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
1	2026-10-08	[Current status, application scenarios, challenges, and recommendations for the development of medical artificial intelligence: a domestic and international perspective] 2026-Feb-10, Zhonghua liu xing bing xue za zhi = Zhonghua liuxingbingxue zazhi DOI:10.3760/cma.j.cn112338-20250621-00419 PMID:41765657	综述	本文回顾了医学人工智能技术的发展历程、国内外发展现状，分析了五大医学应用场景，并探讨了关键挑战与应对策略	从数据、算力、算法三个维度系统分析国内外大模型发展现状，系统梳理五大医学应用场景，全面审视数据质量、模型可解释性与因果性、幻觉控制、公平性、过拟合、安全验证等关键挑战并提出应对策略	作为综述文章，未涉及具体实验验证，缺乏对所述挑战和策略的实证评估	综述医学人工智能技术的发展现状、应用场景、面临的挑战，并提出发展建议	医学人工智能技术及其在医疗领域的应用	机器学习	NA	深度学习、大语言模型	大语言模型	文本	NA	NA	NA	NA	NA
2	2026-10-08	Performance Assessment of a Deep Learning-based Algorithm for Ovarian Cancer Histotyping in an Independent Data Set 2026-02-01, The American journal of surgical pathology DOI:10.1097/PAS.0000000000002481 PMID:41251420	研究论文	本研究评估了基于深度学习的AIDA模型在独立数据集上对卵巢癌组织学亚型分类的性能	开发了基于对抗傅里叶的域适应模型AIDA，以解决机构间切片变异性导致的域偏移问题，并在独立队列中验证其性能	模型在子宫内膜样癌上的准确率较低（62.4%），且常见误分类包括黏液性癌误分为子宫内膜样癌、子宫内膜样癌误分为高级别浆液性癌或低级别浆液性癌	评估AIDA模型在独立队列中分类五种主要卵巢癌亚型的性能，并探讨其临床应用的潜力	在阿姆斯特丹大学医学中心（1985-2022年）接受手术治疗的卵巢癌患者，包括透明细胞癌、子宫内膜样癌、高级别浆液性癌、低级别浆液性癌和黏液性癌	数字病理学	卵巢癌	NA	深度学习	图像	NA	NA	AIDA	平衡准确率	NA
3	2026-10-04	PRIME 2.0: Proposed Requirements for Cardiovascular Imaging-Related Multimodal-AI Evaluation: An Updated Checklist 2026-Feb, JACC. Cardiovascular imaging DOI:10.1016/j.jcmg.2025.08.004 PMID:40892627	指南	本文介绍了PRIME 2.0清单，一个用于标准化心血管影像人工智能应用开发、评估和报告的领域特定框架	针对从传统机器学习到深度学习、大语言模型和多模态生成式AI的快速进展进行了更新，并通过改进的德尔菲过程纳入心血管影像特定复杂性如心脏运动、成像伪影和观察者间变异性	未提及	标准化心血管影像中人工智能应用的开发、评估和报告	心血管影像AI研究	医学影像分析	心血管疾病	NA	NA	NA	NA	NA	NA	NA	NA
4	2026-10-01	DoC-Informer: Automated Discrimination of Disorders of Consciousness under Adaptive EEG Settings 2026-Feb-27, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2026.3668768 PMID:41758838	研究论文	本文提出了DoC-Informer，一种基于CNN-Transformer的框架，用于在自适应EEG设置下自动区分意识障碍（DoC）	整合了通道独立架构（通过电极位置编码和空间变换器实现）与通道掩码训练策略，以增强对不完整EEG数据的鲁棒性	未明确提及	实现意识障碍的自动判别，以指导治疗和预后	意识障碍患者（包括UWS和MCS患者）的EEG数据	机器学习	意识障碍	EEG	CNN, Transformer	EEG信号	两个真实世界的DoC数据集（包括UWS和MCS患者）	NA	CNN-Transformer	NA	NA
5	2026-10-01	MDDTA: A Drug Target Binding Affinity Prediction Method Based on Molecular Dynamics Simulation Data Enhancement 2026-Feb-27, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2026.3668781 PMID:41758859	研究论文	本文提出了一种基于分子动力学模拟数据增强的药物靶点结合亲和力预测方法MDDTA，通过构建MD-PDBbind数据集和引入FAFormer架构来提升预测性能	构建了MD-PDBbind增强采样分子动力学模拟数据集；提出了包含新型FAFormer架构的MDDTA模型，实现等变性和不变性；设计了动态感知损失函数以增强模型对多种构象的适应性	未明确提及	提高药物靶点结合亲和力预测的准确性，解决现有模型依赖静态结构数据而忽略构象动态性的问题	药物靶点复合物，包括SARS-CoV-2候选化合物	机器学习	COVID-19	分子动力学模拟	FAFormer	分子结构数据	MD-PDBbind数据集（基于PDBbind构建的增强采样分子动力学模拟数据集），CASF-2016基准数据集，以及70个SARS-CoV-2候选化合物	NA	FAFormer	评分和排序性能（具体指标未在摘要中说明）	NA
6	2026-10-01	Physics-Informed Deep Learning for Shear Wave Speed Estimation in MR Elastography 2026-Feb-23, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2026.3666306 PMID:41729656	研究论文	该论文提出了一种物理信息深度学习框架，用于从欠采样k空间数据中估计MR弹性成像的剪切波速度	首次端到端可训练的MRE重建方法，直接从k空间估计SWS图，结合图像重建与MRE反演	未明确说明，但可能受限于回顾性数据评估和特定加速因子	开发一种数据驱动方法，联合图像重建和MRE反演，从欠采样k空间数据中稳健估计SWS	脑部MRE数据（回顾性高度欠采样数据和体内数据）	医学图像处理	脑部疾病	磁共振弹性成像（MRE）	神经网络	k空间数据	未明确说明	NA	NA	NRMSE	NA
7	2026-10-01	Bimodal EEG-fNIRS and Deep Learning for Classifying Intensity-Dependent Cortical Auditory Evoked Responses 2026-Feb-19, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2026.3665889 PMID:41712398	研究论文	本研究开发了基于深度学习的分类模型，利用双模态EEG-fNIRS数据对五种强度水平的皮层听觉诱发反应进行分类	首次系统评估fNIRS作为EEG补充模态在皮层听觉诱发反应强度分类中的增益价值，并对比了基于原始时间序列的CNN模型与基于特征的MLP模型	样本量未明确说明，研究仅在特定听觉刺激范式中验证，未涉及临床病理人群的外部验证	探究fNIRS在分类不同强度听觉刺激引起的皮层反应中的附加价值，并比较深度学习模型与传统机器学习分类器的性能	健康受试者的EEG和fNIRS神经信号数据	机器学习	神经系统疾病	EEG, fNIRS	CNN, MLP	时间序列信号（EEG和fNIRS）	NA	NA	CNN, MLP	准确率, AUC, F1-score	NA
8	2026-10-01	NeuroCLIP: A Multimodal Contrastive Learning Method for rTMS-treated Methamphetamine Addiction Analysis 2026-Feb-11, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2026.3663869 PMID:41671129	研究论文	本文提出了一种名为NeuroCLIP的多模态对比学习框架，通过整合同步采集的脑电图（EEG）和功能近红外光谱（fNIRS）数据，用于甲基苯丙胺成瘾的客观评估及rTMS治疗效果的评估	提出了NeuroCLIP框架，采用渐进式学习策略整合同步EEG和fNIRS数据，克服了单模态局限和传统手工特征提取的不足；建立了与心理测量验证的渴求评分强相关的可信多模态生物标志物	未明确说明样本量、具体计算资源及模型架构细节，且未讨论框架在其他成瘾类型或临床场景中的泛化能力	开发一种基于EEG和fNIRS多模态数据的深度学习方法，用于甲基苯丙胺成瘾的客观评估和rTMS治疗效果的脑基评价	甲基苯丙胺依赖个体和健康对照者，以及接受rTMS治疗的甲基苯丙胺依赖患者	机器学习	成瘾	EEG, fNIRS	对比学习	图像, 时间序列	NA	NA	NA	NA	NA
9	2026-10-01	Subject-Adaptive EEG Decoding via Filter-Bank Neural Architecture Search for BCI Applications 2026-Feb-11, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2026.3663725 PMID:41671134	研究论文	提出滤波组神经架构搜索（FBNAS）框架，自动为个体设计脑电解码网络架构。	使用三个时间单元处理不同频率的脑电信号，并在搜索空间中使用空洞卷积核，通过多路径NAS算法确定最优架构进行多尺度特征提取。	未明确提及	解决脑机接口研究中个体差异带来的挑战，自动设计适用于个体的网络架构。	脑电信号（EEG）	脑机接口	NA	脑电信号处理	神经架构搜索	脑电信号	三个数据集：BCIC-IV-2a、OpenBMI、SEED	NA	NA	跨会话解码准确率	NA
10	2026-10-01	Unsupervised Disentanglement of Brain Heterogeneity for Identifying Subtypes of Alzheimer's Disease 2026-Feb-10, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2026.3663181 PMID:41666058	研究论文	提出一种无监督深度学习框架3D-DisAD，通过解缠阿尔茨海默病特异性神经解剖变异，将患者聚类为四种具有不同脑表型的亚型	利用对比解缠网络与基于扩散生成模型的变换生成网络，从混杂因素中分离AD特异性变异，实现无监督亚型识别	摘要中未明确提及研究局限性	解决AD神经解剖异质性导致的精准诊断和治疗难题，识别具有同质性脑表型的AD亚型	阿尔茨海默病患者与健康对照者的MRI脑影像数据	数字病理学	阿尔茨海默病	MRI	对比学习, 扩散生成模型	图像	四个公共数据集	PyTorch	对比解缠网络, 变换生成网络	NA	NA
11	2026-10-01	Stress Detection Using Heart Rate Variability and Respiratory Signals Derived From a Single-Lead ECG 2026-Feb-10, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2026.3658304 PMID:41666060	研究论文	本文提出了一种结合特征提取与机器学习的混合方法，仅使用单导联心电图信号提取心率变异性与呼吸信号特征，用于压力检测	仅使用单导联心电图信号，同时提取心率变异性与呼吸信号特征，并证明心电图衍生的呼吸特征能显著提高分类准确性和计算效率，优于传统心率变异性方法和深度学习模型	未提及具体局限性，但可能受限于单导联心电图信号的信息量以及ES3数据库的样本多样性	利用单导联心电图实现急性压力检测，探索一种适用于可穿戴设备的实时、高效的压力检测方法	ES3项目数据库中的受试者	机器学习	精神健康	单导联心电图、心率变异性分析、呼吸信号提取	XGBoost	生理信号（心电图）	NA	NA	XGBoost	分类准确率、推理时间	NA
12	2026-10-01	Chemistry-Structure Dual-Perception Large Language Models: Advancing Molecular Property Prediction for Precise Disease Treatment 2026-Feb-06, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2026.3662042 PMID:41650399	研究论文	提出CSLLM方法，利用指令引导大语言模型生成嵌入化学知识的药物分子表示，用于分子性质预测	引入三维指令框架：任务引导、化学感知和结构感知，使大语言模型能够像化学家一样推理并理解药物分子结构	未明确提及	提高药物分子性质预测的准确性，以支持精准疾病诊断和个性化治疗	药物分子	机器学习	NA	大语言模型	大语言模型	分子数据	九个数据集	NA	大语言模型	NA	有限的计算资源
13	2026-10-01	Rapid, label-free cancer detection in fresh pancreatic tissue using deep learning and multispectral Mueller matrix polarimetry 2026-Feb-04, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2026.3661029 PMID:41637699	研究论文	本文提出了一种基于多光谱Mueller矩阵偏振测量和深度学习的新方法，用于新鲜胰腺组织中快速、无标记的癌症检测	结合多光谱Mueller矩阵偏振测量与深度学习，实现无需染色和组织切片的像素级组织微结构分析，可在准实时内自动区分癌性与非癌性活检组织	样本量未明确说明，可能受限于特定患者群体；需进一步验证泛化能力	解决冰冻切片在术中评估中的局限性，如组织伪影、依赖专家和周转慢等问题，实现快速、自动的癌症检测	新鲜胰腺组织活检样本，来自胰腺导管腺癌（PDAC）患者	数字病理学	胰腺癌	多光谱Mueller矩阵偏振测量	深度学习模型	图像	NA	NA	NA	分类性能（与常规冰冻切片评估相当）、诊断速度、与组织学切片像素级注释的一致性和连贯性	NA
14	2026-10-01	Robust Distance Estimation with Out-of-distribution Detection in Ophthalmic Surgery 2026-Feb-04, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2026.3661297 PMID:41637700	研究论文	提出一个深度学习框架，通过分布外检测和时间序列分析来检测并修正眼科手术中光学相干断层扫描M扫描的分割错误，从而更准确地估计器械到视网膜的距离	结合自适应远程运动中心信息视网膜建模和时间序列分析来检测与修正分割错误，并估计视网膜距离及其置信度	仅在离体人眼上验证，未在活体或临床环境中测试	提高眼科手术中器械到视网膜距离估计的准确性，以增强患者安全	眼科手术中的器械集成光学传感器和光学相干断层扫描M扫描	医学图像分析	眼科疾病	光学相干断层扫描	深度学习	图像	离体人眼	NA	NA	准确率, 平均绝对误差	NA
15	2026-10-01	Integrating 2D Dermatological Photography with 3D Anatomical Surfaces 2026-Feb, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.3085708 PMID:42039876	研究论文	该研究探索使用DensePose将2D皮肤病学摄影图像与3D人体表面模型整合，以恢复解剖空间背景并量化身体表面覆盖范围	首次将DensePose深度学习方法应用于皮肤病学2D摄影与3D解剖表面的整合，实现了网格级别的分析和空间背景恢复，并量化了不同视角组合对身体表面的覆盖程度	数据集仅来自慢性移植物抗宿主病患者，样本疾病类型单一；标注图像数量有限（80张图像，20名患者）；地标标注仅由人工完成，可能存在标注偏差	探索将2D皮肤病学图像与3D表面模型整合，创建具有解剖学基础的表示，以支持网格级分析并恢复每张图像的空间背景	147名慢性移植物抗宿主病患者的588张全身照片（每名患者4张：正面、背面及两侧）	计算机视觉	慢性移植物抗宿主病	DensePose密集对应框架	CNN	图像	147名受试者的588张全身照片（每名受试者4张），以及20名患者80张图像上的最多10个解剖地标标注	NA	DensePose	身体表面覆盖率（单视图28%、双视图50%、三视图72%、四视图80%）、中位成对测地距离（4.6厘米）	NA
16	2026-09-28	Identification of a type 1 diabetes-associated T cell receptor repertoire signature from the human peripheral blood 2026-Feb-13, Science advances IF:11.7Q1 DOI:10.1126/sciadv.adx7448 PMID:41686902	研究论文	通过对2250名HLA分型参与者的外周血TCRβ链进行测序，利用深度学习识别与1型糖尿病相关的TCR基序，并验证其在胰腺引流淋巴结中的存在	首次在大规模HLA分型人群中结合深度学习识别T1D相关的TCR亚序列基序，并证明这些基序在独立队列的胰腺引流淋巴结中可重现	摘要未明确说明局限性，可能包括样本横断面设计的因果推断限制、未充分讨论TCR基序的功能验证、以及深度学习模型的可解释性等	解析HLA等位基因对TCR repertoire的影响，并识别T1D相关的TCR特征	2250名HLA分型参与者的外周血TCRβ链 repertoire，包括T1D患者、健康相关对照和无关对照	机器学习	1型糖尿病	TCR测序	深度学习	序列	2250名参与者的外周血样本	NA	NA	NA	NA
17	2026-09-28	Integrative profiling of condensation-prone RNAs during early development 2026-Feb-11, Cell genomics IF:11.1Q1 DOI:10.1016/j.xgen.2025.101065 PMID:41265448	研究论文	该研究整合转录组学方法和可解释深度学习框架，鉴定了早期发育过程中一类易凝聚的RNA（称为smOOPs），并揭示了其序列组成、折叠和RBP结合特征以及编码蛋白的内在无序区域	首次鉴定了一类发育相关的易凝聚RNA（smOOPs），结合可解释深度学习揭示了其序列和结构特征，并发现其编码蛋白富含内在无序区域，提示RNA和蛋白特征在相分离中的相互作用	未明确说明	探究RNA特征如何促进生物分子凝聚体的形成，并鉴定发育过程中易凝聚的RNA	早期发育过程中的RNA转录本	机器学习	NA	定制转录组学测定	可解释深度学习框架	RNA序列和转录组数据	NA	NA	NA	NA	NA
18	2026-09-28	BrainView: A cloud-based deep learning system for brain image segmentation, tumor detection and visualization 2026-02, Biomedical journal IF:4.1Q2 DOI:10.1016/j.bj.2025.100871 PMID:40409506	研究论文	本文提出了一个基于云的深度学习系统BrainView，用于脑部MRI图像的分割、肿瘤检测和可视化	结合了EfficientNetB7预训练模型和EffB7-UNet分割模型，并开发了基于Flask和Flutter的云应用，便于研究人员和临床医生在线使用	未明确说明	利用深度学习技术从脑部MRI图像中检测、分割和分类脑肿瘤，并提供云平台以便于使用	脑部MRI图像	计算机视觉	脑肿瘤	深度学习	CNN	图像	NA	Flask, Flutter	EfficientNetB7, U-Net	准确率	云平台
19	2026-09-28	Deep learning for autism detection using clinical notes: A comparison of transfer learning for a transparent and black-box approach 2026-02, Artificial intelligence in medicine IF:6.1Q1 DOI:10.1016/j.artmed.2025.103318 PMID:41330257	研究论文	本研究利用BioBERT分析非结构化临床文本，通过透明和黑盒方法检测自闭症，并比较迁移学习在多个数据集上的表现。	提出透明且可解释的机器学习方法，结合BioBERT将行为描述映射到诊断标准，并评估迁移学习在多个真实数据集上的泛化能力。	未明确提及具体局限性，但可能受限于数据集规模和多样性。	开发透明可解释的机器学习方法，利用临床文本自动化检测自闭症，并评估迁移学习的泛化性能。	自闭症谱系障碍（ASD）临床文本数据。	自然语言处理	自闭症谱系障碍	临床文本分析	BioBERT	文本	NA	TensorFlow, PyTorch	BioBERT	敏感度, 特异度	NA
20	2026-09-28	Integrative spatial omics and artificial intelligence: transforming cancer research with omics data and AI 2026-02, Seminars in cancer biology IF:12.1Q1 DOI:10.1016/j.semcancer.2026.01.002 PMID:41520911	综述	本文综述了空间组学（包括空间转录组学和空间蛋白质组学）与人工智能相结合在癌症研究中的应用，涵盖关键方法、主要平台以及AI驱动的计算模型	系统性地整合了空间组学技术与人工智能计算方法，提出了利用空间图论、拓扑数据分析和基于智能体的建模等先进数学框架来优化数据整合和提升生物学洞察力的新视角	空间转录组学和AI驱动方法面临高维数据复杂性、计算资源限制以及分析流程标准化不足等挑战	探讨空间组学与人工智能融合在肿瘤学中的应用，推动精准肿瘤学发展，改善治疗结果并深入理解癌症进展和免疫系统相互作用	多组学数据（基因组学、转录组学、蛋白质组学、表观基因组学、代谢组学）及组织学空间数据，肿瘤微环境及其空间动态	数字病理学	癌症	空间条形码，原位测序，数字空间分析，空间转录组学，空间蛋白质组学	深度学习模型，空间图分析模型，基于智能体的建模	图像，文本，多组学数据	NA	NA	NA	NA	NA