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
61	2026-08-20	AI-Driven segmentation and morphogeometric profiling of epicardial adipose tissue in type 2 diabetes 2025-07-18, Cardiovascular diabetology IF:8.5Q1 DOI:10.1186/s12933-025-02829-y PMID:40682091	research paper	开发一种基于AI的形状感知方法，用于自动化分割和分析2型糖尿病心外膜脂肪组织的形态几何特征。	引入形状感知分割模型和多模态深度学习，结合统计分析识别T2D相关的形态几何差异。	样本量较小，且未在外部数据集验证。	开发并评估一种AI驱动的心外膜脂肪组织分割和形态几何分析方法，以揭示与T2D相关的结构变化。	心外膜脂肪组织（EAT）	machine learning	type 2 diabetes	dixon MRI	deep learning model	MRI	90名参与者（45名T2D患者和45名年龄和性别匹配的对照组）	PyTorch	U-Net	Dice similarity coefficient (DSC), 95% Hausdorff distance (HD95), average symmetric surface distance (ASSD)	NA
62	2026-08-20	Deep Learning-Based Body Composition Analysis for Outcome Prediction in Relapsed/Refractory Diffuse Large B-Cell Lymphoma: Insights From the LOTIS-2 Trial 2025-07, JCO clinical cancer informatics IF:3.3Q2 DOI:10.1200/CCI-25-00051 PMID:40669032	研究论文	本研究利用深度学习基于CT图像进行身体成分分析，以预测复发/难治性弥漫大B细胞淋巴瘤患者接受loncastuximab tesirine治疗后的临床结局，数据来自LOTIS-2试验。	提出了一种基于深度学习的身体成分自动分割方法，用于从CT图像中测量骨骼肌、皮下脂肪和内脏脂肪，并验证了其与手动分割的一致性，为预测DLBCL患者治疗结局提供了新的影像生物标志物。	未提及限制。	评估身体成分作为影像生物标志物对复发/难治性DLBCL患者治疗结局的预测价值，并验证深度学习自动分割方法的可靠性。	140例复发/难治性弥漫大B细胞淋巴瘤患者，来自LOTIS-2临床试验。	数字病理学	弥漫大B细胞淋巴瘤	CT成像	深度学习分割模型（未指定具体类型）	CT图像	140例患者的PET/CT扫描图像	未提及	未提及	Pearson相关系数、逻辑回归、Cox回归、Kaplan-Meier分析	未提及
63	2026-08-20	Analysis of Tumor Microenvironmental Features Between Primary and Synchronous Liver Metastases From Patients With Colorectal Cancers Using a Deep Learning Algorithm 2025-07, JCO clinical cancer informatics IF:3.3Q2 DOI:10.1200/CCI-25-00004 PMID:40694782	研究论文	本研究使用深度学习算法QuantCRC比较结直肠癌原发灶与同步肝转移灶的肿瘤微环境形态学特征，发现转移灶表现出更强的侵袭性和转移表型	利用经过验证的分割算法QuantCRC量化15种形态学肿瘤特征，首次系统比较配对的原发性结直肠癌与其同步肝转移灶的微环境差异	样本量较小（57例），且为单中心研究，结果可能受患者选择和地区差异影响	表征原发性结直肠癌与同步肝转移灶的微环境差异，以理解转移和免疫治疗抵抗的机制	57例结直肠癌患者的原发肿瘤和同步肝转移灶的组织切片	数字病理学	结直肠癌	数字病理图像分析	分割算法	组织病理图像	57例患者的配对原发肿瘤和同步肝转移灶样本	NA	QuantCRC（基于深度学习的分割算法）	P值	NA
64	2026-08-19	Continuous glucose feedback control using Raman spectroscopy and deep learning models for biopharmaceutical processes 2025 Jul-Aug, Biotechnology progress IF:2.5Q3 DOI:10.1002/btpr.70020 PMID:40172019	研究论文	本研究探讨了利用拉曼光谱和先进深度学习模型在高消耗、高复杂性细胞培养过程中实施连续葡萄糖控制策略，以提高测量精度和稳定性，并实现不同葡萄糖设定点的精确控制。	结合卷积神经网络和变分自编码器即时学习技术，通过深度学习衍生的过程监控增强葡萄糖测量准确性和稳定性，并开发了连续葡萄糖计算器作为可扩展的替代方案，以在拉曼光谱不可行的制造环境中应用。	未在摘要中明确提及局限性。	评估连续葡萄糖控制结合深度学习模型在生物制药过程中提高效率和产品质量的潜力，同时应对动态、高消耗生物反应器系统的挑战。	高消耗、高复杂性的细胞培养过程，涉及多个细胞系。	机器学习	不适用	拉曼光谱	卷积神经网络、变分自编码器、即时学习	光谱数据	多个细胞系	不适用	卷积神经网络、变分自编码器	准确性、稳定性、高甘露糖水平、效价生产力	不适用
65	2026-08-18	Deep Learning for Fluorescence Lifetime Predictions Enables High-Throughput In Vivo Imaging 2025-07-02, Journal of the American Chemical Society IF:14.4Q1 DOI:10.1021/jacs.5c03749 PMID:40515693	研究论文	介绍FLIMngo，一种深度学习模型，用于从低光子数环境下的FLIM数据中准确预测荧光寿命，从而将FLIM转变为高通量成像工具	FLIMngo通过同时利用原始FLIM数据中的时间和空间信息，在每像素少于50个光子时仍能准确预测荧光寿命，优于其他深度学习方法，且无需重新训练即可跨系统应用	未明确提及限制，但依赖于模拟数据表征，且应用示例仅限于特定活体样本	提高荧光寿命成像的吞吐量，使其适用于活体样本的动态分析，并减少与长时间光照相关的光毒性	FLIM数据及活体动态样本，如非麻醉的秀丽隐杆线虫中的疾病相关蛋白聚集体	深度学习	神经退行性疾病（基于蛋白质聚集体）	荧光寿命成像显微镜（FLIM）	深度学习模型	图像	未明确提供具体样本数量，但包括模拟数据和活体线虫样本	未明确指定，但模型为开源	未明确指定具体架构，但利用时间和空间信息	准确性（与真实荧光寿命预测相比）	未明确提及
66	2026-08-13	CT-Based Habitat Radiomics Combining Multi-Instance Learning for Early Prediction of Post-Neoadjuvant Lymph Node Metastasis in Esophageal Squamous Cell Carcinoma 2025-Jul-28, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering12080813 PMID:40868326	研究论文	开发并验证了一种基于CT影像的影像组学模型，用于食管鳞状细胞癌患者新辅助治疗后淋巴结转移的早期预测	结合肿瘤生境影像组学与多实例学习，构建了综合影像组学列线图，提高了早期预测准确性	未提供明确的局限性信息	早期预测食管鳞状细胞癌患者新辅助治疗后淋巴结转移状态，以指导个体化治疗	469例食管鳞状细胞癌患者	医学影像分析	食管鳞状细胞癌	CT影像组学	多实例学习模型，逻辑回归	CT影像数据及临床数据	469例患者（训练队列328例，测试队列141例）	NA	2.5D深度学习模型	曲线下面积（AUC），决策曲线分析	NA
67	2026-08-13	Attention-driven hybrid deep learning and SVM model for early Alzheimer's diagnosis using neuroimaging fusion 2025-07-01, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-025-03073-w PMID:40597079	研究论文	提出一种结合注意力驱动深度学习与支持向量机的混合模型，用于神经影像融合数据中阿尔茨海默病的早期诊断。	创新性地将深度学习提取的高级成像特征与SVM核函数在晚期融合阶段结合，通过注意力机制增强可解释性，并有效缓解数据稀疏和维度灾难问题。	未明确说明局限性，但可能面临不同数据集的泛化挑战。	提高阿尔茨海默病早期诊断的准确性和可靠性。	阿尔茨海默病患者的MRI和PET神经影像数据。	计算机视觉	阿尔茨海默病	NA	混合深度学习（CNN等）+ SVM	MRI和PET影像	未明确提供具体样本数量	NA	深度学习模型（具体架构未提及）结合SVM核函数	准确率、敏感性、特异性、F1分数、计算效率	NA
68	2026-08-13	Multiclass skin lesion classification and localziation from dermoscopic images using a novel network-level fused deep architecture and explainable artificial intelligence 2025-07-01, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-025-03051-2 PMID:40597254	研究论文	提出一种基于网络级融合的深度学习架构，结合可解释人工智能，用于皮肤镜图像中皮肤病变的多分类与定位	提出网络级融合架构，通过深度拼接集成两个深度学习模型，并应用混合对比度增强技术和贝叶斯优化超参数调优，结合LIME实现可解释性	计算资源需求高和训练时间长	提高皮肤镜图像中皮肤病变分类和定位的准确性，并提供模型可解释性	皮肤镜图像中的皮肤病变	计算机视觉	皮肤癌	皮肤镜成像	CNN（卷积神经网络）	图像	HAM10000和ISIC2018两个公开数据集，具体样本数量未提及	NA	5块倒置残差网络（Inverted Residual Network）、6块倒置瓶颈网络（Inverted Bottleneck Network）	准确率、敏感性、精确率、F1分数	NA
69	2026-08-13	A deep learning model for predicting systemic lupus erythematosus-associated epitopes 2025-07-01, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-025-03056-x PMID:40598008	研究论文	本文提出了一种混合深度学习架构，结合手工设计的生化特征与深度序列建模，用于预测系统性红斑狼疮相关表位，并取得了优于传统方法的性能。	创新性地融合了手工设计的生化特征与CNN和LSTM的深度序列表示，并采用基于缩放点积注意力的自定义融合模块，提高了表位预测的准确性和可解释性。	未在摘要中明确提及局限性。	旨在提高系统性红斑狼疮相关表位的预测准确性，并深化对自身免疫发病机制的理解。	系统性红斑狼疮相关的表位序列。	机器学习	系统性红斑狼疮	NA	CNN, LSTM, MLP	生物序列数据（表位序列）	NA	NA	CNN, LSTM, 注意力融合模块, MLP	准确率、精确率、召回率、F1分数、ROC曲线下面积	NA
70	2026-08-13	Deep learning image reconstruction and adaptive statistical iterative reconstruction on coronary artery calcium scoring in high risk population for coronary heart disease 2025-07-01, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-025-03049-w PMID:40598159	研究论文	本研究探讨了深度学习和自适应统计迭代重建对高危冠心病患者冠状动脉钙化评分的影响	首次在冠心病高危人群中系统评估DLIR和ASiR-V对冠状动脉钙化评分的影响，发现DLIR能在改善图像质量的同时不改变风险分层	单中心回顾性研究，样本量有限，且未随访患者的临床结局	评估深度学习和自适应统计迭代重建对冠状动脉钙化量化的影响，并比较不同重建算法在图像质量和钙化评分上的差异	2022年2月至9月在中国某医院接受冠状动脉CT血管造影的高风险冠心病患者	医学影像分析	冠心病	CT血管造影（CCTA）	深度学习重建算法	CT图像	178例患者（其中女性107例，平均年龄62.43±9.26岁，平均BMI 25.33±3.18 kg/m²）	NA	NA	信噪比、对比度噪声比、Agatston评分、体积评分、质量评分、Bland-Altman一致性、AUC	NA
71	2026-08-13	Deep learning-based cough classification using application-recorded sounds: a transfer learning approach with VGGish 2025-07-01, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-025-03065-w PMID:40598373	研究论文	提出了一种基于深度学习的方法，利用智能手机记录的咳嗽声音，通过VGGish迁移学习模型进行早期呼吸道疾病诊断。	采用VGGish作为迁移学习模型，并结合额外的检测和分类网络，利用多位医学专家的注释提高训练数据可靠性，并分析临床专业知识对模型泛化性能的影响。	未明确提及，但可能受限于数据集规模、声音记录质量及专家注释的主观性。	开发一个基于深度学习模型的早期诊断系统，利用智能手机记录的咳嗽声音辅助检测和分类呼吸道疾病。	智能手机记录的咳嗽声音样本，由医学专家标注。	数字病理学	呼吸道疾病	音频记录	VGGish（迁移学习模型）	音频数据	多个数据集（具体数量未在摘要中提及）	未明确提及	VGGish	准确率, AUROC, AUPRC	NA
72	2026-08-13	Associations of street-view greenspace exposure with cardiovascular health (Life's Essential 8) among women in midlife 2025-07-01, Biology of sex differences IF:4.9Q1 DOI:10.1186/s13293-025-00718-3 PMID:40598663	研究论文	本研究探讨了街头绿地暴露与中年女性心血管健康（Life's Essential 8）之间的关联	使用深度学习算法分析谷歌街景图像，评估地面水平的绿色空间暴露，而非传统的卫星图像，并首次将Life's Essential 8综合评分作为研究结局	样本主要来自美国马萨诸塞州东部，以非西班牙裔白人和大学毕业生为主，可能限制结果的普适性；绿色空间暴露评估局限于特定时间段（2012-2016年）和500米缓冲区	评估街头绿地暴露（特别是可见树木）与中年女性整体心血管健康之间的关系	767名中年女性参与者（平均年龄46岁，跟踪至51岁）	计算机视觉	心血管疾病	深度学习图像分析	深度学习模型	图像、问卷、生物医学数据	767名中年女性	NA	NA	β系数、置信区间	NA
73	2026-08-12	3MT-Net: A Multi-Modal Multi-Task Model for Breast Cancer and Pathological Subtype Classification Based on a Multicenter Study 2025-07, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3445952 PMID:39163184	研究论文	本研究提出一种名为3MT-Net的多模态多任务深度学习架构，用于乳腺癌及其病理亚型分类，基于多中心数据，结合临床数据与B型及彩色多普勒超声图像，性能优于行业标准S-Detect	集成AM-CapsNet提取超声图像特征，用级联交叉注意力机制融合临床数据，并采用集成学习与优化算法动态分配不同模态权重，实现高维和低维数据的兼容	未在摘要中明确说明局限性	开发并验证一种多模态多任务深度学习模型，提高乳腺癌良恶性及病理亚型分类的准确性	乳腺病变，包括良性和恶性病变及其病理亚型	计算机视觉，机器学习	乳腺癌	超声成像	胶囊网络（CapsNet），集成学习	临床数据，B型超声图像，彩色多普勒超声图像	来自九个医疗中心的数据，具体样本量未在摘要中给出	NA	AM-CapsNet，级联交叉注意力机制，集成学习模型	AUC	NA
74	2026-08-12	Exploring an Innovative Deep Learning Solution for Acupuncture Point Localization on the Weak Feature Body Surface of the Human Back 2025-07, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3511128 PMID:40030421	研究论文	提出一种利用自注意力模块的深度学习网络，用于人体背部弱特征体表的穴位定位与识别，以解决传统方法的主观性和标准化不足问题	采用自注意力模块进行全局图像特征提取，不同于常见CNN在弱特征图像任务中因过度裁剪和缩放导致的分类模糊	初步实验，平均精度小于1cm，但尚未提及模型在不同人群和复杂背景下的泛化能力及计算资源需求	探索高效可靠的穴位定位与识别解决方案，弥补传统中医穴位定位中的主观性和标准化不足	人体背部穴位，自建数据集包含84个背部穴位	计算机视觉	不适用	自注意力机制	深度学习网络（含自注意力模块）	图像	未明确提及具体样本数，但涉及84个背部穴位	未明确提及	自注意力模块（具体架构未详述，可能基于Transformer）	平均精度（<1cm）	未明确提及
75	2026-08-12	Class-Agnostic Feature-Learning-Based Deep-Learning Model for Robust Melanoma Prediction 2025-07, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3535536 PMID:40031346	研究论文	提出了一种基于类不可知激活图的鲁棒深度学习模型，用于提高黑色素瘤预测的准确性和可靠性。	使用类不可知激活图（CAAMs）来增强模型对图像变异和变换的鲁棒性，从而提高黑色素瘤预测和病灶识别的准确性。	未提及具体局限性。	开发鲁棒的深度学习模型用于黑色素瘤预测，解决图像变异性问题。	皮肤镜图像（ISIC 2017和2019数据集），重点关注黑色素瘤和痣。	计算机视觉	皮肤癌	NA	CNN	图像	ISIC 2017和2019数据集（具体数量未提）	NA	ConvNeXt, ResNet	AUROC, Dice分数	NA
76	2026-08-12	Respiratory Anomaly and Disease Detection Using Multi-Level Temporal Convolutional Networks 2025-07, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3545156 PMID:40031640	研究论文	本研究提出了一种基于多级时间卷积网络（ML-TCN）的深度学习框架，用于自动分析呼吸声音，以检测呼吸异常和肺部疾病。	提出了一种结合卷积操作和时序卷积网络的新框架，以捕捉呼吸声音的空间特征并利用其时空相关性，显著提高了异常呼吸周期和呼吸录音分类的准确性，并采用迁移学习以有效处理有限和不平衡的数据。	未明确提及局限性，但可能包括依赖特定数据集（ICBHI 2017）以及数据不平衡问题。	通过深度学习方法提高呼吸异常和疾病检测的准确性。	呼吸声音音频，具体为呼吸周期和呼吸录音。	机器学习	肺部疾病	深度学习，迁移学习	卷积神经网络（CNN）、时间卷积网络（TCN）	音频数据	使用了ICBHI 2017挑战数据集，具体样本数量未在标题和摘要中提及。	未提及具体框架	多级时间卷积网络（ML-TCN）	Score指标（平均敏感性和特异性）、分类准确率	未提及具体计算资源
77	2026-08-12	Optimal Electroencephalogram and Electrooculogram Signal Combination for Deep Learning-Based Sleep Staging 2025-07, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3541453 PMID:40031834	研究论文	本研究旨在确定基于深度学习的自动睡眠分期中最佳的脑电图和眼电图信号组合，通过训练31个深度学习模型并评估其分类性能。	首次系统比较了多种EEG和EOG信号组合在自动睡眠分期中的性能，发现简化测量设置即可达到与复杂设置相当的性能。	研究对象仅限于疑似阻塞性睡眠呼吸暂停患者，可能限制结果在其他人群中的普适性。	确定用于深度学习自动睡眠分期的最佳EEG和EOG信号组合，以简化测量设置而不牺牲性能。	876名疑似阻塞性睡眠呼吸暂停受试者的EEG和EOG信号。	深度学习	阻塞性睡眠呼吸暂停	多导睡眠图	深度学习模型	信号	876名受试者	NA	NA	准确率, Cohen's kappa	NA
78	2026-08-12	DSleepNet: Disentanglement Learning for Personal Attribute-Agnostic Three-Stage Sleep Classification Using Wearable Sensing Data 2025-07, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3541851 PMID:40031837	研究论文	提出DSleepNet模型，利用解耦学习将特征空间分为个人属性特定和无关组件，以提高可穿戴传感数据在睡眠分期分类中的泛化能力	引入两种概率编码器解耦特征空间，并采用独立激励机制去除特征间相关性，无需目标队列数据或推理时的个人属性信息	未明确提及，但可能受限于特定数据集和睡眠分期场景	提高睡眠分期模型对未见过人群的泛化能力，减少个人属性（如年龄、BMI、睡眠呼吸暂停严重程度）的影响	可穿戴传感数据中的睡眠分期任务	机器学习	睡眠障碍、心血管疾病、2型糖尿病、神经退行性疾病	NA	概率编码器（基于深度学习的解耦模型）	可穿戴传感数据（如生理信号）	未明确提及	NA	DSleepNet（包含两个概率编码器和独立激励机制）	F1分数、Cohen's Kappa	NA
79	2026-08-12	Beyond the Ground Truth, XGBoost Model Applied to Sleep Spindle Event Detection 2025-07, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3544966 PMID:40031867	研究论文	提出一种基于XGBoost的睡眠纺锤波检测框架SpinCo，结合滑动窗口特征提取，性能接近深度学习方法，并引入新的评估指标。	提出易解释的机器学习框架SpinCo，依赖固定可解释特征集；开发对称且概率可解释的按事件评估指标；提出基于泛化能力测试的新性能评估方法。	未提及具体局限性。	开发一种可解释、稳健的自动睡眠纺锤波检测方法，并改进评估指标以增强结果可解释性和专家间一致性评估。	睡眠纺锤波EEG微事件。	机器学习	NA	NA	XGBoost	脑电图（EEG）信号	未提及	XGBoost	XGBoost	准确性、灵敏度、特异性、AUC、F1分数	NA
80	2026-08-12	Enhancing Image Retrieval Performance With Generative Models in Siamese Networks 2025-07, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3543907 PMID:40036556	研究论文	本研究评估了生成式深度学习模型在基于内容的图像检索系统中提升检索质量的效果，提出了在孪生网络中使用生成模型的方法，并首次利用为CBIR优化的潜在表示训练注意力机制进行Gleason评分。	首次在文献中利用为CBIR优化的潜在表示来训练注意力机制，用于全切片图像的Gleason评分，并展示了生成式模型（ProGleason-GAN）在CBIR任务中的效用。	摘要中未提及具体限制。	评估生成式深度学习模型如何提升CBIR系统中的检索质量，并探索潜在表示在Gleason评分中的应用。	前列腺癌图像检索和Gleason评分，具体使用SiCAPv2数据集和ProGleason-GAN框架。	计算机视觉，数字病理学	前列腺癌	生成对抗网络，图像检索	孪生网络，生成对抗网络	图像	未提及具体样本数量，使用SiCAPv2数据集	未提及	孪生网络，ProGleason-GAN	未提及具体指标，但评估了检索质量指标	未提及