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
7041	2026-06-13	Deep learning-based assessment of PD-L1 expression in NSCLC predicts outcome for patients treated with anti-PD-1 immunotherapy 2026, Frontiers in immunology IF:5.7Q1 DOI:10.3389/fimmu.2026.1750816 PMID:41766864	研究论文	本研究利用深度学习分析PD-L1免疫组化切片，评估非小细胞肺癌患者接受抗PD-1免疫治疗后的预后	首次将深度学习应用于PD-L1 IHC切片，识别出可重复的组织形态学模式，超越传统PD-L1评分，为抗PD-1治疗患者提供额外预后信息	OS未达到统计学显著性，样本量相对较小（训练集182例，验证集108例），且仅基于10个极端预后病例进行聚类	评估深度学习能否从PD-L1 IHC切片中识别出预测抗PD-1治疗患者预后的组织学模式	非小细胞肺癌患者（两个独立队列：MSK 182例和CGFL 108例）	数字病理学	非小细胞肺癌	PD-L1免疫组化	CNN（UNI基础模型）	图像（PD-L1 IHC切片）	两个独立队列：训练集182例，验证集108例	NA	UNI	进展生存期、总生存期、风险比、95%置信区间	NA
7042	2026-06-13	MAAR-Net: Multi-scale attention-assisted residual neural network for renal microvascular structure segmentation 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0342752 PMID:41779699	研究论文	提出一种多尺度注意力辅助残差神经网络（MAAR-Net），用于肾脏微血管结构分割	集成多尺度残差块、高层语义特征提取层以及深度可分离卷积注意力模块，在跳跃连接中增强全局与局部特征捕获，并引入额外分割分支聚合多感受野信息	基于2D PAS染色图像，可能缺乏3D空间信息；压缩后的模型可能在极端复杂微血管场景下性能下降	实现高精度、连续、背景干扰抑制的肾脏微血管分割	2D PAS染色肾脏组织学图像中的微血管结构	数字病理学	肾脏疾病	组织学染色（PAS）	CNN（U-Net变体）	图像	HuBMAP数据集（具体数量未提及）	NA	U-Net、多尺度残差块、深度可分离卷积注意力模块	交并比（IoU）、F1分数	通过剪枝和量化为临床部署优化，无需专用工作站或云服务器
7043	2026-06-13	Hybridizing deep learning algorithms and geostatistical approaches for improved crop yield disaggregation 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0344081 PMID:41790616	研究论文	提出一种混合深度学习与地统计学残差克里金法的多阶段框架，用于将村级作物产量统计数据降尺度到像素级别	首次通过经验展示结合天气和卫星波段数据，实现基于混合化框架的村庄到像素级别的产量降尺度方法	NA	提高精细空间分辨率下作物产量估算的可靠性，以支持精准农业和粮食安全规划	印度哈里亚纳邦半干旱地区的小麦和芥菜作物	机器学习	NA	遥感（Sentinel-1和Sentinel-2波段数据）、地统计学残差克里金法	深度学习（DL）模型	土壤、天气、遥感图像数据	NA	NA	随机森林	R²、均方根误差（RMSE）、Moran's I	NA
7044	2026-06-13	MoGraphDRP: Multi-omics and graph fusion with bilinear attention for predicting drug sensitivity 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0341458 PMID:41790794	研究论文	提出了一种多分支深度学习框架，整合多组学细胞数据和药物结构特征来预测药物反应	采用多组学细胞数据（基因表达、突变、甲基化、生物通路）与药物结构特征（分子图、化学指纹）融合，并通过多头双线性注意力模块建模细胞与药物的复杂相互作用	未在摘要中明确说明	实现精准预测癌细胞药物反应，推动精准医学和个性化治疗设计	癌细胞系及其对药物的敏感性	机器学习	癌症	NA	图卷积网络（GCN）、多层感知机（MLP）、多头双线性注意力、XGBoost	基因表达、突变、甲基化、生物通路数据、药物分子图、化学指纹	NA	NA	三层图卷积网络、MLP网络、多头双线性注意力模块、XGBoost集成模型	PCC、RMSE、R²	NA
7045	2026-06-13	Reliable deep learning for coronary artery disease detection: a patient-level, statistically validated MRI study 2025 Oct-Dec, Romanian journal of morphology and embryology = Revue roumaine de morphologie et embryologie DOI:10.47162/RJME.66.4.09 PMID:41787625	research paper	评估两种深度学习架构（DenseNet121和ResNet50）在冠状动脉疾病自动分类中的性能与统计稳健性	在患者层面严格划分数据并进行全面统计推断测试，确保模型性能的可重复性和临床意义	未提及具体限制	从心脏磁共振成像中准确检测冠状动脉疾病，支持早期诊断和临床决策	冠状动脉疾病患者的心脏磁共振图像	machine learning	冠状动脉疾病	心脏磁共振成像	CNN	image	患者级数据	NA	DenseNet121, ResNet50	average accuracy, area under the receiver operating characteristic curve (AUC-ROC), area under the precision recall curve (PR-AUC)	NA
7046	2026-06-12	Side-level versus patient-level evaluation in four-view mammography classification: a comprehensive benchmark on the CMMD dataset 2026-Dec, Future science OA IF:2.4Q3 DOI:10.1080/20565623.2026.2681575 PMID:42274080	研究论文	在CMMD数据集上对四视图乳腺X线摄影分类进行系统评估，比较不同评估粒度和模型架构对性能的影响	首次系统量化评估粒度（侧级vs患者级）对乳腺X线摄影分类性能的影响，发现侧级AUC平均比患者级高17.5个百分点，并提出三种替代聚合方法解决标准概率平均规则导致的退化问题	研究基于单一数据集（CMMD），该队列恶性患者占比极高（96.2%），限制了模型在低患病率筛查场景的适用性，且未考虑临床实际数据分布差异	量化在统一训练条件下，评估粒度（侧级vs患者级）而非模型架构对乳腺X线摄影分类性能的实际影响	来自中国乳腺X线摄影数据库（CMMD）的706名患者，每名患者提供四个视图的乳腺X线影像	计算机视觉	乳腺癌	乳腺X线摄影	CNN, Vision Transformer	图像	706名患者，每人4个视图，共2824张乳腺X线影像	NA	ResNet-18, ResNet-50, EfficientNet-B0, DenseNet-121, ConvNeXt-Tiny, ViT-B/16	AUC, 准确率, 精确率, 召回率, F1分数, Dice系数	NA
7047	2026-06-12	Compact neural network algorithm for electrocardiogram classification 2026-Jun-11, Physical and engineering sciences in medicine IF:2.4Q2 DOI:10.1007/s13246-026-01751-1 PMID:42274990	研究论文	提出一种紧凑型人工神经网络算法用于心电图分类，以解决深度学习对计算资源和大规模标注数据的高需求	采用17个可解释的工程特征提取心电图形态和生理特征，避免使用深度学习，实现高效率和低计算资源消耗	未提及算法对其他心律失常类型（如心肌梗死）的适用性，以及特征工程的可迁移性	开发一种轻量级且高效的心电图分类算法，用于心律失常诊断	心电图信号中的五种心律类别：正常窦性心律、窦性心动过缓、窦性心动过速、心室扑动和心房颤动	机器学习	心律失常	信号处理与特征工程	人工神经网络	心电图信号	未明确说明样本数量，但使用了MIT-BIH和St. Petersburg INCART心律失常数据库	NA	人工神经网络	准确率、Cohen's kappa、Matthews相关系数	标准CPU
7048	2026-06-12	A mechanism-aided transformer may transform in-flight aviation safety 2026-Jun, PNAS nexus IF:2.2Q1 DOI:10.1093/pnasnexus/pgag154 PMID:42273406	研究论文	提出一种结合物理机制与深度学习的TwinTransformer方法，用于提升飞行中多变量预测及风切变危险预警能力	将航空动力学约束与Transformer深度学习模型相结合，通过物理机制辅助的TwinTransformer架构实现飞行参数预测，并针对性增强风切变危险预警	未明确说明	提升飞行中多变量预测准确率，为飞行员提供可靠的风切变危险预警，保障航空安全	飞行中的实时参数（如风切变指标）及航空状态	机器学习	NA	NA	Transformer	时间序列数据	真实飞行数据集（样本量未明确说明）	PyTorch	TwinTransformer	预测准确率、预警可靠性	NA
7049	2026-06-12	Application of Machine Learning in Predicting the Properties of Two-Dimensional Semiconductor Materials 2026-May-22, Nanomaterials (Basel, Switzerland) DOI:10.3390/nano16110650 PMID:42274656	综述	系统总结机器学习在二维半导体材料性能预测中的最新进展，比较传统计算模拟与机器学习算法，并展望未来研究方向	系统比较了经典算法（如随机森林）与深度学习模型（如图神经网络）在带隙预测中的表现，并分析了特征工程策略对磁性预测精度和效率的影响	数据集不足且质量不统一，模型可解释性和跨系统泛化能力有限	为机器学习辅助的二维半导体材料研究提供系统的理论基础和方法指导	二维半导体材料的带隙、磁性及其他物理特性	机器学习	NA	NA	随机森林，图神经网络，深度学习	材料属性数据	NA	NA	随机森林，图神经网络	模型准确率	NA
7050	2026-06-11	Feasibility of Implicit Neural Representation Learned Motion Compensation for 3D Stack-of-Spirals Free-Breathing Cardiac Quantitative Susceptibility Mapping 2026-Jul, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.70325 PMID:41772752	研究论文	提出了一种利用隐式神经表示（INR）学习运动补偿的自由呼吸心脏定量磁化率成像（QSM）方法	首次将隐式神经表示（INR）用于自由呼吸3D心脏QSM中的心脏和呼吸运动补偿，结合螺旋采样和深度学习实现无前瞻性导航的门控采集	样本量较小（仅10名健康受试者），未评估在患者群体中的性能	实现无创、快速、鲁棒的自由呼吸心脏QSM测量，以评估心脏血氧差异（ΔSO2）	健康受试者的心脏MRI数据，用于评估胸号血氧差异	机器学习	心血管疾病	MRI（定量磁化率成像）	隐式神经表示（INR）	图像（心脏MRI图像）	10名健康受试者	NA	隐式神经表示（INR）	图像质量（p值）、ΔSO2测量一致性（相关系数r、偏差及一致性界限）	NA
7051	2026-06-11	A Deep Learning Model for Second-Molar Lesions Related to Impacted Third Molars 2026-Jun, International dental journal IF:3.2Q1 DOI:10.1016/j.identj.2026.109467 PMID:41764935	研究论文	开发基于深度学习模型SMM-YOLOv8n，用于自动检测全景X线片中与阻生第三磨牙相关的第二磨牙病变	在YOLOv8基础上改进，引入Slim-Neck优化和多维注意力机制，有效提升病变检测准确性和效率	NA	开发自动化深度学习系统，检测和分类全景X线片中与阻生第三磨牙相关的第二磨牙病变，提高诊断准确性并支持临床决策	1170张全景X线片，显示与阻生第三磨牙相邻的第二磨牙	计算机视觉	牙科疾病	全景X线成像	卷积神经网络	图像	1170张全景X线片，分为4组：无病变、龋齿、外根吸收、两种病变并存	PyTorch	SMM-YOLOv8n（基于YOLOv8，含Slim-Neck和多维注意力机制）	mAP@50, 精确率, 召回率, F1分数, 敏感性, 诊断时间	NA
7052	2026-06-11	Tomographic Foundation Model-FORCE: Flow-Oriented Reconstruction Conditioning Engine 2026-Jun, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2026.3669463 PMID:41770981	研究论文	提出一种新的CT图像重建框架FORCE，结合数据保真度与PFGM++生成模型，在各种CT成像任务中超越现有无监督方法	首次将泊松流生成模型（PFGM++）与数据保真度集成，提出面向流的重建条件引擎（FORCE），无需配对训练数据即可实现高质量CT重建	未明确讨论计算资源需求及模型对大噪声程度的鲁棒性边界	改进低剂量、稀疏扫描和金属植入物等CT场景下的图像重建质量	CT图像重建任务中的噪声和伪影	机器学习	NA	CT成像	泊松流生成模型（PFGM++）	医学图像	NA	PyTorch	PFGM++	NA	NA
7053	2026-06-11	Learning 3-D Ultrasound Segmentation under Extreme Label Deficiency 2026-Jun, Ultrasound in medicine & biology DOI:10.1016/j.ultrasmedbio.2025.12.014 PMID:41771726	研究论文	提出一种在极端标签缺失条件下实现三维超声图像自动分割的方法	基于教师-学生跨维度知识蒸馏框架，利用无监督表征学习预训练的二维教师网络提取超声切片信息，指导三维学生分割网络从极稀疏标注中学习有效体特征	NA	在极端标签缺失条件下实现准确且鲁棒的三维超声分割	三维超声图像中的器官和解剖结构	计算机视觉，数字病理学	NA	3D超声成像	CNN	3D超声图像	多个三维超声数据集	PyTorch	2D教师网络, 3D学生分割网络	分割准确率	NA
7054	2026-06-11	EASDnet: Empowering human-centered evidence-based medicine through an evidence and attention-based spatial disparity network for discriminative colorectal cancer histopathological screening and attribution 2026-May, Pathology, research and practice DOI:10.1016/j.prp.2026.156418 PMID:41764810	研究论文	提出一种基于证据和注意力的空间差异网络EASDnet，用于结直肠癌组织病理学图像的鉴别性筛查与归类	将循证医学思想融入深度学习，通过证据与注意力机制学习癌变与微环境之间的细微形态差异，有效捕获组织病理数据中的类间和类内鉴别特征	未提及在真实临床多中心数据上的验证情况，也未讨论模型的可解释性和计算效率	开发一种客观、循证的定量分析工具，辅助临床医生进行结直肠癌的自动化病理筛查	结直肠癌组织病理学图像	数字病理学	结直肠癌	组织病理学成像	深度学习模型（EASDnet）	图像	使用两个公开数据集NCT-100K和LC25000	NA	EASDnet（基于证据和注意力的空间差异网络）	准确率	NA
7055	2026-06-11	Collaborative Coarse-to-Fine Disease Learning With Discharge Summary Awareness for EHR Event Prediction 2026-May, IEEE transactions on cybernetics IF:9.4Q1 DOI:10.1109/TCYB.2026.3664408 PMID:41774654	研究论文	提出了一种结合出院小结的粗到细疾病学习框架，用于电子健康记录事件预测	创新点包括构建细粒度动态疾病图、整合ICD-9-CM编码层次结构中的粗细粒度信息以及结合出院小结进行协作疾病学习	未明确说明局限性	通过捕获动态和静态疾病特征来改进电子健康记录事件预测	电子健康记录事件预测任务	机器学习	NA	NA	门控循环单元（GRU）	结构化电子健康记录数据和出院小结非结构化文本	使用MIMIC-III和MIMIC-IV两个真实世界数据集	PyTorch	GRU、基于位置的注意力机制、软注意力机制	准确率、精确率、召回率、F1分数、AUC	NA
7056	2026-06-11	METRON: Metabolic Dynamic Perception Kolmogorov-Arnold Network for Biological Age Estimation 2026 May-Jun, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2026.3669919 PMID:41774660	研究论文	提出METRON深度学习框架，利用类固醇代谢组学数据预测生物学年龄，并揭示衰老相关的代谢标志物	提出代谢物交互感知模块（MIPM）和群理性Kolmogorov-Arnold网络，用于捕捉代谢网络中的复杂非线性交互和依赖关系	未明确说明局限性	通过类固醇代谢组学预测生物学年龄，并挖掘衰老机制中的代谢标志物	类固醇代谢组学数据	机器学习	衰老相关疾病	类固醇代谢组学	深度学习	代谢组学数据	未明确说明	NA	Kolmogorov-Arnold网络	准确率	NA
7057	2026-06-11	A novel framework for cognitive state identification using resting-state EEG 2026-Mar-02, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ae4807 PMID:41769796	研究论文	提出一种基于静息态脑电图的认知状态识别新框架PowerSyncNet	通过频带间功能连接特征和时频表征编码模块（Encoder4Band），实现跨频带信息融合，提升认知状态识别性能	NA	开发用于早期认知衰退检测的脑电信号分析方法	静息态脑电图数据中的认知状态分类	机器学习	老年疾病	EEG	PowerSyncNet	脑电图信号	两个数据集：公开的CAUEEG数据集和自采集的ECED数据集	PyTorch	PowerSyncNet	识别准确率、召回率、F1分数、AUC	NA
7058	2026-06-11	Evaluating resolution requirements for subtle caenorhabditis elegans strain discrimination using classical descriptors and CNN-transformer models 2026-Mar-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-40784-0 PMID:41771937	研究论文	评估图像分辨率对使用经典描述符与CNN-Transformer模型区分秀丽隐杆线虫细微品系差异的影响	首次系统评估了图像分辨率对CNN-Transformer模型区分秀丽隐杆线虫细微品系表型的影响，并揭示了传统描述符无法捕捉的细微运动差异	仅分析了三种线虫品系，且未探讨其他成像条件或深度学习架构的泛化能力	确定区分秀丽隐杆线虫细微品系所需的最小有效图像分辨率	秀丽隐杆线虫的三个品系：野生型N2、转基因线vltIs66和突变体unc-1(vlt10)	计算机视觉	NA	宏观板级成像与高分辨率显微单虫成像	CNN-Transformer	图像序列	三个线虫品系，未提供具体样本数量	PyTorch	CNN-Transformer	分类准确率	NA
7059	2026-06-11	CSWin-MDKDNet: cross-shaped window network with multi-dimensional fusion and knowledge distillation for medical image segmentation 2026-Mar-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-40690-5 PMID:41771973	研究论文	提出了一种基于Transformer的CSWin-MDKDNet架构，结合多维融合与知识蒸馏用于医学图像分割	提出多维选择性融合模块（MDSF）和知识蒸馏损失（KD-loss），分别用于精细化多尺度特征融合和减少深层特征冗余	未提及	解决医学图像分割中局部细节保留与全局上下文建模的平衡问题	医学图像分割任务	计算机视觉	NA	深度学习	Transformer	图像	Synapse（多器官CT）、ACDC（心脏MRI）、ISIC2018数据集	NA	CSWin-MDKDNet	DSC	NA
7060	2026-06-11	Multi-reader evaluation of deep learning-based auto-segmentation of eloquent brain arteriovenous malformation on MRA and white matter tractography in stereotactic radiosurgery 2026-Mar-02, Radiation oncology (London, England) DOI:10.1186/s13014-026-02811-2 PMID:41772699	研究论文	开发并评估基于深度学习的自动分割系统，用于脑动静脉畸形立体定向放射外科中的白质束及MRA图像分割	提出两阶段深度学习分割集成模型，整合2D检测和3D分割，显著提升临床手动勾画的准确性和效率，减少医生间差异	未提及具体局限性，但样本量有限（191例），可能需更大规模验证	开发深度学习系统以减少白质束放疗损伤，提高脑动静脉畸形分割的准确性和效率	脑动静脉畸形患者，特别是白质束邻近区域	机器学习, 数字病理学	脑动静脉畸形	MRA（磁共振血管成像）, 白质束成像	CNN（卷积神经网络）	图像（3D TOF-MRA和白质束图像）	191例患者（153例训练，38例测试），另10例用于多读者评估	PyTorch	ResNet, U-Net, 2D检测+3D分割集成模型	Dice相似系数, Hausdorff距离, 勾画时间	NA