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	2026-01-07	Bridging data gaps of rare conditions in ICU: a multi-disease adaptation approach for clinical prediction 2026-Jan-03, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-025-02176-y PMID:41484235	研究论文	本文提出了一种名为KnowRare的领域自适应深度学习框架，用于预测ICU中罕见病症的临床结局	通过自监督预训练从多样化的电子健康记录中学习病症无关的表征以缓解数据稀缺问题，并利用构建的病症知识图谱选择性地从临床相似病症中迁移知识以应对病症内部的异质性	NA	开发一个能够有效预测ICU中罕见病症临床结局的AI框架，以支持临床决策并改善护理	ICU中的罕见病症，包括公认的罕见疾病和ICU中低患病率的病症	机器学习	罕见病	电子健康记录分析	深度学习	电子健康记录	NA	NA	NA	NA	NA
42	2026-01-05	YOLO-based deep learning framework for real-time multi-class plant health monitoring in precision agriculture 2026-Jan-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29132-w PMID:41484288	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
43	2026-01-07	Adversarial selective domain adaptation with feature cluster for skin cancer diagnosis 2026-Jan-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-98293-5 PMID:41484458	研究论文	提出一种名为对抗选择性域适应与特征聚类（ASDA）的新方法，用于改善皮肤癌诊断中模型在目标数据集较小情况下的性能	同时解决域间差异和目标数据集数据有限的问题，通过特征聚类减少数据需求，并使用选择性最小最大熵方法保持一致性	NA	提高皮肤癌诊断模型在跨域数据集上的泛化性能	皮肤癌相关的皮肤镜和临床图像	计算机视觉	皮肤癌	NA	条件域对抗网络	图像	NA	NA	NA	NA	NA
44	2026-01-07	The development of an image processing model to estimate tooth width and space requirements 2026-Jan-03, Journal of dentistry IF:4.8Q1 DOI:10.1016/j.jdent.2026.106330 PMID:41491146	研究论文	本研究开发并测试了一种基于AI的工具，用于测量牙齿宽度和牙列拥挤度	利用深度学习技术开发了首个能够自动计算牙弓中牙齿近远中宽度的AI工具，并验证了其与人类评估者之间的高一致性	研究仅基于245名患者的石膏模型数据，且测试数据样本量较小（12组），未来需要更大规模的数据验证	开发并验证一种AI工具，以提高牙齿宽度测量和牙列拥挤评估的效率和准确性	245名已完成正畸治疗患者的治疗前后石膏模型	计算机视觉	正畸疾病	立体光刻扫描	深度学习模型	三维扫描图像	245名患者的石膏模型，其中12组作为测试数据	NA	NA	组内相关系数, 平均绝对差异	NA
45	2026-01-07	Multicenter Histology Image Integration and Multiscale Deep Learning Support Machine Learning-Enabled Pediatric Sarcoma Classification 2026-Jan-02, Cancer research IF:12.5Q1 DOI:10.1158/0008-5472.CAN-25-2275 PMID:41481196	研究论文	本研究开发了一个利用深度学习的计算流程，用于从数字化组织学切片中准确分类儿童肉瘤亚型	通过整合多中心数据并进行图像协调，系统评估了多种CNN和ViT架构作为特征提取器，并引入了多尺度特征以提升分类准确性，同时基于SAMPLER的表示方法在无GPU情况下实现了训练速度的显著提升	研究依赖于特定的多中心数据集，可能未涵盖所有罕见的肉瘤亚型或外部验证中心的变异	开发一个基于深度学习的计算流程，以克服儿童肉瘤诊断中的挑战，实现准确亚型分类	儿童肉瘤的数字化组织学切片	数字病理学	儿童肉瘤	组织学成像	CNN, ViT	图像	867张全切片图像，来自三个医疗中心和儿童肿瘤学组	NA	UNI, CONCH	AUC	无GPU操作
46	2026-01-07	Electric vehicles charging stations load forecasting based on hybrid XGBoost-BiLSTM model 2026-Jan-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29739-z PMID:41484290	研究论文	本研究提出了一种基于混合XGBoost-BiLSTM堆叠模型的电动汽车充电站短期负荷预测方法	提出了一种结合XGBoost元学习器的混合堆叠模型（Hybrid 3），用于电动汽车充电站的短期负荷预测，相比单一模型提升了预测精度	在独立合成数据集上的跨站点评估显示泛化能力有所下降，表明模型对站点特定时间模式敏感；梯度提升集成方法在可扩展实时预测方面仍更具优势	优化电动汽车充电站的能源管理并确保电网稳定性	电动汽车充电站的短期小时级负荷	机器学习	NA	NA	XGBoost, BiLSTM, CNN, 集成方法	时间序列数据	31,424个原始充电会话，经预处理后得到14,496个清洁会话用于建模；另使用包含1,965,239个会话的独立合成数据集进行跨站点评估	NA	XGBoost-BiLSTM堆叠模型（Hybrid 3），包含XGBoost元学习器	MAE, R（相关系数）	NA
47	2026-01-07	Beyond peak accuracy: a stability-centric framework for reliable multimodal student engagement assessment 2026-Jan-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31215-7 PMID:41484417	研究论文	本研究提出了一种多模态学生参与度评估框架，通过类别感知损失函数、时序数据增强和异质集成等策略，解决了现有模型在类别不平衡、数据分割不稳定和可解释性有限方面的问题	引入了基于稳定性中心的框架，结合类别感知损失函数、时序数据增强和异质集成，并利用SHAP分析提供可靠的可解释性，超越了仅关注峰值准确率的传统评估方法	未明确提及研究的具体局限性，如数据集规模、泛化能力到其他教育场景或模态的适用性等	开发一个可靠的多模态学生参与度评估框架，以提升技术增强学习中的评估准确性和稳定性	学生参与度	机器学习	NA	多模态数据融合	CNN, 集成学习	多模态数据（可能包括视频、音频或生理信号等）	NA	NA	ResNet, Inception, MCNN, TimeCNN, LightGBM	准确率, 宏平均F1分数	NA
48	2026-01-07	Improving spliced alignment by modeling splice sites with deep learning 2026-Jan-02, Algorithms for molecular biology : AMB IF:1.5Q3 DOI:10.1186/s13015-025-00293-7 PMID:41484786	研究论文	本文提出了一种基于深度学习的方法来改进剪接比对，通过一维卷积神经网络建模剪接位点，提高了比对准确性	使用一维卷积神经网络学习剪接信号，能够捕捉跨物种的保守剪接信号，并揭示哺乳动物和鸟类特有的GC富集内含子特征	NA	提高剪接比对的准确性，特别是在处理噪声长读长RNA-seq数据和远缘同源蛋白质时	脊椎动物和昆虫基因组的剪接位点	生物信息学	NA	长读长RNA-seq	CNN	基因组序列数据	NA	NA	一维卷积神经网络	连接点准确性	NA
49	2026-01-07	Discovery of selective GluN1/GluN3A NMDA receptor inhibitors using integrated AI and physics-based approaches 2026-Jan, Acta pharmacologica Sinica IF:6.9Q1 DOI:10.1038/s41401-025-01607-6 PMID:40659855	研究论文	本研究通过结合人工智能与物理模型，开发了一个化合物虚拟筛选流程，用于发现针对GluN1/GluN3A NMDA受体亚型的高选择性抑制剂	整合了两种基于序列的深度学习预测模型（TEFDTA和ESMLigSite）与分子对接方法，构建了一个高效的虚拟筛选管道，显著提高了针对复杂离子通道的抑制剂发现命中率	研究依赖于商业数据库的化合物，可能未涵盖所有潜在活性分子；且针对GluN1/GluN3A受体的结构数据有限，可能影响模型精度	发现针对GluN1/GluN3A NMDA受体亚型的高效、选择性抑制剂，以探索其在情绪调节等神经系统疾病中的治疗潜力	GluN1/GluN3A NMDA受体（一种作为兴奋性甘氨酸受体的非常规NMDA受体亚型）	计算药物发现	神经系统疾病（涉及情绪调节）	虚拟筛选、分子对接、深度学习预测	深度学习模型	化合物序列数据、分子结构数据	从包含1800万种化合物的商业数据库中进行筛选	NA	TEFDTA, ESMLigSite	命中率（50%）、抑制活性（IC50值）、选择性倍数（>23倍）	NA
50	2026-01-07	Deep learning-based ultrasound diagnostic model for follicular thyroid carcinoma 2026-Jan, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-11840-6 PMID:40681777	研究论文	本研究开发了一种基于深度学习的端到端超声诊断模型，用于术前区分甲状腺良性肿瘤、滤泡状甲状腺癌和其他恶性肿瘤	提出了一种新的数据增强方法和混合损失函数来处理类别不平衡问题，并将其应用于预训练的卷积神经网络和Transformer模型，以有效提取超声图像特征	回顾性多中心研究，可能存在选择偏倚；样本中滤泡状甲状腺癌的比例较低（3.6%），可能影响模型泛化能力	开发一个基于深度学习的超声诊断模型，以术前准确分类甲状腺肿瘤为良性、滤泡状甲状腺癌和其他恶性肿瘤	甲状腺肿瘤患者，包括良性肿瘤、滤泡状甲状腺癌和其他恶性肿瘤	数字病理学	甲状腺癌	超声成像	CNN, Transformer	图像	10771名连续成年患者，其中测试集包括1078名患者（滤泡状甲状腺癌39例，其他恶性肿瘤385例）	NA	预训练的卷积神经网络和Transformer模型	平衡准确率, AUC, 敏感性, 特异性	NA
51	2026-01-07	EICSeg: Universal Medical Image Segmentation via Explicit In-Context Learning 2026-Jan, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2025.3591565 PMID:40694460	研究论文	提出了一种名为EICSeg的通用医学图像分割框架，通过显式上下文学习实现无需重新训练即可适应新任务的分割	首次将上下文学习的核心交互机制重新定义为显式检索过程（E-ICL），并构建了首个端到端的通用医学图像分割框架，结合了互补的视觉基础模型	未明确说明在极端数据分布或罕见解剖结构下的性能表现，也未讨论计算效率与实时应用的平衡	开发一种能够泛化到未见过的医学图像分割任务的通用框架，减少对任务特定模型重新训练的需求	医学图像分割任务，涵盖多种解剖结构、标签和成像模态	计算机视觉	NA	医学图像分割	视觉基础模型	医学图像	训练使用47个数据集，测试使用9个未见过的数据集	PyTorch	SD-Adapter	Dice系数	NA
52	2026-01-07	SUP-Net: Slow-Time Upsampling Network for Aliasing Removal in Doppler Ultrasound 2026-Jan, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2025.3591820 PMID:40705591	研究论文	本文提出了一种基于深度学习的慢时间上采样网络（SUP-Net），用于消除多普勒超声中的混叠误差，通过提升脉冲重复频率（PRF）来改善血流估计质量	开发了SUP-Net网络，利用时空特征对高帧率超声采集的信号进行上采样，首次实现从低PRF信号推断高PRF信号，以解决混叠问题	研究仅基于22名参与者的体内采集数据进行训练和评估，样本量相对有限，且未明确讨论模型在不同硬件或临床环境中的泛化能力	旨在解决多普勒超声中因脉冲重复频率低于奈奎斯特极限导致的混叠误差，提升血流诊断的准确性	多普勒超声信号，特别是频谱多普勒和彩色血流成像中的慢时间信号	医学影像处理	心血管疾病	脉冲回波传感和相移估计原理，高帧率超声（HiFRUS）	CNN	超声信号（慢时间信号）	22名参与者的体内采集数据	NA	SUP-Net	NA	NA
53	2026-01-07	A Deep Learning Multimodal Fusion-Based Method for Cell and Nucleus Segmentation 2026-Jan, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2025.3592625 PMID:40711898	研究论文	本文提出了一种基于深度学习多模态融合的细胞与细胞核分割方法，旨在解决标注数据稀缺的问题	提出了一种无需在新数据上重新训练即可完成细胞与细胞核分割任务的综合方法，通过结合预训练的自然图像模型和多模态提示模块来利用先验知识并融合图像与文本信息	未明确说明方法在特定细胞类型或复杂生物样本上的泛化能力，也未详细讨论计算效率或实时性能	开发一种能够在标注数据有限的情况下有效进行细胞与细胞核分割的深度学习方法	细胞与细胞核的图像	数字病理学	NA	深度学习多模态融合	深度神经网络	图像, 文本	NA	NA	NA	NA	NA
54	2026-01-07	Enhancing Brain Source Reconstruction by Initializing 3-D Neural Networks With Physical Inverse Solutions 2026-Jan, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2025.3594724 PMID:40758497	研究论文	提出一种名为3D-PIUNet的混合方法，用于EEG源定位，通过结合传统物理逆解和3D卷积U-Net深度学习技术来增强大脑源重建的准确性	创新性地将传统物理逆解（伪逆映射）作为初始估计，与3D卷积U-Net结合，有效整合了物理先验和数据驱动学习的优势，提升了空间精度	模型训练依赖于模拟的伪真实大脑源数据，可能无法完全覆盖真实EEG数据的复杂性；未详细讨论计算资源需求或模型泛化到其他任务的性能	提高脑电图（EEG）信号中大脑源的空间定位准确性，以更好地理解脑功能与功能障碍	大脑源重建，基于EEG信号进行源定位	机器学习	NA	脑电图（EEG）	CNN	3D体积数据（大脑作为3D体积），模拟的伪真实大脑源数据，真实EEG数据	NA	NA	3D卷积U-Net	空间精度	NA
55	2026-01-07	An Anisotropic Cross-View Texture Transfer With Multi-Reference Non-Local Attention for CT Slice Interpolation 2026-Jan, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2025.3596957 PMID:40779378	研究论文	本文提出了一种基于多参考非局部注意力的各向异性跨视图纹理转移方法，用于CT切片插值，以改善各向异性CT体积的层间分辨率	通过设计一个独特框架，利用高分辨率平面内纹理细节作为参考，将其转移到低分辨率穿平面图像，并引入多参考非局部注意力模块从多个平面内图像中提取特征以重建穿平面高频细节	NA	开发深度学习体积超分辨率方法以提高CT图像的层间分辨率，解决各向异性CT体积中分辨率不一致的问题	CT图像，特别是具有各向异性特性的3D CT体积	计算机视觉	NA	CT成像	深度学习模型	图像	NA	NA	多参考非局部注意力模块	NA	NA
56	2026-01-07	Automatic Choroid Segmentation and Thickness Measurement Based on Mixed Attention-Guided Multiscale Feature Fusion Network 2026-Jan, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2025.3597026 PMID:40779377	研究论文	本文提出了一种基于混合注意力引导的多尺度特征融合网络，用于光学相干断层扫描图像中脉络膜的自动分割和厚度测量	提出了混合注意力引导的多尺度特征融合网络，结合混合注意力编码器、可变形多尺度特征融合路径和多尺度金字塔层聚合模块，以应对脉络膜边界模糊、纹理不均匀和病变等挑战	公共OCT数据集中涉及脉络膜厚度变化的疾病类型较少，且缺乏公开可用的标注数据集	实现光学相干断层扫描图像中脉络膜的准确分割和量化，以支持临床诊断和疾病进展监测	正常和八种脉络膜相关疾病的光学相干断层扫描图像	计算机视觉	眼科疾病	光学相干断层扫描	CNN	图像	徐州医科大学附属医院脉络膜数据集，包含正常和八种脉络膜相关疾病的标注OCT图像	NA	MAMFF-Net	mDice, mIoU, mAcc	NA
57	2026-01-07	Comparison of DLIR and ASIR-V algorithms for virtual monoenergetic imaging in carotid CTA under a triple-low protocol 2026-Jan, Japanese journal of radiology IF:2.9Q2 DOI:10.1007/s11604-025-01866-7 PMID:40924047	研究论文	本研究比较了在颈动脉CTA三重低剂量扫描协议下，使用DLIR和ASIR-V算法生成的50 keV虚拟单能图像的质量	在颈动脉CTA三重低剂量扫描协议下，首次系统比较了深度学习图像重建（DLIR）与自适应统计迭代重建-V（ASIR-V）算法在虚拟单能成像中的性能，并展示了DLIR-H在图像质量、噪声抑制和小血管对比度方面的优越性	研究为单中心前瞻性研究，样本量相对有限（120例），且未评估长期临床结局或不同扫描仪间的可重复性	比较在颈动脉CTA三重低剂量扫描协议下，DLIR与ASIR-V算法对50 keV虚拟单能图像质量的影响	接受双能颈动脉CTA扫描的120例患者	医学影像	脑血管疾病	双能CT血管造影（DE-CTA）、虚拟单能成像（VMI）	深度学习图像重建（DLIR）、自适应统计迭代重建（ASIR-V）	CT图像	120例患者	NA	NA	信噪比（SNR）、对比噪声比（CNR）、标准差（SD）、5点李克特量表主观评分	NA
58	2026-01-07	Fractal-driven self-supervised learning enhances early-stage lung cancer GTV segmentation: a novel transfer learning framework 2026-Jan, Japanese journal of radiology IF:2.9Q2 DOI:10.1007/s11604-025-01865-8 PMID:40952548	研究论文	本文提出了一种利用数学生成的非自然分形图像进行预训练的新型深度学习策略，用于早期肺癌大体肿瘤体积的自动分割	提出了一种新颖的迁移学习框架，使用数学生成的分形图像进行自监督预训练，以增强早期肺癌GTV分割，这在医学图像分割领域是一种创新的预训练数据源方法	研究为回顾性研究，样本量相对较小（104名患者），且仅针对外周早期非小细胞肺癌，可能限制了结果的普适性	开发和评估一种用于自动化早期肺癌大体肿瘤体积分割的新型深度学习策略	早期非小细胞肺癌患者的大体肿瘤体积	计算机视觉	肺癌	CT成像	CNN, Vision Transformer (ViT)	图像	104名患者（36-91岁；81名男性；23名女性）的CT图像和医师勾画轮廓数据	NA	Vision Transformer (ViT)	体积Dice相似系数, 表面Dice相似系数, 95百分位Hausdorff距离	NA
59	2026-01-07	Ultra-fast whole-brain T2-weighted imaging in 7 seconds using dual-type deep learning reconstruction with single-shot acquisition: clinical feasibility and comparison with conventional methods 2026-Jan, Japanese journal of radiology IF:2.9Q2 DOI:10.1007/s11604-025-01875-6 PMID:41003971	研究论文	本研究评估了结合单次激发涡轮自旋回波技术和双类型深度学习重建的超快速T2加权成像在7秒内获取全脑图像的图像质量及临床实用性，并与传统T2加权成像方法进行比较	提出了一种超快速T2加权成像方法，通过单次激发采集结合双类型深度学习重建（包括去噪和超分辨率处理），在7秒内完成全脑成像，显著缩短扫描时间	研究样本量较小（仅38例患者），且未明确说明深度学习模型的具体架构和训练细节	评估超快速T2加权成像结合深度学习重建的图像质量和临床效用，以缩短MRI扫描时间并提高临床工作效率	38例接受传统T2加权成像和超快速T2加权成像的患者	医学影像	中枢神经系统疾病	单次激发涡轮自旋回波技术，深度学习图像重建	深度学习	MRI图像	38例患者	NA	NA	信噪比，对比噪声比	NA
60	2026-01-07	Multicenter Study of YOLOv9 for Automated Detection and Classification of Supraspinatus Tendon Tears on MRI 2026-Jan, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2025.10.022 PMID:41173764	研究论文	本研究开发了一种基于YOLOv9的深度学习模型，用于利用多中心MRI数据自动检测和分类肩袖肌腱撕裂	首次将YOLOv9框架应用于肩袖肌腱撕裂的自动化MRI诊断，并在多中心数据上验证了其性能优于不同经验水平的放射科医生	研究为回顾性设计，可能存在选择偏倚；模型性能在部分厚度撕裂分类上仍有提升空间	开发自动化深度学习模型以辅助肩袖肌腱撕裂的MRI诊断	肩袖肌腱撕裂（supraspinatus tendon tears）	计算机视觉	肌肉骨骼疾病	MRI（磁共振成像）	YOLO	图像	1698名患者，来自五家医院，分为训练集（1047例）、验证集（299例）、测试集（154例）和外部测试集（198例）	YOLO	YOLOv9	准确率, 宏F1分数, 交并比（IoU）, 混淆矩阵, Cohen's kappa	NA