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
661	2026-06-01	Fast MR elastography via deep learning-based phase interpolation: A technical feasibility study 2026-May-25, Magnetic resonance imaging IF:2.1Q2 DOI:10.1016/j.mri.2026.110703 PMID:42190842	研究论文	本研究提出一种基于深度学习相位插值的方法，旨在减少磁共振弹性成像所需的振动相位图像采集数量，通过利用时空波周期性来插值缺失相位图像	首次利用深度学习对MRE振动相位图像进行插值，可实现高达50%的采集时间缩减，同时保持与常规方法相当的临床测量精度	研究仅纳入13名健康志愿者，样本量较小，且为技术可行性验证，未涉及多种病理条件下的验证	评估基于深度学习的相位插值方法在MR弹性成像中的技术可行性，以减少采集时间并降低切片错位风险	健康志愿者肝脏的MR弹性成像数据及体模实验数据	机器学习, 医学影像	无特定疾病	MR弹性成像	深度学习模型	图像	13名健康志愿者肝脏数据及体模数据	NA	3-to-1模型, 2-to-2模型	SSIM, PSNR, Bland-Altman分析, ICC	NA
662	2026-06-01	CollDTI: Dual-encoder collaborative learning for drug-target interaction prediction 2026-May-25, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2026.109175 PMID:42217429	研究论文	提出一种双编码器协作学习框架CollDTI，通过联合建模药物-靶点对的内在结构特征与外部关系特征，提升药物-靶点相互作用预测性能	首次提出双编码器协作框架，结合多视图异构图神经网络提取外部关系特征、字符字典编码与图卷积网络提取内在结构特征，并使用加权残差交叉注意力机制实现多视图嵌入的协作融合	NA	通过整合药物与靶点的内在结构和外部关系特征，提高药物-靶点相互作用预测的准确性	药物-靶点相互作用数据对	机器学习	NA	NA	双编码器协作学习框架	结构化数据	NA	PyTorch	多视图异构图神经网络、图卷积网络、字符字典编码、加权残差交叉注意力机制	准确率、精确率、召回率、F1分数、AUC	NA
663	2026-06-01	Developing and validating a sequence-aware deep learning model for infection risk prediction in home care 2026-May-22, International journal of medical informatics IF:3.7Q2 DOI:10.1016/j.ijmedinf.2026.106485 PMID:42172726	研究论文	开发并验证一种序列感知深度学习模型，用于预测居家护理中与感染相关的住院或急诊就诊风险	将纵向结构化电子健康记录数据与从临床笔记中通过自然语言处理提取的特征整合到序列感知深度学习模型中，并开发出三层风险分层工具	NA	评估序列感知深度学习方法在预测居家护理感染者住院或急诊就诊风险方面的性能、可解释性和公平性	居家护理患者的感染相关住院或急诊就诊	机器学习	感染性疾病	电子健康记录、自然语言处理	双向长短期记忆网络	结构化数据和文本数据	23,321次居家护理记录（2015-2017年），其中1,528次（6.5%）涉及感染相关住院或急诊就诊	NA	双向长短期记忆网络	AUROC, AUPRC, F1-score	NA
664	2026-06-01	AI-Enhanced Nanophotonic Heterochain Sensor Enables Multiplexed Biomarker Detection across Serum, Urine, and Saliva for Stroke Differentiation 2026-May-21, ACS applied bio materials IF:4.6Q2 DOI:10.1021/acsabm.6c00103 PMID:42166366	研究论文	开发了一种结合深度学习的纳米光子异质链生物传感平台，用于血清、尿液和唾液中S100B、GFAP和UCH-L1的多重检测，以实现脑卒中亚型区分	首次将纳米光子异质链生物传感器与深度学习辅助图像分析相结合，实现多生物标志物在多种体液中的超灵敏多重检测，并集成便携式智能手机成像和云端分析管道	样本量有限，仅包含缺血性脑卒中、脑出血和健康对照组，且回收率104.7%和变异系数24.4%表明存在一定变异性	开发一种便携式、AI增强的纳米光子生物传感系统，用于脑卒中生物标志物的超早期多重定量检测，以快速区分脑卒中亚型	脑损伤生物标志物S100B、GFAP和UCH-L1在血清、尿液和唾液中的检测	机器视觉, 数字病理学	脑血管疾病	纳米光子生物传感, 深度学习	逻辑回归	图像, 临床样本数据	缺血性脑卒中患者、脑出血患者和健康对照组的临床样本	NA	NA	准确性, 线性度, 回收率, 变异系数	云端分析管道
665	2026-06-01	Reliability-Aware Deep Learning Framework for Chemical Genotoxicity Prediction with Uncertainty Quantification 2026-May-20, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.6c00885 PMID:42160670	研究论文	提出一个可靠性感知的深度学习框架，用于化学物质的遗传毒性预测，并整合了不确定性量化	首次将数据可靠性分层（通过实验方案质量、可重复性和审查状态）与共形预测不确定性量化相结合，构建两阶段层次学习策略以处理异构数据质量	未明确提及，但可能包括对低可靠性数据的自适应加权依赖初始高/中可靠性数据的训练效果	开发一个考虑数据可靠性和预测不确定性的计算模型，用于化学物质遗传毒性评估	8,389种化合物，标注有实验可靠性等级（高、中、低）	机器学习	遗传毒性相关疾病（如癌症）	分子指纹	消息传递神经网络 (MPNN), 随机森林, 支持向量机 (SVM), 逻辑回归, 共形预测	分子结构数据	8,389种化合物	NA	消息传递神经网络, 随机森林, 支持向量机 (RBF核), 逻辑回归	AUC, Brier分数, 经验覆盖率	NA
666	2026-06-01	Comparative evaluation of deep learning architectures for microbial colony classification in microbiological imaging 2026-05-18, BMC microbiology IF:4.0Q2 DOI:10.1186/s12866-026-05028-1 PMID:42144581	研究论文	对六种卷积神经网络架构用于微生物菌落分类进行头对头比较	在同数据集AGAR上，首次系统对比六种CNN架构（AlexNet、SqueezeNet 1.1、ResNet18、ShuffleNetV2、EfficientNetB0和MobileNetV2）用于微生物菌落分类，并采用统一训练协议，揭示轻量级网络达到最佳性能	仅使用单一公众数据集AGAR，相关结论可能受限于标准化成像条件和特定物种（五种）	评估深度学习架构在微生物菌落自动分类中的比较性能，为自动化微生物图像分析提供参考	来自AGAR数据集的86,045个微生物菌落裁剪图像，涵盖五种微生物（枯草芽孢杆菌、大肠杆菌、铜绿假单胞菌、金黄色葡萄球菌和白色念珠菌）	计算机视觉	NA	微生物成像	卷积神经网络	图像	86,045个菌落裁剪图（来自4,424个可计数培养皿）	PyTorch	AlexNet, SqueezeNet 1.1, ResNet18, ShuffleNetV2, EfficientNetB0, MobileNetV2	准确率, 精确率, 召回率, F1分数	NA
667	2026-06-01	Artificial intelligence in the differential diagnosis of hypertrophic cardiomyopathy and physiological hypertrophy: a scoping review 2026-May-15, Hellenic journal of cardiology : HJC = Hellenike kardiologike epitheorese IF:2.7Q2 DOI:10.1016/j.hjc.2026.05.001 PMID:42142808	综述	系统梳理了人工智能在鉴别肥厚型心肌病与生理性心肌肥厚中的研究现状与应用潜力	首次聚焦AI鉴别HCM与运动员心脏这一临床难题，揭示了目前缺乏运动员特异性数据集的现状并指出未来研究方向	运动员来源数据集匮乏且外部验证不足，显著限制了在运动心脏病学中的临床应用	评估AI/ML在区分HCM与生理性心肌肥厚（尤其是运动员心脏）中的验证性应用范围	基于AI/ML方法区分HCM与左心室肥厚（包括生理性及病理性）的原始研究	机器学习	肥厚型心肌病	NA	支持向量机（SVM）	心电图、超声心动图、影像组学、视频数据	共纳入8项研究，其中仅1项直接比较HCM与运动员心脏	NA	支持向量机（SVM）	AUC	NA
668	2026-06-01	Development and validation of a novel deep learning coronary artery plaque quantification model 2026-05-14, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-026-02379-z PMID:42135689	研究论文	提出并验证了一种基于深度学习的冠状动脉斑块量化模型，用于自动分割总斑块和钙化斑块体积	开发了一种名为QuantiPlaque的新型软件，利用深度学习模型实现冠状动脉斑块体积的自动化量化，并与专家手动标注进行了严格验证	样本量较小（仅115例CCTA扫描），且对左旋支动脉区域的斑块分割效果较弱	开发一种自动化的深度学习模型，用于准确量化冠状动脉总斑块和钙化斑块体积，以辅助临床评估心血管事件风险	冠状动脉斑块（总斑块和钙化斑块）	计算机视觉	冠状动脉疾病	冠状动脉CT血管造影	深度学习模型	图像	115例CCTA扫描（平均年龄58岁，51%为女性，平均冠脉钙化评分56 Agatston单位）	NA	NA	组内相关系数，皮尔逊相关系数，斯皮尔曼秩相关系数，Bland-Altman分析	NA
669	2026-06-01	BC-SwinNet: Swin transformer and CNN with multi-objective optimization for multi-class breast cancer detection using Histopathological images 2026-May-11, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-51698-2 PMID:42115270	研究论文	提出一种混合深度学习框架BC-SwinNet，结合Swin Transformer、多目标优化算法与注意力CNN，用于组织病理图像的多类别乳腺癌检测	创新性地融合条件Swin Transformer、多层头优化算法和分层注意力CNN，实现高效特征提取与分类，在BreakHis和BACH数据集上达到99.91%和99.854%的准确率	未讨论模型在多中心、多样化数据集上的泛化能力，且MEHO算法可能带来额外计算开销	开发自动化、高精度的乳腺癌诊断系统以辅助临床决策	乳腺组织病理图像中的多个癌症亚型	数字病理学	乳腺癌	组织病理成像	混合深度学习框架（Swin Transformer + CNN）	图像（组织病理图像）	BreakHis和BACH两个基准数据集	PyTorch	条件Swin Transformer, 分层注意力CNN	分类准确率	NA
670	2026-06-01	Classification of spinal tuberculous infection, pyogenic infection and spinal metastasis from magnetic resonance imaging using machine learning 2026-May-04, BMC musculoskeletal disorders IF:2.2Q3 DOI:10.1186/s12891-026-09838-2 PMID:42082966	研究论文	使用机器学习对磁共振成像进行脊柱结核感染、化脓性感染和脊柱转移的分类	基于T2加权矢状位MRI，利用深度学习模型实现脊柱结核、化脓性脊柱炎和脊柱转移瘤的自动化三分类，并对比了单层感知器、自定义密集神经网络与预训练卷积神经网络的性能	接近完美的性能可能反映数据集同质性和增强效应而非完全泛化，激活热图显示注意力区域定位不一致，提示过拟合和可视化可解释性有限，需要外部多中心验证及改进可解释性方法	开发和评估深度学习模型，用于自动分类脊柱结核、化脓性感染和脊柱转移瘤	脊柱结核、化脓性脊柱炎和脊柱转移瘤患者	机器学习	脊柱感染，脊柱肿瘤	磁共振成像（MRI）	单层感知器、自定义密集神经网络、预训练卷积神经网络（ResNet50、VGG16、InceptionV3）	T2加权矢状位MRI影像	120例患者（每组疾病40例），经数据增强后每类生成1000个合成样本	NA	单层感知器、自定义密集神经网络（2×1024神经元）、ResNet50、VGG16、InceptionV3	准确率、精确率、召回率、F1分数	NA
671	2026-06-01	Application of Artificial Intelligence-Based Transfer Learning Models to the Bethesda System for Thyroid Cytopathology 2026-05, Cytopathology : official journal of the British Society for Clinical Cytology IF:1.2Q3 DOI:10.1111/cyt.70045 PMID:41361911	研究论文	应用基于人工智能的迁移学习模型对甲状腺细胞病理学Bethesda系统进行分类	首次将集成迁移学习应用于TBSRTC分类，通过加权软投票组合六种预训练模型（Xception、ResNet50V2、DenseNet121、MobileNetV2、InceptionV3、EfficientNetB3），提升了分类精度	数据集规模较小（仅94例FNAC病例，949张代表图像），缺乏全切片影像验证，需要更大样本来进一步验证	评估集成软投票迁移学习模型在根据TBSRTC对甲状腺细胞学涂片进行分类时的性能	甲状腺细针穿刺细胞学涂片图像	计算机视觉	甲状腺疾病	NA	集成迁移学习（CNN）	图像	94例甲状腺FNAC病例，共949张代表图像	NA	DenseNet121, ResNet50V2, Xception, MobileNetV2, InceptionV3, EfficientNetB3	敏感性, 特异性, 阳性预测值, 阴性预测值, F1分数, AUCROC	NA
672	2026-06-01	Community medical centers struggle to produce well-calibrated clinical prediction models: Data augmentation can help 2026-May, Journal of biomedical informatics IF:4.0Q2 DOI:10.1016/j.jbi.2026.105012 PMID:41825516	研究论文	研究社区医疗中心在临床预测模型本地校准中面临的样本量不足问题，并评估合成数据生成作为数据扩充方法的有效性	首次系统评估社区医疗机构在机器学习模型本地化中因样本量不足导致的校准困难，并提出利用深度学习合成数据生成技术进行数据扩充以改善模型校准性能	研究仅基于两个农村医院和一个城市学术医疗中心的数据，可能无法推广到所有社区医疗机构；合成数据质量对校准效果的长期影响尚未验证	探究社区医疗中心是否有足够患者数据支持机器学习模型的本地校准，以及合成数据生成能否帮助缓解样本量不足问题	30天非计划再入院预测模型在多家不同规模医院的本地校准效果	机器学习	再入院预测	合成数据生成	深度学习	结构化电子健康记录数据	真实网络医院数据集（两个农村医院和一个城市学术医疗中心）以及多站点ICU模拟数据集	NA	NA	校准度	NA
673	2026-03-30	Machine and Deep Learning Models for Preoperative Prediction of Suboptimal Clinical Response One Year after Metabolic Bariatric Surgery: Findings from the Tehran Obesity Treatment Study 2026-May, Obesity surgery IF:2.9Q1 DOI:10.1007/s11695-026-08568-7 PMID:41904288	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
674	2026-03-31	Evaluating deep learning attenuation correction for single-photon emission computed tomography myocardial perfusion imaging: Lessons from clinical validation 2026-May, Journal of nuclear cardiology : official publication of the American Society of Nuclear Cardiology IF:3.0Q2 DOI:10.1016/j.nuclcard.2026.102701 PMID:41905547	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
675	2026-06-01	Mapping 25 years of forensic and legal medicine research: a multi-database bibliometric and science-mapping analysis (2000-2025) 2026-May, Journal of forensic and legal medicine IF:1.2Q3 DOI:10.1016/j.jflm.2026.103127 PMID:41965962	研究论文	对2000-2025年间法医学与法律医学研究进行多数据库文献计量与科学映射分析	首次整合多数据库（Web of Science核心合集和Scopus）进行长达25年的法医学文献全景分析，并结合Callon中心性-密度主题映射和趋势主题分析揭示学科演进	仅纳入英文文献且主要依赖Web of Science核心合集，可能遗漏部分非英文或灰色文献；关键词同义变体（如medico-legal vs medicolegal）的标准化处理可能影响部分主题的覆盖率	通过文献计量方法系统刻画法医学与法律医学的研究格局、演进趋势和主题结构，为研究优先级设定和编辑策略提供依据	2000-2025年间Web of Science核心合集和Scopus收录的法医学与法律医学相关文献	自然语言处理	NA	NA	NA	文本	16190篇文献（Web of Science核心合集），来自3052个来源，49746位作者	NA	NA	NA	NA
676	2026-06-01	Effect of deep learning attenuation correction on accuracy of stress myocardial perfusion imaging 2026-May, Journal of nuclear cardiology : official publication of the American Society of Nuclear Cardiology IF:3.0Q2 DOI:10.1016/j.nuclcard.2026.102706 PMID:42000122	研究论文	探讨深度学习衰减校正对心肌灌注成像检测冠心病准确性的影响	首次在碲锌镉相机上应用深度学习衰减校正，并系统比较自动化分析、视觉解读及不同成像位置的诊断准确性	深度学习衰减校正的准确性低于无衰减校正方法，且像素级分析在DLAC中分类准确率较低	评估深度学习衰减校正对SPECT心肌灌注成像检测冠心病准确性的效果	100名疑似冠心病患者的心肌灌注成像和冠状动脉造影数据	机器学习	冠心病	SPECT心肌灌注成像，深度学习衰减校正	深度学习模型	医学图像	100名患者	NA	NA	曲线下面积，准确率	NA
677	2026-06-01	Noisy probing dose facilitated dose prediction for pencil beam scanning proton therapy: Physics enhances generalizability 2026-May, Medical physics IF:3.2Q1 DOI:10.1002/mp.70509 PMID:42192246	研究论文	针对质子笔形束扫描治疗，提出一种噪声探针剂量法，通过嵌入质子物理知识增强剂量预测的泛化能力	首次将质子物理知识显式嵌入深度学习模型，通过快速生成低统计量噪声探针剂量来替代传统输入，显著提升模型在罕见临床病例中的泛化性能	仅对前列腺癌和肺癌两种癌症类型进行了验证，未在其他肿瘤部位或更多样化的治疗方案中评估方法的一般性	设计一种物理感知且泛化能力强的人工智能剂量预测方法，提高在线自适应质子治疗的安全性和有效性	前列腺癌和肺癌患者的笔形束扫描质子治疗计划	机器学习, 数字病理学	前列腺癌, 肺癌	蒙特卡洛剂量引擎	深度学习	图像（CT图像）	103例前列腺癌患者（93训练+10测试）和78例肺癌患者（68训练+10测试），以及12例异常临床病例	NA	NA	剂量体积直方图指标, 3D伽马通过率（3%/2mm/10%）, 剂量一致性 Dice系数	NA
678	2026-06-01	Realization of Long Axial Field-of-View PET Technology in the Clinic and Research Environment 2026-Apr-27, The British journal of radiology DOI:10.1093/bjr/tqag096 PMID:42046230	综述文章	讨论长轴向视野PET技术在临床和研究环境中的实现与应用	系统分析了长轴向视野PET技术的临床实现、研究应用及深度学习降噪等前沿发展方向	未提及具体实验数据或定量性能对比，缺乏对不同设计方案的详细评估	概述长轴向视野PET的技术优势、临床实践考量及未来发展方向	长轴向视野PET-CT仪器	医学影像	NA	PET-CT	深度学习	医学影像	NA	NA	NA	灵敏度	NA
679	2026-06-01	Spatiotemporal deep learning for scar screening in cardiovascular magnetic resonance: Toward selective use of gadolinium 2026-Apr-16, Journal of cardiovascular magnetic resonance : official journal of the Society for Cardiovascular Magnetic Resonance IF:4.2Q1 DOI:10.1016/j.jocmr.2026.102730 PMID:41999922	研究论文	开发并评估一种基于时空深度学习的方法，利用无造影剂的心脏电影图像识别无心肌疤痕患者，以选择性使用钆对比剂	首次提出利用时空深度学习架构从无对比剂电影图像中提取时空特征，通过因子化卷积和残差注意力机制识别无心肌疤痕患者，避免不必要的对比剂注射	研究未提及模型在特定亚组（如心肌疤痕类型或严重程度）中的表现差异，且外部验证人群多种族代表性不足	开发深度学习模型仅通过电影图像识别无心肌疤痕患者，减少对比剂使用	接受心血管磁共振检查的已知或疑似心血管疾病患者	计算机视觉, 深度学习	心血管疾病	心脏磁共振成像 (CMR)	时空深度学习模型	心脏电影图像 (短轴位)	训练集3000名患者（1753名男性，平均年龄54±18岁），外部验证集1792名患者	PyTorch	因子化卷积 + 残差注意力机制	AUC, 灵敏度, 特异度	NA
680	2026-06-01	Customizing native T1 mapping: The effects of compressed sensing, deep learning-based denoising, and high-resolution on measurement of native myocardial T1 2026-Apr-15, Journal of cardiovascular magnetic resonance : official journal of the Society for Cardiovascular Magnetic Resonance IF:4.2Q1 DOI:10.1016/j.jocmr.2026.102726 PMID:41997564	研究论文	评估压缩感知、深度学习去噪和高分辨率对原生心肌T1 mapping测量结果的影响	系统评估了不同CS加速水平、空间分辨率以及DL去噪重建组合对定量T1值的影响，并证明在临床可接受的偏差范围内T1值保持稳定	单中心研究，样本量有限（41名志愿者），且未纳入真实患者数据，可能无法完全覆盖病理T1范围	优化临床心肌T1 mapping的采集效率和鲁棒性，支持个性化协议设计	健康志愿者的心肌T1 mapping图像	计算机视觉, 数字病理	心血管疾病	压缩感知, 深度学习去噪重建	深度学习去噪模型	图像	48名健康志愿者（最终纳入41名），并进行9例重复分析	NA	NA	图像质量评分（Likert量表）, 模糊度, 混叠伪影, 易感性伪影, T1值偏差	NA