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	2026-07-13	Recurrent Inference Machine for Medical Image Registration 2025-Jul-22, ArXiv PMID:39371087	研究论文	提出一种名为循环推理图像配准（RIIR）网络的新方法，用于医学图像配准，通过元学习求解器迭代优化配准问题	通过将配准问题公式化为元学习求解器，结合隐式正则化和显式梯度输入学习优化更新规则，在仅使用5%训练数据的情况下仍优于多种深度学习方法	未明确说明局限性	提高医学图像配准的准确性和数据效率	脑部MRI和定量心脏MRI数据集	数字病理学	NA	MRI	循环神经网络（RNN）	图像	脑部MRI和定量心脏MRI数据集，未明确样本数量	PyTorch	循环推理架构	配准准确性、训练数据效率	NA
2	2026-07-13	Prediction of adverse pathology in prostate cancer using a multimodal deep learning approach based on [18F]PSMA-1007 PET/CT and multiparametric MRI 2025-07, European journal of nuclear medicine and molecular imaging IF:8.6Q1 DOI:10.1007/s00259-025-07134-0 PMID:39969539	研究论文	基于[18F]PSMA-1007 PET/CT和多参数MRI的多模态深度学习预测前列腺癌中的不良病理	首次将[18F]PSMA-1007 PET/CT与mpMRI集成构建多模态深度学习模型，并证明该集成模型在预测不良病理方面优于单一模态模型	研究为回顾性分析，样本量相对有限（341例），且仅包含接受根治性前列腺切除术的患者，可能存在选择偏倚	开发和评估基于[18F]PSMA-1007 PET/CT和mpMRI的多模态深度学习模型，预测前列腺癌患者是否存在不良病理，并比较集成模型与单一模态模型的性能	前列腺癌患者的不良病理预测	机器学习	前列腺癌	[18F]PSMA-1007 PET/CT	卷积神经网络与Transformer结合的深度学习模型	医学影像（PET/CT和mpMRI图像）以及临床特征	341例接受根治性前列腺切除术的前列腺癌患者	NA	卷积神经网络与Transformer	AUC	NA
3	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
4	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
5	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
6	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
7	2026-07-05	Development and Validation of a Novel Deep Learning Model to Predict Pharmacologic Closure of Patent Ductus Arteriosus in Premature Infants 2025-Jul, Journal of the American Society of Echocardiography : official publication of the American Society of Echocardiography IF:5.4Q1 DOI:10.1016/j.echo.2025.03.018 PMID:40220935	研究论文	开发并验证一种新型深度学习模型用于预测早产儿动脉导管未闭药物闭合的成功率	首次将深度学习方法应用于预测早产儿动脉导管未闭药物治疗后的闭合结果，并验证了多模态卷积神经网络（结合超声心动图和围产期数据）优于单一模态模型和传统机器学习模型	样本量较小（174例婴儿），且为单一中心回顾性研究，可能限制模型泛化性	训练并验证一个深度学习模型，预测早产儿动脉导管未闭经初始药物治疗后的闭合可能性	174例接受药物治疗的早产儿动脉导管未闭患者	机器学习，数字病理学	早产儿动脉导管未闭	超声心动图，围产期数据收集	卷积神经网络	超声心动图视频，围产期临床数据	174例早产儿，共1926段超声心动图视频片段	PyTorch	卷积神经网络（具体架构未明确说明）	AUC	NA
8	2026-07-04	Deep Learning Estimation of Small Airway Disease from Inspiratory Chest Computed Tomography: Clinical Validation, Repeatability, and Associations with Adverse Clinical Outcomes in Chronic Obstructive Pulmonary Disease 2025-07, American journal of respiratory and critical care medicine IF:19.3Q1 DOI:10.1164/rccm.202409-1847OC PMID:40072247	研究论文	利用深度学习从吸气相胸部CT评估小气道疾病，验证其在慢性阻塞性肺疾病中的临床有效性、可重复性及与不良临床结局的关联	首次通过生成式AI仅从吸气相CT估计功能性小气道疾病，替代传统双容积参数响应映射所需的呼气相CT扫描	NA	评估AI模型在仅用吸气相CT估算小气道疾病时的临床表现，并与双容积法比较，同时探究其与肺功能下降等临床结局的关联	慢性阻塞性肺疾病患者中的功能性小气道疾病	机器学习	慢性阻塞性肺疾病	CT	生成式模型	CT图像	SPIROMICS队列2513名参与者（其中1055名用于模型开发，1458名用于验证）及COPDGene队列458名患者	NA	生成式模型	Pearson相关系数, 组内相关系数, FEV1下降率	NA
9	2026-07-04	Artificial intelligence applications for the diagnosis of pulmonary nodules 2025-07-01, Current opinion in pulmonary medicine IF:2.8Q2 DOI:10.1097/MCP.0000000000001179 PMID:40326426	综述	评估人工智能在肺结节诊断中的应用，聚焦于临床实践与局限性	系统总结AI在影像和血液/组织诊断中的最新进展，强调临床挑战而非技术细节	缺乏前瞻性多机构验证，存在过拟合和泛化能力不足的问题；AI的“黑箱”性质及与医生评估的重叠输入增加临床整合难度	梳理AI在孤立性肺结节诊断中的临床价值与挑战	孤立性肺结节（SPN）的诊断方法	计算机视觉，机器学习	肺结节	CT影像分析， RNA测序	卷积神经网络，机器学习	影像数据，血液/组织数据	未提及具体样本量	未提及	用于结节检测、假阳性减少、分割和分类的卷积神经网络结构	Dice相似系数（0.70-0.92），曲线下面积（0.86-0.97，最高0.907）	未提及
10	2026-07-01	A Digital Twin Framework for Adaptive Treatment Planning in Radiotherapy 2025-Jul-22, ArXiv PMID:40671956	研究论文	提出了一种用于前列腺立体定向放射治疗的数字孪生框架，实现快速在线自适应质子治疗计划优化	整合深度学习和多图谱变形配准，利用每日锥形束CT更新解剖结构，并通过知识库计划质量评估实现临床等效治疗计划，显著缩短再优化时间	基于43例既往病例的数据库，样本量有限，且仅针对前列腺SBRT，需验证更广泛适用性	开发数字孪生框架以实现自适应放疗中快速在线计划优化，提高治疗精度并减少器官毒性	前列腺立体定向放射治疗病例	数字病理学	前列腺癌	质子治疗	CNN	图像	43例既往前列腺SBRT病例	TensorFlow, PyTorch	U-Net	计划质量评分, 剂量覆盖率, 器官受照剂量	NA
11	2026-07-01	Leveraging deep learning to discover interpretable cellular spatial biomarkers for prognostic predictions based on hepatocellular carcinoma histology 2025-07, The journal of pathology. Clinical research DOI:10.1002/2056-4538.70033 PMID:40511597	研究论文	利用深度学习从肝细胞癌组织学图像中挖掘可解释的细胞空间生物标志物用于预后预测	首次系统量化肝细胞癌肿瘤微环境中肿瘤细胞、基质细胞和淋巴细胞的空间分布特征，并发现六种与患者总生存期显著相关的细胞空间特征，其中部分特征组合能进一步分层预后	研究仅基于H&E染色图像，可能需要更多独立队列验证；未深入探讨这些空间特征背后的生物学机制	通过量化肝细胞癌肿瘤微环境中的细胞空间组织，发现可解释的预后生物标志物，以改善患者风险分层	肝细胞癌H&E染色病理图像中的肿瘤细胞、基质细胞和淋巴细胞	数字病理学	肝细胞癌	深度学习细胞分割与识别	CNN	图像	两个独立队列：癌症基因组图谱计划队列和北京医院队列	NA	NA	总生存期相关性	NA
12	2026-06-30	Leveraging Swin Transformer for enhanced diagnosis of Alzheimer's disease using multi-shell diffusion MRI 2025-Jul-14, ArXiv PMID:40709302	研究论文	利用Swin Transformer对多壳层弥散MRI数据进行阿尔茨海默病诊断和淀粉样蛋白检测	首次将Swin Transformer应用于多壳层弥散MRI数据进行阿尔茨海默病分类和淀粉样蛋白检测，并采用低秩适应技术高效适应有限标注神经影像数据	数据样本规模有限，分类性能在淀粉样蛋白检测任务上仍有提升空间	利用多壳层弥散MRI中的微结构信息，基于视觉Transformer深度学习框架支持阿尔茨海默病的早期诊断和淀粉样蛋白积累检测	多壳层弥散MRI数据	计算机视觉	阿尔茨海默病	弥散磁共振成像	Swin Transformer	MRI图像	NA	PyTorch	Swin Transformer, Grad-CAM	平衡准确率	NA
13	2026-06-30	Sepsis Important Genes Identification Through Biologically Informed Deep Learning and Transcriptomic Analysis 2025-07, Clinical and experimental pharmacology & physiology DOI:10.1111/1440-1681.70031 PMID:40356040	研究论文	使用生物信息深度学习模型P-NET鉴定脓毒症重要基因，并通过转录组分析验证其功能	首次将生物信息驱动的可解释AI模型P-NET应用于脓毒症关键基因识别，结合单细胞与多组学分析发现TIMP1、GSTO1和MYL6三个新标志物，并通过药物重定位策略筛选潜在靶向药物	未明确说明模型验证的外部数据集规模及临床样本的多样性限制	识别调控脓毒症免疫反应的关键基因，为治疗提供新靶点和生物标志物	脓毒症患者基因表达数据（包括bulk和单细胞层面）	机器学习	脓毒症	RNA-seq, 单细胞测序	P-NET（生物学信息驱动的可解释AI模型）	基因表达数据	NA	NA	P-NET	NA	NA
14	2026-06-26	Deep Supramolecular Language Processing for Co-Crystal Prediction 2025-07, Angewandte Chemie (International ed. in English) DOI:10.1002/anie.202507835 PMID:40358977	研究论文	提出一种基于深度学习的超分子语言处理模型DeepCocrystal，用于预测共晶形成	从超分子视角处理分子字符串表示的化学语言，首次将自然语言处理技术应用于共晶预测，并集成不确定性估计和可解释AI能力	在现实场景中平衡准确率为78%，仍存在改进空间；前瞻性研究仅验证了两种新共晶，样本量有限	加速共晶发现过程以优化药物理化性质，推动药物开发	双氟尼酸（抗炎药）与其他分子的共晶组合	自然语言处理	NA	分子字符串表示	深度学习模型（基于自然语言处理的架构）	分子字符串序列	前瞻性研究验证了2种新共晶	PyTorch	Transformer	平衡准确率	NA
15	2026-06-19	From classical approaches to artificial intelligence, old and new tools for PDAC risk stratification and prediction 2025-07, Seminars in cancer biology IF:12.1Q1 DOI:10.1016/j.semcancer.2025.03.004 PMID:40147701	综述	探讨从经典方法到人工智能用于胰腺导管腺癌风险分层和预测的演变	系统比较了经典流行病学方法与人工智能驱动方法在PDAC风险分层中的应用，并整合了遗传学、影像组学及深度学习模型	数据稀缺、模型可解释性不足及外部验证困难等临床转化挑战	评估并展望结合经典方法和AI技术开发可扩展、个性化的PDAC预测工具，以改善早期检测和患者预后	胰腺导管腺癌的风险分层与预测方法	机器学习	胰腺癌	基因组关联研究、多基因风险评分、影像组学	机器学习、深度学习	遗传数据、临床数据、生活方式数据、影像数据	不适用	不适用	不适用	不适用	不适用
16	2026-06-18	Embryonic cranial cartilage defects in the Fgfr3Y367C /+ mouse model of achondroplasia 2025-07, Anatomical record (Hoboken, N.J. : 2007) DOI:10.1002/ar.25327 PMID:37747411	研究论文	使用Fgfr3Y367C/+小鼠模型研究软骨发育不全的胚胎颅软骨缺陷	首次利用深度学习三维分割模型分析Fgfr3突变对胚胎期颅软骨和Meckel软骨的影响，揭示了软骨发育不全的胚胎期颅软骨形态和生长的直接缺陷	仅使用小鼠模型，结果可能不完全代表人类胚胎发育；仅分析两个胚胎时间点（E14.5和E16.5），未涵盖整个发育过程	研究Fgfr3突变对胚胎颅软骨和Meckel软骨发育的影响	Fgfr3Y367C/+小鼠模型及其未受影响的同窝小鼠的胚胎颅软骨和Meckel软骨	计算机视觉	软骨发育不全	磷钨酸增强三维微计算机断层扫描	深度学习三维分割模型	三维图像	E14.5和E16.5胚胎期小鼠样本	NA	三维分割模型（具体架构未提及）	统计显著性差异分析	NA
17	2026-06-17	Blockchain enabled deep learning model with modified coati optimization for sustainable healthcare disease detection and classification 2025-Jul-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-06578-6 PMID:40596110	研究论文	提出了一种基于区块链和深度学习模型的医疗疾病检测与分类方法	结合改进的浣熊优化算法和注意力双向门控循环单元，并引入区块链技术保障医疗数据的安全共享	未提及模型的泛化能力或在实际临床环境中的验证	实现可持续医疗中的疾病检测与分类，提高准确性和数据安全性	医疗传感器收集的大规模异构数据	机器学习	NA	NA	注意力双向门控循环单元 (ABiGRU)	医疗传感器数据	使用HD数据集，但未说明具体样本数量	NA	注意力双向门控循环单元	准确率 (97.36%)	NA
18	2026-06-07	Reflections on dynamic prediction of Alzheimer's disease: advancements in modeling longitudinal outcomes and time-to-event data 2025-07-17, BMC medical research methodology IF:3.9Q1 DOI:10.1186/s12874-025-02618-x PMID:40676602	综述	对阿尔茨海默病动态预测方法的全面调查，涵盖传统统计方法和深度学习技术	系统比较了四种动态预测框架（两阶段模型、联合模型、里程碑模型和深度学习）的原理与应用	未考虑多种数据类型、复杂纵向数据、缺失数据、假设违反、生存结果和模型可解释性等问题	综述阿尔茨海默病动态预测方法，支持临床医学和决策	阿尔茨海默病动态预测的相关研究文章	机器学习	阿尔茨海默病	NA	NA	NA	18项研究	NA	NA	NA	NA
19	2026-06-07	Simpler Protein Domain Identification Using Spectral Clustering 2025-07, Proteins IF:3.2Q2 DOI:10.1002/prot.26808 PMID:39945423	研究论文	提出SPECTRALDOM方法，在SPECTRUS算法基础上增加三个改进：无需简正模式的单结构域识别、多序列比对模式处理同源结构、以及使用α家族匹配算法解决碎片化问题	无需简正模式即可从图拉普拉斯获得高质量域分割；引入多序列比对模式融合序列和几何信息；利用α家族匹配算法建立域对应关系，解决碎片化问题	未明确说明，但可能需要依赖同源结构或结构数据集	改进蛋白质结构域识别方法，提高分割质量和处理复杂构象变化的能力	生物大分子复合物中的蛋白质结构域	计算生物学	NA	NA	谱聚类	结构数据	NA	Structural Bioinformatics Library	NA	NA	NA
20	2026-06-07	Enhancing Functional Protein Design Using Heuristic Optimization and Deep Learning for Anti-Inflammatory and Gene Therapy Applications 2025-07, Proteins IF:3.2Q2 DOI:10.1002/prot.26810 PMID:39985803	研究论文	开发了一种结合启发式优化与深度学习的方法，用于设计具有抗炎和基因治疗功能的功能性蛋白质序列	提出启发式优化方法以增强蛋白质功能（如溶解度、灵活性和稳定性），同时保持结构完整性，并减少了实验室实验需求	NA	提升功能性蛋白质设计的效率与精准度，特别针对抗炎和基因治疗应用	蛋白质序列设计与优化	机器学习	抗炎疾病	蛋白质序列设计	遗传算法、AlphaFold	蛋白质序列数据	NA	AlphaFold, PyTorch	遗传算法	恢复分数、置信度指标	NA