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
7301	2026-06-29	Advanced hybrid transformer CNN framework for improved skin lesion classification and segmentation 2026-Mar-15, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-43376-0 PMID:41840007	研究论文	提出一种基于Transformer和CNN的混合架构，用于皮肤病变分类和分割	结合全局上下文视觉Transformer（GlobalSkinNet）与注意力机制的U-Net架构（SkinFormNet），有效处理不均匀亮度、低对比度和毛发遮挡问题	未提及计算资源需求及模型在真实临床环境中的泛化能力	提高皮肤癌早期检测和分类的准确性	皮肤病变图像	数字病理学	皮肤癌	NA	Transformer, CNN	图像	7个数据集：PH2, ISIC-2019, ISIC-2020, HAM10000, ISIC-2016, ISIC-2017, ISIC-2018	PyTorch	GlobalSkinNet, SegFormer, U-Net	准确率, Dice系数	NA
7302	2026-06-29	Interpretable deep learning radiomics from 18F-FDG PET/CT for differentiating diffuse large B-cell lymphoma and follicular lymphoma 2026-Mar-14, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-026-02253-y PMID:41832418	研究论文	开发并验证整合18F-FDG PET/CT中的标准化摄取值、影像组学和深度学习特征的可解释模型，用于区分弥漫性大B细胞淋巴瘤与滤泡性淋巴瘤	首次结合SHAP可解释性分析，融合影像组学与深度学习特征构建可解释的深度学习放射组学模型，用于淋巴瘤亚型鉴别	样本量有限（250例），且为回顾性研究，需前瞻性多中心验证	开发可解释的深度学习放射组学模型以准确区分弥漫性大B细胞淋巴瘤与滤泡性淋巴瘤	弥漫性大B细胞淋巴瘤与滤泡性淋巴瘤患者	医学影像分析	淋巴瘤	18F-FDG PET/CT	机器学习分类器	医学影像	250例患者（两个中心）	NA	NA	曲线下面积, 准确率, 校准曲线, 决策曲线分析	NA
7303	2026-06-29	A two-stage preprocessing and classification approach for accurate COVID-19 detection in X-ray images 2026-Mar-14, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-41861-0 PMID:41832193	研究论文	提出一种两阶段预处理与分类方法，用于在X光图像中准确检测COVID-19	将最大稳定极值区域算法与灰狼优化元启发式算法集成，优化图像预处理，增强关键特征可见性	NA	实现X光图像中COVID-19的自动、准确检测	胸部X光图像	计算机视觉	COVID-19	NA	深度卷积神经网络	图像	NA	NA	NA	准确率	NA
7304	2026-06-29	Radiogenomics and machine learning in hepatocellular carcinoma: from foundations to clinical translation 2026-Mar-14, World journal of surgical oncology IF:2.5Q1 DOI:10.1186/s12957-026-04280-z PMID:41832524	综述	系统评述影像基因组学与机器学习在肝细胞癌中的基础、进展及临床转化挑战	全面整合影像基因组学和机器学习在肝细胞癌精准医学中的应用，强调早期检测、风险分层、治疗反应预测和预后评估，并系统分析标准化缺乏、样本量小、可解释性差等挑战	缺乏标准化流程、样本量小、外部验证不足、模型可解释性差（黑箱性质）、伦理问题（数据隐私与算法偏见）及临床整合障碍	批判性评估影像基因组学和机器学习在肝细胞癌中的基础、进展和挑战，聚焦临床转化和未来方向	肝细胞癌患者及其肿瘤生物学特征，包括基因组变化、肿瘤微环境及影像数据	医学影像与机器学习	肝细胞癌	影像基因组学、对比增强CT、MRI、外泌体miRNA、FDG-PET/CT	深度学习、随机森林	影像数据、基因组数据	NA（综述未明确具体样本数）	NA	NA	AUC	NA
7305	2026-06-29	Deep optimization-guided hybrid neural network for accurate detection and segmentation of white matter hyperintensities in clinical MRI images 2026-Mar-13, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-41137-7 PMID:41826522	研究论文	提出一种深度优化引导的混合神经网络（DOGHNN），用于临床MRI图像中白质高信号的准确检测与分割	结合Inception-v3的多尺度特征捕获、ResNet-50的残差上下文建模和PSO优化策略，实现融合权重、分割阈值和关键参数的迭代优化	未提及在大规模多中心数据集上的验证，且PSO优化可能增加计算开销	提高脑部MRI中白质高信号的自动分割准确性和鲁棒性，支持临床诊断决策	脑MRI图像中的白质高信号（WMH）病变区域	计算机视觉, 数字病理	神经系统疾病（中风、痴呆、多发性硬化）	MRI	混合神经网络（Inception-v3, ResNet-50）结合粒子群优化（PSO）	图像	基准WMH MRI数据集（具体样本量未提及）	NA	Inception-v3, ResNet-50	精确率, 召回率, Dice系数, F1分数, Hausdorff距离	NA
7306	2026-06-29	Automatic identification of different stage of Alzheimer's disease using multimodal MRI and artificial intelligence 2026-Mar-13, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-026-02275-6 PMID:41826878	研究论文	利用多模态MRI和人工智能自动识别阿尔茨海默病不同阶段（认知正常、主观认知下降、轻度认知障碍、阿尔茨海默病）	首次整合结构MRI、静息态功能MRI、深度学习（3D-VB-Net）和机器学习（BDT逻辑回归SVM随机森林），构建高精度四分类模型识别CN、SCD、MCI和AD	未明确说明样本外部验证的局限性，可能面临数据来源（ADNI和OASIS-3）的领域偏移或模型泛化挑战	利用多模态MRI和人工智能自动分类不同阶段的阿尔茨海默病	715名认知状态不同的参与者（认知正常、主观认知下降、轻度认知障碍、阿尔茨海默病）	机器学习	阿尔茨海默病	结构MRI，静息态功能MRI， 3D-VB-Net， LASSO， K-best	Bagging决策树，逻辑回归，支持向量机，随机森林	图像，数值特征	715名参与者（训练/验证集来自ADNI，外部验证集来自OASIS-3）	NA	3D-VB-Net， Bagging决策树，逻辑回归，支持向量机，随机森林	AUC，特异度，灵敏度， F1-score	NA
7307	2026-06-29	Improved polygenic risk prediction for alzheimer's disease and related dementias using deep learning: age and APOE-stratified analysis 2026-Mar-12, Alzheimer's research & therapy DOI:10.1186/s13195-026-02011-w PMID:41821099	研究论文	利用深度学习（贝叶斯变分自编码器）改进阿尔茨海默病及相关痴呆症的多基因风险预测，并进行年龄和APOE分层分析	首次在ADRD风险预测中采用贝叶斯变分自编码器（DDML）构建PRS，并系统评估年龄和APOE基因型对模型性能的修饰效应	分类准确性仍然有限，限制了直接临床应用；需要在外部数据中复制验证，并结合生物标志物和临床判定进行多模态验证	评估基于贝叶斯变分自编码器的多基因风险评分对ADRD的预测性能，并分析年龄和APOE基因型的修饰效应	英国生物库中276,566名欧洲血统无亲缘关系的个体，中位随访9.19年	机器学习	阿尔茨海默病及相关痴呆症	基因组关联研究汇总统计量	贝叶斯变分自编码器（DDML）、SBayesR、聚类与阈值法（C+T）	基因组数据（SNP）、遗传主成分、年龄、性别、APOE基因型	276,566名欧洲血统个体（平均年龄56.8±8.0岁，46.7%男性，1,328名ADRD患者）	NA	DDML（贝叶斯变分自编码器）、SBayesR（贝叶斯多元回归）、C+T（聚类与阈值）	时间依赖性AUC、C指数、风险比	NA
7308	2026-06-29	Enhanced skin cancer classification for minority classes using Conditional GAN pipeline and CNN-ViT ensemble 2026-Mar-11, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-43339-5 PMID:41813870	研究论文	提出一个两阶段框架，先用条件生成对抗网络生成少数类图像，再用CNN-ViT集成架构融合特征，提高皮肤癌分类性能	将条件生成对抗网络与CNN-ViT集成架构结合，通过交叉注意力融合模块协同整合全局和局部特征，解决类别不平衡问题	NA	改善皮肤癌分类中少数类的识别效果，克服数据不平衡和特征提取困难	皮肤镜图像中的皮肤病变分类	计算机视觉	皮肤癌	NA	条件生成对抗网络, 卷积神经网络, 视觉Transformer	图像	NA	NA	C'GAN, CNN-ViT集成, 交叉注意力融合模块	准确率, AUC, 自助法均值, 标准误差	NA
7309	2026-06-29	AI-powered radiogenomics: imaging-driven diagnosis and discovery of cancer's molecular and cellular landscape 2026-Mar-10, Molecular genetics and genomics : MGG IF:2.3Q3 DOI:10.1007/s00438-026-02389-0 PMID:41806059	综述	综述了AI赋能放射基因组学在癌症分子和细胞景观成像驱动诊断与发现中的进展	系统总结了AI方法（如CNN、GAN、Transformer）在放射基因组学中自动提取高维影像特征并与多组学数据整合的应用，以及其在主要癌症类型中的使用案例	数据协调、标准化、伦理考虑和跨人群验证等挑战是当前限制因素	探讨AI赋能放射基因组学在临床相关性、分子和细胞洞察以及实验室诊断中的应用，推动精准肿瘤学发展	乳腺、肺、脑和前列腺癌等主要癌症类型	自然语言处理, 机器翻译, 图像识别, 数字病理学, 基因组学	乳腺癌, 肺癌, 前列腺癌	放射基因组学, 多组学整合	卷积神经网络, 生成对抗网络, Transformer	影像数据, 分子和细胞数据	NA	NA	卷积神经网络, 生成对抗网络, Transformer	NA	NA
7310	2026-06-29	Transformer-enhanced deep ensemble for multi-class liver disease classification using computed tomography images 2026-Mar-09, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-43256-7 PMID:41803329	研究论文	提出一种基于Transformer增强的深度集成模型，利用CT图像进行多类肝脏疾病分类	在预训练CNN（ResNet50V2、DenseNet121、MobileNetV2）骨干网络后添加Transformer模块形成混合模型，并通过集成学习进一步提升性能	未提及	提高肝脏疾病的诊断准确性，特别是复杂病例如肝硬化和脂肪肝	肝脏CT图像	计算机视觉	肝脏疾病（肝硬化、脂肪肝、肝细胞癌）	CT成像	CNN-Transformer混合模型（ResNet50V2、DenseNet121、MobileNetV2 + Transformer）	图像	基于CT肝脏数据集，未提供具体样本数量	NA	ResNet50V2, DenseNet121, MobileNetV2, Transformer	精确率, 召回率, F1分数, 马修斯相关系数	NA
7311	2026-06-29	Comparative evaluation of deep learning models for cardiovascular disease diagnosis and classification 2026-Mar-07, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-43543-3 PMID:41794983	研究论文	系统比较了多种深度学习模型在心电图诊断心血管疾病中的性能与计算效率	提出并对比了低复杂度的深度学习模型，在保持高诊断精度的同时实现低计算开销，支持资源受限环境下的临床部署	未提及	评估并比较不同深度学习模型对心血管疾病的多分类诊断性能与计算复杂度	PTB诊断心电图数据集中的多类心血管疾病	机器学习	心血管疾病	心电图	CNN、LSTM、MLP、CNN-MLP、ConvLSTM	心电图信号	PTB诊断心电图数据集中多类心血管疾病样本	未提及	CNN、LSTM、MLP、CNN-MLP、ConvLSTM	准确率、F1分数、精确率、每次符号实乘法数	未提及
7312	2026-06-29	A web-based deep learning cascade for automated detection and quantification of marginal bone loss 2026-Mar-07, BMC oral health IF:2.6Q1 DOI:10.1186/s12903-026-07962-y PMID:41792690	研究论文	开发并验证了一个由六个深度学习模型组成的级联系统，用于自动化检测和量化种植体周围边缘骨吸收	首次提出基于深度学习的级联系统，能够利用连续根尖片进行边缘骨吸收的自动化检测和量化，并部署为网络工具	样本量计算不适用于多模型架构，且部分模型性能较低（如近远中检测模型准确率为78%）	开发和验证用于自动化检测和量化边缘骨吸收的深度学习级联系统，并评估其与牙科专家的一致性	种植体周围的连续根尖片	计算机视觉	种植体周围炎	放射线影像	CNN	图像	2960张根尖片	PyTorch	ResNet, YOLO	准确率, F1分数, 平均绝对误差, 平均精度均值, 精确率, 召回率	NA
7313	2026-06-29	The feasibility of using deep learning technologies to preliminarily identify patients with advanced knee osteoarthritis via smartphone videos 2026-Mar-06, Journal of neuroengineering and rehabilitation IF:5.2Q1 DOI:10.1186/s12984-026-01904-z PMID:41792743	研究论文	利用智能手机视频和深度学习技术初步识别晚期膝关节炎患者的可行性研究	首次提出利用低成本、易用的智能手机视频和深度学习技术（AlphaPose和VideoPose）提取三维时空信息，结合离散小波变换分析，构建时间序列模型以区分晚期膝关节炎患者与身体功能下降的个体	未明确说明，可能包括样本量有限、视频质量依赖患者自录、模型泛化性需进一步验证	开发和验证一种简单的家庭人工智能方法，用于初步识别晚期膝关节炎患者	357名参与者的坐-站测试和步态视频	计算机视觉	膝关节炎	AlphaPose、VideoPose、离散小波变换	时间序列模型	视频	357名参与者	AlphaPose、VideoPose	AlphaPose, VideoPose, 时间序列模型	AUC	NA
7314	2026-06-29	Respiratory sound analysis for ICU clinical decision support: deep learning-based classification of normal and abnormal sounds using real ICU data 2026-03-06, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-026-03409-0 PMID:41792763	研究论文	利用深度学习模型对ICU环境中的呼吸音进行分类，评估噪声预处理技术对性能的影响	在真实ICU嘈杂环境下收集临床数据，系统比较三种降噪预处理技术对呼吸音分类性能的影响，并基于VGG-16迁移学习构建分类模型	模型性能有限（AUC最高0.80），仅进行正常/异常二分类，需进一步开展多类分类、高级降噪策略和多中心验证	评估深度学习模型在ICU环境中分类呼吸音的性能，并测试降噪预处理技术的效果	ICU患者的呼吸音录音（正常音和异常音如湿啰音、哮鸣音、鼾音）	医疗人工智能	呼吸系统疾病	呼吸音分析	卷积神经网络（CNN）	音频	701个呼吸音录音（325个正常音、376个异常音）	NA	VGG-16	AUC	NA
7315	2026-06-29	GoLoCo-Net: global-local guided contextual attention network for medical images segmentation 2026-Mar-05, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-42415-0 PMID:41786873	研究论文	提出一种名为GoLoCo-Net的深度学习网络，结合双解码器结构，用于医学图像分割，能够在捕捉局部和全局上下文关系方面取得先进性能	设计双解码器结构，分别包含上下文注意力特征增强模块和全局引导局部特征模块，有效结合局部与全局上下文信息	未提及限制	提升医学图像分割的准确性，通过捕捉像素间的短程和长程关系来应对复杂结构和多样模式	医学图像分割任务	计算机视觉	NA	NA	CNN	图像	两个动态MRI数据集和一个多器官CT数据集	NA	GoLoCo-Net	NA	NA
7316	2026-06-29	Machine-learning with multiomics for radiotherapy-induced acute rectal toxicities and survival outcome in patients with cervical cancer 2026-Mar-05, Radiation oncology (London, England) DOI:10.1186/s13014-026-02814-z PMID:41787421	研究论文	利用机器学习和多组学模型预测宫颈癌放疗引起的急性直肠毒性及其与生存结果的关系	首次将剂量组学、影像组学和临床特征结合构建多组学XGBoost模型，并探索放疗急性直肠毒性对患者生存结局的影响	单中心回顾性研究，样本量有限，需前瞻性验证	构建并评估机器学习多组学模型，预测宫颈癌放疗引起的急性直肠毒性关键特征、治疗反应和生存结局	2016-2023年接受放疗的370例宫颈癌患者，其中231例出现放疗急性直肠毒性，129例未出现	机器学习	宫颈癌	CT成像、放疗剂量分析	XGBoost	影像数据、剂量数据、临床数据	370例宫颈癌患者（训练集80%，测试集20%）	Scikit-learn, LASSO	XGBoost	AUC、生存分析风险比	NA
7317	2026-06-29	Optimizing high-resolution knee MRI at 3 tesla: conventional acceleration versus deep learning reconstruction 2026-Mar-03, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-026-02251-0 PMID:41776433	研究论文	比较3特斯拉下时间优化的标准膝关节MRI与深度学习重建的高分辨率膝关节MRI的图像质量和分辨率	首次在膝关节MRI中系统比较时间优化标准方案与深度学习重建方案，证明DL-MRI可在轻微缩短扫描时间的同时实现两倍平面分辨率和更薄层厚	单中心回顾性研究，样本量有限（150例），未包含多种病理类型的深度学习模型验证	优化3特斯拉膝关节MRI，在时间效率与图像质量之间取得平衡	150例膝关节MRI检查（75例sMRI，75例DL-MRI）	数字病理学	膝关节疾病	MRI	深度学习重建模型	MRI图像	150例膝关节MRI检查（75例标准方案，75例深度学习增强方案）	NA	深度学习重建网络	整体图像质量、解剖结构清晰度、脂肪抑制程度、运动伪影、异物伪影（5点Likert量表）、信噪比（SNR）、对比噪声比（CNR）、广义SNR和CNR	NA
7318	2026-06-29	Interpretable Feature Selection and Hybrid Deep Learning Models for Depressive Symptoms Prediction from Wearable Device Data 2026-Mar-03, Journal of medical systems IF:3.5Q2 DOI:10.1007/s10916-026-02354-9 PMID:41774238	研究论文	提出一种混合深度学习和机器学习框架，利用可穿戴设备收集的表格数据预测抑郁症状	结合可解释人工智能技术（SHAP和LIME）进行特征选择，并开发1D卷积神经网络与多层感知机结合LightGBM的混合模型，在提升预测性能的同时增强模型可解释性	未提及相关限制	利用可穿戴设备数据早期检测和预测抑郁症状，提升心理健康结局	可穿戴设备用户	机器学习	抑郁症	NA	1D卷积神经网络、多层感知机、LightGBM	表格数据（睡眠模式、身体活动、健康相关指标）	NA	NA	1D卷积神经网络、多层感知机、LightGBM	准确率	NA
7319	2026-06-29	Automated opportunistic cardiovascular risk assessment in non-small cell lung cancer patients on routine chest CT using an optimised nnU-net framework 2026-Mar-03, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-026-02252-z PMID:41772492	研究论文	提出一种基于优化nnU-Net框架的自动化机会性心血管风险评估方法，用于非小细胞肺癌患者的常规胸部CT	利用深度学习模型从常规CT中自动评估非小细胞肺癌患者的心血管疾病风险，无需额外扫描或增加工作量	未明确说明局限性	为非小细胞肺癌患者提供无创性心血管疾病筛查机会	非小细胞肺癌患者	计算机视觉, 数字病理学	肺癌, 心血管疾病	CT扫描	nnU-Net	图像（CT）	训练集97例，测试集232例（AIMI 95例、ICHNT 87例、TCIA 50例）	PyTorch	nnU-Net	准确率、灵敏度、特异度、阳性预测值、阴性预测值、F1分数、Kappa系数、AUC	未明确说明
7320	2026-06-29	Graph convolutional network-derived pathomics and clinical integration for predicting chemoimmunotherapy response in advanced lung squamous cell carcinoma: a multicenter study 2026-Mar-03, Journal of translational medicine IF:6.1Q1 DOI:10.1186/s12967-026-07962-0 PMID:41772672	研究论文	提出一种基于图卷积网络(GCN)的病理组学与临床特征整合模型，用于预测晚期肺鳞状细胞癌免疫化疗疗效	首次将GCN衍生的病理组学特征与临床变量结合，构建预测免疫化疗客观缓解率和风险分层的深度学习模型，并在多中心外部验证中展现优于传统方法的表现	回顾性研究设计，化疗单药队列和非肺癌来源队列中模型效果有限，仅关注晚期肺鳞癌	开发并验证整合GCN病理组学与临床特征的深度学习模型，预测免疫化疗客观缓解率，实现临床意义的风险分层	436例经病理确诊的晚期肺鳞状细胞癌患者，来自三个中心，包括AK105-302 III期试验及两个外部免疫化疗队列	数字病理学	肺癌（肺鳞状细胞癌）	全切片成像(WSI)	图卷积网络(GCN)，卷积神经网络(CNN)	图像	436例患者（训练队列343例，外部验证队列63例和30例）	NA	Inception_v3, 图卷积网络	AUC, 校准曲线, 决策曲线分析, Kaplan-Meier生存分析, Cox回归, 风险比(HR), 交互p值	NA