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
621	2026-05-02	Deep learning-based ROSC prediction and ECG phenotyping in out-of-hospital cardiac arrest 2026-May, Resuscitation IF:6.5Q1 DOI:10.1016/j.resuscitation.2026.111035 PMID:41794117	研究论文	开发基于深度学习的卷积神经网络模型，预测院外心脏骤停患者的自主循环恢复，并识别新的心电图表型	首次利用CNN同时预测ROSC和可电击心律，并通过聚类分析从特征表示中识别出五种具有不同ROSC概率的心电图表型	回顾性研究设计，可能受选择偏倚影响；仅使用韩国急救医疗服务数据，需外部验证；5秒心电图片段可能无法完全捕捉动态变化	开发深度学习模型预测院外心脏骤停患者的ROSC和识别新的心电图表型	院外心脏骤停患者的院前心电图信号	机器学习	心血管疾病	NA	卷积神经网络	ECG信号	3452名成年非创伤性院外心脏骤停患者	Keras, TensorFlow	一维卷积神经网络	AUC	NA
622	2026-05-02	Quantification of Ki-67 labeling index in pediatric brain tumor immunohistochemistry images 2026-May-01, Journal of neuropathology and experimental neurology IF:3.2Q2 DOI:10.1093/jnen/nlaf163 PMID:41806389	研究论文	基于深度学习框架自动量化儿童脑肿瘤免疫组化图像中的Ki-67标记指数	首次将StarDist深度学习模型应用于儿童脑肿瘤全切片图像的Ki-67标记指数自动计算，并集成QuPath和Python后处理脚本生成细胞密度图和汇总表	研究未提及对罕见肿瘤亚型的验证，且基于单一数据集（CBTN）可能导致泛化性受限	为儿童脑肿瘤的Ki-67标记指数提供自动化定量分析框架，替代手动评分	儿童脑肿瘤全切片免疫组化图像中的Ki-67阳性与阴性细胞核	数字病理学	儿童脑肿瘤（髓母细胞瘤、室管膜瘤、胶质瘤等）	免疫组化染色	深度学习模型（StarDist）	全切片图像	632例儿童脑肿瘤病例，734张Ki-67全切片图像	QuPath, Python	StarDist	中位数标记指数、相关性分析P值	未明确说明
623	2026-05-02	Association of Circulating T Cell and Tumor Microenvironment Profiles with Immune Checkpoint Blockade Outcomes in Sarcoma 2026-May-01, Clinical cancer research : an official journal of the American Association for Cancer Research IF:10.0Q1 DOI:10.1158/1078-0432.CCR-25-3419 PMID:41677857	研究论文	分析肉瘤患者循环T细胞和肿瘤微环境特征与免疫检查点抑制剂治疗结局的关联	首次结合外周血T细胞免疫分型与肿瘤微环境基因表达亚型，并应用深度学习自动分析H&E切片淋巴聚集物，提出多模态预测免疫治疗反应的生物标志物	H&E切片样本量较小（仅48例），且深度学习模型仅用于淋巴聚集物检测，未进一步整合多模态特征	探索肉瘤患者接受免疫检查点抑制剂治疗的反应和耐药生物标志物，以优化患者选择	肉瘤患者的外周血单个核细胞（PBMC）、肿瘤组织RNA测序数据及H&E染色切片	数字病理学	肉瘤	流式细胞术、RNA测序、深度学习	深度学习模型（用于自动分析H&E切片）	图像（H&E切片）、基因表达谱（RNA-seq）、细胞免疫分型数据	178例患者PBMC样本，67例肿瘤组织RNA-seq样本，48例H&E切片样本	NA	NA	总生存期、无进展生存期、缓解率	NA
624	2026-05-02	Deep learning model for automated identification of ventrally positioned right hepatic artery in contrast-enhanced computed tomography of pediatric congenital biliary dilatation: development and clinical application 2026-May, Pediatric radiology IF:2.1Q2 DOI:10.1007/s00247-026-06588-0 PMID:41870581	研究论文	开发并验证基于YOLOv12的深度学习模型，用于在增强CT中自动识别儿童先天性胆总管扩张的腹侧走行右肝动脉	首次将YOLOv12模型应用于儿童术前CT图像中腹侧走行右肝动脉的自动识别，采用关键切片靶向策略，性能达到资深放射科医师水平	单中心回顾性研究，样本量相对有限，未进行外部验证	开发一种能够自动识别增强CT中腹侧走行右肝动脉的深度学习模型，提高儿童先天性胆总管扩张术前评估的安全性	儿童先天性胆总管扩张患者的腹侧走行右肝动脉	计算机视觉	先天性胆总管扩张	增强CT	YOLOv12	医学图像	232例先天性胆总管扩张患者（116例腹侧走行右肝动脉，116例对照），共1452张关键动脉期切片	PyTorch	YOLOv12n, YOLOv12s, YOLOv12m, YOLOv12l, YOLOv12x	精确率、召回率、F1分数、平均精度均值、受试者工作特征曲线下面积	NA
625	2026-05-02	Spectral deep learning-based patient and bowtie scatter correction for clinical photon-counting CT 2026-May, Medical physics IF:3.2Q1 DOI:10.1002/mp.70442 PMID:42050788	研究论文	本研究提出一种基于光谱深度学习的患者与Bowtie散射校正方法，用于临床光子计数CT	首次在深度学习散射校正中利用光子计数CT的光谱信息，实现患者与Bowtie散射的联合校正，减少网络数量并降低计算成本	未明确提及具体限制，但依赖蒙特卡洛数据和临床PCCT系统验证，可能需进一步评估泛化性	探究光谱信息如何改进深度学习散射校正，并比较联合与单独校正Bowtie及患者散射的性能	光子计数CT中的散射伪影，包括患者散射和Bowtie散射	计算机视觉	NA	光子计数CT	神经网络	图像	使用蒙特卡洛模拟数据和临床PCCT系统实测数据，具体样本量未提及	NA	深度散射估计网络	平均绝对误差, 临界平均绝对误差	NA
626	2026-05-02	Clinically Deployable Handwriting Biomarkers of Parkinson's Disease via Multiscale Attention and Bayesian-Genetic Optimization 2026-May, Brain and behavior IF:2.6Q3 DOI:10.1002/brb3.71457 PMID:42050861	研究论文	提出了一种结合多尺度注意力和贝叶斯-遗传优化的深度学习网络，用于基于手写特征检测帕金森病	首次将多尺度门控多头注意力机制与深度可分离卷积结合，并设计帕金森病专用贝叶斯-遗传优化方案来联合调优架构和训练超参数，同时利用SHAP超像素归因图提供临床可解释性	未提及外部验证数据集以外的泛化测试，且模型优化主要针对PaHaW数据集，可能需要更多样本人群验证	开发一种临床可部署的手写生物标志物深度学习模型，用于帕金森病的客观检测和风险分层	帕金森病患者和健康对照组的螺旋线、波浪线和迂回线手绘图画	计算机视觉	帕金森病	手写数字化采集（平板电脑）	卷积神经网络（多尺度门控多头注意力深度可分离卷积网络）	图像（统一RGB格式的手绘任务图像）	PaHaW数据集和独立HandPD数据集，具体样本量未在摘要中给出	NA	多尺度门控多头注意力深度可分离卷积网络（PD-MGMA-DSCNN）	准确率、ROC-AUC、精确率-召回率	NA
627	2026-05-02	Deep learning for EEG-based sleep stage classification: a review 2026-May-01, Medical & biological engineering & computing IF:2.6Q3 DOI:10.1007/s11517-026-03583-3 PMID:42062687	综述	系统回顾了基于深度学习的脑电图睡眠分期模型，分析其架构演化、输入表示策略、预处理方法、公开数据集及评估指标，并探讨了泛化性、可解释性和临床适用性等核心挑战	首次通过跨数据集精度对比和分阶段F分布分析，揭示现有模型性能高度依赖数据集、评价体系过度依赖总体准确率而忽视少数类别及病理数据表现的问题	未涉及具体模型实现细节的量化对比；依赖文献公开数据，部分原始信息不完整可能影响分析深度	系统评估深度学习在脑电图睡眠分期中的现有方法，识别关键挑战并指引从算法创新到临床可靠应用的转化方向	基于脑电图的睡眠分期深度学习模型	机器学习	神经系统疾病	脑电图（EEG）	深度学习模型	脑电信号	涉及多个公开数据集，具体样本量因数据集而异	NA	NA	准确率, F分布	NA
628	2026-05-02	Improving patient treatment accuracy using transit dosimetry with Electronic Portal Imaging Device images and deep learning 2026-May, Physics and imaging in radiation oncology DOI:10.1016/j.phro.2026.100966 PMID:42063988	研究论文	利用EPID图像和深度学习进行通过式剂量测定，提高患者治疗准确性	提出了一种基于深度学习的框架，通过数据采集和治疗计划系统剂量模拟，从通过式EPID图像重建水等效剂量，无需繁琐的校准和校正程序	未明确说明局限性，但提及标准非晶硅EPID探测器对水等效剂量的非线性响应是主要限制	开发一种深度学习框架，从通过式EPID图像快速准确地重建水等效剂量，支持安全有效的放射治疗	EPID测量数据和对应的Monaco治疗计划系统剂量模拟	计算机视觉，机器学习	不适用（癌症放射治疗）	EPID成像，剂量模拟	CNN（U-Net）	图像	超过200个EPID测量数据，使用不同体模和照射野	不适用	2D U-Net	平均绝对误差，γ指数（3%/3mm和5%/5mm标准）	不适用
629	2026-05-02	A few-shot learning method for underwater acoustic target recognition based on generative data augmentationa) 2026-May-01, The Journal of the Acoustical Society of America IF:2.1Q1 DOI:10.1121/10.0043727 PMID:42065402	研究论文	提出一种基于生成式数据增强的小样本水下声学目标识别方法	构建生成式与判别式协同框架，利用潜在空间补全和结构保持生成重建机制，在特征层面重建更连续、完整且具有判别性的类内分布	NA	解决小样本场景下水下声学目标识别中参考样本稀缺和环境干扰复杂的问题	水下声学目标	机器学习	NA	NA	变分自编码器	声学信号	NA	NA	变分自编码器	NA	NA
630	2026-05-02	Estimating band importance for environmental sound recognition using deep learninga) 2026-May-01, The Journal of the Acoustical Society of America IF:2.1Q1 DOI:10.1121/10.0043736 PMID:42065403	研究论文	利用深度学习模型估算环境声音识别中的频带重要性函数	通过比较模仿人类表现和任务最优的深度学习模型，揭示了环境声音识别中的频带重要性，并发现人类表现接近任务最优频率	研究仅涉及25种日常声音和语音掩蔽，可能未涵盖所有环境声音类型；BIF估计依赖于特定模型和滤波器方法	理解环境声音识别中支持频率区域的频带重要性，并评估人类表现与任务最优的一致性	46名听者识别的25种日常声音与语音混合的听觉刺激	机器学习	NA	深度学习	深度学习模型	声音信号	46名听者，25种声音	TensorFlow	卷积神经网络（CNN）	识别准确率	GPU（NVIDIA RTX 3090）
631	2026-05-02	Machine learning for predicting chaotic systems 2026-May-01, Chaos (Woodbury, N.Y.) DOI:10.1063/5.0313297 PMID:42065909	研究论文	比较不同机器学习方法在预测混沌动力系统上的表现，并介绍了一种新的误差度量标准	引入了允许在基准测试结果中进行不确定性量化的新数据库，并提出了针对混沌系统定制的累积最大误差这一新指标	结果可能因实验设置不同而有显著变化，且未涉及高维或真实世界混沌系统的验证	评估不同机器学习架构在预测混沌系统时的性能，并强调方法选择与数据特性匹配的重要性	低维混沌动力系统的预测问题	机器学习	不适用	不适用	轻量级和重量级机器学习模型，包括深度学习模型	时间序列数据	多个低维系统基准数据库，包括一个新增数据库	不适用	多种架构，包括传统方法和深度学习模型	累积最大误差，以及其他传统指标	根据计算成本调整超参数调优，轻量方法分配更多调优
632	2026-05-01	Extending Multiscale Characterization of Heart Rate Variability via Deep Learning for Mortality Risk Prediction 2026-May, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3614714 PMID:41004366	研究论文	利用深度学习方法扩展心率变异性的多尺度特征，用于死亡风险预测	结合去趋势移动平均（DMA）分析与卷积神经网络（CNN），捕捉传统线性分析忽略的HRV非线性标度模式	NA	通过捕捉HRV非线性标度模式，改进基于心率变异信号的死亡风险预测	24小时Holter ECG记录的916名幸存者和70名非幸存者	机器学习	心血管疾病	Holter ECG	CNN	信号	986名患者的2小时窗口24小时Holter ECG记录（916名幸存者，70名非幸存者）	NA	NA	ROC-AUC, 调整风险比	NA
633	2026-05-01	Multilevel Correlation-Aware and Modal-Aware Graph Convolutional Network for Diagnosing Neurodevelopmental Disorders 2026-May, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3617348 PMID:41037545	研究论文	提出了一种多层级相关感知和模态感知的图卷积网络（MCM-GCN），用于诊断神经发育障碍	通过设计个体层级的关联驱动特征生成模块捕获图间相关性，并在群体层级通过多模态解耦特征增强模块深度融合多模态和多图谱信息	NA	实现神经发育障碍的可靠诊断，提高诊断准确率并识别关键指标	自闭症谱系障碍（ASD）和注意力缺陷多动障碍（ADHD）患者	机器学习	神经发育障碍	静息态功能磁共振成像	图卷积网络	脑网络数据、表型数据	两个公开数据集	PyTorch	MCM-GCN	准确率	NA
634	2026-05-01	Game Theory Meets Statistical Physics: A Novel Deep Neural Networks Design 2026-May, IEEE transactions on cybernetics IF:9.4Q1 DOI:10.1109/TCYB.2025.3649299 PMID:41525603	研究论文	提出一种融合博弈论与统计物理原理的新型深度神经网络设计方法，用于特征提取和模式分类	首次将博弈论中Shapley值与统计物理的玻尔兹曼能量模型结合，通过神经元贡献度评估实现网络正则化，并采用蒙特卡洛采样降低计算复杂度	未提及具体局限性信息	设计一种统一的学习框架，通过博弈论和统计物理的交叉方法提升深度神经网络性能	面部年龄估计和性别分类任务	机器学习	NA	NA	深度神经网络	图像	NA	NA	NA	准确率, 精确率, 召回率, F1分数	NA
635	2026-05-01	Non-invasive Prediction of CYP11B2-Defined Subtypes in Primary Aldosteronism Using 18F-Pentixafor PET/CT and Machine Learning 2026-May, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2025.12.026 PMID:41530023	研究论文	开发并验证结合临床数据、影像组学和深度学习特征的可解释机器学习模型，用于无创预测原发性醛固酮增多症的病理亚型	首次将18F-Pentixafor PET/CT影像的影像组学和深度学习特征与临床数据整合，通过可解释机器学习模型（SHAP分析）实现原发性醛固酮增多症亚型的无创预测，并揭示与CXCR4和CYP11B2表达的生物学关联	单中心回顾性研究、样本量有限（89例）、方法未在其他中心验证、模型计算资源未详细说明	开发无创预测原发性醛固酮增多症病理亚型（基于CYP11B2免疫组化定义）的可解释机器学习模型，以减少对侵入性肾上腺静脉采样的依赖	89例诊断为原发性醛固酮增多症或无功能性肾上腺腺瘤的患者，接受18F-Pentixafor PET/CT检查	机器学习	原发性醛固酮增多症	PET/CT	支持向量机	临床数据、PET/CT图像	89例患者	NA	支持向量机	AUC、敏感性、F1分数	NA
636	2026-01-18	Less Noise, More Confidence: Deep Learning Denoising Algorithm for Coronary Stenosis Assessment in pre-TAVI CT Imaging 2026-May, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2025.12.052 PMID:41545257	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
637	2026-01-18	Comment on "Deep Learning Denoising Algorithm for Improved Assessment of Coronary Arteries in Transcatheter Aortic Valve Implantation CT Imaging" 2026-May, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2025.12.053 PMID:41545256	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
638	2026-05-01	Automated Gross Tumor Volume (GTV) Contouring in High-Grade Gliomas Using a Deep Learning Approach 2026-May, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2025.12.046 PMID:41545259	研究论文	提出一种基于深度学习的方法，用于高级别胶质瘤（HGG）中肿瘤大体体积（GTV）的自动勾画	利用修改后的3D U-Net架构，在BraTS 2018-2019挑战赛的469个样本上训练，基于多序列MRI增强特征学习，并遵循ESTRO和EANO指南定义GTV	未提及具体的局限性	开发一种自动勾画HGG中GTV的深度学习框架，以提高放射治疗规划的精度和效率	高级别胶质瘤（HGG）患者	计算机视觉	高级别胶质瘤	MRI（多序列磁共振成像）	3D U-Net	图像	469个样本（来自BraTS 2018-2019挑战赛）	NA	修改后的3D U-Net	Dice相似系数（DSC），95百分位Hausdorff距离（HD95）	NA
639	2026-05-01	Collaborative Coarse-to-Fine Disease Learning With Discharge Summary Awareness for EHR Event Prediction 2026-May, IEEE transactions on cybernetics IF:9.4Q1 DOI:10.1109/TCYB.2026.3664408 PMID:41774654	研究论文	提出一种粗到细的疾病学习框架，结合出院小结辅助，用于电子健康记录事件预测	通过构建细粒度动态疾病图、整合ICD-9-CM层次结构中的粗/细粒度信息，并结合出院小结进行协同疾病学习	未明确提及局限性	提升电子健康记录事件预测的准确性，解决疾病动态关系建模、多角度诊断代码本体利用及非结构化出院小结整合问题	电子健康记录（EHR）中的疾病和出院小结	自然语言处理	通用疾病	电子健康记录（EHR）数据分析	门控循环单元（GRU）	文本数据（EHR记录及出院小结）	使用MIMIC-III和MIMIC-IV两个真实世界EHR数据集	PyTorch	GRU, 位置注意, 软注意机制	准确性, AUC	NA
640	2026-05-01	XNet: Enhancing Physical Activity Intensity Assessment With Attentional Multidomain Fusion and Visual Analytics 2026-May, IEEE transactions on cybernetics IF:9.4Q1 DOI:10.1109/TCYB.2026.3666726 PMID:41774652	研究论文	提出XNet，一种用于身体活动强度分类和能量消耗估计的双域深度学习模型，通过注意力多域融合与视觉分析提升评估性能	创新性体现在分层多头架构与两级注意力特征融合模块，先聚合传感器特征再融合域嵌入，优于单阶段融合，并提供可解释的注意力权重揭示传感器和域的贡献	NA	提高身体活动强度监测的准确性、泛化能力和解释性，促进可穿戴设备上的实时健康监测	身体活动强度分类和能量消耗估计任务，涉及加速度计、心率、心电图等多传感器数据	机器学习	NA	NA	双域深度学习模型，包含1D卷积光谱编码器	多传感器时序数据（加速度计、心率、心电图）	105名参与者的新数据集及多个公开数据集	NA	XNet（分层多头架构），包含1D卷积光谱编码器、Transformer、图注意力网络变体，注意力特征融合模块	F1分数、真阳性率、推理延迟	NA