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
2361	2026-03-06	Deep Learning-Enhanced Diffusion-Weighted Imaging of the Abdomen at 0.55 T: Image Quality and Apparent Diffusion Coefficient Calculation Interchangeability in Healthy Volunteers 2026-Mar, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2025.11.039 PMID:41391962	研究论文	本研究评估了深度学习增强的低场强腹部扩散加权成像的技术可行性、图像质量和表观扩散系数可靠性	首次在0.55 T低场强磁共振中应用深度学习超分辨率重建技术，显著提升腹部扩散加权成像质量	研究仅纳入健康志愿者，样本量有限（33人），且未评估病理组织	评估深度学习增强低场强扩散加权成像的技术性能与临床适用性	健康志愿者的腹部器官（肝脏、脾脏、胸椎椎体）	医学影像分析	NA	扩散加权成像，磁共振成像	深度学习	医学影像	33名健康志愿者	NA	超分辨率重建网络	图像质量评分，组内相关系数，Bland-Altman分析，相关性系数	NA
2362	2026-03-06	Spectral Decomposition of Chemical Semantics for Activity Cliffs-Aware Molecular Property Prediction 2026-Mar, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202517579 PMID:41632044	研究论文	提出了一种名为PrismNet的光谱图网络，通过模拟化学直觉，用于分子性质预测，特别是在处理活性悬崖方面表现出色	采用光谱图网络和双分解策略，将分子分解为支架、功能基团和药效团三个化学视角，并通过光谱频率解析，实现了多尺度语义的统一和化学可解释性	NA	提高分子物理化学和生物性质预测的准确性，特别是在药物发现中处理活性悬崖问题	分子	机器学习	NA	光谱图网络	光谱图网络	分子图数据	64个基准数据集，包括30个活性悬崖数据集	NA	PrismNet	NA	NA
2363	2026-03-06	Deep Learning-Based Super-Resolution for Vessel Enhancement in Photoacoustic Microscopy Imaging 2026-Mar, Journal of biophotonics IF:2.0Q3 DOI:10.1002/jbio.70221 PMID:41780538	研究论文	本文提出了一种基于深度学习的超分辨率方法GDSU-Net，用于增强光声显微成像中的血管结构	GDSU-Net在U-Net架构基础上引入了组归一化、深度可分离卷积、挤压-激励块和基于像素重排的解码器，以提升光声成像的超分辨率重建性能	NA	旨在通过超分辨率重建技术提升光声显微成像中血管网络的图像质量	光声显微成像中的血管网络图像	计算机视觉	NA	光声成像	CNN	图像	NA	NA	U-Net	结构相似性指数, 峰值信噪比, 均方根误差, 平均绝对误差	NA
2364	2026-03-06	MuloAD: A Multiomics Integration Model Utilizing Graph Convolutional Networks for Alzheimer's Disease Diagnosis and Biomarker Identification 2026-Mar, The European journal of neuroscience DOI:10.1111/ejn.70452 PMID:41782334	研究论文	本文提出了一种基于图卷积神经网络的框架MuloAD，用于整合多组学数据以增强阿尔茨海默病的诊断和生物标志物识别	利用GraphSAGE从DNA甲基化、mRNA表达和microRNA表达数据中独立提取特征，并通过视图相关发现网络在高维标签空间中捕获跨组学关系	研究仅基于ROSMAP队列的350个样本，样本量相对有限，且未在其他独立队列中进行验证	通过多组学数据整合提升阿尔茨海默病的早期诊断准确性并识别关键生物标志物	阿尔茨海默病患者和健康对照者的多组学数据	机器学习	阿尔茨海默病	DNA甲基化测序、mRNA表达测序、microRNA表达测序	图卷积神经网络	多组学数据	350个样本（来自ROSMAP队列）	PyTorch	GraphSAGE	准确率	NA
2365	2026-03-06	Utility of Artificial Intelligence in Stereotactic Radiosurgery for Vestibular Schwannomas: A Systematic Review 2026-Mar, Asian journal of neurosurgery DOI:10.1055/s-0045-1813260 PMID:41782594	系统综述	本文系统综述了人工智能在听神经瘤立体定向放射外科治疗中的当前应用与临床效用	首次系统性地将AI在听神经瘤立体定向放射外科中的应用归纳为三个领域（治疗前肿瘤表征与分割、放射外科治疗计划、治疗后反应预测），并总结了卷积神经网络和联邦学习等AI方法在自动化、精准化方面的潜力	存在数据标准化不足、模型泛化性有限以及临床实践整合困难等挑战，需要更多前瞻性多中心研究和监管监督来验证和推广AI工具	评估人工智能在听神经瘤立体定向放射外科管理中的应用现状和临床价值	听神经瘤患者及其立体定向放射外科治疗过程	数字病理	听神经瘤	立体定向放射外科，特别是伽玛刀放射外科	机器学习，深度学习	医学影像数据	基于22项原始研究的汇总分析，具体样本量未在摘要中明确	NA	卷积神经网络	与专家手动标注相当的性能指标	NA
2366	2026-03-06	Application of Artificial Intelligence in Detecting Dental Anomalies: Current Models, Imaging Modalities, and Future Directions 2026-Mar, Health science reports IF:2.1Q3 DOI:10.1002/hsr2.71969 PMID:41782650	综述	本文综述了人工智能在牙科异常检测中的应用，包括当前模型、成像模态及未来方向	系统评估了多种AI模型在牙科异常检测中的性能，并识别了高效模型如EfficientDet-D3、nnU-Net和ResNeXt	性能在不同异常类型和成像模态间存在差异，且缺乏同时检测多种异常的多类别模型	调查人工智能在牙科异常检测与诊断中的应用	牙科异常，包括多生牙、巨牙症、阻生牙、异位萌出和磨牙-切牙釉质矿化不全	计算机视觉	牙科疾病	牙科放射成像和摄影	深度学习	图像	20项研究	NA	EfficientDet-D3, nnU-Net, ResNeXt	准确率	NA
2367	2026-03-06	Improved 3D image reconstruction via deep-learning-based fusion of light-field microscopy and Fourier light-field microscopy images 2026-Mar, Journal of biomedical optics IF:3.0Q2 DOI:10.1117/1.JBO.31.3.036002 PMID:41783388	研究论文	本文提出了一种基于深度学习的图像融合技术，结合光场显微镜（LFM）和傅里叶光场显微镜（FLFM）图像，以提高3D图像重建质量	通过深度学习网络融合LFM和FLFM图像，结合了FLFM的高空间分辨率和LFM的密集角度采集能力，并采用分层级联融合策略优化多模态特征	NA	克服光场显微镜在空间分辨率与角度信息之间的权衡限制，提升3D图像重建的细节保留和深度恢复能力	合成微管蛋白数据集和小鼠脑部血管数据集	计算显微镜	NA	光场显微镜（LFM）、傅里叶光场显微镜（FLFM）、深度学习图像融合	深度学习网络	3D图像、光场图像、傅里叶光场图像、极平面图像数据	公开可用的合成微管蛋白数据集和小鼠脑部血管数据集	NA	U-Net	峰值信噪比（PSNR）、结构相似性指数（SSIM）	NA
2368	2026-03-06	Rolling convolution filters for lightweight neural networks in medical image analysis 2026-Mar, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.13.2.024501 PMID:41783539	研究论文	本文提出了一种称为滚动卷积滤波器的设计元素，用于开发医学图像分析中的轻量级卷积神经网络，旨在降低模型复杂性和内存占用而不影响性能	通过通道级滚动操作在单个基础滤波器上生成独特滤波器，限制可学习参数，从而显著减少参数数量和模型大小	NA	开发轻量级卷积神经网络以降低模型复杂性和内存需求，适用于资源受限的医学成像环境	医学图像分析任务，包括重建、分割和分类，涉及MRI、CT和OCT模态	计算机视觉	NA	卷积神经网络	CNN	图像	NA	NA	滚动卷积滤波器	性能误差，参数减少倍数，模型大小减少倍数	NA
2369	2026-03-06	Deep learning-based MRI segmentation for substantia nigra in Parkinson's disease with cognitive impairment 2026-Feb-28, Parkinsonism & related disorders IF:3.1Q2 DOI:10.1016/j.parkreldis.2026.108260 PMID:41780488	研究论文	本研究开发了一种基于深度学习的自动化方法，用于在神经黑色素敏感MRI上分割帕金森病伴认知障碍患者的黑质致密部，并探索其与临床症状的关联	首次将SA-U2Net模型应用于神经黑色素敏感MRI的黑质致密部自动分割，并揭示了黑质致密部面积与帕金森病伴认知障碍患者疲劳严重程度的特异性独立关联	研究为单中心横断面设计，样本量有限，其他关联性需要在多中心纵向研究中进一步验证	开发可扩展的影像学生物标志物，用于帕金森病伴认知障碍的临床分层	帕金森病伴认知障碍患者、帕金森病不伴认知障碍患者和健康对照者	数字病理学	帕金森病	神经黑色素敏感MRI	深度学习	MRI图像	156名参与者（53名PD-CI, 53名PD-NCI, 50名HC）	NA	SA-U2Net	与手动分割的一致性	NA
2370	2026-03-06	Preoperative identification of deep myometrial invasion in endometrial cancer: a multicenter MRI study with a vision foundation model-enhanced multimodal deep learning framework 2026-Feb-26, European journal of obstetrics, gynecology, and reproductive biology DOI:10.1016/j.ejogrb.2026.115018 PMID:41780136	研究论文	本研究开发并验证了一个基于视觉基础模型增强的多模态深度学习放射组学框架，用于无创预测子宫内膜癌患者的深肌层浸润	提出了一个结合视觉基础模型（VFM）和多模态信息的深度学习框架，通过异构模型通用知识转移和跨序列引导注意力模块，实现了MRI序列间的语义对齐和协同特征表示	回顾性研究设计，可能存在选择偏倚；未在更广泛的人群中进行前瞻性验证	开发一个非侵入性预测子宫内膜癌深肌层浸润的深度学习模型	子宫内膜癌患者	数字病理	子宫内膜癌	MRI成像	深度学习	图像, 临床病理信息	1376名患者，来自七个独立中心	NA	VFM-MDLR, GKTH, CSGA, VFM-DKF	AUC	NA
2371	2026-03-06	Thermal signatures in breast cancer: Deciphering latent biomarkers through deep learning and explainable AI 2026-Feb-26, Journal of thermal biology IF:2.9Q1 DOI:10.1016/j.jtherbio.2026.104426 PMID:41780328	研究论文	本研究开发了一种基于卷积神经网络和可解释AI的深度学习模型，用于分析乳腺热成像图像以检测乳腺癌	将深度学习与可解释AI（SHAP）相结合应用于乳腺热成像分析，提高了模型诊断性能与决策过程的可解释性	热成像在乳腺癌诊断中应用不足，公开数据集有限	开发基于机器学习的模型以提高乳腺癌早期检测的准确性和可及性	乳腺热成像图像	计算机视觉	乳腺癌	热成像	CNN	图像	Visual DMR数据集中的多视角乳腺热成像图像	NA	VGG16	准确率, AUROC, F1分数, 精确率, 敏感度	NA
2372	2026-03-06	Artificial intelligence model for cardiovascular disease risk prediction in breast cancer patients using electronic health records and computed tomography scans 2026-Feb-25, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology IF:4.9Q1 DOI:10.1016/j.radonc.2026.111455 PMID:41759965	研究论文	本研究开发了一种融合深度学习模型，利用电子健康记录和CT扫描预测接受放疗的乳腺癌患者的心血管疾病死亡率	首次提出结合CT扫描和电子健康记录的融合深度学习模型，用于乳腺癌患者心血管疾病死亡风险预测，并展示了高精度性能	研究仅针对接受放疗的乳腺癌患者，可能无法推广到其他癌症类型或治疗方式；模型依赖于特定医疗机构的电子健康记录和CT数据，外部验证尚未进行	开发一种人工智能模型，用于早期预测乳腺癌患者心血管疾病死亡风险，以支持临床决策和干预	接受放疗的乳腺癌患者	数字病理学	心血管疾病	CT扫描，电子健康记录分析	融合深度学习模型	图像，文本	23,067名患者，包含约500万张CT切片和约60万份电子健康记录文档	NA	融合深度学习模型	AUC，准确率	NA
2373	2026-03-06	Scalable physics-informed deep generative model for solving forward and inverse stochastic differential equations 2026-Feb-24, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2026.108770 PMID:41780285	研究论文	提出一种可扩展的物理信息深度生成模型（sPI-GeM），用于求解具有高维随机和空间空间的随机微分方程的正反问题	提出一种结合物理信息基网络（PI-BasisNet）和物理信息深度生成模型（PI-GeM）的可扩展框架，首次解决了现有深度学习模型难以处理高维空间空间随机微分方程的问题	未明确说明模型在极端高维情况下的计算效率限制或对特定类型随机过程的适用性边界	开发可扩展的深度学习模型以解决高维随机和空间空间的随机微分方程问题	随机微分方程的正反问题求解，包括高斯和非高斯随机过程的近似	机器学习	NA	物理信息深度学习，随机微分方程数值求解	深度生成模型	数值模拟数据	NA	NA	PI-BasisNet, PI-GeM	准确性	NA
2374	2026-03-06	OPU-NET-DADENA: Optimized deep learning ensemble with u-net segmentation for early detection of diabetic retinopathy 2026-Feb-18, Microvascular research IF:2.9Q2 DOI:10.1016/j.mvr.2026.104923 PMID:41720334	研究论文	提出一种基于优化深度学习集成和U-Net分割的新方法，用于糖尿病视网膜病变的早期检测	提出了一种名为OPU-NET-DADENA的新方法，集成了优化的U-Net分割、残差注意力EfficientNet特征提取、混合爬行动物搜索算法特征选择以及DarkNet、DenseNet 201和NasNetMobile的集成检测模型	未明确说明样本来源、数据集大小或模型计算资源需求	开发高效的早期糖尿病视网膜病变诊断系统	糖尿病患者的视网膜图像	计算机视觉	糖尿病视网膜病变	深度学习	CNN, 集成模型	图像	NA	MATLAB	U-Net, EfficientNet, DarkNet, DenseNet, NasNetMobile	准确率, 精确率, F分数, 特异性, 敏感性, MCC, NPV, FPR, FNR	NA
2375	2026-02-16	Fuel-driven hybrid deep learning model for forecasting finger millet prices 2026-Feb-14, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-34947-8 PMID:41690993	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2376	2026-03-06	Enhancing Estimation of Fine Particulate Matter Chemical Composition across North America by Including Geophysical A Priori Information in Deep Learning with Uncertainty Quantification 2026-Feb-13, ACS ES&T air DOI:10.1021/acsestair.5c00251 PMID:41709986	研究论文	本研究通过结合地球物理先验信息开发深度学习模型，提升了北美地区细颗粒物化学组成的估计精度，并进行了不确定性量化	引入地球物理先验信息（如化学传输模型数据）到CNN中，显著提高了模型在偏远地区的性能；提出了BLISCO空间交叉验证方法，以更准确地评估模型外推能力和不确定性	传统空间交叉验证可能因地面监测站的空间自相关性而高估性能并低估不确定性；海盐成分的估计性能相对较低（R²=0.37）	改进北美地区细颗粒物总质量浓度及其化学组成的估计，以支持环境管理和健康影响研究	北美地区的细颗粒物（PM）及其化学成分（硫酸盐、硝酸盐、铵盐、有机物、黑碳、粉尘、海盐）	机器学习	NA	卫星遥感、模拟数据和监测站数据整合	CNN	多源地球物理数据（卫星、模拟、监测）	2000年至2023年间的月度数据，覆盖北美地区	NA	卷积神经网络	R²（决定系数）	NA
2377	2026-03-06	Deep learning-based non-invasive profiling of tumor transcriptomes from cell-free DNA for precision oncology 2026-Feb-12, bioRxiv : the preprint server for biology DOI:10.64898/2026.02.10.705188 PMID:41726945	研究论文	本文介绍了Triton和Proteus，一种基于深度学习的非侵入性方法，用于从cfDNA中预测肿瘤转录组，以支持精准肿瘤学应用	开发了Triton用于cfDNA的片段组学和核小体分析，以及Proteus多模态深度学习框架，能够在标准深度全基因组测序下预测单基因表达，实现转录组范围的分析	未明确说明模型在更广泛癌症类型或更大样本中的泛化能力，以及临床验证的深度	开发非侵入性工具，从cfDNA中预测肿瘤转录组，用于精准肿瘤学，如癌症监测和治疗指导	细胞游离DNA（cfDNA），特别是循环肿瘤DNA（ctDNA），来自患者来源异种移植（PDX）和四个患者队列	机器学习	癌症	全基因组测序（WGS），RNA-Seq	深度学习	DNA测序数据	涉及患者来源异种移植（PDX）和四个患者队列的cfDNA样本，具体数量未明确	NA	多模态深度学习框架（Proteus）	准确性，基因通路富集分数预测准确性	NA
2378	2026-03-06	Enhanced diabetes prediction using pre-trained CNNs, LSTM, and conditional GAN on transformed numerical data 2026-Feb-10, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-38942-5 PMID:41667617	研究论文	本研究提出了一种结合表格数据到图像转换、预训练卷积神经网络和长短期记忆网络的深度学习框架，用于增强糖尿病预测	通过将数值特征转换为基于相关性和特征重要性的二维图像表示，并利用条件生成对抗网络生成合成样本，结合预训练CNN和LSTM进行特征提取与分类	结果可能部分受合成数据影响，且样本量有限，需在更大、更多样化的数据集上进行验证以确保泛化能力	开发一种深度学习框架以提高从结构化生物医学数据中进行糖尿病预测的准确性	糖尿病预测	机器学习	糖尿病	表格数据到图像转换，条件生成对抗网络	CNN, LSTM, GAN	结构化数值数据，图像表示	Pima印第安人糖尿病数据集和法兰克福糖尿病数据集	NA	DenseNet201, ResNet152, Xception, EfficientNetB4, LSTM	准确率, AUC	NA
2379	2026-02-12	Development and validation of a deep learning model for identifying high-quality laryngoscopic images 2026-Feb-10, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-38252-w PMID:41667718	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
2380	2026-03-06	Deep learning enabled pseudonymization for preserving data privacy of financial identifiers in public documents in India 2026-Feb-10, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-39309-6 PMID:41667731	研究论文	本文提出了一种基于全卷积神经网络的伪匿名化框架，用于保护印度公共文档中手写签名的数据隐私	首次针对公开文档中的手写签名提出伪匿名化方法，采用集成可微分输出解码的SuperPoint架构，在保护敏感数据的同时保持文档可用性	研究仅针对印度PAN卡文档，未涉及其他类型政府文档或不同国家的应用场景	开发一种保护公共文档中手写签名隐私的伪匿名化技术，支持可追溯的身份保护	印度政府颁发的永久账户号码（PAN）卡中的手写签名	计算机视觉	NA	深度学习	CNN	图像	500多张真实世界PAN卡	NA	SuperPoint	精确率, 召回率, SSIM, 运行时间效率, 空间开销	NA