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
3161	2026-05-02	Systematic evaluation of machine learning models for clinical risk prediction on real-world hospital datasets 2026-May-15, iScience IF:4.6Q1 DOI:10.1016/j.isci.2026.115654 PMID:42063551	研究论文	系统评估了10种机器学习模型在8个真实世界临床风险预测数据集上的表现	首次对经典机器学习、表格深度学习和自动机器学习三大范式进行临床风险预测领域的系统性基准测试，并识别出CatBoost和TabPFN为最优模型	未说明局限性	为临床风险预测提供模型选择的实证指导	10种机器学习模型（包括CatBoost、TabPFN、AutoGluon等）	机器学习	NA	NA	梯度提升决策树、表格深度学习、自动机器学习	表格数据	8个真实世界临床风险预测数据集	NA	CatBoost、TabPFN、AutoGluon	区分度、校准度、临床效用	NA
3162	2026-05-02	Plantar Thermogram Analysis Using Deep Learning for Diabetic Foot Risk Classification 2026-May, Journal of diabetes science and technology IF:4.1Q2 DOI:10.1177/19322968251316563 PMID:39980256	研究论文	利用热成像和深度学习对糖尿病患者进行足部溃疡风险分层	首次将热成像与深度学习结合用于糖尿病足风险分类，并优先提高筛查灵敏度以识别高风险足部	样本量较小（仅153张热图像），且数据集存在类别不平衡（正常图像远多于异常图像）	开发一种基于热成像和深度学习的非侵入性筛查方法，用于糖尿病足溃疡风险分层	成年糖尿病患者	计算机视觉，机器学习	糖尿病足	热成像	卷积神经网络（CNN）	图像	153张足底热图像（98张用于训练，55张用于测试）	NA	NA	准确率，灵敏度，特异性，马修斯相关系数	NA
3163	2026-05-02	A Tutorial on MRI Reconstruction: From Modern Methods to Clinical Implications 2026-May, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3617575 PMID:41042661	教程	概述磁共振成像重建的基本原理并介绍先进方法，从传统的手工先验方法到结合学习与手工先验的深度学习方法，同时探讨这些方法的转化方面和临床意义	系统性地介绍了MRI重建从经典方法到深度学习方法的演进，并提供了配套的Python工具箱以演示所选方法	未明确提及局限性，但教程性质可能意味着缺乏对新方法的广泛验证和比较	介绍MRI重建的基本原理和最新进展，并探讨其临床转化前景	MRI图像重建方法，包括传统方法和深度学习方法	机器学习和图像重建	NA	MRI	深度学习方法（如CNN等）	MRI图像	NA	Python	NA	NA	NA
3164	2026-05-02	Deep learning-guided attenuation and scatter correction of 99mTc-MAA SPECT images: towards quantitative analysis in 90Y-SIRT 2026-May, Annals of nuclear medicine IF:2.5Q2 DOI:10.1007/s12149-025-02152-2 PMID:41489766	研究论文	开发深度学习模型，用于99mTc-MAA SPECT成像的无CT衰减校正和基于蒙特卡罗的散射校正，以提升90Y-SIRT治疗规划与剂量定量分析的准确性	首次将改进的3D Swin UNETR架构应用于SPECT图像的衰减与散射联合校正，实现CT-free方式且无需蒙特卡罗模拟，具有临床转化潜力	基于回顾性数据，未在真实临床环境中验证；模型性能可能受限于训练数据分布和患者异质性	通过深度学习模型实现SPECT图像的衰减与散射校正，支持90Y-SIRT的精准剂量学分析	222名接受90Y-SIRT前99mTc-MAA SPECT成像的患者	计算机视觉, 数字病理	NA	SPECT成像	深度学习	图像	222名患者	NA	Swin UNETR（改进型3D移位窗口UNet Transformer）	平均误差, 相对误差, 平均绝对误差, Gamma分析（距离一致性与剂量差异）	NA
3165	2026-05-02	Deep learning-based ROSC prediction and ECG phenotyping in out-of-hospital cardiac arrest 2026-May, Resuscitation IF:6.5Q1 DOI:10.1016/j.resuscitation.2026.111035 PMID:41794117	研究论文	开发基于深度学习的卷积神经网络模型，预测院外心脏骤停患者的自主循环恢复，并识别新的心电图表型	首次利用CNN同时预测ROSC和可电击心律，并通过聚类分析从特征表示中识别出五种具有不同ROSC概率的心电图表型	回顾性研究设计，可能受选择偏倚影响；仅使用韩国急救医疗服务数据，需外部验证；5秒心电图片段可能无法完全捕捉动态变化	开发深度学习模型预测院外心脏骤停患者的ROSC和识别新的心电图表型	院外心脏骤停患者的院前心电图信号	机器学习	心血管疾病	NA	卷积神经网络	ECG信号	3452名成年非创伤性院外心脏骤停患者	Keras, TensorFlow	一维卷积神经网络	AUC	NA
3166	2026-05-02	Quantification of Ki-67 labeling index in pediatric brain tumor immunohistochemistry images 2026-May-01, Journal of neuropathology and experimental neurology IF:3.2Q2 DOI:10.1093/jnen/nlaf163 PMID:41806389	研究论文	基于深度学习框架自动量化儿童脑肿瘤免疫组化图像中的Ki-67标记指数	首次将StarDist深度学习模型应用于儿童脑肿瘤全切片图像的Ki-67标记指数自动计算，并集成QuPath和Python后处理脚本生成细胞密度图和汇总表	研究未提及对罕见肿瘤亚型的验证，且基于单一数据集（CBTN）可能导致泛化性受限	为儿童脑肿瘤的Ki-67标记指数提供自动化定量分析框架，替代手动评分	儿童脑肿瘤全切片免疫组化图像中的Ki-67阳性与阴性细胞核	数字病理学	儿童脑肿瘤（髓母细胞瘤、室管膜瘤、胶质瘤等）	免疫组化染色	深度学习模型（StarDist）	全切片图像	632例儿童脑肿瘤病例，734张Ki-67全切片图像	QuPath, Python	StarDist	中位数标记指数、相关性分析P值	未明确说明
3167	2026-05-02	Association of Circulating T Cell and Tumor Microenvironment Profiles with Immune Checkpoint Blockade Outcomes in Sarcoma 2026-May-01, Clinical cancer research : an official journal of the American Association for Cancer Research IF:10.0Q1 DOI:10.1158/1078-0432.CCR-25-3419 PMID:41677857	研究论文	分析肉瘤患者循环T细胞和肿瘤微环境特征与免疫检查点抑制剂治疗结局的关联	首次结合外周血T细胞免疫分型与肿瘤微环境基因表达亚型，并应用深度学习自动分析H&E切片淋巴聚集物，提出多模态预测免疫治疗反应的生物标志物	H&E切片样本量较小（仅48例），且深度学习模型仅用于淋巴聚集物检测，未进一步整合多模态特征	探索肉瘤患者接受免疫检查点抑制剂治疗的反应和耐药生物标志物，以优化患者选择	肉瘤患者的外周血单个核细胞（PBMC）、肿瘤组织RNA测序数据及H&E染色切片	数字病理学	肉瘤	流式细胞术、RNA测序、深度学习	深度学习模型（用于自动分析H&E切片）	图像（H&E切片）、基因表达谱（RNA-seq）、细胞免疫分型数据	178例患者PBMC样本，67例肿瘤组织RNA-seq样本，48例H&E切片样本	NA	NA	总生存期、无进展生存期、缓解率	NA
3168	2026-05-02	Deep learning model for automated identification of ventrally positioned right hepatic artery in contrast-enhanced computed tomography of pediatric congenital biliary dilatation: development and clinical application 2026-May, Pediatric radiology IF:2.1Q2 DOI:10.1007/s00247-026-06588-0 PMID:41870581	研究论文	开发并验证基于YOLOv12的深度学习模型，用于在增强CT中自动识别儿童先天性胆总管扩张的腹侧走行右肝动脉	首次将YOLOv12模型应用于儿童术前CT图像中腹侧走行右肝动脉的自动识别，采用关键切片靶向策略，性能达到资深放射科医师水平	单中心回顾性研究，样本量相对有限，未进行外部验证	开发一种能够自动识别增强CT中腹侧走行右肝动脉的深度学习模型，提高儿童先天性胆总管扩张术前评估的安全性	儿童先天性胆总管扩张患者的腹侧走行右肝动脉	计算机视觉	先天性胆总管扩张	增强CT	YOLOv12	医学图像	232例先天性胆总管扩张患者（116例腹侧走行右肝动脉，116例对照），共1452张关键动脉期切片	PyTorch	YOLOv12n, YOLOv12s, YOLOv12m, YOLOv12l, YOLOv12x	精确率、召回率、F1分数、平均精度均值、受试者工作特征曲线下面积	NA
3169	2026-05-02	Spectral deep learning-based patient and bowtie scatter correction for clinical photon-counting CT 2026-May, Medical physics IF:3.2Q1 DOI:10.1002/mp.70442 PMID:42050788	研究论文	本研究提出一种基于光谱深度学习的患者与Bowtie散射校正方法，用于临床光子计数CT	首次在深度学习散射校正中利用光子计数CT的光谱信息，实现患者与Bowtie散射的联合校正，减少网络数量并降低计算成本	未明确提及具体限制，但依赖蒙特卡洛数据和临床PCCT系统验证，可能需进一步评估泛化性	探究光谱信息如何改进深度学习散射校正，并比较联合与单独校正Bowtie及患者散射的性能	光子计数CT中的散射伪影，包括患者散射和Bowtie散射	计算机视觉	NA	光子计数CT	神经网络	图像	使用蒙特卡洛模拟数据和临床PCCT系统实测数据，具体样本量未提及	NA	深度散射估计网络	平均绝对误差, 临界平均绝对误差	NA
3170	2026-05-02	Clinically Deployable Handwriting Biomarkers of Parkinson's Disease via Multiscale Attention and Bayesian-Genetic Optimization 2026-May, Brain and behavior IF:2.6Q3 DOI:10.1002/brb3.71457 PMID:42050861	研究论文	提出了一种结合多尺度注意力和贝叶斯-遗传优化的深度学习网络，用于基于手写特征检测帕金森病	首次将多尺度门控多头注意力机制与深度可分离卷积结合，并设计帕金森病专用贝叶斯-遗传优化方案来联合调优架构和训练超参数，同时利用SHAP超像素归因图提供临床可解释性	未提及外部验证数据集以外的泛化测试，且模型优化主要针对PaHaW数据集，可能需要更多样本人群验证	开发一种临床可部署的手写生物标志物深度学习模型，用于帕金森病的客观检测和风险分层	帕金森病患者和健康对照组的螺旋线、波浪线和迂回线手绘图画	计算机视觉	帕金森病	手写数字化采集（平板电脑）	卷积神经网络（多尺度门控多头注意力深度可分离卷积网络）	图像（统一RGB格式的手绘任务图像）	PaHaW数据集和独立HandPD数据集，具体样本量未在摘要中给出	NA	多尺度门控多头注意力深度可分离卷积网络（PD-MGMA-DSCNN）	准确率、ROC-AUC、精确率-召回率	NA
3171	2026-05-02	Deep learning for EEG-based sleep stage classification: a review 2026-May-01, Medical & biological engineering & computing IF:2.6Q3 DOI:10.1007/s11517-026-03583-3 PMID:42062687	综述	系统回顾了基于深度学习的脑电图睡眠分期模型，分析其架构演化、输入表示策略、预处理方法、公开数据集及评估指标，并探讨了泛化性、可解释性和临床适用性等核心挑战	首次通过跨数据集精度对比和分阶段F分布分析，揭示现有模型性能高度依赖数据集、评价体系过度依赖总体准确率而忽视少数类别及病理数据表现的问题	未涉及具体模型实现细节的量化对比；依赖文献公开数据，部分原始信息不完整可能影响分析深度	系统评估深度学习在脑电图睡眠分期中的现有方法，识别关键挑战并指引从算法创新到临床可靠应用的转化方向	基于脑电图的睡眠分期深度学习模型	机器学习	神经系统疾病	脑电图（EEG）	深度学习模型	脑电信号	涉及多个公开数据集，具体样本量因数据集而异	NA	NA	准确率, F分布	NA
3172	2026-05-02	Improving patient treatment accuracy using transit dosimetry with Electronic Portal Imaging Device images and deep learning 2026-May, Physics and imaging in radiation oncology DOI:10.1016/j.phro.2026.100966 PMID:42063988	研究论文	利用EPID图像和深度学习进行通过式剂量测定，提高患者治疗准确性	提出了一种基于深度学习的框架，通过数据采集和治疗计划系统剂量模拟，从通过式EPID图像重建水等效剂量，无需繁琐的校准和校正程序	未明确说明局限性，但提及标准非晶硅EPID探测器对水等效剂量的非线性响应是主要限制	开发一种深度学习框架，从通过式EPID图像快速准确地重建水等效剂量，支持安全有效的放射治疗	EPID测量数据和对应的Monaco治疗计划系统剂量模拟	计算机视觉，机器学习	不适用（癌症放射治疗）	EPID成像，剂量模拟	CNN（U-Net）	图像	超过200个EPID测量数据，使用不同体模和照射野	不适用	2D U-Net	平均绝对误差，γ指数（3%/3mm和5%/5mm标准）	不适用
3173	2026-05-02	A few-shot learning method for underwater acoustic target recognition based on generative data augmentationa) 2026-May-01, The Journal of the Acoustical Society of America IF:2.1Q1 DOI:10.1121/10.0043727 PMID:42065402	研究论文	提出一种基于生成式数据增强的小样本水下声学目标识别方法	构建生成式与判别式协同框架，利用潜在空间补全和结构保持生成重建机制，在特征层面重建更连续、完整且具有判别性的类内分布	NA	解决小样本场景下水下声学目标识别中参考样本稀缺和环境干扰复杂的问题	水下声学目标	机器学习	NA	NA	变分自编码器	声学信号	NA	NA	变分自编码器	NA	NA
3174	2026-05-02	Estimating band importance for environmental sound recognition using deep learninga) 2026-May-01, The Journal of the Acoustical Society of America IF:2.1Q1 DOI:10.1121/10.0043736 PMID:42065403	研究论文	利用深度学习模型估算环境声音识别中的频带重要性函数	通过比较模仿人类表现和任务最优的深度学习模型，揭示了环境声音识别中的频带重要性，并发现人类表现接近任务最优频率	研究仅涉及25种日常声音和语音掩蔽，可能未涵盖所有环境声音类型；BIF估计依赖于特定模型和滤波器方法	理解环境声音识别中支持频率区域的频带重要性，并评估人类表现与任务最优的一致性	46名听者识别的25种日常声音与语音混合的听觉刺激	机器学习	NA	深度学习	深度学习模型	声音信号	46名听者，25种声音	TensorFlow	卷积神经网络（CNN）	识别准确率	GPU（NVIDIA RTX 3090）
3175	2026-05-02	Machine learning for predicting chaotic systems 2026-May-01, Chaos (Woodbury, N.Y.) DOI:10.1063/5.0313297 PMID:42065909	研究论文	比较不同机器学习方法在预测混沌动力系统上的表现，并介绍了一种新的误差度量标准	引入了允许在基准测试结果中进行不确定性量化的新数据库，并提出了针对混沌系统定制的累积最大误差这一新指标	结果可能因实验设置不同而有显著变化，且未涉及高维或真实世界混沌系统的验证	评估不同机器学习架构在预测混沌系统时的性能，并强调方法选择与数据特性匹配的重要性	低维混沌动力系统的预测问题	机器学习	不适用	不适用	轻量级和重量级机器学习模型，包括深度学习模型	时间序列数据	多个低维系统基准数据库，包括一个新增数据库	不适用	多种架构，包括传统方法和深度学习模型	累积最大误差，以及其他传统指标	根据计算成本调整超参数调优，轻量方法分配更多调优
3176	2026-05-02	A Dynamic Time Warping-Aware Series-Temporal Transformer for Automated Thresholding of Auditory Brainstem Responses 2026-Apr-30, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society IF:4.8Q1 DOI:10.1109/TNSRE.2026.3689105 PMID:42060419	研究论文	提出一种基于动态时间规整的系列时间Transformer框架，用于自动估计听觉脑干反应的阈值	首次引入DTW相似性感知的系列Transformer捕捉波形间依赖关系，并结合刺激水平感知位置编码和多尺度时间Transformer提取时间表征	仅作为事后验证工具，未与主动学习规则集成以动态选择刺激水平	开发自动化ABR阈值估计方法，减少临床视觉判读的主观偏差	听觉脑干反应波形数据	机器学习	听力障碍	NA	Transformer	波形信号	人类数据集I: 8350名受试者; 数据集II: 136名受试者; 小鼠数据集: 8259只小鼠	PyTorch	Series Transformer, Temporal Transformer	精确匹配准确率, ±10 dB准确率	NA
3177	2026-05-02	Attention-based Multimodal Spatiotemporal Enhanced Interaction Network For Major Depressive Disorder Detection 2026-Apr-30, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2026.3689187 PMID:42060425	研究论文	提出一种基于注意力的多模态时空增强交互网络用于检测重度抑郁症	整合了3D结构磁共振成像和功能磁共振成像的时空信息，设计了跨模态交互网络和融合层以增强多模态信息聚合，并开发了基于注意力的自适应时空特征提取架构	未提及相关限制	解决深度学习中多模态脑网络交互信息利用不足和缺少捕捉关键时空依赖的自适应机制的问题	重度抑郁症患者和健康对照的脑影像数据	数字病理学	抑郁症	3D结构磁共振成像和功能磁共振成像	深度学习网络	脑影像	Rest-meta-MDD和Rest-meta-MDD-V2数据集	NA	基于注意力的自适应时空特征提取架构	NA	NA
3178	2026-05-02	Subject-Independent Deep Learning Framework for Motor Imagery Electroencephalogram Decoding in Neurorehabilitation 2026-Apr-30, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2026.3689121 PMID:42060426	研究论文	提出DSGNet双分支主题对齐泛化网络，实现运动想象脑电信号的跨被试解码，解决神经康复中的个体差异问题	通过双互补卷积分支同时提取时域和频域特征，并引入类别对齐损失实现域不变表征，无需被试标注数据即可推广至新个体	在三类和四类数据集上仅比基线模型提升0.22%和2.15%，改进幅度有限；二类数据集性能持平，未展现显著优势	开发不依赖被试标注数据的跨被试运动想象脑电解码框架，提升神经康复脑机接口的泛化能力	运动想象脑电信号，来自四个公开数据集（OpenBMI、BCI Competition IV 2a/2b、SHU Version 5）	机器学习, 自然语言处理	神经疾病	脑电图（EEG）采集	卷积神经网络 (CNN)	脑电信号时间序列	四个公开数据集共涉及多被试运动想象脑电数据，具体数量未明确提及	NA	双分支卷积网络（DSGNet），含时域和频域互补卷积分支	准确率	NA
3179	2026-05-02	Benchmarking ERP Analysis: Manual Features, Deep Learning, and Foundation Models 2026-Apr-30, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2026.3686229 PMID:42060433	研究论文	系统性基准测试研究，比较传统手工特征、深度学习模型和预训练EEG基础模型在事件相关电位分析中的性能	首次系统性地评估深度学习及预训练基础模型在ERP分析中的有效性，并探索针对ERP数据优化的Transformer嵌入策略	仅基于公开数据集进行验证，未涉及临床环境中的复杂噪声和个体差异影响	为ERP分析提供方法选择与模型设计的指导框架	事件相关电位信号、EEG数据	机器学习	神经系统疾病	EEG	深度学习模型、预训练基础模型	EEG信号时间序列	12个公开数据集	NA	Transformer	NA	NA
3180	2026-05-02	Referenceless Proton Resonance Frequency Thermometry Using Deep Learning with Self-Attention 2026-Apr-30, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2026.3689263 PMID:42060435	研究论文	开发并评估了一种基于深度学习与自注意力机制的无需参考的质子共振频率测温方法，用于经颅聚焦超声的温度监测	提出使用复数自注意力增强U-Net进行背景复杂图像重建，无需参考图像即可实现稳定且准确的温度测量	单中心回顾性研究，样本量有限（仅32名患者），且未在不同解剖部位或运动场景中验证	提高无需参考的PRF测温方法在加热区域的准确性并抑制背景假阳性温升	32名接受经颅聚焦超声治疗的震颤患者（87次超声处理，1416张图像）	计算机视觉	特发性震颤	MRI（质子共振频率测温）	U-Net	磁共振复数图像	32名患者（87次超声处理，1416张图像），其中28名患者用于训练验证，4名患者（13次超声处理，146张图像）用于测试	PyTorch	自注意力增强U-Net	平均绝对误差, 标准差, 均方根误差, Dice系数, Bland-Altman分析, R²	NA