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
61	2026-06-29	Benchmarking imputation strategies for missing time-series data in critical care using real-world-inspired scenarios 2026-Feb-10, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-39035-z PMID:41667568	研究论文	本研究在重症监护时间序列分析中，基于真实世界缺失模式对多种插补策略进行基准测试	设计了反映ICU数据库中缺失模式的掩码场景，逼近真实条件，揭示了插补方法和缺失场景对结论的依赖性	需要进一步分析在临床现实场景下的下游影响，并根据变量类型采用定制化插补策略	评估和比较多种时间序列插补策略在重症监护缺失数据场景下的性能	重症监护（ICU）时间序列数据，特别是MIMIC-IV数据库中的监测数据	机器学习	NA	NA	Transformer, RNN, GAN, VAE	时间序列数据	MIMIC-IV数据库中的监测数据，具体样本量未提及	NA	Transformer, RNN, GAN, VAE, MICE, MissForest	插补误差估计（如平均绝对误差、均方根误差等，具体指标未提及）	NA
62	2026-06-29	Class-attention pooling and token sparsity based vision transformers for chest X-ray interpretation 2026-Feb-10, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-37109-6 PMID:41667676	研究论文	提出了一种基于类别注意力池化和令牌稀疏性的视觉Transformer模型，用于胸部X光影像解释	引入了类别注意力池化技术，使每个疾病类别令牌能突出显示图像中相关区域，提升疾病关注度；通过令牌稀疏性和随机令牌丢弃增强模型对噪声的鲁棒性；在分块前添加卷积干提取局部特征	基于图像级别的数据划分进行评估，由于数据集限制，性能可能被高估；未在患者级别验证	提高胸部X光分析中深度学习模型的准确性和可解释性，辅助放射科医生高效检测肺部疾病	胸部X光影像中的肺部疾病检测	计算机视觉	肺部疾病	胸部X光影像预处理（CLAHE）、混合精度计算、热身余弦学习率调度	视觉Transformer（ViT）	图像	公共数据集（肺结核胸部X光数据集和肺结节胸部X光数据集）	PyTorch	改进型ViT（含类别注意力池化、令牌稀疏性、卷积干）	训练准确率、验证准确率、F1分数、AUC	NA
63	2026-06-29	Research on improved models for facial expression recognition in mice with abnormal glucose metabolism 2026-Feb-10, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-38863-3 PMID:41667608	研究论文	提出了一种改进的小鼠面部表情识别模型LFPP-YOLO，用于非侵入性检测异常糖代谢状态	首次将深度学习模型应用于小鼠异常糖代谢面部表情识别，提出轻量级LFPP-YOLO模型，结合部分自注意力模块和L-FFCA结构，实现高效特征提取和背景抑制	未提及模型在其他物种或人类中的泛化能力，也未探讨模型的长期稳定性和实际应用场景	开发非侵入性检测小鼠异常糖代谢的方法，为个性化干预提供技术支持	C57BL/6J小鼠，高脂饮食和链脲佐菌素诱导的异常糖代谢模型	计算机视觉	糖代谢异常	深度学习	YOLO（LFPP-YOLO）	图像（小鼠面部表情）	未明确说明具体样本数量，但构建了包含五种糖代谢状态的面部表情数据集	NA	LFPP-YOLO（基于YOLO改进，包含部分自注意力模块和L-FFCA结构）	平均面部检测准确率	NA
64	2026-06-29	Radiomic features and carotid stenosis in periodontitis a two stage bootstrap and multimodal machine learning study 2026-Feb-10, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-38463-1 PMID:41667673	研究论文	基于CBCT影像组学特征开发机器学习模型，早期检测牙周炎患者伴随的颈动脉粥样硬化	首次将CBCT影像组学特征与多阶段Bootstrap特征选择方法结合，用于牙周炎患者颈动脉粥样硬化的早期检测，并应用SMOTE过采样处理类别不平衡	样本量相对较小（279例观察），特异性较低（0.710），可能存在选择偏倚	开发并验证基于CBCT影像组学特征的深度学习模型，实现牙周炎患者潜在颈动脉粥样硬化的早期检测	牙周炎患者（伴随或不伴随颈动脉粥样硬化）	数字病理学	牙周炎、颈动脉粥样硬化	CBCT（锥形束CT）	随机森林、逻辑回归、支持向量机	影像组学特征	279例观察（SMOTE后增至390例）	Scikit-learn	随机森林、逻辑回归、支持向量机	AUC, 灵敏度, 特异度, 准确率	NA
65	2026-06-29	Noninvasive preoperative risk stratification of prostate cancer via a foundational model based deep learning with PSMA PET/CT 2026-Feb-09, BMC cancer IF:3.4Q2 DOI:10.1186/s12885-026-15715-x PMID:41663975	研究论文	开发并内部验证了一种基于基础模型的PSMA PET/CT深度学习框架，用于前列腺癌的术前无创风险分层	利用冻结的BiomedCLIP基础模型与3D PET/CT特征融合，实现无需活检输入的无创风险分层	单中心回顾性研究，需要多中心外部验证和端到端自动化以提高泛化性和部署能力	在前列腺癌ISUP分级组1-2与3-5的边界进行无创术前风险分层	494名男性患者，在根治性前列腺切除术前一个月内接受[18F]PSMA-1007 PET/CT扫描	计算机视觉, 数字病理	前列腺癌	PSMA PET/CT	深度学习	图像	494名男性患者的PSMA PET/CT图像	PyTorch	BiomedCLIP, ResNet, 3D卷积神经网络	AUC, 精确率, 召回率, F1值, 精确率-召回率曲线下面积, 决策曲线分析	单GPU（未具体说明型号）
66	2026-06-29	Ultrasound-based attention-guided deep learning combined with radiomics to predict axillary lymph node metastasis in breast cancer 2026-Feb-09, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-026-02208-3 PMID:41664021	研究论文	开发一种多尺度特征融合模型（CBAM_DenseNet201_RC），整合超声图像注意力引导深度学习、放射组学和临床特征，用于预测乳腺癌患者腋窝淋巴结转移	将注意力机制（CBAM）与DenseNet201深度学习模型相结合，并融合放射组学和临床特征构建多尺度特征融合模型，实现非侵入性精准预测	研究为单中心回顾性设计，样本量有限（323例），未涉及外部验证集	术前准确预测乳腺癌患者腋窝淋巴结转移状态	乳腺癌患者的超声图像、放射组学特征及临床特征	数字病理学	乳腺癌	超声成像	深度学习模型（DenseNet201集成CBAM注意力机制）与逻辑回归分类器	超声图像	323例乳腺癌患者（训练组226例，测试组97例）	NA	DenseNet201, CBAM	AUC, 95%置信区间	NA
67	2026-06-29	Geospatial and machine learning analyses of cardiovascular disease mortality across the continental United States: Identifying associated variables using Shapley values 2026-Feb-09, BMC public health IF:3.5Q1 DOI:10.1186/s12889-026-26571-6 PMID:41656207	研究论文	结合空间统计与机器学习方法分析美国大陆心血管疾病死亡率的县级关联因素	首次在全国尺度上同时运用空间模式检测、五种机器学习算法及深度学习方法比较，并使用SHAP值解释模型以识别心血管疾病死亡率的县级关联因素	未明确提及数据局限或模型泛化性限制	识别与美国大陆县级心血管疾病死亡率相关的人口、临床、社会经济、环境、医疗和行为变量	美国大陆县级区域	机器学习	心血管疾病	NA	线性回归、决策树、随机森林、支持向量机、极端梯度提升、人工神经网络	县级死亡率数据（2018-2021年）及40个关联变量	美国大陆所有县级区域	NA	人工神经网络、XGBoost、随机森林、支持向量机、线性回归、决策树	R²	NA
68	2026-06-29	PCSA-Net: pyramid channel and spatial attention network for multiclass renal disease diagnosis using CT images 2026-Feb-09, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-12335-6 PMID:41663444	研究论文	提出一种基于金字塔通道和空间注意力网络的CT图像多类肾脏疾病诊断方法	创新性地提出金字塔通道和空间注意力机制，通过金字塔多尺度卷积重构特征表示，同时提取空间和通道注意力权重，实现多尺度上下文信息的精确整合，并设计为即插即用模块可无缝集成到多种CNN骨干网络	当前研究仅聚焦于三种肾脏疾病，未来需扩展至更广泛的肾脏病理类型	开发自动化肾脏疾病诊断的AI驱动系统，提升CT图像中肾结石、肿瘤和囊肿三类主要肾病的诊断准确性	CT图像中的肾脏疾病（肾结石、肿瘤和囊肿）	计算机视觉	肾脏疾病	CT成像	卷积神经网络	图像	NA	NA	ResNet, VGG, DenseNet, EfficientNet	准确率	NA
69	2026-06-29	AI-assisted radiographic analysis in detecting alveolar bone-loss severity and patterns 2026-Feb-09, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-38061-1 PMID:41663705	研究论文	提出一种基于深度学习的AI框架，利用口腔根尖片自动检测和量化牙槽骨丧失的严重程度与模式	结合YOLOv8用于牙齿检测与Keypoint R-CNN识别解剖标志，实现骨丧失严重度的精确计算；使用YOLOv8x-seg模型分割骨水平和牙齿掩膜，通过几何分析确定骨丧失模式（水平或纵向）	NA	开发自动检测和量化牙槽骨丧失严重度与模式的AI系统，减少主观手动评估依赖性，改善牙周炎诊断和治疗规划	牙槽骨丧失的严重度和模式	计算机视觉	牙周炎	口腔根尖片放射线成像	YOLOv8、Keypoint R-CNN	图像	1000张口腔根尖片	PyTorch	YOLOv8、Keypoint R-CNN	组内相关系数、准确率	NA
70	2026-06-29	A data privacy protection method for infectious disease prediction models with balanced training speed and accuracy 2026-Feb-05, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-38906-9 PMID:41644632	研究论文	提出一种平衡训练速度与准确率的传染病预测模型数据隐私保护方法	提出随机传输混合同态加密算法，结合CKKS和Paillier机制，通过随机传输序列优化，计算和通信效率提升25%；开发DS-DSSGD算法，过滤低贡献梯度更新以平衡训练速度与预测精度	仅在特定数据集上验证，未考虑真实世界网络延迟与多方协作场景的复杂约束	解决医学数据隐私保护中数据孤岛与预测精度下降的问题，实现安全高效的传染病预测建模	传染病预测模型中的隐私保护机制与模型训练优化算法	机器学习	传染病	NA	NA	医疗数据	NA	NA	NA	计算效率、通信效率、预测精度	NA
71	2026-06-29	An efficient deep CNN based BiLSTM framework with RanA optimization for accurate cardiac arrhythmia detection 2026-Feb-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-38227-x PMID:41634127	研究论文	提出基于深度CNN与BiLSTM结合RanA优化的心律失常检测框架，实现高精度分类	结合CapsNet特征提取、多种深度CNN特征选择、BiLSTM时序分类及RanA超参数优化，实现AF与CHF心律失常的高效检测	未提及模型在其他心律失常类型或更大数据集上的验证，未讨论实际部署中的硬件需求	开发一种准确、高效的心律失常自动检测方法，区分房颤和充血性心力衰竭与正常窦性心律	PhysioNet数据库中的AF、CHF和NSR相关ECG信号	机器学习	心血管疾病	ECG信号分析	CNN、BiLSTM	ECG信号	AF vs NSR和CHF vs NSR的ECG信号样本	NA	CapsNet、EfficientNet B3、ResNet152、DenseNet201、VGG19、BiLSTM	准确率	NA
72	2026-06-29	Enhanced YOLO12 with spatial pyramid pooling for real-time cotton insect detection 2026-Feb-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-35747-4 PMID:41634089	研究论文	提出增强型YOLO12架构，集成空间金字塔池化模块，用于棉花害虫实时检测	在YOLO12框架基础上整合优化后的空间金字塔池化和注意力特征提取模块，在保持计算效率的同时显著提升检测精度，并通过多个基线模型和自定义架构的对比验证了其优越性	未在田间真实复杂场景下进行充分验证，也未讨论光照、遮挡等环境因素对模型性能的影响	开发一种高效、实时的深度学习模型以替代传统棉花害虫监测方法，实现精准农业中的害虫精准检测	棉花田间的多种昆虫，通过图像样本进行检测和识别	计算机视觉	NA	数字图像处理	卷积神经网络（CNN）	图像	NA	PyTorch	YOLO12, YOLO11, YOLO12_Fusion, YOLO11-BRA-Net, YOLO11_CBAM, Enhanced Hybrid YOLO12	准确率, 召回率, mAP50, mAP50-95	NA
73	2026-06-29	Explainable AI for critical care: a systematic review of interpretable models for sepsis and ICU mortality prediction 2026-Feb-03, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-026-03344-0 PMID:41634648	综述	系统回顾了2020至2025年间用于脓毒症和ICU死亡率预测的可解释人工智能方法	全面总结了SHAP、LIME、Grad-CAM及敏感性分析在脓毒症预测中的应用，并强调了可解释性增强模型在保持高准确性的同时提升临床信任度	缺乏前瞻性评估、可解释性指标不一致及临床工作流程整合困难	评估可解释人工智能在重症监护中用于脓毒症和ICU死亡率预测的方法与效果	2020至2025年间应用可解释性方法的脓毒症和ICU死亡率预测研究	自然语言处理, 机器学习	脓毒症, 重症监护疾病	NA	机器学习, 深度学习	临床数据	NA	NA	NA	准确率	NA
74	2026-06-23	Technological innovations in head and neck radiotherapy: What does the future hold? 2026-Feb, Cancer radiotherapie : journal de la Societe francaise de radiotherapie oncologique IF:1.5Q3 DOI:10.1016/j.canrad.2026.104807 PMID:42001737	综述	本文叙述性回顾了头颈部放射治疗在技术方面的创新，包括自动分割、影像引导、磁共振引导直线加速器、个性化放疗、质子束治疗、Flash放疗和远程监测	全面概述了多种前沿放疗技术的现状与未来方向，特别是Flash放疗和基于深度学习自动分割等新兴方法	部分技术仍处于实验阶段或需要随机试验验证，如Flash放疗和基于解剖变化适应计划的益处尚未确认；质子治疗在法国可及性有限	讨论头颈部肿瘤放射治疗中最有前景的技术创新及其未来发展方向	头颈部肿瘤患者及放疗技术本身（如自动分割、影像引导、质子治疗等）	自然语言处理	头颈部肿瘤	深度学习、MRI引导直线加速器、功能PET成像、Flash放疗、远程监测	深度学习	影像	NA	NA	NA	毒性、生活质量、肿瘤控制、剂量分布	NA
75	2026-06-19	Perception of AI Symptom Models in Oncology Nursing: Mixed Methods Evaluation Study 2026-02-04, JMIR nursing DOI:10.2196/82283 PMID:41637487	研究论文	探索肿瘤科护士对预测性症状模型中人工智能组件的感知及其采纳影响因素	基于罗杰斯创新扩散理论，结合混合方法评估护士对AI症状模型的感知，并识别影响采纳的关键因素	样本量较小（15名护士），可能限制结果的普遍适用性	评估肿瘤科护士对AI预测性症状模型的感知以及影响该创新护理技术采纳的因素	肿瘤科护士	机器学习	肿瘤	不适用	深度学习	定性（访谈）和定量（李克特量表）数据	15名具有1年以上经验的肿瘤科护士	不适用	不适用	不适用	不适用
76	2026-06-19	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	探讨空间组学与人工智能在癌症研究中的整合应用	综述了空间转录组学和空间蛋白质组学与人工智能驱动计算模型在肿瘤学中的最新进展，突出其在生物标志物发现和个性化治疗策略中的潜力	面临高维数据复杂性、计算限制和分析流程标准化等挑战	探索空间组学与人工智能在癌症研究中的整合应用，以推进精准肿瘤学	空间组学数据（空间转录组学、空间蛋白质组学）、人工智能模型、肿瘤微环境	自然语言处理, 机器学习	癌症	空间组学, 空间转录组学, 空间蛋白质组学	深度学习, 空间图分析	空间组学数据	NA	NA	空间图网络, 拓扑数据分析	NA	NA
77	2026-06-19	TriNet-MTL: A Multi-Branch Deep Learning Framework for Biometric Identification and Cognitive State Inference from Auditory-Evoked EEG 2026-02, eNeuro IF:2.7Q3 DOI:10.1523/ENEURO.0265-25.2025 PMID:41633842	研究论文	提出一个多分支深度学习框架TriNet-MTL，用于从听觉诱发脑电图联合进行生物识别和认知状态推断	首次提出能同时执行生物识别、刺激语言分类和传输模式识别的三重任务多任务深度学习框架	未提及	开发统一的深度学习模型，同时执行生物识别、听觉刺激语言分类和设备模态识别，充分利用听觉诱发脑电图的生理和认知维度	听觉诱发脑电图	机器学习	NA	NA	Transformer	脑电图	20名人类参与者（16名男性，4名女性）	PyTorch	TriNet-MTL（Triple-Task Neural Transformer for Multitask Learning）	准确率	NA
78	2026-06-19	Cell Analyser in Batch for Neurite (CABaNe), an Automated, High-Throughput ImageJ Macro for Cell and Neurite Analysis 2026-02, eNeuro IF:2.7Q3 DOI:10.1523/ENEURO.0193-25.2025 PMID:41617476	研究论文	介绍CABaNe，一种用于细胞和神经突分析的高通量、自动化ImageJ宏	CABaNe作为开源、高通量、基于规则的ImageJ宏，具有图形界面、元数据生成及分析前后验证功能，并在神经突分析领域实现了更优的精度和适应性	仅测试了小鼠神经母细胞瘤细胞系N2A，且基于规则的细胞识别可能在更复杂场景下表现有限	开发一种用于神经突长度分析的高通量自动化工具，以支持神经生物学研究	小鼠神经母细胞瘤细胞系N2A的细胞及其神经突	数字病理学	神经系统疾病	NA	基于规则的方法	图像	小样本数据集和大样本数据集（具体数量未说明）	ImageJ	NA	精度	NA
79	2026-06-18	Advances in Predicting Postoperative Atrial Fibrillation: A Narrative Review of the Current Literature 2026-Feb-19, Cardiology in review IF:2.0Q3 DOI:10.1097/CRD.0000000000001212 PMID:41711481	综述	本文综述了目前用于预测心脏手术后房颤的技术方法，包括影像学特征和机器学习模型	系统总结了超声心动图、CT放射组学和MRI等影像学特征以及支持向量机、深度学习等多种机器学习模型在POAF预测中的应用	缺乏一致表现优异的预测模型，且现有预测能力尚不明确，需要大规模临床试验进一步验证	综述当前预测术后房颤的技术文献，评估不同预测方法的潜力	心脏手术后出现术后房颤的患者	机器学习	心血管疾病	NA	支持向量机、深度学习、梯度提升机、逻辑回归、随机森林	影像数据	NA	NA	NA	AUC	NA
80	2026-06-18	The BIOPREVENT machine-learning algorithm predicts chronic graft-versus-host disease and mortality risk using posttransplant biomarkers 2026-02-16, The Journal of clinical investigation IF:13.3Q1 DOI:10.1172/JCI195228 PMID:41697751	研究论文	开发了一种名为BIOPREVENT的机器学习算法，利用移植后生物标志物预测慢性移植物抗宿主病和非复发死亡风险	首次将多种机器学习模型（如BART和CoxXGBoost）与血浆蛋白生物标志物结合，用于预测cGVHD和NRM，并优于仅使用临床变量的模型	深度学习模型未优于传统机器学习方法，需进一步研究其在指导预防性治疗中的作用	评估机器学习模型结合生物标志物是否提高预测cGVHD和非复发死亡风险的准确性	接受造血细胞移植的患者	机器学习	慢性移植物抗宿主病	血浆蛋白生物标志物检测	BART, CoxXGBoost, Group SCAD, Adaptive Group Lasso, 随机生存森林	血浆蛋白数据和临床变量	1310名造血细胞移植受者	R Shiny	BART, CoxXGBoost, Group SCAD, Adaptive Group Lasso, 随机生存森林	时变AUC	未提及