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
7301	2026-05-24	Research Topics and Trends of Artificial Intelligence in Critical Care Nursing: A Bibliometric Analysis 2026-May, Nursing in critical care IF:3.0Q1 DOI:10.1111/nicc.70468 PMID:42151094	文献综述	采用文献计量学方法分析过去十年人工智能在重症护理中的应用研究现状、热点和发展趋势	通过CiteSpace软件进行文献计量和聚类分析，系统揭示了人工智能在重症护理领域的研究热点（如深度学习、临床决策支持）和趋势，为临床实践和未来研究提供参考	未明确提及具体局限性，但可能受限于数据库选择（仅Web of Science核心合集）和分析时间范围（2015-2025年）	分析人工智能在重症护理中的研究现状、热点和发展趋势，为临床护理和未来研究提供参考	Web of Science核心合集中2015年1月1日至2025年4月30日发表的关于人工智能在重症护理中应用的研究文章	文献计量学、自然语言处理（关键词分析）	重症护理相关疾病（如心脏骤停）	文献计量分析（CiteSpace 6.3 R1软件）	深度学习（DL）模型	文本数据（出版文章的关键词、作者、机构等元数据）	1597篇出版物	CiteSpace	NA	NA	NA
7302	2026-05-24	Predicting categorical and continuous Alzheimer's disease outcomes from a single MRI scan 2026-May, Nature aging IF:17.0Q1 DOI:10.1038/s43587-026-01121-2 PMID:42151377	研究论文	提出一种多任务深度学习策略，仅使用单次基线MRI扫描预测阿尔茨海默病的分类诊断和连续认知评分	结合领域知识与大规模预训练模型，通过定制损失函数和组织分割调优的潜在表示作为正则化特征，无需纵向、多模态或专用神经影像数据即可从单次基线扫描预测当前及未来的认知评分	NA	开发一种仅依赖基线MRI和人口统计数据的多任务深度学习框架，用于预测阿尔茨海默病的分类诊断、认知评分及其纵向变化	阿尔茨海默病患者及健康对照的认知评估和MRI扫描数据	计算机视觉	阿尔茨海默病	MRI	多任务深度学习模型	图像（MRI）和人口统计数据	NA	PyTorch	大规模预训练模型	诊断准确率、认知评分预测精度	NA
7303	2026-05-24	Smart beamforming and deep-learning reader for RFID systems in edge IoT 2026-Apr-19, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-43657-8 PMID:42002557	研究论文	提出一种结合波束成形与深度学习解码器的新型无芯片RFID系统，用于5G/物联网边缘	首次将波束成形技术和深度学习解码器整合到无芯片RFID系统中，通过协同设计标签物理结构、波束成形阅读器和深度学习推理，实现高密度频谱编码与鲁棒解码	研究主要基于仿真和暗室测量，实际边缘物联网环境中的性能验证尚未充分；系统对标签弯曲和角度变化的鲁棒性仍需进一步测试	开发一种可扩展、频谱高效且鲁棒的无芯片RFID识别系统，适用于5G无线边缘物联网环境	无芯片RFID标签（地背T形微带谐振器阵列）、波束成形阅读器（1×4 Tx/Rx波束成形）、深度学习解码器（一维卷积神经网络）	机器学习, 数字信号处理	NA	无芯片RFID, 波束成形, 深度学习, RCS测量	一维卷积神经网络	RCS频谱数据	使用全波仿真和双静态RCS测量数据，具体样本量未明确提及	FPGA/SoC平台, PyTorch（推测用于深度学习模型训练）	一维卷积神经网络	比特级准确率, 全码准确率	FPGA/SoC边缘平台，波束成形采用窄带数字波束成形
7304	2026-05-24	Diagnostic performance of deep learning models on ultrasound images for distinguishing benign from malignant ovarian cysts 2026-Apr-15, Journal of ovarian research IF:3.8Q1 DOI:10.1186/s13048-026-02090-1 PMID:41987029	研究论文	评估深度学习模型在超声图像上区分卵巢囊肿良恶性的诊断性能	首次比较深度学习模型与资深超声医师及O-RADS分类系统在卵巢囊肿超声图像诊断中的性能，并证明DenseNet121模型具有更优的区分能力	未提及具体局限性，但可能包括样本量有限或模型泛化性待验证	探索深度学习模型在超声图像中自动准确分类卵巢囊肿良恶性的能力	卵巢囊肿的超声图像	计算机视觉	卵巢囊肿	超声成像	深度学习模型	图像	未明确提及样本数量，但涉及超声图像数据集	NA	DenseNet121	AUC, 准确率	NA
7305	2026-05-24	[Contrast-enhanced CT-based habitat radiomics for analyzing the predictive capability for oral squamous cell carcinoma] 2026-Apr-01, Hua xi kou qiang yi xue za zhi = Huaxi kouqiang yixue zazhi = West China journal of stomatology DOI:10.7518/hxkq.2026.2025211 PMID:41919548	研究论文	基于对比增强CT的病灶影像组学分析，预测口腔鳞状细胞癌的颈淋巴结转移和病理亚型	将深度学习和病灶分析模型相结合，通过K-means聚类将CT图像分为三个区域，并利用全连接神经网络进行特征选择，构建了临床-病灶联合模型，显著提高了预测性能	NA	探索预测口腔鳞状细胞癌颈淋巴结转移和病理亚型的新方法	经石蜡病理诊断为口腔鳞状细胞癌的107例患者	计算机视觉	口腔癌	对比增强CT	K-means聚类, 全连接神经网络	图像	107例患者	NA	全连接神经网络	ROC曲线下面积, 混淆矩阵	NA
7306	2026-05-24	Predicting Pharmacological Treatment Response in Migraine Using AI/ML: A Scoping Review of the Evidence and Future Directions 2026-02, Pharmacotherapy IF:2.9Q2 DOI:10.1002/phar.70085 PMID:41276479	综述	系统评估了人工智能/机器学习模型预测偏头痛药物治疗反应的证据，并指出了方法学上的关键缺陷及未来方向	首次对AI/ML预测偏头痛药物反应的证据进行系统范围综述，揭示大多数研究仅依赖内部验证、缺乏外部验证，以及数据模态不全等核心问题	纳入研究存在普遍的方法学弱点，如过度依赖内部验证、患者队列重叠、缺乏生物标志物和遗传数据	评估AI/ML模型预测偏头痛急性或预防性药物治疗反应的证据，并提出未来研究方向	偏头痛患者的药物治疗反应预测模型	机器学习	偏头痛	NA	支持向量机、深度学习、概率模型	临床表型数据和神经影像数据	12项符合条件的研究	NA	支持向量机、深度学习模型、概率模型	预测准确性	NA
7307	2026-05-24	Deep learning motion correction of quantitative stress perfusion cardiovascular magnetic resonance 2026-Jan-20, Journal of cardiovascular magnetic resonance : official journal of the Society for Cardiovascular Magnetic Resonance IF:4.2Q1 DOI:10.1016/j.jocmr.2026.102697 PMID:41571054	研究论文	开发并评估了基于无监督深度学习的运动校正流程，用于定量压力灌注心血管磁共振成像中的运动伪影校正	采用无监督深度学习模型替代传统迭代配准优化，实现单步快速估计运动校正，结合主成分分析抑制动态对比效应，显著提升处理速度和鲁棒性	NA（摘要未明确提及限制）	提高定量压力灌注心血管磁共振成像中运动校正的效率和鲁棒性，促进临床广泛应用	心脏灌注系列图像及辅助图像，包括低分辨率短饱和准备时间动脉输入函数系列和质子密度加权图像	计算机视觉	心血管疾病	心脏磁共振灌注成像	深度学习模型（无监督）	图像	201名患者的多厂商数据用于训练和验证，38名患者数据独立测试	NA	NA	时间强度曲线平滑度、Dice系数、定量灌注图标准差、处理时间	NA
7308	2026-05-24	Computational drug design in the artificial intelligence era: A systematic review of molecular representations, generative architectures, and performance assessment 2026-01, Pharmacological reviews IF:19.3Q1 DOI:10.1016/j.pharmr.2025.100095 PMID:41389438	综述	系统综述了人工智能时代计算药物设计中分子表征、生成架构和性能评估的现状	提出按药物表征优先、生成模型类型其次的分类框架，明确不同模型对特定分子数据类型的适用性	文中未明确阐述局限性	为人工智能驱动的药物发现提供统一框架，理解表征选择、生成机制和评估范式间的复杂关系	计算药物设计中的分子表征策略、生成架构和评估方法	机器学习	NA	深度学习	变分自编码器，生成对抗网络，强化学习系统，扩散模型	分子数据	NA	NA	VAE, GAN, 强化学习, 扩散模型	NA	NA
7309	2026-05-24	Deep Learning-Enabled Virtual Multiplexed Immunostaining of Label-Free Tissue for Vascular Invasion Assessment 2026, BME frontiers IF:5.0Q1 DOI:10.34133/bmef.0226 PMID:41676162	研究论文	本文开发并验证了一种基于深度学习的虚拟多重免疫染色方法，能够从无标记组织的自发荧光显微图像中同时生成ERG、PanCK和H&E图像，用于甲状腺癌血管侵犯的评估	提出了一种基于深度学习的虚拟多重免疫染色框架，能够在同一组织切片上同时生成ERG、PanCK和H&E虚拟染色图像，无需化学染色，克服了传统IHC的成本、人力、组织损耗和切片间变异问题，以及大多数病理实验室无法开展mIHC的实际限制	摘要中未明确提及研究的局限性	开发并验证一种深度学习驱动的虚拟多重免疫染色方法，用于无标记组织的血管侵犯评估，以替代传统化学染色方法	无标记组织切片（甲状腺癌组织），用于血管侵犯评估	数字病理学	甲状腺癌	自发荧光显微成像，虚拟多重免疫染色	深度学习模型	无标记组织自动荧光图像	NA（未在标题和摘要中明确样本数量）	NA	NA	一致性评估（与组织化学染色结果对比，由病理医生盲审）	NA
7310	2026-05-24	Encoding functional edges in graphs to model spatially varying relationships in the tumor microenvironment 2026, NPJ artificial intelligence DOI:10.1038/s44387-026-00075-5 PMID:41783808	研究论文	介绍了一个名为SPIFEE的图深度学习框架，用于模拟肿瘤微环境中多尺度的空间变化关系	通过将空间变化的函数向量直接编码到图边中，增强了图表示的表达能力，且框架与模态无关，支持跨模态整合	未明确提及，但可能包括对计算资源的需求或处理大规模数据时的可扩展性挑战	开发一个灵活的图深度学习框架，以揭示肿瘤微环境中的多级空间洞察	肿瘤微环境中的空间关系，包括细胞类型、表型簇和分子通路	数字病理学，机器学习	癌症	多重免疫荧光、H&E组织病理学、空间转录组学	图神经网络	图像，文本	未明确提及（使用了多重免疫荧光、H&E组织病理学和空间转录组学数据集）	PyTorch（根据图神经网络框架推断）	基于图注意力机制的自定义图神经网络	性能指标未明确列出，但提到优于现有空间建模方法	未明确提及
7311	2026-05-24	Ontogenetic shifts in morphology and ecology of eastern Pacific white sharks revealed by computer vision 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0348174 PMID:42160294	研究论文	结合无人机和深度学习分析东太平洋白鲨的形态与生态	首次利用无人机影像和深度学习流水线远程获取大型海洋捕食者的高分辨率形态测量数据，揭示个体发育驱动的生态结构	依赖高分辨率无人机影像质量，且研究区域局限于蒙特雷湾，可能不反映全种群特征	探究东太平洋白鲨的形态变化与生态结构，及其与个体发育和性别的关系	东太平洋白鲨（Carcharodon carcharias）	计算机视觉	NA	无人机成像	深度学习	图像	东太平洋白鲨个体（具体数量未明确）	NA	UNet, ResNet, Transformer	NA	NA
7312	2026-05-24	Prediction of cognitive impairment through speech data analysis: A comparative evaluation of deep learning models 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0349412 PMID:42166472	研究论文	评估多种深度学习模型在通过语音数据分类正常认知、轻度认知障碍和阿尔茨海默病个体中的表现，以识别最有效的基于音频的认知障碍诊断方法	系统比较了一维卷积神经网络、音频频谱图变换器和Wav2Vec 2.0三种深度学习架构在认知障碍分类任务中的性能，并采用统计检验确保结果显著性	研究仅纳入女性参与者，可能限制结果的普适性；数据集来源单一，需在其他人群验证	确定基于语音数据的认知障碍诊断中最有效的深度学习模型	认知障碍患者的语音录音数据	自然语言处理, 机器学习	阿尔茨海默病, 认知障碍	语音数据分析	卷积神经网络, 变换器, 语音识别模型	音频数据	320名女性参与者（105名阿尔茨海默病患者、92名轻度认知障碍患者、123名正常认知对照）	PyTorch	一维卷积神经网络, 音频频谱图变换器, Wav2Vec 2.0	准确率, 召回率, 精确率, F1分数, 威尔逊评分95%置信区间	NA
7313	2026-05-24	Eigen-guided transformer: A data-driven approach for chronic kidney disease forecasting 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0348886 PMID:42166450	研究论文	提出一种基于特征值引导的Transformer架构，用于慢性肾病的精准预测	通过数据驱动的特征值分析自动确定注意力头数量、特征向量引导的权重初始化及验证驱动的深度优化，提升模型效率与可解释性	未提及，但可能受限于MIMIC-IV和eICU数据集的样本代表性	实现慢性肾病进展的精准预测并解决深度模型的计算低效与可解释性不足问题	慢性肾病患者的纵向临床序列数据	机器学习	慢性肾病	NA	Transformer	序列数据，数值型临床指标	MIMIC-IV数据集和eICU数据集（每日聚合的纵向序列），具体样本量未在摘要中说明	PyTorch	Eigen-Guided Transformer	均方误差（MSE）、平均绝对误差（MAE）、FLOPs/准确率比	NA（未在摘要中说明）
7314	2026-05-23	A Hierarchical Multimodal Framework for Sedation Monitoring in ICU Patients 2026-Jun, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3626584 PMID:41150235	研究论文	提出一种分层多模态融合动态校正框架，整合脑电图与生理信号用于ICU患者镇静水平监测	提出分层多模态融合与动态校正机制，通过置信加权方法智能融合脑电图时域特征和频谱特征，实现优于单模态和简单融合方法的镇静状态分类性能	未提及	开发一种连续、客观的ICU患者镇静水平监测方法，克服传统行为量表的主观性和延迟性	ICU患者的镇静水平分级（RASS评分从-5到+1的七个等级）	机器学习	重症监护疾病	脑电图（EEG）与生理信号采集	深度学习多模态融合模型（分层多模态融合动态校正框架）	时间序列信号（脑电图、血压、心率、血氧饱和度）	105名ICU患者的2880个标注RASS评估样本	NA	双流路径网络（处理原始时域脑电图数据和频谱图的谱特征）、动态校正模块	分类准确率（83.8%）	NA
7315	2026-05-23	An Active Dry-Contact Continuous EEG Monitoring System for Seizure Detection Applications in Clinical Neurophysiology 2026-Jun, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3629563 PMID:41196782	research paper	提出一种基于主动干接触电极的低成本可调脑电图头套，结合可解释深度学习模型和多模态伪影去除算法，用于新生儿癫痫检测	结合主动干接触电极、可调头套设计、可解释深度学习模型和多模态伪影去除算法，实现低成本、实时新生儿癫痫检测，在临床环境取得优于基准方法的性能	仅在单个儿科失神癫痫患者上进行临床评估，样本量小，可能限制泛化性	开发低成本、连续脑电图监测系统，用于新生儿癫痫检测	新生儿癫痫患者	machine learning	癫痫	干接触电极EEG	深度学习模型	脑电图信号	1位儿科失神癫痫患者	NA	NA	相关系数、信噪比、准确率、召回率	NA
7316	2026-05-23	Direct Quantification of Uncertainty in Deep Learning-Based Automatic Sleep Staging 2026-Jun, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3623380 PMID:41115081	研究论文	评估和比较深度学习中自动睡眠分期的不确定性量化方法	提出了一种新的Hypnodensity区间（HI）方法，结合样本均值和标准差进行不确定性评估	仅基于STAGES和DOD数据集验证，方法在更广泛场景中的表现需进一步探索	提高自动睡眠分期系统的透明度并支持临床采用	深度学习模型在睡眠分期中的不确定性量化方法	机器学习	睡眠相关疾病	MC dropout	深度学习模型（具体未指定）	脑电图等生理信号数据（来自STAGES和DOD数据集）	STAGES数据集用于训练，DOD数据集用于独立评估	NA	NA	准确率	NA
7317	2026-05-23	A Cost-Efficient Multi-Angle Fusion Deep Learning for Ultrasound Localization Microscopy 2026-Jun, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3623140 PMID:41115083	研究论文	提出一种名为AF-UNet的轻量级多角度深度学习框架，用于加速超声定位显微镜中的杂波滤波	AF-UNet通过处理旋转3D同相/正交数据的时空切片并融合，实现组织抑制与微血管重建，在多个解剖器官上表现出强泛化性和高图像保真度	NA	开发计算机高效且适用于实时临床应用的超声定位显微镜杂波滤波方法	微泡定位实现的微血管结构超分辨率成像	计算机视觉	NA	超声定位显微镜	深度学习模型 (AF-UNet)	超声图像数据	包括大脑、眼睛、肾脏在内的多种解剖器官数据	PyTorch	AF-UNet	图像保真度	NA
7318	2026-05-23	Cross-Hemispheric Spatial-Temporal Attention Network for Decoding Silent Speech From EEG 2026-Jun, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3624878 PMID:41129430	研究论文	提出跨半球时空注意力网络（CHSTAN）用于从脑电图解码无声言语	利用语言功能侧化原则，设计多尺度时间卷积块和半球空间卷积块，并引入交叉注意力机制增强半球间特征交互，特别强化左半球特征表示	研究仅针对10个中文汉字的无声言语任务，样本量和类别数有限，可能限制模型泛化能力	提高基于脑电图的言语解码性能	10个不同中文汉字的无声言语任务中的脑电图信号	机器学习	言语障碍	脑电图（EEG）	CNN（卷积神经网络）	信号	未明确报告样本数量，涉及10个中文汉字的无声言语任务	NA	跨半球时空注意力网络（CHSTAN）	准确率, F1分数	NA
7319	2026-05-23	Zero-Shot Unsupervised Motion Estimation for Motion-Corrected Cardiac T1 Mapping 2026-Jun, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3624279 PMID:41124069	研究论文	提出一种基于深度学习的零样本无监督运动估计方法，用于心脏T1映射的运动校正	利用物理qMRI信号模型进行零样本运动估计，无需大规模训练数据，对欠采样伪影具有鲁棒性	未提及实际计算资源需求或与其他运动校正方法的全面比较	实现连续采集的心脏qMRI数据的非刚性运动校正，缩短扫描时间	心脏T1映射中的运动估计与校正	数字病理学	弥漫性心肌纤维化	定量磁共振成像	U-Net	图像	数值模拟和体内采集数据	PyTorch	U-Net	T1精度, 清晰度, 时间图像对齐	NA
7320	2026-05-23	In Silico Digital Breast Tomosynthesis Dataset for the Comparative Analysis of Deep Learning Models in Tumor Segmentation 2026-Apr, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01626-z PMID:40760265	研究论文	评估计算机生成的数字乳腺断层合成（DBT）数据作为肿瘤分割深度学习模型训练来源的可行性	首次系统评估计算机生成的DBT数据在深度学习肿瘤分割中的可用性，并比较了13种模型架构在合成数据上的表现	样本量有限（230个感兴趣区域），合成数据与真实数据之间存在域偏移	探索计算机生成的DBT数据作为深度学习模型用于乳腺肿瘤分割训练的可行性	乳腺肿瘤分割任务及13种深度学习模型（U-Net、FCN、DeepLabv3、DeepLabv3+等）	计算机视觉	乳腺癌	数字乳腺断层合成成像	U-Net, FCN, DeepLabv3, DeepLabv3+	图像	230个二维感兴趣区域	PyTorch	U-Net, FCN, DeepLabv3, DeepLabv3+, ResNet50, ResNet101	F1分数, 交并比, 精确率, 召回率	NA