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	2026-06-19	How Can Clinicians Leverage Vibe Coding for Machine Learning and Deep Learning Research? 2025-10, Endocrinology and metabolism (Seoul, Korea) DOI:10.3803/EnM.2025.2675 PMID:41208262	综述	探讨临床医生如何利用‘氛围编码’工具和方法进行机器学习和深度学习研究	提出‘氛围编码’概念，定义其工作流程，分类现有工具，并通过实例展示其降低编程门槛的潜力	未提供定量比较不同工具的性能或验证其在复杂医学任务中的有效性	帮助缺乏编程技能的临床医生开展机器学习和深度学习研究	机器学习和深度学习研究中的‘氛围编码’工具及应用	人工智能与医学	NA	NA	NA	文本、代码	NA	TensorFlow, PyTorch, Keras, Scikit-learn	NA	NA	NA
22	2026-06-18	Reinforcement learning-driven deep learning approaches for optimized robot trajectory planning 2025-Oct-29, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-21664-5 PMID:41162470	研究论文	结合深度强化学习的轨迹规划方法，用于双足行走机器人的最优关节扭矩生成与稳定控制	创新性地将基于深度学习的轨迹规划与深度强化学习控制系统相结合，实现双足机器人在不确定性条件下的自适应稳定行走	未提及实际环境实验验证及算法的泛化能力评估	实现双足机器人稳定行走，同时最大化前进速度、最小化功耗并增强抗扰能力	双足步行机器人的轨迹规划与控制	机器学习	NA	深度强化学习	深度强化学习网络	状态与动作空间数据	NA	NA	NA	稳定性、前进速度、功耗、鲁棒性（质量与长度变化容忍度）	NA
23	2026-06-18	Machine and deep learning applied to medical microwave imaging: a scoping review from reconstruction to classification 2025-10-15, Progress in biomedical engineering (Bristol, England) DOI:10.1088/2516-1091/ae0bd3 PMID:40997871	综述	本文综述了机器学习和深度学习在医学微波成像中的应用，重点关注图像重建和分类两个领域	系统梳理了机器学习在微波成像中从重建到分类的全面应用，特别强调了卷积神经网络和支持向量机等算法在图像质量提升和组织分类中的作用，并展望了临床转化潜力	未明确提及具体局限性，但作为范围综述，可能缺乏对算法性能的定量比较或对不同方法的严格验证	评估机器学习和深度学习在医学微波成像中的应用现状，特别是在图像重建和分类中的角色，并探索其临床前景	微波成像技术和机器学习算法在医学图像重建（如增强图像质量）和分类（如区分不同组织类型）中的应用	计算机视觉, 机器学习	乳腺癌, 神经疾病	微波成像(MWI)	卷积神经网络(CNN), 支持向量机(SVM)	医学图像	NA	NA	CNN, SVM	NA	NA
24	2025-09-08	Commentary on: "Diagnosis of lymph node metastasis in oral squamous cell carcinoma by an MRI-based deep learning model" 2025-Oct, Oral oncology IF:4.0Q2 DOI:10.1016/j.oraloncology.2025.107652 PMID:40914072	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
25	2026-06-17	Single-sequence deep learning delivers crystal-quality models of covalent K-Ras G12 hotspot complexes 2025-Oct-13, bioRxiv : the preprint server for biology DOI:10.1101/2025.09.16.676163 PMID:41000783	研究论文	利用单序列深度学习方法精准预测共价K-Ras G12热点复合物晶体结构	首次证明无多序列比对的公共工具Chai-1能准确预测共价K-Ras复合体，相比AlphaFold3提供约40倍的通量提升	在捕捉离去基团、键特性和立体化学等化学细节方面存在限制	开发高效计算工具加速共价药物发现，尤其是针对非半胱氨酸的挑战性靶点	共价K-Ras(G12C/G12D/G12S)抑制剂与K-Ras蛋白的复合物结构	机器学习	肺癌	结构预测	深度学习模型	蛋白质序列与配体结构	化学多样性K-Ras(G12C)抑制剂（ARS-853至BBO-8520等）	NA	Chai-1	口袋对齐RMSD小于2Å	NA
26	2026-06-13	Reliable deep learning for coronary artery disease detection: a patient-level, statistically validated MRI study 2025 Oct-Dec, Romanian journal of morphology and embryology = Revue roumaine de morphologie et embryologie DOI:10.47162/RJME.66.4.09 PMID:41787625	research paper	评估两种深度学习架构（DenseNet121和ResNet50）在冠状动脉疾病自动分类中的性能与统计稳健性	在患者层面严格划分数据并进行全面统计推断测试，确保模型性能的可重复性和临床意义	未提及具体限制	从心脏磁共振成像中准确检测冠状动脉疾病，支持早期诊断和临床决策	冠状动脉疾病患者的心脏磁共振图像	machine learning	冠状动脉疾病	心脏磁共振成像	CNN	image	患者级数据	NA	DenseNet121, ResNet50	average accuracy, area under the receiver operating characteristic curve (AUC-ROC), area under the precision recall curve (PR-AUC)	NA
27	2026-06-07	Deep Learning-Augmented Sleep Spindle Detection for Acute Disorders of Consciousness: Integrating CNN and Decision Tree Validation 2025-10, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3562067 PMID:40279237	研究论文	提出一种结合卷积神经网络和决策树验证的深度学习方法，用于急性意识障碍患者的睡眠纺锤波自动检测	首次将卷积神经网络与决策树验证相结合，并利用小波变换原理增强对急性意识障碍患者中常见慢纺锤波的检测精度和灵敏度	算法仅在有限样本量（MASS SS2数据集19例，自采集数据集24例）上进行评估，且未报告其他性能指标如准确率和召回率	开发并验证一种用于急性意识障碍患者睡眠纺锤波自动检测的深度学习增强算法，以改善诊断精度和治疗指导	睡眠纺锤波检测及其与急性意识障碍患者预后的关系	机器学习	急性意识障碍	NA	卷积神经网络	脑电图信号	MASS SS2数据集19例，自采集急性意识障碍患者数据集24例	NA	卷积神经网络，决策树	F1分数，斯皮尔曼相关系数	NA
28	2026-06-07	A Guided Refinement Network Model With Joint Denoising and Segmentation for Low-Dose Coronary CTA Subtle Structure Enhancement 2025-10, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3561338 PMID:40293900	研究论文	提出一种基于联合学习的引导细化网络模型，用于低剂量冠状动脉CT血管造影的图像去噪与分割	创新性地将冠状动脉分割与去噪任务联合学习，实现相互引导与协同优化，在抑制噪声的同时增强细微结构	未提及具体局限性	提高低剂量CCTA图像质量，恢复细微冠脉分支，辅助放射科医生诊断	低剂量冠状动脉CT血管造影图像	计算机视觉	冠状动脉疾病	冠状动脉CT血管造影 (CCTA)	引导细化网络 (GRN)	图像	NA	NA	引导细化网络	定量与定性指标（具体未列出）	NA
29	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
30	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
31	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
32	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
33	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
34	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
35	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
36	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
37	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
38	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
39	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
40	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