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
941	2026-04-17	Automated neuron tracking inside moving and deforming C. elegans using deep learning and targeted augmentation 2024-Jan, Nature methods IF:36.1Q1 DOI:10.1038/s41592-023-02096-3 PMID:38052988	研究论文	本文提出了一种名为Targettrack的深度学习方法，结合目标增强技术，用于在移动和变形的秀丽隐杆线虫中自动追踪神经元	引入了目标增强方法，通过自动合成人工标注来减少手动标注工作量，并学习大脑内部变形以生成新姿态的标注	NA	开发一种自动化方法，用于在行为动物中进行三维功能成像中的神经元分割和追踪	秀丽隐杆线虫中的神经元活动	计算机视觉	NA	三维功能成像	卷积神经网络	三维图像	NA	NA	NA	NA	NA
942	2026-04-17	An interpretable machine learning framework for measuring urban perceptions from panoramic street view images 2023-Mar-17, iScience IF:4.6Q1 DOI:10.1016/j.isci.2023.106132 PMID:36843850	研究论文	本文提出了一种可解释的机器学习框架，用于从全景街景图像中提取城市感知	强调特征和结果的可解释性，通过五步框架克服现有端到端“黑盒”模型的局限性	未明确提及具体限制，但暗示现有框架因缺乏可解释性而价值受限	测量城市感知，以支持城市规划	城市街景，特别是伦敦内城区的输出区域级别	计算机视觉	NA	深度学习	NA	全景街景图像	使用MIT Place Pulse数据集，具体样本数量未明确	NA	NA	通过犯罪率验证，未明确具体评估指标	NA
943	2026-04-17	Recent Technical Developments in ASL: A Review of the State of the Art 2022-11, Magnetic resonance in medicine IF:3.0Q2 DOI:10.1002/mrm.29381 PMID:35983963	综述	本文综述了自Alsop等人发表ASL共识论文以来，先进动脉自旋标记（ASL）技术的最新发展	系统总结了ASL在读出与轨迹、图像重建、噪声抑制、部分容积校正、非灌注参数量化、fMRI、指纹识别、血管选择性ASL、血管造影、深度学习及超高场ASL等多个方面的最新技术进展	未涵盖速度选择性ASL、多时间点ASL、体部ASL及临床ASL建议等主题，这些内容已在其他文章中详细讨论	促进研究机构和MRI厂商采纳ASL技术的最新进展，并提供实施指导	先进动脉自旋标记（ASL）技术	医学影像	NA	动脉自旋标记（ASL）	NA	磁共振成像（MRI）数据	NA	NA	NA	NA	NA
944	2026-04-17	Weakly Supervised Polyp Segmentation in Colonoscopy Images Using Deep Neural Networks 2022-Apr-22, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging8050121 PMID:35621885	研究论文	本研究提出了一种利用弱监督学习（边界框标注）训练深度神经网络进行结肠镜图像中息肉实时分割的方法	开发了首个结合弱监督策略（仅使用边界框标注）进行息肉分割的深度学习方法，显著提升了分割性能	研究仅基于单一数据集（Polyp-Box-Seg），且弱监督标注可能无法完全捕捉复杂息肉轮廓	提高结肠镜检查中息肉分割的准确性和效率，以辅助结直肠癌筛查	结肠镜图像中的息肉区域	计算机视觉	结直肠癌	深度学习	深度神经网络	图像	4070张来自超过2000名患者的结肠镜图像，其中1300张带有手动分割标注	NA	NA	Dice系数	NA
945	2026-04-17	Quantitative imaging of cancer in the postgenomic era: Radio(geno)mics, deep learning, and habitats 2018-12-15, Cancer IF:6.1Q1 DOI:10.1002/cncr.31630 PMID:30383900	综述	本文综述了定量图像分析（放射组学）在癌症异质性量化中的应用，并探讨了深度学习与肿瘤栖息地分割的扩展	提出将放射组学与深度学习结合，自动检测信息区域和特征，并引入肿瘤栖息地分割以链接肿瘤病理生理学	NA	为精准肿瘤学实践提供决策支持，通过图像分析改进癌症诊断、预后、预测和治疗监测	癌症患者，特别是其放射学图像中的肿瘤异质性	计算机视觉	癌症	放射组学，深度学习	CNN	图像	NA	NA	卷积神经网络	NA	NA
946	2026-04-14	Domain generalized feature embedded learning for calibration-free event-related potentials recognition 2026-Dec, Cognitive neurodynamics IF:3.1Q2 DOI:10.1007/s11571-026-10450-2 PMID:41971720	研究论文	本文提出了一种域广义特征嵌入学习方法，用于实现无需校准的事件相关电位识别	通过协方差质心对齐、xDAWN滤波器增强特征提取以及分解对抗损失进行特征泛化，实现了跨被试的鲁棒特征学习，无需目标样本即可泛化到新被试	NA	构建无需校准的基于脑电图的脑机接口，实现跨被试的事件相关电位识别	事件相关电位信号	机器学习	NA	脑电图	神经网络	脑电图信号	两个基准脑电图事件相关电位数据集	NA	神经网络嵌入骨干	分类性能	NA
947	2026-04-14	An attention fusion of Fourier-analysis-based transformer and CNN-BiLSTM for coastal inorganic nitrogen concentration forecasts 2026-Jun-15, Water research IF:11.4Q1 DOI:10.1016/j.watres.2026.125798 PMID:41904912	研究论文	本研究提出了一种名为AFTB的新型深度学习架构，用于沿海无机氮浓度的多步预测，以应对数据缺失和浓度分布偏斜的挑战	提出了一种融合傅里叶增强Transformer与CNN-BiLSTM网络的新型深度学习架构（AFTB），通过专用注意力机制进行集成，并引入了对数变换、改进的损失函数和极值过采样策略以处理数据偏斜	研究主要基于中国广西的九个浮标站数据，其普适性有待在其他地理区域验证；虽然对训练数据不完整性展现了鲁棒性，但未讨论模型在长期预测或极端气候事件下的表现	开发一种鲁棒且准确的深度学习模型，用于预测沿海无机氮浓度，以帮助缓解有害藻华	沿海无机氮浓度时间序列数据	机器学习	NA	深度学习，时间序列预测	Transformer, CNN, BiLSTM	时间序列数据（水质监测数据）	中国广西九个浮标站的数据（具体样本数量未在摘要中说明）	NA	AFTB（一种融合了傅里叶增强Transformer和CNN-BiLSTM的架构）	准确性，平均性能方差，推理速度	NA
948	2026-04-14	Super-Resolution enhanced deep learning for efficient and accurate urban flood simulation at the street scale 2026-Jun-15, Water research IF:11.4Q1 DOI:10.1016/j.watres.2026.125819 PMID:41930893	研究论文	本研究提出了一种基于深度学习的超分辨率增强模型（UFSR），用于高效且准确地进行城市街道尺度的洪水模拟	通过整合多源异构数据增强对城市微地形和排水结构的感知能力，引入注意力机制动态关注关键淹没区域，并设计了空间感知一致性损失函数以保持复杂地形下的重建一致性	未明确说明模型在极端降雨事件或未见过地形条件下的泛化能力	提高城市洪水模拟的效率和精度，以支持洪水风险管理和应急响应	城市街道尺度的洪水淹没深度	计算机视觉	NA	深度学习	CNN	图像数据	两个案例研究（Case 1和Case 2），其中Case 2涉及12个降雨情景	NA	UFSR	均方根误差	NA
949	2026-04-14	Modeling and prediction of desalination performance in a scaled-up membrane capacitive deionization system using machine learning and deep learning 2026-Jun-15, Water research IF:11.4Q1 DOI:10.1016/j.watres.2026.125839 PMID:41934772	研究论文	本研究利用机器学习和深度学习模型，对放大规模的膜电容去离子（MCDI）系统的脱盐性能进行建模与预测	首次在放大规模的MCDI系统中，采用严格按时间顺序的周期数据划分策略，并结合SHAP方法解释黑盒模型的物理化学逻辑，揭示了电流和pH值等关键影响因素	未明确说明模型在其他MCDI系统或不同操作条件下的泛化能力，且数据仅来自单一放大系统	建立稳健的数据驱动建模框架，以预测MCDI系统的出水导电率，减少传统试错方法的依赖	放大规模的膜电容去离子（MCDI）系统	机器学习	NA	膜电容去离子技术	随机森林, XGBoost, 多层感知机, LSTM	时间序列数据	NA	Scikit-learn, XGBoost, TensorFlow/PyTorch	随机森林, XGBoost, MLP, LSTM	决定系数, 均方根误差, 平均绝对误差	NA
950	2026-04-14	Enhancing cross-regional transferability of super-resolution-based flood surrogate models for data-scarce catchments 2026-Jun-15, Water research IF:11.4Q1 DOI:10.1016/j.watres.2026.125799 PMID:41916127	研究论文	本研究提出了一种迁移学习框架，通过图像超分辨率任务增强洪水替代模型在数据稀缺流域的跨区域可迁移性	将洪水替代建模视为图像超分辨率任务，开发了Residual SwinUNet模型，融合多通道粗网格洪水图与细网格地形特征，并探索了多种迁移学习策略以提升跨流域适应性	研究主要基于中国深圳河上游和澳大利亚里士满河两个流域，模型在其他地理和气候条件下的泛化能力有待进一步验证	提升基于深度学习的洪水替代模型在数据稀缺流域的跨区域可迁移性	洪水替代模型，特别是针对具有不一致基础分辨率和多样化地形特征的流域	计算机视觉	NA	深度学习，迁移学习，图像超分辨率	CNN, Transformer	图像（洪水图，地形特征）	涉及中国深圳河上游流域和澳大利亚里士满河流域的数据，具体样本数量未明确说明	PyTorch	Residual SwinUNet	准确性，基线准确度恢复率，可训练参数比例	NA
951	2026-04-14	Multi-modal deep learning model for predicting recurrence of moderately severe and severe acute pancreatitis 2026-Jun, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2026.112758 PMID:41795349	研究论文	本研究开发并验证了一个多模态深度学习模型APNet，用于预测中重度急性胰腺炎的复发风险	通过多尺度融合整合临床因素和增强CT特征，克服了单模态预测器的局限性，显著提升了预测性能	回顾性研究设计，样本量相对有限（235例患者），需要外部验证以进一步确认泛化能力	预测中重度急性胰腺炎（MSAP/SAP）的复发风险	中重度急性胰腺炎患者	数字病理学	胰腺炎	增强CT成像	深度学习模型	临床数据和CT图像	235例患者（开发队列184例，独立验证队列51例）	PyTorch, LightGBM	ResNet50, ViT（Vision Transformer）	AUC, 准确率, 精确率, 召回率, F1分数	NA
952	2026-04-14	NeuroMix-DL: Improving imaging quality of a fast multiparametric MRI protocol using deep learning 2026-Jun, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2026.112795 PMID:41831364	研究论文	本研究利用深度学习模型SwinUNETR提升快速多对比度脑部MRI协议（NeuroMix）的图像质量	首次将Swin U-Net Transformer（SwinUNETR）应用于快速多对比度MRI图像增强，显著降低图像误差并改善临床质量评分	研究为回顾性设计，样本量相对有限（350例），且未在外部数据集上验证模型泛化能力	通过深度学习提升快速多对比度MRI协议的图像质量，优化MRI的性价比	脑部MRI图像（T1加权、T2加权、T2 FLAIR对比度）	医学影像分析	NA	多对比度MRI序列（NeuroMix协议）	深度学习	医学影像（MRI图像）	350名患者（年龄64±17岁，155名男性）	PyTorch（基于SwinUNETR架构推断）	Swin U-Net Transformer（SwinUNETR）	均方根误差（RMSE），五点图像质量量表评分	NA
953	2026-04-14	Deep learning synthesis of virtual T2-weighted fat-suppressed MR images: a multi-center study 2026-Jun, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2026.112797 PMID:41855768	研究论文	本研究开发了一种基于生成对抗网络的深度学习模型，用于从标准T1和T2加权MRI图像生成虚拟T2脂肪抑制序列，旨在减少MRI扫描时间而不影响脊柱肿瘤的诊断价值	提出了一种利用生成对抗网络从常规T1和T2加权图像合成虚拟T2脂肪抑制序列的方法，实现了多中心验证，并展示了在减少扫描时间方面的潜在临床价值	合成图像在肿瘤内部细节可视化方面略逊于真实图像，且研究为回顾性设计，需要前瞻性研究进一步验证	开发一种能够生成虚拟T2脂肪抑制MRI序列的深度学习模型，以优化脊柱肿瘤的MRI扫描流程	来自两个机构的1,389名脊柱肿瘤患者的MRI图像	医学影像分析	脊柱肿瘤	MRI	GAN	图像	1,389名患者（训练集1,026例，内部验证集257例，外部测试集106例）	NA	GAN	MSE, SSIM, PSNR, Dice相似系数, SNR, CNR	NA
954	2026-04-14	Ethmoid sinus CBCT imaging as a biometric instrument: dataset creation for deep learning identification 2026-Jun, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2026.112796 PMID:41864172	研究论文	本研究构建了一个标注的筛骨CBCT数据集，并评估了其在基于深度学习的性别分类中的效用	首次利用筛骨CBCT影像作为生物特征识别工具，并创建了专门的数据集用于深度学习性别分类	样本量相对有限（565例），年龄范围较广（6-74岁），可能影响模型的泛化能力	评估筛骨CBCT影像作为生物特征识别工具的潜力，特别是用于性别分类	人类筛骨及筛窦的CBCT影像	计算机视觉	NA	锥形束计算机断层扫描（CBCT）	CNN	图像（CBCT扫描）	565例CBCT扫描（312名男性，253名女性），年龄范围6-74岁	NA	ResNet-50	F1分数	NA
955	2026-03-24	Letter to the Editor concerning "External validation of SpineNetv2 deep learning system for automated lumbar spine MRI analysis: A multi-pathology diagnostic agreement study" by Wu et al. (Eur spine J [2025]; https://doi.org/10.1007/s00586-025-09543-z) 2026-Jun, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2026.112802 PMID:41865474	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
956	2026-04-14	Development and validation of a CT-based deep learning radiomics model for differentiating parathyroid adenoma from atypical parathyroid tumor/parathyroid carcinoma 2026-Jun, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2026.112808 PMID:41865473	研究论文	本研究开发并验证了一种基于CT的深度学习放射组学模型，用于术前区分甲状旁腺腺瘤与非典型甲状旁腺肿瘤/甲状旁腺癌	开发了一个结合深度学习特征、放射组学特征和临床变量的综合模型，用于术前区分良恶性甲状旁腺肿瘤，并证实了其较高的诊断性能和临床实用性	这是一项回顾性研究，存在固有的选择偏倚风险；样本量相对有限，尤其是非典型肿瘤/癌的病例；模型性能需要在外部验证集中进一步确认	开发一种准确术前区分甲状旁腺腺瘤与非典型甲状旁腺肿瘤/甲状旁腺癌的工具，以支持个体化治疗决策	经病理证实的甲状旁腺肿瘤患者	数字病理	甲状旁腺肿瘤	CT成像	深度学习, 机器学习	CT图像	358个经病理证实的甲状旁腺肿瘤数据集（训练集250例，测试集108例）	Scikit-learn	KNN, Extra Trees, Random Forest	AUC, 准确率, 灵敏度, 特异性	NA
957	2026-04-14	Reducing breath-hold time in liver MRI: Clinical performance of deep learning-accelerated post-contrast T1 VIBE sequences 2026-Jun, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2026.112815 PMID:41903373	研究论文	本研究评估了深度学习加速的T1 VIBE序列在缩短肝脏MRI屏气时间的同时，是否能够保持诊断图像质量	首次在临床前瞻性研究中，将深度学习加速技术应用于肝脏MRI的对比后T1 VIBE序列，实现了屏气时间的大幅缩短（最高达67%）	加速序列在解剖区分性和病灶显影性方面评分略低于标准序列，图像质量存在轻微折衷	评估深度学习加速技术在肝脏MRI中缩短屏气时间并保持诊断质量的临床性能	接受肝脏MRI检查的患者	医学影像分析	肝脏疾病	深度学习加速的T1加权两点Dixon梯度回波序列	深度学习	MRI图像	99名患者（平均年龄61.0±15.4岁，49.5%女性）	NA	NA	Likert量表评分（整体图像质量、运动伪影、其他伪影、解剖区分性、病灶显影性）	1.5T MRI系统
958	2026-04-14	Experimental investigation of muscle-tendon unit geometry and kinematics in lower-limb muscles during gait: Current applications and future directions - A scoping review 2026-Jun, Gait & posture IF:2.2Q2 DOI:10.1016/j.gaitpost.2026.110159 PMID:41875704	综述	本文通过范围综述，探讨了肌肉骨骼建模和超声成像结合三维步态分析在评估神经运动障碍人群肌肉和肌肉肌腱单元特性中的应用及其临床意义	首次系统综述了肌肉骨骼建模和超声成像与三维步态分析结合在神经运动障碍人群中的应用，并评估了这些方法对临床评估和决策的潜在影响	肌肉骨骼建模受建模假设和缺乏实时数据的限制，而超声成像面临数据采集复杂性和处理挑战的约束	研究肌肉骨骼建模和超声成像如何与三维步态分析结合，以评估神经运动障碍人群的肌肉和肌肉肌腱单元特性，并探讨其临床意义	神经运动障碍人群，包括脑瘫、中风、遗传性痉挛性截瘫和特发性趾行	生物医学工程	神经运动障碍	肌肉骨骼建模，超声成像，三维步态分析	NA	运动数据，超声图像	50项研究，涉及4种病理人群和11个下肢肌肉	NA	NA	NA	NA
959	2026-04-14	Optimizing pediatric chest CT: superior image quality and lower radiation dose with deep learning reconstruction 2026-Jun, European journal of radiology IF:3.2Q1 DOI:10.1016/j.ejrad.2026.112799 PMID:41880682	研究论文	本研究比较了深度学习重建（DLIR）与混合迭代重建（HIR）算法在儿童胸部CT中的图像质量和辐射剂量	首次在儿童胸部CT中系统比较DLIR与HIR，证明DLIR能显著降低辐射剂量同时保持图像质量	研究为混合前瞻性-回顾性设计，DLIR组使用新一代扫描仪而HIR组为回顾性匹配，可能存在设备差异影响	优化儿童胸部CT成像，在降低辐射剂量的同时保证诊断图像质量	142名16岁以下接受非增强胸部CT检查的儿科患者	医学影像	儿科疾病	CT扫描	深度学习重建算法	CT图像	142名儿科患者（按年龄分层：0-5岁、6-10岁、11-16岁）	NA	NA	主观图像质量评分（5点Likert量表）、图像噪声（HU）、衰减值、辐射剂量指标（CTDIvol, DLP, 有效剂量）	NA
960	2026-04-14	A Systematic Review on Applications of Artificial Intelligence for Obesity Prevention 2026-May, Obesity reviews : an official journal of the International Association for the Study of Obesity IF:8.0Q1 DOI:10.1111/obr.70062 PMID:41436079	系统综述	本文系统综述了人工智能在肥胖预防中的应用，综合分析了2008年至2024年间发表的46项研究	首次系统性地综述了AI在肥胖预防领域的应用，并识别了研究空白，如预防、管理和治疗方面的探索不足	缺乏将AI整合到现实世界环境的综合框架，且预防策略的针对性研究不足	探讨人工智能技术在肥胖预防中的应用潜力，以应对这一关键公共卫生问题	肥胖预防相关的AI研究文献	机器学习	肥胖	机器学习、深度学习	支持向量机、长短期记忆网络	NA	46项研究	NA	NA	准确率、灵敏度	NA