PyTorch, GPT-4 API	DenseNet121, nnU-Net, GPT-4嵌入	敏感性, AUC	NA
233	2026-05-18	Interpretable Deep-learning Model Based on Superb Microvascular Imaging for Noninvasive Diagnosis of Interstitial Fibrosis in Chronic Kidney Disease 2025-05, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.11.067 PMID:39690075	研究论文	基于超微血管成像的可解释深度学习模型用于非侵入性诊断慢性肾脏病中的间质纤维化程度	首次开发基于超微血管成像的可解释深度学习模型，并利用SHAP方法生成饼图和热力图增强模型可解释性，揭示有助于诊断的图像区域	NA	开发基于超微血管成像的可解释深度学习模型，用于非侵入性诊断慢性肾脏病中间质纤维化程度	慢性肾病患者	数字病理	慢性肾病	超微血管成像、二维超声、超声影像组学、彩色多普勒超声	深度学习模型	图像	365例慢性肾病患者	NA	NA	AUC	NA
234	2026-05-18	The Quality and Accuracy of Radiomics Model in Diagnosing Osteoporosis: A Systematic Review and Meta-analysis 2025-05, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.11.065 PMID:39701845	meta分析	对放射组学模型诊断骨质疏松症的质量与准确性进行系统综述和荟萃分析	首次通过荟萃分析评估放射组学模型诊断骨质疏松症的整体性能，并对比不同影像模态和算法（如CT与深度学习）的异质性来源	纳入研究平均RQS评分仅为31.89%，提示放射组学研究方法学质量较低；不同影像模态构模型可能是异质性的来源	评估当前放射组学模型诊断骨质疏松症的诊断性能及研究质量	放射组学模型用于诊断骨质疏松症的相关研究	机器学习	骨质疏松症	放射组学	深度学习算法	医学影像（CT等）	24项研究共计1553名骨质疏松症患者和2200名非骨质疏松症患者	NA	NA	诊断优势比, 灵敏度, 特异性, AUC	NA
235	2026-05-18	Deep Learning Model for the Differential Diagnosis of Nasal Polyps and Inverted Papilloma by CT Images: A Multicenter Study 2025-05, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.12.011 PMID:39730250	研究论文	利用深度学习模型基于CT影像区分鼻息肉与内翻性乳头状瘤的多中心研究	首次评估3D Xception模型在CT影像上区分鼻息肉与内翻性乳头状瘤的性能，并整合蛋白质组学分析以解释模型的生物学基础	未提及具体限制	探索深度学习模型区分鼻息肉与内翻性乳头状瘤的可行性	鼻息肉和内翻性乳头状瘤患者的CT影像	计算机视觉	鼻部良性肿瘤（鼻息肉和内翻性乳头状瘤）	CT影像	深度学习模型（3D ResNet、3D Xception、HRNet）	CT图像	来自两家医院的1791名鼻部良性肿瘤患者（训练集、内部测试集和外部测试集），其中70例进行蛋白质组学分析	NA	3D ResNet、3D Xception、HRNet	受试者工作特征曲线下面积、准确率、敏感性、特异性	NA
236	2026-05-18	Multimodal Deep Learning Fusing Clinical and Radiomics Scores for Prediction of Early-Stage Lung Adenocarcinoma Lymph Node Metastasis 2025-05, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.12.018 PMID:39730249	研究论文	开发并验证一种基于CT影像和临床知识的多模态深度学习模型，用于预测早期肺腺癌淋巴结转移	提出基于InceptionResNetV2架构的多模态特征融合深度学习网络，有效整合临床特征、放射组学特征和影像特征，显著提升预测性能	未明确说明	建立多模态深度学习模型以准确预测早期肺腺癌淋巴结转移	724例经病理证实的早期浸润性肺腺癌患者	计算机视觉, 数字病理学	肺腺癌	CT影像, 放射组学特征提取	深度学习多模态融合网络, InceptionResNetV2	影像图像, 临床特征数据	724例患者（训练集418例，内部验证集106例，独立测试集200例）	NA	InceptionResNetV2	AUC, 灵敏度, 平均精确率	NA
237	2026-05-18	Multi-Energy Evaluation of Image Quality in Spectral CT Pulmonary Angiography Using Different Strength Deep Learning Spectral Reconstructions 2025-05, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.11.049 PMID:39732618	研究论文	评估不同强度的深度学习谱重建在双能CT肺血管造影中对虚拟单色图像质量的影响	首次比较标准与强深度学习谱重建在不同能量水平下对肺血管图像质量的提升效果	未提及具体限制	评估和比较不同能量水平的虚拟单色图像在使用标准与强深度学习谱重建时的图像质量	70名接受双能CT肺血管造影的患者（15例肺栓塞阳性，55例阴性）	数字病理学	肺栓塞	双能CT, 深度学习谱重建	深度学习谱重建	CT图像	70名患者	NA	深度学习谱重建	信号噪声比, 对比噪声比, 主观图像质量评分	NA
238	2026-05-18	Radiomics and Deep Learning Model for Benign and Malignant Soft Tissue Tumors Differentiation of Extremities and Trunk 2025-05, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.12.026 PMID:39753479	研究论文	基于脂肪饱和T2加权成像开发放射组学和深度学习模型，用于术前区分四肢和躯干软组织肿瘤的良恶性	结合放射组学特征和3D ResNet深度学习特征，构建融合模型（DLR），并在外部验证集上取得高AUC值（0.9410），实现非侵入性、低成本的术前诊断	样本量较小（训练集115例、外部验证集70例），且仅基于单序列脂肪抑制T2WI数据，可能限制模型泛化能力	建立术前区分良恶性软组织肿瘤的放射组学与深度学习模型	四肢和躯干软组织肿瘤患者	数字病理	软组织肿瘤	脂肪饱和T2加权成像	深度学习（3D ResNet）和机器学习算法	磁共振成像	训练集115例患者，外部验证集70例患者	PyTorch, Scikit-learn	3D ResNet	AUC, 决策曲线分析, 校准曲线	NA
239	2026-05-18	Development and Validation of an AI-Based Multimodal Model for Pathological Staging of Gastric Cancer Using CT and Endoscopic Images 2025-05, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.12.029 PMID:39753481	研究论文	开发并验证一种基于人工智能的多模态模型，利用CT和内镜图像实现胃癌术前病理分期	采用堆叠集成方法融合CT影像深度学习模型、CT手工放射组学特征机器学习模型以及内镜图像深度学习特征模型，构建多模态集成模型，显著提升胃癌术前分期性能	数据来源于单中心回顾性研究，可能存在选择偏倚；数据因伦理原因未公开，限制外部验证	开发并验证一种基于深度学习与放射组学的多模态模型，提高胃癌术前病理分期的准确性	胃癌患者的增强静脉期CT图像、内镜图像及术后病理结果	计算机视觉	胃癌	CT增强扫描、内镜检查	深度学习模型、机器学习算法、集成模型	CT图像、内镜图像	691名胃癌患者（2017年3月至2024年3月治疗）	PyTorch	DeepCT深度学习模型（9种架构，未具体说明）、ResNet-50、堆叠集成模型	ROC-AUC、敏感性、特异性	NA
240	2026-05-18	Improved Image Quality Through Deep Learning Acceleration of Gradient-Echo Acquisitions in Uterine MRI: First Application with the Female Pelvis 2025-05, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2024.12.021 PMID:39843279	研究论文	比较深度学习加速的VIBE序列与标准VIBE序列在子宫MRI中的图像质量	首次将深度学习加速的梯度回波采集应用于女性盆腔MRI，并证明其在图像质量、解剖结构和病变显示方面的显著优势	NA	评估深度学习加速的VIBE序列在子宫MRI中的图像质量改善效果	61名接受盆腔MRI的女性患者	机器学习	盆腔疾病	磁共振成像	深度学习模型	图像	61名女性患者（平均41±14岁），最终分析54名	NA	NA	Likert量表评分、图像质量、解剖结构显示、病变检测、运动伪影、噪声	1.5T MRI扫描仪