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
10261	2026-02-17	Identification of Loading Location and Amplitude in Conductive Composite Materials via Deep Learning Method 2026-Jan-23, Sensors (Basel, Switzerland) DOI:10.3390/s26030779 PMID:41682294	研究论文	本研究开发了一种基于深度学习的自感知方法，用于识别树脂基导电复合材料中外部机械载荷的位置和幅度，仅需简单的电极布局	提出了一种基于残差学习的CNN模型，能够同时准确识别载荷位置和幅度，且仅需四个边缘电极，简化了传统复杂的电极布局	NA	开发一种高效准确的复合材料结构健康监测方法，以识别外部机械载荷的位置和幅度	树脂基导电复合材料板及其在机械载荷下的边界电阻响应	机器学习	NA	导电填料填充、三维导电网络构建、边界电阻测量	CNN	电阻响应数据	NA	NA	基于残差学习的CNN	定位误差、幅度误差	NA
10262	2026-02-17	Application of Neural Network Automatic Event Detection for Reservoir-Triggered Seismicity Monitoring Networks 2026-Jan-23, Sensors (Basel, Switzerland) DOI:10.3390/s26030783 PMID:41682298	研究论文	本研究探讨了波兰和越南水库触发地震性（RTS）监测网络中神经网络自动事件检测的应用	比较了深度学习全局检测模型、迁移学习、专门设计的RTS神经网络与手动检测的效率，并强调相位检测与相位关联在提升事件检测数量中的关键作用	迁移学习效率依赖于数据库，且检测方法需结合手动方法才能充分有效	提高水库触发地震性监测网络中地震事件的检测数量，以支持触发过程研究	波兰和越南的水库触发地震性（RTS）监测网络	机器学习	NA	地震信号检测	神经网络	地震信号数据	仅包含数百个事件的RTS案例	NA	NA	检测灵敏度，相位关联效率	NA
10263	2026-02-17	Recent Applications of Machine Learning Algorithms for Pesticide Analysis in Food Samples 2026-Jan-23, Foods (Basel, Switzerland) DOI:10.3390/foods15030415 PMID:41683002	综述	本文综述了机器学习算法在食品样品农药残留分析中的最新应用	系统总结了机器学习（特别是监督学习算法和深度学习架构）与色谱、光谱及电化学平台结合，以提升农药残留检测的精度、效率及信号解释能力，并探讨了实时现场监测系统的未来发展方向	面临训练数据有限、食品基质变异性大以及监管约束等挑战	提升食品中农药残留检测的精度和效率，以保障食品安全和公共健康	食品样品中的农药残留	机器学习	NA	色谱、光谱、电化学技术	支持向量机, 随机森林, 提升方法, 深度神经网络	分析数据（来自色谱、光谱、电化学平台）	NA	NA	NA	NA	NA
10264	2026-02-17	Time-series ECG Imputation Using a Pattern-Based Masking Framework 2026-Jan-16, medRxiv : the preprint server for health sciences DOI:10.64898/2026.01.14.26344164 PMID:41646733	研究论文	本研究评估并比较了多种插补方法在连续心电图时间序列数据上的性能，特别关注随机掩蔽与基于观察模式的掩蔽	引入了基于观察模式的掩蔽框架，以更真实地模拟临床实践中缺失数据的模式，并系统比较了从传统统计方法到深度学习模型的多种插补技术	研究样本量较小（仅40名患者），且数据来源于试点队列，可能限制了结果的普遍性	评估和基准测试不同缺失条件下时间序列心电图数据的插补方法，以支持实时心电图预测系统的部署	连续12导联Holter记录的心电图时间序列数据	机器学习	心血管疾病	连续心电图监测	深度学习模型, 传统统计方法	时间序列数据	40名患者的连续12导联Holter记录（每名患者2.5至4小时）	NA	SAITS, SMILES	平均绝对误差	NA
10265	2026-02-17	A deep learning model for the diagnosis of gastric neuroendocrine carcinoma 2026-Jan-13, Communications medicine IF:5.4Q1 DOI:10.1038/s43856-026-01382-3 PMID:41530277	研究论文	本研究开发了一个名为G-NECNet的深度学习模型，用于从组织病理学全切片图像中诊断胃神经内分泌癌	开发了专门针对胃神经内分泌癌检测的深度卷积神经网络G-NECNet，并在多个外部数据集上验证了其高准确性和泛化能力	未在摘要中明确提及研究的局限性	提高胃神经内分泌癌与胃腺癌的鉴别诊断准确性，以指导更合适的治疗干预	胃神经内分泌癌的组织病理学全切片图像	数字病理学	胃神经内分泌癌	组织病理学成像	CNN	图像	内部验证队列、外部单机构数据集和多机构会诊数据集，具体样本量未在摘要中提供	NA	G-NECNet	AUROC	NA
10266	2026-02-17	PlaTiF: A pioneering dataset for orthopedic insights in AI-powered diagnosis of tibial plateau fractures 2026-Jan-07, Scientific data IF:5.8Q1 DOI:10.1038/s41597-026-06560-5 PMID:41501058	研究论文	本文介绍了一个用于AI辅助诊断胫骨平台骨折的首个开放数据集PlaTiF	首次提供了专门针对胫骨平台骨折AI分析的开放访问数据集，包含异质性X光片和专家标注的Schatzker分型	数据集样本量相对有限（421张X光片来自186名患者），且仅包含前后位X光片，缺乏其他视角或影像模态	通过提供高质量数据集，促进AI在胫骨平台骨折检测、分类和术前规划中的应用	胫骨平台骨折患者的膝关节X光片	计算机视觉	骨科疾病	X光成像	NA	图像	421张前后位X光片来自186名患者（平均年龄45.88±17.54岁，37名女性，149名男性）	NA	NA	NA	NA
10267	2026-02-17	iDLDDG: predicting protein stability changes from missense mutations in DNA-binding proteins using integrated deep learning features 2026-Jan-07, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbag050 PMID:41686649	研究论文	本研究开发了一个名为iDLDDG的深度学习框架，用于预测DNA结合蛋白中错义突变引起的蛋白质稳定性变化	首次构建了一个严格区分双链DNA结合蛋白和单链DNA结合蛋白突变机制的计算框架，并引入基于熵的算法优化残基信息建模	未在摘要中明确说明	准确预测错义突变如何改变蛋白质-DNA结合亲和力，以理解疾病机制并推进治疗方法	DNA结合蛋白中的错义突变，包括双链DNA结合蛋白和单链DNA结合蛋白	机器学习	NA	蛋白质语言模型嵌入	深度学习	蛋白质序列和结构信息	MPD276数据集及包含DSBs和SSBs的独立测试集	NA	多通道架构	皮尔逊相关系数	NA
10268	2026-02-17	Development and Validation of a Predictive AI Framework for Diabetic Foot Ulcer Monitoring and Severity Assessment: A Step towards Self-monitoring and Primary Care Integration 2026-Jan, Healthcare informatics research IF:2.3Q3 DOI:10.4258/hir.2026.32.1.69 PMID:41681001	研究论文	本研究开发并验证了一个深度学习算法，用于根据国际糖尿病足工作组分类标准对糖尿病足图像进行严重程度分级	开发了一个预测性AI框架，用于糖尿病足溃疡的监测和严重程度评估，旨在支持资源有限环境下的自我监测和初级护理整合	模型在区分相邻严重程度等级时存在轻微过拟合，且样本量相对有限	开发并验证一个用于糖尿病足溃疡监测和严重程度评估的预测性AI框架	糖尿病足溃疡图像	计算机视觉	糖尿病足溃疡	深度学习	CNN, Transformer	图像	612张临床图像（通过数据增强从407张原始图像扩展）	NA	MobileNet_V2, EfficientNet-b0, DenseNet121, ResNet_50, VGG16, ViT_b_16	准确率, F1分数	NA
10269	2026-02-17	Improving Greater Caribbean manatee vocalization detection across habitats using neural networks 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0341561 PMID:41686843	研究论文	本研究探索了使用神经网络改进大加勒比海牛（Trichechus manatus manatus）叫声检测与分类的方法，以应对水下声学环境的复杂性	结合先进的信号处理技术（如滤波和归一化）与深度学习算法，并采用数据增强和特征提取策略，以处理海洋环境的动态和噪声条件，模型在未进行领域相关预训练的情况下，通过微调少量数据实现了对新数据集的泛化	模型在泛化能力方面仍有改进空间，特别是在不同噪声环境下	改进大加勒比海牛叫声的检测与分类，以深入了解其行为并辅助保护工作	大加勒比海牛（Trichechus manatus manatus）的叫声	机器学习	NA	水下录音、信号处理（滤波、归一化）	CNN	音频	大型水下录音数据集，包括Wildtracks和Placencia数据集	NA	已知的CNN架构（具体未指定）	F1分数	NA
10270	2026-02-17	Machine learning, deep learning, and artificial intelligence as applied to the field of cytopathology: a comprehensive review 2026 Jan-Feb, Journal of the American Society of Cytopathology DOI:10.1016/j.jasc.2025.07.004 PMID:40803957	综述	本文全面回顾了机器学习、深度学习和人工智能在细胞病理学领域的应用现状与研究进展	系统梳理了细胞病理学领域AI/ML技术从早期自动化系统到现代深度学习的发展脉络，并指出该领域相较于外科病理学的滞后性及当前发展机遇	细胞病理学AI应用仍处于起步阶段，大规模数据收集和算法建模因样本制备与评估方式的多样性而滞后	探讨数字细胞病理学中人工智能技术的科研与商业化发展现状	细胞病理学图像与标本	数字病理学	NA	数字玻片扫描, 图像分析	深度学习, 机器学习	图像	NA	NA	AlexNet	NA	GPU
10271	2026-02-16	Redefining obstructive sleep apnea diagnosis: An attention augmented CNN-BiLSTM hybrid alternative to traditional PSG testing 2026-Jun, MethodsX IF:1.6Q2 DOI:10.1016/j.mex.2026.103808 PMID:41684745	研究论文	本研究提出了一种基于注意力增强的CNN-BiLSTM混合深度学习模型，用于自动检测阻塞性睡眠呼吸暂停（OSA），以替代传统的多导睡眠图（PSG）诊断方法	结合卷积神经网络与双向长短期记忆网络的混合架构，并集成注意力机制以提升特征表示和分类性能，同时通过ANOVA选择生理信号子集以优化检测效果	NA	开发一种替代传统多导睡眠图（PSG）的自动化OSA检测方法，以提高诊断的可及性和准确性	阻塞性睡眠呼吸暂停（OSA）患者	机器学习	阻塞性睡眠呼吸暂停	深度学习	CNN, BiLSTM	生理信号数据	基于两个公开数据库，具体样本数量未明确说明	NA	CNN-BiLSTM混合架构	准确率, F1分数	NA
10272	2026-02-16	Ultrasound-guided sound speed correction for photoacoustic computed tomography 2026-Apr, Photoacoustics IF:7.1Q1 DOI:10.1016/j.pacs.2026.100804 PMID:41685117	研究论文	本文提出了一种基于双模态深度学习的框架，通过联合处理配准的光声和超声图像来校正组织中的异质声速，以提高光声计算机断层扫描的图像质量	提出了一种利用配准超声图像中的丰富散斑和高信噪比信息来估计空间变化声速图，并将其与光声图像融合以校正声速畸变的新方法	该方法在数值和组织模拟体模上进行了测试，并展示了跨域泛化能力，但未提及在更广泛或更复杂临床场景中的验证	提高光声计算机断层扫描中因组织异质声速导致的图像畸变校正的准确性和效率	光声和超声双模态图像	计算机视觉	NA	光声计算机断层扫描，超声成像	深度学习	图像	数值模拟体模、组织模拟体模和活体数据	NA	NA	图像质量（结构细节增强、声学伪影减少）	NA
10273	2026-02-16	Explainable artificial intelligence for multi-modal cancer analysis: From genomics to immunology 2026-Mar, Critical reviews in oncology/hematology DOI:10.1016/j.critrevonc.2025.105040 PMID:41290079	综述	本文综述了可解释人工智能在多模态癌症分析中的应用，涵盖从基因组学到免疫学的整合	提出了基于免疫学信息的多模态深度学习框架，通过可解释AI增强模型透明度，并连接预测特征与肿瘤免疫微环境动态	面临数据协调和模态不平衡等挑战，需进一步解决以确保科学有效性	推进个性化精准肿瘤学，通过多模态数据整合改善癌症预后、治疗选择和反应预测	癌症的多模态生物医学数据，包括基因组学、转录组学、组织病理学、医学影像、蛋白质组学、代谢组学、电子健康记录和免疫学特征	机器学习	癌症	多模态深度学习，可解释人工智能	深度学习模型	多模态数据（基因组、转录组、病理图像、医学影像、蛋白质组、代谢组、电子健康记录、免疫特征）	NA	NA	NA	统计指标，生物学合理性评估	NA
10274	2026-02-16	Interpreting Imaging in the Era of Artificial Intelligence: Future Possibilities in Ocular Inflammatory Disease 2026-Mar, American journal of ophthalmology IF:4.1Q1 DOI:10.1016/j.ajo.2025.12.019 PMID:41443461	综述	本文回顾了人工智能在葡萄膜炎多模态影像解读领域的当前能力、局限性与未来前景	系统梳理了AI在眼科炎症疾病影像分析中的新兴应用方向，特别是深度学习在多模态影像自动解读中的潜力	AI在葡萄膜炎领域的应用尚处于起步阶段，现有工具仍在开发中，临床验证不足	探讨人工智能在葡萄膜炎多模态影像解读中的应用前景	葡萄膜炎（眼部炎症性疾病）的多模态影像数据	计算机视觉	葡萄膜炎	多模态影像分析	深度学习	医学影像	NA	NA	NA	NA	NA
10275	2026-02-16	Artificial intelligence applications in ovarian cancer detection: A systematic literature review of deep learning approaches and clinical translation challenges 2026-Mar, Critical reviews in oncology/hematology DOI:10.1016/j.critrevonc.2026.105126 PMID:41544732	系统文献综述	本文系统回顾了2020年至2025年间发表的61项研究，探讨了人工智能在卵巢癌检测中的应用，重点关注深度学习方法及其临床转化面临的挑战	整合了最新的深度学习方法在卵巢癌检测中的应用进展，并系统分析了临床转化中的关键障碍，如数据集异质性和可解释AI的缺乏	纳入的研究存在数据集异质性、样本量有限（从数百到数千张图像）、外部验证机会少以及超参数优化关注不足等问题	系统回顾和评估人工智能（特别是深度学习）在卵巢癌检测中的应用现状、方法学进展及临床转化挑战	2020年至2025年间发表的61项关于人工智能在卵巢癌检测中应用的研究	计算机视觉	卵巢癌	NA	CNN, Vision Transformer	图像	数百至数千张图像	NA	ResNet, U-Net, Vision Transformer	准确率	NA
10276	2026-02-16	Deep learning for estimating right ventricular function from routine coronary angiography 2026-Mar, European heart journal. Digital health DOI:10.1093/ehjdh/ztag004 PMID:41684375	研究论文	本研究探索了使用深度学习从常规冠状动脉造影中估计右心室功能的方法	首次利用深度学习从常规冠状动脉造影的cine图像中检测右心室功能障碍，并结合心电图输入提升模型性能	研究依赖于与经胸超声心动图的时间接近性作为金标准，可能存在时间偏差	探索深度学习在从冠状动脉造影中检测右心室功能障碍的作用	右心室功能障碍患者	计算机视觉	心血管疾病	冠状动脉造影，经胸超声心动图	CNN	图像	10336个冠状动脉造影来自9849名患者（平均年龄66岁，36%女性）	NA	3D-CNN	AUC, 敏感性, 特异性	NA
10277	2026-02-16	A scoping review of portable ultra-low-field MRI studies in patients with acquired brain injury: Past, present, and future 2026-Mar, Neuroimage. Reports DOI:10.1016/j.ynirp.2026.100324 PMID:41685206	综述	本文对便携式超低场MRI在获得性脑损伤患者中的应用进行了范围综述，总结了其安全性、有效性及未来研究方向	首次系统综述了便携式超低场MRI在多种获得性脑损伤中的应用，并强调了深度学习在生成合成扫描图像以提高检测灵敏度与特异性方面的创新应用	研究样本缺乏多样性，定量分析不足，限制了结果的普遍适用性，且多数研究在受控条件下进行，需多中心大样本研究进一步验证	评估便携式超低场MRI在获得性脑损伤患者中的安全性、有效性及其与传统高场MRI的对比	获得性脑损伤患者，包括中风、创伤性脑损伤、脑肿瘤、多发性硬化及其他神经系统疾病患者	数字病理学	获得性脑损伤	便携式超低场MRI，深度学习	深度学习模型	MRI图像	20项研究，涉及中风、创伤性脑损伤、脑肿瘤、多发性硬化及其他神经系统疾病患者	NA	NA	灵敏度，特异性，体积相关性	NA
10278	2026-02-16	Development and explanation of electrocardiogram-based deep learning for predicting short-term mortality in heart failure patients 2026-Feb-13, Journal of global health IF:4.5Q1 DOI:10.7189/jogh.16.04048 PMID:41678824	研究论文	本研究开发并验证了一种基于心电图的深度学习模型HF-ECGNet，用于预测心力衰竭患者的短期死亡率	结合EfficientNet神经网络和Transformer架构，并整合心电图数据与临床特征，提高了预测准确性和可解释性	需要未来多中心验证以确认其临床效用和泛化能力	改进心力衰竭患者短期死亡率的预测模型	心力衰竭患者	机器学习	心血管疾病	心电图	深度学习	心电图数据, 临床特征	36,222次入院中的104,844份心电图	NA	EfficientNet, Transformer	AUC, 其他指标	NA
10279	2026-02-16	Explainability-informed benchmarking of two deep learning models for organ-at-risk segmentation in MR-guided adaptive radiotherapy 2026-Feb-13, Journal of medical imaging and radiation sciences IF:1.3Q3 DOI:10.1016/j.jmir.2026.102200 PMID:41690008	研究论文	本研究对U-Net和ResUNet两种卷积架构在腹部MRI器官风险分割中的性能、不确定性和可解释性进行了基准测试	通过结合性能、不确定性和可解释性定量指标，对深度学习模型进行综合基准测试，并采用Grad-CAM激活图的数值定位指标进行客观分析	未发现统计显著差异，可能受数据集规模或模型配置限制	评估深度学习模型在MR引导自适应放疗中腹部器官风险分割的准确性、可解释性和可靠性	胃肠道器官风险（OARs）的MRI图像分割	数字病理学	NA	MRI成像	CNN	图像	匿名腹部MRI数据集，采用5折分层组交叉验证	NA	U-Net, ResUNet	Dice相似系数, 交并比, 95百分位Hausdorff距离	NA
10280	2026-02-16	Beyond handcrafted radiomics in oncologic imaging: Innovations in deep, explainable, multi-site and multi-omics radiomics approaches 2026-Feb-13, Diagnostic and interventional imaging IF:4.9Q1 DOI:10.1016/j.diii.2026.02.001 PMID:41690886	综述	本文综述了肿瘤影像组学领域从手工特征提取向深度、可解释、多病灶及多组学整合方法演进的主要概念、创新及挑战	系统阐述了影像组学从传统手工特征向深度学习、多病灶整合、多中心协调及多组学融合的范式转变，并强调了可解释人工智能方法在提升临床可信度中的互补作用	指出领域仍面临混杂因素、公共数据集有限、多中心变异性、报告不一致以及缺乏前瞻性临床试验等关键挑战	定义并阐明肿瘤影像组学领域的主要方法学和概念演进，总结当前创新方向，并识别临床转化前需解决的挑战	肿瘤影像组学方法及其在捕捉肿瘤表型、微环境和生物学特征中的应用	医学影像分析	肿瘤	影像组学，多组学整合（基因组学、转录组学、免疫组学）	CNN, 自编码器, 视觉Transformer, 掩码图像建模	医学影像，基因组数据，转录组数据，免疫组数据，临床数据	NA	NA	卷积神经网络，自编码器，视觉Transformer，掩码图像建模，基于注意力的多实例学习	NA	NA