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
3601	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
3602	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
3603	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
3604	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
3605	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
3606	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
3607	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
3608	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
3609	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
3610	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
3611	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
3612	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
3613	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
3614	2026-02-24	A Treatment Selection Model for Opioid Use Disorder Using Electronic Health Record and ZIP-Level Data 2024, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:41726412	研究论文	本文开发了一个预测模型，用于指导阿片类药物使用障碍（OUD）的治疗选择，基于电子健康记录（EHR）和ZIP级别数据	结合EHR和ZIP级别数据，采用早期和晚期融合方法构建多种机器学习模型，以预测OUD治疗反应概率	ZIP级别数据未显著提升EHR-only模型的性能，未来需探索更有效的方法来建模OUD治疗反应及捕捉社会与外部因素	开发预测模型以指导阿片类药物使用障碍（OUD）的治疗选择，提高治疗效率	阿片类药物使用障碍（OUD）患者	机器学习	阿片类药物使用障碍	电子健康记录（EHR）分析，ZIP级别数据分析	广义线性回归，随机森林，梯度提升机，深度学习	电子健康记录（EHR），ZIP级别数据	NA	NA	NA	NA	NA
3615	2026-02-24	No Black Box Anymore: Demystifying Clinical Predictive Modeling with Temporal-Feature Cross Attention Mechanism 2024, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:41726437	研究论文	本文提出了一种名为TFCAM的新型深度学习框架，用于提升临床预测任务的准确性和可解释性	提出了TFCAM框架，通过时间-特征交叉注意力机制捕捉临床特征在时间维度上的动态交互，实现了多层次的模型可解释性	仅针对慢性肾病这一种疾病进行了验证，样本量为1,422例患者	解决深度学习模型在临床预测中的可解释性问题	慢性肾病患者	机器学习	慢性肾病	NA	Transformer, LSTM	临床时间序列数据	1,422名慢性肾病患者	NA	TFCAM, LSTM, RE-TAIN	AUROC, F1-score	NA
3616	2026-02-24	Predicting Chemotherapy-Related Symptom Deterioration Using Hybrid Deep Learning Architecture 2024, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:41726450	研究论文	本研究利用混合深度学习架构预测化疗患者症状恶化，以支持主动干预和改善临床结果	采用CNN-LSTM混合架构结合局部时间窗口模式和长期时间依赖，针对高类别不平衡数据通过聚合3-7天症状日志提升预测性能	未提及模型在外部验证或不同患者群体中的泛化能力，且数据基于自我报告可能存在偏差	预测化疗相关症状恶化，实现早期检测和临床决策支持	接受化疗的个体及其每日自我报告的症状日志	机器学习	癌症	深度学习	CNN, LSTM	文本日志	未明确样本数量，但涉及每日症状日志数据	未指定	CNN-LSTM	准确率, 精确率, 召回率, F1分数, AUC	未提及
3617	2026-02-24	Opportunistic Screening for Pancreatic Cancer using Computed Tomography Imaging and Radiology Reports 2024, AMIA ... Annual Symposium proceedings. AMIA Symposium PMID:41726519	研究论文	本研究通过整合放射学报告和CT影像，利用深度学习融合模型预测胰腺导管腺癌的风险和生存率	首次将放射学报告与CT影像通过深度学习融合模型结合，用于胰腺癌的风险预测和生存分析	未详细说明模型在更广泛人群或不同医疗中心中的泛化能力，以及可能的数据偏差	利用临床和影像数据，通过深度学习模型进行胰腺癌的早期检测和预后建模	胰腺导管腺癌（PDAC）患者	数字病理学	胰腺癌	CT成像	深度学习融合模型	图像, 文本	内部和外部数据集，具体样本数量未提供	NA	DeepSurv	C-index	NA
3618	2026-02-24	Accelerated Brain Aging and Cerebral Blood Flow Reduction in Persons With Human Immunodeficiency Virus 2021-11-16, Clinical infectious diseases : an official publication of the Infectious Diseases Society of America IF:8.2Q1 DOI:10.1093/cid/ciab169 PMID:33621317	研究论文	本研究通过MRI生物标志物比较了不同病毒载量的HIV感染者与未感染者的脑老化差异，发现脑血流与年龄和病毒载量相关，而结构老化与认知功能下降相关	首次系统比较了不同病毒载量HIV感染者的脑老化特征，揭示了脑血流与结构老化的不同影响因素	横断面研究设计无法确定因果关系，样本量相对有限	探究HIV感染对脑老化的影响及其与病毒载量的关系	HIV感染者（分为可检测和不可检测病毒载量两组）与HIV未感染者	医学影像分析	人类免疫缺陷病毒感染	磁共振成像，动脉自旋标记，神经心理学测试	深度学习算法	MRI图像，神经心理学测试数据	529人（230名不可检测病毒载量HIV感染者，93名可检测病毒载量HIV感染者，206名HIV未感染者）	NA	公开可用的深度学习算法（具体架构未说明）	P值	NA
3619	2026-02-23	Adaptive sampling for efficient Lamb wavefield reconstruction in composite laminates with Spatial-Temporal Masked AutoEncoder 2026-Jun, Ultrasonics IF:3.8Q1 DOI:10.1016/j.ultras.2026.107972 PMID:41592361	研究论文	本文提出了一种基于深度学习的方法，利用时空掩码自编码器（STMAE）从高度欠采样的波场数据中重建复合材料层压板中的完整兰姆波场数据	提出了一种新颖的基于贝叶斯优化的扫描路径优化方法，生成自适应稀疏空间采样模式，并与STMAE结合形成AdaSTMAE，从而在损伤区域周围实现更低的波场预测误差	未明确说明方法在更广泛工程场景或不同材料类型中的适用性限制	开发一种高效、可靠的兰姆波场数据重建方法，以提升非接触式扫描激光多普勒测振仪（SLDV）在碳纤维增强塑料（CFRP）无损检测中的实用性	碳纤维增强塑料（CFRP）层压板中的兰姆波场数据	机器学习	NA	超声兰姆波测试（ULWT），扫描激光多普勒测振仪（SLDV）	自编码器（AutoEncoder）	时间序列高稀疏度兰姆波场数据	NA	NA	时空掩码自编码器（STMAE），自适应时空掩码自编码器（AdaSTMAE）	重建误差	NA
3620	2026-02-23	DeepHSI: A transferable and expandable hyperspectral framework for industrial plant origin identification: A case study of Pogostemon cablin (Blanco) Benth 2026-Jun-01, Talanta IF:5.6Q1 DOI:10.1016/j.talanta.2026.129474 PMID:41621286	研究论文	本研究提出了一种基于高光谱图像和深度学习的快速通用方法DeepHSI，用于识别广藿香的产地，并结合代谢组学和转录组学分析验证其可行性	开发了可迁移和可扩展的高光谱框架DeepHSI，通过多批次数据训练和迁移学习展示通用性，并引入简化的多产地识别模型融合机制以支持实际应用扩展	NA	实现广藿香产地的快速、无损识别，以支持质量控制、防伪和真实性验证	广藿香（Pogostemon cablin (Blanco) Benth）	计算机视觉	NA	高光谱成像（HSI）、代谢组学分析、转录组学分析	深度学习模型	高光谱图像	来自三个主要产地的广藿香样本，在三个实验批次条件下收集数据	NA	NA	NA	NA