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
261	2026-10-05	Shortening MRI scanning time for acute ischemic stroke: analysis of the effect of 3.0T MRI compressed sensing deep learning reconstruction 2026-Oct, Emergency radiology IF:1.7Q3 DOI:10.1007/s10140-026-02496-w PMID:42236638	研究论文	该研究评估了3.0T脑部MRI结合压缩感知深度学习重建（CS-DLR）在急性缺血性卒中患者中缩短扫描时间并保持诊断图像质量的效果	将压缩感知与深度学习重建相结合应用于3.0T脑部MRI，在急性缺血性卒中急诊场景中实现扫描时间缩短并系统评估不同加速倍率（R3、R4、R5）对图像质量的影响	回顾性研究，样本量较小（69例），仅涉及3.0T MRI和特定序列（AX T2WI、AX T1WI、AX T2W FLAIR），未评估对临床诊断结局的影响	评估3.0T脑部MRI结合压缩感知深度学习重建能否在维持诊断图像质量的同时缩短急性缺血性卒中的扫描时间	69例接受3.0T MRI检查的急性缺血性卒中患者	医学影像	急性缺血性卒中	3.0T MRI、压缩感知深度学习重建（CS-DLR）	深度学习重建模型	医学图像（MRI）	69例患者的MRI图像	NA	NA	信噪比（SNR）、对比噪声比（CNR）、5分制定性评分（整体质量、噪声、清晰度）	NA
262	2026-10-05	Deep learning-based automated detection of oral squamous cell carcinoma in histopathological images: a comparative study of five CNN architectures 2026-Oct, Odontology IF:1.9Q2 DOI:10.1007/s10266-026-01448-7 PMID:42295529	研究论文	本文比较了五种卷积神经网络架构在口腔鳞状细胞癌组织病理图像自动分类中的性能，并评估了数据增强的影响	在相同实验条件下对五种CNN架构进行公平比较，并结合数据增强和Grad-CAM可视化提升模型可解释性	仅进行patch级别的分类，未涉及全切片图像分析，数据集规模有限，未进行外部验证	评估不同CNN架构在口腔鳞状细胞癌组织病理图像自动检测中的性能，探索深度学习在数字病理学中的临床应用潜力	口腔鳞状细胞癌组织病理图像	数字病理学	口腔鳞状细胞癌	组织病理学图像分析	CNN	图像	NA	NA	VGG16, ResNet50, InceptionV3, EfficientNetV2S, ConvNeXt-Tiny	准确率, 精确率, 召回率, 特异性, F1分数, ROC-AUC	NA
263	2026-10-05	Joint multi-task deep learning with cross-task attention for simultaneous lesion segmentation, detection, and severity grading of diabetic retinopathy on fundus images: An external validation study 2026-Oct, Photodiagnosis and photodynamic therapy IF:3.1Q2 DOI:10.1016/j.pdpdt.2026.105600 PMID:42537861	研究论文	该研究开发了一种联合多任务深度学习框架，在眼底图像上同时进行糖尿病视网膜病变的病变分割、病变检测和严重程度分级，并进行了外部验证	提出了一种层次化多任务网络，采用共享ResNet-50编码器和特征金字塔，并引入跨任务注意力模块使分级表示受预测病变特征的调节；使用同方差不确定性加权结合三阶段渐进训练策略来适应数据的部分标签结构	外部验证性能有所下降（Dice从0.535降至0.489）；外部分割评估仅基于81张图像，限制了泛化性结论；需要更大规模多种族队列的前瞻性验证才能用于临床	开发一个统一框架，同时执行病变分割、病变检测和糖尿病视网膜病变分级，并在数据集内部和跨数据集进行评估	糖尿病视网膜病变患者的眼底图像	计算机视觉, 医学图像分析	糖尿病视网膜病变	深度学习, 眼底成像	CNN	图像	DDR数据集13,673张图像（其中757张有病变标注），外部验证IDRiD数据集81张图像用于分割评估	NA	ResNet-50, 特征金字塔网络(FPN), 跨任务注意力模块	Dice系数, 平均精度(AP) at IoU 0.5, 分级准确率, 二次加权Kappa, 转诊DR灵敏度, 视力威胁DR灵敏度, 95%自助法置信区间, 配对显著性检验, 校准	NA
264	2026-10-05	Automated classification of sagittal, vertical, and transverse malocclusions from 3D intraoral scans via a multi-head CNN framework 2026-Oct, Odontology IF:1.9Q2 DOI:10.1007/s10266-026-01400-9 PMID:42126491	研究论文	本研究开发并评估了一种多头卷积神经网络框架，用于从三维口内扫描中自动分类矢状向、垂直向和横向错颌畸形	提出了一种共享主干多头架构，能够同时分类多个错颌畸形组件，并采用六视图二维表示来保留三维形态信息	横向咬合分类性能较低，矢状向和横向分类仍具挑战性；样本量有限且为回顾性研究	开发并评估一种多任务深度学习模型，用于从三维口内扫描数据中同时分类矢状向、垂直向和横向错颌畸形组件以及中线偏斜	801例匿名三维口内扫描数据集	计算机视觉	错颌畸形	三维口内扫描	CNN	图像	801例三维口内扫描数据集	NA	EfficientNetV2B3, ResNet50	准确率, 精确率, 召回率, F1分数, ROC-AUC	NA
265	2026-10-05	Noninvasive decoding of typed sentences from human brain activity 2026-Oct, Nature neuroscience IF:21.2Q1 DOI:10.1038/s41593-026-02303-2 PMID:42374156	研究论文	本文提出了一种非侵入式方法Brain2Qwerty，通过脑电或脑磁图解码健康志愿者打字的句子，并展示了其有效性	提出了一种新的深度学习架构Brain2Qwerty，用于非侵入式地从脑活动中解码句子，并证明了其可行性	未明确提及局限性	开发一种非侵入式的脑机接口，从脑活动中解码句子，以帮助无法沟通的患者	35名健康志愿者	脑机接口	NA	脑电图（EEG），脑磁图（MEG）	深度学习	脑电信号，脑磁信号	35名健康志愿者	NA	Brain2Qwerty	字符错误率（CER）	NA
266	2026-10-05	Intraoperative spectral imaging versus ICG fluorescence for gastric conduit viability in esophagectomy 2026-Oct, Surgical endoscopy DOI:10.1007/s00464-026-13071-2 PMID:42489882	研究论文	本研究评估了一种无需造影剂的实时光谱成像系统在食管切除术中量化胃管氧合的应用，并与ICG荧光成像进行了对比	提出了一种实时、无需造影剂的光谱成像系统，通过深度学习模型估计组织氧饱和度，并首次将其与ICG荧光成像及局部毛细血管乳酸水平进行对比验证	样本量较小（33例），仅在一家机构进行，缺乏基于结局的大规模验证研究	评估光谱成像系统在食管切除术中量化胃管组织氧合的性能，并与ICG荧光成像进行比较	接受腹腔镜Ivor Lewis食管切除术的33例患者	医学影像分析	食管癌	快照光谱成像, ICG荧光成像	深度学习模型	光谱图像, 时间强度曲线数据	33例接受食管切除术的患者	NA	NA	组织氧饱和度, 相关系数, p值	NA
267	2026-10-05	An attention-based transformer algorithm integrated with yolo framework for lesion localization and detection in diabetic retinopathy 2026-Oct, Photodiagnosis and photodynamic therapy IF:3.1Q2 DOI:10.1016/j.pdpdt.2026.105581 PMID:42476279	研究论文	该文章提出了一种结合注意力机制和Transformer的YOLO框架，用于糖尿病视网膜病变的病灶定位和检测，并实现多任务学习如病变检测、分割和分级	结合注意力机制、Transformer和YOLO框架，提高特征表示和检测质量，尤其在小和细微病变检测上更准确，且泛化能力优于现有深度学习模型	未明确提及	开发一种有效且自动化的糖尿病视网膜病变筛查方法，通过视网膜眼底图像早期检测异常，避免疾病进展和视力丧失	糖尿病视网膜病变患者的视网膜眼底图像	计算机视觉	糖尿病视网膜病变	NA	Transformer, YOLO	图像	使用APTOS, EyePACS, Messidor公开数据库，具体样本大小未提及	NA	Attention Transformer-YOLO	准确率	NA
268	2026-10-05	Emerging research trends in the application of artificial intelligence, LLMs, machine learning, and deep learning in ophthalmic diseases: A bibliometric and visual analysis 2026-Oct, Photodiagnosis and photodynamic therapy IF:3.1Q2 DOI:10.1016/j.pdpdt.2026.105628 PMID:42624227	文献计量分析	通过文献计量和可视化分析，考察2015至2025年间人工智能、大语言模型、机器学习和深度学习在眼科疾病中应用的全球研究趋势	采用VOSviewer、CiteSpace和Bibliometrix等多种文献计量工具，全面分析眼科人工智能领域的年度发文量、引用分布、国家、机构、期刊、作者生产力、关键词频率、突发词和主题聚类，特别关注近年大语言模型相关研究的增长趋势	仅基于Web of Science核心合集数据库，可能存在文献覆盖偏差；文献计量分析无法评估研究质量；未纳入非英语文献；时间范围截至2025年可能包含不完整数据	考察2015至2025年全球人工智能、大语言模型、机器学习和深度学习在眼科疾病中应用的研究活动	1997篇2015至2025年间发表的关于人工智能在眼科疾病中应用的相关文献	数字病理学, 机器学习	眼科疾病, 糖尿病视网膜病变, 黄斑变性	文献计量分析	NA	文本	1997篇文献	VOSviewer, CiteSpace, Bibliometrix	NA	年度发文量, 引用分布, 关键词频率, 突发词	NA
269	2026-10-05	Cervical cancer survival analysis by integrating multi-omics data through an adaptive weighted deep neural network 2026-Oct-01, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2026.109465 PMID:42828972	研究论文	本文提出了一种称为AWMP的自适应加权深度神经网络，用于整合多组学数据进行宫颈癌生存分析，并识别关键基因和B细胞亚群	提出自适应加权机制有效解决多组学整合中的贪婪学习问题，相比四种对比方法的平均性能提升了4.74%	多组学数据存在大量冗余变量且样本量相对较小	通过整合多组学数据提高宫颈癌预后分析的准确性，并在精准医学框架下改善临床结果	宫颈癌患者及其多组学数据	机器学习	宫颈癌	多组学数据整合，单细胞分析	深度神经网络	多组学数据，单细胞数据	NA	NA	AWMP	NA	NA
270	2026-10-05	Deep learning based design of buried hydrogen bond networks with HBDesigner 2026-Sep-30, bioRxiv : the preprint server for biology DOI:10.64898/2026.06.08.730848 PMID:42327288	研究论文	提出了一种名为HBDesigner的深度学习算法，用于设计蛋白质中的埋藏氢键网络，并通过实验验证其优于现有工具	将深度学习采样与原子级能量评分相结合，首次实现了在任意蛋白质骨架上设计连接的氢键网络，并能将特异性安装到同源异源二聚体家族中	摘要中未明确提及	准确设计蛋白质中的氢键相互作用，以促进特异性蛋白质-蛋白质相互作用并提高未结合状态下蛋白质的溶解度	蛋白质骨架、单体蛋白质、同源二聚体、同源异源二聚体家族	蛋白质设计	NA	深度学习、原子级能量评分	深度学习模型	蛋白质结构数据	NA	NA	NA	NA	NA
271	2026-10-05	Infrared spectroscopy combined with interpretable machine learning for forensic identification and weathering time estimation of empty blow fly puparia 2026-Sep-29, Forensic science international IF:2.2Q1 DOI:10.1016/j.forsciint.2026.113149 PMID:42828946	研究论文	该研究利用红外光谱数据结合可解释机器学习，对空蝇蛹进行物种鉴定和风化时间估计，以辅助法医学中最小死后间隔的推断	比较了经典逻辑回归与卷积神经网络在蝇蛹物种鉴定和风化时间估计任务上的性能，并进行了可解释性分析以识别光谱中最具信息量的区域	未明确提及	利用红外光谱和机器学习技术进行法医昆虫学中的物种鉴定和风化时间估计	空蝇蛹	机器学习	NA	红外光谱	CNN, 逻辑回归	光谱数据	NA	NA	卷积神经网络, 逻辑回归	NA	NA
272	2026-10-05	DiffPWI: A degradation-aware diffusion model for ultrasound plane-wave imaging 2026-Sep-25, Ultrasonics IF:3.8Q1 DOI:10.1016/j.ultras.2026.108300 PMID:42828949	研究论文	该论文提出了一种名为DiffPWI的退化感知扩散模型，用于超声平面波成像的重建，通过物理引导的退化建模和频率解耦注意力模块提升图像质量	采用潜在扩散模型学习物理引导的退化分布作为重建先验，并引入频率解耦注意力模块自适应分解特征为层次频率子带，以保留高频解剖细节同时抑制伪影	摘要中未提及	实现高保真超快超声成像，解决现有深度学习重建方法缺乏物理引导退化建模导致的解剖结构失真和散斑统计偏差问题	超声平面波成像重建（包括体模、多器官在体数据和零样本数据集）	计算机视觉	NA	超声平面波成像	潜在扩散模型（LDM）	图像	体模、多器官在体及零样本数据集（具体数量未提及）	NA	潜在扩散模型（LDM）、频率解耦注意力模块（FDAM）	空间分辨率、对比度恢复、散斑保真度	NA
273	2026-10-05	End-to-end deep learning methods for genetic risk prediction of schizophrenia 2026-09-02, Nature communications IF:14.7Q1 DOI:10.1038/s41467-026-76663-5 PMID:42823413	研究论文	该研究应用端到端深度学习模型，利用全外显子组测序数据预测精神分裂症遗传风险，并整合可解释AI与生物学先验识别预测基因和通路	使用端到端基因组解释神经网络模型捕捉复杂非线性遗传效应（如上位效应），超越传统加性模型，并整合可解释AI与生物学先验识别出BASP1为潜在研究不足的精神分裂症基因	研究未明确说明模型的具体局限性，但样本量有限可能影响泛化能力，且需要足够样本量时非线性网络才能显著优于加性模型	利用全外显子组测序数据，通过端到端深度学习模型预测精神分裂症遗传风险，并探索高阶遗传交互作用	精神分裂症患者与对照人群的全外显子组测序数据	机器学习	精神分裂症	全外显子组测序	端到端基因组解释神经网络	基因序列数据	6,135例病例和6,245例对照	NA	NA	NA	NA
274	2026-10-05	A Deep Learning Model Incorporating Spatiotemporal Asymmetries on Longitudinal Mammograms to Predict Breast Cancer Risk 2026-Sep, Radiology. Artificial intelligence DOI:10.1148/ryai.250888 PMID:42524712	研究论文	本文开发并评估了一种新的深度学习风险模型STA-Risk，该模型明确捕捉纵向乳腺X线摄影中的双侧和纵向不对称性，以预测乳腺癌风险	提出了一种名为STA-Risk的新型深度学习风险模型，其架构结合了侧别编码、时间编码和定制的非对称性损失函数，能够显式地捕捉纵向乳腺X线摄影中的空间和时间不对称性	存在领域偏移问题，但通过联合训练策略在一定程度上得到了缓解	开发和评估一种新的深度学习风险模型，通过显式捕捉序列乳腺X线摄影中的双侧和纵向不对称性来预测乳腺癌风险	接受筛查的乳腺X线摄影女性	计算机视觉	乳腺癌	卷积神经网络	CNN	图像	CSAW-CC数据集：406例癌症患者和6053例对照参与者；独立数据集：293例癌症患者和297例对照参与者	NA	STA-Risk	C-index，时间依赖的AUC（1-5年）	NA
275	2026-10-05	A multimodal prediction model for brain hematoma expansion based on deep neural network with transformer-driven collaborative attention fusion 2026-Sep, Medical & biological engineering & computing IF:2.6Q3 DOI:10.1007/s11517-026-03643-8 PMID:42541520	研究论文	本文提出了一种名为SResFormer的多模态深度学习模型，基于位置感知CT特征编码，融合CT图像和临床特征，用于预测脑血肿扩张	提出了基于位置感知CT特征编码的双通道处理方案，实现了三维血肿结构的显式捕捉，并通过语义对齐将CT特征与结构化临床特征融合，使用Transformer驱动的协同注意力融合机制	未明确提及	准确早期预测自发性脑出血患者的血肿扩张，以辅助临床决策	自发性脑出血患者的CT图像和临床数据	医学图像分析	脑出血	CT成像	Transformer, CNN	图像, 文本	多中心数据集（具体样本量未提及）	NA	SResFormer（基于Transformer和CNN）	NA	NA
276	2026-10-05	Opportunistic Chest CT Paraspinal Muscle Biomarkers to Predict Longitudinal Thoracic Vertebral Bone Mineral Density Loss: Results from MESA 2026-Sep, Radiology IF:12.1Q1 DOI:10.1148/radiol.260238 PMID:42742379	研究论文	该研究评估了CT衍生的椎旁肌衰减和体积是否能独立预测纵向胸椎骨密度丢失，基于MESA多中心前瞻性队列	首次利用深度学习三维分割技术从胸部CT中提取椎旁肌衰减和体积，并证明其对纵向胸椎骨密度丢失和椎体骨折具有独立及增量预测价值	为二次分析，排除了FRAXnb数据不完整或分割失败者，可能引入选择偏倚；仅分析胸椎T1-T10，未涵盖腰椎；随访时间约6年，长期预测能力尚不明确	评估CT衍生的椎旁肌衰减和体积是否独立预测纵向胸椎骨密度丢失	MESA队列中1316名参与者（平均年龄67.2岁，694名女性）	数字病理学	骨质疏松症	胸部CT、深度学习三维分割、手动分割	深度学习分割模型	图像	1316名参与者，包含第5次检查（2010年4月）和第6次检查（2016年9月）的非增强胸部CT扫描，椎旁肌T1至T10多水平分割	NA	NA	Dice分数、调整R²、AUC	NA
277	2026-10-05	Deep Learning-derived Bone Mineral Density and Longitudinal White Matter Microstructure and Cognitive Decline: Multi-Ethnic Study of Atherosclerosis 2026-Sep, Radiology IF:12.1Q1 DOI:10.1148/radiol.260656 PMID:42770818	研究论文	本研究基于多民族动脉粥样硬化研究（MESA），利用深度学习从非增强胸部CT中提取胸椎骨密度（vBMD），并探究其与纵向白质微结构完整性、白质高信号负荷及认知功能下降之间的关联。	首次利用深度学习从非增强胸部CT自动量化胸椎骨密度，并系统评估其与纵向白质微结构退变、白质高信号累积及认知下降的关联，揭示了骨骼健康与脑老化之间的纵向联系，尤其在糖尿病患者中关联更强。	部分关联未通过错误发现率校正，仅属名义显著；研究为观察性设计，无法确定因果关系；样本主要来自特定人群，外推性有限。	确定深度学习衍生的胸椎骨密度是否与白质完整性、白质高信号负荷及认知下降的纵向变化相关	无临床心血管疾病的多民族动脉粥样硬化研究参与者，共715人	数字病理学	心血管疾病	非增强胸部CT、多模态脑MRI（弥散张量成像和液体衰减反转恢复序列）、认知测试	深度学习	图像	715名参与者（中位年龄69岁，397名男性，318名女性）	NA	NA	NA	NA
278	2026-10-05	AV-NeXt: a topology-aware framework with interaction modeling and competitive gating for retinal artery/vein segmentation 2026-Sep, Medical & biological engineering & computing IF:2.6Q3 DOI:10.1007/s11517-026-03633-w PMID:42501190	研究论文	本文提出了一种拓扑感知框架AV-NeXt，用于视网膜动脉/静脉分割，通过交互建模和竞争门控机制改善交叉区域识别	将解剖学启发的动静脉交互建模集成到深度特征表示中，提出交互条件交叉头和竞争门控机制	零样本评估中交叉IoU较低，表明在域偏移下交叉识别性能有待提高	提高视网膜动脉/静脉交叉区域的识别精度，解决血管断裂和分类模糊问题	视网膜血管图像中的动脉和静脉	计算机视觉	心血管疾病	深度学习	CNN	图像	NA	NA	ConvNeXt	mDice, mIoU, Crossing IoU	NA
279	2026-10-05	Two-stage deep learning framework for the restoration of incomplete-ring PET images 2026-Sep, Medical & biological engineering & computing IF:2.6Q3 DOI:10.1007/s11517-026-03641-w PMID:42554922	研究论文	本文提出一个两阶段深度学习框架，从约50%缺失符合事件的不完整环形PET数据中恢复高质量图像	不需要TOF信息即可处理约50%缺失数据（是先前CNN方法的两倍损失水平）；采用两阶段流程：投影域Attention U-Net补全正弦图缺失部分，然后OSEM重建，再用级联U-Net和warm-start扩散模型进行图像细化，扩散过程从U-Net粗预测开始而非纯高斯噪声	研究基于模拟数据（613个模拟脑体积），尚未在真实不完整环形PET扫描上验证；仅针对脑部成像，未涉及其他器官；未使用TOF信息可能限制在特定扫描仪上的性能	开发一个深度学习框架，从不完整环形PET扫描仪收集的数据中恢复高质量PET图像，以解决硬件故障、成本约束或特定临床需求导致的数据不完整问题	模拟脑部PET体积，来源于真实扫描，包括196个健康脑样本、217个阿尔茨海默病样本和200个轻度认知障碍样本	医学图像处理	阿尔茨海默病, 轻度认知障碍	PET成像	CNN, 扩散模型	图像	613个模拟脑体积（196健康，217阿尔茨海默病，200轻度认知障碍）	NA	Attention U-Net, U-Net, 扩散模型	PSNR, SSIM	NA
280	2026-10-05	A study on eye movement trajectory classification for strabismus screening via integration of global dependencies and temporal dynamics 2026-Sep, Medical & biological engineering & computing IF:2.6Q3 DOI:10.1007/s11517-026-03650-9 PMID:42616265	研究论文	该研究提出了一种基于可穿戴眼动仪的深度学习框架，通过融合空间、时间和全局特征对眼动序列进行分类，用于斜视筛查	提出了一种层次化结构，整合了改进的ResNet-18提取空间特征、双向LSTM建模序列动态以及轻量级Transformer编码器捕获长程时间依赖；引入了条件触发式模型过滤策略以提高对少数类样本的敏感性	未明确提及	解决现有斜视筛查方法依赖昂贵硬件、对动态条件适应性有限以及斜视亚型分类能力不足的问题	眼动序列数据，分类为对照组、外斜视和内斜视	医学图像分析	斜视	可穿戴眼动追踪	CNN, LSTM, Transformer	眼动序列数据	未明确提及	未明确提及	ResNet-18, 双向LSTM, Transformer编码器	准确率	未明确提及