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
121	2026-05-25	A systematic review of contactless respiratory rate measurement using RGB cameras 2025-09-04, Physiological measurement IF:2.3Q3 DOI:10.1088/1361-6579/adfc24 PMID:40816317	综述论文	系统综述了使用RGB摄像机进行无接触呼吸率测量的最新进展	对比RGB摄像机与其他传感器模态（热成像、红外）的优缺点，并系统分析公开数据集在光照、肤色和运动方面的多样性	RGB摄像机方法在低光照、高运动或复杂非受控环境下性能显著下降，且缺乏真实世界数据集	探索RGB摄像机估计呼吸率的方法，评估公开数据集和信号预处理方法，指出未来研究方向	呼吸率测量方法及相关公开数据集	计算机视觉	NA	RGB摄像机	深度学习、混合模型	图像视频数据	分析了多个公开数据集，但未提供具体样本数量	NA	NA	误差（错误率）	NA
122	2026-05-25	DeepEM Playground: Bringing deep learning to electron microscopy labs 2025-09, Journal of microscopy IF:1.5Q3 DOI:10.1111/jmi.70005 PMID:40579897	研究论文	介绍DeepEM Playground平台，将深度学习引入电子显微镜实验室	开发了交互式、用户友好的平台，无需编码经验即可训练和调整深度学习模型，弥合了前沿深度学习研究与电子显微镜实验室实际应用之间的鸿沟	NA	降低深度学习在电子显微镜领域的应用门槛，使研究人员能够更自信、有效地将AI驱动分析集成到工作流程中	电子显微镜研究人员	计算机视觉、数字病理学	NA	电子显微镜	深度学习	图像	NA	NA	NA	NA	NA
123	2026-05-23	Molecular dynamics simulations of proteins: an in-depth review of computational strategies, structural insights, and their role in medicinal chemistry and drug development 2025-09-26, Biological cybernetics IF:1.7Q4 DOI:10.1007/s00422-025-01026-0 PMID:41003729	综述	本文深入回顾了分子动力学模拟在蛋白质研究中的计算策略、结构见解及其在药物化学与药物开发中的作用	系统性地归纳了分子动力学模拟在蛋白质行为及其与抑制剂相互作用中的应用，并指出机器学习与深度学习技术有望推动该领域发展	现有挑战包括缩小计算模型与实际细胞条件之间的差距	综述分子动力学模拟在药物化学与药物开发中的角色及其计算策略和结构见解	蛋白质及其与抑制剂的相互作用	机器学习	NA	分子动力学模拟	机器学习	NA	NA	GROMACS, DESMOND, AMBER	NA	NA	NA
124	2026-05-23	Deep learning radiomics model based on contrast-enhanced MRI for distinguishing between tuberculous spondylitis and pyogenic spondylitis 2025-Sep, European spine journal : official publication of the European Spine Society, the European Spinal Deformity Society, and the European Section of the Cervical Spine Research Society IF:2.6Q1 DOI:10.1007/s00586-025-08696-1 PMID:39920318	研究论文	基于增强MRI的深度学习影像组学模型用于区分结核性脊柱炎和化脓性脊柱炎	首次将增强MRI影像组学特征与深度学习特征融合，构建深度学习影像组学列线图用于区分结核性脊柱炎和化脓性脊柱炎	单中心回顾性研究，样本量较小，需进一步多中心前瞻性验证	开发并验证基于增强MRI的深度学习影像组学列线图以区分结核性脊柱炎和化脓性脊柱炎	结核性脊柱炎和化脓性脊柱炎患者	计算机视觉、数字病理学	结核性脊柱炎、化脓性脊柱炎	增强MRI	深度学习模型	图像	147例患者，训练队列102例（52例TS，50例PS），外部测试队列45例（17例TS，28例PS）	NA	NA	AUC、校准曲线、决策曲线分析	NA
125	2026-05-23	A multi-stage training and deep supervision based segmentation approach for 3D abdominal multi-organ segmentation 2025-Sep, Journal of X-ray science and technology IF:1.7Q3 DOI:10.1177/08953996251355806 PMID:40671620	研究论文	提出一种结合多阶段训练和深度监督的3D腹部多器官分割方法	创新性地集成多阶段训练策略、伪标签技术及带注意力机制的深度监督模型DLAU-Net，加速模型收敛并提升泛化能力	未明确讨论对极小或边缘模糊器官的分割性能，且依赖FLARE挑战赛数据集的可推广性有待验证	解决3D CT腹部多器官分割中器官分布复杂、标注数据稀缺及结构多样性导致的训练困难与精度不足问题	腹部CT影像中的多器官（如肝脏、脾脏、肾脏等）	计算机视觉	腹部疾病	CT	卷积神经网络	3D CT图像	FLARE 2023挑战赛中的大规模数据集	NA	DLAU-Net (深度监督注意力U-Net)	平均器官精度(AVG), Dice相似系数(DSC)	NA
126	2026-05-16	Toroidal indentation for measuring cell and tissue mechanical anisotropy 2025-09-15, Acta biomaterialia IF:9.4Q1 DOI:10.1016/j.actbio.2025.07.064 PMID:40749995	研究论文	提出一种环形压痕法结合深度学习模型，用于测量从宏观组织到单细胞的生物材料机械各向异性	首次开发了环形探针与有限元深度学习模型结合的方法，实现跨尺度的各向异性弹性模量测量，摆脱了对成像或专用设备的依赖	仅适用于线性和不可压缩的横观各向同性材料，且训练数据基于模拟，可能无法完全涵盖真实材料的复杂行为	开发一种通用的压痕方法，用于估算跨尺度生物材料（从宏观组织到单细胞）的各向异性弹性模量	各向异性肌肉组织、细胞单层和单个极化细胞	生物力学	NA	压痕测试	深度学习模型	有限元模拟数据	NA	NA	NA	各向异性度	NA
127	2026-05-16	A deep learning model for diagnosing autism using brain time series 2025-Sep-13, Neuroscience IF:2.9Q2 DOI:10.1016/j.neuroscience.2025.08.001 PMID:40763894	研究论文	提出一种结合LSTM和注意力机制的混合模型，利用脑时间序列数据诊断自闭症	创新性地引入基于滑动窗口的数据预处理方法及投票策略，并采用主体级5折交叉验证确保泛化能力	NA	提高自闭症诊断的准确性，尤其在早期识别方面	自闭症患者和神经典型个体的脑区感兴趣区（ROI）时间序列数据	机器学习	自闭症	NA	LSTM, 注意力机制	时间序列数据	来自ABIDE数据集的ROI时间序列数据	NA	混合模型（LSTM + 注意力机制）、残差块与通道注意力	准确率	NA
128	2026-05-16	Explainable ResNet-long short-term memory model for the classification of bowel sounds frequency based on multifeature fusion 2025-Sep, The Journal of international medical research IF:1.4Q4 DOI:10.1177/03000605251376915 PMID:41027655	研究论文	提出一种基于多特征融合的可解释ResNet-长短期记忆网络模型，用于肠鸣音频率分类	首次将多特征融合与可解释ResNet-LSTM模型结合，实现肠鸣音三分类（正常、活跃、减弱），并采用局部可解释模型无关解释增强透明度	未提及模型在不同设备或噪声环境下的泛化能力	开发基于肠鸣音频率分类的可解释深度学习模型，用于评估胃肠动力功能	肠鸣音音频信号	机器学习	胃肠动力相关疾病	音频特征提取（色度特征、滤波器组能量、梅尔频率倒谱系数）	ResNet长短期记忆网络	音频	10秒音频片段，来自三个医疗机构的样本	NA	ResNet50 V2, 长短期记忆网络	准确率、马修斯相关系数、加权科恩卡帕系数、敏感性、特异性	NA
129	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
130	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
131	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
132	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
133	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
134	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
135	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
136	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
137	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
138	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
139	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
140	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