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
741	2026-05-06	TPP-Fabricated All-Fiber Nanoforce Sensor with Deep Learning Analysis Enables Ultrasensitive Cancer Cell Mechanophenotyping 2026-May-05, Analytical chemistry IF:6.7Q1 DOI:10.1021/acs.analchem.6c00152 PMID:41996553	研究论文	报道了一种集成双光子聚合微悬臂梁的全光纤纳力传感器，结合深度学习分析实现癌症细胞机械表型的超灵敏测量	首次将双光子聚合微悬臂梁集成于多模光纤端面，并结合EfficientNet回归模型对力依赖多模散斑图进行定量解码，实现高精度力读取（R²=0.9999，平均绝对误差<0.2%）	未提及	开发一种低成本、可更换探头的紧凑型全光纤纳力传感器，用于高精度微纳力表征及细胞力学定量分析	A549和HepG2细胞在不同侵袭阶段的机械表型	机器视觉	癌症	双光子聚合	EfficientNet	图像	A549和HepG2细胞	PyTorch	EfficientNet	R², 平均绝对误差	NA
742	2026-05-06	Deep Learning-Aided SERS Detection of Microplastics in Water Samples with a Hierarchically Porous Gold Sponge Substrate 2026-May-05, Analytical chemistry IF:6.7Q1 DOI:10.1021/acs.analchem.5c06552 PMID:42010957	研究论文	提出一种结合多孔金海绵基底与深度学习框架的无预处理微塑料SERS检测方法	创新性地将静电功能化SERS基底与可解释深度学习框架结合，实现无预处理的复杂水样中微塑料分类检测	未提及对更广泛环境水样（如海水、废水）的验证以及不同尺寸微塑料的定量分析能力	开发一种无预处理的微塑料SERS检测方法，结合深度学习实现准确分类与化学可解释性	五种代表性微塑料：聚四氟乙烯、聚丙烯、聚苯乙烯、聚氯乙烯、聚对苯二甲酸乙二醇酯	机器学习	NA	表面增强拉曼散射（SERS）	卷积神经网络（CNN）	光谱数据	在拉曼数据集上评估，具体样本量未提及	NA	二值卷积神经网络（模块化一对其余架构）	精确率	NA
743	2026-05-06	Brain tumors classification using electrical bioimpedance spectroscopy based on a multi-scale feature extraction network with frequency band attention mechanism 2026-May-05, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ae5f9e PMID:41985487	研究论文	提出一种结合多尺度阻抗特征提取和频段注意力机制的深度学习框架，用于脑肿瘤分类	首次将多尺度特征提取与频段注意力机制集成于生物电阻抗谱分析，实现自动肿瘤分类	样本量为52个，较小，可能影响模型泛化能力	开发基于电阻抗谱的脑肿瘤快速自动分类方法	脑肿瘤组织样本（包括胶质瘤、脑膜瘤、转移瘤等）	机器学习	脑肿瘤	生物电阻抗谱测量	CNN	电阻抗谱数据	52个脑肿瘤样本	NA	并行卷积核（尺寸1, 3, 5, 7, 9）	精确率, 灵敏度, 特异度, F1分数	NA
744	2026-05-06	An Integrated Wasserstein GAN-Transformer Deep Learning Framework for Accurate Raman Spectral Identification of Escherichia coli Strains 2026-May-05, Analytical chemistry IF:6.7Q1 DOI:10.1021/acs.analchem.6c00429 PMID:42007758	研究论文	提出一种结合Wasserstein生成对抗网络与Transformer分类器的深度学习框架，用于大肠杆菌菌株的拉曼光谱精确识别	首次将WGAN与Transformer集成用于拉曼光谱分析，通过生成式数据增强解决小样本和高光谱相似性难题，建立“生成增强-鉴别深度分析”通用范式	未说明	实现致病与非致病大肠杆菌菌株的快速、高精度鉴别，用于临床诊断和食品安全监测	8种代表性大肠杆菌菌株（包括致病与非致病变体）	机器学习	大肠杆菌感染	拉曼光谱	Wasserstein生成对抗网络（WGAN）和Transformer分类器	光谱数据	每种菌株约300条原始光谱	PyTorch	WGAN、Transformer	准确率	NA
745	2026-05-06	Interpretable Wavelet-CNN for Accurate Serum Raman Lung Cancer Diagnosis under Leakage-Safe, Patient-Level Splits 2026-May-05, Analytical chemistry IF:6.7Q1 DOI:10.1021/acs.analchem.5c06703 PMID:42007946	research paper	利用可解释的小波变换卷积神经网络（CWT-CNN）从血清拉曼光谱中准确诊断肺癌，并实现患者级数据划分下的生物变异鲁棒性	首次将CWT-CNN框架与Grad-CAM可解释性分析结合应用于临床疾病诊断，在严格患者级数据分割下实现高准确度，并识别出与癌症代谢相关的特征拉曼位移	样本量相对较小（213例），未提及外部验证或跨中心测试，可能限制泛化性	验证CWT-CNN在临床血清拉曼光谱中处理生物变异的能力，并揭示其分类决策的分子基础	213例患者血清样本（106例肺癌，107例对照）	machine learning	lung cancer	拉曼光谱	CNN	光谱数据	213例患者血清样本（106例肺癌，107例对照）	NA	CWT-CNN	accuracy, sensitivity, specificity	NA
746	2026-05-06	SAM2HIPT: a hybrid deep learning framework integrating SAM2 and HIPT with joint loss optimization for immunohistochemical cell nucleus segmentation 2026-May-05, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ae63d6 PMID:42025178	研究论文	提出了一种结合SAM2和HIPT的混合深度学习框架SAM2HIPT，采用联合损失优化，用于免疫组织化学图像细胞核分割	首次将SAM2与HIPT结合，构建两阶段分割框架，并设计联合损失函数实现两个阶段的协同优化	NA	提高免疫组织化学图像中细胞核分割的准确性和边界描绘能力	免疫组织化学图像中的细胞核	数字病理学	NA	NA	混合深度学习模型（SAM2和HIPT）	图像	两个公开数据集：BCData和DeepLIIF	NA	SAM2, HIPT	Dice系数, HD95边界误差	NA
747	2026-05-06	Predicting Intracranial Aneurysm Rupture Risk and Intervention Outcomes Using Denoising-Enhanced CTA 2026-May-04, AJNR. American journal of neuroradiology DOI:10.3174/ajnr.A9093 PMID:41213812	研究论文	开发一个综合多模态框架，利用去噪增强CTA图像，预测颅内动脉瘤破裂风险及干预结果	提出一种新颖的去噪算法提升CTA图像质量，并整合临床变量、影像组学特征和深度学习衍生的形态学数据，构建三模态融合框架	未说明	评估颅内动脉瘤破裂风险并预测干预结局	352名接受CTA检查的颅内动脉瘤患者	计算机视觉	颅内动脉瘤	CTA	CNN	图像、文本	352名患者	NA	NA	AUC	NA
748	2026-05-06	Deep-Learning Accelerated Vessel Wall Imaging Using T1-SPACE at Ultra-High-Field Strength MRI 2026-May-04, AJNR. American journal of neuroradiology DOI:10.3174/ajnr.A9097 PMID:41213815	研究论文	评估在7T超高场强MRI下，使用基于深度学习的图像重建（DLBIR）加速T1-SPACE序列进行颅内血管壁成像（IC-VWI）的可行性和技术性能	首次在7T超高场强MRI下评估基于深度学习的图像重建加速T1-SPACE序列在颅内血管壁成像中的应用，并显示相比标准方案在图像质量和采集时间上的显著优势	单中心回顾性研究，样本量有限（36名患者），且未评估深度学习重建对诊断准确性的影响	评估7T MRI下基于深度学习的T1-SPACE序列在颅内血管壁成像中的可行性和表现	36名接受7T颅内血管壁成像的患者	计算机视觉	NA	7T MRI, T1-SPACE序列, 深度学习图像重建（DLBIR）	深度学习	MRI图像	36名患者（21名女性，平均年龄53.3岁）	NA	NA	图像质量（噪声、伪影、清晰度、整体质量），血管壁和管腔可视化评分（4点Likert量表），比值比（OR），置信区间（CI），假发现率（FDR）校正的P值，Wilcoxon检验，Bland-Altman图，一致性百分比	NA
749	2026-05-06	Comparative Evaluation of Deep Learning Models for 3D Segmentation and Volumetry of Vestibular Schwannomas Using Large Heterogeneous Data Sets with External Validation 2026-May-04, AJNR. American journal of neuroradiology DOI:10.3174/ajnr.A9112 PMID:41260669	研究论文	评估五种深度学习模型在三维分割与体积测量听神经鞘瘤上的表现，使用大型异质性数据集并进行外部验证	首次系统比较nnUNet、U-Mamba、UNETR和MedSAM等深度学习模型在听神经鞘瘤三维分割中的性能，并评估采集异质性对模型鲁棒性的影响	研究未探讨模型在非对比增强MRI或其他序列上的泛化能力，且外部验证数据集来源有限	比较深度学习模型在听神经鞘瘤三维分割与体积测量中的准确性及鲁棒性	听神经鞘瘤患者在T1对比增强MRI上的扫描影像	计算机视觉，数字病理学	听神经鞘瘤	MRI扫描	卷积神经网络(CNN)，Transformer，基础模型	医学图像（3D MRI）	内部训练集2692次扫描（383名患者），内部测试集277次扫描（97名患者），外部测试集241次扫描	NA	nnUNet (Base, ResEncL), U-Mamba, UNETR, MedSAM	Dice相似系数，Hausdorff距离，表面到表面距离，相对体积误差	NA
750	2026-05-06	Vessel Wall Imaging at 7T: State of the Art 2026-May-04, AJNR. American journal of neuroradiology DOI:10.3174/ajnr.A9065 PMID:41136333	综述	本文综述了7T磁共振血管壁成像的技术发展、临床应用及未来方向	系统总结了7T-VWI从早期尝试到关键技术突破的演进过程，包括脉冲序列开发和脑脊液抑制技术的整合	存在B1场不均匀性、缺乏标准化协议等挑战	总结7T磁共振血管壁成像的技术现状和临床潜力	颅内血管壁	数字病理学	脑血管疾病	7T-MRI	NA	图像	NA	NA	NA	NA	NA
751	2026-05-06	Comparative Analysis of Artificial Intelligence-Based Quantification versus Visual Rating of Enlarged Perivascular Spaces in the Multi-Ethnic Study of Atherosclerosis Cohort 2026-May-04, AJNR. American journal of neuroradiology DOI:10.3174/ajnr.A9129 PMID:41397892	研究论文	比较人工智能基于量化与视觉评分在动脉粥样硬化多种族研究队列中扩大的血管周围间隙的分析	首次系统比较了基于人工智能的自动量化方法与传统视觉评分在检测扩大的血管周围间隙与血管风险因素和认知功能关联中的敏感性，显示出AI方法的更高敏感性	NA	比较视觉评分与基于人工智能的量化方法在识别扩大的血管周围间隙与血管风险因素和认知表现关联中的效果	扩大的血管周围间隙（PVS）及其与血管风险因素和认知功能的关系	机器学习	心血管疾病	脑MRI	深度学习	图像	235名来自动脉粥样硬化多种族研究队列的参与者	NA	NA	关联性指标（如β系数和95%置信区间）	NA
752	2026-05-06	Incorporating valuable prior knowledge to improve deep learning prediction of genetic perturbation responses 2026-May-04, Genome research IF:6.2Q1 DOI:10.1101/gr.281523.125 PMID:41887798	研究论文	提出一种基于先验知识的遗传扰动响应预测模型（PRIM），利用对照细胞基因表达的先验知识提升深度学习的预测性能	引入对照细胞基因表达的先验知识，设计轻量化模型，提高组合扰动响应预测精度并捕捉非加性遗传相互作用	未明确提及局限性	改进深度学习模型对遗传扰动后细胞响应的预测能力	遗传扰动后的基因表达变化	机器学习	NA	NA	PRIM（先验引导响应推断模型）	基因表达数据	NA	NA	PRIM	NA	NA
753	2026-05-06	Deep Learning-Based Identification of Surgical Candidacy for Cervical Spinal Cord Decompression 2026-May-04, International journal of spine surgery IF:1.7Q2 DOI:10.14444/8877 PMID:42061991	研究论文	利用深度学习基于颈椎磁共振成像识别适合手术减压的患者，为转诊提供客观指标	首次构建基于最小横截面积差生物标志物的深度学习模型，用于区分颈椎管狭窄患者的手术与非手术分组，为临床转诊提供客观量化支持	作为概念验证模型，样本量较小（训练100例、测试147例），且仅基于单中心数据，未考虑患者功能状态等非影像因素	评估深度学习从颈椎影像中区分手术与非手术患者的可行性，为转诊决策提供辅助指标	颈椎管狭窄患者的颈椎磁共振影像	机器视觉	颈椎疾病	磁共振成像	卷积神经网络	影像	训练集100例轴向颈椎磁共振图像，测试集147例连续患者数据	NA	分割模型	曲线下面积	NA
754	2026-05-06	EyeKey: Self-Supervised Keypoint Detection and Description Network Based on Local Feature Saliency for Retinal Image Global Registration 2026-May-04, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2026.3688165 PMID:42081396	研究论文	提出一个基于局部特征显著性的自监督关键点检测与描述网络EyeKey，用于视网膜图像全局配准	采用“描述的同时检测(DWD)”设计，通过UDPAM++模块增强特征描述能力并检测显著关键点，结合随机局部最困难样本挖掘策略和累积显著关键点扩展策略实现自监督和无监督训练	NA	实现高分辨率、精细纹理视网膜图像的全局配准，提升关键点检测和描述的鲁棒性	视网膜图像	计算机视觉	视网膜疾病	NA	卷积神经网络	图像	NA	PyTorch	UDPAM++模块、映射模块	NA	NA
755	2026-05-06	Breaking the Black Box: Interpretable AI Achieves Superior Hemorrhage Detection with the Compensatory Reserve Measurement 2026-May-04, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2026.3690009 PMID:42081408	研究论文	提出首个可解释的Vision Transformer模型进行补偿储备测量(CRM)估计，实现出血检测中的高性能与可解释性统一	首次将Vision Transformer应用于CRM估计，在保持比CNN和手工特征模型更高精度的同时，通过注意力机制实现生理学可解释性	模型在R²指标上的提升经10折交叉验证的折级p值(0.052)未达显著性阈值，仅在受试者级p值(0.008)显著	开发可解释的深度学习模型用于早期出血检测与CRM估计	208名接受渐进式下半身负压模拟出血的人类受试者	机器学习	出血	动脉血压(ABP)波形分析	Vision Transformer (ViT)	生理时序波形数据	208名人类受试者，每名提供20秒波形片段作为令牌序列	Optuna, PyTorch	单层Vision Transformer	R², 配对t检验p值	NA
756	2026-05-06	MZSGO: multimodal zero-shot protein function annotation via evolutionary signals and textual semantics 2026-May-03, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btag168 PMID:41934619	研究论文	提出MZSGO框架，融合蛋白质语言模型的进化信号与大语言模型的语义特征，实现多模态零样本蛋白质功能注释	首次结合蛋白质语言模型的进化信号和大语言模型的文本语义，通过自适应门控融合机制对齐序列与文本模态，实现未知功能标签的零样本预测	未提及具体局限性	突破当前蛋白质功能预测方法对有限模态的依赖，提升对未见标签的泛化能力	蛋白质功能注释与基因本体术语	机器学习, 自然语言处理	NA	蛋白质语言模型, 大语言模型	多模态融合模型	蛋白质序列, 文本语义	NA	PyTorch	自适应门控融合网络	准确率, 召回率, F1分数	NA
757	2026-05-06	From intelligent models to clinical tools: the evolving landscape of AI in medical imaging 2026-May-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-49861-w PMID:42069740	综述	探讨人工智能，特别是深度学习在医学影像领域的应用进展及其从智能模型向临床工具转化的现状与挑战	强调从描述性分析向预测性和处方性分析的转变，并展示了算法开发、可解释人工智能和转化应用的创新	医学图像数据的异质性、智能模型的“黑箱”性质、临床整合和验证的关键障碍	探讨AI驱动工具在肿瘤学、心脏病学、眼科学等领域中提高诊断准确性、工作流程效率和个性化治疗计划的潜力	医学影像中的人工智能驱动工具	计算机视觉	肿瘤学、心脏病学、眼科学等多种疾病	深度学习	NA	图像	NA	NA	NA	诊断准确性	NA
758	2026-05-06	Metaheuristic-enhanced deep learning for monthly pan evaporation prediction under limited climatic data 2026-May-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-51071-3 PMID:42069807	研究论文	将两种新元启发式算法引入LSTM网络，用于有限气候数据下的月蒸发能力预测	首次将人工原生动物优化器（APO，2024）和粪甲虫优化器（DBO，2023）应用于水文建模，通过优化LSTM超参数提升预测精度和泛化能力	未评估模型在实时应用中的可行性和跨不同气候区域的迁移性，需未来研究验证	利用元启发式算法优化LSTM，提高有限气候数据下月蒸发能力预测的准确性和稳健性	中国东南部两个气象站40年的月度蒸发数据	机器学习	不适用	NA	LSTM	时间序列	两个气象站40年的月度数据	NA	LSTM-APO, LSTM-DBO, LSTM-GWO, LSTM-HHO	RMSE, MAE, R², NSE	NA
759	2026-05-06	State-of-the-art 32 cm field-of-view digital PET/CT system: preliminary study for protocols optimization and DRLs update 2026-May-02, Radiation protection dosimetry IF:0.8Q4 DOI:10.1093/rpd/ncag003 PMID:41626940	研究论文	评估32厘米轴向视野数字PET/CT系统对给药活度和图像质量的影响，并更新诊断参考水平	首次评估新型32厘米轴向视野PET/CT系统（GE Omni Legend）结合深度学习重建对给药活度和图像质量的影响，并基于实际临床数据更新DRLs，相比前代系统展示了高达60%的注射活度降低能力	仅回顾分析了标准体型成人的检查，未涵盖特殊体型或儿科患者，且未评估系统在非标准成像协议下的表现	评估新型数字PET/CT系统的性能优化潜力以及更新诊断参考水平	GE Omni Legend PET/CT系统及其与前代GE Discovery IQ系统的比较	计算机视觉	NA	PET/CT	深度学习重建	图像	标准体型成人回顾性分析	NA	NA	灵敏度，噪声等效计数率，图像质量	NA
760	2026-05-06	EXPEDITION: an Exploratory deep learning method to quantitatively predict hematoma progression after intracerebral hemorrhage 2026-May, Neurological research IF:1.7Q4 DOI:10.1080/01616412.2025.2536668 PMID:40707006	研究论文	开发一种名为EXPEDITION的探索性深度学习方法，用于定量预测脑出血后血肿进展	首次利用探索性深度学习模型从CT灌注图像中提取脑静脉血流动力学特征，实现血肿进展的定量预测	样本量较小（73例患者），且仅纳入基底节或丘脑的原发性脑出血患者，模型泛化性有限	开发一种能够定量预测脑出血后血肿进展的深度学习模型	基底节或丘脑原发性脑出血患者的非增强CT图像、CT灌注图像及后续复查的非增强CT图像	机器学习	脑出血	CT灌注成像	深度学习模型（未指定具体模型类型）	图像	73例患者（训练集58例93次扫描，测试集15例50次扫描）	NA	NA	Bland-Altman分析（平均差异及一致性界限）	NA