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
5241	2026-01-30	Development of AI-Based Laryngeal Cancer Diagnostic Platform Using Laryngoscope Images 2026-Jan-11, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16020227 PMID:41594203	研究论文	本研究开发并评估了一个基于人工智能的喉癌诊断平台，该平台利用喉镜图像，通过两个深度学习模型分别进行声带图像选择和喉癌病灶定位	提出了一个集成声带图像选择模型和病灶检测模型的两阶段AI平台，用于从喉镜图像中实现准确且快速的喉癌检测	研究局限在当前实验设置下，未提及外部验证或临床前瞻性试验结果	开发并评估基于人工智能的模型，用于利用喉镜图像检测喉癌	喉镜图像	计算机视觉	喉癌	喉镜成像	深度学习	图像	NA	NA	FCN-ResNet101	IoU, Dice分数, 准确率, 精确率, 召回率, F1分数, 单图推理时间	NA
5242	2026-01-30	EEG Signal Classification with Data Augmentation for Epileptic Focus Localization and Deep Sleep Detection 2026-Jan-11, Sensors (Basel, Switzerland) DOI:10.3390/s26020474 PMID:41600271	研究论文	本文提出了一种统一的EEG分类框架，通过三种轻量级数据增强技术（时间偏移、幅度缩放和噪声添加）来丰富训练多样性并增强模型鲁棒性，应用于癫痫灶定位和深度睡眠检测任务	提出了一种结合时间偏移、幅度缩放和噪声添加三种轻量级数据增强技术的统一EEG分类框架，即使在基线准确率较高的情况下仍能显著提升模型性能	未明确讨论数据增强技术对模型计算复杂度的影响，也未在更多样化的数据集上进行验证	提高基于EEG的深度学习模型在数据有限条件下的分类性能和鲁棒性	生理和病理EEG信号，具体应用于癫痫灶定位和深度睡眠检测	机器学习	癫痫	EEG信号处理	CNN	EEG信号	两个公共数据集（未指定具体样本数量）	未指定	DeepConvNet, ShallowConvNet, EEGNet	准确率	NA
5243	2026-01-30	Deep learning based volumetric analysis of infrarenal abdominal aortic aneurysms characterized on CTA 2026-Jan-10, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-025-02262-1 PMID:41519965	研究论文	本文提出了一种基于深度学习的自动化分割和体积测定方法，用于分析CTA图像中的肾下腹主动脉瘤	开发了一种机构无关的网络，能够自动进行腹主动脉瘤的体积分析，显著提高了工作流程效率	未明确说明模型在更广泛数据集或不同成像条件下的泛化能力	训练和验证一个网络，以自动化分割和测定CTA图像中肾下腹主动脉瘤的体积，并评估工作流程加速效果	肾下腹主动脉瘤，包括总动脉瘤、管腔和血栓	计算机视觉	心血管疾病	CTA	深度学习	图像	未明确说明具体样本数量，但涉及内部和外部验证数据集	未明确说明	未明确说明	Dice相似系数, 相关系数	未明确说明
5244	2026-01-30	Decoding of Inconsistent Biological Data: A Critical Step toward Enhanced AI Predictivity in Drug Discovery 2026-Jan-09, ACS pharmacology & translational science IF:4.9Q1 DOI:10.1021/acsptsci.5c00677 PMID:41536274	观点文章	本文讨论了生物活性数据整合中的噪声问题及其对AI药物发现预测能力的影响	强调实验协议变化（如缓冲液组成和实验设置）对数据一致性的深刻影响，并探讨利用大语言模型和代理AI支持药物发现的新策略	当前计算研究在评估蛋白质-配体相互作用方面存在局限性，数据噪声问题尚未完全解决	提高AI在药物发现中的预测能力，解决生物数据不一致性问题	酶抑制剂/结合剂和病毒表面蛋白等蛋白质靶标	机器学习	NA	NA	深度学习, 大语言模型	生物活性数据	NA	NA	NA	NA	NA
5245	2026-01-30	Demystifying Deep Learning Decisions in Leukemia Diagnostics Using Explainable AI 2026-Jan-09, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16020212 PMID:41594188	研究论文	本文提出了一种结合卷积神经网络和可解释AI方法的AI流程，用于白血病诊断，旨在提高诊断准确性并提供透明的决策依据	整合了多种CNN模型与LIME和Grad-CAM两种可解释AI方法，在大型多样化数据集上实现了高精度诊断，并提供了以细胞核为中心的可视化解释	未明确提及模型在临床环境中的实时应用验证或外部独立数据集的测试	开发一个高精度且可解释的AI系统，用于白血病的自动化诊断	白血病患者及健康对照者的血液和骨髓图像数据	数字病理学	白血病	外周血涂片和骨髓评估，结合LDI-PCR、分子细胞遗传学和array-CGH	CNN	图像	66,550张图像，涵盖ALL、AML、CLL、CML和健康对照	TensorFlow, Keras	DenseNet-121, MobileNetV2, VGG16, InceptionV3, ResNet50, Xception, 自定义CNN	准确率, F1分数	未明确指定
5246	2026-01-30	Comparative Evaluation of Deep Learning Models for the Classification of Impacted Maxillary Canines on Panoramic Radiographs 2026-Jan-09, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16020219 PMID:41594194	研究论文	本研究通过比较四种预训练的卷积神经网络模型，评估了深度学习在自动分类全景X光片中上颌阻生尖牙方面的性能	首次对ResNet50、Xception、InceptionV3和VGG16四种预训练CNN架构在阻生上颌尖牙分类任务上进行了比较评估，并开发了原型诊断界面以展示临床应用潜力	研究为单中心回顾性研究，数据集存在轻度不平衡，且需要进一步在多样化的多中心数据集上进行验证以确认临床泛化能力	开发并评估基于深度学习的自动化分类方法，以辅助上颌阻生尖牙的早期准确识别	上颌阻生尖牙	计算机视觉	牙科疾病	全景X光摄影	CNN	图像	694张标注的全景X光片	TensorFlow, Keras	ResNet50, Xception, InceptionV3, VGG16	准确率, 精确率, 召回率, 特异性, F1分数	NA
5247	2026-01-30	Efficient and Accurate Epilepsy Seizure Prediction and Detection Based on Multi-Teacher Knowledge Distillation RGF-Model 2026-Jan-09, Brain sciences IF:2.7Q3 DOI:10.3390/brainsci16010083 PMID:41594804	研究论文	本文提出了一种基于多教师知识蒸馏的RGF-Model，用于高效、准确的癫痫发作预测与检测	提出了一种轻量级网络RGF-Model，将发作预测与检测统一在因果框架内，并采用多教师知识蒸馏策略从复杂教师模型中转移互补知识，显著降低了计算复杂度	模型仅在CHB-MIT和Siena两个数据集上进行了评估，需要更多临床数据验证其泛化能力	开发适用于可穿戴设备的实时癫痫监测系统	癫痫患者的脑电信号	机器学习	癫痫	脑电图	RNN, 知识蒸馏	时序信号	CHB-MIT和Siena数据集	NA	Ring-Buffer Gated Recurrent Unit, Feature-wise Linear Modulation	AUC, 每小时错误预测率, 准确率	NA
5248	2026-01-30	Robust Multimodal Deep Learning for Lymphoma Subtype Classification Using 18F-FDG PET Maximum Intensity Projection Images and Clinical Data: A Multi-Center Study 2026-Jan-09, Cancers IF:4.5Q1 DOI:10.3390/cancers18020210 PMID:41595131	研究论文	本研究提出了一种多模态深度学习框架，结合了标准化的PET影像特征与结构化临床数据，用于淋巴瘤亚型的层次分类	引入了Scanner-Conditioned Normalization (SCN)模块以自适应地调和不同扫描仪制造商引起的特征分布差异，并构建了一个多模态深度学习框架进行层次分类	需要在更大、更多样化的队列中进行进一步验证，以应对罕见亚型和生物学异质性的挑战	开发一个稳健的多模态深度学习框架，用于淋巴瘤亚型的自动分类	淋巴瘤患者的18F-FDG PET最大强度投影图像和临床数据	数字病理学	淋巴瘤	18F-FDG PET成像	深度学习	图像, 临床数据	多中心数据，包含内部和外部队列	NA	NA	AUC	NA
5249	2026-01-30	Light Sources in Hyperspectral Imaging Simultaneously Influence Object Detection Performance and Vase Life of Cut Roses 2026-Jan-09, Plants (Basel, Switzerland) DOI:10.3390/plants15020215 PMID:41600022	研究论文	本研究探讨了四种光源（卤素灯、白炽灯、荧光灯和LED）对高光谱成像质量和切花月季瓶插寿命的影响	首次同时评估光源对高光谱成像质量和植物生理状态（瓶插寿命）的双重影响，并提出两阶段照明策略	仅使用两个切花月季品种，样本量有限，且未考虑其他环境因素	优化高光谱成像中的照明条件，以提高深度学习模型检测精度并减少对植物生理的负面影响	切花月季品种'All For Love'和'White Beauty'	计算机视觉	NA	高光谱成像	YOLOv11x	高光谱图像	40枝切花月季，每种光源产生640张图像	NA	YOLOv11x	mAP@0.5	NA
5250	2026-01-30	MS-TSEFNet: Multi-Scale Spatiotemporal Efficient Feature Fusion Network 2026-Jan-09, Sensors (Basel, Switzerland) DOI:10.3390/s26020437 PMID:41600232	研究论文	提出一种用于脑电信号解码的多尺度时空高效特征融合网络，以提升运动想象任务的分类性能	提出了一种结合多尺度卷积模块、空间注意力机制和高效特征融合策略的网络架构，能有效融合不同层次的特征并捕捉脑电信号的时空相关性	NA	提升运动想象脑电信号解码的分类准确性和鲁棒性	脑电图信号	机器学习	NA	脑电图	CNN	信号数据	三个公开数据集：BCIC-IV2a, BCIC-IV2b, ECUST	NA	MS-TSEFNet	分类准确率	NA
5251	2026-01-30	Emerging Trends in Artificial Intelligence-Assisted Colorimetric Biosensors for Pathogen Diagnostics 2026-Jan-09, Sensors (Basel, Switzerland) DOI:10.3390/s26020439 PMID:41600240	综述	本文综述了人工智能辅助比色生物传感器在病原体诊断中的新兴趋势，重点讨论了AI模型（特别是机器学习和深度学习）在提升诊断准确性、快速性和用户友好性方面的应用	系统性地总结了传统光学生物传感器与新兴AI辅助比色方法之间的研究空白，并提出了开发稳健、可解释且兼容智能手机的AI辅助检测的前瞻方向	本文是一篇综述，未提出新的实验数据或模型，主要基于过去五年的文献进行分析和总结	为医生和研究人员提供AI辅助病原体检测方法的全面概述，以支持快速、准确和用户友好的健康与临床应用	由细菌和病毒病原体引起的传染病	机器学习	传染病	比色生物传感器	机器学习, 深度学习	图像（颜色变化）	NA	NA	NA	诊断准确性	NA
5252	2026-01-30	Age- and BMI-Dependent Psoas and Gluteus Muscle Mass in 27,805 Participants of the Population-Based German National Cohort (NAKO Gesundheitsstudie): A Deep-Learning 3T MRI Study 2026-Jan-08, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16020205 PMID:41594181	研究论文	本研究开发并验证了一种基于深度学习的自动化模型，用于在大型队列研究中通过3T MRI对腰大肌和臀肌进行3D分割和量化，并分析了性别、年龄和BMI相关的差异	首次在基于人群的大规模队列研究中应用深度学习模型对腰大肌和臀肌进行3D自动分割和量化	研究未讨论模型在其他人群或不同MRI设备上的泛化能力	开发自动化深度学习模型用于MRI图像中骨骼肌的3D分割和量化，并分析肌肉形态与性别、年龄、BMI的关系	基于德国国家队列研究的27,805名参与者的腰大肌和臀肌	计算机视觉	NA	3T MRI, T1加权3D VIBE DIXON序列	深度学习分割模型	MRI图像	27,805名参与者	NA	NA	Dice系数	NA
5253	2026-01-30	Early Tuberculosis Detection via Privacy-Preserving, Adaptive-Weighted Deep Models 2026-Jan-08, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16020204 PMID:41594180	研究论文	本文提出了一种基于联邦学习和遗传算法优化的自适应加权集成模型，用于早期肺结核的检测	结合联邦学习与遗传算法优化的自适应加权集成策略，在保护数据隐私的同时提升模型性能	研究未明确说明模型在外部验证集上的泛化能力及计算资源消耗的具体细节	开发一个可扩展、保护隐私且高精度的深度学习系统，用于早期肺结核识别	胸部X光图像	计算机视觉	肺结核	胸部X光成像	集成学习模型	图像	NA	NA	集成模型（具体基础模型未指定）	准确率, 灵敏度, 精确率, F1分数, AUC, 混淆矩阵	NA
5254	2026-01-30	Artificial Intelligence Meets Nail Diagnostics: Emerging Image-Based Sensing Platforms for Non-Invasive Disease Detection 2026-Jan-08, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering13010075 PMID:41596006	综述	本文首次全面综述了结合人工智能/机器学习进行指甲病变图像分析以用于诊断目的的研究现状	首次对融合AI/ML的指甲病变图像分析诊断进行大规模综合评述，并特别关注诊断与筛查，提出了可扩展、公平、可信的基于指甲的医学诊断技术路径	面临数据稀缺、皮肤类型差异、标注错误以及临床采纳法规等现实世界应用障碍	探讨人工智能与机器学习在指甲诊断中的应用，推动非侵入性疾病检测	指甲病变图像，作为系统性疾病（如贫血、糖尿病、银屑病、黑色素瘤、真菌病）的非侵入性生物标志物	计算机视觉	NA	智能手机成像、皮肤镜、光学相干断层扫描	深度学习	图像	NA	NA	NA	NA	NA
5255	2026-01-30	Explainable Transformer-Based Modelling for Pathogen-Oriented Food Safety Inspection Grade Prediction Using New York State Open Data 2026-Jan-08, Foods (Basel, Switzerland) DOI:10.3390/foods15020223 PMID:41596821	研究论文	本研究开发了一个基于Transformer的可解释框架，利用纽约州公开的多模态检查数据来预测食品安全检查等级	首次将基于Transformer的模型与可解释人工智能（XAI）相结合，用于面向病原体的食品安全风险评估，并利用多模态数据（结构化元数据和非结构化缺陷描述）进行建模	研究仅基于纽约州的公开数据，模型在其他地区的泛化能力尚未验证；未详细讨论计算资源需求和实时部署的可行性	开发可解释的AI框架，用于预测食品安全检查等级，支持面向病原体的实时风险评估	纽约州食品安全检查数据，包括结构化元数据和非结构化缺陷描述文本	自然语言处理	食源性疾病	文本分析，多模态数据融合	Transformer, BiLSTM, LightGBM	文本，结构化数据	未明确说明具体样本数量，但使用纽约州公开的食品安全检查数据集	未明确说明，但提及了经典机器学习、深度学习和Transformer模型	RoBERTa, BiLSTM, LightGBM	F1分数	NA
5256	2026-01-30	Artificial Intelligence in Rheumatology: From Algorithms to Clinical Impact in Osteoporosis and Chronic Inflammatory Rheumatic Diseases 2026-Jan-08, Journal of clinical medicine IF:3.0Q1 DOI:10.3390/jcm15020491 PMID:41598430	综述	本文总结了人工智能在骨质疏松症和慢性炎症性风湿病领域的研究现状、应用潜力及面临的挑战	系统性地回顾了2015年至2025年间AI在风湿病学领域的研究进展，并特别关注了方法学稳健性和临床适用性	大多数研究依赖于回顾性单中心数据集，外部验证有限，可解释性欠佳，且缺乏真实世界应用的证据	总结人工智能在骨质疏松症和慢性炎症性风湿病中的当前证据，评估其临床转化潜力	骨质疏松症和慢性炎症性风湿病（如骶髂关节炎）	数字病理学	风湿病	NA	机器学习, 深度学习	影像数据, 临床数据, 生物学数据	基于323篇纳入文章	NA	NA	NA	NA
5257	2026-01-30	Enhancing EEG Decoding with Selective Augmentation Integration 2026-Jan-08, Sensors (Basel, Switzerland) DOI:10.3390/s26020399 PMID:41600214	研究论文	本文提出了一种端到端的EEG增强框架，结合自适应机制和选择性增强策略，并引入了NeuroBrain神经架构，以提升EEG解码性能	提出了一种利用对比学习减轻增强引起的表示扭曲的端到端EEG增强框架，以及动态选择最优增强组合的选择性增强策略，并设计了专门用于听觉EEG解码的NeuroBrain神经架构	未明确提及研究的具体局限性	解决EEG数据稀缺、噪声多以及现有数据增强技术泛化性有限的问题，提升EEG解码性能	脑电图（EEG）信号	机器学习	NA	脑电图（EEG）分析	深度学习模型	EEG信号	基于SparrKULee和WithMe数据集进行评估，具体样本数量未明确	NA	NeuroBrain, EEGNet	准确率	NA
5258	2026-01-30	MRI-to-PET synthesis via deep learning for amyloid-β quantification in Alzheimer's disease 2026-Jan-07, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-12251-3 PMID:41495456	研究论文	本研究开发了一种基于深度学习的模型，用于从结构MRI生成3D合成Aβ PET图像，以评估阿尔茨海默病中的淀粉样蛋白-β病理	提出了一种基于共享参数生成对抗网络（ShareGAN）的3D合成模型，该模型在全体积上操作而非2D切片，能真实再现相邻图像平面间的细微差异，用于从MRI生成Aβ PET图像	未明确提及，但可能包括模型在更广泛或不同人群中的泛化能力、对图像质量变化的敏感性等	开发一种安全、经济有效的工具，用于阿尔茨海默病的淀粉样蛋白-β病理可视化与评估，以补充或指导实际的Aβ PET扫描	阿尔茨海默病患者	医学影像分析	阿尔茨海默病	MRI， PET	GAN	3D图像	1009个Aβ PET和配对的MRI图像，来自阿尔茨海默病神经影像学倡议数据库和中国三家三甲医院	NA	ShareGAN	结构相似性指数，峰值信噪比，平均绝对误差，标准化摄取值比，Pearson相关系数，Bland-Altman分析，诊断准确率	NA
5259	2026-01-30	Predicting enviromically adapted varieties with big data 2026-Jan-07, Genome biology IF:10.1Q1 DOI:10.1186/s13059-025-03914-x PMID:41495804	研究论文	本研究提出了一种结合基因组数据和环境信息的预测框架，用于选择适应特定环境的高产冬小麦基因型	通过整合大规模基因组和环境数据，利用卷积神经网络和机器学习方法预测基因型与环境互作，显著提升了环境特异性性能预测的准确性	研究主要基于中欧地区的冬小麦数据，可能在其他地理区域或作物类型中适用性有限	开发一种基于大数据的基因组预测框架，以选择适应特定环境的高产作物品种	冬小麦的基因型（包括6,766个品系和6,519个杂交种）及其在31个中欧试验点的产量表现	机器学习	NA	基因组预测，环境变量分析	CNN，机器学习模型	基因组数据，环境数据，产量数据	13,285个基因型（6,766个品系和6,519个杂交种）在31个试验点从2010年至2022年的数据	NA	卷积神经网络	预测准确性，性能提升百分比（23%）	NA
5260	2026-01-30	AI driven hybrid convolutional and transformer based deep learning architecture for precise lung nodule classification 2026-Jan-07, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-34569-0 PMID:41501139	研究论文	本研究提出了一种结合图像增强与分割的AI驱动混合深度学习架构，用于精确分类肺部结节	提出了一种结合自适应对比度拉伸、各向异性扩散、自适应阈值、三维连通性和形态学操作的混合图像增强与分割流程，并采用卷积与Transformer混合的深度学习架构进行结节分类	研究仅基于公开数据集LIDC IDRI进行验证，未在临床实时环境中测试，且未与其他最先进的深度学习分割方法进行广泛比较	设计和验证一个全面的图像增强与分割流程，以高空间精度检测肺部结节并保持低假阳性率	肺部CT图像中的肺结节	计算机视觉	肺癌	计算机断层扫描(CT)	CNN, Transformer	医学图像(CT扫描)	1000次扫描(来自LIDC IDRI公开数据集)	NA	混合卷积和Transformer架构	重叠分数, 灵敏度, 每扫描假阳性数	NA