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	2026-03-13	A novel multimodal framework integrating pathomics, deep learning, and machine learning for breast cancer histological grades classification 2026-Mar-12, Diagnostic pathology IF:2.4Q2 DOI:10.1186/s13000-026-01769-9 PMID:41814294	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1102	2026-04-22	AI-powered biomechanical modeling for ACL-reconstructed knees: predicting knee joint contact forces via computer vision and deep learning 2026-Mar-11, Journal of neuroengineering and rehabilitation IF:5.2Q1 DOI:10.1186/s12984-026-01939-2 PMID:41814442	研究论文	本研究开发并验证了一个结合计算机视觉和深度学习的非侵入式框架，用于预测前交叉韧带重建患者在日常活动中的膝关节接触力	将增强的肌肉骨骼模型与结合时空注意力的深度学习架构相结合，以提高跨多种运动任务的预测准确性，实现了从静态实验室分析到动态实时监测的范式转变	NA	开发并验证一个集成的、非侵入式的框架，用于准确预测前交叉韧带重建患者在日常活动中的膝关节接触力	29名前交叉韧带重建术后患者	计算机视觉, 机器学习	前交叉韧带损伤	肌肉骨骼建模, 运动捕捉	CNN, BiGRU, 自注意力机制	运动轨迹, 运动学数据	29名患者	NA	CNN-BiGRU-Attention	R²	NA
1103	2026-04-22	X-ViTCNN: A Novel Network-Level Fusion of Transfer Learning and Customized Vision Transformer for Multi-Stage Alzheimer's Disease Prediction Using MRI Scans 2026-Mar-11, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16060835 PMID:41897568	研究论文	提出了一种名为X-ViTCNN的新型网络级融合框架，用于基于MRI扫描的多阶段阿尔茨海默病预测	将定制的Vision Transformer模型与两个预训练的CNN（DenseNet201和MobileNetV2）进行网络级融合，结合对比度增强预处理和贝叶斯优化超参数调优，并利用Grad-CAM提供模型可解释性	未明确提及研究的局限性	开发一种准确、快速且可解释的阿尔茨海默病多阶段预测方法	阿尔茨海默病患者	计算机视觉	阿尔茨海默病	MRI扫描	Vision Transformer, CNN	图像	ADNI和OASIS数据集（具体样本数量未明确说明）	未明确说明	定制的Vision Transformer, DenseNet201, MobileNetV2	准确率, 灵敏度, 特异性	未明确说明
1104	2026-04-22	Evaluating the Predictive Potential of an AI-Driven Deep Learning Model for Pneumonia-Associated Sepsis 2026-Mar-11, Journal of clinical medicine IF:3.0Q1 DOI:10.3390/jcm15062125 PMID:41899050	研究论文	本研究评估了一种AI驱动的深度学习模型在预测肺炎相关脓毒症方面的性能，该模型能提前四小时预测院内脓毒症	开发了一种深度学习模型，在肺炎患者中提前预测脓毒症，其性能显著优于传统的评分系统（如NEWS、MEWS、SOFA、qSOFA），并提供了中位183分钟的提前识别时间	研究为回顾性、单中心设计，需要进一步的前瞻性研究来验证其在实时临床应用中的有效性	评估AI模型在肺炎相关脓毒症早期检测中的预测潜力，以促进及时干预	通过胸部X光或CT识别的7715例肺炎病例	数字病理学	肺炎	深度学习	深度学习模型	医学影像数据（胸部X光或CT）	7715例肺炎病例	NA	NA	AUROC, 敏感性, 特异性, 提前时间	NA
1105	2026-04-22	Thyroid Nodule Detection and Classification on Small Datasets: An Ensemble Deep Learning Approach with Attention Mechanism and Focal Loss 2026-Mar-10, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16060825 PMID:41897558	研究论文	本研究提出了一种结合YOLO检测与增强型ResNet18分类器的集成深度学习框架，用于解决小数据集和类别不平衡下的甲状腺结节超声图像检测与分类问题	在轻量级ResNet18架构中引入卷积块注意力模块增强特征提取，并综合采用焦点损失、加权随机采样、混合增强、余弦退火学习率调度与5折交叉验证集成策略，以应对小样本和类别不平衡的挑战	研究样本量有限（总522例），外部验证集仅36例且来自在线来源，可能影响模型的泛化能力评估	开发一种在小规模医学数据集上具有良好泛化能力的甲状腺结节计算机辅助诊断工具	甲状腺超声图像	计算机视觉	甲状腺结节	超声成像	CNN, YOLO	图像	522例患者超声图像（训练集467例，独立测试集41例，内部验证集14例），另加36例外部验证图像	PyTorch	ResNet18, YOLO	准确率, 灵敏度, 特异性	NA
1106	2026-04-22	Automated multiclass bone segmentation using deep learning: implications for templating in radial head replacement 2026-Feb-18, Journal of shoulder and elbow surgery IF:2.9Q1 DOI:10.1016/j.jse.2026.02.005 PMID:41720251	研究论文	本研究训练并验证了一个基于nnU-Net的深度学习模型，用于自动化桡骨头置换术术前三维模板中的多类别骨骼分割	首次将nnU-Net模型应用于桡骨头置换术的自动化多类别骨骼分割，显著提高了分割效率并保持了高精度	模型无法捕捉软骨组织	开发一种快速可靠的自动化骨骼分割方法，以支持桡骨头置换术的术前三维模板规划	上肢骨骼（包括肱骨、尺骨、桡骨皮质和非皮质区域）	数字病理	骨科疾病	计算机断层扫描	深度学习	医学影像	93例上肢CT扫描	nnU-Net	U-Net	Dice相似系数, Hausdorff距离, 平均表面距离, 均方根误差	NA
1107	2026-04-22	Dual-Modal Deep Learning with In-Domain Training and Attention for Infant Brain Myelination Prediction 2026-Feb-18, Neuroinformatics IF:2.7Q3 DOI:10.1007/s12021-025-09750-5 PMID:41706372	研究论文	提出一种新颖的双模态深度学习框架，利用T1和T2加权MRI自动评估婴儿脑髓鞘成熟度	采用领域内训练的DenseNet121特征提取器，结合通道和多头注意力块增强特征优先级和空间上下文，并通过交叉注意力实现模态间有效信息交换	研究仅基于公开数据集，样本量相对有限，未在更广泛临床环境中验证	开发自动评估婴儿脑髓鞘成熟度的深度学习模型，以支持儿科神经影像诊断	婴儿脑髓鞘成熟过程	数字病理学	NA	MRI	CNN	图像	833个样本（训练集710个，测试集123个）	PyTorch, TensorFlow	DenseNet121	平均绝对误差, 皮尔逊相关系数, 决定系数, 一致性相关系数	NA
1108	2026-04-22	Sharper than human eyes? A systematic review and meta-analysis of machine learning for retinal detachment detection 2026-Feb-10, European journal of ophthalmology IF:1.4Q3 DOI:10.1177/11206721261419673 PMID:41666118	系统综述与荟萃分析	本文通过系统综述和荟萃分析评估机器学习在视网膜脱离检测中的诊断准确性	首次对机器学习在视网膜脱离检测中的诊断性能进行全面的荟萃分析，比较了不同机器学习技术、成像模态和验证方法的性能差异	研究存在显著的异质性（I>90%），患者选择和数据质量存在偏倚，外部验证的普适性面临挑战	评估机器学习在视网膜脱离检测中的诊断准确性，并探讨其临床应用的潜力与挑战	视网膜脱离（RD）的检测	机器学习	视网膜脱离	机器学习（ML）、深度学习（DL）	深度学习模型、机器学习模型	图像（包括眼底成像等多种成像模态）	来自20项研究的69个模型	NA	NA	灵敏度、特异性、曲线下面积（AUC）	NA
1109	2026-04-22	Small data, big challenges: Machine- and deep-learning strategies for data-limited drug discovery 2026-Feb, Advanced drug delivery reviews IF:15.2Q1 DOI:10.1016/j.addr.2025.115762 PMID:41421504	综述	本文综述了在数据有限的药物发现中，机器学习和深度学习面临的挑战及应对策略	聚焦于药物发现流程中的小数据问题，系统整合了传统ML方法和针对小数据优化的先进DL策略，填补了现有综述的空白	作为一篇综述文章，主要基于现有文献进行综合，未提出新的原创算法或实验验证	探讨在数据稀缺的药物发现与开发（DDD）流程中，如何应用和调整ML与DL方法以提高其实用性和可信度	药物发现与开发（DDD）流程中的关键任务及相关数据	机器学习	NA	NA	NA	NA	NA	NA	NA	NA	NA
1110	2026-04-22	Deep Learning-Based Classification of Temporal Stages of AT8-Labeled Tau Pathology After Experimental Traumatic Brain Injury 2026-Jan-19, Neuroinformatics IF:2.7Q3 DOI:10.1007/s12021-025-09763-0 PMID:41553585	研究论文	本研究评估了一种基于深度学习的框架，用于在实验性创伤性脑损伤小鼠模型中，对AT8标记的tau病理的多个时间阶段进行分类	将深度学习应用于创伤性脑损伤后tau病理的早期和中间时间阶段分类，这是一个尚未充分探索的应用领域	结果基于内部交叉验证，缺乏独立的动物级别标识符或外部队列验证，且早期阶段（1天）的分类可分离性有限	开发一个可扩展的自动化方法，用于临床前组织学中tau病理的时间阶段分期	实验性创伤性脑损伤小鼠模型中AT8染色的皮质显微图像	数字病理学	神经退行性疾病	AT8染色（抗磷酸化tau抗体）	CNN	图像	未明确指定样本数量，但图像被分为四个损伤后阶段（1天、1周、1个月、3个月）	未明确指定，可能为TensorFlow或PyTorch	自定义CNN, InceptionV3, DenseNet	准确率, 宏平均F1分数, 每类F1分数, 一对多接收者操作特征曲线下面积（AUC）	NA
1111	2026-04-22	Computational Ligand-Binding Site Prediction 2026, Advances in experimental medicine and biology DOI:10.1007/978-3-032-07511-6_7 PMID:41652164	综述	本章综述了计算配体结合位点预测方法，包括结构对接、机器学习和基于物理的分子动力学技术	重点介绍了SILCS技术及其基于物理的方法优势，并讨论了深度学习工具在结合位点预测中的应用	NA	介绍和比较计算配体结合位点预测的各种方法，以辅助药物设计	蛋白质和RNA上的配体结合位点	计算机辅助药物设计	NA	结构对接、机器学习、深度学习、分子动力学、SILCS技术	NA	蛋白质和RNA结构数据	NA	NA	NA	NA	NA
1112	2026-04-22	Hybrid deep learning framework for cardiovascular disease diagnosis and prognosis using GAN, LSTM, GRU, VARMA, and deep DynaQ network 2025-Nov-21, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-25296-7 PMID:41271980	研究论文	本文提出了一种结合GAN、LSTM、GRU、VARMA和深度DynaQ网络的混合深度学习框架，用于心血管疾病的诊断和预后	创新点在于整合了多种深度学习模型（GAN、LSTM、GRU、VARMA和深度DynaQ网络）进行心血管疾病的诊断和预后，并利用GAN生成合成医学图像以增强训练数据	NA	提高心血管疾病的早期诊断准确性和治疗效果	心血管疾病患者	医学图像分析	心血管疾病	深度学习	GAN, LSTM, GRU, VARMA, 深度DynaQ网络	医学图像, 时间序列数据	大型医学图像和患者数据集	NA	GAN, LSTM, GRU, VARMA, 深度DynaQ网络	准确率, 灵敏度	NA
1113	2026-04-22	Deep Learning-Guided Quantitative Analysis Establishes Optimized BRAF V600E Immunohistochemical Criteria for Colorectal Cancer: A Multiplatform Validation Study 2025-Nov, Laboratory investigation; a journal of technical methods and pathology DOI:10.1016/j.labinv.2025.104215 PMID:40683333	研究论文	本研究通过深度学习引导的定量分析，建立了结直肠癌中BRAF V600E免疫组化的优化判读标准，并进行了多平台验证	首次利用人工智能驱动的数字病理平台对BRAF V600E免疫组化参数进行精确定量分析，并建立了结直肠癌特异性的、基于定量阈值的优化判读标准	研究未明确提及样本的种族或地域分布多样性，且对于非典型染色模式的病例仍需分子检测确认	为结直肠癌建立准确、标准化的BRAF V600E免疫组化判读标准，以指导治疗策略	250例结直肠癌病例及其配对的免疫组化和基因检测（qPCR和二代测序）结果	数字病理	结直肠癌	免疫组化（IHC）、定量PCR（qPCR）、二代测序（NGS）	深度学习	病理图像	250例结直肠癌病例	未明确指定	未明确指定	AUC（曲线下面积）、一致性	未明确指定
1114	2026-04-22	scGPD: single-cell informed gene panel design for targeted spatial transcriptomics 2025-Oct-02, bioRxiv : the preprint server for biology DOI:10.1101/2025.10.02.680117 PMID:41256660	研究论文	本文介绍了一种基于深度学习的基因面板设计框架scGPD，用于空间转录组学中的靶向基因选择	提出了一种基因-基因相关性感知的门控机制，从单细胞RNA-seq数据中提取信息特征，鼓励所选基因的多样性并消除冗余	NA	设计用于靶向空间转录组学的信息性基因面板，以捕获组织内细胞和空间异质性的复杂性	单细胞RNA-seq数据和空间转录组学数据	计算生物学	NA	单细胞RNA测序, 空间转录组学	深度学习	基因表达数据	NA	NA	NA	细胞类型分类准确率, 转录组范围表达恢复能力	NA
1115	2026-04-22	Reliable deep learning for coronary artery disease detection: a patient-level, statistically validated MRI study 2025 Oct-Dec, Romanian journal of morphology and embryology = Revue roumaine de morphologie et embryologie DOI:10.47162/RJME.66.4.09 PMID:41787625	研究论文	本研究评估了DenseNet121和ResNet50两种深度学习架构在利用多参数心脏磁共振成像自动检测冠状动脉疾病方面的性能和统计稳健性	结合了患者级别的数据划分、严格的统计验证（如Shapiro-Wilk检验和Brown-Forsythe检验）以及现实预处理流程，以生成可重复且具有临床意义的性能评估	未提及具体样本量、计算资源细节或外部验证结果	评估深度学习模型在冠状动脉疾病自动检测中的可靠性和统计稳健性	冠状动脉疾病患者的心脏磁共振成像数据	计算机视觉	心血管疾病	心脏磁共振成像	CNN	图像	NA	NA	DenseNet121, ResNet50	准确率, AUC-ROC, 精确率-召回率曲线下面积	NA
1116	2026-04-22	Sharing a whole-/total-body [18F]FDG-PET/CT dataset with CT-derived segmentations: an ENHANCE.PET initiative 2025-Aug-05, Research square DOI:10.21203/rs.3.rs-7169062/v2 PMID:40799763	研究论文	本文介绍了一个大型全身和全身体积的[18F]FDG-PET/CT数据集，包含1,597张PET/CT图像及对应的130个目标区域的CT衍生分割	提供了首个包含多中心、多病理类型（如肺癌、淋巴瘤、黑色素瘤）的大规模全身PET/CT数据集，并附带经医生验证的CT自动分割结果	数据集中分割结果基于CT图像自动生成后人工校正，可能存在分割误差；且仅包含特定病理类型，未覆盖所有疾病	通过共享带分割标注的PET/CT数据集，促进深度学习训练和多模态图像分析在临床管理中的应用	无显性疾病的个体及患有肺癌、淋巴瘤、黑色素瘤等不同病理的患者	数字病理学	肺癌, 淋巴瘤, 黑色素瘤	PET/CT成像, CT自动分割	NA	图像（PET/CT）	1,597张PET/CT图像，来自多中心个体，包括健康者和患者	NA	NA	NA	NA
1117	2026-04-22	Accurate and real-time brain tumour detection and classification using optimized YOLOv5 architecture 2025-Jul-12, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-07773-1 PMID:40651993	研究论文	本研究提出了一种结合全卷积神经网络和YOLOv5的集成模型，用于从MRI图像中实时、准确地检测和分类脑肿瘤	提出了一种将FCNN用于分类和YOLOv5用于检测与分割的集成框架，并采用RMSProp优化器提升分类性能，实现了高达98.80%的平均准确率	未明确提及模型在不同MRI扫描设备或成像参数下的泛化能力，也未讨论临床部署中的实时性具体要求	开发一种高精度、实时的脑肿瘤自动检测与分类系统，以辅助医疗影像诊断	脑部MRI图像中的肿瘤区域	计算机视觉	脑肿瘤	MRI成像	CNN, YOLO	图像	未明确提及具体样本数量	PyTorch	FCNN, YOLOv5	准确率, 精确率, 召回率, F1系数, 特异性	NA
1118	2026-04-22	Circulating tumor cell detection in cancer patients using in-flow deep learning holography 2025-Jul-09, ArXiv PMID:40671945	研究论文	本文介绍了一种结合数字全息显微镜、微流体富集和深度学习图像分析的系统，用于提高循环肿瘤细胞检测的敏感性和特异性	整合了惯性微流体预处理与双模态成像（全息术和荧光传感），并利用深度学习模型提供细胞形态学置信度，可实时分析，且发现传统EpCAM标记可能导致假阴性	仅进行了初步研究，样本量较小（13名前列腺癌患者和8名健康对照），需要更大规模验证	提高循环肿瘤细胞的检测准确性和效率，以用于癌症早期检测、预后评估和疾病监测	循环肿瘤细胞（CTCs），来自健康血液样本和癌细胞系，以及前列腺癌患者和健康对照的血液样本	数字病理学	前列腺癌	数字全息显微镜（DHM）、微流体富集、免疫荧光分析	深度学习模型	图像（全息和荧光图像）	13名晚期前列腺癌患者和8名健康对照	NA	NA	患者级别假阳性率（1细胞/毫升）	NA
1119	2026-04-22	Discovery of naturally inspired antimicrobial peptides using deep learning 2025-06-15, Bioorganic chemistry IF:4.5Q1 DOI:10.1016/j.bioorg.2025.108444 PMID:40209356	研究论文	本研究利用深度学习从细菌基因组中挖掘非核糖体肽合成酶基因簇，设计并优化出具有强效抗菌活性的新型抗菌肽	首次结合216,408个细菌基因组的NRPS基因簇挖掘与深度学习评分系统，高效发现并优化出具有膜破坏机制且与传统抗生素协同作用的抗菌肽	研究仅针对两种病原菌进行活性测试，尚未在更广泛的菌株或体内模型中验证效果	利用深度学习加速从沉默生物合成基因簇中发现天然启发的抗菌肽	细菌非核糖体肽合成酶基因簇及其编码的肽类化合物	机器学习	细菌感染	基因组挖掘，固相化学合成	深度学习模型	基因组序列数据，肽序列数据	216,408个细菌基因组，335,024个NRPS基因簇，328个独特肽支架	NA	NA	最小抑菌浓度	NA
1120	2026-04-22	Regulatory risk loci link disrupted androgen response to pathophysiology of Polycystic Ovary Syndrome 2025-Jun-11, medRxiv : the preprint server for health sciences DOI:10.1101/2025.03.26.25324630 PMID:40196246	研究论文	本研究通过整合分子和表观基因组注释，并利用深度学习框架预测多囊卵巢综合征风险变异的细胞类型特异性调控效应，揭示了这些变异如何影响转录因子结合位点，从而关联雄激素反应与PCOS病理生理学	首次结合深度学习模型与表观基因组数据，系统预测PCOS风险变异的细胞类型特异性调控效应，并揭示其通过破坏雄激素介导信号通路导致高雄激素血症的分子机制	研究主要基于计算预测和体外实验验证，缺乏体内功能实验的直接证据；模型预测的增强子破坏活性仅覆盖约20%的风险变异，可能存在未检出的调控效应	解析PCOS遗传易感位点如何通过调控分子机制驱动疾病表型，并建立风险变异与病理生理学的功能联系	多囊卵巢综合征的风险遗传变异及其在脑和内分泌细胞类型中的调控效应	机器学习	多囊卵巢综合征	深度学习框架、表观基因组注释、报告基因检测	深度学习模型	表观基因组数据、分子注释数据	NA	NA	NA	与报告基因检测数据的一致性	NA