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
1061	2026-04-05	An Alignment and Imputation Network (AINet) for Breast Cancer Diagnosis With Multimodal Multi-View Ultrasound Images 2026-Apr, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2025.3625254 PMID:41134947	研究论文	本文提出了一种用于乳腺癌诊断的新型对齐与插补网络（AINet），通过整合多模态多视图超声图像，解决现有方法在处理缺失模态或视图时的局限性	提出了一种结合对齐与插补预训练及分层融合微调的网络，首次通过跨模态对比学习对齐特征，并模拟缺失模态场景进行插补，增强了模型对多模态多视图数据的鲁棒性	未明确说明模型在极端缺失情况下的性能边界或计算效率，且可能依赖于特定数据集规模	开发一种能有效处理多模态多视图超声图像中缺失数据的深度学习模型，以提升乳腺癌诊断的准确性和临床适用性	乳腺癌诊断中的多模态多视图超声图像	计算机视觉	乳腺癌	超声成像	深度学习网络	多模态多视图超声图像	15,223名受试者，来自三个数据集	未指定	对齐与插补网络（AINet）	未指定具体指标，但提及显著优于现有方法	未指定
1062	2026-04-05	Prompting Lipschitz-Constrained Network for Multiple-in-One Sparse-View CT Reconstruction 2026-Apr, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2025.3627305 PMID:41166618	研究论文	本文提出了一种名为PromptCT的存储高效深度展开框架，用于处理多合一稀疏视图CT重建，通过引入可证明满足Lipschitz约束的网络LipNet和显式提示模块，在单一模型中处理多种稀疏采样配置	提出了可证明满足Lipschitz约束的网络LipNet，并设计了显式提示模块，使单一模型能够处理多种稀疏视图配置，同时理论上证明了算法的收敛性	未明确说明模型在极端稀疏视图情况下的性能，也未讨论在实际临床环境中对不同扫描仪和协议的泛化能力	解决稀疏视图CT重建中深度学习方法面临的理论可证明性不足和存储成本高的问题	稀疏视图CT图像重建	计算机视觉	NA	稀疏视图CT扫描	深度展开网络	CT图像	NA	NA	LipNet, PromptCT	重建质量	NA
1063	2026-04-05	Smart and efficient waste management through wireless IoT-enabled deep learning 2026-Apr-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-43827-8 PMID:41922583	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1064	2026-04-05	A view-flexible deep learning framework for automated analysis of 2D echocardiography 2026-Apr-01, NPJ cardiovascular health DOI:10.1038/s44325-025-00100-7 PMID:41922808	研究论文	本研究开发了一种视图灵活深度学习框架，用于从包含左心室的多个超声心动图视图中自动估计左心室射血分数、患者年龄和性别	提出了一种视图灵活深度学习框架，能够处理多种超声心动图视图，降低了对图像采集专业知识的依赖，扩展了手持心脏超声的临床应用潜力	NA	开发自动化深度学习框架以分析二维超声心动图，支持左心室射血分数、年龄和性别的估计	超声心动图图像，特别是包含左心室的视图	计算机视觉	心血管疾病	超声心动图	深度学习	图像	回顾性和前瞻性经胸超声心动图数据集，涉及625名患者，其中100名患者用于专家与新手用户数据对比	NA	NA	相关系数(r), AUC	NA
1065	2026-04-05	Cell-MICS: Detecting Immune Cells With Label-Free Two-Photon Autofluorescence and Deep Learning 2026-Apr, Journal of biophotonics IF:2.0Q3 DOI:10.1002/jbio.70260 PMID:41923530	研究论文	本文提出了一种结合无标记双光子自发荧光成像与深度学习的方法，用于检测免疫细胞	利用计算特异性增强无标记双光子成像，通过卷积神经网络实现免疫细胞的可靠分类，无需传统抗体标记	NA	探索多光子成像结合计算特异性在无标记组织中检测特定免疫细胞的潜力	免疫细胞，包括T细胞和中性粒细胞等六种分离细胞类型	计算机视觉	NA	无标记双光子自发荧光成像	CNN	图像	NA	NA	SqueezeNet	ROC-AUC, PR-AUC, F1分数, 精确度, 召回率	NA
1066	2026-04-05	A lightweight neural model for gas concentration prediction in TDLAS under varying environmental conditions 2026-Apr-01, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2026.127842 PMID:41932085	研究论文	本文提出了一种基于真菌生长优化多层感知器的轻量级深度学习模型，用于在变化环境条件下通过TDLAS系统预测气体浓度	提出了一种集成真菌生长优化算法与多层感知器的轻量级深度学习模型，能够自适应优化网络架构，以应对温度与压力变化对气体浓度测量的影响	NA	解决在温度与压力变化环境下，TDLAS系统气体浓度测量的准确性问题	气体浓度测量，特别是通过TDLAS/WMS系统在变化环境条件下的预测	机器学习	NA	TDLAS, 波长调制光谱	MLP	光谱特征数据	NA	NA	多层感知器	平均绝对百分比误差, 决定系数	NA
1067	2026-04-05	Deep learning and statistical methods identify novel asthma risk variants in Europeans 2026-Apr-01, The Journal of allergy and clinical immunology IF:11.4Q1 DOI:10.1016/j.jaci.2026.03.016 PMID:41932550	研究论文	本研究通过大规模GWAS荟萃分析、统计方法和深度学习框架，识别了欧洲人群中新的哮喘风险变异，并改进了多基因风险预测	结合了多性状分析、条件错误发现率和基于Transformer的深度学习框架，首次系统识别了69个新的全基因组显著位点，并提升了风险预测性能	研究仅针对欧洲血统个体，结果可能不适用于其他人群；深度学习模型的可解释性有限	精炼欧洲血统个体中哮喘的遗传图谱，并通过统计和深度学习方法改进多基因风险预测	欧洲血统的哮喘患者和对照个体	机器学习	哮喘	全基因组关联研究（GWAS）、多性状分析（MTAG）、条件错误发现率（condFDR）、深度学习	Transformer	基因组数据	158,763例病例和1,652,409例对照	NA	Transformer	多基因风险评分（PRS）性能比较	NA
1068	2026-04-05	AI in Ophthalmology: A Bibliometric Analysis of Retinal Imaging Innovations and Global Research Collaboration 2026-Apr-01, Photodiagnosis and photodynamic therapy IF:3.1Q2 DOI:10.1016/j.pdpdt.2026.105458 PMID:41932561	研究论文	本文通过文献计量学分析，探讨了人工智能在眼科视网膜成像领域的创新应用及全球研究合作动态	首次对人工智能在眼科领域的文献进行了全面的文献计量和科学图谱分析，揭示了研究趋势、合作网络及主题演变	研究存在现实世界临床整合不足、监管框架缺失以及低资源地区代表性有限等缺口	阐明人工智能在眼科应用中的知识图谱、主题演变及合作动态	人工智能在眼科视网膜疾病诊断与管理中的研究文献	计算机视觉	糖尿病视网膜病变	光学相干断层扫描	深度学习	图像	NA	NA	NA	NA	NA
1069	2026-04-05	Beam-hardening correction in clinical x-ray dark-field chest radiography using deep-learning-based bone segmentation 2026-Apr, Medical physics IF:3.2Q1 DOI:10.1002/mp.70422 PMID:41933281	研究论文	本文提出了一种基于深度学习的骨分割方法，用于校正临床X射线暗场胸部摄影中的束硬化伪影	结合深度学习骨分割与基于双能CT数据的衰减贡献掩模，首次在临床暗场胸部摄影中实现束硬化校正，减少骨诱导伪影	骨分割网络训练数据规模有限（肋骨196例、锁骨56例），且方法依赖双能CT数据生成衰减贡献掩模，可能限制其普适性	通过抑制束硬化引起的伪影，提高临床暗场胸部摄影的可靠性	暗场胸部X射线图像（来自慢性阻塞性肺疾病、COVID-19患者及健康人群）及双能CT扫描数据	医学影像处理	肺部疾病	Talbot-Lau干涉仪X射线暗场成像、双能CT	深度学习分割网络	X射线图像（衰减与暗场图像）、CT扫描数据	肋骨分割训练196例、验证49例；锁骨分割训练56例、验证12例、测试12例；应用174例暗场胸部图像（51例慢阻肺、86例COVID-19、37例健康）及2例患者光谱CT	未明确说明（推测为PyTorch或TensorFlow）	未明确指定具体架构（如U-Net等）	视觉评估、定量一致性分析	未明确说明
1070	2026-04-05	Comparing deep learning stroke segmentation in NCCT, CTA, and CTP: Accuracy, domain transfer, and temporal sampling effect 2026-Apr, Medical physics IF:3.2Q1 DOI:10.1002/mp.70419 PMID:41933279	研究论文	本研究评估并比较了NCCT、CTA、mCTA和CTP图像在基于深度学习的卒中病灶分割中的效果，重点关注模型在不同临床站点间的可迁移性以及CTP时间点选择的影响	首次系统比较了多种CT成像类型（NCCT、CTA、mCTA、CTP）在深度学习卒中分割中的性能，并深入研究了跨站点模型迁移性和CTP时间序列采样策略的影响	研究样本量有限（91例患者），且仅涉及两个临床站点；CTP时间采样策略未显示出明确趋势，结果受梗死大小和时间场景影响	评估不同CT成像模态对深度学习卒中病灶分割的适用性，指导临床环境中成像模态的选择，并探索模型的跨站点泛化能力	卒中患者的脑部CT图像，包括非增强CT、CT血管造影、多期相CTA和CT灌注图像	医学图像分析	卒中	CT成像（NCCT、CTA、mCTA、CTP）	深度学习	医学图像	91例卒中患者（主要站点）和166例卒中患者（第二站点）	nnU-Net	nnU-Net	改良Dice系数	NA
1071	2026-04-05	Performance benchmarking of deep learning models for real-time median nerve segmentation and cross-sectional area measurement in ultrasound imaging 2026-Apr, Medical physics IF:3.2Q1 DOI:10.1002/mp.70414 PMID:41933401	研究论文	本研究开发了一种轻量级深度学习模型MNSeg-Net，用于超声图像中正中神经的实时分割和横截面积测量，以辅助腕管综合征的诊断和手术规划	提出了一种新颖的轻量级多尺度特征融合网络MNSeg-Net，仅含2.46M参数，在保持与大型模型相当性能的同时实现实时处理，并成功部署于临床实时设置	研究样本量相对有限（100名受试者），且主要聚焦于腕管综合征，未广泛验证于其他神经卡压综合征	开发一种准确的深度学习分割方法，用于测量正中神经的横截面积，以促进神经卡压综合征（尤其是腕管综合征）的诊断和手术规划	正中神经在超声图像中的分割和横截面积测量	计算机视觉	腕管综合征	超声成像	CNN	图像	100名受试者，共30000帧超声图像	NA	MNSeg-Net, UNet, UNet++, U2Net	Dice相似系数, 横截面积差异, Hausdorff距离	配备GPU的系统, Av.io HD Epiphan帧抓取器
1072	2026-04-05	Quantifying Multi-pollutant Co-exposure via Deep Learning-Based Simultaneous Prediction Using Geostationary Satellite Data 2026-Mar-31, Environmental science & technology IF:10.8Q1 DOI:10.1021/acs.est.5c15772 PMID:41861271	研究论文	本文提出了一种基于深度学习的框架DeepMAP，用于利用地球静止卫星数据同时预测多种空气污染物，以量化人类共暴露水平	开发了首个能够同时预测六种主要空气污染物（PM2.5、PM10、O3、NO2、CO、SO2）每小时浓度的高分辨率深度学习框架，并引入了新的共暴露指数来识别污染物贡献差异	未明确说明模型在极端天气条件或长期气候变化情景下的泛化能力，也未讨论卫星数据质量波动对预测精度的影响	建立高分辨率多污染物同时预测框架，量化人类共暴露水平，评估污染物混合的健康影响	六种主要空气污染物（PM2.5、PM10、O3、NO2、CO、SO2）在东亚地区的时空分布	机器学习	NA	地球静止卫星观测	深度学习	卫星遥感数据、地面监测数据	未明确说明具体样本数量，但覆盖东亚地区2021年3月的高时间分辨率数据	未明确说明	未明确说明具体架构，仅提及深度学习框架	归一化均方根误差（nRMSE）	NA
1073	2026-04-05	Anxiety detection using neural and physiological signals and artificial intelligence: A comprehensive review 2026-Mar-31, Neuroscience and biobehavioral reviews IF:7.5Q1 DOI:10.1016/j.neubiorev.2026.106669 PMID:41933676	综述	本文全面综述了利用神经生理信号（如EEG、ECG、PPG、EDA）和人工智能技术进行焦虑检测的研究进展	提供了2015-2025年间该领域的系统性综述，指出了从传统机器学习到端到端深度学习，再到混合模型（如CNN-LSTM）和Transformer架构的演变趋势，并强调了多模态数据整合的优势	现有研究依赖狭窄的、实验室训练的数据集，缺乏标准化的验证程序，复杂模型透明度有限，这些因素共同阻碍了临床转化	评估人工智能（特别是机器学习和深度学习）在利用神经和生理信号客观、连续监测焦虑障碍方面的应用，并推动临床有效的数字心理健康技术发展	焦虑障碍	机器学习	焦虑症	脑电图（EEG）、心电图（ECG）、光电容积脉搏波描记法（PPG）、皮肤电活动（EDA）	CNN, LSTM, Transformer, 混合模型（如CNN-LSTM）	神经信号, 生理信号	NA	NA	CNN-LSTM, Transformer	准确率	NA
1074	2026-04-05	CTRNet: a lightweight and efficient deep learning model for field maize whorl identification 2026-03-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-45727-3 PMID:41912746	研究论文	本文提出了一种名为CTRNet的轻量高效深度学习模型，用于田间玉米喇叭口期的玉米心叶识别	通过多尺度上下文交互模块、双通道细粒度特征增强模块、门控自适应信息融合模块以及自适应通道边缘注意力机制，增强了小目标在遮挡和复杂背景下的特征表示	NA	解决田间环境下玉米心叶因目标极小、叶片遮挡频繁、背景复杂及光照动态变化而导致的准确检测难题	田间玉米喇叭口期的玉米心叶	计算机视觉	NA	NA	CNN	图像	NA	NA	CTRNet	mAP@0.5	NA
1075	2026-04-01	Deep learning-based detection of bowel sound events in continuous recordings 2026-03-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-47018-3 PMID:41912873	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1076	2026-04-01	Deep learning for incidence rate prediction and radiation risk assessment of solid tumors 2026-03-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-46756-8 PMID:41912895	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1077	2026-04-05	Deep learning model for predicting mRNA half-life based on 3'UTR sequences 2026-Mar-30, Biochemical and biophysical research communications IF:2.5Q3 DOI:10.1016/j.bbrc.2026.153691 PMID:41932116	研究论文	本文提出了一种基于预训练RNA语言模型和Transformer架构的深度学习模型，用于仅根据3'UTR序列预测酿酒酵母mRNA的半衰期	结合预训练的RNA语言模型（RNA-FM）与Transformer骨干网络，构建了一个兼具预测准确性和生物学可解释性的序列驱动框架，并识别出影响mRNA稳定性的关键短基序	模型目前仅针对酿酒酵母（Saccharomyces cerevisiae）的转录本进行预测，尚未在其他物种中验证	从3'UTR序列预测mRNA半衰期，以研究基因表达稳态和转录后调控	酿酒酵母（Saccharomyces cerevisiae）转录本的3'UTR序列	自然语言处理, 机器学习	NA	RNA序列分析	Transformer	序列（3'UTR RNA序列）	未明确指定具体样本数量，但使用了独立留出测试集和5折交叉验证	未明确指定，可能为PyTorch或TensorFlow	Transformer, RNA-FM	RMSE, MAE, R（相关系数）	NA
1078	2026-04-05	Training instabilities favor flatter solutions in gradient descent 2026-Mar-23, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2026.108874 PMID:41932126	研究论文	本文探讨了梯度下降训练中的不稳定性如何通过隐式偏好驱动参数向损失函数的平坦区域移动，从而提升泛化性能	揭示了训练不稳定性通过特征向量旋转极性机制促进平坦解，并扩展了该理论至随机梯度下降和Adam优化器	理论分析主要基于梯度下降框架，实际深度网络中的复杂动态可能需要进一步验证	研究梯度下降训练不稳定性对深度学习模型泛化能力的影响机制	梯度下降优化过程中的训练动态与损失函数景观	机器学习	NA	NA	NA	NA	NA	NA	NA	NA	NA
1079	2026-04-05	GCN combined with snake convolution for enhanced topological perception in thrombotic hepatic portal vein segmentation 2026-Mar-21, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2026.104050 PMID:41932133	研究论文	提出了一种名为SnakeGCN的创新3D分割模型，用于解决肝硬化背景下门静脉血栓导致的血管分割挑战	结合3D蛇形卷积模块与图卷积网络（GCN），并引入关系损失（TLoss），以增强对血管网络全局拓扑结构的感知并处理血管缺失段	NA	实现肝硬化并发症中门静脉的精确分割，以进行定量评估	门静脉血管网络	数字病理学	肝硬化	NA	CNN, GCN	3D图像	多中心临床数据集及两个公共数据集（MSD-HepaticVessel和3D-IRCADb）	NA	nnU-Net, SnakeGCN	Dice分数, 连通分量（CC）值	NA
1080	2026-04-05	Satellite On-Orbit Chip-Level Deep Learning Model for Real-Time Dust Storm Monitoring 2026-Mar-19, Environmental science & technology IF:10.8Q1 DOI:10.1021/acs.est.5c14697 PMID:41855461	研究论文	本文提出了一种用于实时沙尘暴监测的星载芯片级深度学习模型，通过星上处理大幅降低数据延迟	首次实现了星载深度学习框架，将沙尘暴检测和定量反演直接部署在卫星上，将产品生成时间从数小时缩短至5.62分钟，并采用级联设计和尾部感知损失函数优化高浓度值的反演精度	模型在资源受限的星载计算平台（如NVIDIA Jetson AGX Orin）上进行了模拟部署验证，但实际在轨运行可能面临更多环境挑战，且研究主要针对特定卫星（Himawari-8/9）数据	开发一种实时、低延迟的沙尘暴监测系统，用于灾害预警和暴露评估	沙尘暴事件及其相关的PM10和PM2.5浓度	计算机视觉	NA	深度学习，卫星遥感	CNN, LSTM	卫星图像	NA	PyTorch, TensorFlow	级联设计（轻量级事件门控与多任务反演器）	RMSE	NVIDIA Jetson AGX Orin平台，功耗约10W，内存占用<3GB