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	2026-10-08	Research Progress of MRI-based Radiomics in Rectal Cancer 2026, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056450198260207200013 PMID:41716061	综述	本文综述了基于MRI的影像组学在直肠癌中的研究进展，涵盖特征提取方法、机器学习或深度学习算法的应用，以及在肿瘤分期、病理高风险因素监测、遗传标记预测、新辅助治疗反应评估和预后生存分析等方面的最新成果	系统性地对比了现有的特征提取方法，并对当前存在的问题和未来可能的研究方向进行了批判性讨论	未涉及具体实验验证，仅提供文献综述和理论探讨	概述基于MRI的影像组学在直肠癌中的最新研究进展，比较现有特征提取方法，并讨论当前问题与未来发展方向	直肠癌患者及其MRI影像数据	数字病理学	直肠癌	多参数磁共振成像、影像组学	机器学习、深度学习	图像	NA	NA	NA	NA	NA
42	2026-10-08	Machine Learning Application in Enhancing HIV Management and Treatment Outcomes: Revolutionizing HIV Infection 2026, Current HIV research IF:0.8Q4 DOI:10.2174/011570162X434867260224081329 PMID:41936102	综述	本文综述了人工智能、机器学习和深度学习在艾滋病预防、诊断和治疗中的应用前景，重点讨论了早期检测、个性化治疗优化和药物发现	整合了多种机器学习方法（监督、无监督和强化学习）及深度学习框架（卷积和循环神经网络），并探讨了药物基因组学驱动建模、数字孪生技术和AI驱动虚拟筛选平台等新兴创新	NA	探讨AI、ML和DL在HIV/AIDS预防、诊断和治疗中的变革性前景，以促进早期检测、优化个性化治疗策略并加速药物发现或重定位	HIV/AIDS管理及治疗	机器学习	艾滋病	NA	卷积神经网络, 循环神经网络, 强化学习模型	NA	NA	NA	NA	诊断准确率	NA
43	2026-10-08	Sustainable hemocompatibility prediction of electrospun nanomaterials using SEM-driven CNN ensemble learning aligned with ISO 10993 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0359594 PMID:42832535	研究论文	该研究提出了一种基于SEM图像的深度学习框架，利用预训练卷积神经网络（VGG19、ResNet50、InceptionV3）及其集成模型预测电纺纳米纤维的血液相容性，以替代传统的血液学检测方法	首次将SEM图像驱动的CNN集成学习应用于电纺纳米材料血液相容性的可持续预测，结合Albumentations数据增强和多数投票集成策略，并利用LIME和Integrated Gradients等可解释AI技术验证预测依据的生理相关性	摘要中未明确提及研究的局限性	开发一种可持续的、基于SEM图像的深度学习方法，用于预筛选电纺纳米纤维的血液相容性，减少对血液学实验和实验室耗材的依赖，并与ISO 10993标准对齐	电纺纳米复合生物材料的SEM图像	计算机视觉, 数字病理学	NA	扫描电子显微镜（SEM）成像, 深度学习, 可解释AI（LIME, Integrated Gradients）	CNN	图像	NA	NA	VGG19, ResNet50, InceptionV3	精确率, 召回率, F1分数, 准确率	NA
44	2026-10-08	EffAtt-LungNet: An attention-guided EfficientNet framework for three-class lung histopathology classification 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0359302 PMID:42832554	研究论文	本研究提出了EffAtt-LungNet，一种注意力引导的深度学习框架，用于三分类肺组织病理学分类	将EfficientNetB3骨干网络与卷积块注意力模块（CBAM）相结合，以细化特征并提高对良性肺组织、肺腺癌和肺鳞状细胞癌的区分能力	由于已发布的LC25000图像的增强前源标识符不可用，无法确认最早源图像级别的独立性，因此结果仅代表内部切片级基准性能，需要在独立的、非增强的多中心数据集上进行验证，才能做出任何转化或临床声明	对良性肺组织、肺腺癌和肺鳞状细胞癌进行三分类肺组织病理学分类	肺组织病理学图像	数字病理学	肺癌	组织病理学图像分析	CNN	图像	使用了公开的LC25000肺子集，包含三个类别共15,000张图像，并额外生成10,500张固定变体，构建了25,500张图像的平衡工作语料库，其中训练集15,300张、验证集2,550张、测试集7,650张	NA	EfficientNetB3, CBAM	准确率, 精确率, 召回率, F1分数, AUC	NA
45	2026-10-08	Automated quantification of central corneal epithelial thickness for the diagnosis of limbal stem cell deficiency 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0358258 PMID:42832607	研究论文	本研究开发了一种基于多尺度U-Net的深度学习模型AI-CE，用于自动测量AS-OCT图像中的中央角膜上皮厚度，以诊断角膜缘干细胞缺乏症	提出了基于多尺度U-Net的AI-CE模型，能够准确分割角膜上皮层，克服了现有商业软件在严重病例中不可靠以及标准机器学习方法难以区分角膜上皮与瘢痕组织的局限	样本量相对有限（主要数据集134只眼），且仅基于AS-OCT图像，未涉及其他模态数据	开发深度学习流程，自动测量LSCD患者AS-OCT图像中的中央上皮厚度，以辅助诊断	LSCD患者的AS-OCT图像，包括健康正常眼和不同阶段的LSCD眼	医学图像分析	角膜缘干细胞缺乏症	前段光学相干断层扫描（AS-OCT）	深度学习	图像	主要数据集134只眼（47只健康正常眼，34只Stage 1，34只Stage 2，19只Stage 3），以及一个回顾性验证数据集	NA	多尺度U-Net（MSU-Net）	平均绝对误差（MAE）	NA
46	2026-10-08	SSLVNet: an explainable multi-modal hybrid framework integrating self-supervised learning and vision transformers for multi-label classification of retinal diseases 2026, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2026.1937520 PMID:42834895	研究论文	本文提出了一种可解释的多模态混合框架SSLVNet，集成自监督学习、视觉Transformer和简化病变图，用于视网膜疾病的多标签分类	结合自监督学习编码器、病变注意力、CNN、ViT和简化病变图，并利用Grad-CAM提供视觉解释，实现多模态混合分类	未明确说明	从视网膜眼底图像中分类视网膜疾病，提供可靠且可解释的诊断支持	视网膜眼底图像	计算机视觉	视网膜疾病	自监督学习、视觉Transformer、CNN、病变注意力、简化病变图、Grad-CAM	CNN, ViT, 自监督学习编码器	图像	ODIR-5K数据集，包含多个眼病类别，具体样本数未提供	未说明	CNN, ViT, 自监督学习编码器, 病变注意力, 简化病变图	Exact Accuracy, Hamming accuracy, Macro F1-Score	未说明
47	2026-10-08	Development and external validation of an interpretable deep learning model for early immune-related adverse events in hepatocellular carcinoma 2026, Frontiers in immunology IF:5.7Q1 DOI:10.3389/fimmu.2026.1886946 PMID:42835027	研究论文	开发并外部验证一个可解释的深度学习模型，用于肝细胞癌患者接受免疫检查点抑制剂治疗前预测早期临床显著免疫相关不良事件	开发了基于治疗前临床和循环免疫变量的可解释深度学习模型TabNet，用于预测肝细胞癌患者早期免疫相关不良事件，并进行了外部验证和特征归因分析	摘要中未明确提及研究局限性	开发和外部验证一个可解释的深度学习模型，用于肝细胞癌患者接受免疫检查点抑制剂治疗前预测早期临床显著免疫相关不良事件	接受免疫检查点抑制剂治疗的肝细胞癌患者，以阿替利珠单抗联合贝伐珠单抗为代表方案	机器学习	肝癌	NA	TabNet、逻辑回归、随机森林、极端梯度提升、支持向量机	临床和循环免疫变量数据	多中心回顾性队列，分为训练队列和独立外部验证队列，具体样本量未在摘要中说明	NA	TabNet、逻辑回归、随机森林、极端梯度提升、支持向量机	区分度、校准度、临床实用性	NA
48	2026-10-08	Explainable AI-based prognostication of patients with resectable colorectal liver metastases using preoperative clinical parameters: is it comparable to traditional clinical scoring systems? 2026, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2026.1890766 PMID:42835046	研究论文	该研究使用350例可切除结直肠癌肝转移患者的术前临床变量，开发并比较了经典机器学习和深度学习生存模型，并与传统临床评分系统进行了对比	首次在仅使用术前临床变量的条件下，系统比较了多种机器学习和深度学习生存模型（CoxPH、RSF、SVM、XGBoost Survival、DeepSurv、DeepHit）对可切除结直肠癌肝转移患者的预后预测能力，并引入SHAP分析进行模型可解释性评估，同时与成熟的Basingstoke预测指数进行对比	模型仅基于术前临床变量，未纳入影像学等其他数据模态；样本量相对有限；深度学习模型未能在测试集和验证集上超越传统CoxPH模型；需要在更大数据集上进一步验证	开发和比较基于术前临床变量的机器学习和深度学习生存模型，用于可切除结直肠癌肝转移患者的预后预测，并评估其与传统临床评分系统的可比性	350例接受首次肝切除术的可切除结直肠癌肝转移患者	机器学习	结直肠癌肝转移	NA	CoxPH, RSF, SVM, XGBoost Survival, DeepSurv, DeepHit	结构化临床数据	350例患者（训练集245例，测试集105例，独立内部验证集88例来自OSLO-COMET试验）	NA	Cox比例风险模型, 随机生存森林, 支持向量机, XGBoost, DeepSurv, DeepHit	一致性指数（C-index）, 积分布里尔分数（IBS）	NA
49	2026-10-08	Federated deep learning for stroke detection: a privacy-preserving, explainable CNN-LSTM framework 2026, Frontiers in neuroscience IF:3.2Q2 DOI:10.3389/fnins.2026.1847277 PMID:42835370	研究论文	该研究提出了一种联邦CNN-LSTM框架，用于基于MRI扫描的隐私保护性脑卒中分类，在三个非独立同分布客户端上实现了与集中式训练相近的诊断性能	将联邦学习、混合CNN-LSTM表示学习和模型可解释性（Grad-CAM）相结合，用于隐私保护性MRI脑卒中分类，在非独立同分布异构数据分布下验证了可行性	需要进行多中心验证和更大规模的联邦部署才能实现临床转化；联邦训练相比集中式训练损失了约0.75%的准确率	开发一种隐私保护的联邦深度学习框架，在不直接交换患者影像数据的前提下实现脑卒中的准确分类	脑卒中患者的MRI扫描图像	医学图像分析	脑卒中	MRI	CNN-LSTM	图像	3,125张私有MRI扫描图像，分布在三个非独立同分布客户端	NA	CNN, LSTM	准确率	NA
50	2026-10-08	Explainable growth stage classification of cacao (Theobroma cacao L.) leaves and key feature visualization using vision transformer and transfer learning 2026, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2026.1885906 PMID:42835453	研究论文	本研究利用数字成像与深度学习技术，对可可（Theobroma cacao L.）叶片进行生长阶段分类，重点区分外观极为相似的D阶段（浅绿色）与E阶段（深绿色）叶片，并使用Vision Transformer模型实现高精度识别与关键特征可视化	将Vision Transformer与迁移学习相结合用于可可叶片生长阶段的细粒度分类，针对视觉差异极小的D阶段与E阶段叶片实现了高精度区分，并通过注意力图可视化揭示了中脉和初级侧脉区域对分类的关键贡献	研究仅使用了SCA 6基因型温室种植的可可叶片，样本量有限，未直接测量血管解剖结构、木质化程度、水力传导、韧皮部装载及源库状态等生物学机制，注意力图所揭示的判别区域仅为假设，需未来通过解剖学、组织化学和生理学验证，且未在其他基因型、田间种植植物、独立季节、染色批次、胁迫检测、物种鉴定或精准农业部署中进行外部验证	利用深度学习技术实现可可叶片生长阶段的客观、准确分类，区分视觉上极为相似的D阶段和E阶段叶片，并通过可解释性方法识别关键判别特征	可可（Theobroma cacao L.）SCA 6基因型的D阶段（浅绿色）和E阶段（深绿色）叶片	计算机视觉	NA	数字成像、透明化染色、Safranin O染色	Vision Transformer (ViT)、迁移学习	图像	15片独立测试叶片（整体水平），以及用于训练的叶片图像块（具体训练样本量未在摘要中明确）	NA	Vision Transformer (ViT)	准确率、召回率	NA
51	2026-10-08	Radiomics and deep learning for immune checkpoint inhibitor outcomes: imaging-derived immune phenotyping and clinical translation across solid tumors 2026, Frontiers in immunology IF:5.7Q1 DOI:10.3389/fimmu.2026.1931388 PMID:42835850	综述	本综述综合了放射组学和深度学习在实体瘤免疫检查点抑制剂治疗结果预测中的证据，探讨了成像衍生的免疫表型及其临床转化	系统性地整合了不同AI方法（手工放射组学、传统机器学习、CNN、Transformer、自监督学习、基础模型）在多种成像模态（CT、MRI、PET/CT）中的应用，并强调了将影像特征解释为非侵入性免疫表型的可能性，同时讨论了可解释AI、纵向成像、假性进展和超进展等关键问题	现有研究多为小样本回顾性队列，存在高维特征选择、数据泄漏、扫描仪和协议效应、治疗异质性、选择性报告、校准弱以及外部或前瞻性验证有限等问题	批判性综合实体瘤中放射组学和深度学习预测免疫检查点抑制剂治疗结果的证据，回答四个关键问题：不同AI方法提供的附加信息、影像特征能否解释为非侵入性免疫表型、方法学选择如何决定可重复性、以及临床转化所需的证据	实体瘤患者，主要涉及非小细胞肺癌、肝细胞癌和脑转移瘤	数字病理学	肺癌	NA	CNN, Transformer	图像	NA	NA	卷积神经网络, Transformer, 基础模型	NA	NA
52	2026-10-08	An integrated prognostic model incorporating clinical characteristics, multiparametric MRI radiomics, deep learning features, and intratumoral heterogeneity for glioma patients 2026, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2026.1873715 PMID:42835908	研究论文	该研究开发了一个整合临床特征、多参数MRI影像组学、深度学习特征和肿瘤内异质性的胶质瘤预后模型	首次将深度学习、影像组学和肿瘤内异质性量化特征与临床特征进行系统整合，并采用两阶段LASSO-Cox回归实现特征级融合	融合带来的增量收益较为有限，且需要在更大规模的前瞻性队列中进行验证	开发并评估整合临床和多参数MRI衍生特征的胶质瘤预后模型，系统比较不同特征组合的预测性能	胶质瘤患者	数字病理学，医学影像分析	脑胶质瘤	多参数MRI（T1WI、T1CE、T2WI、T2-FLAIR、DWI、ADC），影像组学，深度学习，肿瘤内异质性量化	DenseNet121，LASSO-Cox回归，堆叠集成	多参数MRI图像，临床数据	训练集183例（UCSF-TCIA队列），独立测试集109例（重庆总医院）	NA	DenseNet121	C-index，Kaplan-Meier生存分析，时间依赖ROC曲线下面积（AUC），校准曲线，决策曲线分析（DCA）	NA
53	2026-10-08	ImPartial: Multi-channel Whole-Cell Segmentation using Partial Annotations 2026, Medical image computing and computer-assisted intervention : MICCAI ... International Conference on Medical Image Computing and Computer-Assisted Intervention DOI:10.1007/978-3-032-38224-5_56 PMID:42836051	研究论文	本文介绍了ImPartial，一个深度学习框架，通过稀疏涂鸦和有限监督在低标注情况下实现最先进的细胞分割性能，采用自监督多通道量化插补增强分割目标。	利用自监督多通道量化插补，引入自监督分类目标，更好地与分割目标对齐，无需完美像素重建即可实现准确分割。	未明确说明，但可能依赖于稀疏涂鸦标注的质量和数量，且未提及在更广泛数据集上的泛化能力。	在低标注情况下实现最先进的细胞分割性能。	病理图像中的细胞，包括多重细胞成像和单重临床明场免疫组化数据集。	数字病理学	NA	多通道量化插补，稀疏涂鸦标注	CNN	图像	NA	PyTorch	NA	NA	NA
54	2026-10-08	Paired Recipient-based Evaluation of Survival Prediction for Deceased Donor Kidney Transplants 2026, Proceedings of machine learning research PMID:42836069	研究论文	本文提出了一种基于配对受者的评估框架，用于比较接受同一已故供体肾脏的两名受者的移植结果，并评估五种生存预测模型在肾移植生存预测中的表现	提出了一种新颖的基于配对受者的评估框架，通过比较接受同一已故供体肾脏的两名受者的移植结果来评估更换受者的效果，并指出常用的C-index指标在该场景下的局限性，证明所提出的配对受者准确率指标更具临床相关性和实际分配意义	所有五种生存预测模型的配对受者准确率仅约为60%，且研究使用的是已故供体肾移植数据，可能无法推广到活体供体移植场景	探索使用生存预测模型对已故供体肾移植数据进行生存预测，并评估移植前供体-受者匹配以改善移植后结果的可能性	已故供体肾移植数据，来自美国移植受者科学登记处（SRTR）	机器学习	肾病	NA	NA	文本	NA	NA	NA	配对受者准确率	NA
55	2026-10-08	HepaKineticNet: Deep Learning of CT-Derived Intratumoral Heterogeneity for Overall Survival Prediction in BCLC Stage B-C Hepatocellular Carcinoma Treated with Locoregional Therapy Plus First-Line TKI and Anti-PD-1 Therapy 2026, Journal of hepatocellular carcinoma IF:4.2Q2 DOI:10.2147/JHC.S636207 PMID:42836110	研究论文	开发HepaKineticNet深度学习框架，利用多期对比增强CT建模肿瘤内异质性，并与临床变量融合预测接受局部区域治疗联合一线TKI和抗PD-1治疗的BCLC B-C期肝细胞癌患者的总生存期	提出HepaKineticNet框架，在nnU-Net骨干中集成空间动力学差异注意力模块，分别编码动脉期洗入和延迟期洗出动力学，并采用多尺度变异系数自监督学习生成肿瘤内异质性图	需要前瞻性验证；研究为回顾性设计；外部测试队列样本量有限	开发深度学习框架建模多期对比增强CT的期相间动力学，生成肿瘤内异质性图，并评估临床-影像组学融合模型对总生存期预测的改善效果	BCLC B-C期肝细胞癌患者	数字病理学, 计算机视觉	肝癌	多期对比增强CT, 影像组学	深度学习, Cox比例风险模型	图像, 临床数据	共454例患者（开发队列359例：231例训练、128例验证；外部测试队列95例）	NA	nnU-Net, 空间动力学差异注意力模块	C-index, 时间依赖AUC, 风险比, 95%置信区间, P值	NA
56	2026-10-08	Correction: Deep learning prediction of MSI/dMMR, EBV, HER2, PD-L1, and CLDN18.2 status directly from hematoxylin and eosin-stained slides in gastric and gastroesophageal junction adenocarcinoma: a systematic review 2026, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2026.1999663 PMID:42840911	修正	该文章是对一篇关于深度学习预测胃和胃食管结合部腺癌中MSI/dMMR、EBV、HER2、PD-L1和CLDN18.2状态的系统综述的修正	NA	NA	NA	NA	数字病理学	胃癌	NA	NA	NA	NA	NA	NA	NA	NA
57	2026-10-05	Computational redesign of a thermostable T7 RNA polymerase 2026-Jan-09, Protein engineering, design & selection : PEDS DOI:10.1093/protein/gzag008 PMID:41804789	研究论文	该研究通过基于结构的计算设计，结合已知稳定变异的突变和PROSS预测的新突变，开发了一种高热稳定性的T7 RNA聚合酶变体T7T+	通过整合先前稳定变体（M5、M8、V7abcd）的突变与PROSS预测的新突变，并利用数据驱动的启发式方法过滤，成功设计出T7T+，其功能稳定性（T50）达到54.9°C，比已公开的最稳定开源变体高2.4°C	T7T+在37°C下仅保留野生型活性的59%，且未与商业专有序列变体进行直接比较；研究未涉及深度学习计算方法	利用计算设计方法提高T7 RNA聚合酶的热稳定性，同时保持其功能活性	T7 RNA聚合酶（T7 RNAP）及其工程化变体	计算蛋白质设计	NA	基于结构的计算设计、PROSS算法、定点突变	NA	蛋白质序列和结构数据、实验测量数据	18个测试的蛋白质设计变体	NA	NA	功能稳定性（T50）、表观熔解温度（Tm）、相对活性（%野生型）	NA
58	2026-10-05	Automated assessment of breast arterial calcification: a new frontier in cardiovascular risk prediction 2026, Frontiers in cardiovascular medicine IF:2.8Q2 DOI:10.3389/fcvm.2026.1860391 PMID:42827608	综述	本文综述了乳腺动脉钙化（BAC）作为心血管风险预测新前沿的相关证据，重点讨论了其与冠状动脉疾病（CAD）的关联、潜在机制、人工智能评估方法及未来研究方向	提出将乳腺动脉钙化（BAC）作为高血压女性心血管风险预测的新型标志物，并强调深度学习人工智能算法在BAC自动评估中的应用潜力，为无创、低成本、广泛可及的心血管筛查提供新思路	目前AI算法尚未在不同设备和人群中进行广泛验证，BAC与血压变异性、微炎症及心肌灌注的关系尚不明确，针对中膜钙化的干预措施仍需进一步评估	探讨乳腺动脉钙化（BAC）与冠状动脉疾病（CAD）的关联，评估人工智能自动评估BAC在心血管风险预测中的价值，并指出未来研究方向	乳腺动脉钙化（BAC）、高血压女性、冠状动脉疾病（CAD）患者	数字病理学	心血管疾病	乳腺X线摄影（mammography）、深度学习	深度学习	图像	NA	NA	NA	NA	NA
59	2026-10-05	Artificial intelligence for sleep-disordered breathing: a taxonomy of methods, data modalities, and clinical applications 2026, Frontiers in sleep DOI:10.3389/frsle.2026.1927453 PMID:42827656	综述	本文综述了人工智能在睡眠呼吸障碍（SDB）诊疗中的应用进展，涵盖方法分类、数据模态及临床应用	系统性地提出了睡眠呼吸障碍人工智能方法的分类体系，整合了多模态数据分析、大语言模型及可解释AI等新兴技术	数据异质性、外部验证不足、可解释性、隐私、公平性、可重复性、监管及真实世界整合等挑战	为研究者和临床医生提供循证框架，以理解当前AI应用并确定SDB精准诊断和管理的未来方向	睡眠呼吸障碍（SDB），特别是阻塞性睡眠呼吸暂停（OSA）	机器学习	睡眠呼吸障碍	数据挖掘、机器学习、深度学习、可穿戴传感、移动健康、多模态分析、大语言模型	NA	多模态数据（包括多导睡眠图、家庭睡眠呼吸暂停测试、音频、生理信号、影像等）	NA	NA	NA	NA	NA
60	2026-10-05	ARGUE-TIRA: attention-based trait interaction reasoning for holistic and analytic automated essay scoring 2026, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2026.1895359 PMID:42827810	研究论文	提出ARGUE-TIRA多任务框架，联合进行整体和分项自动作文评分，通过注意力机制建模评分维度间的依赖关系。	首次显式建模评分维度间依赖关系的Trait Interaction Reasoning Attention（TIRA）机制，用于多任务作文评分，提升评分一致性和可解释性。	未明确说明，可能包括实验数据集有限、模型泛化能力未充分验证等。	提升自动作文评分的多维分析评分准确性，并增强评分过程的解释性。	英文作文（来自ASAP和ASAP++数据集）	自然语言处理	NA	深度学习，Transformer，注意力机制	Transformer	文本	ASAP和ASAP++数据集（具体样本数未提及）	NA	Transformer（基于自注意力机制）	QWK（二次加权Kappa）	NA