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
101	2026-06-04	Refining deep learning segmentation in gallium-68-prostate-specific membrane antigen-11 positron emission tomography: evaluation of small lesion filtering and intersection-over-union thresholds 2026-May-01, Nuclear medicine communications IF:1.3Q3 DOI:10.1097/MNM.0000000000002114 PMID:41607277	研究论文	评估小病灶过滤和交并比阈值对前列腺癌Ga-68-PSMA-11 PET图像深度学习分割的影响	首次系统评估小病灶过滤和不同IoU阈值对深度学习分割性能的影响，并确定最佳阈值范围	单中心研究，数据集规模有限，需要多中心和大规模数据验证泛化性	优化深度学习在前列腺癌PSMA PET图像中的分割可靠性	前列腺癌患者的Ga-68-PSMA-11 PET图像	数字病理学	前列腺癌	PET成像	3D U-Net	图像	115名患者的扫描图像	NA	3D U-Net	Dice系数，精确率，敏感性，阳性预测值	NA
102	2026-06-04	Graph Embedding Comparator for Evolutionary Neural Architecture Search with Isomorphic Multi-Comparison 2026-May, International journal of neural systems IF:6.6Q1 DOI:10.1142/S0129065726500097 PMID:41582094	研究论文	提出了一种基于图嵌入比较器的进化神经架构搜索方法，通过同构多比较机制提升搜索鲁棒性和效率	首次将对比学习与同构多比较机制结合，从架构图结构中直接学习嵌入表示进行性能比较，无需手工特征或浅层预测器	NA	提升神经架构搜索的自动化和鲁棒性，解决现有方法依赖手工描述符或浅层预测器导致搜索指导不可靠的问题	神经架构搜索中的候选网络架构	机器学习	NA	NA	图卷积网络，对比学习	NA	NA	NA	图卷积网络	NA	NA
103	2026-06-04	Data-related Ablation for Reinforcing Deep Learning in Explaining Complex Phenomena 2026-May, International journal of neural systems IF:6.6Q1 DOI:10.1142/S0129065726500061 PMID:41612853	研究论文	提出一种数据消融方法，用于评估深度学习模型是否真正学习了相关模式，而非依赖数据中的偏差	提出数据相关消融框架，作为传统架构消融的补充，通过分析模型在移除关键特征后的表现来区分稳健学习与偶然特征依赖	未明确说明局限性，但可能受限于案例研究的特定领域（脑电图信号的情绪识别与运动执行）	开发一种评估深度学习模型可靠性和泛化能力的方法，确保模型真正捕捉目标现象而非数据偏差	深度学习模型对复杂现象的解释能力，特别是脑电图信号中的情绪识别与运动执行任务	机器学习	NA	NA	深度学习模型	脑电图信号	未明确说明样本量，涉及脑电图信号的情绪识别与运动执行数据集	NA	NA	模型准确率	NA
104	2026-06-04	Fréchet radiomic distance (FRD): A versatile metric for comparing medical imaging datasets 2026-May, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2026.103943 PMID:41610784	研究论文	提出了一种针对医学图像的感知度量指标Fréchet Radiomic Distance (FRD)，用于比较医学影像数据集	首次将标准化、临床有意义的影像组学特征引入图像分布度量，克服了传统自然图像感知指标（如FID）在医学图像中无法充分捕捉解剖特征的局限	文中未明确讨论其在不同医学成像模态间的泛化性及对基于深度学习的成像伪影的鲁棒性	设计适用于医学图像的分布差异度量指标，支持域外检测、图像生成评估等任务	多种医学影像数据集（包括不同成像模态和下游任务）	数字病理学, 计算机视觉	NA	影像组学特征提取	NA	图像	涵盖多种数据集和成像模态，未明确具体数量	PyTorch	NA	FRD, 相关性分析（与下游任务性能、解剖一致性和真实性）, 稳定性指标, 计算效率, 对图像损坏和对抗攻击的敏感性	NA
105	2026-06-04	The evolving role of artificial intelligence in optimizing treatment and patient selection in diabetic macular edema 2026-May-01, Indian journal of ophthalmology IF:2.1Q2 DOI:10.4103/IJO.IJO_3152_25 PMID:42060353	综述	探讨人工智能在优化糖尿病黄斑水肿治疗与患者选择中的作用	将人工智能与多模态数据（眼底图像、OCT、临床生化数据）结合，实现个性化风险分层和预后支持，超越传统方案驱动的治疗模式	存在泛化性、透明度、工作流整合和伦理部署等方面的系统性问题	评估人工智能技术如何通过分析多模态数据预测治疗反应和注射负担，优化抗VEGF治疗的个体化决策	糖尿病黄斑水肿（DME）患者及其治疗相关数据（眼底图像、OCT、临床生化数据）	机器学习	糖尿病黄斑水肿	眼底成像、光学相干断层扫描（OCT）	CNN, GAN, 集成方法	图像、文本、数值	未提供	NA	卷积神经网络、生成对抗网络、集成方法	准确率	NA
106	2026-06-04	High-resolution automated mapping of potential Aedes larval container habitats using drone imagery and supervised machine learning in Dar es Salaam, Tanzania 2026-May, PLoS neglected tropical diseases IF:3.4Q1 DOI:10.1371/journal.pntd.0014361 PMID:42189914	研究论文	利用无人机影像和深度学习模型，在坦桑尼亚达累斯萨拉姆高密度城市环境中自动绘制潜在伊蚊幼虫孳生容器的高分辨率地图	首次结合高分辨率无人机影像和U-Net深度学习模型，对大范围内隐形的屋顶轮胎等容器类型进行规模化检测	模型对水桶的检测准确率较低（54%），且需要大量人工标注数据	开发可扩展的高分辨率航空影像与监督机器学习方法，用于在城市环境中识别潜在的伊蚊幼虫孳生容器	达累斯萨拉姆20个社区27.27 km²区域内的桶、轮胎和水箱等潜在伊蚊幼虫孳生容器	计算机视觉	登革热	无人机影像	U-Net	图像	4.6 km²注释区域和27.27 km²预测区域，覆盖20个社区	PyTorch	U-Net	准确率	NA
107	2026-06-04	Deep Learning for Diagnosis of Disc Herniation in Small Animals: A CNN-Based Approach Using CT Imaging 2026-May, Veterinary radiology & ultrasound : the official journal of the American College of Veterinary Radiology and the International Veterinary Radiology Association IF:1.3Q2 DOI:10.1111/vru.70161 PMID:42170695	研究论文	基于深度学习的卷积神经网络模型用于小动物CT图像中的椎间盘突出诊断	结合U-Net分割和VGG16分类的迁移学习方法，并采用合成掩膜生成和对比度增强技术提高诊断准确性	数据集规模有限，未来需扩展数据集并优化模型以增强临床适用性	开发自动化的椎间盘突出检测模型，提升小动物脊柱疾病的诊断效率和准确性	小动物（犬猫）的椎间盘突出病变	计算机视觉	椎间盘疾病	CT成像	卷积神经网络	CT图像	1651张标注CT图像（来自64602次扫描）	PyTorch, Keras	U-Net, VGG16	分类准确率	NA
108	2026-06-04	Intelligent Bioelectrical Sensing and Deep Learning Framework for Non-Invasive Monitoring of Plant Alkaline Stress 2026 May-Jun, Physiologia plantarum IF:5.4Q1 DOI:10.1111/ppl.70954 PMID:42229536	research paper	开发了一种基于植物电生理信号的非侵入性碱性胁迫监测框架，结合薄膜贴片电极和深度学习模型SCANet，在君子兰上实现高精度胁迫等级识别	首次提出结合空间和通道重建模块的专用深度学习网络SCANet，实现基于植物电生理信号的非侵入性碱性胁迫等级识别，突破了传统表型分析方法的局限性	仅在受控环境条件下对君子兰一种植物进行了验证，未涉及田间复杂环境和其他植物物种的泛化能力评估	开发非侵入性植物电生理传感与深度学习框架，用于实时监测植物碱性胁迫状态	君子兰（Clivia）植株在不同pH梯度（7.0, 7.5, 8.0, 8.5, 9.0）下的电生理信号	machine learning	NA	薄膜贴片电极传感器、小波去噪	深度学习网络（SCANet）	时间序列电生理信号	5种pH梯度条件下的君子兰电生理信号数据	PyTorch	SCANet（包含空间重建模块和通道重建模块）	准确率、精确率、召回率、F值	NA
109	2026-06-04	Prospective blinded clinical evaluation of a fully automated workflow for prostate radiotherapy 2026-May, Physics and imaging in radiation oncology DOI:10.1016/j.phro.2026.100999 PMID:42232231	研究论文	前瞻性地评估了用于前列腺放射治疗的全自动工作流程与常规临床工作流程的临床可用性	首次在常规临床条件下对结合深度学习分割和计划的全自动工作流程进行了前瞻性、盲法评估	自动化靶区勾画一致性较小且临床可接受率略低于常规工作流程，需要进一步优化	评估全自动工作流程在前列腺放射治疗中的临床可用性和效率	22名连续接受前列腺放射治疗的患者	数字病理学	前列腺癌	NA	深度学习	医学影像	22名前列腺放疗患者	商业治疗计划系统	NA	临床可接受率、处理时间	NA
110	2026-06-04	Segmentation regularized training for multi-domain deep learning registration applied to magnetic resonance-guided prostate cancer radiotherapy 2026-May, Physics and imaging in radiation oncology DOI:10.1016/j.phro.2026.100989 PMID:42232230	研究论文	提出并评估一种分割正则化的深度学习配准方法（ProRSeg），应用于磁共振引导的前列腺癌放疗中的多域图像配准	首次将分割正则化融入渐进式深度学习配准框架，实现跨域和混合域MR-MR图像的高精度形变配准，并初步验证其在剂量累积中的可行性	未提及具体局限性	训练分割正则化的深度学习形变配准模型，并评估其在磁共振引导自适应放疗中的域不变性配准性能	前列腺癌患者的纵向3特斯拉MR模拟扫描和1.5特斯拉MR-Linac治疗扫描图像	医学图像分析	前列腺癌	磁共振成像	深度学习形变配准模型	医学图像	262对相同域MR图像用于训练；58对同域、72对跨域和42对混合域图像用于测试；42名患者的5分次MRgART剂量累积分析	PyTorch	ProRSeg, VoxelMorph	轮廓传播准确度	NA
111	2026-06-04	Association between Open-Angle Glaucoma Progression and Cardiovascular Risk Predicted by a Deep Learning-Based Fundus Imaging Model 2026-Apr-22, Ophthalmology. Glaucoma DOI:10.1016/j.ogla.2026.04.004 PMID:42031235	研究论文	本文研究基于深度学习的眼底成像模型预测的心血管风险与开角型青光眼进展之间的关联	首次利用深度学习从眼底照片衍生的RetiCAC评分来评估系统性动脉粥样硬化负担与青光眼视野进展的关系	回顾性研究设计，样本量有限（192名患者），且未说明深度学习模型的外部验证	探讨RetiCAC评分（深度学习衍生的心血管风险指标）与青光眼视野进展的关联	192名开角型青光眼患者的眼底照片和视野数据	机器学学习	开角型青光眼	眼底成像	深度学习模型	图像	192只眼睛（来自192名患者）	NA	深度学习模型（未具体指定架构）	关联分析（P值）、生存分析（显著性）、散点图拟合	NA
112	2026-06-04	Full-DIA enables complete single-cell proteomics from diaPASEF using deep learning 2026-Apr-21, Genome biology IF:10.1Q1 DOI:10.1186/s13059-026-04087-x PMID:42015180	研究论文	Full-DIA是一个基于深度学习的软件，通过增强蛋白质组覆盖度、定量准确性和分析速度，实现了对单细胞diaPASEF数据的完整蛋白质组分析，并生成无缺失值的蛋白质矩阵	首次利用深度学习驱动实现四维diaPASEF分析，生成无缺失值的蛋白质矩阵，显著提高蛋白质组覆盖度、定量准确性和分析速度，并有效控制全局FDR	未明确说明局限性，但可能依赖特定数据格式或计算资源	开发一种深度学习驱动的方法，用于提升单细胞diaPASEF蛋白质组分析的完整性和准确性	单细胞水平的蛋白质组数据，包括LPS处理和细胞周期数据集	深度学习, 蛋白质组学	NA	diaPASEF, 四维离子淌度分离	深度学习模型	蛋白质组学数据	LPS处理和细胞周期数据集（具体数量未提及）	NA	NA	蛋白质组覆盖度, 定量准确性, 分析速度, 全局FDR	NA
113	2026-06-02	Effective elimination of respiratory misregistration-induced attenuation correction errors in PET/CT via deep learning trained on data-driven gated PET from strictly respiratory-phase-matched PET/CT cases 2026-Apr-19, EJNMMI physics IF:3.0Q2 DOI:10.1186/s40658-026-00880-6 PMID:42002706	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
114	2026-06-04	Risk prediction model of survival in patients with low-grade serous ovarian cancer: a multicenter Cohort study 2026-Apr-18, Journal of ovarian research IF:3.8Q1 DOI:10.1186/s13048-026-02108-8 PMID:42001128	研究论文	开发并验证低级别浆液性卵巢癌患者复发和生存风险的预测模型	首次针对低级别浆液性卵巢癌这一罕见亚型，结合Cox回归模型和深度学习模型，构建了可视化列线图预测模型，并证明其优于传统FIGO分期系统	基于回顾性研究设计，样本量较小（仅155例），且缺乏外部验证	开发预测低级别浆液性卵巢癌患者复发和生存结局的模型	低级别浆液性卵巢癌（LGSOC）患者	机器学习	卵巢癌	NA	Cox比例风险模型、深度学习（神经网络）	临床数据	155例低级别浆液性卵巢癌患者	NA	深度学习模型（具体架构未说明）	AUC, C-index, NRI, IDI	NA
115	2026-06-04	Assessing changes in aortic motion and hemodynamics after valve-sparing aortic root surgery in Marfan syndrome using four-dimensional balanced steady-state free precession and four-dimensional flow cardiovascular magnetic resonance 2026-Apr-17, Journal of cardiovascular magnetic resonance : official journal of the Society for Cardiovascular Magnetic Resonance IF:4.2Q1 DOI:10.1016/j.jocmr.2026.102728 PMID:42001956	研究论文	利用四维平衡稳态自由进动和四维血流心血管磁共振评估马凡综合征患者行保留瓣膜的主动脉根部手术后主动脉运动及血流动力学变化	首次采用高级心血管磁共振技术（4D bSSFP和4D Flow）结合深度学习分割管道（nnU-Net）评估马凡综合征患者术后主动脉生物力学和血流动力学的变化	样本量小（仅3例患者），且未明确生物力学变化与临床结局（如B型主动脉夹层）的关联	评估马凡综合征患者行保留瓣膜的主动脉根部手术前后主动脉运动及血流特性的变化	马凡综合征患者的主动脉（升主动脉和降主动脉）	数字病理学	心血管疾病	心血管磁共振（4D bSSFP和4D Flow）	nnU-Net	图像	3例马凡综合征患者（年龄26-37岁，2男1女）	PyTorch	nnU-Net	主动脉位移、扩张性、壁面剪切应力、速度、脉搏波速度	NA
116	2026-06-04	Fast cardiac magnetic resonance (CMR) protocol for biventricular functional assessment and tissue characterisation 2026-Apr-15, International journal of cardiology IF:3.2Q2 DOI:10.1016/j.ijcard.2026.134197 PMID:41605334	研究论文	比较传统标准心血管磁共振协议与基于深度学习重建的快速协议,评估图像质量、功能测量、心肌特征及扫描时长	提出一种结合深度学习重建(Sonic DL)和多段PSIR LGE(AIR Recon DL)的快速CMR协议,将总扫描时间减少近60%,在10分钟内完成全面评估	NA	验证基于深度学习重建的快速CMR协议在双心室功能评估和组织特征化中的可行性和诊断质量	100名已知或怀疑患有心肌疾病的患者	机器学习	心血管疾病	心血管磁共振(CMR)	深度学习重建模型	图像	100名患者(78%男性,平均年龄52岁,平均BMI 25.0 kg/m2)	NA	Sonic DL, AIR Recon DL	Likert评分, 心室大小, 功能, 左心室质量, 扫描时间	NA
117	2026-06-04	The association of environmental exposure with multiple sclerosis severity score: A study based on sequential data modeling 2026-Apr-15, International journal of medical informatics IF:3.7Q2 DOI:10.1016/j.ijmedinf.2026.106295 PMID:41616738	研究论文	本研究应用人工智能方法探究环境暴露与多发性硬化严重程度评分之间的关联	首次将纵向临床数据与环境暴露数据（包括空气污染和天气条件）整合至深度学习模型中预测多发性硬化严重程度评分，并采用自动化机器学习进行特征选择	本研究为单中心回顾性分析，样本量有限（535名患者，4022次访视），且未说明外部验证结果	探究环境暴露与多发性硬化严重程度评分的关联，并评估深度学习模型在预测中的表现	535名多发性硬化患者的纵向临床记录及居住地环境暴露数据	机器学习	多发性硬化	自动机器学习、深度学习、SHAP特征重要性分析	循环神经网络、长短期记忆网络、门控循环单元	临床记录、环境数据（空气污染、天气条件）	535名多发性硬化患者的4022次访视记录	NA	GRU	AUC	NA
118	2026-06-04	rbpCNN: a biophysics-informed deep learning model for predicting piRNA and mRNA interactions 2026-Apr-13, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-48797-5 PMID:41974838	研究论文	提出一种结合生物物理信息的轻量级卷积神经网络rbpCNN，用于预测piRNA与mRNA的相互作用	通过在核苷酸对编码中补充生物物理相互作用通道（兼容性通道、螺旋运行通道、位置通道和结构通道）来增强预测准确性	未提及具体局限性	提高piRNA与mRNA相互作用预测的准确性，以支持生殖细胞转录后调控研究及PIWI导向沉默的扰动设计	piRNA序列与mRNA序列的相互作用	机器学习	NA	NA	卷积神经网络	序列数据	五折交叉验证和独立外部数据集	NA	CNN	AUC, 准确率	NA
119	2026-05-02	Deep learning detection of retinitis pigmentosa inheritance forms through synthetic data expansion of a rare disease dataset 2026-Apr-11, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-47341-9 PMID:41965358	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
120	2026-06-04	A two-stage deep learning model for risk identification in green supply chain finance 2026-Apr-11, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-46830-1 PMID:41965401	研究论文	构建了一个两阶段深度学习模型，用于绿色供应链金融中的风险识别	创新性地将生成对抗网络与残差自编码器结合用于数据增强，并将深度神经网络与多核支持向量机融合以提升复杂非线性风险模式的分类能力	NA	实现绿色供应链金融中风险的智能化和精确识别	2015-2024年间168家企业的绿色供应链金融风险样本	机器学习	NA	NA	生成对抗网络、残差自编码器、深度神经网络、多核支持向量机	表格数据	168家企业样本，时间跨度2015-2024年	NA	GAN-SAE, DNN-SVM	准确率、召回率、AUC	NA