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
7101	2026-06-09	Conditional Diffusion Model-Based Method for Annotation of Antibiotic Resistance Gene Properties 2026-Jun-08, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.6c00042 PMID:42149807	研究论文	提出一种基于条件扩散模型的抗生素抗性基因特性注释方法	首次将条件扩散模型应用于抗生素抗性基因序列数据，通过领域知识注入引导生成高质量潜在表示，并设计交叉注意力机制以缓解信息冗余问题	未明确说明，可能涉及模型对大规模数据的泛化能力和计算开销	提高抗生素抗性基因序列数据中潜在表示的质量，实现对抗性基因特性的精准注释	抗生素抗性基因的序列数据和其关键特性	机器学习	细菌抗生素耐药性相关疾病	基因序列分析	条件扩散模型	序列数据	公开数据集（具体规模未说明）	PyTorch	扩散模型与交叉注意力机制	预测性能指标（如准确率、F1分数等，具体未提及）	未说明
7102	2026-06-09	Scan-wise generalized PET denoising with contrastive adversarial learning 2026-Jun-08, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ae7231 PMID:42173146	研究论文	提出了一种基于对比对抗学习的逐扫描泛化PET图像去噪方法	首次从域泛化角度解决跨扫描去噪性能下降问题，并提出有序对比对抗学习框架，利用纵向扫描作为伪正样本	未提及具体局限性	实现低计数PET图像的无偏去噪，应对扫描间分布变化	低计数PET图像去噪任务中的扫描间域泛化	计算机视觉	阿尔茨海默病	PET成像	生成对抗网络 (GAN)	图像（PET扫描）	80名受试者的192次纵向扫描，1920组噪声实现	PyTorch	对比对抗网络（CADG）	峰值信噪比（PSNR）、结构相似性指数（SSIM）、偏差、标准差	NA
7103	2026-06-09	Developing an Advanced Deep Learning-based MR Image Framework for Brain Stroke Segmentation and Classification with Novel Activation Function 2026-Jun-08, The International journal of neuroscience DOI:10.1080/00207454.2026.2685181 PMID:42252862	研究论文	提出了一种基于深度学习的MRI图像框架，用于脑卒中分割和分类，并引入新型激活函数	提出区域掩码注意力多扩张Inception Unet++（RMA-MIUnet++）用于精确分割卒中区域，以及采用新型激活函数的高效InceptionV3（EIV3-NAF）进行分类	未提及与传统模型相比的具体局限性，但传统模型存在手动特征工程和泛化能力不足的问题	开发基于深度学习的卒中预测框架，利用MRI提供专业且灵活的诊断指导	脑卒中患者	计算机视觉	脑卒中	MRI	CNN	图像	NA	NA	RMA-MIUnet++, Efficient InceptionV3	分类性能指标	NA
7104	2026-06-09	Deep learning-based biliary stent classification and transfer learning adaptation to an additional stent type 2026-Jun-08, European radiology experimental IF:3.7Q1 DOI:10.1186/s41747-026-00749-4 PMID:42257782	研究论文	开发深度学习模型用于胆道支架分类，并通过迁移学习适应新型支架	首次将ResNet-50深度学习模型应用于胆道支架分类，并验证迁移学习策略可高效适应新型支架类型，无需完整重新训练	单中心研究，样本量有限（185例患者），仅评估了五种支架类型，可能影响模型泛化能力	开发并评估深度学习模型在放射影像和透视图像上对胆道支架进行分类的可靠性，以及迁移学习适应新型支架的效果	185名接受胆道支架置入患者的X射线和透视图像，包含Epic™、EGIS、Niti-S、Bonastent® uncovered和Bonastent® partially covered五种支架	计算机视觉, 数字病理学	胆道疾病	X射线成像, 透视成像	CNN	图像	185名患者，共488张图像（主数据集412张来自151例患者，增强数据集488张来自185例患者）	PyTorch	ResNet-50	准确率, 精确率, 召回率, F1分数	NA
7105	2026-06-09	Deep learning based depth of anaesthesia monitoring using EEG: a 4-layer CNN model with PSD and BSR correlation features 2026-Jun-08, Physical and engineering sciences in medicine IF:2.4Q2 DOI:10.1007/s13246-026-01753-z PMID:42258106	研究论文	基于深度学习的脑电图麻醉深度监测方法：采用4层CNN模型结合PSD和BSR相关性特征	将功率谱密度（PSD）与爆发抑制比（BSR）的关联特征融入CNN架构，提升对麻醉深度的区分能力	对过渡状态（充足/轻度麻醉）区分敏感度不足，因光谱特征重叠导致分类性能受限	通过脑电图分析实现麻醉深度监测，支持手术中的患者安全与麻醉优化	三种临床相关麻醉状态：深度麻醉、充足麻醉和清醒状态	机器学习	NA	脑电图频谱图转换	卷积神经网络	脑电图信号	3个代表性患者案例	NA	4层CNN	准确率, 精确率, 召回率, F1分数	NA
7106	2026-06-09	SBEM-UNet: A Semantic Boundary and Contour-Enhanced Framework for Semisupervised Medical Image Segmentation 2026-Jun-08, Journal of imaging informatics in medicine DOI:10.1007/s10278-026-02033-8 PMID:42258115	研究论文	提出SBEM-UNet框架，通过语义边界增强和轮廓增强解码器，在半监督学习中解决医学图像分割中的模糊边界问题	首次在半监督框架中联合使用语义边界增强模块（SBEM）和轮廓增强解码器（CED），显著提升模糊和不连续边界的定位精度	依赖伪标签一致性正则化，在极端低标注场景下可能引入噪声，且未探讨跨数据集泛化能力	提升医学图像分割中模糊或不连续边界的精确解剖描绘能力，尤其是标注稀缺条件下	医学图像中的模糊或非连续边界区域	医学图像分析	NA	深度学习半监督分割	U-Net增强框架	医学图像	多个公开基准数据集	PyTorch	SBEM-UNet（包含语义边界增强模块、轮廓增强解码器）	区域准确率, 边界分割质量	NA
7107	2026-06-09	Correction: ThyroFusion: A Multi-modal Deep Learning Framework Integrating Vision and Language for Thyroid Nodule Malignancy Risk Assessment 2026-Jun-08, Journal of imaging informatics in medicine DOI:10.1007/s10278-026-02054-3 PMID:42258118	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
7108	2026-06-09	Artificial Intelligence in Burn and Wound Care: Image Analysis, Prediction, and Clinical Integration 2026-Jun-07, Journal of burn care & research : official publication of the American Burn Association IF:1.5Q3 DOI:10.1093/jbcr/irag090 PMID:42251750	综述	综述2015至2025年间人工智能在烧伤与创面护理中的图像分析、预测模型及临床整合研究	系统总结了深度学习在创面识别分割、愈合/感染/截肢预测以及远程监测平台集成三方面的最新进展	存在肤色偏差导致的算法偏见、数据集多样性不足、模型行为不透明、工作流整合困难及监管框架不完善等挑战	评估人工智能在烧伤与慢性创面客观评估、预后预测及临床部署中的潜力和障碍	烧伤创面和糖尿病/血管疾病/活动受限相关的慢性创面	计算机视觉	烧伤、糖尿病足溃疡、血管性疾病创面	深度学习	卷积神经网络	创面影像数据	NA	NA	卷积神经网络	Dice系数、灵敏度、准确率、受试者工作特征曲线下面积	NA
7109	2026-06-09	Deep learning layer-specific collagen quantification correlates with activity and is associated with outcomes in Crohn's disease 2026-Jun-07, Journal of Crohn's & colitis DOI:10.1093/ecco-jcc/jjag075 PMID:42257256	研究论文	开发并验证了首个基于深度学习的层特异性胶原定量方法，用于克罗恩病的活动性评估和预后预测	首次构建了基于机器学习的自动化管道，实现了肠道活检中层特异性胶原的定量分析，克服了传统半定量方法的低通量限制	单中心回顾性研究设计，样本量相对有限，需进一步验证其普适性和临床适用性	开发并验证一种基于机器学习的层特异性胶原定量方法，评估其与克罗恩病活动性和临床结局的关联	191例IBD患者（92例CD，99例UC）和74例对照者的1317份肠道活检样本	数字病理学	克罗恩病	天狼星红染色	深度学习分割模型	全切片图像	191例IBD患者（92例CD，99例UC）和74例对照者的1317份肠道活检样本	NA	K-means聚类	组内相关系数	NA
7110	2026-06-09	Quantitative RNA pseudouridine landscape reveals dynamic modification patterns and evolutionary conservation across bacterial species 2026-Jun-04, eLife IF:6.4Q1 DOI:10.7554/eLife.107545 PMID:42241317	研究论文	该研究首次在五种细菌物种中实现转录组范围单碱基分辨率的假尿苷修饰定量图谱，揭示动态修饰模式与进化保守性	首次利用优化baBID-seq方法实现细菌RNA假尿苷全转录组定量图谱；开发整合LSTM-Transformer-GNN的深度学习框架pseU_NN预测假尿苷位点	仅涵盖五种细菌物种，未涉及更多样化菌株；深度学习方法依赖现有数据特征，可能无法完全捕捉未知修饰模式	阐明细菌RNA假尿苷修饰的全转录组分布、动态规律、进化保守性及其功能意义	五种细菌物种（包括大肠杆菌、枯草芽孢杆菌等）的RNA假尿苷修饰	机器学习, 自然语言处理, 计算生物学	NA	baBID-seq, RNA-seq, 深度学习	LSTM-Transformer-GNN混合神经网络（pseU_NN）	RNA测序数据, RNA序列特征, RNA局部结构特征	5种细菌物种（每种含多个生长阶段样本）	PyTorch	LSTM, Transformer, 图神经网络（GNN）	准确率, 精确率, 召回率, F1分数, AUC	NA
7111	2026-06-09	Clinical Evaluation of Deep Learning-Reconstructed Postcontrast 3D T1-Weighted Volume Interpolated Breath-Hold Examination (VIBE) Compared with Standard VIBE for Detection of Internal Auditory Canal Lesions 2026-Jun-03, AJNR. American journal of neuroradiology DOI:10.3174/ajnr.A9189 PMID:42235966	研究论文	对比深度学习重建的增强后3D T1加权VIBE序列与标准VIBE序列在内听道病变检测中的图像质量	首次在临床环境中评估深度学习重建VIBE相较于标准VIBE在内听道评估中的非劣效性和优越性，证明了扫描时间减少25%的同时图像质量更优	本研究仅限于74例患者，样本量较小；且仅由两名神经放射科医师评估，可能引入主观偏差	评估深度学习重建VIBE序列在临床内听道病理评估中的图像质量、结构可见性和病变检出能力	内听道病变患者	数字病理学	内听道病变	对比增强MRI、深度学习重建	深度学习模型	MRI图像	74名患者	NA	NA	图像质量指标（如信噪比、对比噪声比）、结构可见性评分、病变增强可见性评分、组间一致性κ值	NA
7112	2026-06-09	Deep learning-based Desikan-Killiany parcellation of the brain using diffusion MRI 2026-Jun-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-54446-8 PMID:42236782	研究论文	提出了一种基于深度学习的框架，仅利用扩散MRI数据直接进行Desikan-Killiany脑区分割	首次实现仅使用扩散MRI数据进行DK图谱的直接脑区分割，避免了依赖解剖MRI和模态间配准的步骤，并采用层次化两阶段分割网络提升精度	文中未明确提及具体局限性，但可能包括对数据集多样性的依赖或分割边界在低分辨率下的模糊性	开发一种无需解剖MRI的通用扩散MRI脑区分割方法，提高神经影像分析的实用性和准确性	脑部扩散MRI数据，包括Human Connectome Project和Consortium for Neuropsychiatric Phenomics数据集	计算机视觉	NA	扩散MRI（dMRI）	卷积神经网络（CNN）	图像（扩散MRI参数图）	Human Connectome Project数据集和Consortium for Neuropsychiatric Phenomics数据集，具体样本数未说明	PyTorch	层次化两阶段分割网络（粗分割阶段和细分阶段，类似U-Net结构）	Dice相似系数（DSC），相对标准差（RSD）	NA（文中未明确说明）
7113	2026-06-09	Knowledge-guided brain tumor segmentation via synchronized visual-semantic-topological prior fusion 2026-Jun-03, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-026-02189-3 PMID:42237259	研究论文	提出一种知识引导的脑肿瘤分割框架，通过同步融合视觉、语义和拓扑先验信息提升分割精度	首次将病理驱动特征、无监督语义描述和持久同调几何约束三种异构知识先验进行同步融合，并设计双级融合架构动态分配先验权重	未明确讨论模型对输入序列缺失或噪声的鲁棒性，以及在其他数据集上的泛化验证	提升多序列MRI脑肿瘤分割在模糊边界区域的准确性，并增强模型泛化能力	脑肿瘤分层结构（ET、TC、WT）的精确分割	数字病理学	脑肿瘤	MRI	CNN	医学影像（多序列MRI）	BraTS 2020数据集	PyTorch	双级融合架构	Dice系数	NA
7114	2026-06-09	AI-Driven Image Analysis for Nanofiber Characterization: From Diameter Measurement to Multiparameter Assessment 2026-Jun-02, ACS omega IF:3.7Q2 DOI:10.1021/acsomega.5c12433 PMID:42255639	综述	系统调查了用于纳米纤维表征的计算方法，特别是纤维直径的测量技术，并对比了人工测量、开源工具及人工智能方法	涵盖从经典机器学习到深度学习架构（包括生成框架和基于Transformer的模型）的全面AI策略，并整合了智能制造和自动化质量控制等工业应用视角	NA（摘要未明确提及局限性）	为纳米纤维表征中的计算方法和AI技术提供系统性综述，指导工艺优化与质量控制	纳米纤维及其直径测量方法	计算机视觉, 机器学习	NA	扫描电子显微镜（SEM）等成像技术	经典机器学习模型, 深度学习架构, 生成框架, Transformer模型	图像	NA	NA	DiameterJ, GIFT, SIMpoly, 深度学习架构, 生成框架, Transformer模型	纤维直径测量精度等	NA
7115	2026-06-09	A deep learning-based method for evaluating the fitting states of orthokeratology lenses using fluorescein staining videos 2026-Jun, Contact lens & anterior eye : the journal of the British Contact Lens Association IF:4.1Q1 DOI:10.1016/j.clae.2026.102633 PMID:41794006	研究论文	开发一种基于深度学习的自动化工具，利用荧光素染色视频评估角膜塑形镜的配适状态	提出基于ResNet-50和时序注意力模块的双流架构，结合边缘检测数据增强方法，能够同时提取镜片形态特征和运动特征，实现对配适状态的自动分类	未提及	开发和验证自动化深度学习工具，用于评估角膜塑形镜配适状态，并比较与经验丰富的验光师人工标注结果的性能	143个荧光素染色检查视频记录，荧光素染色检查在裂隙灯显微镜下进行	计算机视觉	未明确提及，但涉及眼科健康及角膜塑形镜配适评估	荧光素染色视频分析	CNN（卷积神经网络）	视频	143个荧光素染色视频记录	PyTorch	ResNet-50, TimeSformer, ViViT, 时序注意力模块	准确率, 宏敏感性, 宏特异性	未提及
7116	2026-06-09	Oxylipin profile data analysis: Current methodologies, challenges, and future directions 2026-Jun, Progress in lipid research IF:14.0Q1 DOI:10.1016/j.plipres.2026.101381 PMID:41796823	综述	该综述综合评价了氧脂质谱数据分析的现有方法、挑战和未来方向	系统比较了传统统计方法、多变量统计方法和新兴机器学习/深度学习在氧脂质数据处理中的适用性，并提出了整合多组学和通路分析的新框架	目前机器学习和深度学习方法受限于数据可用性，且生物信息学基础设施在整合氧脂质数据方面存在局限性	提升氧脂质数据的生物学可解释性，推动其在系统生物学和转化脂质研究中的应用	氧脂质谱数据集及其分析方法	机器学习	NA	靶向质谱	主成分分析、偏最小二乘判别分析、非度量多维尺度分析、机器学习、深度学习	高维共线数据、时间序列数据、横截面数据	NA	NA	NA	NA	NA
7117	2026-06-09	Discovery of Peripheral Airway Beyond Incomplete CT Annotations for Navigational Bronchoscopy 2026-Jun, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2026.3672178 PMID:41801779	研究论文	提出ASTRA-Net深度学习框架，用于从CT扫描中分割标注和未标注的外周气道分支，提升支气管镜导航的敏感性	集成辅助解剖输入、编码器引导注意力模块、中心线和分支感知损失加权方案及分辨率鲁棒后优化步骤，以应对不完整标注和CT采集变异性	NA	提高支气管镜导航中外周气道分支的敏感重建能力，克服现有深度学习方法在不完整标注和CT变异性方面的局限	CT扫描中的气道分支分割，包括标注和未标注的外周气道	计算机视觉，数字病理学	肺部疾病	CT扫描	深度学习框架（ASTRA-Net）	图像（CT扫描）	多个公开和内部数据集	PyTorch	ASTRA-Net（含编码器引导注意力模块）	树检测率（TDR），分支检测率（BDR），重叠分数	NA
7118	2026-06-09	An automated framework for quantitative alveolar bone loss using deep learning-based landmark detection 2026-06, Journal of dentistry IF:4.8Q1 DOI:10.1016/j.jdent.2026.106620 PMID:41812977	研究论文	开发并评估一种结合深度学习地标检测与曲线拟合的全景X线片牙槽骨丧失自动定量框架	首次提出整合深度学习和曲线拟合的全口牙槽骨丧失定量自动化框架，并比较三种网络在标志点定位和临床评估对齐上的性能差异	未在论文摘要中说明	开发可高效、客观定量全景X线片上牙槽骨丧失的自动化方法	760张全景X线片	计算机视觉, 数字病理学	牙科疾病（牙槽骨丧失）	深度学习	TransPose, HRNet, YOLOv8	图像	760张全景X线片（532/152/76用于训练/验证/测试）	PyTorch	TransPose, HRNet, YOLOv8	平均径向误差, 成功检测率, 组内相关系数, 灵敏度, 特异性	NA
7119	2026-06-09	Distillation-SAM: Knowledge Distillation-Based Auto-Prompt Embedding Learning for Surgical Image Segmentation 2026-Jun, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2026.3674509 PMID:41843527	研究论文	提出Distillation-SAM方法，通过知识蒸馏和自动提示嵌入，无需用户提示即可实现精准的手术图像分割	创新性地引入可训练适配器分支来学习稀疏和稠密自动提示嵌入，并结合知识蒸馏约束和修改掩码评分回归分支实现多类别语义分割	仅针对手术图像分割，未提及对其他医学图像类型的泛化能力评估，且冻结SAM编码器和解码器可能限制模型对高度复杂场景的适应	提出一种无需用户提示即可自动进行手术图像分割的方法，解决现有方法泛化性差和依赖高质量提示的问题	手术图像中的血管、器械和组织等目标	数字病理学	不适用	不适用	Segment Anything Model (SAM)	图像	使用多个公开数据集：IVIS、EndoVis2017和Cholecseg8k，样本数量未具体说明	PyTorch	SAM（冻结编码器和解码器）、可训练适配器分支、多层感知机	准确性、Dice系数（推测，但原文未明确列出指标，需谨慎）	未提及具体资源，推测使用标准GPU（如NVIDIA RTX系列）
7120	2026-06-09	Decoding bacterial transcriptional regulatory networks through integrated multi-omics datasets for artificial intelligence-driven design of programmable biological systems 2026-Jun, Current opinion in biotechnology IF:7.1Q1 DOI:10.1016/j.copbio.2026.103505 PMID:42127490	综述	综述通过整合多组学数据解码细菌转录调控网络，为人工智能驱动的可编程生物系统设计提供基础	系统性地讨论从靶向分子表征到系统级方法的演进，并整合机器学习与深度学习模型用于调控元件发现和序列设计，最终结合闭环生物铸造平台实现自动化工程	NA	探讨如何利用多组学数据和人工智能方法解码细菌转录调控网络，并推动可编程生物系统的设计	细菌转录调控网络及其调控元件	机器学习	NA	NGS, RNA-seq, 多组学整合	独立成分分析, 深度学习模型	基因组数据, 转录组数据	NA	NA	NA	NA	NA