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
761	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
762	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
763	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
764	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
765	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
766	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
767	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
768	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
769	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
770	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
771	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
772	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
773	2026-05-06	Alzheimer's Disease Risk Prediction and Pathogeny Extraction Using Fuzzy Graph Evolutionary Generative Adversarial Network 2026-May, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2025.3627582 PMID:41223111	研究论文	本文提出了一种基于模糊图演化的生成对抗网络，用于阿尔茨海默病的风险预测与致病因素提取	首次将模糊图建模与深度学习结合，通过模糊图卷积层捕捉AD的阶段性演化模式，实现了可解释的风险预测与多组学致病因素提取	未明确指出局限性	实现阿尔茨海默病的风险预测与致病因素提取，增强对疾病病理发生机制的理解	多组学脑疾病数据集	机器学习	阿尔茨海默病	NA	生成对抗网络	多组学数据	NA	PyTorch	模糊图卷积层	准确率	NA
774	2026-05-06	Multirate Industrial Process Forecasting With Hybrid Deep Learning and Adaptive Filtering 2026-May, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2025.3631923 PMID:41264431	研究论文	提出一种结合时间序列分解、iTransformer特征提取和修改的最小门控单元网络的混合深度学习框架，用于处理多速率工业过程预测中的变采样频率和缺失数据问题	创新性地结合了iTransformer和修改的最小门控单元网络，并引入基于死区卡尔曼滤波的自适应参数更新算法来处理缺失质量变量	NA	解决多速率工业过程中因采样频率不同和数据缺失导致的预测准确性问题	多速率工业过程中的质量变量预测	机器学习	NA	NA	混合深度学习模型（iTransformer和修改的最小门控单元网络）	工业过程数据	NA	NA	iTransformer、修改的最小门控单元网络	平均绝对误差、均方根误差、合格率	NA
775	2026-05-06	Deep Model Fusion: A Survey 2026-May, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2025.3628666 PMID:41289107	综述	总结了深度模型融合/合并技术的现状，涵盖权重平均、模式连通性、对齐和集成学习四类方法	全面综述了深度模型融合技术，包括四种主要方法及其在大规模DL模型中的应用挑战	未详细讨论不同异构模型间的计算开销和融合干扰问题，未来研究方向仍待进一步探索	总结深度模型融合的进展并分析其挑战,为未来研究提供方向	多种深度学习模型的参数或预测集成方法，包括大型语言模型和基础模型	机器学习	NA	NA	权重平均、模式连通性、对齐、集成学习	NA	NA	NA	NA	NA	NA
776	2026-05-06	Accurate Protein-Protein Interaction Prediction: Based on Multiview Heterogeneous Graph Autoencoders and Random Masking 2026-May, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2025.3632083 PMID:41329588	研究论文	提出MEGAE模型，利用多视图异构图自编码器和随机遮蔽策略实现高精度蛋白质-蛋白质相互作用及其位点预测	通过向量量化自编码器重构氨基酸微环境，并引入多视图随机遮蔽训练策略，有效融合序列、理化性质和结构特征	NA	精准预测蛋白质相互作用和相互作用位点	蛋白质及其相互作用关系	机器学习	NA	蛋白质相互作用预测	图神经网络（GNN）、向量量化自编码器	蛋白质序列、结构、理化性质数据	NA	PyTorch	MEGAE（包含图自编码器和随机遮蔽策略）	准确率、精确率、召回率、F1分数、AUC	NA
777	2026-05-06	Accelerating imaging: deep learning for enhanced 123I-ioflupane SPECT efficiency 2026-May, Japanese journal of radiology IF:2.9Q2 DOI:10.1007/s11604-025-01933-z PMID:41407995	研究论文	本研究评估了深度学习重建技术能否使5分钟扫描的123I-ioflupane SPECT图像达到诊断质量	首次系统比较多种卷积架构在SPECT加速成像中的表现，发现紧凑的四层U-Net可将扫描时间缩短80%而不损失诊断保真度	回顾性研究设计，样本来自单一中心，需前瞻性多中心验证	验证深度学习重建能否使5分钟SPECT扫描替代传统25-40分钟扫描的诊断图像质量	123I-ioflupane SPECT图像	计算机视觉	帕金森病	SPECT	CNN	图像	207例研究（1035张切片），来自120例训练、37例验证、50例测试患者的600、185、250张图像	NA	U-Net（一到五层深度）、V-Net、U-Net++、R2U-Net、Attention U-Net、TransUNet	峰值信噪比（PSNR）、结构相似性指数（SSIM）、加权κ系数、组内相关系数（ICC）	NA
778	2026-05-06	Robust Physics-Based Deep MRI Reconstruction via Diffusion Purification 2026-May, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2025.3631742 PMID:41533627	研究论文	本文提出一种基于扩散模型的鲁棒化策略（RODIO），通过扩散净化提升深度学习MRI重建方法的鲁棒性，克服测试时扰动和分布偏移等问题	首次将预训练扩散模型作为净化器用于提升MRI重建鲁棒性，避免传统对抗训练中的最小最大优化问题，仅需对净化样本进行高效微调	未明确讨论，但潜在限制包括依赖预训练扩散模型的质量以及计算开销可能较高	解决深度学习MRI重建模型在测试时对扰动、分布偏移等鲁棒性不足的问题	MRI重建模型（多种监督学习和无监督生成式重建器）及测试阶段引入的扰动（最坏情况、噪声扰动、加速因子、对比度、k空间采样位置、未见病变等）	机器学习, 医学影像重建	未指定，涉及未见病变的鲁棒性评估	MRI重建	扩散模型	MRI图像	未明确说明	未明确说明	扩散模型, 深度学习MRI重建模型（如监督模型和单次生成式重构器）	未明确列出但提及优于对抗训练和随机平滑等方法	未明确说明
779	2026-05-06	An integrated deep learning framework leveraging NASNet and vision transformer with MixProcessing for accurate and precise diagnosis of lung diseases 2026-May, SLAS technology IF:2.5Q3 DOI:10.1016/j.slast.2026.100394 PMID:41580084	研究论文	提出一种结合NASNet和Vision Transformer的深度学习框架NASNet-ViT，用于肺病图像分类	将NASNet的卷积特征提取与Vision Transformer的全局注意力机制结合，并设计多阶段预处理流程MixProcessing提升图像质量	未提及模型在边缘案例或罕见病种上的表现，也未讨论在不同成像设备上的泛化性	开发一种轻量级、高精度的AI解决方案，用于实时和资源受限的临床环境中肺病诊断	肺部X光或CT图像，涵盖正常、肺癌、COVID-19、肺炎和肺结核五类	计算机视觉, 数字病理学	肺癌, COVID-19, 肺炎, 肺结核	NA	CNN, Transformer	图像	NA	NA	NASNet, Vision Transformer	准确率, 灵敏度, F1分数, 特异度	NA
780	2026-05-06	Deep learning-based epileptic seizure detection from EEG signals and PPG signals using LSTM and CNN models 2026-May, The International journal of neuroscience DOI:10.1080/00207454.2026.2621855 PMID:41671683	研究论文	提出一种结合CNN和LSTM的混合深度学习框架，利用多模态脑电图和光电容积脉搏波信号自动检测癫痫发作	首次将EEG和PPG多模态信号结合用于癫痫检测，PPG信号提供自主神经波动、心率变异性变化和外周血管反应等补充信息，增强了模型区分能力，尤其在EEG特征微弱或不明确时	未说明特定限制	实现自动、实时的癫痫发作检测，提高检测准确性和鲁棒性，便于可穿戴设备部署	癫痫患者的脑电图和光电容积脉搏波信号	自然语言处理	癫痫	EEG, PPG	CNN, LSTM	信号（时间序列）	NA	NA	ResNet, VGG, Transformer, U-Net, DenseNet, EfficientNet	准确率, 精确率, 召回率, F1分数, Cohen's Kappa, 马修斯相关系数, 关键成功指数	NA