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
21	2026-05-15	petBrain: a new pipeline for amyloid, Tau tangles and neurodegeneration quantification using PET and MRI 2025-09-30, Alzheimer's research & therapy DOI:10.1186/s13195-025-01839-y PMID:41029733	研究论文	介绍petBrain，一个利用PET和MRI进行淀粉样蛋白、Tau蛋白缠结和神经退行性变定量分析的新流程	提出端到端处理流程，整合深度学习分割和标准化生物标志物定量，以网络形式实现，无需本地基础设施或软件知识	未在摘要中明确说明	实现阿尔茨海默病A/T2/N生物标志物的标准化、快速定量分析	阿尔茨海默病患者的淀粉样蛋白PET、tau-PET和结构MRI数据	数字病理学	阿尔茨海默病	PET, MRI	深度学习	图像	未明确说明	NA	NA	与ADNI数据库的一致性、与脑脊液/血浆生物标志物、临床状态和认知表现的符合度	网络形式，无需本地计算基础设施
22	2026-05-15	Centiloid values from deep learning-based CT parcellation: a valid alternative to freesurfer 2025-09-30, Alzheimer's research & therapy DOI:10.1186/s13195-025-01860-1 PMID:41029783	研究论文	开发并验证了一种基于深度学习的CT分割管线，作为FreeSurfer的替代方法，用于标准化阿尔茨海默病淀粉样蛋白PET/CT图像中的Centiloid值计算	首次利用深度学习从PET/CT中的CT图像进行脑区分割，替代MRI-based FreeSurfer管线，实现无MRI的Centiloid定量	未明确提及，可能包括样本量有限、需进一步验证在不同PET示踪剂和临床场景中的泛化性	评估深度学习CT分割管线在Centiloid定量中的准确性，验证其作为MRI-free替代方案的可靠性	306名参与者（23名年轻对照组和283名患者）的18F-FBB PET/CT和MRI数据	计算机视觉, 数字病理学, 机器学习	阿尔茨海默病	PET/CT成像，深度学习CT分割	深度学习模型（具体类型未明确）	图像（CT和PET图像）	306名参与者（23名年轻对照组，283名患者）	NA	NA	R², 效应量, 方差, ROC分析中的准确性和阈值	未提及
23	2026-05-08	A Comprehensive Review on Blockchain-based Systems for Groundwater Conservation and Wastewater Management 2025-09, Environmental management IF:2.7Q3 DOI:10.1007/s00267-025-02247-6 PMID:40760176	综述	系统性分析基于区块链、机器学习和深度学习技术在地下水保护和废水管理中的应用进展	综合评估了区块链与人工智能技术在可持续水资源管理中的协同效应，量化了性能提升（如预测准确率提升86%、处理效率提升20%）	数据整合、可扩展性和法规采用方面仍存在挑战	评估技术集成效果、量化性能改进并识别研究空白与未来方向	2019-2025年间发表的97篇同行评审文献	机器学习	NA	智能传感器、物联网实时监测、区块链	机器学习模型、深度学习模型	水质监测数据、资源分配数据	NA	NA	NA	预测准确率、废水处理效率、资源分配效率	NA
24	2026-05-04	Understanding Cancer Survivorship Care Needs Using Amazon Reviews: Content Analysis, Algorithm Development, and Validation Study 2025-Sep-23, JMIR cancer IF:3.3Q2 DOI:10.2196/71102 PMID:40986859	研究论文	利用亚马逊消费者评论作为新型数据源，通过内容分析、算法开发和验证研究，理解癌症幸存者的护理需求	首次提出将亚马逊消费者评论作为识别癌症幸存者护理需求的新型数据源，并开发了基于深度学习和大型语言模型的自然语言处理基线模型	未明确提及	展示使用亚马逊消费者评论识别癌症幸存者护理需求（特别是症状自我管理）的潜力	亚马逊健康相关产品评论中提及癌症的句子	自然语言处理	癌症	自然语言处理	Bert-base-cased, GPT-4	文本	159条评论，4703个句子，3349条评论，2589个独立产品	PyTorch	BERT, GPT-4	加权平均F1分数	NA
25	2026-05-04	An Artificial Intelligence-Based Framework for Predicting Emergency Department Overcrowding: Development and Evaluation Study 2025-Sep-17, JMIR medical informatics IF:3.1Q2 DOI:10.2196/73960 PMID:40961493	研究论文	开发并评估基于人工智能的框架，用于预测急诊科过度拥挤状况，支持主动资源分配	提出两种时间分辨率（每小时和每天）的等待人数预测模型，其中每小时模型使用时间序列视觉变换器（TSiTPlus），每天模型使用可解释卷积神经网络（XCMPlus），两者均优于传统预测方法	文章未明确提出局限性，但可能包括数据来自单一医院、预测准确性随时间变化（如晚上8点误差最大）、极端情况误差较大等	开发机器学习模型预测急诊科候诊室等待人数，分别在6小时后（每小时）和24小时平均（每天）两个时间分辨率上，以支持早期干预和缓解过度拥挤	美国东南部一家合作医院的急诊科数据	机器学习	NA	NA	TSiTPlus（时间序列视觉变换器），XCMPlus（可解释卷积神经网络）	数值数据（患者流量指标）	从一家医院急诊科整合内部与外部来源的数据，具体样本量未明确说明	NA	TSiTPlus, XCMPlus	平均绝对误差（MAE），均方误差（MSE）	代码公开在GitHub仓库，具体计算资源未说明
26	2026-05-04	Deep learning reconstruction for improving image quality of pediatric abdomen MRI using a 3D T1 fast spoiled gradient echo acquisition 2025-09, Pediatric radiology IF:2.1Q2 DOI:10.1007/s00247-025-06313-3 PMID:40679617	研究论文	比较基于深度学习重建方法与常规重建在儿童腹部MRI中的图像质量	首次在儿童队列中系统评估商用深度学习重建算法（AIR™ Recon DL）对3D快速扰相梯度回波序列腹部MRI图像质量的提升效果	样本量较小（38例），且重建方法为原型版本，可能无法完全反映最终产品性能	评估深度学习重建在儿童腹部MRI中的临床应用价值	儿童患者（年龄<18岁）的腹部MRI图像	计算机视觉	NA	MRI	深度学习重建模型（未明确具体类型，基于商用DL算法）	医学图像（MRI）	38例儿童患者（平均年龄8.6±5.7岁，23名男性）	GE HealthCare AIR™ Recon DL（商用深度学习算法）	NA	Likert评分（5分量表）、信噪比（SNR）、边缘数量（图像锐度逆相关）、Kendall秩相关系数（W）	NA
27	2026-05-04	Development and validation of a cranial ultrasound imaging-based deep learning model for periventricular-intraventricular haemorrhage detection and grading: a two-centre study 2025-09, Pediatric radiology IF:2.1Q2 DOI:10.1007/s00247-025-06327-x PMID:40728538	研究论文	开发并验证了一种基于颅脑超声图像的深度学习模型，用于新生儿脑室周围-脑室内出血的检测与分级，并进行了多中心验证	结合卷积块注意力模块机制构建深度学习模型，实现脑室周围-脑室内出血的自动检测与分级	NA	研究深度学习分析婴儿颅脑超声图像能否检测并分级脑室周围-脑室内出血	两家医院共1060例病例及健康对照，其中回顾性数据集773例，前瞻性多中心验证集287例	机器学习	新生儿疾病	颅脑超声成像	CNN（卷积神经网络）	图像	1060例（773例回顾性训练验证 + 287例前瞻性多中心验证）	NA	卷积块注意力模块	召回率、精确率、准确率、F1分数、AUC	NA
28	2026-05-03	Artificial Intelligence Automation of Echocardiographic Measurements 2025-Sep-30, Journal of the American College of Cardiology IF:21.7Q1 DOI:10.1016/j.jacc.2025.07.053 PMID:40914895	research paper	开发并验证了用于超声心动图自动测量的开源深度学习语义分割模型EchoNet-Measurements	首次提出开源深度学习语义分割模型，实现对18个解剖和多普勒超声心动图参数的自动化测量，并在大规模多中心数据集上验证了高准确性	NA	开发并验证用于超声心动图参数自动化测量的开源深度学习模型	超声心动图测量数据	computer vision	cardiovascular disease	NA	deep learning semantic segmentation models	image	来自Cedars-Sinai医疗中心的155,215项研究中的877,983个超声心动图测量数据，以及斯坦福医疗保健的外部验证集	NA	EchoNet-Measurements	coverage probability, relative difference	NA
29	2026-05-02	Racial and ethnic disparities in exposure to short-term NO2 air pollution in California during 1980-2022 2025-Sep-15, Journal of hazardous materials IF:12.2Q1 DOI:10.1016/j.jhazmat.2025.139309 PMID:40695125	研究论文	利用深度学习框架估算1980-2022年美国加州短期NO2暴露浓度，并分析种族和民族差异	首次利用深度学习结合化学传输模型输出和地理空间数据，生成1980-2022年高时空分辨率NO2浓度数据，并量化历史短期NO2暴露中的种族和民族差异	未明确提及外部验证或潜在数据偏差	评估加州1980-2022年短期NO2暴露中的种族和民族差异，为环境正义提供关键信息	美国加州不同种族和民族群体（包括西班牙裔或拉丁裔、非西班牙裔非洲裔或黑人、非西班牙裔美洲印第安人、阿拉斯加原住民、亚裔、太平洋岛民及非西班牙裔白人）	机器学习	NA	地理空间数据分析	深度学习模型	地理空间数据	NA	深度学习框架（未具体说明）	NA	决定系数（R²），范围0.72-0.83	NA
30	2026-05-02	3D cardiac shape analysis with variational point cloud autoencoders for myocardial infarction prediction and virtual heart synthesis 2025-Sep, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society IF:5.4Q1 DOI:10.1016/j.compmedimag.2025.102587 PMID:40582300	研究论文	提出多类变分点云自编码器用于3D心脏形状与功能分析，实现对心肌梗死的预测和虚拟心脏合成	将变分点云自编码器应用于多类3D心脏解剖结构的几何深度学习，实现低维且可解释的潜在空间中的复杂非线性形状变异捕捉	NA	开发一种新型几何深度学习方法，用于3D心脏形状和功能分析，以理解并利用人类群体的心脏变异，辅助临床决策和心脏功能模拟	超过10000个受试者的3D心脏点云数据	计算机视觉, 机器学习, 数字病理学	心肌梗死	NA	变分点云自编码器	点云	超过10000个受试者的3D心脏点云数据	NA	Point VAE	Chamfer距离, AUROC, Harrell's C指数	NA
31	2026-04-30	Automated Field of View Prescription for Whole-body Magnetic Resonance Imaging Using Deep Learning Based Body Region Segmentations 2025-Sep-16, Investigative radiology IF:7.0Q1 DOI:10.1097/RLI.0000000000001236 PMID:40955705	research paper	利用深度学习进行全身磁共振成像自动视野规划	首次基于深度学习三维解剖分割实现全身磁共振成像多站视野自动规划，达到专家水平	脊柱分割精度相对较低（Dice系数0.63），且研究为单中心回顾性设计	开发并验证用于全身MRI的自动多站视野规划系统以减少手动操作变异性	行全身MRI检查的374例患者（内部队列）和10例外部验证患者	computer vision	其他	MRI	nnUNet	image	374例内部患者（50.5±18.2岁，52%女性）和10例外部患者	NA	nnUNet-v2	Dice系数、精确率、召回率、特异度	NA
32	2026-04-30	From Support Vector Machines to Neural Networks: Advancing Automated Velopharyngeal Dysfunction Detection in Patients With Cleft Palate 2025-09-01, Annals of plastic surgery IF:1.4Q3 DOI:10.1097/SAP.0000000000004460 PMID:40911835	研究论文	本研究开发了一种基于神经网络的深度学习模型，用于自动检测腭裂术后患者的腭咽功能障碍	首次利用自监督深度学习模型从语音样本中自动检测腭咽功能障碍，并探索在中低收入国家推广的可能性	模型可能捕捉到混杂数据，影响检测准确性；需要进一步解决多语言语音分析问题	利用人工智能和机器学习自动检测腭咽功能障碍，以扩大中低收入国家的护理覆盖	腭裂术后患者及对照组的语音样本	机器学习	腭咽功能障碍	语音数据处理	神经网络	音频数据	60名患者（30名对照组，30名腭裂术后腭咽功能障碍患者），约8000个音频样本	NA	神经网络	准确率、精确率、召回率、F1分数	NA
33	2026-04-30	Longitudinal methods for Alzheimer's cognitive status prediction with deep learning 2025-Sep, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz.70488 PMID:40994414	研究论文	利用深度学习开发新方法，预测阿尔茨海默病认知状态，跨度从3到10年	提出分离归一化基线特征与基线偏差的新建模技术，以及基于线性注意力的新插值方法	即使预测经3至10年验证最终发展为阿尔茨海默病的遗忘型轻度认知障碍仍具挑战性	扩展阿尔茨海默病认知状态预测的时间跨度至3-10年	遗忘型轻度认知障碍患者、阿尔茨海默病患者和健康对照者	机器学习	阿尔茨海默病	NA	深度学习模型	神经心理学数据和患者历史数据	美国国家阿尔茨海默病协调中心数据库中的样本	NA	线性注意力机制	准确率	NA
34	2026-04-29	YeastSAM: A Deep Learning Model for Accurate Segmentation of Budding Yeast Cells 2025-Sep-20, bioRxiv : the preprint server for biology DOI:10.1101/2025.09.17.676679 PMID:41000957	研究论文	开发了一种基于深度学习的芽殖酵母细胞分割模型 YeastSAM，用于显微镜图像中细胞的精确分割	针对芽殖酵母不对称分裂和母芽形态的挑战，提出分割模型 YeastSAM，在分割分裂细胞时准确率比现有方法提高三倍以上	NA	解决芽殖酵母细胞分割中因不对称分裂导致的分裂细胞误识别问题，实现精确的定量图像分析	芽殖酵母细胞	计算机视觉	NA	显微镜成像	深度学习分割模型	图像	NA	NA	YeastSAM	准确率	NA
35	2026-04-29	Deep learning neural network of adenocarcinoma detection in effusion cytology 2025-09-09, American journal of clinical pathology IF:2.3Q2 DOI:10.1093/ajcp/aqaf067 PMID:40736208	研究论文	利用深度学习模型YOLOv8检测积液细胞学中的腺癌细胞	首次将YOLOv8目标检测算法应用于积液细胞学腺癌检测，实现了高精度自动化筛查	细胞标注在创建目标检测模型时仍存在一些问题	开发深度学习模型检测积液细胞学图像中的恶性细胞，辅助癌症筛查	积液细胞学图像中的腺癌细胞和阴性病例	数字病理学, 计算机视觉	腺癌	积液细胞学	YOLOv8	图像	275例腺癌病例（12,182张图像，29,245个标签），188例阴性病例（1,980张图像）	Roboflow	YOLOv8	Precision, Recall, F1, mean Average Precision, 准确率, 敏感性, 特异性	NA
36	2026-04-24	Prostate Cancer Risk Stratification and Scan Tailoring Using Deep Learning on Abbreviated Prostate MRI 2025-Sep, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.29798 PMID:40259798	研究论文	开发并评估基于双参数MRI的深度学习模型用于前列腺癌风险分层并优化扫描方案选择	提出一种深度学习模型根据个体风险推荐使用双参数或多参数MRI方案，实现MRI资源优化利用，并在实时临床工作流中验证	未提及具体局限性	开发和评估基于bpMRI的深度学习模型用于分类临床显著前列腺癌，并评估其优化MRI协议选择的能力	前列腺MRI影像	计算机视觉	前列腺癌	MRI	CNN	图像	训练验证26129例，回顾性队列151例，前瞻性队列142例	NA	3D ResNet-50	AUC	NA
37	2026-04-20	Box embeddings for extending ontologies: a data-driven and interpretable approach 2025-Sep-01, Journal of cheminformatics IF:7.1Q1 DOI:10.1186/s13321-025-01086-1 PMID:40890838	研究论文	提出一种基于盒形嵌入的数据驱动方法，用于扩展本体并实现可解释的多标签分类	通过盒形嵌入在训练过程中强制实施分类结构，无需显式分类法即可捕获标签间的隐式层次关系	未在摘要中明确说明	从深度学习模型中推导符号知识，实现可解释的多标签分类	ChEBI本体中的化学类别	自然语言处理	NA	盒形嵌入	深度学习模型	多标签数据集	NA	NA	NA	多标签分类性能	NA
38	2026-04-14	External Test of a Deep Learning Algorithm for Pulmonary Nodule Malignancy Risk Stratification Using European Screening Data 2025-09, Radiology IF:12.1Q1 DOI:10.1148/radiol.250874 PMID:40956165	研究论文	本研究利用欧洲三大肺癌筛查试验的汇总数据，对一种基于深度学习的肺结节恶性风险分层算法进行了外部测试	首次在多个欧洲筛查数据集上对深度学习算法进行外部验证，并证明其在降低假阳性率方面优于传统的PanCan模型	研究为回顾性分析，且主要基于欧洲人群数据，可能限制了其普适性	评估深度学习算法在肺结节恶性风险分层中的性能，以减少低剂量CT筛查中的假阳性发现	来自丹麦、意大利和荷兰-比利时肺癌筛查试验的基线CT扫描图像及对应的肺结节	数字病理	肺癌	低剂量CT扫描	深度学习算法	CT图像	4146名参与者，包含7614个良性结节和180个恶性结节	NA	NA	AUC, 敏感性, 假阳性率	NA
39	2026-04-12	Gold Futures Price Prediction Using Transformer Deep Learning Models with Data Scraped via UiPath 2025-09-26, Journal of visualized experiments : JoVE DOI:10.3791/68903 PMID:41082458	研究论文	本研究使用Transformer深度学习模型，结合通过UiPath网络爬取的数据，预测黄金期货价格	首次将Transformer模型与UiPath自动化数据采集结合，用于黄金价格预测，相比传统方法提供了更准确和可靠的预测	未纳入新闻头条和社交媒体情感等替代数据源，可能限制了市场动态的深入洞察	预测黄金期货价格，为投资者、金融分析师和政策制定者提供决策指导	黄金期货价格数据	机器学习	NA	网络爬取（UiPath），数据预处理（缺失数据处理、MinMax缩放）	Transformer	时间序列数据（每日黄金价格）	从investing.com网络爬取的每日黄金价格数据（具体数量未明确）	未明确指定，可能为TensorFlow或PyTorch	Transformer	均方误差（MSE），均方根误差（RMSE），R平方	未明确指定
40	2026-04-12	Dual Encoder-Decoder-Encoder with Adversarial Training for Unsupervised Traffic Accident Detection in Surveillance Videos 2025-09-05, Journal of visualized experiments : JoVE DOI:10.3791/68731 PMID:40982396	研究论文	本文提出了一种基于双编码器-解码器-编码器框架和对抗训练的无监督方法，用于监控视频中的交通事故检测	提出了双编码器-解码器-编码器框架，通过双向映射学习正常交通行为模式，并引入两阶段对抗训练机制增强对异常事件的敏感性	未明确说明模型在极端天气或低光照条件下的性能表现，也未讨论计算复杂度对实时检测的影响	开发无监督的深度学习系统，用于实时检测监控视频中的交通事故和危险驾驶行为	真实世界交通监控视频数据	计算机视觉	NA	深度学习，对抗训练	编码器-解码器，GAN	视频	未明确说明具体样本数量，仅提及使用真实世界交通监控数据集	未明确说明	双编码器-解码器-编码器	准确率，鲁棒性	未明确说明