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
5641	2026-01-27	Leveraging artificial intelligence for cardiovascular risk: a primary care perspective 2025 Jul-Sep, Romanian journal of morphology and embryology = Revue roumaine de morphologie et embryologie DOI:10.47162/RJME.66.3.13 PMID:41382952	研究论文	本研究探讨了基于人工智能的时间深度学习模型在初级保健中支持心血管风险分层的潜力	利用时间深度学习模型（LSTM和GRU）对心血管风险进行多时间范围预测，并将预测结果转化为临床可解释的建议	基于临床现实的合成患者队列，可能未完全反映真实世界数据的复杂性	支持初级保健中心血管风险的分层和早期干预	心血管疾病风险患者	机器学习	心血管疾病	时间深度学习	LSTM, GRU	序列数据（包括人口统计学和临床变量）	临床现实的合成患者队列	NA	LSTM, GRU	NA	NA
5642	2026-01-27	Artificial intelligence in four-dimensional imaging for motion management in radiation therapy 2025-Apr, Artificial intelligence review IF:10.7Q1 DOI:10.1007/s10462-025-11109-w PMID:40963558	综述	本文综述了人工智能在放射治疗运动管理四维成像中的应用，探讨了AI如何解决现有挑战并推动该领域发展	系统性地综述了AI在四维成像领域的最新研究进展，并深入分析了该领域尚未解决的技术挑战与未来发展方向	作为综述文章，未提出具体的原创性算法模型，主要聚焦于现有研究的总结与趋势分析	探讨人工智能技术如何提升放射治疗中四维成像的精度与效率，实现更精准的运动管理	放射治疗中的四维成像技术及其在运动管理中的应用	医学影像分析	肿瘤放射治疗相关疾病	四维成像技术	深度学习	四维医学影像数据	NA	NA	NA	NA	NA
5643	2026-01-27	Enhanced Disc Herniation Classification Using Grey Wolf Optimization Based on Hybrid Feature Extraction and Deep Learning Methods 2024-12-26, Tomography (Ann Arbor, Mich.) DOI:10.3390/tomography11010001 PMID:39852681	研究论文	本文提出了一种结合灰狼优化、混合特征提取和深度学习方法的增强型椎间盘突出分类方法	采用灰狼优化算法优化混合特征提取和深度学习模型，以提高椎间盘突出分类的准确性	NA	提高椎间盘突出分类的准确性和效率	椎间盘突出患者或相关医学影像数据	计算机视觉	椎间盘突出	深度学习，混合特征提取	深度学习模型	医学影像	NA	NA	NA	NA	NA
5644	2026-01-27	Parallel Multistage Wide Neural Network 2023-Aug, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2021.3120331 PMID:34699372	研究论文	本文提出了一种并行多级宽神经网络（PMWNN），旨在高效处理图像和非图像数据，实现增量学习和并行测试	设计了一种宽径向基函数（WRBF）网络，可在单轮训练中高效学习特征，并通过多级结构专注于错误分类样本，支持增量学习和并行测试	未明确提及模型在极端数据分布或实时应用中的性能限制	开发一种能减少计算资源、支持增量学习并加速测试过程的神经网络架构	图像数据（如MNIST、高光谱遥感数据）和非图像数据集	机器学习	NA	NA	神经网络, RBF网络	图像, 非图像数据	涉及MNIST数据、多个大型高光谱遥感数据集及不同类型应用领域的数据集	NA	宽径向基函数网络（WRBF）, 并行多级宽神经网络（PMWNN）	准确率	NA
5645	2026-01-26	Artificial intelligence in metagenome-assembled genome reconstruction: Tools, pipelines, and future directions 2026-Feb, Journal of microbiological methods IF:1.7Q4 DOI:10.1016/j.mimet.2026.107390 PMID:41506577	综述	本文综述了人工智能在宏基因组组装基因组重建中的应用工具、流程及未来方向	系统整合了传统与基于AI的宏基因组组装基因组重建工作流，并重点介绍了表示学习、基于图的分箱方法、AI组装器和抛光工具等创新点，以及可解释AI、联邦学习、多模态整合和基于大语言模型的注释等新兴趋势	NA	探讨人工智能如何克服宏基因组组装基因组重建中的技术挑战，并展望未来发展方向	宏基因组组装基因组重建流程，包括质量控制、组装、分箱、细化和注释	机器学习	NA	宏基因组测序	机器学习, 深度学习	宏基因组测序数据	NA	NA	NA	NA	NA
5646	2026-01-26	ProteinDJ: A high-performance and modular protein design pipeline 2026-Feb, Protein science : a publication of the Protein Society IF:4.5Q1 DOI:10.1002/pro.70464 PMID:41562285	研究论文	本文介绍了一个名为ProteinDJ的高性能模块化蛋白质设计流程，旨在解决现有蛋白质设计工具在可扩展性和吞吐量方面的限制	开发了一个专为高性能计算系统优化的开源蛋白质设计流程，通过Nextflow和Apptainer实现工作流并行化，显著提高了设计生成和测试的效率	未明确说明该流程在不同蛋白质靶点或结构类型上的通用性验证程度，也未提供与其他现有流程的直接性能比较数据	开发一个高效、可扩展的蛋白质设计流程，以加速新型合成蛋白质（特别是结合剂）的发现过程	合成蛋白质（蛋白质结合剂）的设计与验证	机器学习	NA	深度学习、蛋白质结构预测、序列设计	扩散模型、神经网络	蛋白质结构数据、序列数据	NA	Nextflow, Apptainer	RoseTTAFold Diffusion, ProteinMPNN, Full-Atom MPNN, AlphaFold2, Boltz-2	NA	高性能计算系统、GPU和CPU并行计算
5647	2026-01-26	Community Health Nurses' Knowledge and Perceptions of AI in Canada: National Cross-Sectional Survey 2026-Jan-23, JMIR nursing DOI:10.2196/78560 PMID:41576309	研究论文	通过一项全国性的横断面调查，探讨了加拿大社区健康护士对人工智能的认知和看法	首次针对社区健康护士这一特定护理群体，系统调查了他们对人工智能的认知、态度及实践担忧，并分析了知识水平与感知之间的关联	横断面设计无法确定因果关系；样本量相对较小且可能存在自选择偏差；结果可能受加拿大特定医疗环境影响	了解社区健康护士对人工智能的认知、看法及其在实践中的影响，以促进他们更好地参与人工智能的应用	加拿大的社区健康护士	NA	NA	NA	NA	调查问卷数据	228名社区健康护士	NA	NA	卡方检验，比值比	NA
5648	2026-01-26	Effects of Image Degradation on Deep Neural Network Classification of Scaphoid Fracture Radiographs: Comparison Study of Different Noise Types 2026-Jan-22, JMIR medical informatics IF:3.1Q2 DOI:10.2196/65596 PMID:41570307	研究论文	本研究评估了深度学习模型在检测舟骨骨折X光片时对不同图像扰动类型的鲁棒性	系统比较了多种图像退化类型（如高斯噪声、模糊、JPEG压缩等）对深度学习模型性能的影响，并量化了图像质量与模型准确性之间的相关性	研究仅针对舟骨骨折这一特定类型，未涵盖其他骨折或医学图像任务，且可能未考虑所有现实世界中的图像变异因素	评估深度学习模型在图像质量变化下的鲁棒性，并探索缓解性能下降的策略	舟骨骨折的X光片	计算机视觉	骨折	X光成像	深度学习模型	图像	NA	NA	NA	准确性, 假阴性率	NA
5649	2026-01-26	Integration of AR and deep learning-based image classification using CNN for construction project monitoring 2026-Jan-21, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-30149-4 PMID:41565721	研究论文	本研究开发了一个集成增强现实（AR）和基于深度学习的图像分类系统，用于建筑项目的实时进度监控	通过结合AR技术和CNN图像分类，系统不仅能识别建筑类别，还能判断施工阶段，从而更准确地反映实际进度，避免了传统方法仅基于元素计数的局限性	研究仅基于台湾淡江大学的一个室内装修项目案例进行验证，可能缺乏对不同建筑类型或更大规模项目的普适性测试	开发一个自动更新建筑项目进度的系统，通过识别建筑类别和施工阶段来提升进度监控的准确性	建筑项目的进度监控，特别是室内装修工程	计算机视觉	NA	增强现实（AR）、深度学习图像分类	CNN	图像	NA	NA	CNN	准确性	NA
5650	2026-01-26	Enhancing dietary management and nutritional analysis through deep learning: a multi-model approach for food classification and volume estimation 2026-Jan-20, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32610-w PMID:41559127	研究论文	本文提出了一种基于深度学习的多模型方案，用于食物分类和体积估计，以增强饮食管理和营养分析	采用Inception V3、Mask R-CNN和MiDaS模型相结合的多模型方法，实现了高精度的食物分类和体积估计，并在多个基准数据集上取得了优异的分类准确率	未提及模型在真实世界复杂场景下的泛化能力或计算资源需求	开发一个深度学习解决方案，以精确识别和分析摄入的食物，支持有效的饮食管理	食物图像数据	计算机视觉	NA	深度学习	CNN	图像	使用了多个基准数据集，包括Food101、UEC-food256和Indian Food Images Dataset，但未提供具体样本数量	NA	Inception V3, Mask R-CNN, MiDaS	准确率	NA
5651	2026-01-26	Artificial intelligence for early diagnosis in emergency department 2026-Jan-19, Journal of anesthesia, analgesia and critical care DOI:10.1186/s44158-025-00334-y PMID:41555414	系统综述	本文系统综述了人工智能（AI）在急诊医学中用于早期诊断的应用，探讨了其如何通过机器学习和深度学习技术改变临床实践	系统性地总结了AI在急诊医学早期诊断中的创新应用，强调了其在风险分层、分诊优化和快速诊断方面的预测能力，并指出了算法透明度和临床信任等关键挑战	未提供具体的研究样本量或数据细节，主要基于现有文献的综述，缺乏原始实证数据	探讨人工智能在急诊医学中早期诊断的应用潜力与挑战	急诊医学中的急性疾病，如急性冠脉综合征、中风、脓毒症和呼吸衰竭	机器学习	心血管疾病	机器学习（ML）、深度学习（DL）	NA	临床数据、诊断数据、实验室数据、医学影像	NA	NA	NA	NA	NA
5652	2026-01-26	Developing a trustworthy and explainable framework for classifying skin lesions through transfer learning and attention mechanisms 2026-Jan-19, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2026.108914 PMID:41579557	研究论文	本研究开发了一个可信且可解释的深度学习框架，用于皮肤病变分类，结合了迁移学习、注意力机制和集成方法以提高临床准确性和可解释性	创新点包括集成CBAM注意力模块以聚焦临床重要特征，结合EfficientNet-B4、ResNet-50和Inception-v3进行集成预测，并利用Grad-CAM和LIME提供可视化解释	未明确提及具体限制，但可能涉及数据集规模或泛化能力方面的挑战	旨在开发一个高精度且可解释的皮肤病变分类框架，以促进AI在皮肤病学中的安全可靠集成	皮肤病变图像，特别是黑色素瘤	计算机视觉	皮肤癌	深度学习	CNN	图像	HAM10000数据集，并在ISIC-2019和PH2数据集上验证	TensorFlow, PyTorch	U-NET, EfficientNet-B4, ResNet-50, Inception-v3	准确率, 平衡准确率, 灵敏度	NA
5653	2026-01-26	Assessment of the Diagnostic Performance and Clinical Impact of AI in Hepatic Steatosis: Systematic Review and Meta-Analysis 2026-01-13, Journal of medical Internet research IF:5.8Q1 DOI:10.2196/78310 PMID:41529075	系统综述与荟萃分析	本文通过系统综述和荟萃分析，定量评估了人工智能模型在肝脂肪变性诊断中的性能、临床适用性及实施障碍	建立了一个统一、模态无关的分析框架，整合了超越单一模态评估的证据，并深入探讨了研究间异质性来源及临床转化潜力	纳入研究存在显著的异质性（I² >75%），患者选择域存在较高的偏倚风险（44.4%），可能高估了真实世界性能，且临床转化受回顾性设计、缺乏外部验证及数据隐私等实际障碍限制	定量评估AI模型对肝脂肪变性的诊断性能，探索研究间异质性来源，并评估其临床适用性、转化潜力及广泛实施的主要障碍	使用AI进行肝脂肪变性诊断的研究	数字病理学	肝脂肪变性	医学影像数据（如超声）分析	深度学习模型，传统机器学习模型	医学影像数据	36项符合条件的研究（其中33项，含36个队列，纳入亚组分析）	NA	NA	敏感性，特异性，汇总受试者工作特征曲线下面积	NA
5654	2026-01-26	Explainable Multitask Burnout Prediction Using Adaptive Deep Learning (EMBRACE) for Resident Physicians: Algorithm Development and Validation Study 2026-Jan-08, JMIR AI DOI:10.2196/57025 PMID:41505745	研究论文	本文提出了一种名为EMBRACE的可解释多任务深度学习框架，用于预测和解释住院医师的倦怠风险	提出了一种结合自适应多任务深度学习和SHAP可解释性技术的框架，用于临床可解释的倦怠预测	样本量较小（28名住院医师），且研究时间较短（平均3.6天），未来需在不同临床环境中验证和评估长期影响	开发一个可解释且可操作的多任务深度学习框架，用于早期预测住院医师的倦怠	住院医师	机器学习	NA	可穿戴传感器数据采集	深度学习	可穿戴传感器数据	三个数据集：收集的28名住院医师数据、公开的WESAD数据集（15名参与者）、SWELL-KW数据集（25名参与者）	NA	自适应多任务深度学习框架	召回率, 精确率, R2误差	NA
5655	2026-01-26	Machine and Deep Learning for Detection of Moderate-to-Vigorous Physical Activity From Accelerometer Data: Systematic Scoping Review 2026-Jan-08, Interactive journal of medical research IF:1.9Q3 DOI:10.2196/76601 PMID:41505746	综述	本文是关于使用机器学习和深度学习技术从加速度计数据检测中高强度体力活动的系统性范围综述	系统性地综合了ML和DL在MVPA检测中的证据，比较了传统ML、DL和混合模型的性能，并识别了算法偏差、传感器配置和可重复性等关键挑战与新兴机遇	综述指出存在泛化性差距、验证协议不一致以及透明度不足（仅42.5%的研究共享代码和数据）等问题，阻碍了技术转化	旨在综合关于使用机器学习和深度学习技术从加速度计数据中估计和预测中高强度体力活动的证据	使用加速度计数据研究中高强度体力活动检测的学术文献	机器学习	NA	加速度计	随机森林, 支持向量机, 卷积神经网络, Transformer, 长短期记忆网络	加速度计信号数据	NA	NA	卷积神经网络, Transformer, 卷积神经网络与长短期记忆网络的混合模型	F1分数, 准确率	NA
5656	2026-01-26	Inferring Clinically Relevant Molecular Subtypes of Pancreatic Cancer from Routine Histopathology Using Deep Learning 2026-Jan-08, medRxiv : the preprint server for health sciences DOI:10.64898/2026.01.06.26343539 PMID:41542662	研究论文	本研究开发了一个名为PanSubNet的可解释深度学习框架，用于直接从常规H&E染色全玻片图像预测胰腺导管腺癌的分子亚型	首次提出一个可解释的深度学习框架，利用常规H&E染色全玻片图像进行胰腺癌分子亚型预测，无需昂贵的分子检测	研究基于两个多机构队列，仍需在更多真实世界数据中验证性能	开发一种快速、经济有效的工具，用于从常规组织病理学图像中预测胰腺癌的分子亚型	胰腺导管腺癌（PDAC）患者	数字病理学	胰腺癌	RNA测序, H&E染色	深度学习	全玻片图像	1055名患者（PANCAN队列846名，TCGA队列209名）	NA	双尺度架构, 注意力机制	AUC, 敏感性, 特异性	NA
5657	2026-01-26	Deep Learning for Dynamic Prognostic Prediction in Minimally Invasive Surgery for Intracerebral Hemorrhage: Model Development and Validation Study 2026-Jan-07, JMIR medical informatics IF:3.1Q2 DOI:10.2196/86327 PMID:41499164	研究论文	本研究开发并验证了一种名为MultiStep Transformer的多步注意力模型，用于动态预测脑出血患者微创手术后的生存和功能预后	提出了一种能够处理多时间点、不平衡数据的MultiStep Transformer模型，实现动态预后预测	研究为回顾性设计，样本量相对较小（287例患者），且仅基于单中心数据	开发并验证一个动态预后模型，以预测脑出血微创手术患者的生存和功能结局	接受微创手术的脑出血患者	机器学习	脑出血	临床数据收集（生命体征、实验室检查、神经功能评分等）	Transformer	多时间点临床数据（包括数值和分类数据）	287例患者	NA	MultiStep Transformer	准确率, 精确率, 召回率, F1分数, AUROC, Brier分数	NA
5658	2026-01-26	Age-sensitive urban rail passenger demand forecasting and uncertainty-driven anomaly detection using a hybrid SAINT + CatBoost ensemble 2026-Jan-04, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-34849-9 PMID:41486208	研究论文	本研究提出了一种新颖的年龄敏感需求预测和异常检测框架，用于伊斯坦布尔城市轨道交通网络，通过集成SAINT Transformer和CatBoost的混合模型来优化预测性能	提出了一种两阶段混合集成架构，将SAINT Transformer的深度表征能力与CatBoost的分类鲁棒性相结合，并利用校准的不确定性元特征（熵和最大置信度）进行堆叠，实现了最先进的性能	研究数据仅限于伊斯坦布尔城市轨道交通网络2021年至2023年的乘客出行记录，模型在其他城市或交通系统的泛化能力未经验证	优化城市轨道交通容量和可靠性，通过年龄敏感的需求预测和异常检测支持智能交通规划	伊斯坦布尔城市轨道交通网络的乘客出行需求	机器学习	NA	NA	Transformer, 梯度提升决策树, 线性分类器	表格数据（乘客出行记录）	721,328条乘客出行记录	PyTorch（推测用于SAINT）, CatBoost	SAINT Transformer, CatBoost	准确率, ROC-AUC	NA
5659	2026-01-26	A causal deep learning approach to identifying metabolic signatures of cognitive and functional decline in alzheimer's disease 2026-Jan-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32793-2 PMID:41484308	研究论文	本研究结合因果推断与深度学习，识别阿尔茨海默病认知与功能衰退的代谢特征，并开发了FDG CogNet预测模型	首次将结构因果模型与基于注意力的深度学习模型相结合，以识别对认知和功能评分具有强因果影响的大脑区域，并利用这些区域构建可解释的预测模型	研究数据来源于单一数据库（ADNI），模型在外部数据集上的泛化能力有待验证，且研究为横断面分析，未能完全捕捉疾病进展的动态过程	理解阿尔茨海默病进展中特定脑网络紊乱与认知功能下降的关系，并开发早期诊断和预测工具	认知正常个体、轻度认知障碍患者和阿尔茨海默病患者	数字病理学	阿尔茨海默病	氟代脱氧葡萄糖正电子发射断层扫描	深度学习模型	图像, 临床数据	来自阿尔茨海默病神经影像学倡议数据库的认知正常个体、轻度认知障碍患者和阿尔茨海默病患者（具体数量未在摘要中说明）	NA	FDG-PET-based Cognition Prediction Network	R²	NA
5660	2026-01-26	Self-Driving Microscopes: AI Meets Super-Resolution Microscopy 2026-Jan, Small methods IF:10.7Q1 DOI:10.1002/smtd.202401757 PMID:39797467	综述	本文探讨了机器学习（特别是深度学习）与超分辨率显微镜结合的潜力，旨在实现显微镜的自动化成像任务	将深度学习与超分辨率显微镜结合，推动显微镜向自动化方向发展，以应对动态生物过程并减少人工干预	超分辨率显微镜的自动化仍处于起步阶段，面临适应动态生物过程和最小化人工干预的挑战	探索机器学习在超分辨率显微镜自动化中的应用潜力，以推动生物医学研究	超分辨率显微镜技术及其在生物医学成像中的应用	计算机视觉	NA	超分辨率显微镜	深度学习	图像	NA	NA	NA	NA	NA