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
881	2026-05-04	Extending Tanner's framework: the digital clinical judgment model for nursing education 2026-May-02, BMC nursing IF:3.1Q1 DOI:10.1186/s12912-026-04703-y PMID:42069542	研究论文	提出数字临床判断模型（DCJM），用于支持数字护理教育中临床判断的教学与学习	将Tanner临床判断模型与社会文化学习、脚手架及深度学习理论进行概念综合，提出包含教学、社会情感和技术支持的三层结构的数字临床判断模型	需进一步实证研究验证其在实践中的有用性及其对学生学习和教育设计的影响	开发支持数字护理教育中临床判断教学的教学模型	数字护理教育中的临床判断教学与学习	机器学习	NA	NA	NA	NA	NA	NA	NA	NA	NA
882	2026-05-04	Supervised contrastive learning for cell stage classification of animal embryos 2026-May-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-39214-y PMID:42069751	研究论文	提出结合监督对比学习和焦点损失的CLEmbryo方法，用于自动分类动物胚胎细胞阶段	首次将监督对比学习应用于胚胎细胞阶段分类，结合焦点损失处理不平衡数据，并采用轻量级3D神经网络CSN-50作为编码器	未明确提及局限性，但可能受限于低质量图像、类边界模糊和数据不平衡问题	利用深度学习自动从2D延时显微镜视频中分类胚胎细胞阶段，提升效率并支持大规模应用	牛胚胎和老鼠胚胎的细胞阶段分类	数字病理学	NA	视频显微镜	CSN-50（3D卷积神经网络）	图像	自建牛胚胎细胞阶段数据集和公开的NYU小鼠胚胎数据集	PyTorch	CSN-50	准确率	NA
883	2026-05-04	Hybrid deep learning model for multimodal vocal and lung signal analysis in health monitoring 2026-May-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32779-0 PMID:42069761	研究论文	提出一种混合深度学习模型，通过整合语音和肺部信号分析实现非侵入式健康监测	创新性地采用多模态数据处理方法，将卷积神经网络与双向循环神经网络融合为卷积双向循环神经网络模型，并行处理语音和肺音数据集，并通过集成模型进行综合评估	未提及模型在实际临床环境中的部署挑战，以及不同噪声条件下对模型性能的影响	开发一种多网络模型用于语音和肺部异常检测，以提高健康监测系统的准确性和可靠性	语音信号和肺部信号数据	机器学习	呼吸道疾病	梅尔频率倒谱系数	卷积双向循环神经网络	语音和肺部信号	未提及具体样本数量	NA	卷积神经网络、双向循环神经网络、卷积双向循环神经网络、集成模型	准确率	NA
884	2026-05-04	A synthetic dataset for time series super-resolution with deep learning 2026-May-02, Scientific data IF:5.8Q1 DOI:10.1038/s41597-026-07344-7 PMID:42069808	研究论文	介绍用于时间序列超分辨率研究的合成数据集CoSiBD，包含2500个高分辨率信号及其低分辨率版本	首次提供专为可重复时间序列超分辨率研究设计的合成基准数据集，信号生成采用分段频率调制和样条振幅包络以模拟非平稳行为	数据集为合成数据，可能无法完全反映真实世界时间序列的复杂性，且仅包含四种降采样水平	为深度学习时间序列超分辨率模型提供标准化训练和评估基准	生成的非平稳时间序列信号，包括清洁和含噪变体	机器学习	不适用	合成信号生成，均匀降采样	深度学习模型（基准测试中）	时间序列（一维信号）	2500个高分辨率信号（每个信号5000样本点），以及四个降采样水平（150、250、500、1000样本点）的对应低分辨率版本	NumPy	不适用（提供基线超分辨率结果，未指定特定架构）	谱分析指标，超分辨率基准性能（具体指标未在摘要中明确）	不适用（未提及）
885	2026-05-04	Breast ultrasound images for segmentation and classification using multi-task U-Net 2026-May-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-51534-7 PMID:42069816	研究论文	提出一种多任务U-Net框架，用于乳腺超声图像的联合分割与分类，以提升乳腺癌自动检测性能	创新点包括确定性过采样策略解决类别不平衡、预测-细化模块确保分割与分类输出一致性、以及注意力引导特征学习机制增强病灶定位能力	数据集规模小且不平衡，注释不一致，缺乏集成学习策略，临床适用性受限	开发一个有效且可靠的自动乳腺癌检测方法，提高乳腺超声图像中肿瘤分割和分类的性能	乳腺超声图像中的病变分割和肿瘤分类	数字病理学	乳腺癌	超声成像	多任务U-Net	图像	使用BUSI数据集，通过去除重复和不一致样本构建了精选版本	TensorFlow, PyTorch	U-Net	Dice系数, 准确率	NA
886	2026-05-04	Hybrid Vi+ECNN framework for advanced ADHD diagnostic accuracy in medical imaging 2026-May-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-50791-w PMID:42069836	研究论文	开发了一种结合Vision Transformer和增强卷积神经网络的多流深度学习框架，用于儿童大脑MRI的ADHD分类，显著提高了诊断准确性	首次将ViT与ECNN在生物信息引导的多流预处理策略（包括Raw MRI、PST和QHED）中整合，同时捕捉全局和局部神经解剖特征	未提及模型在外部数据集或不同年龄段人群中的泛化能力验证	开发一种客观、自动化的ADHD诊断工具，提高基于MRI的儿童ADHD分类准确率	儿童大脑MRI影像数据	计算机视觉	注意力缺陷多动障碍（ADHD）	NA	Vision Transformer (ViT), 增强卷积神经网络 (ECNN)	MRI影像数据	分层的儿童MRI数据集（具体样本量未在摘要中说明）	NA	Vision Transformer (ViT), 增强卷积神经网络 (ECNN)	准确性, 精确率, 召回率, F1分数	NA
887	2026-05-04	A compact and interpretable multi-source framework for heterogeneous medical image classification 2026-May-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-51120-x PMID:42069855	研究论文	提出了一种轻量级多源框架ML-ConvNet，用于异构医学图像分类，在降低计算开销的同时保持竞争性诊断性能	设计了仅4.2K参数和924M FLOPs的紧凑架构，融合多分支重参数化卷积、层次双路径注意力、特征自变换和局部方差加权优化策略，实现高效且可解释的医学图像分类	仅在公开数据集上验证，缺乏多机构外部验证，泛化性和临床适用性有待进一步评估	设计结构紧凑、可解释的多源医学图像分类框架，在资源受限场景下提供竞争性诊断性能	脑部MRI、肺部CT和胸部X光三种异质成像模态的公开基准数据集	数字病理学, 计算机视觉	NA	深度学习, 图像分类	轻量级卷积神经网络	医学图像	三个公开基准数据集（脑部MRI、肺部CT、胸部X光），具体样本数量未明确	NA	ML-ConvNet（含多分支重参数化卷积、层次双路径注意力、特征自变换）	F1分数, PR-AUC, 推理延迟	CPU和移动硬件测试，具体型号未明确
888	2026-05-04	Detection of benign prostatic hyperplasia using RGB prostate images and deep learning 2026-May-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-50580-5 PMID:42069861	研究论文	基于深度学习的RGB前列腺组织病理图像检测良性前列腺增生	将CNN与双向长短期记忆网络结合，并引入空间和时间注意力机制，同时采用自适应CLAHE增强图像质量	BPH检测灵敏度较低，召回率有待提升	开发一种基于深度学习的良性前列腺增生检测方法	前列腺组织病理RGB图像	数字病理学	前列腺癌	RGB组织病理成像	CNN-BiLSTM-Attention	图像	176张前列腺图像	NA	CNN, BiLSTM	AUC, 精确率, 召回率	NA
889	2026-05-04	Physics-guided resampling and asymmetric fusion for ultra-high-frequency bolt-loosening detection 2026-May-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-50662-4 PMID:42069869	研究论文	提出一种物理引导的重采样和不对称融合的深度学习框架，用于螺栓松动检测中的高频振动信号处理	首次将物理引导的重采样算子与异构梯度-谱张量表示及不对称融合模块结合，实现高压缩比下保留瞬态信号特征	未明确讨论对多螺栓耦合松动或大规模工业部署的泛化能力	实现工业监控中兼顾瞬态保真度和计算效率的压缩学习流程	六类1 MHz PVDF振动信号数据集，包含109,668个片段	机器学习	NA	高频振动信号分析	深度学习框架	波形信号	109,668个振动信号片段，测试集16,131个片段	PyTorch	PGRF-Net	准确率	NA
890	2026-05-04	Segmentation of spinal rootlets across MRI contrasts with RootletSeg 2026-May-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-49164-0 PMID:42069899	研究论文	开发了一种用于分割MRI扫描中C2-T1背侧和腹侧脊神经根的深度学习方法RootletSeg	首次实现了跨多种MRI对比度的脊神经根自动分割，并开源了方法以供下游分析使用	Dice得分平均在0.62至0.67之间，有一定提升空间	开发自动分割脊神经根的深度学习方法，用于脊髓水平估计、病变分类、神经调控治疗和群体分析	脊神经根（C2-T1背侧和腹侧）	计算机视觉	NA	MRI	深度学习	图像	93次MRI扫描来自50名健康成年人（平均年龄28.70岁，标准差6.53；男性28人（56%），女性22人（44%））	NA	RootletSeg	Dice得分	NA
891	2026-05-04	Leveraging population-scale proteomic data with deep learning for head and neck cancer detection in saliva 2026-May-02, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-026-02658-7 PMID:42069923	research paper	该文章提出了一种利用深度学习和人群规模蛋白质组学数据检测唾液中头颈癌的方法	通过样本类型迁移和合成数据增强技术，提高了癌症检测模型在不同样本类型间的泛化能力	仍需进一步验证，且独立验证数据集样本量较小（n=156）	开发基于血液蛋白质组学数据的深度学习框架，用于癌症早期检测	UK Biobank中的血浆蛋白质组数据和独立头颈癌病例对照研究中的唾液蛋白质组数据	machine learning	head and neck cancer	蛋白质组学	CNN	蛋白质组数据	13,208例泛癌病例和39,806例对照的血浆数据，以及156例独立唾液样本	PyTorch	CNN-Synth, VAE	AUC	NA
892	2026-05-04	LDDHybridNet: an ROI-aware CNN-LSTM hybrid framework for accurate and early leaf disease detection in precision agriculture 2026-May-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-50398-1 PMID:42069934	研究论文	提出一种基于ROI的CNN-LSTM混合框架LDDHybridNet，用于精准农业中早期叶片病害的准确检测	创新性地结合U-Net引导的ROI预处理、CNN空间特征提取和Bi-LSTM注意力机制，实现无时间序列的病害进展感知学习，并集成Grad-CAM可解释性	PlantVillage数据集上接近饱和的性能揭示了其人工性质，真实田间条件下对弱病变早期样本的准确率仍有提升空间	实现精准农业中早期、准确的植物叶片病害检测	植物叶片病害图像（如PlantVillage和FieldPlant数据集中的叶片图像）	计算机视觉	植物叶片病害	NA	CNN-LSTM混合模型	图像	PlantVillage基准数据集和FieldPlant数据集（具体数量未提及）	NA	U-Net, CNN, Bi-LSTM, Grad-CAM	准确率	NA
893	2026-05-04	Development and external validation of an interpretable multimodal deep learning model for 5-year mortality in high-risk stage ii colorectal cancer 2026-May-02, International journal of colorectal disease IF:2.5Q1 DOI:10.1007/s00384-026-05132-8 PMID:42069945	研究论文	开发并外部验证了一个可解释的多模态深度学习模型，用于预测高风险II期结直肠癌患者的5年死亡率	首次将临床数据、血清生物标志物和静脉期CT影像融合为多模态深度学习模型，用于高风险II期结直肠癌的预后预测，并利用SHAP和Grad-CAM增强模型可解释性	回顾性研究设计、样本量相对较小（特别是外部验证队列仅58例），且需要前瞻性验证才能用于治疗调整	提高高风险II期结直肠癌患者5年死亡率的风险分层准确性，支持风险适应性监测和临床决策	高风险II期结直肠癌患者（接受辅助化疗且有完整术前临床、生物标志物和CT数据）	机器学习	结直肠癌	NA	多模态深度学习模型（结合数值和影像输入）	数值（临床+生物标志物）和影像（CT）	778名患者（开发队列720名，外部测试队列58名）	NA	NA	AUC（曲线下面积）	NA
894	2026-05-04	Adaptmol: domain adaptation for molecular image recognition with limited supervision 2026-May-02, Journal of cheminformatics IF:7.1Q1 DOI:10.1186/s13321-026-01209-2 PMID:42070053	研究论文	提出一种图像到图模型AdaptMol，用于从合成数据向真实手绘分子图像的无监督域适应，实现高精度分子结构识别	结合类别条件最大均值差异对齐键级特征与综合数据增强，利用键级特征的域不变性实现无需目标域图标注的迁移，并引入双位置表示法（离散坐标令牌和连续空间热图）监督原子位置以减少假阳性	NA	实现光学化学结构识别从合成数据到真实手绘分子图像的有效迁移，无需目标域人工标注	分子图像（包括手绘分子图、科学文献和专利文档中的分子图像）	计算机视觉	NA	深度学习、光学化学结构识别	图像到图模型	图像	手绘分子图像数据集及四个基准数据集（含科学文献和专利文档分子图像）	PyTorch	AdaptMol	准确率	NA
895	2026-05-04	Protein foundation models: a comprehensive survey 2026-May, Science China. Life sciences DOI:10.1007/s11427-025-3147-2 PMID:41530646	综述	全面综述蛋白质基础模型的发展、应用、挑战与前景	系统梳理了蛋白质基础模型从序列到三维结构、功能注释和相互作用网络的多模态数据集资源，并探讨了自编码、自回归、扩散和流匹配等多种模型架构的进展	面临数据瓶颈、评估复杂性和模型可解释性等主要挑战	为计算生物学家提供路线图，为实验研究者提供应用蛋白质基础模型的战略框架	蛋白质基础模型	机器学习	NA	NA	自编码模型、自回归模型、扩散模型、流匹配模型	蛋白质序列、三维结构、功能注释、相互作用网络	NA	NA	NA	NA	NA
896	2026-05-04	Deep learning based gestational age estimation from multi-view fetal brain magnetic resonance imaging 2026-05, Pediatric radiology IF:2.1Q2 DOI:10.1007/s00247-026-06536-y PMID:41824048	研究论文	利用多视角胎儿脑部MRI和深度学习估算孕龄	首次将多视角MRI与迁移学习结合用于孕龄估算，显著优于传统生物统计回归方法	外部测试集样本量较小（80例），且未在不同MRI设备或人群中进行泛化验证	开发基于深度学习的孕龄估算模型，提升准确性	胎儿脑部MRI图像	计算机视觉	无特定疾病	MRI	CNN	图像	1,321例胎儿MRI扫描（内部训练集），80例公开MRI扫描（外部测试集）	PyTorch	ResNet-101	平均绝对误差，决定系数R2	NA
897	2026-05-04	AI-driven paradigm shift in follicle ultrasound monitoring: from automated segmentation to clinical decision support 2026-May, Reproductive biomedicine online IF:3.7Q1 DOI:10.1016/j.rbmo.2025.105440 PMID:41826105	评论	本文描述了人工智能在超声卵泡监测中的发展路径，重点是从自动分割到临床决策支持的范式转变	引入深度学习模型CR-Unet和C-Rend实现从二维到三维的精确卵泡分割，并建立二维卵泡面积和三维卵泡体积作为新的生物标志物，用于预测卵母细胞成熟度和优化人绒毛膜促性腺激素触发时机	NA	推动人工智能在超声卵泡监测中的应用，从自动分割向临床决策支持转变	卵泡超声影像	计算机视觉，数字病理学	生殖医学相关疾病	超声成像	CR-Unet，C-Rend（深度学习模型）	超声图像	NA	NA	CR-Unet，C-Rend	边界分割精度，测量一致性	Acclarix LXK9超声设备
898	2026-05-04	Automatic segmentation of clinical target volume for radiation therapy in breast-conserving patients and exploration of clinical factors influential to its performance 2026-May-01, The British journal of radiology DOI:10.1093/bjr/tqag036 PMID:41808474	研究论文	开发并验证用于乳腺癌保乳术后放疗中全乳腺临床靶体积自动分割的深度学习模型，并评估影响其性能的临床因素	首次系统评估临床因素（如肿瘤床位置和乳腺密度）对自动勾画性能的影响，并识别出外周肿瘤床和低密度乳腺组织为挑战性特征	单中心数据、回顾性设计，且模型在包含不利因素（如外周肿瘤床）的病例上表现下降	开发乳腺CTV自动分割模型并探索影响其性能的临床特征	乳腺癌保乳术后患者的全乳腺临床靶体积	计算机视觉, 数字病理学	乳腺癌	NA	深度学习模型	图像	857名患者，分为5个数据集（数据集1：300例，数据集2：10例，数据集3：20例，数据集4：10例，数据集5：517例）	NA	NA	Dice相似系数, 95百分位Hausdorff距离	NA
899	2026-05-04	Independent evaluation of deep learning models for detecting focal cortical dysplasia 2026-May, Epilepsy research IF:2.0Q3 DOI:10.1016/j.eplepsyres.2026.107778 PMID:41861767	研究论文	对三种深度学习工具（DeepFCD、MELD Classifier、MELDGraph）在磁共振图像中检测局灶性皮质发育不良进行了独立评估	首次独立评估三种先进工具在FCD检测中的性能，并引入校准阈值以改进特异性	各工具准确性、可靠性和可解释性有限，测试-重测一致性低	评估深度学习模型在FCD诊断中的临床实用性	局灶性皮质发育不良患者	计算机视觉	局灶性皮质发育不良	NA	深度学习	磁共振图像	202名癫痫患者（101名有FCD，101名无FCD）及21名个体的重复扫描	NA	DeepFCD, MELD Classifier, MELDGraph	准确率、敏感度、特异性、阳性预测值、Dice系数	NA
900	2026-05-04	Transcriptome-based Deep Learning Model for Predicting Gemcitabine and Cisplatin Chemotherapy Response in Urothelial Carcinoma: Development and External Validation 2026 May-Jun, Cancer genomics & proteomics IF:2.6Q3 DOI:10.21873/cgp.20589 PMID:42055629	研究论文	利用RNA测序数据开发深度学习模型，预测尿路上皮癌患者对吉西他滨和顺铂化疗的反应，并在外部独立队列中进行验证	基于转录组数据构建深度学习模型，实现了对化疗反应的高精度预测（训练集准确率94.7%，外部验证准确率90.0%），并通过基因本体分析和生存分析揭示了与化疗反应相关的四个关键功能簇	论文摘要中未提及明显局限性，可能包括样本量有限、模型通用性有待进一步验证等	开发一种基于RNA测序数据的深度学习模型，用于预测尿路上皮癌患者对吉西他滨和顺铂化疗的反应，以辅助个性化治疗决策	尿路上皮癌患者的RNA-seq基因表达数据	机器学习	尿路上皮癌	RNA-seq	深度学习模型	基因表达数据	训练数据集来自TCGA和GEO，外部验证来自釜山国立大学梁山医院的独立队列，具体样本数未提及	NA	NA	准确率	NA