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	2026-07-13	Artificial Intelligence in Surgical Training and Applications to Otolaryngology: A Scoping Review 2025-10, The Laryngoscope DOI:10.1002/lary.32246 PMID:40371996	综述	本文系统性回顾了人工智能在耳鼻喉科手术培训中的应用进展，特别是手术技能评估的自动化方法	首次聚焦于人工智能在耳鼻喉科手术技能评估中的系统综述，涵盖多种手术类型和评估维度	纳入研究数量有限（34项），且研究间方法和指标存在异质性，可能导致结论推广性受限	探讨人工智能在耳鼻喉科手术技能评估中的应用进展，以增强手术教育质量	34项关于人工智能评估手术技能的研究，涵盖机器人手术、腹腔镜手术及耳鼻喉科特定手术（如乳突切除术、鼻中隔成形术、内窥镜鼻窦手术）	计算机视觉	不适用	不适用	深度学习、机器学习、计算机视觉模型	运动数据、力数据、视频数据	34项研究	不适用	不适用	分类准确率（66%-100%用于运动/力数据，60%-96%用于视频分析）	不适用
2	2026-07-13	Mitigating medical dataset bias by learning adaptive agreement from a biased council 2025-10, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103629 PMID:40472465	研究论文	提出一种称为Ada-ABC的去偏框架，用于缓解医学图像数据集中的偏差问题，无需依赖明确的偏差标签	首次在医学图像分类领域提出不依赖明确偏差标签的去偏差框架，通过构建有偏委员会并引入自适应一致性学习策略，使去偏差模型兼顾无虚假相关样本和含虚假相关样本的特征学习	未提及具体局限性	解决医学图像数据集中的偏差问题，提升深度学习模型在真实临床应用中的准确性、可靠性和公平性	包含七种不同偏差场景的四个医学图像数据集	机器学习, 数字病理学	未明确指定	NA	分类器神经网络	图像	涉及四个医学图像数据集，涵盖七种偏差场景，具体样本数量未提及	PyTorch	有偏委员会由多个分类器组成，去偏差模型架构未明确指定	准确性	未提及
3	2026-07-13	ElastoNet: Neural network-based multicomponent MR elastography wave inversion with uncertainty quantification 2025-10, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103642 PMID:40482562	研究论文	提出了一种基于神经网络的多分量磁共振弹性成像波反演方法，并引入了不确定性量化	首次实现独立于分辨率和振动频率的多波组件分析，并提供不确定性量化图，无需为不同设置重新训练	未提及	开发一种通用且鲁棒的神经网络方法，用于磁共振弹性成像中的波反演，克服噪声和压缩波影响，并提供不确定性估计	合成波斑块（5×5像素）、有限元腹部模拟、体模数据和14名健康志愿者的宽频多频腹部磁共振弹性成像数据	计算机视觉	NA	磁共振弹性成像	神经网络	图像	14名健康志愿者	PyTorch	NA	均方根误差	NA
4	2026-07-13	Navigating the landscape of multimodal AI in medicine: A scoping review on technical challenges and clinical applications 2025-10, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103621 PMID:40482561	综述论文	这篇综述论文系统分析了2018至2024年间432篇基于深度学习的多模态AI在医疗领域的应用，评估不同架构、融合策略和临床应用效果	首次全面梳理多模态AI在医学各领域的应用，量化分析显示多模态模型AUC平均提升6.2个百分点，并系统总结了技术挑战和商业化模型现状	仅涵盖2018-2024年间432篇论文，可能遗漏早期研究或最新突破；未对具体模型性能进行元分析；未深入探讨数据隐私和伦理问题	全面综述深度学习多模态AI在医疗领域的应用现状、技术挑战、临床实施策略和未来发展方向	2018至2024年间发表的432篇关于医学多模态AI的学术论文	机器学习	NA	NA	深度学习	多模态医疗数据（如影像、文本、基因组等）	432篇论文	NA	NA	AUC	NA
5	2026-07-13	A novel explainable AI framework for medical image classification integrating statistical, visual, and rule-based methods 2025-10, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103665 PMID:40505210	研究论文	提出一种面向医学图像分类的可解释AI框架，整合统计、视觉和基于规则的多种解释方法	创新性地整合统计特征、视觉叠加图和规则提取三种解释方法，突破现有可解释AI仅依赖单一可视化或规则解释的局限	NA	提升深度学习模型在医学图像分析中的透明度和可解释性	医学图像分类任务中的模型决策过程	计算机视觉	COVID-19、乳腺癌、脑肿瘤、肺癌、结肠癌、青光眼	深度学习、特征选择、决策树、RuleFit	CNN (Mobilenetv2)、决策树、RuleFit	影像数据（X光、超声、MRI、组织病理图像、眼底图像）	五个医学影像数据集（COVID-19放射影像、超声乳腺癌、脑肿瘤MRI、肺与结肠癌组织病理、青光眼图像），具体样本量未提供	NA	Mobilenetv2, 决策树, RuleFit	NA	NA
6	2026-07-13	TCFNet: Bidirectional face-bone transformation via a Transformer-based coarse-to-fine point movement network 2025-10, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103653 PMID:40527150	研究论文	提出基于Transformer的粗到细点运动网络TCFNet，实现面部与骨骼点云间的双向变换	首次将Transformer与局部信息聚合网络（LIA-Net）结合，在补丁和点级别学习复杂对应关系，实现密集面骨点云变换，并引入可变形医学图像配准启发辅助损失以利用专家知识重建关键器官	仍存在大规模点处理挑战，可能局限于特定数据集，辅助损失为可选且依赖专家知识	实现计算机辅助正颌手术规划中面部-骨骼形状变换的高精度模拟	面部与骨骼点云之间的点对点变换	计算机视觉	无特定疾病	NA	Transformer	点云	自收集数据集（未具体说明数量）	PyTorch	Transformer, LIA-Net	评估指标和可视化结果（未列出具体名称）	NA
7	2026-07-13	SurgRIPE challenge: Benchmark of surgical robot instrument pose estimation 2025-10, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2025.103674 PMID:40541088	研究论文	介绍SurgRIPE挑战赛，旨在通过提供真实手术视频数据和基准，推动无标记手术器械姿态估计的深度学习研究	提出了首个面向手术机器人器械姿态估计的基准挑战赛，提供了带真实姿态标签的临床手术视频数据，并评估了多种新型无标记方法	未明确提及，但挑战赛数据可能受限于特定手术场景和器械类型	建立手术机器人器械姿态估计的基准，推动无标记深度学习方法的开发与评估	手术机器人及其器械（如持针器、剪刀等）的六自由度姿态	计算机视觉	NA	深度学习	多种（具体未指定，如CNN等）	手术视频	SurgRIPE数据集（具体样本数未提及）	NA	多种（如ResNet、Transformer等）	准确性、鲁棒性	NA
8	2026-07-10	A 2025 perspective on the role of machine learning for biomarker discovery in clinical proteomics 2025-10, Expert review of proteomics IF:3.8Q1 DOI:10.1080/14789450.2025.2545828 PMID:40772544	评论	批判性审视机器学习在临床蛋白质组学生物标志物发现中的应用，强调其实际影响受限于方法学缺陷和不切实际的期望	以2025年视角系统指出复杂模型（如深度学习）在临床蛋白质组学中加剧样本量小、批次效应、过拟合等问题，并倡导简单、可解释且领域感知的方法	未提供具体实验验证或量化分析，主要基于专家观点和文献综述	探讨机器学习在临床蛋白质组学中实现生物标志物发现的现实路径与挑战	临床蛋白质组学数据集和机器学习模型（如深度学习架构）	机器学习	NA	蛋白质组学	深度学习	蛋白质组学数据	NA	NA	深度学习架构	可解释性、性能增益	NA
9	2026-07-09	Explainable AI for Healthcare 2025-Oct-03, Studies in health technology and informatics DOI:10.3233/SHTI251454 PMID:41728714	综述	综述可解释人工智能在医疗健康领域的应用、方法及挑战	系统性分析了不同数据模态（时间序列、医学文本、医学图像、音频）下可解释AI的独特需求与挑战，并探讨了未来研究方向	未深入讨论具体实现技术细节和定量性能比较	阐述可解释AI的基本概念，分析其在医疗健康领域的方法、应用、限制和未来方向	医疗健康领域的可解释AI应用	机器学习	NA	NA	NA	时间序列数据、医学文本、医学图像、音频数据	NA	NA	NA	NA	NA
10	2026-07-09	Deep Learning-Based Sleep Apnea Classification with Hybrid 1D-CNN-LSTM and 1D-CNN-GRU Models 2025-Oct-03, Studies in health technology and informatics DOI:10.3233/SHTI251462 PMID:41728721	研究论文	提出两种混合深度学习架构（1D-CNN-LSTM和1D-CNN-GRU），基于心电图信号进行睡眠呼吸暂停分类	结合一维卷积神经网络（1D-CNN）与LSTM/GRU，同时提取空间特征和时间依赖关系，实现高精度睡眠呼吸暂停分类	未提及	开发高效鲁棒的睡眠呼吸暂停自动检测系统，实现早期诊断和实时监测	PhysioNet Apnea-ECG数据库中的心电图信号，包括R-R间期和R波振幅特征	机器学习	睡眠呼吸暂停	NA	混合深度学习模型（1D-CNN-LSTM、1D-CNN-GRU）	心电图信号	使用PhysioNet Apnea-ECG数据库，样本量未明确具体数量	NA	1D-CNN, LSTM, GRU	准确率、灵敏度、特异度、F1分数	NA
11	2026-07-05	Interpretable deep learning model and nomogram for predicting pathological grading of PNETs based on endoscopic ultrasound 2025-10-02, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-025-03193-3 PMID:41039509	研究论文	基于内镜超声图像开发可解释深度学习模型和列线图，用于预测胰腺神经内分泌肿瘤的病理性分级	将可解释深度学习模型与列线图结合，利用内镜超声图像和机器学习方法预测胰腺神经内分泌肿瘤的病理性分级，并采用SHAP方法解释模型预测的贡献特征	多中心回顾性研究，样本量较小（108例患者），外部验证队列仅27例，可能影响模型的泛化能力	开发并验证一种基于内镜超声图像的可解释深度学习模型和列线图，用于预测胰腺神经内分泌肿瘤的病理性分级	胰腺神经内分泌肿瘤患者的病理性分级预测	数字病理学	胰腺神经内分泌肿瘤	内镜超声	深度学习（ResNet18）、朴素贝叶斯	图像	108例胰腺神经内分泌肿瘤患者（训练集81例，测试集27例）	PyTorch	ResNet18, LASSO, 朴素贝叶斯	AUC, 校准曲线, 决策曲线分析, 临床影响曲线	NA
12	2026-07-03	Kideraspa: designing variants of staphylococcal protein a based on a diffusion model with kidera factors 2025-10-24, Journal of computer-aided molecular design IF:3.0Q2 DOI:10.1007/s10822-025-00696-z PMID:41136793	研究论文	提出一种基于扩散模型和Kidera因子的蛋白质设计方法，用于生成金黄色葡萄球菌蛋白A的变体	将扩散生成模型与Kidera因子表示相结合，实现无需大量数据和详细结构信息的靶向蛋白质设计	依赖AlphaFold3等计算筛选工具，且实验验证仅限于SpA-IgG相互作用	开发一种高效、数据效率高的蛋白质工程替代方法	金黄色葡萄球菌蛋白A及其与免疫球蛋白G的相互作用	机器学习	癌症、炎症、感染、自身免疫性疾病	NA	扩散模型	蛋白质序列	NA	NA	扩散模型	结合亲和力、成功率	NA
13	2026-07-03	Preclinical Evaluation of an Interactive Image Search System of Oral Pathology 2025-10, Journal of dental research IF:5.7Q1 DOI:10.1177/00220345251329042 PMID:40320652	研究论文	评估交互式口腔病理图像检索系统Luigi-Oral在近临床环境中的诊断效能	首次在近临床环境中评估深度学习交互式CBIR系统对病理学家诊断的辅助效果	不当查询输入、罕见形态类型检索性能差、缺乏详细临床信息、系统无法通过可信图像检索准确类别导致误诊	验证交互式CBIR系统辅助病理学家诊断罕见口腔肿瘤的临床可用性	口腔肿瘤病理图像检索系统	数字病理学	口腔肿瘤	NA	深度学习	病理图像	603例病例共54676个图像块，涵盖85种口腔肿瘤类别；15名普通病理学家和13名口腔病理学家参与评估10个回顾性测试病例	NA	NA	诊断准确率	NA
14	2026-07-01	Establishment of normative spleen volume in a Japanese cohort using automated CT segmentation: diagnostic implications for liver fibrosis 2025-Oct-30, BMC gastroenterology IF:2.5Q2 DOI:10.1186/s12876-025-04383-z PMID:41168695	研究论文	利用基于深度学习的自动化CT分割建立日本人群的脾脏体积参考值，并评估其用于肝纤维化分期诊断的意义	首次通过深度学习分割技术为日本人群建立脾脏体积的标准化参考值，并基于预测残差定义脾肿大的Z评分阈值，用于无创性肝纤维化分期	外部队列样本量较小（仅136例肝病患者），且未包含对照组的健康人群数据	建立日本人群的脾脏体积参考值，并验证体积定义的脾肿大在肝纤维化分期中的诊断价值	日本健康成年人（4732例）及经组织学确认的肝病患者（136例）	计算机视觉	肝病	非增强腹部CT	深度学习分割模型	CT图像	4732例健康成人（数据集1）和136例肝病患者（数据集2）	NA	NA	Dice系数，平均绝对误差，曲线下面积（AUC）	NA
15	2026-07-01	Pulmonary Blood Volumes on CT Predict Residual Pulmonary Hypertension Post-Pulmonary Endarterectomy 2025-Oct-22, American journal of respiratory cell and molecular biology IF:5.9Q1 DOI:10.1093/ajrcmb/aanaf026 PMID:42085489	研究论文	基于CT的肺血容量预测肺动脉内膜剥脱术后的残余肺动脉高压	首次利用深度学习模型自动分割CTPA中动静脉并定量测量肺血容量，以预测PEA术后残余肺动脉高压	未提及明显局限性，但可能受限于回顾性设计和样本量	评估基于CTPA的肺血容量在预测PEA术后血流动力学结局中的应用价值	接受肺动脉内膜剥脱术（PEA）的慢性血栓栓塞性肺动脉高压（CTEPH）患者	机器学习和计算机视觉	慢性血栓栓塞性肺动脉高压	CTPA（计算机断层扫描肺血管造影）	深度学习血管分割模型	医学影像（CTPA）	发现队列71例，验证队列102例	NA	深度学习血管分割模型（具体架构未指定）	AUROC	NA
16	2026-07-01	The Seizure Embedding Map: A Spatio-Temporal Transformer for Comparing Patients by Ictal Intracranial EEG Features at Scale 2025-Oct-17, medRxiv : the preprint server for health sciences DOI:10.1101/2025.10.15.25338097 PMID:41282754	研究论文	提出一种基于时空Transformer的癫痫发作嵌入图，用于比较药物难治性癫痫患者基于颅内脑电图特征的发作模式	首次引入灵活处理不同电极数量和植入位置的时空Transformer模型，将临床颅内脑电图数据编码为嵌入向量，实现跨患者的发作特征定量比较	发作聚类未能在治疗或术后结局方面区分患者，且缺乏多模态数据整合，聚类结果与解剖区域和发作分类关联显著但预测能力有限	通过定量化颅内脑电图记录中的时空特征，建立新患者与既往病例之间的可比性，为药物难治性癫痫的手术治疗提供循证决策支持	药物难治性癫痫患者的癫痫发作事件，包括立体定向脑电图和皮层脑电图记录	机器学习	癫痫	颅内脑电图	Transformer	时间序列信号	102名受试者的882次临床癫痫发作记录	PyTorch	卷积层与时空位置编码器结合的Transformer	验证准确率	NA
17	2026-06-29	Deep infant brain segmentation from multi-contrast MRI 2025-Oct, Conference record. Asilomar Conference on Signals, Systems & Computers DOI:10.1109/ieeeconf67917.2025.11443909 PMID:41953470	研究论文	提出BabySeg框架，用于婴儿多对比度MRI的脑部分割，支持多种MRI协议和输入配置	引入域随机化技术合成超出实际范围的训练图像以提升数据集偏移不变性；设计灵活的特征池化和交互机制，支持任意数量的输入扫描	NA	解决婴儿脑部MRI分割方法碎片化问题，开发鲁棒、通用的深度学习分割框架	婴儿和幼儿的多对比度脑部MRI图像	数字病理学	NA	MRI（磁共振成像）	深度学习分割模型	图像（多对比度MRI）	NA	NA	BabySeg	NA	NA
18	2026-06-26	Assessment of a Grad-CAM interpretable deep learning model for HAPE diagnosis: performance and pitfalls in severity stratification from chest radiographs 2025-10-30, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-025-03256-5 PMID:41168790	研究论文	评估基于Grad-CAM可解释深度学习模型在胸部X光片上诊断高原肺水肿的性能及严重程度分层中的陷阱	利用迁移学习从普通肺水肿数据到HAPE特异性数据，构建了结合Grad-CAM可解释性分析的深度学习模型，首次系统评估其在HAPE严重程度分层中的性能与局限性	模型对中间严重度等级（1级和2级）的识别灵敏度极低（分别为0.16和0.37），凸显了域迁移和细微影像评估的挑战	探索迁移学习深度学习模型在胸部X光片上识别HAPE的可行性，并评估其严重程度评估能力	胸部X光片中的HAPE病例和正常对照	计算机视觉	高原肺水肿	迁移学习、深度学习	卷积神经网络	图像	训练集：1003例HAPE和702例正常对照；外部验证集：679例HAPE和436例正常对照	PyTorch	DeepLabV3_ResNet-50, MobileNet_V2, VGG19	Dice系数, AUC, 灵敏度	NA
19	2026-06-26	Explainable AI for infection prevention and control: modeling CPE acquisition and patient outcomes in an Irish hospital with transformers 2025-10-22, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-025-03214-1 PMID:41126229	研究论文	提出可解释AI框架，利用Transformer模型分析爱尔兰医院电子病历数据，预测碳青霉烯酶产生肠杆菌科感染及患者结局	首次将Transformer架构（如TabTransformer）应用于医院感染控制领域，结合可解释AI技术分析CPE风险因素，并整合网络结构特征（如病房PageRank）提升预测性能	NA	建立可解释AI建模框架，分析CPE对患者结局的影响并识别关键风险因素	爱尔兰某急性医院2018-2022年间住院患者的电子病历数据	机器学习	医院感染（碳青霉烯酶产生肠杆菌科感染）	电子病历数据分析	Transformer（TabTransformer, TabNet）及传统机器学习模型	结构化表格数据（含诊断编码、病房流转、人口统计学、感染变量及接触网络特征）	2018-2022年某爱尔兰医院住院患者数据集	NA	TabTransformer, TabNet	受试者工作特征曲线下面积（AUC）、敏感度	NA
20	2026-06-26	BCECNN: an explainable deep ensemble architecture for accurate diagnosis of breast cancer 2025-10-13, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-025-03186-2 PMID:41084046	研究论文	提出基于集成卷积神经网络的乳腺癌诊断深度学习框架BCECNN，通过集成多种CNN架构提升诊断准确性和可解释性	首次将三重集成CNN（TECNN）和五重集成CNN（QECNN）与Grad-CAM、LIME可解释性技术结合，在有限数据量下实现高精度乳腺癌诊断并验证临床实用性	基于单一AISSLab数据集（266张图像）进行验证，未在更大规模或多中心数据上测试集成策略的泛化性能	开发兼具高准确性和临床可解释性的乳腺癌诊断深度学习模型	乳腺X线图像中的恶性病变区域检测与分类	计算机视觉, 数字病理学	乳腺癌	迁移学习	卷积神经网络（CNN）	医学图像（乳腺X线图像）	266张乳腺X线图像（来自AISSLab数据集，含多个子数据集变体）	PyTorch, TensorFlow	AlexNet, VGG16, ResNet-18, EfficientNetB0, XceptionNet	准确率	NA