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
2061	2026-01-28	Integrated CT pipeline for automatic intracranial hemorrhage evaluation with GPT-enhanced clinical decision support 2026-Jan-26, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-12316-3 PMID:41586845	研究论文	本研究开发了一个集成的深度学习管道，用于自动检测、分割和定位颅内出血，并结合GPT-4o提供临床决策支持	结合了半监督学习的深度学习模型进行出血检测与分割，并首次集成GPT-4o生成基于指南的临床决策建议，实现了从影像分析到临床行动的全流程自动化	研究主要依赖公开数据集进行训练和验证，临床决策支持系统在真实急诊环境中的广泛适用性和有效性仍需进一步前瞻性研究验证	开发一个自动化深度学习管道，以增强颅内出血的CT评估，并提供临床决策支持，旨在减少诊断延迟并改善急诊护理结果	颅内出血患者的CT扫描图像	数字病理学	颅内出血	CT扫描，半监督学习	深度学习模型	CT图像	训练数据包括RSNA数据集的21,784张标注和3,528张未标注CT扫描，以及HS数据集的1,226张扫描用于分割，另有507张扫描子集用于脑积水和中线移位模型；外部验证使用CQ500数据集的491名患者	NA	NA	AUC, Dice系数, 一致性相关系数, κ值	NA
2062	2026-01-28	Integrating deep learning with multimodal MRI habitat radiomics: toward personalized prediction of risk stratification and androgen deprivation therapy outcomes in prostate cancer 2026-Jan-26, Insights into imaging IF:4.1Q1 DOI:10.1186/s13244-026-02205-8 PMID:41586866	研究论文	本研究开发了一种基于多参数磁共振成像的放射组学框架，结合深度学习和栖息地放射组学，用于预测前列腺癌患者对雄激素剥夺疗法的反应并改善风险分层	首次将栖息地放射组学与3D Vision Transformer深度学习模型集成，通过可解释的多模型分析肿瘤微环境异质性，以提升ADT反应预测的准确性和个性化决策	研究样本来自三个中心，虽然进行了外部验证，但可能存在选择偏倚；模型在内部验证和测试集上的AUC存在一定差异，表明泛化能力有待进一步验证	预测前列腺癌患者对雄激素剥夺疗法的反应并改善风险分层，以指导个性化治疗	550名接受ADT治疗的前列腺癌患者	数字病理学	前列腺癌	多参数磁共振成像（mpMRI），包括T2加权成像和扩散加权成像（DWI）	3D Vision Transformer（ViT），集成模型	多模态MRI图像	550名患者（训练集270名，内部验证集115名，外部测试集165名）	NA	3D Vision Transformer（ViT）	AUC（曲线下面积），ROC曲线	NA
2063	2026-01-28	Deep learning in differentiating the colorectal cancer combined with hepatic enhancing nodules: liver metastases vs hemangiomas 2026-Jan-26, Insights into imaging IF:4.1Q1 DOI:10.1186/s13244-025-02192-2 PMID:41586944	研究论文	本研究评估了一种基于门静脉期CT的深度学习模型，用于区分结直肠癌肝转移和血管瘤	开发并验证了基于DenseNet-201和ResNet-152的深度学习模型，用于自动分割和分类肝内强化结节，并评估了其对放射科医生诊断性能的辅助价值，特别是在亚厘米和10-30毫米病灶中的表现差异	深度学习辅助诊断对于亚厘米结直肠癌肝转移和血管瘤的价值有限，且研究为回顾性设计	评估深度学习模型在区分结直肠癌肝转移和肝血管瘤中的诊断性能	结直肠癌患者中被诊断为肝转移或肝血管瘤的肝脏病灶	计算机视觉	结直肠癌	门静脉期CT成像	CNN	CT图像	534个肝转移病灶（来自134名患者）和262个血管瘤病灶（来自154名患者）	NA	DenseNet-201, ResNet-152	AUC, Dice系数	NA
2064	2026-01-28	Multiregional MRI-based deep learning radiomics to predict axillary response after neoadjuvant chemotherapy in breast cancer patients 2026-Jan-26, Insights into imaging IF:4.1Q1 DOI:10.1186/s13244-025-02193-1 PMID:41586963	研究论文	本研究开发了一种基于多区域MRI的深度学习放射组学列线图，用于预测乳腺癌患者新辅助化疗后腋窝病理完全缓解	结合肿瘤内和5毫米瘤周区域的放射组学特征，构建深度学习放射组学列线图，以非侵入性方式预测腋窝病理完全缓解	NA	预测乳腺癌患者新辅助化疗后腋窝病理完全缓解	乳腺癌患者	数字病理学	乳腺癌	MRI	深度学习	图像	内部数据集539名患者（训练队列431名，内部验证队列108名），外部验证队列703名患者	NA	NA	AUC, 校准曲线, 决策曲线分析	NA
2065	2026-01-28	Deep learning reconstruction accelerated reduced field-of-view DWI in rectal cancer: mucosa-submucosa-muscularis visualization and T staging 2026-Jan-26, European radiology experimental IF:3.7Q1 DOI:10.1186/s41747-025-00667-x PMID:41586954	研究论文	本研究比较了深度学习重建加速的减视场扩散加权成像与标准重建全视场扩散加权成像在直肠癌中的图像质量和诊断性能	首次将深度学习重建技术应用于减视场扩散加权成像，显著缩短了扫描时间并改善了图像质量，尤其在早期直肠癌T分期准确性方面有显著提升	研究为单中心前瞻性研究，样本量相对有限，且仅针对直肠癌患者，未涉及其他类型肿瘤	评估深度学习重建加速减视场扩散加权成像在直肠癌诊断和分期中的临床应用价值	经活检证实的直肠腺癌患者	医学影像分析	直肠癌	扩散加权成像，深度学习重建	深度学习模型	医学影像数据	173名参与者，其中94名接受根治性手术	NA	NA	诊断敏感性，特异性，准确性，图像质量评分，表观扩散系数测量一致性	NA
2066	2026-01-28	CT-based deep learning signatures associated with transcriptomic heterogeneity and combined with nutritional biomarkers improve prediction of 3-year overall survival in esophageal squamous cell carcinoma 2026-Jan-26, Insights into imaging IF:4.1Q1 DOI:10.1186/s13244-025-02189-x PMID:41586987	研究论文	本研究开发并验证了一个结合CT图像深度学习特征与营养生物标志物的模型，用于预测食管鳞状细胞癌患者的3年总生存期，并探讨了基于深度学习特征的风险组之间的转录组学差异	首次将基于Crossformer架构从CT图像提取的深度学习特征与营养生物标志物（低骨骼肌质量）相结合，构建了预测食管鳞状细胞癌患者生存期的模型，并通过转录组学分析揭示了模型风险分层的生物学基础	研究为回顾性多中心设计，样本量相对有限，且外部验证队列规模较小，未来需要前瞻性研究进一步验证	开发并验证一个结合CT图像深度学习特征与营养生物标志物的模型，用于预测食管鳞状细胞癌患者的3年总生存期，并探索深度学习特征风险分层的生物学意义	食管鳞状细胞癌术后患者	数字病理学	食管鳞状细胞癌	CT成像, 转录组学分析	深度学习模型	CT图像, 临床数据, 转录组数据	662名来自三家医院的术后患者（内部队列）和16名来自TCGA的额外患者（外部队列）	NA	Crossformer	一致性指数	NA
2067	2026-01-28	Contrast-enhanced CT-based radiomics for predicting visceral pleural invasion in early-stage non-small cell lung cancer 2026-Jan-26, Insights into imaging IF:4.1Q1 DOI:10.1186/s13244-025-02184-2 PMID:41586985	研究论文	本研究开发了一种基于增强CT的影像组学模型，用于术前预测早期非小细胞肺癌的脏层胸膜侵犯	结合增强CT特征与影像组学特征构建联合模型，用于术前预测早期非小细胞肺癌的脏层胸膜侵犯，相比传统CT特征模型有更好的预测性能	研究为回顾性设计，样本量有限，且分割过程为半自动，可能引入人为偏差	术前预测早期非小细胞肺癌的脏层胸膜侵犯，以指导治疗决策	早期非小细胞肺癌患者	数字病理学	肺癌	增强CT	影像组学模型	CT图像	523例手术切除的非小细胞肺癌患者	NA	NA	AUC	NA
2068	2026-01-28	Privacy-Preserving Collaborative Diabetes Prediction in Heterogeneous Health Care Systems: Algorithm Development and Validation of a Secure Federated Ensemble Framework 2026-Jan-26, JMIR diabetes DOI:10.2196/79166 PMID:41587070	研究论文	本文开发了一个名为FedEnTrust的安全、可扩展且保护隐私的联邦集成学习框架，用于糖尿病预测，结合了联邦学习、集成建模、基于区块链的访问控制和知识蒸馏技术	提出FedEnTrust框架，通过集成联邦学习、自适应加权投票的软标签聚合、基于区块链的智能合约访问控制以及根据本地计算能力分配模型架构，以处理数据异构性、非独立同分布和计算能力差异，同时增强隐私、安全性和信任	研究仅基于PIMA印第安人糖尿病数据集进行评估，未在更广泛或真实世界的多机构临床数据上进行验证，且区块链延迟和gas成本可能在实际大规模部署中面临挑战	开发一个安全、可扩展且保护隐私的框架，用于在异构医疗系统中进行糖尿病预测	医疗系统中的异构参与者，包括医院、诊所和可穿戴设备，产生非独立同分布数据	机器学习	糖尿病	联邦学习、集成建模、知识蒸馏、区块链智能合约	集成模型	医疗数据	PIMA印第安人糖尿病数据集	NA	NA	准确率、精确率、召回率、F1分数	NA
2069	2026-01-28	Neuron Segment Connectivity Prediction with Multimodal Features for Connectomics 2026-Jan-26, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2026.3658169 PMID:41587252	研究论文	本文提出了一种基于多模态特征的神经元片段连接预测方法，用于自动校对大规模电子显微镜数据集中的神经元分割	设计了一种结合全局3D形态特征和高分辨率局部图像上下文的连接点检测网络，并采用基于提议的图像特征采样来高效融合多尺度多模态特征	未明确提及方法在处理极复杂神经元形态或超大规模数据集时的计算效率限制	开发自动神经元校对流程，以改进大规模电子显微镜数据中的神经元分割和连接组分析	电子显微镜数据集中的神经元片段	计算机视觉	NA	电子显微镜成像	深度学习网络	3D图像	NA	NA	连接点检测网络, 连接性预测网络	NA	NA
2070	2026-01-28	Xeno-learning: knowledge transfer across species in deep learning-based spectral image analysis 2026-Jan-26, Nature biomedical engineering IF:26.8Q1 DOI:10.1038/s41551-025-01585-4 PMID:41588072	研究论文	本文提出了一种名为'异种学习'的跨物种知识迁移概念，用于解决临床手术成像中深度学习模型训练数据不足的问题	引入'异种学习'概念，通过'基于生理学的数据增强'方法，将动物模型中学到的病理或手术操作相关光谱变化迁移到人类应用	未明确说明模型在人类数据上的具体性能表现或泛化能力的定量评估	解决临床手术成像中因缺乏大规模代表性数据而导致的深度学习模型训练难题	人类、猪和大鼠模型的光谱图像数据	计算机视觉	NA	高光谱成像	深度学习	图像	14,013张高光谱图像	NA	NA	NA	NA
2071	2026-01-28	Generating Training Data for Ureter Segmentation Using Dual-Energy CT Two-Material Decomposition 2026-Jan-26, Journal of imaging informatics in medicine DOI:10.1007/s10278-026-01847-w PMID:41588287	研究论文	本研究评估了基于双能CT双物质分解技术在生成输尿管分割训练数据中的效用	利用双能CT双物质分解技术从增强图像生成虚拟平扫图像，以创建用于输尿管分割的训练数据，这是一种创新的数据生成方法	外部验证数据集的性能有限，表明模型泛化能力有待提高	评估双能CT双物质分解技术生成输尿管分割训练数据的可行性	接受双能CT尿路造影的180名患者	数字病理学	泌尿系统疾病	双能CT，双物质分解技术	深度学习分割模型	CT图像	180名患者（150名来自机构1，30名来自机构2）	nnU-Net	U-Net	Dice系数，精确度，召回率	NA
2072	2026-01-28	The sarcopenia artificial intelligence diagnostic decision support system (SAID DSS) - a multimodal deep learning model 2026-Jan-26, BMC geriatrics IF:3.4Q2 DOI:10.1186/s12877-026-07005-9 PMID:41588346	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2073	2026-01-28	Aegis: a transformer-based deep learning framework for the accurate identification of anticancer peptides 2026-Jan-26, BMC biology IF:4.4Q1 DOI:10.1186/s12915-026-02520-y PMID:41588397	研究论文	本文介绍了一种基于Transformer的深度学习框架Aegis，用于精确识别抗癌肽	提出了一种新颖的基于Transformer的深度学习框架Aegis，通过综合特征重要性分析和增量特征选择，确定了最优特征子集，在独立测试数据集上实现了最先进的性能	未明确提及具体局限性	开发一种计算框架以准确识别抗癌肽，为抗癌肽的计算筛选和临床开发奠定基础	抗癌肽序列	自然语言处理	癌症	特征提取方法包括CKSAAP、CTDC、CTDT、CTDD和PAAC	Transformer	序列数据	NA	NA	Transformer	NA	NA
2074	2026-01-28	Aligned cross-modal integration and regulatory heterogeneity characterization of single-cell multiomic data with deep contrastive learning 2026-Jan-26, Genome medicine IF:10.4Q1 DOI:10.1186/s13073-025-01586-7 PMID:41588477	研究论文	本文提出了一种基于对比学习的单细胞多组学深度学习模型（scMDCF），用于高效整合和表征单细胞多组学数据	开发了跨模态对比学习模块和特征融合模块，以协调不同组学类型的数据表示，同时保留生物异质性	未明确说明模型的计算复杂度或在大规模数据集上的可扩展性限制	解决单细胞多组学数据整合中的挑战，以更好地理解细胞功能和相互作用	单细胞多组学数据，包括SNARE-seq、CITE-seq、BNT162b2 mRNA SARS-CoV-2疫苗接种后数据集和阿尔茨海默病特异性数据	机器学习	阿尔茨海默病	单细胞多组学技术（scMulti-omics），包括SNARE-seq、CITE-seq	深度学习模型，基于对比学习	单细胞多组学数据	NA	NA	scMDCF（单细胞多组学深度学习模型）	聚类性能，批次效应缓解	NA
2075	2026-01-28	Advancing the modernization of traditional Chinese medicine through artificial intelligence and multimodal data integration 2026-Jan-26, Chinese medicine IF:5.3Q1 DOI:10.1186/s13020-025-01194-y PMID:41588523	综述	本文综述了人工智能技术如何通过整合多模态数据，推动中医药现代化进程	系统性地从多尺度数据、研发、诊疗及大语言模型四个维度，全面回顾了AI在中医药现代化中的应用进展，强调了AI在数据驱动复杂系统、基础科学研究和精准医学中的前沿应用	NA	探讨人工智能技术如何促进中医药的现代化发展	中医药领域的多模态数据、研发过程、诊断与治疗实践	自然语言处理, 机器学习	NA	机器学习, 深度学习, 知识图谱, 自然语言处理, 大语言模型	NA	多模态数据	NA	NA	NA	NA	NA
2076	2026-01-28	FibroTrack: a standalone deep learning platform for automated fibrosis quantification in muscle and cardiac histology 2026-Jan-26, Skeletal muscle IF:5.3Q2 DOI:10.1186/s13395-026-00415-8 PMID:41588534	研究论文	本文介绍了一个名为FibroTrack的独立深度学习平台，用于自动化定量分析肌肉和心脏组织学中的纤维化	首次将LAB色彩空间归一化与YOLOv11分割模型集成于一个具有图形用户界面的独立平台中，用于多染色类型的纤维化分析	未明确提及模型在不同染色批次或实验室间的泛化能力验证	开发一个自动化、高精度且可重复的纤维化定量分析工具，以克服现有手动和半自动化方法的局限性	肌肉和心脏组织学图像	数字病理学	心血管疾病	Sirius Red染色、Masson's Trichrome染色、免疫组织化学染色	CNN	图像	2034张组织学图像	NA	YOLOv11	掩膜精度, Spearman相关系数	NA
2077	2026-01-28	Role of a Deep-Learning Based Convolutional Neural Network Model for Real-Time Ventricular Tachycardia Alarm Classification 2026-Jan-26, Journal of cardiovascular electrophysiology IF:2.3Q2 DOI:10.1111/jce.70271 PMID:41588600	研究论文	本研究开发了一种基于一维卷积神经网络的深度学习模型，用于实时分类心室心动过速警报，以减少ICU中的误报	利用多通道原始波形数据（包括ECG、PPG和ABP信号）和短时波形段，构建了一个高效的1D-CNN模型，显著降低了心室心动过速警报的误报率	模型性能依赖于公开数据集，可能未涵盖所有临床场景；且仅使用了警报前10秒的数据段，可能忽略了更长时间范围内的信息	开发一个能够准确区分真假心室心动过速警报的实时分类系统，以减轻ICU中的警报疲劳问题	心室心动过速警报信号，包括心电图、光电容积脉搏波和动脉血压波形	机器学习	心血管疾病	心电图监测，光电容积脉搏波监测，动脉血压监测	CNN	波形信号	使用公开的VTaC心律失常基准数据集，具体样本数量未在摘要中明确说明	NA	一维卷积神经网络	AUC, 准确率, F1分数, 灵敏度, 特异度, 阳性预测值	NA
2078	2026-01-28	Comparing the accuracy of artificial intelligence models to detect alcohol in video images 2026-Jan-26, Addiction (Abingdon, England) DOI:10.1111/add.70337 PMID:41588658	研究论文	本研究比较了三种人工智能模型在视频图像中检测酒精存在的准确性	首次系统比较了监督深度学习模型与零样本学习模型在复杂视频场景中检测酒精图像的准确性	研究仅针对特定数据集进行评估，未在更广泛的视频类型或实时流媒体中进行验证	评估人工智能模型在视频图像中检测酒精内容的准确性和效率	视频帧图像中的酒精视觉内容	计算机视觉	NA	视频图像分析	深度学习, 零样本学习	图像	三个数据集：Google/Bing图像集、电影帧数据集、酒精相关场景电影帧数据集	NA	ABIDLA2, CLIP, LLaVA	准确率, 未加权平均召回率, F1分数	NA
2079	2026-01-28	Integrating artificial intelligence (AI) into colorectal cancer reporting 2026-Jan-26, The Journal of pathology IF:5.6Q1 DOI:10.1002/path.70029 PMID:41588707	综述	本文综述了人工智能在结直肠癌病理报告标准化及新型预后生物标志物发现中的应用进展	提出了结合传统病理特征与AI衍生预后指标的协调方法，以优化风险评估并改善患者预后	NA	探讨人工智能如何促进结直肠癌病理报告的标准化及新型预后生物标志物的识别	结直肠癌的病理报告和预后生物标志物	数字病理学	结直肠癌	深度学习	深度学习模型	全切片图像	NA	NA	多模态模型, 视觉语言模型	NA	NA
2080	2026-01-28	Hierarchical image pyramid transformer framework for automated breast cancer molecular subtyping using tissue microarrays 2026-Jan-26, The Journal of pathology IF:5.6Q1 DOI:10.1002/path.70028 PMID:41588712	研究论文	提出了一种名为PBC-HIPT的新型深度学习框架，用于从标准H&E染色图像中自动进行乳腺癌分子分型	开发了一种基于多级Transformer的架构，能够从细胞到组织尺度分层聚合组织病理学特征，以捕获高分辨率图像中的多尺度形态特征和长程依赖关系	模型在组织微阵列（TMA）上表现出稳健的模态内泛化能力，但在全切片图像（WSI）的跨模态验证中性能下降	解决乳腺癌在分子和组织学水平的异质性带来的诊断和治疗挑战，实现从H&E染色图像中自动、准确的分子分型和生物标志物评估	乳腺癌组织微阵列（TMA）和全切片图像（WSI）	数字病理学	乳腺癌	H&E染色，免疫组织化学（用于比较）	Transformer	图像	252例TMA病例和46张独立的全切片图像（WSI）	NA	Hierarchical Image Pyramid Transformer (HIPT)	准确率，曲线下面积（AUC）	NA