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
1081	2026-05-06	Automated Tooth Detection and Caries Identification in CBCT With Deep Learning 2026-Jun, International dental journal IF:3.2Q1 DOI:10.1016/j.identj.2026.109508 PMID:41850174	研究论文	开发了一种用于锥形束CT图像中牙齿检测、编号和龋齿识别的两阶段深度学习框架	首次提出了一种两阶段深度学习框架，用于自动化定位和编号龋齿，并结合多个分类网络进行龋齿识别，填补了CBCT图像中自动化龋齿分析的空白	样本量较小（65名患者），类别不平衡，需要外部多中心前瞻性验证以确认临床实用性	开发自动化工具，支持机会性龋齿筛查，优先处理疑似龋齿病变的CBCT扫描	65名患者的CBCT图像中的牙齿和龋齿	计算机视觉, 医学影像分析	龋齿（蛀牙）	锥形束计算机断层扫描（CBCT）	卷积神经网络（CNN）	医学图像（CBCT轴向切片）	65名患者	PyTorch	YOLOv3, Cascade R-CNN, DenseNet169, MobileNet_V2, ResNet50	平均精度均值（mAP）、平均精度（AP）、平衡准确率、敏感性、特异性、阳性预测值（PPV）、阴性预测值（NPV）、马修斯相关系数（MCC）、精确率-召回率曲线下面积（AUC-PR）	NA
1082	2026-05-04	High-accuracy instance segmentation of cellular structures in head and neck squamous cell carcinoma histopathology using a cyto R-CNN deep learning framework 2026-Jun, Pathology, research and practice DOI:10.1016/j.prp.2026.156459 PMID:41985370	研究论文	开发一种基于深度学习的Cyto R-CNN框架，用于头颈部鳞状细胞癌组织病理学图像中细胞结构的实例分割，以提高病理评估的效率和客观性	提出了一个任务特定的Cyto R-CNN框架，通过集成双分支解码器和边界感知的轮廓损失，有效应对细胞重叠和边界模糊的挑战，实现了对细胞核和完整细胞的高精度实例分割	未来需扩展数据集并在更广泛的图像集合和临床应用中评估模型	自动化头颈部鳞状细胞癌组织病理学图像中细胞核和完整细胞的实例分割，提供定量支持以辅助诊断	头颈部鳞状细胞癌（HNSCC）组织病理学图像中的细胞核和完整细胞	计算机视觉	头颈部鳞状细胞癌	H&E染色	Cyto R-CNN	图像	83张图像，包含6598个标注实例	PyTorch	Cyto R-CNN	Dice系数	NA
1083	2026-05-04	Predicting DNA replication-related protein expression at the nucleus level from HE: A deep learning study with same-specimen paired data 2026-Jun, Acta histochemica IF:2.3Q4 DOI:10.1016/j.acthis.2026.152334 PMID:42035593	研究论文	基于同一标本配对HE和IHC数据，利用深度卷积网络在细胞核水平预测DNA复制相关蛋白表达	首次在细胞核水平直接从HE核形态预测连续DAB光密度和二元阳性，使用同一标本配对的HE/IHC数据集，并评估多任务学习跨标记预测	样本量小（21例），缺乏外部验证	评估深度卷积网络能否从HE核图像预测DNA复制相关蛋白（CDC6、CDT1、MCM7、ORC1、CDC7、Geminin、Ki-67）的表达	子宫内膜样癌病例的HE和IHC图像中的细胞核	数字病理学	子宫内膜癌	HE染色、IHC染色、NMF颜色分离、HoVer-Net核分割	卷积神经网络	图像（HE和IHC）	21例子宫内膜样癌病例（每级7例）	PyTorch	ResNet-50, EfficientNet-B0, MobileNetV3-Small	AUC-ROC, F1分数, 相关系数, 平均绝对误差	NA
1084	2026-05-03	Automated dual-stream deep network design for activity recognition 2026-Jun, Journal of biomechanics IF:2.4Q3 DOI:10.1016/j.jbiomech.2026.113290 PMID:41980401	研究论文	提出一种面向生物力学领域多变量时间序列传感器数据的自动化深度学习框架，用于活动识别任务	首次将自定义遗传算法优化的双流卷积神经网络与自动化深度学习框架相结合，自动提取时域和频域特征并处理类别不平衡问题	仅使用四个公开数据集进行验证，未涉及真实临床环境；频域特征移除在部分数据集上效果不显著	验证自动化深度学习框架在活动识别中的有效性和优势	四种不同惯性测量单元传感器放置位置和类别不平衡比例的公开活动识别数据集	机器学习	NA	惯性测量单元传感器数据	卷积神经网络	时间序列数据	四个公开活动识别数据集	TensorFlow, Keras	双流卷积神经网络	F1分数	Raspberry Pi 3
1085	2026-04-24	Machine learning and deep learning models for predicting colorectal cancer metastases: A comprehensive review 2026-Jun, European journal of radiology open IF:1.8Q3 DOI:10.1016/j.ejro.2026.100747 PMID:42022736	综述	对机器学习与深度学习模型在预测结直肠癌转移中的应用进行全面综述	系统性地比较了传统机器学习与深度学习模型（特别是卷积神经网络）在预测结直肠癌转移中的表现，着重分析了多模态数据整合和迁移学习的优势	综述关注了高质量数据集可用性、模型可解释性以及伦理问题等挑战，但未提供具体实验验证	总结机器学习与深度学习在早期预测结直肠癌转移方面的应用现状、挑战与未来方向	结直肠癌转移预测任务中使用的各类机器学习与深度学习模型	机器学习	结直肠癌	NA	CNN, LSTM, 逻辑回归, 随机森林	影像数据、临床数据、组织学数据、分子与基因组数据	NA	NA	GoogleNet, VGGNet, ResNet, U-Net	NA	NA
1086	2026-04-24	Dataset of RGB images of healthy grapevine leaves and with downy mildew, powdery mildew, Esca complex, and erineum mite symptoms 2026-Jun, Data in brief IF:1.0Q3 DOI:10.1016/j.dib.2026.112743 PMID:42023017	research paper	提供了一组健康葡萄叶及分屬四種病害的高解析度RGB图像数据集，支持植物病理学、精准葡萄栽培和计算机视觉研究	该数据集包含三个葡萄牙葡萄品种的健康叶片和四种病害叶片的原位图像，涵盖不同葡萄园环境和管理实践，提供两种分辨率（3000×3000和1024×1024像素）用于机器学习研究	未明确说明	支持植物病理学、精准葡萄栽培和计算机视觉研究，用于疾病检测/分类、品种识别、精准农业及农业机器人	健康及患病葡萄叶片的RGB图像数据集	computer vision	NA	RGB图像采集	CNN	图像	多个葡萄叶片样本，包含健康和四种病害类别	NA	三种深度学习架构（未具体说明）	NA	NA
1087	2026-04-21	Artificial intelligence in knee osteoarthritis imaging and total knee arthroplasty: advances, challenges, and segmentation methods - A review 2026-Jun, The Knee DOI:10.1016/j.knee.2026.104327 PMID:41564627	综述	本文综述了膝关节骨关节炎影像学及全膝关节置换术中的人工智能应用，重点探讨了自动分割和分析方法	系统比较了经典分割方法与基于AI（特别是深度学习）的方法在TKA规划与评估中的能力、局限性和临床相关性	基于AI的方法依赖于大规模标注数据集，且成像协议的变异性仍是重大挑战	综述膝关节成像的自动分割和分析方法，评估其在全膝关节置换术规划与评估中的应用	膝关节骨关节炎的影像数据（如X光、CT、MRI、超声）及相关的分割技术	数字病理学	骨关节炎	影像学技术（X光、CT、MRI、超声）	深度学习模型	图像	NA	NA	NA	NA	NA
1088	2026-04-19	Point positioning and counting network: A deep learning-based method for automatic axon counting 2026-Jun, Experimental eye research IF:3.0Q1 DOI:10.1016/j.exer.2026.110968 PMID:41819270	研究论文	本研究提出了一种基于点标注的深度学习框架PPCNet，用于自动计数山羊视神经半薄切片中的轴突密度	PPCNet结合了VGG16骨干网络、多尺度特征提取与横向融合，以及双分支架构进行空间坐标回归和候选点分类，并采用优化的匈牙利算法确保预测点与真实点的一一对应	研究仅在山羊视神经半薄切片数据集上进行评估，未在其他物种或组织类型中验证	开发一种自动、准确的轴突计数方法，以替代繁琐的手动计数和传统基于分割的方法	山羊视神经半薄切片中的轴突	计算机视觉	神经系统疾病	深度学习	CNN	图像	未明确指定样本数量，但包含测试集（轴突计数均值±标准差为901.6±225.6）	未明确指定，但基于深度学习框架	VGG16	线性回归分析中的R值、平均绝对误差(MAE)、Bland-Altman分析的一致性限	NA
1089	2026-04-19	Automatic deep learning-based segmentation of cornea and lens in 2D OCT images of rabbit eyes 2026-Jun, Experimental eye research IF:3.0Q1 DOI:10.1016/j.exer.2026.110965 PMID:41819269	研究论文	本文提出了一种基于深度学习的端到端流程，用于在低信噪比的兔眼二维OCT图像中自动分割角膜和晶状体	通过系统架构搜索选择了以ImageNet预训练的EfficientNet-B2为编码器的U-Net模型；引入了残差驱动、掩码引导的非局部均值阶段来抑制背景噪声同时保留边界；采用掩码到表面的转换方法，通过拟合稳健的三阶多项式来生成可用于生物测量的角膜和晶状体界面	训练数据有限，图像质量具有挑战性	开发一种快速、用户独立的自动化分割方法，以支持白内障手术规划	兔眼的前节光学相干断层扫描图像	计算机视觉	白内障	光学相干断层扫描	CNN	图像	440张兔眼B扫描图像	NA	U-Net, EfficientNet-B2	交并比, 均方根误差	NA
1090	2026-04-19	Deep learning revolutionizes protein research: Advances in structure prediction, functional annotation, and engineered design 2026-Jun, Journal of biotechnology IF:4.1Q2 DOI:10.1016/j.jbiotec.2026.03.012 PMID:41839238	综述	本文综述了深度学习如何通过一个协同循环，从根本上改变蛋白质研究，该循环连接了结构预测、功能注释和理性设计	提出了一个统一的“预测-理解-创造”范式，展示了深度学习在蛋白质结构预测、功能注释和从头设计方面取得的突破如何相互促进，形成一个自我强化的循环	在数据稀缺性、模型可解释性以及分布外泛化方面仍存在挑战	阐述深度学习如何变革蛋白质研究，并展示结构预测、功能注释和理性设计三个领域如何协同发展	蛋白质，特别是单域、球状蛋白质	机器学习	NA	深度学习，生成式人工智能，逆折叠模型，冷冻电镜与AI结合	深度学习模型，生成式AI模型，多模态模型	蛋白质序列数据，3D坐标数据，相互作用数据	NA	NA	AlphaFold2	NA	NA
1091	2026-04-19	A framework of hybrid deep learning and nature-inspired algorithms for accurate multi-class fundus disease classification 2026-Jun, Experimental eye research IF:3.0Q1 DOI:10.1016/j.exer.2026.110966 PMID:41850601	研究论文	提出了一种结合深度学习特征提取与自然启发算法的混合框架，用于多类别眼底疾病图像的准确分类	提出了一种新颖的混合框架，将预训练的深度学习模型（ResNet-18、GoogLeNet）与多种自然启发算法（粒子群优化、灰狼优化器、差分进化、萤火虫算法、遗传算法）相结合进行特征优化，并使用传统机器学习分类器进行分类，在ODIR和RFMiD数据集上实现了100%的多个性能指标	未明确说明计算资源需求、模型的可解释性以及在实际临床环境中的泛化能力	开发一个高精度的多类别眼底疾病自动分类系统，以辅助临床诊断	眼底图像，用于检测糖尿病视网膜病变、青光眼、年龄相关性黄斑变性、白内障和近视等疾病	计算机视觉	眼科疾病	眼底成像	CNN	图像	ODIR和RFMiD数据集（具体样本数量未在摘要中提供）	NA	ResNet-18, GoogLeNet	准确率, 召回率, 精确率, Kappa系数, F1分数, AUC	NA
1092	2026-04-18	Utility of breath-hold half-Fourier single-shot turbo spin-echo with deep learning-based reconstruction for acquiring fat-suppressed T2-weighted images of the pancreas 2026-Jun, European journal of radiology open IF:1.8Q3 DOI:10.1016/j.ejro.2026.100740 PMID:41994324	研究论文	本研究评估了三种磁共振成像技术在获取胰腺脂肪抑制T2加权图像方面的性能，包括采集时间和图像质量	首次比较了传统呼吸门控TSE、基于深度学习的呼吸屏气TSE以及基于深度学习的呼吸屏气半傅里叶单次激发TSE在胰腺成像中的效果，并引入了深度学习重建技术	研究样本量相对较小（87名患者），且仅针对胰腺疾病疑似患者，可能无法推广到所有人群	确定获取胰腺脂肪抑制T2加权图像的最佳技术，以优化采集时间和图像质量	疑似胰腺疾病患者及胰腺内大于5毫米的局灶性病变	医学影像	胰腺疾病	磁共振成像（MRI），包括脂肪抑制T2加权成像	深度学习重建模型	医学影像（磁共振图像）	87名患者，其中64个胰腺局灶性病变	NA	NA	图像质量评分（5点量表）、信噪比（SNR）、对比噪声比（CNR）	3-T磁共振扫描仪
1093	2026-04-14	An attention fusion of Fourier-analysis-based transformer and CNN-BiLSTM for coastal inorganic nitrogen concentration forecasts 2026-Jun-15, Water research IF:11.4Q1 DOI:10.1016/j.watres.2026.125798 PMID:41904912	研究论文	本研究提出了一种名为AFTB的新型深度学习架构，用于沿海无机氮浓度的多步预测，以应对数据缺失和浓度分布偏斜的挑战	提出了一种融合傅里叶增强Transformer与CNN-BiLSTM网络的新型深度学习架构（AFTB），通过专用注意力机制进行集成，并引入了对数变换、改进的损失函数和极值过采样策略以处理数据偏斜	研究主要基于中国广西的九个浮标站数据，其普适性有待在其他地理区域验证；虽然对训练数据不完整性展现了鲁棒性，但未讨论模型在长期预测或极端气候事件下的表现	开发一种鲁棒且准确的深度学习模型，用于预测沿海无机氮浓度，以帮助缓解有害藻华	沿海无机氮浓度时间序列数据	机器学习	NA	深度学习，时间序列预测	Transformer, CNN, BiLSTM	时间序列数据（水质监测数据）	中国广西九个浮标站的数据（具体样本数量未在摘要中说明）	NA	AFTB（一种融合了傅里叶增强Transformer和CNN-BiLSTM的架构）	准确性，平均性能方差，推理速度	NA
1094	2026-04-14	Enhancing cross-regional transferability of super-resolution-based flood surrogate models for data-scarce catchments 2026-Jun-15, Water research IF:11.4Q1 DOI:10.1016/j.watres.2026.125799 PMID:41916127	研究论文	本研究提出了一种迁移学习框架，通过图像超分辨率任务增强洪水替代模型在数据稀缺流域的跨区域可迁移性	将洪水替代建模视为图像超分辨率任务，开发了Residual SwinUNet模型，融合多通道粗网格洪水图与细网格地形特征，并探索了多种迁移学习策略以提升跨流域适应性	研究主要基于中国深圳河上游和澳大利亚里士满河两个流域，模型在其他地理和气候条件下的泛化能力有待进一步验证	提升基于深度学习的洪水替代模型在数据稀缺流域的跨区域可迁移性	洪水替代模型，特别是针对具有不一致基础分辨率和多样化地形特征的流域	计算机视觉	NA	深度学习，迁移学习，图像超分辨率	CNN, Transformer	图像（洪水图，地形特征）	涉及中国深圳河上游流域和澳大利亚里士满河流域的数据，具体样本数量未明确说明	PyTorch	Residual SwinUNet	准确性，基线准确度恢复率，可训练参数比例	NA
1095	2026-04-14	Multi-modal deep learning model for predicting recurrence of moderately severe and severe acute pancreatitis 2026-Jun, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2026.112758 PMID:41795349	研究论文	本研究开发并验证了一个多模态深度学习模型APNet，用于预测中重度急性胰腺炎的复发风险	通过多尺度融合整合临床因素和增强CT特征，克服了单模态预测器的局限性，显著提升了预测性能	回顾性研究设计，样本量相对有限（235例患者），需要外部验证以进一步确认泛化能力	预测中重度急性胰腺炎（MSAP/SAP）的复发风险	中重度急性胰腺炎患者	数字病理学	胰腺炎	增强CT成像	深度学习模型	临床数据和CT图像	235例患者（开发队列184例，独立验证队列51例）	PyTorch, LightGBM	ResNet50, ViT（Vision Transformer）	AUC, 准确率, 精确率, 召回率, F1分数	NA
1096	2026-04-14	NeuroMix-DL: Improving imaging quality of a fast multiparametric MRI protocol using deep learning 2026-Jun, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2026.112795 PMID:41831364	研究论文	本研究利用深度学习模型SwinUNETR提升快速多对比度脑部MRI协议（NeuroMix）的图像质量	首次将Swin U-Net Transformer（SwinUNETR）应用于快速多对比度MRI图像增强，显著降低图像误差并改善临床质量评分	研究为回顾性设计，样本量相对有限（350例），且未在外部数据集上验证模型泛化能力	通过深度学习提升快速多对比度MRI协议的图像质量，优化MRI的性价比	脑部MRI图像（T1加权、T2加权、T2 FLAIR对比度）	医学影像分析	NA	多对比度MRI序列（NeuroMix协议）	深度学习	医学影像（MRI图像）	350名患者（年龄64±17岁，155名男性）	PyTorch（基于SwinUNETR架构推断）	Swin U-Net Transformer（SwinUNETR）	均方根误差（RMSE），五点图像质量量表评分	NA
1097	2026-04-14	Deep learning synthesis of virtual T2-weighted fat-suppressed MR images: a multi-center study 2026-Jun, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2026.112797 PMID:41855768	研究论文	本研究开发了一种基于生成对抗网络的深度学习模型，用于从标准T1和T2加权MRI图像生成虚拟T2脂肪抑制序列，旨在减少MRI扫描时间而不影响脊柱肿瘤的诊断价值	提出了一种利用生成对抗网络从常规T1和T2加权图像合成虚拟T2脂肪抑制序列的方法，实现了多中心验证，并展示了在减少扫描时间方面的潜在临床价值	合成图像在肿瘤内部细节可视化方面略逊于真实图像，且研究为回顾性设计，需要前瞻性研究进一步验证	开发一种能够生成虚拟T2脂肪抑制MRI序列的深度学习模型，以优化脊柱肿瘤的MRI扫描流程	来自两个机构的1,389名脊柱肿瘤患者的MRI图像	医学影像分析	脊柱肿瘤	MRI	GAN	图像	1,389名患者（训练集1,026例，内部验证集257例，外部测试集106例）	NA	GAN	MSE, SSIM, PSNR, Dice相似系数, SNR, CNR	NA
1098	2026-04-14	Ethmoid sinus CBCT imaging as a biometric instrument: dataset creation for deep learning identification 2026-Jun, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2026.112796 PMID:41864172	研究论文	本研究构建了一个标注的筛骨CBCT数据集，并评估了其在基于深度学习的性别分类中的效用	首次利用筛骨CBCT影像作为生物特征识别工具，并创建了专门的数据集用于深度学习性别分类	样本量相对有限（565例），年龄范围较广（6-74岁），可能影响模型的泛化能力	评估筛骨CBCT影像作为生物特征识别工具的潜力，特别是用于性别分类	人类筛骨及筛窦的CBCT影像	计算机视觉	NA	锥形束计算机断层扫描（CBCT）	CNN	图像（CBCT扫描）	565例CBCT扫描（312名男性，253名女性），年龄范围6-74岁	NA	ResNet-50	F1分数	NA
1099	2026-03-24	Letter to the Editor concerning "External validation of SpineNetv2 deep learning system for automated lumbar spine MRI analysis: A multi-pathology diagnostic agreement study" by Wu et al. (Eur spine J [2025]; https://doi.org/10.1007/s00586-025-09543-z) 2026-Jun, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2026.112802 PMID:41865474	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1100	2026-04-14	Development and validation of a CT-based deep learning radiomics model for differentiating parathyroid adenoma from atypical parathyroid tumor/parathyroid carcinoma 2026-Jun, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2026.112808 PMID:41865473	研究论文	本研究开发并验证了一种基于CT的深度学习放射组学模型，用于术前区分甲状旁腺腺瘤与非典型甲状旁腺肿瘤/甲状旁腺癌	开发了一个结合深度学习特征、放射组学特征和临床变量的综合模型，用于术前区分良恶性甲状旁腺肿瘤，并证实了其较高的诊断性能和临床实用性	这是一项回顾性研究，存在固有的选择偏倚风险；样本量相对有限，尤其是非典型肿瘤/癌的病例；模型性能需要在外部验证集中进一步确认	开发一种准确术前区分甲状旁腺腺瘤与非典型甲状旁腺肿瘤/甲状旁腺癌的工具，以支持个体化治疗决策	经病理证实的甲状旁腺肿瘤患者	数字病理	甲状旁腺肿瘤	CT成像	深度学习, 机器学习	CT图像	358个经病理证实的甲状旁腺肿瘤数据集（训练集250例，测试集108例）	Scikit-learn	KNN, Extra Trees, Random Forest	AUC, 准确率, 灵敏度, 特异性	NA