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
1361	2026-02-18	Multimodal-based crystal graph convolution neural networks for predicting soil toxicity to earthworms 2026-Mar-01, Environmental research IF:7.7Q1 DOI:10.1016/j.envres.2026.123770 PMID:41577106	研究论文	本研究开发了一种基于多模态深度学习的模型，用于预测土壤中化学物质对蚯蚓的毒性，通过整合分子级特征、暴露条件及生物与化学物质的内在特性来提高预测准确性	提出了一种结合晶体图卷积神经网络与宏观暴露条件等多尺度特征的多模态深度学习框架，用于土壤毒性预测，并提供了可解释性分析	数据集规模有限，仅基于文献数据，可能影响模型的泛化能力	开发一个集成多尺度特征的模型以预测土壤化学毒性，特别是对蚯蚓的致死浓度	14种化学物质对蚯蚓的毒性数据	机器学习	NA	晶体图卷积神经网络	CNN	分子结构数据、暴露条件数据、土壤和生物相关数据	14种化学物质	NA	晶体图卷积神经网络	决定系数、交叉验证平均值	NA
1362	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
1363	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
1364	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
1365	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
1366	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
1367	2026-02-15	A deep learning mobile application for tomato leaf nutrition deficiency identification with YOLOv8 and enhanced augmentation 2026-Mar, Plant science : an international journal of experimental plant biology IF:4.2Q1 DOI:10.1016/j.plantsci.2026.112973 PMID:41506476	研究论文	本研究提出了一种基于YOLOv8和增强数据增广的深度学习移动应用，用于番茄叶片营养缺乏的识别	结合了最新的YOLOv8目标检测模型与分层数据增广方案，并开发了Android移动应用以实现实时检测	未明确说明模型在复杂田间环境或不同光照条件下的泛化能力，也未提及与其他先进模型的全面对比	实现番茄叶片营养缺乏的早期、准确检测，以支持精准农业中的及时干预	番茄叶片	计算机视觉	NA	深度学习目标检测	YOLOv8	图像	NA	NA	YOLOv8	mAP@0.50, mAP@0.50-0.95, 准确率, 精确率, 召回率, F1分数	NA
1368	2026-02-15	AlphaMissense pathogenicity scores predict response to immunotherapy and enhances the predictive capability of tumor mutation burden 2026-Mar, Translational oncology IF:4.5Q1 DOI:10.1016/j.tranon.2026.102697 PMID:41637811	研究论文	本研究提出了一种名为AlphaTMB的复合生物标志物，结合了肿瘤突变负荷（TMB）和AlphaMissense深度学习模型预测的错义变异致病性评分，以改善癌症患者对免疫检查点抑制剂（ICI）治疗的生存预测	首次将TMB与基于深度学习的错义变异致病性评分（AlphaMissense）相结合，创建了AlphaTMB复合生物标志物，显著提升了免疫治疗反应的预测能力，并能够重新分类TMB边界病例	研究基于回顾性队列（MSK-IMPACT研究），需要在前瞻性研究中进一步验证；样本量相对有限（1,662例患者）	开发一种改进的生物标志物，以更准确地预测癌症患者对免疫检查点抑制剂（ICI）治疗的反应和生存结局	接受免疫检查点抑制剂（ICI）治疗的泛癌患者队列	机器学习	癌症	深度学习模型预测错义变异致病性	深度学习模型	基因组测序数据（错义变异）	1,662例来自MSK-IMPACT研究的患者	NA	AlphaMissense	风险比（HR）, p值, Spearman相关系数（ρ）	NA
1369	2026-02-15	BiGraph-DTA: Predicting drug-target interactions of hepatoprotective agents with graph convolutional networks 2026-Mar, Quantitative biology (Beijing, China) DOI:10.1002/qub2.70022 PMID:41676328	研究论文	本研究提出了一种名为BiGraph-DTA的新预测模型，用于预测肝保护剂与靶标之间的亲和力，结合了图卷积网络和双向长短期记忆网络	通过结合图卷积网络和双向长短期记忆网络，同时处理分子结构的图表示和蛋白质序列的序列信息，以捕获复杂的依赖关系和相互作用	未明确提及模型的局限性	预测肝保护剂与靶标之间的亲和力，以加速肝保护疗法的药物发现过程	肝保护剂化合物及其对应的蛋白质靶标	机器学习	肝病	NA	图卷积网络, 双向长短期记忆网络	分子结构图, 蛋白质序列	21,421个相互作用	NA	BiGraph-DTA	均方误差, 皮尔逊相关系数, 一致性指数	NA
1370	2026-02-14	DASNet: A Convolutional Neural Network with SE Attention Mechanism for ccRCC Tumor Grading 2026-Mar, Interdisciplinary sciences, computational life sciences DOI:10.1007/s12539-025-00693-8 PMID:40126867	研究论文	本文提出了一种名为DASNet的卷积神经网络，结合SE注意力机制，用于通过CT图像对透明细胞肾细胞癌（ccRCC）进行肿瘤分级	引入了Domain Adaptive Squeeze-and-Excitation Network（DASNet），结合了SE注意力机制和域对抗神经网络（DANNs），以增强模型在ccRCC分级中的识别准确性和泛化能力	未明确说明模型在外部验证集上的性能或临床实际应用中的潜在限制	开发一种非侵入性且高效的分类方法，用于早期检测和分级透明细胞肾细胞癌（ccRCC）	透明细胞肾细胞癌（ccRCC）的CT图像，包括不同分级和肾血管平滑肌脂肪瘤（AML）样本	计算机视觉	肾癌	CT成像	CNN	图像	未明确指定具体样本数量，但使用了增强和平衡的数据集，并包含AML样本	未明确指定，但可能涉及深度学习框架如TensorFlow或PyTorch	EfficientNet, RegNet	准确率	未明确指定
1371	2026-02-14	SPCF-YOLO: An Efficient Feature Optimization Model for Real-Time Lung Nodule Detection 2026-Mar, Interdisciplinary sciences, computational life sciences DOI:10.1007/s12539-025-00720-8 PMID:40455403	研究论文	本文提出了一种名为SPCF-YOLO的实时检测框架，用于CT图像中的肺结节检测，通过层次特征融合与解剖上下文建模提升检测性能	结合了空间到深度卷积模块、共享特征金字塔卷积模块、改进的金字塔挤压注意力模块和改进的上下文Transformer模块，以优化特征融合并增强对小目标的敏感性	未明确提及模型在更广泛数据集或临床环境中的局限性，如数据偏差或计算资源需求	开发一个高效的实时肺结节检测模型，以提高CT图像中肺结节检测的准确性和速度	CT图像中的肺结节	计算机视觉	肺癌	CT成像	YOLO	图像	NA	NA	SPCF-YOLO, SPDConv, SFPConv, PSA, CoTB	平均精度均值, F1分数, 帧率	NA
1372	2025-06-07	A Multi-Task Deep Learning Approach for Simultaneous Sleep Staging and Apnea Detection for Elderly People 2026-Mar, Interdisciplinary sciences, computational life sciences DOI:10.1007/s12539-025-00721-7 PMID:40474036	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1373	2026-02-14	CPE-Pro: A Structure-Sensitive Deep Learning Method for Protein Representation and Origin Evaluation 2026-Mar, Interdisciplinary sciences, computational life sciences DOI:10.1007/s12539-025-00732-4 PMID:40483648	研究论文	本文提出了一种名为CPE-Pro的结构敏感深度学习模型，用于蛋白质结构的表示和来源评估	整合了预训练的蛋白质结构序列语言模型和几何向量感知器-图神经网络，以学习结构感知的蛋白质表示并捕获结构差异，从而实现对四种结构数据来源的准确分类	未明确提及具体局限性，但未来研究方向包括扩展架构至更多蛋白质结构范式及开发低pLDDT预测结构的评估方法	评估蛋白质结构的来源，以评估实验解析和计算预测方法的可靠性，并指导下游生物学研究	蛋白质结构	机器学习	NA	深度学习	SSLM, GVP-GNN	蛋白质结构数据	NA	NA	SSLM, GVP-GNN	NA	NA
1374	2026-02-14	Automated Multi-grade Brain Tumor Classification Using Adaptive Hierarchical Optimized Horse Herd BiLSTM Fusion Network in MRI Images 2026-Mar, Interdisciplinary sciences, computational life sciences DOI:10.1007/s12539-025-00708-4 PMID:40533703	研究论文	本文提出了一种用于MRI图像中脑肿瘤多级分层分类的MGHCN模型，通过改进的预处理和特征提取方法，结合自适应优化的BiLSTM融合网络，以提高分类精度	提出了自适应分层优化马群BiLSTM融合网络（AHOHH-BiLSTM），用于多级脑肿瘤分层分类，并采用改进的自适应强度归一化（IAIN）和增强三角特征的DTCWT进行特征提取	未明确提及模型的计算复杂度、泛化能力到其他数据集或临床环境中的实际应用限制	提高MRI图像中不同级别脑肿瘤分类的精确度	MRI图像中的脑肿瘤	医学影像	脑肿瘤	MRI	BiLSTM	图像	使用了BraTS Challenge 2021、Br35H和BraTS Challenge 2023数据集，具体样本数量未明确	NA	自适应分层优化马群BiLSTM融合网络（AHOHH-BiLSTM）	精确度、召回率、F1分数	NA
1375	2026-02-14	Criteria for Keratoconus Progression: A Systematic Review of Diagnostic Test Accuracy 2026-Mar-01, Cornea IF:1.9Q2 DOI:10.1097/ICO.0000000000004020 PMID:41247279	系统综述	本文对用于定义圆锥角膜进展的诊断标准进行了诊断测试准确性的系统综述	首次系统性地评估和比较了多种圆锥角膜进展诊断标准的准确性，并识别出综合指数和全局测量作为更理想的进展定义标准	纳入的研究数量有限（15项），且主要为回顾性研究，可能存在偏倚风险	评估用于定义圆锥角膜进展的各种诊断标准的准确性	圆锥角膜患者的眼睛	医学诊断	圆锥角膜	Belin/Ambrósio Enhanced Ectasia Display (BAD-D), ABCD 1 criteria, 前表面最佳拟合球面半径, 最大角膜曲率 (Kmax), 深度学习彩色编码图, 前段光学相干断层扫描	深度学习	医学影像数据（如角膜地形图）	3547只眼睛（来自2654名患者）	NA	NA	灵敏度, 特异性, 诊断比值比	NA
1376	2026-02-14	Developmental Brain Age Estimation From MRI Data: A Systematic Review of Deep Learning Approaches and Open Datasets 2026-Mar, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.70180 PMID:41414873	综述	本文系统综述了基于MRI数据和深度学习方法用于发育期大脑年龄估计的研究现状、开放数据集及临床意义	首次对胎儿期至2岁发育阶段的大脑年龄估计深度学习方法进行全面综述，整合了临床与技术视角、开放数据集及模型性能比较	证据等级为3级，技术效能处于第2阶段，表明研究仍处于发展阶段，可能存在方法学异质性和数据局限性	系统回顾和评估深度学习方法在发育期大脑年龄估计中的应用，推动该领域理论理解与临床实践	发育期（胎儿阶段至2岁）的大脑MRI数据	医学影像分析	神经发育障碍	MRI	深度学习	MRI图像	NA	NA	NA	NA	NA
1377	2026-02-14	The AENEAS Project: Intraoperative Anatomical Guidance Through Real-Time Landmark Detection Using Machine Vision 2026-Mar, Mayo Clinic proceedings. Digital health DOI:10.1016/j.mcpdig.2025.100308 PMID:41669377	研究论文	本研究开发了一种基于深度学习的机器视觉模型，用于在复杂的显微手术（如翼点经侧裂入路）中实时检测解剖标志	首次将YOLOv7x深度学习目标检测模型应用于复杂神经外科手术中的解剖标志实时识别，验证了机器视觉在术中解剖引导的可行性	浅表结构（如硬脑膜和皮质脑回）的检测精度较低，可能由于形态相似性和光学变异性，且存在数据限制	开发一种机器视觉模型，用于术中解剖引导，以提高手术定位准确性并减少外科医生间的变异性	接受翼点经侧裂入路手术的76名患者的78个手术视频	计算机视觉	神经外科疾病	深度学习目标检测	YOLO	视频	78个手术视频（来自76名患者），包含5307个标注帧	NA	YOLOv7x	平均精度（AP50）	NA
1378	2026-02-14	A Spatiotemporal Causal Model for Revealing Developmental Changes in Infants' Brain Effective Connectivity Networks During the First Year of Life 2026-Mar, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3596893 PMID:40773400	研究论文	本研究提出了一种新颖的时空格兰杰因果模型，用于揭示婴儿第一年大脑有效连接网络的发展变化	首次采用因果发现方法揭示婴儿第一年大脑有效连接网络的变化，模型通过从时间序列中学习时空特征并施加稀疏性惩罚来提取格兰杰因果关系，不同于现有基于深度学习的模型从神经网络第一层权重推断因果关系	NA	揭示婴儿第一年大脑有效连接网络的发展变化	健康婴儿的静息态脑电图数据	机器学习	NA	静息态脑电图	格兰杰因果模型	时间序列	NA	NA	时空格兰杰因果模型	AUROC, AUPRC	NA
1379	2026-02-14	Representation Learning for Cerebrovascular Autoregulation: A Model Study With Experimental Data Classification 2026-Mar, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3598592 PMID:40802622	研究论文	本研究开发了一种新颖的深度表示学习模型，用于动态监测脑血管自动调节状态，并通过实验数据分类验证其性能	提出了一种基于深度表示学习的新模型，用于动态监测脑血管自动调节状态，并通过特征提取和分类模型显著提升了分类性能	研究基于模型研究和实验数据，可能未涵盖所有临床场景或患者群体	理解模型在脑血管自动调节状态下的行为，并开发基于特征提取的分类模型以优于现有压力反应性指数	脑血管自动调节状态，特别是创伤性脑损伤后的动态变化	机器学习	创伤性脑损伤	深度表示学习，交叉谱分析	深度学习模型	时间序列数据	NA	NA	深度表示学习模型	精确度，召回率	NA
1380	2026-02-14	DINOMotion: Advanced Robust Tissue Motion Tracking With DINOv2 in 2D-Cine MRI-Guided Radiotherapy 2026-Mar, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3599457 PMID:40811295	研究论文	本文提出了一种基于DINOv2与LoRA层的新型深度学习框架DINOMotion，用于2D-Cine MRI引导放疗中的鲁棒、高效且可解释的组织运动追踪	结合DINOv2的强大特征表示与LoRA层减少可训练参数，实现直接计算图像配准，提供显式视觉对应以增强可解释性，并有效处理大错位	NA	开发一种鲁棒、高效且可解释的运动追踪方法，以提升2D-Cine MRI引导放疗的治疗效果和安全性	志愿者和患者数据集中的肾脏、肝脏和肺部组织	计算机视觉	NA	2D-Cine MRI	深度学习框架	图像	NA	NA	DINOv2, LoRA	Dice系数, Hausdorff距离	NA