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
61	2026-02-20	Advancing regulatory variant effect prediction with AlphaGenome 2026-Jan, Nature IF:50.5Q1 DOI:10.1038/s41586-025-10014-0 PMID:41606153	研究论文	本文介绍了AlphaGenome，一个统一的DNA序列模型，能够输入1 Mb的DNA序列并预测数千个功能基因组轨迹，涵盖多种模态，以单碱基对分辨率进行预测	AlphaGenome通过统一模型处理长输入序列（1 Mb）并实现高分辨率预测，突破了现有方法在输入序列长度与预测分辨率之间的权衡限制，在26项变体效应预测评估中，25项匹配或超过最强外部模型	NA	推进调控变体效应预测，以解密遗传调控代码	人类和小鼠基因组	机器学习	NA	深度学习	NA	DNA序列	NA	NA	AlphaGenome	变体效应预测评估	NA
62	2026-02-20	Diagnostically competitive performance of a physiology-informed generative multi-task network for contrast-free CT perfusion 2026, Frontiers in human neuroscience IF:2.4Q2 DOI:10.3389/fnhum.2026.1703004 PMID:41669269	研究论文	本文提出了一种名为MAGIC的新型深度学习框架，用于从非对比CT图像生成无对比剂的CT灌注图	首次将生成式人工智能与生理学信息相结合，实现从非对比CT到多模态无对比剂CT灌注图的映射，并在损失函数中融入生理特征以提升图像保真度	研究数据来源于单一医疗中心（UF Health），需进一步多中心验证以证明泛化能力	开发一种无对比剂、经济高效的CT灌注成像替代方案，以解决传统CTP的对比剂副作用和可及性问题	卒中患者的脑部CT图像数据	数字病理学	卒中	CT灌注成像	生成式多任务网络	CT图像	来自UF Health卒中患者的CT图像数据集（具体数量未在摘要中说明）	NA	MAGIC（Multitask Automated Generation of Intermodal CT perfusion maps）	视觉质量评估、诊断准确性	NA
63	2026-02-20	CGMNet: A Center-Pixel and Gated Mechanism-Based Attention Network for Hyperspectral Change Detection 2026, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2026.3661851 PMID:41671143	研究论文	本文提出了一种基于中心像素和门控机制的注意力网络CGMNet，用于高光谱图像变化检测，以提高检测精度和鲁棒性	设计了门控中心空间注意力模块和门控光谱注意力模块，以增强相关特征并抑制冗余信息，同时提出了全局变换融合模块来整合全局上下文信息，并创建了一个新的沿海遥感基准数据集HZB	未明确说明模型在计算效率或处理大规模数据时的性能限制	提高高光谱图像变化检测的准确性和鲁棒性	高光谱图像	计算机视觉	NA	NA	CNN, 注意力网络	高光谱图像	三个公开数据集及新创建的HZB数据集	NA	CGMNet	NA	NA
64	2026-02-20	Optimizing MRI annotation workflows for high-accuracy deep learning thigh muscle segmentation in athletes 2026-Jan, Radiology advances DOI:10.1093/radadv/umag005 PMID:41694457	研究论文	本研究旨在通过优化MRI标注工作流程，利用深度学习模型实现运动员大腿肌肉的高精度分割，并评估训练数据量对分割性能及下游定量指标的影响	首次系统性地确定了训练准确深度学习大腿肌肉分割模型所需的最小标注MRI研究数量，并验证了仅需20个标注样本即可达到临床可接受性能，为高效自动化分割提供了数据需求指导	研究数据仅来自单一中心的3T GE Premier系统扫描的运动员群体，可能限制了模型对其他扫描设备或普通人群的泛化能力	确定训练准确大腿肌肉分割深度学习模型所需的标注MRI研究数量，并评估训练规模对下游定量测量一致性的影响	前交叉韧带损伤的竞技运动员和职业足球运动员的大腿肌肉MRI图像	数字病理学	肌肉骨骼损伤	MRI, 扩散张量成像	深度学习	MRI图像	训练集规模从5到120个受试者不等，固定独立测试集包含41个受试者	nnU-Net	nnU-Net	Dice相似系数, 相对体积差异, Hausdorff距离, HD95, 平均对称表面距离	NA
65	2026-02-20	Preoperative Ternary Classification of Pulmonary Ground-Glass Nodules (AIS/MIA/IAC): ResNet-10 Outperforms Radiomics and Clinicoradiographic Models in Multicenter Study 2026 Jan-Dec, Technology in cancer research & treatment IF:2.7Q3 DOI:10.1177/15330338261423265 PMID:41697766	研究论文	本研究通过多中心CT数据集，比较了深度学习、影像组学和临床影像模型在肺磨玻璃结节术前AIS/MIA/IAC三元分类中的性能	首次在多中心研究中，将ResNet-10深度学习模型应用于肺磨玻璃结节的三元分类，并证明其性能优于传统的影像组学和临床影像模型	研究样本量相对有限（847个结节），且仅基于CT影像，未整合多模态数据	术前区分肺磨玻璃结节的腺癌原位癌、微浸润腺癌和浸润性腺癌，以指导临床管理和手术规划	术后确诊为肺腺癌的847个肺磨玻璃结节	计算机视觉	肺癌	CT影像分析	CNN	图像	847个肺磨玻璃结节（训练集592个，验证集255个）	NA	DenseNet-121, ResNet-10, ResNet-18, VGG-13	Macro-AUC, 准确率, F1分数	NA
66	2026-02-19	Expression of Concern: Multi-convolutional neural networks for cotton disease detection using synergistic deep learning paradigm 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0343102 PMID:41701686	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
67	2026-02-20	Image-based machine learning models for customized soil moisture management 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0341904 PMID:41701764	研究论文	本研究提出了一种结合土壤传感器和图像分析的AI系统，用于支持定制化的土壤水分管理，以移植的野生模拟人参为模型作物	开发了一种非侵入性方法，通过RGB图像和传感器数据结合深度学习模型，实现个体植物层面的土壤水分监测，克服了传统智能农业系统统一处理的局限性	模型尚未在不同作物和土壤类型中广泛验证，且需要集成更多光谱数据以提高鲁棒性和可扩展性	改善智能农业中的资源利用效率和产量，通过定制化土壤水分管理满足个体植物需求	移植的野生模拟人参	计算机视觉	NA	图像分析，土壤传感器数据采集	深度学习模型，随机森林回归模型	图像，传感器数据	未明确指定样本数量，但涉及不同深度（3厘米、10厘米和15厘米）的土壤传感器数据和RGB图像	未明确指定，但可能涉及TensorFlow或PyTorch等深度学习框架	DenseNet121	R², RMSE	NA
68	2026-02-20	A Fully Automated 3D CT U-Net Framework for Segmentation and Measurement of the Masseter Muscle, Innovatively Incorporating a Self-Supervised Algorithm to Effectively Reduce Sample Size: A Validation Study in East Asian Populations 2026-Jan, Aesthetic plastic surgery IF:2.0Q2 DOI:10.1007/s00266-025-05066-6 PMID:40858739	研究论文	本研究开发并评估了一种基于U-Net的从粗到细学习框架，用于自动分割和测量咬肌体积，并在840名健康东亚志愿者中验证其有效性	创新性地结合了自监督算法，有效减少了深度学习所需的样本量	研究仅基于健康东亚人群的CT扫描，可能不适用于其他人群或疾病状态	开发并评估用于咬肌自动分割和体积测量的深度学习框架	840名健康东亚志愿者（253名男性，587名女性）的头部CT扫描	数字病理学	NA	CT扫描	CNN	3D CT图像	840名健康东亚志愿者，其中15例用于临床验证	NA	U-Net	体积准确性，形态学评分，运行时间	NA
69	2026-02-19	Incorporating artificial intelligence into imaging for surveillance and diagnosis of liver cancer: Innovations, challenges, and clinical translation 2026-Jan-30, Hepatology (Baltimore, Md.) DOI:10.1097/HEP.0000000000001698 PMID:41616271	综述	本文综述了人工智能在肝癌监测与诊断成像中的应用、创新、挑战及临床转化前景	探讨了基于深度学习的模型在超声、CT和MRI中提升小肿瘤检测、病灶分割与表征的潜力，以及多模态AI整合影像、病理和分子数据的创新方向	面临数据隐私、监管审批、成本可持续性和算法偏见等重大挑战，需大规模前瞻性多中心验证研究确认临床效益与安全性	评估人工智能在肝癌全程管理（从监测到诊断）中的变革潜力，推动其临床整合	原发性肝癌，主要包括肝细胞癌和肝内胆管癌	数字病理学, 计算机视觉	肝癌	超声, 对比增强CT, MRI, 数字病理	深度学习模型	图像	NA	NA	NA	NA	NA
70	2026-02-19	A deep learning ensemble framework for multi-subtype renal tumor classification using contrast-enhanced CT 2026-Jan-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-37283-7 PMID:41617760	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
71	2026-02-19	Identification of diagnostic and prognostic biomarkers in lung adenocarcinoma through integrated bioinformatics analysis and real time PCR validation 2026-Jan-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-35971-y PMID:41617774	研究论文	本研究通过整合生物信息学分析和实时PCR验证，识别了肺腺癌的诊断和预后生物标志物	结合深度学习算法预测生物标志物，并通过外部数据集和实时PCR进行验证，展示了AI在生物标志物发现中的有效性	样本量相对有限，特别是健康对照组仅16例，且外部验证数据集可能未覆盖所有临床亚型	发现肺腺癌的早期检测和生物标志物	肺腺癌患者和健康对照者	生物信息学	肺腺癌	RNA-Seq, 实时PCR	深度学习	基因表达数据	522个样本（506例肺腺癌患者，16例健康对照），外加30例患者和30例健康人的血液样本用于PCR验证	NA	NA	预测准确率, Brier分数, AUC, 灵敏度	NA
72	2026-02-19	A clinically applicable and generalizable deep learning model for anterior mediastinal tumors in CT images across multiple institutions 2026-Jan-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-37504-z PMID:41617892	研究论文	本文提出了一种基于3D U-Net的深度学习模型，用于在CT图像中分割和检测前纵隔肿瘤，并在多机构数据上验证了其临床适用性和泛化性	首次开发并验证了一个针对罕见前纵隔肿瘤的深度学习模型，该模型在来自121个不同机构的CT图像上表现出优异的泛化能力，克服了罕见疾病数据稀缺的挑战	研究仅基于CT图像，未整合其他模态数据；模型性能可能受限于训练数据的规模和多样性；未在实时临床环境中进行前瞻性验证	开发一个临床适用且泛化能力强的深度学习模型，用于辅助诊断前纵隔肿瘤	前纵隔肿瘤，包括胸腺瘤和胸腺癌	数字病理	胸腺癌	CT成像	CNN	CT图像	711张CT图像，来自136家医院的136名不同患者（339名男性，372名女性）	NA	3D U-Net	Dice分数, IoU, 精确率, 召回率, 灵敏度, 假阳性率	NA
73	2026-02-19	Leveraging universal and transfer learning models for influenza prediction in Thailand 2026-Jan-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-37855-7 PMID:41617916	研究论文	本研究开发了基于深度学习的通用模型和迁移学习模型，用于预测泰国多个省份的流感发病率，以应对数据有限地区的预测挑战	通过通用深度学习框架和迁移学习技术，在缺乏气象和PM10数据的省份实现高精度流感预测，并采用特征选择过程优化模型泛化能力	研究主要基于2010-2019年的泰国数据，可能无法完全反映其他地区或更广泛时间范围内的流感趋势	开发准确的流感发病率预测模型，以支持公共卫生监测和资源优化分配	泰国多个省份的流感发病率数据	机器学习	流感	深度学习, 迁移学习	深度学习模型	时间序列数据	2010年至2019年泰国多个省份的流感发病率数据	NA	单隐藏层模型（128节点）	准确率	NA
74	2026-02-19	Satellite-based oil spill detection using an explainable ViR-SC hybrid deep learning ensemble for improved accuracy and transparency 2026-Jan-29, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-37081-1 PMID:41611916	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
75	2026-02-19	A comparative evaluation of time-series models for forecasting inpatient deaths and discharges against medical advice 2026-Jan-29, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-37913-0 PMID:41611928	研究论文	本研究比较了六种时间序列预测模型在预测中国两家三甲医院月度住院死亡率和非医嘱离院率方面的性能	首次系统比较了包括传统统计模型、深度学习模型及预训练概率模型Chronos在内的多种方法在住院死亡率和非医嘱离院率预测任务上的表现，并评估了预训练模型在小样本数据上的适用性	研究仅基于两家医院的数据，样本量较小，且LSTM模型因数据量不足和模型复杂度高而泛化能力有限	评估不同时间序列预测模型在医疗质量监测关键指标（住院死亡率和非医嘱离院率）上的预测性能，为医院管理提供决策支持	中国两家三甲医院2018年1月至2024年12月的月度住院死亡率和非医嘱离院率数据	机器学习	NA	时间序列分析	ARIMA, Grey Model, NNETAR, LSTM, Prophet, Chronos	时间序列数据	两家医院2018年1月至2024年12月的月度数据（约84个月数据点）	NA	LSTM, Chronos（预训练概率模型）	RMSE, MAE, MAPE	NA
76	2026-02-19	Asymmetric fiber orientation distribution estimation via unsupervised deep learning 2026-Jan-29, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2026.103968 PMID:41702180	研究论文	本研究提出了一种名为Recursive-a-fODF的无监督深度学习框架，用于从扩散磁共振成像数据中直接估计非对称纤维取向分布函数，以改进脑结构连接的重建精度	提出了一种递归校准的无监督深度学习框架，无需外部解剖学先验知识，直接从数据本身动态估计白质响应函数，实现了非对称纤维取向分布函数的纯数据驱动估计	未明确说明模型在更广泛疾病类型或更大规模临床队列中的泛化能力，也未详细讨论计算效率与实时处理性能	解决传统纤维追踪技术中纤维取向分布函数强制对称的局限性，提高复杂纤维配置的解析能力	离体狨猴脑数据、在体人类数据集以及神经退行性和精神疾病临床队列	医学影像分析	神经退行性疾病, 精神疾病	扩散磁共振成像	深度学习	医学影像数据	未明确说明具体样本数量，但包含离体狨猴脑数据、在体人类数据集及临床队列	未明确说明	递归估计器	未明确说明具体指标，但提及在解析复杂纤维配置方面表现优越	NA
77	2026-02-19	Comparing the accuracy of artificial intelligence models to detect alcohol in video images 2026-Jan-26, Addiction (Abingdon, England) DOI:10.1111/add.70337 PMID:41588658	研究论文	本研究比较了三种人工智能模型在视频图像中检测酒精存在的准确性	首次系统比较了监督深度学习模型与零样本学习模型在复杂视频场景中检测酒精图像的准确性与计算效率	研究仅针对特定数据集进行测试，未涵盖所有可能的视频类型和酒精呈现方式	评估人工智能模型在视频图像中检测酒精的准确性和效率	视频图像帧中的酒精存在检测	计算机视觉	NA	视频图像分析	深度学习模型, 零样本学习模型	图像	三个数据集：Google/Bing图像集、电影帧数据集、酒精相关场景电影帧数据集	NA	ABIDLA2, CLIP, LLaVA	准确率, 未加权平均召回率, F1分数	NA
78	2026-02-19	Automatic and accurate auxiliary detection of lung cancer pathological classification based on novel lightweight deep learning model 2026-Jan-24, Discover oncology IF:2.8Q2 DOI:10.1007/s12672-026-04487-2 PMID:41579280	研究论文	本研究开发了一种名为BreezeNet的新型轻量级深度学习模型，用于自动分类肺癌细胞，包括肺腺癌、肺鳞状细胞癌和良性肺组织	BreezeNet是一种专为肺癌病理分类设计的轻量级深度学习框架，在保持高性能的同时，参数数量显著减少，计算资源需求低，部署效率高	NA	开发自动、高效的肺癌病理分类辅助检测模型，以支持快速准确的诊断	肺癌细胞，具体包括肺腺癌、肺鳞状细胞癌和良性肺组织	数字病理学	肺癌	深度学习	CNN	图像	NA	NA	BreezeNet	准确率, 精确率, 召回率, F1分数	NA
79	2026-02-19	The impact of AI on modern oncology from early detection to personalized cancer treatment 2026-Jan-24, NPJ precision oncology IF:6.8Q1 DOI:10.1038/s41698-026-01276-6 PMID:41580561	综述	本文综述了人工智能（AI）在现代肿瘤学中的应用，重点关注早期诊断、突变图谱和药物设计	综合探讨了机器学习、深度学习、强化学习、自然语言处理和生成模型等多种AI技术在肿瘤学中的革命性作用	NA	回顾现有文献并探讨AI技术在肿瘤学中的角色	肿瘤学中的AI应用	自然语言处理, 机器学习	癌症	NA	NA	NA	NA	NA	NA	NA	NA
80	2026-02-19	Prospective real-world implementation of deep learning systems in healthcare: a systematic review guided by implementation science 2026-Jan-23, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-026-02358-2 PMID:41578007	系统综述	本文通过实施科学框架，系统回顾了深度学习系统在医疗保健领域前瞻性真实世界实施的研究，并基于发现的差距提出了未来实施建议	首次采用实施科学框架系统性地绘制了深度学习在医疗领域前瞻性真实世界实施研究的策略与结果图谱，并提出了针对未来实施的指导性建议	纳入的研究数量有限（仅20篇），且研究领域分布不均（主要集中在眼科），实施成本与可持续性评估严重缺乏，利益相关者接受度评估不足	系统评估深度学习系统在医疗保健领域真实世界实施的现状、策略、结果及影响，并为未来成功、可持续的临床部署提供指导	深度学习系统在真实临床环境中的实施研究	机器学习	NA	深度学习	NA	NA	NA	NA	NA	有效性、可行性、采纳度、适当性、实施成本、可持续性、利益相关者接受度	NA