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	2026-10-05	Noninvasive immune-inflammatory profiling by ultrasound radiomics for preoperative prediction of central lymph node metastasis in papillary thyroid carcinoma 2026, Frontiers in immunology IF:5.7Q1 DOI:10.3389/fimmu.2026.1912827 PMID:42827816	研究论文	该研究整合BRAF V600E突变状态、外周血免疫炎症指标与超声影像组学深度学习评分构建三尺度LightGBM模型，用于术前预测临床淋巴结阴性甲状腺乳头状癌的中央区淋巴结转移	首次将分子、全身免疫与局部影像三尺度无创免疫信号进行跨尺度关联分析并整合建模，揭示了BRAF分层下影像-免疫耦合强度的差异，并在TCGA甲状腺癌免疫浸润分析中验证方向一致性	回顾性单中心设计，跨尺度关联仅停留在统计学相关层面，潜在的生物学机制仍需纳入直接组织水平免疫谱分析的前瞻性研究加以确认	通过无创免疫炎症谱分析实现临床淋巴结阴性甲状腺乳头状癌中央区淋巴结转移的术前预测，并探索分子、免疫与影像信号间的跨尺度关联	临床淋巴结阴性（cN0）甲状腺乳头状癌患者	数字病理学, 医学影像组学	甲状腺癌	超声影像组学, BRAF V600E突变检测, 外周血免疫炎症指标检测, TCGA免疫解卷积分析	LightGBM, 深度学习	超声影像, 基因组数据, 血液检验数据	1,000例cN0甲状腺乳头状癌患者回顾性队列	NA	LightGBM, 深度学习影像组学评分模型	AUC, DeLong检验, Spearman相关系数, Fisher z转换检验, Bonferroni校正, 校准度, 决策曲线分析净获益	NA
62	2026-10-05	Mechanism-aware and safety-validated AI for drug repurposing: a critical review and translational pharmacology framework 2026, Frontiers in pharmacology IF:4.4Q1 DOI:10.3389/fphar.2026.1915973 PMID:42828068	综述	本文对人工智能辅助药物重定位的现有方法进行了批判性综述，识别其机制、安全性和转化障碍，并提出一个机制驱动且经安全性验证的转化药理学框架	将现有AI药物重定位研究中的机制验证不足、因果证据薄弱、剂量与安全性评估不完整、药物警戒整合欠缺及过度依赖内部验证等证据缺口，整合为一个包含候选预测、机制映射、因果合理性判定、安全性与毒性评估、药物警戒、真实世界验证、专家药理学审查和循证候选优先排序的序列化转化药理学框架	本文为批判性综述而非原始实验研究，未提供新的实验数据或临床验证结果；所提出的框架仍需未来研究进行实证检验和临床验证	总结现有AI药物重定位方法，识别其机制、安全性和转化障碍，并构建机制驱动且经安全性验证的转化药理学模型	AI辅助药物重定位的相关文献、方法（机器学习、深度学习、网络医学、知识图谱、图神经网络、基础模型）及候选药物	机器学习	NA	机器学习、深度学习、网络医学、知识图谱、图神经网络、基础模型	机器学习、深度学习、图神经网络、基础模型	文本	NA	NA	NA	NA	NA
63	2026-10-05	Deep learning-based radiomics and pathomics for decoding tumor microenvironment and predicting immunotherapy outcomes in gastric cancer 2026, Frontiers in immunology IF:5.7Q1 DOI:10.3389/fimmu.2026.1970256 PMID:42828177	综述	本文综述了基于深度学习的影像组学、病理组学和多模态框架在解码胃癌免疫微环境和预测免疫治疗结局方面的最新进展	系统整合了深度学习驱动的影像组学、病理组学及多模态框架，用于在宏观和微观尺度上刻画肿瘤微环境，并将多模态影像特征与免疫相关生物学过程相关联，以弥补单一模态仅能提供部分视角的不足	数据可得性有限、机构间变异性、外部验证不足、可解释性差以及临床实施存在障碍	总结基于深度学习的影像组学、病理组学和多模态框架在解码免疫微环境及预测胃癌免疫治疗结局中的应用，并探讨其补充现有生物标志物、支持个体化治疗决策的潜力	胃癌及其肿瘤微环境（特别是免疫细胞组成和空间组织）	数字病理学	胃癌	深度学习影像组学、深度学习病理组学、多模态影像融合	深度学习模型、多模态模型	图像	NA	NA	NA	NA	NA
64	2026-10-05	The application of deep neural networks to the detection of lumbar hernias: results from the approaches based on convolutional networks and transformers 2026, Frontiers in radiology DOI:10.3389/fradi.2026.1722312 PMID:42828227	研究论文	该研究开发了一个基于深度学习的自动化流程，用于在腰椎MRI中检测椎间盘突出，包括椎体和椎间盘分割以及突出分类	提出了一个多阶段深度学习流程，结合分割和分类来自动识别腰椎间盘突出，并比较了卷积网络和Transformer架构在分割与分类任务中的表现	样本量有限（484例MRI检查，其中165例手动标注）且存在类别不平衡问题，可能影响模型的泛化能力和分类性能	开发一个自动识别腰椎间盘突出的流程，以提高临床决策效率并减轻放射科医生的工作负担	腰椎脊柱MRI检查数据，包括椎骨和椎间盘	医学图像分析	腰椎间盘突出	MRI	CNN, Transformer	图像	484例腰椎MRI检查（来自4个制造商），其中165例研究（5200个矢状面切片）由放射科医生手动标注	NA	U-Net, DeepLabV3+, MA-Net, EfficientNet-B2, ResNet, SENet, Vision Transformer (ViT), ResNet18	Dice Score, F1-score	NA
65	2026-10-05	Advancing Ultrasound Beamforming With Deep Learning: A Comprehensive Review of Methods, Datasets, Benchmarks, and Computational Challenges 2026, International journal of biomedical imaging IF:3.3Q2 DOI:10.1155/ijbi/4617573 PMID:42829544	综述	本文综述了基于深度学习的超声波束形成方法、数据集、基准测试和计算挑战	全面分析了深度学习模型在超声波束形成中的应用，并探讨了硬件优化策略（如FPGA和云边框架）	数据集有限、模型可解释性差、过拟合风险	提供深度学习超声波束形成的最新进展综述，分析模型、应用、挑战和硬件优化	超声波束形成技术	医学图像处理	NA	深度学习	CNN, GAN, Transformer, 混合方法	超声图像	NA	NA	卷积神经网络, 生成对抗网络, Transformer	图像分辨率, 图像质量	FPGA, 云边框架
66	2026-10-05	Clinical feasibility and image quality assessment of deep learning-based virtual contrast enhancement from photon-counting computed tomography 2026, Journal of clinical imaging science IF:1.1Q3 DOI:10.25259/JCIS_99_2026 PMID:42829600	研究论文	该研究评估了基于深度学习的虚拟增强图像从光子计数CT数据集生成后的图像质量和诊断性能	利用光子计数CT数据集生成虚拟对比增强图像，并系统评估其临床可行性和图像质量	腹部评估可靠性有限，主要由于不均匀增强和明显的对比缺陷	评估深度学习生成的虚拟对比增强图像的图像质量和诊断性能	接受对比增强光子计数CT的连续患者	医学影像分析	NA	光子计数CT	CNN	图像	40名患者（训练集20名，测试集20名）	NA	U-Net	SSIM, MAE, MSE, PSNR, Likert量表, 诊断一致性	NA
67	2026-10-05	Exploring the impact of artificial intelligence on dental education: Benefits, challenges, and future directions - A systematic review of the literature 2026, Journal of education and health promotion IF:1.4Q3 DOI:10.4103/jehp.jehp_719_25 PMID:42829683	系统综述	本文系统回顾了人工智能在牙科教育中的应用，探讨了其益处、挑战以及未来发展方向	全面综述了人工智能在牙科教育中的益处和挑战，并提出了改善人工智能应用以增强学生和教师学习的方法	文献筛选过程中有时难以区分相关性、时效性和可信度，可能导致部分文献被排除或纳入存在偏差	探讨将人工智能融入牙科教育的益处和挑战，以及改善人工智能应用以增强学习的方法	牙科教育中的人工智能应用相关文献	牙科教育	NA	NA	NA	文本	共筛选出56篇符合标准的文献（从73篇中筛选）	NA	NA	NA	NA
68	2026-10-05	Modular constraint-based joint dynamic functional brain graph learning model for identifying brain disorders 2026, PeerJ IF:2.3Q2 DOI:10.7717/peerj.21439 PMID:42829711	研究论文	提出一种模块化约束的联合动态功能脑图学习模型，用于脑部疾病分类	整合多个脑图谱构建的功能脑图，使用滑动窗口和Transformer编码器捕获动态时空模式，采用随机块模型检测模块结构并将模块化约束融入训练目标以增强可解释性和正则化学习	分类准确率仍有限（ABIDE 68.5%，REST-MDD 65.3%），可能受限于样本量和模型泛化能力	解决现有方法依赖单一脑图谱的静态功能脑图、忽略时间变异性和模块化组织的问题，提升脑部疾病分类性能	自闭症谱系障碍（ABIDE数据集）和重度抑郁症（REST-MDD数据集）患者	医学图像分析	自闭症、重度抑郁症	静息态功能磁共振成像（rs-fMRI）	Transformer	图像（BOLD信号）	ABIDE和REST-MDD数据集（具体样本量未提供）	NA	Transformer编码器	准确率	NA
69	2026-10-05	NOISY MRI RECONSTRUCTION VIA MAP ESTIMATION WITH AN IMPLICIT DEEP-DENOISER PRIOR 2026, Proceedings. International Conference on Image Processing DOI:10.1109/icip61757.2026.11630206 PMID:42829777	研究论文	本文提出了一种名为ImMAP的基于扩散模型的MRI重建框架，通过将采集噪声模型集成到最大后验（MAP）估计中，以应对实际噪声条件下的欠采样MRI数据重建	将采集噪声模型直接集成到最大后验（MAP）公式中，并推广了Kadkhodaie等人的随机上升方法，以处理MRI编码算子和真实测量噪声	未明确说明，但可能受限于扩散模型本身的计算成本和参数调优	在现实噪声条件下，提高加速MRI重建的可靠性和可解释性	模拟和真实的含噪MRI数据集	计算机视觉	NA	NA	扩散模型	图像	NA	NA	NA	NA	NA
70	2026-10-04	SpatialDINO: A Self-Supervised 3D Vision Transformer that enables Segmentation and Tracking in Crowded Cellular Environments 2026-Jan-25, bioRxiv : the preprint server for biology DOI:10.64898/2025.12.31.697247 PMID:41509489	研究论文	本文提出了一种基于DINOv2修改版的自监督3D视觉Transformer方法SpatialDINO，能够直接从原始3D显微镜图像中实现拥挤细胞环境下的目标检测、分割和追踪，无需重新训练或体素标注	提出了完全自动化的自监督方法SpatialDINO，训练原生3D视觉Transformer，从多通道显微镜的单通道中生成鲁棒的语义特征图，无需体素标注即可支持跨z间距、不同平面数量和不同成像模态的目标检测与分割，并能够检测以前未见过的目标类别，结合特征相似性和空间邻近性改进遮挡情况下的追踪	训练数据集规模较小，仅基于共聚焦体积数据训练；方法的泛化能力虽然在多种成像模态上得到验证，但可能仍受限于训练数据的多样性	解决拥挤细胞内环境中不同大小和形状目标在低对比度、各向异性、单色图像体积中的识别、分割和追踪难题，降低定量分析的门槛	网格蛋白包被小窝、网格蛋白包被囊泡、内体、溶酶体、细胞质膜、细胞核以及MRI扫描中的肿瘤	计算机视觉	NA	3D晶格光片荧光显微镜、MRI	Transformer	图像	一小批由活细胞荧光3D晶格光片显微镜获取的共聚焦体积数据	NA	DINOv2, Vision Transformer	NA	NA
71	2026-10-04	ecPICK: A deep learning-enabled spatial diagnostic platform for direct ecDNA identification and clinical prognosis across pan-cancer histopathology 2026, Theranostics IF:12.4Q1 DOI:10.7150/thno.134316 PMID:42244994	研究论文	开发了深度学习框架ecPICK，用于在H&E染色全切片图像中识别和定位染色体外DNA，并评估其诊断和预后价值	首个基于深度学习的ecDNA空间诊断平台，无需高成本测序即可实现ecDNA的量化与定位，并结合空间转录组学揭示ecDNA相关肿瘤微环境特征	未明确提及	开发一个成本效益高、临床可转化的平台，利用常规病理样本进行ecDNA的定量和定位	20种不同癌症的H&E染色全切片图像	数字病理学	泛癌	H&E染色、荧光原位杂交、空间转录组学	CNN	图像	4,280张图像，涵盖20种癌症	NA	NA	AUC、R²	NA
72	2026-10-04	A Framework for Automated Tracking of Morphologically Distinct Cell Populations in Time-Lapse Microscopy 2026, ...IEEE...International Conference on Connected Health: Applications, Systems and Engineering Technologies. IEEE International Conference on Connected Health: Applications, Systems and Engineering Technologies DOI:10.1109/chase69719.2026.00015 PMID:42820222	研究论文	本文提出了一个自动化计算框架，用于在延时荧光显微镜图像中检测和追踪具有特征性形态学特征的细胞群体，并以胚胎腹中线细胞为例进行了演示	整合了深度学习分割与基于旋转边界框分析的形态学特征提取，结合多标准过滤、空间聚类和基于圆形统计的时间插值，实现了对形态学独特细胞群体的自动化检测和追踪，并且模块化架构便于适应不同实验条件	在分层测试集上评估五种聚类方法时发现检测灵敏度与几何精度之间存在性能权衡，可能影响实际应用中的准确性	开发一个可泛化的计算框架，用于自动检测和追踪具有特征性形态学特征的细胞群体，以理解复杂组织的发育和重塑过程	胚胎发育过程中的腹中线细胞	计算机视觉	NA	延时荧光显微镜成像	CNN	图像	未提及具体样本量	NA	NA	检测灵敏度, 几何精度	NA
73	2026-10-04	DETECTX: a novel deep learning approach for detecting pneumonia, tuberculosis, and aspergillosis from chest X-rays 2026, Frontiers in cellular and infection microbiology IF:4.6Q1 DOI:10.3389/fcimb.2026.1915083 PMID:42824030	研究论文	该研究开发了一种基于深度学习的方法，用于从胸部X光片中检测曲霉病、肺炎和结核病	提出了一种新颖的孪生卷积神经网络模型，在区分四种肺部状况方面优于现有模型	未明确提及研究局限性	开发一种深度学习系统，以区分曲霉病、肺炎、结核病和健康肺部	胸部X光图像	计算机视觉	肺癌	胸部X光成像	CNN, ResNet-50, 孪生卷积神经网络	图像	7200张图像	NA	CNN, ResNet-50, 孪生CNN	准确率, 精确率, 召回率, F1分数, 混淆矩阵	NA
74	2026-10-04	A deep learning approach to county-level soybean yield forecasting using large-scale environmental data 2026, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2026.1914697 PMID:42824220	研究论文	本研究利用大规模环境数据开发了一个可解释的深度学习大豆产量预测框架，能够提前五个月进行县级产量预测	开发了可解释的深度学习框架，结合SHAP值分析环境因素对大豆产量的贡献，实现提前五个月的高精度县级产量预测	未明确说明模型在极端气候年份的泛化能力，可能受限于美国大陆地区的特定环境条件	开发可解释的大豆产量预测框架，利用县级气候和土壤属性实现提前数月的准确产量预测	美国大陆县级大豆产量	机器学习	NA	深度学习	深度神经网络	气候、土壤和海拔属性数据	388个气候、土壤和海拔属性，覆盖美国大陆约100年时间跨度	NA	深度神经网络	NA	NA
75	2026-10-04	Mamba-based state-space modeling with window attention for explainable multi-class gastrointestinal disease diagnosis in endoscopic images 2026, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2026.1952159 PMID:42824335	研究论文	提出一种名为GINet的混合深度学习架构，用于内窥镜图像中胃肠道疾病的多分类诊断，具有可解释性	结合EfficientNetV2特征提取、窗口注意力机制和基于Mamba的状态空间模块，同时捕获局部空间依赖和长程全局上下文关系，并实现线性计算复杂度	需要在外部多中心数据上进一步验证	实现胃肠道疾病的准确、高效且可解释的计算机辅助诊断	内窥镜图像中的九类临床相关胃肠道疾病	计算机视觉	胃肠道疾病	内窥镜检查	CNN, Mamba, 注意力机制	图像	NA	NA	EfficientNetV2, 窗口注意力, Mamba	准确率, 精确率, 召回率, F1分数	NA
76	2026-10-01	Data Augmentation for Subject-Independent SSVEP-BCIs via Simultaneous Spatial-Energy Representation 2026-Jan-30, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2026.3659606 PMID:41615974	研究论文	本文提出了一种名为同时空间-能量表示（SSER）的数据增强方法，通过奇异值分解提取脑电信号的空间和能量表示并跨源域独立混合，以增强SSVEP-BCI中跨被试分类的鲁棒性	提出SSER数据增强方法，利用SVD同时提取空间和能量表示以捕捉个体风格特征，并在信号重建过程中跨源域独立混合这些表示，生成覆盖更广风格范围的新域	未明确提及	解决当前数据增强技术未能充分利用个体特定风格特征的问题，提升跨被试SSVEP-BCI分类的鲁棒性	SSVEP-BCI脑电信号，涉及30名被试的离线与在线实验数据	脑机接口	NA	SSVEP-BCI, EEG, 奇异值分解	深度学习模型	EEG信号	30名被试的自采集离线与在线实验数据，以及公开数据集	NA	NA	分类性能（具体指标未明确）	NA
77	2026-10-01	PAM-CDR: Property-Aware Multi-Modal Drug Representation Learning for Accurate Cancer Drug Response Prediction 2026-Jan-27, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2026.3658090 PMID:41591856	研究论文	本文提出了一种融合药物理化性质与多组学数据的多模态表示学习框架PAM-CDR，用于精准预测癌症药物反应	首次将药物分子图、指纹与理化描述符同细胞系转录组和基因组数据相结合，并采用三阶段层次化融合策略，包括性质引导注意力和双向跨模态交互，提升了预测性能和生物学可解释性	摘要中未明确提及	提高癌症药物反应预测的准确性，推动精准肿瘤学发展	癌症药物与细胞系	机器学习	癌症	多模态表示学习	多模态深度学习模型	分子图、分子指纹、理化描述符、转录组数据、基因组数据	摘要中未提及	NA	NA	AUC, AUPR	NA
78	2026-10-01	Semi-Supervised Domain Adaptation with Latent Diffusion for Pathology Image Classification 2026-Jan-23, ArXiv PMID:41647212	研究论文	提出一种半监督域适应框架，利用在源域和目标域无标签数据上训练的潜在扩散模型生成保留形态且具有目标域特征的合成图像，用于病理图像分类	利用潜在扩散模型，通过基础模型特征、队列身份和组织制备方法进行条件控制，生成既保留源域组织形态又具有目标域外观特征的合成图像，避免了传统图像到图像翻译对组织结构的扭曲	仅在肺腺癌预后预测任务上进行了验证，未在其他病理分类任务或更大规模多中心数据集上评估	解决计算病理学中深度学习模型因域偏移导致跨队列和跨机构泛化能力差的问题	病理图像（肺腺癌组织切片）	数字病理学	肺癌	NA	扩散模型	图像	NA	NA	潜在扩散模型	加权F1分数, 宏F1分数	NA
79	2026-10-01	STF: A Unified Framework for Joint Pixel-Level Segmentation and Tracking of Tissues in Endoscopic Surgery 2026-Jan-21, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2026.3656751 PMID:41564043	研究论文	提出了一种统一框架STF，用于内窥镜手术中组织的联合像素级分割和跟踪，通过分割引导的跟踪管道和自适应重检测机制提高长期鲁棒性。	集成协同分割引导的跟踪管道与自适应重检测机制，采用霍夫投票网络进行跟踪和贝叶斯细化模块提高兼容性。	未明确说明，可能依赖于特定手术类型或数据集，未提及泛化性等。	解决内窥镜手术视频分割中由于目标丢失和挑战性条件（如遮挡、运动模糊）导致的长期鲁棒性问题。	内窥镜手术中的组织视频。	计算机视觉	NA	深度学习、霍夫投票网络、贝叶斯细化	CNN	视频	NA	NA	NA	准确性和时间一致性	NA
80	2026-10-01	Order-Aware Deep Learning for Drug Combination Benefit Prediction in Cancer Cell Lines 2026-Jan-16, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2026.3650933 PMID:41543946	研究论文	提出一种顺序感知深度学习模型 OrderCombo，用于预测癌症细胞系中的药物组合获益等级	将药物组合获益建模为有序多分类任务，设计混合编码器融合药物与细胞系表示，并引入顺序对比损失以保持类别有序性	未明确说明模型的可解释性、计算成本或对新型药物的冷启动能力	加速发现治疗性药物组合，区分不同水平的组合获益	癌症细胞系中的药物组合	机器学习	癌症	预训练化学语言模型、组学导向线性网络	深度学习	药物化学结构、细胞系组学数据	大规模药物组合获益数据集	NA	混合编码器（拼接依赖与注意力交互）	预测准确率	NA