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
321	2026-04-11	Enabling ankle-brachial index prediction from doppler sounds using deep learning 2026-Apr-09, NPJ cardiovascular health DOI:10.1038/s44325-026-00116-7 PMID:41957436	研究论文	本研究介绍了一种名为AutoABI的深度学习算法，能够直接从循环多普勒声音中分类踝臂指数（ABI）类别，以提升床旁ABI评估的可及性	首次提出利用深度学习直接从多普勒声音预测ABI类别，为无法进行传统ABI测量的患者（如血管钙化患者）提供了新的评估方案	研究基于有限规模的数据集（198名患者的791条录音），样本量较小，可能影响模型的泛化能力	开发一种基于深度学习的算法，以改善外周动脉疾病（PAD）患者踝臂指数（ABI）评估的可及性和可靠性	外周动脉疾病（PAD）患者，特别是那些因血管钙化而无法进行传统ABI测量的患者	机器学习	外周动脉疾病	多普勒声音分析	深度学习算法	音频（多普勒声音录音）	198名患者的791条录音	NA	NA	AUC（受试者工作特征曲线下面积）	NA
322	2026-04-11	Study on mmage defect recognition and classification of power transmission equipment based on lightweight model residual Mamba 2026-Apr-09, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-45856-9 PMID:41957442	研究论文	本文提出了一种基于Mamba架构的轻量级分割网络ResMamba，用于解决输电设备图像缺陷检测中特定类别缺陷样本数量有限的小样本检测难题	创新性地将Mamba模块集成到视觉状态空间（VSS）作为编解码链接，核心ResVSS模块通过移除原始VSS模块内部捷径连接中的冗余线性层（占原参数38%），并引入深度卷积块和可学习尺度参数来动态缩放残差连接，在跳跃连接部分引入了多层次多尺度信息融合机制	NA	解决电力设备缺陷检测中特定类别缺陷样本数量有限的小样本检测难题，提升电网自愈能力	输电变电设备的图像缺陷	计算机视觉	NA	图像缺陷检测	分割网络	图像	公共数据集（包含专门的小样本设置）	NA	U-Net, ResMamba, VSS	分割精度	NA
323	2026-04-11	Predicting Osteoporosis Risk from Knee Radiographs and Clinical Features through Deep Learning: A Multimodal Approach 2026-Apr-09, Annals of African medicine IF:0.6Q3 DOI:10.4103/aam.aam_857_25 PMID:41957558	研究论文	本研究开发了一种结合膝关节X光片和临床特征的多模态深度学习方法，用于预测骨质疏松风险	提出了一种双流方法，将CNN从X光片中提取的特征与临床参数结合，用于骨质疏松筛查，为资源有限地区提供了一种成本效益高的替代方案	样本量较小（仅239张图像），且仅使用了单一公共数据集，可能影响模型的泛化能力	探索利用深度学习和临床数据预测骨质疏松风险，以替代昂贵的DEXA扫描	膝关节X光图像及对应的临床数据	计算机视觉	骨质疏松症	X射线成像，骨矿物质密度评估	CNN	图像，临床数据	239张膝关节X光图像及对应临床数据	NA	AlexNet, Inception V3	召回率，准确率，AUC，灵敏度	NA
324	2026-04-11	Deep learning-based detection of the second mesiobuccal canal in maxillary first molars using cone-beam computed tomography 2026-Apr-09, BMC oral health IF:2.6Q1 DOI:10.1186/s12903-026-08207-8 PMID:41957600	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
325	2026-04-11	Identification of Aspergillus at section and species levels by artificial intelligence-based microscopic morphology image recognition 2026-Apr-08, Journal of clinical microbiology IF:6.1Q1 DOI:10.1128/jcm.00012-26 PMID:41757926	研究论文	本研究开发了一种名为FungalNet的深度学习模型，用于基于显微形态图像快速准确识别曲霉菌的节和种水平	提出了FungalNet模型，该模型整合了ResNet-50架构与Focal Loss算法，并采用了一种结合五折交叉验证和专家人工审查的新型质量控制方法	需要进一步优化和多中心验证才能集成到常规诊断流程中	通过人工智能显微形态图像识别，快速准确识别曲霉菌的节和种水平，以支持曲霉病的诊断和抗真菌治疗	临床分离的曲霉菌种，属于八个不同的节	计算机视觉	曲霉病	显微形态图像分析，乳酚棉蓝染色	深度学习，CNN	图像	11,689张合格的高分辨率图像，来源于12,000张初始图像	PyTorch, TensorFlow	ResNet-50, GoogLeNet, Xception	准确率	NA
326	2026-04-11	Point2SSM++: Self-supervised learning of anatomical shape models from point clouds 2026-Apr-08, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2026.104073 PMID:41955905	研究论文	提出一种名为Point2SSM++的自监督深度学习方法，用于直接从解剖形状的点云表示中学习对应点，以构建统计形状模型	提出了一种能够直接处理未对齐、不一致点云输入的自监督深度学习框架，无需完整对齐的表面表示，并针对动态时空和多解剖结构场景进行了扩展	未明确提及具体局限性	开发一种更高效、鲁棒的统计形状建模方法，以促进临床研究中的形态计量分析	解剖形状（如骨骼和器官）的点云表示	计算机视觉	NA	自监督深度学习	深度学习模型	点云	NA	NA	Point2SSM++	NA	NA
327	2026-04-11	A simulation-based study of 3D printing angle optimization by integrating deep learning and NSGA-III for prosthesis and retainer manufacturing 2026-Apr-08, The Journal of prosthetic dentistry IF:4.3Q1 DOI:10.1016/j.prosdent.2026.03.015 PMID:41956844	研究论文	本研究开发了一个集成深度学习和NSGA-III算法的计算框架，用于优化牙科3D打印中牙冠和固位体的构建方向，以减少支撑面积和打印高度	首次将PointNet++、MeshSegNet和NSGA-III集成到一个自动化框架中，用于牙科3D打印的构建方向优化，避免了传统软件中手动调整和支撑物放置在功能区域的问题	研究为基于仿真的研究，需要进一步的实验验证才能应用于临床	开发并评估一个计算框架，以优化牙科3D打印中牙冠和固位体的构建方向，最小化支撑面积和打印高度	牙科牙冠和固位体的3D打印构建方向	计算机视觉	NA	3D打印	深度学习	3D网格数据	24个牙科模型	NA	PointNet++, MeshSegNet	支撑面积, 打印高度	NA
328	2026-04-11	Artificial Intelligence in Personalized Breast Cancer Drug Safety: From Preclinical Toxicology to Clinical Risk Management 2026-Apr-08, Clinical therapeutics IF:3.2Q2 DOI:10.1016/j.clinthera.2026.03.002 PMID:41956883	综述	本文综述了人工智能在乳腺癌个性化药物安全中的应用，涵盖从临床前毒理学到临床风险管理的全过程	将人工智能技术整合到乳腺癌个性化药物安全的整个生命周期，包括临床前毒理学、临床试验设计和上市后监测，以预测治疗反应、优化剂量并最小化不良反应	NA	探讨人工智能如何提升乳腺癌个性化治疗的药物安全性和疗效	乳腺癌患者及其个性化治疗过程中的药物安全风险	机器学习	乳腺癌	机器学习算法、深度学习、预测分析	NA	临床试验数据、患者记录、真实世界证据	NA	NA	NA	NA	NA
329	2026-04-11	Multiparametric MRI-Based Integrated Analysis of Clinical, Radiomics, Deep Learning, and Machine Learning for Predicting Tumor Proliferation and Prognosis in Locally Advanced Rectal Cancer 2026-Apr-08, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2026.03.033 PMID:41956924	研究论文	本研究开发并验证了一个基于多参数MRI的预测模型，整合临床、影像组学、深度学习和机器学习特征，用于预测局部晚期直肠癌患者的肿瘤细胞增殖状态和预后	首次整合临床数据、影像组学、深度学习和机器学习技术，构建了一个多参数MRI为基础的列线图模型，用于预测局部晚期直肠癌的Ki-67表达和预后分层	回顾性研究设计，可能存在选择偏倚；样本量相对有限，且仅来自三个中心	预测局部晚期直肠癌患者的肿瘤细胞增殖状态和预后	局部晚期直肠癌患者	数字病理学	直肠癌	多参数磁共振成像	机器学习,深度学习	图像	384名来自三个中心的局部晚期直肠癌患者	NA	Stepglm[both] + glmBoost	AUC, DeLong检验, 校准曲线, 决策曲线分析, Kaplan-Meier分析	NA
330	2026-04-11	Evaluating deep learning based structure prediction methods on antibody-antigen complexes 2026-Apr-07, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btag136 PMID:41863324	研究论文	本文评估了基于深度学习的结构预测方法在抗体-抗原复合物上的性能	首次在未见过的抗体-抗原复合物上对AlphaFold2、AlphaFold3、Boltz-1和Chai-1等结构预测方法进行基准测试，揭示了采样策略和模型选择对预测准确性的影响	AlphaFold3在缺乏训练集结构相似性的复合物上性能显著下降，且所有方法在识别最佳预测模型方面仍面临挑战	评估和比较深度学习结构预测方法在抗体-抗原复合物上的准确性和适用性	抗体-抗原复合物	机器学习	NA	深度学习结构预测	深度学习模型	蛋白质结构数据	NA	NA	AlphaFold2, AlphaFold3, Boltz-1, Chai-1	预测准确性	NA
331	2026-04-11	Medical image pretraining-based transfer learning for generalizable and robust diagnosis of bone tumors on radiographs: a multi-center study 2026-Apr-07, Insights into imaging IF:4.1Q1 DOI:10.1186/s13244-026-02271-y PMID:41944974	研究论文	本研究开发了一种基于医学图像预训练的深度学习模型，用于X光片上骨肿瘤的分类，并通过多中心数据验证了其泛化性和鲁棒性	利用领域特定的医学图像数据集（RadImageNet）进行预训练，显著提升了模型在骨肿瘤分类任务上的性能和鲁棒性，优于基于自然图像（ImageNet）预训练的模型和传统影像组学方法	研究为回顾性设计，且模型性能在不同外部测试中心间可能存在差异，AI辅助效果也因放射科医师个体经验和对AI接受度而异	开发一个泛化性强且鲁棒的深度学习模型，用于X光片上骨肿瘤的准确分类	经组织病理学确诊的骨肿瘤患者的X光影像	计算机视觉	骨肿瘤	深度学习, 迁移学习, 影像组学	CNN	图像	2338名患者（来自四个中心），其中471名用于模型开发，1867名用于外部测试	未明确提及，可能为TensorFlow或PyTorch	ResNet50, InceptionV3	AUC	NA
332	2026-04-11	Machine and Deep Learning Reveal Sequence Determinants Encoding Bivalent Histone Modifications 2026-Apr-07, Communications biology IF:5.2Q1 DOI:10.1038/s42003-026-09962-8 PMID:41946881	研究论文	本文通过机器学习和深度学习揭示了编码双价组蛋白修饰的序列决定因素	首次利用机器学习模型基于k-mer序列特征准确区分双价与单价染色质区域，并通过深度学习进一步提升了预测准确性，发现了与多能性转录因子相关的特定基序及其在双价峰边界的位置特异性	研究主要基于小鼠胚胎干细胞数据，可能不直接适用于其他物种或细胞类型；序列特征的因果机制尚未完全阐明	探究双价染色质区域的序列特征及其在发育基因调控中的作用	小鼠胚胎干细胞中的双价组蛋白修饰（H3K4me3、H3K27me3、H3K9me3）区域	机器学习	NA	全基因组组蛋白修饰分析	机器学习模型, 深度学习模型	基因组序列数据	NA	NA	NA	预测准确性	NA
333	2026-04-11	Automatic detection of the fetal brain midsagittal plane on MRI using a deep learning pipeline 2026-Apr-07, American journal of obstetrics & gynecology MFM IF:3.8Q1 DOI:10.1016/j.ajogmf.2026.101962 PMID:41956321	研究论文	本文开发了一种基于深度学习的自动化管道，用于从胎儿脑部MRI扫描中自动检测胎儿脑部正中矢状面	提出了一种结合多任务2D U-Net和LightGBM分类器的深度学习框架，通过检测四个中线结构的可见性来自动识别胎儿脑部正中矢状面，并生成结构特异性概率图和切片级评分	研究仅基于正常脑部解剖的胎儿，且数据来自单一MRI序列（1.5 T单次激发快速自旋回波T₂加权序列），可能限制了模型的泛化能力	开发自动化工具以提升胎儿脑部MRI图像质量评估和标准化解剖评估的可靠性	胎儿脑部MRI扫描	医学影像分析	胎儿脑部发育	单次激发快速自旋回波T₂加权MRI序列	深度学习	MRI图像	432个胎儿脑部MRI堆栈（来自225个胎儿，孕周32周，四分位范围28-34周）	PyTorch, LightGBM	2D U-Net	AUC, 准确率, 灵敏度, 特异性, 定位准确度	NA
334	2026-04-11	Multicenter deep learning for multi-abnormality screening on hip radiographs: development, external validation, and assisted reader study 2026-Apr-06, Journal of advanced research IF:11.4Q1 DOI:10.1016/j.jare.2026.04.013 PMID:41951039	研究论文	本研究开发并验证了一个基于深度学习的模型，用于在髋部X光片上同时筛查多种异常，通过多中心数据集的训练和外部验证，展示了其在辅助诊断中的潜力	开发了一个能够同时筛查八种髋部异常（包括正常情况）的深度学习模型，结合了卷积块注意力模块、广义平均池化和类别平衡焦点损失等增强技术，并在多中心数据集上进行了外部验证和辅助读者研究	模型主要基于X光图像，可能无法检测所有类型的髋部异常；外部验证仅在一个医院进行，泛化能力需进一步验证；未涉及模型在实时临床环境中的长期影响评估	开发并验证一个深度学习模型，用于自动化筛查多种常见的髋部异常，以辅助临床诊断并提高筛查效率	髋部X光片（骨盆X光片）	计算机视觉	髋部疾病	X光成像	CNN	图像	训练和内部验证使用来自两家医院的25,908个髋部样本；外部验证使用来自第三家医院的4,600个髋部样本	未明确提及，可能为PyTorch或TensorFlow	ResNet-50	准确率, 宏AUC, 宏F1分数, 敏感性	未明确提及
335	2026-04-11	Challenges in translating AI-driven ASD/ADHD diagnosis: A methodological systematic review 2026-Apr-04, International journal of medical informatics IF:3.7Q2 DOI:10.1016/j.ijmedinf.2026.106417 PMID:41955914	系统综述	本文系统综述了利用深度学习驱动的计算机视觉进行生物医学信息学方法研究，以支持儿科神经发育障碍（如ASD和ADHD）的客观诊断决策	首次系统性地综合了多模态特征提取、深度学习架构、高性能策略及稳健数据集成挑战等生物医学信息学方法，并应用APPRAISE-AI框架评估方法学质量和偏倚	研究发现方法在可重复性（41.0%）和结果稳健性（45.1%）方面存在显著差距，且联邦学习和可解释AI技术应用不足	旨在为儿科神经发育障碍（NDDs）提供客观、数据驱动的诊断决策支持	专注于自闭症谱系障碍（ASD）和注意力缺陷/多动障碍（ADHD）等神经发育障碍	计算机视觉	神经发育障碍	深度学习驱动的计算机视觉	深度学习	多模态数据（如面部成像、EEG、fMRI）	基于43项Q1/Q2研究，具体样本量未在摘要中明确	NA	NA	特异性、敏感性	NA
336	2026-04-11	Street-view-measured greenspace components and childhood myopia: A population-based cross-sectional and prospective cohort study 2026-Apr-04, Environment international IF:10.3Q1 DOI:10.1016/j.envint.2026.110230 PMID:41955945	研究论文	本研究通过街景图像测量绿地组分，探讨其与儿童近视的关联	首次利用深度学习分割街景图像量化特定绿地组分（树木、草地、植物、田野），并构建时间加权“家-校”暴露指标，揭示了不同绿地组分与儿童近视的差异关联	研究为观察性设计，无法确定因果关系；绿地暴露测量基于静态街景图像，可能未完全捕捉动态变化；样本局限于香港地区，可能影响结果普适性	探究街景测量的绿地组分与儿童近视之间的关联	香港6至8岁儿童	计算机视觉	近视	深度学习分割	深度学习模型	街景图像	20,422名儿童（横断面研究），2,667名儿童（前瞻性队列研究）	NA	NA	比值比（OR），风险比（HR），95%置信区间（CI）	NA
337	2026-04-11	Imaging-derived biological age across multiple organs links to mortality and aging-related health outcomes 2026-Apr-03, npj aging IF:4.1Q2 DOI:10.1038/s41514-026-00377-7 PMID:41932933	研究论文	本文提出了一种基于深度学习的成像驱动框架，用于估计多个器官系统的生物年龄，并探讨其与死亡率和健康结局的关联	引入了一种纯粹基于成像的深度学习框架，用于跨七个器官系统估计器官特异性生物年龄，无需手动特征选择，并利用不确定性感知的ResNet模型自主学习衰老相关特征	研究主要基于UK Biobank数据，可能受限于特定人群和成像技术，且未明确讨论模型在其他数据集或临床环境中的泛化能力	开发一种成像驱动的生物年龄估计方法，以更全面地评估个体衰老轨迹，并预测死亡率和健康结局	70,000名UK Biobank参与者的成像数据，涵盖七个器官系统	计算机视觉	老年疾病	成像数据（如MRI、CT等）	CNN	图像	70,000名参与者	NA	ResNet	NA	NA
338	2026-04-11	A deep learning approach to assess transendothelial cell trafficking performance 2026-Apr-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-46045-4 PMID:41933074	研究论文	本研究开发了一种结合流式粘附实验与基于深度学习的AI分析方法，用于评估跨内皮细胞迁移性能	首次将流式粘附实验与基于Keras/TensorFlow的深度学习模型结合，实现细胞迁移阶段的高精度自动分类，准确率达91.6%，超越现有标准	未明确提及模型在更广泛疾病模型或细胞类型中的泛化能力验证	开发标准化、可扩展的AI工具以增强跨内皮迁移实验在疾病模型中的应用	健康供体和胰腺癌患者来源的T细胞	数字病理学	胰腺癌	活细胞成像技术	深度学习模型	图像	涉及健康供体和胰腺癌患者的T细胞样本，具体数量未明确	Keras, TensorFlow	未明确指定具体架构	准确率	未明确指定
339	2026-04-11	Integration of deep learning and radiomic features from multiplex immunohistochemistry images for reproducible Multi-Outcome prediction in a Multi-Center study of colorectal cancer 2026-Apr-03, International journal of medical informatics IF:3.7Q2 DOI:10.1016/j.ijmedinf.2026.106436 PMID:41955913	研究论文	本研究开发并验证了一个整合多路免疫组化图像中放射组学和深度学习特征的多模态机器学习框架，用于结直肠癌的多种预后预测	首次在多中心研究中结合放射组学特征和Vision Transformer提取的深度特征，通过特征融合和稳健性量化，实现了对结直肠癌多种临床结局的准确、可解释且可泛化的预测	研究为回顾性设计，可能受到选择偏倚的影响；仅使用了六种免疫标记物，可能未涵盖所有相关生物标志物	开发一个稳健的多模态机器学习框架，用于结直肠癌的全面预后预测	结直肠癌患者	数字病理学	结直肠癌	多路免疫组化	Vision Transformer, TabTransformer, XGBoost, TabNet, DeepSurv, CoxPH, RSF	图像	2,117名结直肠癌患者（来自七个中心，1,548例用于训练和内部测试，569例用于外部验证）	HistomicsTK, TensorFlow, PyTorch, Scikit-learn	ViT-B/16, TabTransformer, XGBoost, TabNet, DeepSurv	AUC, 宏AUC, C-index, 时间依赖性AUC	NA
340	2026-04-11	Learning with less supervision: A survey of label-efficient learning for medical image analysis 2026-Apr-02, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2026.104062 PMID:41955904	综述	本文系统综述了医学图像分析中标签高效学习方法的最新进展，并提出了一个全面的分类体系	首次系统地将医学图像分析中的标签高效学习方法归纳为四种标签范式（无标签、标签不足、标签不精确、标签精炼），并强调了健康基础模型对该领域的根本性变革	作为综述文章，主要局限在于未提出新的算法或模型，且对具体技术细节的深入分析有限	旨在为医学图像分析领域提供标签高效学习方法的统一视角，指导稳健、标签高效解决方案的开发和临床转化	医学图像分析中标签高效学习的相关研究，包括同行评审文献和有影响力的预印本	医学图像分析	NA	深度学习	NA	医学图像	NA	NA	健康基础模型	NA	NA