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
1081	2026-03-19	SSI-Net: A hybrid physics-constrained deep learning framework for quantitative ultrasound speed-of-sound reconstruction 2026-Mar-17, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ae5374 PMID:41843981	研究论文	本研究提出了一种名为SSI-Net的混合物理约束深度学习框架，用于从超声信号中准确重建声速分布	通过将精确的、可微分的非线性Westervelt方程有限差分时域求解器嵌入可训练架构，结合双向门控循环单元编码器和U-Net解码器，实现了数据驱动与物理约束的深度融合，在保持物理一致性的同时提升了重建精度和效率	未明确说明模型在更广泛临床数据或不同病理条件下的泛化能力，以及计算资源需求的具体细节	开发一种高效且物理一致的深度学习框架，用于定量超声声速成像，以解决传统全波形反演的计算复杂性和病态逆问题	模拟数据、组织模拟体模数据和活体小鼠数据	医学影像	NA	定量超声断层扫描、声速重建	深度学习框架	超声信号	未明确指定具体样本数量，但涉及模拟、体模和活体小鼠数据集	未明确指定，但提及了深度学习框架	双向门控循环单元（Bi-GRU）、U-Net	峰值信噪比、物理残差	未明确指定
1082	2026-03-19	A deep learning-based framework for patient-specific radiation dose prediction in beta-emitting radionuclide therapies 2026-Mar-17, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ae5375 PMID:41843991	研究论文	本文提出了一种基于深度学习的框架，用于预测β发射放射性核素治疗中的患者特异性辐射剂量，无需核医学图像	开发了一种深度学习模型，能够预测训练数据中未包含的放射性核素的剂量，且无需患者核医学图像，实现了零样本预测	模型训练仅使用了单次CT图像，可能对更广泛的患者群体或不同成像条件的泛化能力有限	开发一种通用的深度学习框架，用于预测β发射放射性核素治疗中的患者特异性辐射剂量	β发射放射性核素（如Ho-166和Lu-177）在放射治疗中的剂量预测	医学影像分析	癌症	CT成像，深度学习	深度学习模型	CT图像，能量谱	22名患者的Y-90 NM/CT图像用于训练	NA	NA	R²，剂量差异百分比	NA
1083	2026-03-19	Deep learning for RNA secondary structure determination: gauging generalizability and broadening the scope of traditional methods 2026-Mar-16, RNA (New York, N.Y.) DOI:10.1261/rna.080846.125 PMID:41513406	perspective	本文探讨了深度学习在RNA二级结构预测中的应用，评估其泛化能力并扩展传统方法的范围	使用从蛋白质数据库策划的新基准数据集评估方法泛化能力，并讨论深度学习在预测结构探测数据方面的进展	已知RNA结构的多样性和数量有限，可能导致预测与训练数据显著不同结构时准确性不足，存在泛化差距	评估深度学习在RNA二级结构预测中的泛化能力，并推动传统方法与现代神经网络的整合	RNA二级结构	生物信息学	NA	深度学习, 结构预测	深度学习模型	RNA结构数据, 结构探测数据	从蛋白质数据库策划的结构化RNA基准数据集	NA	NA	NA	NA
1084	2026-03-19	Machine learning for RNA secondary structure prediction: a review of current methods and challenges 2026-Mar-16, RNA (New York, N.Y.) DOI:10.1261/rna.080840.125 PMID:41577452	综述	本文综述了机器学习在RNA二级结构预测领域的最新方法、挑战及未来方向	系统梳理了从传统热力学方法到数据驱动的机器学习范式的演变，并重点讨论了领域内的“泛化危机”、RNA基础模型的兴起以及应对数据稀缺的策略	综述本身不提出新模型，主要总结现有方法；文中指出现有方法在预测复杂结构（如假结）、长序列、修饰核苷酸及动态结构方面仍面临重大挑战	回顾和评估当前用于RNA二级结构预测的机器学习方法，并展望未来研究的关键挑战	RNA二级结构预测的计算方法	计算生物学	NA	机器学习，深度学习	NA	序列数据	NA	NA	NA	NA	NA
1085	2026-03-19	Computed tomography of interstitial lung disease in systemic sclerosis: dataset and deep learning model for pulmonary lesion segmentation 2026-Mar-16, Reumatismo IF:1.2Q4 DOI:10.4081/reumatismo.2026.1920 PMID:41755789	研究论文	本研究开发了一种基于深度学习的自动分割模型，用于量化系统性硬化症相关间质性肺病（SSc-ILD）在HRCT图像中的病变，并评估其临床相关性	开发了首个针对SSc-ILD的深度学习自动分割模型，并创建了公开的SICCS数据集，包含专家标注的HRCT图像分割标签	需要更大数据集进行进一步验证，模型对已形成纤维化（EF）的分割性能相对较低	开发并评估用于量化SSc-ILD病变的自动分割模型，以辅助诊断、监测和临床决策	40名SSc-ILD患者的HRCT扫描图像	数字病理学	系统性硬化症相关间质性肺病	高分辨率计算机断层扫描（HRCT）	CNN	图像	40名SSc-ILD患者的HRCT扫描	NA	卷积神经网络	Dice相似系数（DSC）	NA
1086	2026-03-19	The impact of stability considerations on genetic fine-mapping 2026-Mar-16, eLife IF:6.4Q1 DOI:10.7554/eLife.88039 PMID:41838038	研究论文	本文提出了一种基于稳定性原则的遗传精细定位方法，作为传统残差化方法的补充，用于识别复杂性状的因果遗传变异	提出了一种不依赖残差化的稳定性引导方法，通过评估变异在不同遗传背景或环境中的一致性来识别可靠的因果变异	模拟研究表明稳定性引导方法在性能上既不优于也不劣于传统残差化方法，两者常识别出不同的变异	改进遗传精细定位方法，以更准确地识别复杂性状的因果遗传变异	遗传变异（特别是eQTLs）与复杂性状之间的关联	机器学习	NA	遗传精细定位，功能注释分析	深度学习模型	遗传数据，功能注释数据	GEUVADIS数据集（具体样本数未明确说明）	NA	Enformer	功能注释富集分析	NA
1087	2026-03-19	Deciphering the drivers and mechanisms of soil heavy metal(loid) pollution through deep learning and causal modeling 2026-Mar-15, Journal of hazardous materials IF:12.2Q1 DOI:10.1016/j.jhazmat.2026.141655 PMID:41780239	研究论文	本研究开发了一个深度学习模型HMNet，结合多源开放数据集，以精细空间分辨率解析土壤重金属污染模式，并通过因果建模揭示其驱动机制与管理策略	开发了深度学习模型HMNet自适应整合多源数据，首次结合DeepSHAP驱动归因与结构方程模型量化了人为活动、土壤性质、植被、地形和气候对重金属污染的直接与间接交互路径	未明确说明模型在极端环境或未覆盖区域的泛化能力，且多源数据可能存在异质性或偏差	解析土壤重金属污染的驱动因素与形成机制，为针对性预防和可持续土壤管理提供科学依据	土壤重金属（类金属）污染	机器学习	NA	多源开放数据集整合	深度学习模型	多源空间数据	NA	NA	HMNet	Kappa系数, 召回率, 整体准确率	NA
1088	2026-03-19	Deep learning revolutionizes protein research: Advances in structure prediction, functional annotation, and engineered design 2026-Mar-14, Journal of biotechnology IF:4.1Q2 DOI:10.1016/j.jbiotec.2026.03.012 PMID:41839238	综述	本文综述了深度学习如何通过一个协同循环，从根本上改变蛋白质研究，连接结构预测、功能注释和理性设计	提出了一个统一的“预测-理解-创造”范式，展示了深度学习在蛋白质结构预测、功能注释和从头设计方面的突破如何相互促进，形成一个自我强化的循环	在数据稀缺性、模型可解释性以及分布外泛化方面仍存在挑战	阐述深度学习如何变革蛋白质研究，并展示结构预测、功能注释和工程化设计之间的协同循环	蛋白质，特别是单域球状蛋白质	机器学习	NA	NA	深度学习模型，生成式AI，逆向折叠模型	序列数据，3D坐标，相互作用数据	NA	NA	AlphaFold2	NA	NA
1089	2026-03-19	Automatic deep learning-based segmentation of cornea and lens in 2D OCT images of rabbit eyes 2026-Mar-11, Experimental eye research IF:3.0Q1 DOI:10.1016/j.exer.2026.110965 PMID:41819269	研究论文	本文提出了一种用于兔眼二维OCT图像中角膜和晶状体自动分割的深度学习端到端流程	针对低信噪比临床前AS-OCT图像，通过系统架构搜索选择预训练编码器，结合残差驱动、掩码引导的非局部均值阶段抑制背景噪声，并采用掩码到曲面转换拟合多项式生成生物测量就绪的界面	训练数据有限且图像质量具有挑战性	开发快速、用户无关的角膜和晶状体界面分割方法以支持白内障手术规划	兔眼的二维AS-OCT图像	计算机视觉	白内障	光学相干断层扫描（OCT）	CNN	图像	440张B扫描图像（兔眼）	NA	U-Net, EfficientNet-B2	交并比（IoU）, 均方根误差（RMSE）	NA
1090	2026-03-19	Deep learning on histopathological images to predict breast cancer recurrence risk and chemotherapy benefit: a multicentre, model development and validation study 2026-Mar-11, The Lancet. Oncology DOI:10.1016/S1470-2045(25)00727-2 PMID:41831466	研究论文	本研究开发并验证了一种基于深度学习的多模态人工智能模型，用于直接从常规组织病理学切片和临床病理变量预测乳腺癌复发风险及化疗获益	首次提出利用在大量组织病理学切片上预训练的基础模型，结合数字全切片图像和临床特征，构建多模态深度学习模型来估计Oncotype DX 21基因复发评分，为无法进行基因组检测的患者提供了一种低成本、可扩展的替代方案	研究仅针对激素受体阳性、HER2阴性的早期乳腺癌患者，且排除了扫描伪影或组织切片数量不足的样本，可能限制了模型的普遍适用性	开发并验证一种人工智能模型，以替代昂贵且不易获取的基因组检测（如Oncotype DX），用于指导激素受体阳性、HER2阴性早期乳腺癌的辅助化疗决策	激素受体阳性、HER2阴性、早期浸润性乳腺癌患者的数字全切片组织病理学图像及临床病理变量	数字病理学	乳腺癌	组织病理学成像	深度学习	图像, 临床数据	TAILORx试验中8284名患者（质量控制后），以及六个独立外部队列共5497名患者	NA	基础模型（在171,189张组织病理学切片上预训练）	AUC, 风险比	NA
1091	2026-03-19	Point positioning and counting network: A deep learning-based method for automatic axon counting 2026-Mar-10, Experimental eye research IF:3.0Q1 DOI:10.1016/j.exer.2026.110968 PMID:41819270	研究论文	本研究提出了一种基于点标注的深度学习框架PPCNet，用于山羊视神经半薄切片中轴突密度的自动计数	提出了一种新颖的基于点标注的深度学习框架PPCNet，它结合了VGG16骨干网络、多尺度特征提取与横向融合、双分支架构（坐标回归与候选点分类）以及优化的匈牙利匹配算法，实现了亚像素精度的轴突中心定位与计数	研究仅在山羊视神经半薄切片数据集上进行了评估，未在其他物种或组织类型上验证其泛化能力	开发一种自动、准确的轴突计数方法，以替代繁琐的手动计数和现有的基于分割的自动化工具	山羊的视神经半薄切片	数字病理学	神经系统疾病	半薄切片成像	CNN	图像	未明确说明具体样本数量，但包含训练集和测试集	未明确说明	VGG16	线性回归相关系数(R), 平均绝对误差(MAE), Bland-Altman分析的一致性界限, 置信区间分析	NA
1092	2026-03-19	Deep learning-based suppression of cold reflections in infrared systems 2026-Mar-10, Applied optics IF:1.7Q3 DOI:10.1364/AO.580105 PMID:41842277	研究论文	本研究提出了一种基于深度学习的方法，用于抑制冷却中波红外成像系统中的冷反射伪影	提出了一种结合L1感知混合损失优化的增强NU-Net架构，用于冷反射伪影抑制，并通过等效温差叠加方法生成合成红外图像数据集	NA	抑制冷却中波红外成像系统中的冷反射伪影，实现高质量红外成像	冷却中波红外成像系统及其产生的冷反射伪影	计算机视觉	NA	红外成像，冷反射模拟（使用Narcissus宏）	深度学习	红外图像	NA	NA	增强NU-Net	PSNR, SSIM	NA
1093	2026-03-19	Leveraging deep learning-based foundation models for optical turbulence (Cn2) estimation under data scarcity 2026-Mar-10, Applied optics IF:1.7Q3 DOI:10.1364/AO.585045 PMID:41842282	研究论文	本研究探讨了在数据稀缺条件下，利用表格基础模型（TFMs）进行光学湍流（Cn2）估计的可行性	首次将表格基础模型（TabPFNv2和TabDPT）应用于光学湍流估计任务，无需任务特定微调或超参数优化，在少样本学习场景中实现了优异性能	研究仅基于莫纳罗亚天文台的观测数据，未在其他地理环境或气象条件下验证模型的泛化能力	开发数据稀缺环境下光学湍流预测的快速、免调参、即插即用工具	光学湍流（Cn2）的估计	机器学习	NA	深度学习基础模型预训练	表格基础模型（TFMs）	表格数据（气象和湍流观测数据）	莫纳罗亚天文台的气象和湍流观测数据集（具体样本量未明确说明）	NA	TabPFNv2, TabDPT	数据效率、集成稳定性、动态范围捕捉能力、特征重要性分析	NA
1094	2026-03-19	Deep Learning-based Automated Detection of Pulmonary Embolism: Is It Reliable? 2026 Mar-Apr 01, Journal of computer assisted tomography IF:1.0Q4 DOI:10.1097/RCT.0000000000001803 PMID:41004836	研究论文	本研究评估了基于深度学习的AI程序“佳能自动化平台”在胸部CTPA中自动检测和定位肺栓塞的诊断准确性和临床适用性	首次全面评估了“佳能自动化平台”在肺栓塞自动检测中的性能，特别是在肺段和亚段分支等外周血管的检测能力	亚段分支的敏感性较低（81.4%至84.7%），且研究为回顾性设计，可能影响结果的泛化性	评估AI程序在肺栓塞自动检测中的诊断准确性和临床适用性	1474例疑似肺栓塞的胸部CTPA图像	计算机视觉	肺栓塞	CTPA	深度学习	医学影像	1474例CTPA图像	NA	NA	AUC-ROC, 准确率, 敏感性, 特异性, PPV, NPV, F1分数, Cohen Kappa	NA
1095	2026-03-19	An Enthalpy-Entropy Compensated Ionogel With a Broadband Viscoelastic Plateau for Non-Invasive and High-Fidelity Neurointerfaces 2026-Mar, Advanced materials (Deerfield Beach, Fla.) DOI:10.1002/adma.202521208 PMID:41677067	研究论文	本文设计了一种基于动态焓熵平衡的粘弹性离子凝胶，用于实现非侵入式、高保真度的神经接口	通过设计一种由动态焓熵平衡调控的粘弹性离子凝胶，实现了跨越九个数量级频率（10^-2至10^7 Hz）和宽温度范围（-30°C至40°C）的频率无关粘弹性平台，显著降低了皮肤-电极阻抗	未明确提及长期生物相容性、大规模制造可行性或与其他生物电子系统的集成挑战	开发一种能够实现非侵入式、高保真度电生理记录（特别是脑电图）的软生物电子材料	人类皮肤上的电生理信号，特别是脑电图信号	软生物电子学	NA	电生理记录，脑电图	深度学习	脑电图信号	NA	NA	NA	准确率	NA
1096	2026-03-19	Image Quality Assessment of Deep Learning-Based Virtual Monoenergetic Images From Single-Energy CT Pulmonary Angiography 2026 Mar-Apr 01, Journal of computer assisted tomography IF:1.0Q4 DOI:10.1097/RCT.0000000000001812 PMID:41384946	研究论文	本研究评估了基于深度学习的虚拟单能图像在CT肺血管造影中的图像质量，通过对比单能CT图像，验证了其在增强血管显影和图像质量方面的有效性	首次在临床应用中评估了基于深度学习的虚拟单能图像生成方法，该方法能从单能CT数据生成40 keV虚拟单能图像，无需双能CT设备	研究为回顾性设计，样本量较小（52组图像），且仅评估了40 keV能量水平	评估深度学习生成的虚拟单能图像在CT肺血管造影中的客观和主观图像质量	CT肺血管造影图像	医学影像分析	肺血管疾病	CT成像，深度学习图像生成	深度学习模型	医学图像	52组单能CT肺血管造影图像	NA	Deep-En-Chroma	对比度，对比噪声比，主观评分（5点李克特量表）	NA
1097	2026-03-19	Detailed Delineation of the Fetal Brain in Diffusion MRI via Multi-Task Learning 2026-Mar, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2025.3619809 PMID:41066289	研究论文	本文开发并验证了一个统一的计算框架，用于胎儿大脑扩散加权MRI数据的多任务学习，包括组织分割、白质束分割和脑区划分	提出了一种多任务深度学习方法来同时执行胎儿大脑扩散MRI数据的组织分割、白质束分割和脑区划分，提高了分析效率和准确性	未明确提及具体限制，但可能依赖于标注数据的质量和数量	开发自动化方法以可靠分析胎儿大脑扩散加权MRI数据，用于神经发育研究和医学应用	胎儿大脑扩散加权MRI数据	医学影像分析	NA	扩散加权MRI	深度学习	MRI图像	97个胎儿大脑	NA	NA	Dice相似系数	NA
1098	2026-03-19	AI based multiomics integration for cancer diagnosis and prognosis 2026-Mar, Journal, genetic engineering & biotechnology DOI:10.1016/j.jgeb.2025.100639 PMID:41839664	研究论文	本研究介绍了OmicsFusionNet，一种基于AI的混合模型，整合机器学习和深度学习，用于癌症诊断和预后	开发了OmicsFusionNet模型，整合多达六种多组学数据集，在23种癌症类型中实现80.2%的准确率，其中RNAseq和甲基化整合达到99.8%的准确率	NA	通过AI和多组学整合革新癌症护理，实现早期检测、生物标志物发现和个性化治疗	23种癌症类型，特别是卵巢癌	机器学习	癌症	多组学整合（基因组学、转录组学、表观基因组学），KEGG通路富集分析	混合模型（机器学习与深度学习）	多组学数据集	NA	NA	OmicsFusionNet	准确率	NA
1099	2026-03-19	ResSGA-Net: A deep learning approach for enhanced brain tumor detection and accurate classification in healthcare imaging systems 2026-Mar, Journal, genetic engineering & biotechnology DOI:10.1016/j.jgeb.2026.100658 PMID:41839680	研究论文	提出一种名为ResSGA-Net的混合深度学习框架，用于从MRI图像中准确检测和分类脑肿瘤	将ResNet50主干网络与双重注意力机制（全局和门控）以及Swin Transformer相结合，有效捕获细粒度局部特征和长距离上下文依赖关系，并采用融合策略统一卷积、注意力精炼和Transformer增强的表征	未明确提及模型在更大规模或更多样化临床数据集上的泛化能力，也未讨论计算效率或实时诊断的可行性	开发一种准确可靠的自动脑肿瘤分类方法，以辅助临床决策	脑部MRI图像	计算机视觉	脑肿瘤	磁共振成像	CNN, Transformer	图像	两个公开基准数据集（一个四分类任务，一个三分类任务）	NA	ResNet50, Swin Transformer	准确率, AUC	NA
1100	2026-03-19	Pathomics Signature for Prognosis and CA19-9 Interception in Pancreatic Ductal Adenocarcinoma: A Real-Life, Multi-Center Study 2026-Mar, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202515952 PMID:41556438	研究论文	本研究开发并验证了一个基于深度学习的自动化预后模型，用于从胰腺导管腺癌（PDAC）患者的数字化全切片图像中提取病理组学特征，以预测患者生存期并指导治疗决策	首次在多中心真实世界研究中，利用CrossFormer架构从常规H&E切片中自动提取预后特征，并揭示了CA19-9的预后价值在不同风险组中的异质性，为个性化治疗提供了新见解	研究基于回顾性数据，且仅包含接受手术切除的患者，未来需要前瞻性验证并扩展到更广泛的患者群体	开发一个可解释的深度学习模型，从常规病理切片中提取预后特征，以改善胰腺导管腺癌的风险分层和治疗决策	胰腺导管腺癌（PDAC）患者	数字病理学	胰腺癌	深度学习，数字化全切片图像分析	深度学习模型	数字化全切片图像（H&E染色）	873名接受手术切除的PDAC患者，来自三个学术中心	未明确说明（可能为PyTorch或TensorFlow）	CrossFormer, ResNet-18, ResNet-50, DenseNet-121	AUC（曲线下面积）, 风险比（HR）, p值	NA