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
3981	2026-02-17	[Recent Review Article in RPT: Deep learning-based PET image denoising and reconstruction: A review] 2024, Igaku butsuri : Nihon Igaku Butsuri Gakkai kikanshi = Japanese journal of medical physics : an official journal of Japan Society of Medical Physics DOI:10.11323/jjmp.44.4_78 PMID:41692459	综述	本文回顾了基于深度学习的PET图像去噪和重建技术的历史与发展	NA	NA	综述医学物理领域，特别是PET图像处理中深度学习的应用历史	PET图像的去噪和重建技术	医学物理	NA	NA	深度学习	图像	NA	NA	NA	NA	NA
3982	2026-02-17	Ensemble Learning-Based Hybrid Segmentation of Mammographic Images for Breast Cancer Risk Prediction Using Fuzzy C-Means and CNN Model 2023, Journal of healthcare engineering DOI:10.1155/2023/1491955 PMID:36760835	研究论文	本文提出了一种基于集成学习的混合分割方法，结合模糊C均值聚类和CNN模型，用于乳腺X线图像分割以预测乳腺癌风险	采用CLAHE和形态学操作预处理乳腺X线图像，并结合模糊C均值聚类与CNN进行混合分割，以提高乳腺癌风险预测的准确性	研究仅基于MIAS数据库图像，样本来源有限，且未详细说明模型在多样化临床数据上的泛化能力	开发一种计算机辅助诊断系统，通过图像分割技术早期检测乳腺癌，以提升治疗效果和患者生存率	乳腺X线图像，特别是来自MIAS数据库的图像，用于识别乳腺肿块和评估乳腺癌风险	计算机视觉	乳腺癌	CLAHE（对比度受限自适应直方图均衡化），形态学操作，图像分割	CNN	图像	使用MIAS数据库中的图像，具体样本数量未明确说明	NA	NA	阈值，准确率，灵敏度，特异性，活检率	NA
3983	2026-02-17	Using artificial intelligence to improve the diagnostic efficiency of pulmonologists in differentiating COVID-19 pneumonia from community-acquired pneumonia 2022-08, Journal of medical virology IF:6.8Q1 DOI:10.1002/jmv.27777 PMID:35419818	研究论文	本研究旨在通过深度学习AI模型辅助肺科医生利用CT扫描区分COVID-19肺炎与社区获得性肺炎	开发了一个基于深度学习的AI模型，从体积CT扫描中提取视觉数据，显著提升了肺科医生在区分COVID-19肺炎与社区获得性肺炎时的诊断效率	研究为回顾性设计，未来需要关注AI在实时应用中的效果以对抗COVID-19感染	分析AI在提升肺科医生利用CT扫描区分COVID-19肺炎与社区获得性肺炎诊断性能方面的贡献	COVID-19肺炎和社区获得性肺炎患者的CT扫描图像	医学影像	COVID-19, 社区获得性肺炎	CT扫描	深度学习模型	CT图像	2496次扫描（来自887名患者），其中COVID-19组1428次（57.2%），社区获得性肺炎组1068次（42.8%）	NA	NA	准确率, 灵敏度, 特异性, AUC	NA
3984	2026-02-16	Redefining obstructive sleep apnea diagnosis: An attention augmented CNN-BiLSTM hybrid alternative to traditional PSG testing 2026-Jun, MethodsX IF:1.6Q2 DOI:10.1016/j.mex.2026.103808 PMID:41684745	研究论文	本研究提出了一种基于注意力增强的CNN-BiLSTM混合深度学习模型，用于自动检测阻塞性睡眠呼吸暂停（OSA），以替代传统的多导睡眠图（PSG）诊断方法	结合卷积神经网络与双向长短期记忆网络的混合架构，并集成注意力机制以提升特征表示和分类性能，同时通过ANOVA选择生理信号子集以优化检测效果	NA	开发一种替代传统多导睡眠图（PSG）的自动化OSA检测方法，以提高诊断的可及性和准确性	阻塞性睡眠呼吸暂停（OSA）患者	机器学习	阻塞性睡眠呼吸暂停	深度学习	CNN, BiLSTM	生理信号数据	基于两个公开数据库，具体样本数量未明确说明	NA	CNN-BiLSTM混合架构	准确率, F1分数	NA
3985	2026-02-16	Ultrasound-guided sound speed correction for photoacoustic computed tomography 2026-Apr, Photoacoustics IF:7.1Q1 DOI:10.1016/j.pacs.2026.100804 PMID:41685117	研究论文	本文提出了一种基于双模态深度学习的框架，通过联合处理配准的光声和超声图像来校正组织中的异质声速，以提高光声计算机断层扫描的图像质量	提出了一种利用配准超声图像中的丰富散斑和高信噪比信息来估计空间变化声速图，并将其与光声图像融合以校正声速畸变的新方法	该方法在数值和组织模拟体模上进行了测试，并展示了跨域泛化能力，但未提及在更广泛或更复杂临床场景中的验证	提高光声计算机断层扫描中因组织异质声速导致的图像畸变校正的准确性和效率	光声和超声双模态图像	计算机视觉	NA	光声计算机断层扫描，超声成像	深度学习	图像	数值模拟体模、组织模拟体模和活体数据	NA	NA	图像质量（结构细节增强、声学伪影减少）	NA
3986	2026-02-16	Explainable artificial intelligence for multi-modal cancer analysis: From genomics to immunology 2026-Mar, Critical reviews in oncology/hematology DOI:10.1016/j.critrevonc.2025.105040 PMID:41290079	综述	本文综述了可解释人工智能在多模态癌症分析中的应用，涵盖从基因组学到免疫学的整合	提出了基于免疫学信息的多模态深度学习框架，通过可解释AI增强模型透明度，并连接预测特征与肿瘤免疫微环境动态	面临数据协调和模态不平衡等挑战，需进一步解决以确保科学有效性	推进个性化精准肿瘤学，通过多模态数据整合改善癌症预后、治疗选择和反应预测	癌症的多模态生物医学数据，包括基因组学、转录组学、组织病理学、医学影像、蛋白质组学、代谢组学、电子健康记录和免疫学特征	机器学习	癌症	多模态深度学习，可解释人工智能	深度学习模型	多模态数据（基因组、转录组、病理图像、医学影像、蛋白质组、代谢组、电子健康记录、免疫特征）	NA	NA	NA	统计指标，生物学合理性评估	NA
3987	2026-02-16	Interpreting Imaging in the Era of Artificial Intelligence: Future Possibilities in Ocular Inflammatory Disease 2026-Mar, American journal of ophthalmology IF:4.1Q1 DOI:10.1016/j.ajo.2025.12.019 PMID:41443461	综述	本文回顾了人工智能在葡萄膜炎多模态影像解读领域的当前能力、局限性与未来前景	系统梳理了AI在眼科炎症疾病影像分析中的新兴应用方向，特别是深度学习在多模态影像自动解读中的潜力	AI在葡萄膜炎领域的应用尚处于起步阶段，现有工具仍在开发中，临床验证不足	探讨人工智能在葡萄膜炎多模态影像解读中的应用前景	葡萄膜炎（眼部炎症性疾病）的多模态影像数据	计算机视觉	葡萄膜炎	多模态影像分析	深度学习	医学影像	NA	NA	NA	NA	NA
3988	2026-02-16	Artificial intelligence applications in ovarian cancer detection: A systematic literature review of deep learning approaches and clinical translation challenges 2026-Mar, Critical reviews in oncology/hematology DOI:10.1016/j.critrevonc.2026.105126 PMID:41544732	系统文献综述	本文系统回顾了2020年至2025年间发表的61项研究，探讨了人工智能在卵巢癌检测中的应用，重点关注深度学习方法及其临床转化面临的挑战	整合了最新的深度学习方法在卵巢癌检测中的应用进展，并系统分析了临床转化中的关键障碍，如数据集异质性和可解释AI的缺乏	纳入的研究存在数据集异质性、样本量有限（从数百到数千张图像）、外部验证机会少以及超参数优化关注不足等问题	系统回顾和评估人工智能（特别是深度学习）在卵巢癌检测中的应用现状、方法学进展及临床转化挑战	2020年至2025年间发表的61项关于人工智能在卵巢癌检测中应用的研究	计算机视觉	卵巢癌	NA	CNN, Vision Transformer	图像	数百至数千张图像	NA	ResNet, U-Net, Vision Transformer	准确率	NA
3989	2026-02-16	Deep learning for estimating right ventricular function from routine coronary angiography 2026-Mar, European heart journal. Digital health DOI:10.1093/ehjdh/ztag004 PMID:41684375	研究论文	本研究探索了使用深度学习从常规冠状动脉造影中估计右心室功能的方法	首次利用深度学习从常规冠状动脉造影的cine图像中检测右心室功能障碍，并结合心电图输入提升模型性能	研究依赖于与经胸超声心动图的时间接近性作为金标准，可能存在时间偏差	探索深度学习在从冠状动脉造影中检测右心室功能障碍的作用	右心室功能障碍患者	计算机视觉	心血管疾病	冠状动脉造影，经胸超声心动图	CNN	图像	10336个冠状动脉造影来自9849名患者（平均年龄66岁，36%女性）	NA	3D-CNN	AUC, 敏感性, 特异性	NA
3990	2026-02-16	A scoping review of portable ultra-low-field MRI studies in patients with acquired brain injury: Past, present, and future 2026-Mar, Neuroimage. Reports DOI:10.1016/j.ynirp.2026.100324 PMID:41685206	综述	本文对便携式超低场MRI在获得性脑损伤患者中的应用进行了范围综述，总结了其安全性、有效性及未来研究方向	首次系统综述了便携式超低场MRI在多种获得性脑损伤中的应用，并强调了深度学习在生成合成扫描图像以提高检测灵敏度与特异性方面的创新应用	研究样本缺乏多样性，定量分析不足，限制了结果的普遍适用性，且多数研究在受控条件下进行，需多中心大样本研究进一步验证	评估便携式超低场MRI在获得性脑损伤患者中的安全性、有效性及其与传统高场MRI的对比	获得性脑损伤患者，包括中风、创伤性脑损伤、脑肿瘤、多发性硬化及其他神经系统疾病患者	数字病理学	获得性脑损伤	便携式超低场MRI，深度学习	深度学习模型	MRI图像	20项研究，涉及中风、创伤性脑损伤、脑肿瘤、多发性硬化及其他神经系统疾病患者	NA	NA	灵敏度，特异性，体积相关性	NA
3991	2026-02-16	Bioinspired Cold-Laminated Ultrathin Hydrogels as a Broadly Adaptive Platform for Physiological Monitoring 2026-Feb-15, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202524317 PMID:41691494	研究论文	本文提出了一种受生物启发的冷层压超薄水凝胶平台，用于生理监测，具有优异的适应性、耐久性和多功能性	开发了一种新颖的冷层压策略，将TPU纳米网机械互锁在温度响应水凝胶网络中，模仿细胞外基质结构，实现了厚度、杨氏模量的精确控制以及可逆的按需粘附	NA	开发一种广泛适应的水凝胶平台，用于生理监测，满足表皮和植入式应用的需求	超薄水凝胶设备，用于表皮心电图监测和植入式心脏贴片	生物电子学	心血管疾病	冷层压策略，温度响应水凝胶网络	深度学习网络	生理信号数据（如心电图）	小鼠模型	NA	双分支深度学习网络	分类准确率	NA
3992	2026-02-16	Towards improved decision making of unruptured intracranial aneurysms using automated segmentation from MRA-TOF with iterative pseudo labeling 2026-Feb-14, AJNR. American journal of neuroradiology DOI:10.3174/ajnr.A9231 PMID:41690811	研究论文	本文开发并验证了一种基于深度学习的颅内血管和动脉瘤分割方法DIVA-seg，该方法使用伪标签方法从MRA-TOF图像中实现准确分割，以支持未破裂颅内动脉瘤的临床决策	提出了一种基于nnU-Net的迭代伪标签方法，用于从MRA-TOF图像中自动分割颅内血管和动脉瘤，并在内部和外部数据集上实现了高精度分割，同时与专家标注在3D形态学测量上表现出高度一致性	在体素体积、表面积、球形度和形状指数等3D形态学测量中观察到比例偏差，且定性评估未显示对真实标注或模型分割的明显偏好	开发一种自动分割方法，以支持未破裂颅内动脉瘤的准确3D形态学评估和临床决策	MRA-TOF图像中的颅内血管和动脉瘤	数字病理学	颅内动脉瘤	MRA-TOF	CNN	图像	训练集57例，测试集14例，伪标签数据518例，外部验证集82例	nnU-Net	nnU-Net	Dice相似系数, 95% Hausdorff距离, 3D形态学测量	NA
3993	2026-02-16	Integrated Deep Learning-Based Intracranial Vessel Wall Imaging with DANTE Preparation: Feasibility and Technical Performance 2026-Feb-14, AJNR. American journal of neuroradiology DOI:10.3174/ajnr.A9232 PMID:41690813	研究论文	本研究评估了将DANTE准备集成到深度学习加速的颅内血管壁成像序列中的可行性和技术性能	首次将DANTE准备与深度学习加速的T1-SPACE序列结合用于颅内血管壁成像，以改善血流伪影和管腔可视化	回顾性单中心研究，样本量较小（35例患者），DANTE准备导致血管壁可视化评分降低	评估DANTE准备在深度学习加速颅内血管壁成像中的技术性能和可行性	颅内血管壁成像（IC-VWI）	医学影像分析	颅内血管病变	DANTE准备，深度学习加速的T1-SPACE序列，磁共振成像	深度学习模型	磁共振图像	35例患者（22名女性，平均年龄57.9±17.1岁），共556个血管段对	NA	NA	Likert量表评分，累积链接混合效应模型，Wilcoxon检验，Bland-Altman分析	NA
3994	2026-02-16	A hierarchical interaction message net for accurate molecular property prediction 2026-Feb-14, Communications chemistry IF:5.9Q1 DOI:10.1038/s42004-026-01922-x PMID:41691119	研究论文	本文提出了一种名为Hierarchical Interaction Message Net (HimNet)的模型，用于准确预测分子性质，包括ADMET特性	引入了分层交互消息传递机制，通过分层注意力引导的消息传递实现原子、基序和分子层面的交互感知表示学习，有效平衡全局和局部信息	未明确说明模型在处理超大规模数据集或复杂分子结构时的计算效率限制	开发一种深度学习模型以准确预测分子性质，支持药物发现早期阶段的决策	分子及其性质，包括ADMET特性、代谢稳定性、疟疾活性和肝微粒体清除率	机器学习	NA	深度学习	图神经网络, Transformer	化学信息数据	在11个数据集上进行评估，包括8个MoleculeNet基准数据集和3个高价值数据集	NA	Hierarchical Interaction Message Net (HimNet)	最佳或接近最佳性能（具体指标未明确列出，如准确率、AUC等）	NA
3995	2026-02-16	Development and explanation of electrocardiogram-based deep learning for predicting short-term mortality in heart failure patients 2026-Feb-13, Journal of global health IF:4.5Q1 DOI:10.7189/jogh.16.04048 PMID:41678824	研究论文	本研究开发并验证了一种基于心电图的深度学习模型HF-ECGNet，用于预测心力衰竭患者的短期死亡率	结合EfficientNet神经网络和Transformer架构，并整合心电图数据与临床特征，提高了预测准确性和可解释性	需要未来多中心验证以确认其临床效用和泛化能力	改进心力衰竭患者短期死亡率的预测模型	心力衰竭患者	机器学习	心血管疾病	心电图	深度学习	心电图数据, 临床特征	36,222次入院中的104,844份心电图	NA	EfficientNet, Transformer	AUC, 其他指标	NA
3996	2026-02-16	Explainability-informed benchmarking of two deep learning models for organ-at-risk segmentation in MR-guided adaptive radiotherapy 2026-Feb-13, Journal of medical imaging and radiation sciences IF:1.3Q3 DOI:10.1016/j.jmir.2026.102200 PMID:41690008	研究论文	本研究对U-Net和ResUNet两种卷积架构在腹部MRI器官风险分割中的性能、不确定性和可解释性进行了基准测试	通过结合性能、不确定性和可解释性定量指标，对深度学习模型进行综合基准测试，并采用Grad-CAM激活图的数值定位指标进行客观分析	未发现统计显著差异，可能受数据集规模或模型配置限制	评估深度学习模型在MR引导自适应放疗中腹部器官风险分割的准确性、可解释性和可靠性	胃肠道器官风险（OARs）的MRI图像分割	数字病理学	NA	MRI成像	CNN	图像	匿名腹部MRI数据集，采用5折分层组交叉验证	NA	U-Net, ResUNet	Dice相似系数, 交并比, 95百分位Hausdorff距离	NA
3997	2026-02-16	Beyond handcrafted radiomics in oncologic imaging: Innovations in deep, explainable, multi-site and multi-omics radiomics approaches 2026-Feb-13, Diagnostic and interventional imaging IF:4.9Q1 DOI:10.1016/j.diii.2026.02.001 PMID:41690886	综述	本文综述了肿瘤影像组学领域从手工特征提取向深度、可解释、多病灶及多组学整合方法演进的主要概念、创新及挑战	系统阐述了影像组学从传统手工特征向深度学习、多病灶整合、多中心协调及多组学融合的范式转变，并强调了可解释人工智能方法在提升临床可信度中的互补作用	指出领域仍面临混杂因素、公共数据集有限、多中心变异性、报告不一致以及缺乏前瞻性临床试验等关键挑战	定义并阐明肿瘤影像组学领域的主要方法学和概念演进，总结当前创新方向，并识别临床转化前需解决的挑战	肿瘤影像组学方法及其在捕捉肿瘤表型、微环境和生物学特征中的应用	医学影像分析	肿瘤	影像组学，多组学整合（基因组学、转录组学、免疫组学）	CNN, 自编码器, 视觉Transformer, 掩码图像建模	医学影像，基因组数据，转录组数据，免疫组数据，临床数据	NA	NA	卷积神经网络，自编码器，视觉Transformer，掩码图像建模，基于注意力的多实例学习	NA	NA
3998	2026-02-16	A deep residual 1D-CNN with self-attention for fraud transaction detection in virtual economies 2026-Feb-12, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-37032-w PMID:41673112	研究论文	本文提出了一种结合残差连接和自注意力机制的一维卷积神经网络模型，用于元宇宙金融交易的实时异常检测和风险分类	首次将残差连接和自注意力机制集成到1D-CNN中，专门针对元宇宙交易数据进行优化，并通过引入受控噪声的消融研究验证模型鲁棒性	完美性能评分可能源于数据过于干净或可预测，模型在现实世界不确定性和不完美数据中的表现仍需进一步验证	开发适用于元宇宙金融交易的实时欺诈检测和风险分类系统	元宇宙虚拟经济中的金融交易数据	机器学习	NA	NA	CNN	交易数据	Kaggle元宇宙金融基准数据集和信用卡欺诈检测数据集	NA	1D-CNN with residual connections and self-attention mechanism	准确率, 灵敏度, 特异性, ROC曲线	NA
3999	2026-02-16	Drone-based geospatial prediction modeling identifies Fasciola hepatica infection risk in the Cusco Highlands of Peru 2026-Feb-12, Infectious diseases of poverty IF:4.8Q1 DOI:10.1186/s40249-026-01420-1 PMID:41673907	研究论文	本研究利用无人机获取的高分辨率环境指数，通过机器学习模型预测秘鲁安第斯山区人类和绵羊的肝片吸虫感染风险	首次将无人机衍生的高分辨率多光谱和热环境指数与机器学习模型结合，用于精细尺度肝片吸虫感染风险预测，并比较了文献驱动和PCA驱动的变量选择策略	研究仅基于单个安第斯社区，样本量有限，且空间交叉验证降低了模型的准确性和特异性	开发预测人类和绵羊肝片吸虫感染的模型，以支持针对性的监测和控制	秘鲁库斯科Huayllapata社区的居民和绵羊	机器学习	肝片吸虫病	无人机多光谱和热成像调查，粪便显微镜检查	逻辑回归，随机森林，XGBoost，深度学习	环境、地形、气候指数，人口统计学，社会经济数据，地理参考感染数据	社区内家庭和绵羊（具体数量未明确，但人类感染率为21.3%，绵羊感染率为80%）	NA	NA	准确率，灵敏度，特异性	NA
4000	2026-02-16	MS-STFNN: A multi-scale spatio-temporal fusion neural network for fMRI-based depression diagnosis 2026-Feb-09, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2026.108685 PMID:41689977	研究论文	提出一种用于基于fMRI的抑郁症诊断的多尺度时空融合神经网络（MS-STFNN）	提出了一种新颖的多尺度时空融合神经网络，能够从局部到全局捕获大脑的多粒度空间特征，并整合动态功能连接（DFC）和原始fMRI序列来表征多分辨率水平下的时变特性	未明确说明研究的具体局限性	开发一种客观的神经影像诊断方法，用于抑郁症的诊断和不同亚型的分类	重度抑郁症（MDD）患者	数字病理学	抑郁症	功能磁共振成像（fMRI）	神经网络	fMRI序列	NA	NA	MS-STFNN（多尺度时空融合神经网络）	NA	NA