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
7181	2026-06-29	Multi-view deep fusion for forensic dental age estimation in tomographic imaging 2026-Jul, International journal of legal medicine IF:2.2Q1 DOI:10.1007/s00414-026-03749-6 PMID:41803444	研究论文	提出一种多视图深度学习融合方法，利用锥形束CT扫描和临床元数据法进行法医牙龄估计	首次将正交CBCT视图（冠状面和矢状面）与临床元数据（生物学性别及自动牙髓-牙齿比指数）融合，实现多模态深度牙龄估计	研究未提及具体的局限性（从摘要推断可能包括数据集规模或特定年龄组的泛化能力）	基于CBCT影像的法医牙龄估计，以提高年轻成人（18-32岁）的精度	上颌中切牙的CBCT影像及临床元数据（性别和牙髓-牙齿比指数）	计算机视觉	NA	CBCT成像	CNN（基于EfficientNet-V2）	影像（CBCT扫描），元数据（性别、PTR指数）	IPCTI数据集（未说明具体样本数）	PyTorch	EfficientNet-V2	MAE（平均绝对误差）	NA
7182	2026-06-29	Radiographic choice for skeletal maturation assessment: a systematic review of Cervical Vertebrae Method and Middle Phalanx Method 2026-Jul, Oral radiology IF:1.6Q3 DOI:10.1007/s11282-026-00912-y PMID:41917479	系统综述	系统综述颈椎骨成熟度评估中颈椎骨法（CVM）和中指骨法（MPM）的放射影像选择，为临床医生提供指南	结合深度学习和人工智能技术，揭示了颈椎骨法在人工智能支持下准确率显著提升，且无需额外手-腕放射片	仅纳入近十年文献，可能遗漏早期研究；部分研究证据质量未充分评估	为临床医生选择最合适的骨龄评估放射影像方法及青春期生长突增时机提供更新指南	颈椎骨法（CVM）与中指骨法（MPM）的比较研究	医学影像	骨骼成熟评估	放射影像（X射线）	深度学习（DL）和人工智能（AI）系统	放射影像	13项研究	NA	NA	观察者间可靠性、准确率	NA
7183	2026-06-29	Multimodal Machine Learning with 3D-Weighted-Matrix Encoding for High-Throughput Design of High-Performance Polyurethanes 2026-Jun, Macromolecular rapid communications IF:4.2Q2 DOI:10.1002/marc.202500471 PMID:41014522	研究论文	开发了一种结合机器学习、多模态特征工程和特征融合策略的高通量筛选框架，用于预测聚氨酯材料的机械性能	提出3D加权矩阵编码方法表征聚氨酯单体，相比传统分子描述符在特征区分度上提升23%，并采用早期融合架构整合结构特征与合成工艺参数	NA	实现聚氨酯材料机械性能的预测和高通量设计	聚氨酯材料	机器学习	NA	机器学习、高通量筛选	多模态深度学习模型	化学结构数据和合成工艺参数	超过1.5亿种分子和工艺组合	PyTorch	3D-Weighted-Matrix编码、早期融合架构	决定系数	NA
7184	2026-06-29	Improved image quality and greater diagnostic suitability in myocardial delayed enhancement CT with deep learning image reconstruction 2026-Jun, Japanese journal of radiology IF:2.9Q2 DOI:10.1007/s11604-026-01958-y PMID:41701468	研究论文	评估深度学习图像重建在心肌延迟增强CT中改善图像质量和诊断适用性的效果	首次在心肌延迟增强CT中系统评估深度学习图像重建相比混合迭代重建在定量和定性图像质量上的优势	研究为单中心回顾性设计，样本量有限（108例），且未评估临床诊断准确性	比较深度学习图像重建与常规混合迭代重建在心肌延迟增强CT中的图像质量和诊断适用性	108例经CT确认有心肌延迟增强的患者	计算机视觉	心肌纤维化	CT	深度学习图像重建	图像	108例患者	NA	深度学习图像重建	图像噪声、对比度噪声比、信噪比、5点Likert量表评分	NA
7185	2026-06-29	Deep learning-driven MRI segmentation of choroid plexus volume: a novel biomarker for cognitive impairment in type 2 diabetes mellitus 2026-Jun, Japanese journal of radiology IF:2.9Q2 DOI:10.1007/s11604-025-01944-w PMID:41863666	研究论文	利用深度学习模型自动分割脉络丛体积，探究其作为2型糖尿病认知障碍生物标志物的价值	首次发现脉络丛体积增大与2型糖尿病认知障碍相关，并利用3D nnU-Net深度学习模型实现自动分割	样本量较小（71例患者和111例对照），需进一步验证结果通用性	研究脉络丛体积变化与2型糖尿病认知功能的关系，并识别独立影响因素	2型糖尿病患者和健康对照者的脉络丛体积与认知功能	计算机视觉	2型糖尿病	MRI	3D nnU-Net	MRI图像	71例2型糖尿病患者和111例健康对照者	NA	3D nnU-Net	NA	NA
7186	2026-06-29	In Situ Probing of Polymer Residence on the Nanoparticle Surface by Combining Deep Learning and Single-Molecule Fluorescence Tracking 2026-Jun, Macromolecular rapid communications IF:4.2Q2 DOI:10.1002/marc.202500477 PMID:40880498	研究论文	提出一种结合深度学习与单分子荧光追踪技术，用于原位探测纳米颗粒表面聚合物吸附与解吸附的方法	通过1D卷积神经网络识别扩散状态转变，实现聚合物在纳米颗粒表面吸附事件的准确识别，优于传统隐马尔可夫模型和阈值方法	NA	开发原位分析方法，研究纠缠聚合物溶液中聚合物在纳米颗粒表面的吸附与解吸附行为	聚合物在纳米颗粒表面的吸附与解吸附过程	机器学习	NA	单分子荧光追踪	1D-CNN	数值生成轨迹和实验轨迹	NA	NA	1D卷积神经网络	准确率, F1分数	NA
7187	2026-06-29	Uncertainty-aware deep learning for classifying colonic fdg-pet uptake using radiomic features 2026-Jun, Radiological physics and technology IF:1.7Q3 DOI:10.1007/s12194-026-01044-y PMID:41961248	研究论文	本研究开发了基于放射性组学特征分类的深度学习模型，用于区分结直肠FDG-PET的肿瘤性与非肿瘤性摄取，并评估分类性能与预测不确定性	首次将放射性组学特征分类（形态、强度、纹理）与深度学习结合，并纳入预测不确定性评估（基于蒙特卡洛Dropout与风险-覆盖曲线）来提升临床决策安全性	样本量较小（80例），且仅针对单一中心数据，可能限制模型泛化性	评估深度学习模型在利用放射性组学特征区分结直肠FDG-PET肿瘤性与非肿瘤性摄取时的性能，并探索不确定性引导的临床决策支持策略	80例患者的结直肠FDG-PET数据（45例肿瘤性、35例非肿瘤性）	机器学习	结直肠癌	FDG-PET成像	深度学习模型	图像	80例患者（45例肿瘤性、35例非肿瘤性）	NA	NA	准确率、AUC、AURC	NA
7188	2026-06-29	A novel hybrid segmentation method coupled with deep learning for coronary artery extraction from coronary CT angiography 2026-May, The international journal of cardiovascular imaging DOI:10.1007/s10554-026-03643-7 PMID:41746482	研究论文	提出一种结合深度学习与图像处理滤波器的混合方法，用于从冠状动脉CT血管成像中自动提取冠状动脉	创新性地将深度学习与独特的数学图像处理滤波器集成，并利用强度梯度开发轮廓检测算法，显著提升了分割性能	未明确提及局限性	实现从CCTA图像中准确、稳健且自动的冠状动脉分割，以辅助冠状动脉疾病的临床诊断	84名患者的内部验证集和40名患者的外部公开数据集中的CCTA扫描图像	计算机视觉	冠状动脉疾病	CCTA	深度学习与图像处理混合模型	医学图像	84名患者（内部验证集）和40名患者（外部公开数据集）	NA	轮廓检测算法	Dice系数（Dice score）	NA
7189	2026-06-29	DTCR-U-Net: a dual-task consistency and multi-scale adaptive attention framework for pneumonia lesion segmentation 2026-May, Medical & biological engineering & computing IF:2.6Q3 DOI:10.1007/s11517-026-03537-9 PMID:41803602	研究论文	提出一种名为DTCR-U-Net的双任务一致性和多尺度自适应注意力框架，用于肺炎病灶分割	创新点包括双任务一致性正则化架构、多尺度自适应注意力机制、通道上下文增强模块和多尺度全局空间模块、多尺度跳跃连接方案以及半监督学习范式	未明确提及，但可能包括对特定数据集的依赖性及计算资源需求	解决深度学习在肺炎CT病灶分割中长程依赖建模、多尺度特征整合和有限标注数据的问题	肺炎病灶	计算机视觉, 数字病理学	肺炎	CT成像	卷积神经网络（CNN）	CT图像	使用MosMedData + LIDC-IDRI、COVID-19-CT-Seg和CC-CCII数据集	NA	U-Net	Dice系数, F1分数, 灵敏度, 特异性, 准确率, Hausdorff距离	NA
7190	2026-06-29	ACRNet: high-resolution whole slide images classification network based on adaptive core regions 2026-May, Medical & biological engineering & computing IF:2.6Q3 DOI:10.1007/s11517-026-03544-w PMID:41838279	研究论文	提出一种基于自适应核心区域的高分辨率全切片图像分类网络ACRNet，通过动态图卷积网络提高分类效率	利用病理特征数据库和余弦相似度提取高概率信息块，并构建自适应区域动态图卷积网络来学习上下文信息，减少计算资源浪费	标题和摘要未明确提及，推测可能包括泛化性验证不足或依赖特定数据库	解决传统深度学习方法处理全切片图像时资源利用低效的问题	全切片图像中的病理组织区域	数字病理学	肺鳞状细胞癌、结直肠腺癌	全切片成像	图卷积网络	图像	使用TCGA-LUSC数据集和合作医院SHFPH-COAD数据集	PyTorch	动态图卷积网络、自适应区域GCN	准确率、AUC	NA
7191	2026-06-29	Comparison of deep and conventional machine learning methods in predicting joint moments in patients with cerebral palsy 2026-May, Medical & biological engineering & computing IF:2.6Q3 DOI:10.1007/s11517-026-03548-6 PMID:41843263	研究论文	比较深度学习和传统机器学习方法在预测脑瘫患者关节力矩中的表现	首次系统比较四种传统机器学习算法和两种深度学习算法在预测脑瘫患者关节力矩中的预测准确性，并优化了超参数	未明确讨论数据集中可能的潜在偏差或外部验证的缺失	基于步态运动学数据预测脑瘫患者的关节力矩，以规避直接测量地面反作用力的困难	622名脑瘫患者的步态回顾性数据	机器学习	脑瘫	NA	岭回归、k近邻、随机森林、多层神经网络、一维卷积神经网络、长短期记忆网络	时间序列步态运动数据	622名脑瘫患者	NA	一维卷积神经网络、长短期记忆网络	归一化均方根误差、皮尔逊相关系数	NA
7192	2026-06-29	Accurate segmentation of pulmonary arteries and veins via a human-in-the-loop framework with application in COPD 2026-May, Medical & biological engineering & computing IF:2.6Q3 DOI:10.1007/s11517-026-03556-6 PMID:41866420	研究论文	提出一种人机交互框架用于肺动脉和静脉的精确分割，并应用于慢性阻塞性肺疾病（COPD）分析	创新性地采用人机交互框架，通过三次迭代循环构建标注数据集并训练深度学习模型，提升了动脉-静脉分割的效率和准确性	未明确提及局限性	开发自动化的肺动脉和静脉分割模型，并应用于COPD患者血管变化分析	肺动脉和静脉的分割及其在COPD进展中的结构变化	医学图像分析	慢性阻塞性肺疾病	CT成像	深度学习模型	图像（CT扫描）	30个金标准标注数据集，来自COPD患者的CT扫描	NA	NA	Dice系数，IoU，敏感性，精确率	NA
7193	2026-06-29	EEG-RCPNet: a cross-subject cognitive impairment detection model based on limited-channel eeg signals 2026-May, Medical & biological engineering & computing IF:2.6Q3 DOI:10.1007/s11517-026-03561-9 PMID:41880056	研究论文	提出一种基于两通道静息态EEG信号的深度学习框架EEG-RCPNet，用于跨被试认知障碍检测	集成位置注意力机制与并行残差卷积神经网络，利用有限通道EEG信号提取跨频带判别特征，提升分类准确率	基于两项数据集验证，但样本量有限（212名参与者），且对非EEG数据类型的适用性未探讨	实现低成本的认知障碍早期筛查与监测	认知正常与认知障碍受试者的两通道静息态EEG信号	机器学习	认知障碍	EEG信号采集	卷积神经网络	EEG信号	212名参与者（CIRS数据集）及公开ADFTD数据集	PyTorch	PAD-CNN, PRCA-CNN, DS-CNN	准确率, 灵敏度, 特异度, F1分数, Macro-F1, MCC	NA
7194	2026-06-29	A multi-paradigm evaluation spanning pixels to voxels for deep learning-based kidney tumor segmentation 2026-May, Journal of medical engineering & technology DOI:10.1080/03091902.2026.2651078 PMID:41984454	研究论文	系统评估多种深度学习架构在肾脏肿瘤CT分割中的表现，聚焦临床适用性与高分割精度之间的差距	超越传统定量指标，首次系统分析假阳性、边界勾画精度和计算可行性对临床适用性的影响	计算资源限制导致UNETR模型未能完整训练，部分模型依赖高端GPU	探究高分割精度与临床适用性之间的关键差距，为肾脏肿瘤分割工具的临床部署提供见解	六种深度学习架构（U-Net、MedSAM、nnU-Net、UNETR、Total Segmentator、MIScnn）在KiTS19数据集上的分割性能	数字病理学	肾癌	CT扫描	卷积神经网络、Transformer、混合模型	医学图像	KiTS19数据集（具体样本数未提及）	MONAI, PyTorch	U-Net, MedSAM, nnU-Net, UNETR, Total Segmentator, MIScnn	Dice系数、假阳性分析、边界勾画精度	高端GPU（如需16GB VRAM的nnU-Net、MedSAM依赖的高端GPU），具体型号未提及
7195	2026-06-29	Multimodal clinical-imaging deep learning model for predicting refractory hypersplenism after liver transplantation 2026-Apr-22, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-48940-2 PMID:42020717	研究论文	开发一种结合临床和CT影像特征的多模态深度学习模型，用于预测肝移植后难治性脾功能亢进	首次提出多模态深度学习模型整合临床数据和CT影像组学特征，用于术前预测肝移植后难治性脾功能亢进	需要更大规模的多中心队列验证后才能在临床广泛应用	识别术前风险因素并开发预测肝移植后难治性脾功能亢进的多模态深度学习模型	2013年至2023年间接受肝移植的患者	机器学习	肝移植后难治性脾功能亢进	CT影像	深度学习	临床数据和CT影像	164名患者（缓解组120名，难治组44名）	NA	NA	AUC, F1分数, 准确率	NA
7196	2026-06-29	A multimodal approach integrating NK cell-associated gene signatures and pathomics to predict colon adenocarcinoma prognosis 2026-Apr-22, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-49584-y PMID:42020555	研究论文	结合单细胞RNA测序、转录组、病理组和临床数据构建多模态预后模型，用于预测结肠腺癌患者预后	首次整合NK细胞相关基因特征与病理组学特征，构建多模态预后框架，显著优于单一模态方法	NA	开发基于NK细胞相关基因特征和病理组学的多模态预后框架，提高结肠腺癌预后预测准确性	结肠腺癌患者的肿瘤微环境细胞异质性、NK细胞相关基因表达、全切片病理图像特征及临床变量	数字病理学, 机器学习	结肠腺癌	单细胞RNA测序, LASSO回归, 深度学习的弱监督病理图像分析	聚类约束注意力多实例学习模型	单细胞转录组数据, 转录组数据, 全切片病理图像, 临床数据	GSE161277单细胞数据集, 458张TCGA-COAD全切片病理图像	NA	聚类约束注意力多实例学习	concordance index (C-index)	NA
7197	2026-06-29	Artificial intelligence-assisted quality assessment of mid-trimester ultrasound examinations using large vision-language models 2026-Apr-22, BMC pregnancy and childbirth IF:2.8Q1 DOI:10.1186/s12884-026-09073-6 PMID:42021182	研究论文	开发并评估一种结合卷积神经网络和视觉-语言模型的系统，用于自动评估中期妊娠胎儿超声检查的质量	首次将视觉-语言模型应用于超声检查质量评估，结合CNN识别标准平面和关键结构，VLM综合评估检查完整性，并提供可解释反馈	研究基于回顾性数据，未提及前瞻性验证；视觉-语言模型在外部测试集上的性能略低于内部测试集，可能存在泛化限制；超声医师研究仅涉及6名操作者，样本量较小	开发一种自动化、可解释的超声检查质量评估系统，提升诊断一致性和效率	中期妊娠胎儿的超声检查，包括标准平面和关键解剖结构的识别与检查完整性评估	计算机视觉, 自然语言处理	NA	超声成像	卷积神经网络, 视觉-语言模型	图像	22,544个超声平面，来自273次内部检查和29次外部检查，以及公开数据	PyTorch, SonoNet	SonoNet, 视觉-语言模型（微调）	F1分数, 准确性, 召回率	NA
7198	2026-06-29	On the prediction models for brain signal-based emotion recognition 2026-Apr-22, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-47622-3 PMID:42020535	研究论文	分析了基于脑电信号的情绪识别系统中被试依赖与被试独立模型性能差距的原因，并使用可解释人工智能技术进行了特征分析	使用SHAP值可解释人工智能技术揭示特征层面的不一致性，从而解释被试独立场景下性能下降的原因	研究主要基于两个公开数据集，可能限制泛化性；未考虑实时情绪识别中的计算效率问题	探讨脑电信号情绪识别中被试依赖与被试独立模型性能差距的影响因素	DEAP和SEED两个基准数据集的脑电信号	机器学习	NA	脑电图（EEG）	K近邻、随机森林、线性判别分析、卷积神经网络（CNN）、EEGNet	脑电信号数据	DEAP数据集和SEED数据集（具体样本量未在摘要中给出）	NA	CNN、EEGNet	准确率	NA
7199	2026-06-29	The mediating role of deep learning approach between the proactive personality and innovative behavior of undergraduate nursing students 2026-Apr-21, BMC nursing IF:3.1Q1 DOI:10.1186/s12912-026-04609-9 PMID:42015115	研究论文	探讨主动型人格对本科护生创新行为的影响及深度学习方式的中介作用	首次验证深度学习方式在主动型人格与创新行为之间的中介作用，为护理教育提供新视角	横截面设计无法推断因果关系，便利抽样可能限制样本代表性	探索本科护生主动型人格与创新行为的关系，并检验深度学习方式的中介效应	本科护理专业学生	机器学习	NA	NA	PROCESS中介模型	问卷数据	1885名本科护生	SPSS	NA	相关系数、中介效应占比	NA
7200	2026-06-29	A comparative analysis of single- and dual-backbone deep learning architectures with explainable AI for cherry leaf disease classification 2026-Apr-21, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-50104-1 PMID:42014904	研究论文	系统比较单骨干与双骨干深度学习架构在樱桃叶病害分类中的性能，并利用可解释人工智能进行分析	推翻了增加架构复杂度必然提升性能的普遍假设，实证表明单骨干模型（如ResNet50）在性能和可解释性上均优于双骨干模型，并揭示了双骨干架构的注意力碎片化缺陷	未说明数据集规模较小（4995张）是否影响泛化性，未探讨其他作物病害或复杂环境下的适用性	为农业病害诊断开发可靠且可扩展的深度学习框架，并评估架构复杂度与性能及可解释性之间的关系	樱桃叶部五种病害（褐斑病、叶焦病、健康叶、紫斑病、穿孔病）的图像	计算机视觉	植物病害（樱桃叶病害）	深度学习、卷积神经网络	CNN	图像	4995张樱桃叶图像，分属5个类别	NA	ResNet50, EfficientNetB2, DenseNet121, 以及多种双骨干架构	准确率, 宏平均召回率, Wilcoxon符号秩检验	NA