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
6061	2026-01-21	Deep Learning Architectures for Code-Modulated Visual Evoked Potentials Detection 2025-Nov-26, ArXiv PMID:41356065	研究论文	本研究提出并评估了多种深度学习架构，用于检测基于代码调制视觉诱发电位的非侵入性脑机接口，显著提升了单次试验解码的准确性和鲁棒性	引入了基于Siamese网络的相似性解码方法，并采用Earth Mover's Distance及其约束版本作为距离度量，相比传统欧氏和马氏距离，对EEG信号中的时间延迟变化表现出更强的鲁棒性	研究仅涉及13名健康成年人，样本量较小，且未在患者群体或更复杂环境中验证	开发高鲁棒性的解码方法，以解决基于代码调制视觉诱发电位的非侵入性脑机接口中EEG信号的时间变异性和会话依赖性噪声问题	健康成年人的脑电图信号	机器学习	NA	脑电图记录	CNN, Siamese网络	脑电图信号	13名健康成年人	NA	卷积神经网络, Siamese网络	准确率	NA
6062	2026-01-21	AI-aided segmentation of four types of drusen in volumetric OCT 2025-Nov-01, Biomedical optics express IF:2.9Q2 DOI:10.1364/BOE.566705 PMID:41293704	研究论文	本文提出了一种结合卷积神经网络进行自动玻璃膜疣分割和专用分类模块的深度学习框架，用于从OCT图像中准确分割和分类四种临床相关的玻璃膜疣类型	开发了一个深度学习框架，首次结合自动分割和分类模块，能够区分四种临床相关的玻璃膜疣类型，并在定量分析方面显示出显著改进	NA	实现年龄相关性黄斑变性（AMD）中玻璃膜疣的客观评估和监测	光学相干断层扫描（OCT）图像中的玻璃膜疣	计算机视觉	年龄相关性黄斑变性	光学相干断层扫描（OCT）	CNN	图像	NA	NA	NA	Dice系数, 临界成功指数	NA
6063	2026-01-21	DeepWheat: predicting the effects of genomic variants on gene expression and regulatory activities across tissues and varieties in wheat using deep learning 2025-Sep-29, Genome biology IF:10.1Q1 DOI:10.1186/s13059-025-03809-x PMID:41024142	研究论文	本文提出了一个名为DeepWheat的深度学习框架，用于预测小麦中基因组变异对基因表达和调控活性的影响	开发了DeepWheat框架，包含DeepEXP和DeepEPI两个模型，能够整合序列和表观基因组特征进行组织特异性基因表达预测，并支持跨品种的模型迁移	NA	预测小麦中基因组变异对组织特异性基因表达和调控活性的影响，以支持作物功能基因组学和育种	小麦	机器学习	NA	深度学习	深度学习模型	基因组序列, 表观基因组数据	五个小麦品种	NA	DeepEXP, DeepEPI	皮尔逊相关系数	NA
6064	2026-01-21	Fetal Sleep: A Cross-Species Review of Physiology, Measurement, and Classification 2025-Jun-27, ArXiv PMID:41019222	综述	本文综述了胎儿睡眠的生理特征、测量方法和分类技术，并探讨了宫内条件对其的影响	跨物种比较胎儿睡眠模式，并综合了从传统规则方法到深度学习的最新分类技术	NA	为开发客观、多模态、非侵入性的胎儿睡眠监测技术提供基础，以支持产前护理的早期诊断和干预	人类和大型动物模型的胎儿睡眠	NA	NA	侵入性动物技术和非侵入性人类模态	深度学习	NA	NA	NA	NA	NA	NA
6065	2026-01-21	Automated grading and staging of ovarian cancer using deep learning on the transmission optical microscopy bright-field images of thin biopsy tissue samples 2025-May-15, ArXiv PMID:40463694	研究论文	本研究提出了一种基于深度学习的框架，用于自动化预测卵巢癌分期，利用常规组织病理学图像实现高精度分类	首次将迁移学习与ResNet-101结合，并采用遗传算法优化超参数，以自动化方式对卵巢癌组织切片进行分级和分期	未提及模型在外部验证集上的泛化能力，且数据来源和样本多样性可能有限	开发自动化方法以辅助卵巢癌的诊断和分期，减少人工评估的时间和主观差异	卵巢癌薄组织活检样本的透射光学显微镜明场图像	数字病理学	卵巢癌	组织病理学成像	CNN	图像	NA	PyTorch, TensorFlow	ResNet-101	准确率	NA
6066	2026-01-21	Weakly Supervised Deep Learning Can Analyze Focal Liver Lesions in Contrast-Enhanced Ultrasound 2025, Digestion IF:3.0Q2 DOI:10.1159/000545098 PMID:40049151	研究论文	本研究评估了一种弱监督深度学习模型在对比增强超声（CEUS）中区分恶性与良性局灶性肝病变（FLLs）的性能	采用弱监督注意力机制的多实例学习算法，无需手动标注，仅使用病例标签即可分类肝病变	回顾性研究，样本来自单一三级医院，可能限制泛化能力	评估弱监督深度学习在CEUS中自动分类肝病变恶性与否的可行性	局灶性肝病变（FLLs）患者	计算机视觉	肝病	对比增强超声（CEUS）	深度学习	图像	370名患者，共955,938张图像	NA	注意力机制的多实例学习算法	AUC, 准确率, 灵敏度, 特异度, F1分数	NA
6067	2026-01-21	Fluid and White Matter Suppression contrasts MRI improves Deep Learning detection of Multiple Sclerosis Cortical Lesions 2025, NeuroImage. Clinical DOI:10.1016/j.nicl.2025.103818 PMID:40695098	研究论文	本研究探讨了流体和白质抑制（FLAWS）MRI序列在提高深度学习模型检测和分割多发性硬化（MS）患者皮质病变方面的效果，并开发了能泛化到仅使用标准T1加权图像（MPRAGE）的临床环境的模型	首次将FLAWS MRI序列与深度学习结合，显著提升了皮质病变的检测和分割性能，并实现了从先进研究序列到常规临床序列的知识迁移和泛化	研究基于多中心数据，但样本量相对有限（204名患者），且外部验证仅在一个机构进行，可能影响模型的广泛适用性	提高多发性硬化患者皮质病变的自动检测和分割准确性，并促进深度学习模型在临床环境中的实际应用	多发性硬化（MS）患者的MRI图像，特别是皮质病变	数字病理学	多发性硬化	FLAWS MRI序列、MP2RAGE序列、MPRAGE序列	深度学习模型	MRI图像	204名多发性硬化患者	NA	NA	F1-score, DSC	NA
6068	2026-01-21	From CNNs to SAM: A Survey of Deep Learning Techniques for Liver Tumor Segmentation in CT Images 2025, IEEE access : practical innovations, open solutions IF:3.4Q2 DOI:10.1109/access.2025.3631322 PMID:41550585	综述	本文对基于深度学习的CT图像肝脏肿瘤分割技术进行了全面综述，分析了100多篇相关研究论文	从CNN到SAM等多个维度系统梳理了肝脏肿瘤分割领域的发展脉络与新兴趋势，并探讨了不同方法选择的影响	作为综述文章，主要总结现有研究，未提出新的模型或方法	综述深度学习技术在CT图像肝脏肿瘤分割领域的研究进展与应用	肝脏肿瘤的CT图像分割	计算机视觉	肝癌	CT成像	深度学习模型	CT图像	NA	NA	CNN, SAM	NA	NA
6069	2026-01-21	Disorder-specific neurodynamic features in schizophrenia inferred by neurodynamic embedded contrastive variational autoencoder model 2024-12-18, Translational psychiatry IF:5.8Q1 DOI:10.1038/s41398-024-03200-7 PMID:39695106	研究论文	本研究通过整合神经动力学模型与对比变分自编码器，提取并评估精神分裂症特有的宏观特征，包括个体水平、区域水平参数和时变状态	首次将神经动力学模型与对比变分自编码器结合，用于提取精神分裂症特有的神经动力学特征，并揭示了与症状相关的独特分子机制模式	研究基于多中心数据集，但未具体说明样本异质性或模型泛化能力的详细评估	探索精神分裂症的病理机制，通过神经动力学模型分析微观改变如何影响宏观神经回路和脑功能	精神分裂症患者	机器学习	精神分裂症	神经动力学模型	CVAE	神经影像数据	NA	NA	对比变分自编码器	NA	NA
6070	2026-01-21	Uncertainty-aware genomic deep learning with knowledge distillation 2024-Nov-15, bioRxiv : the preprint server for biology DOI:10.1101/2024.11.13.623485 PMID:39605624	研究论文	本文提出了一种名为DEGU的方法，通过集成学习和知识蒸馏提升深度神经网络在调控基因组学预测中的鲁棒性和可解释性	DEGU方法首次将集成学习与知识蒸馏结合，以捕获模型不确定性（认知不确定性）并可选地估计数据不确定性，从而提供校准的不确定性估计和更一致的解释	未明确提及具体的数据集限制或模型泛化边界	提高深度神经网络在调控基因组学预测中的可靠性和可解释性	调控基因组学中的功能基因组预测任务	机器学习	NA	深度神经网络，集成学习，知识蒸馏	DNN	基因组序列数据	NA	NA	NA	校准的不确定性估计，覆盖保证	NA
6071	2026-01-21	High-speed in vivo calcium recording using structured illumination with self-supervised denoising 2024-Nov-15, Optics continuum IF:1.1Q4 DOI:10.1364/optcon.532996 PMID:41550202	研究论文	本研究提出了一种结合周期性结构光照和自监督去噪的高通量钙成像方法，用于在体记录神经活动	开发了新型伪HiLo重建方法，结合周期性结构光照和自监督深度学习去噪，显著提高了钙信号的信噪比	方法主要针对GCaMP8f钙指示剂在CA1锥体神经元中的应用，尚未验证其他神经类型或指示剂	提高在体神经钙成像的速度和信噪比，减少背景污染和随机噪声	小鼠CA1区锥体神经元的钙活动	计算神经科学	NA	宽场荧光成像，周期性结构光照，钙成像	深度学习	图像序列	NA	NA	DeepCAD-RT	对比度，瞬态峰噪比，成对相关系数，背景像素相关系数	NA
6072	2026-01-21	Brain volume is a better biomarker of outcomes in ischemic stroke compared to brain atrophy 2024-Mar-19, ArXiv PMID:38562453	研究论文	本研究评估了缺血性卒中发生时脑体积与脑萎缩指标BPF作为功能预后生物标志物的优劣	首次通过深度学习自动分割和贝叶斯信息准则比较，证明急性卒中时的脑体积比脑萎缩指标BPF能更好地预测功能预后	单中心回顾性研究，样本量有限（467例），仅纳入动脉缺血性卒中患者	比较脑体积与脑萎缩指标在缺血性卒中功能预后预测中的效能	急性缺血性卒中患者的神经影像数据与90天功能预后	数字病理学	缺血性卒中	MR神经影像	深度学习分割模型	医学影像	467例动脉缺血性卒中患者	NA	NA	贝叶斯信息准则	NA
6073	2026-01-21	Human cytomegalovirus infection perturbs neural progenitor cell fate via the expression of viral microRNAs 2023-02, Journal of medical virology IF:6.8Q1 DOI:10.1002/jmv.28574 PMID:36772841	研究论文	本研究探讨了人类巨细胞病毒（HCMV）通过表达病毒microRNAs（miRNAs）扰乱神经祖细胞（NPCs）命运，进而导致神经发育障碍的机制	首次结合微阵列、深度学习和实验验证，系统揭示了HCMV感染NPCs过程中病毒miRNAs（特别是hcmv-miR-US25-1）通过靶向神经发育关键基因（如Jag1）调控细胞命运的分子机制	研究主要关注早期感染阶段，未涵盖长期感染效应；体外NPCs模型可能无法完全模拟体内复杂微环境	阐明HCMV感染导致神经发育障碍的分子机制，特别是病毒miRNAs在调控神经祖细胞命运中的作用	人类神经祖细胞（NPCs）和人类巨细胞病毒（HCMV）	生物信息学与计算生物学	神经发育障碍	微阵列分析、实时定量逆转录聚合酶链反应（qRT-PCR）、定点突变	深度学习模型	microRNA表达数据、mRNA表达数据	未明确说明具体样本数量，但涉及HCMV感染的NPCs实验组和对照组	NA	NA	NA	NA
6074	2026-01-20	BRAIN-META: A reproducible CNN-vision transformer meta-ensemble pipeline for explainable brain tumor classification 2026-Jun, MethodsX IF:1.6Q2 DOI:10.1016/j.mex.2025.103769 PMID:41551258	研究论文	本研究提出了一种名为BRAIN-META的可重复深度学习流程，用于基于结构MRI的多类别脑肿瘤分类	结合了十种混合CNN-Vision Transformer模型与元学习集成框架，并利用Grad-CAM增强可解释性	NA	开发一种准确、可解释且模块化的脑肿瘤分类方法，以支持神经肿瘤学的临床决策	代表四种类别的2D MRI图像：胶质瘤、脑膜瘤、垂体瘤和无肿瘤	计算机视觉	脑肿瘤	结构MRI	CNN, Vision Transformer, 元学习集成	图像	NA	NA	DenseNet121, DenseNet169, DenseNet201, MobileNet, MobileNetV2, EfficientNetB0, EfficientNetB1, EfficientNetB4, InceptionV3, Xception, Vision Transformer	准确率, 精确率, 召回率, F1分数, 混淆矩阵	NA
6075	2026-01-20	SERS on analyte-enriched blood for rapid, culture-free sepsis recognition and causative pathogen identification with super operational neural networks 2026-May-01, Talanta IF:5.6Q1 DOI:10.1016/j.talanta.2025.129332 PMID:41478040	研究论文	本研究提出了一种结合表面增强拉曼光谱与深度学习的工作流程，用于直接从血液中快速、无需培养地识别败血症及其致病病原体	开发了基于超操作神经网络的轻量级一维分类器SuperRamanNet，并首次在独立外部队列中展示了接近临床级别的性能，实现了从富集血液中直接进行败血症识别和病原体分类	残留混淆主要集中在对照组与大肠杆菌之间以及某些革兰氏阴性菌类别之间，表明在血液样本收集中需要改进原始类别平衡	开发一种快速、无需培养的败血症诊断和病原体识别方法	败血症患者及健康对照者的血液样本	机器学习	败血症	表面增强拉曼光谱	深度学习	光谱数据	653份主要数据集样本（来自卡塔尔一家三级医院）和70份独立外部盲测队列样本	NA	超操作神经网络	准确率	NA
6076	2026-01-20	Feasibility of deep learning-based cancer detection in ultrasound microvascular images 2026-Apr, Ultrasonics IF:3.8Q1 DOI:10.1016/j.ultras.2025.107892 PMID:41270708	研究论文	本研究探讨了基于深度学习的癌症检测在超声微血管图像中的可行性，通过训练卷积神经网络在声学血管造影体积数据上实现肿瘤检测	首次将端到端的3D卷积神经网络应用于声学血管造影体积数据，实现高效且准确的肿瘤相关血管检测，并通过与已知恶性肿瘤标志物的相关性进行验证	研究样本量相对较小（n=195），且仅基于啮齿动物模型，尚未在人类临床数据中进行验证	开发一种基于深度学习的自动化方法，以克服声学血管造影在癌症检测中手动分割耗时和操作者间变异性的限制	啮齿动物模型中的声学血管造影体积数据，包括对照组和肿瘤组	计算机视觉	癌症	声学血管造影（超谐波对比增强超声）	CNN	3D体积图像	195个声学血管造影体积（98个对照，97个肿瘤）	PyTorch, TensorFlow	EfficientNet, ResNet, DenseNet	准确度, 灵敏度, 特异性	NA
6077	2026-01-20	Attention-fused dual-stream learning for defect classification in thick aerospace CFRPs with complex microstructures using multi-angle ultrasonic scattering signatures 2026-Apr, Ultrasonics IF:3.8Q1 DOI:10.1016/j.ultras.2025.107921 PMID:41380499	研究论文	提出一种融合注意力的双流深度学习框架，用于利用多角度超声散射特征对具有复杂微观结构的厚航空航天碳纤维增强聚合物进行缺陷分类	提出了一种高效且可解释的AttentionFusion模块，能够协同整合来自B扫描图像的空间形态信息和来自原始全矩阵捕获数据的富含物理信息的多角度散射特征，并利用YOLOv8检测器进行缺陷识别	未明确提及	解决厚碳纤维增强聚合物中关键缺陷（特别是分层）的可靠检测问题，尤其是在复杂微观结构（如纤维波纹）限制常规超声检测有效性的情况下	厚碳纤维增强聚合物中的缺陷（特别是分层）	计算机视觉	NA	超声测试，全矩阵捕获	深度学习，基于YOLOv8的检测器	B扫描图像，原始全矩阵捕获数据	2776个样本	NA	YOLOv8	mAP50	NA
6078	2026-01-20	Predicting skeletal age from HR-pQCT imaging 2026-Mar, Bone IF:3.5Q2 DOI:10.1016/j.bone.2025.117761 PMID:41391644	研究论文	本研究开发了一种深度学习模型，用于从HR-pQCT扫描中预测骨骼年龄，以提供一种可解释的、相对于实际年龄的骨骼健康量化总结	首次提出基于HR-pQCT成像的深度学习框架来预测骨骼年龄，通过显著性图揭示了不同年龄组中皮质骨和小梁骨特征对预测的贡献差异，提供了一种可解释的骨骼健康总结指标	研究仅基于成人队列，未涵盖儿童或青少年群体；模型性能在独立测试集上表现良好，但需在更广泛人群中验证	开发深度学习模型以从HR-pQCT扫描中估计骨骼年龄，提升HR-pQCT数据的可解释性和临床实用性	成人队列的HR-pQCT扫描图像（远端桡骨和胫骨）	医学影像分析	骨骼老化相关疾病	HR-pQCT成像	深度学习模型	3D医学影像	训练集1236名成人（62.1%女性），独立测试集460名成人（69.3%女性）	NA	2D模型（2DRad, 2DTib, 2DRadTib）和3D模型（3DRad, 3DTib）	平均绝对误差（MAE）, R2	NA
6079	2026-01-20	Time-resolved prediction of dental implant biomechanics through integration of finite element analysis, osseointegration dynamics, and deep learning 2026-Mar, Journal of the mechanical behavior of biomedical materials IF:3.3Q3 DOI:10.1016/j.jmbbm.2025.107316 PMID:41411948	研究论文	本研究提出了一种结合有限元分析、骨整合动力学和深度学习的混合时间分辨计算框架，用于预测钛种植体在整个愈合过程中的生物力学行为	开发了一种混合MLP-LSTM神经网络框架，整合了空间和时间特征，实现了对种植体-骨界面机械和生物演化的动态预测，计算速度比传统有限元分析快4000倍以上	依赖于简化骨几何生成的合成数据、静态加载假设以及未经验证的力学生物学参数，需要在未来进行体内验证和患者特异性数据验证	预测牙种植体在愈合过程中的生物力学行为，实现个性化、AI辅助的种植体设计和负荷管理	钛牙种植体	机器学习	NA	有限元分析，力学生物学建模	MLP, LSTM	合成数据（基于参数化3D FEA模型）	800个种植体-骨配置（模拟不同几何形状、载荷和骨质量）	NA	混合MLP-LSTM神经网络	R², 平均绝对误差	NA
6080	2026-01-20	Deep learning-based micro-CT grayscale analysis for early detection and staging of osteoporosis in rats 2026-Mar, Bone IF:3.5Q2 DOI:10.1016/j.bone.2025.117768 PMID:41435999	研究论文	本研究提出了一种基于深度学习的Micro-CT灰度分析方法，用于大鼠骨质疏松症的早期检测和精确分期	提供了跨多个时间点的标准化参考数据，并利用深度学习对Micro-CT灰度进行分析，实现了比传统参数更早、更准确的骨质疏松检测和分期	研究仅使用大鼠模型，结果可能无法直接推广到人类；样本量相对较小（n=64）	开发一种用于骨质疏松症早期检测和疾病分期的定量分析工具	卵巢切除的Sprague-Dawley大鼠（骨质疏松模型）和假手术组大鼠	数字病理学	骨质疏松症	Micro-CT成像	自定义深度学习模型	Micro-CT图像	64只大鼠（32只OVX组，32只假手术组），在术后4、8、16、24周采集股骨样本	NA	自定义深度学习模型	准确率	NA