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
201	2026-08-24	Automated Eosinophil Quantification Using Deep Learning to Predict Therapy Escalation in Pediatric Ulcerative Colitis 2026-Jul-01, Clinical and translational gastroenterology IF:3.0Q2 DOI:10.14309/ctg.0000000000001031 PMID:42044208	研究论文	开发了一种基于U-Net的深度学习模型，用于自动量化儿童溃疡性结肠炎中的嗜酸性粒细胞，以预测治疗升级。	首次将深度学习应用于儿童溃疡性结肠炎嗜酸性粒细胞的自动化量化，并验证其作为可重复生物标志物预测治疗升级的潜力。	未提及具体局限性。	开发并验证基于深度学习的嗜酸性粒细胞自动量化方法，以预测儿童溃疡性结肠炎的治疗升级和临床结局。	来自两个儿科中心的病理全切片图像，以及PROTECT队列中221例初治中重度儿童溃疡性结肠炎患者的直肠活检样本。	数字病理学	儿童溃疡性结肠炎	全切片图像分析	U-Net	病理图像	221例患者和病理切片	未明确提及	U-Net, SAU-Net, YOLO-v8, HoVer-Next	AUROC, 精确率, 召回率, F1分数, 斯皮尔曼相关系数	未明确提及
202	2026-08-24	Real-Time Artificial Intelligence for Early Sepsis Prediction Using Dynamic Clinical Data: A Systematic Review 2026-Jul, Cureus DOI:10.7759/cureus.113193 PMID:42632992	系统综述	本文系统评估了使用动态医院数据进行早期脓毒症预测的实时人工智能模型，共纳入8项研究，并对其性能、偏倚风险和临床应用前景进行了综合分析。	首次系统综述聚焦于利用动态临床数据的实时人工智能脓毒症预测模型，强调解释性方法（如特征归因和SHAP分析）的应用，并纳入外部验证和转移学习等现代策略。	证据主要基于回顾性研究，存在异质性脓毒症定义和分析报告不足的问题，缺乏前瞻性验证和临床整合评估。	评估实时人工智能模型在早期脓毒症预测中的表现、可解释性和临床就绪程度。	成人住院人群（包括重症监护室、急诊科和多重医院系统）中的脓毒症预测。	机器学习	脓毒症	NA	梯度提升方法、神经网络、循环生存模型、深度学习预测平台	动态临床数据	每项研究样本量从数百到超过500,000名患者不等（共8项研究）	NA	梯度提升机、神经网络、循环生存模型、深度学习架构（具体模型未详述）	受试者工作特征曲线下面积（AUC），部分研究报告了预警提前时间	NA
203	2026-08-23	The 5000 Babies Project: Early detection of cerebral palsy movement patterns in infants 2026-Jul-27, Research square DOI:10.21203/rs.3.rs-9856805/v1 PMID:42620243	研究论文	本研究评估了使用计算机视觉和时间序列分析婴儿视频数据来早期检测脑性瘫痪的可行性	利用现成的姿态估计模型和深度学习技术，对0-6个月婴儿视频进行运动模式分析，以实现脑性瘫痪的早期检测，填补了传统GMA评估在可扩展性方面的不足	可行性研究，样本量有限，模型性能有待进一步提高，需要进一步研究来验证其在临床实践中的适用性	评估使用计算机视觉和婴儿视频时间序列分析进行脑性瘫痪预测的可行性	0至6个月校正年龄的婴儿	计算机视觉	脑性瘫痪	视频姿态估计	深度学习模型	视频数据	930名婴儿，其中42名在2岁时被诊断为脑性瘫痪	NA	姿态估计模型	ROC-AUC, 灵敏度, 特异性	NA
204	2026-08-23	AlphaGEM enables precise genome-scale metabolic modelling by integrating protein structure alignment with deep-learning-based dark metabolism mining 2026-Jul-16, Nature communications IF:14.7Q1 DOI:10.1038/s41467-026-75549-w PMID:42463708	研究论文	开发了AlphaGEM工具箱，结合蛋白质结构比对和深度学习暗代谢挖掘，实现精确的基因组规模代谢模型构建	首次将蛋白质结构比对与深度学习暗代谢挖掘相结合，提升同源关系识别并扩展物种特异代谢网络	未说明具体限制，可能涉及对非模式生物数据依赖性及深度学习预测的不确定性	实现跨物种高效、精确的基因组规模代谢模型自动构建	非模式生物，包括原核生物、真核生物和哺乳动物及多种酵母	机器学习	NA	蛋白质结构比对，蛋白质语言模型，深度学习预测	深度学习模型（如PLMSearch）	基因组序列、蛋白质结构数据	涵盖6个物种验证及332种酵母菌株	NA	PLMSearch	预测准确性、模型质量	NA
205	2026-08-23	Toward protocol simplification: Deep learning-based image synthesis in three-phase CT urography 2026-Jul-15, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2026.111746 PMID:42140070	研究论文	本研究开发并评估了一种基于扩散模型与Swin transformer的深度学习方法，用于从CT尿路造影的非增强和排泄期图像合成尿路上皮期图像。	提出了一种结合扩散模型和Swin transformer的定制深度学习模型dsSNICT，用于CT尿路造影中尿路上皮期图像的合成，可减少辐射剂量并改善图像质量。	单中心回顾性研究，样本量有限（335例），且图像质量评估依赖于主观评分。	开发一种方法，通过合成尿路上皮期图像，减少CT尿路造影的辐射剂量，同时保持图像质量，并可用于修复因对比剂时机不佳或运动伪影受损的图像。	335例接受三相CT尿路造影的患者（平均年龄63±15岁，男179/女156）。	深度学习、医学影像分析	泌尿系统疾病（CT尿路造影相关）	CT成像，扩散模型，Swin transformer	扩散模型（dsSNICT）	医学图像（CT影像）	335例患者，分训练/验证/测试集（80/10/10）	未明确指出，但可能使用PyTorch或TensorFlow	Swin transformer，扩散模型	峰值信噪比（PSNR）、结构相似性指数（SSIM）、平均绝对误差（MAE）、Fréchet视频距离（FVD）	未明确指出，可能使用GPU（如NVIDIA）
206	2026-08-23	CenSegNet: a generalist high-throughput deep learning framework for centrosome phenotyping at spatial and single-cell resolution in heterogeneous tissues 2026-Jul-15, Nature communications IF:14.7Q1 DOI:10.1038/s41467-026-75393-y PMID:42457714	研究论文	本文介绍了一个名为CenSegNet的模块化深度学习框架，用于对异质性组织中中心体和上皮结构进行高吞吐量分割，实现对中心体异常在空间和单细胞分辨率下的表型分析。	提出了一种通用的模块化深度学习框架CenSegNet，能够跨成像模态和组织环境精确分割中心体及上皮结构，实现高吞吐量、空间和单细胞分辨率的中心体表型分析，并揭示了中心体异常亚型的机制解耦及其临床关联。	未提及具体局限，但隐含对组织微阵列样本的依赖性，可能影响在其他组织或成像条件下的泛化性验证。	开发并验证CenSegNet框架，用于大规模、空间分辨率的中心体表型分析，探究中心体异常在癌症中的生物学和临床意义。	中心体异常（CA）及其亚型，包括数值和结构异常，在乳腺癌组织中的空间分布和单细胞特征。	计算机视觉	乳腺癌	组织微阵列成像	深度学习分割网络	图像	911个乳腺癌组织核心样本，来自127名患者	深度学习框架（未指定具体框架，如PyTorch或TensorFlow）	分割网络架构（具体结构如U-Net等未提及）	准确性、泛化性、空间分辨率、单细胞分辨率	未提及具体计算资源，如GPU类型或云平台
207	2026-08-23	Spike-based alignment learning solves the weight transport problem 2026-Jul-07, Nature communications IF:14.7Q1 DOI:10.1038/s41467-026-74460-8 PMID:42414269	研究论文	提出了一种名为尖峰对齐学习（SAL）的突触局部学习规则，利用噪声进行权重对齐，以解决神经网络的权重传输问题	引入了一种基于尖峰的局部学习规则，该规则利用噪声实现权重对齐，能够在其他功能性学习规则运行的同时保持必要的对称性，从而确保梯度的正确局部表示，并适用于生物和人工模拟基质	NA	解决学习算法中的权重传输问题，实现局部计算与物理神经网络约束的兼容	脉冲贝叶斯推断网络模型和生物合理性误差反向传播网络模型	机器学习	NA	NA	脉冲神经网络	图像	NA	NA	NA	NA	NA
208	2026-08-23	Automated detection of lumbar disc herniation at L4-L5 and L5-S1 levels on sagittal MRI using a YOLO-based deep learning model 2026-Jul-06, BMC musculoskeletal disorders IF:2.2Q3 DOI:10.1186/s12891-026-10124-4 PMID:42410553	研究论文	本研究探讨了基于YOLO的深度学习模型在矢状位MRI上自动检测L4-L5和L5-S1腰椎间盘突出的可行性	首次采用YOLO目标检测架构对特定腰椎节段（L4-L5和L5-S1）的椎间盘突出进行分类检测	测试集样本量小、单中心设计、缺乏外部验证和放射科医师基准比较，结果仅具假设生成性	初步评估基于YOLO的深度学习模型在矢状位MRI上自动检测腰椎间盘突出的可行性	成人患者的矢状位T2加权腰椎MRI图像，重点关注L4-L5和L5-S1节段	计算机视觉	腰椎间盘突出	MRI（矢状位T2加权成像）	YOLO	图像	372张矢状位T2加权腰椎MRI切片，分为337张训练集、25张验证集和10张测试集	未在标题和摘要中明确提及，推测可能为PyTorch或Darknet，输出NA	YOLO	精确度、召回率、F1分数、平均精度均值（mAP@0.5和mAP@0.5-0.95）	未在标题和摘要中明确提及，输出NA
209	2026-08-23	DeepKOALA: a scalable deep learning framework for KEGG Orthology assignment 2026-Jul-03, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbag445 PMID:42617151	研究论文	提出一种基于门控循环单元的可扩展深度学习框架DeepKOALA，用于KEGG直系同源（KO）注释，以加速大规模序列功能注释	将KO注释建模为开放集识别任务以减少假阳性，采用轻量级GRU骨干网络实现高通量注释，并提供专门处理不完整序列的片段模型和可选的多域模式	摘要中未明确提及局限性	开发一种可扩展、高效的深度学习工具，用于大规模序列的KEGG Orthology注释，克服传统序列比对方法计算成本高的局限	蛋白质和DNA序列的KEGG Orthology注释	机器学习	NA	NA	GRU	序列	NA	NA	GRU	F1	NA
210	2026-08-23	Artificial Intelligence Methods in Early Detection of Autism Spectrum Disorder: A DSM-5 Criterion-Based Systematic Review 2026-Jul, Autism research : official journal of the International Society for Autism Research IF:5.3Q1 DOI:10.1002/aur.70279 PMID:42226557	综述	本系统综述评估了基于人工智能的儿童自闭症谱系障碍早期检测方法，分析其分布、性能、与DSM-5标准的对齐程度以及研究的方法学质量	首次基于DSM-5标准对AI早期检测ASD的方法进行系统评价，并关注AI技术与诊断标准的对齐关系	未进行引文追踪，存在地理分布偏差（偏向高收入地区），方法学质量不一致	评估AI方法在儿童ASD早期检测中的分布、性能、DSM-5对齐程度，并评估现有研究的方法学质量	0-18岁临床诊断为ASD的儿童群体	机器学习	自闭症谱系障碍	NA	卷积神经网络、支持向量机	行为观察数据	43项研究（从1018篇记录中筛选）	NA	卷积神经网络, 支持向量机	准确率	NA
211	2026-08-23	An intelligent fusion model for Ki-67 prediction in non-small cell lung cancer: A cloud-based prediction system integrating radiomics 2026-Jul, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2026.112866 PMID:42000471	研究论文	本研究开发并验证了一种融合影像组学和深度学习评分及临床参数的随机森林模型，用于预测非小细胞肺癌患者的Ki-67表达水平。	提出了一种融合瘤内和瘤周影像组学评分、深度学习评分及临床参数的智能融合模型，并采用SHAP方法解释模型预测，提高了预测的准确性和可解释性。	未在摘要中明确提及局限性。	准确预测非小细胞肺癌患者术前Ki-67表达水平，以改善预后分层并指导个性化治疗策略。	876名非小细胞肺癌患者，来自四个医疗中心。	医学影像分析、机器学习	非小细胞肺癌	CT影像组学、深度学习（ResNet101）	随机森林	CT图像、影像组学特征、临床数据	876例患者（训练集525例，测试集175例，外部验证集176例）	未指定	ResNet101、随机森林	AUC、F1分数	未指定
212	2026-08-23	Machine learning to classify left ventricular hypertrophy using electrocardiographic feature extraction by variational autoencoder 2026-Jul, Heart rhythm O2 IF:2.5Q2 DOI:10.1016/j.hroo.2026.03.019 PMID:42488151	研究论文	本研究利用变分自编码器提取心电图特征，并构建机器学习模型以提升左心室肥厚的诊断准确性	采用变分自编码器从心电图中提取潜在特征，并结合传统心电图特征进行左心室肥厚分类，相比传统标准及直接使用信号的卷积神经网络模型具有更优性能	未明确提及局限性，但可能受限于回顾性研究设计和特定人群的泛化性	开发和验证基于心电图的机器学习模型，用于左心室肥厚的诊断，并与传统心电图标准及信号卷积神经网络模型进行比较	左心室肥厚患者及非患者的心电图与超声心动图配对数据	机器学习	左心室肥厚	心电图特征提取，变分自编码器	逻辑回归、随机森林、LightGBM、残差神经网络、多层感知机、卷积神经网络	心电图信号及特征数据	482,734对心电图-超声心动图配对样本，测试集54,984例	NA	变分自编码器、LightGBM、残差神经网络、多层感知机、卷积神经网络	受试者工作特征曲线下面积	NA
213	2026-08-23	Artificial Intelligence in Health Care: Clinical Opportunities, Validation Trends, and Implementation Challenges (2020-2025) 2026 Jul-Sep 01, Journal for healthcare quality : official publication of the National Association for Healthcare Quality IF:0.9Q4 DOI:10.1097/JHQ.0000000000000524 PMID:42008829	系统综述	本系统综述评估了2020至2025年间人工智能在医疗保健中的临床应用机会、验证趋势及实施挑战。	与早期综述相比，本研究重点分析了验证率的提升（从23%升至46.7%）及对算法公平性的关注增加。	仅纳入15项经过前瞻性或外部验证的研究，可能限制结果的广泛适用性。	系统综述人工智能在临床环境中的应用，识别验证趋势和实施障碍。	2020年1月至2025年9月间发表的相关研究。	机器学习	放射学、肿瘤学、心脏病学	深度学习，卷积神经网络	深度学习，卷积神经网络	医学影像	15项研究	NA	卷积神经网络	AUC	NA
214	2026-08-23	Predicting ventricular arrhythmia in myocardial ischemia using deep learning 2026-Jul, Heart rhythm O2 IF:2.5Q2 DOI:10.1016/j.hroo.2026.02.009 PMID:42488144	研究论文	本研究利用深度学习预测急性心肌缺血期间室性心律失常（早搏）的发生时间	首次利用心外膜电图高分辨率信号预测急性缺血期间早搏的时间，并量化了个体化数据需求	研究基于动物实验（猪）数据，可能不完全适用于人类；样本量有限（21次实验）	确定心外膜电图是否包含预测急性缺血期间早搏时间的特征，并量化个体化所需的数据量	猪急性缺血模型中的心外膜电图和自发早搏事件	机器学习	心肌缺血	电生理记录（心外膜电图，1 kHz采样）	长短期记忆网络（LSTM）	时间序列信号	21头猪的急性缺血实验，共2252个自发早搏	NA	6层LSTM（隐藏层大小128）结合时间注意力机制	平均绝对误差（MAE）、R²、预测准确性（30-60秒窗口内的预测比例）	NA
215	2026-08-22	CellFuse Enables Multimodal Integration of Single-Cell and Spatial Proteomics Data for Systems-Level Analysis in Cancer 2026-07-15, Cancer research IF:12.5Q1 DOI:10.1158/0008-5472.CAN-25-3699 PMID:42084223	研究论文	开发了CellFuse，一种基于深度学习的多模态整合框架，用于统一基于抗体的蛋白质组学数据，包括单细胞和空间蛋白质组学，以实现癌症的系统级分析	提出了一种利用监督对比学习的整合框架，能够处理低维蛋白质组数据，支持跨模态细胞类型预测和标签转移，并在多种癌症数据集中验证了其优于现有方法	摘要中未明确提及局限性，可能包括对高通量数据的计算需求或对特定抗体panel的依赖	开发一种可扩展、模态无关的整合工具，以联合单细胞和空间蛋白质组学数据，揭示肿瘤免疫生态系统的结构及相关细胞状态	肿瘤样本中的多种细胞类型，包括恶性细胞、基质细胞和免疫细胞，以及来自外周血、骨髓和淋巴瘤的数据	机器学习	癌症	抗体为基础的蛋白质组学，包括高维细胞计数法、CITE-seq和空间蛋白质组学	深度学习模型（利用监督对比学习）	蛋白质组数据（单细胞和空间）	多个数据集，涵盖外周血、骨髓和淋巴瘤样本，具体样本数量未在摘要中说明	NA	NA	细胞类型预测准确性、标签转移稳健性以及临床相关群体的恢复能力	NA
216	2026-08-20	A Reproducible Protocol for Developing and Evaluating Explainable Artificial Intelligence Frameworks in Healthcare Analytics 2026-Jul-31, Journal of visualized experiments : JoVE DOI:10.3791/71999 PMID:42612052	研究论文	本文提出了一种可复现的实验方案，用于开发和评估医疗保健分析中的可解释人工智能框架，该方案整合了数据预处理、预测建模、解释生成和评估步骤。	提出了一种端到端的可复现实验协议，统一处理结构化临床数据和医学影像数据，并整合了多种解释技术（SHAP、LIME、Grad-CAM）和评估指标。	摘要中未明确提及局限性。	旨在提供一个可复现且可扩展的实验方案，以开发和评估医疗保健分析中的可解释人工智能系统，从而提高临床决策支持系统的信任度和可用性。	结构化临床数据和医学影像数据集。	机器学习	未指定	NA	集成机器学习模型、深度学习模型	结构化临床数据、医学影像	NA	NA	NA	准确率、精确率、召回率、F1分数、ROC-AUC、解释指标、保真度、稳定性	NA
217	2026-08-20	Deep-Learning-Based Prediction of Residential Floor Plan Attributes for Elderly-Oriented Housing Assessment 2026-Jul-31, Journal of visualized experiments : JoVE DOI:10.3791/72157 PMID:42612093	研究论文	本文提出了一个用于住宅平面图属性预测的元集成深度学习框架，旨在支持面向老年人的住房评估。	创新性地结合四种互补卷积神经网络（MobileNetV2、InceptionV3、ResNet101和VGG16）构成元集成模型，并采用基于堆叠的元集成策略和规则决策层，实现住宅布局分类和属性预测，同时引入SHAP增强模型可解释性。	原文未明确提及局限性。	开发自动化方法分析住宅平面图，预测建筑属性并分类住宅类型，以支持老年人友好住房评估。	住宅平面图图像及其建筑属性（面积、卧室数、浴室数、车库数）和布局类别。	计算机视觉	老年疾病	NA	卷积神经网络（CNN）和元集成学习	图像	原文未明确提及样本数量。	NA	MobileNetV2, InceptionV3, ResNet101, VGG16	平均绝对误差（MAE）、决定系数（R）、定性分析、SHAP。	原文未明确提及计算资源。
218	2026-08-20	Evaluating bias in target trial emulation for heart failure across statistical and deep learning methods 2026-Jul-13, Nature communications IF:14.7Q1 DOI:10.1038/s41467-026-74999-6 PMID:42443168	研究论文	本研究评估了在心力衰竭目标试验模拟中，不同统计和深度学习方法对指示混淆偏倚的控制效果，发现这些方法均未能再现随机对照试验的基准结果。	首次系统比较了四种调整策略（倾向性评分匹配、逆概率加权、靶向最大似然估计和基于Transformer的深度学习）在目标试验模拟中处理强指示混淆的能力，并使用了半合成模拟验证方法在观测混杂条件下的有效性。	研究依赖现实世界数据，强混淆下所有方法均无法消除偏倚，且模拟条件可能与实际情况存在差异。	评估统计和深度学习方法在目标试验模拟中控制指示混淆偏倚的效果，以确定其能否模拟随机对照试验结果。	心力衰竭且射血分数降低的患者，使用β受体阻滞剂（阳性对照）和地高辛（阴性对照）与常规护理比较。	机器学习	心力衰竭	NA	Transformer	电子健康记录数据	未明确指定，但使用了临床实践研究数据链Aurum中的心力衰竭患者队列。	NA	Transformer	NA	NA
219	2026-08-20	Surface circumferential spinal cord recording in freely moving rodents 2026-Jul-13, Nature communications IF:14.7Q1 DOI:10.1038/s41467-026-75128-z PMID:42443176	研究论文	本研究展示了一种超薄环形电极阵列，可在自由活动大鼠中同时解码运动意图、分类感觉输入并区分内脏感觉输入，并在猪中验证了跨物种可扩展性	单一环形电极阵列无需穿透神经组织即可同时实现运动、感觉和内脏传入信号的多功能解码，且双排电极配置可解析脊髓束内的方向性传播	文中未提及具体局限性，可能包括短期植入（最多三天）的长期稳定性未验证，以及动物模型与人体的差异	开发一种多功能神经假体接口，通过整合运动、感觉和内脏传入解码，促进神经损伤后生理功能的综合恢复	自由活动大鼠和急性麻醉猪的脊髓	神经工程	脊髓损伤	NA	深度学习解码器	电生理信号	自由活动大鼠（短期植入最多三天）和急性麻醉猪	NA	深度学习解码器	R²、准确率	NA
220	2026-08-20	Previous prescribed burns saved thousands of ancient sequoias during historically unprecedented wildfires 2026-Jul-11, Nature communications IF:14.7Q1 DOI:10.1038/s41467-026-75418-6 PMID:42436158	研究论文	该研究通过贝叶斯框架和深度学习分类器，评估了先前计划烧除对巨型红杉在极端野火中存活率的影响	首次量化了计划烧除在极端野火中对巨型红杉死亡率的降低效果，并利用深度学习结合遥感数据进行了大规模评估	研究依赖于历史烧除记录和遥感数据，可能未考虑所有环境变量；模型预测存在不确定性	评估计划烧除在极端野火条件下对巨型红杉死亡率的影响，为森林保护提供科学依据	巨型红杉（Sequoiadendron giganteum）	计算机视觉、机器学习	不适用	遥感（PlanetScope影像、机载激光雷达）	深度学习分类器	图像、点云、现场观测数据	26,403棵巨型红杉，分布于19个树林	未明确提及	深度学习分类器（具体架构未指定）	死亡率、比值比、贝叶斯可信区间	未明确提及