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
1121	2026-06-05	Automated deep learning pipeline for measuring lumbar thecal sac AP diameter on mid-sagittal MR images 2026-Feb-10, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-026-02220-7 PMID:41668049	研究论文	开发并验证了一种自动化的椎间盘层面深度学习流水线，用于在中矢位腰椎T2加权MR图像上定量测量硬膜囊前后径	首次结合YOLOv8定向边界框与Attention U-Net的流水线，实现腰椎硬膜囊前后径的自动化椎间盘层面定量测量，定向检测显著提升了测量线有效性	未明确提及局限性，但可能受限于回顾性单中心设计及外部验证数据集来源单一	开发并验证用于腰椎硬膜囊前后径测量的自动化深度学习流水线	中矢位腰椎T2加权MRI图像中的硬膜囊前后径	计算机视觉	腰椎管狭窄	NA	YOLOv8, Attention U-Net	图像（MRI）	511例中矢位腰椎T2 MRI检查（内部50例，外部50例）	PyTorch	YOLOv8-OBB, Attention U-Net	组内相关系数（ICC），平均绝对误差（MAE）	NA
1122	2026-06-05	Deep learning model for identification of metabolic bone disease of prematurity using wrist radiographs 2026-Feb-09, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-37116-7 PMID:41656355	研究论文	提出基于手腕X光片的深度学习模型，用于识别早产儿代谢性骨病的影像学特征，并评估其决策支持效果	利用DenseNet模型实现高精度早产儿代谢性骨病识别，并验证其可帮助非放射科医生提升阅片准确率	未提及	开发并验证深度学习模型以辅助临床医生识别早产儿代谢性骨病的X光影像特征	早产儿（出生体重<1500g）的手腕X光片	数字病理学	早产儿代谢性骨病	X光摄影	卷积神经网络（CNN）	图像	内部数据集814名受试者，外部数据集261名受试者	PyTorch	DenseNet	AUROC, 敏感性, 特异性, 准确率	NA
1123	2026-06-05	Deep learning for the change-point Cox model with current status data 2026-Feb-09, Lifetime data analysis IF:1.2Q2 DOI:10.1007/s10985-026-09689-y PMID:41661381	研究论文	针对现状数据下带变点的Cox比例风险模型，提出深度部分线性估计方法，利用深度神经网络处理协变量效应并建立渐近性质	首次将深度神经网络引入现状数据中变点Cox模型的协变量效应估计，并证明了估计量的一致性、渐近独立性和半参有效性	未明确提及模型在大规模或高维协变量下的表现及计算复杂度	开发现状数据下带变点的深度部分线性Cox模型估计方法，以更精确捕捉变点效应	现状数据中带变点的生存数据	机器学习	乳腺癌	NA	深度神经网络	现状数据	一项乳腺癌数据集分析，未明确样本数量	NA	深度神经网络	NA	NA
1124	2026-06-05	CBCT assisted diagnosis system for temporomandibular joint disc displacement based on deep learning 2026-Feb-09, Progress in orthodontics IF:3.5Q1 DOI:10.1186/s40510-026-00606-5 PMID:41661510	研究论文	基于深度学习的CBCT辅助诊断系统用于颞下颌关节盘移位	首次利用深度学习技术从锥形束CT图像中预测颞下颌关节盘移位风险，结合YOLOv11目标检测和FastViT-t8分类的两阶段模型，克服了传统依赖MRI诊断的复杂性、高成本和耗时问题	当前性能尚不能独立用于诊断，仅可作为分诊工具，辅助早期识别需转诊MRI的患者	利用深度学习技术，基于CBCT图像预测颞下颌关节盘移位风险	330例患者的CBCT图像，共识别5,238个颞下颌关节感兴趣区域	计算机视觉	颞下颌关节疾病	锥形束CT成像	YOLOv11目标检测模型、FastViT-t8二分类模型	图像	330例患者，5,238个感兴趣区域（其中2,260个显示关节盘移位迹象）	PyTorch	YOLOv11, FastViT-t8	精确度, 召回率, mAP50, mAP50-95, AUC, AUPR, 准确率	未提及
1125	2026-06-05	Association of epicardial adipose tissue with markers of cardiac remodelling and clinical outcomes in asymptomatic aortic stenosis 2026-Feb-09, Open heart IF:2.8Q2 DOI:10.1136/openhrt-2025-003804 PMID:41663151	研究论文	评估心外膜脂肪组织体积和密度与无症状主动脉瓣狭窄患者心脏重构及临床结局的关联	首次在无症状主动脉瓣狭窄队列中系统评估EAT体积和CT衰减与心脏MRI重构指标及预后的关系，并提出EAT可能具有保护作用	事后分析设计、样本量较小、中位随访时间仅370天，未考虑EAT功能或分子机制	探究EAT体积和密度与无症状主动脉瓣狭窄患者心脏重构及临床结局的关联	无症状中度至重度主动脉瓣狭窄患者（n=136）及健康对照组（n=39）	机器学习	主动脉瓣狭窄	心脏CT、心脏MRI、超声心动图	深度学习	医学图像	136例患者和39例对照	NA	NA	NA	自动化深度学习软件
1126	2026-06-05	Explainable AI-based analysis of human pancreas sections identifies traits of type 2 diabetes 2026-Feb-09, Nature communications IF:14.7Q1 DOI:10.1038/s41467-026-69295-2 PMID:41663377	研究论文	利用可解释AI分析人胰腺切片图像，识别2型糖尿病的组织特征	首次通过可解释AI从全景胰腺切片图像中量化与2型糖尿病相关的多种组织学标志物，包括胰岛α细胞和δ细胞、神经元轴突以及脂肪细胞簇等	未提及具体限制，但可能包括样本量有限或数据偏倚等问题	探索并识别胰腺组织形态变化与2型糖尿病状态之间的关联	活体捐赠者的胰腺全切片图像，包含多种显色和多重免疫荧光染色	数字病理学	2型糖尿病	全景显微镜成像，多重免疫荧光染色	CNN（卷积神经网络）	图像	未提及具体数字，但包含来自活体捐赠者的胰腺全切片图像	NA	深度学习模型（具体架构未指定）	预测性能（具体指标未指定，如准确率、AUC等）	NA
1127	2026-06-05	SPCNNet: spiking point cloud neural network for morphological neuron classification 2026-Feb-09, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-38839-3 PMID:41663568	研究论文	提出了一种尖峰点云神经网络（SPCNNet）模型，用于直接处理3D点云并进行神经元形态分类	首次将尖峰神经网络与点云处理相结合，直接在3D点云上使用脉冲信号表示形态特征，避免了传统方法中信息丢失的问题	未提及模型在大规模数据集上的泛化能力及计算效率方面的限制	提高神经元形态分类性能，揭示神经系统的功能特性和信息传递机制	神经元形态数据（SWC格式）转化为3D点云	机器学习	NA	点云转换、尖峰编码	SPCNNet（尖峰神经网络）	3D点云数据	两个NeuroMorpho数据集	PyTorch	SPCNNet	准确率	NA
1128	2026-06-05	MM-GradCAM: an improved multimodal GradCAM method with 1D and 2D ECG data for detection of cardiac arrhythmia 2026-Feb-09, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-38654-w PMID:41663616	研究论文	提出一种改进的多模态GradCAM方法，结合一维和二维心电图数据用于心律失常检测的解释性分析	首次提出结合一维ECG信号和二维ECG图像两种数据格式的多模态GradCAM方法，为医学诊断中的可解释性提供创新方案	未明确提及	提高深度学习模型在心电图分析中的可解释性，以增强临床信任度和透明度	心律失常检测	计算机视觉, 机器学习	心律失常	心电图分析	CNN	一维信号和二维图像	超过10,000名患者的数据集	NA	17层CNN	准确率	NA
1129	2026-06-05	Deep learning for synthetic PET imaging: a systematic mapping review of techniques, metrics, and clinical relevance 2026-Feb-09, European radiology experimental IF:3.7Q1 DOI:10.1186/s41747-025-00651-5 PMID:41663871	review	系统性概述深度学习在合成PET成像中的技术、评估指标和临床应用现状	首次系统性梳理2019-2024年深度学习合成PET研究，涵盖方法框架、性能指标和临床相关性分析	缺乏大型多中心数据集限制结果泛化性；方法论异质性高且未正式评估偏倚风险；临床验证不足	评估深度学习合成PET成像的方法学框架和临床相关性	2019-2024年发表的34篇深度学习合成PET同行评审研究	计算机视觉、机器学习	脑部/神经系统疾病、肿瘤	PET成像	卷积神经网络、生成对抗网络、U-Net	医学影像（磁共振成像、计算机断层扫描、低剂量PET）	34篇研究（其中73.5%涉及脑部/神经系统数据）	NA	卷积神经网络、生成对抗网络、U-Net	峰值信噪比、结构相似性指数、平均绝对误差	NA
1130	2026-06-05	CMMSCL-DPI: cross-modal multi-structural contrastive learning for predicting drug-protein interactions 2026-Feb-09, BMC biology IF:4.4Q1 DOI:10.1186/s12915-026-02533-7 PMID:41664132	研究论文	提出跨模态多结构对比学习模型CMMSCL-DPI用于预测药物与蛋白质相互作用	将对比学习应用于蛋白质和药物的多维结构特征，并整合异构图谱网络中的交互特征以进行跨模态对比学习，从而捕获关键差异与相似性，增强对新药物-靶标对的泛化能力	未提及	提高药物-蛋白质相互作用预测的准确性，并发现新型相互作用	药物与蛋白质之间的相互作用	机器学习	NA	对比学习、异构图谱网络、全原子分子动力学模拟	对比学习模型	多模态结构化数据（药物和蛋白质的多维结构特征）	四个基准数据集	NA	跨模态多结构对比学习网络	性能优于五个最先进基线模型（具体指标未提及）	NA
1131	2026-06-05	Hybrid vision transformer and graph neural network model with region-adaptive attention for enhanced skin cancer prediction 2026-Feb-07, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32502-z PMID:41654513	研究论文	提出一种结合视觉Transformer和圖神经网络并采用区域自适应注意力的混合模型，用于增强皮肤癌预测	首次将视觉Transformer与图神经网络结合，并引入区域自适应注意力机制，同时利用元学习方法提升模型在不同肤色和成像条件下的泛化能力	未提及具体局限性，可能需要进一步验证在不同临床场景和更大规模数据集上的表现	提高皮肤癌诊断的准确性和可解释性，开发可靠的临床辅助工具	皮肤病变图像，涵盖不同肤色和成像条件下的皮肤癌样本	计算机视觉	皮肤癌	NA	视觉Transformer-图神经网络混合模型	图像	NA	NA	视觉Transformer、图神经网络，基于区域自适应注意力的特征增强模块	分类准确率、可解释性指标	NA
1132	2026-06-05	The potential of optical coherence tomography angiography in progressive multiple sclerosis 2026-Feb-07, Journal of neurology IF:4.8Q1 DOI:10.1007/s00415-026-13659-7 PMID:41654639	研究论文	探讨光学相干断层扫描血管成像(OCTA)在进展型多发性硬化症中检测视网膜血管变化的应用潜力	首次在进展型多发性硬化症(PMS)中系统评估OCTA作为补充检测方法的可行性，并利用深度学习分割算法分析血管密度与疾病持续时间、临床残疾评分之间的相关性	单中心、回顾性、横断面研究设计，样本量有限；需外部验证和纵向研究来进一步阐明OCTA在监测PMS患者中的潜力	评估OCTA作为进展型多发性硬化症补充检测方法的价值	进展型多发性硬化症患者及年龄性别匹配的健康对照者的视网膜血管结构	数字病理学	多发性硬化症	OCTA	基于深度学习的分割算法	视网膜血管图像	62名进展型多发性硬化症患者的85只眼，以及43名健康对照者的64只眼	NA	NA	血管密度(VD)、p值、Johnson-Neyman分析、β系数	NA
1133	2026-06-05	CMC-WDTK: CpG methylation change prediction by a weight-sharing dual-branch Transformer-Kolmogorov-Arnold network model 2026-Feb-07, BMC genomics IF:3.5Q2 DOI:10.1186/s12864-026-12627-9 PMID:41654764	研究论文	提出CMC-WDTK框架，结合权重共享双分支Transformer与Kolmogorov-Arnold网络，整合CpG位点侧翼序列及相邻SNV信息，预测DNA序列间的甲基化变化	首个用于预测序列间甲基化变化的计算工具，通过双分支结构同时捕获全局和局部特征，并使用KAN建模高维关系	未提及	开发可预测个体遗传变异导致的CpG甲基化变化的深度学习模型	CpG位点侧翼序列及相邻单核苷酸变异信息	机器学习	癌症	甲基化测序, SNV检测	Transformer, Kolmogorov-Arnold网络	DNA序列	8个真实数据集	PyTorch	Transformer, Kolmogorov-Arnold Network (KAN)	AUC	NA
1134	2026-06-05	Advanced deep learning techniques for classifying dental conditions using panoramic X-ray images 2026-Feb-07, BMC oral health IF:2.6Q1 DOI:10.1186/s12903-026-07727-7 PMID:41654817	研究论文	评估多种深度学习方法在口腔全景X光图像中自动分类牙齿状况的性能，包括定制CNN、混合CNN-机器学习模型和微调预训练架构	首次系统比较混合CNN-随机森林模型与多种预训练架构（VGG16、Xception、ResNet50）在口腔全景X光图像分类中的性能，发现混合模型准确率比定制CNN提升11%	分类错误模式表明该系统应作为临床辅助工具，需前瞻性验证研究；数据通过手动标注区域提取，可能引入标注偏差	评估多种深度学习方法在口腔全景X光图像中自动检测填充物、龋洞、种植体和阻生齿四种牙齿状况的性能	口腔全景X光图像中的四种牙齿状况（填充物、龋洞、种植体和阻生齿）	计算机视觉	口腔疾病	口腔全景X光成像	CNN、混合模型（CNN+传统分类器）、预训练网络	图像	1,512张口腔全景X光图像，包含11,137个手动标注边界框，每类牙齿状况894个样本	NA	VGG16, Xception, ResNet50, 随机森林, 支持向量机, 决策树	准确率, 精确率, 召回率, F1分数	NA
1135	2026-06-05	Performance of machine learning algorithms in diffusion tensor imaging of movement disorders: an exploratory meta-analysis 2026-Feb-07, Biomedical engineering online IF:2.9Q3 DOI:10.1186/s12938-026-01528-3 PMID:41654900	meta分析	应用机器学习算法于弥散张量成像诊断运动障碍的性能趋势与方法学多样性的探索性meta分析	首次系统探索ML-DTI在运动障碍分类中的性能分布与方法学模式，而非推断单一诊断效果	研究间异质性极高，样本量小，方法碎片化，缺乏标准化成像流程，限制了结果的泛化性	描述ML模型在DTI数据上分类运动障碍的性能趋势与方法学变异性来源	运动障碍患者（包括帕金森病、图雷特综合征、特发性震颤）的DTI数据	机器学习	帕金森病, 图雷特综合征, 特发性震颤	弥散张量成像	深度学习, 放射组学模型	图像（弥散张量成像数据）	46项研究（2016-2024年），单中心队列样本量37-139名参与者	NA	NA	准确率, 灵敏度, 特异性, AUC	NA
1136	2026-06-05	A Large-Scale Peripheral Blood Cell Dataset for Automated Hematological Analysis 2026-Feb-06, Scientific data IF:5.8Q1 DOI:10.1038/s41597-026-06761-y PMID:41651863	research paper	提出一个包含13类细胞、31,489张高分辨率显微图像的外周血细胞数据集，用于自动化血液分析	构建了目前公开可用的最大规模外周血细胞数据集，涵盖13个类别，包括罕见但诊断关键的细胞亚型，且由资深血液学专家标注，具有高一致性	NA	解决现有血液细胞数据集规模小、类别多样性不足的问题，支持自动化血液分析系统的开发	外周血细胞，包括常见细胞类型（如分叶中性粒细胞、淋巴细胞）和罕见亚型（如髓细胞、原始细胞、反应性淋巴细胞）	machine learning, digital pathology	hematological disease	光学显微镜成像	CNN	图像	31,489张高分辨率显微图像，涵盖13类细胞	PyTorch	DenseNet-121, ResNet, VGG, EfficientNet等14种架构	准确率	NA
1137	2026-06-05	A High Magnifications Histopathology Image Dataset for Oral Squamous Cell Carcinoma Diagnosis and Prognosis 2026-Feb-06, Scientific data IF:5.8Q1 DOI:10.1038/s41597-026-06736-z PMID:41651871	研究论文	提出了一个用于口腔鳞状细胞癌诊断和预后的高倍率组织病理学图像数据集Multi-OSCC	首次构建包含1325名患者的大规模口腔鳞状细胞癌组织病理学数据集，并整合诊断与预后信息，涵盖三个放大倍率和六个关键临床任务	未明确提及具体局限性，但可能受限于单一癌种和固定图像倍率设置	构建并公开一个用于口腔鳞状细胞癌计算机辅助诊断和预后的综合性组织病理学图像数据集	1325名口腔鳞状细胞癌患者的组织病理学图像	数字病理学	口腔鳞状细胞癌	组织病理学图像采集（200×、400×、1000×放大倍率）	视觉编码器	图像	1325名患者，每名患者6张高分辨率组织病理学图像	NA	视觉编码器	NA	NA
1138	2026-06-05	Hyperparameter optimization to enhance the performance of deep learning models for the early detection of invasive turtles in Korea 2026-Feb-06, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-37636-2 PMID:41651916	研究论文	通过超参数优化提升深度学习模型在韩国入侵龟早期检测中的性能	首次系统性地在入侵龟检测中应用超参数优化，包括优化器选择和调参，以提升目标检测模型的性能	研究仅针对图像数据，未涉及其他检测模式或实际部署中的计算资源限制	开发优化的深度学习模型用于早期检测和分类韩国六种入侵龟类，并评估超参数优化的效果	六种入侵龟种的图像	计算机视觉	NA	深度学习	目标检测模型（如YOLO或类似）	图像	未明确说明	PyTorch, TensorFlow	YOLO, Faster R-CNN	平均精度均值（mAP），分类准确率	NA
1139	2026-06-05	Improving prediction accuracy of radiation-induced temporal lobe injury in nasopharyngeal carcinoma using ADC-based deep learning and dosiomics 2026-Feb-06, BMC cancer IF:3.4Q2 DOI:10.1186/s12885-026-15599-x PMID:41652361	研究论文	利用基于ADC图的深度学习和剂量组学预测鼻咽癌放疗后颞叶损伤	首次将ADC图深度学习特征与剂量分布剂量组学特征融合，建立预测模型，显著提升预测准确性	NA	探索基于ADC图的深度学习和剂量组学在预测鼻咽癌放疗后颞叶损伤中的潜力	接受调强放疗的鼻咽癌患者	医学影像分析，机器学习	鼻咽癌	ADC图，剂量分布	支持向量机， K近邻，随机森林，极端随机树， XGBoost， LightGBM， AdaBoost，多层感知机	图像，剂量数据	3578名鼻咽癌患者中筛选出191名（94名RTLI，97名对照），分为训练集135例和验证集59例	NA	WideResNet 101	曲线下面积	NA
1140	2026-06-05	An interpretable machine learning framework with data-informed imaging biomarkers for diagnosis and prediction of Alzheimer's disease 2026-Feb, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society IF:5.4Q1 DOI:10.1016/j.compmedimag.2026.102722 PMID:41655407	研究论文	提出一个可解释的机器学习框架，结合基于数据驱动的成像生物标志物，用于阿尔茨海默病的诊断与预测	将卷积神经网络的数据驱动特征提取与可解释提升机（EBM）的内在透明性相结合，使得模型在组级别和个体级别上均可解释，并识别出贡献预测的成像生物标志物	外部验证时MCI转化的AUC仅为0.666，表明框架在预测转化方面的性能有限	开发一种兼具高性能和可解释性的机器学习方法，用于阿尔茨海默病的诊断和轻度认知障碍转化预测	阿尔茨海默病神经影像学倡议（ADNI）队列的数据，以及独立的验证队列	机器学习	阿尔茨海默病	NA	CNN	成像数据	NA	NA	卷积神经网络, 可解释提升机	AUC	NA