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
761	2026-02-13	A multicenter deep learning framework integrating radiomics and vision transformers for comprehensive ovarian tumor analysis from ultrasound imaging 2026-Jan-11, European journal of medical research IF:2.8Q2 DOI:10.1186/s40001-025-03395-5 PMID:41521324	研究论文	本研究开发并验证了一个多中心深度学习框架，整合了放射组学特征和视觉变换器，用于从超声图像中实现卵巢肿瘤的全面分析，包括分割、多分类和预后预测	提出一个结合放射组学描述符和深度特征嵌入的多中心深度学习框架，首次在卵巢肿瘤超声分析中集成多种分割网络和分类器，并进行了外部验证	研究为回顾性分析，可能存在选择偏倚；未明确说明模型在不同超声设备或采集参数下的泛化能力	开发一个鲁棒的多中心深度学习流程，用于卵巢肿瘤的全面分析，以支持个性化临床决策	卵巢肿瘤患者	计算机视觉	卵巢癌	超声成像	CNN, Transformer	图像	3156名患者（来自八个中心），外部验证集756名患者	NA	UNETR, nnU-Net, Swin-UNet, SegNet, UNet, ResNet, Vision Transformer (ViT), TabTransformer, MLP, XGBoost	DSC, AUC, 准确率, C-index	NA
762	2026-02-13	High-throughput spheroid-based assay for functional breast cancer precision medicine facilitated by deep learning 2026-Jan-10, Communications medicine IF:5.4Q1 DOI:10.1038/s43856-025-01359-8 PMID:41519924	研究论文	本研究开发了一种基于深度学习的高通量球体检测方法，用于乳腺癌精准医学的功能性评估	利用深度学习实现自动球体分割，以预测肿瘤对顺铂、奥拉帕尼和放疗的敏感性，为乳腺癌精准治疗提供功能性检测手段	研究基于患者来源的异种移植模型，可能无法完全反映人体内肿瘤的复杂性，且样本量有限	开发一种功能性检测方法，以预测乳腺癌患者对靶向治疗和放疗的个性化反应	乳腺癌患者来源的异种移植模型，特别是对顺铂敏感和耐药的肿瘤	数字病理学	乳腺癌	高通量球体培养、深度学习图像分析	深度学习模型	图像	使用患者来源的乳腺癌异种移植模型，具体数量未在摘要中明确说明	NA	NA	响应与非响应球体的百分比预测	NA
763	2026-02-13	Survival prediction and risk stratification in R0-resected ovarian cancer: a multi-modal deep learning approach 2026-Jan-10, NPJ precision oncology IF:6.8Q1 DOI:10.1038/s41698-025-01263-3 PMID:41520012	研究论文	本研究提出了一种名为OvcaSurvivor的多模态深度学习框架，用于R0切除卵巢癌患者的生存预测和风险分层	开发了首个整合全切片图像、超声图像和临床数据的多模态深度学习框架，并引入了注意力引导融合模块以提升预测性能	研究样本量相对有限（543例患者），且外部验证性能有所下降（C指数从0.81降至0.70）	提高卵巢癌患者的生存预测准确性和个体化风险评估	R0切除的卵巢癌患者	数字病理学	卵巢癌	全切片图像分析, 超声成像	深度学习	图像, 临床数据	543名患者	NA	CHIEF, ResNet50	C指数, 时间依赖性AUC	NA
764	2026-02-13	Leveraging large scale deep learning models for diagnosis and visual outcome prediction in retinitis pigmentosa 2026-Jan-08, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-025-02311-9 PMID:41507439	研究论文	本研究开发了基于大规模深度学习模型的诊断和预后模型，用于视网膜色素变性的诊断和视觉结果预测	利用预训练的大规模深度学习模型结合临床元数据进行生存分析，在患者层面严格分割以避免数据泄露，并发现诊断和预后特征不同	需要外部和多中心数据集进行进一步验证以实现临床转化	开发视网膜色素变性的诊断和视觉预后预测模型	视网膜色素变性患者	计算机视觉	视网膜色素变性	深度学习	CNN	图像, 临床元数据	NA	NA	EfficientNetB4	AUC, 时间依赖性AUC	NA
765	2026-02-13	Longitudinal MRI-based deep learning model for predicting pathological complete response in breast cancer: a multicenter, retrospective cohort study 2026-Jan-05, NPJ precision oncology IF:6.8Q1 DOI:10.1038/s41698-025-01256-2 PMID:41491286	研究论文	本研究提出了一种基于纵向MRI的深度学习模型BSTNet，用于预测乳腺癌新辅助治疗后的病理完全缓解	开发了一种新颖的乳腺自监督时序学习框架（BSTNet），通过自监督预训练实现模型在多时间点和双时间点场景下的泛化，并捕捉新辅助治疗期间肿瘤的动态变化	NA	早期预测乳腺癌患者对新辅助治疗的病理完全缓解，以优化治疗策略	乳腺癌患者	数字病理学	乳腺癌	纵向MRI	深度学习模型	MRI图像	1339名患者（多中心队列）	NA	BSTNet	AUC, 特异性	NA
766	2026-02-13	A Deep Learning-Enabled Ionogram Dataset for Detection and Classification of Low-latitude Spread-F Phenomena 2026-Jan-03, Scientific data IF:5.8Q1 DOI:10.1038/s41597-025-06493-5 PMID:41484136	研究论文	本文介绍了一个用于检测和分类低纬度Spread-F现象的首个公开、专家指导的深度学习离子图数据集	首次提供了公开的、专家指导的离子图数据集，覆盖最全面的类别、最大数据量和最长时间跨度，并附带了基于该数据集的分类模型	NA	研究电离层Spread-F现象，以改进无线电技术（如通信和导航）中的操作应用	低纬度Spread-F现象	计算机视觉	NA	NA	CNN	图像	150,000张离子图（包括30,000张每类，含“非SF”组），覆盖2002年至2016年共14年	NA	SA-ResNet50	NA	NA
767	2026-02-13	MAGIN-GO: Protein function prediction based on dual graph neural networks and gene ontology structure 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0342072 PMID:41662346	研究论文	提出了一种名为MAGIN-GO的蛋白质功能预测方法，该方法结合了双重图神经网络和基因本体结构	结合了图同构网络（GIN）、图卷积网络（GCN）和图卷积自注意力网络（GMSA）来提取多源蛋白质信息，并整合了基因本体（GO）注释嵌入，有效结合了蛋白质序列特征与蛋白质-蛋白质相互作用（PPI）图节点特征，解决了传统GNN方法在特征表示能力、长程依赖捕获和注释间关系整合方面的局限性	NA	准确预测蛋白质功能	蛋白质	自然语言处理	NA	NA	GNN, GIN, GCN, GMSA	序列数据，图数据	UniProtKB/Swiss-Prot数据集	NA	图同构网络（GIN），图卷积网络（GCN），图卷积自注意力网络（GMSA）	AUPR, Fmax, Smin, AUC	NA
768	2026-02-13	Enhanced extractive text summarization framework for low-resourced Urdu language 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0341596 PMID:41662374	研究论文	本文提出了一种针对低资源乌尔都语的增强型抽取式文本摘要框架，包括改进的监督和非监督方法	为低资源乌尔都语创建大规模标注数据集，并提出结合特征选择和机器学习/深度学习的混合摘要模型，在ROUGE分数上分别实现约7%和12%的提升	未明确说明模型在跨领域或不同文本类型上的泛化能力，且可能受限于乌尔都语特有的语言复杂性	开发针对低资源乌尔都语的高效抽取式文本摘要方法	乌尔都语文本文档及其人工标注的抽取式摘要	自然语言处理	NA	文本摘要	机器学习模型,深度学习模型	文本	大规模数据集（具体数量未说明）	NA	NA	ROUGE分数	NA
769	2026-02-13	Development and validation of clinico-imaging machine learning and deep learning models to predict responses to initial antiseizure medications in epilepsy 2026-Jan, Epilepsia IF:6.6Q1 DOI:10.1111/epi.18668 PMID:41133949	研究论文	本研究开发并验证了结合临床和脑部MRI数据的AI模型，用于预测癫痫患者对前两种抗癫痫药物的反应	首次融合了18层3D videoResNet（用于多序列MRI数据）、Transformer编码器（用于ASM方案）和双线性神经网络（用于临床特征）的深度学习模型，以预测癫痫患者的药物反应	需要更大规模队列的进一步验证	预测癫痫患者对初始抗癫痫药物的反应，以优化治疗选择	癫痫患者	机器学习	癫痫	脑部多模态磁共振成像	深度学习, 机器学习	图像, 临床数据	开发队列154人，验证队列301人	NA	3D videoResNet, Transformer, 线性神经网络	F1分数	NA
770	2026-02-12	Construction and validation of a CT-based radiomics-deep learning signature for non-invasive prediction of PD-L1 expression and immunotherapy outcomes in non-small cell lung cancer 2026-Jan-31, Translational lung cancer research IF:4.0Q1 DOI:10.21037/tlcr-2025-1-1433 PMID:41659266	研究论文	本研究构建并验证了一种基于CT的放射组学-深度学习特征，用于无创预测非小细胞肺癌的PD-L1表达及免疫治疗结果	融合了放射组学特征和深度学习特征，开发了一种新型的CT图像签名（RADLsig），用于无创预测PD-L1表达和免疫治疗反应，相比单一方法性能更优	研究为回顾性设计，模型开发队列中腺癌占主导且多为早期疾病，可能限制了泛化性；PD-L1表达检测依赖免疫组化，存在采样偏差等固有局限	开发一种非侵入性预测工具，用于评估非小细胞肺癌患者的PD-L1表达状态和免疫治疗临床结局	非小细胞肺癌患者	数字病理学	肺癌	CT成像, 免疫组化, 单细胞RNA测序	深度学习, 放射组学	CT图像	模型开发队列531例患者，独立免疫治疗验证队列145例患者，TCIA验证队列128例患者	PyRadiomics	NA	AUC, 客观缓解率, 相关系数	NA
771	2026-02-12	A CT imaging-based deep learning model for predicting EGFR and KRAS mutations in non-small cell lung cancer: toward personalized treatment approaches 2026-Jan-31, Translational lung cancer research IF:4.0Q1 DOI:10.21037/tlcr-2025-1043 PMID:41659270	研究论文	本研究开发并外部验证了一种基于CT成像和临床变量的多模态深度学习模型，用于无创预测非小细胞肺癌中的EGFR和KRAS突变	提出了结合CT成像特征与临床变量的多模态深度学习模型LG-MutaNet，并在多个外部数据集上验证了其预测EGFR和KRAS突变的高性能	研究依赖于公开数据集，可能受数据质量和样本选择偏差影响；模型在更广泛人群中的泛化能力仍需进一步验证	开发一种非侵入性方法，通过CT成像和临床数据预测非小细胞肺癌的关键基因突变，以支持个性化治疗决策	非小细胞肺癌患者的CT扫描图像及相关临床变量	数字病理学	肺癌	CT成像	深度学习模型	图像, 临床数据	来自TCIA（包括NSCLC Radiogenomics、TCGA-LUSC和TCGA-LUAD）的多个数据集	NA	Local-Global Mutation Network (LG-MutaNet)	AUC, 准确率, 敏感性, 特异性, F1分数	NA
772	2026-01-28	Letter to the editor: Deep learning and digital pathology for HCC prediction in steatotic liver disease 2026-Jan-26, Hepatology (Baltimore, Md.) DOI:10.1097/HEP.0000000000001696 PMID:41587349	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
773	2026-02-12	Novel discovery framework: harnessing adaptive learning for breakthroughs in drug development and clinical applications 2026-Jan-16, Integrative biology : quantitative biosciences from nano to macro IF:1.5Q4 DOI:10.1093/intbio/zyaf024 PMID:41665938	综述	本文回顾了深度学习在药物研发和临床应用中的新兴范式——自适应学习，探讨其如何通过动态架构应对研发挑战	提出了自适应学习作为下一代深度学习框架，强调自组织模型能随时间调整输入以优化学习，突破传统静态分析结构的限制	从转化研究视角看，当前深度学习在药物发现中的局限性讨论较少，且自适应学习框架仍处于早期阶段，实际应用验证不足	探索药物研发和临床应用中应对高成本和高失败率的新框架，重点关注患者分层和疗法匹配的改进	药物研发流程、临床患者数据、疾病相互作用网络	机器学习	NA	NA	液体神经网络, 图注意力算法, 数字孪生	NA	NA	NA	NA	NA	NA
774	2026-02-12	A fully autonomous AI system for accurate and reproducible Cobb angle measurement in adolescent idiopathic scoliosis: a multicenter study 2026-Jan-06, The spine journal : official journal of the North American Spine Society DOI:10.1016/j.spinee.2026.01.010 PMID:41506453	研究论文	本研究开发了一种基于人工智能的全自动系统，用于在青少年特发性脊柱侧凸的全脊柱X光片上准确、可重复地测量Cobb角	开发了SPARC AI系统，实现了无需人工干预的全自动Cobb角测量，相比专家初始评估，能检测更高比例的脊柱曲线（94.0% vs. 86.4%）且误差范围更小（±20.3° vs. ±41.3°）	研究为回顾性、观察性设计，可能受限于数据收集的医院和患者群体；未明确说明模型在外部验证集上的泛化性能	开发一个自动化、可重复的人工智能系统，以辅助全脊柱X光片上的Cobb角估计，减少诊断不确定性	青少年特发性脊柱侧凸（AIS）患者的全脊柱前后位/后前位X光图像	计算机视觉	青少年特发性脊柱侧凸	X光成像	深度学习模型	图像	484张X光图像，包含1,054条经脊柱外科医生达成共识的曲线	未明确说明	未明确说明	平均绝对误差（MAE），检测比例，误差范围	未明确说明
775	2026-02-12	Combining Pre- and Post-Demosaicking Noise Removal for RAW Video 2026, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2025.3527886 PMID:40031011	研究论文	本文提出了一种结合去马赛克前后去噪的自相似性去噪方案，用于Bayer模式CFA视频数据	通过加权预去马赛克和后去马赛克去噪器，并集成时间轨迹预滤波步骤，实现自适应不同噪声水平的实时视频去噪	未明确提及模型对极端场景或未知噪声分布的泛化能力限制	开发一种自适应噪声水平、适用于真实世界视频处理的去噪方法	Bayer模式CFA视频数据	计算机视觉	NA	深度学习去噪	神经网络	视频	NA	NA	NA	图像质量	NA
776	2026-02-12	Is EMG Information Necessary for Deep Learning Estimation of Joint and Muscle Level States? 2026-Jan, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3577084 PMID:40471740	研究论文	本研究探讨了在深度学习模型中，肌电图（EMG）信息对于估计关节和肌肉水平生理状态的必要性	通过比较使用和不使用EMG信息的深度学习模型，首次系统评估了EMG在关节和肌肉状态估计中的作用，并发现仅训练时使用EMG即可显著提升肌肉状态估计性能	需要EMG作为模型输入的方法在实际部署中可能不切实际，因为需要获取EMG数据	开发准确、非侵入性的方法来估计关节和肌肉的生理状态，以增强可穿戴设备在真实世界行走中的控制	膝关节的生理状态，包括力矩、功率、速度和力	机器学习	NA	深度学习	深度学习模型	运动学输入	28种不同的周期性和非周期性任务	NA	NA	NA	NA
777	2026-02-12	Reduction of membrane-derived noise using beam-tilt measurement and deep learning in observation using environmental cell 2026-Jan-01, Microscopy (Oxford, England) DOI:10.1093/jmicro/dfaf031 PMID:40581827	研究论文	提出一种结合电子束倾斜测量和深度学习的方法，用于去除环境细胞电子显微镜中由硅氮化物膜引起的噪声	首次将Noise2Noise深度学习模型应用于电子束倾斜序列图像，有效分离膜噪声与样本信息，并同步消除泊松噪声	未明确说明方法对动态样本或极端环境条件的适用性，且未提供量化对比实验数据	提升环境细胞电子显微镜在气体/液体环境中观测纳米材料的图像质量	催化剂及其他纳米材料在环境细胞中的透射电子显微镜图像	计算机视觉	NA	透射电子显微镜，环境细胞技术	深度学习	图像序列	NA	NA	Noise2Noise	信噪比	NA
778	2026-02-12	Application of explainable artificial intelligence integrating with electronic health record in oncology 2026, Exploration of targeted anti-tumor therapy DOI:10.37349/etat.2026.1002357 PMID:41657585	综述	本文综述了可解释人工智能（XAI）方法在基于电子健康记录（EHR）的肿瘤学任务中的应用、挑战及未来研究方向	总结了当前XAI在肿瘤学EHR任务中的应用方法，并提出了加速其在肿瘤学中安全采用的实用建议和研究方向	存在报告不一致、临床效用评估不足、可重复性有限、外部验证不足以及对公平性考虑不充分等差距	提高基于EHR的肿瘤学机器学习模型的透明度和临床可接受性，以改善肿瘤学护理	基于电子健康记录的肿瘤学机器学习模型	机器学习	肿瘤学	NA	树模型, 广义可加模型	电子健康记录	NA	NA	NA	NA	NA
779	2026-02-12	IoMT-Fog-Cloud-based AI frameworks for chronic disease diagnosis: updated comparative analysis with recent AI-IoMT models (2020-2025) 2026, Frontiers in medical technology IF:2.7Q3 DOI:10.3389/fmedt.2026.1748964 PMID:41657732	综述	本文对2020年至2025年间发表的基于AI的IoMT系统研究进行了比较分析，重点关注用于糖尿病和心血管疾病诊断的IoMT-Fog-Cloud框架，并评估其诊断性能和网络服务质量	首次对2020-2025年间AI驱动的IoMT-Fog-Cloud框架进行系统性比较分析，重点关注诊断性能与网络QoS的联合评估，并提出了可复现比较的14项指标分类体系	纳入研究数量有限（14项），部分研究报告的性能可能过于乐观，存在小数据集、类别不平衡、模拟评估中的潜在数据泄露或过拟合等问题	比较分析近期（2020-2025）用于慢性疾病诊断的AI-IoMT模型与IoMT-Fog-Cloud框架的性能与服务质量	糖尿病和心血管疾病患者	医疗物联网	糖尿病, 心血管疾病	NA	可解释深度学习, 集成深度学习	生物信号流数据	NA	NA	NA	准确率, 精确率, 召回率, F1分数, 灵敏度, 特异性	Fog计算, 云计算
780	2026-02-12	Construction and validation of deep learning-based pathomics signature model for predicting postoperative recurrence of patients with clear cell renal cell carcinoma 2026, American journal of cancer research IF:3.6Q2 DOI:10.62347/ZCHX8002 PMID:41657786	研究论文	本研究开发了一种基于注意力的多实例深度卷积神经网络（CRPNet），用于早期预测透明细胞肾细胞癌（ccRCC）患者的术后复发风险	提出了一种新的基于注意力的多实例深度卷积神经网络（CRPNet），用于从全切片图像中提取病理组学特征以预测ccRCC术后复发，其性能超越了包括UISS、SSIGN和Karakiewicz列线图在内的传统预后模型	模型在验证队列中的召回率（63.16%）和假阴性率（36.84%）仍有提升空间，且研究样本量相对有限（训练集183例，验证集75例）	开发并验证一个深度学习模型，以准确预测透明细胞肾细胞癌（ccRCC）患者的术后复发风险	透明细胞肾细胞癌（ccRCC）患者	数字病理学	肾细胞癌	全切片图像（WSI）分析	CNN	图像	训练集：183例ccRCC患者的WSI；验证集：75例ccRCC患者的WSI	NA	CRPNet（一种基于注意力的多实例深度卷积神经网络）	AUC, 准确率, 精确率, 召回率, 假阳性率, 假阴性率, C-index, 风险比, Kaplan-Meier分析	NA