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
101	2026-09-16	Accelerated free-breathing abdominal T2 mapping with deep learning reconstruction of radial turbo spin-echo data 2025-Dec, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.70017 PMID:40762149	研究论文	该研究开发了一种灵活的深度学习框架，用于加速自由呼吸腹部T2映射，通过改进T2加权图像或重建T2图，实现在欠采样数据下高质量解剖图像和准确T2图的重建。	开发了一种灵活的深度学习框架，可以以完全监督或自监督的方式进行训练，分别用于改进T2加权图像或重建T2图，显著加速了重建过程。	未明确提及研究的局限性。	加速自由呼吸腹部T2映射，同时保持高质量的解剖图像、准确的T2图和快速重建时间。	腹部T2映射数据。	医学图像处理	NA	径向涡轮自旋回波磁共振成像，深度学习重建	深度学习框架	医学图像（MRI）	未明确说明样本大小。	NA	NA	体素级误差，重建时间	NA
102	2025-09-13	Infant Electrocardiogram-Based Deep Learning Predicts Critical Congenital Heart Disease 2025-Dec, JACC. Clinical electrophysiology DOI:10.1016/j.jacep.2025.08.005 PMID:40938228	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
103	2026-09-13	Immunological risk factors for recurrent implantation failure using a deep learning model: a multicenter retrospective cohort study 2025-12-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-27561-1 PMID:41326470	研究论文	本研究利用深度学习模型（TabNet）预测复发性植入失败（RIF）患者的活产，并识别免疫学风险因素	首次使用TabNet深度学习模型预测RIF患者的活产，并识别关键免疫学风险因素	回顾性研究设计，可能存在选择偏倚；样本量有限；未进行外部验证	预测复发性植入失败患者的活产，并识别免疫学风险因素	复发性植入失败患者	机器学习	生殖医学	NA	TabNet	表格数据	2463名复发性植入失败患者	NA	TabNet	准确率, AUROC	NA
104	2026-09-13	Deep-Learning-Assisted SICM for Enhanced Real-Time Imaging of Nanoscale Biological Dynamics 2025-12, Small methods IF:10.7Q1 DOI:10.1002/smtd.202501080 PMID:41078001	研究论文	该文章提出了一种结合数据采集与计算框架的方法，通过选择性跳过部分扫描线来提升扫描离子电导显微镜（SICM）的时间分辨率，并利用部分卷积神经网络（Partial-CNN）从欠采样数据中重建完整图像	开发了Partial-CNN模型，能够从选择性跳过扫描线的欠采样SICM数据中重建完整图像，在保证结构完整性的同时将图像采集时间减少30-63%，并在重建精细细节和保持高度图一致性方面优于传统深度学习方法	摘要中未明确提及研究的局限性	提高SICM的时间分辨率，实现对纳米尺度生物动态过程的实时成像	活细胞的SICM纳米尺度图像	计算机视觉	NA	扫描离子电导显微镜（SICM）	CNN	图像	NA	NA	部分卷积神经网络（Partial-CNN）	多种定量指标（具体指标未在摘要中列出）	NA
105	2026-09-10	Predictive design of tissue-specific mammalian enhancers that function in vivo in the mouse embryo 2025-Dec-24, bioRxiv : the preprint server for biology DOI:10.64898/2025.12.22.695948 PMID:41497587	研究论文	本文提出了一种利用深度学习设计小鼠胚胎中组织特异性增强子的通用策略，并通过实验验证了其在心脏、肢体和中枢神经系统中的功能。	首次在哺乳动物体内验证了基于深度学习的增强子设计方法，采用了紧凑CNN和迁移学习相结合的策略。	未明确提及具体限制，但可能包括增强子设计仅针对少数组织类型，以及体内验证的样本量有限。	建立可编程控制哺乳动物基因表达的框架，以支持功能基因组学、合成生物学和基因治疗。	小鼠胚胎中的心脏、肢体和中枢神经系统增强子。	深度学习与基因组学	不适用	染色质可及性测序（如ATAC-seq）和深度学习模型。	卷积神经网络（CNN）	染色质可及性数据和已验证的增强子序列数据。	15个合成的增强子在小鼠胚胎中进行体内验证。	PyTorch（可能），深度学习框架未指定，但一般使用TensorFlow或PyTorch。	紧凑卷积神经网络（CNN）	增强子活性验证（通过体内实验报告基因表达）	未明确提及，但可能涉及GPU训练。
106	2026-09-10	Forging Online Community Among People in Recovery From Substance Use: Natural Language Processing and Deep-Learning Analysis of The Phoenix App User-Generated Data 2025-12-19, JMIR mHealth and uHealth IF:5.4Q1 DOI:10.2196/68438 PMID:41418282	研究论文	本研究利用Phoenix康复应用程序的用户生成数据，通过自然语言处理和深度学习分析，识别该应用的核心用途及情感倾向，发现其作为物质使用康复者社交连接和社区支持工具具有积极作用。	首次利用移动健康应用的用户数字足迹，结合BERT主题建模和VADER情感分析，评估康复背景下的应用使用体验，揭示其与其他社交媒体平台（如X、Reddit、Facebook）相比情感倾向显著更为积极的特点。	样本仅来自单一应用，未与其他康复论坛进行对比，且样本量有限，需进一步研究以确认结果的普适性。	理解Phoenix应用在物质使用康复者中的使用主题和情感表达，评估其作为社交支持工具的效用，为数字健康干预提供洞见。	Phoenix应用的用户生成帖子，涉及物质使用（包括酒精使用障碍）康复者或寻求康复者。	自然语言处理	物质使用障碍（包括酒精使用障碍）	自然语言处理（NLP）	BERT（Transformer）	文本数据（用户帖子）	初始随机抽取19,685条帖子，去除重复和无意义后保留17,617条帖子。	PyTorch	BERT	主题连贯性分数，情感分数（均值0.44，标准差0.42）	NA
107	2026-09-09	ADMGCN: graph convolutional network for Alzheimer's disease diagnosis with a meta-learning paradigm 2025-12-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btaf580 PMID:41148043	研究论文	提出一种基于元学习范式的图卷积网络（ADMGCN），用于阿尔茨海默病的早期诊断，通过权重和降维技术提升性能与效率	采用元学习范式来采样受试者以创建多个标签平衡的任务，最大化数据利用并减轻标签不平衡的影响，同时使GCN能够快速适应新任务并支持独立测试	未在摘要中明确提及局限性	解决深度学习在阿尔茨海默病诊断中需要大数据集和对标签分布不平衡敏感的问题，增强图卷积网络的灵活性并实现早期诊断	阿尔茨海默病患者及对照受试者的大脑影像数据	计算机视觉, 机器学习	阿尔茨海默病	NA	图卷积网络（GCN）	影像数据	NA	NA	NA	准确率	NA
108	2026-09-07	Computational Pathology for Accurate Prediction of Breast Cancer Recurrence: Development and Validation of a Deep Learning-Based Tool 2025-12, Modern pathology : an official journal of the United States and Canadian Academy of Pathology, Inc IF:7.1Q1 DOI:10.1016/j.modpat.2025.100847 PMID:40680854	研究论文	本文开发并验证了一种基于深度学习的计算病理学工具Deep-BCR-Auto，用于从常规H&E染色全切片图像中预测乳腺癌复发风险	提出了Deep-BCR-Auto，一种基于深度学习的计算病理学方法，利用常规H&E染色全切片图像进行乳腺癌复发风险预测，旨在替代成本高昂且难以普及的基因组工具如Oncotype DX	样本量有限，且依赖于特定数据集（TCGA-BRCA和OSU内部集），可能影响模型的广泛适用性；此外，预测性能在敏感度上相对较低（67.7%）	开发并验证一种基于深度学习的计算病理学工具，用于准确预测乳腺癌复发风险，以提供成本效益高且可及的风险分层方法	乳腺癌患者的H&E染色全切片图像	计算病理学	乳腺癌	全切片成像（WSI）	深度学习模型	图像（全切片图像）	两个独立队列：TCGA-BRCA数据集和俄亥俄州立大学内部数据集；具体样本数量未在摘要中说明	NA	NA	AUC、准确性、特异性、敏感性	NA
109	2026-09-07	Deep Learning Predicts Survival Across Squamous Tumor Entities From Routine Pathology: Insights From Head and Neck, Esophagus, Lung, and Cervical Cancer 2025-12, Modern pathology : an official journal of the United States and Canadian Academy of Pathology, Inc IF:7.1Q1 DOI:10.1016/j.modpat.2025.100845 PMID:40680853	研究论文	开发并跨多种鳞状细胞癌实体验证深度学习模型，预测总体生存率	跨不同的鳞状细胞癌实体（头颈、食管、肺和宫颈）进行外部验证，以评估模型的泛化性和可解释性	跨实体验证中，食管癌的结果不显著，且预测风险评分与临床因素的关联在不同队列中有所差异	开发计算病理学模型以预测鳞状细胞癌患者的总体生存率，并评估其泛化能力	头颈、食管、肺和宫颈鳞状细胞癌患者的组织切片	数字病理学	头颈癌、食管癌、肺癌、宫颈癌	苏木精-伊红染色切片	深度学习模型	图像	多个队列，具体数量未指定	未提供	未提供	风险比、置信区间、P值	未提供
110	2026-09-07	Virtual Histological Staining as a Tool for Extending Renal Segmentation Across Stains 2025-12, Modern pathology : an official journal of the United States and Canadian Academy of Pathology, Inc IF:7.1Q1 DOI:10.1016/j.modpat.2025.100842 PMID:40712735	研究论文	本研究提出一种虚拟组织学染色方法，利用循环一致生成对抗网络将肾脏H&E染色样本转换为PAS染色，并验证其在肾小球分割中的应用。	首次利用循环一致生成对抗网络在肾脏组织学中实现H&E到PAS的虚拟染色，并通过病理学家评估和分割模型应用证明其效用。	虚拟染色仅覆盖H&E到PAS的转换，病理学家区分虚拟与真实染色的能力有限，且未涉及其他染色类型或慢性损伤评估。	扩展肾脏病理学中的深度学习分割工具至不同染色，减少对特定染色的依赖。	肾脏组织切片，包括H&E和PAS染色样本，主要来自慢性肾病患者的活检。	数字病理学	慢性肾脏病	虚拟染色（生成对抗网络）	GAN（循环一致生成对抗网络）	全切片图像（WSI）	使用了来自16个肾病中心的NURTuRE数据集，以及3个独立分割数据集；另提供了20张KPMP H&E切片的全肾小球注释	NA	循环一致生成对抗网络（CycleGAN）	病理学家识别率、分割模型性能指标（未具体列出）	NA
111	2026-09-05	Enhancing diagnosis of gout with deep learning in dual-energy computed tomography: a retrospective analysis of crystal and artefact differentiation 2025-12-01, Rheumatology (Oxford, England) DOI:10.1093/rheumatology/keae523 PMID:39565918	研究论文	本研究评估了深度学习在双能CT扫描中区分痛风石绿色编码与团块状伪影的诊断准确性	首次将深度学习应用于DECT绿色焦点中区分晶体沉积与伪影，并按大小分组进行逐病灶和逐患者分析	未明确提及研究的局限性	评估深度学习在DECT中鉴别绿色编码（指示痛风石）和团块状伪影的高诊断准确性	47例痛风患者和27例无痛风对照者DECT扫描中的绿色焦点ROIs	计算机视觉	痛风	双能计算机断层扫描（DECT）	卷积神经网络（CNN）和支持向量机（SVM）	图像（DECT扫描中的ROIs）	18,704个ROIs，来自74例患者（47例痛风，27例对照）	NA	CNN（未指定具体架构）和SVM	受试者工作特征曲线下面积（AUC）、灵敏度、特异性、阳性预测值、阴性预测值、准确率	NA
112	2026-09-05	Multiparameter MRI-based automatic segmentation and diagnostic models for the differentiation of intracranial solitary fibrous tumors and meningiomas 2025-12, Annals of medicine IF:4.9Q1 DOI:10.1080/07853890.2025.2530223 PMID:40625299	研究论文	本研究利用多参数MRI自动分割和诊断模型，旨在区分颅内孤立性纤维性肿瘤（SFTs）和脑膜瘤。	综合了自动分割与诊断模型，并结合临床和影像学特征构建融合指数相关模型，以及使用二级分类预测概率作为输入特征的四分类模型。	NA	术前精确区分SFTs和脑膜瘤，以辅助手术计划和治疗策略制定。	颅内孤立性纤维性肿瘤和脑膜瘤患者。	医学影像分析	颅内肿瘤	多参数MRI	深度学习分割模型和机器学习分类模型	多参数MRI图像和临床/影像学特征数据	252例患者（SFTs 56例，脑膜瘤196例）	NA	VB-Net	Dice系数（DSC）、曲线下面积（AUC）、加权AUC	NA
113	2026-09-05	Automatic recognition of adrenal incidentalomas using a two-stage cascade network: a multicenter study 2025-12, Annals of medicine IF:4.9Q1 DOI:10.1080/07853890.2025.2540596 PMID:40772430	研究论文	本研究开发并验证了一种两阶段级联网络，用于自动识别非增强CT中的肾上腺偶发瘤，并在多中心数据上进行了评估。	首次采用两阶段级联网络（3D Res-Unet分割与分类器）自动识别肾上腺偶发瘤，并在多中心数据上验证了其性能和泛化能力。	未明确说明局限性。	开发一种基于深度学习的自动识别方法，用于在不同中心非增强CT中检测肾上腺偶发瘤，以提高早期发现和管理肾上腺疾病的能力。	肾上腺偶发瘤患者	医学影像分析	肾上腺偶发瘤	CT成像	深度学习，卷积神经网络	医学影像（CT图像）	共778名患者，其中443名用于模型开发，335名用于测试	NA	3D Res-Unet, 分类器	Dice相似系数（DSC）、AUC、准确性、敏感性、特异性	NA
114	2026-09-05	Deep learning model for predicting extraprostatic extension of prostate cancer based on H&E-stained biopsy digital images 2025-12, Annals of medicine IF:4.9Q1 DOI:10.1080/07853890.2025.2547094 PMID:40841351	研究论文	开发并验证了一种基于前列腺活检H&E切片的深度学习流程，用于预测前列腺癌患者的包膜外扩展（EPE）	首次提出使用卷积神经网络（ConvNeXt）和基于多实例学习的模型，通过活检切片预测EPE，并进行可解释性及与生化复发关联分析	信息不足，未在摘要中明确提及局限性	通过活检切片预测前列腺癌的包膜外扩展，提供术前风险分层方法以辅助个性化治疗	前列腺癌患者及其活检H&E切片	数字病理学	前列腺癌	NA	卷积神经网络（CNN）和基于多实例学习	图像	260例前列腺癌患者的2592张术前活检H&E切片	NA	ConvNeXt	准确率, AUC	NA
115	2026-09-05	Predicting prognosis of patients with hepatitis B virus-related acute-on-chronic liver failure from longitudinal ultrasound images using a multi-task deep learning approach 2025-12, Annals of medicine IF:4.9Q1 DOI:10.1080/07853890.2025.2551819 PMID:40857062	研究论文	本研究开发并验证了一种基于纵向肝脏超声图像的多任务深度学习模型，用于预测乙肝病毒相关急性慢性肝衰竭患者的30天预后	采用孪生U-Net结构同时进行肝脏分割和预后预测，并整合纵向超声图像与临床数据，提高了预测性能	仅基于单一中心回顾性数据，样本量有限，未来需多中心外部验证	开发并验证基于纵向超声图像的多任务深度学习模型，用于HBV-ACLF患者的个体化风险分层和预后预测	乙肝病毒相关急性慢性肝衰竭（HBV-ACLF）患者，包括372名患者（训练队列290名，验证队列82名）	医学影像分析	肝病（乙肝病毒相关急性慢性肝衰竭）	超声成像	Siamese U-Net，Cox回归	纵向肝脏超声图像和临床数据	372名HBV-ACLF患者（训练队列290名，验证队列82名）	NA	Siamese U-Net	Dice系数，C指数，AUC，校准曲线，决策曲线分析	NA
116	2026-09-04	Local large arterial perivascular adipose tissue metabolic and anatomical features are associated with hypertensive clinical outcomes: a PET/CT-based study 2025-12, Annals of medicine IF:4.9Q1 DOI:10.1080/07853890.2025.2578724 PMID:41170857	研究论文	本研究利用PET/CT成像技术，探讨大动脉周围脂肪组织（PVAT）的解剖和代谢特征与高血压临床结局之间的关系	首次利用深度学习工具TotalSegmentator分割大动脉并提取局部PVAT特征，发现局部而非全身的PVAT特征与高血压结局相关，揭示了疾病进展中的空间富集模式	信息未提供	探讨大动脉周围脂肪组织的解剖和代谢特征与高血压临床结局的相关性	150名原发性肺恶性肿瘤患者（其中45名高血压患者）的大动脉周围脂肪组织	医学影像分析	高血压	PET/CT成像，18F-FDG显像	深度学习分割模型	医学影像数据（PET/CT图像）	150名患者（年龄65±11岁，其中45名高血压患者）	信息未提供	TotalSegmentator	比值比（OR）、AUC（曲线下面积）、p值	信息未提供
117	2026-09-04	Integrative deep learning analysis of 2D and 3D body composition features for predicting postoperative pancreatic fistula after distal pancreatectomy 2025-12, Annals of medicine IF:4.9Q1 DOI:10.1080/07853890.2025.2597067 PMID:41340556	研究论文	本研究开发并验证了一种基于深度学习的2D和3D身体组分分析框架，用于预测远端胰腺切除术后胰瘘的发生。	首次整合2D和3D身体组分特征，采用深度学习分割模型和梯度提升决策树预测术后胰瘘，并在外部测试集上表现出较高准确性。	需要更大规模、多中心的队列进一步验证模型的泛化能力。	开发并验证基于深度学习的3D身体组分分析框架，预测胰腺癌患者远端胰腺切除术后胰瘘（POPF）的风险。	2015年至2022年间在两个机构接受根治性远端胰腺切除术的胰腺癌患者，共230例。	医学影像分析、深度学习	胰腺癌、术后胰瘘	CT影像分析、深度学习分割	2D和3D分割模型、梯度提升决策树（GBDT）	术前CT图像	230例胰腺癌患者（平均年龄62岁，POPF发生率47.4%）	未提及	2D和3D分割网络（具体未指明）	Dice相似系数（DSC）、AUC、灵敏度、特异度、决策曲线分析	未提及
118	2026-09-04	AI-driven prediction of severe respiratory sequelae in COVID-19 patients 2025-12, Annals of medicine IF:4.9Q1 DOI:10.1080/07853890.2025.2598914 PMID:41383156	研究论文	开发了一种基于人工智能的预测模型，用于早期识别COVID-19患者中可能发展为严重呼吸系统后遗症的高风险个体	结合K-means聚类算法和ResNet-50深度学习模型，整合影像与临床数据，实现了对COVID-19患者亚型的精准分型及呼吸系统后遗症的早期预测	需要利用更大规模的独立数据集进行进一步验证，以确认模型的可靠性和在不同人群中的泛化能力	通过整合临床和影像数据，开发并验证一种人工智能驱动的预测模型，以早期识别COVID-19患者发生严重呼吸系统后遗症的风险	516名COVID-19患者，包括其临床特征和胸部X光影像	机器学习	COVID-19	胸部X光成像	K-means聚类算法和卷积神经网络（CNN）	临床数据和胸部X光图像	516名COVID-19患者	NA	ResNet-50	AUC	NA
119	2026-09-04	Deep learning to predict extrapancreatic perineural invasion at CT images 2025-12, Annals of medicine IF:4.9Q1 DOI:10.1080/07853890.2025.2568116 PMID:41388696	研究论文	开发一种基于深度学习模型的自动化方法，用于分割胰腺外神经丛并诊断胰腺导管腺癌的胰外神经周围侵犯。	首次提出一个全自动深度学习模型，结合nnUNet网络和注意力机制，在分割肿瘤和邻近血管的背景下分割胰外神经丛，并利用2D分类器诊断胰外神经周围侵犯。	神经丛分割的Dice相似系数较低，需要进一步研究以改进模型性能。	开发并评估一个自动化深度学习模型，用于在CT图像上分割胰外神经丛并诊断胰外神经周围侵犯，以改善PDAC患者的预后评估。	332例接受增强CT扫描的PDAC患者，其中282例用于训练，50例用于验证。	医学影像分析	胰腺导管腺癌	增强CT成像	nnUNet（分割），2D分类器（诊断）	CT图像	332例患者（训练组282例，验证组50例），其中177例诊断为胰外神经周围侵犯。	NA	nnUNet, 注意力机制, 2D分类器	Dice相似系数，接收者操作特征曲线下面积，准确率	NA
120	2026-08-28	From prediction of personalized metabolic responses to foods to computational nutrition: Concepts of an emerging interdisciplinary field 2025-12, Clinical nutrition (Edinburgh, Scotland) DOI:10.1016/j.clnu.2025.10.009 PMID:41176812	研究论文	提出计算营养学作为一个新兴跨学科领域，旨在通过统计和计算机科学方法及多模态数据解决营养与健康的复杂挑战。	首次系统提出计算营养学的概念框架，整合人工智能、可穿戴生物传感器和多组学技术，以推动精准营养研究范式的转变。	未提供具体实验验证或实证数据，仅提出概念框架和未来研究方向。	建立计算营养学作为新兴跨学科领域，以应对营养研究中的复杂挑战并推动范式转变。	个性化代谢反应、膳食参考摄入量、营养干预效果、饮食相关疾病风险、公共卫生政策及膳食模式可持续性。	机器学习	饮食相关疾病	统计建模、模拟、因果推断、机器学习、深度学习、多组学、可穿戴生物传感器	机器学习模型、深度学习模型	多模态数据（包括组学数据、传感器数据等）	NA	NA	NA	NA	NA