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
11441	2026-04-01	A review of artificial intelligence-based research on chronic obstructive pulmonary disease 2026 Apr-May, Respiratory medicine IF:3.5Q2 DOI:10.1016/j.rmed.2026.108778 PMID:41839412	综述	本文回顾了基于人工智能（特别是机器学习和深度学习）在慢性阻塞性肺疾病（COPD）诊断、分级、评估、管理和治疗方面的研究进展	从五种学习范式（传统研究方法、监督学习、无监督学习、半监督学习和强化学习）分析COPD研究的技术基础，并总结代表性模型及比较实验，分析各类模型在特定COPD任务中的优劣	作为综述文章，主要依赖现有文献总结，未提出新的原创模型或数据，且可能受限于所涵盖研究的质量和范围	深入探讨人工智能在COPD诊断和管理中的应用，总结研究热点，并为后续研究提供理论参考和见解	慢性阻塞性肺疾病（COPD）	机器学习	慢性阻塞性肺疾病	NA	监督学习, 无监督学习, 半监督学习, 强化学习	NA	NA	NA	NA	NA	NA
11442	2026-04-01	Head radiotherapy positioning guidance system based on feature recognition and automatic annotation: Clinical validation and error analysis 2026-Apr, Medical physics IF:3.2Q1 DOI:10.1002/mp.70405 PMID:41904706	研究论文	本研究开发了一种基于RGB-D相机和深度学习算法的放疗定位引导系统，用于头颈部肿瘤放疗的精准定位	将DeepLab-Opt和FFMD算法整合到放疗工作流中，实现基于表面轮廓和面部标志点的粗-精两级定位，并通过实时反馈系统提高定位精度	研究样本量较小（22例患者），且仅针对头颈部肿瘤进行验证，未涉及其他部位肿瘤	探索基于特征识别和自动标注的放疗定位引导系统的可行性，并分析其在头颈部放疗中的定位误差	头颈部肿瘤患者	计算机视觉	头颈部肿瘤	RGB-D成像，深度学习算法	CNN	彩色图像，深度图像	22例头颈部肿瘤患者，共246次定位案例	NA	DeepLab-Opt, Fast Face Marker Detector (FFMD)	定位误差（横向、纵向、垂直方向及旋转角度），定位时间	NA
11443	2026-04-01	Interpreting the Effects of Environmental Variables on a Multistep Deep Learning Model for Algal Bloom Prediction Using Explainable Artificial Intelligence 2026-Apr, Water environment research : a research publication of the Water Environment Federation IF:2.5Q2 DOI:10.1002/wer.70339 PMID:41911833	研究论文	本研究开发了一个序列到序列深度学习模型来预测叶绿素a浓度，并应用可解释人工智能方法分析环境变量对模型性能的影响	首次将可解释人工智能方法应用于藻华预测的深度学习模型，定量解释不同预测时间步长下环境变量的影响	模型在长期预测（如28天）时性能显著下降，NSE从0.908降至0.255	开发并评估用于藻华预测的深度学习模型，并分析环境变量对预测性能的影响	叶绿素a浓度（作为藻华的定量指标）	机器学习	NA	深度学习建模，可解释人工智能分析	Seq2Seq	时间序列数据	NA	NA	序列到序列模型	Nash-Sutcliffe效率	NA
11444	2026-04-01	Global Sensitivity Analysis for Robust XAI: Quantifying Clinical Risk and Prediction Instability in Dermoscopic Image Classification 2026-Apr, Risk analysis : an official publication of the Society for Risk Analysis IF:3.0Q1 DOI:10.1111/risa.70237 PMID:41913512	研究论文	本文提出并利用全局敏感性分析来量化卷积神经网络在皮肤镜图像分类中对关键光学图像参数的鲁棒性，以评估模型在临床环境中的诊断风险	将全局敏感性分析应用于深度学习模型，以量化其在皮肤镜图像分类中对光学参数变化的敏感性和诊断风险，超越了传统准确性评估	仅考虑了五种光学图像参数，可能未涵盖所有影响模型稳定性的临床变量	评估深度学习模型在皮肤镜图像分类中的鲁棒性，量化其诊断风险，以支持AI诊断系统的临床安全部署	皮肤镜图像分类模型	计算机视觉	皮肤癌	NA	CNN	图像	NA	NA	NA	准确性	NA
11445	2026-04-01	Deep Learning-Enhanced Resonance Frequency Analysis for Dental Implant Stability Assessment 2026-Apr, Clinical and experimental dental research IF:1.7Q3 DOI:10.1002/cre2.70342 PMID:41914428	研究论文	本研究开发并评估了一种深度学习增强的共振频率分析框架，用于提高牙科植入物稳定性评估的准确性和信号质量	提出了一种结合去噪卷积神经网络和元数据感知预测网络的深度学习增强RFA框架，显著提升了信号质量和ISQ预测精度	目前仅作为概念验证，需进行多中心前瞻性验证，纳入真实世界噪声分析和临床结果评估，才能投入临床应用	开发并评估一种深度学习增强的共振频率分析框架，以提高牙科植入物稳定性评估的准确性和信号质量	牙科植入物的共振频率分析信号	数字病理	NA	共振频率分析	CNN	信号	100个植入物（300个信号样本，每个植入物采集三次）	NA	去噪卷积神经网络，元数据感知预测网络	MAE, RMSE, R2, 容忍精度（±3 ISQ单位内）	NA
11446	2026-04-01	Fluorescence Machine Vision-Based Rapid Quantitative Characterization of Microplastics 2026-Mar-31, Analytical chemistry IF:6.7Q1 DOI:10.1021/acs.analchem.6c00407 PMID:41830590	研究论文	本研究开发了一种基于荧光显微成像和YOLO v11深度学习模型的微塑料快速定量检测方法，并构建了名为FluoPlastVision的商业化AI辅助检测平台	采用香豆素6（C6）进行稳定广谱染色获得高质量图像数据，并在YOLO v11模型中引入轻量级注意力机制以增强模型鲁棒性和准确性	未明确说明模型在复杂环境样本或不同染色条件下的泛化能力，也未提供与其他先进方法的直接对比数据	开发一种快速、低成本、高精度的微塑料定量检测技术	经香豆素6染色的微塑料荧光显微图像	计算机视觉	NA	荧光显微成像	CNN	图像	NA	NA	YOLO v11	NA	NA
11447	2026-04-01	Novel Deep-Learning Unsupervised Domain Adaptation Method for Mitigating Batch, Strain, and Instrument Variations to Enhance Raman Spectroscopy-Based Bacterial Pathogen Identification 2026-Mar-31, Analytical chemistry IF:6.7Q1 DOI:10.1021/acs.analchem.5c07113 PMID:41842761	研究论文	本文提出了一种名为Raman Spectral Classification Discrepancy Model (RSCDM)的新型无监督域适应方法，旨在通过对抗性特征对齐来减轻拉曼光谱中由仪器、批次和菌株差异引起的域偏移，从而增强基于拉曼光谱的细菌病原体识别	提出了一种利用任务特定分类器之间的输出差异动态识别远离源域特征分布的目标样本的新型域适应框架，不同于依赖固定域假设的传统方法，实现了任务驱动的域对齐	NA	增强基于拉曼光谱的细菌病原体识别的鲁棒性，以应对仪器异质性、批次变异性和菌株多样性带来的挑战	七种细菌物种的拉曼光谱数据，包括商业光谱仪和自制光谱仪采集的临床分离株	机器学习	细菌感染	拉曼光谱	深度学习	光谱数据	七种细菌物种的多个批次和菌株样本，以及六种临床分离株	NA	Raman Spectral Classification Discrepancy Model (RSCDM)	分类准确率	NA
11448	2026-04-01	A deep learning approach for analyzing brainwave signals during audio meditation in expectant mothers: variational mode decomposition with a CNN-BiLSTM model 2026-Mar-31, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ae55a8 PMID:41871464	研究论文	本研究提出了一种基于EEG信号和深度学习的方法，用于分析孕妇在音频冥想期间的大脑活动变化	结合变分模态分解与CNN-BiLSTM混合模型，首次针对孕妇短期音频冥想的神经效应进行客观量化分析	研究样本量有限，且仅针对特定类型的音频冥想，未考虑个体差异和长期效应	客观评估孕妇在短期音频冥想期间的神经活动变化，为产前护理提供科学依据	孕妇的脑电图信号	机器学习	NA	脑电图	CNN, BiLSTM	脑电图信号	未明确指定样本数量，但涉及孕妇在不同心理状态下的EEG数据	未明确指定，但可能基于TensorFlow或PyTorch	VMD-CNN-BiLSTM混合架构	准确率, 损失值	NA
11449	2026-04-01	Neurosurgical Application of Artificial Intelligence in Pediatric Neuro-Oncology 2026-Mar-31, Journal of Korean Neurosurgical Society IF:1.4Q3 DOI:10.3340/jkns.2026.0085 PMID:41913971	综述	本文综述了人工智能在儿童神经肿瘤学围手术期的应用，包括术前分子分型、术中快速诊断和术后预后评估	系统性地阐述了AI在儿童神经肿瘤围手术期全流程的整合应用，并探讨了如何通过AI解决该领域因疾病多样性带来的临床挑战	数据稀缺性和算法的“黑箱”特性仍然是主要限制	探讨人工智能如何解决儿童神经肿瘤学围手术期未满足的临床需求	儿童中枢神经系统肿瘤	数字病理学	儿童神经肿瘤	Oxford Nanopore测序，刺激拉曼组织学	神经网络分类器，深度学习模型	影像，基因组数据，临床数据	NA	NA	NA	NA	NA
11450	2026-04-01	Hypoxia-related and immune phenotype-related fusion model for non-invasive prognostication of hepatocellular carcinoma treated by TACE: a multicentre study 2026-Mar-30, Gut IF:23.0Q1 DOI:10.1136/gutjnl-2025-337938 PMID:41856522	研究论文	本研究开发并验证了一个多模态预后模型，用于精确评估接受TACE治疗的肝细胞癌患者的生存结果	结合深度学习和传统影像组学，构建早期和晚期融合模型，并通过整合临床变量形成临床-影像学模型，实现更精细的风险分层	研究依赖于回顾性数据，且模型在外部验证中的泛化能力仍需进一步确认	开发并验证一个多模态预后模型，用于精确评估接受TACE治疗的肝细胞癌患者的生存结果	肝细胞癌患者	数字病理学	肝细胞癌	单细胞RNA测序，对比增强CT成像	深度学习，传统影像组学	图像，转录组数据	1448名肝细胞癌患者（包括TACE队列1349人，随机试验生物标志物子集41人，单细胞RNA测序队列和TCGA肝细胞癌队列50人）	NA	早期融合模型，晚期融合模型	生存分层，风险分层	NA
11451	2026-04-01	Development of a multimodal obstructive sleep apnea diagnostic prediction model using two-dimensional facial images and clinical data 2026-Mar-30, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2026.3678664 PMID:41911139	研究论文	本研究开发了一种结合二维面部照片、头影测量X光片和临床数据的多模态人工智能模型，用于增强阻塞性睡眠呼吸暂停（OSA）的筛查	提出了一种新颖的多模态AI驱动OSA筛查方法，整合了面部图像和临床数据，显著优于单模态和双模态方法	研究未明确提及模型在更广泛人群或不同种族群体中的泛化能力，且对腹部周长较小患者的敏感性较低	开发一种多模态AI模型以增强阻塞性睡眠呼吸暂停（OSA）的筛查，促进早期诊断	710名接受多导睡眠图检查的患者，包括肥胖、老年和男性患者等亚组	计算机视觉	阻塞性睡眠呼吸暂停	多导睡眠图	深度学习模型	图像, 临床数据	710名患者	NA	ShuffleNet-V2, 深度神经网络	AUC, 敏感性, 特异性, 准确性, F1分数	NA
11452	2026-04-01	Automatic Segmentation of Placenta from MR images Using a Novel BiGC U-Net 2026-Mar-30, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2026.3678395 PMID:41911136	研究论文	本研究提出了一种名为BiGC U-Net的新型深度学习架构，用于从磁共振图像中自动分割胎盘	提出了结合双向门控卷积模块、分层正则化机制和创新数据增强策略的增强型U-Net架构	未明确说明模型在临床环境中的泛化能力或计算效率限制	开发自动分割胎盘磁共振图像的准确方法，以支持胎盘植入谱疾病的定量分析	胎盘磁共振图像	数字病理学	胎盘植入谱疾病	磁共振成像	CNN	图像	三个胎盘磁共振数据集：公开数据集、谢菲尔德教学医院数据集及组合数据集	未明确说明	BiGC U-Net, U-Net, Attention U-Net, ResNet, UNet++, TransUNet, nnUNet, SSM-Mamba	Dice相似系数, 95百分位Hausdorff距离, 相对体积差异	NA
11453	2026-04-01	Adaptive Feature Selection With Hierarchical Learning for Drug-Target Interaction Prediction 2026-Mar-30, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2026.3678266 PMID:41911134	研究论文	本文提出了一种结合分层学习和自适应特征选择的新框架ASHL-DTI，用于提升药物-靶点相互作用预测的准确性和泛化能力	提出ASHL-DTI框架，首次将分层学习与自适应Top-k特征选择机制相结合，以捕获多层次分子内关联并保留最具预测性的特征	未在摘要中明确说明	提高药物-靶点相互作用预测的准确性，以支持药物发现和再利用	药物-靶点相互作用对	机器学习	NA	深度学习	深度学习框架	分子关联数据	多个公共基准数据集（未指定具体数量）	NA	ASHL-DTI（自定义架构）	NA	NA
11454	2026-04-01	Inverse treatment planning using deep learning-based organs at risk in radiotherapy for head and neck cancer: a prospective planning study 2026-Mar-30, Strahlentherapie und Onkologie : Organ der Deutschen Rontgengesellschaft ... [et al] IF:2.7Q2 DOI:10.1007/s00066-026-02519-y PMID:41912924	研究论文	本研究评估了在头颈癌放疗中，使用基于深度学习的危及器官自动分割进行逆向治疗计划的可行性和临床可接受性	首次前瞻性地将基于深度学习的危及器官自动分割应用于头颈癌放疗的逆向治疗计划中，并评估其临床可行性	单中心研究，样本量较小（25名患者），需要更大规模研究来验证结果并推进全自动化工作流程	评估基于深度学习的危及器官自动分割在头颈癌放疗逆向治疗计划中的临床可行性和效果	头颈鳞状细胞癌患者	数字病理学	头颈癌	放射治疗计划，深度学习自动分割	深度学习模型	医学影像数据	25名接受根治性或术后（化疗）放疗的头颈癌患者	NA	NA	剂量学参数（D95%, D98%, D2%, Dmean），临床可接受性评分	NA
11455	2026-04-01	Attention-Driven Deep Learning for Hydrocephalus: Preliminary Benchmarking of Multiscale 3D Attention Against Conventional 3D CNN Models Using Ventricular Enlargement on CT 2026-Mar-30, Journal of imaging informatics in medicine DOI:10.1007/s10278-026-01948-6 PMID:41912959	研究论文	本研究开发并比较了一种多尺度注意力3D卷积神经网络（MSA3DNet）与常规3D-CNN模型，用于基于脑室扩大的CT图像进行脑积水分类	首次将多尺度编码与注意力机制结合应用于3D CNN，以提升脑积水分类的敏感性和稳定性，同时保持特异性	样本量较小（仅98例儿科CT扫描），且为回顾性研究，可能限制模型的泛化能力	开发并评估一种基于深度学习的自动化3D CT图像分类方法，用于儿科脑积水的筛查	儿科头部CT扫描图像（0-15岁患者）	计算机视觉	脑积水	CT成像	CNN	3D图像	98例匿名儿科头部CT检查（48例脑积水，50例正常）	NA	MSA3DNet, 3D-CNN	准确率, 敏感性, 特异性, F1分数, Matthews相关系数, AUC	NA
11456	2026-04-01	A Hybrid Multi-CNN Feature Fusion and LASSO Optimization Approach for High-Performance Breast Cancer Classification 2026-Mar-30, Journal of imaging informatics in medicine DOI:10.1007/s10278-026-01939-7 PMID:41912956	研究论文	提出一种融合多个CNN特征并结合LASSO优化的混合方法，用于高性能乳腺癌分类	融合MobileNetV2、DenseNet121和InceptionV3三种CNN模型的互补特征，并采用LASSO进行特征选择，以增强表示能力和泛化性	仅在单一数据集（BUSI）上验证，未来需要在更大规模、多中心数据集上进行验证	开发准确、早期的乳腺癌检测方法以提高生存率	乳腺超声图像（BUSI数据集）	计算机视觉	乳腺癌	深度学习、特征融合、特征选择	CNN	图像	780张乳腺超声图像	NA	MobileNetV2, DenseNet121, InceptionV3	准确率, 灵敏度, 特异性, 精确率, F1分数, AUC	NA
11457	2026-04-01	Deep Learning for Medical Ultrasound Image Segmentation: A Systematic Review of the Current Research 2026-Mar-30, Journal of imaging informatics in medicine DOI:10.1007/s10278-026-01931-1 PMID:41912960	综述	本文对基于深度学习的医学超声图像分割研究现状进行了系统性综述	提供了基于PRISMA 2020指南的全面文献分析，涵盖296篇最新研究，并识别了新兴模型（如ViT、SAM）的应用趋势	当前研究普遍缺乏计算资源信息，且模型性能评估存在不足	综述深度学习在医学超声图像分割领域的研究进展与应用现状	医学超声图像	计算机视觉	NA	深度学习	CNN, ViT, CNN/ViT混合模型, SAM	图像	NA	NA	U-Net	NA	NA
11458	2026-04-01	Diagnostic Improvement in Endoleak Detection: The Role of Low-energy Virtual Monochromatic CT and Deep Learning Reconstruction 2026-Mar-30, Journal of imaging informatics in medicine DOI:10.1007/s10278-026-01949-5 PMID:41912962	研究论文	评估低能量虚拟单色CT成像结合深度学习图像重建在检测内漏中的诊断性能	首次将低能量虚拟单色CT成像与深度学习图像重建技术结合，用于内漏检测，显著提高了诊断置信度和准确性	研究为回顾性设计，样本量较小（71例患者），且仅基于CT数据，未考虑其他影像模态或临床因素	评估低能量虚拟单色CT成像结合深度学习图像重建在内漏检测中的诊断性能	接受血管内主动脉修复术后进行对比增强CT扫描的患者	医学影像分析	心血管疾病	对比增强CT扫描，虚拟单色CT成像，深度学习图像重建	深度学习	CT图像	71例患者，其中41例（58%）检测到内漏	NA	TrueFidelity-H	AUC, 诊断置信度评分	NA
11459	2026-04-01	Artificial Intelligence in Diabetes Care 2026-Mar-30, Diabetes, obesity & metabolism DOI:10.1111/dom.70720 PMID:41913548	综述	本文综述了人工智能在糖尿病护理中的当前和新兴应用，重点讨论了临床准备度、证据强度及实施考量	区分了算法自动化控制方法与基于机器学习的模型（如深度学习和大型语言模型），并强调了其在临床证据标准、安全风险和治理需求上的差异	NA	总结人工智能在糖尿病护理中的应用，并评估其临床就绪状态、证据支持及实施要求	糖尿病护理中的算法工具，包括自动化胰岛素输送系统、机器学习模型及新兴技术如大型语言模型、可穿戴设备和数字孪生框架	机器学习	糖尿病	连续血糖监测、连接胰岛素输送设备、电子健康记录数据分析	深度学习, 大型语言模型	临床数据，包括高频生理数据、电子健康记录	NA	NA	NA	NA	NA
11460	2026-04-01	Deep learning-based infrared thermography reveals reproducible uniform and individual thermoregulatory responses during running 2026-Mar-28, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-44102-6 PMID:41904286	研究论文	本研究利用深度学习辅助的红外热成像技术，探讨了跑步期间皮肤温度指标的重复性及其与心肺和体温调节参数的关系	首次将深度学习应用于红外热成像数据的自动处理，以标准化感兴趣区域选择，并揭示了皮肤温度指标在重复运动中的高重复性和生理一致性	样本量较小（仅11名耐力训练个体），且研究仅针对跑步运动，可能限制了结果的普适性	评估深度学习辅助红外热成像在运动生理学中监测体温调节和心肺反应的重复性和生理相关性	11名耐力训练的个体	计算机视觉	NA	红外热成像	深度学习	图像	11名耐力训练的个体	NA	NA	皮尔逊相关系数, ICC值	NA