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
3321	2026-08-23	Sampling frequency has architecture-dependent effects on electrocardiogram deep learning classification: Convolutional neural networks are robust, whereas transformers benefit modestly 2026-Aug-04, Heart rhythm IF:5.6Q1 DOI:10.1016/j.hrthm.2026.07.045 PMID:42551688	研究论文	本研究评估了心电图采样频率对卷积神经网络和Patch Transformer架构在分类性能和计算成本上的影响	首次系统比较不同采样频率下CNN和Patch Transformer在心电分类中的表现与计算成本，揭示了架构依赖性的效应	仅使用PTB-XL数据集，未涵盖其他心电图数据集或真实临床环境	评估心电图采样频率对深度学习分类性能和计算成本的影响，以支持资源受限环境下的采集策略选择	15,000份12导联心电图记录	机器学习	心肌梗死、ST/T波改变、传导障碍、肥大	心电图（ECG）	卷积神经网络（CNN）和Patch Transformer	心电图信号数据	15,000份12导联心电图	NA	CNN, Patch Transformer	宏观ROC AUC、敏感性、训练时间、内存使用、推理延迟	NA
3322	2026-08-23	Seeing is believing-on the utility of CT in phenotyping chronic obstructive pulmonary disease 2026-Aug-01, The British journal of radiology DOI:10.1093/bjr/tqaf160 PMID:40650927	综述	本文综述了胸部CT在慢性阻塞性肺疾病（COPD）表型分析中的应用进展，从传统阈值法到深度学习方法，并讨论了面临的挑战和未来前景	系统梳理了CT生物标志物在COPD中的演变，涵盖传统阈值法、纹理分析、图像配准及最新深度学习自动提取方法，并强调空间感知机制和个性化管理潜力	数据集异质性、模型泛化性和临床可解释性仍是主要挑战	探讨胸部CT生物标志物在COPD表型表征和结果预测中的效用及未来发展	慢性阻塞性肺疾病（COPD）患者的胸部CT影像及多种肺部结构（肺实质、气道、血管、裂）的生物标志物	医学影像分析	慢性阻塞性肺疾病	CT成像	深度学习模型（未具体指定）	影像数据（CT图像）	NA	NA	NA	NA	NA
3323	2026-08-23	Deep learning-driven 3-D histopathology method: a pipeline for cellular-resolution myocarditis analysis 2026-Aug-01, American journal of physiology. Heart and circulatory physiology DOI:10.1152/ajpheart.00265.2026 PMID:42294766	研究论文	提出一种基于深度学习的3D组织病理学流水线，用于心肌炎的小鼠心脏细胞分辨率3D重建与分析	改进了CODA流水线以兼容Linux环境，整合可视化工具和心肌炎特异性训练数据以提高分割精度，并支持STL格式导出用于3D Slicer可视化	摘要未明确提及局限性	实现对浸润性心脏病（如心肌炎）的定量3D组织分析	小鼠心脏组织	数字病理学	心肌炎（病毒性心肌炎）	3D组织重建，深度学习分割	DeepLabv3+ (CNN)	3D组织学图像	6个心脏样本（COVID-19诱导心肌炎模型）	NA	DeepLabv3+	准确率（>90%）	Linux环境，并行处理（每心脏<150分钟）
3324	2026-08-23	Identifying sex-specific sub-phenotypes of Alzheimer's disease progression using longitudinal electronic health records 2026-Aug, EBioMedicine IF:9.7Q1 DOI:10.1016/j.ebiom.2026.106391 PMID:42462283	研究论文	利用纵向电子健康记录，通过深度学习框架识别阿尔茨海默病进展的性别特异性亚表型	提出了一种基于深度学习的方法，利用纵向EHRs自动识别性别特异性的AD亚表型，并揭示了不同性别的疾病进展轨迹和共病模式	未在摘要中提及明确的局限性	从纵向电子健康记录中表征阿尔茨海默病进展的性别特异性异质性	1665名阿尔茨海默病患者（961名女性，704名男性）	机器学习	阿尔茨海默病	电子健康记录分析	自编码器	纵向电子健康记录数据	1665名AD患者（961名女性，704名男性）	NA	自编码器	生存分析、统计显著性	NA
3325	2026-08-23	A modality-agnostic coronary artery habitat model for cardiac sparing in radiotherapy 2026-Aug, Medical physics IF:3.2Q1 DOI:10.1002/mp.70595 PMID:42482440	研究论文	开发了一种模态无关的冠状动脉栖息地模型，用于放射治疗中的心脏保护	提出统计方法定义冠状动脉高风险区域，结合深度学习与高分辨率CT血管造影图像，实现跨模态的自动预测	未明确提及	提升放射治疗中的心脏保护，通过自动预测冠状动脉高风险区域以优化治疗计划	冠状动脉及其栖息地	医学图像分析	癌症	CTA、MRI、CT	深度学习模型（nnU-Net等）	影像数据	182个CCTA和60个胸部放疗体积数据	NA	nnU-Net	包含率、豪斯多夫距离、剂量相关性、组内相关系数	NA
3326	2026-08-23	Global Attention Mechanism-Enhanced Deep Learning for Multi-Sequence MRI Diagnosis of Early Femoral Head Osteonecrosis 2026-Aug, Annals of the New York Academy of Sciences IF:4.1Q1 DOI:10.1111/nyas.70354 PMID:42615368	研究论文	本研究开发了一种基于全局注意力机制增强的深度学习模型（GAM-YOLO），用于多序列MRI对早期股骨头坏死的自动诊断。	将全局注意力机制（GAM）集成到YOLO分割模型中，以提高多序列MRI诊断早期股骨头坏死的性能，并与放射科住院医师的诊断能力进行比较。	研究为回顾性多中心研究，未提及模型在不同MRI设备或更广泛人群中的泛化验证。	开发一种自动化、多序列MRI的早期股骨头坏死诊断模型，提高诊断准确性并提供客观工具。	282例患者的342个坏死股骨头和233名健康个体的265个健康股骨头，共包含7844个标注的股骨头实例。	计算机视觉、数字病理	股骨头坏死	MRI	YOLO、全局注意力机制（GAM）	MRI图像（T1WI、FS-T2WI、Cor STIR）	342个坏死股骨头和265个健康股骨头，共7844个标注实例	PyTorch	YOLO、GAM-YOLO	敏感性、特异性、准确性	NA
3327	2026-08-23	MRI-Based Radiomics Model for Predicting Eligibility for Conservative Management of Endometrial Cancer 2026-Aug, Cancer medicine IF:2.9Q2 DOI:10.1002/cam4.72141 PMID:42618514	研究论文	基于MRI影像组学模型预测早期子宫内膜癌患者适合保守治疗的资格。	使用多种机器学习与深度学习方法结合MRI影像组学特征，预测保守治疗资格，并提供外部验证。	未提及，但可能受限于样本量和回顾性设计。	开发和验证基于MRI的影像组学模型，用于预测早期子宫内膜癌患者保守治疗的资格。	184例经组织病理学确诊的早期子宫内膜癌患者。	机器学习	子宫内膜癌	MRI（T2WI, DCE-T1WI, ADC）	支持向量机、随机森林、决策树、逻辑回归、多层感知机	影像数据	184例（训练集123例，内部验证集31例，外部测试集30例）	NA	多层感知机、随机森林、支持向量机、决策树、逻辑回归	受试者工作特征曲线下面积（AUC）、校准曲线、临床决策曲线	NA
3328	2026-08-23	Deciphering Spatiotemporal Dynamics of Fermented Grains in the Jiangxiangxing Baijiu Production Process: Insights From a Transformer-Based Deep Learning Model 2026-Aug, Journal of food science IF:3.2Q2 DOI:10.1111/1750-3841.71316 PMID:42618751	研究论文	本研究利用基于Transformer的深度学习模型LimiX解析酱香型白酒发酵过程中酒醅的时空动态，实现发酵状态的智能监测	首次将Transformer架构应用于白酒发酵过程的时空动态解析，结合扩增子测序数据和理化指标，实现了高精度的发酵轮次和层次判别	未明确提及局限性，但可能受限于样本采集范围（仅涵盖大回酒轮次3-5）及外部验证的样本量	解析酱香型白酒固态发酵中微生物群落和理化参数的时空异质性，并开发基于深度学习的发酵状态监测方法	酱香型白酒发酵过程中的酒醅（Zaopei）样本，涵盖大回酒轮次3-5	机器学习, 数字病理学	NA	扩增子测序, 理化指标分析	Transformer	测序数据, 理化指标数据	涵盖大回酒轮次3-5的酒醅样本，具体样本数未在摘要中提供	NA	Transformer	AUC, 准确率, PERMANOVA	NA
3329	2026-08-23	Development and validation of an artificial intelligence-based tool to detect subclinical atheroesclerosis using non-mydriatic retinal funduscopic images: the Aitheroscope project 2026-Aug, European heart journal. Digital health DOI:10.1093/ehjdh/ztag129 PMID:42626643	研究论文	开发并验证了一种基于人工智能的工具，利用非散瞳视网膜眼底图像检测亚临床动脉粥样硬化	首次将深度学习与放射组学和临床数据整合的多模态AI模型应用于视网膜图像，以检测超声确认的亚临床动脉粥样硬化	研究人群主要为女性且年龄较轻，可能限制了结果的普遍性；需要进一步外部验证	开发并前瞻性验证一种基于视网膜眼底图像的人工智能工具，用于检测亚临床动脉粥样硬化，以改善心血管风险评估	931名无既往心血管疾病的参与者，平均年龄52.6岁，70.2%为女性	计算机视觉	心血管疾病	深度学习，放射组学，临床数据整合	多模态AI模型（结合CNN和MLP）	图像和临床数据	931名参与者（推导队列781名，测试集150名）	PyTorch	CNN（用于视网膜图像）和MLP（用于临床数据）	AUC, 敏感性, 阴性预测值	NA
3330	2026-08-23	The 5000 Babies Project: Early detection of cerebral palsy movement patterns in infants 2026-Jul-27, Research square DOI:10.21203/rs.3.rs-9856805/v1 PMID:42620243	研究论文	本研究评估了使用计算机视觉和时间序列分析婴儿视频数据来早期检测脑性瘫痪的可行性	利用现成的姿态估计模型和深度学习技术，对0-6个月婴儿视频进行运动模式分析，以实现脑性瘫痪的早期检测，填补了传统GMA评估在可扩展性方面的不足	可行性研究，样本量有限，模型性能有待进一步提高，需要进一步研究来验证其在临床实践中的适用性	评估使用计算机视觉和婴儿视频时间序列分析进行脑性瘫痪预测的可行性	0至6个月校正年龄的婴儿	计算机视觉	脑性瘫痪	视频姿态估计	深度学习模型	视频数据	930名婴儿，其中42名在2岁时被诊断为脑性瘫痪	NA	姿态估计模型	ROC-AUC, 灵敏度, 特异性	NA
3331	2026-08-23	AlphaGEM enables precise genome-scale metabolic modelling by integrating protein structure alignment with deep-learning-based dark metabolism mining 2026-Jul-16, Nature communications IF:14.7Q1 DOI:10.1038/s41467-026-75549-w PMID:42463708	研究论文	开发了AlphaGEM工具箱，结合蛋白质结构比对和深度学习暗代谢挖掘，实现精确的基因组规模代谢模型构建	首次将蛋白质结构比对与深度学习暗代谢挖掘相结合，提升同源关系识别并扩展物种特异代谢网络	未说明具体限制，可能涉及对非模式生物数据依赖性及深度学习预测的不确定性	实现跨物种高效、精确的基因组规模代谢模型自动构建	非模式生物，包括原核生物、真核生物和哺乳动物及多种酵母	机器学习	NA	蛋白质结构比对，蛋白质语言模型，深度学习预测	深度学习模型（如PLMSearch）	基因组序列、蛋白质结构数据	涵盖6个物种验证及332种酵母菌株	NA	PLMSearch	预测准确性、模型质量	NA
3332	2026-08-23	Toward protocol simplification: Deep learning-based image synthesis in three-phase CT urography 2026-Jul-15, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2026.111746 PMID:42140070	研究论文	本研究开发并评估了一种基于扩散模型与Swin transformer的深度学习方法，用于从CT尿路造影的非增强和排泄期图像合成尿路上皮期图像。	提出了一种结合扩散模型和Swin transformer的定制深度学习模型dsSNICT，用于CT尿路造影中尿路上皮期图像的合成，可减少辐射剂量并改善图像质量。	单中心回顾性研究，样本量有限（335例），且图像质量评估依赖于主观评分。	开发一种方法，通过合成尿路上皮期图像，减少CT尿路造影的辐射剂量，同时保持图像质量，并可用于修复因对比剂时机不佳或运动伪影受损的图像。	335例接受三相CT尿路造影的患者（平均年龄63±15岁，男179/女156）。	深度学习、医学影像分析	泌尿系统疾病（CT尿路造影相关）	CT成像，扩散模型，Swin transformer	扩散模型（dsSNICT）	医学图像（CT影像）	335例患者，分训练/验证/测试集（80/10/10）	未明确指出，但可能使用PyTorch或TensorFlow	Swin transformer，扩散模型	峰值信噪比（PSNR）、结构相似性指数（SSIM）、平均绝对误差（MAE）、Fréchet视频距离（FVD）	未明确指出，可能使用GPU（如NVIDIA）
3333	2026-08-23	CenSegNet: a generalist high-throughput deep learning framework for centrosome phenotyping at spatial and single-cell resolution in heterogeneous tissues 2026-Jul-15, Nature communications IF:14.7Q1 DOI:10.1038/s41467-026-75393-y PMID:42457714	研究论文	本文介绍了一个名为CenSegNet的模块化深度学习框架，用于对异质性组织中中心体和上皮结构进行高吞吐量分割，实现对中心体异常在空间和单细胞分辨率下的表型分析。	提出了一种通用的模块化深度学习框架CenSegNet，能够跨成像模态和组织环境精确分割中心体及上皮结构，实现高吞吐量、空间和单细胞分辨率的中心体表型分析，并揭示了中心体异常亚型的机制解耦及其临床关联。	未提及具体局限，但隐含对组织微阵列样本的依赖性，可能影响在其他组织或成像条件下的泛化性验证。	开发并验证CenSegNet框架，用于大规模、空间分辨率的中心体表型分析，探究中心体异常在癌症中的生物学和临床意义。	中心体异常（CA）及其亚型，包括数值和结构异常，在乳腺癌组织中的空间分布和单细胞特征。	计算机视觉	乳腺癌	组织微阵列成像	深度学习分割网络	图像	911个乳腺癌组织核心样本，来自127名患者	深度学习框架（未指定具体框架，如PyTorch或TensorFlow）	分割网络架构（具体结构如U-Net等未提及）	准确性、泛化性、空间分辨率、单细胞分辨率	未提及具体计算资源，如GPU类型或云平台
3334	2026-08-23	Spike-based alignment learning solves the weight transport problem 2026-Jul-07, Nature communications IF:14.7Q1 DOI:10.1038/s41467-026-74460-8 PMID:42414269	研究论文	提出了一种名为尖峰对齐学习（SAL）的突触局部学习规则，利用噪声进行权重对齐，以解决神经网络的权重传输问题	引入了一种基于尖峰的局部学习规则，该规则利用噪声实现权重对齐，能够在其他功能性学习规则运行的同时保持必要的对称性，从而确保梯度的正确局部表示，并适用于生物和人工模拟基质	NA	解决学习算法中的权重传输问题，实现局部计算与物理神经网络约束的兼容	脉冲贝叶斯推断网络模型和生物合理性误差反向传播网络模型	机器学习	NA	NA	脉冲神经网络	图像	NA	NA	NA	NA	NA
3335	2026-08-23	Automated detection of lumbar disc herniation at L4-L5 and L5-S1 levels on sagittal MRI using a YOLO-based deep learning model 2026-Jul-06, BMC musculoskeletal disorders IF:2.2Q3 DOI:10.1186/s12891-026-10124-4 PMID:42410553	研究论文	本研究探讨了基于YOLO的深度学习模型在矢状位MRI上自动检测L4-L5和L5-S1腰椎间盘突出的可行性	首次采用YOLO目标检测架构对特定腰椎节段（L4-L5和L5-S1）的椎间盘突出进行分类检测	测试集样本量小、单中心设计、缺乏外部验证和放射科医师基准比较，结果仅具假设生成性	初步评估基于YOLO的深度学习模型在矢状位MRI上自动检测腰椎间盘突出的可行性	成人患者的矢状位T2加权腰椎MRI图像，重点关注L4-L5和L5-S1节段	计算机视觉	腰椎间盘突出	MRI（矢状位T2加权成像）	YOLO	图像	372张矢状位T2加权腰椎MRI切片，分为337张训练集、25张验证集和10张测试集	未在标题和摘要中明确提及，推测可能为PyTorch或Darknet，输出NA	YOLO	精确度、召回率、F1分数、平均精度均值（mAP@0.5和mAP@0.5-0.95）	未在标题和摘要中明确提及，输出NA
3336	2026-08-23	DeepKOALA: a scalable deep learning framework for KEGG Orthology assignment 2026-Jul-03, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbag445 PMID:42617151	研究论文	提出一种基于门控循环单元的可扩展深度学习框架DeepKOALA，用于KEGG直系同源（KO）注释，以加速大规模序列功能注释	将KO注释建模为开放集识别任务以减少假阳性，采用轻量级GRU骨干网络实现高通量注释，并提供专门处理不完整序列的片段模型和可选的多域模式	摘要中未明确提及局限性	开发一种可扩展、高效的深度学习工具，用于大规模序列的KEGG Orthology注释，克服传统序列比对方法计算成本高的局限	蛋白质和DNA序列的KEGG Orthology注释	机器学习	NA	NA	GRU	序列	NA	NA	GRU	F1	NA
3337	2026-08-23	Artificial Intelligence Methods in Early Detection of Autism Spectrum Disorder: A DSM-5 Criterion-Based Systematic Review 2026-Jul, Autism research : official journal of the International Society for Autism Research IF:5.3Q1 DOI:10.1002/aur.70279 PMID:42226557	综述	本系统综述评估了基于人工智能的儿童自闭症谱系障碍早期检测方法，分析其分布、性能、与DSM-5标准的对齐程度以及研究的方法学质量	首次基于DSM-5标准对AI早期检测ASD的方法进行系统评价，并关注AI技术与诊断标准的对齐关系	未进行引文追踪，存在地理分布偏差（偏向高收入地区），方法学质量不一致	评估AI方法在儿童ASD早期检测中的分布、性能、DSM-5对齐程度，并评估现有研究的方法学质量	0-18岁临床诊断为ASD的儿童群体	机器学习	自闭症谱系障碍	NA	卷积神经网络、支持向量机	行为观察数据	43项研究（从1018篇记录中筛选）	NA	卷积神经网络, 支持向量机	准确率	NA
3338	2026-08-23	An intelligent fusion model for Ki-67 prediction in non-small cell lung cancer: A cloud-based prediction system integrating radiomics 2026-Jul, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2026.112866 PMID:42000471	研究论文	本研究开发并验证了一种融合影像组学和深度学习评分及临床参数的随机森林模型，用于预测非小细胞肺癌患者的Ki-67表达水平。	提出了一种融合瘤内和瘤周影像组学评分、深度学习评分及临床参数的智能融合模型，并采用SHAP方法解释模型预测，提高了预测的准确性和可解释性。	未在摘要中明确提及局限性。	准确预测非小细胞肺癌患者术前Ki-67表达水平，以改善预后分层并指导个性化治疗策略。	876名非小细胞肺癌患者，来自四个医疗中心。	医学影像分析、机器学习	非小细胞肺癌	CT影像组学、深度学习（ResNet101）	随机森林	CT图像、影像组学特征、临床数据	876例患者（训练集525例，测试集175例，外部验证集176例）	未指定	ResNet101、随机森林	AUC、F1分数	未指定
3339	2026-08-23	Machine learning to classify left ventricular hypertrophy using electrocardiographic feature extraction by variational autoencoder 2026-Jul, Heart rhythm O2 IF:2.5Q2 DOI:10.1016/j.hroo.2026.03.019 PMID:42488151	研究论文	本研究利用变分自编码器提取心电图特征，并构建机器学习模型以提升左心室肥厚的诊断准确性	采用变分自编码器从心电图中提取潜在特征，并结合传统心电图特征进行左心室肥厚分类，相比传统标准及直接使用信号的卷积神经网络模型具有更优性能	未明确提及局限性，但可能受限于回顾性研究设计和特定人群的泛化性	开发和验证基于心电图的机器学习模型，用于左心室肥厚的诊断，并与传统心电图标准及信号卷积神经网络模型进行比较	左心室肥厚患者及非患者的心电图与超声心动图配对数据	机器学习	左心室肥厚	心电图特征提取，变分自编码器	逻辑回归、随机森林、LightGBM、残差神经网络、多层感知机、卷积神经网络	心电图信号及特征数据	482,734对心电图-超声心动图配对样本，测试集54,984例	NA	变分自编码器、LightGBM、残差神经网络、多层感知机、卷积神经网络	受试者工作特征曲线下面积	NA
3340	2026-08-23	Artificial Intelligence in Health Care: Clinical Opportunities, Validation Trends, and Implementation Challenges (2020-2025) 2026 Jul-Sep 01, Journal for healthcare quality : official publication of the National Association for Healthcare Quality IF:0.9Q4 DOI:10.1097/JHQ.0000000000000524 PMID:42008829	系统综述	本系统综述评估了2020至2025年间人工智能在医疗保健中的临床应用机会、验证趋势及实施挑战。	与早期综述相比，本研究重点分析了验证率的提升（从23%升至46.7%）及对算法公平性的关注增加。	仅纳入15项经过前瞻性或外部验证的研究，可能限制结果的广泛适用性。	系统综述人工智能在临床环境中的应用，识别验证趋势和实施障碍。	2020年1月至2025年9月间发表的相关研究。	机器学习	放射学、肿瘤学、心脏病学	深度学习，卷积神经网络	深度学习，卷积神经网络	医学影像	15项研究	NA	卷积神经网络	AUC	NA