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
721	2026-03-28	Research progress of artificial intelligence in bone tumor imaging 2026, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2026.1780545 PMID:41889404	综述	本文综述了人工智能在骨肿瘤影像学中的研究进展，并探讨了其在提高诊断准确性和临床管理方面的潜在应用	系统性地总结了AI在骨肿瘤影像识别、分割、分类及疗效评估中的应用，并展望了未来整合多模态影像数据以加强临床决策的方向	未提及具体研究方法的局限性，主要集中于进展综述而非原创性实验验证	探索人工智能技术在骨肿瘤影像分析中的应用，以提升诊断效率和准确性，并支持个体化治疗	骨肿瘤（包括原发性和转移性肿瘤）及其影像学特征	计算机视觉	骨肿瘤	影像学分析	深度学习算法	影像	NA	NA	NA	NA	NA
722	2026-03-28	Lower limb edema detection and grading classification using deep learning and image enhancement technologies 2026, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2026.1697503 PMID:41889522	研究论文	本研究提出了一种结合目标检测和图像分类的多阶段深度学习框架，用于下肢水肿的自动检测与分级	提出了一种整合YOLO目标检测、图像增强技术和分类模型的多阶段深度学习框架，并采用随机旋转数据增强和自动背景消除技术以解决数据不平衡问题	未明确提及模型在外部验证集上的泛化性能或临床环境中的实时应用挑战	开发自动化的下肢水肿检测与严重程度分级系统，以支持标准化和精准诊断	下肢水肿图像	计算机视觉	心血管疾病	图像增强技术	CNN	图像	NA	NA	YOLO	准确率, 召回率, 精确率	NA
723	2026-03-28	Integrative deep learning strategies to enhance early-stage drug discovery: optimizing computational structure-activity modeling for pharmacotherapeutic innovation 2026, Journal of pharmacy & pharmaceutical sciences : a publication of the Canadian Society for Pharmaceutical Sciences, Societe canadienne des sciences pharmaceutiques DOI:10.3389/jpps.2026.16155 PMID:41889533	研究论文	本研究开发了一种优化的基于神经网络的预测框架，用于支持识别具有镇痛潜力的生物活性化合物	采用逐步特征消除程序优化分子描述符集，并利用Levenberg-Marquardt算法训练人工神经网络，在QSAR任务中取得了优于传统统计方法的性能	研究仅基于532个分子的数据集，样本规模相对有限；模型尚未经过实验验证	优化计算结构-活性建模以支持早期药物发现和化合物优先排序	532个结构多样的分子及其227个分子描述符	机器学习	NA	QSAR（定量构效关系）建模	人工神经网络	分子描述符数据	532个分子	NA	人工神经网络	相关系数, 预测误差	NA
724	2026-03-28	Deep Learning-Based Rapid Identification of Escherichia coli and Klebsiella pneumoniae from Chromogenic Agar Urine Cultures Using YOLOv12 2026, Risk management and healthcare policy IF:2.7Q2 DOI:10.2147/RMHP.S561761 PMID:41889706	研究论文	本研究开发并验证了一种基于YOLOv12深度学习模型的人工智能系统，用于从显色琼脂尿液培养图像中快速识别大肠杆菌和肺炎克雷伯菌	首次将YOLOv12模型应用于尿液培养图像的细菌菌落快速识别，实现了亚秒级的准确分类，并显著优于其他五种基准深度学习模型	模型依赖于表型识别，对罕见显色变异（如金色色素大肠杆菌菌落）可能产生错误；大肠杆菌的真实标签依赖于显色形态学，这是研究的一个关键限制	开发并验证一种人工智能模型，用于快速识别尿液培养中的大肠杆菌和肺炎克雷伯菌，以缩短诊断时间并支持抗菌药物管理	从尿液培养中获取的大肠杆菌和肺炎克雷伯菌菌落图像	计算机视觉	尿路感染	显色琼脂培养，MALDI-TOF质谱分析	YOLO	图像	1547张显色琼脂尿液培养图像（850张大肠杆菌，697张肺炎克雷伯菌），外加91张独立图像用于外部验证	NA	YOLOv12	准确率，精确率，召回率，F1分数	NA
725	2026-03-28	digiBONE: an automated tool for segmental Greulich-Pyle bone age assessment of Indian children and adolescents 2026, Frontiers in endocrinology IF:3.9Q2 DOI:10.3389/fendo.2026.1757571 PMID:41890183	研究论文	本文介绍了一个名为digiBONE的深度学习框架，用于自动化评估印度儿童和青少年的骨龄，通过分段建模手部骨骼成熟度来提高准确性	开发了一个深度学习框架，将手部X光片分割为解剖学上一致的区域（短骨、腕骨和手腕），并分别训练卷积神经网络，结合分段成熟度信息以改进骨龄预测	研究主要针对印度人群，可能在其他种族或地区中的适用性有限，且未详细讨论模型在临床环境中的实时部署挑战	开发一个自动化工具，用于提高印度儿童和青少年骨龄评估的准确性和可解释性	印度儿童和青少年的手部X光片	计算机视觉	儿科内分泌和生长障碍	手部X光成像	CNN	图像	未在摘要中明确说明样本数量	NA	卷积神经网络	平均绝对差异	NA
726	2026-03-28	An auxiliary diagnosis model for the pathological classification of cervical cancer based on radiomics biomarkers 2026, Frontiers in genetics IF:2.8Q2 DOI:10.3389/fgene.2026.1685927 PMID:41890225	研究论文	本文提出了一种基于卷积循环特征提取（CRFE）的自动分割框架，结合放射组学和临床特征，构建了用于宫颈癌病理分类的辅助诊断模型	开发了CRFE自动分割框架，并引入了反映病变像素浓度趋势的基于直方图的成像特征，结合传统放射组学和临床特征，实现了宫颈癌的准确分割和病理分类	研究样本量较小（114例患者），且仅基于MRI图像，未考虑多模态数据或外部验证	构建一个辅助诊断模型，用于宫颈癌的病理分类，以支持个性化治疗规划	宫颈癌患者	数字病理	宫颈癌	MRI, 放射组学	CNN, RNN, RF, XGBoost, SVM, logistic regression	图像	114例宫颈癌患者	NA	CRFE	IoU, Dice系数, F1分数, 准确率	NA
727	2026-03-28	Promoter hypomethylation of CDH7: a novel epigenetic marker associated with cerebral small vessel disease 2026, Frontiers in genetics IF:2.8Q2 DOI:10.3389/fgene.2026.1780415 PMID:41890232	研究论文	本研究通过全基因组启动子甲基化分析，识别并验证了CDH7启动子低甲基化作为与脑小血管病影像特征相关的表观遗传标记	首次发现CDH7启动子低甲基化可作为脑小血管病的独立表观遗传预测因子，并利用深度学习模型进行验证	样本量相对较小（初始队列仅32例），且仅基于血液炎症细胞进行分析，未涉及脑组织样本	识别和验证与脑小血管病相关的基因特异性启动子甲基化变化作为表观遗传标记	脑小血管病患者（基于MRI影像特征定义）的血液炎症细胞	表观遗传学	脑小血管病	Infinium MethylationEPIC v2.0芯片（全基因组启动子甲基化分析）	深度学习模型, 逻辑回归	甲基化数据, 临床数据	初始队列：32例（16例无SVD，16例有SVD）；验证队列：766例缺血性卒中患者	NA	NA	NA	NA
728	2026-03-28	Noise2Average: An iterative residual learning strategy for image denoising without clean data 2026, Imaging neuroscience (Cambridge, Mass.) DOI:10.1162/IMAG.a.1163 PMID:41890245	研究论文	提出一种名为Noise2Average的迭代残差学习策略，用于无需干净数据的MRI图像去噪	通过迭代残差学习，利用多个噪声重复图像的平均值作为监督目标，无需高信噪比参考数据，并结合迁移学习实现特定受试者的自监督训练	去噪性能略低于基于监督学习的去噪方法	开发一种无需干净数据的MRI图像去噪方法	磁共振成像（MRI）数据	计算机视觉	NA	磁共振成像（MRI）	CNN	图像	NA	NA	卷积神经网络（CNN）	图像锐度、纹理细节、DTI信号建模的定量微观结构指标	NA
729	2026-03-28	Differences and Trends of Artificial Intelligence in Medical Education: A Comparative Bibliometric Analysis Between China and the International Community 2026, Advances in medical education and practice IF:1.8Q2 DOI:10.2147/AMEP.S573537 PMID:41890349	研究论文	本研究通过比较中国与国际社区在医学教育中人工智能应用的研究热点和演化趋势，提出教育实践和政策建议	基于两个数据库的比较，揭示了中英文文献在人工智能与医学教育研究中的热点差异，并提出了由人工智能驱动的三大发展趋势（生成式AI、个性化学习、沉浸式体验）	研究仅基于CNKI和Web of Science的核心文献，可能未涵盖所有相关研究，且分析依赖于特定软件工具	探索人工智能在医学教育中的应用，比较中国与国际社区的研究热点和演化趋势	2014-2024年间CNKI和Web of Science核心数据库中关于人工智能与医学教育的文献	自然语言处理	NA	文献计量分析	NA	文本	379篇中文文献和552篇英文文献	CiteSpace	NA	NA	NA
730	2026-03-28	Enhancing efficiency in pediatric brain tumor segmentation using a pathologically diverse single-center clinical dataset 2026 Jan-Dec, Neuro-oncology advances IF:3.7Q2 DOI:10.1093/noajnl/vdag024 PMID:41890357	研究论文	本研究利用单中心临床数据集，评估了3D nnU-Net模型在儿科脑肿瘤多亚型分割中的性能	在病理多样性的儿科脑肿瘤单中心数据集上验证深度学习分割模型，并探索了MRI协议简化的可能性	囊性成分分割性能较差，且为回顾性单中心研究，可能存在选择偏倚	提高儿科脑肿瘤分割效率，以支持体积评估和临床工作流程优化	儿科脑肿瘤患者，包括高级别和低级别胶质瘤、髓母细胞瘤、室管膜瘤及其他罕见亚型	数字病理学	脑肿瘤	MRI成像	CNN	图像	174名儿科患者	PyTorch	3D nnU-Net	Dice相似系数	NA
731	2026-03-28	Publication Trends of Research on Immune Tolerance After Kidney Transplantation: A Bibliometric Analysis from 1976 to 2024 2026, Journal of multidisciplinary healthcare IF:2.7Q2 DOI:10.2147/JMDH.S552350 PMID:41890566	文献计量分析	本文对1976年至2024年间肾移植后免疫耐受研究领域的文献趋势和热点进行了系统性分析	首次对肾移植后免疫耐受研究领域进行了长达近50年的文献计量分析，并识别出新兴热点如深度学习、机器学习和影像组学	分析仅限于Web of Science核心合集数据库中的英文文章，可能遗漏其他语言或数据库的文献	系统评估肾移植后免疫耐受研究领域的趋势和热点	肾移植后免疫耐受相关的科学文献	文献计量学	肾移植	文献计量分析	NA	文本（科学文献元数据）	1033篇英文文章，涉及6608位作者、3461个机构和53个国家/地区	VOSviewer, CiteSpace, R包 'bibliometrix'	NA	NA	NA
732	2026-03-28	Bridging engineering and neuro-oncology: a scalable FastAPI-deployed CNN framework for real-time explainable brain tumor diagnosis 2026, Frontiers in neuroscience IF:3.2Q2 DOI:10.3389/fnins.2026.1772429 PMID:41890590	研究论文	本研究开发了一个基于卷积神经网络（CNN）的深度学习框架，用于从MRI扫描中自动分类脑肿瘤，并通过FastAPI部署实现实时可解释诊断	结合了稳健的交叉验证、最先进的迁移学习架构基准测试以及通过Grad-CAM提供定性视觉解释，并实现了基于FastAPI的低延迟实时部署	未提及具体局限性	开发可靠、可部署且透明的AI驱动工具，以支持及时的脑肿瘤鉴别诊断	脑MRI图像，包括胶质瘤、脑膜瘤、垂体瘤和正常病例	数字病理学	脑肿瘤	MRI	CNN	图像	3,097张轴位脑MRI图像	TensorFlow	自定义CNN, 迁移学习架构	准确率, 宏平均F1分数, 宏平均AUC	NA
733	2026-03-28	TCRLens: structure-aware equivariant graph learning for TCR-pMHC-I recognition and immunogenic epitope discovery 2026, Bioinformatics advances IF:2.4Q2 DOI:10.1093/bioadv/vbag066 PMID:41890808	研究论文	本文介绍了TCRLens，一种结构感知的深度学习框架，用于预测T细胞受体（TCR）与肽-MHC I类（pMHC-I）复合物的识别，并应用于免疫原性表位发现	TCRLens结合了多尺度图表示和等变图神经网络（EGNN）来建模五个关键界面区域的残基级相互作用，并利用变分自编码器-生成对抗网络（VAE-GAN）生成结构合理的弱亲和力相互作用样本，以缓解数据稀疏性和类别不平衡问题	NA	准确预测TCR对pMHC-I复合物的识别，并应用于免疫原性表位发现	人类TCR-pMHC-I结构复合物，以及猪和鸡的MHC-I系统	机器学习	NA	深度学习	EGNN, VAE-GAN	结构数据	NA	NA	EGNN, VAE-GAN	NA	NA
734	2026-03-28	Transformer and graph variational autoencoder to identify microenvironments: A deep learning protocol for spatial transcriptomics 2025-Dec-19, STAR protocols IF:1.3Q4 DOI:10.1016/j.xpro.2025.104206 PMID:41313684	研究论文	本文提出了一个结合Transformer和图变分自编码器的计算框架TG-ME，用于通过空间转录组学和形态学图像解析空间微环境	创新性地整合了Transformer和图变分自编码器，以深度学习方式识别健康、肿瘤和感染组织中的空间微环境	NA	开发一个深度学习协议，用于识别和分析空间转录组学数据中的微环境	空间转录组学和形态学图像数据	数字病理学	肿瘤	空间转录组学	Transformer, 图变分自编码器	空间转录组数据, 形态学图像	NA	NA	Transformer, 图变分自编码器	NA	NA
735	2026-03-28	Protocol to annotate and automate single-cell instance segmentation on stimulated Raman histology using deep learning 2025-Dec-19, STAR protocols IF:1.3Q4 DOI:10.1016/j.xpro.2025.104221 PMID:41317327	研究论文	本文提出了一种基于深度学习的协议，用于在刺激拉曼组织学图像上实现单细胞实例分割的标注和自动化	开发了ELUCIDATE网络标注工具和DetectSRH Python库，结合深度学习实现无标记SRH图像的单细胞空间分析	NA	实现神经外科术中获取的SRH图像的自动化细胞分割	刺激拉曼组织学图像中的细胞	数字病理学	NA	刺激拉曼组织学	深度学习模型	图像	NA	Python	NA	NA	NA
736	2026-03-28	A Scorpion Peptide Exerts Selective Anti-Leukemia Effects Through Disrupting Cell Membranes and Triggering Bax/Bcl-2-Related Apoptosis Pathway 2025-12-18, Biomolecules IF:4.8Q1 DOI:10.3390/biom15121751 PMID:41463404	研究论文	本研究利用深度学习模型预测并验证了一种蝎子肽Lpep3对白血病细胞的选择性抗白血病作用，通过破坏细胞膜并触发Bax/Bcl-2相关凋亡通路	结合AI计算模型快速筛选活性肽，并首次揭示Lpep3通过破坏细胞膜和诱导凋亡通路发挥选择性抗白血病效应	研究主要基于体外和动物模型，尚未进行人体临床试验，且具体作用机制细节需进一步探索	开发天然抗肿瘤药物，特别是针对白血病的治疗	白血病细胞（如MV-4-11）和小鼠模型	机器学习	白血病	深度学习模型预测，电子显微镜观察，台盼蓝染色，Calcein-AM/PI双染色，LDH和ATP释放检测，Western blotting，RT-qPCR	深度学习模型	肽序列数据，细胞实验数据	七种肽的预测验证，涉及白血病细胞系和小鼠模型	NA	NA	NA	NA
737	2026-03-28	Applications of artificial intelligence in abdominal imaging 2025-Dec, Abdominal radiology (New York) DOI:10.1007/s00261-025-04990-0 PMID:40418375	综述	本文综述了人工智能在腹部影像学中的应用，包括疾病检测、分类和个性化护理，并讨论了当前挑战与未来方向	强调了AI在腹部影像中通过深度学习和影像组学实现疾病检测与自动化的突破性应用，并提出了解决数据异质性和可解释性等挑战的未来策略	广泛采用受限于数据异质性、缺乏多中心验证、依赖回顾性单中心研究以及AI模型的“黑箱”性质，阻碍了可解释性和临床医生信任	探讨人工智能在腹部影像学中的潜在应用，以改善疾病检测、分类和个性化护理	腹部影像学中的疾病，如弥漫性肝实质疾病、局灶性肝病变、胰腺导管腺癌、肾肿瘤和肠道病变	计算机视觉	腹部疾病	深度学习，影像组学	NA	图像	NA	NA	NA	准确性	NA
738	2026-03-28	E2-regulated transcriptome complexity revealed by long-read direct RNA sequencing: from isoform discovery to truncated proteins 2025-12, RNA biology IF:3.6Q2 DOI:10.1080/15476286.2025.2563860 PMID:40965441	研究论文	本研究利用纳米孔长读长直接RNA测序技术，揭示了雌激素调控的转录组复杂性，并发现了一种产生截短蛋白的TLE1内含子多聚腺苷酸化亚型及其在乳腺癌中的临床意义	首次结合纳米孔长读长直接RNA测序、3'端测序和深度学习蛋白建模，系统揭示了雌激素响应转录组的复杂性，并发现了一种具有功能的新型内含子多聚腺苷酸化mRNA亚型及其产生的截短蛋白	未明确说明样本的具体数量或实验重复次数，且功能验证主要基于体外实验	探索雌激素受体α阳性乳腺癌中雌激素调控的转录组复杂性和蛋白质水平影响	雌激素受体α阳性乳腺癌细胞及相关的转录组和蛋白质	生物信息学，计算生物学	乳腺癌	纳米孔长读长直接RNA测序，3'端测序，深度学习蛋白建模	深度学习模型	RNA测序数据，蛋白质结构数据	NA	NA	NA	NA	NA
739	2026-03-28	Serum-MiR-CanPred: deep learning framework for pan-cancer classification and miRNA-targeted drug discovery 2025-12, RNA biology IF:3.6Q2 DOI:10.1080/15476286.2025.2577433 PMID:41168129	研究论文	本研究开发了一个名为Serum-MiR-CanPred的深度学习框架，用于基于血清miRNA表达数据的泛癌分类和miRNA靶向药物发现	首次整合可解释AI与分子建模，利用88个miRNA共识集实现高精度泛癌分类，并识别出hsa-miR-5100作为关键生物标志物，进而通过分子对接发现潜在治疗配体	研究依赖于GEO数据库的现有数据，外部验证数据集可能有限，且分子对接结果需进一步实验验证	开发非侵入性癌症早期诊断工具并探索miRNA靶向药物发现	12种癌症类型及健康对照的血清miRNA表达数据	机器学习	泛癌	血清miRNA表达分析	MLP	miRNA表达数据	20,271个样本	NA	多层感知机	AUC, 准确率	NA
740	2026-03-28	G2PDeep-v2: A Web-Based Deep-Learning Framework for Phenotype Prediction and Biomarker Discovery for All Organisms Using Multi-Omics Data 2025-12-01, Biomolecules IF:4.8Q1 DOI:10.3390/biom15121673 PMID:41463329	研究论文	本文介绍了G2PDeep-v2，一个基于深度学习的网络平台，用于多组学数据的表型预测和生物标志物发现	开发了一个集深度学习、超参数优化、可视化和下游分析于一体的统一网络平台，支持跨多种生物（包括人类和植物）的多组学数据分析	未在摘要中明确说明具体限制	为研究人员提供一个易于使用的工具，以整合和分析多组学数据，实现表型预测和生物标志物发现	跨多种生物（包括人类和植物）的多组学数据	机器学习	NA	多组学数据整合分析	深度学习模型	多组学数据	NA	NA	NA	NA	高性能计算资源