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
6461	2026-06-18	Advancements in deep learning for image-guided tumor ablation therapies: a comprehensive review 2025-09-04, Progress in biomedical engineering (Bristol, England) DOI:10.1088/2516-1091/adfeab PMID:40845893	综述	全面回顾深度学习在图像引导肿瘤消融治疗中的应用，涵盖术前、术中和术后各阶段	系统总结了深度学习在IGTA全流程中的创新应用，包括术前图像分割与增强、术中实时导航和术后疗效监测	未提及具体临床验证结果或定量比较不同深度学习方法的效果	探讨深度学习在图像引导肿瘤消融治疗中提升精准性、安全性和患者预后的潜力	图像引导肿瘤消融治疗中的深度学习技术及其在不同治疗阶段的应用	机器学习, 计算机视觉	肿瘤相关疾病	超声、CT、MRI	深度学习模型	医学图像	NA	NA	NA	NA	NA
6462	2026-06-18	Predicting Postoperative Prognosis in Pediatric Malignant Tumor With MRI Radiomics and Deep Learning Models: A Retrospective Study 2025-09-01, The Journal of craniofacial surgery IF:1.0Q3 DOI:10.1097/SCS.0000000000011466 PMID:40323639	研究论文	开发多模态机器学习模型，整合MRI影像组学、深度学习和临床指标，预测儿童恶性肿瘤患者术后3年无病生存期	首次结合MRI影像组学特征、深度学习特征与临床指标构建多模态融合模型，并采用贝叶斯优化进行参数调整，显著提升预测性能	回顾性研究设计，样本量有限（260例），且仅针对接受R0切除的脑肿瘤患儿，可能限制模型的泛化能力	开发可预测儿童恶性肿瘤术后3年无病生存期的多模态机器学习模型，为个性化治疗提供科学依据	260例接受R0切除的儿童脑肿瘤患者（年龄≤14岁）	数字病理学	儿童恶性脑肿瘤	MRI影像组学, 深度学习	SVM, RF, LightGBM	MRI图像, 临床指标	260例儿童脑肿瘤患者	PyRadiomics, PyTorch	3D ResNet-18	AUC, 敏感性, 特异性	NA
6463	2026-06-18	Explainable deep learning algorithm for distinguishing IVIG-Resistant Kawasaki disease in Shandong peninsula, China 2025-08-28, BMC pediatrics IF:2.0Q2 DOI:10.1186/s12887-025-06082-w PMID:40866882	研究论文	开发可解释的深度学习模型用于区分山东半岛川崎病患者的IVIG抵抗性	首次针对山东半岛川崎病患者建立基于LightGBM的可解释预测模型，用于预测IVIG抵抗性	NA	探索川崎病患者IVIG抵抗性的预测因素，并建立基于深度学习的可解释预测模型	山东半岛的川崎病患者	机器学习	川崎病	NA	LightGBM	表格数据	914名川崎病患者（768名IVIG敏感、146名IVIG抵抗）	LightGBM	LightGBM	AUC	NA
6464	2026-06-18	Entropy-driven deep learning framework for epilepsy detection using electro encephalogram signals 2025-06-21, Neuroscience IF:2.9Q2 DOI:10.1016/j.neuroscience.2025.05.003 PMID:40334975	研究论文	提出一种结合高级熵度量与深度学习的癫痫自动检测框架	创新性地将多元变量置换熵和多元变量多尺度模糊熵与残差卷积双向长短期记忆网络相结合，并采用均匀流形逼近与投影进行非线性降维	NA	利用脑电图信号实现癫痫的稳健、准确自动检测	脑电图信号中的癫痫发作模式	机器学习	癫痫	脑电图信号处理	ResNet-Bi-LSTM混合模型	脑电图信号	NA	Python	ResNet, Bi-LSTM	准确率, F1分数, 召回率, 特异性, 精确率	NA
6465	2026-06-18	YOLOv11-Based quantification and temporal analysis of repetitive behaviors in deer mice 2025-06-21, Neuroscience IF:2.9Q2 DOI:10.1016/j.neuroscience.2025.05.017 PMID:40368233	研究论文	提出基于YOLOv11的自动化系统，用于鹿鼠重复行为的量化与时间动态分析	集成YOLOv11深度学习进行帧级行为分类、回合重建及时间分析套件，绕过传统运动特征工程，实现高通量、客观的长时间行为动态分析	NA	开发并验证基于YOLOv11的自动化行为分析系统，揭示鹿鼠重复行为的时间动态特征	鹿鼠（Peromyscus maniculatus bairdii）的全身行为（如探索、理毛、竖立等）	计算机视觉	运动障碍疾病模型	深度学习	YOLOv11	视频帧	NA	PyTorch	YOLOv11	NA	NA
6466	2026-06-18	A review of multimodal fusion-based deep learning for Alzheimer's disease 2025-06-07, Neuroscience IF:2.9Q2 DOI:10.1016/j.neuroscience.2025.04.035 PMID:40286904	综述	系统综述了基于深度学习的MRI和PET多模态融合在阿尔茨海默病诊断中的最新进展	聚焦2021-2025年最新研究，系统梳理多模态融合技术、深度学习模型及其变体在AD诊断中的应用	数据稀缺与不平衡、跨机构数据异质性等关键挑战	为MRI和PET多模态融合领域提供系统指导，推动早期AD诊断和干预策略发展	阿尔茨海默病患者的MRI和PET多模态影像数据	数字病理学, 机器学习	阿尔茨海默病	MRI, PET	CNN, LSTM, GAN	图像	NA	NA	NA	准确率, 精确率, 召回率, F1分数, AUC, Dice系数	NA
6467	2026-06-18	Quantifying axonal features of human superficial white matter from three-dimensional multibeam serial electron microscopy data assisted by deep learning 2025-06, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2025.121212 PMID:40222502	research paper	利用深度学习辅助的三维多束扫描电子显微镜数据量化人类浅层白质的轴突特征	首次在纳米级分辨率下对大量人类浅层白质组织进行三维重建，并利用深度卷积神经网络自动分割髓鞘和轴突，揭示了轴突在直径和方向上的局部变化	NA	量化人类浅层白质中短程联合纤维的轴突形态特征	人类浅层白质组织样本	digital pathology	NA	multi-beam scanning electron microscopy	deep convolutional neural networks	electron microscopy image	组织体积200×200×112μm，共分割128285个有髓轴突	PyTorch	CNN	NA	NA
6468	2026-06-18	Deep learning-based triple-tracer brain PET scanning in a single session: A simulation study using clinical data 2025-06, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2025.121246 PMID:40316225	研究论文	基于深度学习的三示踪剂单次脑PET成像仿真研究，利用临床数据验证可行性	首次提出基于Swin Transformer的深度学习模型，在单次扫描中分离三种示踪剂信号，实现三重示踪剂PET成像	FTP图像生成效果不佳，需进一步优化；本研究为仿真研究，尚未在实际多示踪剂同时采集场景中验证	探索基于深度学习的单次三重示踪剂脑PET成像协议，简化多示踪剂PET成像并降低辐射暴露	阿尔茨海默氏病神经影像学倡议（ADNI）数据集中的认知正常、轻度认知障碍和痴呆患者	机器学习	阿尔茨海默病	PET成像	Swin Transformer	图像	ADNI数据集中的多名患者	NA	Swin Transformer	MSE, SSIM, PSNR, 敏感性, 特异性, R²	NA
6469	2026-06-18	Electroencephalography estimates brain age in infants with high precision: Leveraging advanced machine learning in healthcare 2025-05-15, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2025.121200 PMID:40216216	研究论文	利用脑电图和机器学习/深度学习模型高精度估算婴儿大脑年龄，并验证脑年龄差距在评估早期神经发育中的应用	首次将深度学习网络应用于脑电图估算婴儿脑年龄，实现平均绝对误差仅为一个月的高精度预测，并验证了脑年龄差距在临床风险人群（巨头症）中的有效性	NA	开发可靠的脑电图基脑年龄估算方法，量化生物年龄与时序年龄的差距，作为加速或减缓大脑发育的标志	219名3至14个月典型发育婴儿的脑电图记录（深度学习网络使用2628个样本）以及巨头症临床风险人群	机器学习	神经发育疾病	脑电图	深度学习网络	脑电图信号	219名婴儿（2628个记录样本）	NA	深度学习网络	平均绝对误差、相关系数	NA
6470	2026-06-18	A CVAE-based generative model for generalized B1 inhomogeneity corrected chemical exchange saturation transfer MRI at 5 T 2025-05-15, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2025.121202 PMID:40268259	研究论文	提出基于条件变分自编码器的生成模型，用于5T磁共振化学交换饱和转移成像中的B1场不均匀性校正	首次将条件变分自编码器（CVAE）应用于CEST MRI的B1场不均匀性校正，实现了从单次采集生成校正后的Z谱，并且能够泛化到训练集中未包含的B1水平	未提及具体限制	开发一种适用于不同B1水平、无需多次采集的通用B1场不均匀性校正方法	健康人脑的5T磁共振CEST成像数据，以及数值模拟数据	磁共振成像	NA	化学交换饱和转移（CEST）磁共振成像	条件变分自编码器（CVAE）	磁共振Z谱图像数据	数值模拟数据及5T健康人脑成像数据	NA	条件变分自编码器（CVAE）	MTR, [Formula: see text]（3.5 ppm处）	NA
6471	2026-06-18	A Novel Management Challenge in Age-Related Macular Degeneration: Artificial Intelligence and Expert Prediction of Geographic Atrophy 2025-05, Ophthalmology. Retina DOI:10.1016/j.oret.2024.10.029 PMID:39522752	研究论文	本研究评估了眼科医生与人工智能在预测年龄相关性黄斑变性继发的地理萎缩（GA）进展速度方面的能力，并比较了它们的预测性能	首次直接比较眼科医生与深度学习算法在预测GA个体进展速度上的表现，展示了AI在仅使用OCT影像时的优势	研究样本量有限（134只眼），且来自单一临床试验，可能影响结果的泛化性；AI仅基于OCT影像，未使用其他成像模态	评估眼科医生和人工智能在预测年龄相关性黄斑变性继发的地理萎缩个体进展速度方面的价值与差异	年龄相关性黄斑变性继发的地理萎缩（GA）患者的眼	计算机视觉	年龄相关性黄斑变性	OCT、FAF、NIR成像	深度学习	OCT影像、FAF影像、NIR+OCT影像的组合	134名患者的134只眼，其中53只来自假处理组，81只来自未治疗对侧眼	NA	深度学习算法（未具体说明）	准确率、加权κ系数、一致性指数（c-index）	NA
6472	2026-06-18	Detection of Macular Neovascularization in Eyes Presenting with Macular Edema using OCT Angiography and a Deep Learning Model 2025-04, Ophthalmology. Retina DOI:10.1016/j.oret.2024.10.017 PMID:39461425	研究论文	使用OCT血管成像和深度学习模型检测黄斑水肿眼中黄斑新生血管	开发了一种混合多任务卷积神经网络（aiMNV），可从OCTA图像中同时检测和分割MNV，并验证了其高灵敏度和特异性	6×6毫米扫描由于采样密度较低，MNV检测灵敏度低于3×3毫米扫描	评估人工智能算法在多种病因黄斑水肿眼中检测和分割黄斑新生血管的诊断性能	黄斑水肿患者（包括新生血管性年龄相关性黄斑变性、糖尿病性黄斑水肿、视网膜静脉阻塞）的114只眼	计算机视觉	黄斑新生血管	OCT血管成像	卷积神经网络（CNN）	图像	112名参与者的114只眼（56只渗出性AMD眼，58只DME或RVO导致黄斑水肿眼）	NA	混合多任务卷积神经网络	灵敏度、特异性、阳性预测值、阴性预测值、交并比、F1分数	NA
6473	2026-06-18	Diagnosis of lymph node metastasis in oral squamous cell carcinoma by an MRI-based deep learning model 2025-02, Oral oncology IF:4.0Q2 DOI:10.1016/j.oraloncology.2024.107165 PMID:39752793	研究论文	开发并验证了一种基于MRI的深度学习模型，用于诊断口腔鳞状细胞癌的淋巴结转移	提出了一个三阶段深度学习模型，结合随机森林分类器，在识别淋巴结转移和降低隐匿性转移率方面表现优异，性能与普通和专科放射科医生相当或更优	NA	开发并验证一种基于MRI的深度学习模型，用于识别口腔鳞状细胞癌患者的淋巴结转移	口腔鳞状细胞癌患者	计算机视觉	口腔鳞状细胞癌	MRI	深度学习模型	图像	来自10家中国医院的723名患者，共45,664张术前MRI图像	NA	三阶段深度学习模型	AUC	NA
6474	2026-06-18	BIBSNet: A Deep Learning Baby Image Brain Segmentation Network for MRI Scans 2025-Jan-11, bioRxiv : the preprint server for biology DOI:10.1101/2023.03.22.533696 PMID:36993540	研究论文	介绍一种针对婴儿MRI脑部图像分割的深度学习网络BIBSNet，其性能优于传统方法，速度快600倍，且与FreeSurfer兼容	首次提出一个开源、社区驱动的婴儿脑分割深度学习模型，通过数据增强和大规模手动标注图像实现鲁棒性和泛化性，分割速度比传统方法快600倍	未在标题和摘要中明确说明局限性	开发一种鲁棒且可泛化的婴儿脑MRI图像分割方法，以支持典型和非典型脑发育研究	0-8个月龄的婴儿脑MRI图像	深度学习，医学图像分析	不适用	MRI扫描	深度神经网络	MRI图像	90名参与者，年龄0-8个月（中位年龄4.6个月）的MRI脑图像	NA	BIBSNet	Dice相似系数，皮层厚度，静息态连接性，脑区体积	NA
6475	2026-06-18	Federated Learning in Glaucoma: A Comprehensive Review and Future Perspectives 2025 Jan-Feb, Ophthalmology. Glaucoma DOI:10.1016/j.ogla.2024.08.004 PMID:39214457	综述	全面回顾联邦学习在青光眼筛查AI模型中的应用，并探讨未来发展方向	首次系统总结联邦学习在青光眼领域中的应用，提出其作为解决数据隐私与模型性能平衡问题的潜在方案	现有研究多集中于概念验证，缺乏大规模、多中心的实际部署经验及标准化评估框架	评估联邦学习在青光眼AI训练中的可行性，并展望其在隐私保护与模型泛化能力上的优势	1990年至2024年间发表的关于联邦学习在青光眼AI中应用的相关文献	机器学习	青光眼	联邦学习	深度学习	医学影像	未明确说明具体样本量	NA	NA	准确率	NA
6476	2026-06-18	Shifted windowing vision transformer-based skin cancer classification via transfer learning 2025 Jan-Dec, Clinics (Sao Paulo, Brazil) DOI:10.1016/j.clinsp.2025.100724 PMID:40915182	研究论文	采用转移学习的基于移动窗口视觉变换器的皮肤癌分类方法	提出了基于移动窗口视觉变换器（Swin Transformer）的创新方法，利用注意力机制捕捉全局关系，并引入转移学习优化模型权重参数	未提及具体局限性，但皮肤图像数据集通常有限且不平衡	实现皮肤癌的自动分类，提升跨域适应性和稳健性以应用于临床	皮肤癌图像	计算机视觉	皮肤癌	NA	视觉变换器（Vision Transformer）	图像	NA	NA	移动窗口视觉变换器（Swin Transformer）	NA	NA
6477	2026-06-18	Predicting the potential associations between circRNA and drug sensitivity using a multisource feature-based approach 2024-10, Journal of cellular and molecular medicine IF:4.3Q2 DOI:10.1111/jcmm.18591 PMID:39347936	研究论文	介绍了一种名为SNMGCDA的新型深度学习模型，用于预测环状RNA与药物敏感性之间的潜在关联	结合多种相似性网络和多源特征计算方法（稀疏自编码器、非负矩阵分解、多头图注意力网络）来提取circRNA和药物的特征，并通过多层感知机进行预测	文中未明确提及局限性，但可能包括对数据多样性和计算资源的需求	高效预测circRNA与药物敏感性之间的关联，以支持药物研发和治疗优化	环状RNA（circRNA）和药物敏感性	机器学习	NA	NA	深度学习模型（SNMGCDA）	文本（序列数据）	NA	NA	稀疏自编码器、非负矩阵分解、多头图注意力网络、多层感知机	5折交叉验证和10折交叉验证的性能（与五种最先进方法对比）	NA
6478	2026-06-18	Deciphering lung adenocarcinoma prognosis and immunotherapy response through an AI-driven stemness-related gene signature 2024-07, Journal of cellular and molecular medicine IF:4.3Q2 DOI:10.1111/jcmm.18564 PMID:39046884	研究论文	通过人工智能驱动的干性相关基因签名解析肺腺癌预后和免疫治疗反应	首次整合传统回归、机器学习和深度学习算法构建干性相关基因签名，结合单细胞RNA测序和多重组学数据，全面揭示干性与肿瘤免疫微环境的关系	NA	构建可预测肺腺癌预后和免疫治疗反应的人工智能驱动的干性相关基因签名	肺腺癌上皮细胞的干性相关基因	机器学习	肺癌	单细胞RNA测序	NA	基因表达数据	NA	NA	NA	NA	NA
6479	2026-06-18	Construction and validation of a deep learning prognostic model based on digital pathology images of stage III colorectal cancer 2024-07, European journal of surgical oncology : the journal of the European Society of Surgical Oncology and the British Association of Surgical Oncology DOI:10.1016/j.ejso.2024.108369 PMID:38703632	研究论文	基于深度学习方法构建并验证III期结直肠癌数字病理图像的预后模型	首次针对III期结直肠癌患者，通过深度学习方法量化肿瘤微环境中的九种组织类型，并构建肿瘤风险特征（TRS）用于预后预测	样本量较小，仅包含265例TCGA和70例外部验证队列，且仅针对III期结直肠癌患者，未涉及其他分期	探索基于深度学习的肿瘤风险特征（TRS）对III期结直肠癌患者预后的预测价值	III期结直肠癌患者的全切片图像（WSI）	数字病理学	结直肠癌	NA	卷积神经网络（CNN）	图像（全切片病理图像）	265例来自TCGA的III期结直肠癌患者和70例来自中山大学附属第六医院的III期结直肠癌患者	NA	NA	准确率、Harrell一致性指数（C-index）、风险比（HR）	NA
6480	2026-06-18	Heterogenous thinning of peripapillary tissues occurs early during high myopia development in juvenile tree shrews 2024-03, Experimental eye research IF:3.0Q1 DOI:10.1016/j.exer.2024.109824 PMID:38336167	研究论文	本研究调查幼年树鼩实验性高度近视发展过程中视盘周围组织的厚度变化	首次揭示了幼年树鼩高度近视早期视盘周围组织发生异质性变薄，且视网膜相对于脉络膜-视网膜色素上皮复合体和巩膜受到保护	仅使用树鼩作为模型，样本量较小，未探究长期组织变化	探究幼年树鼩实验性高度近视发展过程中视盘周围组织厚度变化及其与青光眼风险的关联	幼年树鼩的视盘周围组织，包括巩膜、脉络膜-视网膜色素上皮复合体、视网膜神经纤维层和剩余视网膜层	计算机视觉	高度近视	光学相干断层扫描（OCT），深度学习自动分割算法	深度学习模型	图像	6只正常视力树鼩和9只单眼-10D透镜治疗树鼩，共15只	NA	NA	NA	NA