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
8541	2026-06-09	Developing an Advanced Deep Learning-based MR Image Framework for Brain Stroke Segmentation and Classification with Novel Activation Function 2026-Jun-08, The International journal of neuroscience DOI:10.1080/00207454.2026.2685181 PMID:42252862	研究论文	提出了一种基于深度学习的MRI图像框架，用于脑卒中分割和分类，并引入新型激活函数	提出区域掩码注意力多扩张Inception Unet++（RMA-MIUnet++）用于精确分割卒中区域，以及采用新型激活函数的高效InceptionV3（EIV3-NAF）进行分类	未提及与传统模型相比的具体局限性，但传统模型存在手动特征工程和泛化能力不足的问题	开发基于深度学习的卒中预测框架，利用MRI提供专业且灵活的诊断指导	脑卒中患者	计算机视觉	脑卒中	MRI	CNN	图像	NA	NA	RMA-MIUnet++, Efficient InceptionV3	分类性能指标	NA
8542	2026-06-09	Deep learning-based biliary stent classification and transfer learning adaptation to an additional stent type 2026-Jun-08, European radiology experimental IF:3.7Q1 DOI:10.1186/s41747-026-00749-4 PMID:42257782	研究论文	开发深度学习模型用于胆道支架分类，并通过迁移学习适应新型支架	首次将ResNet-50深度学习模型应用于胆道支架分类，并验证迁移学习策略可高效适应新型支架类型，无需完整重新训练	单中心研究，样本量有限（185例患者），仅评估了五种支架类型，可能影响模型泛化能力	开发并评估深度学习模型在放射影像和透视图像上对胆道支架进行分类的可靠性，以及迁移学习适应新型支架的效果	185名接受胆道支架置入患者的X射线和透视图像，包含Epic™、EGIS、Niti-S、Bonastent® uncovered和Bonastent® partially covered五种支架	计算机视觉, 数字病理学	胆道疾病	X射线成像, 透视成像	CNN	图像	185名患者，共488张图像（主数据集412张来自151例患者，增强数据集488张来自185例患者）	PyTorch	ResNet-50	准确率, 精确率, 召回率, F1分数	NA
8543	2026-06-09	Deep learning based depth of anaesthesia monitoring using EEG: a 4-layer CNN model with PSD and BSR correlation features 2026-Jun-08, Physical and engineering sciences in medicine IF:2.4Q2 DOI:10.1007/s13246-026-01753-z PMID:42258106	研究论文	基于深度学习的脑电图麻醉深度监测方法：采用4层CNN模型结合PSD和BSR相关性特征	将功率谱密度（PSD）与爆发抑制比（BSR）的关联特征融入CNN架构，提升对麻醉深度的区分能力	对过渡状态（充足/轻度麻醉）区分敏感度不足，因光谱特征重叠导致分类性能受限	通过脑电图分析实现麻醉深度监测，支持手术中的患者安全与麻醉优化	三种临床相关麻醉状态：深度麻醉、充足麻醉和清醒状态	机器学习	NA	脑电图频谱图转换	卷积神经网络	脑电图信号	3个代表性患者案例	NA	4层CNN	准确率, 精确率, 召回率, F1分数	NA
8544	2026-06-09	SBEM-UNet: A Semantic Boundary and Contour-Enhanced Framework for Semisupervised Medical Image Segmentation 2026-Jun-08, Journal of imaging informatics in medicine DOI:10.1007/s10278-026-02033-8 PMID:42258115	研究论文	提出SBEM-UNet框架，通过语义边界增强和轮廓增强解码器，在半监督学习中解决医学图像分割中的模糊边界问题	首次在半监督框架中联合使用语义边界增强模块（SBEM）和轮廓增强解码器（CED），显著提升模糊和不连续边界的定位精度	依赖伪标签一致性正则化，在极端低标注场景下可能引入噪声，且未探讨跨数据集泛化能力	提升医学图像分割中模糊或不连续边界的精确解剖描绘能力，尤其是标注稀缺条件下	医学图像中的模糊或非连续边界区域	医学图像分析	NA	深度学习半监督分割	U-Net增强框架	医学图像	多个公开基准数据集	PyTorch	SBEM-UNet（包含语义边界增强模块、轮廓增强解码器）	区域准确率, 边界分割质量	NA
8545	2026-06-09	Correction: ThyroFusion: A Multi-modal Deep Learning Framework Integrating Vision and Language for Thyroid Nodule Malignancy Risk Assessment 2026-Jun-08, Journal of imaging informatics in medicine DOI:10.1007/s10278-026-02054-3 PMID:42258118	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
8546	2026-06-09	Artificial Intelligence in Burn and Wound Care: Image Analysis, Prediction, and Clinical Integration 2026-Jun-07, Journal of burn care & research : official publication of the American Burn Association IF:1.5Q3 DOI:10.1093/jbcr/irag090 PMID:42251750	综述	综述2015至2025年间人工智能在烧伤与创面护理中的图像分析、预测模型及临床整合研究	系统总结了深度学习在创面识别分割、愈合/感染/截肢预测以及远程监测平台集成三方面的最新进展	存在肤色偏差导致的算法偏见、数据集多样性不足、模型行为不透明、工作流整合困难及监管框架不完善等挑战	评估人工智能在烧伤与慢性创面客观评估、预后预测及临床部署中的潜力和障碍	烧伤创面和糖尿病/血管疾病/活动受限相关的慢性创面	计算机视觉	烧伤、糖尿病足溃疡、血管性疾病创面	深度学习	卷积神经网络	创面影像数据	NA	NA	卷积神经网络	Dice系数、灵敏度、准确率、受试者工作特征曲线下面积	NA
8547	2026-06-09	Deep learning layer-specific collagen quantification correlates with activity and is associated with outcomes in Crohn's disease 2026-Jun-07, Journal of Crohn's & colitis DOI:10.1093/ecco-jcc/jjag075 PMID:42257256	研究论文	开发并验证了首个基于深度学习的层特异性胶原定量方法，用于克罗恩病的活动性评估和预后预测	首次构建了基于机器学习的自动化管道，实现了肠道活检中层特异性胶原的定量分析，克服了传统半定量方法的低通量限制	单中心回顾性研究设计，样本量相对有限，需进一步验证其普适性和临床适用性	开发并验证一种基于机器学习的层特异性胶原定量方法，评估其与克罗恩病活动性和临床结局的关联	191例IBD患者（92例CD，99例UC）和74例对照者的1317份肠道活检样本	数字病理学	克罗恩病	天狼星红染色	深度学习分割模型	全切片图像	191例IBD患者（92例CD，99例UC）和74例对照者的1317份肠道活检样本	NA	K-means聚类	组内相关系数	NA
8548	2026-06-09	Clinical Evaluation of Deep Learning-Reconstructed Postcontrast 3D T1-Weighted Volume Interpolated Breath-Hold Examination (VIBE) Compared with Standard VIBE for Detection of Internal Auditory Canal Lesions 2026-Jun-03, AJNR. American journal of neuroradiology DOI:10.3174/ajnr.A9189 PMID:42235966	研究论文	对比深度学习重建的增强后3D T1加权VIBE序列与标准VIBE序列在内听道病变检测中的图像质量	首次在临床环境中评估深度学习重建VIBE相较于标准VIBE在内听道评估中的非劣效性和优越性，证明了扫描时间减少25%的同时图像质量更优	本研究仅限于74例患者，样本量较小；且仅由两名神经放射科医师评估，可能引入主观偏差	评估深度学习重建VIBE序列在临床内听道病理评估中的图像质量、结构可见性和病变检出能力	内听道病变患者	数字病理学	内听道病变	对比增强MRI、深度学习重建	深度学习模型	MRI图像	74名患者	NA	NA	图像质量指标（如信噪比、对比噪声比）、结构可见性评分、病变增强可见性评分、组间一致性κ值	NA
8549	2026-06-09	Deep learning-based Desikan-Killiany parcellation of the brain using diffusion MRI 2026-Jun-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-54446-8 PMID:42236782	研究论文	提出了一种基于深度学习的框架，仅利用扩散MRI数据直接进行Desikan-Killiany脑区分割	首次实现仅使用扩散MRI数据进行DK图谱的直接脑区分割，避免了依赖解剖MRI和模态间配准的步骤，并采用层次化两阶段分割网络提升精度	文中未明确提及具体局限性，但可能包括对数据集多样性的依赖或分割边界在低分辨率下的模糊性	开发一种无需解剖MRI的通用扩散MRI脑区分割方法，提高神经影像分析的实用性和准确性	脑部扩散MRI数据，包括Human Connectome Project和Consortium for Neuropsychiatric Phenomics数据集	计算机视觉	NA	扩散MRI（dMRI）	卷积神经网络（CNN）	图像（扩散MRI参数图）	Human Connectome Project数据集和Consortium for Neuropsychiatric Phenomics数据集，具体样本数未说明	PyTorch	层次化两阶段分割网络（粗分割阶段和细分阶段，类似U-Net结构）	Dice相似系数（DSC），相对标准差（RSD）	NA（文中未明确说明）
8550	2026-06-09	Knowledge-guided brain tumor segmentation via synchronized visual-semantic-topological prior fusion 2026-Jun-03, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-026-02189-3 PMID:42237259	研究论文	提出一种知识引导的脑肿瘤分割框架，通过同步融合视觉、语义和拓扑先验信息提升分割精度	首次将病理驱动特征、无监督语义描述和持久同调几何约束三种异构知识先验进行同步融合，并设计双级融合架构动态分配先验权重	未明确讨论模型对输入序列缺失或噪声的鲁棒性，以及在其他数据集上的泛化验证	提升多序列MRI脑肿瘤分割在模糊边界区域的准确性，并增强模型泛化能力	脑肿瘤分层结构（ET、TC、WT）的精确分割	数字病理学	脑肿瘤	MRI	CNN	医学影像（多序列MRI）	BraTS 2020数据集	PyTorch	双级融合架构	Dice系数	NA
8551	2026-06-09	AI-Driven Image Analysis for Nanofiber Characterization: From Diameter Measurement to Multiparameter Assessment 2026-Jun-02, ACS omega IF:3.7Q2 DOI:10.1021/acsomega.5c12433 PMID:42255639	综述	系统调查了用于纳米纤维表征的计算方法，特别是纤维直径的测量技术，并对比了人工测量、开源工具及人工智能方法	涵盖从经典机器学习到深度学习架构（包括生成框架和基于Transformer的模型）的全面AI策略，并整合了智能制造和自动化质量控制等工业应用视角	NA（摘要未明确提及局限性）	为纳米纤维表征中的计算方法和AI技术提供系统性综述，指导工艺优化与质量控制	纳米纤维及其直径测量方法	计算机视觉, 机器学习	NA	扫描电子显微镜（SEM）等成像技术	经典机器学习模型, 深度学习架构, 生成框架, Transformer模型	图像	NA	NA	DiameterJ, GIFT, SIMpoly, 深度学习架构, 生成框架, Transformer模型	纤维直径测量精度等	NA
8552	2026-06-09	A deep learning-based method for evaluating the fitting states of orthokeratology lenses using fluorescein staining videos 2026-Jun, Contact lens & anterior eye : the journal of the British Contact Lens Association IF:4.1Q1 DOI:10.1016/j.clae.2026.102633 PMID:41794006	研究论文	开发一种基于深度学习的自动化工具，利用荧光素染色视频评估角膜塑形镜的配适状态	提出基于ResNet-50和时序注意力模块的双流架构，结合边缘检测数据增强方法，能够同时提取镜片形态特征和运动特征，实现对配适状态的自动分类	未提及	开发和验证自动化深度学习工具，用于评估角膜塑形镜配适状态，并比较与经验丰富的验光师人工标注结果的性能	143个荧光素染色检查视频记录，荧光素染色检查在裂隙灯显微镜下进行	计算机视觉	未明确提及，但涉及眼科健康及角膜塑形镜配适评估	荧光素染色视频分析	CNN（卷积神经网络）	视频	143个荧光素染色视频记录	PyTorch	ResNet-50, TimeSformer, ViViT, 时序注意力模块	准确率, 宏敏感性, 宏特异性	未提及
8553	2026-06-09	Oxylipin profile data analysis: Current methodologies, challenges, and future directions 2026-Jun, Progress in lipid research IF:14.0Q1 DOI:10.1016/j.plipres.2026.101381 PMID:41796823	综述	该综述综合评价了氧脂质谱数据分析的现有方法、挑战和未来方向	系统比较了传统统计方法、多变量统计方法和新兴机器学习/深度学习在氧脂质数据处理中的适用性，并提出了整合多组学和通路分析的新框架	目前机器学习和深度学习方法受限于数据可用性，且生物信息学基础设施在整合氧脂质数据方面存在局限性	提升氧脂质数据的生物学可解释性，推动其在系统生物学和转化脂质研究中的应用	氧脂质谱数据集及其分析方法	机器学习	NA	靶向质谱	主成分分析、偏最小二乘判别分析、非度量多维尺度分析、机器学习、深度学习	高维共线数据、时间序列数据、横截面数据	NA	NA	NA	NA	NA
8554	2026-06-09	An automated framework for quantitative alveolar bone loss using deep learning-based landmark detection 2026-06, Journal of dentistry IF:4.8Q1 DOI:10.1016/j.jdent.2026.106620 PMID:41812977	研究论文	开发并评估一种结合深度学习地标检测与曲线拟合的全景X线片牙槽骨丧失自动定量框架	首次提出整合深度学习和曲线拟合的全口牙槽骨丧失定量自动化框架，并比较三种网络在标志点定位和临床评估对齐上的性能差异	未在论文摘要中说明	开发可高效、客观定量全景X线片上牙槽骨丧失的自动化方法	760张全景X线片	计算机视觉, 数字病理学	牙科疾病（牙槽骨丧失）	深度学习	TransPose, HRNet, YOLOv8	图像	760张全景X线片（532/152/76用于训练/验证/测试）	PyTorch	TransPose, HRNet, YOLOv8	平均径向误差, 成功检测率, 组内相关系数, 灵敏度, 特异性	NA
8555	2026-06-09	Decoding bacterial transcriptional regulatory networks through integrated multi-omics datasets for artificial intelligence-driven design of programmable biological systems 2026-Jun, Current opinion in biotechnology IF:7.1Q1 DOI:10.1016/j.copbio.2026.103505 PMID:42127490	综述	综述通过整合多组学数据解码细菌转录调控网络，为人工智能驱动的可编程生物系统设计提供基础	系统性地讨论从靶向分子表征到系统级方法的演进，并整合机器学习与深度学习模型用于调控元件发现和序列设计，最终结合闭环生物铸造平台实现自动化工程	NA	探讨如何利用多组学数据和人工智能方法解码细菌转录调控网络，并推动可编程生物系统的设计	细菌转录调控网络及其调控元件	机器学习	NA	NGS, RNA-seq, 多组学整合	独立成分分析, 深度学习模型	基因组数据, 转录组数据	NA	NA	NA	NA	NA
8556	2026-06-09	Supervised deep learning with gene functional annotation for cell classification 2026-Jun, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1014327 PMID:42224351	研究论文	提出了一种将基因功能注释与基因表达谱通过图神经网络整合的监督深度学习方法SDAN，用于单细胞RNA测序数据的细胞分类	创新性地将基因功能注释信息（如蛋白质-蛋白质相互作用）通过图神经网络与基因表达谱整合，识别功能一致的基因集以实现最优细胞分类，并聚合细胞分类得分进行个体预测	文中未明确提及局限性	解决单细胞RNA测序数据中因大量细胞导致差异表达基因鉴定的p值极小但效应量可忽略，从而难以进行生物学解释的问题	单细胞RNA测序数据中基因功能注释与细胞分类之间的关联	机器学习	新冠病毒、痴呆症、癌症免疫治疗反应	单细胞RNA测序	图神经网络	基因表达谱及基因功能注释数据	三个真实数据应用涉及COVID-19、痴呆症和癌症免疫治疗反应相关样本，具体数量未提及	NA	图神经网络	分类准确率、基因功能一致性	NA
8557	2026-06-09	The potential role of artificial intelligence in the diagnosis of Acanthamoeba keratitis-a scoping review 2026-Jun, Contact lens & anterior eye : the journal of the British Contact Lens Association IF:4.1Q1 DOI:10.1016/j.clae.2026.102661 PMID:42114398	综述	评估人工智能和深度学习算法在棘阿米巴角膜炎诊断中的表现，并识别将其应用于临床的方法学差距	系统评估了AI/DL算法在不同成像模态下诊断AK的表现，并强调了外部验证和标准化方法论的必要性	样本量小、数据异质性高、外部验证研究稀缺，真实世界适用性有限	评估AI/DL算法在棘阿米巴角膜炎诊断中的表现，并识别方法学差距以促进临床转化	棘阿米巴角膜炎的诊断方法，涉及不同的成像模态	计算机视觉	棘阿米巴角膜炎	裂隙灯摄影、活体共聚焦显微镜、智能手机图像	深度学习	图像	9项研究，样本量未具体说明	NA	NA	AUC、灵敏度、特异度	NA
8558	2026-06-09	Advancing passive acoustic ship detection in the Western Canadian Arctic: Signal processing and deep learning approaches 2026-Jun-01, The Journal of the Acoustical Society of America IF:2.1Q1 DOI:10.1121/10.0043937 PMID:42240550	研究论文	提出改进的频率振幅变化方法和卷积神经网络模型，用于加拿大西部北极地区被动声学监测数据中的船舶噪声检测	提出改进的频率振幅变化方法，结合信号处理和简单统计阈值，提升可解释性和检测性能；同时训练卷积神经网络模型，在北极航线船舶检测中取得优于91%的F1分数	未提及具体限制	提高加拿大北极海域被动声学监测中的船舶噪声检测性能，以支持海洋哺乳动物保护	加拿大西部北极地区的船舶噪声和海洋哺乳动物发声	信号处理, 机器学习	不适用	被动声学监测	卷积神经网络	声学数据	加拿大西部北极地区被动声学监测测试数据集	NA	卷积神经网络	F1分数	NA
8559	2026-06-09	Cross-domain evaluation and fine-tuned adaptation of iCatcher+ for Korean infant gaze data 2026-Jun, Infant behavior & development IF:1.9Q3 DOI:10.1016/j.infbeh.2026.102198 PMID:42160791	研究论文	评估iCatcher+注视分类模型在韩国婴儿数据集上的跨领域泛化能力及微调适应效果	首次对iCatcher+模型进行跨领域（从西方婴儿数据到韩国婴儿数据）评估，并发现发展错配（年龄分布差异）是导致性能下降的关键因素，而非实验条件	微调可能导致灾难性遗忘，需在训练与部署场景间寻求更好对齐	评估深度学习的注视分类器对领域偏移的敏感性，并探索微调作为缓解策略的有效性	韩国婴儿的注视数据	计算机视觉	NA	深度学习方法进行注视分类	CNN（基于iCatcher+的三种分类模型）	视频数据（婴儿注视行为视频）	韩国婴儿数据集，具体数量未提及	NA	iCatcher+（具体架构未详述，可能包含ResNet等基础结构）	准确率（accuracy）	NA
8560	2026-06-09	Role of Artificial Intelligence in Cleft Lip and/or Cleft Palate in Diagnosis and Detection-An Umbrella Review 2026-Jun, Clinical and experimental dental research IF:1.7Q3 DOI:10.1002/cre2.70386 PMID:42251739	综述	对人工智能在唇腭裂诊断与检测中应用的研究进行综合回顾	首次采用伞形综述方法系统评估AI模型在唇腭裂诊断中的应用，涵盖深度学习与机器学习模型性能比较	纳入研究数量少（仅3篇系统综述），研究间重叠率高（校正覆盖面积13.89%），方法学稳健性仅为中等置信水平，结果泛化能力受限	探索基于AI的诊断系统在口面裂（唇腭裂）管理中的应用	先天性唇腭裂患者	机器学习	唇腭裂	NA	深度卷积神经网络、随机森林、支持向量机、DesNet	影像数据（推测）	包含3篇系统综述（原始研究共395篇）	NA	深度卷积神经网络、随机森林、支持向量机、DesNet	准确率	NA