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	2026-06-02	Association of deep learning-derived histologic features of placental chorionic villi with maternal and infant characteristics in the New Hampshire birth cohort study 2025-Oct, Placenta IF:3.0Q2 DOI:10.1016/j.placenta.2025.07.084 PMID:40902262	研究论文	利用深度学习分割胎盘绒毛膜绒毛组织，分析绒毛特征与母婴特征之间的关联	首次大规模应用深度学习分割技术，自动检测超过900万个胎盘绒毛膜绒毛，并通过无监督聚类识别出与已知分类一致的绒毛亚型	研究样本仅来自单一出生队列，可能限制结果的普适性；未涉及其他妊娠并发症或胎盘病理状态	量化胎盘绒毛膜绒毛的组织学特征，并探究其与分娩孕周、母亲年龄和婴儿性别的关联	1531张足月胎盘全切片图像中的胎盘绒毛膜绒毛	数字病理学	NA	全切片成像	深度学习分割模型	图像	1531张足月胎盘全切片图像	NA	NA	统计显著性 p 值	NA
2	2026-06-02	Early Prediction and Risk Analysis Using Hybrid Deep Learning Techniques in Multimodal Biomedical Image 2025-10, Developmental neurobiology IF:2.7Q3 DOI:10.1002/dneu.23001 PMID:41015781	研究论文	提出一种混合深度学习框架，整合多模态医学图像以提升早期癌症预测能力	将ORB手工特征提取与InceptionV4深度学习特征提取相结合，并采用稀疏逻辑回归与MS-GWNN分类器进行多模态图像融合与肿瘤恶性程度预测	未来工作需探索更多成像模态集成、临床实时应用及融合策略优化，同时可引入可解释AI提升模型可解释性	开发高效模型处理多样化医学图像，提取有意义特征并准确分类癌变区域	多模态医学图像（如MRI和CT扫描）中的癌变区域	计算机视觉	癌症	MR成像, CT成像	混合深度学习模型（InceptionV4, 稀疏逻辑回归, MS-GWNN）	图像	TCIA数据集	NA	InceptionV4, ORB, 稀疏逻辑回归, MS-GWNN	准确率, 灵敏度, 特异度	NA
3	2026-06-02	E2E-TM: Dual-Way Feature Extraction and End-to-End Transformer Based Parkinson's Disease Diagnosis Using Integrated MR Imaging and Electroencephalogram Signals 2025-10, Developmental neurobiology IF:2.7Q3 DOI:10.1002/dneu.23002 PMID:41015780	研究论文	提出一种基于双路特征提取和端到端Transformer的帕金森病诊断方法，整合磁共振成像和脑电图信号	提出E2E-TM端到端Transformer模块，集成多尺度主干卷积、双路主干卷积和双并行注意力网络，实现MRI和EEG数据的协同特征提取与诊断分类	未提及在多样化临床数据集上的泛化能力验证及与真实世界诊断环境的对比评估	开发高精度帕金森病早期诊断模型，克服传统机器学习方法的数据代表性和过拟合问题	帕金森病患者的磁共振成像和脑电图数据	机器学习	帕金森病	MRI, EEG	Transformer, 卷积神经网络	图像, 信号	NA	NA	E2E-TM, Multi-TC, DW-TC, DPANet, Super U-Net	诊断性能（分类准确率等对比指标）	NA
4	2026-06-02	Real-Time Classification for EEG Data in Children With ASD Using Deep Learning Techniques 2025-10, Developmental neurobiology IF:2.7Q3 DOI:10.1002/dneu.23009 PMID:41116645	研究论文	开发并验证了一种基于深度学习的框架，用于自闭症谱系障碍儿童脑电图数据的实时分类	提出了一种混合卷积神经网络-长短期记忆网络框架，能够同时提取脑电图信号的空间和时间特征，实现对儿童自闭症谱系障碍脑电图数据的实时分类	混合模型的准确率（87.5%）略低于基线ResNet模型（89.1%）	提高自闭症谱系障碍儿童脑电图诊断的准确性并实现及时干预	60名儿童（30名自闭症谱系障碍患者和30名典型发育儿童）的脑电图记录	机器学习	自闭症谱系障碍	脑电图	混合卷积神经网络-长短期记忆网络	脑电图信号	60名儿童	MATLAB	卷积神经网络-长短期记忆网络, ResNet	准确率, 精确率, 召回率, F1分数	NA
5	2026-05-31	Advances in Protein-RNA aptamer recognition and modeling: Current trends and future perspectives 2025-Oct, Current opinion in structural biology IF:6.1Q1 DOI:10.1016/j.sbi.2025.103133 PMID:40815918	综述	综述RNA适配体结构预测与设计的计算模型进展	系统总结了基于深度学习的RNA适配体结构预测与设计算法的最新突破	未明确指出具体限制	概述RNA适配体结构预测与设计的计算模型研究现状与未来方向	RNA适配体及其与蛋白质的识别模型	机器学习	NA	NA	深度学习模型	NA	NA	NA	NA	NA	NA
6	2026-05-30	Artificial Intelligence-Augmented Imaging for Early Pancreatic Cancer Detection 2025-Oct, Visceral medicine IF:1.8Q2 DOI:10.1159/000546603 PMID:40567392	综述	通过人工智能增强影像技术实现早期胰腺癌检测	利用放射组学和深度学习模型提取人眼不可见的胰腺癌细微影像特征，可在临床诊断前数月甚至数年于CT扫描中识别出胰腺癌的预诊征象	数据集异质性、模型可解释性不足以及缺乏真实临床环境的前瞻性验证	探讨人工智能在早期胰腺导管腺癌（PDA）CT检测中的应用，以实现更早干预并减少诊断不确定性	胰腺癌早期检测的CT影像及人工智能模型	计算机视觉	胰腺癌	CT、放射组学	深度学习模型	图像	NA	NA	NA	NA	NA
7	2026-05-27	N2G calibrator: a cross-subject domain adversarial training framework for gait tracking from neural signals in Parkinson's disease 2025-Oct-09, medRxiv : the preprint server for health sciences DOI:10.1101/2025.10.08.25337508 PMID:41282855	研究论文	提出一种跨受试者域对抗训练框架，利用群体神经数据跟踪帕金森病患者的步态表现	通过域对抗学习校准目标用户的神经信号，无需同步步态记录系统即可实现个性化模型校准	未明确提及限制	开发无需大量用户特定数据采集的步态跟踪方法	帕金森病患者的神经信号和步态表现	机器学习	帕金森病	NA	域对抗学习模型	神经信号	NA	PyTorch	域对抗网络	错误率	NA
8	2026-05-27	SpaGene: A Deep Adversarial Framework for Spatial Gene Imputation 2025-Oct-06, bioRxiv : the preprint server for biology DOI:10.1101/2025.10.03.680242 PMID:41278680	研究论文	提出SpaGene，一种用于整合单细胞RNA测序和空间转录组学数据以推断缺失基因表达的深度学习框架	采用两个编码器-解码器对结合两个翻译器和两个判别器的深度对抗框架，有效实现空间基因表达插补	未提及	通过整合单细胞和空间转录组学数据，提供全面的空间解析转录组信息以深入理解组织生物学和疾病进展	单细胞RNA测序数据和空间转录组学数据	数字病理学	肺癌	RNA测序，空间转录组学	生成对抗网络	基因表达数据	多个数据集（具体数量未提及）	PyTorch	编码器-解码器，翻译器，判别器	皮尔逊相关系数，结构相似性指数，均方根误差	未提及
9	2026-05-27	A Deep Learning Model for Preoperative Prediction of Lymph Node Metastasis in cT1-Stage Lung Adenocarcinoma: A Multicenter External Validation Study 2025-10, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2025.06.001 PMID:40651922	研究论文	开发并验证一种用于预测cT1期肺腺癌淋巴结转移的深度学习模型，并在多中心外部验证中比较其与语义和影像组学模型的性能	首次基于残差网络构建ResLNM模型，并在多中心大样本中证明其优于传统语义和影像组学方法，且联合淋巴结短径标准可进一步提升预测性能	未提及具体局限性	开发可用于术前预测cT1期肺腺癌淋巴结转移的深度学习模型，以优化手术决策并减少过度治疗	cT1期肺腺癌患者的CT影像数据	计算机视觉	肺癌	NA	CNN（卷积神经网络）	图像	2503例患者，2568个病理确诊的cT1期肺腺癌结节，来自8个机构	PyTorch	ResLNM（基于残差网络）	AUC, 决策曲线分析	NA
10	2026-05-27	2.5D Deep Learning-Based Prediction of Pathological Grading of Clear Cell Renal Cell Carcinoma Using Contrast-Enhanced CT: A Multicenter Study 2025-10, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2025.06.056 PMID:40683765	研究论文	开发并验证基于增强CT动脉期图像的深度学习模型，用于预测透明细胞肾细胞癌的病理分级	采用2.5D模型结合三切片输入的CT图像，提升了预测性能，并在多中心外部验证中显著优于传统2D模型和影像组学MLP模型	未明确提及，但可能受限于回顾性设计和样本分布不均	预测透明细胞肾细胞癌的WHO/ISUP病理分级	564例透明细胞肾细胞癌患者的动脉期增强CT图像	深度学习，医学影像	透明细胞肾细胞癌	增强CT（动脉期）	CNN（2.5D深度学习模型）	CT图像（三切片输入）	564例患者，来自5家医院，分为训练集283例、内部测试集122例、外部验证集1 60例、验证集2 38例、验证集3 61例	NA	2.5D CNN（三切片输入），2D CNN，多层感知机（MLP）	AUC，准确率，灵敏度	NA
11	2026-05-27	A Multicentre Comparative Analysis of Radiomics, Deep-learning, and Fusion Models for Predicting Postpartum Hemorrhage 2025-10, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2025.05.068 PMID:40562675	研究论文	本研究比较了二维和三维深度学习、影像组学及融合模型在预测产后出血方面的能力	首次系统比较2D/3D深度学习、影像组学及两种融合策略（早期和晚期融合）在预测产后出血中的表现	未提及，从摘要推断可能为单模态MRI数据、回顾性设计	评估不同模型（影像组学、深度学习及融合模型）基于MRI图像预测产后出血的性能	疑似胎盘植入谱系障碍的孕妇	数字病理学	产后出血	MRI	深度学习（2D/3D）、影像组学、融合模型	MRI图像（矢状T2加权）	581名孕妇（训练集421，验证集160）	NA	无特定架构名称，但提及2D和3D深度学习模型	ROC曲线、AUC、灵敏度、特异性、校准曲线、决策曲线分析	NA
12	2026-05-27	A Novel Model for Predicting Microsatellite Instability in Endometrial Cancer: Integrating Deep Learning-Pathomics and MRI-Based Radiomics 2025-10, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2025.07.050 PMID:40866275	研究论文	提出一种整合深度学习病理组学和MRI影像组学的新模型，用于预测子宫内膜癌微卫星不稳定性状态	首次将深度学习病理组学特征与MRI影像组学特征通过多层感知机融合，构建联合预测模型（DLPRM），并结合SHAP解释模型预测机制	本回顾性研究样本量有限（136例），且未进行外部验证	开发并验证基于多参数MRI和全玻片图像的模型，用于预测子宫内膜癌患者微卫星不稳定性状态	136例术后确诊的子宫内膜癌患者的术前多参数MRI图像和全玻片病理图像	医学影像分析, 数字病理学	子宫内膜癌	多参数MRI、全玻片成像、ResNet50深度学习、Pyradiomics影像组学	多层感知机（MLP）	图像（MRI图像、全玻片病理图像）	136例（子宫内膜癌患者，训练集96例、验证集40例）	Pyradiomics	ResNet50, 多层感知机	AUC、准确率、灵敏度、特异度、阳性预测值、阴性预测值、F1分数	NA
13	2026-05-25	Artificial intelligence-driven oocyte scores are associated with early morphokinetics and embryo outcomes after intracytoplasmic sperm injection 2025-Oct-24, Reproductive biomedicine online IF:3.7Q1 DOI:10.1016/j.rbmo.2025.105360 PMID:42176529	研究论文	利用深度学习系统MAGENTA评估卵母细胞评分，并分析其与ICSI后早期形态动力学和胚胎结局的关系	首次将基于深度学习的卵母细胞评分系统MAGENTA与ICSI后的早期形态动力学事件及胚胎结局关联分析	NA	探究MAGENTA卵母细胞评分与ICSI后胚胎发育及妊娠结局的关联	来自1340个取卵周期的2785张成熟卵母细胞图像	机器学习	不孕症	深度学习、时序成像	深度学习	图像	2785张成熟卵母细胞图像（来自1340个取卵周期）	NA	MAGENTA	准确性、率（如退化率、正常受精率）	NA
14	2026-05-25	An overview of reliable and representative DVC measurements for musculoskeletal tissues 2025-10, Journal of microscopy IF:1.5Q3 DOI:10.1111/jmi.70008 PMID:40636996	综述	本文综述了数字体相关技术在肌肉骨骼组织中的最新进展，涵盖从器官到组织层面的力学测量、技术挑战及未来方向	聚焦组织界面处理、边界效应及不确定性量化等关键挑战，并首次系统讨论DVC与深度学习结合预测位移和应变场的应用	未采用系统综述方法，对体内应用和临床转化案例的深度分析有限	总结DVC在肌肉骨骼组织力学特性表征中的发展现状与未来机遇	矿化组织、软组织的多尺度力学行为以及植入物-组织界面	数字病理学	肌肉骨骼疾病	数字体相关（DVC）	深度学习模型	三维应变场数据	NA	NA	NA	测量精度与可靠性	NA
15	2026-05-24	OpenSpindleNet: An open-source deep learning network for reliable sleep spindle detection in scalp and intracranial EEG 2025-10, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110854 PMID:40857816	研究论文	介绍一种基于深度学习的开源网络OpenSpindleNet，用于可靠检测头皮和颅内脑电图中的睡眠纺锤波	提出双头架构提高检测性能、鲁棒性和易用性，专门针对颅内脑电图独特的信号特征和记录环境进行优化	未明确说明	开发一种精确、自动化的睡眠纺锤波检测方法，以推动脑电图分析在睡眠研究和临床应用中的发展	睡眠纺锤波（scalp和intracranial EEG数据）	数字病理学	睡眠障碍	EEG	深度学习	EEG信号	挑战性iEEG数据集和公开头皮DREAMS数据集	NA	双头架构	F1分数	NA
16	2026-05-24	Dual-Attention BiLSTM for Interpretable Forecasting of Treatment Toxicities 2025-Oct, ... IEEE-EMBS International Conference on Biomedical and Health Informatics. IEEE-EMBS International Conference on Biomedical and Health Informatics DOI:10.1109/bhi67747.2025.11269508 PMID:42170647	研究论文	提出一种双重注意力机制增强的双向长短期记忆网络模型，用于可解释地预测治疗毒性	在BiLSTM中引入项目和时序两个层面的双重注意力机制，选择性强调最具信息量的症状-时间交互，提高预测准确性和临床可解释性	未提及	实现可解释的纵向患者报告结果数据症状轨迹预测，支持肿瘤学个性化及时决策	患者报告结果数据中的症状严重程度	机器学习	肿瘤	NA	注意力增强的双向长短期记忆网络（BiLSTM）	文本（纵向患者报告结果数据）	来自一家大型癌症中心的纵向PRO数据集	PyTorch	BiLSTM，双重注意力机制	预测准确性，可解释性	NA
17	2026-05-23	Early diagnosis model of mycosis fungoides and five inflammatory skin diseases based on a multimodal data-based convolutional neural network 2025-10-17, The British journal of dermatology DOI:10.1093/bjd/ljaf212 PMID:40465821	研究论文	基于多模态数据卷积神经网络开发早期诊断蕈样肉芽肿和五种炎症性皮肤病的AI模型	首次利用多模态信息（临床信息、临床图像和皮肤镜图像）基于卷积神经网络构建蕈样肉芽肿与炎症性皮肤病的早期诊断模型，并验证其辅助皮肤科医生诊断的实用性	单中心回顾性研究，可能缺乏外部验证的泛化性	开发基于多模态信息的AI深度学习模型，验证其分类效率，并构建辅助皮肤科医生早期诊断蕈样肉芽肿和炎症性皮肤病的模型	1157例蕈样肉芽肿和炎症性皮肤病病例，包括2452张临床图像、6550张皮肤镜图像及对应临床数据	计算机视觉	皮肤癌	NA	卷积神经网络	图像	1157例病例，包括2452张临床图像和6550张皮肤镜图像	PyTorch	RegNetY400MF	准确率、精确率、灵敏度、特异度	NA
18	2026-05-23	Assessing the performance of artificial intelligence models in evaluating inflammatory skin disease severity: a systematic review and meta-analysis 2025-10-17, The British journal of dermatology DOI:10.1093/bjd/ljaf250 PMID:40570030	meta分析	系统评价和荟萃分析评估人工智能模型在评估炎症性皮肤病严重程度方面的表现	首次对多种皮肤病（特应性皮炎、痤疮、银屑病等）的基于图像的AI模型严重程度评估性能进行量化和比较，揭示了不同疾病和评分系统间的显著差异	纳入研究的数据报告透明度不足，缺乏高质量前瞻性研究，部分研究未使用客观参考标准	定性定量评估基于图像的AI模型在不同皮肤病严重程度评估中的性能	2017年1月至2023年4月发表的深度学习AI模型评估皮肤病严重程度的研究	计算机视觉	皮肤病	NA	深度学习模型	图像	45项研究纳入系统评价，19项纳入荟萃分析	NA	NA	敏感度、特异度	NA
19	2026-05-23	Uncertainty-aware quantitative CT evaluation of emphysema and mortality risk from variable radiation dose images 2025-Oct, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-11525-0 PMID:40185924	研究论文	开发一种自动方法，用于联合评估肺气肿和死亡风险，并量化数据和模型不确定性	提出多任务贝叶斯神经网络，同时评估肺气肿和死亡风险，并量化数据和模型不确定性，提高不同辐射剂量CT协议间的评估一致性	未明确提及局限性，但可能包括样本量相对较小，以及模型在其他人群中的泛化性待验证	开发一种不确定性感知的自动方法，以一致地评估肺气肿和死亡风险	肺气肿患者的CT图像和死亡风险	计算机视觉, 机器学习	肺气肿, 慢性阻塞性肺疾病（COPD）	CT	贝叶斯神经网络（BNN）	图像	1350名参与者（平均年龄64.4岁；659名女性）	NA	多任务贝叶斯神经网络	均值差异, 皮尔逊相关系数, p值	NA
20	2026-05-23	A robust ensemble-based deep learning framework for automated retinal disease detection 2025 Oct-Dec, Health informatics journal IF:2.2Q3 DOI:10.1177/14604582251396416 PMID:41192815	研究论文	提出了一种鲁棒的基于集成学习的深度框架，用于自动检测视网膜疾病	将EfficientNetB3和ResNet50集成形成ResEfficientNetB3模型，同时利用了EfficientNetB3的缩放优势和ResNet50的残差学习能力，提高了多类视网膜疾病检测的准确性、鲁棒性和泛化能力	未提及具体限制	开发一个支持临床决策的自动多类视网膜疾病检测深度框架，解决现有模型在泛化性和准确性方面的限制	视网膜疾病检测	机器学习	视网膜疾病	图像增强	集成深度学习模型	图像	两个Kaggle数据集：数据集1包含4217张图像（四类），数据集2包含8230张图像（八类）	NA	ResEfficientNetB3（EfficientNetB3和ResNet50集成）	准确率、五折交叉验证、跨数据集验证	NA