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
9781	2026-05-30	Automatic hepatic steatosis quantification using low-dose CT with deep learning-based noise reduction and CT fat fraction analysis software 2026-Jun-01, The British journal of radiology DOI:10.1093/bjr/tqag054 PMID:41787978	研究论文	利用深度学习降噪和CT脂肪分数分析软件，评估低剂量CT自动量化肝脂肪变性的准确性	首次评估深度学习降噪重建对低剂量CT中CT衍生脂肪分数准确性的提升效果，并系统分析不同辐射剂量下的诊断性能	未提及具体限制	评估CT衍生脂肪分数软件在不同辐射剂量下量化肝脂肪变性的准确性，并考察深度学习降噪的影响	肝移植活体供者候选人的肝脂肪变性	计算机视觉	肝脂肪变性	非对比CT、MRI、深度学习降噪重建	深度学习噪声降低模型	CT图像、MRI图像	125名参与者（平均年龄38±10岁，77名男性），29人（23%）有肝脂肪变性	NA	深度学习降噪重建网络	皮尔逊相关系数、受试者工作特征曲线下面积	NA
9782	2026-05-30	A multi-toxicity deep learning approach for normal tissue complication probability modelling in head and neck cancer patients receiving radiotherapy 2026-Jun, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology IF:4.9Q1 DOI:10.1016/j.radonc.2026.111486 PMID:41856253	研究论文	开发一种多毒性深度学习模型，用于预测头颈癌患者放疗后正常组织并发症概率	首次利用多任务深度学习建模多种毒性同时发生的关系，提升预测性能	多毒性模型在所有终点上并非一致提升，部分毒性预测性能低于单任务模型	通过同时预测多种放射性毒性，捕捉毒性间的关系以提高正常组织并发症概率建模性能	头颈癌患者放疗后的五种毒性：误吸、吞咽困难、唾液粘稠、味觉改变和口干症	机器学习	头颈癌	NA	深度学习模型	3D剂量分布、CT扫描、器官危象分割、患者特征	1418例头颈癌患者（多机构队列）	NA	NA	AUC	NA
9783	2026-05-30	Enhancing Drug Response Prediction in Epilepsy with Emerging Multimodal Models: Focus on Clinical, Pharmacologic, and Genomic Factors 2026-Jun, CNS drugs IF:7.4Q1 DOI:10.1007/s40263-026-01295-8 PMID:42143205	综述	本文综述了新兴多模态模型在增强癫痫药物反应预测中的应用，重点关注临床、药理学和基因组因素	提出了利用人工智能和深度学习模型整合患者基因组风险因素与临床特征（如癫痫类型、MRI/EEG发现）进行多模态建模的新策略，并探讨了AI基础模型在癫痫小队列中的压缩表示能力	模型评估、数据可用性、伦理考虑和临床转化障碍等持续存在的挑战	探讨如何利用新兴技术（特别是AI和深度学习）提高癫痫药物反应预测的准确性，推动个体化抗癫痫药物处方	癫痫患者、抗癫痫药物、临床特征（癫痫类型、MRI/EEG发现）、基因组风险因素	机器学习	癫痫	NA	深度学习模型，AI基础模型	临床数据、药理学数据、基因组数据	NA	NA	NA	NA	NA
9784	2026-05-30	Development of a quantitative multiparametric ultrasound and deep learning classifier for the detection of prostate cancer 2026-Jun, European radiology IF:4.7Q1 DOI:10.1007/s00330-026-12323-y PMID:41612079	研究论文	开发了一种基于定量多参数超声和深度学习的分类器，用于检测临床显著性前列腺癌	首次利用3D多参数超声提取定量特征，结合深度学习分类器在较大规模的多中心前瞻性队列中准确检测临床显著性前列腺癌，并在外部数据集上验证了良好的泛化性能	未明确说明	开发一种基于深度学习的分类器，利用3D多参数超声的定量特征预测临床显著性前列腺癌的存在	327名疑似前列腺癌患者的前瞻性多中心队列	机器学习	前列腺癌	3D多参数超声，包括动态对比增强超声和剪切波弹性成像	3D深度学习分类器	定量超声特征	327名患者（250名用于训练和内部评估，77名用于外部评估）	NA	NA	受试者工作特征曲线下面积（ROC AUC）	NA
9785	2026-05-30	Multimodal deep learning for laryngeal squamous cell carcinoma staging using CT and laryngoscopy 2026-Jun, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-12315-4 PMID:41617832	研究论文	开发并验证一种整合临床数据、增强CT和喉镜图像的多模态深度学习模型，用于区分早期和晚期喉鳞状细胞癌	首次将临床数据、增强CT和喉镜图像进行特征级融合，构建多模态深度学习模型用于喉癌术前分期，相较于单一模态方法显著提高诊断准确性和预后分层能力	NA	开发并验证一种多模态深度学习模型，整合临床数据、增强CT和喉镜图像，用于术前准确区分早期和晚期喉鳞状细胞癌	喉鳞状细胞癌患者	计算机视觉, 数字病理学	喉鳞状细胞癌	增强CT, 白喉镜	深度学习, 多示例学习, 逻辑回归	图像, 临床数据	450名患者（训练集235人，内部验证集101人，外部验证集114人）	PyTorch	CT深度学习模型, 喉镜多示例学习模型, 临床逻辑回归模型, 随机梯度下降分类器	AUC, 准确率, 灵敏度, 特异性, 校准曲线, 决策曲线分析, 一致性指数(C-index)	NA
9786	2026-05-30	Auto-LSN: fully automated liver surface nodularity quantification in CT based on deep learning for the evaluation of advanced chronic liver disease 2026-Jun, European radiology IF:4.7Q1 DOI:10.1007/s00330-026-12346-5 PMID:41642300	研究论文	提出基于深度学习的全自动肝脏表面结节性（LSN）量化算法auto-LSN，用于评估晚期慢性肝病	首次实现LSN量化的全自动化流程，并证明其诊断性能非劣于FDA批准的半自动化软件	回顾性双中心研究设计，样本量相对较小（127例）	验证全自动LSN算法在慢性肝病纤维化分期中的诊断效能，并评估其非劣效性	慢性肝病患者的肝脏CT图像和肝活检组织	计算机视觉	晚期慢性肝病、肝硬化	CT	深度学习	CT图像	127例患者（平均年龄68±12岁，97名男性）	NA	NA	AUC、Spearman相关系数、非劣效性检验	NA
9787	2026-05-30	Opportunistic Cardiovascular Risk Assessment Using Routine Head CT in the Emergency Department 2026-May-26, Journal of the American College of Cardiology IF:21.7Q1 DOI:10.1016/j.jacc.2026.02.5095 PMID:41949516	研究论文	利用急诊科常规头部CT扫描进行机会性心血管风险评估	首次研究常规头部CT在心血管风险评估中的效用，并开发深度学习模型预测心血管疾病和估算冠状动脉钙化评分	回顾性研究设计，样本来自单一医疗机构（斯坦福医疗保健急诊科），可能存在选择偏倚	开发和验证从头部CT预测心血管疾病和估算冠状动脉钙化评分的深度学习模型，并评估其相对于临床风险因素的表现	无已知心血管疾病的成年急诊科患者	计算机视觉, 机器学习	心血管疾病	CT成像	深度学习模型	图像（CT扫描）	心血管疾病队列：27,990例患者；冠状动脉钙化队列：2,313例患者	NA	NA	一致性指数（C-index）, 受试者工作特征曲线下面积（AUC）	NA
9788	2026-05-30	Retraction Note: Structural configuration of sustainable sports industry based on deep learning and genetic algorithm 2026-May-26, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-54673-z PMID:42191804	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
9789	2026-05-30	Detection of maxillary sinusitis of endodontic origin in cone-beam CT images using deep learning algorithms 2026-05-26, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-52147-w PMID:42192120	研究论文	利用深度学习算法在锥形束CT图像中检测牙源性上颌窦炎	提出了一种定制化的模型工作流程，包括解剖分类、分割和特征提取，最终实现多视图分类，能够区分正常上颌窦、牙源性上颌窦炎和非牙源性上颌窦炎	NA	开发并评估基于深度学习的模型，以自动检测锥形束CT图像中的牙源性上颌窦炎	锥形束CT扫描图像，包括正常上颌窦、牙源性上颌窦炎和非牙源性上颌窦炎病例	计算机视觉	上颌窦炎	锥形束CT	CNN	图像	NA	NA	ResNet, U-Net	准确率, 精确率, 召回率, F1分数, DICE系数	NA
9790	2026-05-30	From Traditional Risk Factors to Machine Learning Models: Advancing the Prediction of Anastomotic Leak and Other Major Complications in Colorectal Cancer Surgery 2026-May-21, Cancers IF:4.5Q1 DOI:10.3390/cancers18101668 PMID:42193025	综述	系统评估人工智能（特别是机器学习和深度学习算法）在预测结直肠癌手术后吻合口漏及其他主要并发症方面的应用	系统比较了机器学习和深度学习算法与传统风险因素模型在预测术后并发症方面的性能，强调了AI在个性化围手术期管理中的潜力	存在较高的偏倚风险、有限的外部验证、异质性的结果定义以及不一致的报告，需要进行更稳健的前瞻性多中心研究	评估AI模型在预测结直肠癌手术后吻合口漏及其他主要并发症方面的应用效果	结直肠癌手术后患者	机器学习	结直肠癌	NA	机器学习（ML）、深度学习（DL）	临床数据	15,105名患者（来自13项研究）	NA	NA	预测性能（未具体列出指标）	NA
9791	2026-05-30	RNNet-MST: A ResNet-50 with Multi-Scale Transformer Blocks for Pulmonary Nodule Classification and Attention-Based Localization on Chest X-Ray Images 2026-May-21, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16101574 PMID:42196940	研究论文	提出一种结合ResNet-50与多尺度Transformer块的RNNet-MST模型，用于胸部X光图像中肺结节的分类与弱监督定位	将多尺度Transformer块集成到ResNet-50中以增强全局上下文建模，并设计自定义空间注意力机制实现病灶区域的弱监督定位	仅基于NODE21数据集进行验证，未在更大规模和多样化的临床数据集上测试	提高肺结节分类和定位的敏感性，减少假阴性诊断，辅助早期肺癌检测	NODE21胸部X光数据集中的肺结节	计算机视觉	肺癌	NA	CNN与Transformer混合模型	图像	基于NODE21胸部X光数据集（具体样本数未提及）	PyTorch	ResNet-50, Transformer	召回率, 精确率, F1分数, 敏感度	NA
9792	2026-05-30	Enhanced Prediction of Cardiovascular Disease Through Integrated Machine Learning Models Combining Clinical and Demographic Characteristics 2026-May-21, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16101572 PMID:42196938	研究论文	结合临床与人口统计学特征，利用决策树、随机森林和深度学习等机器学习技术，构建心力衰竭预测模型，以提升诊断和预后预测的准确性	将临床指标与人口统计学因素结合，构建混合模型，显著提高心力衰竭短期和长期结局预测能力，优于仅依赖临床指标的模型	NA	开发一种结合临床和人口统计学特征的心力衰竭预测模型，为个体化医疗干预提供可靠工具	心力衰竭患者	机器学习	心血管疾病	NA	决策树、随机森林、深度学习	临床数据（超声心动图、生物标志物、心电图特征）和人口统计学数据	大量心力衰竭受试者数据集（具体数量未说明）	NA	决策树、随机森林、深度学习混合模型	准确性	NA
9793	2026-05-30	AI and Machine Learning for Proteomics-Driven Drug Discovery: Methods, Tools, and Best Practices 2026-May-20, Current issues in molecular biology IF:2.8Q3 DOI:10.3390/cimb48050532 PMID:42193136	综述	本文综述了人工智能和机器学习在蛋白质组学驱动的药物发现中的应用、方法、工具和最佳实践	系统地比较了多种机器学习方法在蛋白质组学驱动的药物发现中的适用性，并总结了新兴方向如对比学习、扩散模型和图神经网络	未深入讨论具体实验验证结果，可能缺乏实际应用案例的详细分析	为蛋白质组学驱动的药物发现提供机器学习方法的全面综述和最佳实践指南	蛋白质组学数据在药物发现中的应用，包括目标识别、生物标志物发现、药效监测和药物重定位	机器学习	NA	质谱分析	监督学习、集成方法、降维、聚类、深度学习、图学习、生存建模、因果推断、校准方法、对比学习、扩散模型	蛋白质组学数据	NA	NA	NA	NA	NA
9794	2026-05-30	Robust Multi-Site ADHD Classification via GraphSAGE-Based Functional Connectivity Modeling from rs-fMRI 2026-May-20, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering13050586 PMID:42194343	研究论文	提出一种基于图抽样聚合网络的功能连接建模方法，用于从静息态功能磁共振成像数据中稳健分类注意力缺陷多动障碍	结合相位锁定值的功能连接估计和图抽样聚合网络，实现区域大脑活动与区域间交互的可扩展高效捕获，并提高对噪声和跨受试者变异性的鲁棒性	未提及具体限制	实现自动化且客观的注意力缺陷多动障碍诊断	注意力缺陷多动障碍患者	数字病理学	注意力缺陷多动障碍	静息态功能磁共振成像	图抽样聚合网络	图像	ADHD-200数据集（多个采集站点及组合多站点数据集）	PyTorch	GraphSAGE	准确率, AUC, 特异度	NA
9795	2026-05-30	ARTEMIS: An Explainable AI Framework for Multi-Class COVID-19 Diagnosis with a Newly Curated Dataset 2026-May-20, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering13050588 PMID:42194345	研究论文	提出一个名为ARTEMIS的可解释深度学习框架，用于多类别COVID-19诊断，并包含一个新整理的数据集	采用可学习的预处理组件动态调整图像对比度和锐度，结合EfficientNet-B0骨干网络与Transformer编码器，同时学习局部放射学特征和全局像素关系	未提及	开发高度可解释的深度学习流水线，用于胸部X光和CT图像的自动分类，区分COVID-19感染、社区获得性肺炎和正常情况	胸部X光和CT图像，包括公开数据集和新标注的CT数据集	数字病理学	COVID-19	NA	CNN, Transformer	图像	五个数据集，包括四个公开数据集和一个新CT数据集	PyTorch	EfficientNet-B0, Transformer	宏F1分数, 准确率	NA
9796	2026-05-30	Artificial Intelligence in Gastrointestinal Endoscopy and Hemostatic Decision-Making: Current Evidence, Clinical Implications and Implementation Barriers 2026-May-20, Life (Basel, Switzerland) DOI:10.3390/life16050845 PMID:42195401	综述	本文综述了人工智能在消化内镜及止血决策中的应用现状、临床意义和实施障碍	重点探讨了人工智能在消化内镜止血决策这一复杂领域的应用，分析了现有模型在非静脉曲张性出血、静脉曲张性出血及胶囊内镜中的表现，并提出了前瞻性多中心验证、可解释性、实时可用性等关键发展方向	前瞻性干预性证据有限，现有模型多受限于回顾性设计、单中心数据集、不完全外部验证、黑箱决策、异质性报告、工作流程障碍及成本效益不明确	评估人工智能辅助决策在消化内镜及内镜止血中的现有证据，并分析其临床应用前景与实施障碍	消化内镜与内镜止血中的人工智能模型，涵盖病变检测、特征识别、质量评估、临床风险预测及止血治疗决策	机器学习和自然语言处理	消化道出血	NA	机器学习与深度学习模型	内镜图像和临床数据	NA	NA	NA	NA	NA
9797	2026-05-30	Near-Infrared Spectroscopy in Food Analysis: Applications, Chemometric Strategies, and Technological Advances 2026-May-20, Foods (Basel, Switzerland) DOI:10.3390/foods15101814 PMID:42196017	综述	系统综述近红外光谱技术在食品分析中的原理、应用、化学计量学策略及技术进展	全面梳理了最新研究进展，强调近红外光谱作为快速、非破坏性检测方法的优势，并提出了多模态数据融合、深度学习集成和智能算法优化等创新解决方案	存在标样传输困难、基质干扰和模型泛化性等挑战	总结近红外技术在食品领域的应用进展，为其工业转化和标准化应用提供理论支持和技术参考	食品，包括谷物、肉类、果蔬、乳制品、发酵产品、茶、咖啡及其他加工食品	机器学习	NA	NIR spectroscopy (近红外光谱)	PLS, SVM, BP-ANN, 模糊聚类	光谱数据	NA	NA	NA	准确性、鲁棒性	NA
9798	2026-05-30	Multimodal Sensor Fusion for Non-Destructive Tea Quality Evaluation: Deep Learning-Enabled Methods, Applications, and Challenges 2026-May-20, Foods (Basel, Switzerland) DOI:10.3390/foods15101810 PMID:42196013	综述	总结了多模态传感与深度学习结合在茶叶品质无损检测中的最新进展，涵盖传感器互补性、数据融合策略、代表性应用及部署局限性	系统分析了多模态传感比单传感器更具优势的条件（须提供互补而非冗余信息层），并提出了未来研究的关键方向（标准化数据集、解释性建模等）	实际应用受限于数据集小且标准化不足、外部验证缺乏、传感器不稳定、模型迁移性差、计算成本高及可解释性不足	探索深度学习结合多模态传感用于茶叶品质快速无损评估的可行性与挑战	茶叶品质评估中的多模态传感数据（机器视觉、光谱、电子鼻/舌等）	机器视觉、深度学习	NA	多模态传感融合、深度学习	深度学习模型（综合类）	多模态数据（图像、光谱、信号等）	NA	NA	NA	NA	NA
9799	2026-05-30	Artificial Intelligence-Enabled Bioengineering of Extracellular Vesicle Platforms in Cardiovascular Medicine 2026-May-19, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering13050573 PMID:42194330	综述	本文探讨了人工智能和机器学习在心血管医学中细胞外囊泡平台生物工程中的应用，涵盖分离纯化、分析诊断和治疗制造三大支柱	将人工智能定位为细胞外囊泡生物工程的基础层，系统性地提出数据驱动平台工程框架来克服细胞外囊泡在心血管医学中的临床转化挑战	关键转化挑战包括MISEV2023合规性、数据集偏差、可重复性和监管协调	审查人工智能辅助策略在心血管医学中细胞外囊泡平台三大支柱中的应用	心血管医学中的细胞外囊泡平台	机器学习	心血管疾病	NA	深度学习、机器学习	多组学数据、生物传感器数据、细胞外囊泡表型数据	NA	NA	NA	NA	NA
9800	2026-05-30	Quantifying the Contribution of Bone Morphology to Implant Selection in Shoulder Arthroplasty Using CT-Based Deep Learning 2026-May-19, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering13050574 PMID:42194331	研究论文	利用基于CT的深度学习量化骨形态对肩关节置换术中植入物选择的贡献	提出了一个假设驱动的深度学习框架，结合分割和病理分期流水线，引入植入物类型预测和受控人机比较，量化骨形态对植入物选择的贡献	骨形态仅提供可测量但不完整的植入物选择信号，不能反映临床决策性能，存在类别依赖的不对称性（对反向植入物的召回率高于解剖型）	评估骨形态是否足以指导肩关节置换术中的植入物选择，并量化其贡献	肩关节置换术患者及骨科医生的植入物选择决策	计算机视觉, 机器学习	肩关节疾病	CT扫描	CEL-UNet, ArthroNet	图像（CT）	600例患者的多中心队列	PyTorch	CEL-UNet, ArthroNet	Dice系数, 准确率, Fleiss' κ系数, 召回率	NA