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	2026-01-28	Bio-Inspired Ghost Imaging: A Self-Attention Approach for Scattering-Robust Remote Sensing 2026-Jan-08, Biomimetics (Basel, Switzerland) DOI:10.3390/biomimetics11010053 PMID:41589970	研究论文	本研究提出了一种受生物视觉系统启发的自注意力深度学习架构，用于增强雾霾环境下鬼成像的重建质量	首次将生物选择性注意力机制引入鬼成像，通过自注意力模块建模一维桶测量中的局部和全局依赖关系，在低采样率下实现细节和结构连贯性的优越恢复	研究主要基于模拟数据集（MNIST和自定义Human-Horse数据集），未在真实雾霾场景中进行大规模验证	提升鬼成像在雾霾等散射环境下的远程感知能力	雾霾环境下的鬼成像重建图像	计算机视觉	NA	鬼成像，深度学习	自注意力神经网络	一维桶测量数据，图像	基于MNIST和自定义Human-Horse数据集的模拟数据	NA	自注意力模块	峰值信噪比，结构相似性指数	NA
1062	2026-01-28	An AI-Based Radiomics Model Using MRI ADC Maps for Accurate Prediction of Advanced Prostate Cancer Progression 2026-Jan-08, Current oncology (Toronto, Ont.) DOI:10.3390/curroncol33010035 PMID:41590356	研究论文	本研究开发了一种基于深度学习的放射组学模型，利用治疗前MRI ADC图来预测晚期前列腺癌的进展风险	首次开发了基于深度学习的放射组学模型来预测晚期前列腺癌的进展时间，并比较了人工与AI驱动的肿瘤分割方法在风险分层中的性能	研究为单中心回顾性研究，样本量相对有限（182例患者），且仅使用了MRI ADC图这一种影像模态	预测晚期前列腺癌在治疗后的进展风险并进行风险分层	晚期前列腺癌患者	数字病理学	前列腺癌	MRI ADC图	深度学习	医学影像	182例经超声引导前列腺活检确诊的晚期前列腺癌患者	NA	NA	AUC, 决策曲线分析, Cox比例风险回归, log-rank检验	NA
1063	2026-01-28	DL-GapFilling: a novel deep learning framework for improved plant genome gap filling 2026-Jan-07, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbag007 PMID:41587320	研究论文	本文提出了一种名为DL-GapFilling的新型深度学习框架，用于改进植物基因组组装中的缺口填充	引入了Deep Filling Neural Network模型以高效提取和上下文化侧翼序列信息，并结合了集成了重新定义成本函数、增强搜索策略和基因组结构先验的BeamStar收缩-扩展算法，以及选择性保留高置信度预测的PredictionFilter机制	NA	提高基因组组装中缺口填充的效率和准确性	植物或藻类基因组数据集	生物信息学	NA	基因组组装	深度学习	基因组序列数据	多个植物或藻类基因组数据集	NA	Deep Filling Neural Network	填充缺口数量	NA
1064	2026-01-28	BiChemoCLAM: a weakly supervised multimodal framework for chemotherapy response prediction 2026-Jan-07, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbaf728 PMID:41587322	研究论文	本文提出了一种名为BiChemoCLAM的弱监督多模态框架，用于预测化疗反应	结合了注意力驱动的多实例学习与多模态紧凑双线性池化，实现了可解释且数据高效的化疗反应预测	在复杂化疗反应和小样本场景下，现有框架难以有效整合分子数据，如基因表达	开发一个有效的化疗反应预测模型	卵巢浆液性囊腺癌、结直肠腺癌和膀胱尿路上皮癌患者	数字病理学	癌症	弱监督学习	多模态深度学习	全切片图像、基因表达数据	NA	NA	注意力驱动的多实例学习、多模态紧凑双线性池化	AUC	NA
1065	2026-01-28	Super-Resolution Deep Learning Reconstruction Improves Image Quality of Dynamic Myocardial Computed Tomography Perfusion Imaging 2026-Jan-07, Tomography (Ann Arbor, Mich.) DOI:10.3390/tomography12010007 PMID:41591139	研究论文	本研究评估了超分辨率深度学习重建（SR-DLR）在动态心肌计算机断层扫描灌注（CTP）成像中对图像质量和灌注参数的影响	首次评估了SR-DLR在动态心肌CTP成像中的应用效果，证实了其在提升图像质量、降低图像噪声和减少患者内变异性方面的优势	研究为回顾性分析，样本量较小（35例患者），且仅针对冠状动脉疾病评估的患者，可能限制了结果的普遍适用性	评估超分辨率深度学习重建技术对动态心肌CTP图像质量和灌注参数的影响	接受动态心肌CTP检查的冠状动脉疾病患者	医学影像分析	冠状动脉疾病	动态心肌计算机断层扫描灌注（CTP）成像	深度学习重建模型	医学影像数据（CT图像）	35例患者	NA	超分辨率深度学习重建（SR-DLR）	图像噪声、信噪比（SNR）、对比噪声比（CNR）、边缘上升斜率（ERS）、CT衍生心肌血流量（CT-MBF）、稳健变异系数（rCV）	NA
1066	2026-01-28	Segmentation-Guided Hybrid Deep Learning for Pulmonary Nodule Detection and Risk Prediction from Multi-Cohort CT Images 2026-Jan-06, Diseases (Basel, Switzerland) DOI:10.3390/diseases14010021 PMID:41590236	研究论文	本研究提出了一种名为Seg-CADe-CADx的双阶段深度学习框架，用于从多队列CT图像中检测肺结节并进行恶性风险预测	提出了一种结合分割引导检测与恶性分类的双阶段深度学习框架，其中检测阶段采用轻量级2.5D细化头提升小结节定位精度，分类阶段使用混合3D DenseNet-Swin Transformer架构并结合概率校准以提高风险估计的可靠性	未明确提及研究的具体局限性	开发一个统一的计算机辅助检测与诊断框架，以同时提升肺结节的定位准确性和恶性评估能力，并保持临床可靠性	多队列CT图像中的肺结节	计算机视觉	肺癌	低剂量计算机断层扫描（LDCT）	CNN, Transformer	图像	基于公开基准数据集（如LUNA16和LIDC-IDRI），具体样本数量未明确说明	NA	DenseNet, Swin Transformer	竞争性能指标（CPM）, ROC-AUC, PR-AUC, 特异性, 敏感性, 预期校准误差, Brier分数	NA
1067	2026-01-28	Advancing Drug-Drug Interaction Prediction with Biomimetic Improvements: Leveraging the Latest Artificial Intelligence Techniques to Guide Researchers in the Field 2026-Jan-05, Biomimetics (Basel, Switzerland) DOI:10.3390/biomimetics11010039 PMID:41589955	综述	本文全面综述了基于人工智能（AI）的药物-药物相互作用（DDI）预测方法，包括经典机器学习、深度学习、图模型及新兴仿生方法	探讨了仿生改进在AI模型中的应用，如遗传算法优化LR和SVM、神经评估优化DNN和LSTM、蚁群启发的图网络路径探索及免疫启发的注意力机制，为DDI预测提供了新的研究方向	未提及具体实验验证或性能比较数据，主要基于理论和方法综述，缺乏实际应用案例的深入分析	综述AI技术在药物-药物相互作用预测领域的应用，指导研究人员改进预测模型的准确性、可用性和可解释性	药物-药物相互作用（DDI）预测方法及相关AI模型	机器学习	NA	机器学习（ML）、深度学习（DL）、图模型、知识图谱、Transformer	LR, SVM, DNN, LSTM, GCN, GAT, Transformer	生物、化学和临床领域的大规模数据	NA	NA	深度神经网络（DNN）、长短期记忆网络（LSTM）、图卷积网络（GCN）、图注意力网络（GAT）、Transformer	NA	NA
1068	2026-01-28	Artificial Intelligence (AI) in Saxitoxin Research: The Next Frontier for Understanding Marine Dinoflagellate Toxin Biosynthesis and Evolution 2026-Jan-05, Toxins IF:3.9Q1 DOI:10.3390/toxins18010026 PMID:41591172	综述	本文探讨了人工智能在石房蛤毒素研究中的应用，提出了一个整合AI与多组学数据的框架，以解决海洋甲藻毒素生物合成中的知识空白	提出了一个新颖的AI集成多组学框架，用于石房蛤毒素的基因识别、进化重建、分子调控和毒素预测，这是该领域首次系统整合AI方法	框架尚处于理论提案阶段，缺乏实际应用验证，且甲藻STX生物合成基因的高度碎片化和不一致表达可能影响AI模型效果	推进对海洋甲藻中石房蛤毒素生物合成、调控及进化的基础理解，并应用于有害藻华监测和海鲜安全风险管理	海洋甲藻（特别是产毒与非产毒类群）及其产生的石房蛤毒素	机器学习	NA	多组学方法（包括基因组学、转录组学、表观遗传学）	深度学习, 机器学习, 图神经网络, 生成对抗网络, 变分自编码器	多组学生物数据（如基因序列、表达数据、环境因子）	NA	TensorFlow, PyTorch, Scikit-learn（基于推荐模型推断）	DeepFRI, ProtTrans, ESM-2, PhyloGAN, GNN, PhyloVAE, NeuralNJ, MOFA+, LSTM, GRU, DeepMF, XGBoost, LightGBM, ConvLSTM	NA	NA
1069	2026-01-28	Deep Learning Prediction of Childhood Myopia Progression Using Fundus Image and Refraction Data 2026-Jan-02, JAMA network open IF:10.5Q1 DOI:10.1001/jamanetworkopen.2025.53543 PMID:41587032	研究论文	本研究开发并验证了一种基于深度学习的方法，仅使用眼底图像和基线屈光数据来预测学龄儿童的近视进展轨迹和高危近视风险	结合卷积神经网络（34层残差网络）和循环神经网络（长短期记忆网络）构建新型深度学习模型，利用最小基线数据实现近视和高危近视风险的高精度预测，并在跨种族外部验证中保持性能	研究排除了接受过近视控制治疗、患有弱视或接受过斜视手术的儿童，可能限制了模型的普遍适用性	开发并验证一种定量方法，用于预测学龄儿童的近视进展轨迹和高危近视风险	学龄儿童（6至9岁），包括来自安阳、拉萨和北京队列的参与者	计算机视觉	近视	眼底成像，睫状肌麻痹自动验光	CNN, LSTM	图像, 数值数据	3048名儿童（主队列），外加北京队列130人和拉萨队列1039人进行外部验证	NA	ResNet, LSTM	AUC, MAE	NA
1070	2026-01-28	Developing a Deep Learning Radiomics Model Combining Lumbar CT, Multi-Sequence MRI, and Clinical Data to Predict High-Risk Adjacent Segment Degeneration Following Lumbar Fusion: A Retrospective Multicenter Study 2026-Jan, Global spine journal IF:2.6Q1 DOI:10.1177/21925682251342531 PMID:40488256	研究论文	本研究开发并验证了一个结合临床数据、深度学习影像组学和影像组学特征的模型，用于预测腰椎融合术后高风险邻近节段退变	首次结合Vision Transformer 3D深度学习模型、影像组学特征和临床数据，构建多模态预测模型，用于预测腰椎融合术后高风险邻近节段退变	回顾性研究设计，样本量相对较小（305例患者），外部验证队列规模有限（30例）	预测腰椎融合术后高风险邻近节段退变患者	接受腰椎融合手术的患者	医学影像分析	脊柱退行性疾病	CT, 多序列MRI	Vision Transformer 3D, 线性支持向量机, AdaBoost, 多层感知机	影像数据（CT, MRI）, 临床数据	305例患者（训练集192例，内部验证集83例，外部测试集30例）	NA	Vision Transformer 3D	ROC曲线下面积（AUC）	NA
1071	2026-01-28	Identification of Atypical Scoliosis Patterns Using X-ray Images Based on Fine-Grained Techniques in Deep Learning 2026-Jan, Global spine journal IF:2.6Q1 DOI:10.1177/21925682251349999 PMID:40500925	研究论文	本研究基于深度学习中的细粒度技术，利用X射线图像开发了一个分类模型，用于筛查脊柱侧凸，并进一步识别与Chiari畸形I型相关的非典型脊柱侧凸模式	开发了基于ResNet-50的细粒度分类模型，能够准确筛查与Chiari畸形I型相关的非典型脊柱侧凸模式，并在某些性能指标上超越了资深脊柱外科医生的诊断水平	研究为回顾性诊断研究，样本量相对有限（508对图像），可能影响模型的泛化能力	开发一个基于深度学习的细粒度分类模型，用于从X射线图像中筛查脊柱侧凸，并识别与Chiari畸形I型相关的非典型模式	Chiari畸形I型患者、青少年特发性脊柱侧凸患者和正常对照的冠状位和矢状位X射线图像	计算机视觉	脊柱侧凸	X射线成像	CNN	图像	508对冠状位和矢状位X射线图像，来自Chiari畸形I型患者、青少年特发性脊柱侧凸患者和正常对照	NA	ResNet-50	准确率, 灵敏度, 特异性, 阳性预测值, 阴性预测值, ROC曲线	NA
1072	2026-01-28	Multi-class transformer-based segmentation of pancreatic ductal adenocarcinoma and surrounding structures in CT imaging: a multi-center evaluation 2026-Jan, Abdominal radiology (New York) DOI:10.1007/s00261-025-05061-0 PMID:40514460	研究论文	本研究提出了一种基于深度学习的框架，用于在CT图像中自动化分割胰腺导管腺癌及其周围解剖结构，并比较了四种先进架构的性能	首次在多中心研究中比较了包括UNet、nnU-Net、UNETR和Swin-UNet在内的四种深度学习模型，并证明了基于Transformer的Swin-UNet在胰腺导管腺癌多类分割中的优越性	研究为回顾性设计，可能受到数据选择偏差的影响；仅使用了CT图像，未整合其他模态数据；外部验证仅在一个中心进行	开发并评估一个深度学习框架，以自动化分割胰腺导管腺癌及其周围解剖结构，用于诊断、治疗规划和结果评估	胰腺导管腺癌病变、胰腺、静脉、动脉、胰管和胆总管	数字病理学	胰腺癌	CT成像	深度学习	图像	3265名患者来自六个机构，其中569名用于独立测试	PyTorch	UNet, nnU-Net, UNETR, Swin-UNet	Dice相似系数, 交并比, 定向豪斯多夫距离, 平均对称表面距离, 体积重叠误差	NA
1073	2026-01-28	Early prediction of adverse outcomes in liver cirrhosis using a CT-based multimodal deep learning model 2026-Jan, Abdominal radiology (New York) DOI:10.1007/s00261-025-05045-0 PMID:40576670	研究论文	本研究开发了一种基于CT的多模态深度学习模型TMF-LCNet，用于早期预测肝硬化患者的不良结局	提出了一种新颖的三模态融合深度学习网络TMF-LCNet，整合了非对比腹部CT图像、从肝脏和脾脏提取的影像组学特征以及包含实验室参数和脂肪组织成分测量的临床文本数据，以早期预测肝硬化不良结局	研究为回顾性设计，样本量相对较小（共243例患者），且仅包含两个中心的患者数据，可能限制模型的泛化能力	开发一个深度学习模型，用于早期预测肝硬化患者的不良结局，以改善早期风险评估和临床管理策略	早期肝硬化患者	数字病理学	肝硬化	CT成像	深度学习	图像, 文本, 特征	243例早期肝硬化患者（训练队列184例，外部测试队列59例）	NA	TMF-LCNet	AUC, 校准曲线, 决策曲线分析	NA
1074	2026-01-28	MSAI-Path: Predicting Microsatellite Instability From Routine Histology Slides Without Reinventing the Wheel 2026-Jan, Modern pathology : an official journal of the United States and Canadian Academy of Pathology, Inc IF:7.1Q1 DOI:10.1016/j.modpat.2025.100932 PMID:41207630	研究论文	本文提出了一种可解释的混合方法，结合计算和病理学家专业知识，用于从结直肠癌的常规组织学切片中预测微卫星不稳定性	开发了一种新型混合方法，通过自动量化Bethesda指南中概述的MSI相关组织学特征，结合临床数据，使用逻辑回归和随机森林模型进行预测，提供了完全可解释性，与黑盒深度学习模型性能相当	方法依赖于预定义的MSI相关组织学特征，可能无法捕捉所有潜在模式；在多个中心验证但样本来源有限，可能存在泛化性挑战	预测结直肠癌中的微卫星不稳定性状态，以影响患者预后和治疗决策	结直肠癌患者的苏木精-伊红染色全切片图像	数字病理学	结直肠癌	组织学特征量化，包括上皮内淋巴细胞、分化等级、黏液成分和三级淋巴结构	逻辑回归，随机森林	图像	来自5个中心7个队列的2267名患者的3256张全切片图像	NA	NA	曲线下面积	NA
1075	2026-01-28	Clinical-Grade Interpretable Artificial Intelligence Tool for Automated Detection of Lymph Node Metastasis in Prostate Cancer 2026-Jan, Modern pathology : an official journal of the United States and Canadian Academy of Pathology, Inc IF:7.1Q1 DOI:10.1016/j.modpat.2025.100934 PMID:41223994	研究论文	本文开发了一种临床级可解释的人工智能工具，用于自动检测前列腺癌的淋巴结转移	利用有限标注数据集，通过识别并整合未标记数据中最具信息量的实例进行迭代纠错优化，显著降低了微转移的漏检率	模型性能依赖于数据质量，且验证主要基于三个学术医疗中心的数据，外部泛化能力需进一步验证	提高前列腺癌淋巴结转移检测的准确性和效率，以辅助临床决策	前列腺癌患者的淋巴结组织	数字病理学	前列腺癌	深度学习	深度学习模型	全切片图像	787张全切片图像，超过2000个淋巴结组织	NA	NA	AUC, 灵敏度, 特异性	NA
1076	2026-01-28	The need for better quality studies: A systematic scoping review of current utility of artificial intelligence in orthopaedics and research gaps in the knee joint 2026-Jan, The Knee DOI:10.1016/j.knee.2025.10.022 PMID:41274810	综述	本文通过系统性范围综述，评估了人工智能在膝关节骨科研究中的应用现状、算法类型及临床决策支持潜力	首次系统性梳理了2008年至2025年间人工智能在膝关节疾病研究中的应用全景，揭示了诊断与预测应用的比例分布及主要技术方法	纳入研究存在可重复性、普适性和临床适用性不足的问题，且仅30%的研究直接涉及诊断或预测应用	评估人工智能在膝关节骨科临床决策支持中的应用现状与研究缺口	针对膝关节疾病的成年患者研究，涵盖诊断、预后预测及临床流程支持	机器学习	骨关节炎	NA	深度学习, 传统机器学习	NA	从2761项研究中筛选出816项（30%）纳入分析	NA	NA	NA	NA
1077	2026-01-28	Epicardial adipose tissue measurement is an interesting biomarker for cardiovascular health in a case control study of patients with familial partial type 2 lipodystrophy 2026-Jan, Diabetes & metabolism IF:4.6Q1 DOI:10.1016/j.diabet.2025.101719 PMID:41349713	研究论文	本研究评估了心外膜脂肪组织体积作为2型家族性部分性脂肪营养不良患者心血管健康新标志物的价值	首次发现2型家族性部分性脂肪营养不良患者的心外膜脂肪组织体积显著高于高风险对照组，提出将其作为冠状动脉钙化和临床评分之外的补充生物标志物	研究为回顾性病例对照设计，样本量有限（126例），且仅在一个医疗中心进行，可能影响结果的普遍性	评估心外膜脂肪组织体积作为2型家族性部分性脂肪营养不良患者心血管风险新标志物的潜力	2型家族性部分性脂肪营养不良患者与按年龄、性别和体重指数匹配的对照组患者	数字病理学	心血管疾病	深度学习与人工智能辅助的半自动测量技术	深度学习模型	医学影像数据	126名受试者（病例组与对照组）	NA	NA	P值	NA
1078	2026-01-28	PiperNet: a hybrid deep learning approach for monitoring papaya seed adulteration in black pepper using hyperspectral imaging 2026-Jan, Food additives & contaminants. Part A, Chemistry, analysis, control, exposure & risk assessment DOI:10.1080/19440049.2025.2598389 PMID:41397220	研究论文	本研究提出了一种基于高光谱成像和深度学习的混合模型PiperNet，用于检测黑胡椒中掺杂的干燥木瓜籽	提出了一种结合2D CNN、Squeeze-and-Excitation模块和双向门控循环单元（Bi-GRU）的混合深度学习架构，能够同时捕获空间纹理、强调信息丰富的光谱通道并建模波长序列依赖性	仅针对黑胡椒中木瓜籽这一种特定掺杂物进行研究，未涉及其他常见掺杂物或不同品种的胡椒	开发一种非破坏性、自动化的香料认证方法，以支持食品质量保证、法规合规和消费者保护	黑胡椒、干燥木瓜籽及其混合物	计算机视觉	NA	高光谱成像（HSI）	CNN, Bi-GRU	高光谱图像	600个样本，分为纯胡椒、纯木瓜籽和掺假混合物三类	NA	2D CNN with SE module and Bi-GRU layers	分类准确率	NA
1079	2026-01-28	Artificial intelligence in spine surgery: a scoping review 2026-Jan, Neuro-Chirurgie DOI:10.1016/j.neuchi.2025.101764 PMID:41397525	综述	本文通过范围综述，系统梳理了人工智能在脊柱外科中的应用现状、前沿及文献缺口	首次通过范围综述全面绘制了AI在脊柱外科中的应用图景，并识别了当前研究的局限与未来方向	纳入研究主要基于PubMed和Cochrane数据库，可能存在发表偏倚；且AI模型和数据集的可及性普遍受限	旨在映射人工智能在脊柱外科中的应用领域，明确当前前沿并识别文献中的空白	涉及脊柱外科中应用AI模型或验证AI应用的研究	医学人工智能	脊柱疾病	NA	深度学习模型, 非深度学习模型	NA	NA	NA	NA	NA	NA
1080	2026-01-28	Hybrid attention based deep learning for forecasting boundary layer ozone using satellite derived profiles 2026-Jan-01, Ecotoxicology and environmental safety IF:6.2Q1 DOI:10.1016/j.ecoenv.2025.119593 PMID:41421135	研究论文	本研究提出了一种基于混合注意力机制的深度学习模型，用于利用卫星衍生的臭氧剖面数据预测边界层臭氧浓度	提出了两种新颖的混合深度学习架构（ConvBiGRU-AttentionNet 和 EMD-ConvBiGRU-AttentionNet），首次将注意力机制与卷积门控循环单元结合，并引入经验模态分解提取多尺度时间特征	未明确说明模型在不同地理区域或极端气象条件下的泛化能力，也未讨论计算成本与实时预测的可行性	提高边界层臭氧浓度的预测精度，以应对其非线性动态变化和垂直剖面数据稀缺的挑战	边界层臭氧浓度	机器学习	NA	卫星遥感（OMI/Aura）、经验模态分解	RNN, CNN, GRU, LSTM, 混合模型（GRU-CNN, LSTM-CNN）	时间序列数据（臭氧剖面数据）	NA	NA	ConvBiGRU-AttentionNet, EMD-ConvBiGRU-AttentionNet	RMSE, MAE, R, 技能评分	NA