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
8521	2026-04-17	Simulating a Specialist's Treatment Experience for Hypertension Using Deep Neural Networks 2025-10, Journal of clinical hypertension (Greenwich, Conn.) DOI:10.1111/jch.70173 PMID:41163326	研究论文	本研究开发并验证了一个深度学习模型，用于模拟高血压专家的处方模式并预测后续生理反应	设计了一个双模块深度神经网络框架，同时预测最佳药物处方和次日血压及心率，并采用多目标方法捕捉药物选择与生理结果之间的关系	本研究为概念验证性研究，基于单中心数据集，未来需要多中心合作和更大数据集来验证该方法在临床决策支持中的适用性	开发能够模拟高血压专家治疗决策并预测生理反应的深度学习模型，以辅助标准化治疗并减少决策差异	高血压患者的治疗决策和生理反应	机器学习	心血管疾病	临床试验数据	DNN	结构化临床数据	NA	NA	双模块深度神经网络	平均绝对误差, 误差方差, 平均相对误差	NA
8522	2026-04-17	BiU-Net: A Biologically Informed U-Net for Genotype Imputation 2025-Aug-26, Research square DOI:10.21203/rs.3.rs-6797863/v1 PMID:40909775	研究论文	提出一种名为BiU-Net的生物信息学启发的U-Net模型，用于基因型插补，以解决缺失基因型在复杂区域和小数据集中的问题	BiU-Net通过分割基因型数据并编码位置信息来保留基因组上下文，从而在整体指标和按次要等位基因频率分层的指标上优于现有方法	NA	开发一种参考自由的深度学习模型，以改进基因型插补，特别是在复杂区域和种群不匹配的情况下	基因型数据	机器学习	NA	基因型插补	U-Net	基因型数据	涉及1000 Genomes Project、Louisiana Osteoporosis Study和Simons Genome Diversity Project数据集	NA	U-Net	整体指标和按次要等位基因频率分层的指标	NA
8523	2026-04-17	Deep learning for fetal inflammatory response diagnosis in the umbilical cord 2025-Jun-26, Placenta IF:3.0Q2 DOI:10.1016/j.placenta.2025.04.013 PMID:40294507	研究论文	本研究利用深度学习技术，基于脐带组织全切片图像（WSI）进行胎儿炎症反应（FIR）的诊断分类	首次将注意力机制的全切片学习模型应用于脐带组织病理图像的FIR诊断，并比较了基于非医学图像（ImageNet）预训练模型与基于组织病理学图像（UNI）预训练模型的性能差异	模型在FIR 1病例中的注意力分配存在不一致性（部分模型关注脐血管，部分关注沃顿胶质），可能影响诊断解释的稳定性	开发一种基于深度学习的自动化诊断工具，以辅助病理学家诊断脐带组织中的胎儿炎症反应，减少观察者间差异	脐带组织病理切片图像	数字病理学	胎儿炎症反应综合征	H&E染色组织病理学成像	深度学习, 注意力机制模型	全切片图像（WSI）	4100张脐带组织H&E染色病理切片	未明确指定（可能为PyTorch或TensorFlow）	ConvNeXtXLarge, UNI（基于组织病理学预训练的模型）	平衡准确度	NA
8524	2026-04-17	Rural Medical Centers Struggle to Produce Well-Calibrated Clinical Prediction Models: Data Augmentation Can Help 2025-Jun-17, medRxiv : the preprint server for health sciences DOI:10.1101/2025.06.16.25329699 PMID:40585177	研究论文	本文探讨了农村医疗中心在临床预测模型校准方面的挑战，并评估了合成数据生成（SDG）在增强本地数据量以改善模型性能方面的效用	通过实证和模拟研究，揭示了农村医疗中心因患者数据量不足导致模型校准困难的问题，并验证了深度学习驱动的合成数据生成方法在提升本地分类器性能方面的有效性	研究可能未涵盖所有农村医疗场景，且合成数据生成方法的泛化能力在不同疾病或任务中需进一步验证	评估农村医疗中心在临床预测模型本地化校准中的挑战，并探索合成数据生成作为数据增强解决方案的潜力	真实医院网络中的30天非计划再入院预测数据，以及多站点ICU数据集	机器学习	NA	合成数据生成（SDG）	深度学习	临床数据	涉及真实医院网络和多站点ICU数据集，具体样本量未明确说明	NA	NA	模型校准度，分类器性能	NA
8525	2026-04-17	A deep learning-based, real-time image report system for linear EUS 2025-06, Gastrointestinal endoscopy IF:6.7Q1 DOI:10.1016/j.gie.2024.10.030 PMID:39427992	研究论文	本研究开发了一种基于深度学习的EUS自动图像报告系统，用于实时捕获高质量胆胰EUS图像	首次开发了基于深度学习的实时EUS自动图像报告系统，实现了标准站点、病变和穿刺过程的自动拍照记录	研究样本量相对有限，且仅在一家医院进行前瞻性测试，需要更多外部验证	提高EUS检查中图像采集的完整性和质量，减少不同内镜医师之间的报告差异	胆胰EUS检查中的图像采集过程	计算机视觉	胆胰疾病	线性EUS	深度学习模型	图像	235,784张图像用于训练和测试，114名患者用于前瞻性测试	NA	NA	完整性百分比, 置信区间, P值	NA
8526	2026-04-17	Hybrid CNN and random forest model with late fusion for detection of autism spectrum disorder in Toddlers 2025-Jun, MethodsX IF:1.6Q2 DOI:10.1016/j.mex.2025.103278 PMID:40236798	研究论文	本研究提出了一种结合VGG16预训练深度CNN与随机森林分类器的混合模型，用于幼儿自闭症谱系障碍的检测	通过晚期融合策略，将深度学习模型提取的高层次图像特征与随机森林的集成分类能力相结合，提高了ASD检测的准确性	研究主要基于特定数据集，未来需要整合多模态数据并在更多样化的数据集上进行测试以提升泛化能力	开发一种准确且可靠的混合模型，用于幼儿自闭症谱系障碍的早期诊断	幼儿自闭症谱系障碍患者	计算机视觉	自闭症谱系障碍	NA	CNN, 随机森林	图像, 问卷数据	NA	NA	VGG16, EfficientNetB0, AlexNet	准确率	NA
8527	2026-04-17	Machine learning of clinical phenotypes facilitates autism screening and identifies novel subgroups with distinct transcriptomic profiles 2025-Apr-05, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-95291-5 PMID:40188264	研究论文	本研究利用机器学习方法，结合临床评估和分子数据，提高自闭症谱系障碍的筛查准确性并识别具有不同转录组特征的新亚组	通过深度学习模型实现了高达95.23%的自闭症筛查准确率，并发现仅使用27个ADI-R子项即可保持可比性能，同时基于临床特征聚类识别出三个具有独特转录组特征的新亚组	研究主要依赖于特定数据库（AGRE和GSE15402）的数据，可能限制了结果的普适性，且未详细讨论模型在其他独立数据集上的验证情况	提高自闭症谱系障碍的筛查准确性并识别具有生物学意义的临床亚型	自闭症谱系障碍患者	机器学习	自闭症谱系障碍	基因表达分析	深度学习模型	临床评估数据、基因表达数据	2794名个体	NA	NA	准确率、置信区间	NA
8528	2026-04-17	Multimodal convolutional neural network-based algorithm for real-time detection and differentiation of malignant and inflammatory biliary strictures in cholangioscopy: a proof-of-concept study (with video) 2025-04, Gastrointestinal endoscopy IF:6.7Q1 DOI:10.1016/j.gie.2024.09.001 PMID:39265745	研究论文	本研究开发了一种基于多模态卷积神经网络的实时算法，用于在数字单操作者胆道镜视频中检测和区分恶性与炎性胆道狭窄	结合临床元数据到CNN算法中，克服了仅基于图像模型的限制，实现了实时检测和诊断	研究为概念验证性研究，样本量相对较小（111名患者），需要进一步验证	开发用于胆道镜视频中恶性与炎性胆道狭窄实时检测和区分的深度学习算法	胆道狭窄患者，包括恶性、炎性和正常胆道组织	计算机视觉	胆道癌	数字单操作者胆道镜	CNN	视频, 图像	111名患者，总计15,158张静态帧	NA	多模态卷积神经网络	AUC, 灵敏度, 特异度, 阳性预测值, 阴性预测值	NA
8529	2026-04-17	Development of an individualized dementia risk prediction model using deep learning survival analysis incorporating genetic and environmental factors 2024-12-30, Alzheimer's research & therapy DOI:10.1186/s13195-024-01663-w PMID:39736679	研究论文	本研究开发并验证了一个结合遗传和临床因素的深度学习生存分析模型，用于预测60岁及以上个体的痴呆风险	首次将遗传和临床因素整合到深度学习生存分析模型中，用于开发个体化动态痴呆风险预测模型，并部署在阿里云服务器上促进临床转化	研究基于英国生物银行队列，可能受限于特定人群和随访时间，模型在其他人群中的泛化能力需进一步验证	开发个体化痴呆风险预测模型，实现早期检测高风险患者并提供临床决策支持	英国生物银行队列中的41,484名参与者，年龄60岁及以上	机器学习	老年疾病	生存分析	深度学习生存分析模型	遗传和临床数据	41,484名参与者，平均随访12.6年	NA	DeepSurv, DeepHit	Harrell's C-index, D-Calibration Survival Measure, Brier score	阿里云服务器
8530	2026-04-17	Cough2COVID-19 detection using an enhanced multi layer ensemble deep learning framework and CoughFeatureRanker 2024-10-24, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-76639-9 PMID:39448760	研究论文	本文提出了一种基于咳嗽音频信号的非侵入性COVID-19检测框架Cough2COVID-19，采用多层集成深度学习方法和CoughFeatureRanker特征选择算法	引入了CoughFeatureRanker算法从咳嗽音频中筛选关键特征，并结合多层集成深度学习框架提升检测性能	NA	开发一种成本效益高、非侵入性且易于访问的COVID-19检测方法	咳嗽音频信号	机器学习	COVID-19	音频信号分析	集成深度学习	音频	NA	NA	多层集成深度学习框架	特异性, 敏感性, 准确率, AUC	NA
8531	2026-04-17	Duodenal papilla radiomics-based prediction model for post-ERCP pancreatitis using machine learning: a retrospective multicohort study 2024-10, Gastrointestinal endoscopy IF:6.7Q1 DOI:10.1016/j.gie.2024.03.031 PMID:38583542	研究论文	本研究通过机器学习构建基于十二指肠乳头影像组学的模型，用于预测内镜逆行胰胆管造影术后胰腺炎	首次利用深度学习从内镜图像中提取乳头影像组学特征，并结合机器学习算法构建预测模型，显著提升了术后胰腺炎的诊断准确性	研究为回顾性多中心设计，可能存在选择偏倚；样本量虽大但仅来自两个中心，外部验证需进一步扩展	探究十二指肠乳头形态与内镜逆行胰胆管造影术后胰腺炎的关联，并开发稳健的预测模型	接受内镜逆行胰胆管造影术的患者	医学影像分析	胰腺炎	内镜成像, 影像组学特征提取	机器学习算法, 逻辑回归	内镜图像	来自两个中心的2372名患者（训练集2038人，验证集334人）	NA	深度学习特征提取模型	AUC, 校准曲线, 临床决策曲线, 净重分类改善, 综合判别改善	NA
8532	2026-04-17	Evaluating the relationship between magnetic resonance image quality metrics and deep learning-based segmentation accuracy of brain tumors 2024-Jul, Medical physics IF:3.2Q1 DOI:10.1002/mp.17059 PMID:38640464	研究论文	本研究评估了磁共振图像质量指标与基于深度学习的脑肿瘤分割准确性之间的关系	首次系统性地探究了特定MR图像质量指标与DenseNet模型分割性能之间的相关性，并提出了基于质量指标筛选训练图像以提升模型泛化能力的方法	研究仅基于BraTS数据集，未涵盖所有可能的图像伪影和设备变异；使用的质量指标和阈值方法可能需要进一步优化	评估MR图像质量指标与深度学习分割准确性之间的关系，以开发更具泛化能力的多机构数据模型	脑肿瘤MRI图像及其分割结果	计算机视觉	脑肿瘤	磁共振成像	深度学习	3D MRI图像	BraTS 2020和2021数据集的训练与测试队列	PyTorch	3D DenseNet	Dice系数	NA
8533	2026-04-17	Automated neuron tracking inside moving and deforming C. elegans using deep learning and targeted augmentation 2024-Jan, Nature methods IF:36.1Q1 DOI:10.1038/s41592-023-02096-3 PMID:38052988	研究论文	本文提出了一种名为Targettrack的深度学习方法，结合目标增强技术，用于在移动和变形的秀丽隐杆线虫中自动追踪神经元	引入了目标增强方法，通过自动合成人工标注来减少手动标注工作量，并学习大脑内部变形以生成新姿态的标注	NA	开发一种自动化方法，用于在行为动物中进行三维功能成像中的神经元分割和追踪	秀丽隐杆线虫中的神经元活动	计算机视觉	NA	三维功能成像	卷积神经网络	三维图像	NA	NA	NA	NA	NA
8534	2026-04-17	An interpretable machine learning framework for measuring urban perceptions from panoramic street view images 2023-Mar-17, iScience IF:4.6Q1 DOI:10.1016/j.isci.2023.106132 PMID:36843850	研究论文	本文提出了一种可解释的机器学习框架，用于从全景街景图像中提取城市感知	强调特征和结果的可解释性，通过五步框架克服现有端到端“黑盒”模型的局限性	未明确提及具体限制，但暗示现有框架因缺乏可解释性而价值受限	测量城市感知，以支持城市规划	城市街景，特别是伦敦内城区的输出区域级别	计算机视觉	NA	深度学习	NA	全景街景图像	使用MIT Place Pulse数据集，具体样本数量未明确	NA	NA	通过犯罪率验证，未明确具体评估指标	NA
8535	2026-04-17	Recent Technical Developments in ASL: A Review of the State of the Art 2022-11, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.29381 PMID:35983963	综述	本文综述了自Alsop等人发表ASL共识论文以来，先进动脉自旋标记（ASL）技术的最新发展	系统总结了ASL在读出与轨迹、图像重建、噪声抑制、部分容积校正、非灌注参数量化、fMRI、指纹识别、血管选择性ASL、血管造影、深度学习及超高场ASL等多个方面的最新技术进展	未涵盖速度选择性ASL、多时间点ASL、体部ASL及临床ASL建议等主题，这些内容已在其他文章中详细讨论	促进研究机构和MRI厂商采纳ASL技术的最新进展，并提供实施指导	先进动脉自旋标记（ASL）技术	医学影像	NA	动脉自旋标记（ASL）	NA	磁共振成像（MRI）数据	NA	NA	NA	NA	NA
8536	2026-04-17	Weakly Supervised Polyp Segmentation in Colonoscopy Images Using Deep Neural Networks 2022-Apr-22, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging8050121 PMID:35621885	研究论文	本研究提出了一种利用弱监督学习（边界框标注）训练深度神经网络进行结肠镜图像中息肉实时分割的方法	开发了首个结合弱监督策略（仅使用边界框标注）进行息肉分割的深度学习方法，显著提升了分割性能	研究仅基于单一数据集（Polyp-Box-Seg），且弱监督标注可能无法完全捕捉复杂息肉轮廓	提高结肠镜检查中息肉分割的准确性和效率，以辅助结直肠癌筛查	结肠镜图像中的息肉区域	计算机视觉	结直肠癌	深度学习	深度神经网络	图像	4070张来自超过2000名患者的结肠镜图像，其中1300张带有手动分割标注	NA	NA	Dice系数	NA
8537	2026-04-14	Domain generalized feature embedded learning for calibration-free event-related potentials recognition 2026-Dec, Cognitive neurodynamics IF:3.1Q2 DOI:10.1007/s11571-026-10450-2 PMID:41971720	研究论文	本文提出了一种域广义特征嵌入学习方法，用于实现无需校准的事件相关电位识别	通过协方差质心对齐、xDAWN滤波器增强特征提取以及分解对抗损失进行特征泛化，实现了跨被试的鲁棒特征学习，无需目标样本即可泛化到新被试	NA	构建无需校准的基于脑电图的脑机接口，实现跨被试的事件相关电位识别	事件相关电位信号	机器学习	NA	脑电图	神经网络	脑电图信号	两个基准脑电图事件相关电位数据集	NA	神经网络嵌入骨干	分类性能	NA
8538	2026-04-14	An attention fusion of Fourier-analysis-based transformer and CNN-BiLSTM for coastal inorganic nitrogen concentration forecasts 2026-Jun-15, Water research IF:11.4Q1 DOI:10.1016/j.watres.2026.125798 PMID:41904912	研究论文	本研究提出了一种名为AFTB的新型深度学习架构，用于沿海无机氮浓度的多步预测，以应对数据缺失和浓度分布偏斜的挑战	提出了一种融合傅里叶增强Transformer与CNN-BiLSTM网络的新型深度学习架构（AFTB），通过专用注意力机制进行集成，并引入了对数变换、改进的损失函数和极值过采样策略以处理数据偏斜	研究主要基于中国广西的九个浮标站数据，其普适性有待在其他地理区域验证；虽然对训练数据不完整性展现了鲁棒性，但未讨论模型在长期预测或极端气候事件下的表现	开发一种鲁棒且准确的深度学习模型，用于预测沿海无机氮浓度，以帮助缓解有害藻华	沿海无机氮浓度时间序列数据	机器学习	NA	深度学习，时间序列预测	Transformer, CNN, BiLSTM	时间序列数据（水质监测数据）	中国广西九个浮标站的数据（具体样本数量未在摘要中说明）	NA	AFTB（一种融合了傅里叶增强Transformer和CNN-BiLSTM的架构）	准确性，平均性能方差，推理速度	NA
8539	2026-04-14	Enhancing cross-regional transferability of super-resolution-based flood surrogate models for data-scarce catchments 2026-Jun-15, Water research IF:11.4Q1 DOI:10.1016/j.watres.2026.125799 PMID:41916127	研究论文	本研究提出了一种迁移学习框架，通过图像超分辨率任务增强洪水替代模型在数据稀缺流域的跨区域可迁移性	将洪水替代建模视为图像超分辨率任务，开发了Residual SwinUNet模型，融合多通道粗网格洪水图与细网格地形特征，并探索了多种迁移学习策略以提升跨流域适应性	研究主要基于中国深圳河上游和澳大利亚里士满河两个流域，模型在其他地理和气候条件下的泛化能力有待进一步验证	提升基于深度学习的洪水替代模型在数据稀缺流域的跨区域可迁移性	洪水替代模型，特别是针对具有不一致基础分辨率和多样化地形特征的流域	计算机视觉	NA	深度学习，迁移学习，图像超分辨率	CNN, Transformer	图像（洪水图，地形特征）	涉及中国深圳河上游流域和澳大利亚里士满河流域的数据，具体样本数量未明确说明	PyTorch	Residual SwinUNet	准确性，基线准确度恢复率，可训练参数比例	NA
8540	2026-04-14	Multi-modal deep learning model for predicting recurrence of moderately severe and severe acute pancreatitis 2026-Jun, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2026.112758 PMID:41795349	研究论文	本研究开发并验证了一个多模态深度学习模型APNet，用于预测中重度急性胰腺炎的复发风险	通过多尺度融合整合临床因素和增强CT特征，克服了单模态预测器的局限性，显著提升了预测性能	回顾性研究设计，样本量相对有限（235例患者），需要外部验证以进一步确认泛化能力	预测中重度急性胰腺炎（MSAP/SAP）的复发风险	中重度急性胰腺炎患者	数字病理学	胰腺炎	增强CT成像	深度学习模型	临床数据和CT图像	235例患者（开发队列184例，独立验证队列51例）	PyTorch, LightGBM	ResNet50, ViT（Vision Transformer）	AUC, 准确率, 精确率, 召回率, F1分数	NA