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
5721	2026-06-29	Machine-learning with multiomics for radiotherapy-induced acute rectal toxicities and survival outcome in patients with cervical cancer 2026-Mar-05, Radiation oncology (London, England) DOI:10.1186/s13014-026-02814-z PMID:41787421	研究论文	利用机器学习和多组学模型预测宫颈癌放疗引起的急性直肠毒性及其与生存结果的关系	首次将剂量组学、影像组学和临床特征结合构建多组学XGBoost模型，并探索放疗急性直肠毒性对患者生存结局的影响	单中心回顾性研究，样本量有限，需前瞻性验证	构建并评估机器学习多组学模型，预测宫颈癌放疗引起的急性直肠毒性关键特征、治疗反应和生存结局	2016-2023年接受放疗的370例宫颈癌患者，其中231例出现放疗急性直肠毒性，129例未出现	机器学习	宫颈癌	CT成像、放疗剂量分析	XGBoost	影像数据、剂量数据、临床数据	370例宫颈癌患者（训练集80%，测试集20%）	Scikit-learn, LASSO	XGBoost	AUC、生存分析风险比	NA
5722	2026-06-29	Optimizing high-resolution knee MRI at 3 tesla: conventional acceleration versus deep learning reconstruction 2026-Mar-03, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-026-02251-0 PMID:41776433	研究论文	比较3特斯拉下时间优化的标准膝关节MRI与深度学习重建的高分辨率膝关节MRI的图像质量和分辨率	首次在膝关节MRI中系统比较时间优化标准方案与深度学习重建方案，证明DL-MRI可在轻微缩短扫描时间的同时实现两倍平面分辨率和更薄层厚	单中心回顾性研究，样本量有限（150例），未包含多种病理类型的深度学习模型验证	优化3特斯拉膝关节MRI，在时间效率与图像质量之间取得平衡	150例膝关节MRI检查（75例sMRI，75例DL-MRI）	数字病理学	膝关节疾病	MRI	深度学习重建模型	MRI图像	150例膝关节MRI检查（75例标准方案，75例深度学习增强方案）	NA	深度学习重建网络	整体图像质量、解剖结构清晰度、脂肪抑制程度、运动伪影、异物伪影（5点Likert量表）、信噪比（SNR）、对比噪声比（CNR）、广义SNR和CNR	NA
5723	2026-06-29	Interpretable Feature Selection and Hybrid Deep Learning Models for Depressive Symptoms Prediction from Wearable Device Data 2026-Mar-03, Journal of medical systems IF:3.5Q2 DOI:10.1007/s10916-026-02354-9 PMID:41774238	研究论文	提出一种混合深度学习和机器学习框架，利用可穿戴设备收集的表格数据预测抑郁症状	结合可解释人工智能技术（SHAP和LIME）进行特征选择，并开发1D卷积神经网络与多层感知机结合LightGBM的混合模型，在提升预测性能的同时增强模型可解释性	未提及相关限制	利用可穿戴设备数据早期检测和预测抑郁症状，提升心理健康结局	可穿戴设备用户	机器学习	抑郁症	NA	1D卷积神经网络、多层感知机、LightGBM	表格数据（睡眠模式、身体活动、健康相关指标）	NA	NA	1D卷积神经网络、多层感知机、LightGBM	准确率	NA
5724	2026-06-29	Automated opportunistic cardiovascular risk assessment in non-small cell lung cancer patients on routine chest CT using an optimised nnU-net framework 2026-Mar-03, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-026-02252-z PMID:41772492	研究论文	提出一种基于优化nnU-Net框架的自动化机会性心血管风险评估方法，用于非小细胞肺癌患者的常规胸部CT	利用深度学习模型从常规CT中自动评估非小细胞肺癌患者的心血管疾病风险，无需额外扫描或增加工作量	未明确说明局限性	为非小细胞肺癌患者提供无创性心血管疾病筛查机会	非小细胞肺癌患者	计算机视觉, 数字病理学	肺癌, 心血管疾病	CT扫描	nnU-Net	图像（CT）	训练集97例，测试集232例（AIMI 95例、ICHNT 87例、TCIA 50例）	PyTorch	nnU-Net	准确率、灵敏度、特异度、阳性预测值、阴性预测值、F1分数、Kappa系数、AUC	未明确说明
5725	2026-06-29	Graph convolutional network-derived pathomics and clinical integration for predicting chemoimmunotherapy response in advanced lung squamous cell carcinoma: a multicenter study 2026-Mar-03, Journal of translational medicine IF:6.1Q1 DOI:10.1186/s12967-026-07962-0 PMID:41772672	研究论文	提出一种基于图卷积网络(GCN)的病理组学与临床特征整合模型，用于预测晚期肺鳞状细胞癌免疫化疗疗效	首次将GCN衍生的病理组学特征与临床变量结合，构建预测免疫化疗客观缓解率和风险分层的深度学习模型，并在多中心外部验证中展现优于传统方法的表现	回顾性研究设计，化疗单药队列和非肺癌来源队列中模型效果有限，仅关注晚期肺鳞癌	开发并验证整合GCN病理组学与临床特征的深度学习模型，预测免疫化疗客观缓解率，实现临床意义的风险分层	436例经病理确诊的晚期肺鳞状细胞癌患者，来自三个中心，包括AK105-302 III期试验及两个外部免疫化疗队列	数字病理学	肺癌（肺鳞状细胞癌）	全切片成像(WSI)	图卷积网络(GCN)，卷积神经网络(CNN)	图像	436例患者（训练队列343例，外部验证队列63例和30例）	NA	Inception_v3, 图卷积网络	AUC, 校准曲线, 决策曲线分析, Kaplan-Meier生存分析, Cox回归, 风险比(HR), 交互p值	NA
5726	2026-06-29	Interpretable hybrid ensemble with attention-based fusion and EAOO-GA optimization for lung cancer detection 2026-Mar-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-37187-6 PMID:41776195	研究论文	提出一种基于注意力融合和EAOO-GA优化的可解释混合集成框架用于肺癌检测	采用EAOO-GA元启发式算法优化集成权重，结合SE块进行自适应特征重校准，并利用SMOTE处理类别不平衡	未在更多样化数据集上验证泛化能力，计算资源需求可能较高	提高肺癌CT图像分类的准确性、可解释性和泛化能力	IQ-OTH/NCCD和LIDC-IDRI肺癌CT数据集	计算机视觉	肺癌	CT扫描	混合集成模型	图像	IQ-OTH/NCCD和LIDC-IDRI数据集（具体数量未说明）	NA	DenseNet201, EfficientNetB6, Inception v3, MobileNetV2, DenseNet121, ResNet50	准确率, 精确率, 召回率, F1分数	NA
5727	2026-06-29	Predicting pyrazinamide resistance in Mycobacterium tuberculosis using a graph convolutional network 2026-Mar-03, BMC microbiology IF:4.0Q2 DOI:10.1186/s12866-026-04876-1 PMID:41776391	研究论文	使用图卷积网络预测结核分枝杆菌对吡嗪酰胺的耐药性	首次将图神经网络与AlphaFold2预测的蛋白质三维结构结合，利用氨基酸级别的图表示和化学特征来预测耐药性，超越了传统机器学习方法	训练数据集较小且变异较少，可能影响模型在更广泛遗传多样性病原体上的泛化能力	利用图神经网络整合蛋白质结构信息，提高对抗菌药物耐药性预测的准确性	结核分枝杆菌的PncA蛋白变体（包含错义突变）	机器学习	结核病	NGS（下一代测序）	图卷积网络（GCN）	蛋白质序列和结构数据	未明确说明，但标注为小数据集	PyTorch	图卷积网络（GCN）	F1分数, 灵敏度, 特异度	NA
5728	2026-06-29	A multi-task deep learning and radiomics framework for fetal anatomical structure detection and classification in ultrasound imaging 2026-Mar-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-41635-8 PMID:41772028	研究论文	提出基于多任务深度学习和影像组学的框架，用于检测和分类早孕期超声图像中的胎儿解剖结构	融合YOLOv11和Swin Transformer进行目标检测，结合影像组学和深度学习特征，使用TabTransformer分类器，实现高精度、高稳定性的胎儿结构自动分析	未明确提及局限性，但可能受限于回顾性数据、特定胎龄范围（11-14周）和仅针对脑部及颅面结构	开发综合的多任务深度学习与影像组学流程，提高胎儿超声图像中关键解剖结构的检测和分类准确性与可重复性	9个医疗中心收集的4532例早孕期（11-14周）胎儿超声扫描图像	计算机视觉, 数字病理学	胎儿结构异常（早期筛查）	超声成像	Swin Transformer, YOLOv11, TabTransformer	图像	4532例胎儿超声扫描（9个医疗中心）	PyTorch	Swin Transformer, YOLOv11, TabTransformer	准确率, AUC, 敏感度, IoU, F1分数	NA
5729	2026-06-29	Brain Health from Sleep EEG: A Multicohort, Deep Learning Biomarker for Cognition, Disease, and Mortality 2026-Mar, NEJM AI DOI:10.1056/aioa2500487 PMID:41953210	研究论文	基于睡眠脑电图的多队列深度学习生物标志物，用于评估认知、疾病和死亡率	首次利用端到端的多任务深度学习框架从睡眠脑电图学习脑健康潜在表征，并将其浓缩为单一分数，同时预测认知、疾病和死亡率	未在独立外部队列中验证，且未考虑其他模态数据（如影像）的整合	开发一种基于睡眠脑电图的可解释深度学习生物标志物，用于评估脑健康	来自六个队列的27,000名受试者的36,000次多导睡眠图记录	机器学习	老年疾病	NA	多任务深度神经网络	脑电图信号（一维时间序列或二维时频谱图）	27,000名受试者，36,000次多导睡眠图记录	PyTorch	多任务深度神经网络	相关系数, AUC, 风险比	NA
5730	2026-06-29	Image-based epigenetic profiling with deep learning and high-speed super-resolution microscopy 2026-Feb-28, Epigenetics & chromatin IF:4.2Q1 DOI:10.1186/s13072-026-00662-5 PMID:41764479	研究论文	结合高速超分辨率显微镜与深度学习进行基于成像的表观遗传学分析	首次将高速超分辨率显微镜与深度学习结合，实现单细胞核内表观遗传状态的空间分辨成像分析	未提及	开发一种基于成像的表观遗传学分析框架，用于识别染色质改变	HEK293T细胞中组蛋白去乙酰化酶抑制模型及携带MECP2突变的Rett综合征iPS细胞	数字病理学	Rett综合征	高速超分辨率显微镜、深度学习	深度学习模型	图像	未提及具体样本量	NA	NA	准确率	NA
5731	2026-06-29	Development and evaluation of a multistage transfer learning framework for robust medical image analysis 2026-Feb-28, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-42157-z PMID:41764249	研究论文	开发并评估一种多阶段迁移学习框架，旨在提高医学图像分析的域适应性和诊断性能	引入基于细胞系显微图像的中间预训练阶段，填补ImageNet预训练与下游医学成像任务之间的领域鸿沟	NA	改善医学图像分析中深度学习模型的域适应性和泛化能力	乳腺X线图像、超声图像和X光图像	计算机视觉	NA	NA	卷积神经网络、视觉Transformer	图像	NA	NA	ViTB-16	准确率、皮尔逊相关系数	NA
5732	2026-06-29	Clinically interpretable deep learning for pediatric dental age estimation with explainable AI 2026-Feb-26, BMC oral health IF:2.6Q1 DOI:10.1186/s12903-026-07961-z PMID:41742153	研究论文	利用可解释人工智能（XAI）的深度学习模型，从儿科口腔全景X光片中实现年龄估计，并验证其临床可解释性	首次将中位数集成深度学习策略和可解释AI热力图应用于儿科牙龄估计，提升预测精度并揭示模型关注的年龄相关解剖区域	研究仅覆盖5-15岁儿童，未评估其他年龄组或口腔病理状态下的泛化能力	开发一种快速、客观且可解释的儿科牙龄估计方法，用于法医学和临床牙科	5-15岁儿科患者的数字口腔全景X光片（OPG）	计算机视觉	无特定疾病	数字X线摄影（OPG）	CNN（卷积神经网络）	医学图像（X光片）	未明确说明样本数量，仅提及年龄范围5-15岁	NA	ConvNeXt-Tiny, ResNet-50, EfficientNet-B0, DenseNet-121, Xception	MAE, RMSE, R²	NA
5733	2026-06-29	Automated detection of fetal vascular malperfusion via data augmentation and algorithm improvement 2026-Feb-25, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-39942-1 PMID:41741566	研究论文	提出一种基于数据扩增和深度学习模型改进的联合分析策略，用于自动检测胎儿血管灌注不良	结合MONAI数据扩增和嵌入LocalWindow注意力机制改进YOLOv11模型，实现FVM组织病理图像的自动检测，性能显著提升	未提及	解决FVM人工诊断主观性强、效率低的问题，开发智能诊断工具	胎儿血管灌注不良（FVM）组织病理图像	数字病理学	胎儿血管灌注不良	组织病理图像分析	YOLOv11	图像	NA	MONAI	YOLOv11, LocalWindow注意力机制	F1分数, mAP50, mAP50-95	NA
5734	2026-06-29	A dual-center study: multimodal fusion-based deep learning approach for pathological subtype prediction of type I and type II ovarian cancer 2026-02-24, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-026-02231-4 PMID:41731442	研究论文	开发一种多模态融合深度学习框架，整合增强CT、非增强CT、经阴道超声和临床数据，预测上皮性卵巢癌的I型和II型病理亚型	首次提出多模态影像融合深度学习模型USECNC，整合增强CT、非增强CT和超声三种影像模态，并通过交叉注意力机制实现特征融合，同时结合临床数据进行决策层融合，实现病理亚型预测	样本量较小（240例），且为回顾性研究，可能存在选择偏倚	开发多模态深度学习模型以准确预测上皮性卵巢癌的WHO I型和II型病理分类，辅助制定个性化治疗策略	上皮性卵巢癌患者	计算机视觉, 数字病理学	卵巢癌	CT成像, 超声成像	深度学习融合模型, ResNet-50	图像, 临床数据	240例回顾性患者（内部验证），17例外部验证患者	PyTorch	ResNet-50, 交叉注意力机制	AUC, ACC	NA
5735	2026-06-29	Deep learning-based image segmentation for predicting hot carcass weight in tropical beef cattle 2026-Feb-24, Tropical animal health and production IF:1.7Q2 DOI:10.1007/s11250-026-04920-2 PMID:41735708	研究论文	开发并验证一种基于深度学习的管道，用于热带肉牛半胴体的自动分割和热胴体重量预测	将YOLOv11分割与LASSO回归相结合，实现从图像中自动预测胴体重，为肉牛胴体评估提供了一种实用且可扩展的解决方案	数据集规模有限，仅包含598张图像；模型可能受屠宰场条件差异影响；未验证模型在不同牛种或环境中的泛化能力	开发自动化的胴体分割和热胴体重量预测方法，提升肉牛加工行业的效率	热带肉牛的半胴体RGB图像	计算机视觉	NA	RGB图像采集	YOLOv11	图像	598张肉牛半胴体RGB图像	PyTorch	YOLOv11	IoU, Precision, R², MAPE	NA
5736	2026-06-29	Leveraging learned representations and multitask learning for lysine methylation site discovery 2026-Feb-23, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-39136-9 PMID:41730965	研究论文	利用深度学习和多任务学习技术预测赖氨酸甲基化位点，并验证新位点	首次采用基于Transformer的模型进行赖氨酸甲基化位点预测，并利用多任务学习整合其他赖氨酸翻译后修饰信息，实现准确性显著提升	模型预测的甲基化位点仍基于计算，需实验验证；对非组蛋白底物的甲基化功能理解有限	识别赖氨酸甲基化位点，完善赖氨酸甲基化图谱以促进药物靶点发现	赖氨酸甲基化位点（包括组蛋白和非组蛋白）	机器学习	癌症	NGS（平行反应监测质谱）	Transformer	序列数据	约155,000个赖氨酸甲基化位点预测，其中68个通过实验验证	PyTorch	Transformer	敏感性	NA
5737	2026-06-29	A multimodal feature fusion with deep representation learning approach for polycystic ovary syndrome diagnosis using ultrasound images 2026-Feb-20, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-40718-w PMID:41721030	研究论文	提出一种多模态特征融合与深度表示学习方法，用于基于超声图像的多囊卵巢综合征诊断	融合多种预训练深度学习模型（InceptionResNetv2、EfficientNetV2B3、VGG16、ResNet-50、Inception-V3）进行特征提取，并采用正则化堆叠自编码器进行分类，实现高准确率诊断	未讨论模型在更大规模、多中心数据集上的泛化能力，以及计算资源的消耗情况	开发一种精确的基于超声图像的PCOS诊断模型，实现早期自动诊断	超声图像中的卵巢特征（卵泡计数、体积等）	计算机视觉	多囊卵巢综合征	超声成像	深度集成模型（CNN + 正则化堆叠自编码器）	图像	PCOS数据集（具体数量未提及）	NA	InceptionResNetv2, EfficientNetV2B3, VGG16, ResNet-50, Inception-V3, 正则化堆叠自编码器	准确率	NA
5738	2026-06-29	TrustNet: a lightweight network with integrated uncertainty quantification and quantitative explainable AI for ischemic stroke detection in CT images 2026-Feb-19, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-37169-8 PMID:41714698	研究论文	提出一种轻量级网络TrustNet，集成不确定性量化和可解释人工智能方法用于CT图像中缺血性卒中检测	首次在轻量级CNN中结合蒙特卡洛dropout和定量Grad-CAM，同时实现不确定性量化和可解释性，显著提升临床可接受性	未提及	开发兼具高性能、不确定性量化和可解释性的轻量级深度学习模型，用于CT图像缺血性卒中诊断	脑CT扫描图像中的缺血性卒中病变	计算机视觉	缺血性卒中	CT成像	卷积神经网络	图像	2023例脑CT扫描样本	未提及	轻量级CNN	准确率, 特异度, 敏感度, 精确率	未提及
5739	2026-06-29	A hybrid deep learning framework using convolutional and transformer models for robust plant disease classification 2026-Feb-18, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-38209-z PMID:41708692	research paper	提出一种混合深度学习框架，结合卷积模型和Transformer模型，用于稳健的植物病害分类	针对CNN和Transformer的各自局限，提出融合EfficientNet-B7和Vision Transformer（ViT-B16）的混合框架，有效结合局部特征提取和全局上下文建模	NA（摘要未明确提及研究局限性）	实现高精度的多类植物病害自动分类，辅助精准农业中的智能决策支持系统	植物叶片图像中的病害与健康样本	computer vision	植物病害（包括多类）	NA	CNN, Vision Transformer, YOLO, SVM, Random Forest	image	21,534 张图像，涵盖38个类别（植物病害与健康样本）	NA	EfficientNet-B7, Vision Transformer (ViT-B16)	accuracy, precision, recall, F1-score	NA
5740	2026-06-29	From Tissue Architecture To Genetic Signature: Artificial intelligence-based Analysis of Reticulin Framework and Clinical Variables Predicts Molecular Cluster in Paragangliomas 2026-Feb-18, Endocrine pathology IF:11.3Q1 DOI:10.1007/s12022-026-09904-4 PMID:41706251	研究论文	利用人工智能分析副神经节瘤中网状蛋白框架与临床变量，预测分子分型	首次系统评估网状蛋白框架作为分子背景的形态结构替代标志物，并引入深度学习模型进行空间定量分析和基因型预测	样本量相对较小（104例），且为回顾性研究，需要外部验证	评估网状蛋白框架作为副神经节瘤分子分型的形态学结构替代标志物，并开发深度学习模型进行基因型预测	104例肾上腺和肾上腺外副神经节瘤的临床、病理和遗传数据	数字病理学	副神经节瘤	网状蛋白染色	卷积神经网络	全切片图像	104例副神经节瘤病例	NA	卷积神经网络	AUC	NA