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
1401	2026-08-21	Machine learning of clinical phenotypes facilitates autism screening and identifies novel subgroups with distinct transcriptomic profiles 2025-Apr-05, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-95291-5 PMID:40188264	研究论文	利用机器学习分析临床表型数据以提高自闭症筛查准确率，并识别具有不同转录组特征的新亚型	首次将临床表型数据与分子数据整合，通过机器学习聚类发现与基因表达模式相关联的ASD亚型，并提出基于临床观察起始的亚型识别方法比基于基因表达更有效	未提及	利用机器学习提高自闭症谱系障碍筛查准确性并识别有意义的亚型	自闭症谱系障碍患者	机器学习	自闭症谱系障碍	基因表达谱分析	深度学习模型	临床评估数据（ADI-R评分）和基因表达数据	2794名个体的临床数据以及GSE15402数据集中的分子数据	NA	深度学习模型（具体架构未提及）	准确率	NA
1402	2026-08-21	Automatic segmentation of cardiac structures can change the way we evaluate dose limits for radiotherapy in the left breast 2025-03, Journal of medical imaging and radiation sciences IF:1.3Q3 DOI:10.1016/j.jmir.2024.101844 PMID:39740303	研究论文	本研究评估自动分割在左乳腺癌放疗中对心脏结构剂量评估的影响，并建立剂量关联模型	利用自动分割工具评估心脏亚结构剂量分布，并提出新的剂量约束参数估计模型	未提及具体局限性，可能包括自动分割准确性依赖和样本量限制	评估自动分割心脏亚结构在左乳腺癌放疗中的剂量分布，并建立相关模型以改善剂量限制评估	左乳腺癌患者的心脏结构，包括左前降支动脉、心脏和左心室	数字病理学	乳腺癌	自动分割，基于深度学习和多图谱方法	深度学习模型，具体为自动分割模型（如TotalSegmentator和Limbus AI）	医学图像（CT扫描）	未明确提及样本数量，涉及左乳腺癌患者	NA	TotalSegmentator和Limbus AI（具体架构未提及）	平均剂量分布、体积分布、相关性评估	NA
1403	2026-08-21	Establishing the effect of computed tomography reconstruction kernels on the measure of bone mineral density in opportunistic osteoporosis screening 2025-02-14, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-88551-x PMID:39953113	研究论文	本研究旨在探究CT重建核函数对临床CT扫描中体积骨密度（vBMD）定量分析的影响，通过使用模型和内部校准方法，评估不同重建核函数在机会性骨质疏松筛查中的误差	系统性地评估了多种重建核函数（包括平滑和锐化核）对vBMD测量的影响，并结合深度学习和两种校准方法，为机会性CT扫描的标准化提供依据	研究仅基于单一CT设备（GE HealthCare）和45例扫描，结果可能不适用于其他厂商或扫描协议，且未涵盖所有可能的临床场景	评估CT重建核函数对临床CT扫描中vBMD定量结果的影响，以指导机会性骨质疏松筛查中的扫描协议选择	临床CT扫描中的全髋关节和第四腰椎（L4）	医学影像分析	骨质疏松症	CT扫描，深度学习分割	深度学习分割模型	CT图像	45例临床CT扫描	NA	NA	决定系数[公式:见原文]，均值差异，配对t检验，Bland-Altman分析	NA
1404	2026-08-21	Coordinating multiple mental faculties during learning 2025-02-13, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-89732-4 PMID:39939457	研究论文	提出一种控制器-外周架构，用于解释大脑多个区域在学习过程中如何协调，并通过形式化模型模拟快速学习行为	首次提出控制器-外周架构来解释多脑区协调机制，并成功模拟了人类行为和脑反应，而标准深度学习模型无法做到	未提及明确局限性，但可能受限于模型简化及仅针对快速学习场景	探索大脑多个区域在学习过程中如何在没有统一指挥者的情况下实现协调	大脑区域（如腹侧视觉流、海马体、前额叶皮层）及其协调机制	机器学习、神经科学	NA	形式化建模、计算模拟	控制器-外周架构模型	图像（示例图像）	未明确说明样本数量	NA	控制器-外周架构（具体结构未指定）	人类行为匹配度、脑响应匹配度	NA
1405	2026-08-21	BiFPN-enhanced SwinDAT-based cherry variety classification with YOLOv8 2025-02-13, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-89624-7 PMID:39948150	研究论文	提出一种基于深度学习的混合模型，集成BiFPN、Swin Transformer和可变形注意力Transformer，用于樱桃品种分类，并在土耳其西地中海地区构建的数据集上验证其性能。	首次将BiFPN与YOLOv8n-cls框架结合，并融合Swin Transformer和DAT技术，以提高樱桃品种分类的准确性。	摘要未提及明确的局限性。	利用深度学习模型准确分类樱桃品种，以优化收获时机、保障质量控制和支持出口分类。	土耳其西地中海地区的樱桃品种。	计算机视觉	不适用	不适用	深度学习混合模型（含YOLOv8n-cls、Swin Transformer、DAT）	图像	未明确样本数量，提及新构建的数据集。	NA	YOLOv8n-cls, Swin Transformer, DAT, BiFPN	精确率、召回率、F1分数、准确率	NA
1406	2026-08-21	Spatial transcriptomic clocks reveal cell proximity effects in brain ageing 2025-02, Nature IF:50.5Q1 DOI:10.1038/s41586-024-08334-8 PMID:39695234	研究论文	生成了包含420万个细胞的空间分辨单细胞转录组脑图谱，并构建空间老化时钟以识别脑老化、恢复年轻和疾病的空间及细胞类型特异性转录组指纹。	首次构建空间老化时钟，利用空间转录组学和深度学习揭示T细胞和神经干细胞对邻近细胞的衰老和恢复年轻效应。	摘要未提及局限性。	系统研究脑老化中细胞间邻近效应及其对组织衰退的影响，并提供评估干预措施的可扩展工具。	小鼠脑组织，涵盖20个不同年龄段及两种干预措施（运动和部分重编程）。	空间转录组学、机器学习	神经退行性疾病（与脑老化相关）	空间转录组学（单细胞）	机器学习模型（空间老化时钟）、深度学习	空间转录组数据	4.2百万细胞，来自20个年龄点和2种干预条件	NA	NA（深度学习，未指定具体架构）	NA	NA
1407	2026-08-21	Optical coherence tomography: implications for neurology 2025-02-01, Current opinion in neurology IF:4.1Q2 DOI:10.1097/WCO.0000000000001340 PMID:39704153	综述	本文探讨了光学相干断层扫描（OCT）在神经病学实践中的作用，特别是在诊断和监测视乳头水肿、视神经炎和视网膜动脉阻塞等疾病中的应用。	强调OCT技术在神经眼科领域的进展，包括深度学习算法的应用，提高了诊断准确性和预测能力。	文中未明确提及局限性。	评估OCT在神经病学中诊断、监测和量化治疗反应的作用。	视乳头水肿、视神经炎和视网膜动脉阻塞患者。	医学影像	神经眼科疾病	光学相干断层扫描（OCT）	深度学习模型（未具体指定）	图像（视网膜结构图像）	未提及	未提及	未提及	未提及	未提及
1408	2026-08-21	Artificial intelligence and stroke imaging 2025-02-01, Current opinion in neurology IF:4.1Q2 DOI:10.1097/WCO.0000000000001333 PMID:39760722	综述	本文探讨了人工智能在卒中成像中的应用，特别是深度学习在预测、描述和推断工具中的潜力，并分析了临床应用中面临的挑战和未来方向。	提出深度生成模型作为解决当前深度学习模型对真实临床数据鲁棒性不足问题的潜在方案，预测其能催化卒中领域的创新。	目前AI在卒中成像临床一线应用仍有限，主要受限于数据噪声、不完整、偏差和小规模等现实问题，模型泛化能力不足。	探讨人工智能如何通过高分辨率成像模型实现卒中个体化精确护理，并分析其当前进展和未来路径。	卒中患者的高分辨率影像数据，包括实质宏观结构、微结构、功能组织特性以及血管拓扑和动力学特征。	计算机视觉、机器学习、医学影像分析	卒中（脑血管疾病）	高分辨率成像技术，具体类型未明确（如MRI、CT等）	深度学习模型（包括深度生成模型）	影像数据（高分辨率成像）	未明确	未明确	未明确提及具体架构，但涉及深度学习模型如深度生成模型	未明确	未明确
1409	2026-08-21	Intrapartum electronic fetal heart rate monitoring to predict acidemia at birth with the use of deep learning 2025-Jan, American journal of obstetrics and gynecology IF:8.7Q1 DOI:10.1016/j.ajog.2024.04.022 PMID:38663662	研究论文	本研究旨在利用深度学习技术开发并验证一个模型，以预测分娩期间胎儿酸血症，基于电子胎心率监测数据。	首次将深度学习方法应用于电子胎心率监测的大规模数据，以预测胎儿的酸血症，并进行了外部验证。	研究的局限在于数据库可能存在选择偏差，且模型在外部验证中的性能可能受限于数据集差异。	目标是通过深度学习模型改善电子胎儿监测的预测准确性，以预防分娩期缺氧缺血性损伤。	研究物体为分娩期间的电子胎儿心率监测数据，共涉及124,777份文件，其中10,182份用于最终分析。	数字病理学	胎儿酸血症	电子胎儿心率监测，脐带血气分析	深度学习模型	电子胎儿心率监测数据，血气分析实验室结果	10,182份电子胎儿监测记录及其对应的脐带血气体结果	未指定	多种深度学习架构, 具体未指明	接收者操作特征曲线下面积, 正预测值, 灵敏度, 特异度	未指定
1410	2026-08-21	For the busy clinical-imaging professional in an AI world: Gaining intuition about deep learning without math 2025-01, Journal of medical imaging and radiation sciences IF:1.3Q3 DOI:10.1016/j.jmir.2024.101762 PMID:39437625	教育文章	本文为医学影像专业人士提供关于深度学习的基础直观理解，通过类比和模拟练习解释其工作原理，无需数学知识。	通过医学类比和快速模拟，为非技术背景的临床专业人士提供深度学习直觉，无需数学知识。	未提及具体限制，但可能缺乏深度数学基础。	帮助忙碌的临床影像专业人士理解深度学习在计算机辅助诊断中的应用，无需数学知识。	医学影像专业人士，特别是涉及乳腺癌诊断的临床工作者。	医学影像	乳腺癌	深度学习模拟	深度学习算法	模拟数据	未提及	NA	NA	准确性	未提及
1411	2026-08-21	Color Fundus Photography and Deep Learning Applications in Alzheimer Disease 2024-Dec, Mayo Clinic proceedings. Digital health DOI:10.1016/j.mcpdig.2024.08.005 PMID:39748801	研究论文	本研究开发并评估了两种基于视网膜彩色眼底照片的深度学习模型，用于分类阿尔茨海默病	采用自监督学习（BERT风格）预训练卷积神经网络，优于基于U-Net的血管分割方法，并利用注意力热图揭示模型决策关键区域	需要更大且多样的人群验证，并整合技术以统一眼底照片并减少成像噪声	开发并评估基于视网膜彩色眼底照片的深度学习模型以筛查阿尔茨海默病	阿尔茨海默病患者和对照组的视网膜彩色眼底照片	计算机视觉	阿尔茨海默病	眼底摄影	卷积神经网络	图像	UK Biobank数据集和机构数据集，具体样本量未说明	NA	U-Net, BERT风格的Transformer, 自监督卷积神经网络	准确率、敏感性、特异性、接收者操作曲线	NA
1412	2026-08-21	Quantification of myocardial oxygen extraction fraction on noncontrast MRI enabled by deep learning 2024-Nov, Radiology advances DOI:10.1093/radadv/umae026 PMID:40641627	研究论文	提出了一种基于深度学习的非对比心血管磁共振方法，用于定量心肌氧摄取分数和心肌血容量	首次利用深度学习结合非对称自旋回波CMR序列，实现无需对比剂的心肌氧摄取分数和血容量定量	样本量较小，且主要验证了健康志愿者和慢性心肌梗死患者，未涵盖其他心脏疾病类型	开发一种非对比的CMR方法，用于体内定量心肌氧摄取分数和心肌血容量，以评估心肌缺氧状态	20名健康志愿者（20-30岁，11名女性）和10名慢性心肌梗死患者	医学影像	慢性心肌梗死	心血管磁共振成像	神经网络	图像	30名受试者（20名健康志愿者和10名慢性心肌梗死患者）	NA	U-Net	变异系数	NA
1413	2026-08-21	Cough2COVID-19 detection using an enhanced multi layer ensemble deep learning framework and CoughFeatureRanker 2024-10-24, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-76639-9 PMID:39448760	研究论文	提出Cough2COVID-19框架，利用咳嗽音频信号通过多层集成深度学习实现高效且非侵入的COVID-19检测。	引入多层集成深度学习框架和CoughFeatureRanker算法，从15个特征中选取最具判别性能的特征，提升检测准确性。	摘要中未提及明确局限性。	开发一种成本低、非侵入且可广泛获取的COVID-19检测方法，以替代传统PCR测试的限制。	咳嗽音频信号及其特征。	机器学习	COVID-19	音频信号分析	多层集成深度学习（MLEDL）框架	音频数据	未明确说明样本量。	未明确说明。	多层集成深度学习（MLEDL）框架，具体架构未明确。	特异性、灵敏度、准确率、AUC分数	未明确说明。
1414	2026-08-21	MultiSC: a deep learning pipeline for analyzing multiomics single-cell data 2024-Sep-23, Briefings in bioinformatics IF:6.8Q1 DOI:10.1093/bib/bbae492 PMID:39376034	研究论文	提出一个名为MultiSC的深度学习流程，用于分析多组学单细胞数据，整合基因表达、染色质可及性和转录因子蛋白表达，并预测基因调控网络	首次提出针对多组学单细胞数据的综合分析流程，结合多模态约束自编码器（单细胞层次约束自编码器）和矩阵分解模型（scMF）进行数据整合及下游预测	未提及	解决多组学单细胞数据整合分析工具缺乏的问题，提供更全面的细胞活动和基因调控网络分析	使用NEAT-seq技术获得的单细胞多组学数据，包括基因表达、染色质可及性和转录因子蛋白表达	深度学习、多组学分析、单细胞分析	NA	NEAT-seq	自编码器、矩阵分解模型（scMF）、多元线性回归模型	多组学单细胞数据（基因表达、染色质可及性、蛋白表达）	未提及	NA	多模态约束自编码器（单细胞层次约束自编码器）、scMF（矩阵分解模型）	未提及	未提及
1415	2026-08-21	Harnessing deep learning for SNP-based disease prediction in genomics 2024-Jul-04, International journal of information technology : an official journal of Bharati Vidyapeeth's Institute of Computer Applications and Management DOI:10.1007/s41870-025-02624-8 PMID:40822924	研究论文	本研究探讨了利用深度学习模型从单核苷酸多态性（SNP）数据预测疾病状态的方法	本研究的新颖之处在于对所有数据集应用了标准化的预处理、特征选择和模型训练流程，从而能够直接且公平地比较模型性能	未明确提及，但可能包括数据集规模有限、泛化能力待验证等	研究目的是利用深度学习模型从SNP数据中预测疾病状态，并比较不同模型架构的性能	研究对象为八个GEO数据集中的SNP基因型数据及其对应的疾病状态	机器学习	未明确指定，泛指多种疾病	SNP基因分型	前馈网络、自编码器、CNN、RNN	基因型数据（SNP）	八个GEO数据集，具体样本量未说明	未明确提及	前馈网络、自编码器、CNN、RNN	未明确提及，可能包括准确率、AUC等	未明确提及
1416	2026-08-21	The human hypothalamus coordinates switching between different survival actions 2024-06, PLoS biology IF:7.8Q1 DOI:10.1371/journal.pbio.3002624 PMID:38941452	研究论文	本研究通过虚拟掠食者与猎物互动范式，利用深度学习分割和功能磁共振成像，首次揭示人类下丘脑在切换生存行为（狩猎与逃跑）中的协调作用。	首次识别人类下丘脑在生存行为切换中的作用，结合深度学习分割、优化成像序列和模型-based fMRI分析，展示了多体素连接性及预测性行为协调。	未明确提及，但样本量有限（假设），且依赖虚拟场景可能影响生态效度。	探究人类下丘脑在生存行为切换中的具体作用及其神经机制。	人类志愿者，下丘脑及其亚核，以及相关脑区（海马、导水管周围灰质、杏仁核）。	神经科学	NA	功能磁共振成像（fMRI），深度学习分割	计算模型	影像数据（MRI），行为数据	两个实验，具体志愿者数量未提及	NA	深度学习分割模型（具体未指定）	参数解码准确率（基于计算模型参数）	未提及
1417	2026-08-21	A Systematic Review of Natural Language Processing Methods and Applications in Thyroidology 2024-Jun, Mayo Clinic proceedings. Digital health DOI:10.1016/j.mcpdig.2024.03.007 PMID:38938930	综述	系统回顾了自然语言处理在甲状腺相关疾病中的应用，总结了当前挑战和未来方向	首次系统性地综述了NLP在甲状腺学中的应用，包括方法、应用、条件、数据来源、性能指标和发展阶段	纳入研究的NLP应用缺乏外部验证，且尚无应用进入临床实践；存在临床文档不一致和模型可移植性等问题	综述自然语言处理在甲状腺相关疾病中的应用，并总结挑战与未来方向	2012年1月1日至2022年11月4日发表的英文NLP应用于甲状腺条件的研究，并补充至2023年4月1日	自然语言处理	甲状腺结节、甲状腺癌、功能性或自身免疫性甲状腺疾病	NA	深度学习、规则基础、传统机器学习、混合方法	电子健康记录、影像报告、健康论坛、医学文献数据库、基因组数据库	24项合格研究	NA	NA	性能指标（具体未指明）	NA
1418	2026-08-21	S-Net: an S-shaped network for nodule detection in 3D CT images 2024-04-05, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad2b96 PMID:38382097	研究论文	提出了一种名为S-Net的S形网络，用于3D CT图像中的肺结节检测，以提高早期肺癌诊断的准确性	针对现有检测网络结构自身的缺点，采用U形网络作为骨干，引入信息融合分支传播低层细节和位置信息，采用头共享尺度自适应检测策略捕获不同尺度信息，并利用特征解耦检测头使分类和回归分支专注于各自所需信息	未在摘要中明确提及研究的局限性	开发一种基于深度学习的肺结节检测算法，以改善早期肺癌诊断的准确性	肺结节，3D CT图像	计算机视觉	肺癌	深度学习	S形网络（S-Net）	3D CT图像	LUNA16数据集（具体样本数量未提及）	NA	U-Net（作为骨干），ResSENet，SANet，OSAF-YOLOv3，MSANet（R+SC+ECA）	CPM分数	NA
1419	2026-08-21	Hybrid-supervised deep learning for domain transfer 3D protoacoustic image reconstruction 2024-04-03, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad3327 PMID:38471184	研究论文	本文开发了一种混合监督深度学习方法，用于解决质子治疗中三维原声成像的有限视角问题，实现实时剂量验证。	提出了一种两阶段重构-增强深度学习方法，包括基于Transformer的重构网络和3D U-net增强网络，采用混合监督训练策略，结合迭代重构监督、迁移学习和基于数据保真度的自监督。	未在摘要中明确提及局限性，但可能受限于数据集规模和特定患者群体。	解决原声成像中有限视角引起的伪影问题，实现实时三维剂量验证，以提高质子治疗的精度和效果。	126例前列腺癌患者的原声成像数据。	计算机视觉, 深度学习	前列腺癌	原声成像	Transformer, 3D U-net, 混合监督学习	图像, 原始声学信号	126例前列腺癌患者数据	未提及	Transformer, 3D U-net	均方根误差, 结构相似性指数, Gamma指数	未提及
1420	2026-08-21	Semi-supervised iterative adaptive network for low-dose CT sinogram recovery 2024-04-03, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ad2ee7 PMID:38422540	研究论文	本文提出了一种半监督迭代自适应网络（SIA-Net），用于低剂量CT正弦图恢复，通过结合有标签和无标签数据，在统一框架中整合监督与无监督学习过程	SIA-Net创新性地将监督与无监督学习结合在同一网络中，利用未标记的低剂量正弦图信息，通过迭代自适应学习转移特征分布	未明确提及局限，但可能依赖于临床数据集的特定性，以及迭代过程可能增加计算复杂度	开发一种半监督方法用于低剂量CT成像，以减少辐射剂量并保持图像质量	低剂量CT正弦图及其对应的标准剂量图像，以及仅低剂量的正弦图	医学图像处理	不适用	CT成像	迭代自适应网络	正弦图	两个临床数据集	未指定	未指定具体架构	噪声降低和结构保持的竞争性表现	未指定