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
4681	2026-05-03	Segmentation of X-ray coronary angiography with an artificial intelligence deep learning model: Impact in operator visual assessment of coronary stenosis severity 2023-10, Catheterization and cardiovascular interventions : official journal of the Society for Cardiac Angiography & Interventions IF:2.1Q3 DOI:10.1002/ccd.30805 PMID:37579212	研究论文	比较操作者在冠脉造影中目测评估狭窄程度与使用AI深度学习模型分割后图像评估的差异	首次系统性评估AI分割冠脉造影图像对操作者目测评估狭窄程度的改善效果	样本量较小（123个病变），未评估AI分割对临床决策的长期影响	评估AI深度学习分割模型能否减少操作者对冠脉狭窄程度的高估	冠脉造影图像中123个病变的目测狭窄程度	医学影像分析	冠状动脉疾病	X射线冠脉造影	深度学习	图像	123个冠脉病变	NA	深度学习分割模型（论文未明确说明具体架构名称）	百分比直径狭窄差异、一致性比率	NA
4682	2026-05-03	Integration of deep learning with Ramachandran plot molecular dynamics simulation for genetic variant classification 2023-Mar-17, iScience IF:4.6Q1 DOI:10.1016/j.isci.2023.106122 PMID:36879825	研究论文	开发一个结合蛋白质结构信息和深度学习的方法用于遗传变异分类	创新性地将Ramachandran图分子动力学模拟与自编码器无监督学习和神经网络分类器相结合，用于提取蛋白质结构和热力学信息并进行遗传变异分类	未明确提及局限性	开发一种结合蛋白质结构和深度学习的高通量遗传变异分类系统	三个DNA损伤修复基因（BRCA1、MLH1、MSH2）的遗传变异	机器学习	遗传疾病	NGS	自编码器, 神经网络分类器	蛋白质结构数据和遗传变异数据	未明确提及样本数量	NA	自编码器, 神经网络	特异性	NA
4683	2026-05-03	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	提出基于概率与深度学习挖掘的级联数据特征学习模型，用于预测医院门诊量并分析医疗大数据特征	构建级联深度框架实现特征变换、选择与分类器的集成，结合概率与深度学习挖掘多模态医疗数据特征	周和月门诊量预测精度较低，因误差随预测间隔累积；未明确提及数据来源、样本规模及外部验证	开发智能应用预测门诊量，分析医疗大数据特征，优化医疗资源配置	医院门诊量数据（日、周、月）及其特征关系	机器学习	NA	深度学习挖掘、概率分析	级联深度模型	医疗大数据（结构化门诊量数据）	未明确说明	NA	级联深度框架	预测精度（日、周、月对比）	未说明
4684	2026-05-03	From Regression Analysis to Deep Learning: Development of Improved Proxy Measures of State-Level Household Gun Ownership 2020-Dec-11, Patterns (New York, N.Y.) DOI:10.1016/j.patter.2020.100154 PMID:33336203	研究论文	利用传统回归分析和深度学习开发了两种高精度州级家庭枪支拥有率代理指标	首次将深度学习应用于枪支拥有率代理指标建模，并指出传统FS/S代理指标存在严重偏差	代理指标依赖有限协变量（自杀枪支比例和狩猎执照率），可能忽略其他影响因素	开发更准确的州级家庭枪支拥有率代理指标，替代现有偏见严重的FS/S指标	美国各州家庭枪支拥有率	机器学习	NA	NA	深度学习模型、回归分析模型	数值型数据	NA	NA	NA	R²	NA
4685	2026-05-03	An automated tissue-to-diagnosis pipeline using intraoperative stimulated Raman histology and deep learning 2020, Molecular & cellular oncology IF:2.6Q3 DOI:10.1080/23723556.2020.1736742 PMID:32391430	研究论文	利用术中受激拉曼组织学与深度学习实现自动化组织诊断流程	开发了基于床边的组织到诊断的全自动流程，结合受激拉曼组织学（SRH）和深度卷积神经网络（CNN），无需标记即可快速识别脑肿瘤区域	NA	建立并验证一种术中快速、自动化的脑肿瘤诊断方法	脑组织标本，特别是常见脑肿瘤	机器学习的医学图像分析	脑肿瘤	受激拉曼组织学（SRH）	深度卷积神经网络（CNN）	SRH图像	NA	NA	卷积神经网络（CNN）	分割准确性	NA
4686	2026-05-03	Inferring single-trial neural population dynamics using sequential auto-encoders 2018-10, Nature methods IF:36.1Q1 DOI:10.1038/s41592-018-0109-9 PMID:30224673	研究论文	提出一种基于序列自编码器的深度学习方法，用于从单次试验的神经尖峰数据中推断潜在动态	引入动态系统的潜在因子分析，成功从单次试验的神经数据中提取动态特征，并有效处理不完全采样、试验间变异和动作电位时间波动等挑战	NA	开发一种能够从单次试验神经活动中推断潜在种群动态的方法，以更深入理解神经活动与行为之间的关系	多种猴子和人类运动皮层数据集	机器学习	NA	神经记录	序列自编码器	神经尖峰数据	包含多种猴子和人类运动皮层数据集，具体样本量未明确说明	PyTorch	潜在因子分析通过动态系统	行为变量预测的准确性、单次试验神经放电率估计精度、与行为选择相关的动态扰动推断、跨非重叠记录会话数据整合效果	NA
4687	2026-05-02	Deep learning assessment of nativeness and pairing likelihood for antibody and nanobody design with AbNatiV2 2026-12-31, mAbs IF:5.6Q1 DOI:10.1080/19420862.2026.2646361 PMID:41947016	研究论文	提出AbNatiV2，一种基于深度学习的抗体和纳米抗体天然性与配对可能性评估方法	1）扩展序列数据库并改进架构，提升纳米抗体天然性分类性能；2）引入p-AbNatiV2跨注意力模型，利用噪声对比训练学习VH/VL配对概率	未明确讨论模型在不同物种或极端突变场景下的泛化能力	评估抗体和纳米抗体的天然性及配对可能性，支持抗体工程和从头设计	抗体和纳米抗体序列（包括VH-VL配对和单域纳米抗体）	机器学习	NA	深度测序	VQ-VAE, Transformer, 跨注意力模型	序列数据	每个模型在超过2000万条序列上训练，p-AbNatiV2在370万对人类配对序列上微调	PyTorch	VQ-VAE + Transformer, 跨注意力模型	分类准确率, 配对评分, 残基级人源化评分	NA
4688	2026-05-02	Monitoring horse behaviour with deep learning models 2026-Dec-31, The veterinary quarterly DOI:10.1080/01652176.2026.2665442 PMID:42048054	研究论文	利用深度学习模型监测马的行为，通过卷积神经网络识别站立、躺卧和饮水行为	首次使用深度学习模型从连续视频中自动识别马匹的站立、躺卧和饮水行为，并展示其在福利监测中的应用潜力	躺卧行为的召回率较低（63.1%），且仅针对单一马匹在木制马厩中的行为进行研究，未涉及更不常见的行为识别	评估深度学习模型在非侵入式监测马匹行为中的有效性	马的行为（站立、躺卧和饮水）	计算机视觉	NA	视频数据	卷积神经网络（CNN）	视频	一匹马，连续29天记录	NA	卷积神经网络（CNN）	精确率, 召回率	NA
4689	2026-05-02	Systematic evaluation of machine learning models for clinical risk prediction on real-world hospital datasets 2026-May-15, iScience IF:4.6Q1 DOI:10.1016/j.isci.2026.115654 PMID:42063551	研究论文	系统评估了10种机器学习模型在8个真实世界临床风险预测数据集上的表现	首次对经典机器学习、表格深度学习和自动机器学习三大范式进行临床风险预测领域的系统性基准测试，并识别出CatBoost和TabPFN为最优模型	未说明局限性	为临床风险预测提供模型选择的实证指导	10种机器学习模型（包括CatBoost、TabPFN、AutoGluon等）	机器学习	NA	NA	梯度提升决策树、表格深度学习、自动机器学习	表格数据	8个真实世界临床风险预测数据集	NA	CatBoost、TabPFN、AutoGluon	区分度、校准度、临床效用	NA
4690	2026-05-02	Plantar Thermogram Analysis Using Deep Learning for Diabetic Foot Risk Classification 2026-May, Journal of diabetes science and technology IF:4.1Q2 DOI:10.1177/19322968251316563 PMID:39980256	研究论文	利用热成像和深度学习对糖尿病患者进行足部溃疡风险分层	首次将热成像与深度学习结合用于糖尿病足风险分类，并优先提高筛查灵敏度以识别高风险足部	样本量较小（仅153张热图像），且数据集存在类别不平衡（正常图像远多于异常图像）	开发一种基于热成像和深度学习的非侵入性筛查方法，用于糖尿病足溃疡风险分层	成年糖尿病患者	计算机视觉，机器学习	糖尿病足	热成像	卷积神经网络（CNN）	图像	153张足底热图像（98张用于训练，55张用于测试）	NA	NA	准确率，灵敏度，特异性，马修斯相关系数	NA
4691	2026-05-02	A Tutorial on MRI Reconstruction: From Modern Methods to Clinical Implications 2026-May, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3617575 PMID:41042661	教程	概述磁共振成像重建的基本原理并介绍先进方法，从传统的手工先验方法到结合学习与手工先验的深度学习方法，同时探讨这些方法的转化方面和临床意义	系统性地介绍了MRI重建从经典方法到深度学习方法的演进，并提供了配套的Python工具箱以演示所选方法	未明确提及局限性，但教程性质可能意味着缺乏对新方法的广泛验证和比较	介绍MRI重建的基本原理和最新进展，并探讨其临床转化前景	MRI图像重建方法，包括传统方法和深度学习方法	机器学习和图像重建	NA	MRI	深度学习方法（如CNN等）	MRI图像	NA	Python	NA	NA	NA
4692	2026-05-02	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，用于99mTc-MAA SPECT成像的无CT衰减校正和基于蒙特卡罗的散射校正，以提升90Y-SIRT治疗规划与剂量定量分析的准确性	首次将改进的3D Swin UNETR架构应用于SPECT图像的衰减与散射联合校正，实现CT-free方式且无需蒙特卡罗模拟，具有临床转化潜力	基于回顾性数据，未在真实临床环境中验证；模型性能可能受限于训练数据分布和患者异质性	通过深度学习模型实现SPECT图像的衰减与散射校正，支持90Y-SIRT的精准剂量学分析	222名接受90Y-SIRT前99mTc-MAA SPECT成像的患者	计算机视觉, 数字病理	NA	SPECT成像	深度学习	图像	222名患者	NA	Swin UNETR（改进型3D移位窗口UNet Transformer）	平均误差, 相对误差, 平均绝对误差, Gamma分析（距离一致性与剂量差异）	NA
4693	2026-05-02	Quantification of Ki-67 labeling index in pediatric brain tumor immunohistochemistry images 2026-May-01, Journal of neuropathology and experimental neurology IF:3.2Q2 DOI:10.1093/jnen/nlaf163 PMID:41806389	研究论文	基于深度学习框架自动量化儿童脑肿瘤免疫组化图像中的Ki-67标记指数	首次将StarDist深度学习模型应用于儿童脑肿瘤全切片图像的Ki-67标记指数自动计算，并集成QuPath和Python后处理脚本生成细胞密度图和汇总表	研究未提及对罕见肿瘤亚型的验证，且基于单一数据集（CBTN）可能导致泛化性受限	为儿童脑肿瘤的Ki-67标记指数提供自动化定量分析框架，替代手动评分	儿童脑肿瘤全切片免疫组化图像中的Ki-67阳性与阴性细胞核	数字病理学	儿童脑肿瘤（髓母细胞瘤、室管膜瘤、胶质瘤等）	免疫组化染色	深度学习模型（StarDist）	全切片图像	632例儿童脑肿瘤病例，734张Ki-67全切片图像	QuPath, Python	StarDist	中位数标记指数、相关性分析P值	未明确说明
4694	2026-05-02	Association of Circulating T Cell and Tumor Microenvironment Profiles with Immune Checkpoint Blockade Outcomes in Sarcoma 2026-May-01, Clinical cancer research : an official journal of the American Association for Cancer Research IF:10.0Q1 DOI:10.1158/1078-0432.CCR-25-3419 PMID:41677857	研究论文	分析肉瘤患者循环T细胞和肿瘤微环境特征与免疫检查点抑制剂治疗结局的关联	首次结合外周血T细胞免疫分型与肿瘤微环境基因表达亚型，并应用深度学习自动分析H&E切片淋巴聚集物，提出多模态预测免疫治疗反应的生物标志物	H&E切片样本量较小（仅48例），且深度学习模型仅用于淋巴聚集物检测，未进一步整合多模态特征	探索肉瘤患者接受免疫检查点抑制剂治疗的反应和耐药生物标志物，以优化患者选择	肉瘤患者的外周血单个核细胞（PBMC）、肿瘤组织RNA测序数据及H&E染色切片	数字病理学	肉瘤	流式细胞术、RNA测序、深度学习	深度学习模型（用于自动分析H&E切片）	图像（H&E切片）、基因表达谱（RNA-seq）、细胞免疫分型数据	178例患者PBMC样本，67例肿瘤组织RNA-seq样本，48例H&E切片样本	NA	NA	总生存期、无进展生存期、缓解率	NA
4695	2026-05-02	Deep learning model for automated identification of ventrally positioned right hepatic artery in contrast-enhanced computed tomography of pediatric congenital biliary dilatation: development and clinical application 2026-May, Pediatric radiology IF:2.1Q2 DOI:10.1007/s00247-026-06588-0 PMID:41870581	研究论文	开发并验证基于YOLOv12的深度学习模型，用于在增强CT中自动识别儿童先天性胆总管扩张的腹侧走行右肝动脉	首次将YOLOv12模型应用于儿童术前CT图像中腹侧走行右肝动脉的自动识别，采用关键切片靶向策略，性能达到资深放射科医师水平	单中心回顾性研究，样本量相对有限，未进行外部验证	开发一种能够自动识别增强CT中腹侧走行右肝动脉的深度学习模型，提高儿童先天性胆总管扩张术前评估的安全性	儿童先天性胆总管扩张患者的腹侧走行右肝动脉	计算机视觉	先天性胆总管扩张	增强CT	YOLOv12	医学图像	232例先天性胆总管扩张患者（116例腹侧走行右肝动脉，116例对照），共1452张关键动脉期切片	PyTorch	YOLOv12n, YOLOv12s, YOLOv12m, YOLOv12l, YOLOv12x	精确率、召回率、F1分数、平均精度均值、受试者工作特征曲线下面积	NA
4696	2026-05-02	Spectral deep learning-based patient and bowtie scatter correction for clinical photon-counting CT 2026-May, Medical physics IF:3.2Q1 DOI:10.1002/mp.70442 PMID:42050788	研究论文	本研究提出一种基于光谱深度学习的患者与Bowtie散射校正方法，用于临床光子计数CT	首次在深度学习散射校正中利用光子计数CT的光谱信息，实现患者与Bowtie散射的联合校正，减少网络数量并降低计算成本	未明确提及具体限制，但依赖蒙特卡洛数据和临床PCCT系统验证，可能需进一步评估泛化性	探究光谱信息如何改进深度学习散射校正，并比较联合与单独校正Bowtie及患者散射的性能	光子计数CT中的散射伪影，包括患者散射和Bowtie散射	计算机视觉	NA	光子计数CT	神经网络	图像	使用蒙特卡洛模拟数据和临床PCCT系统实测数据，具体样本量未提及	NA	深度散射估计网络	平均绝对误差, 临界平均绝对误差	NA
4697	2026-05-02	Clinically Deployable Handwriting Biomarkers of Parkinson's Disease via Multiscale Attention and Bayesian-Genetic Optimization 2026-May, Brain and behavior IF:2.6Q3 DOI:10.1002/brb3.71457 PMID:42050861	研究论文	提出了一种结合多尺度注意力和贝叶斯-遗传优化的深度学习网络，用于基于手写特征检测帕金森病	首次将多尺度门控多头注意力机制与深度可分离卷积结合，并设计帕金森病专用贝叶斯-遗传优化方案来联合调优架构和训练超参数，同时利用SHAP超像素归因图提供临床可解释性	未提及外部验证数据集以外的泛化测试，且模型优化主要针对PaHaW数据集，可能需要更多样本人群验证	开发一种临床可部署的手写生物标志物深度学习模型，用于帕金森病的客观检测和风险分层	帕金森病患者和健康对照组的螺旋线、波浪线和迂回线手绘图画	计算机视觉	帕金森病	手写数字化采集（平板电脑）	卷积神经网络（多尺度门控多头注意力深度可分离卷积网络）	图像（统一RGB格式的手绘任务图像）	PaHaW数据集和独立HandPD数据集，具体样本量未在摘要中给出	NA	多尺度门控多头注意力深度可分离卷积网络（PD-MGMA-DSCNN）	准确率、ROC-AUC、精确率-召回率	NA
4698	2026-05-02	Improving patient treatment accuracy using transit dosimetry with Electronic Portal Imaging Device images and deep learning 2026-May, Physics and imaging in radiation oncology DOI:10.1016/j.phro.2026.100966 PMID:42063988	研究论文	利用EPID图像和深度学习进行通过式剂量测定，提高患者治疗准确性	提出了一种基于深度学习的框架，通过数据采集和治疗计划系统剂量模拟，从通过式EPID图像重建水等效剂量，无需繁琐的校准和校正程序	未明确说明局限性，但提及标准非晶硅EPID探测器对水等效剂量的非线性响应是主要限制	开发一种深度学习框架，从通过式EPID图像快速准确地重建水等效剂量，支持安全有效的放射治疗	EPID测量数据和对应的Monaco治疗计划系统剂量模拟	计算机视觉，机器学习	不适用（癌症放射治疗）	EPID成像，剂量模拟	CNN（U-Net）	图像	超过200个EPID测量数据，使用不同体模和照射野	不适用	2D U-Net	平均绝对误差，γ指数（3%/3mm和5%/5mm标准）	不适用
4699	2026-05-02	A few-shot learning method for underwater acoustic target recognition based on generative data augmentationa) 2026-May-01, The Journal of the Acoustical Society of America IF:2.1Q1 DOI:10.1121/10.0043727 PMID:42065402	研究论文	提出一种基于生成式数据增强的小样本水下声学目标识别方法	构建生成式与判别式协同框架，利用潜在空间补全和结构保持生成重建机制，在特征层面重建更连续、完整且具有判别性的类内分布	NA	解决小样本场景下水下声学目标识别中参考样本稀缺和环境干扰复杂的问题	水下声学目标	机器学习	NA	NA	变分自编码器	声学信号	NA	NA	变分自编码器	NA	NA
4700	2026-05-02	Estimating band importance for environmental sound recognition using deep learninga) 2026-May-01, The Journal of the Acoustical Society of America IF:2.1Q1 DOI:10.1121/10.0043736 PMID:42065403	研究论文	利用深度学习模型估算环境声音识别中的频带重要性函数	通过比较模仿人类表现和任务最优的深度学习模型，揭示了环境声音识别中的频带重要性，并发现人类表现接近任务最优频率	研究仅涉及25种日常声音和语音掩蔽，可能未涵盖所有环境声音类型；BIF估计依赖于特定模型和滤波器方法	理解环境声音识别中支持频率区域的频带重要性，并评估人类表现与任务最优的一致性	46名听者识别的25种日常声音与语音混合的听觉刺激	机器学习	NA	深度学习	深度学习模型	声音信号	46名听者，25种声音	TensorFlow	卷积神经网络（CNN）	识别准确率	GPU（NVIDIA RTX 3090）