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
581	2026-04-22	Real-Time Application of Artificial Intelligence for Automatic Detection of High-Grade Squamous Intraepithelial Lesions During High-Resolution Anoscopy 2026-Mar-17, Journal of clinical medicine IF:3.0Q1 DOI:10.3390/jcm15062268 PMID:41899192	研究论文	本文首次报道了在肛门癌筛查的高分辨率肛门镜检查中实时应用深度学习技术，用于自动检测高级别鳞状上皮内病变	首次实现了在临床高分辨率肛门镜检查过程中实时应用基于YOLO的目标检测模型，以自动识别高级别鳞状上皮内病变，而非仅分析静态图像	研究样本量较小（仅三名患者），且需要多中心验证研究来进一步确认其有效性和普适性	探索人工智能在高分辨率肛门镜检查中实时辅助检测高级别鳞状上皮内病变的可行性和效果	接受肛门癌筛查的高分辨率肛门镜检查患者	计算机视觉	肛门癌	高分辨率肛门镜检查	深度学习	视频流或实时图像	三名患者	NA	YOLO	检测准确性（仅对组织学确认的HSIL进行检测，在无病变或仅LSIL时不激活）	NA
582	2026-04-22	Dose-aware diffusion model for 3D PET image denoising: Multi-institutional validation with reader study and real low-dose data 2026-Mar-17, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2026.104039 PMID:41930496	研究论文	本文提出了一种名为DDPET-3D的剂量感知扩散模型，用于三维低剂量PET图像去噪，并在多中心数据上进行了验证	开发了首个用于3D低剂量PET成像的剂量感知扩散模型，解决了现有模型在跨噪声水平、协议和患者群体泛化性差，以及3D重建不一致（切片间不连续）和细节失真等问题	模型采用2.5D条件主干网络实现3D一致性重建，而非完全3D扩散网络，可能在某些3D结构建模上存在局限	开发一种能够泛化到不同噪声水平、扫描仪和临床协议的低剂量PET图像去噪方法，以在降低辐射剂量的同时保持图像质量	低剂量/低计数PET图像	医学影像处理	NA	PET成像	扩散模型	3D PET图像	9783个F-FDG研究（来自1596名患者），数据来自全球4个医疗中心，剂量/计数水平范围为1%至50%	NA	DDPET-3D（基于2.5D条件主干的扩散模型）	定性视觉评估（由核医学医师评分），病灶级定量准确性（通过蒙特卡洛模拟研究和病灶分割网络评估）	NA
583	2026-04-22	AI-Driven Predictions of Readmission and Mortality for Improved Discharge Decisions in Critical Care: A Retrospective Study 2026-Mar-16, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16060874 PMID:41897607	研究论文	本研究利用AI模型预测ICU出院后7天内的再入院或死亡风险，以改善重症监护的出院决策	开发了GRU-D++深度学习模型，在内部和外部验证中均优于传统的SWIFT评分，展示了AI在临床决策支持中的潜力	研究为回顾性设计，可能受数据质量和选择偏倚影响；模型性能虽优于传统方法，但仍有提升空间	识别风险因素并评估AI模型在预测ICU出院后7天内再入院或死亡方面的性能	ICU出院患者	机器学习	重症监护	NA	深度学习	临床数据	MIMIC-IV数据库（2008-2019年）和KNUH数据库（2016年1月1日至2023年2月28日）的患者数据	NA	GRU-D++	AUROC	NA
584	2026-04-22	Enhanced Visualization: Transforming Non-Contrast into Contrast-Enhanced Computed Tomography Images Through Advanced Generative Adversarial Networks 2026-Mar-13, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16060861 PMID:41897594	研究论文	本研究利用生成对抗网络（GAN）从非对比增强CT图像生成合成对比增强CT图像，以辅助禁忌使用碘对比剂患者的纵隔和淋巴结评估	提出了一种基于GAN的模型，能够在不注射对比剂的情况下，从NCCT生成sCECT，为有禁忌症的患者提供了一种替代可视化方案	合成增强是基于学习的强度变换，而非真实的碘基衰减，可能无法完全模拟真实的生理性对比增强效果	开发一种深度学习方法来生成合成对比增强CT图像，以克服部分患者无法接受碘对比剂注射的临床限制	淋巴瘤或转移性淋巴结病患者	计算机视觉	淋巴瘤	CT扫描	GAN	医学图像（CT）	训练集：400例CECT扫描（2024年3月至7月采集）；测试集：20例患者（2025年1月至7月诊断，仅使用NCCT扫描）	NA	NA	MAE, RMSE, PSNR, SSIM, PCC, SNR, CNR	NA
585	2026-04-22	Lightweight Deep Learning for Automated Dental Caries Screening from Pediatric Oral Photographs 2026-Mar-13, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16060862 PMID:41897595	研究论文	本研究探讨了使用轻量级卷积神经网络从儿童口腔照片中自动筛查龋齿的可行性	证明了轻量级深度学习模型在龋齿筛查任务中可以达到临床意义的性能，并进行了可解释性分析以验证模型决策的临床相关性	数据集规模相对较小（435张图像），且仅针对儿童龋齿筛查，可能限制了模型的泛化能力	开发适用于社区和移动环境的自动化龋齿筛查系统	3-14岁儿童的口腔照片	计算机视觉	龋齿	口腔摄影	CNN	图像	435张来自儿童的口腔内图像	PyTorch, TensorFlow	ResNet-18, MobileNetV3-Small, EfficientNet-B0	灵敏度, 特异性, 平衡准确率, ROC-AUC, PR-AUC, 加权F1分数	NA
586	2026-04-22	Artificial Intelligence Applications in Gastric Cancer Surgery: Bridging Early Diagnosis and Responsible Precision Medicine 2026-Mar-13, Journal of clinical medicine IF:3.0Q1 DOI:10.3390/jcm15062208 PMID:41899133	综述	本文是一篇关于人工智能在胃癌手术中应用的叙述性综述，涵盖了从早期诊断到围手术期风险预测等多个领域	系统性地将人工智能在胃癌手术中的应用归纳为五个主题领域，并整合了伦理与监管考量，为未来研究提供了结构化框架	证据主要基于小型、异质性数据集，缺乏充分的外部验证，且在数据隐私、算法可解释性和法律责任方面存在未解决的问题	综述人工智能在胃癌手术领域的最新应用、潜力与挑战，以促进其负责任地融入精准医疗	聚焦于胃癌手术过程，包括早期诊断、术中引导和围手术期管理	数字病理学	胃癌	AI辅助内窥镜检测、拉曼光谱、计算机视觉、深度学习	深度学习算法	医学图像、临床数据	NA	NA	NA	NA	NA
587	2026-04-22	Comparison of Deep Learning Tools for Optic Nerve Axon Quantification Finds Limited Generalizability on Independent Validation 2026-Mar-13, bioRxiv : the preprint server for biology DOI:10.64898/2026.03.11.710915 PMID:41959314	研究论文	本研究通过文献范围审查和独立验证测试，评估了公开可用的深度学习模型在新型大鼠视神经数据集上的泛化能力	首次对公开可用的视神经轴突量化深度学习模型进行独立验证测试，揭示了模型在独立数据集上的性能下降和泛化差距	仅评估了三个公开可用的模型，且其中一个模型（AxonDeep）因不可用而被替代工具（AxonDeepSeg）替代，可能影响比较的全面性	评估深度学习模型在视神经组织学自动量化中的泛化能力	大鼠视神经组织图像	数字病理学	青光眼	组织学成像	深度学习	图像	57张图像，包含9,514个手动标注的轴突	NA	AxoNet, AxonDeepSeg, AxoNet 2.0	相关系数, 精确率, 召回率, Dice系数	NA
588	2026-03-13	A novel multimodal framework integrating pathomics, deep learning, and machine learning for breast cancer histological grades classification 2026-Mar-12, Diagnostic pathology IF:2.4Q2 DOI:10.1186/s13000-026-01769-9 PMID:41814294	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
589	2026-04-22	AI-powered biomechanical modeling for ACL-reconstructed knees: predicting knee joint contact forces via computer vision and deep learning 2026-Mar-11, Journal of neuroengineering and rehabilitation IF:5.2Q1 DOI:10.1186/s12984-026-01939-2 PMID:41814442	研究论文	本研究开发并验证了一个结合计算机视觉和深度学习的非侵入式框架，用于预测前交叉韧带重建患者在日常活动中的膝关节接触力	将增强的肌肉骨骼模型与结合时空注意力的深度学习架构相结合，以提高跨多种运动任务的预测准确性，实现了从静态实验室分析到动态实时监测的范式转变	NA	开发并验证一个集成的、非侵入式的框架，用于准确预测前交叉韧带重建患者在日常活动中的膝关节接触力	29名前交叉韧带重建术后患者	计算机视觉, 机器学习	前交叉韧带损伤	肌肉骨骼建模, 运动捕捉	CNN, BiGRU, 自注意力机制	运动轨迹, 运动学数据	29名患者	NA	CNN-BiGRU-Attention	R²	NA
590	2026-04-22	X-ViTCNN: A Novel Network-Level Fusion of Transfer Learning and Customized Vision Transformer for Multi-Stage Alzheimer's Disease Prediction Using MRI Scans 2026-Mar-11, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16060835 PMID:41897568	研究论文	提出了一种名为X-ViTCNN的新型网络级融合框架，用于基于MRI扫描的多阶段阿尔茨海默病预测	将定制的Vision Transformer模型与两个预训练的CNN（DenseNet201和MobileNetV2）进行网络级融合，结合对比度增强预处理和贝叶斯优化超参数调优，并利用Grad-CAM提供模型可解释性	未明确提及研究的局限性	开发一种准确、快速且可解释的阿尔茨海默病多阶段预测方法	阿尔茨海默病患者	计算机视觉	阿尔茨海默病	MRI扫描	Vision Transformer, CNN	图像	ADNI和OASIS数据集（具体样本数量未明确说明）	未明确说明	定制的Vision Transformer, DenseNet201, MobileNetV2	准确率, 灵敏度, 特异性	未明确说明
591	2026-04-22	Evaluating the Predictive Potential of an AI-Driven Deep Learning Model for Pneumonia-Associated Sepsis 2026-Mar-11, Journal of clinical medicine IF:3.0Q1 DOI:10.3390/jcm15062125 PMID:41899050	研究论文	本研究评估了一种AI驱动的深度学习模型在预测肺炎相关脓毒症方面的性能，该模型能提前四小时预测院内脓毒症	开发了一种深度学习模型，在肺炎患者中提前预测脓毒症，其性能显著优于传统的评分系统（如NEWS、MEWS、SOFA、qSOFA），并提供了中位183分钟的提前识别时间	研究为回顾性、单中心设计，需要进一步的前瞻性研究来验证其在实时临床应用中的有效性	评估AI模型在肺炎相关脓毒症早期检测中的预测潜力，以促进及时干预	通过胸部X光或CT识别的7715例肺炎病例	数字病理学	肺炎	深度学习	深度学习模型	医学影像数据（胸部X光或CT）	7715例肺炎病例	NA	NA	AUROC, 敏感性, 特异性, 提前时间	NA
592	2026-04-22	Thyroid Nodule Detection and Classification on Small Datasets: An Ensemble Deep Learning Approach with Attention Mechanism and Focal Loss 2026-Mar-10, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16060825 PMID:41897558	研究论文	本研究提出了一种结合YOLO检测与增强型ResNet18分类器的集成深度学习框架，用于解决小数据集和类别不平衡下的甲状腺结节超声图像检测与分类问题	在轻量级ResNet18架构中引入卷积块注意力模块增强特征提取，并综合采用焦点损失、加权随机采样、混合增强、余弦退火学习率调度与5折交叉验证集成策略，以应对小样本和类别不平衡的挑战	研究样本量有限（总522例），外部验证集仅36例且来自在线来源，可能影响模型的泛化能力评估	开发一种在小规模医学数据集上具有良好泛化能力的甲状腺结节计算机辅助诊断工具	甲状腺超声图像	计算机视觉	甲状腺结节	超声成像	CNN, YOLO	图像	522例患者超声图像（训练集467例，独立测试集41例，内部验证集14例），另加36例外部验证图像	PyTorch	ResNet18, YOLO	准确率, 灵敏度, 特异性	NA
593	2026-04-22	Automated multiclass bone segmentation using deep learning: implications for templating in radial head replacement 2026-Feb-18, Journal of shoulder and elbow surgery IF:2.9Q1 DOI:10.1016/j.jse.2026.02.005 PMID:41720251	研究论文	本研究训练并验证了一个基于nnU-Net的深度学习模型，用于自动化桡骨头置换术术前三维模板中的多类别骨骼分割	首次将nnU-Net模型应用于桡骨头置换术的自动化多类别骨骼分割，显著提高了分割效率并保持了高精度	模型无法捕捉软骨组织	开发一种快速可靠的自动化骨骼分割方法，以支持桡骨头置换术的术前三维模板规划	上肢骨骼（包括肱骨、尺骨、桡骨皮质和非皮质区域）	数字病理	骨科疾病	计算机断层扫描	深度学习	医学影像	93例上肢CT扫描	nnU-Net	U-Net	Dice相似系数, Hausdorff距离, 平均表面距离, 均方根误差	NA
594	2026-04-22	Dual-Modal Deep Learning with In-Domain Training and Attention for Infant Brain Myelination Prediction 2026-Feb-18, Neuroinformatics IF:2.7Q3 DOI:10.1007/s12021-025-09750-5 PMID:41706372	研究论文	提出一种新颖的双模态深度学习框架，利用T1和T2加权MRI自动评估婴儿脑髓鞘成熟度	采用领域内训练的DenseNet121特征提取器，结合通道和多头注意力块增强特征优先级和空间上下文，并通过交叉注意力实现模态间有效信息交换	研究仅基于公开数据集，样本量相对有限，未在更广泛临床环境中验证	开发自动评估婴儿脑髓鞘成熟度的深度学习模型，以支持儿科神经影像诊断	婴儿脑髓鞘成熟过程	数字病理学	NA	MRI	CNN	图像	833个样本（训练集710个，测试集123个）	PyTorch, TensorFlow	DenseNet121	平均绝对误差, 皮尔逊相关系数, 决定系数, 一致性相关系数	NA
595	2026-04-22	Sharper than human eyes? A systematic review and meta-analysis of machine learning for retinal detachment detection 2026-Feb-10, European journal of ophthalmology IF:1.4Q3 DOI:10.1177/11206721261419673 PMID:41666118	系统综述与荟萃分析	本文通过系统综述和荟萃分析评估机器学习在视网膜脱离检测中的诊断准确性	首次对机器学习在视网膜脱离检测中的诊断性能进行全面的荟萃分析，比较了不同机器学习技术、成像模态和验证方法的性能差异	研究存在显著的异质性（I>90%），患者选择和数据质量存在偏倚，外部验证的普适性面临挑战	评估机器学习在视网膜脱离检测中的诊断准确性，并探讨其临床应用的潜力与挑战	视网膜脱离（RD）的检测	机器学习	视网膜脱离	机器学习（ML）、深度学习（DL）	深度学习模型、机器学习模型	图像（包括眼底成像等多种成像模态）	来自20项研究的69个模型	NA	NA	灵敏度、特异性、曲线下面积（AUC）	NA
596	2026-04-22	Small data, big challenges: Machine- and deep-learning strategies for data-limited drug discovery 2026-Feb, Advanced drug delivery reviews IF:15.2Q1 DOI:10.1016/j.addr.2025.115762 PMID:41421504	综述	本文综述了在数据有限的药物发现中，机器学习和深度学习面临的挑战及应对策略	聚焦于药物发现流程中的小数据问题，系统整合了传统ML方法和针对小数据优化的先进DL策略，填补了现有综述的空白	作为一篇综述文章，主要基于现有文献进行综合，未提出新的原创算法或实验验证	探讨在数据稀缺的药物发现与开发（DDD）流程中，如何应用和调整ML与DL方法以提高其实用性和可信度	药物发现与开发（DDD）流程中的关键任务及相关数据	机器学习	NA	NA	NA	NA	NA	NA	NA	NA	NA
597	2026-04-22	Deep Learning-Based Classification of Temporal Stages of AT8-Labeled Tau Pathology After Experimental Traumatic Brain Injury 2026-Jan-19, Neuroinformatics IF:2.7Q3 DOI:10.1007/s12021-025-09763-0 PMID:41553585	研究论文	本研究评估了一种基于深度学习的框架，用于在实验性创伤性脑损伤小鼠模型中，对AT8标记的tau病理的多个时间阶段进行分类	将深度学习应用于创伤性脑损伤后tau病理的早期和中间时间阶段分类，这是一个尚未充分探索的应用领域	结果基于内部交叉验证，缺乏独立的动物级别标识符或外部队列验证，且早期阶段（1天）的分类可分离性有限	开发一个可扩展的自动化方法，用于临床前组织学中tau病理的时间阶段分期	实验性创伤性脑损伤小鼠模型中AT8染色的皮质显微图像	数字病理学	神经退行性疾病	AT8染色（抗磷酸化tau抗体）	CNN	图像	未明确指定样本数量，但图像被分为四个损伤后阶段（1天、1周、1个月、3个月）	未明确指定，可能为TensorFlow或PyTorch	自定义CNN, InceptionV3, DenseNet	准确率, 宏平均F1分数, 每类F1分数, 一对多接收者操作特征曲线下面积（AUC）	NA
598	2026-04-22	Computational Ligand-Binding Site Prediction 2026, Advances in experimental medicine and biology DOI:10.1007/978-3-032-07511-6_7 PMID:41652164	综述	本章综述了计算配体结合位点预测方法，包括结构对接、机器学习和基于物理的分子动力学技术	重点介绍了SILCS技术及其基于物理的方法优势，并讨论了深度学习工具在结合位点预测中的应用	NA	介绍和比较计算配体结合位点预测的各种方法，以辅助药物设计	蛋白质和RNA上的配体结合位点	计算机辅助药物设计	NA	结构对接、机器学习、深度学习、分子动力学、SILCS技术	NA	蛋白质和RNA结构数据	NA	NA	NA	NA	NA
599	2026-04-22	Hybrid deep learning framework for cardiovascular disease diagnosis and prognosis using GAN, LSTM, GRU, VARMA, and deep DynaQ network 2025-Nov-21, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-25296-7 PMID:41271980	研究论文	本文提出了一种结合GAN、LSTM、GRU、VARMA和深度DynaQ网络的混合深度学习框架，用于心血管疾病的诊断和预后	创新点在于整合了多种深度学习模型（GAN、LSTM、GRU、VARMA和深度DynaQ网络）进行心血管疾病的诊断和预后，并利用GAN生成合成医学图像以增强训练数据	NA	提高心血管疾病的早期诊断准确性和治疗效果	心血管疾病患者	医学图像分析	心血管疾病	深度学习	GAN, LSTM, GRU, VARMA, 深度DynaQ网络	医学图像, 时间序列数据	大型医学图像和患者数据集	NA	GAN, LSTM, GRU, VARMA, 深度DynaQ网络	准确率, 灵敏度	NA
600	2026-04-22	Deep Learning-Guided Quantitative Analysis Establishes Optimized BRAF V600E Immunohistochemical Criteria for Colorectal Cancer: A Multiplatform Validation Study 2025-Nov, Laboratory investigation; a journal of technical methods and pathology DOI:10.1016/j.labinv.2025.104215 PMID:40683333	研究论文	本研究通过深度学习引导的定量分析，建立了结直肠癌中BRAF V600E免疫组化的优化判读标准，并进行了多平台验证	首次利用人工智能驱动的数字病理平台对BRAF V600E免疫组化参数进行精确定量分析，并建立了结直肠癌特异性的、基于定量阈值的优化判读标准	研究未明确提及样本的种族或地域分布多样性，且对于非典型染色模式的病例仍需分子检测确认	为结直肠癌建立准确、标准化的BRAF V600E免疫组化判读标准，以指导治疗策略	250例结直肠癌病例及其配对的免疫组化和基因检测（qPCR和二代测序）结果	数字病理	结直肠癌	免疫组化（IHC）、定量PCR（qPCR）、二代测序（NGS）	深度学习	病理图像	250例结直肠癌病例	未明确指定	未明确指定	AUC（曲线下面积）、一致性	未明确指定