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
1321	2026-04-06	YOLOBT: a novel ERP bad trial detection network dynamically adjusting based on global signal quality 2026, Frontiers in human neuroscience IF:2.4Q2 DOI:10.3389/fnhum.2026.1714086 PMID:41884779	研究论文	本文提出了一种基于YOLO的深度学习框架YOLOBT，用于动态调整事件相关电位（ERP）研究中坏试次的检测	提出了一种能模拟专家自适应策略的坏试次检测框架，通过全局信号质量评估实现动态阈值调整，并引入了跨层注意力瓶颈、分层特征引导模块和全局信息分类模块等创新结构	未在论文摘要中明确说明	开发一种能模拟专家自适应判断的自动化ERP坏试次检测方法	脑电图（EEG）信号中的事件相关电位（ERP）试次	机器学习	NA	脑电图（EEG），事件相关电位（ERP）	YOLO	图像（将EEG信号可视化为波形图像）	未在摘要中明确说明具体样本数量，仅提及使用手动标注的数据集	NA	YOLO	精确率，召回率，平均精度均值，F1分数	NA
1322	2026-04-06	The Predictive Value of the Pan-Immune-Inflammation Value for Atrial Fibrillation Risk in Patients with Coronary Artery Disease: A Multicenter Machine Learning Study 2026, International journal of general medicine IF:2.1Q2 DOI:10.2147/IJGM.S579135 PMID:41883473	研究论文	本研究通过多中心机器学习方法，探讨了泛免疫炎症值（PIV）对冠心病患者心房颤动风险的预测价值	首次将新型复合炎症标志物PIV应用于冠心病患者心房颤动的风险预测，并比较了XGBoost与多层感知机模型的性能	研究为回顾性设计，可能存在选择偏倚；样本仅来自两家三级医院，外部验证有待加强	评估PIV对冠心病患者发生心房颤动的预测能力，并构建机器学习模型进行个体化风险评估	经冠状动脉造影确诊的冠心病患者，分为心房颤动组与非心房颤动组	机器学习	心血管疾病	冠状动脉造影，实验室检测	XGBoost, MLP	临床特征与实验室数据	来自两家三级医院的多中心冠心病患者队列	XGBoost, 未指定深度学习框架	XGBoost, 多层感知机	AUC, 校准分析	NA
1323	2026-04-06	Advances and challenges from pathological mechanisms to intelligent quantified diagnosis in diabetic optic neuropathy 2026 Jan-Dec, Digital health IF:2.9Q2 DOI:10.1177/20552076261435864 PMID:41883518	综述	本文全面综述了糖尿病性视神经病变的病理生理机制、当前诊断挑战以及人工智能在早期检测和个性化管理中的新兴作用	系统探讨了人工智能在糖尿病性视神经病变中的转化应用，包括视神经头分割、疾病分类、鉴别诊断、预测分析和影像组学新生物标志物发现，并强调了从糖尿病视网膜病变模型向神经退行性变化检测的转变	NA	综述糖尿病性视神经病变的病理机制、诊断挑战及人工智能在量化诊断中的应用前景	糖尿病性视神经病变	数字病理学	糖尿病性视神经病变	NA	机器学习, 深度学习	影像数据	NA	NA	NA	NA	NA
1324	2026-04-06	Improving stain normalization for digital histological image analysis based on the cycle generative adversarial network identity loss model 2026 Jan-Dec, Digital health IF:2.9Q2 DOI:10.1177/20552076261438012 PMID:41883528	研究论文	本研究提出了一种基于循环生成对抗网络身份损失模型的染色归一化框架，旨在改善数字组织病理学图像分析中的染色颜色变化问题	提出了一种结合StainGAN和Stain-to-Stain Translation的I-GAN框架，通过引入身份损失和RGB-灰度训练策略，在测试阶段使用RGB图像以保留原始染色信息，实现了结构信息的保持和跨异质染色域的稳定颜色域转换	NA	开发一个鲁棒的染色归一化框架，以解决染色环境和扫描设备差异导致的颜色变化问题，促进基于深度学习的数字组织病理学图像分析	数字组织病理学图像，特别是苏木精和伊红染色的图像	数字病理学	NA	苏木精和伊红染色	GAN	图像	使用了MITOS-ATYPIA 14、Camelyon17和ICIAR2018 BACH Challenge数据集	NA	StainGAN, Stain-to-Stain Translation	SSIM, PSNR, DeltaE-ITP, 平均精度, 准确率, 精确率, 召回率	NA
1325	2026-04-06	A unified VQ-VAE framework for few-shot retinal vessel segmentation and multidisease classification 2026 Jan-Dec, Digital health IF:2.9Q2 DOI:10.1177/20552076261433086 PMID:41883526	研究论文	本研究提出了一种基于向量量化变分自编码器的少样本学习框架，用于视网膜血管分割和多疾病分类	利用VQ-VAE在未标注眼底照片上进行预训练，学习可迁移的离散表示，以初始化多个下游模型，有效减少标注数据需求并提升性能	未明确说明模型在更广泛或更复杂临床场景中的泛化能力，以及计算资源的具体需求	解决任务特异性深度学习模型对大型标注数据集的依赖问题，开发资源高效的少样本学习解决方案	视网膜血管分割和眼部疾病分类	计算机视觉	眼部疾病	深度学习，少样本学习	VQ-VAE, CNN, GAN	图像	多个公共数据集（DRIVE, STARE, CHASE, Retina, ODIR），其中分类任务仅使用70张标注图像	NA	U-Net, SegNet, ERFNet, FR-UNet, Swin-Res-Net, RV-GAN, VGG-16, ResNet-50, EfficientNet-B0	Dice系数, 召回率, 准确率, 交并比, 平均交并比, 平均偏移距离, 精确率, F1分数, AUC	NA
1326	2026-04-06	Integrating deep learning and thermal estimation for enhanced MRI-based brain tumor diagnosis 2026 Jan-Dec, Digital health IF:2.9Q2 DOI:10.1177/20552076261431902 PMID:41883532	研究论文	本研究开发了一个集成AI驱动的MATLAB框架，通过结合MRI特征与热和纹理生物标志物，提升脑肿瘤诊断的准确性	首次将深度学习分割、形态分析、热估计和纹理量化整合到一个MATLAB管道中，用于脑肿瘤诊断，并提出了基于面积的温度估计公式	硬件限制导致训练仅进行了计划的30个周期中的8个，影响了模型优化；对垂体瘤的召回率较低（29%），对脑膜瘤的精确度较低（48.6%）	开发一个集成AI框架，通过结合MRI特征与热和纹理生物标志物，提高脑肿瘤诊断的准确性	脑肿瘤（包括胶质瘤、脑膜瘤、垂体瘤）和健康脑组织	数字病理学	脑肿瘤	磁共振成像（MRI）	CNN	图像	来自Kaggle和Figshare的数据集（具体样本数量未明确说明）	MATLAB	紧凑型三层卷积神经网络	准确率, F1分数, 召回率, 精确度	硬件限制导致训练周期减少，建议转向GPU加速训练（具体GPU类型未明确说明）
1327	2026-04-05	Machine Learning-Based Multimodal Molecular Biomarkers for Predictive Health Analytics 2026-01-16, Journal of visualized experiments : JoVE DOI:10.3791/69241 PMID:41628017	研究论文	本文提出了一种基于机器学习的多模态分子生物标志物方法，用于预测性健康分析，旨在通过整合蛋白质、化学和遗传生物标志物来提高疾病预测的准确性	通过整合分子蛋白质、化学和遗传生物标志物与新兴机器学习特征（如TabNet和AutoInt）进行多模态分组，显著提升了预测准确性	未明确提及具体局限性，如数据样本量、模型泛化能力或临床验证范围	开发高度敏感的多模态生物标志物和有效调查方法，以准确检测和监测患者健康结果，包括预后、风险评估、患者分层和疾病监测	涉及多种健康问题，如心脏病、呼吸道感染、神经功能障碍、认知压力、癌症、中风、糖尿病等	机器学习	多种疾病	NA	传统机器学习算法, 传统深度学习方法, 现代深度学习技术（TabNet和AutoInt）	多模态分子数据（蛋白质、化学、遗传生物标志物）	NA	NA	TabNet, AutoInt	准确性	NA
1328	2026-04-05	Artificial intelligence models for point-of-care ultrasound diagnostics in dogs 2026, Frontiers in veterinary science IF:2.6Q1 DOI:10.3389/fvets.2026.1729114 PMID:41884304	研究论文	本研究评估了深度学习模型在犬只创伤重点超声评估中检测危及生命的积液和气胸的可行性和诊断性能	首次将深度学习模型应用于犬只的即时超声诊断，特别是针对创伤重点超声评估中的积液和气胸检测，为兽医急诊护理提供了AI辅助决策的可行性支持	样本量较小，仅包含钝性创伤和非创伤性病理，存在类别不平衡，以及积液体积和位置在呈现时的变异性	评估深度学习模型在犬只即时超声诊断中检测危及生命的积液和气胸的可行性和诊断性能	五只健康的军用工作犬和二十只客户拥有的犬只（22-55公斤），包括有确认的腹部、胸膜、心包积液或气胸的犬只	计算机视觉	创伤	即时超声，创伤重点超声评估	CNN	图像	25只犬（5只健康军用工作犬，20只客户拥有犬）	NA	卷积神经网络	召回率, 准确率	NA
1329	2026-04-04	Retraction: An inherently interpretable deep learning model for local explanations using visual concepts 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0346306 PMID:41926417	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1330	2026-04-05	A two-stage deep learning framework for predicting the onset of Atrial fibrillation using RR interval-based embeddings 2026 Jan-Mar, Biocybernetics and biomedical engineering IF:5.3Q1 DOI:10.1016/j.bbe.2026.01.004 PMID:41878690	研究论文	本文提出了一种基于RR间期的两阶段深度学习框架，用于提前一小时预测心房颤动的发作	提出了一种新的两阶段深度学习框架，结合了卷积和双向LSTM网络进行特征提取和预测，并利用掩码技术增强临床可解释性	未明确提及具体局限性	开发一个能够提前预测心房颤动发作的模型，以支持预防性干预	重症监护病房患者的心电信号RR间期数据	机器学习	心血管疾病	NA	CNN, LSTM	时间序列数据（RR间期）	未明确提及具体样本数量，但涉及美国ICU中每年约500万危重患者中的一部分	未明确提及	卷积神经网络, 双向长短期记忆网络	灵敏度, 特异度, F1分数, AUROC, AUPRC	未明确提及
1331	2026-04-04	Using Artificial Intelligence to Automate the Analysis of Psoriasis Severity: A Pilot Study 2026, Dermatology (Basel, Switzerland) DOI:10.1159/000549640 PMID:41269911	研究论文	本研究利用YOLOv8深度学习模型，基于2D临床图像特征，自动分类银屑病皮损严重程度，以改进PASI评分的客观性和一致性	首次应用YOLOv8模型对银屑病皮损的PASI关键子成分（红斑、厚度、鳞屑）进行自动化严重程度分类，并采用分层k折交叉验证增强模型在不同数据集上的可靠性	研究为初步试验，样本规模可能有限，且仅基于2D图像，未考虑三维或动态临床因素	利用人工智能提高银屑病严重程度评估的客观性和一致性	银屑病皮损的临床图像	计算机视觉	银屑病	深度学习	CNN	图像	三个不同数据集，具体样本数未明确	Google Colab	YOLOv8	混淆矩阵, 准确率	云端环境（Google Colab）
1332	2026-04-04	Deep learning for cardiac MRI: performance evidence and barriers to clinical integration. A Systematic Review and Meta-Analysis 2026-Jan, European heart journal. Imaging methods and practice DOI:10.1093/ehjimp/qyag045 PMID:41877690	系统综述与荟萃分析	本系统综述与荟萃分析评估了深度学习在心脏磁共振成像中用于图像分割、预测和诊断的当前证据	首次对2020年至2025年间发表的深度学习在心脏MRI中的应用研究进行了全面的系统综述与荟萃分析，量化了模型在分割和诊断任务中的优异性能	纳入研究存在异质性，且大多数研究集中于分割任务，诊断和预测研究数量相对较少	评估深度学习在心脏磁共振成像中的应用证据，并探讨其临床整合的障碍	使用深度学习进行心脏磁共振图像分割、预测或诊断的研究	医学影像分析	心血管疾病	心脏磁共振成像	深度学习	医学影像	62项符合纳入标准的研究，其中12项纳入荟萃分析	NA	U-Net	Dice分数, Hausdorff距离, 敏感性, 特异性, AUC	NA
1333	2026-04-04	Explainable AI-driven hybrid deep learning framework for accurate skin cancer diagnosis 2026 Jan-Dec, Digital health IF:2.9Q2 DOI:10.1177/20552076261438923 PMID:41928825	研究论文	本文提出了一种混合可解释深度学习框架，用于多类别皮肤癌的准确诊断	结合了EfficientNetB0与随机森林分类器，并采用概率级融合，提高了模型在不同采集条件下的鲁棒性，同时通过Grad-CAM提供临床可解释的决策依据	数据增强仅限于训练集以防止泄露，但未详细讨论模型在外部验证集上的泛化能力	开发并评估一种混合可解释深度学习方法，以提升皮肤癌分类的准确性和临床可解释性	皮肤癌病变图像，包括HAM10000数据集（7类）和ISIC2019+DermNet组合数据集（8类）	计算机视觉	皮肤癌	深度学习，图像预处理（Dull Razor去毛发，各向异性扩散滤波）	CNN, Random Forest	图像	HAM10000数据集和ISIC2019+DermNet组合数据集，具体样本数未明确说明	TensorFlow, PyTorch	EfficientNetB0	准确率, F1分数, 灵敏度, AUC	未明确说明
1334	2026-04-04	Development of a multi-label deep neural network model for predicting immediate paravalvular leakage and new-onset conduction disturbances after transcatheter aortic valve replacement: A retrospective cohort study 2026 Jan-Dec, Digital health IF:2.9Q2 DOI:10.1177/20552076261427502 PMID:41928824	研究论文	本研究开发了一种基于深度学习的多标签预测模型，用于同时预测经导管主动脉瓣置换术后即刻的瓣周漏和新发传导障碍	采用多标签建模策略，同时预测两种并发症，克服了现有模型多关注单一并发症且忽略其相互关联性的局限	研究为回顾性队列研究，可能存在选择偏倚；模型在单中心数据上开发，外部泛化能力有待验证	开发一个能够同时预测TAVR术后两种主要并发症（PVL和CDs）的预测模型，以辅助临床决策	接受首次TAVR手术的主动脉瓣狭窄患者	机器学习	心血管疾病	NA	深度学习, 神经网络	临床特征数据	966名患者（771名训练，195名测试）	NA	Muex, 神经网络	AUROC, 集成校准指数	NA
1335	2026-04-04	Deep Learning Radiomics of Multiparametric MRI for Individualized Prediction of Axillary Lymph Node Response After Neoadjuvant Chemotherapy in Breast Cancer 2026, Breast cancer (Dove Medical Press) DOI:10.2147/BCTT.S568337 PMID:41928849	研究论文	本研究开发了一种基于纵向多参数乳腺MRI的深度学习放射组学模型，用于预测乳腺癌患者新辅助治疗后腋窝淋巴结的病理完全缓解	首次将纵向多参数MRI与基于深度学习的放射组学相结合，用于预测新辅助治疗后的腋窝淋巴结反应	单中心回顾性研究，需要外部验证	预测乳腺癌患者新辅助化疗后腋窝淋巴结的个体化反应	乳腺癌患者	数字病理学	乳腺癌	多参数MRI	深度学习, 机器学习	MRI图像	254名乳腺癌患者（训练队列144人，验证队列110人）	NA	NA	AUC, 校准曲线, 决策曲线分析	NA
1336	2026-04-04	Investigating discrepancies in accuracy, agreement and interpretability for single-frame embryo classification tasks conducted by embryologists and deep learning models 2026, Frontiers in reproductive health IF:2.3Q3 DOI:10.3389/frph.2026.1778326 PMID:41928854	研究论文	本研究评估了胚胎学家与深度学习模型在单帧胚胎图像分类任务中的准确性、一致性和可解释性差异	首次在胚胎阶段分类任务中综合比较人类专家与深度学习模型的准确性、一致性和可解释性，并利用可解释人工智能技术分析模型决策	单中心回顾性研究，样本量有限（n=245），仅使用单帧图像，未考虑时间序列信息	评估人工智能工具在辅助生殖技术中的安全性和透明度，通过整合准确性、一致性和可解释性建立评估框架	人类胚胎发育阶段的单帧图像	计算机视觉	生殖系统疾病	单帧图像分析	CNN	图像	245张单帧胚胎图像	PyTorch, TensorFlow	ResNet-34, VGG16	准确率, Cohen's kappa系数	NA
1337	2026-04-04	Artificial intelligence support for diagnosis of neurodevelopmental disorders during childhood: an umbrella review 2026, Frontiers in psychiatry IF:3.2Q2 DOI:10.3389/fpsyt.2026.1697185 PMID:41929366	综述	本文是一篇伞状综述，旨在综合评估人工智能在儿童神经发育障碍诊断中的应用证据	首次通过伞状综述的形式，系统性地汇总了关于AI在多种儿童神经发育障碍（如ASD、ADHD）诊断中应用的系统综述和荟萃分析证据，并评估了其方法学质量	纳入研究的方法学质量普遍较低（80%为极低质量），缺乏外部验证、数据收集和模型开发标准化不足，以及报告不一致	评估人工智能作为辅助工具，在儿童神经发育障碍早期诊断中的潜力和现有证据	儿童神经发育障碍，包括自闭症谱系障碍、注意缺陷多动障碍、智力障碍、沟通障碍、发育性协调障碍和特定学习障碍	机器学习	神经发育障碍	NA	支持向量机, 人工神经网络, 卷积神经网络	神经影像, 电生理, 临床/社会人口学, 运动/传感器数据	NA	NA	NA	诊断准确率	NA
1338	2026-04-04	Biologically informed dual deep learning for skeletal maturity prediction in pediatrics 2026, Frontiers in radiology DOI:10.3389/fradi.2026.1774498 PMID:41929406	研究论文	本文提出了一种基于生物学信息的双深度学习框架，用于儿科骨骼成熟度预测	结合生物学先验知识与双神经网络架构，通过整合已发表的生理数据来概念性地支持骨龄预测，相比传统AI模型能提高训练稳定性、减少预测变异性并更好地对齐正常生长轨迹	仅基于模拟和概念分析，未收集新的人类或动物数据，未来需在真实世界影像数据集上验证并评估其临床集成	开发一种准确、可解释且高效的骨龄估计方法，以改进临床诊断、法医评估和生长研究	儿科骨骼成熟度预测，基于公开可用的放射影像数据集	计算机视觉	NA	深度学习	双神经网络	放射影像	NA	NA	NA	NA	NA
1339	2026-04-04	Deep learning based approach for Behavior classification in diagnoses of Autism Spectrum Disorder using naturalistic videos 2026, Frontiers in computational neuroscience IF:2.1Q3 DOI:10.3389/fncom.2026.1626315 PMID:41929585	研究论文	本研究提出一种基于深度学习的模型，利用自然主义视频对自闭症谱系障碍（ASD）中的行为进行分类，以辅助诊断	提出了一种结合CNN和GRU的深度学习模型，用于从非结构化日常活动视频中提取时空特征，以分类自闭症相关行为，并在公开数据集上表现出优于其他模型的性能	研究依赖于公开数据集，可能未涵盖所有自闭症行为类型；模型在真实世界未控制视频中的泛化能力需进一步验证	开发一种基于视频行为分析的自动化工具，以辅助自闭症谱系障碍的快速、准确筛查	自闭症谱系障碍儿童在非结构化日常活动中的行为视频	计算机视觉	自闭症谱系障碍	视频行为分析	CNN, GRU, LSTM	视频	使用公开的多类自我刺激行为数据集（SSBD），具体样本数量未在摘要中明确说明	NA	CNN-GRU, 3D-CNN + LSTM, MobileNet, VGG16, EfficientNet-B7	准确率	NA
1340	2026-04-04	Towards practical application of deep learning in diagnosis of Alzheimer's disease 2026 Jan-Dec, Journal of Alzheimer's disease reports DOI:10.1177/25424823261415808 PMID:41929976	研究论文	本研究探索了深度学习模型在阿尔茨海默病不同阶段诊断中的实际应用	设计了全脑3D版本的知名2D CNN架构，并用于多阶段AD诊断，同时通过模型集成提升了性能	计算复杂度高、训练时间长、标记数据集有限，因此全脑3D CNN不常用，许多研究依赖2D变体	探索深度学习在阿尔茨海默病诊断中的实际应用，以改进疾病治疗和预防	阿尔茨海默病患者在不同疾病阶段的脑部数据	计算机视觉	阿尔茨海默病	NA	CNN	图像	超过1500个全脑体积数据用于模型训练和评估	NA	3D CNN	分类准确率	NA