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
441	2026-06-04	Deep learning-based generation of synthetic multiphasic MRI in hepatocellular carcinoma and cirrhosis 2026-Mar-04, JHEP reports : innovation in hepatology IF:9.5Q1 DOI:10.1016/j.jhepr.2026.101813 PMID:41887530	研究论文	本研究评估了基于深度学习从平扫序列生成肝细胞癌和肝硬化患者合成3D对比增强多期磁共振成像的可行性	首次提出利用深度学习从平扫序列合成高质量的3D对比增强多期肝脏MRI，并在视觉图灵测试等关键定性指标上与真实图像无显著差异	基于单中心中等规模数据集的概念验证，需更大规模的多中心研究和外部验证	评估深度学习生成模拟真实对比增强MRI的合成图像在肝细胞癌和肝硬化中的可行性	肝细胞癌和肝硬化患者的肝脏MRI数据	数字病理学	肝细胞癌，肝硬化	MRI	生成对抗网络	图像	来自185名HCC患者和182名肝硬化患者的533次MRI检查，共3198个MRI相位	NA	3D cycle-consistent GAN	结构相似性指数，重叠率，对称平均绝对百分比误差，准确率，精确率，Fleiss's Kappa	NA
442	2026-06-04	Deep learning outperformed radiomics based on MRI in the differentiation of sinonasal small round cell and non-small round cell malignant tumors 2026-Mar, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2026.112700 PMID:41604786	研究论文	比较深度学习与影像组学基于MRI在区分鼻腔小圆细胞与非小圆细胞恶性肿瘤中的诊断性能	首次系统比较深度学习与影像组学在MRI基础上区分鼻腔小圆细胞与非小圆细胞恶性肿瘤的性能	深度学习模型与影像组学模型在独立测试队列中的AUC差异未达到统计学显著性	比较深度学习与影像组学模型在术前MRI分类中的诊断性能	鼻腔小圆细胞与非小圆细胞恶性肿瘤的MRI图像	计算机视觉	鼻腔肿瘤	MRI	卷积神经网络	图像	325例患者（163例SRCMTs，162例非SRCMTs）	PyTorch	ResNet-18, ResNet-34, ResNet-50, VGG13, VGG16	AUC, 准确率, 灵敏度, 特异度, 阳性预测值, 阴性预测值	NA
443	2026-03-07	Assessing the reversibility of bronchiectasis with deep learning - Authors' reply 2026-Mar, The Lancet. Respiratory medicine DOI:10.1016/S2213-2600(25)00461-8 PMID:41786370	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
444	2026-06-04	Systematic review of artificial intelligence in brachytherapy 2026-Mar, Journal of contemporary brachytherapy IF:1.1Q3 DOI:10.5114/jcb.2026.160595 PMID:42232846	review	系统综述人工智能在近距离放射治疗中的应用，包括深度学习和机器学习方法，并与当前临床标准进行定量和/或定性比较	首次系统综述人工智能在近距离放疗全流程（从重建到剂量计算及结果预测）中的应用，并评估其与临床标准的差异	文献高度回顾性，可能缺乏前瞻性临床验证	系统评估人工智能在近距离放疗中的应用现状与临床适用性	近距离放疗中的人工智能方法（深度学习/机器学习）	机器学习	前列腺癌，妇科癌症，乳腺癌，脉络膜癌，头颈癌	NA	深度学习，机器学习	NA	232项研究	NA	NA	准确度	NA
445	2026-06-03	Optimizing wastewater treatment through combined deep learning and deep reinforcement learning: Recent advances and future prospects 2026-Mar-15, Environmental research IF:7.7Q1 DOI:10.1016/j.envres.2026.123795 PMID:41547426	综述	综述了深度学习和深度强化学习在污水处理优化中的最新进展与未来前景	清晰阐述了深度学习与深度强化学习在污水处理中不同的应用适用性及优势，并强调了标准化开放数据平台、开源模型库与模型透明性整合的必要性	智能系统在污水处理厂实际运营中的应用仍面临挑战，需要可靠和标准化的数据采集	探讨深度学习和深度强化学习在污水处理过程优化中的应用潜力与优势	污水处理厂中的过程优化问题，包括故障检测、水质预测、实时监测、自适应控制与多目标优化	machine learning	NA	NA	深度学习和深度强化学习	时间序列数据	NA	NA	NA	NA	NA
446	2026-06-03	Unlocking 2D/3D+T myocardial mechanics from cine MRI: a mechanically regularized space-time finite element correlation framework 2026-Mar, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2026.103944 PMID:41547064	研究论文	提出一种时空正则化的有限元数字图像/体积相关框架，用于从常规电影MRI实现二维和三维加时间的心肌运动跟踪与应变分析	统一多视图对齐与二维/三维加时间运动估计，结合区域特定生物力学正则化与数据驱动的时域分解，并通过相关性多视图对齐模块增强解剖一致性	未报告计算资源或时间成本，且三维加时间运动估计仅在一个临床数据集上验证	实现准确且生物力学一致的心肌运动量化，推动四维心脏功能评估	心肌运动与应变	计算机视觉	NA	电影MRI	有限元数字图像/体积相关框架	图像	一个合成数据集、三个公开数据集和一个临床数据集	NA	有限元模型	位移均方根误差、应变均方根误差、时间一致性、地标误差、边界跟踪Dice系数	NA
447	2026-06-03	Maternal High-Fat Diet and Neonatal LPS Exposure Prolong USV Sequences and Shift Call-Type Repertoires in Neonatal Rats 2026-03, Developmental psychobiology IF:1.8Q3 DOI:10.1002/dev.70142 PMID:41844290	研究论文	采用深度学习系统DeepSqueak分析母体高脂饮食和新生期LPS暴露对新生大鼠超声发声序列和叫声类型的影响	首次利用深度学习自动化系统DeepSqueak对新生大鼠超声发声的声谱图和语法特征进行详细分析，揭示母体高脂饮食和新生期LPS暴露对发声序列时长和语法转换概率的显著影响	样本量相对较小（总N=41），且仅关注新生期第7天的发声记录，缺乏长期追踪数据	探究母体高脂饮食和新生期脂多糖暴露对新生大鼠超声发声的时间结构和语法特征的影响	长埃文斯大鼠的后代（共41只，每条件5-6只）	机器学习	NA	深度学习系统DeepSqueak	CNN	超声音频数据	41只新生大鼠（每条件5-6只）	DeepSqueak	NA	一致性比率	NA
448	2026-06-02	MFDR-DTI: Multisource Feature Decoupling and Dual-Level Reorganization Fusion for Accurate Drug-Target Interaction Prediction 2026-Mar-31, ACS omega IF:3.7Q2 DOI:10.1021/acsomega.5c13460 PMID:41939349	研究论文	提出MFDR-DTI框架，通过多源特征解耦表示和双级动态重组融合机制预测药物-靶标相互作用	创新性地将特征解耦为拓扑结构、物理化学性质和上下文语义三个正交空间，并通过同质特征集成和共享权重跨性质注意力网络实现双级动态重组融合，同时设计基于梯度统计的自适应协同优化策略以平衡训练中不同特征分支的贡献	未明确说明局限性（摘要中仅提及模型优势，未讨论潜在限制）	提高药物-靶标相互作用预测的准确性和泛化能力	药物与靶标之间的相互作用	机器学习	NA	NA	深度神经网络	生物化学特征数据（来自异构数据源）	多个广泛使用的数据集	NA	NA	准确率、精确率、召回率、F1分数、AUC	NA
449	2026-06-02	Comparative Evaluation of Deep Learning Graph Neural Networks and Classical Machine Learning Models for Predicting Heats of Combustion as a Key Hazard Indicator under GHS/CLP Standards 2026-Mar-31, ACS omega IF:3.7Q2 DOI:10.1021/acsomega.5c10417 PMID:41939413	研究论文	系统评估了四种机器学习模型（XGBoost、多层感知器、图卷积网络和神经网络卷积）在预测燃烧热方面的性能，并分析其在GHS/CLP标准下危害分类中的应用	首次在4516种化合物数据集上系统比较描述符基和图基模型对燃烧热的预测性能，并评估其在实际危险分类标准（GHS/CLP）中的分类准确性	未明确提及模型的可迁移性及对数据分布变化的鲁棒性	评估不同机器学习模型预测燃烧热的能力，并探讨其在化学品安全评估中的监管应用价值	4516种化合物	机器学习	NA	NA	XGBoost, 多层感知器, 图卷积网络, 神经网络卷积	分子结构数据	4516种化合物	NA	XGBoost, MLP, GCN, NNConv	决定系数, 测试误差, 训练时间	NA
450	2026-06-02	Deep learning-driven protein binder design for crop improvement 2026-Mar, aBIOTECH IF:4.6Q1 DOI:10.1016/j.abiote.2025.100018 PMID:41940160	综述	探讨深度学习驱动的蛋白质结合体设计在作物改良中的应用潜力，并概述从目标选择到实验验证的完整流程	首次系统总结深度学习工具（如BindCraft、AlphaFold、RoseTTAFold等）在植物蛋白质结合体设计中的端到端流程，并将设计选择与农业实际测试联系起来	亲和力预测存在不确定性，许多植物蛋白的结构信息有限，从早期成功案例到稳健农业应用仍需大量工作	探索深度学习驱动的蛋白质结合体设计在作物改良中的潜力，提供从目标选择到实验测试的实践指南	植物蛋白质结合体及其与靶标的相互作用，涉及抗病性、逆境耐受性和发育相关的关键通路	机器学习	NA	深度学习（蛋白结合体设计）	ProteinMPNN、RFdiffusion	蛋白质结构数据	NA	NA	AlphaFold、RoseTTAFold、BindCraft	界面质量和稳定性指标	NA
451	2026-06-01	Segmentation and diagnosis of anterior cruciate ligament tear using deep learning and radiomics based on knee CT 2026-03-24, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-026-02297-0 PMID:41877097	研究论文	基于膝关节CT使用深度学习和影像组学建立前交叉韧带撕裂的分割与诊断模型	首次基于膝关节CT而非MRI，结合深度学习和影像组学构建ACL分割与撕裂诊断模型	未提及外部验证的多样性及模型泛化性限制	建立ACL撕裂的CT分割与诊断AI系统，提高诊断准确性与便利性	前交叉韧带撕裂及其分割与诊断	计算机视觉	前交叉韧带撕裂	CT扫描	3D nnU-Net、支持向量机、随机森林、随机梯度下降	影像	469名患者用于分割模型，其中328名用于诊断模型	NA	3D nnU-Net、SVM、RF、SGD	Dice相似系数、AUC	NA
452	2026-06-01	Ensemble Learning Model: A Novel Technique to Detect Malignancy in Effusion Cytology 2026-03, Cytopathology : official journal of the British Society for Clinical Cytology IF:1.2Q3 DOI:10.1111/cyt.70036 PMID:41205194	研究论文	本研究应用结合六种迁移学习架构的集成学习模型来检测积液细胞学中的恶性病变	这是首个在积液细胞学中应用六模型集成深度学习方法的创新研究	NA	开发用于积液细胞学恶性检测的集成学习模型	积液细胞学涂片的显微图像	数字病理学	积液细胞恶性病变	巴氏染色涂片显微摄影	集成学习模型（包含DenseNet121、Xception、ResNet50、MobileNetV2、InceptionV3和VGG16）	图像	110例积液细胞学病例（59例良性，51例恶性），共755张代表性显微照片	Jupyter Notebook	DenseNet121, Xception, ResNet50, MobileNetV2, InceptionV3, VGG16	灵敏度, 特异度, 准确率, 精确率, 阴性预测值, F1分数, AUROC	NA
453	2026-05-31	Interactive deep learning for myocardial scar segmentation using cardiovascular magnetic resonance 2026-Mar-20, Journal of cardiovascular magnetic resonance : official journal of the Society for Cardiovascular Magnetic Resonance IF:4.2Q1 DOI:10.1016/j.jocmr.2026.102720 PMID:41864346	研究论文	开发一种交互式深度学习系统，用于心血管磁共振图像中的心肌疤痕分割与量化	结合提示引导分割与视觉基础模型，并集成到临床交互界面，实现实时交互和自动量化	未提及具体局限性	开发一种交互式深度学习系统，用于心肌疤痕分割和量化，以提高准确性和可重复性	慢性心肌梗死患者的心血管磁共振图像中的心肌疤痕	计算机视觉	心血管疾病	晚期钆增强（LGE）心血管磁共振成像	深度学习模型	医学图像	348名慢性心肌梗死患者的LGE-CMR图像（244训练，51验证，53测试）	NA	提示引导分割模型，视觉基础模型	Dice相似系数，豪斯多夫距离，疤痕质量误差，一致性相关系数	NA
454	2026-05-30	Prognostic value of end-to-end deep learning assessment of myocardial scar and microvascular obstruction on late gadolinium enhancement cardiovascular magnetic resonance 2026-Mar-12, Journal of cardiovascular magnetic resonance : official journal of the Society for Cardiovascular Magnetic Resonance IF:4.2Q1 DOI:10.1016/j.jocmr.2026.102712 PMID:41831720	研究论文	开发和验证一种用于心肌瘢痕和微血管梗阻自动分割的端到端深度学习管道LGE-CMRnet，并评估其在急性心肌梗死患者中的预后价值	提出LGE-CMRnet，整合YOLOv8和nnU-Net进行全自动心肌瘢痕和微血管梗阻分割，并在预后价值上达到与专家分析相当的水平	样本量有限（567名患者），且为单中心研究，可能需要更多外部验证	评估LGE-CMRnet在急性心肌梗死患者中自动分割心肌瘢痕和微血管梗阻的预后价值	急性心肌梗死患者	数字病理学	心血管疾病	心脏磁共振（LGE CMR）	YOLOv8和nnU-Net	图像	567名AMI患者（409名用于训练/内部压力测试；158名用于外部测试），共3874张LGE图像	PyTorch	YOLOv8, nnU-Net	Dice相似系数（DSC）、相关系数、Bland-Altman分析、Cox回归、C指数	未明确提及但对推理而言快速处理（每张图像0.05秒）
455	2026-05-30	Deep Learning for Standardized Head CT Reformatting: A Quantitative Analysis of Image Quality and Operator Variability 2026-03, Journal of the American College of Radiology : JACR IF:4.0Q1 DOI:10.1016/j.jacr.2025.09.016 PMID:40998241	研究论文	验证深度学习基础模型在自动头部CT重建中的表现，并量化手动重建的质量和变异	首次使用单一深度学习基础模型实现自动头部CT重建，并利用该模型作为参考标准在大规模真实世界数据集中评估手动重建的质量和速度	未提及具体限制	验证深度学习模型自动头部CT重建的图像质量和操作者变异	1,763例连续非增强头部CT检查中的自动和手动重建结果	机器学学习	无特定疾病	非增强头部CT	深度学习基础模型	图像	1,763例非增强头部CT检查，其中100例用于模型验证	NA	NA	地标定位误差、旋转误差、中心误差、缩放误差	NA
456	2026-05-30	Validating Radiology Artificial Intelligence Model Performance on Photon-Counting CT Images Using Large Language Models for Ground Truth Extraction 2026-03, Journal of the American College of Radiology : JACR IF:4.0Q1 DOI:10.1016/j.jacr.2025.11.024 PMID:41265766	研究论文	评估利用大语言模型从放射学报告中自动提取真实标签，用于验证AI模型在光子计数CT图像上的性能	首次将大语言模型应用于自动提取放射学报告中的真实标签，实现对新型成像硬件上AI工具的可扩展性能评估与监控	大语言模型标签与人工标注间存在一定差异，需部分人工校正；仅评估了四种诊断任务的AI工具	验证使用大语言模型自动化真实标签提取的可行性，并评估AI模型在新安装光子计数CT扫描仪上的表现	四种FDA批准的基于深度学习的计算机辅助检测与分诊工具（针对肺栓塞、颅内出血、颈椎骨折和椎体压缩性骨折）	自然语言处理、计算机视觉	肺栓塞、颅内出血、颈椎骨折、椎体压缩性骨折	光子计数CT成像	大语言模型 (Llama 3.3) 和深度学习计算机辅助检测模型	文本（放射学报告）	来自PCCT和传统CT扫描仪的多例放射学报告，具体数量未说明	PyTorch	Llama 3.3	Fleiss κ系数	NA
457	2026-05-27	Tabular LLMs for Interpretable Few-Shot Alzheimer's Disease Prexdiction with Multimodal Biomedical Data 2026-Mar-17, ArXiv PMID:41907581	研究论文	提出TAP-GPT框架，一种基于TableGPT2的表格化大型语言模型，用于多模态生物标志物的少样本阿尔茨海默病分类，生成可解释的结构化推理	首次系统性地将表格专用大型语言模型应用于多模态生物标志物驱动的阿尔茨海默病预测，采用表格提示而非纯文本进行少样本分类，并展示结构化、模态感知的推理能力且稳定性更高	NA	开发一种可解释的少样本预测方法，利用表格化大型语言模型处理多模态生物医学数据实现阿尔茨海默病的准确诊断	阿尔茨海默病患者的多模态生物标志物数据	机器学习	阿尔茨海默病	NA	大型语言模型	表格数据	四个ADNI衍生数据集	TableGPT2	TableGPT2	准确率	NA
458	2026-05-27	Two-step deep-learning candidemia prediction model using two large time-sequence electronic health datasets 2026-Mar-04, medRxiv : the preprint server for health sciences DOI:10.64898/2026.03.03.26347531 PMID:41867227	研究论文	利用两个大型时间序列电子健康数据集开发两步深度学习模型预测念珠菌血症风险	提出结合念珠菌血症和30天死亡风险的两步预测框架，能识别出单步模型遗漏的高风险患者，并显著提高预测覆盖率和临床适用性	研究为回顾性，需前瞻性研究验证结果	开发并验证两步深度学习模型以优化念珠菌血症的早期预测和抗真菌治疗决策	两个大型电子健康记录数据集中的成年住院患者	机器学习	念珠菌血症	深度学习模型开发基于电子健康记录数据	深度学习模型	电子健康记录数据（时间序列数据）	Houston Methodist Hospital System (HMHS) 的 213,404 名患者和 MIMIC-IV 的 107,507 名患者	PyTorch	NA	AUPRC（精确率-召回率曲线下面积）	NA
459	2026-05-26	Enhanced corn leaf disease detection using sharpness-aware minimization optimized CNNs 2026-Mar-31, Plant methods IF:4.7Q1 DOI:10.1186/s13007-026-01514-9 PMID:41917950	研究论文	提出使用锐度感知最小化（SAM）优化卷积神经网络，用于增强玉米叶片疾病检测	首次将锐度感知最小化优化方法应用于玉米叶片疾病检测CNN，通过同时最小化训练损失和损失景观锐度，使模型收敛到更平坦的最小值，显著提高泛化能力	未提及在不同作物或更复杂疾病类别上的泛化能力验证，且仅基于单一数据集进行评价	解决现有深度学习解决方案因尖锐损失景观导致的泛化能力差问题，推动精准农业中疾病管理的自动化	玉米叶片图像（四类：健康及三种疾病类别）	计算机视觉	玉米叶片疾病	图像分类	CNN	图像	60,000张玉米叶片图像样本（增强后四类各15,000张平衡样本）	NA	CNN	准确率，精确率，F1分数，均方误差，分类错误率	树莓派4
460	2026-05-26	A unified deep learning framework for cross-platform harmonization of multi-tracer PET quantification in neurodegenerative disease 2026-Mar-30, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-026-02570-0 PMID:41912831	研究论文	提出一个统一的深度学习框架，用于跨平台和多示踪剂的PET定量分析在神经退行性疾病中的标准化	首次开发统一的、解剖引导的深度学习框架，能够在多种示踪剂和扫描仪制造商之间将PET-MRI定量标准化为PET-CT标准，零样本泛化到未见示踪剂	将淀粉样蛋白Centiloid差异从23.6降至4.1，虽接近但略高于PET-CT重测变异，表明仍有改进空间	解决PET-MRI和PET-CT之间的系统偏差，实现跨平台诊断阈值和纵向监测的一致性	神经退行性疾病患者的PET扫描数据	机器学习	神经退行性疾病	PET	视觉Transformer自编码器	图像	70例同日配对扫描（F-FDG、F-florbetaben、F-florzolotau）；420例多中心验证（3个站点，4个供应商）	PyTorch	视觉Transformer自编码器，注意力引导残差校正	偏差降低（>80%），淀粉样蛋白Centiloid差异，tau SUVR阈值	NA