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
4261	2026-02-13	BlueNuclei: automated identification and classification of live and dead transfected neurons using interpretable features 2026-Feb-02, bioRxiv : the preprint server for biology DOI:10.64898/2026.01.29.702657 PMID:41676559	研究论文	本文介绍了一款名为BlueNuclei的软件，用于自动识别和分类活体与死亡转染神经元	首次提供了可扩展、全自动的转染神经元活力评估解决方案，结合了双通道荧光图像处理与基于人类视觉启发的可解释特征分类	未明确说明软件在处理不同神经元类型或实验条件下的泛化能力	开发自动化工具以改进转染神经元活力评估的效率和一致性	转染的原代神经元	数字病理学	神经性疾病	双通道荧光成像	SVM	图像	NA	NA	NA	准确率	最小计算资源（与深度学习替代方案相比）
4262	2026-02-13	A comparison of super-resolution microscopy techniques for imaging tightly packed microcolonies of an obligate intracellular bacterium 2026-Feb, Journal of microscopy IF:1.5Q3 DOI:10.1111/jmi.13376 PMID:39651611	研究论文	本研究比较了五种超分辨率显微镜技术在成像紧密聚集的细胞内细菌微菌落方面的性能	首次系统比较了多种超分辨率显微镜技术（包括Airyscan、iSIM、3D-SIM和STED）在成像专性细胞内细菌Oriental tsutsugamushi时的分辨率表现，并结合深度学习软件Cellpose和商业软件Imaris开发了3D细胞分割分析流程	研究仅针对特定细菌物种（Oriental tsutsugamushi）和特定实验条件，未涵盖所有超分辨率技术，且部分技术（如3D-STED）可能需要特殊设备	评估不同超分辨率显微镜技术在解析紧密聚集的细胞内细菌微菌落结构方面的适用性和性能	专性细胞内细菌Oriental tsutsugamushi（Ot）的微菌落	生物医学成像	细菌感染疾病	荧光显微镜技术，包括标准共聚焦、Airyscan共聚焦、即时结构光照明显微镜（iSIM）、三维结构光照明显微镜（3D-SIM）和受激发射损耗显微镜（STED）	深度学习模型	显微镜图像	未明确指定具体样本数量，但涉及在不同哺乳动物细胞系中培养的细菌	Cellpose, Imaris	Cellpose（基于深度学习的细胞分割模型）	半高全宽（FWHM）测量、横向（xy）和轴向（z）分辨率	未明确指定
4263	2026-02-13	Artificial intelligence-powered microscopy: Transforming the landscape of parasitology 2026-Feb, Journal of microscopy IF:1.5Q3 DOI:10.1111/jmi.13433 PMID:40492595	综述	本文综述了人工智能在寄生虫学领域的应用，探讨了AI如何通过机器学习和深度学习技术解决寄生虫识别、生命周期研究及临床诊断中的挑战	系统性地整合了人工智能在寄生虫学中的最新进展，特别是针对Apicomplexan、Diplomonad和Kinetoplastid类群的应用，并提出了未来研究方向	未提供具体的实验数据或模型性能比较，主要基于现有文献的归纳分析	探讨人工智能在寄生虫学研究与诊断中的应用潜力及挑战	寄生虫学领域，主要聚焦于Apicomplexan、Diplomonad和Kinetoplastid类群的寄生虫	数字病理学	寄生虫病	显微镜成像，图像分析	机器学习，深度学习	图像	NA	NA	NA	NA	NA
4264	2026-02-13	Can artificial intelligence predict failure of non-invasive respiratory support in the neonatal unit? 2026-Feb, Seminars in fetal & neonatal medicine IF:2.9Q1 DOI:10.1016/j.siny.2025.101692 PMID:41290497	综述	本文探讨了人工智能在新生儿重症监护室中预测无创通气失败的应用潜力	首次系统综述了人工智能模型在新生儿无创通气失败预测中的应用，并评估了其临床实用性	纳入研究数量有限（6项），且需要更多大型多中心外部验证研究来评估模型的泛化能力	探索人工智能在改善新生儿无创通气失败预测中的应用，以降低该人群的死亡率和发病率	新生儿，特别是早产儿	机器学习	新生儿呼吸系统疾病	NA	深度学习模型, 逻辑回归, 支持向量机	临床数据	3421名婴儿	NA	多模态深度神经网络	AUC	NA
4265	2026-02-13	Deep learning models for image classification of lymphoma: a pilot study in canine 2026-Feb-01, The Journal of veterinary medical science IF:1.1Q3 DOI:10.1292/jvms.24-0518 PMID:41407379	研究论文	本研究旨在基于细针穿刺图像，开发深度学习模型以区分犬淋巴瘤与反应性淋巴增生	首次在犬淋巴瘤图像分类中应用Vision Transformer和Inception-v3模型，并探索了两种集成学习方法	样本量相对较小，仅来自两家医院的有限病例，且ViT模型性能未达预期	通过图像分类技术辅助犬淋巴瘤的诊断	犬淋巴瘤和反应性淋巴增生的细针穿刺图像	计算机视觉	淋巴瘤	细针穿刺成像	CNN, Transformer	图像	2290张犬淋巴瘤FNA图像和871张RLH FNA图像，来自14例淋巴瘤和7例RLH病例	NA	Vision Transformer, Inception-v3	准确率, 召回率, AUC, 精确率	NA
4266	2026-02-13	Evaluating the Impact of Annotation Expertise on AI-Based Ultrasound Segmentation: A Case Study on Left Atrial Appendage 2026-Feb, Cardiovascular engineering and technology IF:1.6Q4 DOI:10.1007/s13239-025-00816-8 PMID:41491880	研究论文	本研究评估了注释者专业知识对基于AI的超声图像分割性能的影响，以左心耳分割为例	通过比较专家和新手注释的数据集，并引入合成误差（系统性和非系统性），系统分析了注释质量对AI分割模型性能的影响	研究仅针对左心耳超声图像分割，结果可能无法推广到其他解剖结构或成像模态	探究用户专业知识对医学图像分割中真实标注准确性的影响及其对AI模型性能的最终影响	超声图像中的左心耳	医学图像分析	心血管疾病	超声成像	深度学习	图像	两个数据集（专家注释和新手注释），并生成合成变体	nnU-Net	U-Net	Dice系数	NA
4267	2026-02-13	Study on the release pattern of radon exhalation in the overburden soil of uranium tailings under arid climate and prediction based on Fully Connected Neural Network (FCNN)-based deep learning radon prediction model 2026-Feb, Journal of environmental radioactivity IF:1.9Q3 DOI:10.1016/j.jenvrad.2025.107883 PMID:41576636	研究论文	本文研究了干旱气候下铀尾矿覆盖土壤中氡的释放规律，并提出了基于全连接神经网络（FCNN）的深度学习氡预测模型	提出了基于FCNN的深度学习模型来预测氡析出率，并通过与LSTM模型的误差比较，证明了FCNN模型在反映氡气释放规律和表达温度、土壤含水量、覆盖层裂隙率与氡析出率之间关系方面的优越能力	NA	为铀尾矿管理单位提供高温和暴晒条件下氡析出率的预测方法，以支持氡的控制与防治	铀尾矿覆盖土壤	机器学习	NA	室内模拟实验	FCNN, LSTM	实验数据	NA	NA	全连接神经网络, 长短期记忆网络	误差比较	NA
4268	2026-02-13	AI-driven framework for accurate detection of Alzheimer's disease in EEG 2026-Feb-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-35184-3 PMID:41622342	研究论文	本研究提出了一种基于人工智能的框架，通过融合特征和Conv-LSTM架构，从EEG信号中准确检测阿尔茨海默病	提出了一种新颖的特征融合与Conv-LSTM架构相结合的AI框架，能够从复杂的脑电信号中提取高水平的判别性特征，显著提升了AD检测的准确率	未在摘要中明确提及	开发一种准确、可扩展的阿尔茨海默病早期诊断系统	阿尔茨海默病患者（特别是老年人）的脑电图信号	机器学习	阿尔茨海默病	脑电图	Conv-LSTM	脑电图信号	未在摘要中明确提及	未在摘要中明确提及	Conv-LSTM	准确率	未在摘要中明确提及
4269	2026-02-13	Detection of Soil-Borne Pathogens Using Fine-Tuned Deep Learning Models: A Case Study on the Soybean Cyst Nematode (Heterodera glycines Ichinohe) 2026-Feb, The plant pathology journal DOI:10.5423/PPJ.OA.10.2025.0146 PMID:41656719	研究论文	本文提出了一种基于人工智能的框架，用于对大豆胞囊线虫进行实例分割和颜色表型分类，以提高检测效率	首次将YOLOv11等先进深度学习架构应用于土壤传播的大豆胞囊线虫的实例分割，并结合颜色阈值进行发育阶段分类，构建了集成检测框架	研究仅基于韩国感染田地的土壤样本，模型在其他地理区域或环境条件下的泛化能力未经验证	开发一种高效、可扩展的人工智能驱动检测系统，以替代传统劳动密集型方法，实现大豆胞囊线虫的早期监测和管理	大豆胞囊线虫（Heterodera glycines Ichinohe）的雌性个体	计算机视觉	植物病害	显微镜成像，颜色表型分析（HSV阈值）	CNN	图像	4,392张线虫图像	PyTorch（YOLO系列），Detectron2	YOLOv5, YOLOv8, YOLOv11, Detectron2	精确率，召回率，mAP@0.5	NA
4270	2026-02-13	Learning genetic perturbation effects with variational causal inference 2026-Feb, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1013194 PMID:41628222	研究论文	本文提出了一种结合机制因果模型与变分深度学习的混合方法（SCCVAE），用于预测单细胞水平的基因扰动效应	提出了一种名为SCCVAE的混合方法，将基于基因调控网络的机制因果模型与变分自编码器相结合，以生成全面、丰富的转录组响应，在预测未见扰动方面优于现有方法	未明确提及具体的数据规模限制或模型在特定噪声条件下的性能边界	开发一种能够准确预测单细胞水平基因扰动效应的计算模型，并提高其对未见扰动的泛化能力	单细胞转录组数据，特别是Perturb-seq技术产生的基因扰动响应数据	机器学习	NA	Perturb-seq，单细胞转录组测序	变分自编码器（VAE），因果模型	单细胞转录组数据	NA	NA	变分自编码器（VAE）	NA	NA
4271	2026-02-13	Perceptions and knowledge of machine learning for paediatric related decision support in emergency care - A UK and Ireland network survey study of clinician leaders 2026-Feb, PLOS digital health DOI:10.1371/journal.pdig.0001213 PMID:41662367	研究论文	本研究通过调查英国和爱尔兰临床领导者对儿科急诊护理中机器学习决策支持工具的理解和看法，探讨了实施障碍和潜在应用	首次在英国和爱尔兰范围内针对儿科急诊护理的机器学习决策支持工具进行临床领导者层面的网络调查，揭示了理解差距、应用偏好和关键障碍	研究为横断面调查，样本量有限（65个站点），主要依赖自我报告数据，可能无法完全代表所有临床实践环境	评估临床领导者对儿科急诊护理中机器学习决策支持工具的理解、接受度和潜在应用，以指导安全有效的实施	英国和爱尔兰儿科急诊研究网络（PERUKI）站点的数字系统负责人或站点负责人	机器学习	儿科疾病	NA	NA	调查数据	75个站点中的65个（响应率86.7%），主要来自英格兰（83.1%）	NA	NA	NA	NA
4272	2026-02-13	A deep learning framework for four-dimensional ocean sound speed field prediction 2026-Feb-01, The Journal of the Acoustical Society of America IF:2.1Q1 DOI:10.1121/10.0042423 PMID:41677394	研究论文	提出一种结合Swin Transformer和U-Net的深度学习模型（ST-UNet），用于实现四维海洋声速场的预测	首次将Swin Transformer与U-Net结合，通过多头自注意力机制提取时空特征，实现四维海洋声速场的完整时空信息预测，突破了现有方法仅能处理三维特征的局限	未明确说明模型在其他海域的泛化能力，也未讨论计算复杂度与实时预测的可行性	开发能够完整捕捉时空信息的四维海洋声速场预测方法	南海区域的海洋声速场数据	机器学习	NA	深度学习	Transformer, CNN	时空序列数据	基于南海实测数据集（具体样本量未明确说明）	NA	U-Net, Swin Transformer	均方根误差	NA
4273	2026-02-13	[Research on a Deep Learning-Based Model for Predicting Malignancy Risk of Pan-Endocrine System across Thyroid and Breast Nodules] 2026-Jan-30, Zhongguo yi liao qi xie za zhi = Chinese journal of medical instrumentation DOI:10.12455/j.issn.1671-7104.250417 PMID:41672617	研究论文	本研究构建了一个基于多任务深度学习的跨器官AI模型，用于统一预测甲状腺和乳腺结节的恶性风险	采用基于Transformer架构的多任务深度学习模型，结合特征共享层和器官特定层，实现了甲状腺和乳腺结节的统一恶性风险预测，并证实了泛内分泌结节可通过统一深度学习架构进行精确风险分层	研究仅基于三家医院的临床数据，样本量有限，且未涉及其他内分泌器官结节	构建跨器官AI模型以实现甲状腺和乳腺结节恶性风险的统一预测	甲状腺结节患者（n=2386）和乳腺结节患者（n=2753）的临床数据	数字病理	甲状腺癌, 乳腺癌	深度学习	Transformer	临床数据	甲状腺结节2386例，乳腺结节2753例，外部验证集835例	NA	Transformer	AUC, 灵敏度, 特异性	NA
4274	2026-02-13	[Advances in Application of Artificial Intelligence for Breast Cancer Radiotherapy] 2026-Jan-30, Zhongguo yi liao qi xie za zhi = Chinese journal of medical instrumentation DOI:10.12455/j.issn.1671-7104.250421 PMID:41672615	综述	本文系统回顾了人工智能在乳腺癌放疗领域的应用进展，特别是深度学习技术在提升放疗精度和优化放疗计划方面的作用	通过系统梳理AI在乳腺癌放疗中的应用，识别关键技术挑战，为AI与乳腺癌放疗的深度融合提供支持	NA	探讨人工智能技术在乳腺癌放疗中的应用，以提升放疗准确性和优化治疗计划	乳腺癌放疗过程，包括医学图像处理和自动化放疗计划	数字病理学	乳腺癌	深度学习	NA	医学图像	NA	NA	NA	NA	NA
4275	2026-02-13	[Deep Learning-Based Automated Segmentation Algorithms of Brain and Vertebral Substructures for Radiotherapy in Pediatric Medulloblastoma] 2026-Jan-30, Zhongguo yi liao qi xie za zhi = Chinese journal of medical instrumentation DOI:10.12455/j.issn.1671-7104.250219 PMID:41672616	研究论文	本研究评估了nnU-Net和FuseNet在儿童髓母细胞瘤放疗中自动分割脑和椎体子结构的应用可行性	首次在儿童髓母细胞瘤放疗中比较nnU-Net、FuseNet和U-Net模型，并引入动态多模态特征融合技术提升脑分割精度	样本量较小（共60例），且部分脑子结构（如小脑前叶和海马体）在特定年龄组的分割效果未达理想水平（DSC<0.8）	评估深度学习模型在儿童髓母细胞瘤放疗中自动分割脑和椎体子结构的可行性与性能	儿童髓母细胞瘤患者（年龄分组：≤5岁和>5岁）的CT-MRI融合图像及CT图像	数字病理学	髓母细胞瘤	CT-MRI图像融合	CNN	医学图像（CT、MRI）	60例儿童患者（训练/验证：每组24例，测试/验证：每组6例，外加20例外部验证）	NA	U-Net, nnU-Net, FuseNet	DSC, HD95, RAVD, 手动校正时间	NA
4276	2026-02-13	Machine Learning-Assisted Ultraelastic and Vibration-Resolvable Microwebs 2026-Jan-29, Advanced materials (Deerfield Beach, Fla.) DOI:10.1002/adma.202519941 PMID:41608850	研究论文	本文提出了一种结合机器学习和剪纸微纳加工技术开发超弹性微网的方法，用于增强微结构的机械性能和功能	利用数据驱动优化将自然结构转化为具有超高弹性的人工设计，实现了极低的刚度（约0.188 nN/nm），并首次展示了微网在质量传感和信息加密中的应用	未明确讨论微网在大规模生产或长期稳定性方面的限制	开发具有超弹性和振动可分辨性的微网结构，以提升微纳尺度机械性能	蜘蛛网启发的微结构，通过优化设计实现人工微网	机器学习	NA	剪纸微纳加工技术	深度学习	NA	NA	NA	NA	刚度（约0.188 nN/nm）、质量传感灵敏度（-0.801 kHz/pg）	NA
4277	2026-02-13	Metadata driven malicious URL detection using RoBERTa large and multi source network threat intelligence 2026-Jan-29, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-34790-x PMID:41611764	研究论文	本研究提出了一种基于RoBERTa-Large变换器模型和元数据驱动的恶意URL检测方法，旨在提高检测准确性和可解释性	结合了RoBERTa-Large变换器的上下文子词嵌入与轻量级元数据信号，通过注意力层实现双机制检测，显著提升了恶意URL检测的性能和透明度	未明确说明模型对新型对抗性攻击的鲁棒性，且数据集可能未覆盖所有类型的恶意URL变体	检测恶意URL，以应对网络钓鱼、恶意软件攻击和网站篡改等安全挑战	恶意URL，包括良性、篡改、钓鱼和恶意软件类别的链接	自然语言处理	NA	NA	Transformer	文本	平衡数据集，包含良性、篡改、钓鱼和恶意软件URL，具体数量未明确	NA	RoBERTa-Large	准确率	NA
4278	2026-02-13	A meta learning framework for few shot personalized gait cycle generation and reconstruction 2026-Jan-29, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-35121-4 PMID:41611817	研究论文	本文提出了一种基于元学习的少样本个性化步态周期生成与重建框架MetaGait	采用模型无关元学习（MAML）策略，通过少量步态周期样本实现个性化模型快速适应	未明确说明模型在极端步态异常或跨数据集泛化方面的性能	解决步态分析中个性化模型需要大量数据的问题	人类步态周期数据	机器学习	NA	元学习	TCN	序列数据	使用Human Gait Database（HuGaDB）数据集，具体样本量未明确说明	未明确说明	时序卷积网络	均方误差（MSE），动态时间规整（DTW）	NA
4279	2026-02-13	Radiomics analysis of early pregnancy ultrasound images to predict viability at the end of first trimester 2026-Jan-28, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-35158-5 PMID:41606065	研究论文	本研究开发了一种基于放射组学的端到端模型，用于分割和预测早期妊娠结局	结合临床特征和超声图像的放射组学特征，利用深度学习分割模型和多任务nnUNet v2，开发了预测早期妊娠流产的分类模型	样本量有限，可能导致机器学习模型容易过拟合	预测早期妊娠在孕早期结束时的存活情况	未知存活状态的早期妊娠病例	数字病理学	妊娠相关疾病	超声成像	深度学习, 机器学习	图像	500例未知存活状态的妊娠病例，其中400例用于训练和验证，100例用于测试	PyTorch	多任务nnUNet v2, XGBoost, LASSO	Dice系数, AUC, F1分数, 召回率	NA
4280	2026-02-13	Feature Integration of [18F]FDG PET Brain Imaging Using Deep Learning for Sensitive Cognitive Decline Detection 2026-Jan-26, medRxiv : the preprint server for health sciences DOI:10.64898/2026.01.22.26344669 PMID:41646662	研究论文	本研究提出了一种多表征学习框架，通过结合[18F]FDG PET脑成像的体素级和区域级特征，利用深度学习提高认知衰退检测的敏感性和准确性	提出了一种结合体素级和区域级特征的多表征学习框架，通过直接拼接集成CNN、PCANet和DNN模型，显著提升了认知衰退分类的准确性和敏感性	研究样本量相对有限（252名参与者），且仅基于ADNI数据集，可能限制了模型的泛化能力	提高认知衰退（包括早期阿尔茨海默病）与认知正常个体的诊断准确性，以支持及时干预	阿尔茨海默病神经影像学倡议（ADNI）中的252名参与者，包括118名认知正常和134名认知衰退受试者	数字病理学	阿尔茨海默病	[18F]FDG PET脑成像	CNN, PCANet, DNN	图像	252名参与者（118名认知正常，134名认知衰退）	NA	CNN, PCANet, DNN	准确率, 召回率, F1分数, 精确率	NA