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
2121	2026-04-06	YOLOBT: a novel ERP bad trial detection network dynamically adjusting based on global signal quality 2026, Frontiers in human neuroscience IF:2.4Q2 DOI:10.3389/fnhum.2026.1714086 PMID:41884779	研究论文	本文提出了一种基于YOLO的深度学习框架YOLOBT，用于动态调整事件相关电位（ERP）研究中坏试次的检测	提出了一种能模拟专家自适应策略的坏试次检测框架，通过全局信号质量评估实现动态阈值调整，并引入了跨层注意力瓶颈、分层特征引导模块和全局信息分类模块等创新结构	未在论文摘要中明确说明	开发一种能模拟专家自适应判断的自动化ERP坏试次检测方法	脑电图（EEG）信号中的事件相关电位（ERP）试次	机器学习	NA	脑电图（EEG），事件相关电位（ERP）	YOLO	图像（将EEG信号可视化为波形图像）	未在摘要中明确说明具体样本数量，仅提及使用手动标注的数据集	NA	YOLO	精确率，召回率，平均精度均值，F1分数	NA
2122	2026-04-06	Physics-informed graph neural networks for robust cross-patient epileptic seizure prediction via chimera state detection 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0345470 PMID:41926489	研究论文	本文提出了一种结合物理约束和图神经网络的混合模型，用于通过检测嵌合体状态实现跨患者的癫痫发作预测	将基于Kuramoto振荡器理论的物理约束与图神经网络结合，实现了自动化、鲁棒且可解释的嵌合体状态检测，显著提升了跨患者泛化能力	研究主要基于公开数据集，未在更广泛的临床环境中进行实时验证；模型对EEG信号质量可能敏感	开发一种能够跨患者泛化、具有临床可解释性的癫痫发作预测方法	癫痫患者的脑电图（EEG）数据	计算神经科学, 机器学习	癫痫	脑电图（EEG）分析, 相位锁定值（Phase Locking Values）	图神经网络（GNN）, 状态空间网络（Mamba）	多通道脑电图（EEG）信号	CHB-MIT数据集（22名儿科患者，182次发作）；IEEG.org数据集（16名成人患者，87次发作）；总计844小时连续EEG数据	PyTorch	混合物理信息图神经网络（HP-GNN）, 超图卷积网络, Mamba网络	准确率, 灵敏度, 假阳性率每小时, 跨患者泛化准确率	未明确指定，但涉及深度学习模型训练，可能使用GPU
2123	2026-04-06	Utilizing the transformer mechanism to predict cervical lymph node metastasis in patients with papillary thyroid carcinoma 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0345937 PMID:41931576	研究论文	本研究开发并验证了基于Vision Transformer (ViT) 的深度学习模型，用于术前预测甲状腺乳头状癌患者的颈部淋巴结转移	首次将Vision Transformer (ViT) 模型应用于甲状腺乳头状癌颈部淋巴结转移的术前预测，并与传统CNN模型、超声影像组学联合模型及临床模型进行比较，显示出更优且稳定的预测性能	研究为回顾性设计，样本量相对有限（540例患者），且仅基于二维矩形超声图像，未来需前瞻性研究和多模态数据验证	开发并验证Vision Transformer (ViT) 模型在术前预测甲状腺乳头状癌患者颈部淋巴结转移中的应用价值	甲状腺乳头状癌患者	计算机视觉	甲状腺癌	超声成像	Vision Transformer (ViT), 卷积神经网络 (CNN)	图像	540例甲状腺乳头状癌患者（来自两家医院）	NA	Vision Transformer (ViT), 传统CNN框架	AUC, 净重分类改善指数 (NRI), 综合判别改善指数 (IDI)	NA
2124	2026-04-06	The Predictive Value of the Pan-Immune-Inflammation Value for Atrial Fibrillation Risk in Patients with Coronary Artery Disease: A Multicenter Machine Learning Study 2026, International journal of general medicine IF:2.1Q2 DOI:10.2147/IJGM.S579135 PMID:41883473	研究论文	本研究通过多中心机器学习方法，探讨了泛免疫炎症值（PIV）对冠心病患者心房颤动风险的预测价值	首次将新型复合炎症标志物PIV应用于冠心病患者心房颤动的风险预测，并比较了XGBoost与多层感知机模型的性能	研究为回顾性设计，可能存在选择偏倚；样本仅来自两家三级医院，外部验证有待加强	评估PIV对冠心病患者发生心房颤动的预测能力，并构建机器学习模型进行个体化风险评估	经冠状动脉造影确诊的冠心病患者，分为心房颤动组与非心房颤动组	机器学习	心血管疾病	冠状动脉造影，实验室检测	XGBoost, MLP	临床特征与实验室数据	来自两家三级医院的多中心冠心病患者队列	XGBoost, 未指定深度学习框架	XGBoost, 多层感知机	AUC, 校准分析	NA
2125	2026-04-06	Advances and challenges from pathological mechanisms to intelligent quantified diagnosis in diabetic optic neuropathy 2026 Jan-Dec, Digital health IF:2.9Q2 DOI:10.1177/20552076261435864 PMID:41883518	综述	本文全面综述了糖尿病性视神经病变的病理生理机制、当前诊断挑战以及人工智能在早期检测和个性化管理中的新兴作用	系统探讨了人工智能在糖尿病性视神经病变中的转化应用，包括视神经头分割、疾病分类、鉴别诊断、预测分析和影像组学新生物标志物发现，并强调了从糖尿病视网膜病变模型向神经退行性变化检测的转变	NA	综述糖尿病性视神经病变的病理机制、诊断挑战及人工智能在量化诊断中的应用前景	糖尿病性视神经病变	数字病理学	糖尿病性视神经病变	NA	机器学习, 深度学习	影像数据	NA	NA	NA	NA	NA
2126	2026-04-06	Improving stain normalization for digital histological image analysis based on the cycle generative adversarial network identity loss model 2026 Jan-Dec, Digital health IF:2.9Q2 DOI:10.1177/20552076261438012 PMID:41883528	研究论文	本研究提出了一种基于循环生成对抗网络身份损失模型的染色归一化框架，旨在改善数字组织病理学图像分析中的染色颜色变化问题	提出了一种结合StainGAN和Stain-to-Stain Translation的I-GAN框架，通过引入身份损失和RGB-灰度训练策略，在测试阶段使用RGB图像以保留原始染色信息，实现了结构信息的保持和跨异质染色域的稳定颜色域转换	NA	开发一个鲁棒的染色归一化框架，以解决染色环境和扫描设备差异导致的颜色变化问题，促进基于深度学习的数字组织病理学图像分析	数字组织病理学图像，特别是苏木精和伊红染色的图像	数字病理学	NA	苏木精和伊红染色	GAN	图像	使用了MITOS-ATYPIA 14、Camelyon17和ICIAR2018 BACH Challenge数据集	NA	StainGAN, Stain-to-Stain Translation	SSIM, PSNR, DeltaE-ITP, 平均精度, 准确率, 精确率, 召回率	NA
2127	2026-04-06	A unified VQ-VAE framework for few-shot retinal vessel segmentation and multidisease classification 2026 Jan-Dec, Digital health IF:2.9Q2 DOI:10.1177/20552076261433086 PMID:41883526	研究论文	本研究提出了一种基于向量量化变分自编码器的少样本学习框架，用于视网膜血管分割和多疾病分类	利用VQ-VAE在未标注眼底照片上进行预训练，学习可迁移的离散表示，以初始化多个下游模型，有效减少标注数据需求并提升性能	未明确说明模型在更广泛或更复杂临床场景中的泛化能力，以及计算资源的具体需求	解决任务特异性深度学习模型对大型标注数据集的依赖问题，开发资源高效的少样本学习解决方案	视网膜血管分割和眼部疾病分类	计算机视觉	眼部疾病	深度学习，少样本学习	VQ-VAE, CNN, GAN	图像	多个公共数据集（DRIVE, STARE, CHASE, Retina, ODIR），其中分类任务仅使用70张标注图像	NA	U-Net, SegNet, ERFNet, FR-UNet, Swin-Res-Net, RV-GAN, VGG-16, ResNet-50, EfficientNet-B0	Dice系数, 召回率, 准确率, 交并比, 平均交并比, 平均偏移距离, 精确率, F1分数, AUC	NA
2128	2026-04-06	Integrating deep learning and thermal estimation for enhanced MRI-based brain tumor diagnosis 2026 Jan-Dec, Digital health IF:2.9Q2 DOI:10.1177/20552076261431902 PMID:41883532	研究论文	本研究开发了一个集成AI驱动的MATLAB框架，通过结合MRI特征与热和纹理生物标志物，提升脑肿瘤诊断的准确性	首次将深度学习分割、形态分析、热估计和纹理量化整合到一个MATLAB管道中，用于脑肿瘤诊断，并提出了基于面积的温度估计公式	硬件限制导致训练仅进行了计划的30个周期中的8个，影响了模型优化；对垂体瘤的召回率较低（29%），对脑膜瘤的精确度较低（48.6%）	开发一个集成AI框架，通过结合MRI特征与热和纹理生物标志物，提高脑肿瘤诊断的准确性	脑肿瘤（包括胶质瘤、脑膜瘤、垂体瘤）和健康脑组织	数字病理学	脑肿瘤	磁共振成像（MRI）	CNN	图像	来自Kaggle和Figshare的数据集（具体样本数量未明确说明）	MATLAB	紧凑型三层卷积神经网络	准确率, F1分数, 召回率, 精确度	硬件限制导致训练周期减少，建议转向GPU加速训练（具体GPU类型未明确说明）
2129	2026-04-06	A Hybrid GARCH-BiLSTM-KAN Model for Crude Oil Price Forecasting: Capturing Volatility, Temporal Dependencies, and Nonlinear Dynamics 2025-12-05, Journal of visualized experiments : JoVE DOI:10.3791/69355 PMID:41428661	研究论文	本研究提出了一种混合GARCH-BiLSTM-KAN模型，用于原油价格预测，旨在捕捉波动性、时间依赖性和非线性动态	创新性地结合了GARCH模型、双向LSTM网络和Kolmogorov-Arnold网络，以协同方式量化时变波动性、建模双向时间关系并精炼非线性模式，超越了传统模型的局限	未明确提及具体限制，但可能包括模型复杂度高、计算资源需求大或对特定市场条件的泛化能力未知	开发一个稳健的预测工具，以准确预测原油价格，支持能源政策制定、风险对冲和金融衍生品定价	西德克萨斯中质原油的每日价格数据	机器学习	NA	NA	GARCH, BiLSTM, KAN	时间序列数据	39年的每日价格数据（1986-2025年）	NA	GARCH, Bidirectional LSTM, Kolmogorov-Arnold Network	均方根误差, 平均绝对误差, 决定系数	NA
2130	2026-04-06	Deep learning NTCP model for late dysphagia after radiotherapy for head and neck cancer patients based on 3D dose, CT and segmentations 2025-12, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology IF:4.9Q1 DOI:10.1016/j.radonc.2025.111169 PMID:41033356	研究论文	本研究开发了一种基于深度学习的正常组织并发症概率（NTCP）模型，用于预测头颈癌放疗后晚期吞咽困难，该模型整合了3D剂量分布、器官分割和CT扫描数据	首次将3D剂量数据、器官分割和CT扫描结合到深度学习模型中，以预测放疗后吞咽困难，相比传统基于离散剂量参数的NTCP模型，显著提升了预测性能	研究依赖于多机构队列数据，可能存在数据异质性；模型性能在外部测试集上略有下降，表明泛化能力有待进一步验证	通过深度学习模型改进头颈癌放疗后晚期吞咽困难的预测准确性	头颈癌患者	数字病理学	头颈癌	放疗剂量分析，CT扫描	CNN	3D剂量分布图像，CT图像，器官分割掩码	1484名头颈癌患者的多机构队列	NA	Residual Network	AUC，校准曲线	NA
2131	2026-04-06	A Novel Hybrid Deep Learning Model for Attack Detection in IoT Environment: Convolutional Neural Network with Transformer Approach 2025-11-18, Journal of visualized experiments : JoVE DOI:10.3791/68750 PMID:41359642	研究论文	提出一种基于CNN与Transformer的混合深度学习模型，用于物联网环境中的攻击检测与分类	首次将卷积神经网络与Transformer架构结合，构建混合模型用于物联网攻击检测，在保持高精度的同时显著降低计算复杂度	仅使用单一数据集（CIC-IoT-2023）进行验证，未在更广泛的物联网场景和实时部署环境中测试	开发高效的深度学习安全方法，实时检测物联网网络中的异常活动和潜在威胁	物联网网络通信数据中的攻击模式与异常行为	机器学习	NA	深度学习	CNN, Transformer	网络流量数据	CIC-IoT-2023数据集，包含33种物联网威胁类型，分为7个类别	NA	CNN-Transformer混合架构	准确率, 精确率, 召回率, F1分数, 损失值	NA
2132	2026-04-06	An Open-source Protocol for Deep Learning-based Segmentation of Tubular Structures in 3D Fluorescence Microscopy Images 2025-11-14, Journal of visualized experiments : JoVE DOI:10.3791/68004 PMID:41325317	研究论文	本文介绍了一个开源、用户友好的工具箱，用于3D荧光显微镜图像中管状结构的端到端分割	工具箱采用基于模拟的数据增强策略，即使在最少训练数据（如仅一张3D图像）下也能提升模型性能，并模拟真实成像伪影	NA	开发一个无需正式编程训练的研究人员也能使用的工具箱，用于3D荧光显微镜图像中管状结构的精确分割	小鼠肝组织中的胆管网络和正弦网络	数字病理学	NA	3D荧光显微镜成像	CNN	3D图像	最少一张3D图像（通过数据增强扩展）	TensorFlow, PyTorch, Keras	3D U-Net, 3D U-Net with attention mechanisms	定性评估, 定量评估	本地GPU, 高性能计算集群, 云平台
2133	2026-04-06	Transfer Learning and UNet Segmentation for Paddy Leaf Disease Classification as a Solution with a User-Friendly Interface for Non-Technical Users 2025-10-24, Journal of visualized experiments : JoVE DOI:10.3791/68861 PMID:41212843	研究论文	本研究提出了一种基于迁移学习和UNet分割的定制化深度学习方案，用于水稻叶片病害分类，并开发了用户友好的图形界面供非技术用户使用	结合了定制化的DenseNet-121迁移学习模型与UNet图像分割技术，显著提升了分类准确率，并设计了面向非技术用户的直观交互界面	未明确提及模型在真实田间复杂环境下的泛化能力测试或计算资源需求的具体分析	开发一种可靠且可扩展的水稻叶片病害自动分类解决方案，以辅助农业生产	水稻叶片病害图像，包括Tungro、Sheath Blight、Paddy Hispa、Neck Blast、Narrow Brown Spot、Leaf Scald、Leaf Blast、Brown Spot和Bacterial Leaf Blight	计算机视觉	水稻病害	深度学习，图像分割	CNN	图像	基于Paddy Leaf Diseases Detection Dataset的两个数据集（分割图像与非分割图像），具体样本数量未明确	未明确指定，可能为TensorFlow, PyTorch等	DenseNet-121, UNet	准确率, 精确率, 召回率	未明确指定
2134	2026-04-06	Uncertainty-aware quantitative CT evaluation of emphysema and mortality risk from variable radiation dose images 2025-Oct, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-11525-0 PMID:40185924	研究论文	本文开发了一种自动化的不确定性感知深度学习方法，用于联合评估肺气肿和死亡风险，并量化数据和模型不确定性	提出了一种多任务贝叶斯神经网络，能够同时估计肺气肿指标和5年死亡风险，并量化数据与模型不确定性，提高了不同辐射剂量CT图像间评估的一致性	研究仅基于COPDGene研究队列，样本量有限（1350名参与者），且仅针对肺气肿和COPD相关死亡风险	开发一种对成像协议更鲁棒的自动化方法，用于联合评估肺气肿和死亡风险，并提供不确定性量化	COPDGene研究中的参与者，包括接受全辐射剂量和降低辐射剂量胸部CT扫描的个体	数字病理学	肺气肿	胸部CT扫描	贝叶斯神经网络	CT图像	1350名参与者（平均年龄64.4岁±8.7；659名女性）	NA	多任务贝叶斯神经网络	均值差异, p值, Pearson's rho	NA
2135	2026-04-06	Improving mortality prediction after radiotherapy with large language model structuring of large-scale unstructured electronic health records 2025-10, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology IF:4.9Q1 DOI:10.1016/j.radonc.2025.111052 PMID:40692078	研究论文	本研究利用开源大语言模型（LLM）对大规模非结构化电子健康记录（EHR）进行结构化处理，以改进放疗后患者的死亡率预测	采用通用领域的大语言模型（而非针对医学数据微调的模型）来结构化非结构化EHR数据，显著提升了生存预测的准确性和模型可解释性	研究主要基于单一医疗中心的数据进行内部验证，外部验证样本量相对较小（852例），且未详细讨论模型在不同医疗系统或人群中的泛化能力	提高放疗后患者死亡率预测的准确性，以优化临床决策和避免对预期寿命有限的患者进行不必要的放疗	接受放疗的患者，包括来自延世癌症中心的34,276例患者（内部数据集）和来自龙仁Severance医院的852例患者（外部验证集）	自然语言处理	癌症	大语言模型（LLM）用于非结构化EHR数据的结构化处理	大语言模型（LLM），深度学习模型	非结构化和结构化的电子健康记录（EHR）数据	内部数据集34,276例患者，外部验证集852例患者	NA	开源大语言模型（具体架构未指定），以及统计、机器学习和深度学习模型	C-index，风险分层的p值，结构化准确率	NA
2136	2026-04-06	Deep learning-based auto-contouring of organs/structures-at-risk for pediatric upper abdominal radiotherapy 2025-07, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology IF:4.9Q1 DOI:10.1016/j.radonc.2025.110914 PMID:40328363	研究论文	本研究开发了一种基于CT的深度学习模型，用于儿科上腹部肿瘤放疗中危及器官的自动勾画，并评估了其在多个数据集上的鲁棒性	结合内部和公共数据集训练模型，提高了模型在儿科上腹部OARs分割中的鲁棒性，并针对年龄组差异进行了性能分析	胃-肠和胰腺的分割性能较低（DSC值低于0.90），且0-2岁年龄组的模型表现最差	开发并评估用于儿科上腹部放疗中危及器官自动勾画的深度学习模型	儿科上腹部肿瘤患者（包括肾肿瘤和神经母细胞瘤）的CT图像	数字病理	儿科肿瘤	CT成像	深度学习	CT图像	内部数据集189例儿科患者，公共数据集189例CT扫描	NA	NA	Dice相似系数, 95% Hausdorff距离, 平均表面距离	NA
2137	2026-04-06	PET and CT based DenseNet outperforms advanced deep learning models for outcome prediction of oropharyngeal cancer 2025-06, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology IF:4.9Q1 DOI:10.1016/j.radonc.2025.110852 PMID:40118186	研究论文	本研究探讨了使用传统DenseNet架构，通过优化层数和图像融合策略，在口咽癌患者无复发生存期预测中是否能够达到与先进深度学习模型相当的性能	研究表明，具有81层的传统DenseNet架构在内部测试集上达到了与更复杂架构的先进模型相当的预测性能，并在外部测试中表现更优，且移除GTV输入数据在某些情况下能提升外部测试性能	研究未详细讨论模型在其他癌症类型或更大数据集上的泛化能力，也未分析不同融合策略在所有临床场景下的最优性	比较传统DenseNet架构与先进深度学习模型在口咽癌患者无复发生存期预测中的性能	口咽癌患者	数字病理	口咽癌	PET和CT成像	DenseNet	图像	HECKTOR 2022数据集包含489名患者（训练集369名，测试集120名），外加400名患者的外部测试集	NA	DenseNet81	C-index	NA
2138	2026-04-06	Automated Joint Space Detection Improves Bone Segmentation Accuracy 2025-May-06, bioRxiv : the preprint server for biology DOI:10.1101/2025.04.30.651481 PMID:40654621	研究论文	本研究开发了一种基于深度学习的自动化关节空间检测方法，用于提高小鼠爪骨分割的准确性	在先前半自动标记分水岭算法基础上，引入了结构增强、张量投票和输出膨胀技术，并结合3D U-Net架构的深度学习模型进行关节空间预测	在疾病严重程度增加和年龄增长的小鼠中分割准确性下降，特别是在关节炎严重的前爪数据集中性能衰减明显	开发自动化图像分析方法以定量描述复杂解剖结构，减少人工分割的需求和观察者间变异	小鼠后爪和前爪的微CT图像数据集，包括野生型和TNF转基因关节炎模型	数字病理学	关节炎	微计算机断层扫描	CNN	3D图像	包含野生型和TNF转基因小鼠的后爪和前爪数据集，测试组占52.4%	NA	3D U-Net, ResNet-18	分割准确率	NA
2139	2026-04-06	Incorporating indirect MRI information in a CT-based deep learning model for prostate auto-segmentation 2025-05, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology IF:4.9Q1 DOI:10.1016/j.radonc.2025.110806 PMID:39988305	研究论文	本研究开发了一种基于CT的深度学习模型，用于前列腺自动分割，旨在在CT成像中实现MRI轮廓指南	首次设计用于在CT成像中实施MRI轮廓指南的深度学习模型，并且是首个根据ESTRO-ACROP轮廓指南训练的模型	模型在开发过程中从未接触过MRI图像，可能限制了其对MRI信息的间接利用能力	开发一种深度学习模型，用于在CT成像中自动分割前列腺及危及器官，以辅助前列腺癌外部束放射治疗	165名前列腺癌患者的CT扫描数据	数字病理学	前列腺癌	CT扫描	深度学习	图像	165例患者CT扫描（136例训练，29例测试）	NA	三维U-Net	Dice相似系数, 95百分位Hausdorff距离	NA
2140	2026-04-06	Non-invasive quantification of pressure drops in stenotic intracranial vessels: using deep learning-enhanced 4D flow MRI to characterize the regional haemodynamics of the pulsing brain 2025-Apr-04, Interface focus IF:3.6Q1 DOI:10.1098/rsfs.2024.0040 PMID:40191027	研究论文	本研究提出了一种结合深度学习超分辨率4D血流MRI与物理信息虚拟功-能相对压力技术的非侵入性方法，用于量化颅内狭窄动脉的压力下降	首次将深度学习超分辨率技术与物理信息虚拟功-能相对压力技术相结合，用于颅内狭窄血管的非侵入性压力量化，显著提高了亚毫米分辨率下的测量精度	研究首先在模拟颅内环境的脉动流实验中验证，然后转移到患者队列，但样本量有限，且依赖于参考导管侵入性测量进行验证	开发一种非侵入性方法来量化颅内狭窄血管的压力下降，以评估功能性狭窄严重程度	颅内动脉狭窄患者（颅内动脉粥样硬化疾病）	医学影像分析	脑血管疾病/中风	四维（4D）血流磁共振成像（MRI），深度学习超分辨率技术，物理信息虚拟功-能相对压力技术	深度学习模型	MRI影像数据	一个颅内动脉粥样硬化疾病患者队列（具体数量未在摘要中说明）	NA	NA	与参考导管侵入性测量的一致性，压力估计的准确性	NA