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
1841	2026-01-14	MRI-based deep learning and radiomics for severity classification of pediatric venous malformations 2026-Jan-12, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-026-02161-1 PMID:41526842	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1842	2026-02-13	Crop phenotype prediction using SNP context and whole-genome feature embedding based on DNABERT-2 2026-Jan-12, Plant methods IF:4.7Q1 DOI:10.1186/s13007-025-01492-4 PMID:41527074	研究论文	本研究提出两种基于DNABERT-2基因组基础模型的特征嵌入方法，用于作物表型预测，并比较了不同遗传力性状下的预测性能	首次将DNABERT-2跨物种基因组基础模型应用于作物表型预测，提出SNP上下文和全基因组两种特征嵌入模式，突破了传统方法仅关注单个SNP累积效应的局限	研究仅针对三种作物数据集（水稻和玉米）进行验证，未涵盖更广泛的作物种类；特征维度优化范围有限（4-768维）	开发基于基因组序列上下文的精准表型预测方法，加速优良作物品种选育	水稻（rice413, rice395）和玉米（maize301）的基因组序列与表型数据	机器学习	NA	基因组测序	Transformer, 机器学习算法	基因组序列	三个作物数据集（水稻413个样本、水稻395个样本、玉米301个样本）	DNABERT-2	DNABERT-2（基于Transformer架构）	准确率, 平均绝对误差	NA
1843	2026-02-13	A multicenter deep learning framework integrating radiomics and vision transformers for comprehensive ovarian tumor analysis from ultrasound imaging 2026-Jan-11, European journal of medical research IF:2.8Q2 DOI:10.1186/s40001-025-03395-5 PMID:41521324	研究论文	本研究开发并验证了一个多中心深度学习框架，整合了放射组学特征和视觉变换器，用于从超声图像中实现卵巢肿瘤的全面分析，包括分割、多分类和预后预测	提出一个结合放射组学描述符和深度特征嵌入的多中心深度学习框架，首次在卵巢肿瘤超声分析中集成多种分割网络和分类器，并进行了外部验证	研究为回顾性分析，可能存在选择偏倚；未明确说明模型在不同超声设备或采集参数下的泛化能力	开发一个鲁棒的多中心深度学习流程，用于卵巢肿瘤的全面分析，以支持个性化临床决策	卵巢肿瘤患者	计算机视觉	卵巢癌	超声成像	CNN, Transformer	图像	3156名患者（来自八个中心），外部验证集756名患者	NA	UNETR, nnU-Net, Swin-UNet, SegNet, UNet, ResNet, Vision Transformer (ViT), TabTransformer, MLP, XGBoost	DSC, AUC, 准确率, C-index	NA
1844	2026-02-13	High-throughput spheroid-based assay for functional breast cancer precision medicine facilitated by deep learning 2026-Jan-10, Communications medicine IF:5.4Q1 DOI:10.1038/s43856-025-01359-8 PMID:41519924	研究论文	本研究开发了一种基于深度学习的高通量球体检测方法，用于乳腺癌精准医学的功能性评估	利用深度学习实现自动球体分割，以预测肿瘤对顺铂、奥拉帕尼和放疗的敏感性，为乳腺癌精准治疗提供功能性检测手段	研究基于患者来源的异种移植模型，可能无法完全反映人体内肿瘤的复杂性，且样本量有限	开发一种功能性检测方法，以预测乳腺癌患者对靶向治疗和放疗的个性化反应	乳腺癌患者来源的异种移植模型，特别是对顺铂敏感和耐药的肿瘤	数字病理学	乳腺癌	高通量球体培养、深度学习图像分析	深度学习模型	图像	使用患者来源的乳腺癌异种移植模型，具体数量未在摘要中明确说明	NA	NA	响应与非响应球体的百分比预测	NA
1845	2026-02-13	Survival prediction and risk stratification in R0-resected ovarian cancer: a multi-modal deep learning approach 2026-Jan-10, NPJ precision oncology IF:6.8Q1 DOI:10.1038/s41698-025-01263-3 PMID:41520012	研究论文	本研究提出了一种名为OvcaSurvivor的多模态深度学习框架，用于R0切除卵巢癌患者的生存预测和风险分层	开发了首个整合全切片图像、超声图像和临床数据的多模态深度学习框架，并引入了注意力引导融合模块以提升预测性能	研究样本量相对有限（543例患者），且外部验证性能有所下降（C指数从0.81降至0.70）	提高卵巢癌患者的生存预测准确性和个体化风险评估	R0切除的卵巢癌患者	数字病理学	卵巢癌	全切片图像分析, 超声成像	深度学习	图像, 临床数据	543名患者	NA	CHIEF, ResNet50	C指数, 时间依赖性AUC	NA
1846	2026-02-13	Leveraging large scale deep learning models for diagnosis and visual outcome prediction in retinitis pigmentosa 2026-Jan-08, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-025-02311-9 PMID:41507439	研究论文	本研究开发了基于大规模深度学习模型的诊断和预后模型，用于视网膜色素变性的诊断和视觉结果预测	利用预训练的大规模深度学习模型结合临床元数据进行生存分析，在患者层面严格分割以避免数据泄露，并发现诊断和预后特征不同	需要外部和多中心数据集进行进一步验证以实现临床转化	开发视网膜色素变性的诊断和视觉预后预测模型	视网膜色素变性患者	计算机视觉	视网膜色素变性	深度学习	CNN	图像, 临床元数据	NA	NA	EfficientNetB4	AUC, 时间依赖性AUC	NA
1847	2026-02-13	Longitudinal MRI-based deep learning model for predicting pathological complete response in breast cancer: a multicenter, retrospective cohort study 2026-Jan-05, NPJ precision oncology IF:6.8Q1 DOI:10.1038/s41698-025-01256-2 PMID:41491286	研究论文	本研究提出了一种基于纵向MRI的深度学习模型BSTNet，用于预测乳腺癌新辅助治疗后的病理完全缓解	开发了一种新颖的乳腺自监督时序学习框架（BSTNet），通过自监督预训练实现模型在多时间点和双时间点场景下的泛化，并捕捉新辅助治疗期间肿瘤的动态变化	NA	早期预测乳腺癌患者对新辅助治疗的病理完全缓解，以优化治疗策略	乳腺癌患者	数字病理学	乳腺癌	纵向MRI	深度学习模型	MRI图像	1339名患者（多中心队列）	NA	BSTNet	AUC, 特异性	NA
1848	2026-02-13	A Deep Learning-Enabled Ionogram Dataset for Detection and Classification of Low-latitude Spread-F Phenomena 2026-Jan-03, Scientific data IF:5.8Q1 DOI:10.1038/s41597-025-06493-5 PMID:41484136	研究论文	本文介绍了一个用于检测和分类低纬度Spread-F现象的首个公开、专家指导的深度学习离子图数据集	首次提供了公开的、专家指导的离子图数据集，覆盖最全面的类别、最大数据量和最长时间跨度，并附带了基于该数据集的分类模型	NA	研究电离层Spread-F现象，以改进无线电技术（如通信和导航）中的操作应用	低纬度Spread-F现象	计算机视觉	NA	NA	CNN	图像	150,000张离子图（包括30,000张每类，含“非SF”组），覆盖2002年至2016年共14年	NA	SA-ResNet50	NA	NA
1849	2026-02-12	Construction and validation of a CT-based radiomics-deep learning signature for non-invasive prediction of PD-L1 expression and immunotherapy outcomes in non-small cell lung cancer 2026-Jan-31, Translational lung cancer research IF:4.0Q1 DOI:10.21037/tlcr-2025-1-1433 PMID:41659266	研究论文	本研究构建并验证了一种基于CT的放射组学-深度学习特征，用于无创预测非小细胞肺癌的PD-L1表达及免疫治疗结果	融合了放射组学特征和深度学习特征，开发了一种新型的CT图像签名（RADLsig），用于无创预测PD-L1表达和免疫治疗反应，相比单一方法性能更优	研究为回顾性设计，模型开发队列中腺癌占主导且多为早期疾病，可能限制了泛化性；PD-L1表达检测依赖免疫组化，存在采样偏差等固有局限	开发一种非侵入性预测工具，用于评估非小细胞肺癌患者的PD-L1表达状态和免疫治疗临床结局	非小细胞肺癌患者	数字病理学	肺癌	CT成像, 免疫组化, 单细胞RNA测序	深度学习, 放射组学	CT图像	模型开发队列531例患者，独立免疫治疗验证队列145例患者，TCIA验证队列128例患者	PyRadiomics	NA	AUC, 客观缓解率, 相关系数	NA
1850	2026-02-12	A CT imaging-based deep learning model for predicting EGFR and KRAS mutations in non-small cell lung cancer: toward personalized treatment approaches 2026-Jan-31, Translational lung cancer research IF:4.0Q1 DOI:10.21037/tlcr-2025-1043 PMID:41659270	研究论文	本研究开发并外部验证了一种基于CT成像和临床变量的多模态深度学习模型，用于无创预测非小细胞肺癌中的EGFR和KRAS突变	提出了结合CT成像特征与临床变量的多模态深度学习模型LG-MutaNet，并在多个外部数据集上验证了其预测EGFR和KRAS突变的高性能	研究依赖于公开数据集，可能受数据质量和样本选择偏差影响；模型在更广泛人群中的泛化能力仍需进一步验证	开发一种非侵入性方法，通过CT成像和临床数据预测非小细胞肺癌的关键基因突变，以支持个性化治疗决策	非小细胞肺癌患者的CT扫描图像及相关临床变量	数字病理学	肺癌	CT成像	深度学习模型	图像, 临床数据	来自TCIA（包括NSCLC Radiogenomics、TCGA-LUSC和TCGA-LUAD）的多个数据集	NA	Local-Global Mutation Network (LG-MutaNet)	AUC, 准确率, 敏感性, 特异性, F1分数	NA
1851	2026-02-12	Combining Pre- and Post-Demosaicking Noise Removal for RAW Video 2026, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2025.3527886 PMID:40031011	研究论文	本文提出了一种结合去马赛克前后去噪的自相似性去噪方案，用于Bayer模式CFA视频数据	通过加权预去马赛克和后去马赛克去噪器，并集成时间轨迹预滤波步骤，实现自适应不同噪声水平的实时视频去噪	未明确提及模型对极端场景或未知噪声分布的泛化能力限制	开发一种自适应噪声水平、适用于真实世界视频处理的去噪方法	Bayer模式CFA视频数据	计算机视觉	NA	深度学习去噪	神经网络	视频	NA	NA	NA	图像质量	NA
1852	2026-02-12	Is EMG Information Necessary for Deep Learning Estimation of Joint and Muscle Level States? 2026-Jan, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3577084 PMID:40471740	研究论文	本研究探讨了在深度学习模型中，肌电图（EMG）信息对于估计关节和肌肉水平生理状态的必要性	通过比较使用和不使用EMG信息的深度学习模型，首次系统评估了EMG在关节和肌肉状态估计中的作用，并发现仅训练时使用EMG即可显著提升肌肉状态估计性能	需要EMG作为模型输入的方法在实际部署中可能不切实际，因为需要获取EMG数据	开发准确、非侵入性的方法来估计关节和肌肉的生理状态，以增强可穿戴设备在真实世界行走中的控制	膝关节的生理状态，包括力矩、功率、速度和力	机器学习	NA	深度学习	深度学习模型	运动学输入	28种不同的周期性和非周期性任务	NA	NA	NA	NA
1853	2026-02-12	Reduction of membrane-derived noise using beam-tilt measurement and deep learning in observation using environmental cell 2026-Jan-01, Microscopy (Oxford, England) DOI:10.1093/jmicro/dfaf031 PMID:40581827	研究论文	提出一种结合电子束倾斜测量和深度学习的方法，用于去除环境细胞电子显微镜中由硅氮化物膜引起的噪声	首次将Noise2Noise深度学习模型应用于电子束倾斜序列图像，有效分离膜噪声与样本信息，并同步消除泊松噪声	未明确说明方法对动态样本或极端环境条件的适用性，且未提供量化对比实验数据	提升环境细胞电子显微镜在气体/液体环境中观测纳米材料的图像质量	催化剂及其他纳米材料在环境细胞中的透射电子显微镜图像	计算机视觉	NA	透射电子显微镜，环境细胞技术	深度学习	图像序列	NA	NA	Noise2Noise	信噪比	NA
1854	2026-02-12	Application of explainable artificial intelligence integrating with electronic health record in oncology 2026, Exploration of targeted anti-tumor therapy DOI:10.37349/etat.2026.1002357 PMID:41657585	综述	本文综述了可解释人工智能（XAI）方法在基于电子健康记录（EHR）的肿瘤学任务中的应用、挑战及未来研究方向	总结了当前XAI在肿瘤学EHR任务中的应用方法，并提出了加速其在肿瘤学中安全采用的实用建议和研究方向	存在报告不一致、临床效用评估不足、可重复性有限、外部验证不足以及对公平性考虑不充分等差距	提高基于EHR的肿瘤学机器学习模型的透明度和临床可接受性，以改善肿瘤学护理	基于电子健康记录的肿瘤学机器学习模型	机器学习	肿瘤学	NA	树模型, 广义可加模型	电子健康记录	NA	NA	NA	NA	NA
1855	2026-02-12	IoMT-Fog-Cloud-based AI frameworks for chronic disease diagnosis: updated comparative analysis with recent AI-IoMT models (2020-2025) 2026, Frontiers in medical technology IF:2.7Q3 DOI:10.3389/fmedt.2026.1748964 PMID:41657732	综述	本文对2020年至2025年间发表的基于AI的IoMT系统研究进行了比较分析，重点关注用于糖尿病和心血管疾病诊断的IoMT-Fog-Cloud框架，并评估其诊断性能和网络服务质量	首次对2020-2025年间AI驱动的IoMT-Fog-Cloud框架进行系统性比较分析，重点关注诊断性能与网络QoS的联合评估，并提出了可复现比较的14项指标分类体系	纳入研究数量有限（14项），部分研究报告的性能可能过于乐观，存在小数据集、类别不平衡、模拟评估中的潜在数据泄露或过拟合等问题	比较分析近期（2020-2025）用于慢性疾病诊断的AI-IoMT模型与IoMT-Fog-Cloud框架的性能与服务质量	糖尿病和心血管疾病患者	医疗物联网	糖尿病, 心血管疾病	NA	可解释深度学习, 集成深度学习	生物信号流数据	NA	NA	NA	准确率, 精确率, 召回率, F1分数, 灵敏度, 特异性	Fog计算, 云计算
1856	2026-02-12	Construction and validation of deep learning-based pathomics signature model for predicting postoperative recurrence of patients with clear cell renal cell carcinoma 2026, American journal of cancer research IF:3.6Q2 DOI:10.62347/ZCHX8002 PMID:41657786	研究论文	本研究开发了一种基于注意力的多实例深度卷积神经网络（CRPNet），用于早期预测透明细胞肾细胞癌（ccRCC）患者的术后复发风险	提出了一种新的基于注意力的多实例深度卷积神经网络（CRPNet），用于从全切片图像中提取病理组学特征以预测ccRCC术后复发，其性能超越了包括UISS、SSIGN和Karakiewicz列线图在内的传统预后模型	模型在验证队列中的召回率（63.16%）和假阴性率（36.84%）仍有提升空间，且研究样本量相对有限（训练集183例，验证集75例）	开发并验证一个深度学习模型，以准确预测透明细胞肾细胞癌（ccRCC）患者的术后复发风险	透明细胞肾细胞癌（ccRCC）患者	数字病理学	肾细胞癌	全切片图像（WSI）分析	CNN	图像	训练集：183例ccRCC患者的WSI；验证集：75例ccRCC患者的WSI	NA	CRPNet（一种基于注意力的多实例深度卷积神经网络）	AUC, 准确率, 精确率, 召回率, 假阳性率, 假阴性率, C-index, 风险比, Kaplan-Meier分析	NA
1857	2026-02-12	3DeepVOG: An Open-Source Framework for Real-Time, Accurate 3D Gaze Tracking with Deep Learning 2026 Jan-Dec, Digital biomarkers DOI:10.1159/000549948 PMID:41658975	研究论文	本文介绍了3DeepVOG，一个基于深度学习的开源框架，用于实时、准确的三维单目注视跟踪，包括水平、垂直和扭转旋转	结合自动瞳孔和虹膜分割与几何可解释估计，使用双球解剖眼球模型和角膜折射校正，并采用新颖的小块模板匹配方法实时跟踪扭转运动	NA	开发一个在多样化成像条件下（包括低光和噪声环境）稳健运行的三维注视跟踪框架，以克服传统视频眼动图系统的局限性	眼动作为神经耳科、神经眼科和神经退行性疾病的生物标志物	计算机视觉	神经退行性疾病	视频眼动图	深度学习	图像	超过24,000个注释样本，来自多个设备和临床场景	NA	NA	注视误差（约0.1°）、扫视峰值速度、平滑追踪增益、视动性眼震慢相速度	NA
1858	2026-02-12	PhysMorph: A biomechanical and image-guided deep learning framework for real-time multi-modal liver image registration 2026-Jan, Physics and imaging in radiation oncology DOI:10.1016/j.phro.2026.100906 PMID:41659345	研究论文	本文提出并验证了PhysMorph，一种结合生物力学正则化和图像相似性度量的深度学习框架，用于实现肝脏多模态图像的实时配准	将有限元方法模拟作为生物力学正则化整合到深度学习配准框架中，实现了快速、解剖学上合理的MR-CBCT图像配准	NA	开发一个快速、准确且物理真实的肝脏图像配准框架，以支持立体定向体部放射治疗	肝脏图像，包括预处理磁共振成像和机载锥形束计算机断层扫描	计算机视觉	肝癌	磁共振成像, 锥形束计算机断层扫描	深度学习	图像	两个数据集：1) 从纵向MR-Linac扫描中获得的模拟数据；2) 来自肝脏SBRT患者的临床MR-CBCT图像对	NA	NA	目标配准误差, 平均表面距离, 生物力学保真度指标	NA
1859	2026-02-12	BTdiagAI: A Web-Deployed Hybrid Framework for Brain Tumor Classification Using Optimized MRI Preprocessing and Deep Learning Fusion 2026 Jan-Dec, Healthcare technology letters IF:2.8Q3 DOI:10.1049/htl2.70053 PMID:41659364	研究论文	本研究提出了一种基于优化MRI预处理和深度学习融合的混合框架BTdiagAI，用于脑肿瘤分类，并通过Web平台实现部署	系统评估了五种MRI预处理方法，并提出了一个融合微调InceptionV3、DenseNet121和Xception网络的深度学习框架，结合特征选择和机器学习分类，以解决类不平衡问题	研究未明确讨论预处理方法在不同肿瘤类型或MRI设备间的泛化能力，且可能受限于所用数据集的规模和多样性	开发一个高效、准确的脑肿瘤自动分类系统，以辅助临床诊断	脑部MRI扫描图像	计算机视觉	脑肿瘤	MRI预处理（包括CLAHE、Nyul归一化、N4偏置校正、模板配准、White Stripe归一化）	CNN	图像	NA	TensorFlow, Keras	InceptionV3, DenseNet121, Xception	准确率	NA
1860	2026-02-12	Case Report: Novel ASAP1::BRAF fusion in a young adult with low-grade temporal lobe glioma 2026, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2026.1763047 PMID:41659712	病例报告	报告了一名年轻成年低级别颞叶胶质瘤患者中发现的新的ASAP1::BRAF融合基因	首次报道了ASAP1::BRAF融合基因在低级别胶质瘤中的存在，扩展了BRAF融合伴侣的谱系	仅基于单个病例报告，缺乏大规模临床验证和功能实验证实	描述低级别胶质瘤中一种新型BRAF融合基因的分子特征及其临床意义	一名31岁女性低级别颞叶毛细胞星形细胞瘤患者	数字病理学	脑胶质瘤	RNA测序, 深度学习验证	深度学习	RNA测序数据	1例患者肿瘤样本	FusionAI	NA	融合概率评分	NA