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
3581	2026-08-20	DisoPatho: A Cross-View Feature-Adaptive Interaction Encoding Framework for Predicting Disease-Associated Variants in Intrinsically Disordered Regions 2026-Aug-10, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.6c01455 PMID:42503799	研究论文	介绍DisoPatho，一个专门用于预测内在无序区域疾病相关变异的深度学习框架	提出了一种以变异位点为锚点的突变中心架构，以及跨视图自适应特征交互机制，整合IDR特异性能量表示和蛋白质语言模型嵌入，无需结构描述符、多序列比对或手工保守性评分	摘要中未明确提及局限性	提高内在无序区域疾病相关变异的预测准确性	内在无序区域（IDRs）中的疾病相关变异	深度学习	未指定特定疾病	蛋白质语言模型嵌入（xTrimoPGLM和Evolutionary Scale Modeling）	深度学习框架	蛋白质序列数据	多个IDR数据集，具体数量未在摘要中说明	未明确指定，可能使用PyTorch等	突变中心架构，跨视图自适应特征交互机制	AUC、ACC、MCC	未在摘要中提及
3582	2026-08-20	Prospective Comparison of Ultra-Low-Dose Versus Standard-Dose Computed Tomography for Esophageal Foreign Body Detection 2026-Aug-07, Journal of visualized experiments : JoVE DOI:10.3791/69349 PMID:42611821	研究论文	本研究旨在验证超低剂量CT在食管异物检测中相较于标准剂量CT的非劣效性，并量化辐射剂量与图像质量之间的权衡	首次通过前瞻性随机盲读研究比较超低剂量CT与标准剂量CT在食管异物检测中的非劣效性，结合深度学习和自适应统计迭代重建技术，并验证了辐射剂量降低超过60%的同时保持诊断准确性	研究为单中心设计，且未提及样本量计算的具体细节，结果可能需要多中心验证以增强普遍性	验证超低剂量CT在食管异物检测中的非劣效性并量化剂量-质量权衡	疑似食管异物摄入的患者，包括成人和儿童	医学影像	食管异物	计算机断层扫描（CT）	深度学习图像重建	医学图像	180名患者（120名成人，60名儿童）	NA	NA	AUC、敏感性、特异性、信噪比、诊断可接受性	NA
3583	2026-08-20	Hybrid Deep Learning with Attention-Based Interpretability for PM2.5 Forecasting in Delhi Urban Environments 2026-Aug-07, Journal of visualized experiments : JoVE DOI:10.3791/71004 PMID:42611843	研究论文	本文提出CORTA-Net，一种用于德里城市环境PM2.5预测的混合深度学习框架，整合多源环境数据并具备基于注意力的可解释性。	CORTA-Net的创新在于结合显式CorrXGBoost-Rank特征筛选、基于迁移学习的时间编码、MODIS火灾活动整合及多头注意力模型行为分析于单一可复现的PM2.5预测流程中。	未在摘要中明确提及局限性。	开发一种混合深度学习框架，以提高德里城市环境中短期PM2.5预测的准确性并提供模型解释性。	PM2.5浓度预测，研究对象为德里城市环境的空气污染数据。	机器学习	不适用	特征选择（CorrXGBoost-Rank）、迁移学习、时间序列预测	LSTM	空气质量观测数据、气象数据、卫星火灾数据（来自MODIS）	2012年至2024年的每小时数据，具体样本数量未在摘要中指定。	NA	LSTM编码器、多头注意力层	预测误差（如均方根误差RMSE）、交叉验证	NA
3584	2026-08-20	Multi-view Vision Mamba U-Shaped Network Framework for Medical Image Segmentation 2026-Aug-07, Journal of visualized experiments : JoVE DOI:10.3791/72616 PMID:42611862	研究论文	本文提出了一个用于二维医学图像分割的多视图视觉曼巴U形网络框架协议，包括数据获取、预处理、网络构建、训练和评估的完整流程。	该框架集成了多视图特征扫描以捕捉互补的空间、轮廓、尺度和边界信息，并在U形编码器-解码器架构内应用多阶段特征融合以改善分割特征整合。	文中未明确提及局限性。	提供一个可复现的基于多视图视觉曼巴U形网络的二维医学图像分割框架，并验证其在不同应用中的有效性。	公共皮肤病变和腹部器官分割数据集。	计算机视觉	皮肤病变,腹部器官疾病	NA	多视图视觉曼巴U形网络	图像	NA	NA	U形网络, 视觉曼巴, 多视图特征扫描	标准评估指标（如Dice系数等）	NA
3585	2026-08-20	Automated AI-based Mayo Endoscopic Scoring for ulcerative colitis across adult and pediatric cohorts from diverse populations 2026-Aug-05, Journal of Crohn's & colitis DOI:10.1093/ecco-jcc/jjag122 PMID:42611818	研究论文	开发并评估了一种基于深度学习的自动化Mayo内镜评分（MES）预测框架，用于不同地区和年龄段的溃疡性结肠炎患者	提出了UC-Re和UC-MES两个模型，并结合图像修复和傅里叶-空间图像协调技术，解决了跨机构数据集异质性问题，首次在成人和儿童队列中实现了标准化MES预测	需要前瞻性多中心验证，以确保在常规临床实施前的可靠性和泛化能力	开发并验证一种AI驱动的标准化MES预测系统，以提高溃疡性结肠炎内镜评估的一致性，并支持不同人群的临床决策	溃疡性结肠炎患者的内镜图像，来源包括成人（土耳其LIMUC数据集564例、中国TMC数据集308例）和儿童（美国EPC数据集80例）	数字病理学	溃疡性结肠炎	卷积神经网络（CNN）	CNN	图像	共952名患者，包括19,367张内镜图像：LIMUC（564名成人，11,276张图像）、TMC（308名成人，7,978张图像）、EPC（80名儿童，113张图像）	NA	卷积神经网络（具体架构未在摘要中指定）	AUC、F1-score、二次加权kappa（QWK）	NA
3586	2026-08-20	DeepGeSeq: deep learning library for genomic sequence modeling and analysis 2026-Aug-03, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btag584 PMID:42549891	研究论文	介绍DeepGeSeq，一个用户友好的深度学习库，用于基因组序列建模与分析，简化了深度学习工作流程并提供生物学解释功能	集成最先进的架构模块，通过简单配置文件和直观的智能体技能实现全流程自动化，支持多种应用场景如单细胞ATAC-seq建模和MPRA数据分析	未明确提及局限性，但可能受限于对特定数据类型和任务的优化程度	降低深度学习在基因组研究中的应用门槛，促进生物发现	基因组序列数据，包括合成数据集和用户自定义数据，涉及单细胞ATAC-seq和MPRA数据	机器学习，基因组学	不适用	深度学习，ATAC-seq，MPRA	深度学习模型（具体未指定，可能包括CNN等）	基因组序列数据、单细胞ATAC-seq数据、MPRA数据	未具体说明样本数量，包括合成数据集和用户自定义数据	不适用（未指定）	不适用（未指定，但可能包含多种架构）	未明确提及，但可能包括准确性、AUC等	不适用（未指定）
3587	2026-08-20	Image-guided spatial omics enhancement reveals hidden spatial microstructures 2026-Aug-03, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btag596 PMID:42568193	研究论文	提出了一种名为Bell的图像引导空间组学增强框架，通过自适应注意力机制动态融合组织学图像、空间坐标和低分辨率分子测量数据，以重建高保真空间微结构，并扩展至mmBell以处理复杂多组学数据的跨模态整合。	引入了模态无关的深度学习框架Bell，利用自适应注意力机制实现多模态灵活性和非线性建模，并扩展出mmBell，采用统一编码器结构实现跨模态集成，提升了可扩展性。	摘要未明确提及局限性。	解决空间组学中分辨率差距、数据稀疏性和噪声问题，提供高鲁棒性、可扩展的解决方案以深度解码复杂空间组织结构。	空间组学数据、组织学图像、多组学数据。	数字病理学	NA	NA	深度学习框架	图像、空间坐标、分子测量数据	超过10个空间平台和20个数据集	NA	NA	分辨率增强、噪声抑制	NA
3588	2026-08-20	Impact of Super-Resolution Deep Learning Reconstruction on Low-Dose CT in Patients with Central Venous Catheter or Central Venous Port 2026-Aug, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01726-w PMID:41152657	研究论文	本研究评估了超分辨率深度学习重建（SR-DLR）与混合迭代重建（HIR）在中心静脉导管或输液港患者低剂量CT图像质量中的影响	首次应用超分辨率深度学习重建技术于中心静脉导管相关低剂量CT成像，并证明其能显著降低图像噪声、改善伪影和血管显示质量，可能允许省略常规剂量主扫描	研究为回顾性设计，样本量未明确，且仅基于视觉评估和单点噪声测量，未评估诊断准确性或临床结局	评估SR-DLR对比HIR在中心静脉导管或输液港患者中低剂量CT图像质量的提升效果	中心静脉导管或中央静脉输液港患者	医学影像	NA	CT成像、超分辨率深度学习重建（SR-DLR）、混合迭代重建（HIR）	深度学习重建模型	CT图像	未明确（回顾性研究）	NA	超分辨率深度学习重建（SR-DLR）	图像噪声（标准差）、伪影、血管显示、血肿和导管位置评估（评分）	NA
3589	2026-08-20	Intelligent Diagnosis of Follicular Carcinoma Thyroid Cancer with a Novel Deep Learning Model 2026-Aug, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01723-z PMID:41168629	研究论文	本研究开发并验证了一种新型可解释的深度学习模型，利用肿瘤边缘特征来术前区分甲状腺滤泡癌和滤泡腺瘤	提出了一种端到端的图卷积网络，从超声图像块构建图表示，显式建模特征间的结构关系，特别是在肿瘤边界处，并使用最大编码率减少损失函数优化模型	未明确指出局限性	开发并验证一种利用关键诊断特征（肿瘤边缘）的深度学习模型，以提高甲状腺滤泡癌的术前诊断性能	甲状腺滤泡癌和甲状腺滤泡腺瘤患者	计算机视觉	甲状腺癌	超声成像	图卷积网络	图像	577名患者（435名女性，142名男性，平均年龄51.05±8.31岁），共4358张甲状腺超声图像	未明确指出	图卷积网络	准确率、AUC	未明确指出
3590	2026-08-20	Endoscopic Ultrasound of Pancreatic Tumors: A Dataset with Benchmarks for Convolutional Neural Network Classifiers 2026-Aug, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01729-7 PMID:41168630	研究论文	介绍了一个用于胰腺肿瘤分类任务的新型内镜超声图像数据集，并提供了基于卷积神经网络的基准测试结果	首次提出了一个包含7825张内镜超声图像、606名患者的大型数据集，并提供了分类、分割和可解释性分析的基准结果	分类性能与模型可解释性之间存在差距，需要进一步改进	推动胰腺癌计算机辅助诊断的研究，通过提供数据集和基准测试来支持深度学习模型的开发	胰腺肿瘤患者的内镜超声图像	计算机视觉	胰腺癌	内镜超声成像	卷积神经网络（CNN）	图像	7825张内镜超声图像，对应606名患者（175次含肿瘤检查，431次无肿瘤检查）	NA	EfficientNetV2, U-Net	准确率, AUC, Dice系数, Soft Dice分数	NA
3591	2026-08-20	ProtoMM: Interpretable Prototype-Based Multimodal Model for Brain Cancer Survival Prediction 2026-Aug, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01713-1 PMID:41168627	研究论文	提出了一种基于原型的多模态模型ProtoMM，用于脑癌生存预测，强调可解释性并达到与黑盒模型相当的性能。	首次将原型学习方法应用于多模态医学数据，引入聚合层和单例层两个原型层级，实现完全可解释的决策过程。	未提及具体局限性。	开发一个可解释的多模态深度学习模型，用于脑癌生存预测，以提高临床决策的信任度和可靠性。	脑癌患者的医学数据，包括多种模态（如影像、基因组等）。	深度学习	脑癌	NA	原型网络	多模态医学数据（影像、基因组等）	NA	NA	原型层（聚合层和单例层）	一致性指数（C-Index）	NA
3592	2026-08-20	Patch-Wise Approach with Vision Transformer for Detecting Implant Failure in Spinal Radiography 2026-Aug, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01724-y PMID:41184706	研究论文	本研究开发并验证了一种基于Vision Transformer的深度学习模型，用于检测脊柱放射影像中的植入物断裂，并评估其对放射科医生诊断性能的影响。	采用DINOv2模型先检测脊柱植入物，再分析224×224像素斑块进行分类的补丁级方法，显著提升了检测灵敏度，尤其是对经验不足的放射科医生。	精确度相对较低（0.37），可能产生较多假阳性；研究仅基于单一中心的回顾性数据。	开发并验证基于Vision Transformer的深度学习模型，用于早期检测脊柱植入物断裂，并评估其作为分诊工具对放射科医生诊断性能的提升效果。	脊柱放射影像中的植入物断裂检测，对象包括798名患者的9924张脊柱X光片（3492项研究）。	计算机视觉	脊柱植入物断裂	放射影像分析	Vision Transformer	图像	9924张脊柱X光片（3492项研究）来自798名患者，测试集包含1538张图像	PyTorch	DINOv2、ViT	准确率、F1分数、精确率、召回率、广义估计方程	NA
3593	2026-08-20	GMM-PA: Gaussian Mixture Model-Based Prototype Alignment for Multi-source Domain Adaptation in Polyp Segmentation 2026-Aug, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01730-0 PMID:41193917	研究论文	提出了一种基于高斯混合模型引导的原型对齐（GMM-PA）的多源域适应网络，用于鲁棒的跨域息肉分割	引入高斯混合模型以捕获多模态特征分布，解决以往单峰假设的局限；结合CNN-Mamba混合架构，兼顾局部与全局建模且计算成本较低；采用对抗学习策略促进域不变特征学习	未提及	解决息肉分割中因域偏移导致的模型性能下降问题，实现稳健的跨域分割	结肠镜图像中的息肉	计算机视觉	结直肠癌	图像预处理，包括LAB空间颜色变换和傅里叶变换低频谱交换	CNN-Mamba混合架构	图像	三个公开息肉分割数据集	NA	CNN-Mamba	Dice系数，mIoU	NA
3594	2026-08-20	Enhancing Dental Caries Classification with Adversarial Training on Bitewing Radiographs 2026-Aug, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01737-7 PMID:41212346	研究论文	本研究通过将投影梯度下降（PGD）对抗训练集成到ResNet模型中，增强基于咬翼X光片的龋齿分类性能，实验表明该方法显著提升了模型的准确性和鲁棒性	将PGD对抗训练方法应用于龋齿分类的ResNet模型，通过引入轻微扰动增强数据，提升模型的鲁棒性和分类性能	未明确提及局限性	提升基于咬翼X光片的龋齿分类准确性和鲁棒性，推动计算机辅助诊断工具在临床中的应用	咬翼X光片图像中的龋齿分类	计算机视觉	龋齿	NA	ResNet	图像	未提供具体样本量，但描述为咬翼X光片数据集	NA	ResNet-50	准确率、敏感度、特异性	NA
3595	2026-08-20	GFANet: Global Feature Attention Network for Polyp Segmentation 2026-Aug, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01734-w PMID:41214244	研究论文	提出一种名为GFANet的全局特征注意力网络，用于结肠息肉分割，通过三个创新模块提升分割性能	整合了全局特征方向编码器（GFDE）、特征注意力模块（FAM）和多尺度信息聚合（MIA）三个创新模块，分别解决几何方向信息缺失、小息肉敏感度低和多尺度融合不足的问题	未明确说明局限性，但可能包括对计算资源的需求和在不同临床环境中的泛化性验证不足	提高结肠息肉分割的准确性和鲁棒性，特别是在处理模糊边界、小息肉和多尺度变化方面	结肠息肉图像分割	计算机视觉	结直肠癌	深度学习	GFANet（全局特征注意力网络）	图像	五个公开数据集（如CVC-300和ETIS-LaribPolypDB），具体样本数量未提供	NA	GFANet，包含GFDE、FAM和MIA模块	平均Dice系数（mDice）、平均交并比（mIoU）	NA
3596	2026-08-20	Ensembling Vision Transformers and ResNet-50 for Interpretable Lung Cancer Diagnosis with Feature Fusion and XAI Techniques 2026-Aug, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01738-6 PMID:41233642	研究论文	提出一种结合ResNet-50和Vision Transformer的混合集成深度学习框架，用于肺癌组织病理学图像的分类，并集成可解释人工智能技术提高诊断透明度和准确性。	创新点在于混合集成架构，结合ResNet-50的层次化特征提取和ViT的全局上下文理解，通过特征融合形成2816维向量，并集成多学科可解释AI技术（如Grad-CAM、LIME、SHAP等）来提供诊断解释，增强模型的可信度。	摘要未明确提及局限性，可能包括依赖特定数据集、计算资源需求高、可解释性方法的主观性等。	开发一种准确、透明且临床可行的肺癌诊断系统，解决传统方法诊断不一致和限制问题。	肺癌组织病理学图像。	数字病理学、计算机视觉、机器学习	肺癌	组织病理学图像分析	混合集成模型（ResNet-50和Vision Transformer）	图像	未明确样本数量，但涉及多个测试集（交叉验证、保持测试集、独立测试集）。	未指定（可能使用TensorFlow或PyTorch，但未在摘要中提及）	ResNet-50, Vision Transformer (ViT), 全连接层	交叉验证准确率、保持测试集准确率、独立测试集准确率、重叠率（attention heatmaps与病理学家感兴趣区域的重叠）	未在摘要中提及（可能涉及GPU，但未指定）
3597	2026-08-20	Deep Learning Models for Radiomics-Based Segmentation of Vestibular Schwannoma on Magnetic Resonance Imaging: A Systematic Review and Meta-analysis 2026-Aug, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01757-3 PMID:41249667	系统综述和荟萃分析	本研究旨在系统评估基于深度学习的模型在磁共振成像放射组学分割前庭 Schwannoma（VS）中的性能。	首次对基于深度学习的VS分割模型进行系统综述和荟萃分析，评估其性能。	未提及	评估基于深度学习的VS分割模型的性能，以优化治疗策略和改善患者预后。	前庭 Schwannoma（VS）病变	医学影像分析	前庭 Schwannoma（VS）	磁共振成像（MRI）	深度学习模型	磁共振图像	41项研究，涉及8028例VS病例	NA	NA	平均Dice相似系数（DSC）	NA
3598	2026-08-20	Automated HFrEF Diagnosis Using an Optimized TimeSformer Model in Echocardiography 2026-Aug, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01758-2 PMID:41326877	研究论文	本研究提出了一种基于优化TimeSformer模型的超声心动图自动诊断射血分数降低型心力衰竭（HFrEF）的方法，并在基准数据集和临床数据集上验证了其性能提升。	首次将TimeSformer架构应用于超声心动图，并引入基于图像分割的左心室掩膜方法，以引导模型关注关键诊断区域。	未明确提及局限性，但可能受限于小样本和不平衡数据集。	提高超声心动图视频中HFrEF的自动检测性能，尤其在数据稀缺的临床环境中。	超声心动图视频，用于检测HFrEF。	计算机视觉	心力衰竭	超声心动图	Transformer	视频	大规模基准数据集和小规模专科临床数据集	PyTorch	TimeSformer	准确率, AUC	NA
3599	2026-08-20	Lung Disease Classification with Deep Learning Enhanced CNN Architecture in Chest X-Ray Imaging 2026-Aug, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01760-8 PMID:41326879	研究论文	提出一种利用离散小波变换增强的卷积神经网络架构，用于胸部X射线图像中肺部疾病的精确分割与多分类	采用离散小波变换替代传统最大池化进行下采样，结合U-Net++和注意力门控提升分割精度，并使用渐进生成对抗网络进行数据增强以处理有限和可变的数据	未在摘要中明确说明	提高胸部X射线图像中肺部分割和病理分类的准确性与鲁棒性	肺部X射线图像，包括正常、结核病、肺炎和COVID-19病例	计算机视觉	肺部疾病（包括结核病、肺炎、COVID-19）	离散小波变换、渐进生成对抗网络	卷积神经网络、U-Net++、DenseNet-201	胸部X射线图像	日本放射技术学会数据集（具体样本数未在摘要中提及）	未提及	U-Net++、注意力门控、DenseNet-201	准确率、Dice系数、精确率	未提及
3600	2026-08-20	Automatic Segmentation and Classification of Glioblastoma and Solitary Brain Metastasis Using a Deep Learning Model on Multiparametric MRI 2026-Aug, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01695-0 PMID:41326876	研究论文	基于多参数MRI的3D深度学习模型用于胶质母细胞瘤和孤立性脑转移瘤的自动分割与分类	开发了基于No-new-UNet的3D深度学习模型，实现自动分割和分类，并与2D深度学习、影像组学及不同经验水平的放射科医师进行对比，展示了辅助诊断的性能提升	未明确提及具体局限性，但可能包括样本来源限制、多中心泛化性需进一步验证等	构建并评估基于多参数MRI的3D深度学习模型，用于胶质母细胞瘤和孤立性脑转移瘤的自动分割与分类，并探讨其对放射科医生诊断准确性的提升作用	胶质母细胞瘤和孤立性脑转移瘤患者的MRI图像	医学影像分析	脑肿瘤（胶质母细胞瘤、孤立性脑转移瘤）	多参数MRI	3D深度学习模型（nnU-Net）	MRI图像（多参数）	314例患者（来自一个医疗中心和两个公共数据集）	NA	No-new-UNet (nnU-Net), 3D DL, 2D DL	Dice得分, 曲线下面积	NA