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
1501	2026-03-15	Artificial Intelligence-Enhanced Flexible Sensors for Human Motion and Posture Sensing 2026-Mar-02, Sensors (Basel, Switzerland) DOI:10.3390/s26051562 PMID:41829523	综述	本文探讨了人工智能增强型柔性传感器在人体运动和姿态感知方面的进展与应用	结合人工智能（特别是机器学习和深度学习）与柔性传感器，实现对动态和细微人体运动的精确识别与预测，克服了传统传感系统的局限性	面临传感器可靠性、数据隐私和电源管理等挑战	研究人工智能与柔性传感器集成技术，以提升人体运动和姿态感知的精度、适应性和实时反馈能力	应用于人体各部位的柔性传感器	机器学习	NA	NA	机器学习, 深度学习	传感器数据流	NA	NA	NA	NA	NA
1502	2026-03-15	Optimizing flow-diverting stent configurations for aneurysm treatment: a computational approach integrating deep learning and differential evolution optimization 2026-Mar, Physical and engineering sciences in medicine IF:2.4Q2 DOI:10.1007/s13246-025-01662-7 PMID:41144179	研究论文	本研究提出了一种结合计算流体动力学模拟、深度神经网络和差分进化优化的新方法，用于优化动脉瘤治疗中的血流导向支架配置	首次将深度神经网络与差分进化优化相结合，用于预测和优化支架配置的血流动力学参数，实现了高效且准确的支架设计优化	研究基于模拟数据，未进行临床验证；数据集规模有限（2,700个模拟），可能未涵盖所有可能的支架配置	优化血流导向支架的配置，以改善动脉瘤治疗中的血流动力学条件，降低破裂风险	动脉瘤及其血流导向支架配置	计算流体动力学与深度学习	动脉瘤	计算流体动力学模拟	深度神经网络	模拟数据	2,700个计算流体动力学模拟	NA	深度神经网络	速度、涡度、壁面剪切应力	NA
1503	2026-03-15	Level-crossing processing and deep convolutional neural network for arrhythmia classification in telehealth services 2026-Mar, Physical and engineering sciences in medicine IF:2.4Q2 DOI:10.1007/s13246-025-01660-9 PMID:41182637	研究论文	本文提出了一种融合电平交叉采样、自适应滤波和一维深度卷积神经网络的心律失常自动诊断新方法，旨在提升远程医疗服务中的数据处理效率和分类准确性	创新性地将电平交叉模数转换器、增强型活动选择算法、自适应速率滤波与一维CNN相结合，实现了实时数据量缩减、高效信号预处理和低延迟高精度分类	研究仅基于MIT-BIH数据集中的五类心律失常进行验证，未在更广泛或实时临床环境中测试	开发适用于远程医疗场景的高效心律失常自动诊断方法	心电图信号中的心律失常分类	数字病理	心血管疾病	心电图信号处理	CNN	一维时序信号	MIT-BIH数据集中的五类心律失常数据	NA	一维深度卷积神经网络	准确率	NA
1504	2026-03-15	Multi-branch convolutional network and LSTM-CNN for heart sound classification 2026-Mar, Physical and engineering sciences in medicine IF:2.4Q2 DOI:10.1007/s13246-025-01664-5 PMID:41201739	研究论文	本研究开发了两种深度学习架构，用于心音分类，以快速、准确且经济地自动诊断心脏疾病	提出了两种创新模型：多分支深度卷积神经网络模拟人类听觉处理，以及结合LSTM与MBDCN的LSCN模型，以增强特征提取并解决医疗数据标签有限的问题	未明确提及具体局限性，但可能涉及数据集的规模或多样性限制	开发快速、准确且经济高效的自动诊断方法，用于心脏疾病的早期检测	心音数据	机器学习	心血管疾病	NA	CNN, LSTM	音频（心音）	NA	NA	Multi-Branch Deep Convolutional Neural Network (MBDCN), Long Short-Term Memory-Convolutional Neural (LSCN)	准确率	NA
1505	2026-03-15	Longitudinal deep learning models for tracking disease progression in ovarian cancer using PET/CT imaging and clinical reports 2026-Mar, Physical and engineering sciences in medicine IF:2.4Q2 DOI:10.1007/s13246-025-01669-0 PMID:41212383	研究论文	本研究提出了一种名为OvarXNet的新型深度学习框架，通过整合纵向PET/CT成像和临床数据，用于早期预测卵巢癌复发	开发了OvarXNet框架，首次结合3D CNN和双向门控循环单元，利用纵向多时间点数据捕捉疾病进展的细微时间变化，显著提升了复发预测性能	研究为回顾性设计，样本量相对较小（58名患者），且排除了未控制糖尿病或近期患有其他癌症的患者，可能限制结果的普遍性	早期预测高级别浆液性卵巢癌（HGSOC）的复发，以指导个性化治疗策略	58名晚期高级别浆液性卵巢癌患者	数字病理学	卵巢癌	PET/CT成像	CNN, LSTM	图像, 文本	58名患者，共1914个增强后的图像集	NA	3D CNN, 双向门控循环单元	AUC, PR-AUC, 校准图	NA
1506	2026-03-15	Validation of a deep learning approach for epicardial adipose tissue segmentation in computed tomography 2026-Mar, The international journal of cardiovascular imaging DOI:10.1007/s10554-025-03528-1 PMID:41233698	研究论文	本研究验证了一种基于U-Net架构的深度学习方法，用于在心脏CT扫描中自动分割心外膜脂肪组织，并与商业软件进行了性能比较	提出了一种仅使用外部公开数据集训练的U-Net模型，用于心外膜脂肪组织的自动分割，其体积量化性能优于观察者间的一致性	EAT分割性能仍低于观察者间的变异性，表明分割该结构存在困难	验证深度学习在心脏CT中心外膜脂肪组织自动分割和量化中的有效性	心外膜脂肪组织	计算机视觉	心血管疾病	心脏计算机断层扫描	CNN	医学图像	300例非对比心脏CT扫描	NA	U-Net	Dice分数, Pearson相关系数, 偏差	NA
1507	2026-03-15	Automated health monitoring system using YOLOv8 for real-time device parameter detection 2026-Mar, Physical and engineering sciences in medicine IF:2.4Q2 DOI:10.1007/s13246-025-01673-4 PMID:41247607	研究论文	本文提出了一种基于YOLOv8的自动化健康监测系统，用于实时检测医疗设备参数	采用YOLOv8光学字符识别方法，相比其他方法提供更快的检测速度，并集成医疗设备与网络层实现自动化流程	未来可扩展至其他医疗设备如心率监测仪、脉搏血氧仪等，当前系统可能未覆盖所有设备类型	自动化医疗设备参数监测，减少人工劳动并提高效率	医疗设备（如血压监测仪、数字温度计等）的参数检测与识别	计算机视觉	NA	光学字符识别（OCR）、图像处理	YOLOv8, CNN	图像	两个自建图像数据集，以及1000张来自不同医疗设备的图像用于验证	NA	YOLOv8, 卷积神经网络	准确率	NA
1508	2026-03-15	Accuracy of Deep Learning-Aided Detection of Microsatellite Instability in Colorectal Cancer: A Systematic Review and Meta-Analysis 2026-Mar, Clinical colorectal cancer IF:3.3Q2 DOI:10.1016/j.clcc.2025.09.004 PMID:41260961	系统综述与荟萃分析	本文通过系统综述和荟萃分析，评估了深度学习在检测结直肠癌微卫星不稳定性方面的准确性	首次对基于病理切片、MRI、结肠镜和拉曼光谱等多种数据源的深度学习模型在结直肠癌微卫星不稳定性检测中的准确性进行了全面的系统综述和荟萃分析	基于MRI、结肠镜和拉曼光谱的深度学习研究数量极少，限制了这些模态结论的可靠性	评估深度学习在检测结直肠癌微卫星不稳定性方面的诊断准确性，为智能检测工具的开发和更新提供证据	结直肠癌组织样本及其对应的病理切片、MRI图像、结肠镜图像和拉曼光谱数据	数字病理学	结直肠癌	深度学习	NA	病理切片图像, MRI图像, 结肠镜图像, 拉曼光谱数据	涉及30项原始研究，具体样本量未在摘要中明确	NA	NA	特异性, 敏感性, 汇总受试者工作特征曲线下面积	NA
1509	2026-03-15	Deep learning-based mismatch repair prediction using colorectal cancer macroscopic images: a diagnostic study 2026-Mar, Journal of gastroenterology IF:6.9Q1 DOI:10.1007/s00535-025-02326-9 PMID:41272313	研究论文	本研究开发了一种基于深度学习的模型，利用结直肠癌宏观图像预测错配修复状态，旨在提供快速且免费的筛查工具	首次使用宏观图像结合深度学习（DeepLabV3+和ViT）进行错配修复状态预测，提供了一种非侵入性、快速的筛查方法	研究样本仅来自单一医疗机构，且未接受新辅助治疗的患者，可能限制模型的泛化能力	开发一种基于宏观图像的深度学习模型，用于结直肠癌患者的错配修复状态预测，以替代或辅助传统的免疫组化检测	809名接受手术切除且未进行新辅助治疗的结直肠癌患者	数字病理学	结直肠癌	免疫组化染色	深度学习	图像	809名结直肠癌患者	NA	DeepLabV3+, Vision Transformer (ViT)	AUC, NPV	NA
1510	2026-03-15	Deep learning-based approach for differential diagnosis of odontogenic cysts from histopathological images 2026-Mar-01, Medicina oral, patologia oral y cirugia bucal DOI:10.4317/medoral.27697 PMID:41273753	研究论文	本研究提出了一种基于深度学习的AI方法，利用组织病理学图像对不同类型的牙源性囊肿进行鉴别诊断	首次将深度学习模型应用于牙源性囊肿的鉴别诊断，并比较了多种CNN架构的性能	数据集规模相对较小（总计348张图像），且仅包含三种囊肿类型，可能影响模型的泛化能力	开发基于深度学习的AI工具，以辅助牙源性囊肿的鉴别诊断	牙源性囊肿的组织病理学图像，包括含牙囊肿、根尖囊肿和牙源性角化囊肿	数字病理学	牙源性囊肿	H&E染色组织病理学成像	CNN	图像	348张组织病理学图像（87张含牙囊肿，198张根尖囊肿，63张牙源性角化囊肿）	NA	Inception V3, VGG16, VGG19, Xception	准确率, 精确率, 敏感度（召回率）, F1分数	NA
1511	2026-03-15	Determining optimal strategies for personalized atrial fibrillation treatment in intensive care unit patients using a deep learning-based causal inference approach: rhythm and/or rate control 2026-Mar-01, Journal of the American Medical Informatics Association : JAMIA IF:4.7Q1 DOI:10.1093/jamia/ocaf203 PMID:41317034	研究论文	本研究使用基于深度学习的因果推断方法，评估了重症监护病房（ICU）心房颤动（AF）患者中不同治疗策略（节律控制、心率控制、两者结合或无控制）对降低院内死亡率的效果	首次在ICU环境中应用基于深度学习的因果推断模型来量化不同AF管理策略的死亡率降低效果，并识别出从节律控制中获益更多的患者亚组特征	研究基于回顾性观察数据（MIMIC-III和MIMIC-IV），可能存在未测量的混杂因素；结果可能无法推广到所有ICU人群	评估ICU患者心房颤动不同管理策略（节律控制、心率控制、两者结合或无控制）在降低死亡率方面的有效性	重症监护病房（ICU）中患有心房颤动（AF）的患者	机器学习	心血管疾病	深度学习，因果推断	深度学习模型	电子健康记录（EHR）数据	13,583名患者	NA	NA	平均处理效应（ATE），置信区间	NA
1512	2026-03-15	A multidimensional transformer-CNN network trained with incomplete ultrasonic radiofrequency data of blood for red blood cell aggregation classification 2026-Mar, Physical and engineering sciences in medicine IF:2.4Q2 DOI:10.1007/s13246-025-01680-5 PMID:41432985	研究论文	本文提出了一种多维Transformer-CNN网络，用于处理不完整的超声射频数据，以实现红细胞聚集分类	提出了一种结合Mask-Head模块随机掩蔽原始数据、多维Transformer编码器和多维自适应融合模块的MTCN模型，并采用GELU激活函数以保留超声射频信号中的负值信息	未明确说明模型在更广泛或噪声更强的临床数据上的泛化能力，也未讨论计算复杂度或实时性	提高在存在数据异常（如仪器或人为误差导致的不完整数据）情况下，深度学习模型对红细胞聚集分类的准确性和鲁棒性	红细胞（RBC）聚集	机器学习	心血管疾病	超声射频信号	Transformer, CNN	超声射频信号	NA	NA	多维Transformer-CNN (MTCN)	准确率, F1分数	NA
1513	2026-03-15	Real-time ECG-based detection of cardiovascular diseases using balanced and interpretable machine learning approaches 2026-Mar, Physical and engineering sciences in medicine IF:2.4Q2 DOI:10.1007/s13246-025-01682-3 PMID:41528718	研究论文	本研究旨在利用机器学习和深度学习技术，基于心电图数据实时检测和分类六种主要心血管疾病	构建了一个标准化、平衡且临床验证的心电图数据集，并应用SMOTE技术处理类别不平衡问题，同时结合SHAP和LIME方法提高模型可解释性	未明确提及模型在外部验证集上的泛化能力或实时部署中的计算延迟问题	开发可靠的心血管疾病诊断系统，通过机器学习方法实现心电图数据的自动分类	34,580条12导联心电图记录，涵盖正常、心律失常、冠心病、心肌病、中风和心力衰竭六类	机器学习	心血管疾病	心电图分析	Logistic Regression, Decision Tree, Random Forest, SVM, KNN, Naive Bayes, Gradient Boosting, MLP, DNN, RNN	心电图信号	34,580条心电图记录，经SMOTE平衡后每类占16.7%	未明确指定，可能包含Scikit-learn, TensorFlow/PyTorch	MLP, DNN, RNN	准确率, 精确率, 召回率, F1分数	NA
1514	2026-03-15	Deep learning-based detection and viability assessment of Eimeria oocysts 2026-Mar, Poultry science IF:3.8Q1 DOI:10.1016/j.psj.2026.106419 PMID:41544445	研究论文	本研究开发了一种基于深度学习的简单、经济有效的方法，利用形态学特征（包括颗粒结构的存在/缺失）来区分艾美耳球虫活性和非活性卵囊	首次利用高分辨率显微成像发现死卵囊中特有的颗粒结构，并基于此特征结合深度学习模型（YOLOv7）进行卵囊活性检测，实现了跨物种的泛化能力	初始跨物种评估中，对E. maxima的召回率较低（43.5%），可能因其卵囊尺寸较大，需通过特定数据集微调才能达到高精度	开发一种实用、快速、可靠的方法来评估艾美耳球虫卵囊的活性，以改进疫苗配方和球虫病管理	艾美耳球虫（Eimeria acervulina, E. tenella, E. maxima）的卵囊	计算机视觉	球虫病	相位对比（PC）、微分干涉对比（DIC）、明场（BF）成像	CNN	图像	未明确说明具体样本数量，但涉及多个艾美耳球虫物种的卵囊图像	未明确说明，但基于YOLOv7架构	YOLOv7	精确度, 召回率	NA
1515	2026-03-15	Dbert2_LR: A deep learning-based model for predicting cis-regulatory elements in crops 2026-Mar, Genomics IF:3.4Q2 DOI:10.1016/j.ygeno.2026.111201 PMID:41544987	研究论文	开发了一种名为Dbert2_LR的混合深度学习框架，用于预测作物中的顺式调控元件	整合了预训练的基因组基础模型DNABERT-2与并行双向RNN和LSTM网络，以高效捕获DNA中的深度上下文依赖性和局部序列模式	NA	准确识别作物中具有大型且高度重复基因组的顺式调控元件，以支持功能注释和分子育种设计	拟南芥和陆地棉的DNA序列	机器学习	NA	深度学习	混合模型（DNABERT-2, RNN, LSTM）	DNA序列	NA	NA	DNABERT-2, 双向RNN, LSTM	宏平均F1分数	NA
1516	2026-03-15	Segmentation-guided multi-modal brain tumors survival prediction model using pseudo-labeling approach 2026-Mar, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society IF:5.4Q1 DOI:10.1016/j.compmedimag.2026.102724 PMID:41687296	研究论文	本文提出了一种使用伪标签方法的、分割引导的多模态脑肿瘤生存期预测模型	提出了一种端到端的多模型伪标签方法，整合了患者群体信息，并引入了一种生成类别标签的方法以增强数据校正和利用效率	未明确说明模型在处理删失数据时的具体性能限制或潜在的过拟合风险	准确预测脑肿瘤患者的生存期，以辅助医生评估治疗效果和调整临床计划	脑肿瘤患者	数字病理学	脑肿瘤	深度学习	深度学习模型	多模态医学影像数据	基于BraTS 2021数据集收集和补充了生存标签	NA	NA	预测精度，泛化能力	NA
1517	2026-03-15	Fusing data from CT deep learning, CT radiomics and peripheral blood immune profiles to diagnose lung cancer in a cohort of patients experiencing symptoms 2026-Mar, EBioMedicine IF:9.7Q1 DOI:10.1016/j.ebiom.2026.106173 PMID:41719793	研究论文	本研究通过融合CT深度学习、CT影像组学和外周血免疫谱数据，开发了一种诊断肺癌的预测模型	首次将CT深度学习、CT影像组学和外周血免疫谱数据融合，构建多模态诊断模型，提高了肺癌筛查的敏感性和特异性	样本量相对较小（170名患者），且仅基于单中心数据，可能影响模型的泛化能力	开发一种非侵入性、低成本的肺癌筛查方法，以提高早期诊断率	疑似肺癌的患者（来自Lister医院肺科门诊的344名有症状患者）	数字病理学	肺癌	CT扫描、CT纹理分析（CTTA）、深度学习自编码器（DLA）、高深度流式细胞术、外泌体蛋白分析	自编码器	图像（CT扫描）、血液数据（免疫谱和外泌体蛋白）	170名患者（从344名患者中成功生成预测协变量）	NA	自编码器	AUC, 敏感性, 特异性	NA
1518	2026-02-22	Corrigendum to "Deep learning enhanced ALPS reveals genetic and environmental factors of brain glymphatic function" [eBioMedicine 124 (2026) 106133] DOI: 10.1016/j.ebiom.2026.106133 2026-Mar, EBioMedicine IF:9.7Q1 DOI:10.1016/j.ebiom.2026.106180 PMID:41719794	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1519	2026-03-15	Transformer-based architectures in MRI brain tumor segmentation: A review 2026-Mar, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society IF:5.4Q1 DOI:10.1016/j.compmedimag.2026.102729 PMID:41723899	综述	本文综述了基于Transformer的架构在MRI脑肿瘤分割中的应用	从模型架构设计、高效自注意力机制和补丁获取策略三个角度，系统分析了Transformer变体算法在脑胶质瘤MRI分割中的应用	NA	为脑胶质瘤MRI分割领域的研究者提供参考和方法比较	脑胶质瘤MRI图像	计算机视觉	脑胶质瘤	MRI	Transformer	图像	NA	NA	Vision Transformer, Swin Transformer, U-Net	NA	NA
1520	2026-03-15	LCBTS-Net: A lightweight cascaded 3D brain tumor segmentation network in magnetic resonance imaging 2026-Mar, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society IF:5.4Q1 DOI:10.1016/j.compmedimag.2026.102727 PMID:41734696	研究论文	本文提出了一种轻量级级联3D网络LCBTS-Net，用于从磁共振图像中自动分割脑肿瘤区域	提出了一种轻量级、级联的多尺度3D分割模型，通过利用多序列MR图像信息和级联的从粗到细的分割策略，在减少参数量的同时提高了分割精度和稳定性	模型仅在BRATS 2020数据集上进行了验证，未在其他独立数据集或真实临床环境中进行广泛测试	开发一种轻量级、高精度的自动脑肿瘤分割方法，以辅助诊断和个性化治疗计划制定	脑磁共振图像中的肿瘤区域	数字病理学	脑肿瘤	磁共振成像	CNN	3D图像	BRATS 2020数据集	NA	轻量级级联3D网络	Dice系数, Hausdorff95距离	NA