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
3821	2026-04-04	Artificial intelligence support for diagnosis of neurodevelopmental disorders during childhood: an umbrella review 2026, Frontiers in psychiatry IF:3.2Q2 DOI:10.3389/fpsyt.2026.1697185 PMID:41929366	综述	本文是一篇伞状综述，旨在综合评估人工智能在儿童神经发育障碍诊断中的应用证据	首次通过伞状综述的形式，系统性地汇总了关于AI在多种儿童神经发育障碍（如ASD、ADHD）诊断中应用的系统综述和荟萃分析证据，并评估了其方法学质量	纳入研究的方法学质量普遍较低（80%为极低质量），缺乏外部验证、数据收集和模型开发标准化不足，以及报告不一致	评估人工智能作为辅助工具，在儿童神经发育障碍早期诊断中的潜力和现有证据	儿童神经发育障碍，包括自闭症谱系障碍、注意缺陷多动障碍、智力障碍、沟通障碍、发育性协调障碍和特定学习障碍	机器学习	神经发育障碍	NA	支持向量机, 人工神经网络, 卷积神经网络	神经影像, 电生理, 临床/社会人口学, 运动/传感器数据	NA	NA	NA	诊断准确率	NA
3822	2026-04-04	Biologically informed dual deep learning for skeletal maturity prediction in pediatrics 2026, Frontiers in radiology DOI:10.3389/fradi.2026.1774498 PMID:41929406	研究论文	本文提出了一种基于生物学信息的双深度学习框架，用于儿科骨骼成熟度预测	结合生物学先验知识与双神经网络架构，通过整合已发表的生理数据来概念性地支持骨龄预测，相比传统AI模型能提高训练稳定性、减少预测变异性并更好地对齐正常生长轨迹	仅基于模拟和概念分析，未收集新的人类或动物数据，未来需在真实世界影像数据集上验证并评估其临床集成	开发一种准确、可解释且高效的骨龄估计方法，以改进临床诊断、法医评估和生长研究	儿科骨骼成熟度预测，基于公开可用的放射影像数据集	计算机视觉	NA	深度学习	双神经网络	放射影像	NA	NA	NA	NA	NA
3823	2026-04-04	Deep learning based approach for Behavior classification in diagnoses of Autism Spectrum Disorder using naturalistic videos 2026, Frontiers in computational neuroscience IF:2.1Q3 DOI:10.3389/fncom.2026.1626315 PMID:41929585	研究论文	本研究提出一种基于深度学习的模型，利用自然主义视频对自闭症谱系障碍（ASD）中的行为进行分类，以辅助诊断	提出了一种结合CNN和GRU的深度学习模型，用于从非结构化日常活动视频中提取时空特征，以分类自闭症相关行为，并在公开数据集上表现出优于其他模型的性能	研究依赖于公开数据集，可能未涵盖所有自闭症行为类型；模型在真实世界未控制视频中的泛化能力需进一步验证	开发一种基于视频行为分析的自动化工具，以辅助自闭症谱系障碍的快速、准确筛查	自闭症谱系障碍儿童在非结构化日常活动中的行为视频	计算机视觉	自闭症谱系障碍	视频行为分析	CNN, GRU, LSTM	视频	使用公开的多类自我刺激行为数据集（SSBD），具体样本数量未在摘要中明确说明	NA	CNN-GRU, 3D-CNN + LSTM, MobileNet, VGG16, EfficientNet-B7	准确率	NA
3824	2026-04-04	Towards practical application of deep learning in diagnosis of Alzheimer's disease 2026 Jan-Dec, Journal of Alzheimer's disease reports DOI:10.1177/25424823261415808 PMID:41929976	研究论文	本研究探索了深度学习模型在阿尔茨海默病不同阶段诊断中的实际应用	设计了全脑3D版本的知名2D CNN架构，并用于多阶段AD诊断，同时通过模型集成提升了性能	计算复杂度高、训练时间长、标记数据集有限，因此全脑3D CNN不常用，许多研究依赖2D变体	探索深度学习在阿尔茨海默病诊断中的实际应用，以改进疾病治疗和预防	阿尔茨海默病患者在不同疾病阶段的脑部数据	计算机视觉	阿尔茨海默病	NA	CNN	图像	超过1500个全脑体积数据用于模型训练和评估	NA	3D CNN	分类准确率	NA
3825	2026-04-04	Urological diagnostics based on kidney stone detection in CT imaging using YOLOv8 deep learning framework 2026, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2026.1702159 PMID:41930103	研究论文	本研究评估了四种深度学习目标检测模型在CT图像中自动检测肾结石的性能	首次在肾结石CT检测中系统比较了YOLOv8、YOLOv5、Faster R-CNN和RetinaNet四种模型，并强调了YOLOv8在准确性与实时性之间的最佳平衡	研究仅基于4,000张标注CT切片和170名患者的数据集，可能需要进行更大规模和多中心的验证	评估深度学习目标检测模型在CT图像中自动检测肾结石的性能，以辅助泌尿科诊断	肾结石	计算机视觉	肾结石病	非对比计算机断层扫描（CT）	目标检测模型	CT图像	170名患者的4,000张标注CT切片	PyTorch	YOLOv8, YOLOv5, Faster R-CNN, RetinaNet	mAP@0.5, 精确率, 召回率, 假阳性率, 假阴性率, 推理速度	NA
3826	2026-04-04	Classification of pediatric dental diseases from panoramic radiographs using natural language transformer and deep learning models 2026, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2026.1754498 PMID:41930217	研究论文	本研究提出了一种基于文本驱动的框架，利用自然语言Transformer从全景X光片生成结构化文本描述，并通过深度学习模型进行儿科牙科疾病的分类	首次将自然语言Transformer应用于全景X光片生成文本描述，并比较文本驱动与图像驱动深度学习模型在儿科牙科疾病分类中的性能	模型在不同疾病类型间的泛化能力存在不一致性，需要更大、更多样化的数据集来验证临床适用性	探索文本驱动方法作为传统图像驱动深度学习替代方案，用于儿科牙科疾病的准确分类	儿科牙科疾病的全景X光片	自然语言处理,计算机视觉	儿科牙科疾病	全景X光成像	1D-CNN, LSTM, BERT, CNN	图像,文本	未明确说明	未明确说明	1D-CNN, LSTM, BERT, 预训练CNN	准确率,敏感性	未明确说明
3827	2026-04-04	Mamba-enhanced codebook learning with anatomical constraints for liver and tumor segmentation in 3D CT volumes 2026, Frontiers in medical technology IF:2.7Q3 DOI:10.3389/fmedt.2026.1708094 PMID:41930224	研究论文	提出一种用于3D CT图像中肝脏和肿瘤分割的端到端分层网络，集成了多尺度上下文建模、全局关系学习和结构化特征表示	首次将新兴的Mamba架构引入3D医学图像分割，用于建模跨切片的远程依赖关系；提出可学习的码书模块量化高维特征为语义原型；结合解剖学先验知识（肿瘤必须位于肝脏内）通过包含损失函数显式正则化分割输出	仅在公开的LiTS数据集上进行验证，需要更多外部数据集验证泛化能力；未讨论计算效率与实时性；解剖学约束仅考虑了空间包含关系，可能忽略其他解剖学先验	提高3D CT图像中肝脏和肿瘤分割的准确性和可靠性，以辅助临床诊断和治疗规划	3D CT扫描图像中的肝脏及其肿瘤	数字病理学	肝癌	CT扫描	深度学习网络	3D CT图像	使用公开LiTS数据集（具体样本数量未在摘要中说明）	NA	分层网络，包含多尺度纹理编码器、基于Mamba架构的全局关系表示模块、可学习码书模块	Dice分数，体积重叠误差（VOE），边界度量（ASD，95HD）	NA
3828	2026-04-04	Next-generation viral detection through AI-enhanced nanotechnology: advances, challenges, and future directions 2026, Frontiers in molecular biosciences IF:3.9Q2 DOI:10.3389/fmolb.2026.1750124 PMID:41930247	综述	本文综述了人工智能与纳米技术结合在病毒检测中的最新进展、挑战及未来方向	探讨AI与纳米技术协同作用，实现实时病毒预测、监测和管理，提升检测系统的灵敏度和个性化	仍需大量临床验证和监管成熟，面临数据隐私、算法偏见和监管障碍等挑战	探索AI与纳米技术集成作为变革性方法，用于病毒检测和公共卫生响应	病毒检测系统，包括病毒突变识别、爆发轨迹预测和复杂病毒学数据分析	机器学习	NA	纳米传感器、纳米颗粒诊断、芯片实验室设备	机器学习, 深度学习	复杂病毒学数据	NA	NA	NA	NA	NA
3829	2026-04-04	Fully Automated Stain Quantification Framework for IHC Whole Slide Images in Breast Cancer 2026 Jan-Dec, Technology in cancer research & treatment IF:2.7Q3 DOI:10.1177/15330338251407734 PMID:41930704	研究论文	本文提出了一种用于乳腺癌IHC全玻片图像的全自动、分区特异性H评分框架	开发了一个包含肿瘤-间质分割、细胞核分割和H评分估计三个深度学习模块的全自动框架，其性能与病理专家相当，并支持灵活配置以平衡准确性与计算效率	框架在87个专家标注的patch上进行微调，样本量相对有限；外部验证中CD73评分的平均绝对误差为21±10，显示在某些评分上存在误差范围	开发一个全自动、可重复的IHC评分框架，以减少人工评分的耗时和观察者间/内变异性，支持乳腺癌的诊断和治疗决策	乳腺癌的免疫组化全玻片图像	数字病理学	乳腺癌	免疫组化	深度学习	图像	87个专家标注的patch用于微调，100个专家标注的WSI用于内部验证，并进行了外部验证	NA	NA	Spearman等级相关系数, 准确率, 平均绝对误差	NA
3830	2026-04-04	Exploring the Terra incognita of AI-based domain classifications 2025-Dec, Protein science : a publication of the Protein Society IF:4.5Q1 DOI:10.1002/pro.70392 PMID:41288334	研究论文	本研究探索了基于人工智能的蛋白质结构域分类中的未知领域，特别是针对新型蛋白质折叠的分类挑战	整合结构、进化和上下文信息来解析具有挑战性的折叠分配，并扩展蛋白质分类框架至未探索的结构领域	研究中部分候选新型折叠结构域可能源于结构域边界预测错误，如截断序列或紧密堆积的结构域重复	解决结构生物信息学中新型蛋白质折叠分类的核心挑战，尤其是在深度学习模型如AlphaFold2极大扩展预测蛋白质结构宇宙的背景下	来自TED数据库的664个候选新型折叠结构域，这些结构域在结构上多样且基本非冗余，大多缺乏与已知折叠的清晰序列或结构相似性	结构生物信息学	NA	深度学习模型（如AlphaFold2）、结构生物信息学方法	深度学习模型	蛋白质结构数据	664个候选新型折叠结构域	NA	AlphaFold2	NA	NA
3831	2026-04-04	Automated Deep Learning-based Segmentation of the Dentate Nucleus Using Quantitative Susceptibility Mapping MRI 2025-11, Radiology. Artificial intelligence DOI:10.1148/ryai.240478 PMID:40767617	研究论文	开发了一种基于深度学习的齿状核自动分割工具，应用于脑部定量磁化率成像	提出了一种两步式（定位+分割）深度学习流程，在多个外部数据集上验证了其泛化能力，并公开了模型	研究为回顾性设计，样本年龄范围有限（11-64岁），且仅包含特定疾病群体	开发一种从脑部QSM图像中自动、准确分割齿状核的工具	健康对照者以及小脑性共济失调或多发性硬化症患者的脑部QSM图像	医学图像分析	小脑性共济失调，多发性硬化症	定量磁化率成像	CNN	3D MRI图像	328名个体（141名健康人，187名患者），来自9个不同数据集	nnU-Net	nnU-Net	Dice分数，组内相关系数，皮尔逊相关系数	NA
3832	2026-04-04	Leveraging AI to explore structural contexts of post-translational modifications in drug binding 2025-May-04, Journal of cheminformatics IF:7.1Q1 DOI:10.1186/s13321-025-01019-y PMID:40320551	研究论文	本文利用AI技术探索翻译后修饰在药物结合中的结构背景，通过大规模建模分析PTMs对药物结合的影响	首次大规模应用AI驱动的蛋白质结构预测工具（如AlphaFold3）生成PTM修饰蛋白质与配体结合的模型，并构建了首个提供小分子结合相关PTMs结构背景的资源数据库	方法准确性评估需要更大的基准测试集，当前模型的精确度有待进一步验证	探索翻译后修饰在药物结合中的结构影响，以促进药物发现	人类蛋白质中的小分子结合相关翻译后修饰	计算生物学	癌症	AI驱动的蛋白质结构预测与分子对接模拟	深度学习	蛋白质结构数据	6,131个已识别的PTMs，映射到ECOD数据库的结构域，生成了14,178个PTM修饰蛋白质模型	AlphaFold3, RoseTTAFold All-Atom, Chai-1	深度学习蛋白质结构预测模型	NA	未明确指定，但提及了计算能力的进步和AI工具的使用
3833	2026-04-04	Spatial transcriptomic clocks reveal cell proximity effects in brain ageing 2025-02, Nature IF:50.5Q1 DOI:10.1038/s41586-024-08334-8 PMID:39695234	研究论文	本研究构建了一个空间分辨的单细胞转录组大脑图谱，并开发了空间衰老时钟模型，以揭示细胞邻近效应对大脑衰老的影响	首次开发了基于空间转录组数据的空间衰老时钟模型，能够识别衰老、年轻化和疾病的空间及细胞类型特异性转录组特征，并发现了T细胞和神经干细胞对邻近细胞的显著邻近效应	研究仅基于小鼠模型，尚未在人类样本中验证；空间转录组技术的分辨率可能限制对某些细胞相互作用的精确解析	研究大脑衰老过程中细胞间相互作用及其对组织功能衰退的影响	成年小鼠大脑中的420万个细胞，涵盖20个不同年龄阶段	空间转录组学	神经退行性疾病	空间分辨单细胞转录组测序	机器学习模型, 深度学习模型	空间转录组数据	420万个细胞，来自20个不同年龄的成年小鼠大脑	NA	空间衰老时钟	NA	NA
3834	2026-04-04	Analyzing the impact of social security systems on video-based public health surveillance 2025, Frontiers in public health IF:3.0Q2 DOI:10.3389/fpubh.2025.1684291 PMID:41929396	研究论文	本研究提出了一种结合社会安全系统影响的视频公共卫生监测框架，旨在通过深度学习模型改进时空健康监测	开发了分层流行病学变换器（HET）架构，并引入了政策感知动态校准机制（PDCM），以整合实时政策信号和统计偏差，动态调整预测	未明确提及具体的数据集规模或模型泛化能力的详细限制	整合治理结构与健康信息学，改进视频公共卫生监测系统，以更响应和公平地应对流行病异常	视频监测数据中的公共卫生指标、人口多样性和政策驱动干预措施	计算机视觉	公共卫生	视频监测	Transformer	视频	多个公共卫生视频监测数据集，涵盖不同城市区域和政策设置	NA	分层流行病学变换器（HET）	敏感性	NA
3835	2026-04-04	Predicting Therapeutic Response to Hypoglossal Nerve Stimulation Using Deep Learning 2024-12, The Laryngoscope DOI:10.1002/lary.31609 PMID:38934474	研究论文	本研究开发并验证了基于药物诱导睡眠内窥镜图像的机器学习和深度学习模型，用于预测舌下神经刺激器植入的治疗效果	首次利用深度学习模型从药物诱导睡眠内窥镜图像中预测舌下神经刺激器的治疗效果，并发现腭咽部图像具有更高的预测准确性	研究为单中心回顾性分析，样本量有限（127名患者），缺乏多中心验证，可能影响模型的泛化能力	开发能够预测舌下神经刺激器治疗效果的图像分析模型，以优化患者选择	接受药物诱导睡眠内窥镜检查并随后植入舌下神经刺激器的患者	计算机视觉	睡眠呼吸障碍	药物诱导睡眠内窥镜	深度学习, 机器学习	图像	127名患者的25,040张图像（其中16,515张来自响应者，8,262张来自非响应者）	NA	VGG-16	准确率, 精确率, 召回率, F1分数	NA
3836	2026-04-04	Multi-Instance Learning for Vocal Fold Leukoplakia Diagnosis Using White Light and Narrow-Band Imaging: A Multicenter Study 2024-10, The Laryngoscope DOI:10.1002/lary.31537 PMID:38801129	研究论文	本研究开发了一种基于多实例学习的人工智能模型，融合白光成像和窄带成像图像，用于区分声带白斑的良恶性	首次将多实例学习方法与白光成像和窄带成像模态结合，用于声带白斑的诊断，并在多中心数据上进行验证	模型仍需进一步优化和验证以全面评估其临床潜力	开发人工智能模型以辅助声带白斑的良恶性诊断	声带白斑患者的内窥镜图像	计算机视觉	喉癌	白光成像, 窄带成像	深度学习	图像, 视频	426名患者的7057张图像用于内部验证，另有两家医院的1617张图像用于外部验证，以及50个前瞻性收集的视频	NA	NA	AUC, 准确率	NA
3837	2026-04-04	Artificial Intelligence Outcome Prediction in Neonates with Encephalopathy (AI-OPiNE) 2024-09, Radiology. Artificial intelligence DOI:10.1148/ryai.240076 PMID:38984984	研究论文	本研究开发了一种深度学习算法，利用新生儿脑部MRI和基本临床数据，预测缺氧缺血性脑病患儿2年后的神经发育结局	首次将多序列MRI（T1加权、T2加权、扩散张量成像）与基本临床变量结合，通过深度学习模型预测新生儿缺氧缺血性脑病的长期神经发育结局，并在分布内和分布外测试集上进行了验证	研究为回顾性分析，样本量相对有限（414例），且仅来自17个机构，模型性能（AUC 0.74-0.77）仍有提升空间，未详细说明模型的具体架构细节	开发预测新生儿缺氧缺血性脑病2年神经发育结局的深度学习算法	足月缺氧缺血性脑病新生儿	数字病理学	新生儿脑病	MRI（T1加权、T2加权、扩散张量成像）	CNN	图像（MRI）、临床数据	414例新生儿（来自17个机构）	NA	NA	AUC, 准确率	NA
3838	2026-04-04	Causal-StoNet: Causal Inference for High-Dimensional Complex Data 2024-May, ... International Conference on Learning Representations PMID:41725678	研究论文	本文提出了一种名为Causal-StoNet的新方法，用于处理高维复杂数据的因果推断问题	结合稀疏深度学习理论和随机神经网络，以统一方式处理高维性和未知数据生成过程，并支持缺失值	未在摘要中明确说明	解决高维复杂数据中的因果推断问题	高维复杂数据集，可能包含缺失值	机器学习	NA	深度学习技术，包括稀疏深度学习和随机神经网络	随机神经网络	高维复杂数据	未在摘要中明确说明	未在摘要中明确说明	未在摘要中明确说明	未在摘要中明确说明	未在摘要中明确说明
3839	2026-04-04	Deep learning to assess right ventricular ejection fraction from two-dimensional echocardiograms in precapillary pulmonary hypertension 2024-04, Echocardiography (Mount Kisco, N.Y.) DOI:10.1111/echo.15812 PMID:38634241	研究论文	本研究开发了一种基于深度学习的全自动工具，用于从二维超声心动图视频中估计右心室射血分数，以评估毛细血管前肺动脉高压患者的右心室收缩功能	首次利用3D-ResNet50模型从二维超声心动图视频中全自动估计右心室射血分数，无需人工干预，诊断性能与经验丰富的超声技师相当	样本量较小（仅85名患者），且仅针对毛细血管前肺动脉高压患者，可能限制了模型的泛化能力	开发一种全自动深度学习工具，用于从二维超声心动图视频中准确估计右心室射血分数，以评估右心室收缩功能	毛细血管前肺动脉高压患者	计算机视觉	肺动脉高压	二维超声心动图, 心脏磁共振成像	CNN	视频	85名疑似毛细血管前肺动脉高压患者	NA	3D-ResNet50	平均绝对误差, AUC	NA
3840	2026-04-04	An anomaly detection model for multivariate time series with anomaly perception 2024, PeerJ. Computer science DOI:10.7717/peerj-cs.2172 PMID:41929829	研究论文	本文提出了一种名为EDD的新型深度学习模型，用于利用有限的异常样本提升多元时间序列异常检测的性能	创新性地结合图注意力网络与LSTM来提取多元时间序列的时空特征，并通过精心设计的损失函数在潜在空间中实现正常数据的紧密聚类和异常数据的随机分散	未明确说明模型对特定领域或数据类型的泛化能力限制，也未讨论计算复杂度或实时性方面的潜在问题	提升多元时间序列异常检测的准确性和鲁棒性	多元时间序列数据	机器学习	NA	深度学习	GAN, LSTM, 图注意力网络	时间序列数据	在三个不同数据集上进行了实验验证（具体样本数量未明确说明）	NA	EDD（Encoder-Decoder-Discriminator）	F1-Score	NA