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
2001	2026-08-28	Using deep learning to monitor children's nutritional status for child stunting identification 2026, Frontiers in pediatrics IF:2.1Q2 DOI:10.3389/fped.2026.1725474 PMID:42643516	研究论文	该研究提出了一种基于深度学习的框架，用于监测儿童营养状况并识别发育迟缓。	提出了一个紧凑的特征提取架构，结合特征融合和分层注意力机制，有效建模儿童属性间的交互，并在保持计算效率的同时实现最佳分类性能	未提及具体的局限性	开发一个数据驱动的儿童发育迟缓识别框架，以提高早期筛查的准确性	儿童，特别是发育迟缓的儿童	机器学习	儿童发育迟缓	NA	深度学习模型（如CNN、Transformer等）	结构化健康调查数据（年龄、性别、身高、体重、BMI）	两个公共卫生调查数据集：NHANES和NFHS 5	NA	紧凑特征提取架构，包含特征融合和分层注意力	分类性能指标（如准确率、精确率、召回率、F1分数、AUC等）	NA
2002	2026-08-28	Automated evaluation of dental cavity preparation quality using deep learning and anatomically informed geometric analysis 2026, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2026.1884843 PMID:42643536	研究论文	本研究开发了一个基于增强U-Net架构的深度学习管道，结合解剖学几何分析，利用标准二维图像或三维深度信息自动评估牙体预备质量，并生成透明可解释的窝洞质量评分（CQS）。	提出了一种结合深度学习与解剖学几何分析的混合可解释人工智能框架，首次实现从二维标准照片中自动评估牙体预备质量，并通过椭圆傅里叶描述符实现尺度、旋转和平移不变的形状比较。	需要进一步针对专家总结性评分进行验证，才能在临床教育等高风险场景中应用。	开发一种自动化、客观且临床可解释的框架，用于评估牙体预备质量，以替代传统主观评估方法。	牙齿窝洞预备质量，包括窝洞和牙尖区域的分割及量化指标。	计算机视觉	口腔疾病	二维摄影和三维STL成像	增强U-Net	二维图像和三维STL数据	内部验证数据：未明确指定样本数量；外部验证使用三位独立专家的测量结果	未明确指定	增强U-Net	Dice系数、Intersection-over-Union、平均绝对误差、相关系数	未明确指定
2003	2026-08-28	AI-assisted segmentation-based fusion model integrating deep learning, radiomics, and clinical parameters for identifying coronary heart disease risk in patients with MAFLD 2026, Frontiers in endocrinology IF:3.9Q2 DOI:10.3389/fendo.2026.1908048 PMID:42643589	研究论文	开发并验证了一个基于AI辅助分割的融合模型，整合深度学习、影像组学和临床参数，用于识别代谢相关脂肪肝病（MAFLD）患者的冠心病风险	首次将AI辅助分割、深度学习特征、影像组学特征与临床参数相结合，构建融合模型用于MAFLD患者的冠心病风险识别	未提及明确的局限性	开发并验证一个AI辅助分割的深度学习影像组学临床（DLRC）模型，用于识别MAFLD患者的冠心病风险	代谢相关脂肪肝病（MAFLD）患者，共1515例，其中440例合并冠心病	医学图像分析	冠心病、代谢相关脂肪肝病	影像组学、深度学习	集成模型	医学影像数据	1515例MAFLD患者，包括440例合并冠心病	NA	DenseNet-121	AUC、校准曲线、DeLong检验、决策曲线分析（DCA）	NA
2004	2026-08-28	Deep learning segmentation of paediatric brain tumours using diffusion-weighted MRI: towards an early, in vivo classification pipeline 2026, Brain communications IF:4.1Q2 DOI:10.1093/braincomms/fcag317 PMID:42643703	研究论文	本研究开发了一种基于深度学习的自动分割方法，利用扩散加权MRI对儿童脑肿瘤进行分割，以支持早期、体内分类。	这是首次仅使用DWI作为输入模态进行儿童脑肿瘤自动分割的研究，并采用了迁移学习和多模态集成策略。	分割准确性仍需提高，或需确定当前性能是否足以满足临床应用需求。	开发一种仅使用DWI的自动分割方法，以便在临床中快速提取定量生物标志物，辅助儿童脑肿瘤的管理。	儿童脑肿瘤患者，共107例。	数字病理学	儿童脑肿瘤	扩散加权MRI	三维卷积神经网络	医学影像	107例儿童脑肿瘤患者的数据	NA	DeepMedic	Dice分数	NA
2005	2026-08-28	A systematic literature review exploring the application of deep learning in electric vehicles from 2015 to 2025 2026, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2026.1826633 PMID:42643704	综述	本文对2015至2025年间电动汽车与深度学习交叉领域的研究进行系统性文献综述，识别当前进展并探讨未来扩展潜力	系统梳理了92篇文献，归纳为五个关键主题，并扩展至2025至2026年的前沿框架，评估深度学习在车辆级机械安全和车队级绩效物流中的双重足迹	未明确提及局限性	探索深度学习在电动汽车领域的应用现状与未来扩展潜力	2015至2025年间发表的92篇相关出版物	机器学习	NA	NA	深度学习	文献数据	92篇出版物	NA	神经网络	NA	NA
2006	2026-08-28	Digital twins in sports science: applications for performance enhancement, injury prevention, and rehabilitation through advanced big data analytics and deep learning methodologies - a comprehensive narrative review 2026-Jan, Biology of sport IF:4.2Q1 DOI:10.5114/biolsport.2026.161106 PMID:42643759	叙述性综述	本文综述了数字孪生技术在体育科学中的应用，重点探讨其结合大数据分析和深度学习方法在运动表现提升、损伤预防和康复中的作用	系统梳理了数字孪生在体育科学中三个核心领域（表现提升、损伤预防、康复优化）的应用，并整合了生成式AI与物联网的潜在增强效果	作为叙述性综述，缺乏定量元分析，且主要聚焦足球作为案例，可能限制其广泛适用性	评估数字孪生技术在体育科学中的应用现状，并强调其在运动表现、损伤预防和康复中的潜力	数字孪生技术在精英和业余体育中的应用，以足球为主要案例	数字病理学	运动损伤	大数据分析	深度神经网络	多模态传感器数据	不适用	不适用	卷积神经网络、循环神经网络	不适用	不适用
2007	2026-08-28	Artificial intelligence in thyroid ultrasound: clinical applications and perspectives 2026, Frontiers in endocrinology IF:3.9Q2 DOI:10.3389/fendo.2026.1877780 PMID:42643768	综述	本综述总结了人工智能在甲状腺超声中的应用，包括图像预处理、结节分割、定量特征分析、良恶性鉴别、TIRADS优化和自动报告，并评估了现有研究的方法学质量、偏倚风险和外部验证情况	系统性地概述了AI在甲状腺超声全流程中的应用，并深入探讨了当前研究的局限性和未来发展方向，强调多模态融合、可解释AI和实时临床系统的潜力	现有AI工具大多处于早期转化阶段，缺乏大规模真实临床环境验证和标准化报告协议，存在数据偏倚、泛化性有限和可解释性差等问题	总结人工智能在甲状腺超声中的临床应用，评估其诊断效能，并讨论转化挑战和未来方向以促进临床落地	甲状腺结节及其超声影像数据	医学影像分析	甲状腺结节	深度学习、影像组学	深度学习模型	超声图像	未提及具体样本量	未提及具体框架	未提及具体架构	未提及具体指标	未提及计算资源
2008	2026-08-28	Dual Cross-Attention Network for Hierarchical Feature Fusion in Protein-Protein Interaction Prediction 2026, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.34133/csbj.0200 PMID:42643879	研究论文	提出了一种基于双交叉注意网络的蛋白质-蛋白质相互作用预测框架，通过层级特征融合提升预测性能	创新性地引入了双交叉注意模块，分别处理蛋白质内部序列与结构特征以及蛋白质对之间的交互特征，实现层级特征融合	摘要中未提及局限性	开发高效的深度学习方法来准确预测蛋白质-蛋白质相互作用，克服实验方法的耗时和高成本问题	蛋白质-蛋白质相互作用	机器学习	不适用	深度学习	双交叉注意网络	蛋白质序列和结构数据	未提及	未提及	交叉注意模块	未在摘要中具体提及，但通常包括精确度、召回率、F1分数等	未提及
2009	2026-08-28	HELP-TCR: Harmonized Explainable Language Processing Toolkit for T Cell Antigen Receptor Repertoires 2026, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.34133/csbj.0117 PMID:42644114	研究论文	提出HELP-TCR，一种基于自然语言处理的可解释机器学习框架，用于T细胞抗原受体库的样本分类和生物学解释	整合低维可解释特征提取与稳健分类性能，采用非参数概率方法建模位置特异性氨基酸分布，引入共识分组方法提高可重复性，并利用改进的ResNet-18架构和显著图进行后验分析	未明确提及局限性	开发一种可解释的机器学习框架，用于T细胞受体库的功能性分类和生物学特征识别	T细胞抗原受体库样本	机器学习	NA	NA	ResNet-18	序列数据	自助法生成的TCR序列数据集（具体数量未提供）	NA	改进的ResNet-18	AUC	NA
2010	2026-08-28	A deep learning approach to mild cognitive impairment detection from electroencephalogram signals 2026, Dementia & neuropsychologia DOI:10.1590/1980-5764-DN-2025-0364 PMID:42644178	研究论文	本文提出了一种基于脑电信号和深度学习的方法来检测轻度认知障碍	创新性地将深度学习应用于脑电信号分析，以非侵入性、高效的方式检测轻度认知障碍，相较于传统神经心理学测试和影像学方法具有更好的可访问性和效率	摘要未提及明确的局限性	旨在开发一种基于脑电信号的深度学习框架，用于早期检测轻度认知障碍	轻度认知障碍患者及其脑电信号	机器学习	轻度认知障碍	脑电图（EEG）	深度学习模型	脑电信号	NA	NA	NA	NA	NA
2011	2026-08-26	Deep Learning-Based Risk Factor Analysis for Accurate Prediction of Lung Cancer in High-Risk Populations 2026-Sep-01, American journal of clinical oncology DOI:10.1097/COC.0000000000001284 PMID:41437170	研究论文	本研究提出一种结合深度学习与优化算法的框架，用于高危人群肺癌风险预测，并达到99.25%的预测准确率	结合鲸鱼优化算法与自适应粒子群优化（WOA-APSO）进行特征选择，并采用基于核的非高斯CNN（KNG-CNN）模型，实现高精度预测	未提及具体局限性	提高高危人群中肺癌的早期检测和风险预测准确性	高危人群的肺癌风险预测	深度学习、医学影像	肺癌	CT影像（基于LIDC-IDRI数据集）	卷积神经网络（CNN）及KNG-CNN	医学影像（CT图像）	未提及具体样本量（使用LIDC-IDRI数据集）	PYTHON	CNN、KNG-CNN	准确率	NA
2012	2026-08-26	Accurate Lung Cancer Prediction From CT Scans Using Advanced Deep Learning Methods 2026-Sep-01, American journal of clinical oncology DOI:10.1097/COC.0000000000001286 PMID:41449566	研究论文	提出一种利用先进深度学习方法进行CT扫描肺癌预测的多阶段框架，包括混合图卷积网络和条件随机场进行图像分割，以及胶囊网络、孪生神经网络和混合深度自编码器进行特征提取	整合多种先进技术，包括混合GCN-CRF分割、CapsNet、Siamese网络和混合自编码器特征提取，以及混合CNN-Transformer和GNN分类的双重策略，以提高肺癌预测准确性	未在论文摘要中明确提及局限性	提高肺癌早期诊断和治疗结果，通过深度学习技术增强CT扫描中恶性病变的检测和分类	CT扫描图像中的肺部区域和潜在病变	计算机视觉	肺癌	CT扫描	混合图卷积网络、条件随机场、胶囊网络、孪生神经网络、混合深度自编码器、混合CNN-Transformer、图神经网络	图像	未提及	Python	混合GCN-CRF、CapsNet、Siamese网络、混合自编码器、混合CNN-Transformer、GNN	准确率	未提及
2013	2026-08-26	Integrating Genomic Data and Imaging in Lung Cancer Prediction Using a Hybrid Deep Learning Approach 2026-Sep-01, American journal of clinical oncology DOI:10.1097/COC.0000000000001288 PMID:41449569	研究论文	本研究开发了一种混合深度学习模型，整合基因组数据和医学影像数据，以提高肺癌预测的准确性。	首次将基因组数据与CT影像数据通过混合深度学习框架（基于Inception-ResNet-v2）进行多模态融合，并利用LoGF图像预处理技术增强关键特征提取，从而提升预测性能。	研究仅使用了单一数据集（LIDC-IDRI），未来需引入更多多模态数据（如电子健康记录和生活方式因素）以验证泛化能力；且未明确讨论计算资源或模型的可解释性。	开发一种混合深度学习模型，有效整合基因组和影像数据，以增强肺癌预测的准确性，支持早期诊断。	肺癌患者的CT影像数据和基因组数据，用于预测肺癌结果。	医学影像分析，基因组学，深度学习	肺癌	CT成像，基因组测序（具体技术未指定）	混合深度学习模型（基于CNN架构）	图像（CT扫描），基因数据	未在摘要中说明（基于LIDC-IDRI数据集，含多个患者样本）	Python（具体框架如TensorFlow或PyTorch未指定）	Inception-ResNet-v2	准确率（92.5%），其他如灵敏度、特异性未提及	未在摘要中说明（可能使用GPU，但未具体化）
2014	2026-08-26	Sharper than human eyes? A systematic review and meta-analysis of machine learning for retinal detachment detection 2026-Sep, European journal of ophthalmology IF:1.4Q3 DOI:10.1177/11206721261419673 PMID:41666118	系统综述和荟萃分析	本文对机器学习在视网膜脱离检测中的应用进行了系统综述和荟萃分析，评估其诊断准确性	首次严格遵循PRISMA指南对ML检测RD进行诊断测试准确性荟萃分析，并进行了亚组分析	研究间存在显著异质性，外部验证存在挑战，患者选择和数据质量存在偏差	评估机器学习在视网膜脱离检测中的诊断准确性，并探讨其临床应用的潜力与障碍	用于检测视网膜脱离的机器学习模型	机器学习	视网膜脱离	眼底成像，光学相干断层扫描	深度学习，机器学习	眼底图像，OCT图像	20项研究，69个模型	NA	NA	灵敏度，特异度，曲线下面积	NA
2015	2026-08-26	A comparative analysis of YOLOv8 and nnU-Net v2 based pipelines for sex and age estimation from maxillary sinus morphometry on panoramic radiographs 2026-Sep, International journal of legal medicine IF:2.2Q1 DOI:10.1007/s00414-026-03825-x PMID:42104112	研究论文	本研究旨在开发和比较两种基于深度学习的分割-放射组学流程（YOLOv8-Hybrid 和 nnU-Net v2），用于从全景X线片的上颌窦形态学中自动进行性别分类和年龄估计。	首次对 YOLOv8 和 nnU-Net v2 在法医上颌窦分析中进行系统比较，并提出 YOLOv8-Hybrid 流程，结合了粗分割、边界细化和超过120个形态测量及放射组学特征。	外部验证样本量较小，仅50张独立图像，可能影响泛化能力的全面评估。	开发和比较两种自动化的深度学习流程，用于从全景放射影像中的上颌窦形态学进行性别分类和年龄估计，以支持法医生物特征分析。	上颌窦形态学特征，来源于1024张全景X线片（512男，512女；年龄18-81岁）	计算机视觉	NA	全景放射摄影	卷积神经网络（YOLOv8, U-Net, nnU-Net）	图像	1024张全景X线片（训练/验证），50张独立图像（外部验证）	PyTorch	YOLOv8, U-Net, nnU-Net v2	AUC, MAE, mAP@50, ICC, Cohen's d, DeLong p 值	NA
2016	2026-08-26	Utilizing Deep Learning-based Computed Tomography Fractional Flow Reserve on Coronary Artery Disease Diagnosis and Treatment: 1-year Clinical Application From a Chinese Major Hospital 2026-Sep-01, Journal of thoracic imaging IF:2.0Q3 DOI:10.1097/RTI.0000000000000881 PMID:41943563	研究论文	本研究回顾性分析了基于深度学习的CT-FFR在冠状动脉疾病诊断和治疗中的临床应用，评估其对临床决策的影响及诊断准确性	首次在真实世界中国患者群体中全面描述机器学习CT-FFR的常规实施情况，并将其与CCTA结合以提升诊断效能	单中心回顾性研究，可能存在选择偏倚	调查CT-FFR在中国患者临床决策中的应用特征和接受度，并以有创冠状动脉造影为参考评估其诊断准确性	4564例中国患者及其心外膜冠状动脉，涉及2718条血管	医学影像分析	冠状动脉疾病	冠状动脉CT血管成像，CT-FFR	机器学习模型	图像，临床数据	4564例患者，其中906例患者涉及的2718条血管用于诊断分析	NA	NA	诊断准确性	NA
2017	2026-08-26	On the Prediction of pDNA Productivity Across Diverse Bioprocesses Using Ensemble Hybrid Models 2026-07, Biotechnology and bioengineering IF:3.5Q2 DOI:10.1002/bit.70207 PMID:42130220	研究论文	该文提出一种集成混合建模方法，用于预测不同生物工艺中质粒DNA的生产率，结合机理动态质量平衡与深度学习衍生的动力学速率。	采用集成混合模型，将每个速率项替换为全连接人工神经网络，并整合历史数据和分类变量；引入渐进式迁移学习框架以适应新的大肠杆菌菌株和培养模式。	未明确说明，但可能涉及对文献数据的依赖和模型泛化性的潜在限制。	通过混合建模和迁移学习加速pDNA生物工艺开发，减少模型重校准成本。	18个独特的大肠杆菌发酵过程，涵盖不同培养基、质粒和培养模式。	机器学习	NA	NA	全连接人工神经网络	发酵过程时间序列数据	18个大肠杆菌发酵数据集	NA	全连接人工神经网络	NA	NA
2018	2026-08-26	Refining Sleep-Disordered Breathing Annotations Across Multiple Public Sleep Study Datasets 2026-06, Journal of sleep research IF:3.4Q2 DOI:10.1111/jsr.70264 PMID:41431151	研究论文	开发标准化标注流程，根据AASM指南重新标注多个公共睡眠研究数据集的睡眠呼吸障碍事件，以提高跨队列一致性和AI分析可靠性	首次提出标准化标注管道，整合睡眠分期、氧减饱和和觉醒事件，遵循AASM综合标准，改善多数据集间AHI计算的一致性	未明确说明局限性	改进公共睡眠数据集中睡眠呼吸障碍注释的准确性，以符合当前临床指南并支持AI分析	多中心睡眠研究参与者，包括SHHS、MrOS、MESA和KISS数据集	数字病理学	阻塞性睡眠呼吸暂停	多导睡眠监测	深度学习模型（未指定具体类型）	多导睡眠图信号	SHHS1 (n=5793), SHHS2 (n=2651), MrOS1 (n=2907), MrOS2 (n=1026), MESA (n=2054), KISS (n=7745)	NA	NA	平均绝对误差，F1分数	NA
2019	2026-08-26	Optimising Sleep Stage Detection Using a Minimal Non-EEG Physiological Signal Set and Deep Learning 2026-06, Journal of sleep research IF:3.4Q2 DOI:10.1111/jsr.70266 PMID:41391449	研究论文	提出一种基于U-Net架构的可复现深度学习框架，仅利用三种非脑电生理信号（血氧饱和度、心率和腹式呼吸努力）进行睡眠分期，实现每秒级别的预测。	相比大多数依赖脑电信号和固定30秒时段的研究，本模型仅使用三种易采集的非脑电信号，并提供每秒级别的睡眠分期预测，突破了传统时段限制。	未明确提及，但可能包括对特定数据集依赖和模型在更广泛人群中的泛化性仍需进一步验证。	开发一种无需脑电信号的轻量级深度学习模型，以实现可扩展、临床相关的睡眠监测。	睡眠阶段分类，包括五阶段（清醒、N1、N2、N3和快速眼动）或四阶段（清醒、浅睡、深睡和快速眼动）。	深度学习、数字健康	睡眠相关疾病	非脑电生理信号采集，包括血氧饱和度、心率和腹式呼吸努力	卷积神经网络（基于U-Net架构）	生理信号时间序列数据	使用SHHS2数据集进行训练，MESA数据集进行外部验证，具体样本数量未在摘要中提供	Keras（使用Keras Tuner和Hyperband算法）	U-Net	加权F1分数、Cohen's Kappa	未明确提及，可能使用标准GPU，但摘要中未指定
2020	2026-08-26	Cough acoustic analysis using artificial intelligence for COVID-19 detection: A comparative study of patient cohorts from Lima, Peru and Montreal, Canada 2026-Jun, Annals of epidemiology IF:3.3Q1 DOI:10.1016/j.annepidem.2026.110076 PMID:41862033	研究论文	本研究比较了秘鲁利马和加拿大蒙特利尔两个队列的咳嗽声学特征及基于人工智能的新冠肺炎检测性能，发现咳嗽声学具有人群特异性，模型跨人群泛化能力有限	首次系统比较不同地理和流行病学背景下咳嗽声学特征对新冠检测模型性能的影响，并分析了疾病状态对预测得分的影响	样本量相对较小，且仅涉及两个地区，可能限制结果的普遍性	评估和比较不同人群（利马和蒙特利尔）咳嗽声学特征及基于人工智能的新冠肺炎筛选模型的性能	来自秘鲁利马和加拿大蒙特利尔的605名成人咳嗽录音和临床数据	数字病理学	新冠肺炎	NAAT（核酸扩增检测）	XGBoost，深度神经网络	音频，文本	605名成人	NA	XGBoost，深度神经网络	AUC	NA