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
821	2026-05-04	The Use of Statistical Shape and Appearance Modelling for Predicting Osteoporotic Fracture Risk 2026-May-02, Current osteoporosis reports IF:4.2Q1 DOI:10.1007/s11914-026-00966-1 PMID:42068423	综述	探讨统计形状与外观建模在预测骨质疏松性骨折风险中的应用进展	将统计形状与外观建模与有限元分析和机器学习结合，从2D临床图像重建3D对象进行生物力学评估	临床推广受限于模型的泛化能力不足	评估统计形状与外观建模在骨质疏松性骨折风险预测中的研究进展	骨质疏松性骨折的骨几何结构和内部密度分布	计算机视觉	骨质疏松性骨折	统计形状与外观建模	NA	图像	NA	NA	NA	NA	NA
822	2026-05-04	Fusion attention-based nasopharyngeal carcinoma segmentation model in predicting the clinical outcome of cervical lymph node residue after IMRT 2026-May-02, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-026-02356-6 PMID:42069522	研究论文	提出一种基于融合注意力的鼻咽癌分割模型，用于预测调强放疗后颈部淋巴结残留的临床结局，并构建影像组学列线图	将融合注意力机制引入U-Net框架，改进通道和空间注意力模块以聚焦小目标，并将2D交错稀疏自注意力扩展至3D，解决低对比度问题；结合临床因素和影像组学特征建立预测列线图	样本量较小（69例），为单中心回顾性研究，仅使用CT图像，缺乏外部验证集	实现鼻咽癌原发灶的自动分割，并根据治疗后残留淋巴结的影像组学特征预测其最终结局	69例接受调强放疗的鼻咽癌患者，治疗后首次MRI显示残留转移性淋巴结但无残留原发灶，中位随访53个月	医学影像分析	鼻咽癌	调强放疗CT图像	融合注意力卷积神经网络	CT图像	69例患者的放疗CT影像	PyTorch, PyRadiomics	U-Net, 通道和空间注意力模块, 3D交错稀疏自注意力	平均Dice系数, 相对体积误差, 平均对称表面距离, Hausdorff距离, 曲线下面积	NA
823	2026-05-04	A multicenter-validated interpretable transformer model for pituitary microadenoma detection on non-contrast multiparametric MRI 2026-May-02, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-026-02391-3 PMID:42069529	研究论文	开发了一种基于非对比多参数MRI的Transformer深度学习模型，用于检测垂体微腺瘤，并通过可解释AI技术增强模型透明度	首次将Transformer模型应用于非对比多参数MRI的垂体微腺瘤检测，并结合Grad-CAM和SHAP可解释性技术提升CNN分类的透明度和泛化能力	未在更大规模的多中心外部验证集中测试，且非对比MRI可能仍存在一定的敏感性限制，需进一步临床验证	提高非对比多参数MRI检测垂体微腺瘤的准确性、泛化性和可解释性	来自三家医院的590名患者的非对比多参数MRI鞍区扫描数据	计算机视觉, 数字病理学	垂体微腺瘤	多参数MRI	Transformer, CNN	MRI图像	590名患者	PyTorch	Transformer, 2D_DL, 2.5D_DL, 2D_multichannel	AUC, 准确率, 精确率, 召回率, F1分数	NVIDIA GPU（如V100或A100）
824	2026-05-04	Hybrid deep learning model for multimodal vocal and lung signal analysis in health monitoring 2026-May-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32779-0 PMID:42069761	研究论文	提出一种混合深度学习模型，通过整合语音和肺部信号分析实现非侵入式健康监测	创新性地采用多模态数据处理方法，将卷积神经网络与双向循环神经网络融合为卷积双向循环神经网络模型，并行处理语音和肺音数据集，并通过集成模型进行综合评估	未提及模型在实际临床环境中的部署挑战，以及不同噪声条件下对模型性能的影响	开发一种多网络模型用于语音和肺部异常检测，以提高健康监测系统的准确性和可靠性	语音信号和肺部信号数据	机器学习	呼吸道疾病	梅尔频率倒谱系数	卷积双向循环神经网络	语音和肺部信号	未提及具体样本数量	NA	卷积神经网络、双向循环神经网络、卷积双向循环神经网络、集成模型	准确率	NA
825	2026-05-04	A synthetic dataset for time series super-resolution with deep learning 2026-May-02, Scientific data IF:5.8Q1 DOI:10.1038/s41597-026-07344-7 PMID:42069808	研究论文	介绍用于时间序列超分辨率研究的合成数据集CoSiBD，包含2500个高分辨率信号及其低分辨率版本	首次提供专为可重复时间序列超分辨率研究设计的合成基准数据集，信号生成采用分段频率调制和样条振幅包络以模拟非平稳行为	数据集为合成数据，可能无法完全反映真实世界时间序列的复杂性，且仅包含四种降采样水平	为深度学习时间序列超分辨率模型提供标准化训练和评估基准	生成的非平稳时间序列信号，包括清洁和含噪变体	机器学习	不适用	合成信号生成，均匀降采样	深度学习模型（基准测试中）	时间序列（一维信号）	2500个高分辨率信号（每个信号5000样本点），以及四个降采样水平（150、250、500、1000样本点）的对应低分辨率版本	NumPy	不适用（提供基线超分辨率结果，未指定特定架构）	谱分析指标，超分辨率基准性能（具体指标未在摘要中明确）	不适用（未提及）
826	2026-05-04	Breast ultrasound images for segmentation and classification using multi-task U-Net 2026-May-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-51534-7 PMID:42069816	研究论文	提出一种多任务U-Net框架，用于乳腺超声图像的联合分割与分类，以提升乳腺癌自动检测性能	创新点包括确定性过采样策略解决类别不平衡、预测-细化模块确保分割与分类输出一致性、以及注意力引导特征学习机制增强病灶定位能力	数据集规模小且不平衡，注释不一致，缺乏集成学习策略，临床适用性受限	开发一个有效且可靠的自动乳腺癌检测方法，提高乳腺超声图像中肿瘤分割和分类的性能	乳腺超声图像中的病变分割和肿瘤分类	数字病理学	乳腺癌	超声成像	多任务U-Net	图像	使用BUSI数据集，通过去除重复和不一致样本构建了精选版本	TensorFlow, PyTorch	U-Net	Dice系数, 准确率	NA
827	2026-05-04	A compact and interpretable multi-source framework for heterogeneous medical image classification 2026-May-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-51120-x PMID:42069855	研究论文	提出了一种轻量级多源框架ML-ConvNet，用于异构医学图像分类，在降低计算开销的同时保持竞争性诊断性能	设计了仅4.2K参数和924M FLOPs的紧凑架构，融合多分支重参数化卷积、层次双路径注意力、特征自变换和局部方差加权优化策略，实现高效且可解释的医学图像分类	仅在公开数据集上验证，缺乏多机构外部验证，泛化性和临床适用性有待进一步评估	设计结构紧凑、可解释的多源医学图像分类框架，在资源受限场景下提供竞争性诊断性能	脑部MRI、肺部CT和胸部X光三种异质成像模态的公开基准数据集	数字病理学, 计算机视觉	NA	深度学习, 图像分类	轻量级卷积神经网络	医学图像	三个公开基准数据集（脑部MRI、肺部CT、胸部X光），具体样本数量未明确	NA	ML-ConvNet（含多分支重参数化卷积、层次双路径注意力、特征自变换）	F1分数, PR-AUC, 推理延迟	CPU和移动硬件测试，具体型号未明确
828	2026-05-04	Physics-guided resampling and asymmetric fusion for ultra-high-frequency bolt-loosening detection 2026-May-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-50662-4 PMID:42069869	研究论文	提出一种物理引导的重采样和不对称融合的深度学习框架，用于螺栓松动检测中的高频振动信号处理	首次将物理引导的重采样算子与异构梯度-谱张量表示及不对称融合模块结合，实现高压缩比下保留瞬态信号特征	未明确讨论对多螺栓耦合松动或大规模工业部署的泛化能力	实现工业监控中兼顾瞬态保真度和计算效率的压缩学习流程	六类1 MHz PVDF振动信号数据集，包含109,668个片段	机器学习	NA	高频振动信号分析	深度学习框架	波形信号	109,668个振动信号片段，测试集16,131个片段	PyTorch	PGRF-Net	准确率	NA
829	2026-05-04	Leveraging population-scale proteomic data with deep learning for head and neck cancer detection in saliva 2026-May-02, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-026-02658-7 PMID:42069923	research paper	该文章提出了一种利用深度学习和人群规模蛋白质组学数据检测唾液中头颈癌的方法	通过样本类型迁移和合成数据增强技术，提高了癌症检测模型在不同样本类型间的泛化能力	仍需进一步验证，且独立验证数据集样本量较小（n=156）	开发基于血液蛋白质组学数据的深度学习框架，用于癌症早期检测	UK Biobank中的血浆蛋白质组数据和独立头颈癌病例对照研究中的唾液蛋白质组数据	machine learning	head and neck cancer	蛋白质组学	CNN	蛋白质组数据	13,208例泛癌病例和39,806例对照的血浆数据，以及156例独立唾液样本	PyTorch	CNN-Synth, VAE	AUC	NA
830	2026-05-04	Development and external validation of an interpretable multimodal deep learning model for 5-year mortality in high-risk stage ii colorectal cancer 2026-May-02, International journal of colorectal disease IF:2.5Q1 DOI:10.1007/s00384-026-05132-8 PMID:42069945	研究论文	开发并外部验证了一个可解释的多模态深度学习模型，用于预测高风险II期结直肠癌患者的5年死亡率	首次将临床数据、血清生物标志物和静脉期CT影像融合为多模态深度学习模型，用于高风险II期结直肠癌的预后预测，并利用SHAP和Grad-CAM增强模型可解释性	回顾性研究设计、样本量相对较小（特别是外部验证队列仅58例），且需要前瞻性验证才能用于治疗调整	提高高风险II期结直肠癌患者5年死亡率的风险分层准确性，支持风险适应性监测和临床决策	高风险II期结直肠癌患者（接受辅助化疗且有完整术前临床、生物标志物和CT数据）	机器学习	结直肠癌	NA	多模态深度学习模型（结合数值和影像输入）	数值（临床+生物标志物）和影像（CT）	778名患者（开发队列720名，外部测试队列58名）	NA	NA	AUC（曲线下面积）	NA
831	2026-05-04	Protein foundation models: a comprehensive survey 2026-May, Science China. Life sciences DOI:10.1007/s11427-025-3147-2 PMID:41530646	综述	全面综述蛋白质基础模型的发展、应用、挑战与前景	系统梳理了蛋白质基础模型从序列到三维结构、功能注释和相互作用网络的多模态数据集资源，并探讨了自编码、自回归、扩散和流匹配等多种模型架构的进展	面临数据瓶颈、评估复杂性和模型可解释性等主要挑战	为计算生物学家提供路线图，为实验研究者提供应用蛋白质基础模型的战略框架	蛋白质基础模型	机器学习	NA	NA	自编码模型、自回归模型、扩散模型、流匹配模型	蛋白质序列、三维结构、功能注释、相互作用网络	NA	NA	NA	NA	NA
832	2026-05-04	Deep learning based gestational age estimation from multi-view fetal brain magnetic resonance imaging 2026-05, Pediatric radiology IF:2.1Q2 DOI:10.1007/s00247-026-06536-y PMID:41824048	研究论文	利用多视角胎儿脑部MRI和深度学习估算孕龄	首次将多视角MRI与迁移学习结合用于孕龄估算，显著优于传统生物统计回归方法	外部测试集样本量较小（80例），且未在不同MRI设备或人群中进行泛化验证	开发基于深度学习的孕龄估算模型，提升准确性	胎儿脑部MRI图像	计算机视觉	无特定疾病	MRI	CNN	图像	1,321例胎儿MRI扫描（内部训练集），80例公开MRI扫描（外部测试集）	PyTorch	ResNet-101	平均绝对误差，决定系数R2	NA
833	2026-05-04	AI-driven paradigm shift in follicle ultrasound monitoring: from automated segmentation to clinical decision support 2026-May, Reproductive biomedicine online IF:3.7Q1 DOI:10.1016/j.rbmo.2025.105440 PMID:41826105	评论	本文描述了人工智能在超声卵泡监测中的发展路径，重点是从自动分割到临床决策支持的范式转变	引入深度学习模型CR-Unet和C-Rend实现从二维到三维的精确卵泡分割，并建立二维卵泡面积和三维卵泡体积作为新的生物标志物，用于预测卵母细胞成熟度和优化人绒毛膜促性腺激素触发时机	NA	推动人工智能在超声卵泡监测中的应用，从自动分割向临床决策支持转变	卵泡超声影像	计算机视觉，数字病理学	生殖医学相关疾病	超声成像	CR-Unet，C-Rend（深度学习模型）	超声图像	NA	NA	CR-Unet，C-Rend	边界分割精度，测量一致性	Acclarix LXK9超声设备
834	2026-05-04	Automatic segmentation of clinical target volume for radiation therapy in breast-conserving patients and exploration of clinical factors influential to its performance 2026-May-01, The British journal of radiology DOI:10.1093/bjr/tqag036 PMID:41808474	研究论文	开发并验证用于乳腺癌保乳术后放疗中全乳腺临床靶体积自动分割的深度学习模型，并评估影响其性能的临床因素	首次系统评估临床因素（如肿瘤床位置和乳腺密度）对自动勾画性能的影响，并识别出外周肿瘤床和低密度乳腺组织为挑战性特征	单中心数据、回顾性设计，且模型在包含不利因素（如外周肿瘤床）的病例上表现下降	开发乳腺CTV自动分割模型并探索影响其性能的临床特征	乳腺癌保乳术后患者的全乳腺临床靶体积	计算机视觉, 数字病理学	乳腺癌	NA	深度学习模型	图像	857名患者，分为5个数据集（数据集1：300例，数据集2：10例，数据集3：20例，数据集4：10例，数据集5：517例）	NA	NA	Dice相似系数, 95百分位Hausdorff距离	NA
835	2026-05-04	Transcriptome-based Deep Learning Model for Predicting Gemcitabine and Cisplatin Chemotherapy Response in Urothelial Carcinoma: Development and External Validation 2026 May-Jun, Cancer genomics & proteomics IF:2.6Q3 DOI:10.21873/cgp.20589 PMID:42055629	研究论文	利用RNA测序数据开发深度学习模型，预测尿路上皮癌患者对吉西他滨和顺铂化疗的反应，并在外部独立队列中进行验证	基于转录组数据构建深度学习模型，实现了对化疗反应的高精度预测（训练集准确率94.7%，外部验证准确率90.0%），并通过基因本体分析和生存分析揭示了与化疗反应相关的四个关键功能簇	论文摘要中未提及明显局限性，可能包括样本量有限、模型通用性有待进一步验证等	开发一种基于RNA测序数据的深度学习模型，用于预测尿路上皮癌患者对吉西他滨和顺铂化疗的反应，以辅助个性化治疗决策	尿路上皮癌患者的RNA-seq基因表达数据	机器学习	尿路上皮癌	RNA-seq	深度学习模型	基因表达数据	训练数据集来自TCGA和GEO，外部验证来自釜山国立大学梁山医院的独立队列，具体样本数未提及	NA	NA	准确率	NA
836	2026-05-03	From Big to Small: Emerging Methods for Enhancing Precision Psychiatry Through Transfer Learning 2026-May-15, Biological psychiatry IF:9.6Q1 DOI:10.1016/j.biopsych.2025.10.022 PMID:41173199	综述	综述迁移学习在精准精神病学中的应用，重点探讨如何通过大规模神经影像数据集预训练模型提升小样本临床数据的预测性能	系统梳理迁移学习在脑-行为建模中的概念与实践，并提供从大规模人群数据集到小样本临床数据集的跨领域应用框架	未涉及不同类型迁移学习方法的定量比较，且对模型可解释性在临床应用中的挑战讨论有限	探索迁移学习提升精准精神病学中临床预测模型泛化性与可解释性的潜力	神经影像数据与临床特征之间的脑-行为预测模型	机器学习	精神病学疾病	NA	迁移学习	神经影像数据	NA	NA	NA	NA	NA
837	2026-05-03	Long-term alterations of cerebellar structure after premature birth 2026-05-15, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2026.121918 PMID:41966235	研究论文	本研究通过MRI和体素形态测量法分析早产对成年早期小脑结构和体积的长期影响	首次使用SUIT工具箱对早产年轻成人进行小脑和脑干灰白质体积的优化体素分析，并结合深度学习方法进行区域划分	研究仅限于横断面设计，未评估随时间的纵向变化；颅内体积校正策略影响结果	探究早产对小脑形态的长期影响，特别是亚区域体积差异及其与围产期变量的关联	极早产（<32周）和/或极低出生体重（<1500g）的年轻成年人（平均26.7岁）与足月对照组（平均26.8岁）	机器学习	早产相关神经系统疾病	磁共振成像（T1/T2加权MRI），体素形态测量	深度学习分割模型（CerebNet）	医学影像（MRI）	101名早产个体与109名足月对照个体	SUIT工具箱，CerebNet	基于深度学习的CerebNet	体积差异（体素和区域兴趣区分析），与早产变量的相关性（如孕周）	NA
838	2026-05-03	Speech-based system for detecting alcohol intoxication using optimized deep learning 2026-May-02, Psychopharmacology IF:3.5Q2 DOI:10.1007/s00213-026-07065-0 PMID:42067688	研究论文	提出一种基于语音的酒精中毒检测系统，利用优化的深度学习算法（D2R_Net）进行语音醉态分类	结合密集残差块与门控循环单元构建D2R_Net架构，并引入迭代鹦鹉优化算法进行超参数调优，实现了高精度酒精中毒检测	未在多样化真实场景（如背景噪音、不同语言）下进行充分验证	开发高效、非侵入性且成本低廉的语音式酒精中毒检测系统	酒精中毒患者的语音数据（醉态与清醒状态）	机器学习	酒精中毒	深度学习，超参数优化	Dense Residual Recurrent Network (D2R_Net)	语音（log-Mel声谱图）	未明确提供样本量	PyTorch	D2R_Net（密集残差块 + GRU）	平衡准确率，特异度	最小化计算资源要求
839	2026-05-03	Illuminating Research Dynamics: Medical Ultrasound and Deep Learning 2026-May, Journal of clinical ultrasound : JCU IF:1.2Q3 DOI:10.1002/jcu.70131 PMID:41215539	综述	该研究首次对医学超声与深度学习领域的文献进行了文献计量学分析	首次为深度学习在医学超声领域的研究提供了文献计量学概述，揭示了研究动态和新兴趋势	NA	对医学超声和深度学习研究进行文献计量学概述	医学超声与深度学习相关出版物	计算机视觉, 机器学习	NA	超声成像, 深度学习	CNN, U-Net, Transformer	文本, 图像	3386篇出版物	NA	U-Net, 注意力网络, 视觉Transformer	NA	NA
840	2026-05-03	Deep Learning Radiomics Model Based on Ultrasound Images Predicts Myometrial Infiltration of Endometrial Cancer 2026-May, Journal of clinical ultrasound : JCU IF:1.2Q3 DOI:10.1002/jcu.70134 PMID:41235803	研究论文	基于超声图像的深度学习影像组学模型用于预测子宫内膜癌肌层浸润	首次将深度学习特征与影像组学特征结合构建DLR模型，用于无创区分子宫内膜癌患者的肌层浸润深度，优于传统影像组学模型、深度学习模型及高级超声医师的诊断性能	未提及模型在不同超声设备或人群中的泛化能力验证，可能存在数据偏差	开发和验证基于超声图像的深度学习影像组学模型，用于无创区分子宫内膜癌患者的肌层浸润	子宫内膜癌患者	机器学习	子宫内膜癌	超声影像	深度学习影像组学模型	图像	390例子宫内膜癌患者（中心1 310例，中心2 80例）	NA	NA	AUC	NA