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
3341	2026-02-25	Bayesian Inference of Gene Regulatory Networks at Stochastic Steady State 2026-Jan-12, bioRxiv : the preprint server for biology DOI:10.64898/2026.01.10.698684 PMID:41659677	研究论文	本文提出了一种基于化学朗之万方程和贝叶斯推断的新方法，用于在随机稳态下推断基因调控网络的结构和动力学参数	该方法首次将化学朗之万方程作为基因表达动力学模型，结合正则化马蹄先验，在无需观测瞬态动力学的情况下推断调控网络	方法仅在合成基因表达数据上进行了评估，尚未在真实生物数据上验证	推断基因调控网络的结构和动力学参数，以理解生物系统和设计靶向疗法	基因调控网络	机器学习	NA	NA	贝叶斯模型	合成基因表达数据	NA	NA	NA	NA	NA
3342	2026-02-25	External validation of an explainable electrocardiogram-only deep learning algorithm for the prediction of response after cardiac resynchronization therapy 2026-Jan-10, Heart rhythm IF:5.6Q1 DOI:10.1016/j.hrthm.2026.01.014 PMID:41525968	研究论文	本研究外部验证了一种仅基于心电图的深度学习算法（FactorECG算法）用于预测心脏再同步化治疗后无反应的风险	首次在外部验证了可解释的仅心电图深度学习算法在预测心脏再同步化治疗无反应方面的性能，并探索了结合机械不同步指标的价值	外部验证队列样本量较小（161例患者），且仅评估了容积无反应，未全面评估临床结局	评估可解释深度学习算法在预测心脏再同步化治疗反应中的外部有效性和附加价值	接受心脏再同步化治疗的心力衰竭患者	机器学习	心血管疾病	心电图分析, 心脏磁共振成像	深度学习算法	心电图信号, 临床数据, 影像数据	外部验证队列：161例患者（来自弗吉尼亚大学）；原始训练队列：>100万心电图中间搏动	NA	FactorECG算法	C统计量	NA
3343	2026-02-25	Seizure detection using ultra-long-term subcutaneous electroencephalography: A deep learning CNN-BiLSTM approach 2026-Jan, Epilepsia IF:6.6Q1 DOI:10.1111/epi.18652 PMID:41056137	研究论文	本研究开发并验证了一种用于双通道皮下脑电图记录的深度学习癫痫发作检测算法	采用CNN-BiLSTM混合算法处理超长期皮下脑电图数据，实现了高灵敏度与低误报率的癫痫自动检测	研究样本量较小（16名患者），且数据来自三个中心可能存在异质性	开发适用于超长期皮下脑电图监测的自动癫痫发作检测算法	癫痫患者的皮下脑电图记录	机器学习	癫痫	皮下脑电图记录	CNN, BiLSTM	脑电图信号	16名患者的皮下脑电图数据，中位记录时间63天	NA	CNN-BiLSTM混合架构（九层网络）	AUROC, AUPRC, 灵敏度, 每日误报次数	NA
3344	2026-02-25	Quantitative analysis of studies that use artificial intelligence on spinal diseases: A bibliometric analysis 2026 Jan-Dec, Digital health IF:2.9Q2 DOI:10.1177/20552076261415846 PMID:41732181	综述	本文通过文献计量学分析评估了人工智能在脊柱疾病领域的研究进展与未来方向	首次对2006年至2025年间人工智能在脊柱疾病领域的文献进行全面计量分析，识别出研究热点和合作网络	分析基于Web of Science数据库，可能未涵盖所有相关文献；且主要依赖定量分析，缺乏对研究质量的深度评估	评估人工智能在脊柱疾病领域的研究现状、热点及未来发展方向	734篇关于脊柱疾病与人工智能的学术论文	机器学习	脊柱疾病	文献计量分析	NA	文献元数据	734篇论文	CiteSpace, VOSviewer, Bibliometrix Online Analysis Platform	NA	NA	NA
3345	2026-02-25	Artificial intelligence-powered copilots for precision diagnosis and surgical assessment of histological growth patterns in resectable colorectal liver metastases: a prospective study 2025-Nov-01, International journal of surgery (London, England) DOI:10.1097/JS9.0000000000002922 PMID:40638258	研究论文	本研究开发了一种名为COFFEE的基于Transformer的深度学习模型，用于利用结直肠癌肝转移患者的全切片图像精确分类组织病理学生长模式，旨在辅助病理诊断和手术评估	开发了首个基于Transformer和TransMIL框架的AI模型COFFEE，用于结直肠癌肝转移中组织病理学生长模式的精确分类，并展示了其在辅助病理医生提高诊断准确性和效率方面的潜力	研究样本量相对有限，前瞻性队列仅包含30名患者，且模型在更广泛人群和不同医疗中心中的泛化能力有待进一步验证	开发人工智能辅助工具，以提高结直肠癌肝转移中组织病理学生长模式的诊断精度和手术评估效率	被诊断为结直肠癌肝转移的患者及其全切片图像	数字病理学	结直肠癌	全切片图像分析	Transformer, 深度学习	图像	431名患者（训练集297名，测试集104名，前瞻性队列30名），涉及来自TCGA-COAD队列的1442张WSI和验证集的972张WSI	PyTorch	Vision Transformer, TransMIL	AUC, 准确率	NA
3346	2026-02-25	Learning the syntax of plant assemblages 2025-Oct, Nature plants IF:15.8Q1 DOI:10.1038/s41477-025-02105-7 PMID:41083838	研究论文	提出一种受大语言模型启发的方法，通过学习植物群落中物种丰度排序序列的“句法”来预测物种组成和栖息地类型	首次将大语言模型的序列建模思想应用于植物群落生态学，通过捕捉物种间的潜在关联来提升预测性能	研究范围目前局限于欧洲及邻近地区的植物物种，未明确说明模型在极端环境或高度干扰生态系统中的泛化能力	开发一种能够准确预测植物群落物种组成和栖息地类型的方法，以支持生物多样性保护与生态恢复	欧洲及邻近地区的植物群落物种组成数据	自然语言处理	NA	物种丰度序列建模	神经网络	物种序列数据	覆盖超过10,000种植物物种	NA	基于大语言模型架构的序列模型	准确率	NA
3347	2026-02-25	An Open-Source Deep Learning-Based Toolbox for Automated Auditory Brainstem Response Analyses (ABRA) 2025-Sep-23, bioRxiv : the preprint server for biology DOI:10.1101/2024.06.20.599815 PMID:38948763	研究论文	介绍了一个基于深度学习的开源工具箱ABRA，用于自动化分析听觉脑干反应（ABR）波形	开发了首个基于深度学习的开源ABR分析工具，实现了ABR波形分析的自动化和标准化，显著减少了分析时间并提高了跨实验室数据的可重复性	未明确说明模型在极端或罕见病例上的泛化能力，以及训练数据集的详细规模和多样性限制	开发自动化工具以解决传统ABR分析中主观手动解释带来的变异性和可重复性挑战	听觉脑干反应（ABR）波形	机器学习	听力损失	听觉脑干反应（ABR）记录	CNN	电生理记录波形数据	NA	NA	卷积神经网络	与专家人工标注者性能相当	NA
3348	2026-02-25	Automated Cavity Detection and Classification Using Deep Learning 2025-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference DOI:10.1109/EMBC58623.2025.11252946 PMID:41336045	研究论文	本研究提出了一种基于深度学习的多尺度AI辅助方法，用于牙科X光片中的龋齿检测与分类	引入了基于Ultralytics YOLO11框架的多尺度方法，比较了图像级别和牙齿级别的分类与检测策略，强调了牙齿级别分析在提升检测精度方面的优势	在全图像定位方面存在挑战，未来需要改进分割技术、扩展临床数据集并在不同成像条件下验证性能	开发一种自动化的龋齿检测与分类系统，以辅助早期诊断和治疗规划	牙科X光片	计算机视觉	龋齿	深度学习	YOLO	图像	NA	Ultralytics YOLO11	YOLO11	准确率, mAP@50, 召回率	NA
3349	2026-02-25	U-Grad: A Grad-CAM-Guided Reduced U-Net for Efficient Lung Cancer Segmentation 2025-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference DOI:10.1109/EMBC58623.2025.11253530 PMID:41336182	研究论文	本文提出了一种名为U-Grad的新型模型，用于从2D CT切片中分割肺结节，该模型通过整合Grad-CAM生成的注意力热图来增强结节表示	提出了一种结合Grad-CAM生成热图与简化U-Net的混合架构，通过注意力机制增强模型对肺结节的表征能力，并提高了模型的可解释性	模型在测试集上的性能略低于简化U-Net（DC 91.27% vs 93.15%），且研究仅使用单一数据集进行验证	开发一种高效且可解释的深度学习模型，用于医学CT图像中的肺结节自动分割	肺结节（来自CT扫描图像）	数字病理学	肺癌	CT扫描	CNN	图像	使用NSCLC Radiogenomics数据集进行训练和测试	未明确提及	Reduced U-Net, U-Grad（Grad-CAM引导的简化U-Net）	Dice系数, 交并比	未明确提及
3350	2026-02-25	CAUSAL MODELING OF FMRI TIME-SERIES FOR INTERPRETABLE AUTISM SPECTRUM DISORDER CLASSIFICATION 2025-Apr, Proceedings. IEEE International Symposium on Biomedical Imaging DOI:10.1109/isbi60581.2025.10980933 PMID:41728049	研究论文	本文提出了一种基于因果关系的深度学习模型，用于利用fMRI时间序列数据进行自闭症谱系障碍的分类，并解释脑区间的因果关系	引入了一种受因果关系启发的深度学习模型，能够捕捉脑区间的非线性相互作用，而传统的基于相关性的模型无法做到这一点	研究使用了经过筛选的ABIDE数据集（平均FD小于15mm），可能限制了样本的多样性和泛化能力	开发一种准确且可解释的自闭症谱系障碍分类方法，以促进早期诊断和治疗	自闭症谱系障碍患者和对照组人群的fMRI时间序列数据	机器学习	自闭症谱系障碍	功能磁共振成像	深度学习模型	时间序列数据	ABIDE数据集中经过筛选的图像（平均FD小于15mm），具体数量未明确说明	NA	因果关系启发的深度学习模型	分类准确率, AUC	NA
3351	2026-02-25	Advancing bioinformatics with large language models: components, applications and perspectives 2025-Jan-31, ArXiv PMID:38259343	综述	本文全面概述了大型语言模型在生物信息学中的核心组件、应用领域及未来展望	系统性地将大型语言模型的应用从自然语言处理扩展到生物信息学的多个子领域，如基因组学、转录组学、蛋白质组学、药物发现和单细胞分析，并提供了针对生物信息学数据类型的实用指导	作为一篇综述，未提出新的模型或算法，主要基于现有文献进行总结和展望	探讨大型语言模型在生物信息学领域的潜力、应用及未来发展方向	大型语言模型及其在生物信息学中的应用	自然语言处理, 机器学习	NA	自监督学习, 半监督学习	Transformer	文本, 基因组数据, 转录组数据, 蛋白质组数据, 单细胞数据	NA	NA	Transformer	NA	NA
3352	2026-02-25	Sparse-View CT Joint Reconstruction Strategy with Sparse Sampling Encoding Layer 2025, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056354972250221012822 PMID:40143696	研究论文	本文提出了一种基于稀疏采样编码层的稀疏视图CT联合重建策略，旨在自动搜索高效的稀疏采样方案并提高重建质量	开发了一个采样编码层用于自动搜索稀疏采样方案，并将其集成到基于投影数据的稀疏重建神经网络模型中，同时提出了基于Radon域和图像域绘制的联合重建策略	NA	开发一种端到端的稀疏角度CT重建方法，以在剂量约束下自动搜索高效的稀疏采样方案	稀疏角度CT重建	计算机视觉	NA	CT扫描	深度学习	图像	基于公共CT数据集	NA	NA	NA	NA
3353	2026-02-25	RETRACTED: Advancing enterprise risk management with deep learning: A predictive approach using the XGBoost-CNN-BiLSTM model 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0319773 PMID:40179109	研究论文	本研究提出了一种基于深度学习的风险管理模型，采用XGBoost-CNN-BiLSTM框架来提升风险事件的预测与检测能力	结合XGBoost的结构化数据处理能力、CNN的特征提取能力和BiLSTM的时间序列处理能力，构建了一个综合性的风险预测模型	未在摘要中明确提及	提升企业风险管理的预测与检测能力，确保企业可持续稳定发展	企业风险事件	机器学习	NA	深度学习	XGBoost, CNN, BiLSTM	结构化数据、时间序列数据	多个数据集，包括S&P 500历史数据集	NA	XGBoost-CNN-BiLSTM	准确率, 召回率, F1分数, AUC	NA
3354	2026-02-25	Transforming Medical Imaging: The Role of Artificial Intelligence Integration in PACS for Enhanced Diagnostic Accuracy and Workflow Efficiency 2025, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056370620250403030638 PMID:40265427	综述	本文综述了人工智能（AI）集成到医学影像存档与通信系统（PACS）中的现状，评估了其对诊断准确性、工作流程效率和患者结局的影响	系统性地回顾了AI集成到PACS中的技术演进、关键进展（如诊断准确性提升高达93.2%）、工作流程效率变革（如诊断时间减少高达90%），并识别了数据隐私、监管合规和互操作性等持续挑战	研究依赖于截至2024年10月的文献，可能未涵盖最新的技术发展；同时，数据隐私、监管合规和系统互操作性等挑战仍然存在，需要标准化框架和强大的安全协议来解决	探讨AI在PACS中的集成，并评估其对医学影像、诊断工作流程和患者结局的影响	AI在医学影像存档与通信系统（PACS）中的应用、技术创新及工作流程改进	医学影像	NA	人工智能、机器学习、深度学习	卷积神经网络（CNN）、自然语言处理（NLP）工具	医学影像数据、文本报告	基于183项符合纳入标准的研究（包括原始研究、系统综述和荟萃分析）	NA	NA	诊断准确性（高达93.2%）、图像分割准确性（高达94%）、报告时间减少（30-50%）	基于云的解决方案
3355	2026-02-25	Accuracy and Reliability of Multimodal Imaging in Diagnosing Knee Sports Injuries 2025, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056360665250506115221 PMID:40377156	研究论文	本研究通过结合MRI、CT和超声进行集成学习，并利用深度学习模型自动分析，以提高膝关节运动损伤诊断的准确性和可靠性	采用多模态成像（MRI、CT、超声）进行集成学习，并结合深度学习算法实现膝关节损伤的自动识别与分类	未明确提及研究的具体局限性，如数据集的多样性、模型在外部验证集上的表现等	解决因医生主观经验和诊断标准不一致导致的单模态成像诊断准确性不足的问题，提高膝关节运动损伤的诊断精度和效率	膝关节运动损伤，如前交叉韧带撕裂、半月板损伤、软骨损伤和骨折	计算机视觉	运动损伤	磁共振成像（MRI）、计算机断层扫描（CT）、超声（US）	CNN	图像	NA	NA	NA	敏感性, 特异性, 诊断准确率, 总体错误率	NA
3356	2026-02-25	Deep Learning for Automated Prediction of Sphenoid Sinus Pneumatization in Computed Tomography 2025, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056363158250429101521 PMID:40415313	研究论文	本研究开发了一种卷积神经网络模型，用于自动预测计算机断层扫描中蝶窦气化模式	首次应用深度学习自动识别蝶窦气化变异，通过数据增强提升模型在有限和不平衡数据集上的性能	数据集规模有限（仅249张CT图像），且存在类别不平衡问题	提高经蝶窦手术的安全性，通过自动识别蝶窦气化模式辅助临床决策	蝶窦气化模式	计算机视觉	NA	计算机断层扫描	CNN	图像	249张CT图像（训练集174张，测试集75张），增强后训练集增至378张	NA	NA	准确率, AUC, 敏感性, 特异性, F1分数	NA
3357	2026-02-25	Reconstruction of Heart-related Imaging from Lung Electrical Impedance Tomography Using Semi-Siamese U-Net 2025, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056408077250610070821 PMID:40611416	研究论文	本研究提出了一种基于半孪生U-Net架构的深度学习模型，用于从肺部电阻抗断层扫描中重建心脏相关阻抗成像	采用新颖的半孪生U-Net架构，通过共享编码器和两个独立解码器分别分割肺部和心脏区域，并应用加权二元交叉熵损失以强化心脏相关学习	目前有希望的结果仅限于真实数据的定性评估和基于模拟的训练，缺乏临床验证	克服肺部阻抗变化的主导影响，从肺部电阻抗断层扫描中重建心脏相关信号成像	基于有限元法的电阻抗断层扫描模拟数据和真实人体电阻抗断层扫描数据	医学影像处理	心血管疾病	电阻抗断层扫描	深度学习	图像	NA	NA	半孪生U-Net	Dice系数, 平均绝对误差	NA
3358	2026-02-25	The Clinical Significance of Femoral and Tibial Anatomy for Anterior Cruciate Ligament Injury and Reconstruction 2025, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056361050250605052447 PMID:40551697	综述	本文综述了股骨和胫骨解剖结构（如股骨髁间窝形态、胫骨后倾角）对前交叉韧带损伤风险及重建手术效果的影响	整合了年龄与性别特异性解剖差异对ACL损伤的影响，并强调了人工智能与先进影像技术在个性化手术规划中的应用前景	作为综述文章，未提供原始实验数据或新型模型的性能验证	探讨股骨与胫骨解剖结构对前交叉韧带生物力学、损伤风险及重建手术效果的影响机制	前交叉韧带损伤患者（涵盖青少年、成人及老年群体）的骨骼解剖特征	数字病理	骨科疾病	MRI、CT、3D重建、人工智能分割	深度学习模型	医学影像（MRI、CT）	NA	NA	NA	NA	NA
3359	2026-02-25	Optimised Convolution Layers of DnCNN using Vedic Multiplier and Hyperparameter Tuning in Cancer Detection on Field Programmable Gate Array 2025, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056400656250616073019 PMID:40574390	研究论文	本研究提出了一种基于Vedic乘法器和POA优化的DnCNN算法，在FPGA上实现乳腺癌检测、分割和分类	在DnCNN卷积层中引入Vedic乘法器（CUTIN）替代传统算术单元，并结合POA进行超参数优化，以提高精度和效率	较大图像尺寸会增加处理器规模和门电路数量，可能限制处理能力	优化深度学习算法在硬件上的实现，以提高癌症细胞分割的准确性	乳腺癌的良性及恶性病变	计算机视觉	乳腺癌	深度学习算法，FPGA实现	DnCNN	图像	NA	NA	DnCNN	准确率, 精确率, 特异性, F分数, IoU, DSC	FPGA设备
3360	2026-02-25	Generative AI for Diagnostic Medical Imaging: A Review 2025, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056369157250212095252 PMID:41731736	综述	本文对生成式深度学习模型在诊断医学影像中的应用进行了全面分析，重点探讨了其在提升诊断准确性、减少辐射暴露和改进数据处理方面的变革潜力	系统回顾了包括GANs、自编码器、扩散模型和基于Transformer的模型在内的多种生成式模型架构及其在医学影像中的创新应用，如多层ML-C-GAN、Temporal-GAN以及结合注意力模块和语言编码的Atten-AE、M3AE等混合模型	作为一篇综述文章，未进行原始实验研究，主要基于现有文献进行分析，可能未涵盖所有最新进展	回顾生成式人工智能在诊断医学影像领域的最新进展，评估其临床应用潜力	生成式深度学习模型及其在医学影像中的应用	数字病理	NA	生成式深度学习	GAN, AE, 扩散模型, Transformer	图像, 文本	NA	NA	ML-C-GAN, Temporal-GAN, Atten-AE, M3AE	NA	NA