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
1021	2026-06-04	Predicting diffusion-FLAIR mismatch from B1000 and ADC without FLAIR: A deep learning-based approach 2026-Jun-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-55388-x PMID:42230928	研究论文	提出一种基于深度学习的模型，仅使用B1000和ADC图像预测弥散-FLAIR不匹配，无需FLAIR序列	首次实现无需FLAIR序列即可预测DFM，仅依赖DWI和ADC图像，并在外部验证中表现优于人类专家	未提及模型在特定影像设备或极端临床条件下的泛化性验证	开发一种不依赖FLAIR序列的深度学习模型预测DFM，以辅助急性卒中诊疗	急性脑卒中患者的B1000和ADC图像	计算机视觉	脑血管疾病	磁共振成像	卷积神经网络	图像	2369例（开发队列），679例（独立外部验证队列）	NA	NA	AUROC	NA
1022	2026-06-04	Clinical determinants of retinal age gap estimated from fundus photographs in glaucoma patients 2026-Jun-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-55984-x PMID:42230934	研究论文	探讨青光眼患者眼底照片中视网膜年龄差距的临床决定因素	首次系统评估眼部因素对视网膜年龄差距的影响，特别是晶状体状态对估算结果的影响	回顾性观察研究设计，样本量有限（283只眼），且未包含其他可能的混杂因素	明确青光眼患者眼底照片估算的视网膜年龄差距的临床决定因素	283只成年人眼（来自山梨大学医院，2010年2月至2025年4月）	数字病理学	青光眼	眼底照相	深度学习模型	图像	283只眼（来自成年患者）	NA	NA	NA	NA
1023	2026-06-04	A multi-scale supervised contrastive framework for cross-domain soybean disease classification using leaf and UAV imagery 2026-Jun-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-56162-9 PMID:42230993	研究论文	提出多尺度监督对比框架，融合叶片和无人机影像实现跨尺度大豆病害分类	首次提出跨尺度监督对比学习框架对齐叶片与无人机影像特征，并设计结构化预处理流程减少光照偏差	零样本跨域迁移准确率仅40%，需微调或对比学习缩小域差异	开发统一的多尺度大豆健康监测系统，利用易获取叶片数据提升无人机影像分类性能	四种健康状态（健康、花叶病毒、虫害、锈病）的大豆叶片和无人机影像	计算机视觉	大豆病害（花叶病毒、锈病、虫害）	图像预处理（CLAHE、灰度世界颜色校正、光照归一化），监督对比学习	CNN（MaxViT、ConvNeXt）	图像（叶片和无人机影像）	MH-SoyaHealthVision数据集包含四类健康状况的样本	PyTorch	MaxViT, ConvNeXt	准确率、PCA/t-SNE分离度、轮廓系数、域差异度量	NA
1024	2026-06-04	A forensic evaluation method of stable diffusion-generated images using feature-based likelihood ratio by deep learning features 2026-Jun-02, Journal of forensic sciences IF:1.5Q2 DOI:10.1111/1556-4029.70339 PMID:42231110	研究论文	提出一种基于深度学习特征的似然比模型，用于法医鉴定稳定扩散生成的图像	首次将特征似然比模型与深度学习特征结合，用于鉴别稳定扩散生成的图像，提升了鉴定结论的可司法采纳性	未提及模型的泛化能力及在真实场景中的表现	提升对稳定扩散生成图像的法医学鉴定准确性	稳定扩散生成图像的真实性识别	计算机视觉	NA	稳定扩散模型	Swin-transformer	图像	开发集和验证集包含ImageNet真实图像和Stable Diffusion v1.4生成图像	NA	Swin-transformer	准确率、等错误率、对数似然比成本值、经验交叉熵曲线	NA
1025	2026-06-04	Training effect of a deep learning-based blended teaching model on ECMO transport for ICU nurses: a prospective, parallel-group, randomized controlled trial 2026-Jun-02, BMC nursing IF:3.1Q1 DOI:10.1186/s12912-026-04837-z PMID:42231331	研究论文	验证基于深度学习的混合教学模式在提高ICU护士ECMO转运能力方面的有效性	首次将深度学习导向的混合教学模式（融合在线沉浸学习、线下情景模拟和临床病例回顾）应用于ICU护士ECMO转运培训，并通过眼动追踪技术量化学习沉浸度	单中心设计，样本量有限，且对照组未接受同等在线互动资源，可能存在比较偏差	评估深度学习导向的混合教学模型对ICU护士ECMO转运能力（知识掌握、学习沉浸度和在线参与度）的提升效果	ICU护士	机器学习	NA	NA	NA	文本（问卷、量表）、眼动追踪数据（注视指标）	130名ICU护士（实验组68名，对照组62名）	NA	NA	知识得分、学习沉浸度（眼动追踪指标）、在线学习参与度、学习参与度、认知参与度、满意度	NA
1026	2026-06-04	Machine learning models of segmentation in acute ischemic stroke: a systematic review and meta-analysis 2026-Jun-02, Biomedical engineering online IF:2.9Q3 DOI:10.1186/s12938-026-01590-x PMID:42231379	综述与Meta分析	系统性回顾和定量评价基于机器学习的急性缺血性脑卒中病灶分割模型的性能	首次通过Meta分析方法系统评估急性缺血性脑卒中ML分割模型性能，并识别影响模型准确性和稳健性的因素	研究设计和报告标准的异质性需要方法学统一和外部验证	系统回顾和定量评估基于机器学习的急性缺血性脑卒中分割模型的性能	用于急性缺血性脑卒中病灶分割的机器学习模型	机器学习	急性缺血性脑卒中	CT、MRI	深度学习、U-Net变体	医学影像	101项研究	Python	U-Net及其变体	Dice系数、AUC、准确率、灵敏度、特异度	NA
1027	2026-03-21	Corrigendum to 'Multi-Task Deep Learning for Sex and Age Estimation from Panoramic Radiographs in a Brazilian Young Population': [International Dental Journal Volume 76, Issue 2, April 2026, 109381] 2026-Jun, International dental journal IF:3.2Q1 DOI:10.1016/j.identj.2026.109504 PMID:41855705	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1028	2026-06-04	Deep learning on genome-wide association studies to predict the patient-specific risk of radiation-induced erectile dysfunction 2026-Jun, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology IF:4.9Q1 DOI:10.1016/j.radonc.2026.111531 PMID:41967608	研究论文	利用深度学习模型分析全基因组关联研究数据，预测前列腺癌放疗后患者特异性勃起功能障碍风险	提出了一个结合生物学信息的深度学习模型BioDeepGWAS，首次将遗传变异和临床数据整合用于预测放疗引起的勃起功能障碍风险	样本量相对较小（387例可评估参与者），且模型尚未在独立外部队列中验证	开发一种基于深度学习的模型，利用基因组变异和临床数据改善放疗引起的勃起功能障碍风险的患者特异性预测	前列腺癌患者放疗后的勃起功能障碍风险	机器学习	前列腺癌	全基因组关联研究	深度学习模型（BioDeepGWAS）	遗传数据和临床数据	387例（221例RIED病例和166例非RIED对照），来自668例前列腺癌患者	NA	NA	AUC, 校准分析, 比值比	NA
1029	2026-06-04	Interpretable deep survival analysis of Alzheimer's disease via metabolic genetic variants 2026-Jun-01, Bioinformatics (Oxford, England) DOI:10.1093/bioinformatics/btag213 PMID:42063212	研究论文	提出可解释的深度生存分析模型，利用代谢相关遗传变异预测阿尔茨海默病发病	将前馈神经网络与Weibull生存模型结合，并集成SHAP可解释性技术，有效解决遗传变量间非线性交互的建模问题，避免传统方法的组合爆炸	样本量有限，且仅关注SNP数据，未纳入其他组学或环境因素	开发可解释的深度学习模型，预测阿尔茨海默病发病并解析遗传因素贡献	大规模单核苷酸多态性数据中的代谢相关遗传变异	机器学习	阿尔茨海默病	SNP基因分型	前馈神经网络	基因组数据	未明确说明样本数量	NA	前馈神经网络	一致性指数	NA
1030	2026-06-04	Deep Learning-Based Bone Age Assessment for Predicting Final Adult Height in Girls With Central Precocious Puberty 2026-Jun, Korean journal of radiology IF:4.4Q1 DOI:10.3348/kjr.2025.1221 PMID:42225576	research paper	本研究评估了基于深度学习骨龄评估与Bayley-Pinneau或韩国生长图表预测模型结合，预测中枢性性早熟女孩最终成年身高的准确性	首次将人工智能驱动的骨龄评估整合到两种预测模型中，并比较其与传统专家评估在预测最终成年身高方面的性能	单中心回顾性研究，样本量有限（122名韩国女孩）；未评估不同种族或治疗方案的泛化能力	评估人工智能骨龄评估在预测中枢性性早熟女孩最终成年身高中的临床应用价值	122名接受促性腺激素释放激素激动剂治疗至少2年的韩国中枢性性早熟女孩	machine learning, digital pathology	中枢性性早熟	Greulich-Pyle图谱，人工智能权重评分	深度学习（骨龄评估模型）	手部X光图像，生长参数数据	122名韩国中枢性性早熟女孩	NA	NA	R², 95%一致性界限（Bland-Altman分析）	NA
1031	2026-06-04	Ontology-Enhanced Deep Learning for Mechanistic Prediction of Drug-Drug Interactions: A Clinically Interpretable Framework 2026-Jun, Journal of clinical pharmacology IF:2.4Q3 DOI:10.1002/jcph.70220 PMID:42226315	研究论文	通过生物医学本体增强深度学习模型，预测药物-药物相互作用及其机制，并提高临床可解释性	首次将本体嵌入（来自SIDER、DrugBank和Gene Ontology）与神经网络结合，实现机制特异性预测，并增强模型临床可解释性	间接支持临床决策，未直接验证实际应用效果	提高药物-药物相互作用预测的准确性和机制可解释性	药物-药物相互作用及其11种药代动力学和药效动力学机制	自然语言处理	NA	本体嵌入	神经网络	生物医学本体数据（SIDER、DrugBank、Gene Ontology）	NA	NA	神经网络	ROC曲线下面积（AUC）	NA
1032	2026-06-04	Inference for Stationary Log-Gaussian Cox Point Processes using Bayesian Deep Learning: Application to Human Oral Microbiome Image Data 2026-Jun, Spatial statistics IF:2.1Q1 DOI:10.1016/j.spasta.2026.100973 PMID:42226885	研究论文	提出一种基于贝叶斯深度学习的方法来推断平稳对数高斯Cox点过程，应用于人类口腔微生物图像数据	提出了一种基于可逆神经网络的无似然推断方法，实现了对对数高斯Cox过程参数后验分布的快速近似估计，特别是对高维数据具有显著计算优势	未在标题和摘要中明确说明局限性	开发一种高效的无似然贝叶斯推断方法，用于分析空间点过程中的聚集现象	人类口腔微生物生物膜图像数据	机器学习	NA	NA	可逆神经网络	图像	两个不同的口腔微生物生物膜图像样本	NA	可逆神经网络	NA	NA
1033	2026-06-04	The role of artificial intelligence in sarcopenia: Advances, applications, and future directions 2026-Jun, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2026.108930 PMID:41610568	综述	探讨人工智能在肌肉减少症研究中的进展、应用与未来方向	系统综述了机器学习与深度学习在肌肉减少症早期检测、影像诊断、功能预测和个性化监测中的应用，并引入可解释人工智能、联邦学习等新兴方法	数据质量差异大、模型透明度有限、算法偏见及伦理问题等挑战仍需解决	分析人工智能在肌肉减少症研究和临床实践中的应用进展与潜力	肌肉减少症患者及相关数据	机器学习	老年性疾病	NA	机器学习, 深度学习	影像, 临床指标, 可穿戴设备数据	包含大规模数据集（如NHANES）但未提供具体样本数量	NA	NA	预测性能	NA
1034	2026-06-04	Exploring AI-driven deep learning approaches for optimizing space detection in single gap implantation based on CBCT images 2026-06, Journal of dentistry IF:4.8Q1 DOI:10.1016/j.jdent.2026.106631 PMID:41833743	研究论文	提出了一种基于AI的深度学习方法来优化单颗缺牙种植术中基于CBCT图像的空隙检测	提出了一种新颖的三步序列方法，利用nnUNet的DentalSegmentator框架自动检测单颗缺牙区域及其周围结构，无需额外手动分割	研究仅针对单颗缺牙区域，可能无法直接应用于多颗缺牙或更复杂的情况	开发自动检测单颗缺牙区域及其周围结构的方法，提高种植手术规划的准确性和效率	单颗缺牙区域的CBCT图像	数字病理学	口腔疾病	锥束计算机断层扫描	nnUNet	图像	66个CBCT扫描，包含80个单颗缺牙区域	nnUNet	nnUNet	准确率, 精确率, 召回率, 特异度, F1分数	NA
1035	2026-06-04	[Artificial intelligence as decision support tool in urological oncology: current evidence and challenges] 2026-Jun, Urologie (Heidelberg, Germany) DOI:10.1007/s00120-026-02831-6 PMID:42126599	综述	系统回顾人工智能在泌尿肿瘤学治疗决策中的应用现状，包括机器学习、深度学习和大型语言模型	首次系统比较了不同AI模型在泌尿肿瘤治疗决策中的性能指标，并分析了大型语言模型结合检索增强生成在指南依从性方面的优势	现有证据主要为概念验证研究，缺乏前瞻性验证研究，存在数据保护、技术挑战以及模型透明度和可解释性有限的问题	评估人工智能在泌尿肿瘤学治疗决策支持中的应用现状并分析临床实施挑战	PubMed数据库中关于人工智能应用于泌尿肿瘤治疗决策的相关文献	自然语言处理, 机器学习	泌尿系统肿瘤（前列腺癌、尿路上皮癌、肾细胞癌）	NA	机器学习, 深度学习, 大型语言模型	文本	NA	NA	NA	F1分数	NA
1036	2026-06-04	Marker-less Body Surface Registration with 3D imaging for Percutaneous Intervention with Smartphone Augmented Reality in Phantoms and in vivo 2026-Jun-01, Journal of vascular and interventional radiology : JVIR IF:2.6Q2 DOI:10.1016/j.jvir.2026.108871 PMID:42229872	研究论文	评估智能手机增强现实系统结合自动表面跟踪注册用于经皮穿刺的准确性	首次开发无需基准标记或额外传感器的智能手机AR引导系统，利用深度学习实现体表自动跟踪注册，简化增强现实工作流程	表面跟踪可补偿外部体表移动，但无法补偿内部器官运动；准确性受呼吸运动影响，肝脏靶点误差较大	评估智能手机AR引导系统用于经皮穿刺的自动表面跟踪注册精度	腹部体模及三只猪（15个靶点）的肝脏、肾脏和肌肉中的栓塞线圈	计算机视觉	NA	CT成像、深度学习	NA	CT图像	腹部体模（8名操作者），三只猪（15个靶点）	NA	NA	针尖到靶点距离、角度误差	智能手机平台
1037	2026-06-04	Fine-grained evaluation of neighborhood quality in China using street view images and big data technologies 2026-Jun-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-53650-w PMID:42230815	研究论文	利用街景图像和大数据技术，对中国城市社区质量进行细粒度评估	首次以社区为研究尺度，结合深度学习和街景图像获取微观数据，设计同时衡量城市软硬环境的社区质量评估体系	未在摘要中明确提及限制，可能包括数据覆盖范围或方法局限性	评估中国城市社区质量，分析软硬环境建设对社区质量的影响，并为城市规划提供理论支持	中国232个地级市的5829个主要社区（街道）	计算机视觉	NA	深度学习、街景图像分析	深度神经网络（具体模型未指定）	图像	232个地级市的5829个社区	NA	NA	NA	NA
1038	2026-06-04	AIRC-LABDEN: A multi-modal dataset for dental plaque diagnosis of patients with fixed labial orthodontic appliances 2026-Jun, Data in brief IF:1.0Q3 DOI:10.1016/j.dib.2026.112833 PMID:42232201	研究论文	介绍AIRC-LABDEN数据集，用于通过深度学习检测和量化固定唇侧矫治器患者的牙菌斑	首个专门针对佩戴正畸托槽患者的多模态牙科数据集，整合了高分辨率口腔图像与临床记录	未提及具体限制	促进多模态牙菌斑检测系统的开发，改善正畸患者的口腔护理	固定唇侧矫治器患者的牙菌斑	计算机视觉	口腔疾病（牙菌斑）	NA	深度学习	图像、临床记录	148名患者的10450张高分辨率口腔内图像	NA	NA	NA	NA
1039	2026-06-04	Ultralightweight progressive feature disentanglement and recomposition network for hyperspectral image classification 2026-May-30, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2026.109200 PMID:42229391	研究论文	提出一种超轻量级渐进式特征解耦与重组网络（ULite-FDRNet），用于高光谱图像分类，在表示能力、参数效率和分类性能之间实现优越平衡	首次提出统一的特征解耦与重组（FDR）范式，通过FDRConv2D/3D、轴向多尺度FDR 3D卷积（ScaleFDR3D）和三轴协同FDR注意力模块（TriSFDR）实现从浅层到多尺度再到全局的渐进式特征学习，大幅降低参数量和推理延迟	未提及在噪声或标注不完整情况下的鲁棒性，以及对于更大规模高光谱数据集的扩展性	解决现有深度学习高光谱图像分类方法参数量过大、推理延迟高的问题，实现资源受限场景下的高效部署	高光谱图像	计算机视觉	不适用	高光谱成像	卷积神经网络（CNN）	图像	四个HSI基准数据集	PyTorch	FDRConv2D/3D, ScaleFDR3D, TriSFDR	总体分类精度（OA）	NA
1040	2026-06-04	Physics-Aware Representation Learning on Electronic Charge Density for Materials Property Prediction 2026-May-29, Journal of chemical information and modeling IF:5.6Q1 DOI:10.1021/acs.jcim.6c00235 PMID:42212372	研究论文	提出一种物理感知的深度学习框架，直接从三维电子电荷密度预测材料力学和热力学性质	首次利用物理约束自编码器将高维电子电荷密度压缩为低维表示，并结合注意力机制和梯度提升机实现高效且可解释的材料性质预测	未明确讨论模型对其他材料性质（如电导率或光学性质）的泛化能力及对噪声数据的鲁棒性	实现直接从密度泛函理论计算的三维电子电荷密度快速预测材料机械和热力学性质	约6059种无机晶体化合物，覆盖多种晶体对称性	机器学习	NA	密度泛函理论 (DFT)	卷积自编码器（CAE）、LightGBM、注意力三维卷积神经网络（Att CNN）	三维电子电荷密度网格数据（128×128×128）和组分描述符（MAGPIE）	6059个无机晶体样本	PyTorch	三维卷积自编码器、注意力三维卷积神经网络（Att CNN）、LightGBM	R值（体模量R=0.94、杨氏模量R=0.88、剪切模量R=0.87、形成能R=0.96、德拜温度R=0.89）	计算资源需求约为完整DFT计算的1/25