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
2061	2026-01-24	Multi-scale feature enhancement in multi-task learning for medical image analysis 2026-Mar, Artificial intelligence in medicine IF:6.1Q1 DOI:10.1016/j.artmed.2025.103338 PMID:41475079	研究论文	本文提出了一种基于UNet的多任务学习模型，通过集成ResFormer块和多尺度特征增强技术，同时提升医学图像分割和分类的性能	引入ResFormer块结合卷积局部上下文与Transformer长程依赖，并设计扩张特征增强模块以捕获多尺度信息，优化多任务学习中的特征表示	未明确讨论模型在计算资源受限环境下的适用性，且实验数据集的多样性和规模可能影响泛化能力	通过多任务学习提升医学图像分析中分割和分类任务的性能	医学图像数据集	计算机视觉	NA	深度学习	CNN, Transformer	图像	多个医学数据集	PyTorch	UNet, ResFormer	准确率, Dice系数	NA
2062	2026-01-24	UniStain: A unified and organ-aware virtual H&E staining framework for label-free autofluorescence images 2026-Mar, Artificial intelligence in medicine IF:6.1Q1 DOI:10.1016/j.artmed.2025.103335 PMID:41478227	研究论文	本文提出了一种名为UniStain的统一、器官感知的虚拟H&E染色框架，利用无标记自发荧光图像和基于提示的深度学习技术，以克服传统化学染色的局限性	提出了首个支持多组织染色的单一模型框架，引入了跨块自注意力引导机制以保持全玻片图像的风格一致性并消除拼接伪影，并发布了首个多器官AF/H&E数据集	未明确提及	开发一种无需化学染料的虚拟H&E染色方法，以替代传统耗时、有批次差异且涉及有害试剂处理的染色流程	人体组织样本的无标记自发荧光图像	数字病理学	癌症	无标记自发荧光成像	深度学习	图像	未明确提及具体数量，但涉及多器官人体组织样本	未明确提及	未明确提及	图像质量指标，视觉图灵测试	未明确提及
2063	2026-01-24	Tackling data scarcity: Synthetic tumour and mask generation to improve image segmentation 2026-Mar, Artificial intelligence in medicine IF:6.1Q1 DOI:10.1016/j.artmed.2025.103348 PMID:41494363	研究论文	本文提出了一种基于扩散模型的新方法，用于在真实MRI体积中生成视觉上可信的3D合成肝脏肿瘤及其对应掩模，以解决医学图像分割中的数据稀缺问题	利用扩散模型进行肿瘤合成，结合单纯形变形生成对应掩模，成功在真实MRI中植入1000个合成肿瘤，显著提升了图像分割性能	NA	解决深度学习模型在医学成像中数据需求增加与数据稀缺之间的矛盾，通过合成数据提升图像分割性能	MRI图像中的肝脏肿瘤	数字病理学	肝癌	扩散模型, 单纯形变形	扩散模型	3D MRI图像	1000个合成肿瘤	NA	扩散模型	Dice系数	NA
2064	2026-01-24	Smiling difficulties in Alzheimer's disease linked to reduced nucleus accumbens and pallidum brain volume: Deep learning insights 2026-Mar, Artificial intelligence in medicine IF:6.1Q1 DOI:10.1016/j.artmed.2025.103347 PMID:41506061	研究论文	本研究利用深度学习技术量化阿尔茨海默病患者微笑困难，并发现其与大脑伏隔核和苍白球体积减小相关	首次使用图像分类AI自动量化痴呆患者面部表情，揭示微笑能力与特定脑区体积的关联	未提及样本量限制或方法学局限性	探究阿尔茨海默病患者面部表情障碍的神经机制	阿尔茨海默病患者与正常认知参与者	计算机视觉	阿尔茨海默病	深度学习图像分类	CNN	面部图像	NA	NA	NA	准确率	NA
2065	2026-01-24	Early diagnosis of Alzheimer's disease based on brain morphological changes: A comprehensive approach combining voxel-based morphometry and deep learning 2026-Mar, Neuroimage. Reports DOI:10.1016/j.ynirp.2025.100315 PMID:41561144	研究论文	本文提出了一种结合基于体素的形态测量学和深度学习的综合方法，用于基于脑形态变化早期诊断阿尔茨海默病	将生物学驱动的特征整合到基于体素的形态测量学和深度学习中，而非仅依赖CNN和FCN进行特征提取，以增强神经影像数据的可解释性	未明确说明模型在独立数据集上的泛化能力或临床验证的详细结果	分析T1加权MRI和T2-Flair图像，研究轻度认知障碍患者的灰质、白质、脑脊液和白质高信号特征，以早期诊断阿尔茨海默病	轻度认知障碍患者的脑部MRI扫描图像	数字病理学	阿尔茨海默病	T1加权MRI, T2-Flair成像	CNN, FCN	图像	NA	NA	NA	NA	NA
2066	2026-01-24	The role of artificial intelligence in advancing urologic care: From diagnostics to therapeutics 2026-Mar, Surgery in practice and science IF:0.6Q4 DOI:10.1016/j.sipas.2025.100322 PMID:41561314	综述	本文综述了人工智能在泌尿外科从诊断到治疗中的应用，包括癌症和良性疾病的个体化护理	总结了人工智能在泌尿外科多疾病领域的应用潜力，并强调了未来跨学科合作、数据标准化和伦理实施的方向	数据异质性、模型可解释性、伦理问题及缺乏前瞻性验证限制了其日常实践应用	探讨人工智能在泌尿外科护理中的角色，从诊断到治疗，并定义未来发展方向	泌尿系统疾病，包括前列腺癌、膀胱癌、肾癌、良性前列腺增生、尿石症及功能性泌尿疾病（包括儿科）	机器学习	前列腺癌	机器学习，深度学习，影像组学	NA	NA	NA	NA	NA	NA	NA
2067	2026-01-24	Confidence-Driven Deep Learning Framework for Early Detection of Knee Osteoarthritis 2026-Feb, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3587003 PMID:40627470	研究论文	本文提出了一种基于置信度驱动的深度学习框架，用于早期膝关节骨关节炎的检测，旨在区分KL-0和KL-2阶段	该框架采用Siamese网络结构，结合了新颖的多层次特征提取架构和混合损失策略，通过全局平均池化层从不同网络深度提取特征，并使用针对高、中、低置信度样本的定制损失函数来提高模型鲁棒性和处理标注不确定性	NA	开发一个辅助诊断工具，以增强早期膝关节骨关节炎的检测并减少临床工作量	膝关节骨关节炎患者，特别是KL-0和KL-2阶段的区分	数字病理学	老年疾病	NA	Siamese网络	图像	基于骨关节炎倡议数据集	NA	Siamese网络	准确率, 灵敏度, 特异性, Cohen's kappa, McNemar's test	NA
2068	2026-01-24	AI-Driven Smart Sportswear for Real-Time Fitness Monitoring Using Textile Strain Sensors 2026-Feb, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3588051 PMID:40658556	研究论文	本文提出了一种集成石墨烯应变传感器与深度学习框架的智能运动服系统，用于实时监测和分类运动执行质量	首次将屏幕印刷的石墨烯应变传感器与1D ResNet-18深度学习模型结合，实现了对呼吸-力量协调和肌肉激活对称性的无创同步监测	研究仅针对六种运动条件进行验证，样本多样性和运动类型覆盖范围有待扩展	开发用于实时健身监测和运动质量评估的AI驱动智能运动服系统	运动执行过程中的生理与生物力学参数	机器学习	NA	屏幕印刷石墨烯传感器技术	CNN	传感器时序数据	未明确说明具体样本数量，但涉及六种运动条件	未明确说明	1D ResNet-18	分类准确率	未明确说明
2069	2026-01-24	The Second Skin: A Wearable Sensor Suite That Enables Real-Time Human Biomechanics Tracking Through Deep Learning 2026-Feb, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3589996 PMID:40668712	研究论文	本研究开发了一种名为'第二皮肤'的可穿戴传感器套装，结合深度学习模型，实现了对人体下肢关节运动学和动力学的实时精确估计	提出了一种任务无关、用户无关的通用传感方法，利用IMU和压力鞋垫套装收集数据，并通过深度学习模型实现对新用户和新任务的泛化能力	研究样本量较小（N=10），且任务范围主要限于建筑和危险废物清理场景，可能限制了模型的广泛适用性	研究一种能够实时精确估计人体下肢关节状态的方法，以推动生物力学研究并应用于生物反馈和可穿戴机器人控制	人体下肢关节（下背部、髋关节、膝关节、踝关节）的运动学和动力学参数	机器学习	NA	惯性测量单元（IMU）、压力鞋垫传感	深度学习模型	传感器数据（IMU和压力数据）	10名参与者，涵盖33种常见任务	NA	NA	均方根误差（RMSE）	NA
2070	2026-01-24	BDEC: Brain Deep Embedded Clustering Model for Resting State fMRI Group-Level Parcellation of the Human Cerebral Cortex 2026-Feb, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3590258 PMID:40674200	研究论文	本文提出了一种基于深度学习的静息态功能磁共振成像（rs-fMRI）的群体水平大脑分区方法，旨在减少先前方法的模型假设	开发了Brain Deep Embedded Clustering（BDEC）模型，采用专门设计的损失函数以最大化类间分离和增强类内相似性，从而促进功能一致的大脑区域形成	NA	开发一种稳健的群体水平大脑分区方法，用于大脑网络分析和rs-fMRI数据的降维	人类大脑皮层	机器学习	NA	静息态功能磁共振成像（rs-fMRI）	深度聚类模型	图像（rs-fMRI数据）	NA	NA	Brain Deep Embedded Clustering（BDEC）	功能同质性指标、分区有效性、下游任务表现、任务异质性、泛化能力	NA
2071	2026-01-24	Predicting Traumatic Brain Injury Post-Trauma Using Temporal Attention on Sleep-Wake Data 2026-Feb, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3592009 PMID:40705576	研究论文	本研究利用深度学习模型分析创伤性脑损伤（TBI）后早期睡眠/觉醒数据，以识别TBI阳性病例	首次将时间注意力机制应用于TBI后睡眠/觉醒数据，确定创伤后前7天为最佳识别时间窗口	模型特异性较低（如7天数据特异性仅25%），且样本仅基于急诊科患者，可能缺乏普适性	探索睡眠/觉醒行为作为TBI生物标志物的潜力，并确定最佳监测时间窗口	2000多名急诊科患者（包括TBI阳性和阴性病例）的每日纵向睡眠/觉醒数据	机器学习	创伤性脑损伤	血液生物标志物检测（GFAP蛋白）	深度学习模型	时间序列数据（睡眠/觉醒模式）	超过2000名急诊科患者	NA	时间注意力模型	灵敏度, 特异性, F1分数	NA
2072	2025-09-15	A novel deep learning framework for the diagnosis of erythematosquamous lesions using whole slide histopathologic images 2026-Feb, Journal of the American Academy of Dermatology IF:12.8Q1 DOI:10.1016/j.jaad.2025.09.010 PMID:40945744	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2073	2026-01-24	Deep Learning Denoising Algorithm for Improved Assessment of Coronary Arteries in Transcatheter Aortic Valve Implantation CT Imaging 2026-Feb, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2025.10.030 PMID:41206269	研究论文	本研究评估了一种基于深度学习的降噪算法在经导管主动脉瓣植入术前CT成像中，对冠状动脉图像质量和诊断准确性的影响	应用深度学习降噪技术于TAVI术前CT成像，显著提升了冠状动脉评估的图像质量，同时保持了诊断准确性	研究为回顾性设计，且未明确说明深度学习算法的具体架构或训练细节	评估深度学习降噪技术对TAVI术前CT冠状动脉图像质量及诊断准确性的影响	200名患有严重主动脉瓣狭窄并接受TAVI术前CT扫描的患者	医学影像分析	心血管疾病	CT成像	深度学习降噪算法	CT图像	200名患者，共分析800条血管和1787个节段	NA	NA	信噪比, 对比噪声比, 噪声水平, AUC, 准确率, 灵敏度, 特异性	NA
2074	2026-01-24	Deep Learning in Vertebral Fracture Detection: Systematic Review and Meta-analysis of Subject- vs. Vertebra-Level Approaches 2026-Feb, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2025.11.023 PMID:41353070	系统综述与荟萃分析	本文通过系统综述和荟萃分析，评估了深度学习在椎体骨折检测中主体层面与椎骨层面方法的性能差异	首次在椎体骨折检测领域区分主体层面与椎骨层面深度学习方法的性能，并量化关键技术和数据因素对模型表现的影响	纳入研究的方法学质量存在差异，61%的研究存在患者选择偏倚的高风险，且外部验证会降低敏感性	评估深度学习算法在椎体骨折检测中的性能，为临床任务选择提供证据指导	椎体骨折检测的深度学习算法	医学影像分析	椎体骨折	深度学习	深度学习模型	图像	36项研究，涉及96,956名患者和171,552张图像	NA	NA	敏感性, 特异性, AUC	NA
2075	2026-01-24	Deep Laplacian Coordinates: End-to-end deeply guided anisotropic diffusion for COVID-19 pulmonary lesion segmentation 2026-Feb-01, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.111431 PMID:41483693	研究论文	本文提出了一种名为Deep Laplacian Coordinates Neural Network (DLCNN)的新框架，用于COVID-19肺部病变分割，通过结合深度边界检测、各向异性扩散和种子驱动标注来解决数据稀缺和病变外观多样性的挑战	整合深度边界学习与种子驱动各向异性扩散模型，利用拉普拉斯坐标扩散器实现全局最优、鲁棒边界描绘和方向自适应扩散，在边界模糊情况下仍能准确捕获病变	未明确提及具体的数据集规模或计算资源限制，可能依赖于标注数据的可用性	开发一种灵活且准确的肺部病变分割方法，以应对COVID-19相关病变的多样性和低对比度挑战	COVID-19引起的肺部病变在计算机断层扫描(CT)图像中的分割	计算机视觉	COVID-19	深度边界检测、各向异性扩散、种子驱动标注	深度神经网络	图像	NA	NA	Deep Laplacian Coordinates Neural Network (DLCNN)	定量和定性分析	NA
2076	2026-01-24	Coronary artery segmentation in non-contrast calcium scoring CT images using deep learning 2026-Feb-01, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.111421 PMID:41483696	研究论文	本文提出了一种基于深度学习的算法，用于在多厂商ECG门控非对比心脏CT图像中分割冠状动脉	提出了一种用于非对比钙化评分CT图像中冠状动脉分割的深度学习算法，并引入了一种通过图像配准进行半自动生成Ground Truth的新框架	研究主要基于多厂商ECG门控非对比心脏CT图像，可能在其他类型的非对比CT图像上泛化能力有限	解决非对比CT图像中冠状动脉精确分割的研究空白，提高钙化评分和心脏病理评估的准确性	冠状动脉	数字病理学	心血管疾病	CT成像	深度学习模型	医学图像（CT扫描）	NA	AutoML	NA	Dice系数, clDice	NA
2077	2026-01-24	Reliable leukemia detection via transfer-enhanced Bayesian CNNs 2026-Feb-01, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.111419 PMID:41485393	研究论文	本研究提出了一种结合迁移学习、数据增强和不确定性量化的贝叶斯深度学习框架，用于从外周血涂片图像中稳健分类白血病和健康淋巴细胞	将迁移学习、数据增强与蒙特卡洛丢弃法结合的贝叶斯深度学习框架，用于白血病检测，并引入不确定性分析以识别需专家复核的病例	仅使用ALL-IDB2数据集，数据量有限；InceptionV3模型对数据增强的敏感性较低，鲁棒性相对较差	开发可靠的白血病检测深度学习模型，提高临床环境中的预测可信度	急性淋巴细胞白血病（ALL）和健康淋巴细胞的外周血涂片图像	数字病理学	白血病	图像分析	CNN	图像	ALL-IDB2数据集（具体样本数未明确说明）	TensorFlow, PyTorch, Keras（未明确指定，但基于常用框架推断）	InceptionV3, VGG16, ResNet50	准确率, 灵敏度, 特异度, Youden指数, Brier分数	NA
2078	2026-01-24	Deep generative models for vessel segmentation in CT angiography of the brain 2026-Feb-01, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.111432 PMID:41494368	研究论文	本文提出了一种用于脑部CT血管造影中血管分割的无监督生成深度学习半监督方法	提出了一种基于条件生成对抗网络的半监督方法，通过生成对比图实现血管分割，并引入基于3D Frangi滤波器的损失函数以增强管状结构	半监督方法的Dice相似系数比监督方法低4%，假阳性率较高	开发一种无需大量手动标注的脑部CT血管造影血管自动分割方法	脑部CT血管造影图像中的颅内血管	计算机视觉	NA	CT血管造影，非对比增强CT	GAN	3D医学图像	908个未标记的脑部CT血管造影和非对比增强CT图像，外加9个带手动标注的测试集	NA	条件生成对抗网络	Dice相似系数，真阳性率，假阳性率	NA
2079	2026-01-24	3D tibial HU reconstruction from biplanar X-rays utilizing a hybrid PCA-CNN framework 2026-Feb-01, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.111434 PMID:41506030	研究论文	本研究提出了一种结合主成分分析和卷积神经网络的混合框架，用于从双平面X射线图像重建包含内部密度分布的3D胫骨CT体积	首次提出结合统计强度建模与深度学习的混合框架，从低剂量的双平面X射线重建3D胫骨CT体积及内部密度分布，实现了可解释的输出	实际辐射剂量减少取决于临床成像协议，需要在真实X光片上通过协议匹配的剂量测定进行验证，且方法有待在真实世界放射影像数据上进一步验证	开发一种从低辐射剂量的双平面X射线重建3D胫骨CT体积的方法，以减少患者辐射暴露并提高可及性	胫骨	医学影像分析	骨骼疾病	计算机断层扫描，双平面X射线成像	CNN	X射线图像，CT图像	60名来自韩国科学技术信息研究院公开数据库的受试者	NA	PCA-CNN混合框架	平均绝对误差，结构相似性指数，峰值信噪比	NA
2080	2026-01-24	Multi-scale EEG analysis identifies neural circuit signatures of iTBS responsiveness in major depressive disorder 2026-Feb-01, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2026.121697 PMID:41506306	研究论文	本研究通过整合深度学习和计算建模，利用多尺度脑电图分析识别了重度抑郁症患者对间歇性θ爆发刺激治疗反应的神经回路特征	首次将多尺度卷积循环神经网络与基于生物物理学的动态因果建模相结合，用于预测和解释重度抑郁症患者对经颅磁刺激治疗的反应，并识别出两种具有不同神经生理特征的亚型	研究样本量相对有限（共198名患者），且仅基于两个独立队列，需要更大规模的多中心研究进行验证	开发能够预测重度抑郁症患者对间歇性θ爆发刺激治疗反应的生物标志物，并阐明其潜在的神经机制	重度抑郁症患者	机器学习	重度抑郁症	脑电图，事件相关电位	CNN, RNN	脑电图信号	198名患者（训练队列125人，验证队列73人），共55,476个脑电图时段	NA	多尺度卷积循环神经网络	准确率	NA