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
7061	2026-01-08	A novel adaptive CNN-LSTM fusion network for electrocardiogram diagnosis 2026-Jan-07, Physiological measurement IF:2.3Q3 DOI:10.1088/1361-6579/ae2f8a PMID:41418332	研究论文	本文提出了一种用于心电图诊断的自适应CNN-LSTM融合网络	设计了一种自适应卷积核，可根据局部信号方差动态调整大小，并引入了时空融合机制	NA	提高自动心电图诊断的效率和准确性，为心血管疾病的早期筛查提供技术支持	心电图信号	机器学习	心血管疾病	NA	CNN, LSTM	信号数据	PTB-XL数据集	NA	自适应CNN-LSTM融合网络	准确率, 宏平均F1分数, 加权平均F1分数	NA
7062	2026-01-08	Deep Learning Reconstruction of Diffusion-weighted MRI Enables Shorter Examination Times While Maintaining Image Quality in Head and Neck Imaging 2026-Jan-07, Clinical neuroradiology IF:2.4Q2 DOI:10.1007/s00062-025-01604-6 PMID:41498976	研究论文	本研究评估了基于深度学习的扩散加权磁共振成像重建技术在头颈部成像中的应用，旨在缩短检查时间并保持图像质量	提出了一种结合深度学习k空间到图像重建与超分辨率处理的新型算法，用于加速头颈部DWI扫描，显著减少检查时间	研究为回顾性设计，样本量较小（30例患者），且SNR和CNR在深度学习重建图像中有轻微但显著的下降	评估加速的深度学习重建DWI在头颈部成像中的图像质量和诊断信心表现	头颈部扩散加权磁共振成像数据	医学影像分析	头颈部疾病	扩散加权成像，单次激发平面回波成像序列	深度学习	磁共振图像	30例患者（平均年龄55±19岁，范围24-84岁，18名男性）	NA	NA	信噪比，对比噪声比，表观扩散系数值，视觉Likert评分（图像清晰度、伪影、噪声、整体图像质量、诊断信心）	NA
7063	2026-01-08	An Integrated Deep Learning and Large Language Model for Burn Wound Depth Recognition 2026-Jan-06, Journal of burn care & research : official publication of the American Burn Association IF:1.5Q3 DOI:10.1093/jbcr/iraf170 PMID:41014195	研究论文	本研究开发了一种结合深度学习与大型语言模型的低成本人工智能系统，用于烧伤创面深度识别与分类	首次将深度学习分类模型与基于临床指南的烧伤专用大型语言模型集成，提供准确的烧伤深度识别和治疗建议	研究样本量相对有限（397张原始图像），且主要依赖公开数据库，可能无法完全代表所有临床场景	开发低成本人工智能系统以解决烧伤深度评估的临床挑战，特别是在急诊环境中	烧伤创面图像	计算机视觉, 自然语言处理	烧伤	深度学习, 大型语言模型	深度学习分类模型, LLM	图像	397张原始烧伤创面图像，通过数据增强扩展至7156张图像	PaddlePaddle	NA	准确率, 召回率, F1分数	NA
7064	2026-01-08	EMMPREDMLsub: multi-label prediction of mRNA subcellular localization based on the ESM2 large language model and MMDO-MDPU resampling strategy 2026-Jan-06, Journal of biomolecular structure & dynamics IF:2.7Q2 DOI:10.1080/07391102.2025.2610684 PMID:41493162	研究论文	本研究提出了一种基于ESM2大语言模型和MMDO-MDPU重采样策略的mRNA亚细胞定位多标签预测工具EMMPREDMLsub	结合曼哈顿均值方向过采样与曼哈顿密度保持欠采样的新型重采样技术，并首次将ESM2大语言模型应用于mRNA序列特征提取	未明确说明模型在跨物种或不同细胞类型中的泛化能力，也未讨论计算复杂度对实际应用的影响	开发高精度的mRNA亚细胞定位多标签预测工具	真核细胞mRNA序列	自然语言处理	NA	序列特征提取	大语言模型	序列数据	NA	NA	ESM2	NA	NA
7065	2026-01-08	Deep Learning-Based Detection of Root Numbers in Maxillary Premolars 2026-Jan-06, International endodontic journal IF:5.4Q1 DOI:10.1111/iej.70091 PMID:41493350	研究论文	本研究利用深度学习模型在曲面断层片上检测上颌前磨牙的牙根数量	首次将深度学习模型应用于曲面断层片自动检测上颌前磨牙牙根数量，并采用集成模型提升性能	研究为回顾性设计，样本量有限，且仅针对上颌前磨牙，外部验证集规模较小	开发一种基于深度学习的自动化工具，辅助临床医生从曲面断层片中准确识别上颌前磨牙的牙根数量	上颌前磨牙	数字病理学	NA	曲面断层摄影，锥形束CT	CNN	图像	925颗上颌前磨牙（来自350名患者），包含内部数据集和外部验证集	NA	AlexNet, DenseNet-121, EfficientNet-B0	准确率, 灵敏度, 特异性, F1分数, AUC	NA
7066	2026-01-08	Dual vision transformer with bio-inspired optimization for explainable keratoconus classification 2026-Jan-06, International ophthalmology IF:1.4Q3 DOI:10.1007/s10792-025-03929-0 PMID:41493655	研究论文	本研究提出了一种基于角膜地形图图像的增强深度学习框架，用于圆锥角膜（KCN）分期分类，采用双视觉变换器（DViT）捕获局部和全局空间特征，并利用电鳗觅食优化器（EEFO）优化模型性能，同时通过LIME和SHAP增强模型可解释性	结合双视觉变换器（DViT）与生物启发优化器（EEFO）进行注意力权重和超参数调优，并集成LIME和SHAP实现模型决策的可视化解释	未提及研究的具体局限性，如数据集规模、泛化能力或临床验证的不足	开发一种高精度且可解释的圆锥角膜（KCN）分期分类方法，以支持早期诊断和治疗规划	圆锥角膜（KCN）患者的角膜地形图图像	计算机视觉	圆锥角膜	角膜地形图成像	Transformer	图像	未在摘要中明确提及具体样本数量	未在摘要中指定具体框架（如PyTorch或TensorFlow）	Dual Vision Transformer (DViT)	准确率, 召回率, 精确率	未在摘要中提及具体计算资源（如GPU类型或云平台）
7067	2026-01-08	A BMC-Net model for the recognition and segmentation of mandibular canal bifurcation 2026-Jan-06, Oral radiology IF:1.6Q3 DOI:10.1007/s11282-025-00892-5 PMID:41493698	研究论文	本研究开发了一种名为BMC-Net的深度学习模型，用于快速诊断和识别下颌管分叉	提出了BMC-Net模型，在识别和分割下颌管分叉方面相比UNet模型和临床医生有显著性能提升和时间效率优势	样本量较小，仅使用了160张图像，且数据来源仅限于PubMed和Web of Science数据库	开发深度学习模型以准确识别下颌管的解剖结构和轨迹，帮助牙医规避手术风险并制定有效治疗计划	下颌管分叉的医学图像	计算机视觉	NA	深度学习	CNN	图像	160张报告病例图像（训练集140张，测试集20张）	NA	BMC-Net, UNet	DSC, AUC, IoU, recall, precision, confusion matrix, sensitivity, specificity	NA
7068	2026-01-08	A multimodal vision-language model for generalizable annotation-free pathology localization 2026-Jan-06, Nature biomedical engineering IF:26.8Q1 DOI:10.1038/s41551-025-01574-7 PMID:41495192	研究论文	本文提出了一种无需标注的通用病理定位视觉语言模型AFLoc，通过多级语义结构对比学习实现病理定位与分类	采用基于多级语义结构的对比学习，全面对齐多粒度医学概念与丰富图像特征，无需专家图像标注即可适应病理的多样化表达	NA	开发一种无需标注的通用病理定位模型，以降低标注需求并适应复杂临床环境	胸部X光图像、组织病理学图像和视网膜眼底图像中的病理区域	计算机视觉	胸部疾病	NA	视觉语言模型	图像-报告对	220,000对胸部X光图像-报告，并在8个外部数据集上验证，涵盖34种胸部病理类型	NA	AFLoc	定位精度、分类准确率	NA
7069	2026-01-08	Development and validation of deep learning for predicting the growth of ovarian cancer organoids 2026-Jan-05, Chinese medical journal IF:7.5Q1 DOI:10.1097/CM9.0000000000003575 PMID:40709801	研究论文	本研究开发并验证了一种基于深度学习的可解释模型，用于预测卵巢癌类器官的生长结果	首次应用深度学习模型预测卵巢癌类器官的生长结果，并采用梯度加权类激活映射（Grad-CAM）进行可解释性分析	研究样本量有限，且仅针对卵巢癌类器官，模型泛化能力有待进一步验证	开发可预测卵巢癌类器官培养结果的深度学习模型，以提高类器官培养的成功率和临床实用性	卵巢癌类器官的纵向显微镜图像	计算机视觉	卵巢癌	纵向显微镜成像	CNN, Transformer	图像	517个卵巢癌类器官液滴（训练集325，验证集88，测试集104），外加179个多中心样本用于前瞻性验证	PyTorch	ResNet18, VGG11, ConvNeXt v2, Swin Transformer v2	AUC, Brier分数, 校准曲线, 决策曲线净收益	NA
7070	2026-01-08	Deep Learning-Based Acceleration in MRI: Current Landscape and Clinical Applications in Neuroradiology 2026-Jan-05, AJNR. American journal of neuroradiology DOI:10.3174/ajnr.A8943 PMID:40721279	综述	本文综述了深度学习在加速磁共振成像（MRI）中的当前应用，特别是在神经放射学领域的临床实践	探讨了深度学习图像重建（DLBIR）技术如何从2D到3D采集的演进，结合自监督学习的进展，以在减少扫描时间的同时保持或提升图像质量	存在跨扫描器和成像条件的泛化性挑战、对伪影的敏感性、病理表征可能被改变，以及供应商特定闭源算法的训练数据、底层算法和临床验证信息有限	回顾深度学习加速MRI的技术现状、临床应用及未来趋势	神经放射学中的MRI图像	医学影像	NA	深度学习图像重建（DLBIR）	深度学习模型	图像	NA	NA	NA	图像质量、病变显著性、噪声抑制、诊断准确性	NA
7071	2026-01-08	Enhanced Neurovascular Imaging Using Ultra-High-Resolution CT and Deep Learning-Based Image Reconstruction 2026-Jan-05, AJNR. American journal of neuroradiology DOI:10.3174/ajnr.A8964 PMID:41436283	研究论文	本研究评估了基于深度学习的图像重建在超高清CT神经血管成像中的诊断优势	首次将深度学习重建算法应用于超高清CT神经血管成像，并与标准混合迭代重建进行对比	单中心回顾性研究，样本量有限，仅使用特定供应商的深度学习算法	评估深度学习重建在神经血管成像中的诊断效益	100名因急性神经症状接受颅脑CT和CTA检查的患者	医学影像分析	脑血管疾病	CTA, 超高清CT, 深度学习图像重建	深度学习算法	CT图像	100名患者	Matlab	供应商特定的深度学习算法	SNR, CNR, 斜率评估, 图像质量评分	NA
7072	2026-01-05	YOLO-based deep learning framework for real-time multi-class plant health monitoring in precision agriculture 2026-Jan-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29132-w PMID:41484288	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
7073	2026-01-08	Beyond peak accuracy: a stability-centric framework for reliable multimodal student engagement assessment 2026-Jan-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31215-7 PMID:41484417	研究论文	本研究提出了一种多模态学生参与度评估框架，通过类别感知损失函数、时间数据增强和异质集成等策略，解决了类别不平衡、模型不稳定性和可解释性有限的问题	引入了一个以稳定性为中心的框架，结合类别感知损失函数、时间数据增强、异质集成和基于SHAP的可解释性分析，以提升评估的可靠性和鲁棒性	未明确提及具体的数据集限制或外部验证的不足	开发一个可靠且稳定的多模态学生参与度评估系统，用于技术增强学习	学生参与度	机器学习	NA	多模态数据融合	CNN, 集成学习	多模态数据（可能包括视频、音频等）	NA	NA	ResNet, Inception, MCNN, TimeCNN	准确率, 宏平均F1分数	NA
7074	2026-01-08	Area detection improves the person-based performance of a deep learning system for classifying the presence of carotid artery calcifications on panoramic radiographs 2026-Jan, Oral radiology IF:1.6Q3 DOI:10.1007/s11282-025-00843-0 PMID:40694246	研究论文	本研究开发并比较了两种结合区域检测功能的深度学习系统，用于在全景X光片上分类颈动脉钙化，并评估其基于个体的诊断性能	引入了区域检测功能（先验或同时）到深度学习系统中，以提升基于个体的颈动脉钙化分类性能，与直接使用整张全景图像的方法相比显示出显著改进	研究样本量相对有限（580张全景X光片），且未详细讨论模型在不同人群或设备间的泛化能力	开发并评估深度学习系统在全景X光片上诊断颈动脉钙化的性能，特别关注区域检测对基于个体分类的影响	来自290名患者（有颈动脉钙化）和290名对照者（无颈动脉钙化）的580张全景X光片	计算机视觉	心血管疾病	全景X光成像	CNN	图像	580张全景X光片（来自580名个体）	NA	GoogLeNet, YOLOv7	AUC	NA
7075	2026-01-08	Deep learning model for automated segmentation of sphenoid sinus and middle skull base structures in CBCT volumes using nnU-Net v2 2026-Jan, Oral radiology IF:1.6Q3 DOI:10.1007/s11282-025-00848-9 PMID:40748555	研究论文	本研究开发了一种基于nnU-Net v2的深度学习模型，用于在锥形束计算机断层扫描（CBCT）体积中自动分割蝶窦和中颅底解剖结构，并评估了模型的性能	首次应用nnU-Net v2深度学习模型于CBCT体积中蝶窦及中颅底结构的自动分割，实现了高精度的分割性能	模型在中颅底其他孔洞结构的分割上表现有限，需要进一步优化	开发并评估一个用于CBCT影像中蝶窦及中颅底解剖结构自动分割的深度学习模型	蝶窦及中颅底解剖结构，包括蝶窦、圆孔和翼管	计算机视觉	NA	锥形束计算机断层扫描（CBCT）	深度学习	图像	99个CBCT扫描	nnU-Net v2	nnU-Net	准确率, 精确率, 召回率, Dice系数, 95% Hausdorff距离, 交并比, AUC	NA
7076	2026-01-08	Evaluation of deep learning-based segmentation models for carotid artery calcification detection in panoramic radiographs 2026-Jan, Oral radiology IF:1.6Q3 DOI:10.1007/s11282-025-00858-7 PMID:40931257	研究论文	本研究评估了基于深度学习的YOLO分割模型在曲面断层片中检测颈动脉钙化的有效性，并比较了不同YOLO模型的性能	首次在颈动脉钙化检测中系统比较了YOLOv5x-seg、YOLOv8x-seg和YOLOv11x-seg三种分割模型的性能，并探讨了患者性别与钙化存在的关联	研究数据集规模有限（仅652张标注图像），需要更大、更多样化的数据集来验证模型的泛化能力和有效性	评估人工智能辅助分割方法在曲面断层片中检测颈动脉钙化的效果，并进行流行病学关联分析	曲面断层片中的颈动脉钙化区域	计算机视觉	心血管疾病	深度学习图像分割	YOLO	图像	30,883张曲面断层片扫描，其中652张有颈动脉钙化特征（共1,086个标注）	NA	YOLOv5x-seg, YOLOv8x-seg, YOLOv11x-seg	精确度, 准确度, F1分数, 灵敏度	NA
7077	2026-01-08	Spatial distribution prediction and scale effect analysis of urban daytime noise based on remote sensing images: a case study of Chengdu 2026-Jan-01, Journal of environmental management IF:8.0Q1 DOI:10.1016/j.jenvman.2025.128379 PMID:41422570	研究论文	本研究基于高分辨率遥感影像和深度学习模型，预测成都市白天噪声的空间分布并分析尺度效应	首次将高分辨率遥感影像与ResNet和ViT架构的端到端深度学习模型结合，用于预测城市白天噪声分布，并通过多尺度融合实验和傅里叶谱分析揭示了2米分辨率的最优性能及其物理机制	研究仅针对成都市，未考虑其他城市或不同气候条件；多尺度融合实验未带来显著性能提升，可能受限于数据冗余或冲突	探索基于遥感影像的城市道路交通噪声高效监测方法，分析不同空间分辨率对预测性能的影响	成都市整个城市区域的白天噪声分布	计算机视觉	NA	遥感影像分析	CNN, Transformer	图像	NA	NA	ResNet, ViT	预测精度	NA
7078	2026-01-08	The Evolving Landscape of Urology in the Era of Artificial Intelligence: An Update of Clinical Applications and Emerging Innovations 2026-Jan, Mymensingh medical journal : MMJ PMID:41474926	综述	本文更新了人工智能在泌尿外科领域的临床应用和新兴创新，涵盖诊断成像、良性疾病、泌尿肿瘤、手术和患者监测等方面	强调了人工智能在泌尿外科中的最新进展，包括通过尿液液体活检进行早期疾病检测、基于AI的计算活检直接从H&E染色切片预测基因组标记，以及未来如通用人工智能和联邦学习等创新方向	数据多样性不足和临床整合存在限制，同时面临算法偏见和数据隐私等伦理挑战	综述人工智能在泌尿外科领域的应用现状、临床价值及未来发展趋势	泌尿外科疾病，包括良性泌尿系统疾病（如输尿管结石、良性前列腺增生）和泌尿系统肿瘤（如前列腺癌、肾细胞癌、膀胱癌）	数字病理学	前列腺癌	机器学习, 深度学习	NA	图像, 液体活检, H&E染色切片	NA	NA	NA	准确率, AUC, 敏感性	NA
7079	2026-01-08	Validation of a Deep Learning U-Net Algorithm for Multistructure Segmentation of Infrarenal Abdominal Aortic Aneurysms including Lumen, Thrombus, and Calcifications 2026, EJVES vascular forum IF:1.4Q3 DOI:10.1016/j.ejvsvf.2025.11.001 PMID:41488250	研究论文	本研究验证了一种基于深度学习的U-Net算法，用于自动分割腹主动脉瘤的多个结构，包括管腔、血栓和钙化	开发了一种全自动深度学习算法，能够同时分割腹主动脉瘤的管腔、血栓和钙化，为数字孪生生成提供优化方案	外部验证仅基于48个CT血管造影扫描，样本量相对较小	验证一种新的全自动深度学习主动脉分割算法，用于优化数字孪生生成	腹主动脉和髂动脉的管腔、侧支动脉、腔内血栓和壁钙化	数字病理	心血管疾病	CT血管造影	CNN	图像	训练集1280个CT血管造影扫描（1000个预训练，280个微调），外部验证集48个扫描	NA	U-Net	Dice相似系数，平均表面距离	NA
7080	2026-01-08	Deep Learning Model for Predicting Operative Mortality After Total Gastrectomy: Analysis of the Japanese National Clinical Database (NCD) 2026-Jan, Annals of gastroenterological surgery IF:2.9Q2 DOI:10.1002/ags3.70067 PMID:41488848	研究论文	本研究利用日本国家临床数据库（NCD）的大数据，开发了一个深度学习模型，用于预测全胃切除术后的手术死亡率	首次利用NCD大数据构建深度学习模型来预测全胃切除术后的手术死亡率，并采用了四层、5217个变量的复杂模型结构	模型准确性有待提高，需要引入与术后并发症相关或传统方法无法分析的新变量	开发一个深度学习预测模型，用于术前基于患者预期手术风险进行分层，以降低全胃切除术后的死亡率	2018年1月至2019年12月期间在日本国家临床数据库中注册的、年龄18岁及以上、因胃癌接受全胃切除术的患者	机器学习	胃癌	NA	深度学习模型	结构化临床数据（包括年龄、性别、既往病史、术前血液检查结果、肿瘤特征等）	14,980例（其中11,980例用于训练，3,000例用于验证）	TensorFlow, Keras	四层神经网络	C统计量（AUC）	NA