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
7401	2025-12-11	Immunofixation electrophoresis image interpretation using transfer learning method 2026-Jan-30, Clinica chimica acta; international journal of clinical chemistry DOI:10.1016/j.cca.2025.120726 PMID:41270881	研究论文	本研究利用迁移学习方法开发深度学习模型，以快速准确解读免疫固定电泳图像，减少诊断评估中的主观性	首次将迁移学习与YOLOv11架构应用于免疫固定电泳图像分类，提出两阶段与单步多类两种分类策略	模型在少数类别（如IgM-λ、轻链-κ）及视觉相似类别上表现较低，数据集需扩展以涵盖罕见模式	开发深度学习模型以自动化解读免疫固定电泳图像，提高诊断效率与一致性	免疫固定电泳图像	计算机视觉	浆细胞疾病	免疫固定电泳	CNN	图像	5226张免疫固定电泳图像	NA	YOLOv11	准确率, 精确率, 召回率, F1分数, 混淆矩阵	NA
7402	2025-12-11	Use of Artificial Intelligence in Recognition of Fetal Open Neural Tube Defect on Prenatal Ultrasound 2026-Jan, American journal of perinatology IF:1.5Q2 DOI:10.1055/a-2589-3554 PMID:40239713	研究论文	本研究旨在通过深度学习模型比较正常胎儿与开放性神经管缺陷胎儿的轴向颅脑超声图像，并评估其在识别开放性神经管缺陷方面的预测准确性	首次应用深度学习卷积神经网络迁移学习模型（如EfficientNet B0、VGG16和Inception V3）于胎儿超声图像，以自动化识别开放性神经管缺陷，特别是在低中收入国家临床应用中显示出潜力	研究样本量相对较小（59例病例和116例对照），且仅基于轴向经丘脑超声图像，可能未涵盖所有胎儿神经管缺陷的超声表现变异	开发并评估深度学习模型在产前超声中识别胎儿开放性神经管缺陷的准确性和临床适用性	妊娠14至28周的胎儿，包括开放性神经管缺陷病例和正常对照组	计算机视觉	神经管缺陷	产前超声成像	CNN	图像	59例开放性神经管缺陷胎儿和116例正常胎儿	TensorFlow, Keras	EfficientNet B0, VGG16, Inception V3	Cohen kappa分数, 准确率, AUROC, F1分数, 敏感性, 特异性	NA
7403	2025-12-11	Predicting Significant Stenosis of Arteriovenous Access Through Wavelet Transform and Machine Learning on Sounds Recorded with an Electronic Stethoscope 2026-Jan, Annals of vascular surgery IF:1.4Q3 DOI:10.1016/j.avsg.2025.05.055 PMID:40553842	研究论文	本研究利用电子听诊器记录的声音信号，通过小波变换和卷积神经网络模型，预测动静脉通路显著狭窄	首次结合小波变换和深度学习技术，对动静脉通路狭窄进行自动识别，提高了诊断的客观性和准确性	样本量较小（30名患者），且仅针对严重狭窄（>50%）进行预测，对轻度狭窄的预测能力尚需进一步研究	开发一种基于声音信号的非侵入性方法，用于自动预测动静脉通路显著狭窄	终末期肾病患者动静脉通路的声音信号	机器学习	心血管疾病	小波变换	CNN	音频	30名终末期肾病患者，共40个音频测试数据样本	NA	卷积神经网络	灵敏度, 特异度, 准确率	NA
7404	2025-12-11	Deep learning in acupuncture: A systematic review 2026-Jan, Artificial intelligence in medicine IF:6.1Q1 DOI:10.1016/j.artmed.2025.103300 PMID:41232152	系统综述	本文系统综述了深度学习在针灸实践中的应用，总结了现有文献中的证据	首次对深度学习在针灸领域的应用进行系统性总结，涵盖了多个任务类型并识别了主要挑战	纳入研究存在数据规模小和模型不准确等局限性，且缺乏专门的人工智能研究质量评估工具	全面总结深度学习技术在针灸实践中的应用证据	针灸实践中的深度学习应用研究	机器学习	NA	深度学习	CNN, RNN, LSTM, BERT, FNN, YOLO	图像, 文本, 视频	27项研究，基于公共数据库或自收集数据集构建的自建数据集	NA	CNN, RNN, LSTM, BERT, FNN, YOLO变体	偏移误差阈值, 归一化平均误差, 平均精度均值, 每秒帧数, 关键点正确百分比, 交并比	NA
7405	2025-12-11	SingleStrip: learning skull-stripping from a single labeled example 2026, Data engineering in medical imaging : third MICCAI Workshop, DEMI 2025, held in conjunction with MICCAI 2025, Daejeon, South Korea, September 27, 2025, Proceedings. DEMI (Workshop) (3rd : 2025 : Taejon-si, Korea) DOI:10.1007/978-3-032-08009-7_5 PMID:41357816	研究论文	本研究提出了一种结合领域随机化和自训练的3D头骨剥离网络训练方法，仅需单个标注样本即可实现有效分割	首次将领域随机化与基于自编码器重建误差的质量控制相结合，实现了仅需单个标注样本的3D头骨剥离网络训练	方法在极少数标注样本下验证，未在大规模多样本场景中测试，且自编码器训练依赖单个标注样本的质量	解决脑磁共振图像头骨剥离任务中标注数据稀缺的问题	脑磁共振成像（MRI）体积图像	医学图像分割	NA	磁共振成像（MRI）	卷积自编码器（AE），3D分割网络	3D体积图像	单个标注样本（扩展至未标注数据）	NA	卷积自编码器	分割准确性	NA
7406	2025-12-10	Attention-guided deep learning-machine learning and statistical feature fusion for interpretable mental workload classification from EEG 2026-Dec, Cognitive neurodynamics IF:3.1Q2 DOI:10.1007/s11571-025-10392-1 PMID:41362309	研究论文	本文提出了一种新颖的混合深度学习与XGBoost堆叠集成框架，用于从脑电图信号中进行可靠且可解释的心理负荷分类	提出了一种结合CNN-BiLSTM-Attention深度学习分支与XGBoost机器学习分支的双分支混合堆叠集成框架，并利用逻辑回归进行预测融合，以同时提升分类性能和模型可解释性	未明确提及模型的计算复杂度、实时性评估或在更广泛数据集上的泛化能力限制	开发一种可靠且可解释的心理负荷分类方法，用于实时认知监测	脑电图信号	机器学习	NA	脑电图	CNN, BiLSTM, XGBoost	时间序列信号	STEW和EEGMAT两个公开数据集	NA	CNN-BiLSTM-Attention	分类准确率	NA
7407	2025-12-10	Tremor estimation and filtering in robotic-assisted surgery 2026-Dec, Cognitive neurodynamics IF:3.1Q2 DOI:10.1007/s11571-025-10387-y PMID:41362307	研究论文	本文提出了一种基于深度学习的预测方法，用于估计和过滤机器人辅助手术中的手部震颤信号	提出了一种结合双向LSTM和时序卷积网络以提取震颤信号长短期特征的集成方法，并引入遗传算法优化时间步长和末端数据补偿策略	方法仅在虚拟手术环境中通过缝合实验进行评估，缺乏真实临床场景的验证	通过测量和建模震颤信号来抑制手术机器人操作中的手部震颤，提高手术精度	外科医生在手术过程中产生的自发手部震颤信号	机器学习	NA	传感器信号测量与建模	LSTM, TCN	时序信号数据	NA	NA	双向LSTM网络, 时序卷积网络	震颤信号估计误差	NA
7408	2025-12-10	Deep learning super-resolution for dental CBCT using micro-CT reference and edge loss function 2026-Jan, Journal of dentistry IF:4.8Q1 DOI:10.1016/j.jdent.2025.106209 PMID:41187827	研究论文	本研究利用深度学习超分辨率技术，以微CT图像为参考，提升牙科CBCT图像的空间分辨率，以更好地显示精细根管结构	引入了结合高斯滤波、中值滤波和Sobel边缘检测的边缘损失函数，以改善超分辨率模型对结构细节的保留能力	牙冠区域仍存在伪影，需要进一步改进	通过基于深度学习的超分辨率技术提升牙科CBCT图像的分辨率	48颗拔除的人类牙齿的CBCT和微CT图像	计算机视觉	NA	锥形束计算机断层扫描（CBCT），微计算机断层扫描（微CT）	GAN, Transformer	图像	48颗人类牙齿	NA	Enhanced Super-Resolution Generative Adversarial Network (ESRGAN), Hybrid Attention Transformer (HAT)	峰值信噪比（PSNR），结构相似性指数（SSIM），专家视觉评估，三维重建	NA
7409	2025-12-10	Automated diagnosis and classification of skeletal malocclusion using artificial intelligence on 2D facial photographs: A multi-modal deep learning approach 2026-Jan, Journal of dentistry IF:4.8Q1 DOI:10.1016/j.jdent.2025.106257 PMID:41270953	研究论文	本研究开发并验证了一个基于二维面部照片和元数据的多模态深度学习框架，用于自动诊断和分类骨骼性错颌畸形	提出了一个两阶段深度学习模型（FaceDSM-Net），首次结合面部照片与元数据（性别和年龄）进行骨骼性错颌畸形的自动分类，并展示了良好的可解释性和泛化能力	模型在外部测试集上表现出中等泛化能力，且主要基于二维照片，可能受限于照片质量和拍摄条件	建立并验证一个可靠且成本效益高的深度学习框架，用于基于二维面部照片识别矢状向和垂直向骨骼性错颌畸形	1427名患者的2854张面部照片、对应的侧位头影测量片及元数据（性别和年龄）	计算机视觉	骨骼性错颌畸形	深度学习	CNN	图像, 元数据	2854张照片（来自1427名患者）	NA	MobileNetV3-Large	准确率, 精确率, AUC, 召回率, F1分数	NA
7410	2025-12-09	Magnetic resonance image enhancement and segmentation using conventional and deep learning denoising techniques for dynamic cerebral angiography 2026-Dec, Health information science and systems IF:4.7Q1 DOI:10.1007/s13755-025-00406-x PMID:41357951	研究论文	本研究评估了自动去噪流程，以增强动态脑血管造影图像质量，辅助视觉分析和自动化血管分割，从而通过血管特征提取改进量化	结合传统技术与基于深度学习的无监督技术进行图像去噪，并展示了在分割任务中使用去噪图像相比原始噪声图像的显著性能提升	图像采集受婴儿运动伪影、短采集时间导致的对比度变化以及扫描仪硬件限制影响，增加了噪声并降低了血管可见性，这对AI工具和专业分析诊断构成挑战	评估自动去噪流程以增强图像质量，辅助视觉分析和自动化血管分割，改进血管特征提取的量化	婴儿的动态脑血管造影（TRANCE-MRI）图像	计算机视觉	脑血管疾病	动态血管磁共振成像（TRANCE-MRI）	深度学习无监督模型	图像	NA	NA	Noise2Void, PPN2V GMM	Dice系数, Hausdorff距离	NA
7411	2025-12-09	Ex vivo human brain volumetry: Validation of MRI measurements 2026-Feb, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.70083 PMID:40937565	研究论文	本研究通过扫描离体原位人脑标本，验证了MRI脑体积测量工具与金标准水置换法的准确性	首次使用离体原位人脑标本作为金标准，验证了多种MRI序列和分割方法（包括手动和基于深度学习的自动分割）在脑体积测量中的准确性	样本量较小（仅7个解剖头部），且所有标本均经过酒精-甲醛溶液固定，可能影响组织特性	验证MRI脑体积测量工具的准确性，通过离体标本扫描与金标准水置换法对比	离体原位固定的人脑标本	医学影像分析	NA	MRI扫描（T2加权、T1加权、MP2RAGE序列）	深度学习	MRI图像	7个解剖头部标本	NA	SynthSeg	体积测量准确性，重复测量方差分析	NA
7412	2025-12-09	Optimized T1-weighted MP-RAGE MRI of the brain at 0.55 T using variable flip angle coherent gradient echo imaging and deep learning reconstruction 2026-Feb, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.70109 PMID:41024478	研究论文	本文提出并评估了一种在0.55 T磁场下用于快速脑部T1加权成像的优化MP-RAGE协议，结合可变翻转角相干梯度回波成像和深度学习重建技术	采用可变翻转角SSFP-FID内核的MP-RAGE序列，在0.55 T低场强下实现了白质信噪比平均提升21%和灰白质信号差异平均改善47%，并结合深度学习重建将扫描时间从5分17秒缩短至2分46秒	可变翻转角SSFP-FID的微分点扩散函数比标准序列略宽8%，可能影响边缘清晰度	开发在低场强（0.55 T）磁共振下快速获取高分辨率脑部T1加权图像的方法	人脑组织（重点关注白质和灰质）	医学影像分析	NA	磁共振成像（MRI），具体为MP-RAGE序列，SSFP-FID内核，可变翻转角成像	深度学习模型	磁共振图像	NA	NA	NA	白质信噪比（SNR），白质-灰质信号差异，微分点扩散函数宽度，扫描时间	NA
7413	2025-12-09	A High-resolution dataset for AI-driven segmentation and analysis of drug-treated breast tumor spheroids 2026-Feb-01, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2025.109141 PMID:41207172	研究论文	本研究介绍了一个用于AI驱动分割和分析药物处理乳腺癌肿瘤球体的高分辨率公开数据集	创建了首个公开可用的高分辨率异型肿瘤球体图像数据集，并评估了多种深度学习分割模型在药物响应量化中的应用	数据集样本量相对较小（95张图像），且仅针对一种乳腺癌细胞系和一种药物处理，可能限制模型的泛化能力	促进AI驱动的分割和分析，以更准确地评估药物对3D肿瘤球体模型的效果	由MDA-MB-231乳腺癌细胞和人成纤维细胞组成的异型肿瘤球体	数字病理学	乳腺癌	显微成像	CNN	图像	95张高分辨率图像，进一步划分为2980个图像块（512×512像素）	未明确指定，但提及了深度学习分割模型	U-Net, Fully Convolutional Network (FCN), Mask R-CNN, YOLOv12-Seg, DeepLab	Jaccard指数, 准确率	NA
7414	2025-12-09	Patients visits forecasting in emergency departments: Self-adapting LSTM models for evolving data distributions 2026-Feb-01, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2025.109153 PMID:41218323	研究论文	本研究提出了一种基于自适应Seq2Seq LSTM的深度学习框架，用于急诊科患者就诊量的预测，以应对数据分布变化	结合了序列特定缩放和持续学习策略的自适应LSTM模型，能够在数据分布变化时自动调整，无需手动重新训练	在长期预测（如1个月）中，性能接近季节性朴素基准，且在COVID相关突变期间，ARIMA偶尔表现更优	设计一个在数据分布变化条件下保持准确性的急诊科患者就诊量预测框架，无需人工干预或完全重新训练	急诊科的历史每日就诊数据，涵盖COVID前、COVID期间和COVID后阶段	机器学习	NA	深度学习预测	LSTM, Seq2Seq	时间序列数据	覆盖COVID前、COVID期间和COVID后阶段的急诊科历史每日就诊数据	NA	Seq2Seq LSTM	MSE, MAE, MAPE, MASE	NA
7415	2025-12-09	CellApop: A knowledge-guided decoupled distillation framework for label-efficient apoptotic cell segmentation and dynamic analysis in brightfield microscopy 2026-Feb-01, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2025.109156 PMID:41223808	研究论文	本文提出了一种基于知识引导解耦蒸馏的深度学习框架CellApop，用于在明场显微镜图像中实现标签高效的凋亡细胞分割和动态分析	开发了知识引导解耦蒸馏框架，通过多个专家模型指导轻量级学生网络训练，显著减少手动标注需求约80%，并引入重参数化、深度可分离卷积和边缘感知模块以提升在细胞密集重叠和边界模糊等挑战条件下的分割精度	未明确说明模型在更广泛细胞类型或不同显微镜设置下的泛化能力，以及框架对计算资源的具体需求	实现无标记、实时的凋亡细胞检测，以克服传统荧光染色方法的局限性	明场显微镜图像中的凋亡细胞	数字病理学	NA	明场显微镜成像	深度学习分割模型	图像	16,472张明场细胞图像，来自三个公共数据集（BF-C2DL-MuSC、DICC2DHHeLa、LiveCell）和一个专有凋亡数据集	未明确指定，但基于深度学习框架	CellApop（轻量级学生网络，包含重参数化、深度可分离卷积和边缘感知模块）	Dice相似系数、Hausdorff距离、IoU、灵敏度、特异性	NA
7416	2025-12-09	Explainable multimodal fusion for breast carcinoma diagnosis: A systematic review, open problems, and future directions 2026-Feb-01, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2025.109152 PMID:41232399	系统综述	本文系统综述了2015年至2025年间发表的49项关于可解释多模态融合在乳腺癌诊断与预后中的应用研究	首次系统性地梳理了乳腺癌诊断中多模态学习与可解释人工智能（XAI）的研究现状、融合策略及开放性问题	纳入研究存在数据集可用性有限、基准测试不一致、真实世界可解释模型稀缺等普遍问题	分析多模态融合与可解释人工智能在乳腺癌诊断和预后中的应用现状、挑战及未来方向	乳腺癌（BC）	数字病理学	乳腺癌	多模态数据融合（影像、临床记录、组织病理学、基因组数据）	Transformer, GNN, Autoencoder, 集成学习	影像、文本、基因组数据	NA	NA	注意力机制、门控架构、混合架构	NA	NA
7417	2025-12-09	MRomicsNet: A morphomics-radiomics-driven adaptive topological model for AD diagnosis on clinically routine T1-weighted images 2026-Feb-01, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2025.109160 PMID:41260107	研究论文	本研究提出了一种基于形态组学和影像组学的自适应拓扑模型（MRomicsNet），用于在临床常规T1加权图像上进行阿尔茨海默病诊断	首次将形态组学和影像组学特征整合到一个自适应拓扑模型中，通过深度学习框架强化重要脑区间连接并抑制无关连接，以优化脑网络构建	研究主要依赖于特定数据集（ADNI和EDSD），未在更广泛或多样化临床数据上进行验证，且模型复杂度可能较高	开发一种结合形态组学和影像组学优势的自适应拓扑模型，以提升基于T1加权图像的阿尔茨海默病诊断准确性	阿尔茨海默病患者及健康对照者的脑部T1加权图像	数字病理学	阿尔茨海默病	T1加权磁共振成像	图卷积网络	图像	ADNI和EDSD数据集，具体样本数量未在摘要中明确说明	深度学习框架（具体未指定，可能为PyTorch或TensorFlow）	MRomicsNet（包含morphGCN通道和mrGCN通道）	诊断准确率	NA
7418	2025-12-09	GICAF-Net: A cross-attentional graph-image fusion network for hyperspectral pathological diagnosis of FNH and HCC 2026-Feb-01, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2025.109171 PMID:41289808	研究论文	本研究提出了一种名为GICAF-Net的图-图像交叉注意力融合网络，用于肝局灶性结节性增生（FNH）和肝细胞癌（HCC）的高光谱病理诊断	提出了一种新颖的双分支网络架构，结合了残差卷积和残差图卷积，并引入了拓扑感知交叉注意力融合模块（TACA）以及结合交叉熵、预测置信度和跨模态注意力一致性的多约束融合损失函数，以增强跨模态信息融合和分类稳定性	研究样本量相对较小（共120例），且未在更广泛的外部数据集上进行验证	提高肝肿瘤（FNH与HCC）术中高光谱病理诊断的准确性和效率	肝局灶性结节性增生（FNH）和肝细胞癌（HCC）的病理样本	数字病理	肝癌	高光谱成像	CNN, GCN	高光谱图像	包含60例HCC和60例FNH的平衡高光谱肝肿瘤数据集，共120例	NA	GICAF-Net, 残差卷积, 残差图卷积	AUC, 准确率, F1分数	NA
7419	2025-12-09	Quantitative analysis of corn adulteration in sweet potato starch using a CNN-LSTM hybrid model 2026-Jan-01, Food chemistry IF:8.5Q1 DOI:10.1016/j.foodchem.2025.147041 PMID:41274049	研究论文	本文利用太赫兹时域光谱技术结合CNN-LSTM混合模型，实现了对红薯淀粉中玉米掺假的快速定量分析	首次将CNN-LSTM混合深度学习模型应用于太赫兹光谱数据，用于淀粉掺假的定量检测，相比传统回归方法具有更高精度	未提及模型在其他淀粉类型或更复杂掺假场景中的泛化能力，且样本规模和多样性可能有限	开发一种快速、准确、非破坏性的淀粉掺假定量检测方法	掺假的红薯淀粉样品（含有玉米淀粉）	机器学习	NA	太赫兹时域光谱技术	CNN, LSTM	光谱数据（时域光谱）	一系列掺假样品（具体数量未明确说明）	NA	CNN-LSTM混合模型	Rp（预测相关系数）, RMSEP（预测均方根误差）	NA
7420	2025-12-09	Deep Learning HASTE for Upper Abdominal MRI: Improved Image Quality, Speed, and Energy Efficiency in a Prospective Study 2026-Jan, NMR in biomedicine IF:2.7Q1 DOI:10.1002/nbm.70183 PMID:41346174	研究论文	本研究前瞻性地比较了深度学习重建的快速T2加权HASTE序列与传统HASTE序列在上腹部3T MRI中的图像质量、扫描时间和能效	首次将深度学习重建技术应用于上腹部MRI的HASTE序列，在保证图像质量的同时实现了62.5%的扫描时间缩减和显著的能耗降低	研究为单中心前瞻性研究，样本量相对有限（166例），且仅针对上腹部MRI，未评估其他解剖区域	评估深度学习重建的快速HASTE序列在上腹部MRI中的图像质量、诊断性能和能效优势	166名计划接受上腹部MRI检查的患者（平均年龄60±14岁）	医学影像分析	上腹部疾病	3T MRI, T2加权HASTE序列	深度学习模型	MRI图像	166例患者	未明确说明	未明确说明	图像质量评分, SNR, CNR, 放射组学特征, 扫描时间, 能耗	未明确说明