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
2781	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
2782	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
2783	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
2784	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
2785	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
2786	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
2787	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
2788	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
2789	2026-01-07	An Anisotropic Cross-View Texture Transfer With Multi-Reference Non-Local Attention for CT Slice Interpolation 2026-Jan, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2025.3596957 PMID:40779378	研究论文	本文提出了一种基于多参考非局部注意力的各向异性跨视图纹理转移方法，用于CT切片插值，以改善各向异性CT体积的层间分辨率	通过设计一个独特框架，利用高分辨率平面内纹理细节作为参考，将其转移到低分辨率穿平面图像，并引入多参考非局部注意力模块从多个平面内图像中提取特征以重建穿平面高频细节	NA	开发深度学习体积超分辨率方法以提高CT图像的层间分辨率，解决各向异性CT体积中分辨率不一致的问题	CT图像，特别是具有各向异性特性的3D CT体积	计算机视觉	NA	CT成像	深度学习模型	图像	NA	NA	多参考非局部注意力模块	NA	NA
2790	2026-01-07	Automatic Choroid Segmentation and Thickness Measurement Based on Mixed Attention-Guided Multiscale Feature Fusion Network 2026-Jan, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2025.3597026 PMID:40779377	研究论文	本文提出了一种基于混合注意力引导的多尺度特征融合网络，用于光学相干断层扫描图像中脉络膜的自动分割和厚度测量	提出了混合注意力引导的多尺度特征融合网络，结合混合注意力编码器、可变形多尺度特征融合路径和多尺度金字塔层聚合模块，以应对脉络膜边界模糊、纹理不均匀和病变等挑战	公共OCT数据集中涉及脉络膜厚度变化的疾病类型较少，且缺乏公开可用的标注数据集	实现光学相干断层扫描图像中脉络膜的准确分割和量化，以支持临床诊断和疾病进展监测	正常和八种脉络膜相关疾病的光学相干断层扫描图像	计算机视觉	眼科疾病	光学相干断层扫描	CNN	图像	徐州医科大学附属医院脉络膜数据集，包含正常和八种脉络膜相关疾病的标注OCT图像	NA	MAMFF-Net	mDice, mIoU, mAcc	NA
2791	2026-01-07	Comparison of DLIR and ASIR-V algorithms for virtual monoenergetic imaging in carotid CTA under a triple-low protocol 2026-Jan, Japanese journal of radiology IF:2.9Q2 DOI:10.1007/s11604-025-01866-7 PMID:40924047	研究论文	本研究比较了在颈动脉CTA三重低剂量扫描协议下，使用DLIR和ASIR-V算法生成的50 keV虚拟单能图像的质量	在颈动脉CTA三重低剂量扫描协议下，首次系统比较了深度学习图像重建（DLIR）与自适应统计迭代重建-V（ASIR-V）算法在虚拟单能成像中的性能，并展示了DLIR-H在图像质量、噪声抑制和小血管对比度方面的优越性	研究为单中心前瞻性研究，样本量相对有限（120例），且未评估长期临床结局或不同扫描仪间的可重复性	比较在颈动脉CTA三重低剂量扫描协议下，DLIR与ASIR-V算法对50 keV虚拟单能图像质量的影响	接受双能颈动脉CTA扫描的120例患者	医学影像	脑血管疾病	双能CT血管造影（DE-CTA）、虚拟单能成像（VMI）	深度学习图像重建（DLIR）、自适应统计迭代重建（ASIR-V）	CT图像	120例患者	NA	NA	信噪比（SNR）、对比噪声比（CNR）、标准差（SD）、5点李克特量表主观评分	NA
2792	2026-01-07	Multicenter Study of YOLOv9 for Automated Detection and Classification of Supraspinatus Tendon Tears on MRI 2026-Jan, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2025.10.022 PMID:41173764	研究论文	本研究开发了一种基于YOLOv9的深度学习模型，用于利用多中心MRI数据自动检测和分类肩袖肌腱撕裂	首次将YOLOv9框架应用于肩袖肌腱撕裂的自动化MRI诊断，并在多中心数据上验证了其性能优于不同经验水平的放射科医生	研究为回顾性设计，可能存在选择偏倚；模型性能在部分厚度撕裂分类上仍有提升空间	开发自动化深度学习模型以辅助肩袖肌腱撕裂的MRI诊断	肩袖肌腱撕裂（supraspinatus tendon tears）	计算机视觉	肌肉骨骼疾病	MRI（磁共振成像）	YOLO	图像	1698名患者，来自五家医院，分为训练集（1047例）、验证集（299例）、测试集（154例）和外部测试集（198例）	YOLO	YOLOv9	准确率, 宏F1分数, 交并比（IoU）, 混淆矩阵, Cohen's kappa	NA
2793	2026-01-07	Deep learning algorithms for timely diagnosis of retinopathy of prematurity requiring treatment 2026-Jan, Eye (London, England) DOI:10.1038/s41433-025-04096-3 PMID:41184508	研究论文	本研究评估了深度学习算法在利用远程医疗咨询系统提交的眼底图像诊断需要治疗的早产儿视网膜病变病例中的有效性	结合多种预处理技术（CLAHE、AMSR、ML）并比较多种CNN模型（MobileNet、ResNet-18、ResNet-50、DenseNet-121）在ROP诊断中的性能，发现MobileNet与CLAHE预处理组合在准确性和敏感性方面表现最佳	研究为回顾性横断面研究，样本量相对有限（141名早产儿的1700张图像），且需在更多样化的临床环境中进一步验证其实际适用性	评估深度学习算法在诊断需要治疗的早产儿视网膜病变病例中的有效性，以支持远程医疗环境下的实时筛查	141名接受ROP筛查的早产儿的1700张RetCam眼底图像	计算机视觉	早产儿视网膜病变	眼底成像	CNN	图像	141名早产儿的1700张RetCam眼底图像	NA	MobileNet, ResNet-18, ResNet-50, DenseNet-121	准确率, 敏感性, 特异性, F1分数	NA
2794	2026-01-07	Identification of potent high-affinity secondary nucleation inhibitors of Aβ42 aggregation from an ultra-large chemical library using deep docking 2026-Jan, Molecular systems biology IF:8.5Q1 DOI:10.1038/s44320-025-00159-5 PMID:41193694	研究论文	本研究开发了一种基于深度学习的计算管道，用于从超大型化学库中筛选Aβ42聚集的二级成核抑制剂	通过开源Deep Docking协议版本，将可筛选化合物数量提高了4个数量级，并成功识别出低纳摩尔级高亲和力结合剂	研究依赖计算筛选，需体外实验验证，且仅针对Aβ聚集的二级成核过程	开发计算策略以加速针对阿尔茨海默病Aβ聚集抑制剂的药物发现	Aβ肽的聚集过程及潜在抑制剂	机器学习	阿尔茨海默病	深度学习对接	深度学习模型	化学结构数据	超过5.39亿化合物库中筛选出35个候选化合物进行体外测试	NA	Deep Docking协议	命中率（54%），平衡解离常数	NA
2795	2025-11-24	Advancing personalised therapy in neovascular AMD through deep learning-based OCT biomarker quantification 2026-Jan, Eye (London, England) DOI:10.1038/s41433-025-04133-1 PMID:41274985	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2796	2026-01-07	Automated diagnosis of early-stage retinopathy of prematurity 2026-Jan, Eye (London, England) DOI:10.1038/s41433-025-04122-4 PMID:41286176	研究论文	本文开发了一种基于深度学习的自动化早产儿视网膜病变检测与分类流程，旨在通过视网膜图像实现早期诊断	结合U-Net进行血管和脊特征分割，并将分割结果叠加在sigmoid增强的视网膜图像上，使用ResNet50分类器进行ROP检测和分期，有效识别关键疾病特征	未明确提及数据集的多样性或外部验证结果，可能影响模型的泛化能力	开发自动化ROP检测和分类流程，以支持早期诊断和临床决策	早产儿的视网膜眼底图像	计算机视觉	早产儿视网膜病变	深度学习图像分析	CNN	图像	400 GB的视网膜眼底图像数据集	NA	U-Net, ResNet50	准确率	NA
2797	2026-01-07	Performance of Artificial Intelligence in Skin Cancer Detection: An Umbrella Review of Systematic Reviews and Meta-Analyses 2026-Jan, International journal of dermatology IF:3.5Q1 DOI:10.1111/ijd.17981 PMID:40745683	综述	本文通过伞状综述综合评估了人工智能模型在皮肤癌检测中的诊断性能	首次通过伞状综述整合多项系统评价和荟萃分析，全面比较了不同AI模型（如CNN、SVM）在多种皮肤癌类型和临床场景下的诊断准确性，并特别关注了AI在初级医疗环境中的应用潜力	纳入的荟萃分析存在异质性（如研究设计、数据来源、评估标准不同），且原始研究可能存在发表偏倚；AI模型在不同肤色人群和罕见皮肤癌类型中的泛化能力未充分评估	评估人工智能模型在皮肤癌检测中的诊断准确性，为其整合到常规临床实践提供证据支持	皮肤癌（包括黑色素瘤、鳞状细胞癌等）的检测与诊断	计算机视觉	皮肤癌	高光谱成像、智能手机图像采集	CNN, SVM, 机器学习模型	图像	基于11项荟萃分析，涵盖551项研究	NA	卷积神经网络, 支持向量机	灵敏度, 特异性, 准确度	NA
2798	2026-01-07	Prognostic value of red blood cell distribution width in traumatic brain injury: A mediation and deep learning analysis 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0339879 PMID:41481601	研究论文	本研究探讨了年龄、红细胞分布宽度与创伤性脑损伤患者短期死亡率之间的关联，并分析了RDW在年龄对死亡率影响中的中介作用	首次将红细胞分布宽度作为年龄与创伤性脑损伤死亡率关系的中介变量进行深入分析，并应用深度学习生存模型进行预测	研究为回顾性队列分析，可能存在选择偏倚；数据来源于单一数据库（MIMIC-IV），外部验证不足	评估年龄和红细胞分布宽度对创伤性脑损伤患者短期死亡率的预测价值及其相互作用机制	1203名ICU收治的创伤性脑损伤患者	机器学习	创伤性脑损伤	临床数据分析	深度学习生存模型	临床数据	1203名患者	NA	Deepsurv	C-index, IBS, AUC	NA
2799	2026-01-07	EFEN-YOLOv8: Surface defect detection network based on spatial feature capture and multi-level weighted attention 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0339617 PMID:41481612	研究论文	本文提出了一种基于空间特征捕获和多级加权注意力的表面缺陷检测网络EFEN-YOLOv8，用于工业环境中的缺陷检测	引入了[公式：见文本]-FEIoU损失函数以同时处理缺陷-背景区分和正负样本不平衡问题，结合了浅层注意力卷积模块、大分离核注意力模块和加权空洞空间金字塔池化特征融合模块	未在摘要中明确说明	提高工业表面缺陷检测的准确性和效率	工业环境中的表面缺陷	计算机视觉	NA	深度学习	YOLOv8	图像	基于NEU-DET和GC10-DET数据集	NA	YOLOv8	mAP	NA
2800	2026-01-07	Multiscale Pancancer Analysis Uncovers Intrinsic Imaging and Molecular Characteristics Prominent in Breast Cancer and Glioblastoma 2026-Jan, British journal of cancer IF:6.4Q1 DOI:10.1038/s41416-025-03235-7 PMID:41094188	研究论文	本研究通过多参数MRI影像组学和深度学习模型，识别并验证了乳腺癌和胶质母细胞瘤中跨癌症类型的共同特征，这些特征在生存预测中优于癌症特异性特征	首次在泛癌分析中结合影像特征与分子特征，识别出跨癌症类型的共同影像表型，并验证其在生存预测中的优越性及生物学相关性	研究为回顾性设计，样本量相对有限，且仅聚焦于乳腺癌和胶质母细胞瘤两种癌症类型	探索跨癌症类型的影像和分子特征，以提升癌症预后预测及生物学理解	乳腺癌和胶质母细胞瘤患者	数字病理学	乳腺癌, 胶质母细胞瘤	多参数MRI, 影像组学, 深度学习, 通路分析	深度学习模型	MRI影像	793名患者（I-SPY1乳腺癌队列145例，Duke-UPenn胶质母细胞瘤队列452例，外部验证队列196例）	NA	NA	AUC	NA