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	2026-05-31	High-throughput markerless pose estimation and home-cage activity analysis of tree shrew using deep learning 2025-05, Animal models and experimental medicine IF:3.8Q2 DOI:10.1002/ame2.12530 PMID:39846430	研究论文	利用深度学习方法实现树鼩的无标记姿态估计和居家笼活动分析	首次将深度学习用于树鼩的无标记姿态估计和多种自发行为识别，并开发了同时监测16只树鼩的高通量系统	NA	开发一种高效的方法来量化树鼩的居家笼活动，为理解其日常行为和建立疾病模型提供可靠基础	树鼩	计算机视觉	NA	深度学习	CNN	行为视频	16只树鼩	NA	NA	抓取行为中位持续时间0.20秒	NA
2	2026-05-31	Cyber-physical security of biochips: A perspective 2025-May, Biomicrofluidics IF:2.6Q2 DOI:10.1063/5.0252554 PMID:40454326	综述	从多层面探讨微流控生物芯片的网络安全与物理安全威胁及防御策略	首次系统阐述微流控生物芯片面临的结构篡改、材料降解、样本干扰和知识产权盗窃等多维度安全威胁，并提出基于深度学习、机械响应染料、分子条形码和物理不可克隆函数等跨学科综合防御框架	作为前瞻性观点文章，未提供具体实验验证或定量分析各防御技术的有效性	揭示微流控生物芯片在关键应用中的安全漏洞并推荐多层防御机制	微流控生物芯片及其安全威胁与防御技术	计算机视觉, 机器学习	不适用	微流控	深度学习	图像	不适用	不适用	不适用	不适用	不适用
3	2026-05-31	Non-local modeling of enhancer-promoter interactions, a correspondence on "LOCO-EPI: Leave-one-chromosome-out (LOCO) as a benchmarking paradigm for deep learning based prediction of enhancer-promoter interactions" 2025-May, Applied intelligence (Dordrecht, Netherlands) DOI:10.1007/s10489-025-06378-5 PMID:42210916	评述	对Tahir等人2024年关于增强子-启动子相互作用预测模型的论文提出质疑，指出其结论重复了2018年的工作，并解释模型性能差的原因与DNA环化等最新进展一致	纠正了已有研究记录的遗漏，并指出模型性能差与DNA环化、黏连蛋白挤压和CTCF约束下增强子-启动子相互作用建模的最新进展一致	未提供新的实验数据或模型改进，仅基于已有文献分析	纠正对增强子-启动子相互作用建模的误解，阐明模型性能差的可能原因	Tahir等人提出的LOCO-EPI模型及其与先前研究的比较	机器学习	NA	NA	深度学习模型	文本	NA	NA	NA	NA	NA
4	2026-05-30	Peptide Property Prediction for Mass Spectrometry Using AI: An Introduction to State of the Art Models 2025-05, Proteomics IF:3.4Q2 DOI:10.1002/pmic.202400398 PMID:40211610	综述	综述了基于机器学习和深度学习的质谱肽段性质预测模型，涵盖可消化性、保留时间等多个性质	提供了从入门到前沿的全面概述，有助于开发可访问且可复现的肽段性质预测模型	当前模型在处理多样化翻译后修饰和仪器变异性方面存在困难，需要大规模协调数据集和标准化评估指标	介绍并更新质谱肽段性质预测领域的前沿模型，旨在为新手和有经验的研究者提供指导	质谱蛋白质组学中的肽段性质预测模型	机器学习	NA	质谱	机器学习、深度学习	质谱数据	NA	NA	NA	NA	NA
5	2026-05-24	Pixel super-resolved virtual staining of label-free tissue using diffusion models 2025-May-30, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-60387-z PMID:40447613	研究论文	本研究提出了一种基于扩散模型的像素超分辨率虚拟染色方法，通过布朗桥过程增强无标记组织的空间分辨率和染色保真度	首次将扩散模型与布朗桥过程结合用于无标记组织像素超分辨率虚拟染色，通过采样技术减少生成图像的方差，实现4-5倍超分辨率因子和16-25倍空间带宽积提升	目前仅在人肺组织样本上验证，算法性能依赖于输入的低分辨率自荧光图像质量，且未在多种组织类型或染色方法上测试	开发一种无需传统化学染色的像素超分辨率虚拟染色方法，提高虚拟染色的分辨率和图像质量，支持临床诊断应用	无标记人肺组织样本的低分辨率自荧光图像	计算机视觉、数字病理学	肺癌	无标记显微镜、扩散模型、布朗桥过程	扩散模型	图像	人肺组织样本（具体数量未提及）	NA	扩散模型（基于布朗桥过程）	分辨率、结构相似性、感知精度	NA
6	2026-05-23	Deep Learning on Histopathological Images to Predict Breast Cancer Recurrence Risk and Chemotherapy Benefit 2025-May-16, medRxiv : the preprint server for health sciences DOI:10.1101/2025.05.15.25327686 PMID:40661301	研究论文	开发了一种基于多模态深度学习的AI模型，通过常规组织病理图像和临床病理变量预测乳腺癌复发风险和化疗获益	利用预训练基础模型（基于171,189张组织病理切片），结合临床变量（年龄、肿瘤大小、受体状态）进行多模态分析，无需基因组测试即可预测Oncotype DX复发评分，并在TAILORx试验和六个外部队列中验证其预后价值和化疗获益预测能力	模型依赖于特定临床病理变量和预训练数据分布，可能在极端资源有限或不同人口统计特征的队列中需进一步验证；未详细讨论模型对不同亚型乳腺癌的适用性或潜在的批次效应	开发替代昂贵基因测试的AI工具，用于HR+/HER2-早期乳腺癌的复发风险分层和化疗决策支持	HR+/HER2-早期乳腺癌患者（TAILORx试验及六个独立外部队列）	数字病理学	乳腺癌	组织病理图像分析	多模态深度学习	图像和临床变量	培训（TAILORx试验n=8,284）和验证（外部六个队列n=5,497）	NA	基础模型（预训练于171,189张组织病理切片）	AUC	NA
7	2026-05-23	A Novel Deep Learning-based Pathomics Score for Prognostic Stratification in Pancreatic Ductal Adenocarcinoma 2025-05-01, Pancreas IF:1.7Q3 DOI:10.1097/MPA.0000000000002463 PMID:40314741	研究论文	利用深度学习从苏木精-伊红染色全切片图像中构建病理组学评分，用于胰腺导管腺癌的预后分层	首次提出一种基于深度学习的病理组学评分，整合弱监督学习和多实例学习，从病理图像中自动提取可重复性特征，实现低成本的精准预后预测	由于未在摘要中提及，标记为NA	构建并验证一种基于深度学习的病理组学评分，以提升胰腺导管腺癌的预后预测准确性	864例胰腺导管腺癌患者的苏木精-伊红染色全切片图像及临床数据	数字病理学	胰腺导管腺癌	深度学习、弱监督学习、多实例学习、随机生存森林	NA	病理图像	864例患者的组织切片图像，其中训练组489例、验证组211例、新辅助治疗组164例	NA	NA	AUROC, C-index, 风险比 (HR), P值	NA
8	2026-05-23	Convolutional variational auto-encoder and vision transformer hybrid approach for enhanced early Alzheimer's detection 2025-May, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.12.3.034501 PMID:40415866	研究论文	提出一种结合卷积变分自编码器与视觉变压器的混合模型，用于早期阿尔茨海默病的增强检测	首次将卷积变分自编码器的无监督特征提取能力与视觉变压器的多头注意力机制结合，通过CVAE编码阶段捕获MRI关键特征并解码阶段去除无关细节，提升ViT对复杂模式的识别能力	未提及模型的泛化能力验证及在不同数据集上的表现稳定性	实现早期阿尔茨海默病的自动精准诊断，通过改进深度学习模型提高检测速度和准确性	阿尔茨海默病患者的脑部MRI影像	计算机视觉	阿尔茨海默病	MRI扫描	混合模型（CVAE + ViT）	图像（结构MRI）	14000个结构MRI样本，来自ADNI和SCAN数据库	PyTorch	CVAE（卷积变分自编码器）, ViT（视觉变压器）	测试准确率（93.3%）	NA
9	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
10	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
11	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
12	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
13	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
14	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
15	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
16	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
17	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
18	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
19	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
20	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