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	2026-03-06	Disease- and gene-specific deep learning for pathogenicity prediction of rare missense variants in cancer predisposition genes 2026-Mar-04, BioData mining IF:4.0Q1 DOI:10.1186/s13040-026-00533-5 PMID:41781977	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2122	2026-03-09	Using deep learning to predict the sex of human embryos 2026-Mar-04, Open biology IF:4.5Q1 DOI:10.1098/rsob.250419 PMID:41784403	研究论文	本研究结合手动标注与深度学习分析，利用515个胚胎延时摄影视频数据集，探究出生性别是否影响人类胚胎早期发育动态	首次将深度学习应用于人类胚胎延时摄影视频进行性别预测，并发现八细胞期后是性别预测的关键时期，揭示了人类胚胎发育第3天左右可能开始出现细微的性别相关差异	样本量相对有限（515个胚胎视频），预测准确率仅为61%，虽然具有统计学意义但临床实用性有待提高，且未明确识别出具体的可区分性别差异的发育时序参数	探究人类胚胎早期发育中是否存在性别差异，并开发早期非侵入性性别预测工具	人类胚胎（来自体外受精环境）	计算机视觉	NA	延时摄影	深度学习模型	视频（胚胎延时摄影）	515个胚胎延时摄影视频	NA	NA	准确率	NA
2123	2026-03-09	A multi-gradient microfluidic chip-based neutrophil chemotaxis analysis for sepsis auxiliary diagnosis and prognostic monitoring 2026-Mar-04, Biosensors & bioelectronics IF:10.7Q1 DOI:10.1016/j.bios.2026.118593 PMID:41795443	研究论文	本文开发了一种多梯度微流控芯片用于中性粒细胞趋化性分析，以辅助脓毒症的诊断和预后监测	开发了一种能同时生成三种趋化因子梯度的微流控芯片，并整合多个参数构建了中性粒细胞功能分析指数，结合深度学习直接分析趋化轨迹	样本量相对较小（总样本数50，独立队列10），且为手动提取参数，可能引入人为误差	开发一种基于中性粒细胞趋化性分析的脓毒症辅助诊断和预后监测平台	健康个体和脓毒症患者的中性粒细胞	数字病理学	脓毒症	微流控芯片技术，深度学习	深度学习模型	中性粒细胞趋化轨迹数据	健康个体25例，脓毒症患者25例，独立队列10例	NA	NA	AUC, 特异性, 敏感性, 准确率	NA
2124	2026-03-09	Deep learning ultrasonic computed tomography for non-destructive testing of workpieces 2026-Mar-04, Ultrasonics IF:3.8Q1 DOI:10.1016/j.ultras.2026.108044 PMID:41795454	研究论文	本文提出了一种集成注意力机制的神经网络反演方法（HAU2Net）及硬件系统，用于工件超声层析成像，实现从数据采集到快速截面图像重建的全过程	提出了一种结合注意力机制的HAU2Net网络，在U2Net的不同编码和解码层引入注意力头，并采用动态调整的损失函数约束进行训练，显著提升了成像精度和速度	未明确说明该方法对复杂内部结构或多种材料工件的适用性及泛化能力	解决工业超声无损检测中成像精度与成像速度的双重挑战，实现高效高精度的在线检测	工业工件	计算机视觉	NA	超声层析成像	深度学习，神经网络	超声信号矩阵	NA	NA	U2Net，HAU2Net	PSNR，SSIM，模型大小，预测时间	NA
2125	2026-03-09	Establishing an Evidence-based Modern Breast MRI Program 2026-Mar-03, Journal of breast imaging IF:2.0Q3 DOI:10.1093/jbi/wbaf082 PMID:41671073	综述	本文综述了现代乳腺MRI程序的关键要素、协议优化策略以及新兴技术，旨在建立一个基于证据的现代乳腺MRI项目	整合了扩散加权MRI、超快速动态对比增强MRI和深度学习模型等先进技术，并探讨了它们在乳腺MRI中的应用与未来趋势	NA	建立基于证据的现代乳腺MRI程序，优化乳腺成像协议并探索新兴技术	乳腺MRI成像协议、技术及临床应用	数字病理学	乳腺癌	动态对比增强MRI, 扩散加权MRI, 超快速动态对比增强MRI, 深度学习模型	NA	医学影像	NA	NA	NA	NA	NA
2126	2026-03-09	Manipulating 2D Nanomaterials: Shaping the Future of Intelligent Wearable Health Monitoring Devices 2026-Mar-03, ACS nano IF:15.8Q1 DOI:10.1021/acsnano.5c21609 PMID:41717965	综述	本文系统综述了基于二维纳米材料的可穿戴电子设备在智能健康监测中的应用、传感机制、性能影响因素及未来展望	首次整合了可穿戴电子与基于二维纳米材料的多样化健康监测应用，并强调了结合人工智能和机器学习的重要性	NA	总结二维纳米材料在可穿戴健康监测设备中的应用，并展望其未来发展方向	基于二维纳米材料的可穿戴电子设备及其在健康监测中的应用	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2127	2026-03-09	Gene driven analytical learning model for accurate breast cancer diagnosis 2026-Mar-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-39430-6 PMID:41776259	研究论文	本研究开发了一种结合CNN和BiLSTM的集成深度学习模型，用于基于基因表达数据准确诊断乳腺癌	提出了一种结合CNN和BiLSTM的混合模型，通过Pearson相关性分析筛选出236个基因集，并在噪声扰动下表现出高稳定性和泛化能力	研究主要基于TCGA-BRCA和METABRIC数据集，可能需要在更广泛、多中心的数据上进行验证以进一步确认其普适性	开发一种精准的乳腺癌诊断工具，提高基于基因表达数据的预后预测准确性	乳腺癌患者的基因表达数据	机器学习	乳腺癌	基因表达分析	CNN, BiLSTM	基因表达数据	TCGA-BRCA和METABRIC数据集中的乳腺癌样本	TensorFlow, PyTorch	CNN BiLSTM混合模型	Recall, ROC AUC, F1分数	双NVIDIA Tesla T4 GPU阵列
2128	2026-03-09	Deep Learning-Derived Sarcopenia Marker Predicts Benefit from Anti-EGFR Therapy in Patients with RAS Wild-type Metastatic Colorectal Cancer 2026-Mar-02, Clinical cancer research : an official journal of the American Association for Cancer Research IF:10.0Q1 DOI:10.1158/1078-0432.CCR-25-3080 PMID:41489691	研究论文	本研究探讨了基于深度学习从CT图像自动计算的肌肉/骨骼比（MBR）作为肌肉减少症标志物，在RAS野生型转移性结直肠癌患者中对抗EGFR治疗获益的预测价值	首次利用深度学习自动从CT图像中提取肌肉/骨骼比作为肌肉减少症标志物，并验证其在预测转移性结直肠癌患者对抗EGFR治疗反应中的预后和预测价值	研究样本量有限（PanaMa研究中仅189例患者有可用CT图像），且为回顾性验证，需要进一步前瞻性研究确认	评估肌肉/骨骼比（MBR）作为肌肉减少症标志物在转移性结直肠癌患者中的预后和预测价值，特别是对抗EGFR治疗的反应	RAS野生型转移性结直肠癌患者	数字病理学	结直肠癌	计算机断层扫描（CT）	深度学习模型	CT图像	PanaMa研究中的189例患者（来自248例随机患者）及一个真实世界验证队列	NA	NA	风险比（HR）, 95%置信区间（CI）, P值	NA
2129	2026-03-09	EnDeep4mC predicts DNA N 4-methylcytosine sites using a dual-adaptive feature encoding framework in deep ensembles 2026-Mar-02, Genome research IF:6.2Q1 DOI:10.1101/gr.280977.125 PMID:41702707	研究论文	本文提出了一种名为EnDeep4mC的双自适应特征编码框架，用于预测DNA N4-甲基胞嘧啶位点，并通过集成深度学习架构优化特征编码方案	提出了一种结合物种特异性建模与集成深度学习架构的双自适应框架，系统优化特征编码方案，并在跨物种验证中展示了强大的可迁移性	未明确提及具体的数据集大小或计算资源限制，可能依赖于现有实验数据的可用性	开发高效的计算方法来检测DNA N4-甲基胞嘧啶位点，以克服实验方法的限制	DNA N4-甲基胞嘧啶位点	机器学习	NA	DNA测序	集成深度学习	DNA序列数据	涉及六个物种的数据，但未指定具体样本数量	NA	NA	预测性能指标，但未具体说明如准确率、AUC等	NA
2130	2026-03-09	A novel framework for cognitive state identification using resting-state EEG 2026-Mar-02, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ae4807 PMID:41769796	研究论文	本文提出了一种基于静息态脑电图（EEG）功能连接性的新型认知状态识别框架PowerSyncNet，用于检测老年人的早期认知衰退	提出了PowerSyncNet框架，通过Channel-Pair Feature Sequences Builder提取跨频段功能连接特征，并利用Encoder4Band模块捕获反映认知状态的时频表征，结合跨频段信息以提高特征清晰度	NA	开发一种基于EEG功能连接性的认知状态识别方法，以促进认知障碍患者的早期评估和及时干预	老年人的认知状态识别，特别是早期认知衰退检测	机器学习	老年疾病	脑电图（EEG）	深度学习框架	脑电图信号	公开的CAUEEG数据集和自行收集的ECED数据集	NA	PowerSyncNet（包含Channel-Pair Feature Sequences Builder、Encoder4Band、Classifier三个模块）	NA	NA
2131	2026-03-09	Application of a Natural Language Processing Framework for Data Extraction From Pathology Reports Across Multiple Cancer Types 2026-Mar-02, Journal of Korean medical science IF:3.0Q1 DOI:10.3346/jkms.2026.41.e79 PMID:41775279	研究论文	本研究开发了一个基于自然语言处理（NLP）的系统，用于从多种癌症类型的病理报告中自动提取关键临床数据	应用并比较了多种深度学习架构（包括LSTM、CNN和基于Transformer的模型如BERT、BioBERT和ClinicalBERT），最终选择ClinicalBERT作为基础模型，以优化从半结构化病理报告中提取数据的准确性和效率	对于某些变量（如胃癌的远处转移）提取性能较低（F1分数为0.3889），表明模型在处理特定复杂或罕见术语时可能存在局限性	开发一个高效的NLP系统，以自动化从病理报告中提取临床数据，便于集中存储、检索和分析	多种癌症类型（胃癌、肝癌、结直肠癌、乳腺癌）的病理报告	自然语言处理	多种癌症	自然语言处理（NLP）	LSTM, CNN, Transformer	文本	NA	NA	BERT, BioBERT, ClinicalBERT	F1分数	NA
2132	2026-03-09	Distinguishing lumpy skin disease from coat patterns using morphological priors in deep learning 2026-Mar-02, Veterinary journal (London, England : 1997) DOI:10.1016/j.tvjl.2026.106630 PMID:41780580	研究论文	本文开发了一种基于形态学先验的深度学习模型，用于从牛只皮毛图案中区分牛结节性皮肤病（LSD）病变	结合局部纹理细化模块和全局形态一致性模块，模拟兽医视觉线索，有效抑制背景噪声并强调典型病变的圆形或簇状结构	模型旨在辅助而非替代临床检查和实验室测试，可能受光照、背景和皮毛图案变化影响	开发一种图像分析工具，支持牛群层面的早期LSD筛查和兽医干预	牛只图像，特别是包含LSD病变和复杂皮毛图案的图片	计算机视觉	牛结节性皮肤病	图像分析	深度学习模型	图像	NA	NA	NA	NA	NA
2133	2026-03-09	Graph neural network-based prediction and interpretation of Daphnia toxicity using distinct scale molecular representations 2026-Mar-02, Water research IF:11.4Q1 DOI:10.1016/j.watres.2026.125676 PMID:41795367	研究论文	本研究开发了一种基于深度学习的框架，整合分子和宏观特征来预测水蚤毒性LC值并解释毒性机制	首次应用三种图表示（原始分子、SMILES和SMARTS）进行毒性预测，发现SMARTS片段图表示在可解释性和稳定性上表现最优	研究未提及模型在外部验证集上的泛化能力或对未知化学品的预测性能	开发深度学习框架以预测水蚤毒性LC值并解释毒性机制，支持化学品管理和水质评估	化学品对水蚤的毒性LC值	机器学习	NA	图机器学习，SMILES和SMARTS分子表示	图神经网络	分子结构图数据	NA	NA	标准图神经网络模型	决定系数（R²）	NA
2134	2026-03-09	Microstructure-informed deep learning improves thalamic atrophy segmentation and clinical associations in multiple sclerosis and related neuroimmunological diseases 2026-Mar-02, NeuroImage. Clinical DOI:10.1016/j.nicl.2026.103982 PMID:41795481	研究论文	本研究比较了多种算法在丘脑萎缩分割中的性能，并评估了定量R1映射对分割效果及临床关联性的影响	首次系统比较了基于图谱约束算法与深度学习算法在丘脑分割中的表现，并探索了定量MRI（R1映射）在提升分割精度和临床关联性方面的潜力	R1映射输入对分割性能提升有限，且研究基于单扫描仪队列，可能限制泛化性	改进多发性硬化及相关神经免疫性疾病中丘脑萎缩的分割方法，并增强其与临床指标的关联	多发性硬化及相关疾病患者以及健康对照者的丘脑结构	数字病理学	多发性硬化	定量磁共振成像（qMRI），包括T1加权、FLAIR和R1映射	深度学习模型	磁共振图像	基线321名参与者（包括患者和健康对照），1年随访234名，其中50名多发性硬化患者用于手动标注	NA	MindGlide, DBSegment	Dice相似系数, 灵敏度, 精确度	NA
2135	2026-03-09	Deep Learning-Based Analysis of Glottal Attack and Offset Times in Adductor Laryngeal Dystonia 2026-Mar, Journal of voice : official journal of the Voice Foundation IF:2.5Q1 DOI:10.1016/j.jvoice.2023.10.011 PMID:37977969	研究论文	本文开发了一种基于深度学习的自动化方法，用于从高速视频内窥镜数据中测量声门攻击时间和声门偏移时间，以辅助内收肌喉肌张力障碍的诊断	首次提出使用深度学习框架自动分割声门区域并检测声带边缘，从而自动化测量GAT和GOT，为内收肌喉肌张力障碍提供客观的生物标志物	研究样本量有限，仅包括正常成人和AdLD患者，且未与其他声音障碍进行对比，自动化测量与手动分析结果虽强相关但存在微小差异	开发自动化测量声门攻击时间和声门偏移时间的方法，以促进内收肌喉肌张力障碍的客观诊断	正常成人和内收肌喉肌张力障碍患者	数字病理学	喉肌张力障碍	高速视频内窥镜	深度学习框架	视频	正常成人和AdLD患者（具体数量未在摘要中明确）	NA	NA	相关性	NA
2136	2026-03-09	Identification of drug use degree by integrating multi-modal features with dual-input deep learning method 2026-Mar, Computer methods in biomechanics and biomedical engineering IF:1.7Q3 DOI:10.1080/10255842.2024.2417206 PMID:39468790	研究论文	提出一种双输入双模态融合算法，结合脑电图和近红外光谱数据，对药物使用程度进行客观定量评估	首次提出优化的双输入多模态TiCBnet网络，用于提取双模态信号的深度编码特征，并通过特征融合与筛选提升分类性能	未提及样本规模的具体细节或外部验证结果，可能影响方法的泛化能力	开发客观定量的药物使用程度评估方法	药物使用者的脑电图和近红外光谱信号	机器学习	药物滥用	脑电图, 近红外光谱	深度学习	脑电图信号, 近红外光谱信号	NA	NA	TiCBnet	分类准确率	NA
2137	2026-03-09	Deep Learning Based Multiomics Model for Risk Stratification of Postoperative Distant Metastasis in Colorectal Cancer 2026-Mar, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2025.08.040 PMID:40912950	研究论文	本研究开发了基于深度学习的多组学模型，用于预测结直肠癌患者术后远处转移并评估生存预后	结合放射组学和病理组学的深度特征，构建了集成模型（Nomogram 1和Nomogram 2），显著提升了术后远处转移预测的准确性	研究为回顾性设计，样本量相对有限（521例），且仅来自两个中心，可能存在选择偏倚	预测结直肠癌患者术后远处转移并进行生存预后风险分层	接受根治性手术的结直肠癌患者	数字病理学	结直肠癌	CT成像, HE染色	深度学习	图像	521例患者（中心1：381例，中心2：140例）	NA	ResNet-101	AUC, DeLong检验, Kaplan-Meier分析	NA
2138	2026-03-09	A multi-class segmentation model of deep learning on contrast-enhanced computed tomography to segment and differentiate lipid-poor adrenal nodules: a dual-center study 2026-Mar, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-12007-z PMID:40981992	研究论文	本研究开发了一种基于深度学习的多类分割模型，用于在增强CT图像上分割并区分脂质贫乏肾上腺结节	提出了一种新颖的基于状态空间模型的多类分割方法Mamba-USeg，能够同时进行分割和分类，在性能上显著优于现有模型	研究为回顾性双中心设计，样本量相对有限（共164例患者），且仅针对特定类型的肾上腺结节	开发一种深度学习模型，用于在增强CT图像上自动分割肾上腺并区分脂质贫乏腺瘤和结节性增生	经病理证实的脂质贫乏肾上腺腺瘤和结节性增生患者的增强CT图像	计算机视觉	肾上腺疾病	对比增强计算机断层扫描	深度学习, 状态空间模型	医学图像	164例患者（内部中心128例用于训练，外部中心36例用于验证）	NA	Mamba-USeg, MultiResUNet, CPFNet	平均Dice相似系数, 敏感性, 特异性, 准确率	NA
2139	2026-03-09	A Multi-view Deep Survival Combined Model for Predicting Stroke Recurrence in Symptomatic Intracranial Atherosclerosis 2026-Mar, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2025.10.052 PMID:41242896	研究论文	本文提出了一种多视图深度生存组合模型，用于预测症状性颅内动脉粥样硬化患者的卒中复发风险	结合Vision Transformer、影像组学和DeepSurv，开发了一种自动化多视图深度特征学习与生存分析融合的模型，以客观预测卒中复发风险，超越了传统依赖主观评估的方法	研究为回顾性设计，样本量相对有限（363例患者），且仅来自两家医疗机构，可能存在选择偏倚	开发一种客观、自动化的工具，用于症状性颅内动脉粥样硬化患者的卒中复发风险分层	症状性颅内动脉粥样硬化狭窄患者	数字病理学	心血管疾病	高分辨率血管壁成像	Vision Transformer, DeepSurv	图像	363例患者（79例复发，284例未复发），分为训练/验证集（290例）和测试集（73例）	NA	Vision Transformer	C-index, 时间依赖性受试者工作特征曲线下面积	NA
2140	2026-03-09	Integrating Deep Feature Extraction and MRI Radiomics for Survival Prediction in Breast Cancer After Neoadjuvant Chemotherapy 2026-Mar, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2025.10.050 PMID:41253608	研究论文	本研究通过整合深度学习特征提取与MRI影像组学，构建多模态Cox模型，以预测乳腺癌新辅助化疗后的生存期	首次将CNN提取的深度学习病理特征与多参数MRI影像组学融合，构建多模态预测模型，相比以往单模态研究或短期终点预测，显著提高了长期生存预测的准确性	研究为多中心回顾性设计，样本量相对有限（216例），且未在独立外部队列中进行验证	开发更精确的预后工具，以优化乳腺癌新辅助化疗后的临床决策	完成新辅助化疗的乳腺癌患者	数字病理学	乳腺癌	多参数MRI影像组学，深度学习特征提取	CNN, Cox比例风险模型	临床特征，病理图像，MRI图像	216例乳腺癌患者	NA	ResNet50	AUC, 校准曲线, 决策曲线分析	NA