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
421	2026-06-02	Challenges and applications of artificial intelligence in infectious diseases and antimicrobial resistance 2025-Jan-07, npj antimicrobials and resistance DOI:10.1038/s44259-024-00068-x PMID:39843587	综述	本文综述了人工智能在传染病和抗菌药物耐药性领域的应用，包括诊断、治疗和药物发现	系统总结了AI在传染病控制中的当前应用及其潜在优势和创新点	未明确讨论AI在实际临床部署中的障碍和算法偏差问题	探讨人工智能在传染病诊断、治疗和药物发现中的挑战与应用	传染病和抗菌药物耐药性的诊断、治疗及药物发现过程	机器学习	传染病	NA	CNN, LSTM	图像、文本	NA	NA	NA	NA	NA
422	2026-06-01	LoRA-based methods on Unet for transfer learning in aneurysmal subarachnoid hematoma segmentation 2025-12-26, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-025-02116-y PMID:41454218	研究论文	本研究探讨了基于LoRA的方法在U-Net上对动脉瘤性蛛网膜下腔血肿分割进行迁移学习，比较了多种参数高效微调策略，并开发了新型CP-LoRA和DoRA变体方法	首次将LoRA方法应用于U-Net的动脉瘤性蛛网膜下腔血肿分割迁移学习，提出了基于张量CP分解的CP-LoRA方法以及将权重矩阵分解为幅度和方向分量的DoRA变体，证明过参数化（高秩）优于严格低秩适应	样本量较小（30例动脉瘤性SAH患者），使用3折交叉验证；对体积较小的血肿分割精度较低（Dice 0.107-0.361）；研究仅针对单一机构的数据集	探索迁移学习从创伤性脑损伤血肿到动脉瘤性蛛网膜下腔血肿分割的可行性，并评估LoRA方法相比传统微调策略的性能优势	动脉瘤性蛛网膜下腔血肿的CT扫描分割	数字病理学, 计算机视觉	脑血管疾病	CT扫描	U-Net, LoRA, DoRA	图像	124例创伤性脑损伤患者（预训练）+ 30例动脉瘤性SAH患者（微调）	PyTorch	U-Net	Dice系数	NA
423	2026-06-01	Deep Transfer Learning Links Benign Glands to Prostate Cancer Progression via Transcriptomics 2025-Dec-22, Genomics, proteomics & bioinformatics DOI:10.1093/gpbjnl/qzaf119 PMID:41317378	研究论文	利用深度迁移学习框架DEGAS分析前列腺癌空间转录组数据，识别与癌症进展高度相关的细胞和组织，发现形态学良性腺体中MSMB表达下调与肿瘤侵袭性相关	首次将深度迁移学习应用于空间转录组学分析前列腺癌的区域效应，揭示良性腺体中MSMB下调与免疫微环境改变的关联	NA	利用深度迁移学习分析前列腺癌空间转录组，探索良性组织中的分子变化与癌症进展的关系	前列腺癌空间转录组样本及患者组织样本	机器学习	前列腺癌	空间转录组测序、单细胞转录组测序、免疫组化	深度迁移学习	空间转录组数据、单细胞转录组数据、蛋白表达数据	NA	DEGAS	NA	NA	NA
424	2026-06-01	Progressive curriculum learning with Scale-Enhanced U-Net for continuous airway segmentation 2025-12-17, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-025-02066-5 PMID:41408195	研究论文	提出一种渐进式课程学习流程和尺度增强U-Net，用于胸部CT图像中连续气道分割	直接通过端到端渐进式学习解决大小气道分支间的不平衡问题，并在第三阶段引入自适应拓扑响应损失（ATRL）以增强气道连续性	未在本文中明确说明	提高胸部CT图像中气道分割的连续性和准确性	胸部CT图像中的气道结构	计算机视觉	呼吸系统疾病	CT成像	U-Net	图像	ATM'22挑战数据集和内部数据集	NA	Scale-Enhanced U-Net (SE-UNet)	Tree length Detection rate (TD), Branch Detection rate (BD)	NA
425	2026-06-01	CerviHFENet: hybrid feature extraction-based deep learning for multi-label classification of upper cervical spine abnormalities in X-ray imaging 2025-12-08, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-025-02070-9 PMID:41361372	研究论文	提出CerviHFENet框架，基于混合特征提取的深度学习，对颈椎X光片进行多标签分类，识别六种上颈椎异常	首次整合混合特征提取机制，同时提取颈椎解剖特征和不同颈部位置下的骨结构动态变化；采用改进的focal loss函数学习六种异常间的互斥或条件依赖关系	样本量较小，仅249名患者参与；未提及模型在外部数据集上的泛化能力验证	开发深度学习模型，实现上颈椎X光片中多种异常的多标签分类，提高诊断准确性	患者上颈椎X光片（扩展位、中立位、屈曲位三视图）中的六种异常	计算机视觉	颈椎疾病	X光成像	CNN（混合特征提取模型）	图像	249名患者，747张X光图像	PyTorch	自适应ROI检测模块 + 混合特征提取机制（未具体说明基础架构）	AUC, mAP	NA
426	2026-06-01	An integrated radiomics and deep learning model on multisequence MRI for preoperative prediction of lymphovascular space invasion in endometrial cancer 2025-12-08, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-025-02091-4 PMID:41361391	研究论文	开发并验证一种整合多序列MRI放射组学特征和深度学习特征的多模态模型，用于术前预测子宫内膜癌患者的淋巴脉管间隙浸润	首次将放射组学特征与深度学习特征结合，构建多模态MRI模型用于术前无创预测子宫内膜癌LVSI，并在多中心数据中验证其优越性能	未在标题和摘要中明确提及局限性	开发并验证基于术前多序列MRI的整合放射组学和深度学习特征的多模态模型，用于预测子宫内膜癌患者的淋巴脉管间隙浸润	892例术后病理确诊的子宫内膜癌患者的多中心回顾性数据	计算机视觉, 数字病理学	子宫内膜癌	MRI多序列成像（T2加权成像、对比增强T1加权成像、表观扩散系数图）	CNN, 放射组学	图像（MRI）	892例患者（训练队列378例，内部验证160例，外部验证354例）	PyRadiomics	VGG 11, ResNet 101, DenseNet 121	AUC（受试者工作特征曲线下面积）	NA
427	2026-06-01	Enhancing diagnosis of gout with deep learning in dual-energy computed tomography: a retrospective analysis of crystal and artefact differentiation 2025-Dec-01, Rheumatology (Oxford, England) DOI:10.1093/rheumatology/keae523 PMID:39565918	研究论文	利用深度学习在双能CT扫描中区分痛风结晶与伪影，提升诊断准确性	首次将深度学习算法应用于DECT中区分绿色编码的痛风石与块状伪影，并采用逐病灶和逐患者分析评估模型性能	未明确提及研究局限性	评估深度学习在DECT扫描中区分痛风石与伪影的诊断准确性	来自47名痛风患者和27名无痛风对照的DECT扫描中的18704个感兴趣区域	机器学习和医学影像	痛风	双能CT	CNN, SVM	图像	47名痛风患者和27名无痛风的对照者，共18704个感兴趣区域	NA	CNN, SVM	AUC, 灵敏度, 特异度, 阳性预测值, 阴性预测值, 准确率	NA
428	2026-06-01	Foundation Model for Predicting Prognosis and Adjuvant Therapy Benefit From Digital Pathology in GI Cancers 2025-Nov-10, Journal of clinical oncology : official journal of the American Society of Clinical Oncology IF:42.1Q1 DOI:10.1200/JCO-24-01501 PMID:40168636	研究论文	提出一个基于组织病理学切片的基线AI模型，用于预测消化道癌症的预后和辅助化疗获益	利用超1.3亿张图像块进行自监督学习训练基础模型，并在多国队列中验证其预后预测及辅助化疗获益评估能力	尚需前瞻性验证以确认其临床适用性	开发一种能够从常规H&E染色组织病理学切片中预测消化系统癌症预后及辅助化疗获益的AI基础模型	胃癌和结直肠癌患者（共来自七个队列的4213例患者）	数字病理学	胃癌, 结直肠癌, 食管癌	NA	自监督学习, 深度学习	图像（组织病理学全切片图像）	训练集包括104,876张全切片图像（1.3亿图像块），验证集包括1,619例胃癌/食管癌和2,594例结直肠癌患者	PyTorch	Transformer, ResNet	一致性指数（Concordance index）, 5年生存率	NA
429	2026-06-01	A Robust Deep Learning Framework for Detecting Bursts in Muscle Sympathetic Nerve Activity 2025-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference DOI:10.1109/EMBC58623.2025.11253957 PMID:41337229	研究论文	提出一种基于卷积神经网络的鲁棒深度学习框架，用于检测肌肉交感神经活动中的爆发信号	首次将集成肌肉交感神经活动和心电图活动的卷积神经网络用于爆发峰值检测	仅基于健康女性静息状态数据，可能无法推广到其他人群或动态条件	开发自动化方法替代专家手动检测，提高爆发检测效率并降低错误风险	41名健康女性参与者的静息自主神经系统记录	machine learning	NA	NA	CNN	生理信号	41名健康女性参与者	NA	卷积神经网络	F1-score	NA
430	2026-06-01	Impact of Deep Learning-Based Computer-Aided Detection and Electronic Notification System for Pneumothorax on Time to Treatment: Clinical Implementation 2025-04, Journal of the American College of Radiology : JACR IF:4.0Q1 DOI:10.1016/j.jacr.2024.11.009 PMID:39566875	研究论文	评估结合深度学习计算机辅助检测和电子通知系统对气胸患者治疗时间的影响	在真实临床环境中引入深度学习计算机辅助检测与电子通知系统，同时通知放射科医生和转诊医生，评估其对气胸患者治疗时间的影响	仅对氧疗有显著效果，对其他治疗（如胸腔穿刺或胸管引流、胸心外科会诊）无显著改善	评估深度学习计算机辅助检测结合电子通知系统在真实临床实践中对气胸患者治疗时间的影响	气胸患者	计算机视觉	气胸	深度学习计算机辅助检测	深度学习	胸部X光图像	603,028次胸部X光检查，来自140,841名独特患者，气胸患病率2.0%	NA	NA	治疗时间减少分钟数、95%置信区间、P值	NA
431	2026-06-01	Predicting response to neoadjuvant chemotherapy in muscle-invasive bladder cancer via interpretable multimodal deep learning 2025-Mar-22, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-025-01560-y PMID:40121304	研究论文	开发了一种可解释的基于图的多模态晚期融合深度学习框架，整合组织病理学、细胞类型和基因表达数据，预测肌层浸润性膀胱癌对新辅助化疗的反应	提出可解释的图基多模态晚期融合框架，融合H&E图像、细胞类型数据和RNA-seq基因表达谱，发现新的组织病理、细胞和分子预测因子	NA	构建准确预测模型并识别肌层浸润性膀胱癌治疗反应的生物标志物	肌层浸润性膀胱癌患者	机器学习	膀胱癌	RNA-seq	图神经网络	图像、文本	来自SWOG S1314-COXEN临床试验的样本	NA	图基多模态晚期融合	NA	NA
432	2026-05-31	Classification and functional prediction of fungal glycosyltransferases using machine learning and deep learning methods 2025-12, Fungal genetics and biology : FG & B IF:2.4Q3 DOI:10.1016/j.fgb.2025.104045 PMID:41202912	研究论文	利用机器学习和深度学习方法对真菌糖基转移酶进行分类和功能预测	创新性的整合了生化与结构变量，使用卷积变分自编码器（CVAE）模型将多维信息降维至五维向量，并加入新衍生变量与描述性统计，实现了比传统基于序列的方法更全面的GTs分类	未明确提及局限性	利用机器学习和深度学习算法揭示真菌糖基转移酶的结构与功能关联模式，建立数据驱动的分类系统	来自88种代表性真菌物种的3340个糖基转移酶	机器学习	NA	NA	CVAE（卷积变分自编码器）、k-means聚类	蛋白质序列、预测三维折叠结构、氨基酸生化特征	3340个GTs，来自88种真菌物种	NA	CVAE（卷积变分自编码器）	NA	NA
433	2026-05-31	Robust evaluation of tissue-specific radiomic features for classifying breast tissue density grades 2025-Nov, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.12.S2.S22010 PMID:40453545	研究论文	评估一种基于RFE-SHAP特征选择方法在乳腺组织密度分级分类中的稳健性，使用来自数字乳腺断层合成扫描的放射组学特征	结合传统机器学习与可解释AI方法（RFE-SHAP）进行特征选择，并利用组织特异性放射组学特征，以提升乳腺密度分级的自动分类稳健性和可解释性	未明确提及局限性，但可能包括样本量有限（尤其是密度D级）、外部验证中密度D级AUC较低（0.673），以及仅使用逻辑回归分类器	开发鲁棒的乳腺组织密度自动评估方法以改善乳腺癌风险评估	数字乳腺断层合成筛查的原始中央投影图像	数字病理	乳腺癌	RFE-SHAP特征选择方法	逻辑回归（LR）	医学影像	751例（651例训练集，100例验证集）	NA	NA	NA	NA
434	2026-05-31	Advances in Protein-RNA aptamer recognition and modeling: Current trends and future perspectives 2025-Oct, Current opinion in structural biology IF:6.1Q1 DOI:10.1016/j.sbi.2025.103133 PMID:40815918	综述	综述RNA适配体结构预测与设计的计算模型进展	系统总结了基于深度学习的RNA适配体结构预测与设计算法的最新突破	未明确指出具体限制	概述RNA适配体结构预测与设计的计算模型研究现状与未来方向	RNA适配体及其与蛋白质的识别模型	机器学习	NA	NA	深度学习模型	NA	NA	NA	NA	NA	NA
435	2026-05-31	InfEHR: Clinical phenotype resolution through deep geometric learning on electronic health records 2025-Sep-26, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-63366-6 PMID:41006287	研究论文	提出一种名为InfEHR的框架，利用深度几何学习从电子健康记录中自动计算临床可能性，无需大量标注数据	将电子健康记录转换为时序图以捕捉表型动态，实现无偏表示，并在低患病率疾病中表现出高效推理性能	未提及	开发一种能够从电子健康记录中自动计算临床可能性的框架，减少对大量标注数据的依赖	电子健康记录中的临床表型解析与概率推理	机器学习	新生儿培养阴性败血症、术后急性肾损伤	深度几何学习	几何深度学习模型	电子健康记录数据	来自西奈山卫生系统和加州大学欧文分校医学中心的电子健康记录	NA	NA	敏感性、特异性	NA
436	2026-05-31	Scalable Deep Learning of Histology Images Reveals Genetic and Phenotypic Determinants of Adipocyte Hypertrophy 2025-Sep-23, medRxiv : the preprint server for health sciences DOI:10.1101/2025.02.11.25322053 PMID:39990583	研究论文	本文介绍了一种用于脂肪组织组织学图像语义分割的深度学习模型Adipocyte U-Net 2.0，并对超过2700万个脂肪细胞进行分析，揭示了脂肪细胞肥大的遗传和表型决定因素	首次实现大规模脂肪细胞形态的深度学习分析，并通过最大规模的脂肪细胞大小全基因组关联研究，发现了四个全基因组显著位点	NA	探讨脂肪细胞形态的遗传基础及其与代谢疾病的关系	来自2667名个体的脂肪组织组织学图像中的脂肪细胞	计算机视觉, 数字病理学	心血管疾病, 代谢疾病	NA	U-Net	图像	2667名个体，超过2700万个脂肪细胞	NA	U-Net	NA	NA
437	2026-05-31	Dwarf Updated Pelican Optimization Algorithm for Depression and Suicide Detection from Social Media 2025-09, The Psychiatric quarterly DOI:10.1007/s11126-024-10111-9 PMID:39946018	研究论文	提出一种新颖的基于社会媒体的抑郁与自杀检测方法，通过改进的鹈鹕优化算法优化深度学习集成模型	引入矮化更新鹈鹕优化算法（DU-POA）优化深度学习集成模型权重，结合改进互信息分数进行特征融合	未提及模型在不同社会媒体平台或语言上的泛化能力验证，且未讨论数据隐私和伦理问题	解决社会媒体数据中抑郁和自杀检测的变异性及模型泛化挑战	社会媒体文本数据中的抑郁和自杀倾向检测	自然语言处理	抑郁症、自杀倾向	自然语言处理（NLP）	RNN, DBN, 改进LSTM	文本	NA	NA	RNN, DBN, 改进LSTM	准确率	NA
438	2026-05-31	Machine learning driven semi-automated framework for yeast sporulation efficiency quantification using ilastik segmentation and Fiji nuclear enumeration 2025-09, Fungal genetics and biology : FG & B IF:2.4Q3 DOI:10.1016/j.fgb.2025.104024 PMID:40876769	研究论文	提出一个基于机器学习驱动的半自动化框架，结合ilastik分割和Fiji细胞核计数，用于酵母孢子形成效率的定量分析	创新性地结合ilastik纹理特征优化分割与Fiji图像处理，避免显式四联体判别，实现不同孢子形态的鲁棒量化，并引入人工质控检查点平衡通量与精度	需要手动质控检查点（分割验证），无法完全自动化；未提供与其他深度学习工具（如cellpose）的直接性能对比	开发一种可替代人工计数的酵母孢子形成效率半自动化定量方法，提高处理速度并减少主观偏差	酵母孢子形成过程中的母细胞及孢子（二联体、三联体、四联体）	机器学习	不适用	荧光显微镜成像	ilastik纹理特征分割模型	图像	未明确说明样本数量，但提及Hsp82磷酸化突变体验证	ilastik, Fiji	ilastik随机森林分类器	与人工计数的一致性（93.4%）、组内相关系数（ICC=0.94）、处理时间减少（68%）	标准显微镜设备（未指定GPU或高性能计算资源）
439	2026-05-31	A Systematic Review of Multimodal Deep Learning and Machine Learning Fusion Techniques for Prostate Cancer Classification 2025-Aug-11, medRxiv : the preprint server for health sciences DOI:10.1101/2025.08.07.25333235 PMID:40832371	综述	系统回顾了用于前列腺癌分类的多模态深度学习与机器学习融合技术	系统地总结了多模态融合方法在前列腺癌分类中的应用现状，并比较了不同融合策略的性能	仅纳入了2021至2025年间发表的27篇研究，可能存在发表偏倚；未深入探讨算法的可解释性和临床部署障碍	概述当前基于深度学习和机器学习的多模态融合技术在前列腺癌分类中的实现、性能、挑战及临床适用性	已发表的使用多模态深度学习或机器学习融合技术进行前列腺癌分类的研究论文	机器学习	前列腺癌	NA	CNN	图像、临床数据	27篇研究	NA	卷积神经网络	准确率、敏感度、特异度	NA
440	2026-05-31	Physically grounded deep learning-enabled gold nanoparticle localization and quantification in photonic resonator absorption microscopy for digital resolution molecular diagnostics 2025-Aug-01, Biosensors & bioelectronics IF:10.7Q1 DOI:10.1016/j.bios.2025.117455 PMID:40233489	研究论文	提出一种基于物理约束的深度学习方法LOCA-PRAM，用于光谐振吸收显微镜中金纳米颗粒的定位与定量，实现数字分辨率的分子诊断	利用光子晶体-金纳米颗粒共振耦合增强信号对比度，通过配准经验获得点扩散函数实现逼真训练数据生成，在无需样本分割或酶扩增下实现数字分辨率检测	未提及	实现高精度、高灵敏度的金纳米颗粒定位与定量，推动数字分辨率分子诊断	金纳米颗粒标记的生物分子	计算机视觉	NA	光谐振吸收显微镜	深度学习	图像	NA	NA	LOCA-PRAM	准确性、灵敏度、亚像素分辨率	NA