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
921	2026-02-09	Artificial intelligence-based skeletal muscle estimates and outcomes of EUS-guided treatment of pancreatic fluid collections 2024-Sep, iGIE : innovation, investigation and insights DOI:10.1016/j.igie.2024.06.006 PMID:41646132	研究论文	本研究探讨了骨骼肌状态与胰腺液体积聚（PFCs）内镜超声引导治疗临床结局的关联	首次利用深度学习平台从术前CT图像中自动量化骨骼肌密度（SMD）和指数（SMI），并系统评估其与PFC治疗失败及住院死亡率的关系	研究为回顾性多中心设计，可能存在选择偏倚；未考虑其他可能影响结局的混杂因素如营养状况变化	评估骨骼肌质量（通过SMD衡量）和数量（通过SMI衡量）对PFC内镜治疗临床结局的预测价值	2010年至2020年间接受内镜超声引导治疗的372例胰腺液体积聚患者	数字病理学	胰腺疾病	CT影像分析，深度学习自动分割	深度学习模型	医学影像（CT图像）	372例患者	未明确说明	未明确说明	比值比（OR），置信区间，趋势P值	未明确说明
922	2026-02-09	VOLTAGE-2: multicenter phase II study of nivolumab monotherapy in patients with mismatch repair-deficient resectable locally advanced rectal cancer 2024-Mar, ESMO gastrointestinal oncology DOI:10.1016/j.esmogo.2023.100031 PMID:41648746	研究论文	VOLTAGE-2研究是一项多中心II期临床试验，旨在评估纳武利尤单抗单药治疗错配修复缺陷可切除局部晚期直肠癌患者的疗效和安全性	首次在II期试验中探索纳武利尤单抗单药作为错配修复缺陷可切除局部晚期直肠癌的新辅助治疗，并计划利用人工智能和深度学习驱动的多组学分析进行时空跨组学研究	非随机、单臂设计可能引入偏倚，且样本量未明确说明	评估纳武利尤单抗单药治疗错配修复缺陷可切除局部晚期直肠癌的疗效和安全性，并探索生物标志物	错配修复缺陷可切除局部晚期直肠癌患者	数字病理学	直肠癌	全基因组测序, 全外显子组测序, 全转录组测序, 循环肿瘤DNA检测	深度学习	基因组数据, 转录组数据, 影像数据, 病理数据, 临床数据	NA	NA	NA	2年临床完全缓解率	NA
923	2026-02-09	Enhanced accuracy for classification of video capsule endoscopy images using multiple deep learning convolutional neural networks 2024-Mar, iGIE : innovation, investigation and insights DOI:10.1016/j.igie.2023.11.007 PMID:41648898	研究论文	本研究提出了一种基于多个卷积神经网络的迁移学习方法，用于高精度自动分类无边界视频胶囊内窥镜图像	采用17个CNN的集成方法，无需图像分割，实现了自动特征提取和模型微调，达到了99.79%的整体诊断准确率	未提及模型在外部验证集上的性能或临床部署的可行性	提高视频胶囊内窥镜图像分类的准确率，以辅助临床诊断	正常个体和患有5种病理状态（血管扩张、出血、糜烂、溃疡和异物）患者的VCE图像	计算机视觉	胃肠道疾病	视频胶囊内窥镜	CNN	图像	超过16,000张VCE胃肠道图像	NA	多个CNN（具体架构未指定）	准确率, 混淆矩阵, 精确率, 召回率, F1分数	NA
924	2026-02-09	Deep learning-powered generation of artificial endoscopic images of GI tract ulcers 2023-Dec, iGIE : innovation, investigation and insights DOI:10.1016/j.igie.2023.08.002 PMID:41646054	研究论文	本研究提出了一种结合生成对抗网络和变分自编码器的VAE-GAN架构，用于生成人工内窥镜图像，以解决胃肠道溃疡诊断中数据不足的问题	开发了VAE-GAN架构来生成人工内窥镜图像，该架构能抵抗模式崩溃、梯度消失、不稳定性和不收敛问题，并通过高精度和召回率验证了生成图像的质量和多样性	专家对人工与真实溃疡图像的分类准确率仅为57.1%，表明生成图像与真实图像仍存在一定差异；数据偏见仅得到部分缓解	通过生成人工内窥镜图像来解决深度学习模型在胃肠道溃疡诊断中数据不足的问题，以提高模型泛化性能	胃肠道溃疡的内窥镜图像	计算机视觉	胃肠道溃疡	内窥镜成像	GAN, VAE, CNN	图像	未明确指定样本数量	未明确指定	VAE-GAN, DenseNet121, 5层CNN	精度, 召回率, 分类准确率	未明确指定
925	2026-02-09	Phase III trial of short-course radiotherapy followed by CAPOXIRI versus CAPOX in locally advanced rectal cancer: the ENSEMBLE trial 2023-Oct, ESMO gastrointestinal oncology DOI:10.1016/j.esmogo.2023.08.002 PMID:41647286	临床试验	这是一项随机III期试验，旨在比较短程放疗后CAPOXIRI与CAPOX作为局部晚期直肠癌全辅助治疗的疗效	首次前瞻性研究短程放疗后三联（CAPOXIRI）与双联（CAPOX）巩固方案在局部晚期直肠癌全辅助治疗中的优劣	未提及具体样本量或研究设计的潜在限制	测试短程放疗后CAPOXIRI方案在提高器官保留适应无病生存率方面是否优于CAPOX方案	局部晚期直肠癌患者	数字病理学	直肠癌	全基因组/转录组测序、液体活检、放射组学、数字病理学、深度学习	深度学习	组织样本、血液样本、影像数据、病理图像、临床特征	NA	NA	NA	器官保留适应无病生存率	NA
926	2026-02-09	Deep learning site classification model for automated photodocumentation in upper GI endoscopy (with video) 2023-Mar, iGIE : innovation, investigation and insights DOI:10.1016/j.igie.2023.01.002 PMID:41647956	研究论文	本文开发了一种深度学习模型，用于从上消化道内窥镜视频数据中提取高质量图像帧并进行解剖部位分类，以实现自动化的影像记录	提出了一种结合图像过滤器和解剖部位分类的深度学习模型，能够从包含大量低质量帧的内窥镜视频中自动提取高质量图像，并实现高精度的解剖部位分类	模型在视频数据上的整体准确率（89.7%至94.8%）略低于静态图像测试，且仅针对8个特定解剖部位进行了验证	开发一种深度学习模型，用于自动化上消化道内窥镜检查中的影像记录和标准化	上消化道内窥镜视频和静态图像数据	计算机视觉	NA	内窥镜检查	深度学习模型	图像, 视频	8231张内窥镜静态图像和26,103张视频衍生图像用于训练、测试和内部验证，2142张独立静态图像用于外部验证，5段内窥镜视频（共6308帧）用于性能分析	NA	NA	准确率, F1分数	NA
927	2026-02-09	Novel artificial intelligence-enabled deep learning system to enhance adenoma detection: a prospective randomized controlled study 2023-Mar, iGIE : innovation, investigation and insights DOI:10.1016/j.igie.2023.01.013 PMID:41647953	研究论文	本研究评估了在结肠镜检查中使用新型AI辅助检测系统DEEP2对腺瘤检测率的提升效果	开发并验证了仅基于白光成像的AI系统DEEP2，在右半结肠检测中表现出显著优势，且误报率低于其他系统	单中心研究，未使用连续数字色素内镜，可能影响结果普适性	评估AI辅助检测系统在结肠镜检查中对腺瘤检测质量的影响	40至85岁接受结肠镜检查的参与者	计算机视觉	结直肠癌	白光结肠镜检查	深度学习	图像	674例结肠镜检查	NA	NA	腺瘤检测率, 每结肠镜腺瘤数, 息肉检测率, 误报率	NA
928	2026-02-08	HeartUnloadNet: A cycle-consistent graph network with reduced supervision for predicting unloaded cardiac geometry from diastolic states 2026-Apr, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2026.109243 PMID:41529595	研究论文	本研究提出了一种名为HeartUnloadNet的深度学习框架，用于直接从临床舒张末期状态预测心脏的无负荷几何形状	提出了一种结合图注意力和生理参数的循环一致性双向训练策略的神经网络，能够在仅需少量标注数据的情况下实现高精度预测，计算速度比传统方法快10万倍以上	模型基于有限元模拟数据进行训练和验证，尚未在真实临床影像数据上进行测试	开发高效准确的深度学习框架，用于预测心脏无负荷几何形状，以支持个性化心脏生物力学建模	左心室的无负荷几何形状	数字病理学	心血管疾病	有限元模拟	图神经网络	网格数据	10,350个有限元模拟案例	NA	图注意力网络	Dice相似系数, Hausdorff距离, 平均距离, 节点误差标准差	NA
929	2026-02-08	A diagnosis tool for early detection and classification of heart disease in individuals using transformer mechanisms 2026-Apr, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2026.109248 PMID:41576777	研究论文	本文提出了一种基于Transformer的模型，用于早期检测和分类心脏病，并开发了Android应用以实现实时风险评估	首次将Transformer架构应用于心脏病分类，结合电子健康记录中的症状特征，并开发了移动应用以实现实时临床决策支持	研究仅基于单一医院的电子健康记录数据，可能缺乏外部验证和泛化能力	开发一种高效的心脏病早期诊断和分类工具，以降低死亡率并支持实时风险评估	一般人群中的个体，使用电子健康记录数据	自然语言处理	心血管疾病	电子健康记录分析	Transformer	文本	NA	NA	Transformer编码器	准确率, 精确率, 召回率, F1分数	NA
930	2026-02-08	CellViT++: Energy-efficient and adaptive cell segmentation and classification using foundation models 2026-Apr, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2025.109206 PMID:41576779	研究论文	本研究提出了一种名为CellViT++的数据高效且轻量级的框架，用于通用细胞分割，能够以最少的数据快速适应新的细胞类型	利用冻结的预训练基础模型进行分割，并在前向传播过程中无额外计算成本地提取深度细胞嵌入，仅需训练轻量级分类器即可适应新细胞类型，显著降低了计算成本和数据需求	未明确提及框架在处理极端罕见细胞类型或高度异质性组织样本时的性能限制	开发一种数据高效、计算成本低且适应性强的细胞分割与分类方法，以克服数字病理学中现有模型的局限性	数字病理学中的细胞分割与分类	数字病理学	结肠癌	免疫荧光染色	Vision Transformer	图像	七个公共数据集	PyTorch	Vision Transformer	F1分数	未明确指定GPU类型，但提及训练时间从小时级减少到分钟级，二氧化碳排放减少96.93%
931	2026-02-08	Application of artificial intelligence in colonoscopy imaging for polyp analysis-A systematic review 2026-Apr, Computer methods and programs in biomedicine IF:4.9Q1 DOI:10.1016/j.cmpb.2026.109239 PMID:41621228	综述	本文对深度学习在结肠镜图像息肉分析中的应用现状进行了全面且批判性的分析	系统性地回顾了包括卷积神经网络、基于Transformer的模型和混合方法在内的多种深度学习架构，并探讨了AI辅助工具的临床相关性及普遍性挑战	识别了现有技术面临的挑战，如数据不平衡、实时部署以及在不同人群和结肠镜设备间的泛化性问题	旨在为研究人员、临床医生和开发者提供利用深度学习增强结直肠息肉检测、诊断和临床决策的宝贵资源	结直肠息肉	计算机视觉	结直肠癌	结肠镜成像	CNN, Transformer	图像	NA	NA	NA	NA	NA
932	2026-02-08	Emerging Trends and Innovations in Radiologic Diagnosis of Thoracic Diseases 2026-Mar-01, Investigative radiology IF:7.0Q1 DOI:10.1097/RLI.0000000000001179 PMID:40106831	综述	本文综述了过去十年胸部影像学领域的关键进展，包括成像技术、计算工具和临床应用，并展望了未来方向	整合了人工智能驱动的计算机辅助检测系统、放射组学分析、光子计数探测器CT和低场MRI等新兴成像技术，以提升胸部疾病的诊断精度和个性化管理	作为综述文章，未涉及原始研究数据，且可能未涵盖所有最新技术进展	总结胸部疾病放射学诊断的新兴趋势和创新，以推动更精确和个性化的诊疗策略	胸部疾病，包括肺癌、肺结节、间质性肺病、慢性阻塞性肺病、COVID-19肺炎和肺栓塞	医学影像学	肺癌	CT纹理分析、灌注成像、光子计数探测器CT、低场MRI、双能CT、暗场X线摄影	深度学习	图像	NA	NA	NA	NA	NA
933	2026-02-08	Clinical Neuroimaging Over the Last Decade: Achievements and What Lies Ahead 2026-Mar-01, Investigative radiology IF:7.0Q1 DOI:10.1097/RLI.0000000000001192 PMID:40239043	综述	本文回顾了过去十年临床神经影像学领域的主要进展，包括成像技术、对比剂、数据分析方法及基础神经科学发现，并展望了未来方向	整合了《Investigative Radiology》期刊60周年纪念期间的高影响力文章，系统总结了技术革新与科学发现如何共同推动临床神经影像学发展	作为综述文章，未提出新的原始研究数据或方法，主要基于已有文献进行归纳总结	总结临床神经影像学过去十年的成就，分析当前挑战并展望未来发展方向	临床神经影像学领域的技术进展、科学发现及其对临床实践与研究的影响	医学影像学	中枢神经系统疾病	光子计数计算机断层扫描、低场与高场磁共振成像、快速定量成像技术	深度学习	医学影像数据	NA	NA	NA	NA	NA
934	2026-02-08	Artificial Intelligence for Postoperative Wound Monitoring: An Integrative Review of Digital Innovation and Clinical Feasibility 2026-Mar, The American surgeon DOI:10.1177/00031348251385104 PMID:41027651	综述	本文对人工智能在术后伤口监测中的应用进行了综合性评述，评估了其技术进展、临床可行性与未来发展方向	首次系统性地聚焦于术后伤口（而非慢性伤口）的AI监测，提出了整合深度学习、可穿戴生物传感器、移动应用和自然语言处理等技术的临床实施路线图	现有研究缺乏大规模标准化数据集、可解释AI框架和严格的临床验证研究	评估人工智能技术在术后伤口监测中的最新进展、临床可行性及未来整合路径	术后伤口监测相关的AI技术应用	数字病理学	NA	深度学习, 可穿戴生物传感器, 移动应用, 自然语言处理	NA	图像, 传感器数据, 文本	基于118篇符合纳入标准的相关文献	NA	NA	NA	NA
935	2026-02-08	A Gravity-Informed Spatiotemporal Transformer for Human Activity Intensity Prediction 2026-Mar, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2025.3625859 PMID:41150240	研究论文	本文提出了一种基于物理约束的深度学习框架Gravityformer，用于预测人类活动强度	通过集成万有引力定律来优化Transformer注意力机制，以解决现有方法忽视空间交互物理约束的问题	未明确说明模型在极端或异常情况下的鲁棒性	预测人类活动强度，以支持基于位置的服务	人类活动数据	机器学习	NA	深度学习	Transformer, 图卷积网络	时空数据	六个大规模真实世界活动数据集	NA	Transformer, 图卷积网络	定量和定性评估	NA
936	2026-02-08	Joint Sparse Optical Flow Estimation and Keypoint Detection via Dual-task Imperative Learning 2026-Mar, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2025.3627192 PMID:41171660	研究论文	本文提出了一种新颖的双任务强制学习框架，用于联合优化稀疏光流估计和自适应关键点检测	通过双任务强制学习框架，结合EM范式和高斯-牛顿推理引擎，实现了稀疏光流估计与关键点检测的协同优化，增强了模型的可解释性和跨域适应性	仅使用了200个训练图像对进行训练，可能限制了模型的泛化能力	解决深度学习在光流估计中面临的模型可解释性、泛化能力和部署效率问题，特别是在视觉里程计等应用中	稀疏光流估计和关键点检测	计算机视觉	NA	深度学习	CNN	图像	200个训练图像对	NA	NA	端点误差, F1-all, 视觉里程计轨迹精度	NA
937	2026-02-08	Revisiting Transformation Invariant Geometric Deep Learning: An Initial Representation Perspective 2026-Mar, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2025.3626735 PMID:41171655	研究论文	本文提出了一种名为TinvNet的通用插件方法，通过设计变换不变且保持距离的初始点表示，来实现几何深度学习的变换不变性，而无需复杂的网络层设计	发现变换不变且保持距离的初始点表示足以实现变换不变性，并提出了一种简单通用的插件方法TinvNet，该方法可与现有神经网络结合，严格保证变换不变性	未明确说明方法在极端变换或噪声数据下的鲁棒性，也未讨论计算复杂度相对于传统方法的详细对比	研究如何使深度神经网络在处理几何数据（如点云和图）时保持对平移、旋转、缩放等变换的不变性	几何数据，包括点云和图	机器学习	NA	NA	图神经网络, 深度神经网络	点云, 图数据	NA	NA	TinvNet	NA	NA
938	2026-02-08	OoDBench+: Quantifying and Understanding Two Dimensions of Out-of-Distribution Generalization 2026-Mar, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2025.3628027 PMID:41182941	研究论文	本文提出并量化了两种分布偏移类型（多样性偏移和相关性偏移），用于评估和理解OoD泛化算法的性能	识别并形式化定义了两种普遍存在的分布偏移类型，证明了OoD算法性能受其上限约束，并将不同研究领域的OoD数据集和算法整合到一个统一框架中	未在论文摘要中明确说明具体限制	量化并理解OoD泛化中的两种分布偏移维度，为未来研究提供基础	OoD泛化算法及其在分类和目标检测数据集上的性能	机器学习	NA	NA	NA	图像数据（基于分类和目标检测任务推断）	NA	NA	NA	NA	NA
939	2026-02-08	Ensemble Learning Model: A Novel Technique to Detect Malignancy in Effusion Cytology 2026-Mar, Cytopathology : official journal of the British Society for Clinical Cytology IF:1.2Q3 DOI:10.1111/cyt.70036 PMID:41205194	研究论文	本研究应用集成学习模型结合六种迁移学习架构来检测积液细胞学中的恶性肿瘤	首次在积液细胞学中应用六模型集成深度学习方法	NA	检测积液细胞学中的恶性肿瘤	积液细胞学样本	数字病理学	恶性肿瘤	细胞学染色	集成学习模型	图像	110例积液细胞学病例（59例良性，51例恶性），共755张代表性显微照片	Jupyter Notebook	DenseNet121, Xception, ResNet50, MobileNetV2, InceptionV3, VGG16	灵敏度, 特异度, 准确率, 精确率, 阴性预测值, F1分数, AUROC	NA
940	2026-02-08	Deep Learning With Data Privacy via Residual Perturbation 2026-Mar, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2025.3637239 PMID:41296949	研究论文	本文提出了一种基于随机微分方程的残差扰动方法，用于在深度学习（DL）中保护数据隐私，通过向ResNets的每个残差映射注入高斯噪声来实现	提出了一种新颖的残差扰动机制，该机制在保证差分隐私（DP）的同时，减少了深度学习的泛化差距，并在计算效率和效用维护方面优于现有的差分隐私随机梯度下降（DPSGD）方法	未明确提及具体局限性，但可能涉及噪声注入对模型性能的潜在影响或在不同网络架构中的适用性	研究在深度学习中保护数据隐私的方法，旨在减少隐私保护机制带来的效用损失和计算开销	深度学习模型，特别是ResNets（残差网络）	机器学习	NA	随机微分方程，高斯噪声注入	ResNet	NA	NA	NA	ResNet	效用维护，泛化差距	NA