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
41	2026-07-10	An integrated active-passive safety strategy for automobiles based on driver state recognition and injury risk prediction 2025-Dec, Accident; analysis and prevention DOI:10.1016/j.aap.2025.108271 PMID:41076746	研究论文	该研究提出了一种基于驾驶员状态识别和伤害风险预测的综合主动-被动安全策略，旨在通过动态协调自动紧急制动系统和乘员约束系统的运行来增强车辆安全性	将机器学习和深度学习技术分别用于伤害预测和驾驶员状态识别，并整合到模糊控制算法中动态优化AEB系统的激活时机，同时优化安全气囊和安全带参数	NA	提升车辆安全性，通过动态协调自动紧急制动系统和乘员约束系统优化碰撞避免效果和伤害减轻	驾驶员状态识别和碰撞伤害风险预测	机器学习	NA	机器学习和深度学习技术	机器学习模型、深度学习模型	真实世界交通事故数据和生理信号	NA	MATLAB?	NA	碰撞避免性能、头部伤害标准降低30.60%、加权伤害标准降低22.44%	NA
42	2026-07-10	Deep Learning-Decoded Raman Spectroscopy for Hour-Scale iPSC Pluripotency Assessment via Lipid-Protein Biomarkers 2025-11-25, Analytical chemistry IF:6.7Q1 DOI:10.1021/acs.analchem.5c03560 PMID:41230979	研究论文	结合深度学习与拉曼光谱，通过脂质-蛋白质生物标志物实现诱导多能干细胞多能性的小时级无标记评估	首次实现诱导多能干细胞多能性一小时内的快速检测，采用1D-CNN结合Grad-CAM解释性分析，发现脂质和蛋白质作为关键生物标志物	方法依赖特定培养条件诱导多能性变化，可能不适用于所有干细胞类型；样本规模较小，需进一步验证泛化能力	开发一种快速、无标记的诱导多能干细胞多能性评估方法，用于再生医学和临床应用中的质量控制	诱导多能干细胞在不同多能状态下的拉曼光谱数据	机器学习	NA	拉曼光谱	一维卷积神经网络	光谱	未明确说明样本数量，但涉及不同多能状态的诱导多能干细胞光谱数据集	PyTorch	1D-CNN	准确率	NA
43	2026-07-10	A 2025 perspective on the role of machine learning for biomarker discovery in clinical proteomics 2025-10, Expert review of proteomics IF:3.8Q1 DOI:10.1080/14789450.2025.2545828 PMID:40772544	评论	批判性审视机器学习在临床蛋白质组学生物标志物发现中的应用，强调其实际影响受限于方法学缺陷和不切实际的期望	以2025年视角系统指出复杂模型（如深度学习）在临床蛋白质组学中加剧样本量小、批次效应、过拟合等问题，并倡导简单、可解释且领域感知的方法	未提供具体实验验证或量化分析，主要基于专家观点和文献综述	探讨机器学习在临床蛋白质组学中实现生物标志物发现的现实路径与挑战	临床蛋白质组学数据集和机器学习模型（如深度学习架构）	机器学习	NA	蛋白质组学	深度学习	蛋白质组学数据	NA	NA	深度学习架构	可解释性、性能增益	NA
44	2026-07-10	Radiomics for lung cancer diagnosis, management, and future prospects 2025-07, Clinical radiology IF:2.1Q2 DOI:10.1016/j.crad.2025.106926 PMID:40344812	综述	探讨放射组学在肺癌诊断、管理中的应用及未来前景	综述了从手工放射组学到深度学习技术的演进，并强调大语言模型、可解释人工智能和超分辨率成像等创新技术的整合潜力	未明确提及具体局限性	阐述放射组学在肺癌诊疗中的角色及未来发展方向	肺癌患者的医学影像数据	数字病理学	肺癌	放射组学	NA	图像	NA	NA	NA	特异性、敏感性	NA
45	2026-07-10	Rethinking boundary detection in deep learning-based medical image segmentation 2025-07, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103615 PMID:40344946	研究论文	提出一种名为CTO的新型网络架构，结合CNN、Vision Transformer和边缘检测算子，以提升医学图像分割中边界区域的精确性	首次将CNN、Vision Transformer和显式边缘检测算子结合，提出双流编码器和边界引导解码器，在无需额外数据或标签注入的情况下实现边界分割精度的提升	NA	解决深度学习医学图像分割中边界区域分割不精确的问题	医学图像中的边界区域	计算机视觉, 数字病理学	NA	NA	CNN, Vision Transformer	图像	七个公开医学图像数据集：ISIC 2016、PH2、ISIC 2018、CoNIC、LiTS17、BraTS、BTCV	PyTorch	CTO（CNN+StitchViT+边缘检测算子）	分割准确率, 模型复杂度	NA
46	2026-07-10	CausalMixNet: A mixed-attention framework for causal intervention in robust medical image diagnosis 2025-07, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103581 PMID:40359724	研究论文	提出一种名为CausalMixNet的混合注意力框架，通过因果干预提升医学图像诊断的鲁棒性	首次在医学图像诊断中结合查询混合内注意力和键值混合间注意力实现前门调整策略，并设计补丁掩码排序模块增强中介学习	NA	解决医学图像中混杂因素对深度学习模型因果探索能力的负面影响，提升诊断准确性和泛化性能	医学图像中的病灶区域及因果干预机制	数字病理学	NA	深度学习、因果推断	混合注意力模型	医学图像	NA	PyTorch	非局部推理模块、键值混合间注意力、查询混合内注意力、补丁掩码排序模块	准确率、F1分数	NA
47	2026-07-10	Deep Learning Discovers New Morphological Features while Predicting Genetic Alterations from Histopathology of Papillary Thyroid Carcinoma 2025-07, Thyroid : official journal of the American Thyroid Association IF:5.8Q1 DOI:10.1089/thy.2024.0691 PMID:40607934	研究论文	利用深度学习从甲状腺乳头状癌的组织病理学图像中预测基因突变，并发现新的形态学特征	首次使用Vision Transformer从数字化H&E染色切片中预测BRAF、RAS突变和基因融合，并通过可解释性方法发现与特定基因型相关的未知形态学模式	基于两个独立队列（共662例），但需进一步前瞻性验证；未评估模型在不同染色方案或扫描仪下的泛化能力	探索利用人工智能从常规组织病理学切片中预测甲状腺乳头状癌的基因改变，并发现新的形态学特征	甲状腺乳头状癌患者的数字化H&E染色组织切片及其基因突变（BRAF、RAS）和融合状态	数字病理学	甲状腺癌	NA	Vision Transformer	图像	662例（TCGA队列496例，美因茨队列166例）	PyTorch	Vision Transformer	AUC, 准确率, 置信区间	NA
48	2026-07-10	A magnetic resonance imaging (MRI)-based deep learning radiomics model predicts recurrence-free survival in lung cancer patients after surgical resection of brain metastases 2025-06, Clinical radiology IF:2.1Q2 DOI:10.1016/j.crad.2025.106920 PMID:40300277	研究论文	开发并验证一种基于MRI的深度学习影像组学模型，用于预测肺癌脑转移术后患者的无复发生存期	首次将深度学习影像组学模型应用于预测肺癌脑转移术后患者的无复发生存期，融合了临床、形态学MRI、手工和深度学习特征，并在外部测试集中验证了优越性能	研究未提及模型泛化性的局限性，可能受限于相对较小的样本量和回顾性设计	预测肺癌脑转移术后患者的无复发生存期	215例经手术病理确认的肺癌脑转移患者	机器学习, 数字病理学	肺癌	磁共振成像	深度学习影像组学模型	图像	215例肺癌脑转移患者（训练集167例，外部测试集48例）	NA	LASSO回归	Harrell C指数, AUC, Kaplan-Meier生存分析	NA
49	2026-07-10	Deep learning for liver lesion segmentation and classification on staging CT scans of colorectal cancer patients: a multi-site technical validation study 2025-06, Clinical radiology IF:2.1Q2 DOI:10.1016/j.crad.2025.106914 PMID:40327945	研究论文	验证基于深度学习模型在结直肠癌患者分期CT扫描中检测和分割肝脏病灶的性能	首次在多中心技术验证中评估深度学习模型对亚厘米级肝脏病灶的检测和分割能力，并报告100%阴性预测值表明其作为结直肠癌分期筛查工具的潜力	分类准确率中等（75.4%病灶级、64.5%患者级），特异性较低（65.7%病灶级、27.1%患者级），且仅基于单机构测试数据	验证UNet深度学习模型在结直肠癌患者分期CT上检测、分割和分类肝脏病灶的性能	结直肠癌患者的分期CT扫描图像中的肝脏病灶（包括恶性与良性）	计算机视觉	结直肠癌	CT扫描	CNN	图像	训练集272例公开肝脏肿瘤CT，测试集220例结直肠癌分期CT（含884个病灶）	NA	UNet	检测率, Dice相似系数, Bland-Altman一致性界限, 组内相关系数, 灵敏度, 特异性, 阳性预测值, 阴性预测值, 准确率	NA
50	2026-07-10	A Deep Learning-Based Artificial Intelligence Model Assisting Thyroid Nodule Diagnosis and Management: Pilot Results for Evaluating Thyroid Malignancy in Pediatric Cohorts 2025-06, Thyroid : official journal of the American Thyroid Association IF:5.8Q1 DOI:10.1089/thy.2024.0627 PMID:40454939	研究论文	评估基于深度学习的AI模型在儿科甲状腺结节恶性风险预测中的表现	首次在儿科队列中验证基于成人数据训练的深度学习模型（AI-Thyroid）的诊断性能，并与放射科医生使用的TIRADS系统进行比较	回顾性设计、样本量有限、不同年龄组间模型性能存在差异（<14岁优于≥14岁）	评估深度学习模型在儿科甲状腺结节恶性诊断中的适用性	两家医院的儿科患者（n=128，平均年龄15.5岁，103名女性）的甲状腺结节超声图像	计算机视觉	甲状腺癌	NA	深度学习模型	超声图像	156个甲状腺结节（其中47个恶性，占30.1%）来自128名患者	NA	AI-Thyroid	AUROC, 敏感性, 特异性	NA
51	2026-07-10	MSTNet: Multi-scale spatial-aware transformer with multi-instance learning for diabetic retinopathy classification 2025-05, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103511 PMID:40020421	研究论文	提出一种多尺度空间感知Transformer网络MSTNet,结合多实例学习,用于糖尿病视网膜病变分类	提出多尺度空间感知Transformer网络,引入空间感知模块捕获空间局部信息,并采用多实例学习策略增强对细微病变区域的关联性	未提及明显局限性,但可能受限于数据集规模	提高糖尿病视网膜病变分类的准确性	糖尿病视网膜病变患者的眼底图像	计算机视觉	糖尿病视网膜病变	眼底成像	Transformer	图像	四个公开数据集:APTOS2019, RFMiD2020, Messidor, IDRiD	NA	MSTNet, SAM, MIL	ACC, F1分数	NA
52	2026-07-10	Deep learning based coronary vessels segmentation in X-ray angiography using temporal information 2025-05, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103496 PMID:40049029	研究论文	提出一种基于时序信息的深度学习网络TVS-Net，用于X射线血管造影中的冠状动脉分割	融合时序ICA信息到新型密集连接3D编码器-2D解码器结构，并采用基于弹性相互作用的损失函数	NA	提高冠状动脉血管分割的准确性和鲁棒性，应对运动伪影和对比度不均等挑战	冠状动脉血管分割	计算机视觉	心血管疾病	NA	CNN	图像	323个ICA样本，分为训练集173个、验证集82个、测试集68个；另外60张外部医院图像	NA	TVS-Net (密集连接3D编码器-2D解码器)	Dice系数, 召回率	NA
53	2026-07-10	UniSAL: Unified Semi-supervised Active Learning for histopathological image classification 2025-05, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103542 PMID:40101375	研究论文	提出统一半监督主动学习框架UniSAL，用于组织病理图分类，减少标注成本	首次将半监督学习与主动学习统一，采用双视角高置信度伪训练和伪标签引导的类对比学习，设计不一致感知不确定性与致密选择器	未提及	通过主动学习减少组织病理图像标注的人力与时间成本，提高分类效率	组织病理图像分类数据集	数字病理学	癌症	NA	深度神经网络	图像	CRC5000（5000张）、Chaoyang（尺寸未指定）、CRC100K（10万张）三个公共数据集	PyTorch（按常见实践推断）	双网络架构（具体未指定，可能为ResNet等通用架构）	分类性能（具体指标如准确率等未明确）	NA
54	2026-07-10	Combining Ultrasound Imaging and Molecular Testing in a Multimodal Deep Learning Model for Risk Stratification of Indeterminate Thyroid Nodules 2025-05, Thyroid : official journal of the American Thyroid Association IF:5.8Q1 DOI:10.1089/thy.2024.0584 PMID:40256961	研究论文	提出一种结合超声影像和分子检测的多模态深度学习模型，用于甲状腺结节不确定细胞学的风险分层	首次整合超声影像和分子检测数据，通过多模态深度学习显著提高阳性预测值和特异性，同时保持高灵敏度	单中心数据集、缺乏外部验证、使用二值化分子检测结果而非细粒度恶性风险概率	改善甲状腺不确定结节的恶性风险分层，减少良性结节手术切除	甲状腺不确定细胞学（Bethesda III和IV级）患者	数字病理学、机器学习	甲状腺癌	超声影像、下一代测序	多模态深度学习模型	超声影像、分子检测数据	333例患者（259例良性，74例恶性）	NA	集成模型（综合全帧超声图像、256×256补丁、128×128补丁三种配置）	AUROC、灵敏度、特异度、阳性预测值	NA
55	2026-07-10	A deep learning pipeline for systematic and accurate vertebral fracture reporting in computed tomography 2025-04, Clinical radiology IF:2.1Q2 DOI:10.1016/j.crad.2025.106827 PMID:39970769	研究论文	介绍了一种用于在CT图像中系统且准确地检测脊椎骨折的深度学习流水线	提出了一种端到端的深度学习流水线，结合分割和分类网络，能够自动处理来自不同视野的CT脊柱图像，提高了骨折检测的效率和准确性	样本量相对较小，且仅针对腰椎/胸腰椎CT图像进行训练和测试，可能在其他脊柱区域或不同患者群体中表现有限	开发一种自动化的深度学习流水线，用于在CT扫描中机会性检测脊椎骨折，以减少系统文档记录的时间和遗漏	脊柱骨折患者与无骨折患者的CT脊柱图像	计算机视觉	脊椎骨折	NA	CNN	图像	452例CT扫描（405例用于训练/验证，47例用于测试）	PyTorch	ResNet18, nnU-Net	灵敏度、特异性、准确率	NA
56	2026-07-10	Automated vertebral compression fracture detection and quantification on opportunistic CT scans: a performance evaluation 2025-04, Clinical radiology IF:2.1Q2 DOI:10.1016/j.crad.2025.106831 PMID:40010260	研究论文	基于深度学习的算法在机会性CT扫描中自动检测和量化椎体压缩性骨折的性能评估	开发了结合2D/3D U-Net的深度学习算法，能够在机会性CT扫描中自动筛查椎体压缩性骨折，并测量椎体高度损失和平均亨氏单位，提高骨质疏松症的诊断率	样本量较小（100名患者），需进一步在更大数据集验证；算法与放射科医师的一致性存在一定偏差（95%一致性界限为-9.3到8.6）	评估深度学习算法在机会性CT扫描中自动检测和量化椎体压缩性骨折的性能	椎体压缩性骨折、椎体高度损失、骨衰减（平均亨氏单位）	机器学习、数字病理	骨质疏松症、椎体压缩性骨折	CT扫描	CNN	图像	100名患者（平均年龄76.6岁，72%为女性）	PyTorch	2D/3D U-Net	椎体标记一致性（94.9%）、椎体高度损失（VHL）一致性界限、平均亨氏单位（Pearson相关系数0.89）、敏感性（92.3%）、特异性（91.7%）	NA
57	2026-07-10	Prediction of malnutrition in kids by integrating ResNet-50-based deep learning technique using facial images 2025-Mar-06, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-91825-z PMID:40050339	研究论文	利用基于ResNet-50的深度学习技术通过面部图像预测儿童营养不良	使用面部图像结合ResNet-50模型替代传统文本数据和手动诊断测试，消除梯度消失问题，提高营养不良预测效率	未提及在多样化人群或不同光照条件下的泛化能力，也未讨论数据集的偏差或伦理问题	简化营养不良的预测过程，减少对多次手动诊断测试和医疗专家访问的依赖	5岁以下儿童，特别是印度农村地区面临严重急性营养不良风险的儿童	计算机视觉	儿童营养不良	图像分割	ResNet-50	面部图像	未明确提及样本数量	NA	ResNet-50, XG Boost, VGG16, Xception, MobileNet	准确率	NA
58	2026-07-10	Image quality assessment and white matter hyperintensity quantification in two accelerated high-resolution 3D FLAIR techniques: Wave-CAIPI and deep learning-based SPACE 2025-03, Clinical radiology IF:2.1Q2 DOI:10.1016/j.crad.2024.106783 PMID:39842179	研究论文	比较两种加速高分辨率三维FLAIR技术——深度学习重建SPACE和Wave-CAIPI FLAIR在脑部成像中的图像质量及白质高信号量化	首次系统比较深度学习重建SPACE与Wave-CAIPI FLAIR在加速高分辨率三维FLAIR成像中的图像质量和白质高信号体积量化差异	回顾性研究设计可能引入选择偏倚，且样本量有限	评估两种加速高分辨率三维FLAIR技术在脑部成像中的图像质量和白质高信号量化的性能	123名接受DL-SPACE和Wave-CAIPI FLAIR脑部成像的参与者	医学影像分析	脑血管疾病	磁共振成像，FLAIR序列	深度学习模型	图像	123名参与者	NA	SPACE	图像质量评分、信噪比、对比度噪声比、白质高信号体积	NA
59	2026-07-10	Deciphering glioblastoma: Unveiling imaging markers for predicting MGMT promoter methylation status 2025-02, Current problems in cancer IF:2.5Q3 DOI:10.1016/j.currproblcancer.2024.101156 PMID:39531875	综述	探讨利用影像特征预测胶质母细胞瘤MGMT启动子甲基化状态的潜力	结合新兴影像组学和深度学习模型，提出综合诊断方法以早期预测MGMT甲基化状态	模型仍需进一步开发、标准化和实施，以提高个体化治疗水平	探索影像特征预测MGMT启动子甲基化状态的能力	胶质母细胞瘤患者	机器学习	胶质母细胞瘤	影像组学	深度学习模型	影像数据	NA	NA	NA	NA	NA
60	2026-07-10	Adaptive Time Encoding for Irregular Multivariate Time-Series Classification 2025, Advances in neural information processing systems PMID:42421990	研究论文	提出一种自适应时间编码方法，用于解决多变量时间序列不规则采样问题，提升分类性能	首次引入可学习参考点的潜在表示来捕捉不规则序列中的缺失模式，并结合一致性正则化整合时间与变量间信息	未明确提及局限性	解决多变量时间序列分类中不规则采样导致的性能下降问题	不规则多变量时间序列数据	机器学习	NA	自适应时间编码	NA	时间序列	NA	NA	NA	分类准确率, 计算效率	NA