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
41	2026-06-29	Deep multimodal fusion of patho-radiomic and clinical data for enhanced survival prediction for colorectal cancer patients 2025-Dec-05, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-025-02210-z PMID:41350716	research paper	提出PRISM-CRC深度学习框架，整合病理、影像、内镜和临床数据，提升结直肠癌诊断和预后预测	多模态数据融合的协同效应显著优于单模态模型，提供比传统TNM分期更精细的风险分层，具有直接临床意义	域偏移导致性能适度下降，形态模糊病例的分类错误，需要未来前瞻性试验验证临床效用	提升结直肠癌的诊断和预后预测能力	结直肠癌患者	machine learning, digital pathology, computer vision	colorectal cancer	NA	深度学习框架	图像, 文本, 临床数据	NA	NA	NA	concordance index, AUC	NA
42	2026-06-26	Deep learning-based MRI model for predicting P53-mutated hepatocellular carcinoma 2025-12-22, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-025-02045-w PMID:41430161	research paper	基于MRI的深度学习模型预测P53突变肝细胞癌	首次构建基于EfficientNetV2的多序列MRI深度学习模型用于预测P53突变的肝细胞癌，发现多相组合模型（T2WI+AP+VP）显著优于单序列模型	单中心回顾性研究，样本量有限（312例），缺乏外部验证数据集	开发基于MRI的深度学习模型预测P53突变肝细胞癌	312例经病理证实的肝细胞癌患者	digital pathology, machine learning	hepatocellular carcinoma	MRI	EfficientNetV2	image	312例肝细胞癌患者（训练集249例，测试集63例）	NA	EfficientNetV2	AUC, accuracy, sensitivity, specificity, precision, F1 score	NA
43	2026-06-26	Hippocampal auto-segmentation based on deep learning for identifying magnetic resonance imaging biomarkers of early mild cognitive impairment 2025-12-15, Neuroscience IF:2.9Q2 DOI:10.1016/j.neuroscience.2025.11.014 PMID:41223925	研究论文	基于深度学习的海马自动分割方法及其在轻度认知障碍MRI生物标志物识别中的应用	结合深度学习自动海马分割与放射组学特征提取，并集成XGBoost框架构建诊断模型，发现glszm_ZoneVariance特征具有最高预测权重	样本量较小（150例），可能影响模型泛化能力	开发基于深度学习的海马自动分割模型，结合放射组学特征和机器学习分类器，识别轻度认知障碍的MRI生物标志物	海马结构及其放射组学特征	深度学习, 医学影像分析	轻度认知障碍	MRI (3D T1WI), 放射组学	卷积神经网络 (CNN), 逻辑回归 (LR), 支持向量机 (SVM), 随机森林 (RF), XGBoost	脑部MRI图像	150名受试者，按7:3随机分为训练集和验证集	NA	CNN海马分割网络，LR, SVM, RF, XGBoost	AUC, 95%置信区间	NA
44	2026-06-19	Deep learning-based autonomous retinal vein cannulation in ex vivo porcine eyes 2025-12-17, Science robotics IF:26.1Q1 DOI:10.1126/scirobotics.adw2969 PMID:41406252	研究论文	提出一种基于深度学习与计算机视觉的自主视网膜静脉穿刺工作流程，并在离体猪眼上验证其效果	利用深度学习预测针头运动方向及识别接触与穿刺事件，结合两台稳手眼机器人实现自主手术操作，在动态眼动条件下仍保持高成功率	仅在离体猪眼上测试，且模拟的眼动可能无法完全代表真实临床中呼吸等复合因素对眼球运动的影响	实现视网膜静脉穿刺关键步骤的自主化，提升手术精准性与可靠性	离体猪眼及其模拟呼吸运动的动态模型	计算机视觉, 机器人控制	视网膜静脉阻塞	术中光学相干断层扫描	卷积神经网络	图像	20只离体猪眼用于静态实验，6只用于动态模拟眼动实验	PyTorch	CNN	成功率	NA
45	2026-06-19	NeuroFusionNet: a hybrid EEG feature fusion framework for accurate and explainable Alzheimer's Disease detection 2025-12-15, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-28070-x PMID:41398345	研究论文	提出NeuroFusionNet混合深度学习框架，融合手工特征与1D-CNN时序特征，用于基于脑电图（EEG）的阿尔茨海默病准确且可解释检测	首次将手工特征与1D-CNN潜在时间嵌入特征融合，并结合Pearson相关系数、粒子群优化（PSO）进行特征选择，主成分分析（PCA）降维及SMOTE类别平衡，同时使用SHAP和Grad-CAM实现模型解释性	仅基于三个公开EEG数据集验证，未涉及真实临床多中心数据；模型在低资源场景下的泛化能力需要进一步评估	开发一种准确、可解释且高效的基于EEG的阿尔茨海默病检测方法，实现早期诊断并支持临床部署	阿尔茨海默病及相关痴呆症患者，通过EEG信号进行二分类检测	机器学习	阿尔茨海默病	脑电图（EEG）	混合深度学习框架（1D-CNN + 深度神经网络）	EEG时间序列信号	三个公开数据集：OpenNeuro ds004504（闭眼）、OpenNeuro ds006036（睁眼）及独立OSF数据集，具体样本数未在摘要中明确	NA	1D-CNN、五层深度神经网络	准确率（94.27%）、宏F1分数（0.94）、标准差（SD<0.3%）、推理时间（6.5ms每样本）、模型参数（0.94M）、内存占用（4.1MB）	无需GPU支持，可在标准临床CPU上实时部署
46	2026-06-19	Automatic specific absorption rate (SAR) prediction for hyperthermia treatment planning using deep learning method 2025-12, International journal of hyperthermia : the official journal of European Society for Hyperthermic Oncology, North American Hyperthermia Group IF:3.0Q2 DOI:10.1080/02656736.2025.2554860 PMID:40922671	research paper	提出一种基于深度学习的快速准确比吸收率预测方法，用于支撑脑癌患者热疗计划制定	采用编码器-解码器神经网络结合交叉注意力块，首次实现从脑电特性、肿瘤坐标和天线相位快速预测比吸收率分布，将计算时间从10分钟缩短至4秒	NA	实现实时热疗计划中比吸收率分布的快速准确预测，支持自适应治疗策略	人体头部模型中的比吸收率分布	machine learning	brain cancer	NA	encoder-decoder neural network	simulation data	201个仿真样本，其中20个用于测试	NA	encoder-decoder with cross-attention blocks	root-mean-squared error, mean absolute error, structural similarity index	NA
47	2026-06-18	An explainable deep learning approach for sleep staging in sleep apnea patients across all age subgroups from pulse oximetry signals 2025-Dec-22, Engineering applications of artificial intelligence IF:7.5Q1 DOI:10.1016/j.engappai.2025.112562 PMID:42306231	研究论文	提出一种基于脉搏血氧信号的可解释深度学习模型POxi-SleepNet，用于对所有年龄亚组阻塞性睡眠呼吸暂停患者进行睡眠分期	首次利用U-Net框架结合可解释人工智能方法对脉搏血氧信号进行四类睡眠分期，并定量解释影响分类的时频特征；在涵盖儿童至老年人的大规模多中心数据集上验证了模型的通用性	仅使用脉搏血氧信号，未结合脑电图等其他生理信号；可解释性分析可能未完全捕捉所有影响睡眠分期的复杂特征	开发并验证一种可解释的深度学习模型，利用脉搏血氧信号对所有年龄亚组的OSA患者进行准确睡眠分期	阻塞性睡眠呼吸暂停患者，包括儿童、青少年、成人和老年人	机器学习	阻塞性睡眠呼吸暂停	脉搏血氧测定	U-Net	信号	17303例睡眠研究数据，涵盖儿童、青少年、成人和老年人	PyTorch	U-Net	准确率, Cohen's kappa	NA
48	2026-06-18	Segmentation of cortical bone, trabecular bone, and medullary pores from micro-CT images using 2D and 3D deep learning models 2025-12, Anatomical record (Hoboken, N.J. : 2007) DOI:10.1002/ar.25633 PMID:39905914	研究论文	利用2D和3D深度学习模型从微型CT图像中分割皮质骨、小梁骨和髓腔孔隙	提出名为BONe（Bone One-shot Network）的卷积神经网络模型，从头训练2D和3D分割模型，比较2D与3D模型在骨显微结构分割中的表现，发现2D模型在细节标注上略优，而3D模型在泛化和平滑内部表面方面表现更好	3D模型计算成本高，限制了其可扩展性和实用性，且模型在不同物种和扫描质量下性能存在差异	开发快速准确的自动骨分割方法，比较2D与3D深度学习模型在显微CT图像中分割皮质骨、小梁骨和髓腔孔隙的效果	水獭长骨的显微CT扫描图像	计算机视觉	NA	显微CT成像	卷积神经网络（CNN）	图像	水獭长骨的显微CT扫描数据，具体样本数量未提及	NA	BONe（定制CNN架构）	分割性能指标（如准确率、Dice系数等）未在摘要中具体说明	NA
49	2026-06-18	Advances in artificial intelligence-based radiogenomics for lung cancer precision medicine 2025-12-01, Progress in biomedical engineering (Bristol, England) DOI:10.1088/2516-1091/ae224a PMID:41265027	综述	综述基于人工智能的放射基因组学在肺癌精准医学中的进展	整合医学影像、基因组学和临床数据，实现非侵入性预测关键致癌驱动突变、探索影像特征与基因表达关联、开发预后模型	标准化、全面验证、模型可解释性、种族多样性及多组学数据库构建方面存在挑战	探究放射基因组学在肺癌精准治疗中的临床价值与通用性	肺癌患者的数据（包括医学影像、基因组和临床数据）	机器学习	肺癌	放射基因组学	机器学习、深度学习	医学影像、基因组数据、临床数据	NA	NA	NA	NA	NA
50	2025-12-26	A "calcification"-enhanced deep learning approach for precise differentiation of thyroid nodules 2025-Dec-24, Cancer imaging : the official publication of the International Cancer Imaging Society IF:3.5Q1 DOI:10.1186/s40644-025-00976-9 PMID:41444688	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
51	2026-06-15	Artificial Intelligence in The Diagnosis, Treatment, and Prognostication in Endodontics: A Comprehensive Literature Review 2025-Dec, European endodontic journal IF:1.6Q3 DOI:10.14744/eej.2025.83788 PMID:41685843	综述	该文章对人工智能在牙髓病学中的应用进行了全面回顾，重点关注诊断优化、临床决策支持和治疗结果预测	系统总结了AI在牙髓病诊断、治疗和预后三大领域的具体应用，并分析了当前应用的局限性和未来改进方向	需要大规模数据集、成本高、缺乏自我发展能力	综述人工智能在牙髓病学中的诊断、治疗和预后应用，并分析其局限性和改进领域	牙髓病学中的人工智能应用研究文献	机器学习	牙髓病	NA	卷积神经网络（CNN）、深度学习模型、神经网络	图像（放射影像、锥束计算机断层扫描CBCT）	51篇文献	NA	CNN（如Diagnocat）、深度学习模型	准确率（大于90%、95.6%）	NA
52	2026-06-11	[A visual analysis of machine learning in periodontal disease research, 2001-2023] 2025-Dec, Shanghai kou qiang yi xue = Shanghai journal of stomatology PMID:41766323	综述	利用文献计量学分析2001-2023年机器学习在牙周病研究中应用及热点的可视化分析	系统梳理了2001-2023年机器学习在牙周病研究中的文献，揭示了其应用趋势和研究热点，特别是近两年基于图像的图像分割和特征提取成为热点	NA（摘要未提及明确局限性）	分析机器学习在牙周病研究中的应用及研究热点	2001-2023年Web of Science核心合集中的机器学习与牙周病相关文献	机器学习	牙周病	NA	机器学习，深度学习	NA	127篇文献	NA	NA	NA	NA
53	2026-06-08	Development and evaluation of an attention-gated U-net model for binary segmentation of teeth versus background in panoramic radiographs for orthodontic applications 2025-Dec-16, European journal of orthodontics IF:2.8Q1 DOI:10.1093/ejo/cjaf114 PMID:41665051	研究论文	开发并评估一种注意力门控U-Net模型，用于在口腔全景片中实现牙齿与背景的二元分割，以建立正畸应用的基准	在大规模公开数据集上建立牙齿与背景二元语义分割的标准化性能基准，并应用注意力门控机制提升分割精度	未给出具体局限性信息	为口腔正畸应用建立牙齿与背景二元分割的基准，提升自动化诊断和治疗规划	598张标注的口腔全景X光片	数字病理学, 计算机视觉	口腔正畸相关疾病	深度学习, 语义分割	注意力门控U-Net (Att-U-Net)	图像	598张口腔全景X光片	NA	注意力门控U-Net	Dice系数, 平均交并比, 精确率, 召回率, 接受者操作特征曲线下面积, 像素准确率	NA
54	2026-06-07	Detection and Classification of Alzheimer's Disease Using Deep and Machine Learning 2025-Dec-26, Tomography (Ann Arbor, Mich.) DOI:10.3390/tomography12010004 PMID:41591137	研究论文	提出了一种结合临床症状数据和MRI影像的深度学习与机器学习双模态框架，用于阿尔茨海默病的检测与分期	整合症状数据与MRI影像，并引入可解释人工智能（SHAP和Grad-CAM），提高了诊断准确率和临床可解释性	未明确说明样本量大小以及外部验证等局限性	提高阿尔茨海默病的早期诊断和分期准确性	阿尔茨海默病患者	机器学习和医学影像处理	阿尔茨海默病	MRI	CNN, EfficientNetB3, DenseNet-121, ResNet-50, MobileNetV2（深度学习模型）；KNN, SVM, 决策树, 随机森林（机器学习模型）	影像和临床数据	NA	NA	CNN, EfficientNetB3, DenseNet-121, ResNet-50, MobileNetV2	准确率（accuracy）	NA
55	2026-06-07	Artificial Intelligence-Aided Microfluidic Cell Culture Systems 2025-Dec-24, Biosensors DOI:10.3390/bios16010016 PMID:41590268	综述	综述人工智能辅助微流控细胞培养系统和器官芯片平台的研究进展、技术挑战与未来机遇	系统总结了人工智能在微流控细胞培养中的多维应用，包括自动化表型分析、预测建模、实时控制，并强调了可解释性特征选择、轻量级推理模型和隐私保护方法等关键技术框架	未明确提及具体局限性，但作为综述，可能缺乏对具体方法效果的定量比较和实证验证	综合人工智能与微流控细胞培养平台的交叉研究现状，强调其在精准健康和下一代生物医学研究中的新兴作用	微流控细胞培养系统、器官芯片平台、人工智能技术（机器学习和深度学习）	机器学习	癌症	微流控技术	深度学习	图像、文本、视频、生化数据	NA	NA	NA	NA	NA
56	2026-06-07	Deep learning reveals hidden diversity of Synechococcus in the coastal water of China: novel clades and their ecological insights 2025-Dec-17, Proceedings. Biological sciences DOI:10.1098/rspb.2025.1936 PMID:41538039	研究论文	开发基于深度学习的方法，对中国沿海水域聚球藻的隐藏多样性进行新分支发现和生态学分析	首次将深度学习框架应用于聚球藻ITS序列的识别、分类和新分支发现，建立综合数据库Syn_Tool，克服了传统分类方法缺乏标准化和分支边界模糊的局限	未提及具体局限性，可能包括对ITS区域以外的遗传变异覆盖不足或依赖单一测序技术	利用深度学习解决聚球藻ITS序列分类难题，揭示其遗传多样性和生态分布规律	中国沿海水域的聚球藻ITS序列	机器学学习	无	ITS区域测序	深度学习模型（具体类型未指定，如CNN或LSTM）	DNA序列	1,087,323条聚球藻ITS序列	NA	NA	NA	NA
57	2026-06-07	ECG-SMART-NET: A Deep Learning Architecture for Precise ECG Diagnosis of Occlusion Myocardial Infarction 2025-12, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3573581 PMID:40418608	研究论文	开发并评估了一种名为ECG-SMART-NET的深度学习架构，用于精确识别闭塞性心肌梗死	提出了一种临床启发的ResNet-18架构改进，通过时间卷积层学习每个导联内的时序特征，再通过空间卷积层学习导联间的空间一致性或不一致性	未明确说明局限性，但模型基于12导联心电图数据，可能对非典型病例识别存在挑战	提高闭塞性心肌梗死的从心电图检测准确率	闭塞性心肌梗死（OMI）患者	机器学习	心血管疾病	心电图分析	CNN	文本	包含10,393份心电图，来自7,397名独特患者（OMI发生率7.2%）	NA	ResNet-18改进版，包含时间卷积层和空间卷积层	AUC	NA
58	2026-06-07	High-Quality CEST Mapping With Lorentzian-Model Informed Neural Representation 2025-12, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3574238 PMID:40434851	研究论文	提出一种基于洛伦兹模型神经表示框架，用于高质量化学交换饱和转移磁共振成像映射	通过自监督神经架构嵌入洛伦兹方程，直接重建高灵敏度参数图，无需标注训练数据，且自监督训练策略保证收敛性	NA	克服CEST映射中模型方法灵敏度和鲁棒性不足以及深度学习方法泛化性差的问题	合成体模和活体实验数据（包括肿瘤和阿尔茨海默病模型）	计算机视觉	肿瘤、阿尔茨海默病	CEST MRI	神经表示	磁共振成像数据	合成体模和活体实验数据，具体数量未提及	NA	神经网络架构（自监督，嵌入洛伦兹方程）	NA	NA
59	2026-06-07	Deep Separable Spatiotemporal Learning for Fast Dynamic Cardiac MRI 2025-12, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3574090 PMID:40434852	研究论文	提出一种基于深度可分时空学习的快速动态心脏MRI重建方法	采用降维的可分离学习方案，在训练数据极度有限的情况下仍能表现出色，并结合时间低秩性和空间稀疏性先验	未明确讨论方法在更复杂病变或更大规模多中心数据上的泛化能力	实现快速动态心脏MRI图像重建，降低对大量训练数据的依赖	心脏动态MRI图像重建及下游分割任务	计算机视觉	心血管疾病	动态磁共振成像	深度可分时空学习网络（DeepSSL）	图像（心脏电影MRI图像）	使用心脏电影数据集，未明确样本数目	NA	DeepSSL	视觉效果与定量指标（具体指标未在摘要中详述），下游分割准确性	NA
60	2026-06-07	Phantom-Based Ultrasound-ECG Deep Learning Framework for Prospective Cardiac Computed Tomography 2025-12, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3575268 PMID:40445820	研究论文	提出首个结合超声和心电数据的多模态深度学习框架，用于预测心脏静止期以优化CT血管造影门控	首次将超声与心电数据通过多模态深度学习（3D CNN-ANN）融合，实现对心脏静止期的预测，相比单模态方法显著提升准确率（96.87% vs 85.56%），尤其在心律失常条件下	较短静止期（<100 ms）的预测准确率低于较长静止期（100-200 ms）；基于体模验证，尚未在临床患者数据上测试	提高心脏CT血管造影门控中静止期预测的准确性，特别是在心律失常等复杂心率条件下	动态心脏运动体模，模拟多种心脏条件（包括心律失常）	计算机视觉, 机器学习	心血管疾病	超声成像, 心电图	3D卷积神经网络, 人工神经网络	超声视频, 心电信号	基于动态心脏体模的验证，未提及具体样本数量	NA	3D CNN, ANN	准确率	NA