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
6101	2026-01-20	Long-term carotid plaque progression and the role of intraplaque hemorrhage: A deep learning-based analysis of longitudinal vessel wall imaging 2025-Dec-10, Journal of cardiovascular magnetic resonance : official journal of the Society for Cardiovascular Magnetic Resonance IF:4.2Q1 DOI:10.1016/j.jocmr.2025.102670 PMID:41386425	研究论文	本研究利用深度学习分割技术，基于纵向血管壁成像数据，评估了斑块内出血对颈动脉粥样硬化斑块负荷长期进展的影响	首次采用深度学习分割管道对多对比度磁共振血管壁成像进行长期纵向分析，以量化斑块内出血的存在和体积对斑块负荷进展的长期影响	样本量较小（28名无症状受试者），且为观察性研究，无法确定因果关系	评估斑块内出血对颈动脉斑块负荷长期进展的影响	无症状颈动脉粥样硬化受试者的颈动脉斑块	数字病理学	心血管疾病	多对比度磁共振血管壁成像	深度学习	医学影像	28名无症状受试者，共50条动脉，平均随访5.8年，平均每人接受4.7次扫描	NA	NA	相关系数, p值	NA
6102	2026-01-20	Impact of statins on progression of coronary artery calcium composition and density as assessed by noncontrast CT 2025-Dec, The international journal of cardiovascular imaging DOI:10.1007/s10554-025-03561-0 PMID:41201709	研究论文	本研究利用深度学习模型分析非对比CT扫描，探讨了他汀类药物对冠状动脉钙化（CAC）密度和成分进展的影响	首次使用全自动深度学习模型对CAC成分亚型进行定量评估，并揭示了他汀治疗与钙化密度向更稳定表型转变的关联	单中心回顾性研究，样本量有限（316例），平均随访时间3.8年	评估他汀类药物对冠状动脉钙化密度和成分进展的影响	无症状个体（基线存在CAC）	数字病理学	心血管疾病	非对比计算机断层扫描（CT），深度学习	深度学习模型	CT图像	316例患者（58.4±10.1岁；49.1%男性），其中175例接受他汀治疗，141例未接受他汀治疗	NA	NA	β系数，p值	NA
6103	2026-01-20	From detection to grading: A hybrid KOA-YOLOv5-RF model for knee osteoarthritis diagnosis 2025-Dec, MethodsX IF:1.6Q2 DOI:10.1016/j.mex.2025.103725 PMID:41378376	研究论文	本研究提出了一种基于混合深度学习与机器学习框架的新型计算机辅助诊断系统，用于从X射线图像中检测和分级膝骨关节炎的严重程度	将YOLOv5的精确关节定位与分割能力与随机森林分类器的有序分级能力相结合，形成一种混合诊断框架	研究未明确说明模型在不同医疗设备或人群中的泛化能力，且数据集规模相对有限	开发一种可扩展、可解释且具有临床相关性的膝骨关节炎计算机辅助诊断工具	膝骨关节炎的X射线图像	计算机视觉	膝骨关节炎	X射线成像	CNN, 随机森林	图像	1535张X射线图像	PyTorch, Scikit-learn	YOLOv5	准确率, ROC-AUC, Cohen's kappa, 敏感度, 特异度	NA
6104	2026-01-20	Role of Deep Learning in Plastic Surgery: Transforming Art With Intelligence 2025-Dec, Cureus DOI:10.7759/cureus.99329 PMID:41552176	评论	本文探讨了深度学习在整形外科中的应用及其潜力	强调了深度学习在整形外科这一结合精确性与艺术性的专业领域中的变革性作用，并指出其旨在增强而非替代外科专业知识	数据质量、伦理问题以及临床工作流程整合方面的挑战	探索深度学习在整形外科中的扩展角色及其潜力	整形外科领域	机器学习	NA	深度学习	NA	NA	NA	NA	NA	NA	NA
6105	2026-01-20	Accelerating myelin defect detection in neurodegenerative disorders: a human-in-the-loop deep learning approach with birefringence microscopy 2025-Oct, Neurophotonics IF:4.8Q1 DOI:10.1117/1.NPh.12.4.045007 PMID:41195092	研究论文	本文提出了一种人机交互的深度学习方法，用于加速神经退行性疾病中髓鞘缺陷的检测	采用人机交互的深度学习框架，结合YOLOv8模型和迭代专家验证，显著提高了髓鞘缺陷检测的速度和准确性	样本量较小（仅15名受试者），且仅针对特定脑区（背外侧前额叶皮层）进行研究	开发并评估一种快速、准确且可扩展的髓鞘缺陷检测方法，以加速神经退行性疾病的研究进展	来自15名受试者（包括5名对照、5名阿尔茨海默病患者和5名慢性创伤性脑病患者）的脑组织样本	数字病理学	神经退行性疾病	RGB圆交叉偏振双折射显微镜成像	CNN	图像	15名受试者的脑组织样本，包含5600个手动标注的髓鞘缺陷	NA	YOLOv8	mAP@50	NA
6106	2026-01-20	COMPASS: Computational mapping of patient-therapist alliance strategies with language modeling 2025-May-15, Translational psychiatry IF:5.8Q1 DOI:10.1038/s41398-025-03379-3 PMID:40374613	研究论文	本文介绍了一个名为COMPASS的新框架，利用大型语言模型从心理治疗会话的自然语言中直接推断治疗工作联盟，并分析不同精神疾病条件下的主题特征	首次提出直接使用大型语言模型分析心理治疗会话转录本，以映射到工作联盟量表等心理测量工具，提供细粒度的患者-治疗师对齐轨迹映射和可解释的临床见解	数据收集时间跨度较长（1970-2012年），可能包含过时的治疗实践；样本量在某些疾病类别中较小（如自杀倾向仅12个会话）	开发一个计算框架，从心理治疗会话的语言中推断治疗工作联盟，以增强对治疗互动的理解并提供临床反馈	心理治疗会话转录本，涵盖焦虑、抑郁、精神分裂症和自杀倾向等多种精神疾病患者	自然语言处理	精神疾病	语言建模，主题建模	大型语言模型（LLM），深度学习模型	文本（会话转录本）	超过950个心理治疗会话，包括焦虑（498个）、抑郁（377个）、精神分裂症（71个）和自杀倾向（12个）	NA	NA	NA	NA
6107	2026-01-20	Bi-level graph learning unveils prognosis-relevant tumor microenvironment patterns in breast multiplexed digital pathology 2025-Mar-14, Patterns (New York, N.Y.) DOI:10.1016/j.patter.2025.101178 PMID:40182181	研究论文	本文提出了一种数据驱动且可解释的双层图学习方法，用于识别与患者预后相关的肿瘤微环境细胞模式	引入双层图模型（细胞图和群体图）来识别可泛化的生物标志物，克服了传统深度学习方法预测不可解释的局限性	NA	识别与乳腺癌患者预后相关的肿瘤微环境空间细胞模式	乳腺癌肿瘤微环境中的细胞模式	数字病理学	乳腺癌	多重数字病理学	图模型	图像	在两个独立队列中验证	NA	双层图模型（细胞图、群体图）	NA	NA
6108	2026-01-20	LDCT image biomarkers that matter most for the deep learning classification of indeterminate pulmonary nodules 2025-Jan, Cancer biomarkers : section A of Disease markers IF:2.2Q3 DOI:10.3233/CBM-230444 PMID:38848168	研究论文	本研究结合图像掩蔽和显著性激活图，系统探索了CT图像中肺实质和肿瘤区域对不确定肺结节分类的贡献	通过图像掩蔽和Grad-CAM方法，首次系统分析了深度神经网络在肺结节分类中依赖的放射学特征，特别是结节纹理和形态特征的重要性	研究仅基于NLST数据集的固体肺结节，可能不适用于其他类型结节或不同人群	探索深度神经网络在低剂量CT图像中分类不确定肺结节时依赖的放射学特征	来自国家肺癌筛查试验（NLST）的固体肺结节（直径4-20毫米）患者	计算机视觉	肺癌	低剂量CT扫描	深度神经网络	图像	来自NLST的固体肺结节患者	NA	NA	AUC	NA
6109	2026-01-20	Application of artificial intelligence in cervical cytology: a systematic review of deep learning models, datasets, and reported metrics 2025, Frontiers in big data IF:2.4Q2 DOI:10.3389/fdata.2025.1678863 PMID:41550300	综述	本文系统综述了2022年至2025年间应用于宫颈细胞学图像的深度学习模型，重点关注模型架构、数据集和性能指标	首次系统性地总结了深度学习在宫颈细胞学中的应用趋势，并识别了混合模型和Vision Transformer方法的兴起	数据集临床代表性有限，交叉验证不足，诊断标准不一致	评估人工智能在宫颈细胞学中的应用现状，以支持癌前病变的早期检测	宫颈细胞学图像	计算机视觉	宫颈癌	深度学习	CNN, ViT, 混合模型	图像	NA	NA	卷积神经网络, Vision Transformer, 混合架构	准确率, 精确率, 召回率, F1分数	NA
6110	2026-01-20	An in-depth exploration of machine learning methods for mental health state detection: a systematic review and analysis 2025, Frontiers in digital health IF:3.2Q2 DOI:10.3389/fdgth.2025.1724348 PMID:41550350	综述	本文对2015年至2024年间应用于心理健康状态检测的机器学习方法进行了系统回顾与分析	系统性地识别、分类并分析了用于心理健康检测的机器学习技术，特别指出了模型可解释性与预测准确性之间的核心权衡	纳入的研究数量有限（35篇），且部分研究数据收集方式为手动，可能影响结果的普适性	识别和分类应用于心理健康检测的机器学习技术，并分析该领域最常用的算法	心理健康状态检测相关的研究文献	机器学习	心理健康问题	NA	监督学习, 无监督学习, 深度学习	在线社交网络数据, 手动收集数据	基于35篇符合纳入标准的研究	NA	逻辑回归, 深度学习架构	NA	NA
6111	2026-01-20	Ensemble learning for predicting microsatellite instability in colorectal cancer using pretreatment colonoscopy images and clinical data 2025, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2025.1734076 PMID:41551159	研究论文	本研究开发并评估了一种集成学习框架，结合预处理结肠镜图像和常规临床数据，用于结直肠癌中微卫星不稳定性的非侵入性预测	提出了一种集成学习框架，首次将预处理结肠镜图像与常规临床数据相结合，用于非侵入性预测结直肠癌的微卫星不稳定性，并通过多数投票集成方法提升了预测性能	研究为回顾性设计，可能受限于数据收集的偏差；未在外部验证集上进行测试，泛化能力有待进一步验证	开发一种非侵入性、自动化的方法，用于预测结直肠癌中的微卫星不稳定性，以替代传统侵入性检测	经病理确诊且通过免疫组化确定微卫星不稳定性状态的结直肠癌患者	数字病理学	结直肠癌	免疫组化，聚合酶链反应	CNN, Transformer, Logistic Regression, Random Forest, Support Vector Machine, Gradient Boosting	图像，临床数据	1844名患者	TensorFlow, PyTorch, Scikit-learn	ResNet-50, EfficientNet, DenseNet, VGG-16, Vision Transformer	准确率，精确率，召回率，AUROC	NA
6112	2026-01-20	A CT-based deep learning model to predict local recurrence-free survival in primary retroperitoneal sarcoma 2025, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2025.1725377 PMID:41551503	研究论文	本研究构建了一个基于术前CT的深度学习模型，用于预测原发性腹膜后肉瘤患者的局部无复发生存期	首次将深度学习应用于预测原发性腹膜后肉瘤的局部复发风险，并证明其优于传统手工放射组学模型和临床模型	回顾性研究设计，样本量较小（115例患者），缺乏外部验证队列	预测原发性腹膜后肉瘤患者的局部无复发生存期，以辅助风险分层和个体化治疗决策	原发性腹膜后肉瘤患者	数字病理	腹膜后肉瘤	CT成像	深度学习模型	CT图像	115例原发性腹膜后肉瘤患者（训练集86例，验证集29例）	NA	端到端深度学习模型	C-index, 时间依赖性ROC, 校准曲线, 决策曲线分析, 生存分析	NA
6113	2026-01-19	Accelerated Patient-specific Non-Cartesian Magnetic Resonance Imaging Reconstruction Using Implicit Neural Representations 2026-Feb-01, International journal of radiation oncology, biology, physics DOI:10.1016/j.ijrobp.2025.08.059 PMID:40915433	研究论文	本研究开发了一种名为k-GINR的新型两阶段隐式神经表示网络，用于加速非笛卡尔磁共振成像的重建	结合对抗性训练的隐式神经表示网络，能够直接重建非笛卡尔k空间数据，并在高加速比下表现出优越性能	NA	加速磁共振成像采集，减少图像伪影，提高重建效率	患者特异性非笛卡尔磁共振成像数据	医学影像	肝脏疾病	非笛卡尔采样磁共振成像	隐式神经表示, 生成对抗网络	k空间数据, 图像	118个前瞻性采集的StarVIBE T1加权肝脏扫描及相应线圈数据	NA	k-GINR, NeRP, k-NeRP, Deep Cascade CNN	峰值信噪比	NA
6114	2026-01-19	Dose Reduction in 4-Dimensional Computed Tomography Imaging: Breathing Signal-Guided Deep Learning-Driven Data Acquisition 2026-Feb-01, International journal of radiation oncology, biology, physics DOI:10.1016/j.ijrobp.2025.08.047 PMID:40975131	研究论文	本文提出了一种基于深度学习的呼吸信号引导数据采集方法，用于减少4D CT成像中的辐射剂量	利用患者呼吸信号指导深度学习模型预测最优投影数据采集时机，实现剂量减少，同时保持图像质量	研究为回顾性分析，需前瞻性验证；模型性能依赖于呼吸信号质量	减少4D CT成像中的辐射剂量，同时保持诊断质量	294名患者的1415个呼吸信号及104个独立临床4D CT扫描	医学影像处理	胸部肿瘤	4D CT成像	深度学习模型	呼吸信号、CT投影数据、图像	1415个呼吸信号（来自294名患者），104个独立4D CT扫描	NA	NA	Dice系数、Hausdorff距离、位移场、伪影频率	NA
6115	2026-01-19	Real-Time Deep-Learning Image Reconstruction and Instrument Tracking in MR-Guided Biopsies 2026-Feb, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.70138 PMID:41035253	研究论文	本研究提出了一种基于深度学习的实时图像重建与器械跟踪方法，用于加速磁共振引导下的前列腺活检流程	首次在临床环境中使用深度学习对欠采样k空间数据进行实时图像重建和活检针导引器跟踪，并在真实患者数据上验证了高加速因子下的跟踪性能	前瞻性验证样本量较小（8例患者），且仅针对特定器械（活检针导引器）进行跟踪验证	通过深度学习加速磁共振引导活检的成像流程，实现实时器械跟踪以提高临床工作效率	接受经直肠磁共振引导活检的男性患者	医学影像分析	前列腺癌	2D Cartesian平衡稳态自由进动序列，3T磁共振成像	深度学习模型（具体架构未明确说明）	多切片MR DICOM图像，原始k空间数据	训练集：1289例男性患者（8464次扫描）；前瞻性测试集：8例男性患者（10个动态k空间样本）	NA	NA	器械尖端预测误差，成功帧比例（误差<5mm），威尔逊95%置信区间	NA
6116	2026-01-19	Deep learning for pediatric femoral neck fracture detection in a multicenter study 2026-Jan-16, iScience IF:4.6Q1 DOI:10.1016/j.isci.2025.114372 PMID:41541682	研究论文	本研究开发了一种深度学习模型，用于在儿科髋关节X光片上自动检测和定位股骨颈骨折	这是目前最全面的多中心人工智能诊断研究之一，用于检测儿科股骨颈骨折，并首次在急诊科骨科医生中验证了AI辅助能显著提高诊断性能，特别是对经验有限的医生	NA	开发并验证一个深度学习模型，以自动检测儿科髋关节X光片中的股骨颈骨折，支持急诊环境下的临床决策	儿科髋关节X光片	计算机视觉	股骨颈骨折	X光成像	CNN	图像	2,594张髋关节X光片，来自8个中心的2,116名患者	NA	YOLOv11s	mAP@0.5, AUC	NA
6117	2026-01-19	DrowsyDG-Phys: Generalizable driver drowsiness estimation in conditional automated vehicles using physiological signals 2026-Jan-16, Accident; analysis and prevention DOI:10.1016/j.aap.2026.108407 PMID:41547100	研究论文	本研究提出了一种名为DrowsyDG-Phys的新型领域泛化框架，用于在条件自动驾驶车辆中基于生理信号进行可泛化的驾驶员睡意估计	提出了一种结合时域和频域特征学习的主干网络，并集成了三种新颖的损失函数：基于先验知识的对比正则化、促进异质性泛化的特征中心化损失，以及用于对齐睡意评估标准的新损失函数	未明确说明模型在更广泛或更复杂真实驾驶场景中的泛化能力限制	提高基于生理信号的驾驶员睡意检测模型在跨领域条件下的泛化能力和鲁棒性	驾驶员	机器学习	NA	生理信号测量（心电图、皮肤电活动、呼吸信号）	深度学习	生理信号（时间序列数据）	60名参与者在模拟SAE 3级驾驶场景中收集的数据集，以及三个现有数据集	NA	NA	准确率	NA
6118	2026-01-19	Deep Learning Analysis Based on Dual-energy CT-Derived Iodine Map for Predicting PD-L1 Expression in Gastric Cancer: A Multicenter Study 2026-Jan-16, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2025.12.033 PMID:41547630	研究论文	本研究基于双能CT碘图，利用深度学习分析预测胃癌中PD-L1表达水平	首次将深度学习应用于双能CT碘图，构建深度学习特征签名模型，用于非侵入性预测胃癌PD-L1表达，并融合临床特征提升预测性能	样本量相对有限，且为回顾性多中心研究，可能存在选择偏倚	评估基于双能CT碘图的深度学习分析在预测胃癌PD-L1表达中的价值	胃癌患者	数字病理	胃癌	双能CT	CNN	图像	267名胃癌患者（训练集143例，内部验证集60例，外部验证集64例）	NA	ResNet-50	AUC	NA
6119	2026-01-19	Basic Process Equation for Analytical Chemistry - An Inclusive and Conciliatory Approach 2026-Jan-13, Analytical chemistry IF:6.7Q1 DOI:10.1021/acs.analchem.5c05444 PMID:41468535	研究论文	本文提出了一种以信息流为基准的分析化学基本过程方程，旨在统一传统单变量数据方法与基于多变量数据的现代分析方法	首次引入'分析算子'概念作为信息转换的核心，并提出了一个包容性框架以协调传统分析化学与基于化学计量学、数据挖掘、机器学习等现代方法	仅以植物油碘值测定为例进行说明，尚未在更广泛的分析化学领域进行全面验证	建立分析化学的统一理论框架，实现从测量到信息的范式转变	分析化学过程与信息转换机制	分析化学	NA	化学计量学、数据挖掘、机器学习、深度学习、人工智能	NA	单变量数据、多变量数据	NA	NA	NA	NA	NA
6120	2026-01-19	Advancing skin cancer detection through deep learning and fusion of patient metadata and skin lesion images 2026-Jan-13, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-26392-4 PMID:41530207	研究论文	本研究提出了一种结合患者元数据和皮肤病变图像的AI框架，用于在远程皮肤病学分诊中自动分类可疑与非可疑皮肤病变	通过融合患者元数据（如病变大小、颜色、形状、年龄和性别）与图像数据，并采用多数投票技术集成多个AI模型，显著提升了分类性能，同时引入了软注意力模块以增强模型决策的可解释性	研究数据仅来自英国私立皮肤癌诊断中心网络，可能缺乏多样性和代表性，且未详细讨论模型在临床环境中的实际部署挑战	开发自动化方法以减少皮肤癌诊断的等待时间，并支持远程皮肤病学分诊中的快速决策	皮肤病变图像及患者元数据，用于分类可疑与非可疑皮肤病变	计算机视觉	皮肤癌	深度学习	CNN	图像, 元数据	79,246张皮肤病变图像，来自19,295名患者，包含22个元特征	NA	NA	敏感性, 特异性	NA