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
3421	2026-02-24	Histopathology images-based deep learning prediction of prognosis in primary mucinous ovarian carcinoma 2026, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2026.1704217 PMID:41727660	研究论文	本研究开发并验证了一种基于组织病理学图像的深度学习模型，用于原发性黏液性卵巢癌的精确预后预测和风险分层	首次将基于图的深度学习生存模型（结合GNN和Cox比例风险模型）应用于原发性黏液性卵巢癌的预后预测，并通过GNNExplainer实现模型预测的可解释性可视化	样本量相对较小（80例患者），且为回顾性研究，可能存在选择偏倚	开发并验证一个深度学习模型，以准确预测原发性黏液性卵巢癌的预后并进行风险分层	原发性黏液性卵巢癌患者的组织病理学切片	数字病理学	卵巢癌	组织病理学成像	图神经网络	图像	80例患者（148张全切片图像）	NA	图神经网络	C-index, 风险比, log-rank p值	NA
3422	2026-02-24	Automated bone age assessment in rare pediatric growth disorders: a comparative study using Deeplasia 2026, Frontiers in endocrinology IF:3.9Q2 DOI:10.3389/fendo.2026.1741927 PMID:41727682	研究论文	本研究验证了开源深度学习系统Deeplasia在罕见儿科生长障碍患者手部X光片骨龄评估中的准确性和一致性，并与多位专家评估者进行比较	首次在多种罕见综合征、内分泌及溶酶体贮积症儿科患者中验证自动化骨龄评估系统Deeplasia的泛化能力，并直接与多位人类专家评估者进行性能比较	研究为回顾性设计，样本来自多个中心但可能仍存在选择偏倚，且未涵盖所有罕见生长障碍类型	验证深度学习系统在罕见儿科生长障碍患者骨龄评估中的准确性和可靠性	患有SHOX缺乏症、努南综合征、Silver-Russell综合征、Ullrich-Turner综合征、假性甲状旁腺功能减退症、先天性肾上腺皮质增生症、性早熟及性早熟假性青春期（队列1），以及粘多糖贮积症I、II、III、IV、VI型、α-甘露糖苷贮积症和未分类溶酶体贮积症（队列2）的儿科患者	数字病理学	儿科生长障碍	手部X光摄影	深度学习模型	图像	1,138张手部X光片，来自多个医疗中心	NA	Deeplasia	平均绝对误差, 均方根误差, 1年准确率	NA
3423	2026-02-24	Automatic segmentation and labeling of T1, T7, and T12 thoracic vertebrae in neonatal chest radiographs: a deep learning approach using nnU-Net framework 2026, Frontiers in pediatrics IF:2.1Q2 DOI:10.3389/fped.2026.1673925 PMID:41727769	研究论文	本研究提出了一种基于nnU-Net框架的深度学习系统，用于在新生儿胸部X光片中自动分割和标记T1、T7和T12胸椎	首次在新生儿胸部X光片中应用nnU-Net框架进行胸椎的自动分割和标记，实现了高精度的定位	研究仅针对T1、T7和T12三个特定胸椎进行分割，未涵盖所有胸椎；数据集来自韩国10家大学医院，可能存在地域局限性	开发一种自动化系统，用于在新生儿胸部X光片中准确分割和标记胸椎，以辅助评估导管和管道的定位	新生儿胸部X光片	数字病理学	新生儿重症监护	胸部X光成像	CNN	图像	14,660张新生儿胸部X光片，来自10家韩国大学医院	nnU-Net	nnU-Net	Dice相似系数	NA
3424	2026-02-24	Real-time grading method of tunnel surrounding rock based on image recognition 2026, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2026.1766828 PMID:41728268	研究论文	提出了一种基于图像识别与轻量级深度学习的隧道围岩实时分级方法	结合图像处理与轻量级深度学习，构建了自动化管道，实现了隧道掌子面围岩特征的实时提取与分类	未明确说明模型在不同地质条件下的泛化能力及现场环境干扰（如光照、粉尘）对识别精度的影响	实现隧道施工过程中围岩的快速、准确分级	隧道围岩（岩性、硬度、强度、完整性）	计算机视觉	NA	图像采集、灰度转换、去噪、增强、归一化	CNN	图像	NA（未明确样本数量，仅提及工程现场测试）	NA	ShuffleNetV2	准确率（岩性分类85%、岩体完整性75%、整体围岩分级80%）	NA
3425	2026-02-24	Artificial intelligence-assisted diagnosis and histopathological grading of bladder cancer: current status, challenges, and future directions 2026, Frontiers in digital health IF:3.2Q2 DOI:10.3389/fdgth.2026.1708289 PMID:41728380	综述	本文系统回顾了人工智能在膀胱癌诊断和组织病理学分级中的应用现状、挑战及未来方向	全面总结了AI在膀胱癌诊断与分级中的多模态应用，并指出了数据质量、模型泛化性等关键挑战	作为综述文章，未涉及具体实验数据或模型性能的详细分析	探讨人工智能技术在膀胱癌诊断与分级领域的应用潜力与发展方向	膀胱癌的诊断与组织病理学分级	数字病理学	膀胱癌	NA	深度学习	图像, 分子标记数据	NA	NA	NA	NA	NA
3426	2026-02-24	Correction: Deep learning based optic nerve sheath diameter characterization and structure quantification on transorbital ultrasound images 2026, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2026.1790647 PMID:41728590	correction	本文是对先前一篇关于使用深度学习在经眼眶超声图像上量化视神经鞘直径和结构的文章的更正	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
3427	2026-02-24	Imaging pathways in spondyloarthritis: integrating radiography, ultrasonography, magnetic resonance imaging, low-dose computed tomography, and artificial intelligence methods : Radiology and AI in SpA 2025-12-15, Rheumatology international IF:3.2Q2 DOI:10.1007/s00296-025-06051-7 PMID:41396276	综述	本文综述了脊柱关节炎的影像学检查路径，整合了X线、超声、磁共振成像、低剂量CT及人工智能方法，并讨论了AI在诊断和管理中的应用	提出了一个整合多模态影像和AI辅助判读的当代诊断算法，并探讨了AI在提高脊柱关节炎诊断精度和个性化治疗中的新兴应用	AI部署成本高、存在医疗法律考量，且相关研究仍处于积极调查阶段	优化脊柱关节炎的早期检测和诊断流程，整合先进影像技术与人工智能方法	脊柱关节炎患者，特别是疑似中轴型脊柱关节炎的患者	医学影像分析	脊柱关节炎	X线摄影、超声、磁共振成像、低剂量计算机断层扫描	深度学习	影像数据（X线、CT、MRI）	NA	NA	NA	检测精度	NA
3428	2025-11-30	Integrative and deep learning-based prediction of therapy response in ovarian cancer 2025-Nov-28, Journal of experimental & clinical cancer research : CR IF:11.4Q1 DOI:10.1186/s13046-025-03554-w PMID:41316472	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
3429	2026-02-24	Explainable AI for Healthcare 2025-Oct-03, Studies in health technology and informatics DOI:10.3233/SHTI251454 PMID:41728714	综述	本文介绍了可解释人工智能（XAI）在医疗保健领域的基础概念、应用、挑战及未来研究方向	系统性地分析了XAI在医疗保健领域针对不同数据模态（如时间序列、医学文本、医学图像和音频数据）的独特需求、挑战和应用方法	讨论了当前在医疗保健环境中实施XAI的局限性，例如模型复杂性与可解释性之间的权衡、不同数据模态带来的特定挑战以及临床整合的障碍	探讨如何通过可解释性增强人工智能在医疗保健应用中的透明度、可信度和可靠性	医疗保健领域的人工智能模型，特别是用于疾病诊断、治疗规划、预测分析、个性化医疗和医学影像的模型	机器学习	NA	NA	NA	时间序列数据, 医学文本, 医学图像, 音频数据	NA	NA	NA	NA	NA
3430	2026-02-24	Deep Learning-Based Sleep Apnea Classification with Hybrid 1D-CNN-LSTM and 1D-CNN-GRU Models 2025-Oct-03, Studies in health technology and informatics DOI:10.3233/SHTI251462 PMID:41728721	研究论文	本研究提出了两种混合深度学习架构（1D-CNN-LSTM和1D-CNN-GRU），用于基于ECG信号的睡眠呼吸暂停分类	提出了结合1D-CNN与LSTM/GRU的混合架构，同时利用R-R间期和R波振幅作为输入特征，以捕捉ECG信号的空间和时间依赖性	研究仅使用PhysioNet Apnea-ECG数据库的数据，未在其他独立数据集上进行验证，且未详细说明模型的计算复杂度或实时部署的可行性	开发准确、自动化的睡眠呼吸暂停分类系统，以辅助早期诊断和实时监测	睡眠呼吸暂停患者的心电图（ECG）信号	机器学习	睡眠呼吸暂停	心电图（ECG）信号分析	CNN, LSTM, GRU	一维时序信号（ECG）	使用PhysioNet Apnea-ECG数据库中的ECG信号（具体样本数量未在摘要中说明）	NA	1D-CNN-LSTM, 1D-CNN-GRU	准确率, 灵敏度, 特异性, F1分数	NA
3431	2026-02-24	A Non Deep Learning based Method for Detection of Alopecia Areta and Segmentation of Scalp and Hair regions 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/EMBC58623.2025.11253220 PMID:41335644	研究论文	本文提出了一种基于经典图像处理算法的非深度学习方法，用于检测斑秃并分割头皮和头发区域	该方法可在单视角图像上执行，适用于内存受限的便携设备，并提供皮肤和头发区域的百分比分析，而不仅仅是二分类	缺乏Dermnet数据集中头发和皮肤分割的真实标注，需使用Figaro数据集进行评估	开发一种轻量级方法，用于辅助诊断和监测斑秃治疗	头皮图像，特别是与斑秃相关的皮肤和头发区域	计算机视觉	斑秃	经典图像处理算法	非深度学习模型	图像	Dermnet数据集和Figaro数据集	NA	NA	准确率	内存受限的便携设备
3432	2026-02-24	Performance Evaluation of Transfer Learning Based Medical Image Classification Techniques for Disease Detection 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/EMBC58623.2025.11253609 PMID:41335835	研究论文	本文全面评估了基于迁移学习的医学图像分类技术在疾病检测中的性能	对六种预训练模型在自定义胸部X光数据集上进行系统比较，并引入不确定性分析和运行时比较以评估模型鲁棒性和计算效率	研究仅基于自定义胸部X光数据集，未涵盖其他医学影像类型；模型选择有限，未包括最新架构	评估迁移学习技术在医学图像分类中用于疾病检测的性能	胸部X光图像	计算机视觉	NA	迁移学习	CNN	图像	NA	NA	AlexNet, VGG16, ResNet18, ResNet34, ResNet50, InceptionV3	准确率, 标准指标	NA
3433	2026-02-24	Deep learning based generation of 3D-maximum Intensity Projection (MIP) of MRA from T1-weighted MRI scans for Cerebrovascular Abnormalities Characterization 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/EMBC58623.2025.11253273 PMID:41335960	研究论文	本研究提出了一种基于U-Net框架的深度学习方法，用于从3D T1加权MRI扫描中合成3D最大强度投影MRA图像，以辅助脑血管异常的早期检测和表征	首次利用深度学习从常规T1加权MRI生成3D MIP-MRA图像，避免了传统MRA扫描时间长、可能需要造影剂的限制，并展示了模型在不同数据集上的高泛化能力和对扫描仪的不敏感性	研究主要基于公开数据集进行训练和测试，未在更大规模或更多样化的临床数据上进行验证；合成图像的质量（如SSIM为0.8219）仍有提升空间	开发一种从常规T1加权MRI合成3D MIP-MRA图像的方法，以促进脑血管疾病的早期检测、治疗评估和管理	脑血管异常，特别是血管狭窄和不连续性，用于早期血管疾病检测	医学影像分析	脑血管疾病	磁共振成像（MRI），磁共振血管造影（MRA）	CNN	3D医学影像（T1加权MRI和MIP-MRA）	使用IXI数据集进行训练和测试，并在Bullitt、Study Forrest、SIMON和ATLAS等多个独立数据集上进行评估	未明确提及，但基于U-Net框架	U-Net	峰值信噪比（PSNR），结构相似性指数（SSIM）	NA
3434	2026-02-24	Generative Forecasting of Brain Activity Enhances Alzheimer's Classification and Interpretation 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/EMBC58623.2025.11253394 PMID:41336569	研究论文	本研究通过生成式预测大脑活动，利用LSTM和Transformer模型增强阿尔茨海默病的分类和解释能力	引入生成式预测作为数据增强方法，并采用新型Transformer-based BrainLM模型进行多变量时间序列预测，以提升阿尔茨海默病分类性能	数据集规模有限，特别是针对阿尔茨海默病等疾病特定群体，可能限制深度学习模型的泛化能力	通过数据驱动方法理解认知与内在大脑活动的关系，并增强阿尔茨海默病的分类和解释	静息态功能磁共振成像（rs-fMRI）数据，特别是从独立成分网络导出的多变量时间序列	机器学习	阿尔茨海默病	静息态功能磁共振成像（rs-fMRI）	LSTM, Transformer	多变量时间序列数据	NA	NA	LSTM, BrainLM	分类性能	NA
3435	2026-02-24	Deep learning-based optic nerve diameter sheath characterization and structure quantification on transorbital ultrasound images 2025, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2025.1705459 PMID:41601796	研究论文	本文提出了一种基于深度学习的神经网络，用于在经眼眶超声图像上进行视神经鞘直径表征和结构量化	结合共享和特定特征提取分支以及不确定性感知损失函数，以学习鲁棒的物体结构，并在多中心公开数据集上表现出优越性能	NA	实现视神经的精确分割和视神经鞘直径的量化，以作为颅内压升高等神经眼科疾病的非侵入性评估生物标志物	经眼眶超声图像中的视神经结构	计算机视觉	神经眼科疾病	超声成像	深度学习神经网络	图像	多中心公开数据集	NA	结合共享和特定特征提取分支的深度神经网络	Dice分数, AUROC	NA
3436	2026-02-24	Non-genetic factors determine deep learning identified ECG differences between black and white healthy subjects 2025, NPJ cardiovascular health DOI:10.1038/s44325-025-00087-1 PMID:41080706	研究论文	本研究探讨了机器学习模型能否从健康黑人和白人个体的心电图中识别基于种族的差异，并探索了这些差异的起源	揭示了心电图中的种族相关模式主要由非遗传因素决定，并通过大规模多机构数据分析验证了这一点	研究主要关注黑人和白人群体，可能未涵盖其他种族或族裔群体，且社会经济状态的影响分析可能受数据限制	调查人工智能模型从心电图数据中检测种族差异的能力及其公平性影响	来自多个机构的约176万名健康受试者的约1000万条心电图轨迹	机器学习	心血管疾病	心电图分析	CNN	心电图信号	约176万名受试者，约1000万条心电图轨迹	NA	1层晚期融合CNN	AUC	NA
3437	2026-02-24	Anthropometry and diagnostic aware deep learning for exercise assessment 2025, Frontiers in medical technology IF:2.7Q3 DOI:10.3389/fmedt.2025.1725661 PMID:41725682	研究论文	提出一种结合人体测量和诊断信息的深度学习框架，用于评估力量训练动作的质量和风险	首次将人体测量和诊断特征与IMU运动学数据融合，通过注意力加权进行特征融合，提升动作分类和风险预测的准确性	样本量较小（仅15名健康受试者），且未在临床患者或更大样本人群中验证	开发一个多模态深度学习框架，以分类运动质量并预测运动相关风险	健康受试者进行正确和不正确的深蹲和罗马尼亚硬拉动作	机器学习	NA	IMU（惯性测量单元）数据采集	CNN, LSTM	运动学序列数据，静态人体测量/诊断数据	15名健康受试者	NA	CNN-LSTM分支与全连接分支融合，注意力加权	序列级准确率，二元风险预测准确率	NA
3438	2026-02-24	AI-based prediction of heart failure progression in persistent atrial fibrillation using wearable electrocardiography: a brief research report 2025, Frontiers in cardiovascular medicine IF:2.8Q2 DOI:10.3389/fcvm.2025.1748673 PMID:41727311	研究论文	本研究评估了利用可穿戴心电图和人工智能模型预测持续性房颤患者心力衰竭进展的可行性	首次结合可穿戴心电图特征与临床指标，采用上下文感知深度学习模型预测心力衰竭生物标志物变化趋势	样本量较小（仅50名患者），研究结果需要更大规模验证	评估基于可穿戴心电图和人工智能预测持续性房颤患者心力衰竭进展的可行性	持续性房颤患者	机器学习	心血管疾病	可穿戴心电图监测	LSTM, 注意力机制	心电图信号, 临床数据	50名持续性房颤患者	NA	上下文感知深度学习模型	RMSE, MAE, 准确率	NA
3439	2026-02-24	Failure Modes of Time Series Interpretability Algorithms for Critical Care Applications and Potential Solutions 2024, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:41726394	研究论文	本文系统分析了时间序列可解释性算法在重症监护应用中的失败模式，并提出了可学习的基于掩码的框架作为解决方案	针对动态时间序列预测任务，首次系统分析了梯度、遮挡和置换等传统可解释性方法的失败模式，并支持引入时间连续性和标签一致性约束的可学习掩码框架	NA	提高时间序列可解释性算法在重症监护等动态预测任务中的可靠性和一致性	重症监护患者的时间序列数据	机器学习	重症监护	NA	深度学习模型	时间序列数据	NA	NA	NA	NA	NA
3440	2026-02-24	HIBERT: A Hybrid Clustering BERT for Interpretable Opioid Overdose Risk Prediction 2024, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:41726407	研究论文	本文提出了一种名为HIBERT的混合BERT模型，用于预测阿片类药物过量风险，结合了Transformer模型与深度聚类技术	HIBERT通过集成针对不同电子健康记录特征类别的专用BERT模块，并引入深度显著性聚类，生成具有临床意义的风险分层，提高了模型的解释性	未在摘要中明确提及	开发高精度且可解释的阿片类药物过量风险预测模型，以支持早期干预和预防	电子健康记录数据	自然语言处理	阿片类药物过量	深度聚类	BERT, Transformer	文本	使用Health Facts数据库进行评估，具体样本量未在摘要中提及	NA	BERT	未在摘要中明确提及具体指标	NA