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
1101	2026-03-19	Exploration and performance analysis of deep learning applications in spermatic vein ultrasound segmentation 2026-Mar-18, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ae4eed PMID:41802363	研究论文	本研究探索并评估了深度学习在精索静脉超声图像分割中的应用，建立了首个自动化分割性能基准	提出了基于Segment Anything Model（SAM）的半自动标注工作流程，并首次为精索静脉超声分割任务建立了深度学习性能基准	所有模型在狭窄的性能范围内达到平台期（DSC：61%-65%），远低于成熟超声分割领域的性能，表明主要障碍是固有的数据限制而非模型架构	开发自动化精索静脉超声分割工具，以解决当前手动测量耗时、主观且缺乏可重复性的问题	精索静脉超声图像	医学图像分析	精索静脉曲张	超声成像	深度学习分割模型	超声图像	未明确说明具体样本数量，但采用留一患者交叉验证	未明确说明	U-Net, U-Net++, Attention U-Net, RPA-UNet, UNet-DS（带深度监督的U-Net）	Dice相似系数（DSC）, Kappa系数	NA
1102	2026-03-19	High-throughput label-free assessment of sperm DNA fragmentation index via intelligent morphological imaging 2026-Mar-17, Lab on a chip IF:6.1Q2 DOI:10.1039/d5lc01122a PMID:41710949	研究论文	本研究提出了一种基于智能形态成像的高通量、无标记精子DNA碎片指数评估方法	首次将光流控时间拉伸定量相位成像流式细胞技术与卷积神经网络结合，实现了无标记、高通量、非破坏性的精子DNA碎片指数评估	研究样本量相对有限（31个临床精液样本），且方法依赖于特定的成像设备	开发一种准确、高效、无标记的精子DNA碎片指数评估方法，以改善男性不育症的临床诊断	人类精子细胞	数字病理学	男性不育症	光流控时间拉伸定量相位成像流式细胞技术	CNN	图像	31个临床精液样本，共136,070张图像	NA	NA	准确率	NA
1103	2026-03-19	Artificial Intelligence in Anatomic Education: Educational Utility, Safety Boundaries, and Implementation Considerations 2026-Mar-17, The Journal of craniofacial surgery IF:1.0Q3 DOI:10.1097/SCS.0000000000012573 PMID:41842848	综述	本文批判性地综合了人工智能在解剖学教育中的应用，重点关注其教育效用、安全边界和实施考虑	强调人工智能在解剖学教育中的教育效用而非临床自动化，并关注解剖准确性验证、生成系统中的错误信息风险、算法偏见等关键问题	NA	探讨人工智能如何支持解剖学教育，以应对传统教学方法的挑战	解剖学教育	计算机视觉,自然语言处理	NA	NA	深度学习	NA	NA	NA	NA	NA	NA
1104	2026-03-19	Intelligent system for infants' pain detection: pain intensity estimation using deep learning approach 2026-Mar-17, Physical and engineering sciences in medicine IF:2.4Q2 DOI:10.1007/s13246-026-01720-8 PMID:41843272	研究论文	本研究提出了一种基于深度学习的方法，通过分析面部表情来估计足月婴儿的疼痛强度	采用回归CNN模型结合迁移学习技术，利用预训练的VGG16模型进行微调，以提高分类性能并避免过拟合	NA	开发一个智能系统来检测婴儿的疼痛强度，以改善疼痛管理	足月婴儿在NICU日常医疗程序中的面部表情	计算机视觉	NA	深度学习	CNN	图像	NA	NA	VGG16	MAE, MSE	NA
1105	2026-03-19	Bridging Datasets and Hyperparameters: GCN-Based Link Prediction for Recommendation 2026-Mar-17, IEEE transactions on pattern analysis and machine intelligence IF:20.8Q1 DOI:10.1109/TPAMI.2026.3675022 PMID:41843509	研究论文	本文提出了一种基于图卷积网络的超参数推荐框架，通过将数据集和超参数配置建模为二分图中的节点，并利用链接预测来为新数据集推荐超参数	将超参数推荐问题形式化为二分图上的链接预测问题，并引入GCN同时捕获数据集内部、超参数内部以及两者之间的同质和异质交互关系，这是现有方法所不具备的能力	未明确说明模型的计算复杂度或在大规模超参数空间中的可扩展性，且仅在分类任务上进行了验证	开发一种能够更准确推荐超参数配置的元学习方法	历史数据集、超参数配置及其性能观测值	机器学习	NA	元学习	GCN	元数据（数据集特征、超参数配置、性能观测）	105个真实世界分类数据集	NA	GCN	多种评估指标（具体未列出）	NA
1106	2026-03-19	Distillation-SAM: Knowledge Distillation Based Auto-prompt Embedding Learning for Surgical Image Segmentation 2026-Mar-17, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2026.3674509 PMID:41843527	研究论文	本文提出了一种基于知识蒸馏的自适应提示嵌入学习方法Distillation-SAM，用于提高手术图像分割的准确性和泛化能力	通过引入可训练的适配器分支学习稀疏和密集自动提示嵌入，并利用知识蒸馏约束，无需用户提供提示即可实现多类别手术对象分割	方法主要针对手术图像，可能在其他医学图像领域的泛化能力有限，且依赖于特定数据集进行训练	开发一种无需用户提示的自适应手术图像分割方法，以提升分割精度和跨手术场景的泛化性能	手术图像中的血管、器械和组织等对象	计算机视觉	NA	深度学习	SAM, 多层感知机	图像	多个手术数据集，包括IVIS、EndoVis2017和Cholecseg8k	NA	Segment Anything Model (SAM)	NA	NA
1107	2026-03-19	YOLO11-based deep learning and machine vision framework for automated detection and counting of Rhopalosiphum padi (Hemiptera: Aphididae) 2026-Mar-17, Journal of economic entomology IF:2.2Q1 DOI:10.1093/jee/toag048 PMID:41843770	研究论文	本研究开发了一个基于YOLO11的深度学习框架，用于自动检测和计数谷物害虫禾谷缢管蚜	在YOLO11n基线模型基础上，集成了ADown下采样模块、Triplet Attention和Focusing Diffusion Pyramid Network模块，以提升小目标检测能力并控制计算开销	模型在受控温室条件下使用智能手机图像进行训练和评估，未来需评估跨场景鲁棒性和实际部署性能	开发一种快速、自动化的图像监测方法，以替代劳动密集型且不一致的人工巡查，用于禾谷缢管蚜的检测与计数	禾谷缢管蚜（Rhopalosiphum padi），一种主要的谷物害虫和大麦黄矮病毒复合体的传播媒介	计算机视觉	NA	深度学习，机器视觉	CNN	图像	在受控温室条件下采集的智能手机图像数据集	Ultralytics YOLO11	YOLO11n, ADown, Triplet Attention, Focusing Diffusion Pyramid Network	mAP50, 平均绝对误差, 均方根误差	NA
1108	2026-03-19	Rectal Cancer Radiotherapy Response Prediction: Retrospective Study of Development of a Deep Learning-Based Radiomics Model 2026-Mar-17, JMIR medical informatics IF:3.1Q2 DOI:10.2196/77313 PMID:41843889	研究论文	本研究开发并比较了多种基于深度学习的放射组学模型，用于预测直肠癌患者的放疗反应，重点关注Transformer架构的性能和临床实用性	首次在大型直肠癌放疗前影像队列中，系统比较了CNN、GCN和Transformer架构，并证明基于MRI的Transformer模型在预测放疗反应方面优于传统架构，且具有更优的临床净获益	单中心回顾性研究，需要多中心外部验证；CT与MRI的晚期融合未显著提升整体区分度	开发并比较多种深度学习放射组学模型，以预测直肠癌患者的放疗反应，支持个性化临床决策	2000名经病理确诊并接受标准放疗的直肠癌患者	数字病理	直肠癌	放射组学，深度学习	CNN, GCN, Transformer	图像（CT和MRI影像），临床变量	2000名患者	未明确提及	U-Net, Transformer	AUROC, 准确率, 敏感性, 特异性, Dice系数, 交并比	未明确提及
1109	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
1110	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
1111	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
1112	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
1113	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
1114	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
1115	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
1116	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
1117	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
1118	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
1119	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
1120	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