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
2021	2026-06-28	Decoding the Myocardium: Tracer-Aware Deep Learning for Patient-Level Classification in Stress-Rest SPECT Myocardial Perfusion Imaging 2026-Jun-10, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16121796 PMID:42351455	研究论文	开发并评估一种具有示踪剂特异性预测头的多任务深度学习框架，用于患者级别的SPECT心肌灌注成像分类	首次引入示踪剂感知深度学习框架，通过共享特征编码器和示踪剂特异性预测头，显式处理锝-99m和铊-201双示踪剂间的可变性	单中心队列研究，缺乏外部验证，临床推广前需外部验证	开发适用于双示踪剂SPECT MPI的自动化深度学习分类方法，评估应力期、静息期及双输入配置的性能	锝-99m和铊-201示踪剂的SPECT心肌灌注成像数据	计算机视觉	冠状动脉疾病	SPECT心肌灌注成像	卷积神经网络	极坐标图图像	单中心队列，具体样本量未明确说明	NA	具有共享特征编码器和示踪剂特异性预测头的卷积神经网络	ROC-AUC, 平衡准确率	NA
2022	2026-06-28	An Explainable Multi-Scale Deep Learning Framework for Multi-Class Brain MRI Classification 2026-Jun-10, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16121791 PMID:42351452	研究论文	提出了一个名为MCND-ComputeNet++的可解释多尺度深度学习框架，用于脑部MRI多类别图像分类	采用单预训练EfficientNetV2-S骨干提取多层级特征，通过可学习的门控多尺度融合和空间注意力池化实现自适应特征集成	仅在图像/切片级别评估，缺乏患者级标识符，不能作为患者级临床诊断验证	开发一个全面且校准良好的深度学习框架，实现多类别脑部MRI图像分类	来自MCND数据集的16,400张二维脑部MRI图像，涵盖8个诊断类别	计算机视觉，数字病理学	阿尔茨海默病，脑肿瘤，多发性硬化症	MRI成像	深度学习分类模型	图像（二维脑部MRI切片）	16,400张图像，来自8个类别（AD-MildDemented, AD-ModerateDemented, AD-VeryMildDemented, BT-glioma, BT-meningioma, BT-pituitary, MS, Normal）	PyTorch	EfficientNetV2-S，门控多尺度融合模块，空间注意力池化	准确率，精确率，召回率，宏F1，宏AUC，宏平均精确率，期望校准误差，Brier分数，bootstrap置信区间	NA
2023	2026-06-28	Spatial Biomarker Deep Learning Model Predicts Response to PI3K Inhibition in Head and Neck Cancer 2026-Jun-10, Cancers IF:4.5Q1 DOI:10.3390/cancers18121887 PMID:42352422	研究论文	利用深度学习模型从H&E染色切片中提取空间生物标志物，预测头颈癌患者对PI3K抑制剂buparlisib的治疗反应	首次从H&E染色全切片中通过AI提取空间特征作为生物标志物，预测PI3K抑制剂的疗效，且性能优于传统CD3免疫组化	样本量有限（144例），且为回顾性分析，需要在前瞻性试验中进一步验证	评估利用AI从H&E染色切片中提取的空间生物标志物能否预测头颈癌患者从buparlisib治疗中的总生存获益	复发/转移性头颈鳞状细胞癌（R/M HNSCC）患者的肿瘤组织H&E染色全切片影像	计算病理学	头颈癌症	H&E染色	深度学习模型	影像（病理全切片）	144例患者（来自BERIL-1试验的158例参与者）的H&E切片	NA	Cox比例风险模型	风险比（HR）、95%置信区间、p值	NA
2024	2026-06-28	HistoMap: Reconstructing Spatially Resolved Single-Cell Profiles from Bulk RNA-Seq to Decipher the Immune-Excluded Microenvironment in Colon Cancer 2026-Jun-10, International journal of molecular sciences IF:4.9Q2 DOI:10.3390/ijms27125259 PMID:42352990	研究论文	提出了HistoMap，一种基于深度学习的框架，用于从批量RNA测序数据重建空间分辨率的单细胞谱，并揭示结肠癌免疫排斥微环境	首次结合β变分自编码器与组织学视觉Transformer实现从批量RNA-seq到空间单细胞结构的去卷积，并利用H&E染色的形态约束引导细胞映射	未提及模型在当前数据集之外的泛化性能验证，可能受限于训练数据的组织类型及样本多样性	从批量RNA-seq数据中重建空间分辨率的单细胞谱，以解析结肠癌中免疫排斥微环境的结构和机制	14例结肠癌病例的批量RNA-seq数据和H&E染色组织切片图像	计算病理学	结肠癌	批量RNA测序, H&E染色组织学	深度生成模型, 视觉Transformer	基因表达数据, 组织学图像	14例结肠癌病例的批量RNA-seq样本及对应组织切片	PyTorch	β-变分自编码器, 组织学视觉Transformer (H-ViT)	皮尔逊相关系数 (PCC)	NA
2025	2026-06-28	Predicting Recurrence Risk of Glioblastoma Based on Preoperative-Postoperative Longitudinal MRI: A Multicenter Study 2026-Jun-09, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering13060668 PMID:42351913	研究论文	提出一种基于术前术后纵向MRI的深度学习模型MambaDiff-Net，预测胶质母细胞瘤术后复发风险	通过双流编码器提取术前和术后T2WI的多尺度特征，并设计特征差异计算模块建模纵向影像变化，优于单一时间点模型	样本量较小（139例），且仅使用T2WI序列，未来需验证多序列和更大规模数据	利用术前术后纵向MRI的影像动态变化预测胶质母细胞瘤术后复发风险，支持个体化治疗决策	胶质母细胞瘤患者术前术后的纵向T2WI影像	计算机辅助诊断	胶质母细胞瘤	MRI	深度学习模型	影像	139例胶质母细胞瘤患者（59例训练、40例内部验证、40例外部测试）	PyTorch	MambaDiff-Net	AUC, 准确率, F1值	NA
2026	2026-06-28	Digital Learning Competence and Learning Performance Among Chinese Higher Vocational College Students: A Dual-Path Moderated Mediation Model 2026-Jun-09, Behavioral sciences (Basel, Switzerland) DOI:10.3390/bs16060952 PMID:42352785	研究论文	探讨中国高职学生数字学习能力与学习表现之间的关系，提出并验证了一个双路径有调节的中介模型	基于Biggs的3P模型，首次区分了主动学习和规则学习两种参与路径，并引入师生互动和课程实用性作为情境调节因素	研究采用横截面设计，无法推断因果关系；数据仅来自中国高职学生，可能缺乏跨文化普适性	揭示数字学习能力影响学习表现的行为机制及情境条件	中国高职院校学生的数字学习行为	机器学习	无	问卷调查	层次回归模型和自助法有调节的中介分析	调查问卷数据	3693名中国高职学生	NA	NA	NA	NA
2027	2026-06-28	Artificial Intelligence in Spine Neuroimaging: Diagnostic and Prognostic Utility of Novel Biomarkers in Lower Back Pain 2026-Jun-09, Journal of clinical medicine IF:3.0Q1 DOI:10.3390/jcm15124447 PMID:42355615	综述	本文综述了人工智能在脊柱神经影像学中的应用，重点关注腰痛中新型生物标志物的诊断和预后价值	区分技术可行性、诊断辅助、预后关联和临床效用，并强调AI脊柱影像学中持续存在的功效-有效性差距	当前证据基础以技术和回顾性验证研究为主，高诊断性能不代表改善患者结局，临床转化受限于数据集异质性、外部验证有限、可解释性不足和监管框架不完善	评估AI衍生影像生物标志物在腰痛管理中的诊断和预后潜力	腰痛患者	医疗影像分析	腰痛	MRI, CT	NA	影像数据	NA	NA	NA	NA	NA
2028	2026-06-28	Towards Fingerprint Mosaicking Artifact Detection: A Self-Supervised Deep Learning Approach 2026-Jun-09, Sensors (Basel, Switzerland) DOI:10.3390/s26123684 PMID:42356655	研究论文	提出一种基于自监督深度学习的方法，用于检测和评分指纹拼接中的硬伪影	首次实现无参考的指纹硬伪影检测，采用自监督学习框架避免手动标注，并提出拼接伪影评分量化误差严重程度	训练和评估依赖合成伪影，与真实拼接失败案例的对比仅停留在定性分析，验证策略存在局限性	提升指纹生物识别系统的准确性和可靠性，解决指纹拼接伪影检测这一之前未充分探索的问题	指纹拼接图像中的硬伪影	机器视觉	NA	NA	分割模型	图像	大规模未标记指纹数据	NA	NA	分割性能	NA
2029	2026-06-28	Quantitative 1H NMR in Pharmaceutical and Biomedical Analyses: Methodologies and Applications 2026-Jun-09, Molecules (Basel, Switzerland) DOI:10.3390/molecules31122010 PMID:42357409	综述	总结定量核磁共振氢谱（qNMR）在药物和生物医学分析中的方法学基础及广泛应用	系统归纳了超极化、量子力学谱分析、人工智能和深度学习等新技术在提升qNMR灵敏度、分辨率和自动化方面的潜力	未提及具体局限性	综述qNMR在药物和生物医学分析中的方法论基础和应用进展	定量核磁共振氢谱技术	自然语言处理	NA	定量核磁共振氢谱	NA	NA	NA	NA	NA	NA	NA
2030	2026-06-28	Multi-Omics and Artificial Intelligence in Cardiovascular Medicine: From Mechanistic Insights to Clinical Translation 2026-Jun-08, Biomedicines IF:3.9Q1 DOI:10.3390/biomedicines14061301 PMID:42351729	综述	本文评估了多组学与人工智能的协同整合，旨在将心血管医学从描述性标志物转向预测性精准心脏病学	首次提出整合分子-计算框架，强调可解释人工智能和标准化多组学协议以弥合转化差距	未涉及具体临床验证数据，主要聚焦于工作流程框架的理论性构建	评估多组学与人工智能的协同作用，促进心血管疾病的精准预防与临床转化	非编码RNA网络（miRNA、lncRNA）、外泌体转运、代谢物（TMAO、酰基肉碱）及心脏特异性miRNA	机器学习	心血管疾病	多组学测序、非编码RNA分析、代谢组学	监督学习、无监督学习、深度学习	组学数据（转录组、代谢组）	不适用	NA	NA	NA	NA
2031	2026-06-28	ACross-Paradigm CNN-Swin Transformer Ensemble with Super-Resolution Enhancement for Multi-Class Alzheimer's Disease Classification 2026-Jun-08, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering13060666 PMID:42351911	研究论文	提出一个融合CNN和Swin Transformer的集成框架，结合超分辨率增强技术，用于多类别阿尔茨海默病分类	首次将Real-ESRGAN超分辨率预处理与跨范式CNN-Swin Transformer集成相结合，同时利用Squeeze-and-Excitation注意力机制进行特征融合	NA	实现阿尔茨海默病阶段的鲁棒多分类，提高MRI诊断的准确性和临床可解释性	脑部MRI图像中的阿尔茨海默病不同阶段	计算机视觉	阿尔茨海默病	MRI	CNN-Swin Transformer集成模型	图像	公开阿尔茨海默病MRI数据集	PyTorch	EfficientNet-B3, MobileNetV2, Swin Transformer, Real-ESRGAN	准确性	NA
2032	2026-06-28	Deep Learning-Based Intelligent Sorting of Potato Tubers and Mineral Impurities: System Development and Experimental Evaluation 2026-Jun-08, Foods (Basel, Switzerland) DOI:10.3390/foods15122070 PMID:42354041	研究论文	开发和评估了一种基于深度学习的智能分拣系统，用于马铃薯块茎与矿物杂质的在线识别和动态去除	结合PSA模块和动态模糊增强策略改进YOLOv10n网络，建立任务适配检测模型YOLOv10n-PB，并联合考虑检测性能、推理延迟稳定性、时空协调和气动剔除可靠性	研究未提及模型在其他环境或不同品种马铃薯上的泛化能力，以及系统在长期运行中的稳定性和维护需求	提高马铃薯采后分拣效率、准确性和操作稳定性，实现马铃薯块茎与矿物杂质的智能分拣	马铃薯块茎和矿物杂质（土块和石块）	计算机视觉	NA	深度学习	YOLO	图像	NA	PyTorch	YOLOv10n-PB（含PSA模块）	mAP@0.5, 总体分拣准确率, 矿物杂质剔除准确率, 马铃薯块茎误剔率	NA
2033	2026-06-28	Nondestructive Detection of Foreign Matter in Pu-erh Ripe Tea Based on Deep Learning 2026-Jun-08, Foods (Basel, Switzerland) DOI:10.3390/foods15122083 PMID:42354051	研究论文	提出一种基于改进YOLOv13的AE-YOLOv13-S网络，用于普洱茶熟茶加工中异物的无损检测	借鉴灵长类视觉机制，引入自适应稀疏自注意力网络优化骨干网络、采用卷积模拟自注意力优化卷积模块、以及基于尺度的动态损失函数，分别解决小异物检测中的细节丢失、长程语义关联不足和边界框定位偏差问题	未提及除普洱茶熟茶外的其他茶类或食品的适用性，以及实际工业环境中的部署性能	实现普洱茶熟茶加工中异物的高效、准确无损检测，提升食品质量控制和安全性	普洱茶熟茶加工中的异物（如小尺寸、严重遮挡、复杂背景下的异物）	计算机视觉	NA	深度学习	YOLOv13	图像	NA	PyTorch	YOLOv13	精确率、召回率、mAP@50、FLOPs	NA
2034	2026-06-28	Electromechanical Impedance Data-Driven Metal Structural Tensile Stress Identification Using Generative Adversarial Networks 2026-Jun-08, Materials (Basel, Switzerland) DOI:10.3390/ma19122445 PMID:42355027	研究论文	提出基于生成对抗网络的数据增强方法，用于机电阻抗数据驱动的金属结构拉伸应力识别	创新性地提出EMA生成对抗网络（EMAGAN）进行数据增强，以解决深度学习应力识别中数据量不足和质量低的问题，并配合自适应一维卷积神经网络实现高精度应力预测	NA	提升机电阻抗数据驱动金属结构应力识别的数据效率和预测精度	铝梁试样在单轴拉伸载荷下的应力状态	机器学习	NA	机电阻抗/导纳（EMI/EMA）技术	生成对抗网络（GAN）、一维卷积神经网络（1DCNN）	机电导纳（EMA）数据	两个表面粘贴的PZT传感器连续监测一个铝梁试样	NA	EMAGAN、1DCNN	统计误差、深度学习应力识别性能	NA
2035	2026-06-28	GeriAIGastroNet: AI-Assisted Gastrointestinal Polyp Segmentation and Severity-Based Triage for Tele-Gastroenterology in Underserved Geriatric Populations 2026-Jun-08, Journal of clinical medicine IF:3.0Q1 DOI:10.3390/jcm15124423 PMID:42355591	研究论文	提出GeriAIGastroNet深度学习框架，用于辅助远程胃肠病学中的息肉分割和基于严重程度的分诊，以服务未充分覆盖的老年人群	集成EfficientNet-B4骨干网络、多尺度注意力融合和老年严重程度感知分类头，实现自动临床风险分层和结肠镜转诊分诊	未提及	开发AI辅助的远程胃肠病学工作流，在资源有限的环境中为老年患者提供风险分层和结肠镜转诊分诊	胃肠道息肉图像	数字病理学	结直肠癌	NA	卷积神经网络	图像	1000张标注息肉图像（HyperKvasir数据集）	NA	EfficientNet-B4, U-Net, Attention U-Net, TransUNet, Hybrid CNN-Transformer	准确率, F1分数, Dice系数, 交并比	NA
2036	2026-06-28	Early Sepsis Detection Using Heterogeneous Structured ICU Data with Explainable Deep Learning 2026-Jun-08, Sensors (Basel, Switzerland) DOI:10.3390/s26123648 PMID:42356621	研究论文	利用异构结构化ICU数据与可解释深度学习进行早期脓毒症检测的回顾性对比研究	系统比较多种深度学习架构（包括CNN-ViT混合模型）在早期脓毒症预测中的性能，并采用SHAP和注意力分析增强可解释性	仅基于公共数据集进行回顾性计算基准测试，未进行前瞻性临床验证或实际部署评估	提高重症监护病房（ICU）早期脓毒症检测的准确性	每小时结构化电子健康记录（EHR）变量，包括生命体征、实验室测量值和人口统计数据	机器学习	脓毒症	NA	CNN, LSTM, GRU, Bi-LSTM, TCN, Transformer, CNN-ViT	结构化表格数据	未明确提及样本数量，但来自PhysioNet/CinC 2019挑战赛的公开数据集	PyTorch	CNN, LSTM, GRU, Bi-LSTM, TCN, Transformer, CNN-ViT	准确率、召回率、F1分数、AUPRC	NA
2037	2026-06-28	CT-Based Liver Segmentation for Liver Surgery: A Hybrid Approach Based on 3D U-Net-ELM Model 2026-Jun-07, Biomedicines IF:3.9Q1 DOI:10.3390/biomedicines14061298 PMID:42351726	研究论文	提出了一种结合3D U-Net与极限学习机的混合肝脏分割框架，用于CT图像中的肝脏分割	将3D U-Net瓶颈层提取的深度体积特征图输入ELM分类器进行分割细化，在计算效率和训练成本上具有优势	缺乏独立的 multicenter 外部验证	实现计算高效且分割性能稳定的肝脏体积分割	CT腹部图像中的肝脏区域	计算机视觉	肝脏疾病	CT成像	3D U-Net-ELM混合模型	CT图像	基于Task03_Liver_rs数据集（Medical Segmentation Decathlon肝脏数据集的缩放版本）	PyTorch	3D U-Net, 极限学习机	Dice系数, IoU, HD95, ASD, 表面Dice, 体积误差	NVIDIA GPU（未具体指定型号）
2038	2026-06-28	Deep Learning Reconstruction Specialized for Inner Ear: Improving Image Quality and Anatomical Structure Visualization as Compared with Conventional Hybrid-Type Iterative Reconstruction on High-Definition CT 2026-Jun-06, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16121756 PMID:42351416	研究论文	对比深度学习重建与混合型迭代重建在内耳高清CT中改善图像质量和解剖结构可视化的能力	首次开发并应用专用于内耳的深度学习重建方法，与传统混合型迭代重建进行直接比较	诊断性能在临床实践中未受影响，但样本量相对较小且未提及计算资源消耗	评估深度学习重建在提高内耳高清CT图像质量和解剖结构可视化方面的优势	140名患者（32名耳病患者和108名非耳病患者）的280只中、内耳及颞骨	计算机视觉	耳科疾病	高清CT	深度学习重建	图像	140名患者，280只耳朵样本	NA	深度学习重建网络	信噪比、整体图像质量、解剖结构细节可视化、ROC曲线下面积	NA
2039	2026-06-28	Learning the Structural Diversity of Olfactory Receptors: A Genomic Case Study in Two Longhorn Beetles (Cerambycidae: Lamiinae) 2026-Jun-04, Insects IF:2.7Q1 DOI:10.3390/insects17060587 PMID:42355320	研究论文	利用机器学习预测两种长角天牛（Cerambycidae: Lamiinae）的气味受体蛋白结构，分析其多样性及进化模式	首次将深度学习预测蛋白结构的方法应用于非模式生物长角天牛的气味受体基因家族，揭示结构差异与序列保守性之间的矛盾，发现潜在受异常进化过程影响的蛋白	NA	探索昆虫气味受体蛋白的结构多样性及其与进化分类的关系	两种长角天牛：红乳草天牛和亚洲长角天牛的odorant receptor（OR）基因编码蛋白	机器学习	NA	深度学习蛋白结构预测	深度学习模型	基因组序列数据	两种天牛物种的基因组	NA	NA	预测置信度分数	NA
2040	2026-06-28	Explainable Breast Cancer Detection Using Hierarchical Multi-Scale and Edge-Aware Transformer Networks 2026-Jun-03, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering13060657 PMID:42351902	研究论文	提出一种基于Transformer多尺度注意力机制和可解释人工智能的乳腺癌分类框架，利用层次化多尺度Transformer和边缘感知局部Transformer模块从乳腺X线图像中捕获全局上下文依赖和边界敏感局部表示	整合层次化多尺度Transformer和边缘感知局部Transformer模块以同时捕获全局上下文依赖和边界敏感局部表示，引入自适应上下文细化模块保持空间分辨率上的语义一致特征表示，以及采用验证引导的类自适应加权元集成分类框架	可解释性评估基于内部显著性一致性而非使用专家病灶标注的外部临床验证	实现高效且可解释的乳腺癌自动分类	乳腺X线图像中的乳腺癌病变	计算机视觉	乳腺癌	NA	CNN	图像	四个基准数据集：CBIS-DDSM、DDSM、INBreast和MIAS，包含数千张乳腺X线图像	PyTorch	层次化多尺度Transformer、边缘感知局部Transformer、自适应上下文细化模块、支持向量机和K近邻分类器	准确率、精确率、召回率、F1值	GPU（型号未指定）