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
4441	2026-03-18	Artificial intelligence algorithm to predict the requirement of neonatal endotracheal intubation within 3 h: application for clinical practice 2026, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2026.1729990 PMID:41836960	研究论文	本研究开发了一种多模态深度学习模型，用于预测新生儿在3小时内是否需要气管插管	提出了一种结合数值临床数据和时序生命体征数据的多模态深度学习模型，能够提前3小时高精度预测新生儿气管插管需求，并通过独立数据集进行了全面的外部验证	NA	开发高精度预测模型，以提前预测新生儿重症监护室中气管插管的需求，实现主动临床规划和干预	新生儿重症监护室中的新生儿	机器学习	新生儿急性呼吸窘迫	多模态深度学习	深度学习模型	数值临床数据, 时序生命体征数据	NA	NA	多模态深度学习模型	准确率, AUC	NA
4442	2026-03-18	Transformer model to determine spatio-temporal relationships of variables, and interpretability for soybean seed yield, oil, and protein prediction 2026, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2026.1750108 PMID:41837240	研究论文	本文提出了一种基于Transformer的深度学习框架，用于预测大豆种子产量、油分和蛋白质含量，并利用30年的多环境性能数据进行验证	首次将Transformer模型应用于大豆产量和品质预测，整合了天气、基因型和地理等多模态数据，并评估了可解释性方法以识别关键预测变量	研究依赖于特定数据集（UST），可能限制了模型在其他地区或作物上的泛化能力	提高大豆育种中种子产量和成分性状的预测准确性，以支持农民田间管理和市场决策	大豆种子产量、油分和蛋白质含量	机器学习	NA	深度学习	Transformer	多变量时间序列天气数据、基因型关系信息、成熟度组、地理位置	基于30年北美北部和南部统一大豆试验（UST）的多环境性能数据	NA	Transformer	R2	NA
4443	2026-03-18	Enhancing crack detection and severity assessment in historical Tabiya basins using U-Net and adaptive thresholding 2026, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2026.1741082 PMID:41837242	研究论文	本研究提出了一种基于U-Net和自适应阈值的历史Tabiya水池表面裂缝检测与严重性评估的自动化系统	结合了多种深度学习模型（U-Net与不同骨干网络）进行裂缝检测与分割，并集成了骨架化、裂缝长度估计算法和裂缝宽度提取方法进行定量测量，同时开发了用户友好的Web应用程序	未明确提及模型在极端光照或复杂背景下的泛化能力，以及系统对高分辨率图像处理的计算效率	开发自动化系统以改进历史Tabiya水池的表面裂缝检测、分割和严重性评估，支持文化遗产保护	历史Tabiya水池的表面裂缝	计算机视觉	NA	高分辨率图像采集，深度学习，计算机视觉	CNN	图像	未明确说明具体样本数量，但使用现场采集的高分辨率图像	未明确指定，但可能涉及TensorFlow或PyTorch	U-Net, MobileNetV2, ResNet-50, InceptionV3, EfficientNetB7	准确率, 召回率, 精确率, F1分数	未明确说明
4444	2026-03-18	Classification of driver and passenger mutations in different cancer types using deep neural networks 2026, Bioinformatics advances IF:2.4Q2 DOI:10.1093/bioadv/vbag068 PMID:41841102	研究论文	本研究通过整合多组学特征，开发了基于深度学习的癌症特异性模型，用于区分驱动突变和乘客突变	首次整合AlphaFold预测的结构信息、氨基酸接触网络及序列特征，构建针对30种肿瘤类型的特异性深度学习分类模型	模型性能受限于COSMIC数据库的突变注释质量，且未在独立外部数据集上进行全面验证	开发高精度计算方法以区分癌症中的驱动突变和乘客突变	来自30种肿瘤类型的61,364个错义突变（57,535个驱动突变和3,829个乘客突变）	生物信息学	癌症	全癌种突变数据分析、AlphaFold结构预测、氨基酸接触网络构建	深度神经网络	基因组序列数据、蛋白质结构数据、网络特征数据	61,364个突变样本（来自682个致癌基因）	未明确说明	深度神经网络（具体架构未说明）	分类准确率	未明确说明
4445	2026-03-18	GlioMODA: Robust glioma segmentation in clinical routine 2026 Jan-Dec, Neuro-oncology advances IF:3.7Q2 DOI:10.1093/noajnl/vdag034 PMID:41841144	研究论文	本研究提出并评估了GlioMODA，一种专为自动化胶质瘤分割设计的鲁棒深度学习框架，能够在不同且不完整的MRI协议下保持高性能	开发了一种能够在临床常规中不完整或异质MRI协议下保持鲁棒性能的胶质瘤分割框架，支持简化的2序列协议	研究主要基于BraTS 2021数据集，需要在更广泛的临床数据上进行进一步验证	开发一种适用于临床常规的鲁棒胶质瘤自动分割方法	胶质瘤患者	数字病理学	胶质瘤	磁共振成像	深度学习	图像	1251个训练病例，219个测试病例	NA	NA	Dice相似系数，全景质量指标	NA
4446	2026-03-18	Multimodality Artificial Intelligence for Involved-Site Radiation Therapy: Clinical Target Volume Delineation in High-Risk Pediatric Hodgkin Lymphoma 2025-Dec-13, International journal of radiation oncology, biology, physics DOI:10.1016/j.ijrobp.2025.12.005 PMID:41391612	研究论文	本研究开发了一种融合多模态成像的深度学习模型，用于自动勾画高危儿童霍奇金淋巴瘤受累部位放疗的临床靶区	首次将多时间点PET/CT图像与计划CT整合到深度学习模型中，用于儿童霍奇金淋巴瘤的自动靶区勾画，并进行了大规模多中心验证	研究仅针对儿童高危霍奇金淋巴瘤患者，模型在其他类型淋巴瘤或成人患者中的适用性有待验证	开发自动化的临床靶区勾画算法，以促进受累部位放疗计划制定	288名儿童高危霍奇金淋巴瘤患者的计划CT、基线PET/CT和中期PET/CT扫描图像	数字病理学	霍奇金淋巴瘤	PET/CT成像	深度学习	医学影像（CT、PET）	288名患者（230名用于模型开发，58名用于外部测试）	NA	SegResNet, ResUNet, SwinUNETR	Dice相似系数, 95% Hausdorff距离	NA
4447	2026-03-18	Leveraging complex network features improves vaccine stance classification 2025-Dec-08, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-27487-8 PMID:41360844	研究论文	本研究提出利用从社交网络提取的复杂网络特征来增强基于文本的深度学习模型，以改进疫苗立场分类	首次将复杂网络特征与文本特征结合用于疫苗立场分类，并证明网络特征在长期数据中优于文本特征	研究基于意大利语推文数据，可能无法直接推广到其他语言或社交平台	提高社交媒体上疫苗立场的分类准确性	意大利语社交媒体帖子	自然语言处理	NA	NA	深度学习	文本	约2000万条意大利语帖子，其中约7000条手动标注	NA	NA	NA	NA
4448	2026-03-18	Deep Learning-Based Diagnosis of Corneal Condition by Using Raw Optical Coherence Tomography Data 2025-Dec-08, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics15243115 PMID:41464119	研究论文	本研究利用原始光学相干断层扫描数据和卷积神经网络，区分健康角膜与圆锥角膜	直接使用原始光学相干断层扫描数据而非预处理数据进行诊断，避免了软件更新对结果的影响，提供了更一致的临床分析基础	未明确提及	通过深度学习模型，基于原始光学相干断层扫描数据实现圆锥角膜的早期诊断	使用Casia2前节光学相干断层扫描仪获取的2737次眼部检查数据，包括正常、角膜扩张症和其他疾病三类	计算机视觉	圆锥角膜	光学相干断层扫描	CNN	图像	2737次眼部检查，包含744次检查的数据集	NA	DenseNet121, EfficientNet-B0, MobileNetV3-Large, ResNet18	准确率, 宏平均灵敏度, 宏平均特异性, 宏平均阳性预测值, 宏平均F1分数	NA
4449	2026-03-18	Multi-Scale Attention Fusion With Depthwise Separable Convolutions for Efficient Skin Cancer Detection 2025-Dec, Journal of cutaneous pathology IF:1.6Q3 DOI:10.1111/cup.14870 PMID:40998452	研究论文	提出一种名为MAF-DermNet的深度学习框架，用于高效、准确的皮肤癌检测	结合多尺度注意力融合与深度可分离卷积，并利用DCGAN进行数据增强以提高模型鲁棒性	未整合临床元数据，且未来需针对不同医疗环境进行优化	开发一种高效、准确的自动化皮肤癌检测模型以辅助临床诊断	皮肤癌病变图像	计算机视觉	皮肤癌	深度学习	CNN, GAN	图像	NA	NA	MAF-DermNet, DCGAN	准确率, 宏F1分数	NA
4450	2026-03-18	"Patients Aren't Datasets": Generating Return on Investment via Automation, Responsibly 2025 Winter 01, Frontiers of health services management DOI:10.1097/HAP.0000000000000237 PMID:41292082	评论	本文探讨了在医疗保健领域如何负责任地利用人工智能和数据自动化技术来生成投资回报，同时管理相关风险	强调在医疗保健自动化中负责任地使用数据，并提出了评估AI意外后果的策略	未提供具体的实证研究或案例数据来支持论点	研究如何通过AI和数据自动化在医疗保健中生成投资回报，同时确保负责任的数据使用	医疗保健系统中的技术现代化、数据使用和AI应用	机器学习	NA	机器学习模型、生成式AI模型、深度学习模型	NA	患者数据和结果数据	NA	NA	NA	NA	NA
4451	2026-03-18	Automatically quantifying spatial heterogeneity of immune and tumor hypoxia environment and predicting disease-free survival for patients with rectal cancer 2025-Nov-18, Cancer immunology, immunotherapy : CII DOI:10.1007/s00262-025-04235-5 PMID:41251704	研究论文	本研究开发了一种自动化的定量免疫组化特征提取流程，用于分析直肠癌肿瘤微环境中免疫和缺氧标志物的空间异质性，并预测患者的无病生存期	开发了一种整合深度学习肿瘤分割与计算检测浸润边缘的自动化流程，能够客观量化DAB染色的空间异质性，并识别出具有生物学解释性的预后特征，其预测性能优于传统的pTNM分期系统	研究样本量有限（104例），且需要在多中心队列中进行进一步验证以确认其临床适用性	开发自动化定量分析肿瘤微环境空间异性的方法，以预测直肠癌患者的无病生存期	直肠癌患者的肿瘤组织样本	数字病理学	直肠癌	免疫组化	深度学习	图像	104例患者样本（57例训练集，47例验证集）	NA	NA	C-index	NA
4452	2026-03-18	Deep Learning for RNA Secondary Structure Determination: Gauging Generalizability and Broadening the Scope of Traditional Methods 2025-Nov-07, bioRxiv : the preprint server for biology DOI:10.1101/2025.11.04.686644 PMID:41278894	观点文章	本文评估了深度学习在RNA二级结构预测中的泛化能力，并探讨了其与传统方法的整合	使用来自蛋白质数据库的新基准数据集评估方法泛化性，并强调结构探测数据预测中的独特泛化挑战	已知RNA结构的多样性和数量有限，可能导致预测与训练数据显著不同结构时准确性不足	评估深度学习在RNA二级结构预测中的泛化能力，并推动传统方法与现代神经网络的整合	RNA二级结构	生物信息学	NA	深度学习	深度学习模型	RNA结构数据	来自蛋白质数据库的结构化RNA新基准数据集	NA	NA	泛化能力评估	NA
4453	2026-03-18	Deep learning for accurate tumour volume measurement and prediction of therapy response in paediatric osteosarcoma 2025-Nov-01, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-12115-w PMID:41176552	研究论文	本研究开发了两种自动化的卷积神经网络，用于量化小儿骨肉瘤的肿瘤体积并基于MRI预测诱导化疗的反应	首次将3D U-Net用于小儿骨肉瘤的自动肿瘤体积分割，并基于MRI体积变化构建了预测化疗反应的CNN模型，实现了非侵入性的治疗反应评估	研究为回顾性、多中心设计，样本量相对有限（总计101名患者），且外部验证集仅来自一个中心	评估小儿骨肉瘤的治疗反应，开发自动化工具以替代依赖手动测量和术后组织病理学的传统方法	小儿骨肉瘤患者	数字病理学	骨肉瘤	MRI	CNN	图像	总计101名患者（训练集81名，外部验证集20名），对应202次MRI扫描	NA	3D U-Net	Spearman相关系数, Bland-Altman图, Dice系数, 准确率, 灵敏度, 特异性	NA
4454	2026-03-18	Deep Learning-Based Drug Half-Life Classification to Enhance Drug Development and Pharmacokinetics 2025-Nov, Advanced pharmaceutical bulletin IF:3.1Q2 DOI:10.34172/apb.025.45420 PMID:41835054	研究论文	本研究提出了一种基于深度学习的药物半衰期分类方法，用于将药物分为短半衰期和长半衰期组，以支持药物开发和药代动力学研究	引入基于分类的方法，使用12小时阈值将药物分为短长半衰期组，相比传统回归模型，提高了临床可解释性并更好地处理药代动力学变异性	未在摘要中明确说明，可能包括数据集的局限性或模型对特定药物类型的泛化能力	预测药物半衰期以增强药物开发和药代动力学研究，改进给药策略	药物分子结构	机器学习	NA	分子结构处理	CNN	分子结构数据	未在摘要中指定具体样本数量	未在摘要中指定，可能基于常见深度学习框架如TensorFlow或PyTorch	AlexNet	准确率, F1分数	未在摘要中指定
4455	2026-03-18	Multimodal pathomics and clinical features predict postresection permanent hydrocephalus in pediatric medulloblastoma 2025-Oct-31, Journal of neuro-oncology IF:3.2Q2 DOI:10.1007/s11060-025-05263-y PMID:41171470	研究论文	本研究利用深度学习提取的病理组学特征结合临床特征，预测儿童髓母细胞瘤术后持续性脑积水的风险	首次将深度学习提取的定量病理组学特征与临床特征相结合，构建多模态模型来预测儿童髓母细胞瘤术后持续性脑积水的风险，显著提高了风险分层能力	研究为单中心回顾性研究，样本量相对较小（90例患者），需要外部验证以确认模型的泛化能力	改善儿童髓母细胞瘤术后持续性脑积水的风险预测和分层	18岁以下接受治疗的髓母细胞瘤患者	数字病理学	髓母细胞瘤	H&E染色	CNN, 逻辑回归	图像, 临床数据	90例患者	PyTorch	ResNet-18	AUC, 平均精度	NA
4456	2026-03-18	Differential Diagnosis of Papillary Thyroid Carcinoma and Nodular Goiter With Papillary Hyperplasia Using Hyperspectral Imaging Technology 2025-Oct, Journal of biophotonics IF:2.0Q3 DOI:10.1002/jbio.202500200 PMID:40603107	研究论文	本研究评估了高光谱成像技术结合深度学习在区分甲状腺乳头状癌和结节性甲状腺肿伴乳头状增生方面的应用	首次将高光谱成像与带自注意力机制的一维卷积神经网络结合，用于甲状腺病变的鉴别诊断，并在特定光谱区域实现了高灵敏度	样本量相对较小（共82个样本），且仅使用了石蜡包埋样本，未涉及新鲜组织或活体成像	开发一种基于高光谱成像和深度学习的快速、非侵入性方法，以准确区分甲状腺乳头状癌和结节性甲状腺肿伴乳头状增生	石蜡包埋的甲状腺组织样本（43个PTC样本和39个NGPH样本）	计算机视觉	甲状腺癌	高光谱成像（HSI），光谱范围400-1000 nm	CNN	高光谱图像	82个石蜡包埋组织样本（43个PTC，39个NGPH）	NA	带自注意力机制的一维卷积神经网络	ROC曲线下面积（AUC），像素级分类准确率，灵敏度，特异性	NA
4457	2026-03-18	VASCilia (Vision Analysis StereoCilia): A Napari Plugin for Deep Learning-Based 3D Analysis of Cochlear Hair Cell Stereocilia Bundles 2025-Sep-23, bioRxiv : the preprint server for biology DOI:10.1101/2024.06.17.599381 PMID:38948743	研究论文	本文介绍了VASCilia，一个基于深度学习的Napari插件，用于自动化分析耳蜗毛细胞立体纤毛束的三维形态	开发了首个开源、用户友好的Napari插件套件，集成了五个深度学习模型，用于自动化处理和分析耳蜗毛细胞立体纤毛束的3D共聚焦显微镜图像，并提供了首个手动标注的3D实例分割数据集	未明确说明模型在更广泛数据集或不同物种上的泛化能力，也未详细讨论计算效率或对硬件资源的具体要求	开发一个专门工具，以促进耳蜗毛细胞立体纤毛束的高通量、定量三维形态分析	耳蜗毛细胞及其立体纤毛束	计算机视觉	NA	共聚焦显微镜，鬼笔环肽染色	深度学习模型	3D共聚焦显微镜图像	约55个3D图像堆栈，包含502个内毛细胞束和1703个外毛细胞束的3D标注	NA	Z-Focus Tracker (ZFT), PCPAlignNet, 分割模型, 分类工具	NA	NA
4458	2026-03-18	Your turn: At home turning angle estimation for Parkinson's disease severity assessment 2025-09, Artificial intelligence in medicine IF:6.1Q1 DOI:10.1016/j.artmed.2025.103194 PMID:40577945	研究论文	本文提出了一种基于深度学习的方法，通过从视频中提取3D骨架并计算髋关节和膝关节的旋转，来自动量化帕金森病患者在家庭环境中的转身角度	这是首个探索使用单目摄像头数据在家庭环境中量化帕金森病患者转身行为的研究，重点关注自由生活场景下的复杂挑战	由于在自由生活环境中难以获取精确的真实数据，研究基于临床专家的手动标注将角度量化为最近的45°区间，这可能影响精度	开发一种自动量化帕金森病患者转身角度的方法，以评估疾病严重程度	帕金森病患者和健康对照志愿者	计算机视觉	帕金森病	视频分析，3D骨架提取	深度学习	视频	24名受试者（12名帕金森病患者和12名健康对照志愿者）的1386个转身视频片段	NA	Fastpose, Strided Transformer	准确率, 平均绝对误差, 加权精确率	NA
4459	2026-03-18	Big data and AI: Potential and challenges for digital transformation in toxicology 2025-Sep, Environmental analysis, health and toxicology DOI:10.5620/eaht.2025s07 PMID:41265416	综述	本文探讨了大数据和人工智能在毒理学数字化转型中的潜力与挑战，重点关注毒性数据库现状、AI方法及其在化学风险评估中的应用	系统整合了毒性数据库、AI方法（包括机器学习、深度学习和大型语言模型）及案例研究，并强调了解释性AI和不良结局通路框架的结合以提升模型可解释性	高质量同质数据集有限，AI模型的黑箱性质阻碍了监管接受度	推动毒理学从观察科学向预测科学转型，通过AI现代化化学风险评估	毒性数据库、AI方法（如机器学习和深度学习）、化学优先排序案例	机器学习	NA	NA	机器学习, 深度学习, 大型语言模型	大数据	NA	NA	NA	NA	NA
4460	2026-03-18	Comparison of time-series models for predicting physiological metrics under sedation 2025-06, Journal of clinical monitoring and computing IF:2.0Q2 DOI:10.1007/s10877-024-01237-z PMID:39470955	研究论文	本研究全面比较了多种时间序列模型在生理指标预测中的应用，重点关注麻醉深度评估中的双频指数预测	系统比较了传统药代动力学-药效学模型、统计模型与现代深度学习模型在双频指数预测中的性能，并探索了单变量与多变量预测方案	NA	评估和比较不同时间序列模型在预测手术中镇静深度关键指标双频指数的性能	从真实手术中收集的生理指标数据集，用于预测双频指数	机器学习	NA	NA	LSTM, GRU, TCN, Transformer, ARIMA, VAR	时间序列数据	NA	NA	LSTM, GRU, TCN, Transformer	NA	NA