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
621	2026-07-07	Deep learning driven clustering of post-traumatic stress disorder (PTSD) profiles in student-athletes: implications for precision and stratified mental health support 2026-Apr-20, BMC psychology IF:2.7Q1 DOI:10.1186/s40359-026-04573-8 PMID:42010714	研究论文	本研究将深度学习驱动的聚类范式与分层护理框架相结合，探索经历严重运动损伤的大学生运动员中创伤后应激障碍症状的异质性聚类特征	首次将基于Transformer的语义嵌入技术与K-means聚类结合，用于识别运动员PTSD症状的潜在亚型，并提出精准分层支持策略	仅针对单一大学生运动员群体，未包含普通人群或其他运动项目；PCL-C问卷自报数据可能存在回忆偏倚	探索大学生运动员PTSD症状的差异化聚类模式，为精准心理健康干预提供依据	468名在过去一年内经历严重运动损伤的高水平大学生运动员	机器学习	创伤后应激障碍	NA	K-means聚类, Transformer	问卷文本数据（PCL-C量表）	468名高水平大学生运动员	PyTorch, Scikit-learn	Transformer, PCA	聚类有效性指标（如轮廓系数, Calinski-Harabasz指数）	NA
622	2026-07-07	Evaluating deep learning based structure prediction methods on antibody-antigen complexes 2026-Apr-07, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btag136 PMID:41863324	研究论文	评估基于深度学习的蛋白质结构预测方法在抗体-抗原复合物上的性能	系统评估了大规模采样和新型网络结构（如AlphaFold3的pairformer）在无共进化信号的抗体-抗原相互作用中的效果，并揭示了AlphaFold内部质量估计在识别最优模型方面的局限性	所有方法在识别最佳模型方面仍面临挑战，且AlphaFold3对训练集中缺乏结构相似性的复合物性能显著下降，表明其可能只是学习到了检测远程结构相似性	评估深度学习蛋白质结构预测方法在抗体-抗原复合物上的准确性和局限性	未在训练集中出现的抗体-抗原复合物	机器学习	NA	蛋白质结构预测	深度学习模型	蛋白质结构数据	NA	NA	AlphaFold2, AlphaFold3, Boltz-1, Chai-1	模型准确性	NA
623	2026-07-07	Deep Learning Analysis Based on Dual-energy CT-Derived Iodine Map for Predicting PD-L1 Expression in Gastric Cancer: A Multicenter Study 2026-Apr, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2025.12.033 PMID:41547630	研究论文	基于双能量CT碘图深度学习分析预测胃癌PD-L1表达水平的多中心研究	首次利用双能量CT碘图结合深度学习预测胃癌PD-L1表达水平，并建立多中心验证模型，使用SHAP和Grad-CAM增强模型可解释性	未明确提及局限性	探索基于双能量CT碘图的深度学习分析在预测胃癌PD-L1表达水平中的价值	胃癌患者	机器学习，数字病理学	胃癌	双能量CT	深度学习模型	医学图像	267例胃癌患者（训练集143例，内部验证集60例，外部验证集64例）	NA	50层残差网络	AUC	NA
624	2026-07-07	Artificial Intelligence in Drug Discovery: Integrative Advances From Data to Therapeutic Innovation 2026-04, Drug development research IF:3.5Q2 DOI:10.1002/ddr.70229 PMID:41630488	综述	综合探讨人工智能在药物发现全流程中的应用，从数据到治疗创新的整合进展	系统梳理AI在靶点识别、虚拟筛选、从头药物设计、毒性预测、临床优化及多靶点药物发现等环节的突破性能力，强调其缩短研发周期和降低成本的核心价值	数据质量问题、模型可解释性不足、监管审批挑战及伦理关切尚未完全解决	概述AI如何加速药物发现流程并推动精准医疗发展	药物发现全流程（靶点发现、先导化合物优化、临床试验设计、药物重定位等）	机器学习	NA	NA	机器学习、深度学习、强化学习	NA	NA	NA	NA	NA	NA
625	2026-07-07	Identifying ovarian cancer with AI analysis of abdominal CT scans 2026-04, Gynecologic oncology IF:4.5Q1 DOI:10.1016/j.ygyno.2026.01.774 PMID:42000373	研究论文	利用人工智能分析腹部CT扫描来识别卵巢癌	首次将深度学习与腹部盆腔CT扫描结合，用于区分上皮性卵巢癌与良性附件肿块，并比较了卷积神经网络与视觉变换器等多种架构的性能	样本量较小（355例病例与213例对照），且为病例对照研究设计，需进一步验证模型在早期检测中的应用能力	构建并验证基于深度学习的预测模型，利用腹部盆腔CT扫描提高上皮性卵巢癌的早期检测准确性	上皮性卵巢癌患者与良性附件肿块患者	数字病理学	卵巢癌	CT成像	卷积神经网络（CNN）与视觉变换器（ViT）	图像（3D CT扫描）	568例（355例卵巢癌患者与213例良性附件肿块患者）	NA	卷积神经网络（CNN）与视觉变换器（ViT）	AUC、准确率、精确率	NA
626	2026-07-07	Deep learning-based auto-contouring for organs at risk in three-dimensional image-guided brachytherapy for cervical cancer and endometrial cancer 2026-Apr, Journal of applied clinical medical physics IF:2.0Q3 DOI:10.1002/acm2.70570 PMID:41957932	研究论文	开发并评估基于深度学习的宫颈癌和子宫内膜癌三维图像引导近距离治疗中危及器官自动勾画模型	模型在包含插植针病例中仍保持高准确性，且未观察到显著差异	未提及	减少危及器官勾画时间并降低观察者间变异	宫颈癌和子宫内膜癌患者的膀胱、小肠、直肠和乙状结肠	计算机视觉	宫颈癌, 子宫内膜癌	NA	nnU-Net	图像	100名患者（140个病例），其中训练集80名患者（80个病例），测试集20名患者（60个病例）	NA	nnU-Net	Dice相似系数, 表面Dice相似系数, Hausdorff距离, 95%分位Hausdorff距离, ΔD2cc	NA
627	2026-07-07	Artificial Intelligence-Driven Plant Disease Detection and Diagnosis: A Comprehensive Review of Deep Learning Approaches, Multimodal Sensing Technologies, and Future Perspectives in Precision Agriculture 2026-Apr, The plant pathology journal DOI:10.5423/PPJ.RW.01.2026.0004 PMID:41958160	综述	基于深度学习和多模态传感技术的植物病害智能检测与诊断综述	系统梳理了从卷积神经网络到视觉变换器、迁移学习与少样本学习等深度学习方法的进展，并强调了多模态传感技术的整合	许多模型在受控数据集上表现优异，但在真实田间环境下因环境变异、训练数据有限和部署限制而效果下降	指导设计可靠、实用且可扩展的AI驱动植物病害检测策略	2008年至2025年间发表的41篇同行评审研究	计算机视觉	植物病害	深度学习方法	卷积神经网络，视觉变换器	图像	41篇研究	NA	卷积神经网络，视觉变换器	准确率	NA
628	2026-07-07	A deep-learning-based pipeline for automatic fusion of CT coronary angiogram and stress perfusion CMR 2026-Apr, Medical physics IF:3.2Q1 DOI:10.1002/mp.70420 PMID:41960741	研究论文	开发深度学习流水线自动融合CT冠状动脉造影与应激灌注心脏磁共振图像	提出包含重定向空间变换网络和非刚性空间变形网络的双模型流水线，实现无监督的跨模态图像配准和自动融合	NA	提高冠状动脉狭窄评估与心肌缺血区域的诊断准确性	冠状动脉疾病患者	计算机视觉	冠状动脉疾病	CT冠状动脉成像, 心脏磁共振成像	CNN, 空间变换网络	图像	75名患者的447对CTCA和CMR图像用于训练验证，18名患者用于测试	PyTorch	ResNet18, STN, U-Net?	宽高比, Dice相似系数, 长轴偏差角度	NA
629	2026-07-07	Enhancing Parkinson's Disease Staging: An Integrative Deep Learning Framework for Multimodal Feature Selection 2026-Mar-30, Journal of molecular neuroscience : MN IF:2.8Q2 DOI:10.1007/s12031-026-02492-2 PMID:41910849	研究论文	提出MAFNet深度学习框架，整合多模态特征选择以增强帕金森病分期准确性	首次融合IAVKF时域降噪、ABPSO群特征选择、MLP-LSVM分类及GAMF图注意力多模态融合，实现高精度分期	仅基于PPMI队列（200名患者），需扩展纵向时序建模、跨模态融合及外部验证至阿尔茨海默病等	将帕金森病分期从主观评估转向客观精准医疗，支持生物标志物发现和个性化治疗	帕金森病患者的基因SNPs、神经影像体素及UPDRS-III评分数据	机器学习, 数字病理	帕金森病	NA	深度学习	基因、神经影像、临床评分	200名患者（PPMI队列）及外部印度队列	PyTorch	MAFNet（含IAVKF、ABPSO、MLP-LSVM、GAMF）	准确率97.6%、精确率98.2%、召回率96.8%、F1分数97.3%	NVIDIA RTX 3090 GPU
630	2026-07-07	Transforming Gynecologic Cancer Care Through Artificial Intelligence: A Clinician's Guide to the Evolving Landscape 2026-03-01, Clinical obstetrics and gynecology IF:1.4Q3 DOI:10.1097/GRF.0000000000000985 PMID:41363042	综述	本文梳理了人工智能在妇科肿瘤全程管理中的应用证据，涵盖预防筛查、早诊、预后预测及治疗指导等环节	聚焦临床转化路径，提出人机协同、可解释输出及公平性部署等实用框架	现有证据多来自回顾性研究，缺乏前瞻性临床试验验证，且未充分讨论不同人群间的泛化挑战	探讨人工智能提升妇科肿瘤诊疗精准性、一致性和可及性的方法	HPV风险模型、AI辅助阴道镜、影像组学、液体活检、数字病理及多模态预后模型等AI工具	机器学习，数字病理	妇科肿瘤	NA	深度学习，多模态模型	影像，文本，基因组学	NA	NA	NA	准确性，速度，可重复性	NA
631	2026-07-07	Artificial Intelligence in Obstetrics: Current Applications, Opportunities, and Clinical Implementation Challenges 2026-03-01, Clinical obstetrics and gynecology IF:1.4Q3 DOI:10.1097/GRF.0000000000000980 PMID:41431393	综述	探讨人工智能在产科领域应用现状、机遇与临床实施挑战	系统分析当前AI产科应用领域（自动胎儿生物测量、结构异常检测、妊娠并发症预测及产时胎儿监护），并针对技术、伦理及实施障碍提出多中心验证、可解释AI和监管框架等建议	外部验证有限且存在算法偏差	评估AI在产科中的临床应用现状、机遇及实施障碍	AI在产科诊断影像、风险预测和临床决策中的技术应用	机器学习	围产期疾病	深度学习算法	CNN	影像	NA	NA	NA	诊断准确性	NA
632	2026-07-07	Generalizable Deep Learning for Prostate Cancer Risk Stratification: Multicenter Study Integrating 18F-PSMA-1007 PET/CT and mpMRI 2026-Mar, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2025.12.050 PMID:41547629	研究论文	开发一种少样本深度学习模型CL-MGNET，整合多模态影像和临床数据预测前列腺癌高风险生物学特征，并在多中心研究中验证其泛化能力	提出CL-MGNET模型，采用少样本学习方法融合多模态影像（18F-PSMA-1007 PET/CT和mpMRI）与临床数据，在有限训练数据下有效预测高风险生物学特征，并展现出跨中心的强大泛化能力	研究为回顾性设计，样本量相对较小（377例），且外部验证队列仅36例，可能限制模型在不同人群中的推广	开发并验证一种少样本深度学习模型，整合多模态影像和临床数据，准确预测前列腺癌的高风险生物学特征（ISUP分级、包膜外侵犯和手术切缘阳性）	前列腺癌患者，来自两个医疗中心的377例患者（中心A 341例，中心B 36例）	计算机视觉	前列腺癌	PET/CT, mpMRI	少样本深度学习网络（CL-MGNET）	影像（PET/CT, mpMRI）和临床变量数据	377例患者（中心A 341例，中心B 36例），训练使用30例患者的限制子集	NA	CL-MGNET	AUC	NA
633	2026-07-07	Staining normalization in histopathology: Method benchmarking using multicenter dataset 2026-Feb-26, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-40943-3 PMID:41748767	研究论文	使用多中心数据集对组织病理学染色归一化方法进行基准测试	收集了来自66个不同实验室的独特多中心组织图像数据集，并全面比较了八种染色归一化方法的性能	未提及具体的局限性信息	评估不同染色归一化方法在多中心组织图像上的表现，并为提高模型泛化性提供策略	来自结肠、肾脏和皮肤的组织样本的H&E染色图像	数字病理学	NA	H&E染色	深度学习模型（CycleGAN, Pix2pix）	图像	66个不同实验室染色的组织样本数据集	NA	CycleGAN, Pix2pix	定量和定性评估指标	NA
634	2026-07-07	A deep learning model based on ultrasound imaging to differentiate malignant from benign pleural effusion: a multicenter cohort study 2026-Feb-11, Respiratory research IF:4.7Q1 DOI:10.1186/s12931-026-03574-w PMID:41673850	研究论文	开发基于超声图像的深度学习模型以区分恶性和良性胸腔积液，并进行了多中心队列研究	提出了一种利用超声图像的非侵入性深度学习方法来诊断恶性胸腔积液，避免了传统胸腔穿刺的有创性	研究中仅使用了来自两个医院的数据，外部测试集的样本量较小，且模型敏感性为0.818，特异性为0.611，可能存在不平衡或过度拟合问题	探索深度学习模型作为非侵入性诊断工具在区分恶性和良性胸腔积液中的应用潜力	601名内部队列患者和144名外部队列患者的超声图像数据	计算机视觉	肺部疾病（恶性胸腔积液）	超声成像	卷积神经网络	图像（超声图像）	内部队列601名患者和外部队列144名患者	未提及	未提及具体架构	准确率、F1分数、敏感性、特异性、AUC	未提及
635	2026-07-07	A data-driven modeling approach to prediction of persistent foot drop after gastroc-soleus lengthening surgery in children with cerebral palsy 2026-02, Gait & posture IF:2.2Q2 DOI:10.1016/j.gaitpost.2025.110010 PMID:41223483	research paper	利用术前步态和临床数据预测脑瘫儿童腓肠肌-比目鱼肌延长术后持续性足下垂的深度学习方法	首次将深度学习模型（结合卷积神经网络和前馈神经网络）用于预测GSL术后踝关节背屈角度，并利用SHAP值解释关键风险因素	NA	预测脑瘫儿童GSL术后足下垂并识别相关风险因素	110名脑瘫儿童（36例偏瘫，74例双瘫）	machine learning	geriatric disease	步态分析	CNN, 前馈神经网络	步态数据, 临床数据	110名脑瘫儿童	NA	卷积神经网络, 前馈神经网络	均方根误差, 准确率	NA
636	2026-07-07	Fully automated volumetric assessment of tumor burden using artificial intelligence on 68Ga-PSMA-11 PET predicts survival after 177Lu-PSMA therapy in metastatic Castration-resistant prostate cancer 2026-02, European journal of nuclear medicine and molecular imaging IF:8.6Q1 DOI:10.1007/s00259-025-07628-x PMID:41111086	研究论文	利用人工智能对68Ga-PSMA-11 PET进行全自动肿瘤负荷体积评估，预测转移性去势抵抗性前列腺癌患者接受177Lu-PSMA治疗后的生存情况	首次证明了基于深度学习的PSMA PET/CT自动分割肿瘤负荷量化指标（PSMATV、PSMATU、PSMATQ）对接受177Lu-PSMA治疗的mCRPC患者具有预后价值，并构建了结合PSMATQ和临床因素的诺模图用于风险分层	回顾性研究设计	探索基于AI的PSMA PET/CT肿瘤负荷量化对接受177Lu-PSMA治疗的mCRPC患者的预后意义	107名接受177Lu-PSMA治疗的转移性去势抵抗性前列腺癌（mCRPC）患者	计算机视觉, 数字病理学	前列腺癌	PET/CT, 68Ga-PSMA-11, 177Lu-PSMA	深度学习	图像	107名患者	NA	NA	C-index, 风险比	NA
637	2026-07-07	A MultiRater MultiOrgan Abdominal CT Dataset for Calibration Analysis and Uncertainty Modeling in Segmentation 2026-Jan-09, Scientific data IF:5.8Q1 DOI:10.1038/s41597-025-06473-9 PMID:41513702	研究论文	提出一个用于校准分析和不确定性建模的多标注者多器官腹部CT数据集	首次联合评估分割质量、校准和不确定性，同时考虑临床相关性和标注变异性	数据集仅来自单一机构（大学医院埃尔朗根），共90例患者，且胰腺标注一致性较差	开发能量化不确定性、标准化标注实践并改善模型校准的鲁棒算法	腹部CT图像中的胰腺、肝脏和肾脏分割	计算机视觉	NA	CT成像	深度学习	图像	90例对比增强CT扫描，由三位专家标注胰腺、肝脏和肾脏	NA	NA	分割质量、校准、不确定性	NA
638	2026-07-07	Deep Learning for analyzing chaotic dynamics in biological time series: Insights from frog heart signals 2026-Jan-07, Neurocomputing IF:5.5Q1 DOI:10.1016/j.neucom.2025.131820 PMID:41958751	研究论文	提出一种结合深度学习与基于数学模型的选取策略的算法，用于分析来自离体蛙心实验的短噪声混沌时间序列	结合深度学习与基于同质数学模型的选取策略，能有效分析短且含噪声的实验时间序列中的混沌动力学	论文未明确讨论局限性，但数据仅来自离体蛙心实验，可能限制其普适性	开发一种自动算法，用于分析生物时间序列中的混沌动力学	离体蛙心实验获得的实验数据	机器学习	心血管疾病	NA	深度学习模型	时间序列信号	NA	NA	NA	准确率	NA
639	2026-07-07	MVGFormer: Multi-view perspective with graph-guided transformer for cryo-ET segmentation 2026-Jan-03, Knowledge-based systems IF:7.2Q1 DOI:10.1016/j.knosys.2025.114810 PMID:41959693	研究论文	提出一种基于Transformer的多视角图引导框架MVGFormer，用于冷冻电镜断层扫描三维分割任务	首次将Transformer架构应用于冷冻电镜断层扫描分割，引入多视角融合编码器、并行上下文引导图和自监督学习策略	未在真实生物样本中验证，计算资源需求较高可能限制大规模应用	开发能捕捉全局结构信息的冷冻电镜断层扫描分割方法	冷冻电镜断层扫描三维生物结构数据	计算机视觉	NA	冷冻电镜断层扫描	Transformer	三维图像	六个冷冻电镜断层扫描数据集	NA	多视角Transformer编码器、并行上下文编码器、多级特征融合解码器、并行空洞卷积解码器	分割精度、与其他三维分割方法的性能对比	NA
640	2026-07-07	Hybrid 2D/3D CNN and radiomics model for brain tumor classification using EfficientNetb0 and ResNet-18 2026-01-03, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-025-02141-x PMID:41484559	研究论文	结合放射组学特征与EfficientNet-B0和ResNet-18深度学习模型，实现2D和3D脑肿瘤图像的高效分类	首次将2D/3D混合CNN架构与放射组学特征相结合，利用MLP和CatBoost分类器进行脑肿瘤分类，并通过SHAP分析和不确定性评估深入解释模型行为	数据不平衡导致少数类别分类精度不足	提高脑肿瘤（胶质母细胞瘤、脑膜瘤、脑转移瘤）的分类准确性和早期诊断能力	2D和3D脑肿瘤图像	计算机视觉	脑肿瘤（胶质母细胞瘤、脑膜瘤、脑转移瘤）	放射组学特征提取	CNN	图像（2D和3D医学影像）	NA	NA	EfficientNet-B0, ResNet-18	F1分数, AUC, ROC分析	NA