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
141	2026-01-05	YOLO-based deep learning framework for real-time multi-class plant health monitoring in precision agriculture 2026-Jan-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29132-w PMID:41484288	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
142	2026-01-08	Automated evaluation of pulmonary lesion changes on chest radiograph during follow-up using semantic segmentation 2026-01-02, Diagnostic and interventional radiology (Ankara, Turkey) DOI:10.4274/dir.2025.253567 PMID:41321291	研究论文	本研究开发并验证了一种基于深度学习的模型，利用病灶特异性分割技术，在配对胸部X光片中自动评估实变和胸腔积液的改变状态	首次提出一种病灶特异性深度学习模型，用于自动评估胸部X光片中实变和胸腔积液在随访期间的改变状态，实现了对病灶变化的量化分析	模型在ICU环境中对胸腔积液的评估准确性显著低于放射科医生，且研究数据仅来自单一机构，可能限制了模型的泛化能力	开发一种自动化工具，用于评估胸部X光片中肺部病灶在随访期间的变化状态	胸部X光片中的实变和胸腔积液病灶	数字病理学	肺部疾病	语义分割	深度学习模型	图像	5,178张胸部X光片用于模型训练，另从急诊科和重症监护室获取配对X光片用于阈值确定和时间验证	未明确指定	未明确指定	AUC, 准确率	NA
143	2026-01-08	Research on liver cancer pathology image recognition based on deep learning image processing 2026-Jan-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-24834-7 PMID:41484185	研究论文	本研究提出了一种基于深度学习的多空间注意力融合网络MSAF-Net，用于肝癌病理图像的准确识别	提出了一种新颖的多空间注意力融合网络MSAF-Net，系统整合了五个互补特征空间，并采用SE-block增强融合机制与EfficientNet-Lite特征提取，有效结合了工程特征空间与深度学习	NA	提高肝癌病理图像分析的准确性和计算效率	肝癌病理图像	数字病理学	肝癌	病理图像分析	CNN	图像	NA	NA	EfficientNet-Lite	准确率, 灵敏度, 特异性	NA
144	2026-01-08	Beyond peak accuracy: a stability-centric framework for reliable multimodal student engagement assessment 2026-Jan-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31215-7 PMID:41484417	研究论文	本研究提出了一种多模态学生参与度评估框架，通过类别感知损失函数、时间数据增强和异质集成等策略，解决了类别不平衡、模型不稳定性和可解释性有限的问题	引入了一个以稳定性为中心的框架，结合类别感知损失函数、时间数据增强、异质集成和基于SHAP的可解释性分析，以提升评估的可靠性和鲁棒性	未明确提及具体的数据集限制或外部验证的不足	开发一个可靠且稳定的多模态学生参与度评估系统，用于技术增强学习	学生参与度	机器学习	NA	多模态数据融合	CNN, 集成学习	多模态数据（可能包括视频、音频等）	NA	NA	ResNet, Inception, MCNN, TimeCNN	准确率, 宏平均F1分数	NA
145	2026-01-08	Informing atmospheric pollution hotspots and exposure risks under climate change using machine learning: Evidence from 2843 Chinese regions 2026-Jan-02, Journal of hazardous materials IF:12.2Q1 DOI:10.1016/j.jhazmat.2025.141002 PMID:41494348	研究论文	本研究应用时间序列和因果推断模型，量化了气候变化下中国2843个地区多种空气污染物浓度的变化及其对全因死亡的相对影响	提出了一种基于深度学习的RSSFF模型，用于预测气候变化背景下污染物浓度的变化及其与全因死亡的因果关系	研究存在不确定性增加的问题，特别是在共暴露和气候指标放大健康效应方面	评估气候变化对中国空气污染热点和暴露风险的影响	中国2843个地区的空气污染物浓度和全因死亡数据	机器学习	NA	时间序列分析，因果推断模型	深度学习模型	时间序列数据	2843个中国地区	NA	RSSFF	NA	NA
146	2026-01-08	Evaluation of the effectiveness of artificial intelligence models in radiopaque and radiolucent lesions of the maxillofacial region on panoramic radiographs 2026-Jan, Oral radiology IF:1.6Q3 DOI:10.1007/s11282-025-00838-x PMID:40593453	研究论文	本研究评估了深度学习算法在口腔颌面全景X光片中放射致密和放射透亮病变的分类、检测和分割效果	首次系统比较了多种深度学习架构（AlexNet、VGG16、GoogleNet、YOLOv8）在口腔颌面全景X光片病变分析中的性能，并明确了GoogleNet在分类任务、YOLOv8m在检测与分割任务中的最优表现	研究样本年龄范围较广（12-80岁），但未详细说明样本的具体疾病分布或数据集的多样性，可能影响模型的泛化能力	评估人工智能模型在口腔颌面全景X光片中自动分析放射致密和放射透亮病变的有效性	口腔颌面全景X光片中显示的放射致密和放射透亮病变	计算机视觉	口腔颌面疾病	深度学习	CNN	图像	未明确说明具体样本数量，仅提及年龄范围为12至80岁个体的全景X光片	未明确说明	AlexNet, VGG16, GoogleNet, YOLOv8	准确率, 精确率, F1分数, 平均精度均值	NA
147	2026-01-08	Area detection improves the person-based performance of a deep learning system for classifying the presence of carotid artery calcifications on panoramic radiographs 2026-Jan, Oral radiology IF:1.6Q3 DOI:10.1007/s11282-025-00843-0 PMID:40694246	研究论文	本研究开发并比较了两种结合区域检测功能的深度学习系统，用于在全景X光片上分类颈动脉钙化，并评估其基于个体的诊断性能	引入了区域检测功能（先验或同时）到深度学习系统中，以提升基于个体的颈动脉钙化分类性能，与直接使用整张全景图像的方法相比显示出显著改进	研究样本量相对有限（580张全景X光片），且未详细讨论模型在不同人群或设备间的泛化能力	开发并评估深度学习系统在全景X光片上诊断颈动脉钙化的性能，特别关注区域检测对基于个体分类的影响	来自290名患者（有颈动脉钙化）和290名对照者（无颈动脉钙化）的580张全景X光片	计算机视觉	心血管疾病	全景X光成像	CNN	图像	580张全景X光片（来自580名个体）	NA	GoogLeNet, YOLOv7	AUC	NA
148	2026-01-08	Deep learning model for automated segmentation of sphenoid sinus and middle skull base structures in CBCT volumes using nnU-Net v2 2026-Jan, Oral radiology IF:1.6Q3 DOI:10.1007/s11282-025-00848-9 PMID:40748555	研究论文	本研究开发了一种基于nnU-Net v2的深度学习模型，用于在锥形束计算机断层扫描（CBCT）体积中自动分割蝶窦和中颅底解剖结构，并评估了模型的性能	首次应用nnU-Net v2深度学习模型于CBCT体积中蝶窦及中颅底结构的自动分割，实现了高精度的分割性能	模型在中颅底其他孔洞结构的分割上表现有限，需要进一步优化	开发并评估一个用于CBCT影像中蝶窦及中颅底解剖结构自动分割的深度学习模型	蝶窦及中颅底解剖结构，包括蝶窦、圆孔和翼管	计算机视觉	NA	锥形束计算机断层扫描（CBCT）	深度学习	图像	99个CBCT扫描	nnU-Net v2	nnU-Net	准确率, 精确率, 召回率, Dice系数, 95% Hausdorff距离, 交并比, AUC	NA
149	2026-01-08	Evaluation of deep learning-based segmentation models for carotid artery calcification detection in panoramic radiographs 2026-Jan, Oral radiology IF:1.6Q3 DOI:10.1007/s11282-025-00858-7 PMID:40931257	研究论文	本研究评估了基于深度学习的YOLO分割模型在曲面断层片中检测颈动脉钙化的有效性，并比较了不同YOLO模型的性能	首次在颈动脉钙化检测中系统比较了YOLOv5x-seg、YOLOv8x-seg和YOLOv11x-seg三种分割模型的性能，并探讨了患者性别与钙化存在的关联	研究数据集规模有限（仅652张标注图像），需要更大、更多样化的数据集来验证模型的泛化能力和有效性	评估人工智能辅助分割方法在曲面断层片中检测颈动脉钙化的效果，并进行流行病学关联分析	曲面断层片中的颈动脉钙化区域	计算机视觉	心血管疾病	深度学习图像分割	YOLO	图像	30,883张曲面断层片扫描，其中652张有颈动脉钙化特征（共1,086个标注）	NA	YOLOv5x-seg, YOLOv8x-seg, YOLOv11x-seg	精确度, 准确度, F1分数, 灵敏度	NA
150	2026-01-08	Predicting Healthcare Utilization Outcomes With Artificial Intelligence: A Large Scoping Review 2026-Jan, Value in health : the journal of the International Society for Pharmacoeconomics and Outcomes Research IF:4.9Q1 DOI:10.1016/j.jval.2025.08.007 PMID:40848744	综述	本文通过范围综述，全面梳理了人工智能在医疗资源利用预测领域的研究现状、趋势、数据与方法特点及报告标准	首次系统性地对AI在医疗资源利用预测领域的应用进行范围综述，识别了关键变量组覆盖不足、深度学习模型使用较少、报告标准依从性有限等重要研究空白	综述仅基于截至2025年1月的文献，可能未涵盖最新研究；纳入研究主要来自美国（62%），结论的普适性可能受限	识别人工智能在医疗资源利用预测研究中的数据特点、方法趋势、预测结果及报告标准现状	医疗资源利用预测相关的人工智能研究文献	医疗人工智能	NA	人工智能预测建模	集成模型,深度学习模型	电子健康记录,保险理赔数据	121项符合纳入标准的研究	NA	NA	NA	NA
151	2026-01-08	Robust Brain Extraction Tool for Nonenhanced CT and CT Angiography: CTA-BET 2026-Jan, Radiology. Artificial intelligence DOI:10.1148/ryai.240847 PMID:41147859	研究论文	开发并评估了一种基于深度学习的脑提取模型CTA-BET，用于CT血管造影和非增强CT图像的精确脑部分割	开发了首个专门针对CTA和NCCT图像的深度学习脑提取模型，并在多机构数据上验证了其优于现有非商业工具的鲁棒性和准确性	研究为回顾性研究，训练数据量相对有限（100例患者），且未在更广泛的外部数据集上进行前瞻性验证	开发一种适用于CT血管造影和非增强CT图像的自动化、高精度脑提取工具	CT血管造影图像和非增强CT图像中的脑组织	数字病理学	NA	CT血管造影，非增强CT	CNN	医学图像（3D CT）	训练集：100例患者（多机构CTA数据）；验证集：50例患者（外部CTA数据）和132例患者（公开CQ500 NCCT数据）	NA	NA	Dice分数，Hausdorff距离，分数归一化直方图	NA
152	2026-01-08	Rethinking Privacy in Medical Imaging AI: From Metadata and Pixel-Level Identification Risks to Federated Learning and Synthetic Data Challenges 2026-Jan, Radiology. Artificial intelligence DOI:10.1148/ryai.250273 PMID:41295085	综述	本文探讨了医学影像AI中的隐私风险，包括元数据和像素级可识别信息，并回顾了联邦学习与合成数据生成等隐私保护方法的局限性	系统性地指出像素级图像信息（如强度值）同样可被深度学习模型利用以揭示敏感患者数据，并强调了现有隐私保护方法（如联邦学习和合成数据）在模型反转和推理攻击下的脆弱性	文章为综述性质，未提出具体的解决方案或进行实证研究，主要侧重于风险分析和现有方法的局限性讨论	分析医学影像人工智能应用中的隐私风险，并评估现有隐私保护技术的有效性及挑战	医学影像数据（包括元数据和像素信息）及其在AI应用中的隐私泄露风险	医学影像人工智能	NA	深度学习	NA	医学影像	NA	NA	NA	NA	NA
153	2026-01-08	Spatial distribution prediction and scale effect analysis of urban daytime noise based on remote sensing images: a case study of Chengdu 2026-Jan-01, Journal of environmental management IF:8.0Q1 DOI:10.1016/j.jenvman.2025.128379 PMID:41422570	研究论文	本研究基于高分辨率遥感影像和深度学习模型，预测成都市白天噪声的空间分布并分析尺度效应	首次将高分辨率遥感影像与ResNet和ViT架构的端到端深度学习模型结合，用于预测城市白天噪声分布，并通过多尺度融合实验和傅里叶谱分析揭示了2米分辨率的最优性能及其物理机制	研究仅针对成都市，未考虑其他城市或不同气候条件；多尺度融合实验未带来显著性能提升，可能受限于数据冗余或冲突	探索基于遥感影像的城市道路交通噪声高效监测方法，分析不同空间分辨率对预测性能的影响	成都市整个城市区域的白天噪声分布	计算机视觉	NA	遥感影像分析	CNN, Transformer	图像	NA	NA	ResNet, ViT	预测精度	NA
154	2026-01-08	The Evolving Landscape of Urology in the Era of Artificial Intelligence: An Update of Clinical Applications and Emerging Innovations 2026-Jan, Mymensingh medical journal : MMJ PMID:41474926	综述	本文更新了人工智能在泌尿外科领域的临床应用和新兴创新，涵盖诊断成像、良性疾病、泌尿肿瘤、手术和患者监测等方面	强调了人工智能在泌尿外科中的最新进展，包括通过尿液液体活检进行早期疾病检测、基于AI的计算活检直接从H&E染色切片预测基因组标记，以及未来如通用人工智能和联邦学习等创新方向	数据多样性不足和临床整合存在限制，同时面临算法偏见和数据隐私等伦理挑战	综述人工智能在泌尿外科领域的应用现状、临床价值及未来发展趋势	泌尿外科疾病，包括良性泌尿系统疾病（如输尿管结石、良性前列腺增生）和泌尿系统肿瘤（如前列腺癌、肾细胞癌、膀胱癌）	数字病理学	前列腺癌	机器学习, 深度学习	NA	图像, 液体活检, H&E染色切片	NA	NA	NA	准确率, AUC, 敏感性	NA
155	2026-01-08	Validation of a Deep Learning U-Net Algorithm for Multistructure Segmentation of Infrarenal Abdominal Aortic Aneurysms including Lumen, Thrombus, and Calcifications 2026, EJVES vascular forum IF:1.4Q3 DOI:10.1016/j.ejvsvf.2025.11.001 PMID:41488250	研究论文	本研究验证了一种基于深度学习的U-Net算法，用于自动分割腹主动脉瘤的多个结构，包括管腔、血栓和钙化	开发了一种全自动深度学习算法，能够同时分割腹主动脉瘤的管腔、血栓和钙化，为数字孪生生成提供优化方案	外部验证仅基于48个CT血管造影扫描，样本量相对较小	验证一种新的全自动深度学习主动脉分割算法，用于优化数字孪生生成	腹主动脉和髂动脉的管腔、侧支动脉、腔内血栓和壁钙化	数字病理	心血管疾病	CT血管造影	CNN	图像	训练集1280个CT血管造影扫描（1000个预训练，280个微调），外部验证集48个扫描	NA	U-Net	Dice相似系数，平均表面距离	NA
156	2026-01-08	Deep Learning Model for Predicting Operative Mortality After Total Gastrectomy: Analysis of the Japanese National Clinical Database (NCD) 2026-Jan, Annals of gastroenterological surgery IF:2.9Q2 DOI:10.1002/ags3.70067 PMID:41488848	研究论文	本研究利用日本国家临床数据库（NCD）的大数据，开发了一个深度学习模型，用于预测全胃切除术后的手术死亡率	首次利用NCD大数据构建深度学习模型来预测全胃切除术后的手术死亡率，并采用了四层、5217个变量的复杂模型结构	模型准确性有待提高，需要引入与术后并发症相关或传统方法无法分析的新变量	开发一个深度学习预测模型，用于术前基于患者预期手术风险进行分层，以降低全胃切除术后的死亡率	2018年1月至2019年12月期间在日本国家临床数据库中注册的、年龄18岁及以上、因胃癌接受全胃切除术的患者	机器学习	胃癌	NA	深度学习模型	结构化临床数据（包括年龄、性别、既往病史、术前血液检查结果、肿瘤特征等）	14,980例（其中11,980例用于训练，3,000例用于验证）	TensorFlow, Keras	四层神经网络	C统计量（AUC）	NA
157	2026-01-08	A Trust-Guided Approach to MR Image Reconstruction With Side Information 2026-Jan, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2025.3594363 PMID:40742840	研究论文	提出了一种用于多对比度MRI重建的端到端深度学习框架，通过可信度引导有效整合辅助数据	开发了可信度引导变分网络（TGVN），首次在医学成像中系统性地将辅助数据（侧信息）整合到线性逆问题求解中，并引入可信度机制确保可靠性	未明确说明模型在不同病理类型和扫描协议下的泛化能力极限，也未讨论计算复杂度对临床实时应用的潜在影响	解决MRI扫描时间过长的问题，通过深度学习加速图像重建过程	多线圈、多对比度的磁共振图像	医学影像重建	NA	磁共振成像（MRI）	深度学习网络	k空间数据、多对比度图像	NA	PyTorch	变分网络（Variational Network）	图像质量评估、病理特征保留度	NA
158	2026-01-08	Deep learning-based severity grading of Meniere's disease using 2D MRI 2026-Jan, Medical physics IF:3.2Q1 DOI:10.1002/mp.70268 PMID:41491611	研究论文	本文开发并评估了一种基于深度学习的多阶段严重程度评估系统（MSAS），用于利用2D MRI对梅尼埃病进行精确分割和严重程度分层	提出了一种新颖的多阶段深度学习框架（MSAS），整合了序列级预测和切片级分割，并结合了HOG、SVM、YOLO-V5和Grad-CAM技术，提高了梅尼埃病严重程度分级的准确性和可解释性	研究样本量相对有限（开发队列189例，外部测试集70例），且依赖于2D MRI数据，可能未充分利用3D空间信息	开发一个可靠的深度学习框架，用于梅尼埃病的精确诊断和严重程度分级	梅尼埃病患者	数字病理学	梅尼埃病	2D 磁共振成像	YOLO-V5, SVM	图像	开发队列189例患者，独立外部测试集70例患者	NA	YOLO-V5	交并比, Dice系数, 准确率, 平均精度均值, 曲线下面积	NA
159	2026-01-08	Image enhancement for accelerated MRI using a joint GAN and diffusion model framework 2026-Jan, Medical physics IF:3.2Q1 DOI:10.1002/mp.70242 PMID:41492035	研究论文	本研究提出了一种结合生成对抗网络和扩散模型的深度学习框架，用于增强加速MRI的图像质量，以减少扫描时间并确保肿瘤靶向的准确性	提出了一种新颖的两阶段端到端深度学习框架RRENet，首次将GAN和扩散模型结合用于加速MRI增强，并引入了高频分离训练模块以保留精细解剖细节	研究仅针对胶质瘤患者的3D T2加权MRI扫描，样本量相对较小（62名患者），且未在其他疾病类型或MRI序列上进行验证	提升加速MRI采集的图像质量，以确保精确的肿瘤靶向配准并缩短患者在治疗床上的时间	62名胶质瘤患者的72对3D T2加权MRI扫描（标准协议与加速协议）	计算机视觉	胶质瘤	MRI扫描	GAN, 扩散模型	3D MRI图像	62名患者，共72对3D T2加权MRI扫描	NA	RRENet	PSNR, SSIM, RMSE	NA
160	2026-01-08	Advancing biological taxonomy in the AI era: deep learning applications, challenges, and future directions 2026-Jan, Science China. Life sciences DOI:10.1007/s11427-025-3074-8 PMID:41136689	综述	本文回顾了生物分类学在人工智能时代的发展，重点探讨了深度学习在图像、声音、基因序列分类及物种性状解析中的应用、挑战与未来方向	系统梳理了生物分类学从形态学、分子生物学到人工智能驱动的三个阶段，首次提出将基因组视为“语言”的基础模型可能为物种界定提供更根本的数据驱动基础，并强调因果感知模型的整合可能带来变革	面临数据质量、算法鲁棒性、参考库完整性、模型透明度及共享标准等多重挑战，且AI与分类学的深度融合可能导致核心分类概念的演变，需谨慎引导	探讨人工智能（特别是深度学习）在生物分类学中的应用潜力、当前挑战及未来发展方向	生物分类学的方法论与技术体系	自然语言处理, 计算机视觉, 机器学习	NA	深度学习, 基础模型	基础模型	图像, 音频, 基因序列, 文本	NA	NA	NA	NA	NA