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
9301	2026-01-30	Phase Model-Driven Deep Learning for Robust Phase Correction in High-Throughput NMR-Based Metabolomics 2026-Jan-29, The journal of physical chemistry letters IF:4.8Q1 DOI:10.1021/acs.jpclett.5c03529 PMID:41508827	研究论文	本研究提出了一种结合物理模型与深度学习的相位校正方法PD-RAN，用于高通量NMR代谢组学数据的高效处理	将物理模型驱动的相位特征与残差注意力网络结合，实现了对高维NMR光谱的精确相位校正	未明确说明方法在极端噪声或复杂样本类型下的泛化能力	开发一种适用于高通量NMR代谢组学的鲁棒相位校正方法	NMR光谱数据，包括脑提取物、血浆和尿液样本	机器学习	NA	NMR（核磁共振）	深度学习神经网络	一维NMR光谱（高维数据表示）	包括脑提取物、血浆和尿液等多种代谢组学样本，具体数量未明确	NA	残差注意力网络（Residual Attention Network）	NA	NA
9302	2026-01-30	Artificial intelligence revolution in shoulder magnetic resonance imaging: current evidence and future directions for rotator cuff diagnosis 2026-Jan-29, Clinics in shoulder and elbow IF:1.8Q2 DOI:10.5397/cise.2025.00990 PMID:41605224	综述	本文综述了人工智能在肩关节磁共振成像中用于诊断肩袖撕裂的当前证据与未来方向	系统回顾了2019年以来AI在肩关节MRI中用于肩袖撕裂检测、分类、分割和报告的最新应用，并特别探讨了深度学习和大语言模型（LLMs）的潜力	现有证据受限于有限的外部验证、数据集异质性以及缺乏监管批准，尚无完全自动化的诊断系统获得FDA许可	评估人工智能在肩关节磁共振成像中诊断肩袖撕裂的准确性、效率及临床应用潜力	应用于肩关节MRI的AI研究，特别是针对肩袖撕裂的检测、分类、分割或报告	医学影像分析	肩袖撕裂	磁共振成像	深度学习, 卷积神经网络, 大语言模型	图像, 文本	从732条记录中筛选，最终纳入19项研究进行综述	NA	VGG, 卷积神经网络	准确率, 灵敏度, 特异性	NA
9303	2026-01-30	MetalloDock: Decoding Metalloprotein-Ligand Interactions via Physics-Aware Deep Learning for Metalloprotein Drug Discovery 2026-Jan-28, Journal of the American Chemical Society IF:14.4Q1 DOI:10.1021/jacs.5c15876 PMID:41527511	研究论文	本文提出了首个专门为金属蛋白靶点设计的深度学习对接框架MetalloDock，用于精确预测金属蛋白-配体相互作用	创新性地将自回归空间解码引擎与物理约束的几何生成范式相结合，能精确重建金属配位几何并准确捕获金属-配体相互作用	NA	加速金属蛋白靶向药物发现，为金属蛋白特异性对接算法提供标准化评估框架	金属蛋白-配体相互作用	机器学习	前列腺癌	深度学习	深度学习模型	蛋白质-配体复合物结构数据	NA	NA	自回归空间解码引擎	对接成功率,虚拟筛选性能	NA
9304	2026-01-30	Coronary artery segmentation in non-contrast cardiac CT using anatomy-informed contrastive learning and synthetic data 2026-Jan-28, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ae387c PMID:41534216	研究论文	本研究提出了一种基于合成数据和对比学习的深度学习方法，用于从非对比心脏CT图像中自动分割冠状动脉	提出了一个完全在合成数据上训练的深度学习框架，并引入了一种基于解剖学先验的体素级对比学习策略，以区分冠状动脉和视觉相似的背景结构	模型仅在合成数据上训练，未使用真实世界的标注数据，其性能可能受合成数据与真实数据之间域差异的影响	开发一种无需人工标注即可从非对比心脏CT图像中准确分割冠状动脉的方法，以支持大规模冠状动脉疾病筛查	非对比心脏CT图像中的冠状动脉	数字病理学	心血管疾病	非对比心脏CT成像	深度学习	医学图像	未明确指定具体样本数量，但使用了大规模合成NCCT数据集以及一个公共NCCT数据集和一个内部临床数据集进行评估	未明确指定	未明确指定	未明确指定具体指标，但通过与最先进的无监督和域适应方法比较来评估性能	NA
9305	2026-01-30	ATRNet-STAR: A Large Dataset and Benchmark Towards Remote Sensing Object Recognition in the Wild 2026-Jan-28, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2026.3658649 PMID:41605166	研究论文	本文介绍了ATRNet-STAR数据集，这是一个用于合成孔径雷达自动目标识别的大规模、高质量数据集，并基于该数据集进行了广泛的基准测试	提出了首个大规模、多样化的合成孔径雷达车辆目标识别数据集，包含40种车辆类别和超过19万个标注样本，规模是先前著名数据集的10倍	数据收集成本高昂，且受隐私问题、微波雷达图像感知特性和专业标注需求限制	填补合成孔径雷达自动目标识别领域缺乏大规模公开数据集的空白，推动深度学习技术在该领域的应用	合成孔径雷达图像中的车辆目标，包括40种不同类别	计算机视觉	NA	合成孔径雷达成像	NA	图像	超过190,000个标注样本	NA	NA	NA	NA
9306	2026-01-30	Artificial Intelligence-Based Multi-Stage System for Automated Angle's Classification of Malocclusion from Intraoral Images in Orthodontics 2026-Jan-28, Journal of imaging informatics in medicine DOI:10.1007/s10278-025-01826-7 PMID:41606231	研究论文	本研究提出了一种基于多阶段深度学习流程的系统，用于从口腔内图像自动进行Angle错𬌗畸形分类	开发了一个三阶段自动化流程，仅使用口腔内照片（无需X光片）即可完成分类，并集成了侧向分类、特定侧别的磨牙区域定位和统一的错𬌗分类器	目前仅基于口腔内图像，未来需要整合X光片或3D扫描等多模态数据以进行更全面的正畸诊断	开发一个自动化系统，用于正畸中Angle错𬌗畸形的分类，以减少诊断差异并支持大规模筛查	口腔内咬合图像，特别是侧向咬合图像，要求患者年龄大于6岁且第一磨牙已完全萌出	计算机视觉	错𬌗畸形	深度学习，图像分析	CNN	图像	来自三个正畸中心的8909张侧向口腔内咬合图像，外部验证集包含383张未见过的图像	NA	MolarBBoxNet-R, MolarBBoxNet-L, AngleClassifier-R50	准确率, 敏感性, 特异性	NA
9307	2026-01-30	Benchmarking the geographic generalization of deep learning models for precipitation downscaling 2026-Jan-27, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-34557-4 PMID:41593162	研究论文	本文通过RainShift数据集和基准测试，评估了深度学习模型在降水降尺度任务中的地理泛化能力	引入了RainShift数据集和基准，首次系统评估了降尺度模型在地理分布偏移下的泛化性能，并探讨了领域适应等改进策略	模型在分布外区域性能显著下降，即使扩展训练域也难以完全克服地理差异，且高分辨率观测数据在全球分布不均	评估深度学习降水降尺度模型的地理泛化能力，以促进高分辨率气候信息的全球公平获取	地球系统模型（ESM）的输出数据，以及全球不同地理区域的降水观测数据	机器学习	NA	深度学习降尺度	GAN, 扩散模型	气候数据	NA	NA	NA	NA	NA
9308	2026-01-30	Sustainable design of organic solar cells utilized machine and deep learning 2026-Jan-27, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-35067-7 PMID:41593236	研究论文	本研究通过SCAPS-1D模拟和人工智能模型，对有机太阳能电池的结构进行优化和性能预测	结合详细物理模拟与人工智能预测模型（CNN和SVR），优化有机太阳能电池设计并预测其性能，以支持可持续发展目标	模拟基于一维模型，可能未完全反映三维实际器件中的复杂效应；人工智能模型的训练数据来源于模拟结果	优化有机太阳能电池的设计以提高其功率转换效率，并利用人工智能预测性能，推动清洁能源技术的可持续发展	具有ITO/PEDOT:PSS/PBDB-T:IT-M/PFN-Br/Al结构的有机太阳能电池	机器学习	NA	SCAPS-1D太阳能电池模拟器	CNN, SVR	模拟的结构参数与性能数据	NA	NA	卷积神经网络，支持向量回归	预测准确性	NA
9309	2026-01-30	SpatialDINO: A Self-Supervised 3D Vision Transformer that enables Segmentation and Tracking in Crowded Cellular Environments 2026-Jan-25, bioRxiv : the preprint server for biology DOI:10.64898/2025.12.31.697247 PMID:41509489	研究论文	本文介绍了一种名为SpatialDINO的自监督3D视觉Transformer方法，用于在拥挤的细胞环境中实现分割和跟踪	SpatialDINO是一种完全自动化的自监督方法，基于改进的DINOv2训练原生3D视觉Transformer，无需体素标注或重新训练即可从单通道显微镜图像中生成鲁棒的语义特征图，支持跨成像条件和模态的对象检测与分割	方法在训练时使用了小规模共聚焦体积数据集，可能限制其在更广泛场景下的泛化能力；自监督方法可能对某些特定对象类别的检测精度有限	开发一种自监督的3D视觉Transformer方法，以解决拥挤细胞环境中低对比度、各向异性、单色图像体积中对象识别、分割和跟踪的难题	拥挤细胞内环境中的不同大小和形状的物体，如网格蛋白包被小坑、网格蛋白包被囊泡、内体、溶酶体、细胞质膜、细胞核以及MRI扫描中的肿瘤	计算机视觉	NA	活细胞荧光3D晶格光片显微镜、共聚焦显微镜、MRI扫描	Vision Transformer	3D图像	小规模共聚焦体积数据集，涵盖不同大小和形状的目标	NA	DINOv2（改进版本）	NA	NA
9310	2026-01-26	An efficient dual path deep learning framework for COVID-19 classification using lung CT scans with explainable AI 2026-Jan-24, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-33178-1 PMID:41580460	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
9311	2026-01-30	Machine learning-based models for preoperative prediction of pituitary adenoma consistency: a systematic review and meta-analysis 2026-Jan-24, Acta neurochirurgica IF:1.9Q2 DOI:10.1007/s00701-026-06775-w PMID:41580565	系统综述与荟萃分析	本文通过系统综述和荟萃分析，综合评估了基于机器学习的模型在术前预测垂体腺瘤一致性方面的诊断性能	首次对机器学习模型在术前预测垂体腺瘤一致性方面的诊断性能进行了系统性的定量综合与荟萃分析	需要未来进行多中心研究，采用标准化成像和外部验证以优化临床转化	综合评估基于机器学习的模型在术前预测垂体腺瘤一致性方面的诊断性能	垂体腺瘤患者	机器学习	垂体腺瘤	MRI	Extra Trees, Random Forest, Support Vector Machine, k-Nearest Neighbors, Logistic Regression, Artificial Neural Network, 深度学习混合架构	图像	1621名患者	NA	NA	AUC, 准确率, 灵敏度, 特异度, 诊断比值比	NA
9312	2026-01-30	Deep learning-derived CT body composition enhances survival risk stratification beyond the TNM system in locally advanced gastric cancer: a multi-modality cohort study 2026-Jan-23, International journal of surgery (London, England) DOI:10.1097/JS9.0000000000004835 PMID:41570290	研究论文	本研究利用深度学习模型从CT图像中提取身体成分指标，结合代谢组学和免疫代谢分析，评估其在局部晚期胃癌预后分层中的作用	首次将深度学习衍生的CT身体成分指标与血浆代谢组学和肿瘤免疫代谢特征相结合，揭示了内脏与皮下脂肪比率作为超越TNM分期的预后生物标志物的潜力	回顾性单中心研究，样本量有限，代谢组学和免疫分析仅覆盖部分患者亚组	评估CT身体成分指标在局部晚期胃癌预后分层中的价值，并探索其与代谢和免疫特征的关联	227名接受根治性胃切除术的局部晚期胃癌患者	数字病理学	胃癌	CT成像，质谱分析，免疫组织化学，35色流式细胞术	深度学习	CT图像，血浆代谢组学数据，肿瘤免疫代谢数据	227名患者（其中86名进行血浆代谢组学分析，40名进行肿瘤免疫代谢分析）	NA	UNet++	一致性（r2），风险比，似然比检验，AIC变化值	NA
9313	2026-01-30	Diagnostic Performance of Deep Learning and Radiomics in Extracranial Carotid Plaque Detection: Systematic Review and Meta-Analysis 2026-Jan-22, Journal of medical Internet research IF:5.8Q1 DOI:10.2196/77092 PMID:41570300	系统综述与荟萃分析	本研究通过系统综述和荟萃分析，定量评估了深度学习和影像组学在诊断颅外颈动脉斑块方面的诊断效能	首次对深度学习和影像组学在颅外颈动脉斑块检测中的诊断准确性进行了系统性的定量综合与比较，并建立了标准化的评估框架	研究结果存在高异质性，回归分析未能识别显著的异质性来源，且合格研究数量有限，限制了更全面的亚组分析；缺乏多中心研究和外部验证	定量探索深度学习和影像组学对颅外颈动脉斑块的诊断效能，并建立一个标准化的框架以改进斑块检测	颅外颈动脉斑块	医学影像分析	心血管疾病	影像组学，深度学习	深度学习模型，基于影像组学的机器学习模型	医学影像	40项研究，共17246名患者	NA	NA	敏感性，特异性，SROC曲线下面积	NA
9314	2026-01-30	MS-MDDNet: A Lightweight Deep Learning Framework for Interpretable EEG-Based Diagnosis of Major Depressive Disorder 2026-Jan-22, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16020363 PMID:41594339	研究论文	本文提出了一种轻量级深度学习框架MS-MDDNet，用于基于EEG信号的可解释性重度抑郁症诊断	提出了一种结合空间、时间和深度可分离卷积的轻量级CNN模型，并采用集成方法，提高了计算效率和泛化鲁棒性，同时通过伽马能量与学习特征的相关分析实现可解释性	未明确提及具体局限性，但可能包括对特定数据集依赖或未在更广泛临床环境中验证	开发一种高效、可解释的深度学习框架，用于基于EEG信号的重度抑郁症自动诊断	基于EEG信号的重度抑郁症患者	机器学习	重度抑郁症	脑电图	CNN	EEG信号	三个公共数据集（MODMA、MUMTAZ和PRED + CT），具体样本量未明确	未明确指定，但基于深度学习框架	MS-MDDNet（自定义CNN架构，包含空间、时间和深度可分离卷积及平均池化）	准确率	未明确指定
9315	2026-01-30	Domain Shift in Breast DCE-MRI Tumor Segmentation: A Balanced LoCoCV Study on the MAMA-MIA Dataset 2026-Jan-22, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16020362 PMID:41594338	研究论文	本研究探讨了中心相关的域偏移对乳腺癌DCE-MRI肿瘤分割的影响，使用平衡的留一中心交叉验证方法评估模型性能	提出了平衡的留一中心交叉验证协议，以分离中心相关效应与样本量效应，揭示模型在未见中心上的性能下降	研究仅基于MAMA-MIA数据集，可能未涵盖所有类型的域偏移；模型性能在未见中心上显著下降，表明泛化能力有限	调查中心相关的域偏移如何影响自动化乳腺癌DCE-MRI肿瘤分割，并评估模型在未见中心上的性能	乳腺癌DCE-MRI图像中的肿瘤分割	计算机视觉	乳腺癌	动态对比增强MRI	CNN	图像	多中心MAMA-MIA数据集，包含ISPY2、DUKE、NACT三个中心组	NA	3D U-Net	Dice相似系数, 95th百分位Hausdorff距离, 灵敏度, 特异性	NA
9316	2026-01-30	Corn Kernel Segmentation and Damage Detection Using a Hybrid Watershed-Convex Hull Approach 2026-Jan-22, Foods (Basel, Switzerland) DOI:10.3390/foods15020404 PMID:41597005	研究论文	本研究提出了一种结合改进分水岭算法、凸包缺陷检测与SVM分类器的混合计算机视觉方法，用于粘连玉米籽粒的精确分割与损伤检测	提出W&C-SVM混合方法，通过改进分水岭算法（Sobel梯度和欧几里得距离变换）解决传统方法过分割问题，并仅需50张图像训练SVM分类器，为工业场景提供低成本小样本解决方案	方法在严重粘连籽粒的分离效果未与更多先进深度学习方法进行对比，且仅使用50张图像训练可能限制模型在更复杂场景的泛化能力	开发适用于工业质量控制的玉米籽粒自动分割与损伤检测方法	玉米籽粒（特别是粘连籽粒）及其机械损伤	计算机视觉	NA	图像处理与机器学习	SVM	图像	50张训练图像，独立测试集	未明确说明（可能为OpenCV, Scikit-learn）	改进分水岭算法（Sobel梯度+欧几里得距离变换）+凸包缺陷检测	损伤检测准确率	NA
9317	2026-01-30	Integrating Blockchain Traceability and Deep Learning for Risk Prediction in Grain and Oil Food Safety 2026-Jan-22, Foods (Basel, Switzerland) DOI:10.3390/foods15020407 PMID:41597004	研究论文	本研究提出了一种结合区块链溯源机制和深度学习（特别是GRA与TabNet-BO）的风险预测模型，用于粮油食品安全领域，旨在提升预测精度和数据管理的透明度与可信度	创新点在于将区块链的溯源能力与深度学习模型（GRA与TabNet-BO结合）集成，通过智能合约进行预测交互，并仅将超标数据上传至区块链，优化存储并确保数据真实性与可追溯性	未明确提及模型在更广泛数据集或实际部署中的泛化能力、计算成本或区块链网络的可扩展性限制	研究目标是实现粮油食品安全的早期预警分析和风险控制，通过提升预测准确性和数据管理可信度来保障公共健康	研究对象是粮油食品的质量和安全风险数据	机器学习	NA	深度学习，区块链技术，智能合约	TabNet	表格数据	NA	NA	TabNet	NA	NA
9318	2026-01-30	Improved Detection of Small (<2 cm) Hepatocellular Carcinoma via Deep Learning-Based Synthetic CT Hepatic Arteriography: A Multi-Center External Validation Study 2026-Jan-21, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16020343 PMID:41594319	研究论文	本研究开发了一种基于深度学习的合成CT肝动脉造影技术，用于提高小肝细胞癌的检测性能	利用循环一致生成对抗网络结合注意力模块从非侵入性肝脏动态CT生成合成CT肝动脉造影图像，以增强小肝细胞癌的检测	研究样本量有限，且仅针对肝细胞癌，未涵盖其他肝脏病变	开发并验证一种深度学习算法，通过生成合成CT肝动脉造影图像来改善小肝细胞癌的早期检测	肝细胞癌患者，特别是病灶小于2厘米的小肝细胞癌	计算机视觉	肝细胞癌	CT肝动脉造影，肝脏动态CT	GAN	图像	内部验证集：68名患者，139个病灶；外部验证集：87名患者，117个病灶；总训练集：277名患者	NA	U-GAT-IT	检测率，结构相似性指数，峰值信噪比	NA
9319	2026-01-30	Impact of Deep Learning-Based Reconstruction on the Accuracy and Precision of Cardiac Tissue Characterization 2026-Jan-21, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16020348 PMID:41594324	研究论文	本研究评估了基于深度学习的图像重建技术对心脏MRI中T1、T2和T2*映射的准确性和精确度的影响	首次系统评估深度学习重建在心脏组织表征映射中的影响，特别是对T1映射标准偏差的显著降低	研究仅纳入健康成年人样本，缺乏患者队列验证，且未来需要优化协议进一步确认结果	评估深度学习图像重建技术对心脏MRI组织表征准确性和精确度的影响	心脏MRI图像中的心肌组织，通过T1、T2和T2*映射进行表征	医学影像分析	心血管疾病	心脏MRI，T1、T2和T2*映射	深度学习	医学影像	50名健康成年人	AIR Recon DL原型	NA	平均值，标准偏差	NA
9320	2026-01-30	A Clinically Translatable Multimodal Deep Learning Model for HRD Detection from Histopathology Images 2026-Jan-21, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16020356 PMID:41594331	研究论文	开发了一种名为TRINITY的多模态深度学习模型，利用组织病理学图像、基于图像的转录组数据和临床分子数据，从H&E染色样本中非侵入性地预测同源重组缺陷状态	提出了一种结合成像、图像转录组和临床分子数据的多模态AI模型，用于从H&E染色全玻片图像中预测HRD状态，为PARP抑制剂治疗提供了一种快速、经济且节省组织的替代检测方法	需要进一步验证以确定其在更广泛癌症类型中的普适性	开发一种非侵入性、快速且成本效益高的方法，用于预测乳腺癌和卵巢癌患者的同源重组缺陷状态，以指导PARP抑制剂治疗决策	乳腺癌和卵巢癌患者的H&E染色全玻片图像、基于图像的转录组数据及临床分子数据	数字病理学	乳腺癌,卵巢癌	下一代测序,全玻片成像	深度学习	图像,转录组数据,临床分子数据	316个TCGA样本（乳腺癌和卵巢癌）以及74个外部盲法研究样本	NA	TRINITY	灵敏度,阴性预测值,阳性预测值,特异性,AUC-ROC	NA