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
21	2026-04-30	Semi-supervised segmentation of cardiac chambers from LGE-CMR using feature consistency awareness 2024-10-17, BMC cardiovascular disorders IF:2.0Q3 DOI:10.1186/s12872-024-04250-x PMID:39420256	研究论文	提出一种利用未标记数据改进心脏腔室分割性能的半监督学习方法	设计集成三重一致性约束（数据级、任务级和特征级）的半监督网络，通过体素级对比学习实现特征级一致性，解决先前研究中忽略挑战性区域和特征一致性问题	未提及具体局限性	开发一种半监督分割方法，利用未标记数据提升延迟钆增强心脏磁共振成像中心脏腔室分割的模型性能	心脏腔室（心房和心室）分割数据集	计算机视觉	心血管疾病	NA	半监督网络	图像（延迟钆增强心脏磁共振成像）	心房分割数据集和心室分割数据集，具体样本量未提及	PyTorch	均值教师架构（含分割和边缘预测任务）	Dice系数、Jaccard系数、平均表面距离（ASD）、95%豪斯多夫距离（95HD）	NA
22	2026-04-30	Evaluation of a deep learning-enabled automated computational heart modelling workflow for personalized assessment of ventricular arrhythmias 2024-09, The Journal of physiology DOI:10.1113/JP284125 PMID:37060278	研究论文	评估基于深度学习的自动化计算心脏建模工作流在个性化评估室性心律失常中的可行性	开发了一种无需专家手动交互的自动化深度学习工作流，用于重建个性化电生理心脏模型，并在多中心数据中验证其与专家模型在预测室性心动过速方面的一致性	训练数据集较小（111例患者），可能影响深度学习模型的泛化能力	评估自动化深度学习工作流在重建个性化计算心脏模型以指导室性心动过速治疗中的可行性	111例患者的对比增强CT图像及专家心室肌分割结果	计算机视觉, 数字病理	心血管疾病	CT成像, 深度学习分割	卷积神经网络	图像	111例患者的CT图像，来自三个机构五个队列	PyTorch	CNN	分割一致性，VT诱导性，VT数量相关性，VT电路共定位	NA
23	2026-04-30	Exploring Deep Learning for Estimating the Isoeffective Dose of FLASH Irradiation From Mouse Intestinal Histological Images 2024-Jul-01, International journal of radiation oncology, biology, physics DOI:10.1016/j.ijrobp.2023.12.032 PMID:38171387	研究论文	开发深度学习模型，从小鼠肠道组织学图像中估算FLASH照射的等效剂量	首次提出使用深度学习从组织学图像定量估算FLASH照射的等效应剂量，将物理FLASH剂量映射为等效CONV剂量	仅限于小鼠肠道组织，尚未验证于其他组织或肿瘤模型	探索深度学习从小鼠肠道组织学图像估算FLASH照射等效应剂量的可行性	接受CONV或FLASH照射的小鼠空肠组织切片	数字病理学	放射性损伤	H&E染色、数字病理成像	CNN	组织学图像	84只雌性C57BL/6J小鼠，每只小鼠9个空肠横切面，共756个图像样本	PyTorch	ResNet-101	均方误差	NA
24	2026-04-30	A real-time deep learning-based system for colorectal polyp size estimation by white-light endoscopy: development and multicenter prospective validation 2024-04, Endoscopy IF:11.5Q1 DOI:10.1055/a-2189-7036 PMID:37827513	研究论文	开发并多中心前瞻性验证了一个基于深度学习的实时系统（ENDOANGEL-CPS），用于在白光内镜下估计结直肠息肉大小	首次利用内窥镜镜头参数通过深度估计网络实时计算息肉大小，在现场前瞻性多中心视频中验证，且性能超过所有参与的内镜医师	未明确提及局限性，但依赖内窥镜镜头参数准确性可能影响泛化性	提高结直肠息肉大小测量的准确性，优化息肉切除设备选择和监测间隔	结直肠息肉	数字病理学、机器学习	结直肠癌（结直肠息肉）	白光内镜、深度估计网络	深度神经网络（深度估计网络）	图像（包括虚拟结肠图像和真实世界内镜视频）	7297张训练图像（虚拟结肠）、730张测试图像（虚拟结肠）、157个真实世界息肉（来自三家医院）	NA	深度估计网络（未指定具体架构）	相对误差、一致性相关系数、相对准确率、错误率	NA
25	2026-04-30	OpenFL: the open federated learning library 2022-10-19, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ac97d9 PMID:36198326	研究论文	介绍开源联邦学习库OpenFL，一个基于Python的工具，支持TensorFlow和PyTorch框架，用于训练机器学习与深度学习算法，同时保护数据隐私	提供可扩展的联邦学习框架，支持可信执行环境以确保模型安全与完整性，并实现从集中式到联邦训练管线的简易迁移	NA	促进联邦学习在生产环境中的应用，并扩展到非医疗用例	联邦学习库OpenFL的设计、开发特性及其在医疗等领域的实际应用	机器学习	NA	NA	NA	NA	NA	TensorFlow, PyTorch	NA	NA	NA
26	2026-04-30	Retracted: Medical Data Feature Learning Based on Probability and Depth Learning Mining: Model Development and Validation 2021-04-08, JMIR medical informatics IF:3.1Q2 DOI:10.2196/19055 PMID:33830067	研究论文	基于概率和深度学习挖掘的医学数据特征学习模型开发与验证	提出级联深度模型，通过构建级联深度学习框架研究特征转换、选择和分类器算法，实现对门诊量的精确预测	预测误差会随时间间隔累积，周和月预测精度低于日预测	分析医疗大数据特征，开发预测门诊量的智能应用	医院门诊量数据	机器学习	NA	NA	级联深度模型	数值数据	NA	NA	级联深度学习框架	预测精度	NA
27	2026-04-30	Deep learning approaches for COVID-19 detection based on chest X-ray images 2021-Feb, Expert systems with applications IF:7.5Q1 DOI:10.1016/j.eswa.2020.114054 PMID:33013005	研究论文	利用深度学习方法基于胸部X光图像检测COVID-19	同时采用深度特征提取、预训练CNN微调和端到端训练新CNN模型三种方法，并对比多种SVM核函数性能	数据集较小（仅380张图像），可能影响模型泛化能力	评估深度学习在胸部X光图像中检测COVID-19的有效性	COVID-19和正常（健康）胸部X光图像	计算机视觉	COVID-19	NA	CNN, SVM	图像	380张胸部X光图像（180张COVID-19，200张正常）	NA	ResNet18, ResNet50, ResNet101, VGG16, VGG19, 新CNN模型	准确率	NA
28	2026-04-30	DeepACP: A Novel Computational Approach for Accurate Identification of Anticancer Peptides by Deep Learning Algorithm 2020-Dec-04, Molecular therapy. Nucleic acids DOI:10.1016/j.omtn.2020.10.005 PMID:33230481	研究论文	提出一种基于深度学习的计算方法DeepACP，用于准确识别抗癌肽	系统比较了卷积、循环和卷积-循环三种深度学习架构，发现双向长短期记忆网络表现最优，并实现了模型可视化与理解	未明确说明，但可推断仅限于序列信息，且需进一步验证对非ACP肽的泛化能力	探索最佳深度学习架构以准确预测抗癌肽，并开发实用工具	抗癌肽序列数据集	机器学习	癌症	NA	循环神经网络	序列数据	未提及具体数量	深度学习框架未明确指定	双向长短期记忆网络	准确率	NA
29	2026-04-30	Cellular State Transformations Using Deep Learning for Precision Medicine Applications 2020-Sep-11, Patterns (New York, N.Y.) DOI:10.1016/j.patter.2020.100087 PMID:33205131	研究论文	提出基于生成对抗网络的新型深度学习方法TSPG，用于识别组织状态间的基因表达变化	首次在单样本场景下应用生成对抗网络学习转录组扰动，实现从单个患者活检样本中识别与健康组织的差异表达基因	NA	开发精准医学中识别组织状态间转录组变化的深度学习方法	人类正常与肿瘤组织样本的RNA测序表达数据	机器学习	肾癌	RNA测序	生成对抗网络	基因表达数据	单个患者肾癌活检样本	NA	NA	NA	NA
30	2026-04-30	Attention-Based Deep Neural Networks for Detection of Cancerous and Precancerous Esophagus Tissue on Histopathological Slides 2019-11-01, JAMA network open IF:10.5Q1 DOI:10.1001/jamanetworkopen.2019.14645 PMID:31693124	研究论文	提出一种基于注意力机制的深度神经网络，利用组织级标注对食管癌及癌前病变的组织病理切片进行检测	首次使用组织级标注代替区域级标注，结合卷积神经网络与网格注意力网络，减少人工标注工作量	模型性能在统计上不显著优于滑动窗口方法，且BE伴异型增生类别的F1分数较低	评估基于注意力机制的深度学习方法在Barrett食管和食管腺癌检测中的效果	食管组织病理切片中的4类组织：正常、无异型增生BE、伴异型增生BE、腺癌	数字病理学	食管腺癌, Barrett食管	组织病理学成像	卷积神经网络, 注意力网络	图像	训练集379张组织病理图像，独立测试集123张图像	NA	卷积神经网络, 网格注意力网络	准确率, 召回率, 精确率, F1分数	NA
31	2026-04-30	ANI-1: an extensible neural network potential with DFT accuracy at force field computational cost 2017-Apr-01, Chemical science IF:7.6Q1 DOI:10.1039/c6sc05720a PMID:28507695	研究论文	本文介绍了一种基于深度神经网络的ANI-1模型，能够以力场计算成本实现DFT精度的分子势能预测	提出ANAKIN-ME方法，利用改进的Behler-Parrinello对称函数构建单原子环境向量，并引入正态模式采样方法生成分子构象，首次在构型和构象空间大规模训练可迁移的神经网络势	仅在含H、C、N、O四种原子类型的小分子上验证，对更大分子系统的泛化能力需进一步评估	开发一种兼具DFT精度和力场计算效率的可迁移神经网络势能模型	有机分子，主要来自GDB数据库中含最多8个重原子的子集，以及最多54个原子的更大分子系统	机器学习	NA	深度神经网络、DFT计算、正态模式采样	深度神经网络	分子结构及能量数据	训练集为GDB数据库子集（最多8个重原子），测试集包含最多54个原子的分子系统	NA	神经网络，基于改进的Behler-Parrinello对称函数构建单原子环境向量	化学精度（与参考DFT计算对比）	NA
32	2026-04-29	AI-Powered Image-Based Assessment of Pressure Injuries Using You Only Look Once Version 8 (YOLOv8) Models 2026-May, Advances in wound care IF:5.8Q1 DOI:10.1089/wound.2024.0245 PMID:40081991	研究论文	本研究利用YOLOv8深度学习模型对压力性损伤进行图像检测与分期	通过对比YOLOv8的多种变体和优化器，发现YOLOv8s结合AdamW优化器在压力性损伤分期中性能最优，尤其在2期等困难阶段检测效果显著提升	基于仿真数据集的评估可能无法完全反映真实临床场景的复杂性	提高压力性损伤检测与分期的准确性和鲁棒性，为临床决策提供可靠工具	压力性损伤的高质量公开图像数据集	计算机视觉	压力性损伤（褥疮）	NA	YOLOv8变体（YOLOv8n, YOLOv8s, YOLOv8m, YOLOv8l, YOLOv8x）	图像	公开数据集，具体样本量未说明	PyTorch	YOLOv8s	平均精确率（mAP@0.5）、召回率、准确率	NA
33	2026-04-29	Synthetic computed tomography from magnetic resonance imaging: An editorial on deep learning approaches for hip and knee image translation 2026-May, Knee surgery, sports traumatology, arthroscopy : official journal of the ESSKA DOI:10.1002/ksa.70229 PMID:41368970	评论	一篇关于从磁共振成像生成合成计算机断层扫描的评论文章，重点关注髋关节和膝关节的深度学习图像翻译方法	系统概述了深度学习在髋关节和膝关节MRI到CT翻译中的应用前景，包括条件生成对抗网络和扩散模型等代表性方法	未提供具体实验验证，缺乏对合成CT临床可靠性和可重复性的定量评估	引导临床医生、工程师和研究者关注深度学习MRI到CT翻译的关键前景与开放问题	髋关节和膝关节的MRI到CT图像翻译方法	计算机视觉	NA	MRI, CT	生成对抗网络, 扩散模型	图像	NA	NA	条件生成对抗网络, 扩散模型	NA	NA
34	2026-04-29	Deep learning-guided attenuation and scatter correction of 99mTc-MAA SPECT images: towards quantitative analysis in 90Y-SIRT 2026-May, Annals of nuclear medicine IF:2.5Q2 DOI:10.1007/s12149-025-02152-2 PMID:41489766	研究论文	开发深度学习模型，在无CT数据和蒙特卡洛模拟资源的情况下，对99mTc-MAA SPECT图像进行衰减校正和散射校正，以提升90Y-SIRT治疗中的定量准确性	提出修改后的3D Swin UNETR架构，实现了无需CT的衰减校正和蒙特卡洛基散射校正的单模型预测；在临床剂量评估中达到高水平的Gamma分析通过率	基于单中心回顾性数据，样本量为222例患者；模型性能依赖于图像质量和患者特征，未在多中心前瞻性研究中验证	开发深度学习模型实现SPECT图像的CT-free衰减校正和散射校正，提高定量精度以改善90Y-SIRT治疗计划和预治疗剂量学	222例接受99mTc-MAA SPECT显像的90Y-SIRT患者	计算机视觉	癌症（肝肿瘤）	SPECT显像	深度学习	图像	222例患者，数据集分训练集（约80%）和独立测试集（约20%）	PyTorch	Swin UNETR（修改后的3D shifted-window UNet Transformer）	平均误差、相对误差、平均绝对误差、Gamma分析通过率（距离一致性/剂量差异标准）	NA
35	2026-04-29	Satellite On-Orbit Chip-Level Deep Learning Model for Real-Time Dust Storm Monitoring 2026-Apr-28, Environmental science & technology IF:10.8Q1 DOI:10.1021/acs.est.5c14697 PMID:41855461	研究论文	提出一种星上芯片级深度学习模型，用于实时沙尘暴监测，将沙尘检测与定量反演直接部署在卫星上，显著缩短数据处理延迟	首次将级联轻量事件门与多任务反演器集成到星上芯片级框架中，并采用尾感知损失函数优化极端浓度下的预测精度，实现分钟级的延迟降低	未提及该模型在不同卫星平台或不同气溶胶类型下的泛化能力，且模拟部署环境与实际星上计算条件可能存在差异	实现沙尘暴的实时、星上监测，将产品生成延迟从小时级降至分钟级，支持实时暴露评估与预警	沙尘暴事件及其相关的PM₂.₅和PM₁₀浓度	计算机视觉	NA	多光谱成像	级联深度学习模型	卫星遥感图像	未明确样本数量，但案例研究涉及2023年5月19-20日和2025年4月15日的沙尘暴事件	Pytorch	级联轻量事件门与多任务反演器	RMSE、推理延迟、功耗、内存占用	NVIDIA Jetson AGX Orin平台，功耗约10W，内存小于3GB
36	2026-04-29	Responsible Use of Artificial Intelligence to Improve Kidney Care: A Statement from the American Society of Nephrology 2026-Apr-01, Journal of the American Society of Nephrology : JASN IF:10.3Q1 DOI:10.1681/ASN.0000000929 PMID:41201255	评论	美国肾脏病学会关于负责任使用人工智能改善肾脏护理的声明，概述了基本原则和指导框架	提出了以患者利益优先、确保临床医生监督和推动高负担疾病领域创新的指导原则，并强调了医生始终参与决策的核心假设	未详细说明AI实施的具体技术细节或实证验证结果	为肾脏病学中负责任使用人工智能提供框架和实用指导	肾脏疾病患者和肾脏病临床实践	机器学习	肾脏疾病	机器学习、深度学习、生成式人工智能	NA	NA	NA	NA	NA	NA	NA
37	2026-04-29	Deep learning-based framework for comprehensive quantification of thigh and calf muscles and adipose tissues from MRI 2026-Apr, Magma (New York, N.Y.) DOI:10.1007/s10334-025-01308-5 PMID:41342972	研究论文	提出一个基于深度学习的框架，用于从MRI中全面量化大腿和小腿肌肉及脂肪组织	提出3D Attention-Res-V-Net管道，实现个体肌肉、皮下脂肪、肌间和肌内脂肪的精细量化，并公开高质量专家标注数据集	样本量较小（25名参与者），且肌内脂肪误差范围较大（17.4%-58.8%）	开发自动化方法以全面分析下肢肌肉和脂肪组织，助力神经肌肉、肌肉骨骼和代谢疾病研究	下肢肌肉（13块大腿肌肉和9块小腿肌肉）、皮下脂肪、肌间脂肪和肌内脂肪	计算机视觉	神经肌肉疾病、肌肉骨骼疾病、代谢疾病	MRI（两点Dixon序列）	3D Attention-Res-V-Net	图像（MRI轴向切片）	25名参与者（平均年龄40.5±5.86岁，64%男性）	NA	Attention-Res-V-Net	Dice相似系数（DSC）、相对误差	NA
38	2026-04-29	Computational Discovery of MERS-CoV Main Protease Inhibitors Through Screening and Molecular Dynamics Simulations 2026-Mar-26, Proteins IF:3.2Q2 DOI:10.1002/prot.70132 PMID:41887806	研究论文	通过计算筛选和分子动力学模拟发现MERS-CoV主蛋白酶抑制剂	结合分子对接与相似性搜索策略，并使用深度学习K模型、MM/GBSA和FEP等多种计算方法评估结合自由能	NA	识别潜在的MERS-CoV主蛋白酶抑制剂	MERS-CoV主蛋白酶及其小分子抑制剂	机器学习	呼吸道病毒疾病	分子对接、分子动力学模拟	深度学习K模型	分子结构数据	从DrugBank、CHEMBL和蛋白质数据库收集的小分子化合物库	NA	NA	结合自由能、平衡解离常数(KD)、半数抑制浓度(IC50)	NA
39	2026-04-29	Readout of intrinsic and induced DNA shape by homeodomain transcription factor complexes 2026-Mar-20, Biophysical journal IF:3.2Q2 DOI:10.1016/j.bpj.2026.03.036 PMID:41863075	研究论文	解析同源域转录因子复合物对内在和诱导DNA形状的读取机制	首次结合SELEX-seq数据、分子动力学模拟和深度学习（DeepPBS）构建多尺度框架，揭示同源域转录因子复合物中内在和诱导DNA形状的协同作用，并弥补AlphaFold 3在预测突变影响和构象动态方面的不足	AlphaFold 3在预测突变或构象动态对DNA形状的影响方面存在困难	理解同源域转录因子复合物如何通过内在和诱导DNA形状决定结合特异性	果蝇Hox转录因子Sex combs reduced及其辅因子Homothorax和Extradenticle形成的三聚体复合物，以及Distal-less和Engrailed两种同源域转录因子	自然语言处理	NA	SELEX-seq, 分子动力学模拟, 深度学习	DeepPBS, AlphaFold 3	序列数据, 结构数据	包含不同结合亲和力的多条DNA序列	AlphaFold, DeepPBS	AlphaFold 3 (AF3), DeepPBS	NA	NA
40	2026-04-29	Deep learning-based seed germination prediction using morphological traits and RGB images 2026-Mar-19, BMC plant biology IF:4.3Q1 DOI:10.1186/s12870-026-08599-3 PMID:41851627	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA