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
4501	2026-07-05	Automated multiclass bone segmentation using deep learning: implications for templating in radial head replacement 2026-Aug, Journal of shoulder and elbow surgery IF:2.9Q1 DOI:10.1016/j.jse.2026.02.005 PMID:41720251	研究论文	训练并验证基于nnU-Net的深度学习模型，实现桡骨头置换术中多类骨骼的自动化分割，以提高术前三维模板制作的效率和精度	首次将nnU-Net深度学习模型应用于桡骨头置换术的多类骨骼分割，实现了皮质骨和非皮质骨的精确分割，分割时间从手动78分钟缩短至3分钟，且性能在不同性别、手臂侧和CT层厚下保持一致	模型无法捕捉软骨组织，这可能会影响某些临床应用中的分割完整性	开发和验证用于桡骨头置换术术前三维模板制作的多类骨骼自动分割深度学习模型	上肢骨骼（肱骨、尺骨、桡骨的皮质和非皮质区域）	深度学习, 医学图像分割	骨科疾病（桡骨头骨折或相关适应症）	CT扫描	nnU-Net	三维CT图像	93例上肢CT扫描	PyTorch	nnU-Net	Dice相似系数, Hausdorff距离, 平均表面距离, 均方根误差	NA
4502	2026-07-05	Deep learning for detection and automatic visualization of radiation-induced temporal lobe injury in nasopharyngeal carcinoma across endemic and non-endemic areas in China 2026-Aug, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology IF:4.9Q1 DOI:10.1016/j.radonc.2026.111596 PMID:42134661	研究论文	开发并验证基于MRI的多任务深度学习模型，用于鼻咽癌患者放射性颞叶损伤的检测和自动可视化	首次构建了基于2.5D ResNet的多任务学习网络，集成RTLI分类与分割任务，并在中国南部和北部不同流行病学区域进行了跨地域验证	仅使用轴向T2加权MRI单一序列，未纳入其他MRI序列或临床指标；前瞻性临床获益的验证仍在进行中	开发一种能够早期检测放射性颞叶损伤并自动可视化病灶的深度学习模型，以辅助临床诊断	鼻咽癌患者放疗后出现的放射性颞叶损伤	计算机视觉	鼻咽癌	MRI	多任务深度学习模型	图像	956名鼻咽癌患者，来自中国南部和北方的回顾性和前瞻性队列	PyTorch	2.5D ResNet	AUC, DSC, 灵敏度	NA
4503	2026-07-05	Multicenter validation and randomized crossover reader evaluation of deep learning-assisted tri-sequence three-dimensional MRI segmentation for hypopharyngeal tumor 2026-Aug, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology IF:4.9Q1 DOI:10.1016/j.radonc.2026.111606 PMID:42162744	研究论文	开发一个多中心验证的三序列深度学习模型，用于下咽肿瘤的三维MRI分割，并评估AI辅助能否缩小轮廓勾画的专业差距	首次提出多中心验证的三序列3D nnU-Net模型用于下咽鳞状细胞癌MRI分割，并通过随机交叉读者研究证明AI辅助能显著提升不同资历放射肿瘤医生的勾画一致性和效率，同时引入基于MRI质量特征的低重叠风险模型以支持部署决策	研究为回顾性设计，样本量有限（727例），且外部验证中低重叠风险模型的AUC在外部队列有所下降（0.71-0.78），可能需要进一步优化	开发并验证深度学习辅助的MRI自动分割方法，以提高下咽鳞状细胞癌放射治疗计划中靶区勾画的准确性和一致性，缩小专家经验差距	来自三个医疗机构的727名下咽鳞状细胞癌患者	计算机视觉, 医学影像分析	下咽鳞状细胞癌	MRI	3D nnU-Net	三维MRI图像（三序列）	727名患者，分为开发队列（530例）、内部测试队列（37例）、外部队列1（109例）和外部队列2（51例）	PyTorch	3D nnU-Net, XGBoost（用于低重叠风险模型）	Dice相似系数（DSC）、表面DSC、平均对称表面距离（ASSD）、平均表面距离（MSD）、Fleiss' κ、5点Likert评分、受试者工作特征曲线下面积（AUC）	NA
4504	2026-07-05	Deep Learning-Based Panoramic Radiograph Retrieval from Antemortem Images for Forensic Identification 2026-Jul-04, International journal of legal medicine IF:2.2Q1 DOI:10.1007/s00414-026-03905-y PMID:42399502	研究论文	评估基于深度学习的全景放射照片检索方法在法医鉴识中的应用	提出了一种专家辅助的半自动化卷积神经网络框架，用于大规模检索法医身份识别，并采用ConvNeXt-Tiny骨干网络实现最佳性能	未提及限制信息	评估基于深度学习的方法在法医鉴识中大规模检索全景牙科X光片的适用性	全景放射照片（牙科X光片）	计算机视觉	NA	NA	卷积神经网络（CNN）	图像（全景X光片）	842名个体的2,440张全景X光片	PyTorch	ConvNeXt-Tiny	Top-1准确率, Top-3准确率, Top-5准确率	NA
4505	2026-07-05	A multimodal deepsurv approach: integrating radiomics and clinical factors for brain metastasis survival prediction 2026-Jul-03, Journal of clinical neuroscience : official journal of the Neurosurgical Society of Australasia IF:1.9Q4 DOI:10.1016/j.jocn.2026.112180 PMID:42398164	研究论文	提出一种结合影像组学和临床因素的多模态深度生存模型，用于脑转移瘤患者生存预测	首次将影像组学特征与临床因素整合至DeepSurv框架，用于脑转移瘤生存预测，并利用时间依赖的AUROC评估不同时间点预测性能	样本量相对较小且来自单一机构，不同原发肿瘤来源类别不平衡，需外部多机构验证后方可临床应用	开发并评估基于影像组学的深度学习模型，利用治疗前MRI和临床数据预测脑转移瘤患者的生存结局	199例来自Pretreat-MetsToBrain-Masks数据集的脑转移瘤患者	数字病理学	脑转移瘤	MRI	DeepSurv	影像数据（MRI序列）、临床数据	199名患者	PyRadiomics, PyTorch	DeepSurv	C-index, 综合Brier分数, 综合负二项对数似然分数, 时间依赖AUROC	NA
4506	2026-07-05	Artificial Intelligence in Echocardiography for Valvular Heart Disease 2026-Jul-03, Trends in cardiovascular medicine IF:7.3Q1 DOI:10.1016/j.tcm.2026.06.006 PMID:42398662	review	系统总结了人工智能在心脏瓣膜病超声心动图评估中的最新进展	探讨了AI通过无监督聚类挖掘潜在高风险表型以及整合多模态数据预测不良结局的能力	当前在数据标准化、模型可解释性和临床转化方面仍面临挑战	为提升心脏瓣膜病患者的精准诊断和预后评估提供新思路	心脏瓣膜病的超声心动图评估	计算机视觉	心脏瓣膜病	深度学习	卷积神经网络	图像	NA	NA	卷积神经网络	NA	NA
4507	2026-07-05	Neuroimaging-derived biotypes of self-reported insomnia symptoms are differentially associated with affective symptoms 2026-Jul-03, Biological psychiatry. Cognitive neuroscience and neuroimaging DOI:10.1016/j.bpsc.2026.06.014 PMID:42398825	研究论文	通过生成式深度学习模型，识别出伴有自我报告失眠症状的青少年中的两种神经解剖学生物型，并发现它们与情感症状的不同关联	首次采用生成式深度学习模型从灰质体积数据中识别失眠症状的神经解剖学生物型，并揭示不同生物型在行为与遗传水平上对焦虑和抑郁的差异化易感性	未明确提及	探究失眠症状的神经解剖学异质性如何差异化影响睡眠障碍与情感症状之间的关系	伴有自我报告失眠症状的青少年样本，以及用于验证的成人样本	机器学习	失眠症状、焦虑症、抑郁症	神经影像学（灰质体积数据）	生成式深度学习模型	神经影像数据（灰质体积）	研究涉及青少年样本和用于验证的成人样本，具体数量未明确说明	NA	NA	NA	NA
4508	2026-07-05	Segmentation of the parasagittal dura mater on multi-center 3D-FLAIR MRI 2026-Jul-03, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2026.122099 PMID:42398843	研究论文	开发了一种基于nnU-Net的深度学习模型mcPSD-Net，用于在多个中心的3D-FLAIR MRI图像上自动分割矢状窦旁硬脑膜	首次实现了多中心、多扫描仪条件下矢状窦旁硬脑膜的自动分割，并利用该模型分析了PSD体积随年龄和性别的变化	未提及具体限制，但可能包括样本量较小、分割精度在部分指标上有限（如Dice系数0.76）	开发自动化分割矢状窦旁硬脑膜的工具，并探究PSD体积与年龄、性别的关系	矢状窦旁硬脑膜（PSD）	计算机视觉	阿尔茨海默病相关	3D-FLAIR MRI	nnU-Net	图像	训练集55例，测试集25例，来自ADNI及本地数据集	PyTorch	nnU-Net	Dice系数、精确率、召回率、Hausdorff距离、HD95、平均对称表面距离	NA
4509	2026-07-05	A hybrid quantum-classical framework for MRI-based deep brain tumor segmentation and classification 2026-Jul-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-58823-1 PMID:42399301	研究论文	提出了一种混合量子经典框架QFormer-Brain，用于基于MRI的脑肿瘤分割和分类	将量子表示学习集成到Transformer模型中，利用量子编码和变分量子电路增强非线性特征表示，提高对复杂MRI数据的判别特征提取能力	未在更广泛的数据集或临床环境中验证，量子计算资源当前受限	提升MRI脑肿瘤自动分割和分类的准确性	脑肿瘤MRI图像	机器学习	脑肿瘤	MRI	混合量子经典模型	图像	BraTS 2021公开数据集	IBM Qiskit	Swin-UNETR, 变分量子电路, 量子Transformer分类器	Dice相似系数, 交并比, 准确率, 灵敏度, 特异度, F1分数	8量子比特变分量子电路, 1024次测量, 通过IBM Qiskit Aer模拟器运行
4510	2026-07-05	Automated identification of clinically important Candida yeast species for microscopic images using self-supervised learning 2026-Jul-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-60672-x PMID:42399363	研究论文	开发并验证了一种基于自监督深度学习模型（DINOv2）的自动化系统，用于从显微镜图像中识别临床相关的念珠菌物种	首次将自监督学习模型DINOv2应用于临床念珠菌显微镜图像识别，结合YOLOv4 tiny目标检测和UNet语义分割，在多种分类任务中超越传统基线模型	需要多中心外部验证，且当前仅针对两种念珠菌物种进行验证，未来需扩展至更多物种和临床场景	实现临床重要念珠菌物种的自动、快速且高准确率的显微镜图像识别	白色念珠菌（Candida albicans）和克柔念珠菌（C. krusei）的显微镜图像	计算机视觉	真菌感染疾病	显微镜成像	自监督深度学习（DINOv2）、卷积神经网络（YOLOv4 tiny、UNet）	显微镜图像	未明确提及总体样本量，但包含二分类和四分类任务，以及五折交叉验证（准确率94.8-98.3%）	PyTorch	DINOv2、YOLOv4 tiny、UNet、Vision Transformer	平均精度均值（mAP@50）、精确率-召回率曲线下面积（AUC-PR）、Dice系数、交并比（IOU）、豪斯多夫距离、准确率、召回率、F1分数、AUC-ROC	未明确提及
4511	2026-07-05	Automated diagnosis of keratitis from low-quality slit-lamp images using an improved generative adversarial network 2026-Jul-03, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-026-02952-4 PMID:42399459	研究论文	提出一种用于低质量裂隙灯图像角膜炎自动诊断的框架，集成图像增强和病变感知分类	提出随机退化算法模拟临床常见伪影，并结合改进生成对抗网络恢复诊断特征与上下文感知分类器增强病变表征	NA	实现低质量裂隙灯图像的角膜炎自动诊断，减少资源有限环境的诊断差距	角膜炎的低质量裂隙灯图像	计算机视觉	角膜炎	裂隙灯成像	生成对抗网络	图像	10,498张裂隙灯图像（多中心数据集）	NA	改进生成对抗网络	AUC	NA
4512	2026-07-05	A hybrid underwater crack image enhancement method 2026-Jul-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-60181-x PMID:42399472	研究论文	提出一种结合传统图像处理与深度学习的混合水下裂缝图像增强方法	创新性地融合传统算法的可解释性与深度学习算法的通用性，引入深度可分离卷积和像素注意力机制提升特征提取能力并降低计算复杂度	NA	提升水下裂缝图像的清晰度与质量	水下裂缝图像	计算机视觉	NA	NA	卷积神经网络 (CNN)	图像	NA	NA	边缘特征提取网络	峰值信噪比，结构相似性，水下图像质量度量，基于像素的对比度质量指标	NA
4513	2026-07-05	Annotation-efficient weed detection using DINOv3-distilled YOLOv12 2026-Jul-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-60555-1 PMID:42399661	研究论文	提出一种基于DINOv3蒸馏YOLOv12的标注高效杂草检测方法	创新性地利用经过DINOv3 ViT-B/16教师模型对大规模无标注农业图像进行特征分布蒸馏，然后仅用少量标注样本微调轻型YOLOv12n骨干网络，实现标签高效的杂草检测	全标签监督训练仍然是最强设置，所提方法仅提供适度且一致的标注效率提升，而非完全取代全监督训练	解决深度学习杂草检测在大规模部署时边界框标注成本高昂的问题，提出一种标注高效的杂草检测框架	杂草检测，精度农业中的杂草识别	计算机视觉	NA	NA	CNN, Transformer	图像	Roboflow Weeds基准数据集（单类别）和CottonWeedDet12多类别数据集，实验中仅使用20%标注子集	PyTorch, Streamlit	DINOv3 ViT-B/16, YOLOv12n	mAP@0.5:0.95	NA
4514	2026-07-05	Computing inspired by the brain: a journey from algorithms to organoids 2026-Jul-03, Nature computational science IF:12.0Q1 DOI:10.1038/s43588-026-01012-x PMID:42399712	评论	本文追踪了从符号逻辑系统到人工神经网络、神经形态处理器，最终到整合活体神经结构的生物混合计算机的脑启发计算演化历程，并探讨了类器官智能的变革潜力及其面临的技术、生物和伦理挑战	提出了类器官智能这一新兴前沿方向，利用实验室培养的活体神经类器官作为计算基质，超越了传统神经形态计算的局限	类器官智能面临重大的技术、生物学和伦理挑战，目前仍处于早期探索阶段	梳理脑启发计算从算法到类器官的演变过程，并评估类器官智能的变革潜力	脑启发计算的不同阶段：符号逻辑系统、人工神经网络、神经形态处理器、生物混合计算机及类器官智能	机器学习	NA	NA	人工神经网络、神经形态处理器	NA	NA	NA	NA	NA	NA
4515	2026-07-05	GraphyloVar: predicting the impact of non-coding variants using a multi-species sequence model 2026-Jul-02, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btag426 PMID:42330352	研究论文	提出一种名为GraphyloVar的深度学习模型，利用多物种系统发育树和DNA序列预测非编码变异的致病性	首次将系统发育树作为直接输入特征融入深度学习模型，通过图卷积网络处理进化关系，结合Transformer编码器提取序列特征，实现跨物种进化历史的全面利用	零样本预测AUROC仅0.6246，仍需结合CADD等工具提升性能；模型复杂度较高，可能对计算资源有显著需求	开发能利用完整进化历史信息预测非编码变异功能的计算方法	人类基因组非编码区变异，涵盖约1.49亿个检出变异及13个MPRA基准数据集	机器学习	NA	全基因组测序	深度学习	DNA序列	TOPMed项目全基因组测序队列，涉及约1.49亿个变异位点	PyTorch	图卷积网络, Transformer	AUROC	NA
4516	2025-10-04	Reply to 'Risk stratification of cutaneous melanoma using deep learning on whole slide images' 2026-Jul, Journal of the European Academy of Dermatology and Venereology : JEADV IF:8.4Q1 DOI:10.1111/jdv.70092 PMID:41041696	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
4517	2026-07-05	Bridging clinical narratives and structured phenotypes with large language models and sentence transformers 2026-Jul, Journal of genetics and genomics = Yi chuan xue bao DOI:10.1016/j.jgg.2026.02.009 PMID:41698530	研究论文	提出了一种结合大语言模型和句子变换器的两阶段框架LEAP，用于从电子健康记录的非结构化临床叙述中提取结构化表型并映射到人类表型本体	利用大语言模型从长篇临床叙述中提取自由文本表型，再通过在大规模数据集上微调的句子变换器模型映射到有效的本体标识符，解决了传统方法上下文窗口有限和可能产生无效标识符的问题	未提及	实现从电子健康记录中高效、准确地自动化表型提取和标准化映射	临床叙述中的表型信息	自然语言处理	孟德尔疾病	NGS	大语言模型, 句子变换器	文本	5,330,557个实例用于微调，实际电子健康记录测试集	PyTorch	BERT, 句子变换器	精确率, F1分数	NA
4518	2026-07-05	Surgically Relevant Knee Phenotypes: The Modified Coronal Plane Alignment of the Knee System-A Deep Learning-Based Classification 2026-07, The Journal of arthroplasty IF:3.4Q1 DOI:10.1016/j.arth.2026.04.010 PMID:41967528	研究论文	提出基于深度学习的新型膝部冠状面表型分类系统，并在大样本数据中分析其分布特征	首次提出改良的CPAK分类系统，结合深度学习实现自动化膝部表型分类，明确了内翻和外翻表型的骨性驱动模式	未明确提及研究局限性，但可能包括数据集来源单一、未验证临床决策影响等	简化并精确化膝部冠状面对齐分类系统，辅助手术决策	膝部冠状面对齐的骨性表型分类及分布	计算机视觉	膝关节疾病	深度学习	CNN	X光图像	972名患者（1944个健康及关节炎膝关节）	NA	CNN	NA	NA
4519	2026-07-05	Bridging traditional and deep learning methods in H&E histological image normalization: a comprehensive review and introducing a novel framework for comparative analyses 2026-07, Journal of advanced research IF:11.4Q1 DOI:10.1016/j.jare.2025.09.049 PMID:41093269	综述	全面评述H&E组织学图像归一化方法，并提出用于比较分析的新型深度学习框架	首次将归一化技术分为四类（深度学习、传统方法、混合模型、信号处理方法），并提出用于评估归一化策略的新型深度学习框架，实验性比较八种最新方法	仅评估了八种方法，未涵盖所有潜在方法；实验可能受限于特定数据集和评估指标	评估组织学图像归一化方法并实证比较，以帮助研究人员选择最合适的方法，并辅助自动化图像分析和数字病理学领域的研究者与专业人士	H&E组织学图像归一化技术及其对计算机辅助诊断系统性能的影响	数字病理学	NA	H&E染色图像处理	GAN, 自动编码器, 扩散模型, 深度学习框架	组织学图像	NA	PyTorch	GAN, 自动编码器, 扩散模型, 卷积神经网络	颜色一致性、准确性、一致性	NA
4520	2026-07-05	Machine learning for food flavor prediction and regulation: models, data integration, and future perspectives 2026-07, Journal of advanced research IF:11.4Q1 DOI:10.1016/j.jare.2025.10.018 PMID:41106722	综述	探讨机器学习在食品风味预测与调控中的应用，涵盖模型、数据整合及未来展望	系统比较了监督学习、集成学习与深度学习方法在风味预测中的表现，并引入可解释人工智能工具（如SHAP）提升模型透明度，提出注意力机制、图神经网络和数字孪生等创新策略	未提及具体实验验证或实际应用中的局限性，如模型泛化性、数据依赖性等问题	总结风味检测技术与机器学习在风味领域的应用，为精准预测、化合物筛选和实时过程控制提供新思路	食品风味系统，包括风味化合物、基因型-表型关系及产品真实性验证	机器学习	NA	电子鼻（E-nose）、电子舌（E-tongue）、气相色谱-质谱联用（GC-MS）、气相色谱-离子迁移谱（GC-IMS）	支持向量机、决策树、XGBoost、LightGBM、CNN、ANN	多模态数据（来自高通量技术与感官评价）	NA	NA	注意力机制、图神经网络	预测准确性、泛化能力	NA