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	2026-01-08	Estimating ascending aortic diameter from the electrocardiogram 2025-Aug-21, medRxiv : the preprint server for health sciences DOI:10.1101/2025.08.19.25333786 PMID:40894145	研究论文	本研究开发了一种基于一维卷积神经网络的深度学习模型（ECGAI-TAA），用于从12导联心电图信号中估计升主动脉直径	首次将12导联心电图信号与MRI测量的升主动脉直径配对，利用深度学习模型从心电图信号中估计主动脉直径，并发现模型检测到的电生理变化可能与侧上轴偏移有关	研究结果仅代表生理学观察，尚未经过外部验证的风险评分验证	探索从心电图信号中无创估计升主动脉直径的可能性	英国生物银行（UK Biobank）的69,173名参与者	机器学习	心血管疾病	MRI测量，心电图信号分析	CNN，变分自编码器	心电图信号（12导联，10秒，500Hz），MRI图像	69,173名参与者（训练集），5,191名参与者（内部测试集）	NA	一维卷积神经网络，变分自编码器	方差解释率（31%），比值比（16倍）	NA
42	2026-01-05	StarVasc: hyper-dimensional and spectral feature expansion for lightweight vascular enhancement 2025-Aug-10, Journal of robotic surgery IF:2.2Q2 DOI:10.1007/s11701-025-02644-3 PMID:40783657	研究论文	本文提出了一种名为StarVasc的轻量级无监督血管对比度增强框架，专为机器人手术视觉系统设计	StarVasc采用基于紧凑生成对抗网络的非配对学习策略，引入星形操作模块实现超维特征扩展，并设计了光谱特征增强模块（SFEM）以隐式学习光谱线索，无需高光谱输入	未在摘要中明确说明	开发一种无需专用硬件的自适应血管对比度增强方法，以提高机器人手术成像中的视觉感知和手术安全性	机器人手术成像中的血管结构	计算机视觉	NA	非配对学习策略，光谱特征增强	GAN	图像	NA	NA	编码器-解码器架构	无参考质量指标，视觉评估	NA
43	2026-01-05	Artificial intelligence and digital health in vascular surgery: a 2-decade bibliometric analysis of research landscapes and evolving frontiers 2025-Aug-06, Journal of robotic surgery IF:2.2Q2 DOI:10.1007/s11701-025-02583-z PMID:40767924	研究论文	本文通过文献计量分析，回顾了过去20年人工智能和数字健康在血管外科领域的应用演变，识别了研究热点和新兴前沿	首次使用CiteSpace和HistCite工具对血管外科中AI和数字健康研究进行全面的结构性和时间性演化分析，揭示了七个新兴研究子领域和范式转变	研究基于WoSCC数据库，可能未涵盖所有相关文献；文献计量分析方法主要反映趋势而非深度内容评估	分析人工智能和数字健康在血管外科应用的结构与时间演化，识别历史发展轨迹、研究焦点和新兴前沿	血管外科领域的人工智能和数字健康应用相关出版物	数字病理学	心血管疾病	文献计量分析	NA	文本	675篇爆发性引用论文，涉及123个相关学科和505个关键词	NA	NA	NA	NA
44	2026-01-01	Fusing Tool Segmentation Predictions from Pose-Informed Morphological Polar Transform of Endoscopic Images 2025-Aug, IEEE International Conference on Automation Science and Engineering (CASE) : [proceedings]. IEEE Conference on Automation Science and Engineering DOI:10.1109/case58245.2025.11164078 PMID:41458100	研究论文	本文提出并评估了融合语义图像分割预测的方法，重点介绍了一种结合空间频率和边缘特征的新型混合方法	提出了一种基于低层特征融合灰度分割预测的混合方法，包括梯度估计、拉普拉斯金字塔和改进的空间频率方法，并探索了通过无监督聚类和ResNet-18模型进行可解释性分析	未提及具体的数据集规模限制或计算资源需求，可能缺乏大规模验证	通过融合两种基于形态学极坐标变换的分割预测，生成更优的手术工具分割结果，以支持机器人辅助微创手术中的视觉力估计	鼻窦手术中的内窥镜图像，特别是手术工具的分割	计算机视觉	NA	形态学极坐标变换，深度学习分割	CNN	图像	NA	NA	U-Net, ResNet-18	NA	NA
45	2025-12-28	Evaluating the Performance and Potential Bias of Predictive Models for Detection of Transthyretin Cardiac Amyloidosis 2025-Aug, JACC. Advances DOI:10.1016/j.jacadv.2025.101901 PMID:40616933	研究论文	本研究比较了四种算法在心力衰竭人群中检测转甲状腺素蛋白心脏淀粉样变性的性能，并评估了模型偏见的潜在危害风险	首次直接比较了基于索赔的随机森林模型、回归评分和两种深度学习超声心动图模型在检测ATTR-CM中的性能，并应用了标准公平性指标进行偏见评估	研究样本中79.2%为白人，9.0%为黑人，种族多样性有限，可能影响结果的普遍性	比较不同算法在检测转甲状腺素蛋白心脏淀粉样变性中的性能，并评估模型偏见风险	心力衰竭患者，包括176例确诊的ATTR-CM病例和3,192例对照患者	机器学习	心血管疾病	深度学习，超声心动图分析	随机森林，回归模型，深度学习模型	医疗索赔数据，超声心动图图像	176例ATTR-CM病例和3,192例对照患者，总计3,368例样本	NA	EchoNet-LVH, EchoGo Amyloidosis	AUC	NA
46	2025-12-28	Fully Automated Diagnosis of Acute Myocardial Infarction Using Electrocardiograms and Multimodal Deep Learning 2025-Aug, JACC. Advances DOI:10.1016/j.jacadv.2025.102011 PMID:40675022	研究论文	本研究开发并验证了一种基于心电图、人口统计学和症状的多模态深度学习模型，用于急性心肌梗死的全自动诊断	结合心电图特征、年龄、性别和症状数据，利用残差卷积神经网络进行多模态融合，实现急性心肌梗死的自动化检测，并在大规模真实世界数据中进行了内部和外部验证	研究为回顾性队列设计，缺乏与急诊医生诊断性能的前瞻性随机对照试验比较	开发并验证一种深度学习模型，用于快速检测急性心肌梗死，以降低发病率和死亡率	因胸痛或呼吸困难接受院前或院内心电图检查的患者	机器学习	心血管疾病	心电图	CNN	心电图信号, 人口统计学数据, 症状文本	104,507名个体（共208,366份心电图）	NA	残差卷积神经网络	受试者工作特征曲线下面积, 敏感性, 特异性	NA
47	2025-12-28	Artificial Intelligence Empowers Novice Users to Acquire Diagnostic-Quality Echocardiography 2025-Aug, JACC. Advances DOI:10.1016/j.jacadv.2025.102005 PMID:40700992	研究论文	本研究评估了基于人工智能的软件如何帮助无超声经验的护士获取诊断质量的心脏超声图像	首次证明AI引导系统能使新手在短时间内获取与专家相当的诊断质量心脏超声图像	研究仅在两个医疗中心进行，样本量相对有限，且未随机分配	评估AI软件是否能让无经验的新手获取诊断质量的心脏超声图像	成年患者（计划进行临床指示超声心动图检查）	医学影像分析	心血管疾病	心脏超声（超声心动图）	深度学习算法	超声图像	240名患者（平均年龄62.6岁，117名女性，平均BMI 26.6 kg/m²）	NA	NA	图像质量评估（视觉分析左心室大小和功能、右心室大小、心包积液存在性），参数相关性	NA
48	2025-12-27	Multimodal deep learning model for prognostic prediction in cervical cancer receiving definitive radiotherapy: a multi-center study 2025-Aug-04, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-025-01903-9 PMID:40760164	研究论文	本研究开发并验证了名为CerviPro的多模态深度学习模型，用于预测接受根治性放疗的局部晚期宫颈癌患者的无病生存期	通过融合治疗前后CT影像、手工放射组学特征和临床变量，构建了首个针对局部晚期宫颈癌的多模态预后预测模型，并证明了多模态特征融合优于单一数据源模型	研究样本量相对有限（1018例），且外部验证队列的C-index（0.70和0.66）低于内部验证队列（0.81），表明模型泛化能力有待进一步提升	开发精准的生存预测模型以指导局部晚期宫颈癌的个性化治疗	接受根治性放疗的局部晚期宫颈癌患者	数字病理学	宫颈癌	CT成像	深度学习模型	CT影像、放射组学特征、临床变量	1018例局部晚期宫颈癌患者	NA	CerviPro	C-index	NA
49	2025-12-26	[Prospects and technical challenges of non-invasive brain-computer interfaces in manned space missions] 2025-Aug-28, Zhong nan da xue xue bao. Yi xue ban = Journal of Central South University. Medical sciences DOI:10.11817/j.issn.1672-7347.2025.250389 PMID:41382998	综述	本文探讨了非侵入式脑机接口在载人航天任务中的应用前景与技术挑战	系统性地提出了非侵入式脑机接口在航天员选拔、在轨任务执行及任务后康复全周期的应用范式，并展望了与深度学习、虚拟现实及机器人技术的融合方向	未提供具体的实验数据或案例研究，主要基于理论分析与前景展望	分析非侵入式脑机接口技术在载人航天任务中的潜在应用价值与面临的技术瓶颈	航天员在长期太空任务中的生理、心理及认知功能	脑机接口	NA	非侵入式脑机接口，神经信号采集与解读，神经调控	NA	多模态生理信号（神经信号等）	NA	NA	NA	NA	NA
50	2025-12-24	ProtoECGNet: Case-Based Interpretable Deep Learning for Multi-Label ECG Classification with Contrastive Learning 2025-Aug-12, ArXiv PMID:40395940	研究论文	提出了一种基于原型推理的可解释深度学习模型ProtoECGNet，用于多标签心电图分类，并提供基于病例的解释	提出了一种结构化多分支架构，模拟临床解读流程，并引入了一种新颖的对比损失函数，用于处理多标签学习中无关类别的原型分离与共现诊断的原型聚类	NA	开发一种透明且可信的深度学习模型，用于临床决策支持中的多标签心电图分类	心电图信号	机器学习	心血管疾病	深度学习	CNN	时间序列数据	PTB-XL数据集中的所有71个标签	NA	1D CNN, 2D CNN	NA	NA
51	2025-12-20	Retinal image-based disease classification using hybrid deep architecture with improved image features 2025-Aug-05, International ophthalmology IF:1.4Q3 DOI:10.1007/s10792-025-03660-w PMID:40762730	研究论文	本文提出了一种基于视网膜图像的疾病分类混合深度学习架构，通过改进图像特征提高分类准确性	提出了一种结合改进的LinkNet（ILinkNet）和SqueezeNet的混合深度学习模型（ILink-SqNet），并整合了改进的多纹理特征与统计特征，以提升视网膜疾病的分类性能	未明确提及样本量、计算资源细节或模型在更广泛数据集上的泛化能力	开发一种准确、高效的视网膜疾病自动分类方法，以辅助眼科诊断	视网膜眼底图像	计算机视觉	视网膜疾病	NA	深度学习	图像	NA	NA	ResNet, VGG16, ILinkNet, SqueezeNet	精确度	NA
52	2025-12-17	A Review on Deep Learning Methods for Glioma Segmentation, Limitations, and Future Perspectives 2025-08-11, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging11080269 PMID:40863479	综述	本文全面综述了用于胶质瘤分割的深度学习方法，分析了其局限性并展望了未来研究方向	首次系统性地将80多种先进模型分为CNN、纯Transformer和混合架构三类进行评估，并特别关注模型在临床实际部署中的适用性，引入了基于鲁棒性、效率和肿瘤区域分割完整性的适用性分析	作为综述文章，主要基于已有文献进行分析，未提出新的分割模型或算法	评估深度学习模型在胶质瘤MRI图像分割中的性能，并分析其在临床环境中的适用性	胶质瘤的MRI图像	数字病理学	胶质瘤	磁共振成像	CNN, Transformer	图像	基于BraTS数据集的基准测试	NA	CNN-based, Pure Transformer, Hybrid CNN-Transformer	分割准确性, 计算效率	NA
53	2025-12-15	Time series forecasting of chlorophyll-a concentrations in the Chesapeake Bay 2025-Aug-22, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-16352-3 PMID:40846738	研究论文	本研究评估了使用长短期记忆神经网络预测切萨皮克湾叶绿素a浓度的方法	首次将LSTM神经网络应用于切萨皮克湾叶绿素a浓度的时间序列预测，并证明其优于传统统计模型ARIMA和TBATS	NA	评估深度学习模型在预测叶绿素a浓度方面的性能，以支持水质管理和政策决策	切萨皮克湾三个地理区域的叶绿素a浓度时间序列数据	机器学习	NA	卫星遥感	LSTM	时间序列数据	1997年至2020年每周的卫星衍生叶绿素a测量数据，覆盖三个区域	NA	LSTM	均方根误差	NA
54	2025-12-14	PixCUE: Joint Uncertainty Estimation and Image Reconstruction in MRI using Deep Pixel Classification 2025-Aug, Journal of imaging informatics in medicine DOI:10.1007/s10278-024-01250-3 PMID:39633210	研究论文	提出一种名为PixCUE的深度学习方法，用于在MRI重建中同时生成重建图像和不确定性图	首次将像素分类框架应用于MRI重建中的不确定性估计，能够在单次前向传播中同时输出重建图像和不确定性图，显著降低了计算成本	未明确说明方法在极端噪声或复杂病理情况下的鲁棒性，也未与其他非MC类不确定性估计方法进行系统比较	解决深度学习MRI重建中的不确定性估计问题，降低计算成本	磁共振成像（MRI）数据	医学影像分析	NA	磁共振成像（MRI）	深度学习模型	图像（k空间数据及重建图像）	NA	NA	NA	NMSE, PSNR, SSIM	NA
55	2025-12-11	Buzzing with Intelligence: A Systematic Review of Smart Beehive Technologies 2025-Aug-29, Sensors (Basel, Switzerland) DOI:10.3390/s25175359 PMID:40942788	综述	本文对应用于蜂箱的智能系统进行了系统性文献回顾，重点关注物联网监控、传感器模态、机器学习技术及其在精准养蜂中的应用	系统性地整合了智能蜂箱技术的最新进展，突出了深度学习、计算机视觉和多模态传感器融合的趋势，并强调了公开数据集的重要性	系统集成、数据集标准化和大规模部署方面仍存在挑战	调查智能系统在养蜂中的应用，以改善蜂群健康、生产力和环境适应性	智能蜂箱技术，包括物联网监控、传感器和机器学习应用	机器学习	NA	物联网监控、传感器技术、机器学习	深度学习	环境数据、声学数据、视觉数据、结构数据	分析了135篇同行评审出版物	NA	NA	NA	NA
56	2025-12-11	The diagnostic performance of ultrasound features for biliary atresia: a systematic review and updated meta-analysis 2025-Aug-18, Pediatric surgery international IF:1.5Q3 DOI:10.1007/s00383-025-06118-3 PMID:40824323	荟萃分析	本文通过系统综述和更新的荟萃分析，评估了超声特征在诊断胆道闭锁（BA）和囊性胆道闭锁（CBA）中的诊断性能	首次专门针对囊性胆道闭锁（CBA）与伴有黄疸和肝门区囊肿的婴儿的鉴别诊断，评估了超声特征的准确性，并整合了人工智能在提高诊断准确性方面的潜力	超声引导下经皮经肝胆管造影（PTCC）的临床应用受限于技术复杂性和患者要求，且胆囊异常相关特征的未检出比例存在较大变异	评估超声特征在鉴别胆道闭锁（BA）与婴儿胆汁淤积症，以及囊性胆道闭锁（CBA）与伴有黄疸和肝门区囊肿的婴儿中的诊断性能	胆道闭锁（BA）和囊性胆道闭锁（CBA）患者，以及作为对照的婴儿胆汁淤积症或伴有黄疸和肝门区囊肿的婴儿	数字病理学	胆道闭锁	超声成像	NA	医学影像（超声图像）	NA	NA	NA	敏感性, 特异性, 汇总受试者工作特征曲线	NA
57	2025-12-11	Performance Evaluation of Deep Learning for the Detection and Segmentation of Thyroid Nodules: Systematic Review and Meta-Analysis 2025-Aug-14, Journal of medical Internet research IF:5.8Q1 DOI:10.2196/73516 PMID:40811738	系统综述与荟萃分析	本文通过系统综述和荟萃分析评估了深度学习算法在甲状腺结节检测和分割中的诊断性能	首次通过系统综述和荟萃分析全面评估深度学习在甲状腺结节影像诊断中的性能，并比较其与临床医生的准确性	现有研究存在方法学设计欠佳、数据集图像质量不一致以及外部验证不足等问题，可能引入偏倚	评估深度学习算法在诊断甲状腺结节恶性程度方面的性能，识别影响其诊断效能的关键因素，并与临床医生的图像诊断准确性进行比较	甲状腺结节	医学图像分析	甲状腺癌	深度学习	深度学习模型	医学影像	基于41项符合条件的研究	NA	NA	敏感性, 特异性, AUC	NA
58	2025-12-10	Artificial intelligence driven neuropsychiatry: a systematic review of electroencephalography-based computational techniques for major depressive disorder prediction 2025-Aug-16, Neuroscience IF:2.9Q2 DOI:10.1016/j.neuroscience.2025.07.010 PMID:40639536	系统综述	本文系统综述了基于脑电图信号的计算技术用于预测重度抑郁症的研究，分析了预处理流程、模型性能及临床转化障碍	首次系统性地比较了深度学习架构（如CNN和混合CNN-LSTM模型）与传统机器学习方法在抑郁症预测中的表现，并强调了单通道或少电极配置在便携诊断工具中的潜力	研究方法存在显著不一致性，数据异质性大，模型可解释性有限，且缺乏标准化评估协议，这限制了结果的普适性和可靠性	旨在通过人工智能驱动的脑电图分析，为抑郁症诊断提供标准化计算框架，推动精准精神病学的发展	基于脑电图信号的抑郁症预测研究	自然语言处理	精神疾病	脑电图信号处理	CNN, LSTM, 混合CNN-LSTM模型, SVM	脑电图信号	NA	NA	卷积神经网络, 长短期记忆网络, 支持向量机	准确率	NA
59	2025-12-10	Is the use of machine learning in head and neck cancer radiotherapy supported by clinical trials? 2025-Aug, Physica medica : PM : an international journal devoted to the applications of physics to medicine and biology : official journal of the Italian Association of Biomedical Physics (AIFB) DOI:10.1016/j.ejmp.2025.105036 PMID:40587931	综述	本文通过系统综述临床试验，评估了人工智能和机器学习在头颈癌放疗中的应用效果	首次系统性地收集并分析了临床试验数据，以评估机器学习在头颈癌管理中的实际效用，并比较了深度学习与传统算法的性能	研究仅基于42项符合条件的临床试验，样本量有限，且模型、方法和终点的多样性可能影响结论的普适性	评估机器学习在头颈癌临床管理中的应用效果，特别是在检测/分类、图像分割和治疗反应/剂量分布预测方面的作用	头颈癌（HNC）患者	机器学习	头颈癌	NA	深度学习, KNN, SVM, 逻辑回归	图像, 临床数据	基于42项临床试验，具体样本量未详细说明	NA	多层神经网络	准确率, AUC, 特异性, 敏感性, Dice系数	NA
60	2025-12-08	Stacked Deep Learning Ensemble for Multiomics Cancer Type Classification: Development and Validation Study 2025-Aug-12, JMIR bioinformatics and biotechnology DOI:10.2196/70709 PMID:41342170	研究论文	本研究开发并验证了一个基于堆叠深度学习集成的模型，用于整合RNA测序、体细胞突变和DNA甲基化数据，以分类五种常见癌症类型	采用堆叠集成学习方法整合五种成熟算法，通过多组学数据融合显著提升了癌症分类准确率	仅针对沙特阿拉伯的五种癌症类型，样本多样性和泛化能力有待进一步验证	评估多组学数据整合在癌症类型分类中的效果，提升诊断准确性	乳腺癌、结直肠癌、甲状腺癌、非霍奇金淋巴瘤和子宫体癌	机器学习	癌症	RNA测序, 体细胞突变分析, DNA甲基化分析	支持向量机, k近邻, 人工神经网络, 卷积神经网络, 随机森林	多组学数据	NA	NA	堆叠集成模型	准确率	NA