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
1	2026-04-05	Combined caLculation of Ultra-high field Biases (CLUB) With Sandwich: Fast, Simultaneous Estimation of 3D B0 and Multi-Channel B1 + Maps at 7 T 2026-Jun, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.70289 PMID:41639931	研究论文	开发并验证了一种在超高场下同时映射静态场和发射场不均匀性的方法，结合深度学习加速实现快速在线应用	提出CLUB-Sandwich序列，通过在多回波读出中集成B1+映射，实现B0和B1+的同时快速估计，并首次结合深度学习进行加速重建	研究仅基于11名健康志愿者的数据，未在患者群体或不同疾病状态下验证，且未评估长期稳定性	开发一种快速、准确的超高场MRI中B0和B1+场不均匀性同时映射方法	11名健康志愿者的MRI数据	医学影像处理	NA	超高场MRI（7T）、多回波序列、低秩张量补全、深度学习重建	深度学习模型	3D MRI图像数据	11名健康志愿者	NA	NA	相关系数、均方根误差	NA
2	2026-04-05	Automated Coregistered Segmentation for Volumetric Analysis of Multiparametric Renal MRI 2026-Jun, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.70288 PMID:41639936	研究论文	本研究开发并评估了一个全自动深度学习驱动的后处理流程，用于多参数肾脏MRI，实现肾脏对齐、分割和定量特征提取	提出一个集成的自动化工作流，结合深度学习分割和配准算法，高效处理多参数肾脏MRI数据	样本量较小（34名受试者），且患者群体主要为前列腺癌或神经内分泌肿瘤，可能限制泛化性	开发一个自动化后处理流程，以支持肾脏疾病的诊断和治疗规划	多参数肾脏MRI图像，包括24名前列腺癌或神经内分泌肿瘤患者和10名健康受试者	数字病理学	肾脏疾病	多参数MRI	深度学习网络	图像	34名受试者（24名患者和10名健康受试者），每人进行重复扫描	NA	NA	相关性（r > 0.9），组内相关系数	NA
3	2026-04-05	K-CC-MoCo: A Fast k-Space-Based Respiratory Motion Correction for Highly Accelerated First-Pass Perfusion Cardiovascular MR 2026-Jun, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.70287 PMID:41664248	研究论文	本文提出了一种名为K-CC-MoCo的k空间呼吸运动校正方法，用于高加速自由呼吸首过灌注心血管磁共振成像	直接在k空间估计和校正呼吸运动，无需初始图像重建，适用于高加速（高达50倍）采集，且计算速度更快	未明确提及具体局限性，但可能依赖于特定的线圈压缩和优化设计	开发一种快速、高效的呼吸运动校正方法，以支持高加速自由呼吸首过灌注心血管磁共振的模型和深度学习重建	自由呼吸首过灌注心血管磁共振成像数据	医学影像处理	心血管疾病	心血管磁共振成像	NA	k空间数据	数字体模和真实自由呼吸采集数据	NA	NA	SSIM	NA
4	2026-04-05	Accelerating MRI With Longitudinally-Informed Latent Posterior Sampling 2026-Jun, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.70257 PMID:41724725	研究论文	提出一种基于扩散模型的MRI重建框架，利用患者先前的扫描来加速后续扫描的采集过程	无需纵向配对训练数据，通过将不同时间点的扫描视为同一分布样本进行训练，在推理阶段整合先前的DICOM格式扫描来指导重建	未明确说明模型对极端解剖变化或病理变化的适应能力，以及计算效率的具体评估	加速MRI采集过程，提高重建图像质量	临床MRI扫描数据，特别是纵向成像数据	医学影像重建	NA	MRI，扩散模型	扩散模型	图像，k空间数据，DICOM格式数据	未明确说明具体样本数量，但提及引入了一个包含多会话对的开放访问临床数据集	未明确说明	扩散模型	SSIM，PSNR	未明确说明
5	2026-04-05	A computationally efficient hybrid Kolmogorov-Arnold network for hyperspectral classification of signatory pen inks 2026-Jun, Forensic science international IF:2.2Q1 DOI:10.1016/j.forsciint.2026.112897 PMID:41775118	研究论文	本文提出了一种用于签名笔油墨高光谱分类的计算高效的混合CNN-KAN网络架构	首次将卷积神经网络（CNN）与Kolmogorov-Arnold网络（KAN）结合，形成混合CNN-KAN架构，以CNN前端提取特征并降维，KAN后端增强非线性拟合能力，有效区分高度相似的油墨类别	研究仅针对40个品牌和型号的签名笔油墨，未在其他更广泛或更复杂的数据集上进行验证	为法医文件检验领域提供一种基于高光谱成像技术的、高精度且计算高效的深度学习解决方案，用于无损、精确地区分签名笔油墨	签名笔油墨	计算机视觉	NA	高光谱成像（HSI）	CNN, KAN	高光谱图像	涉及40个品牌和型号的签名笔油墨	NA	CNN-KAN, VGG, AUNet	准确率	NA
6	2026-04-05	Spectral Representation of Neurochemicals With Phase, Frequency Offset, and Lineshape Invariance: Application to JPRESS for In Vivo Concentration and T2 Mapping by Deep Learning 2026-Jun, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.70291 PMID:41654995	研究论文	本研究提出了一种基于深度学习的模型，用于从JPRESS数据中自动量化神经化学物质浓度和代谢物平均横向弛豫时间（T2）	模型设计具有相位偏移、频率偏移和线形变化的鲁棒性，能够直接从未知体内代谢物浓度分布的计算机合成数据中学习，并有效过滤背景信号和未注册代谢物	模型训练依赖于计算机合成数据，可能无法完全捕捉真实体内数据的复杂性；未明确说明模型在多样化临床数据集上的泛化能力	开发一种深度学习方法来量化体内神经化学物质的浓度和横向弛豫时间，提高磁共振波谱分析的自动化和准确性	神经化学物质，包括低浓度物质如γ-氨基丁酸（GABA）	机器学习	NA	JPRESS磁共振波谱技术	深度学习模型，结合WaveNet和门控循环单元（GRU）	时域JPRESS数据	NA	NA	WaveNet, GRU	NA	NA
7	2026-04-05	Analysis of passive bloodstain morphology across surface textures and drop heights using deep learning 2026-Jun, Forensic science international IF:2.2Q1 DOI:10.1016/j.forsciint.2026.112890 PMID:41707408	研究论文	本研究利用深度学习分析被动血迹形态在不同表面纹理和滴落高度下的变化，验证了冲击角确定的一致性	首次将深度学习（特别是MobileNet模型）应用于血迹模式分析，以区分不同滴落高度产生的血迹，并强调了迁移学习在小型法医数据集中的价值	研究仅考虑垂直90°角滴落，未涵盖多角度冲击、运动相关效应或温度控制条件，未来需扩展以更真实模拟犯罪现场	探究基底类型和滴落高度对被动血迹形态的影响，以增强法医血迹模式分析（BPA）的准确性和适用性	被动血迹，在五种不同表面（弯曲杯、压碎图表纸、黄麻布、果冻石、混凝土）上从三个不同高度垂直滴落的血液样本	计算机视觉	NA	深度学习	CNN	图像	大型图像数据集，具体数量未明确说明	TensorFlow, PyTorch, Keras（基于MobileNet常用框架推断，但原文未明确指定）	MobileNet	准确率	NA
8	2026-04-05	Redesigning myoglobin via functional site scaffolding for enhanced catalytic functions 2026-May-14, Biochemical and biophysical research communications IF:2.5Q3 DOI:10.1016/j.bbrc.2026.153642 PMID:41855859	研究论文	本研究利用深度学习驱动的功能位点支架策略，重新设计肌红蛋白，以增强其催化功能	采用基于扩散的结构模型生成骨架架构，结合逆折叠设计优化序列，并通过结构预测算法评估一致性，从血红素结合口袋和二级配位球残基启动设计过程，实现了肌红蛋白的微型化改造	NA	通过蛋白质重新设计增强肌红蛋白的催化功能	肌红蛋白及其微型化变体bitMb	机器学习	NA	深度学习、扩散模型、逆折叠设计、结构预测算法	扩散模型、ProteinMPNN、AlphaFold、OmegaFold	蛋白质序列和结构数据	超过100,000个序列	NA	NA	NA	NA
9	2026-04-05	Learning Deep Tree-Based Retriever for Efficient Recommendation: Theory and Method 2026-May, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2025.3648453 PMID:41452694	研究论文	本文提出了一种基于深度树的高效推荐检索器（DTR），通过软最大多类分类和损失函数修正方法，提升推荐效率并满足最大堆假设	提出DTR模型，将训练任务构建为同层树节点上的软最大多类分类，实现显式横向竞争和更优的top-k选择，同时引入损失函数修正和基于树的采样方法以提升泛化能力	未明确说明模型在大规模候选集下的计算成本或实际部署中的具体限制	提高深度推荐模型的推荐效率，同时保持推荐准确性	基于树结构的深度推荐模型	机器学习	NA	NA	深度树模型	推荐数据	四个真实世界数据集	NA	Deep Tree-based Retriever (DTR)	推荐准确性, 推荐效率	NA
10	2026-04-05	Revisiting Out-of-Distribution Detection in Real-Time Object Detection: From Benchmark Pitfalls to a New Mitigation Paradigm 2026-May, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2025.3650695 PMID:41489965	研究论文	本文针对实时目标检测中的分布外检测问题，揭示了现有评估基准的缺陷并提出了一种新的训练时缓解范式	揭示了广泛使用的OoD评估基准存在根本性缺陷（高达13%的标注错误），并提出了一种不依赖外部OoD检测器的新型训练时缓解范式，通过语义相似的合成OoD数据集微调检测器	未明确说明合成OoD数据集的构建细节和规模，且方法在极端分布偏移场景下的有效性有待验证	有效减少目标检测器中由分布外输入引发的幻觉错误	实时目标检测模型	计算机视觉	NA	深度学习	CNN, Transformer	图像	BDD-100K数据集	PyTorch	YOLO, Faster R-CNN, RT-DETR	幻觉错误减少率	NA
11	2026-04-05	Learn to Enhance Sparse Spike Streams 2026-May, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2026.3653768 PMID:41528913	研究论文	本文提出了首个深度学习框架SS2DS，用于将稀疏的脉冲流增强为密集的脉冲流，以解决脉冲相机在低光照高速场景下的性能下降问题	提出了首个深度学习框架SS2DS，能够调整稀疏脉冲流的时间分布，并首次构建了合成和真实的稀疏脉冲流数据集进行评估	未明确说明模型在极端低光照条件下的鲁棒性，以及计算复杂度和实时性方面的具体表现	解决脉冲相机在低光照高速视觉任务中脉冲信号稀疏导致的性能下降问题	脉冲相机产生的稀疏脉冲流	计算机视觉	NA	脉冲相机成像	神经网络	脉冲流数据	合成和真实稀疏脉冲流数据集（具体数量未明确）	NA	SS2DS	MA, BRISQUE, NIQE, PSNR, SSIM, LPIPS	NA
12	2026-04-05	Consistency-Aware Spot-Guided Transformer for Accurate and Versatile Point Cloud Registration 2026-May, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2026.3653989 PMID:41533614	研究论文	本文提出了一种用于点云配准的一致性感知点引导Transformer模型，旨在通过改进粗匹配过程提升配准的准确性和效率	设计了两种稀疏注意力机制：一致性感知自注意力通过选择具有全局一致对应关系的点子集来传播全局一致性；点引导交叉注意力将注意力限制在动态定义的“点”区域，以消除相似但不相关区域的干扰	未明确说明模型在极端噪声或严重遮挡场景下的性能，也未讨论计算资源消耗的具体量化数据	提升点云配准的准确性、效率和鲁棒性，并增强模型在未见领域的泛化能力	室外LiDAR数据集和室内RGB-D相机数据集中的点云	计算机视觉	NA	NA	Transformer	点云	NA	NA	一致性感知点引导Transformer (CAST)	准确性, 效率, 鲁棒性	NA
13	2026-04-05	Single-Photon Imaging in Complex Scenarios via Physics-Informed Deep Neural Networks 2026-May, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2026.3654264 PMID:41538339	研究论文	提出一种物理信息深度神经网络框架，用于复杂场景下的单光子成像，通过嵌入成像物理实现无监督学习	将成像物理嵌入深度神经网络，引入多尺度时空先验和体积渲染，并设计双分支结构以应对多深度和雾遮挡	未明确说明计算资源需求或模型在极端低信噪比下的性能边界	解决复杂场景下单光子成像的低信噪比和泛化问题	单光子成像系统捕获的3D结构数据	计算机视觉	NA	单光子成像	深度神经网络	图像	NA	NA	U-Net	均方根误差	NA
14	2026-04-05	Rapid assessment of pesticide toxicity in aquatic ecosystems using deep learning-based automatic duckweed counting method 2026-May, Aquatic toxicology (Amsterdam, Netherlands) DOI:10.1016/j.aquatox.2026.107791 PMID:41887020	研究论文	本研究利用基于深度学习的自动浮萍计数方法快速评估农药对水生生态系统的毒性	应用基于StarDist技术的优化自动浮萍计数工具，实现高通量、自动化的农药毒性评估	仅测试了28种常用农药，且毒性评估基于实验室条件，可能无法完全反映自然环境中的复杂效应	评估农药对水生植物的毒性，为农药环境风险评估提供快速有效的方法	浮萍（Wolffia globosa）	计算机视觉	NA	StarDist技术	深度学习	图像	28种常用农药（包括除草剂、杀菌剂和杀虫剂）对浮萍生长的测试	NA	StarDist	IC值（抑制浓度）	NA
15	2026-04-05	Deep Learning-based Automated Coronary Plaque Quantification: First Demonstration With Ultra-high Resolution Photon-counting Detector CT at Different Temporal Resolutions 2026-May-01, Investigative radiology IF:7.0Q1 DOI:10.1097/RLI.0000000000001233 PMID:40843653	研究论文	本研究评估了一种基于深度学习的自动化冠状动脉斑块量化工具在超高分辨率光子计数探测器CT冠状动脉造影中的可行性和可重复性，并探讨了时间分辨率对斑块量化的影响	首次在超高分辨率光子计数探测器CT冠状动脉造影中应用基于深度学习的全自动冠状动脉分割和斑块量化算法，并比较了不同时间分辨率（66毫秒与125毫秒）对量化结果的影响	研究为单中心回顾性设计，样本量较小（45例患者），且仅评估了特定CT扫描仪和重建模式	评估深度学习工具在超高分辨率CT冠状动脉斑块量化中的技术稳健性和可重复性，并分析时间分辨率对量化结果的影响	接受临床指征的超高分辨率光子计数探测器CT冠状动脉造影的45例患者	数字病理学	心血管疾病	超高分辨率光子计数探测器CT冠状动脉造影	深度学习算法	CT图像	45例患者的135支冠状动脉，其中119支（88.1%）包含动脉粥样硬化斑块	NA	NA	斑块体积量化、直径狭窄程度、统计显著性（P值）	NA
16	2026-04-05	Neuroimaging-Based Deep Learning Applications for Lesion Detection and Predicting the Outcome Following Epilepsy Surgery 2026-May, Neuroimaging clinics of North America IF:1.3Q3 DOI:10.1016/j.nic.2025.10.002 PMID:41932780	综述	本文综述了基于神经影像的深度学习在癫痫手术病灶检测和术后结果预测中的应用	总结了深度学习在癫痫手术病灶检测中的进展，并探讨了其在术后结果预测方面的探索性应用	基于神经影像的手术结果预测模型仍处于探索阶段，缺乏透明、可解释和前瞻性验证	评估深度学习在癫痫手术病灶检测和术后结果预测中的应用潜力	药物难治性局灶性癫痫患者	医学影像分析	癫痫	神经影像（如MRI）	深度学习模型	神经影像数据	多中心大型研究	NA	NA	NA	NA
17	2026-04-05	Synthetic data-augmented machine learning for 30-day readmission prediction in patients with chronic conditions: a retrospective real-world study 2026-Apr-03, BMJ open IF:2.4Q1 DOI:10.1136/bmjopen-2025-108273 PMID:41932702	研究论文	本研究开发并评估了一个结合合成数据增强的可解释机器学习框架，用于预测慢性阻塞性肺疾病、心力衰竭和2型糖尿病患者的30天非计划性再入院，并识别关键临床和社会预测因子	采用合成数据生成技术（包括高级重采样和基于深度学习的方法）来解决结果不平衡问题并改进模型训练，同时结合了结构化变量和非结构化临床笔记信息	研究基于单一三级学术医疗中心（MIMIC-IV数据库）的数据，可能限制了结果的普遍性，且为回顾性研究	开发一个可解释的机器学习框架，预测慢性病患者的30天非计划性再入院，并识别关键预测因子	患有慢性阻塞性肺疾病、心力衰竭或2型糖尿病的成年住院患者	机器学习	慢性阻塞性肺疾病, 心力衰竭, 2型糖尿病	合成数据生成（高级重采样和深度学习技术）	集成机器学习模型	电子健康记录数据（包括结构化变量和非结构化临床笔记）	慢性阻塞性肺疾病患者14,050人，心力衰竭患者7,097人，2型糖尿病患者12,735人	未明确指定（提及了多种机器学习方法）	未明确指定具体架构	未明确指定具体指标（但提及了使用五折交叉验证评估预测性能）	NA
18	2026-04-05	A High-Quality Endoscopic Image Dataset with Annotated Recurrent Laryngeal Nerve for AI-Assisted Thyroid Surgery 2026-Apr-03, Scientific data IF:5.8Q1 DOI:10.1038/s41597-026-06961-6 PMID:41932923	研究论文	本文介绍了首个用于内窥镜甲状腺手术中喉返神经识别的全面体内数据集ThyRLN-PUMCH，并验证了其支持高精度分割任务的能力	填补了AI辅助头颈外科领域大规模、标注数据集的空白，提供时间连续、临床代表性的图像和标注	数据集仅包含28个临床病例，样本量相对有限，且依赖于特定医疗中心的病例	开发AI辅助的术中导航工具，以提升甲状腺手术中喉返神经识别的安全性和效率	内窥镜甲状腺手术中的喉返神经	数字病理	甲状腺疾病	内窥镜成像	分割模型	图像	28个临床病例，共18,178帧像素级标注图像	NA	NA	高精度分割	NA
19	2026-04-05	Deep learning-based high-information-content graph representation of early stage bacterial biofilms 2026-Apr-03, NPJ biofilms and microbiomes IF:7.8Q1 DOI:10.1038/s41522-026-00971-3 PMID:41932927	研究论文	本研究提出了一种基于深度学习的高信息量图表示方法，用于分析早期细菌生物膜的结构	将生物膜建模为无向交互图，结合Mask R-CNN和自定义神经网络（BINet）实现细胞分割与交互预测，提供可扩展的高信息量分析框架	NA	开发自动化分析微生物群落的高信息量方法，揭示生物膜组织的非明显模式	早期形成阶段的细菌生物膜	计算机视觉	NA	显微镜可视化	CNN	图像	NA	PyTorch	Mask R-CNN, BINet	NA	NA
20	2026-04-05	Imaging-derived biological age across multiple organs links to mortality and aging-related health outcomes 2026-Apr-03, npj aging IF:4.1Q2 DOI:10.1038/s41514-026-00377-7 PMID:41932933	研究论文	本文提出了一种基于深度学习的成像驱动框架，用于估计多个器官系统的生物年龄，并探讨其与死亡率和健康结局的关联	引入了一种新颖的、纯粹基于成像的深度学习框架，用于跨七个器官系统估计器官特异性生物年龄，无需手动特征选择，并利用不确定性感知模型自主从成像数据中学习衰老相关特征	研究基于英国生物银行队列，可能受限于特定人群；训练数据来自健康队列，假设其生理年龄近似生物年龄，可能引入偏差	开发一种成像驱动的生物年龄估计方法，以更全面地评估个体衰老轨迹，并预测死亡率和健康结局	英国生物银行中的70,000名参与者，涵盖七个器官系统的成像数据	计算机视觉	老年疾病	成像数据（如MRI、CT等医学影像）	CNN	图像	70,000名参与者	NA	ResNet	NA	NA