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
1601	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
1602	2026-01-08	Bioprocess modeling and optimization in composting of hazelnut processing wastes and municipal solid waste: Type 1 fuzzy regression, neural network based approaches and genetic algorithm 2026-Jan-01, Journal of environmental management IF:8.0Q1 DOI:10.1016/j.jenvman.2025.128254 PMID:41386011	研究论文	本研究开发了一种混合模型，用于预测和优化榛子加工废弃物与城市固体废物堆肥过程中的堆肥成熟度	提出了一种结合模糊回归、神经网络和深度学习策略的混合模型，能够同时建模线性和非线性关系，处理过程不确定性，并具备现有文献中建模工具所不具备的优越特性	未明确说明实验样本的具体数量，且模型性能仅在特定废弃物组合下验证	通过机器学习模型优化有机废弃物堆肥过程，提高堆肥效率和质量	榛子壳、榛子壳与城市固体废物的混合堆肥过程	机器学习	NA	堆肥过程监测（温度、pH、C/N、水分含量、NH/NO、发芽指数）	混合模型（模糊回归、神经网络、深度学习）	过程参数数据（温度、pH、C/N等）	未明确说明具体样本数量，但提及使用有限实验数据	NA	神经网络（具体架构未指定）	比例误差（低于5%）、期望水平（95%以上）	NA
1603	2026-01-08	Detection of Mycobacterium tuberculosis in Ziehl-Neelsen Stained Sputum Smear Specimens Using Deep Learning Techniques 2026-Jan, APMIS : acta pathologica, microbiologica, et immunologica Scandinavica IF:2.2Q3 DOI:10.1111/apm.70138 PMID:41494997	研究论文	本研究探讨了深度学习技术在Ziehl-Neelsen染色痰涂片标本中检测结核分枝杆菌的有效性	应用多种迁移学习模型（如DenseNet201、ResNet101V2、Xception等）进行结核分枝杆菌的自动检测，其中InceptionV3和Xception模型在所有评估指标上达到99.00%的高性能	未明确说明样本来源的多样性、模型在临床环境中的泛化能力测试以及计算资源的具体需求	评估深度学习模型在基于显微镜检查的结核病诊断中的性能，并探索其在提高敏感性和可用性方面的改进	Ziehl-Neelsen染色的痰涂片标本中的抗酸杆菌（AFB）	计算机视觉	结核病	抗酸染色（Ziehl-Neelsen染色）	CNN	图像	NA	NA	DenseNet201, ResNet101V2, Xception, InceptionResNetV2, InceptionV3	准确率, 召回率, 精确率, F1分数	NA
1604	2026-01-08	Attention-driven framework to segment renal ablation zone in posttreatment CT images: a step toward ablation margin evaluation 2026-Jan, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.13.1.014001 PMID:41497560	研究论文	本文提出了一种基于注意力机制的深度学习框架，用于在治疗后CT图像中分割肾脏消融区，以辅助消融边缘评估	首次使用并行CT图像进行基于深度学习的肾脏消融区分割，并引入了注意力机制增强U-Net架构以提升分割精度	数据集规模较小（仅76名患者），且分割精度（如DSC为0.70）和召回率（0.73）仍有提升空间，可能影响在多样化临床场景中的泛化能力	开发并评估一种准确的深度学习工作流程，用于从肾脏CT图像中分割肾脏消融区，以支持治疗评估	肾脏消融区（RAZ）在治疗后CT图像中的分割	数字病理学	肾细胞癌	CT成像	CNN	3D CT图像	76名患者的注释肾脏消融区CT图像	NA	注意力增强的U-Net	准确率, 精确率, 召回率, DSC, Jaccard系数, 特异性, 豪斯多夫距离, 平均绝对边界距离	NA
1605	2026-01-07	Deep Learning for Video Anomaly Detection: A Review 2026-Jan-05, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2025.3647892 PMID:41489948	综述	本文对基于深度学习的视频异常检测方法进行了全面综述，涵盖了不同监督级别的分类、公共数据集、开源代码和评估指标	弥补了过去综述仅关注半监督VAD和小模型方法的局限性，深入探讨了基于预训练大模型和开放世界学习的最新工作	NA	视频异常检测（VAD）旨在发现视频中偏离正常行为或事件	视频数据	计算机视觉	NA	深度学习	NA	视频	NA	NA	NA	NA	NA
1606	2026-01-07	Revisiting Out-of-Distribution Detection in Real-time Object Detection: From Benchmark Pitfalls to a New Mitigation Paradigm 2026-Jan-05, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2025.3650695 PMID:41489965	研究论文	本文重新审视了实时目标检测中的分布外检测问题，揭示了现有基准测试的缺陷，并提出了一种新的训练时缓解范式	揭示了广泛使用的评估基准存在根本性缺陷（OoD测试集中高达13%的对象实际上属于分布内类别），并提出了一种独立于外部OoD检测器的新型训练时缓解范式，通过使用语义上类似于分布内对象的合成OoD数据集微调检测器来塑造防御性决策边界	未明确说明合成OoD数据集的构建细节及其在不同场景下的泛化能力限制	有效减少目标检测器中由分布外输入引起的幻觉错误	实时目标检测模型	计算机视觉	NA	NA	CNN	图像	使用BDD-100K数据集	PyTorch	YOLO, Faster R-CNN, RT-DETR	幻觉错误减少率	NA
1607	2026-01-07	Risk prediction of progression from normal cognitive function to Alzheimer's disease in elderly aged 65 and above based on deep learning methods 2026-Jan-05, Journal of Alzheimer's disease : JAD DOI:10.1177/13872877251410937 PMID:41490207	研究论文	本研究基于深度学习模型，预测65岁及以上老年人从正常认知功能进展为阿尔茨海默病的风险	采用深度学习模型（DeepSurv和DeepHit）与传统Cox模型比较，用于预测阿尔茨海默病的进展风险，并评估其在临床早期筛查中的潜力	研究未详细说明样本的具体来源和多样性，且临床验证尚未完成，模型的实际应用效果有待进一步确认	建立从正常认知功能进展为阿尔茨海默病的风险预测模型，为临床决策和早期筛查工具开发提供参考	65岁及以上认知功能正常的老年人	机器学习	阿尔茨海默病	NA	DeepSurv, DeepHit, Cox模型	临床数据	NA	NA	DeepSurv, DeepHit, Cox模型	C-index, IBS, AUC	NA
1608	2026-01-07	A deep learning-based markerless gait analysis model for dogs shows promising accuracy when validated with 2-dimensional marker-based data 2026-Jan-05, American journal of veterinary research IF:1.3Q2 DOI:10.2460/ajvr.25.09.0337 PMID:41490686	研究论文	本文开发并验证了一种基于深度学习的无标记步态分析模型，用于犬类步态分析，并与二维标记系统进行比较	首次从随机初始化训练专门针对犬类步态分析的深度学习模型，并在临床环境中验证其准确性	需要进一步在不同犬种和环境条件下进行验证，目前仍处于早期阶段	开发适用于犬类步态分析的深度学习模型，并验证其准确性	犬类步态分析	计算机视觉	NA	深度学习	ViTPose-L	图像	408只客户拥有的犬只，涉及超过30个品种，包括小型到大型体型	NA	ViTPose-L	COCO风格的平均精度均值, 归一化关键点误差, 正确关键点百分比	NA
1609	2026-01-07	Osteoarthritis Severity Classification in Knee X-Rays Using Optimized Deep Learning Approaches 2026-Jan-05, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01818-7 PMID:41491733	研究论文	本研究提出了一种基于深度学习的系统，利用膝关节X射线图像对骨关节炎的严重程度进行分类	使用灰狼优化算法自动优化全连接层的超参数，以提高模型在区分骨关节炎等级时的学习效率和准确性	数据集仅来自单一医院，样本量相对较小（每类200张图像，共1000张），可能影响模型的泛化能力	开发一个准确分类骨关节炎严重程度的系统，以辅助早期诊断和治疗决策	膝关节X射线图像	计算机视觉	骨关节炎	X射线成像	CNN	图像	1000张膝关节X射线图像（每类200张，共5类）	NA	EfficientNetB1, DenseNet169, Xception	准确率, 精确率, 召回率, F1分数, ROC曲线	NA
1610	2026-01-07	MMCT-Net: a Multi-Modal Hybrid CNN-Transformer Fusion Network for Preoperative Prediction of Malignant Invasion in Pulmonary Ground-Glass Nodules 2026-Jan-05, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01795-x PMID:41491731	研究论文	提出一种多模态混合CNN-Transformer融合网络，用于术前预测肺磨玻璃结节中的恶性浸润	开发了MMCT-Net模型，结合局部到全局的上下文信息与2D到3D空间表示，并自适应融合深度学习特征、临床参数和影像组学特征	研究为多中心回顾性设计，可能存在选择偏倚；样本量相对有限（421例患者）	提高肺磨玻璃结节中浸润性腺癌的术前预测准确性，降低手术不匹配率	接受磨玻璃结节手术的421例患者的薄层CT扫描和临床病理数据	计算机视觉	肺癌	薄层计算机断层扫描	CNN, Transformer	图像, 临床数据	421例患者	NA	MMCT-Net（多模态混合CNN-Transformer融合网络）	AUC	NA
1611	2026-01-07	TET Loss: A Temperature-Entropy Calibrated Transfer Loss for Reliable Medical Image Classification 2026-Jan-05, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01816-9 PMID:41491738	研究论文	本文提出了一种用于医学图像分类的温度-熵校准迁移损失函数（TET Loss），旨在提高模型的可靠性和泛化能力	提出了一种即插即用的损失函数，结合温度缩放调节逻辑值锐度和熵正则化促进不确定性感知学习，无需增加推理时间开销	仅在四个公开基准数据集上进行了验证，未在更大规模或更多样化的临床数据集上进行测试	提高医学图像分类模型的预测可靠性和领域适应性，减少过自信预测和领域不匹配问题	医学图像分类模型	计算机视觉	乳腺癌, 皮肤病, 肺炎, 视网膜疾病	NA	CNN, Transformer, 混合骨干网络	图像	四个公开基准数据集（BreastMNIST, DermaMNIST, PneumoniaMNIST, RetinaMNIST）	NA	EfficientViT-M2, BiFormer-Tiny, RMT-T3	F1分数, AUC	NA
1612	2026-01-07	From Liver to Brain: A 2.5D Deep Learning Model for Predicting Hepatic Encephalopathy Using Opportunistic Non-contrast CT in Hepatitis B Related Acute-on-Chronic Liver Failure Patients 2026-Jan-05, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01802-1 PMID:41491737	研究论文	本研究开发了一种基于2.5D深度学习的框架，利用非对比CT扫描预测乙型肝炎相关慢加急性肝衰竭患者的肝性脑病风险	首次提出利用常规非对比CT扫描结合2.5D深度学习和多示例学习方法，从肝脏影像中预测肝性脑病风险，为无创个体化风险评估提供了新方法	回顾性研究设计，样本量相对有限（228例），仅针对乙型肝炎相关慢加急性肝衰竭患者，未在其他病因肝病患者中验证	开发早期预测肝性脑病的深度学习模型，实现个体化风险评估	乙型肝炎相关慢加急性肝衰竭患者	数字病理学	肝性脑病	非对比CT扫描	深度学习	医学影像	228例患者（训练集102例，内部验证集44例，外部测试集82例）	PyTorch, Scikit-learn	DenseNet121, DenseNet201, ResNet50, InceptionV3	AUC	NA
1613	2026-01-07	Imaging-Based Artificial Intelligence in Vascular and Interventional Radiology: A Narrative Review 2026-Jan-05, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01803-0 PMID:41491740	综述	本文是一篇关于影像学人工智能在血管与介入放射学中应用的叙事性综述	系统性地回顾了人工智能在血管介入放射学（VIR）术前、术中和术后各阶段基于不同影像模态的应用，并强调了其在解剖结构分割、病变检测和预后预测方面的卓越性能	数据集规模较小、存在潜在偏倚以及模型可解释性问题	探讨人工智能在血管介入放射学领域的应用现状与潜力	血管介入放射学（VIR）中基于影像的AI应用研究	数字病理学	心血管疾病	影像学模态（CT, MRI, 荧光透视/DSA, 超声, X射线, 多模态）	深度学习模型, 机器学习	影像	NA	NA	NA	Dice相似系数, 准确率, AUC	NA
1614	2026-01-07	Contactless biometric verification from in-air signatures using deep siamese networks 2026-Jan-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29100-4 PMID:41484193	研究论文	本研究开发了一种基于深度孪生网络的非接触式生物特征验证系统，利用空中签名数据进行身份认证	采用基于双向LSTM和对比损失的孪生神经网络架构，学习签名验证的判别性嵌入空间，并引入更严格的留两样本交叉验证协议来评估泛化能力	研究样本量较小（仅25名参与者），训练数据有限，可能影响模型的泛化性能和实际应用范围	探索空中签名作为一种非接触式生物特征在身份验证中的可行性和有效性	25名参与者的空中签名数据，包括200个正负签名对	机器学习	NA	指尖跟踪或深度感知	孪生神经网络	三维空间中的签名手势数据	25名参与者，200个签名对	NA	基于双向LSTM的孪生神经网络	准确率, F1分数, 召回率	NA
1615	2026-01-07	Discovery of selective GluN1/GluN3A NMDA receptor inhibitors using integrated AI and physics-based approaches 2026-Jan, Acta pharmacologica Sinica IF:6.9Q1 DOI:10.1038/s41401-025-01607-6 PMID:40659855	研究论文	本研究通过结合人工智能与物理模型，开发了一个化合物虚拟筛选流程，用于发现针对GluN1/GluN3A NMDA受体亚型的高选择性抑制剂	整合了两种基于序列的深度学习预测模型（TEFDTA和ESMLigSite）与分子对接方法，构建了一个高效的虚拟筛选管道，显著提高了针对复杂离子通道的抑制剂发现命中率	研究依赖于商业数据库的化合物，可能未涵盖所有潜在活性分子；且针对GluN1/GluN3A受体的结构数据有限，可能影响模型精度	发现针对GluN1/GluN3A NMDA受体亚型的高效、选择性抑制剂，以探索其在情绪调节等神经系统疾病中的治疗潜力	GluN1/GluN3A NMDA受体（一种作为兴奋性甘氨酸受体的非常规NMDA受体亚型）	计算药物发现	神经系统疾病（涉及情绪调节）	虚拟筛选、分子对接、深度学习预测	深度学习模型	化合物序列数据、分子结构数据	从包含1800万种化合物的商业数据库中进行筛选	NA	TEFDTA, ESMLigSite	命中率（50%）、抑制活性（IC50值）、选择性倍数（>23倍）	NA
1616	2026-01-07	Deep learning-based ultrasound diagnostic model for follicular thyroid carcinoma 2026-Jan, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-11840-6 PMID:40681777	研究论文	本研究开发了一种基于深度学习的端到端超声诊断模型，用于术前区分甲状腺良性肿瘤、滤泡状甲状腺癌和其他恶性肿瘤	提出了一种新的数据增强方法和混合损失函数来处理类别不平衡问题，并将其应用于预训练的卷积神经网络和Transformer模型，以有效提取超声图像特征	回顾性多中心研究，可能存在选择偏倚；样本中滤泡状甲状腺癌的比例较低（3.6%），可能影响模型泛化能力	开发一个基于深度学习的超声诊断模型，以术前准确分类甲状腺肿瘤为良性、滤泡状甲状腺癌和其他恶性肿瘤	甲状腺肿瘤患者，包括良性肿瘤、滤泡状甲状腺癌和其他恶性肿瘤	数字病理学	甲状腺癌	超声成像	CNN, Transformer	图像	10771名连续成年患者，其中测试集包括1078名患者（滤泡状甲状腺癌39例，其他恶性肿瘤385例）	NA	预训练的卷积神经网络和Transformer模型	平衡准确率, AUC, 敏感性, 特异性	NA
1617	2026-01-07	EICSeg: Universal Medical Image Segmentation via Explicit In-Context Learning 2026-Jan, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2025.3591565 PMID:40694460	研究论文	提出了一种名为EICSeg的通用医学图像分割框架，通过显式上下文学习实现无需重新训练即可适应新任务的分割	首次将上下文学习的核心交互机制重新定义为显式检索过程（E-ICL），并构建了首个端到端的通用医学图像分割框架，结合了互补的视觉基础模型	未明确说明在极端数据分布或罕见解剖结构下的性能表现，也未讨论计算效率与实时应用的平衡	开发一种能够泛化到未见过的医学图像分割任务的通用框架，减少对任务特定模型重新训练的需求	医学图像分割任务，涵盖多种解剖结构、标签和成像模态	计算机视觉	NA	医学图像分割	视觉基础模型	医学图像	训练使用47个数据集，测试使用9个未见过的数据集	PyTorch	SD-Adapter	Dice系数	NA
1618	2026-01-07	SUP-Net: Slow-Time Upsampling Network for Aliasing Removal in Doppler Ultrasound 2026-Jan, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2025.3591820 PMID:40705591	研究论文	本文提出了一种基于深度学习的慢时间上采样网络（SUP-Net），用于消除多普勒超声中的混叠误差，通过提升脉冲重复频率（PRF）来改善血流估计质量	开发了SUP-Net网络，利用时空特征对高帧率超声采集的信号进行上采样，首次实现从低PRF信号推断高PRF信号，以解决混叠问题	研究仅基于22名参与者的体内采集数据进行训练和评估，样本量相对有限，且未明确讨论模型在不同硬件或临床环境中的泛化能力	旨在解决多普勒超声中因脉冲重复频率低于奈奎斯特极限导致的混叠误差，提升血流诊断的准确性	多普勒超声信号，特别是频谱多普勒和彩色血流成像中的慢时间信号	医学影像处理	心血管疾病	脉冲回波传感和相移估计原理，高帧率超声（HiFRUS）	CNN	超声信号（慢时间信号）	22名参与者的体内采集数据	NA	SUP-Net	NA	NA
1619	2026-01-07	A Deep Learning Multimodal Fusion-Based Method for Cell and Nucleus Segmentation 2026-Jan, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2025.3592625 PMID:40711898	研究论文	本文提出了一种基于深度学习多模态融合的细胞与细胞核分割方法，旨在解决标注数据稀缺的问题	提出了一种无需在新数据上重新训练即可完成细胞与细胞核分割任务的综合方法，通过结合预训练的自然图像模型和多模态提示模块来利用先验知识并融合图像与文本信息	未明确说明方法在特定细胞类型或复杂生物样本上的泛化能力，也未详细讨论计算效率或实时性能	开发一种能够在标注数据有限的情况下有效进行细胞与细胞核分割的深度学习方法	细胞与细胞核的图像	数字病理学	NA	深度学习多模态融合	深度神经网络	图像, 文本	NA	NA	NA	NA	NA
1620	2026-01-07	Enhancing Brain Source Reconstruction by Initializing 3-D Neural Networks With Physical Inverse Solutions 2026-Jan, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2025.3594724 PMID:40758497	研究论文	提出一种名为3D-PIUNet的混合方法，用于EEG源定位，通过结合传统物理逆解和3D卷积U-Net深度学习技术来增强大脑源重建的准确性	创新性地将传统物理逆解（伪逆映射）作为初始估计，与3D卷积U-Net结合，有效整合了物理先验和数据驱动学习的优势，提升了空间精度	模型训练依赖于模拟的伪真实大脑源数据，可能无法完全覆盖真实EEG数据的复杂性；未详细讨论计算资源需求或模型泛化到其他任务的性能	提高脑电图（EEG）信号中大脑源的空间定位准确性，以更好地理解脑功能与功能障碍	大脑源重建，基于EEG信号进行源定位	机器学习	NA	脑电图（EEG）	CNN	3D体积数据（大脑作为3D体积），模拟的伪真实大脑源数据，真实EEG数据	NA	NA	3D卷积U-Net	空间精度	NA