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
81	2026-06-08	Use of uterine activity to predict preterm birth by artificial intelligence assisted models: a narrative systematic review 2026-Dec, The journal of maternal-fetal & neonatal medicine : the official journal of the European Association of Perinatal Medicine, the Federation of Asia and Oceania Perinatal Societies, the International Society of Perinatal Obstetricians DOI:10.1080/14767058.2025.2582375 PMID:41663244	综述论文	系统综述了人工智能辅助模型利用子宫活动预测早产的准确性和适用性	首次系统评估了使用子宫收缩数据（特别是宫缩描记图EHG特征）结合AI模型预测早产的研究，发现非线性特征和深度学习模型优于传统方法	纳入研究存在高风险偏倚（86.7%），主要问题包括数据不平衡、样本量小、缺乏外部验证，限制了模型的临床应用	评估当前基于子宫收缩的AI模型在早产预测中的准确性和适用性	53篇利用宫缩描记图（EHG）或时间序列数据通过AI方法预测早产的研究	机器学习	早产	宫缩描记图（EHG），时间序列分析	深度学习，机器学习，神经网络	宫缩描记图（EHG）特征（时域、频域、熵、拓扑特征）	53篇研究	NA	神经网络，深度学习模型	准确率（ACC），AUC	NA
82	2026-05-31	Redefining spiking neural networks through the lens of dynamical superspace 2026-Dec, Cognitive neurodynamics IF:3.1Q2 DOI:10.1007/s11571-026-10470-y PMID:42212279	观点/展望论文	本文通过动力学超空间框架重新定义脉冲神经网络，从时间密度和状态空间复杂度角度审视神经计算，并提出从同步到异步计时、从平衡态到非平衡动力学的演进路线图	提出动力学超空间概念将神经计算重新定义为由时间密度和状态空间复杂度决定的连续层次，揭示了真实神经形态优势来源于异步计时与非平衡动力学，并构建了全局优化与局部执行的桥梁	该框架尚处于概念阶段，缺乏具体实验验证和定量分析；从理论到实际应用的技术路径未详细展开	重新定义脉冲神经网络的计算范式，揭示其作为动力系统而非高效量化的本质，为下一代智能系统提供理论基础	脉冲神经网络（SNN）的计算原理、时间动力学特性及其与生物神经电路的关系	机器学习, 神经形态计算	NA	NA	脉冲神经网络（SNN）	NA	NA	NA	NA	NA	NA
83	2026-05-24	An automatic detection model for spread through air spaces in postoperative pathological sections based on deep learning in NSCLC 2026-Dec, Computer assisted surgery (Abingdon, England) DOI:10.1080/24699322.2026.2674321 PMID:42172197	研究论文	提出基于深度学习的非小细胞肺癌术后病理切片气腔扩散自动检测模型	结合肿瘤区域分割算法与改进的目标检测算法，首次实现气腔扩散（STAS）的自动检测与量化	外部验证中精度和召回率有所下降，且在肺鳞癌中准确性低于肺腺癌	开发基于深度学习的AI框架，自动检测和量化非小细胞肺癌全切片图像中的气腔扩散（STAS）	91名STAS阳性非小细胞肺癌患者的129张病理切片	数字病理学	非小细胞肺癌	深度学习	目标检测模型	病理图像	129张病理切片（来自91名患者）	PyTorch	分割算法、改进的目标检测模型	Jaccard相似度、精确率、召回率、平均精度（AP）、F1分数、组内相关系数	NA
84	2026-05-15	Individualized Treatment Effect Inference of Head and Neck Cancer with Multimodal Data 2026-Dec-14, APSIPA Transactions on Signal and Information Processing DOI:10.1108/atsip-06-2025-0051 PMID:42125301	研究论文	开发一个端到端深度学习框架，利用多模态患者数据和多种治疗方法，在头颈癌回顾性研究中准确推断个体化治疗效果	提出双阶段自适应实例归一化（Bi-AdaIN）实现灵活高效的治疗条件信息融合，并通过互信息正则化从多治疗变量中解耦患者状态特征，增强了因果效应的稳健估计	基于回顾性观察数据，可能仍存在未观测到的混杂因素；对复杂多模态数据和多种治疗方案的对抗训练方法存在不稳定性	实现基于多模态数据的头颈癌个体化治疗效果准确推断，为临床决策支持提供反事实推理方法	头颈癌患者的多模态数据，包括CT扫描图像和多种临床变量	机器学习, 数字病理学	头颈癌	CT扫描	深度学习	图像, 表格数据	3346例头颈癌病例	PyTorch	Bi-AdaIN	偏倚调整治疗效果	NA
85	2026-05-02	Deep learning assessment of nativeness and pairing likelihood for antibody and nanobody design with AbNatiV2 2026-12-31, mAbs IF:5.6Q1 DOI:10.1080/19420862.2026.2646361 PMID:41947016	研究论文	提出AbNatiV2，一种基于深度学习的抗体和纳米抗体天然性与配对可能性评估方法	1）扩展序列数据库并改进架构，提升纳米抗体天然性分类性能；2）引入p-AbNatiV2跨注意力模型，利用噪声对比训练学习VH/VL配对概率	未明确讨论模型在不同物种或极端突变场景下的泛化能力	评估抗体和纳米抗体的天然性及配对可能性，支持抗体工程和从头设计	抗体和纳米抗体序列（包括VH-VL配对和单域纳米抗体）	机器学习	NA	深度测序	VQ-VAE, Transformer, 跨注意力模型	序列数据	每个模型在超过2000万条序列上训练，p-AbNatiV2在370万对人类配对序列上微调	PyTorch	VQ-VAE + Transformer, 跨注意力模型	分类准确率, 配对评分, 残基级人源化评分	NA
86	2026-05-02	Monitoring horse behaviour with deep learning models 2026-Dec-31, The veterinary quarterly DOI:10.1080/01652176.2026.2665442 PMID:42048054	研究论文	利用深度学习模型监测马的行为，通过卷积神经网络识别站立、躺卧和饮水行为	首次使用深度学习模型从连续视频中自动识别马匹的站立、躺卧和饮水行为，并展示其在福利监测中的应用潜力	躺卧行为的召回率较低（63.1%），且仅针对单一马匹在木制马厩中的行为进行研究，未涉及更不常见的行为识别	评估深度学习模型在非侵入式监测马匹行为中的有效性	马的行为（站立、躺卧和饮水）	计算机视觉	NA	视频数据	卷积神经网络（CNN）	视频	一匹马，连续29天记录	NA	卷积神经网络（CNN）	精确率, 召回率	NA
87	2026-04-14	Domain generalized feature embedded learning for calibration-free event-related potentials recognition 2026-Dec, Cognitive neurodynamics IF:3.1Q2 DOI:10.1007/s11571-026-10450-2 PMID:41971720	研究论文	本文提出了一种域广义特征嵌入学习方法，用于实现无需校准的事件相关电位识别	通过协方差质心对齐、xDAWN滤波器增强特征提取以及分解对抗损失进行特征泛化，实现了跨被试的鲁棒特征学习，无需目标样本即可泛化到新被试	NA	构建无需校准的基于脑电图的脑机接口，实现跨被试的事件相关电位识别	事件相关电位信号	机器学习	NA	脑电图	神经网络	脑电图信号	两个基准脑电图事件相关电位数据集	NA	神经网络嵌入骨干	分类性能	NA
88	2026-04-06	Modeling spectral EEG interactions using graph-structured variational representation learning 2026-Dec, Cognitive neurodynamics IF:3.1Q2 DOI:10.1007/s11571-026-10434-2 PMID:41883490	研究论文	提出一种基于图表示学习的框架，用于从脑电图信号中识别情感	将频域EEG特征建模为结构化图中的节点，并利用GNN-VAE学习紧凑的潜在表示，通过k环邻域连接定义谱邻接关系，实现了跨连续频段的局部消息传递	当前研究侧重于固定的谱连接和受试者依赖的评估	解决从脑电图信号中进行情感识别这一具有挑战性的问题	脑电图信号	机器学习	NA	脑电图	GNN, VAE, 循环神经网络, 注意力模型	脑电图信号	NA	NA	Graph Neural Network-Variational Autoencoder	准确率, F1分数	NA
89	2026-04-06	Bmssnet: a multi-scale feature and efficient spatial attention fusion model for early recognition of Alzheimer's disease 2026-Dec, Cognitive neurodynamics IF:3.1Q2 DOI:10.1007/s11571-026-10441-3 PMID:41883492	研究论文	提出一种基于多尺度特征和高效空间注意力融合的模型BMSSnet，用于阿尔茨海默病的早期识别	采用CNN-Transformer混合架构，结合多尺度注意力机制和轻量级空间门控单元，以捕获局部解剖细节和全局长程依赖，同时提供可解释性	模型性能依赖于ADNI数据集，可能在其他数据集上泛化能力有限，且计算效率虽优化但可能仍受Transformer部分影响	自动化诊断阿尔茨海默病，通过深度学习技术提高识别准确性和可解释性	阿尔茨海默病患者的结构磁共振成像数据	数字病理学	阿尔茨海默病	结构磁共振成像	CNN, Transformer	图像	ADNI数据集中的样本，具体数量未在摘要中明确	NA	CNN-Transformer混合架构，具体为BMSSnet	诊断性能指标未在摘要中具体说明，但提及了优越性能	NA
90	2026-03-21	Bioinspired hybrid optimisation and deep belief neural networks for early chronic kidney disease detection: an explainable clinical AI framework 2026-Dec, Renal failure IF:3.0Q1 DOI:10.1080/0886022X.2026.2624917 PMID:41834383	研究论文	本文提出了一种结合混合螺旋搜索策略的二元引力搜索算法与象群优化算法来优化深度信念神经网络，用于慢性肾脏病的早期检测	提出了一种双阶段优化框架（SSS-BGSA-EHO-DBNN），通过非线性螺旋搜索模式增强原始BGSA的探索-利用权衡，并利用EHO优化DBNN参数以提高收敛速度和学习效率	研究仅在UCI CKD数据集上进行评估，样本量有限，且未在更多独立数据集或真实临床环境中验证	开发一个全自动、可解释且计算高效的慢性肾脏病筛查流程	慢性肾脏病（CKD）患者	机器学习	慢性肾脏病	NA	深度信念神经网络（DBNN）	结构化临床数据	UCI CKD数据集（25个属性）	NA	深度信念神经网络	准确率, AUC	NA
91	2026-03-07	Comparing deep learning and classical regression approaches for predicting healthcare expenditure and spending: a systematic review 2026-Dec, Journal of medical economics IF:2.9Q1 DOI:10.1080/13696998.2026.2630598 PMID:41779998	系统综述	本研究系统比较了深度学习架构与传统回归及树模型在个体层面医疗成本预测中的表现，特别关注不同数据背景下的性能差异	提出了复杂性-性能假说，并系统评估了深度学习在序列丰富的纵向成本预测中的优势，同时明确了传统方法在低维横截面数据中的稳健性	证据基于少量（8项）异质性研究，外部或时间验证有限，预测周期短，且对校准、经济可解释性和公平性的评估稀疏，需谨慎解读	比较深度学习与传统回归及树模型在医疗支出预测中的性能差异	使用真实世界个体层面数据（如理赔、电子健康记录或注册数据）预测成本相关结果的研究	机器学习	NA	NA	LSTM, CNN-LSTM, 回归模型, 树模型	结构化数据, 时间序列数据	NA	NA	LSTM, CNN-LSTM	RMSE, MAE, R2, AUROC	NA
92	2026-03-06	A data fusion deep learning approach for accurate organelle-based classification of cancer cells 2026-Dec, Health information science and systems IF:4.7Q1 DOI:10.1007/s13755-025-00425-8 PMID:41659840	研究论文	提出了一种基于细胞器形态和空间组织的自动化、可解释深度学习框架，用于从高分辨率荧光显微镜图像中对乳腺癌细胞系进行分类	开发了一种端到端框架，结合了基于补丁的采样、稀疏性过滤和通道级中间融合策略，以独立提取和整合细胞器特异性特征，无需手动分割和3D渲染步骤	研究仅针对六种乳腺癌细胞系进行评估，尚未在更广泛的癌症类型或临床样本中得到验证	开发一种自动化、可解释的深度学习框架，利用亚细胞细胞器组织对癌细胞进行分类	六种乳腺癌细胞系的高分辨率荧光显微镜图像	数字病理学	乳腺癌	荧光显微镜成像	深度学习	图像	六种乳腺癌细胞系的荧光显微镜图像，使用5折交叉验证	NA	NA	分类准确率	NA
93	2026-02-19	ACD2W-InceptionNeXt: adjacent class distinguished and class distance weighted InceptionNeXt-based computer-aided mayo endoscopic scoring system for still images and video segments 2026-Dec, Health information science and systems IF:4.7Q1 DOI:10.1007/s13755-026-00435-0 PMID:41704942	研究论文	本文提出了一种基于深度学习的计算机辅助诊断系统，用于从内窥镜视频片段中预测溃疡性结肠炎的Mayo内窥镜评分	提出了ACDW-InceptionNeXt模型，结合渐进式ACDW-Loss，显式利用MES的序数性质，增强相邻严重程度级别之间的区分能力	NA	开发计算机辅助诊断系统以减少溃疡性结肠炎内窥镜评分的主观差异性	溃疡性结肠炎的内窥镜图像和视频片段	计算机视觉	溃疡性结肠炎	深度学习	CNN	图像, 视频	两个UC内窥镜数据集：彰化基督教医院数据集和LIMUC数据集	NA	InceptionNeXt	准确率, 二次加权Kappa	NA
94	2026-01-10	Pulmonary blood volume redistribution in COVID-19 patients of different severity and its predictive value for six-month outcomes in the less pathogenic Omicron variant 2026-Dec, Pulmonology IF:10.4Q1 DOI:10.1080/25310429.2025.2607932 PMID:41504189	研究论文	本研究探讨了不同严重程度COVID-19患者的肺血容量（PBV）再分布模式，并验证了其对Omicron变异株六个月临床结局的预测价值	首次在免疫逃逸能力强的Omicron变异株中，系统研究了肺血容量再分布模式及其对长期临床结局的预测价值，并发现其预测阈值与既往高致病性变异株不同	回顾性研究设计，样本主要来自单一时期（2022年11月至2023年1月），可能无法完全代表其他变异株或人群	探究COVID-19严重程度与肺血容量再分布的关系，并评估PBV对Omicron变异株六个月临床结局的预测能力	COVID-19患者（包括轻/中度和重/危重症组）	数字病理学	COVID-19	CT成像	深度学习算法	CT图像	921名患者（轻/中度组755人，重/危重症组166人）	NA	预训练深度学习模型	AUC, 敏感性, 比值比（OR）	NA
95	2026-01-09	Predicting lung cancer survival with attention-based CT slices combination 2026-Dec, Health information science and systems IF:4.7Q1 DOI:10.1007/s13755-025-00404-z PMID:41492270	研究论文	本研究提出了一种基于注意力机制的CT切片组合方法，用于预测非小细胞肺癌患者的两年总生存期	引入软注意力机制识别对生存风险预测最相关的CT切片，并结合EfficientNetB0生成的特征表示，构建更有效的3D体积表示方法	研究使用了较小的私有数据集，可能影响模型的泛化能力；方法在有限数据场景下的性能仍需进一步验证	预测非小细胞肺癌患者的两年总生存期，以改善患者护理和治疗效果	非小细胞肺癌患者的CT扫描图像	计算机视觉	肺癌	CT扫描	CNN	图像	公共LUNG1数据集和较小的私有数据集	NA	EfficientNetB0	C-index	NA
96	2026-01-06	Deep learning diagnosis model of spinal tuberculosis based on CT bone window gradient attention mechanism: multi-center study 2026-Dec, Computer assisted surgery (Abingdon, England) DOI:10.1080/24699322.2025.2599329 PMID:41459642	研究论文	本研究基于CT骨窗图像开发了一种深度学习模型，旨在提高脊柱结核的早期诊断准确性	结合CT骨窗梯度注意力机制，改进了ResNet50网络，构建了端到端的深度学习诊断模型，专注于提取骨小梁微骨折和钙化轮廓梯度等特征	NA	提高脊柱结核的早期诊断准确性	脊柱结核患者	计算机视觉	脊柱结核	CT成像	CNN	图像	1027例多中心回顾性数据	NA	U-Net, ResNet50	AUC, 准确率, 灵敏度	NA
97	2026-01-01	Conformal uncertainty quantification to evaluate predictive fairness of foundation AI model for skin lesion classes across patient demographics 2026-Dec, Health information science and systems IF:4.7Q1 DOI:10.1007/s13755-025-00412-z PMID:41458068	研究论文	本研究使用保形分析量化基于视觉Transformer（ViT）的基础模型在皮肤病变分类任务中，针对不同患者人口统计学特征（性别、年龄、种族）的预测不确定性，以评估模型公平性	首次将保形分析应用于基础AI模型（Google DermFoundation）的公平性评估，提供群体覆盖保证和个体不确定性评分，并提出基于动态F1分数的采样方法缓解类别不平衡	研究依赖于公开基准数据集，这些数据集存在严重的类别不平衡问题；保形分析虽然提供不确定性量化，但未完全解决基础模型嵌入不可解释的根本问题	评估基础AI模型在皮肤病变分类中的预测公平性和可信度	皮肤病变图像数据及对应的患者人口统计学信息（性别、年龄、种族）	计算机视觉	皮肤病变	保形分析（conformal analysis），自监督学习	Vision Transformer (ViT)	医学图像（皮肤病变图像）	多个公开基准数据集，包含数百万数据点	NA	Vision Transformer (ViT), Google DermFoundation	F1-score, 不确定性评分, 覆盖率保证	NA
98	2025-12-30	C2DGCN: cross-connected distributive learning-enabled graph convolutional network for human emotion recognition using electroencephalography signal 2026-Dec, Cognitive neurodynamics IF:3.1Q2 DOI:10.1007/s11571-025-10399-8 PMID:41458473	研究论文	提出了一种基于交叉连接分布式学习的图卷积网络（C2DGCN），用于从脑电图信号中有效识别人类情绪	引入了交叉连接分布式学习机制，实现了广泛的特征共享与整合，降低了计算复杂度并提高了准确性；应用统计时频信号描述符提取复杂特征，缓解了过拟合问题	NA	开发一种高效的人类情绪识别方法	人类情绪状态	机器学习	NA	脑电图信号分析	图卷积网络	脑电图信号	使用了SEED-IV和DEAP两个数据集，具体样本数量未在摘要中说明	NA	C2DGCN	准确率, 灵敏度, 特异性, 精确率	NA
99	2025-12-13	Interpretable large language models for early prediction of antimicrobial multidrug resistance 2026-Dec, Health information science and systems IF:4.7Q1 DOI:10.1007/s13755-025-00401-2 PMID:41383823	研究论文	本研究提出基于大语言模型的新架构，用于重症监护病房患者抗菌素耐药性的早期预测，利用电子健康记录作为不规则多变量时间序列数据	首次将大语言模型应用于不规则多变量时间序列的抗菌素耐药性分类任务，结合了高预测性能与模型可解释性	研究数据来源于单一医院（西班牙马德里富恩拉夫拉达大学医院），可能限制模型的泛化能力	开发早期预测抗菌素耐药性的模型，以支持重症监护病房的及时干预和有效治疗	重症监护病房患者的电子健康记录数据	自然语言处理	抗菌素耐药性	电子健康记录分析	LLM, GRU, LSTM, Transformer, Mamba, GCNN	不规则多变量时间序列	3502份匿名电子健康记录	NA	InstructTime-LLM, Blocks-LLM	ROC-AUC	NA
100	2025-12-10	Attention-guided deep learning-machine learning and statistical feature fusion for interpretable mental workload classification from EEG 2026-Dec, Cognitive neurodynamics IF:3.1Q2 DOI:10.1007/s11571-025-10392-1 PMID:41362309	研究论文	本文提出了一种新颖的混合深度学习与XGBoost堆叠集成框架，用于从脑电图信号中进行可靠且可解释的心理负荷分类	提出了一种结合CNN-BiLSTM-Attention深度学习分支与XGBoost机器学习分支的双分支混合堆叠集成框架，并利用逻辑回归进行预测融合，以同时提升分类性能和模型可解释性	未明确提及模型的计算复杂度、实时性评估或在更广泛数据集上的泛化能力限制	开发一种可靠且可解释的心理负荷分类方法，用于实时认知监测	脑电图信号	机器学习	NA	脑电图	CNN, BiLSTM, XGBoost	时间序列信号	STEW和EEGMAT两个公开数据集	NA	CNN-BiLSTM-Attention	分类准确率	NA