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
8861	2026-05-25	Evidential reasoning-enabled deep learning for reliable treatment outcome prediction in cancer therapy 2026-08, Artificial intelligence in medicine IF:6.1Q1 DOI:10.1016/j.artmed.2026.103445 PMID:42114397	研究论文	提出一种基于证据推理的深度学习方法，用于癌症治疗中可靠的治疗结果预测	结合卷积神经网络图像特征提取、数据增强、蒙特卡洛丢弃、测试时增强和证据推理规则融合，生成具有不确定性感知的预测	未提及	实现个性化癌症治疗中的可靠治疗结果预测	三阴性乳腺癌患者和头颈癌患者	数字病理学	三阴性乳腺癌，头颈癌	NA	深度神经网络（证据推理规则驱动的深度神经网络）	图像	NA	NA	卷积神经网络（CNN），ER-DNN	预测性能，置信估计校准	NA
8862	2026-05-25	Explainable 3D VGG-style convolutional neural network for pediatric hydrocephalus detection on computed tomography: A segmentation-free and fully volumetric deep learning framework 2026-Jul-03, Neuroscience IF:2.9Q2 DOI:10.1016/j.neuroscience.2026.04.027 PMID:42049087	研究论文	开发并评估了一种无需分割的全三维卷积神经网络用于儿童CT图像中的脑积水检测	首次提出一种轻量级VGG风格的三维卷积神经网络，无需分割即可对儿童CT进行全容积的自动脑积水检测，并采用三维Grad-CAM提供可解释性分析	样本量较小（98例内部、118例外部），且外部验证为初步结果，仍需较大规模多中心验证才能用于临床	开发一种可解释的、无需分割的自动化方法，用于儿童CT上脑积水的检测	儿童头部CT扫描（共98例内部数据集，48例脑积水、50例正常；以及118例外部验证集，56例脑积水、62例正常）	计算机视觉	儿科疾病	CT成像	三维卷积神经网络（3D CNN）	CT图像	内部数据集98例（48例脑积水，50例正常），外部验证集118例（56例脑积水，62例正常）	NA	VGG风格的三维卷积神经网络	AUC-ROC, 准确率, 敏感度, 特异性, F1分数, 马修斯相关系数（MCC）, 科恩kappa系数, Brier分数	NA
8863	2026-05-25	Best fast MRI protocols for the knee: advantages and limitations 2026-Jul, Skeletal radiology IF:1.9Q3 DOI:10.1007/s00256-026-05197-0 PMID:41874638	综述	综述现代膝关节快速MRI加速技术的原理、临床应用、优势及挑战，包括并行成像、多层同时采集、压缩感知和深度学习重建	系统总结了深度学习重建在膝关节MRI中的突破性应用，尤其是加速因子达六倍的PIxSMS协议可在五分钟内完成高质量扫描，并展望了各向同性三维成像的未来前景	未在论文中提供定量比较或原始数据，基于现有证据的总结可能受限于已发表研究的异质性，且对硬件成本和临床工作流优化缺乏深入分析	综述膝关节快速MRI加速策略的技术原理、验证研究证据及临床实施注意事项	膝关节快速MRI的加速技术及其临床应用	机器学习	NA	MRI	深度学习重建	图像	NA	NA	NA	诊断性能、图像质量	NA
8864	2026-05-25	Predicting mortality risk in pediatric severe pneumonia using a CNN-BiLSTM model with dynamic clinical indicators 2026-Jul, Respiratory medicine IF:3.5Q2 DOI:10.1016/j.rmed.2026.108891 PMID:42134457	研究论文	利用CNN-BiLSTM模型结合动态临床指标预测儿童重症肺炎的死亡风险	首次将CNN-BiLSTM深度学习模型应用于儿童重症肺炎的住院死亡率预测，并从纵向实验室数据中动态筛选出11个关键预测指标	需要未来多中心研究验证模型有效性	探索儿童重症肺炎的有效预后生物标志物，并构建深度学习模型预测住院死亡率，支持临床决策	5岁以下儿童重症肺炎患者	机器学习	儿童重症肺炎	NA	CNN-BiLSTM	临床数据（包括纵向实验室指标）	来自儿科重症监护数据库（PIC）的5岁以下重症肺炎儿童	PyTorch	CNN-BiLSTM	AUC，灵敏度，特异度	NA
8865	2026-05-25	Oral bioavailability property prediction based on task similarity transfer learning 2026-Jun, Molecular diversity IF:3.9Q2 DOI:10.1007/s11030-025-11345-w PMID:40928678	研究论文	基于任务相似性迁移学习预测人类口服生物利用度，以优化药物候选分子并提高临床成功率	提出相似性引导的迁移学习框架TS-GTL，包含PGnT深度模型，结合分子图与外部知识，并引入MoTSE量化理化性质与HOB的相似性，实现数据稀缺场景下的高效预测	未提及具体局限性，但可能面临数据依赖性问题的挑战	提高人类口服生物利用度预测的准确性与可解释性，为药物ADMET性质研究提供高效方法	药物分子的口服生物利用度及其相关理化性质	机器学习	药物研发	分子图表示学习	深度学习模型（PGnT）	分子结构与理化性质数据	未提供具体样本数量	NA	GNN, Transformer编码器	准确率	NA
8866	2026-05-25	Automated Coregistered Segmentation for Volumetric Analysis of Multiparametric Renal MRI 2026-06, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.70288 PMID:41639936	研究论文	开发并评估了一个全自动深度学习驱动后处理流程，用于多参数肾脏MRI，实现准确的肾脏对齐、分割和定量特征提取	提出了一种集成深度学习分割网络与图像配准的全自动流程，在单一高效工作流中完成多参数肾脏MRI的配准、分割和定量分析，显著提高了处理速度和准确性	未明确提及局限性，但样本量相对较小（24名患者和10名健康受试者），且仅在肾脏MRI数据集上验证，泛化性有待进一步研究	开发并评估用于多参数肾脏MRI的自动化深度学习后处理流程，以支持肾脏疾病的诊断和治疗规划	肾脏结构的分割与对齐，以及多参数MRI的定量特征提取	计算机视觉, 数字病理学	前列腺癌, 神经内分泌肿瘤, 肾脏疾病	MRI（多参数磁共振成像）	深度学习分割网络，深度学习图像配准模型	医学图像（多参数肾脏MRI）	24名前列腺癌或神经内分泌肿瘤患者及10名健康受试者，每人进行重复扫描	NA	分割网络，深度学习配准网络	相关系数（r > 0.9），组内相关系数，偏差	每扫描约需15秒处理时间，未指定具体GPU或云平台
8867	2026-05-25	TabulaTime: Novel multimodal deep learning for Acute Coronary Syndrome prediction through environmental and clinical data integration 2026-06, Artificial intelligence in medicine IF:6.1Q1 DOI:10.1016/j.artmed.2026.103395 PMID:41825437	研究论文	提出TabulaTime，一种多模态深度学习框架，通过整合临床和环境数据增强急性冠脉综合征风险预测	三方面创新：多模态时间序列环境与临床数据整合；采用PatchRWKV以线性计算复杂度提取复杂时间模式；通过注意力机制增强可解释性	NA	增强急性冠脉综合征风险预测	急性冠脉综合征患者，包括STEMI和NSTEMI	机器学习	心血管疾病	NA	深度学习	时间序列数据和临床数据	NA	NA	PatchRWKV	准确率	NA
8868	2026-05-25	PatientFlow: Learning to generate mixed-type longitudinal clinical data with flow matching 2026-06, Artificial intelligence in medicine IF:6.1Q1 DOI:10.1016/j.artmed.2026.103392 PMID:41830733	研究论文	提出PatientFlow方法，结合变分自编码器和流匹配，生成混合类型纵向临床数据，以支持深度学习在医疗中的应用	首次将变分自编码器与流匹配结合用于纵向临床数据的生成，能处理静态和时序混合类型数据，且生成的数据在临床终点预测上堪比甚至超越真实数据	仅在肌萎缩侧索硬化症一个队列（N=1560）上验证，可能需在其他疾病中进一步测试其泛化能力	生成高保真的合成纵向临床数据，以解锁大规模深度学习模型在复杂疾病中的应用并保护患者隐私	肌萎缩侧索硬化症患者的纵向临床数据，包括静态和时序混合类型成分	机器学习	肌萎缩侧索硬化症	NA	变分自编码器、流匹配	纵向临床数据（静态和时序混合类型）	1560名肌萎缩侧索硬化症患者	NA	变分自编码器、流匹配	临床专家验证、预后模型性能（五个临床终点）	NA
8869	2026-05-25	Twin cross contrastive learning with multi-modality fusion for drug-target affinity prediction 2026-06, Artificial intelligence in medicine IF:6.1Q1 DOI:10.1016/j.artmed.2026.103394 PMID:41806518	研究论文	提出一种基于双交叉对比学习与多模态融合的药物-靶标结合亲和力预测框架TCCL	首次引入双交叉对比学习架构，同时从分子尺度和网络尺度提取语义与结构信息，并通过多模态融合增强表征能力	未在更多真实场景或更大规模数据集上进行验证，计算资源需求未明确说明	提升药物-靶标结合亲和力预测的准确性和泛化能力	药物分子与靶标蛋白	机器学习	NA	NA	双编码器神经网络	分子结构数据、拓扑图数据	两个基准数据集	NA	双流编码器、双交叉对比学习架构	准确率、F1分数、AUC	NA
8870	2026-05-25	Precise estimation of tissue microstructure with hybrid graph transformer 2026-06, Artificial intelligence in medicine IF:6.1Q1 DOI:10.1016/j.artmed.2026.103390 PMID:41806520	研究论文	结合混合图Transformer精准估计组织微结构	提出混合图Transformer，同时考虑q-空间和图卷积网络以及x-空间残差密集Transformer块，实现空间域和扩散波矢量域的联合信息利用	未在更多样化的数据集或更低采样率下验证模型泛化能力	通过高度欠采样弥散磁共振成像数据精准估计组织微结构	组织微结构	计算机视觉、自然语言处理、机器学习	帕金森病	弥散磁共振成像	图卷积网络和Transformer	弥散磁共振成像数据	人类连接组项目和帕金森病高质量弥散加权成像数据	PyTorch	混合图Transformer（包括图卷积网络和残差密集Transformer块）	NA	NA
8871	2026-05-25	Phenotype discovery and mortality prediction in sepsis-induced myocardial dysfunction: a deep learning and stratified modeling approach 2026-May-23, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-026-03575-1 PMID:42177490	研究论文	利用无监督深度学习识别脓毒症诱导心肌功能障碍（SIMD）的临床表型，并基于表型分层构建最优短期生存预测模型	首次结合自编码器、UMAP和K-means聚类发现SIMD的三个不同预后表型，并通过表型特异性建模显著提升了死亡率预测性能	研究基于MIMIC-III和MIMIC-IV回顾性数据库，可能存在选择偏倚；表型发现未在前瞻性队列中验证	识别SIMD的临床表型并开发基于表型分层的短期生存预测模型	MIMIC-III和MIMIC-IV数据库中脓毒症诱导心肌功能障碍患者	机器学习	脓毒症诱导心肌功能障碍	NA	自编码器、XGBoost	临床数据	来自MIMIC-III和MIMIC-IV的SIMD患者队列（具体数量未提及）	PyTorch	自编码器、UMAP、K-means、XGBoost	AUC、PR-AUC	NA
8872	2026-05-25	Automated measurement of the minimum macular hole diameter based on optical coherence tomography images 2026-May-23, BMC ophthalmology IF:1.7Q3 DOI:10.1186/s12886-026-04931-5 PMID:42177481	研究论文	提出一种基于光学相干断层扫描图像的黄斑裂孔最小直径自动测量方法	设计包含图像预处理、边缘提取和自动测量三子任务的自动化流程，通过黄斑裂孔数据集裁剪和双边轮廓定位算法提升测量准确性与效率	深度学习方法在泛化能力上存在局限，且当前方法在低对比度图像中的表现有待验证	提高黄斑裂孔最小直径测量的自动化程度和准确性，辅助眼科诊断与治疗评估	公共OCT图像中的黄斑裂孔区域	计算机视觉	眼科疾病	光学相干断层扫描	NA	图像	公共数据集中的黄斑裂孔OCT图像	OpenCV	形态学操作与边缘检测算法	平均距离误差, 相对距离误差	NA
8873	2026-05-25	Cerebrospinal fluid volume outperforms traditional measures for predicting treatment failure in infant hydrocephalus 2026-May-23, Fluids and barriers of the CNS IF:5.9Q1 DOI:10.1186/s12987-026-00819-0 PMID:42177495	研究论文	探讨术前脑脊液体积测量在预测婴儿脑积水内镜下第三脑室造瘘术联合脉络丛烧灼术后是否需要分流依赖中的价值	首次证明术前脑脊液体积及其与颅内体积的比值（通过深度学习分割方法测量）优于传统线性测量指标，能独立预测婴儿脑积水ETV/CPC术后的分流依赖风险	NA	评估术前脑脊液体积测量是否独立预测婴儿脑积水ETV/CPC术后分流依赖	2008年至2024年期间接受ETV/CPC作为初始治疗的婴儿脑积水患者	机器学习	婴儿脑积水	MRI	深度学习分割模型	医学影像	188名婴儿（中位手术年龄60天，42.5%为女性）	NA	NA	风险比（HR）、95%置信区间（CI）、p值	NA
8874	2026-05-25	The development and application of deep learning for stem cell research 2026-May-22, Journal of genetics and genomics = Yi chuan xue bao DOI:10.1016/j.jgg.2026.05.008 PMID:42176802	review	综述深度学习在干细胞研究中的最新进展，包括生物影像数据分析和大规模基因组学数据探索	系统总结了深度学习在干细胞生物影像与基因组学数据分析中的创新应用，并指出当前模型的局限性与挑战	现有深度学习模型在干细胞研究中的应用仍面临数据可解释性、模型泛化能力及计算资源需求等挑战	阐述深度学习如何推动干细胞研究的策略革新并提供技术优势	干细胞领域的生物影像数据和大规模基因组学数据	机器学习	NA	NA	深度学习模型	生物影像, 基因组数据	NA	NA	NA	NA	NA
8875	2026-05-25	Smartphone movement data can reliably predict smoking lapses and cravings to enable timely smoking cessation support 2026-05-21, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-49611-y PMID:42168340	研究论文	利用智能手机被动收集的运动数据，通过深度学习模型预测吸烟行为，为戒烟提供即时支持	首次证明智能手机传感器（加速度计、陀螺仪和磁力计）被动收集的运动数据可用于预测吸烟行为，且无需个人数据即可实现高精度预测	未提及具体局限性	开发基于运动数据的吸烟行为预测方法，以支持戒烟干预	吸烟者的智能手机运动数据及吸烟行为（包括渴望、复发）	机器学习	吸烟成瘾	智能手机传感器（加速计、陀螺仪、磁力计）	1D-CNN-BiLSTM	运动数据（传感器信号）	NA	NA	1D-CNN-BiLSTM	准确率（accuracy）	NA
8876	2026-05-25	Machine learning and artificial intelligence in liquid biopsy-based early detection of pancreatic cancer: a scoping review 2026-May-21, BJC reports DOI:10.1038/s44276-026-00232-y PMID:42168331	综述	探讨人工智能和机器学习在基于液体活检的胰腺癌早期检测中的应用现状	系统综述了AI/ML策略在液体活检中用于胰腺导管腺癌早期诊断的最新进展，重点分析了不同技术及其成功程度	缺乏模型性能指标的标准化报告，以及队列规模小且标签粒度不够精细	综述人工智能驱动的液体活检在胰腺癌早期诊断中的应用	胰腺导管腺癌	机器学习	胰腺癌	液体活检	随机森林, 支持向量机, 深度学习	生物样本数据	18项研究	NA	随机森林, 支持向量机	NA	NA
8877	2026-05-25	Half-dose contrast media protocol using 70 kVp abdominal dynamic CT with super-resolution deep learning reconstruction: Evaluation of image quality and contrast performance 2026-May-20, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2026.112959 PMID:42176557	研究论文	评估使用超分辨率深度学习重建（SR-DLR）的70 kVp腹部动态CT在减少碘对比剂（CM）用量情况下的对比增强和图像质量	首次在70 kVp腹部动态CT中结合超分辨率深度学习重建（SR-DLR），实现对比剂用量减半并保持肝脏增强和整体图像质量	未明确说明局限性	评估减少碘对比剂用量的70 kVp腹部动态CT结合SR-DLR的图像质量和对比性能	600名接受腹部动态CT的患者，按肾功能分组，最终分析包括70 kVp-300 mgI/kg（n=24）、70 kVp-400 mgI/kg（n=48）和100 kVp-600 mgI/kg（n=48）	计算机视觉	NA	CT	超分辨率深度学习重建（SR-DLR）	图像	600名患者（最终分析120名）	NA	超分辨率深度学习重建网络（SR-DLR）	对比增强、对比噪声比（CNR）、信噪比（SNR）	NA
8878	2026-05-25	NeuraMFs: A deep learning model for airborne microfiber identification in plant biomonitors 2026-May-19, Journal of hazardous materials IF:12.2Q1 DOI:10.1016/j.jhazmat.2026.142410 PMID:42176626	研究论文	提出基于级联R-CNN和ResNet-101的深度学习模型NeuraMFs，用于植物生物监测器中空气微纤维的识别和分类	首次将两阶段级联R-CNN架构结合ResNet-101骨干网络应用于植物生物监测器中空气微纤维的自动识别和分类，并构建了多提取协议、高分辨率立体显微镜图像数据集	未提及模型在真实环境大规模部署时的泛化能力和计算资源需求，以及不同类型纤维的区分精细度	开发快速、可扩展的空气微纤维自动识别工具，支持大规模环境暴露和风险评估	苔藓、地衣和维管植物中的空气微纤维（合成和工业改性纤维素纤维）	计算机视觉, 数字病理学	NA	立体显微镜成像	CNN	图像	测试集中110个微纤维样本	PyTorch	Cascade R-CNN, ResNet-101	AUC, 准确率	NA
8879	2026-05-25	Artificial intelligence-enhanced ultrasound multimodal imaging and tissue characterization for predicting immunotherapy efficacy in rectal cancer 2026-May-14, Tissue & cell IF:2.7Q3 DOI:10.1016/j.tice.2026.103613 PMID:42176680	综述	综合评述人工智能增强超声多模态成像在预测直肠癌免疫治疗疗效中的应用	系统整合免疫生物学-超声-人工智能的跨学科框架，提出可解释人工智能、联邦学习、可穿戴超声贴片和多模态放射基因组学等未来方向	操作者间差异、设备异质性导致跨平台性能下降、超声-放射基因组学整合有限以及临床转化尚处于初期	评估人工智能增强超声多模态成像在预测直肠癌免疫治疗疗效中的现状与未来方向	直肠癌患者的肿瘤微环境动态变化及其免疫治疗反应	机器学习	直肠癌	多模态超声成像（包括腔内超声、超声造影、剪切波弹性成像、多普勒超声、光声成像）	深度学习、放射组学	图像	NA	NA	NA	诊断准确性	NA
8880	2026-05-25	Multimodal Prediction of Periodontitis Using Root Exposure in Intraoral Images and Age 2026-May-12, International dental journal IF:3.2Q1 DOI:10.1016/j.identj.2026.109617 PMID:42119243	研究论文	开发基于口腔照片的根暴露量量化深度学习流程，并结合年龄构建多模态牙周炎预测模型	首次利用YOLOv11分割模型从口腔照片中量化牙根暴露面积，并提取暴露根比（ERR）作为可解释性生物标志物，结合年龄等传统风险因素提升牙周炎预测性能	样本量较小（269名参与者），仅聚焦下颌前牙区，且未涉及其他潜在风险因素	评估基于AI的根暴露量化指标在牙周炎多模态风险预测中的价值	下颌前牙区口腔照片及参与者年龄、自报数据	计算机视觉, 机器学习	牙周炎	口腔摄影	YOLOv11分割模型, 逻辑回归, 支持向量机, 随机森林, 梯度提升	图像, 表格数据	269名参与者	PyTorch, Scikit-learn	YOLOv11	平均精度均值 (mAP@0.5), Dice系数, AUROC	NA