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
1541	2026-06-07	Preoperative CT-based Radiomics for Predicting Response to Neoadjuvant Chemoimmunotherapy in Esophageal Squamous Cell Carcinoma 2026-Jan, Radiology. Imaging cancer DOI:10.1148/rycan.250128 PMID:41615298	研究论文	开发并评估基于CT的影像组学模型，结合二维和2.5维深度学习特征，预测食管鳞状细胞癌对新辅助化学免疫治疗的反应	首次将二维和2.5维深度学习迁移学习特征与影像组学特征融合，用于预测食管鳞癌新辅助化学免疫治疗反应	回顾性研究，样本量有限（251例），可能需前瞻性多中心验证	评估结合二维和2.5维深度学习与影像组学特征的CT模型在预测ESCC患者新辅助化学免疫治疗反应中的性能	食管鳞状细胞癌患者	计算机视觉	食管癌	CT成像	支持向量机，ResNet	图像	251名患者（中心1：157名，中心2：94名）	NA	ResNet18	AUC	NA
1542	2026-06-07	Tensor enhanced chest cancer classification via CNN and Vision Transformer models 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0348863 PMID:42228733	研究论文	本文介绍了一种统一平台，通过张量预处理管道，利用CNN和Vision Transformer模型对CT/PET-CT影像进行肺癌分类	提出基于张量的统一预处理管道，在不修改原始架构的情况下实现隐式微调，并系统比较多种CNN架构与Vision Transformer在肺癌分类中的表现	未提及具体局限性信息	评估多种卷积神经网络和Vision Transformer模型在肺癌CT/PET-CT影像分类中的性能，并建立一个统一的比较平台	肺癌CT/PET-CT影像数据	计算机视觉	肺癌	CT成像, PET-CT成像, 张量预处理	CNN, Vision Transformer	医学影像	NA	NA	AlexNet, VGG-16, ResNet-50, DenseNet, EfficientNet, Vision Transformer	准确率, 敏感性, 特异性, F1分数, AUC-ROC	NA
1543	2026-06-07	Multimodal deep learning fusion model for assessment of fetal lung development in gestational diabetes mellitus and pre-eclampsia 2026, Frontiers in endocrinology IF:3.9Q2 DOI:10.3389/fendo.2026.1832468 PMID:42232760	研究论文	开发一种多模态深度学习融合模型，结合超声影像特征与分子和组织病理学数据，评估妊娠期糖尿病和先兆子痫小鼠模型的胎儿肺发育	首次将超声影像、分子标志物和组织病理学数据通过深度学习融合模型进行多模态分析，并通过迁移学习在人类胎儿超声图像上验证	未在文中明确提及研究局限性	开发一种结合超声影像特征与分子及组织病理学数据的多模态深度学习框架，以评估胎儿肺发育	妊娠期糖尿病和先兆子痫大鼠模型的胎儿肺组织及人类胎儿超声图像	计算机视觉, 机器学习	妊娠期糖尿病, 先兆子痫	超声成像, 组织病理学, 免疫组化, Western blot, 定量PCR, 基因测序	深度学习融合模型	图像, 文本（分子与组织学数据）	大鼠模型数据（具体数量未提及）；人类胎儿超声图像共1,183张	NA	NA	准确率, AUC	NA
1544	2026-06-07	Deep Learning-Based Estimation of Ground Reaction Forces in Parkinsonian Gait Using an Optimized Set of IMU Data 2026, IEEE transactions on neural systems and rehabilitation engineering : a publication of the IEEE Engineering in Medicine and Biology Society IF:4.8Q1 DOI:10.1109/TNSRE.2026.3697513 PMID:42202182	研究论文	提出一种基于深度学习的方法，利用优化后的惯性测量单元（IMU）数据估计帕金森步态中的地面反作用力	首次将深度学习框架应用于帕金森步态的双侧垂直地面反作用力（vGRF）估计，并优化了IMU传感器配置	对帕金森患者使用单个IMU时估计精度显著下降，且传感器最优配置在帕金森患者和健康对照组间存在差异	开发一种基于可穿戴传感器的帕金森步态分析系统，实现垂直地面反作用力的准确估计	帕金森病患者和健康对照者的步态数据	机器学习	帕金森病	IMU传感器	CNN-BiLSTM混合模型	时间序列数据	61名帕金森病患者和65名健康对照者	NA	CNN-BiLSTM	R²	NA
1545	2026-06-07	Deep learning models built from PSMA PET of the primary tumor can predict synchronous and metachronous prostate cancer metastases 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0349825 PMID:42247403	研究论文	利用深度学习模型从PSMA PET影像中预测前列腺癌的同步和异时转移	首次利用卷积神经网络从原发性肿瘤的PSMA PET影像中提取特征，构建多模态模型以预测同步转移，并验证其预测异时转移的潜力	样本量有限、数据来源单一中心、存在过拟合风险，可能影响模型的泛化能力	开发基于原发性肿瘤PSMA PET影像的深度卷积神经网络模型，预测局限性前列腺癌在根治性治疗后的早期转移进展	局限性前列腺癌患者的原发性肿瘤PSMA PET影像	计算机视觉, 数字病理学	前列腺癌	18F-DCFPyL (PSMA) PET 成像	卷积神经网络 (CNN)	图像 (PSMA PET 影像)	有限样本量，具体数值未提及	NA	CNN	AUC (受试者工作特征曲线下面积)	NA
1546	2026-06-07	Explainable IAOA-CNN-CBAM-SVR model for predicting air consumption of auxiliary nozzles with limited sample size 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0351109 PMID:42247417	研究论文	提出一种混合CNN-CBAM-SVR模型，通过改进的阿尔基米德优化算法优化，用于预测空气喷射织机辅助喷嘴的空气消耗量，并利用SHAP方法进行可解释性分析	结合改进的阿尔基米德优化算法优化CNN-CBAM-SVR模型，并在有限样本量下实现高精度预测，同时利用SHAP方法实现模型可解释性	训练数据有限可能影响模型的泛化能力	提高非线性空气消耗预测的准确性和可解释性，优化辅助喷嘴设计并提升能源效率	空气喷射织机辅助喷嘴的空气消耗量	机器学习	NA	NA	混合模型（CNN-CBAM-SVR）	数值型数据	有限样本量	NA	CNN、CBAM、SVR	均方根误差、决定系数	NA
1547	2026-06-07	Large-scale statistical dissection of sequence-derived biochemical features distinguishing soluble and insoluble proteins 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0344883 PMID:42247421	研究论文	对78,031种蛋白质进行大规模统计分析，评估序列衍生生化特征在区分可溶性与不可溶性蛋白质中的效果	首次在大规模数据集上系统性地量化经典序列衍生特征的效应大小、冗余性和判别性能，揭示了可溶性信息在全局序列描述符层面的低维组织结构	大多数特征即使统计显著，效应量较小且类别间重叠严重，仅大小相关特征（序列长度和分子量）表现出最强效应	系统表征序列衍生生化特征在区分可溶性与不可溶性蛋白质中的内在规模、冗余性和可解释性	从公共数据库整理的可溶性和不可溶性蛋白质序列及其生化描述符	机器学习	NA	Mann-Whitney U检验、Benjamini-Hochberg错误发现率校正、Cliff's delta效应量、Spearman相关性分析	NA	序列特征	78,031个蛋白质序列，包括46,450个可溶性蛋白质和31,581个不可溶性蛋白质	NA	NA	ROC AUC, 马修斯相关系数	NA
1548	2026-06-07	A U-Net model for epidermal segmentation in optical coherence tomography images of actinic keratosis 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0346059 PMID:42247432	研究论文	开发并优化用于光化性角化病OCT图像表皮分割的U-Net模型	通过超参数优化（图像尺寸、批次大小、训练轮数）实现高精度和高计算效率的统一	更高分辨率和更长训练增加计算量却不显著提升精度，有时导致过拟合	实现AK病变OCT图像中表皮的自动分割	光化性角化病OCT图像中的表皮区域	数字病理学	皮肤癌（光化性角化病）	光学相干断层扫描	U-Net	图像	NA	NA	U-Net	Dice系数, Jaccard指数	NA
1549	2026-06-07	Detection and Classification of Alzheimer's Disease Using Deep and Machine Learning 2025-Dec-26, Tomography (Ann Arbor, Mich.) DOI:10.3390/tomography12010004 PMID:41591137	研究论文	提出了一种结合临床症状数据和MRI影像的深度学习与机器学习双模态框架，用于阿尔茨海默病的检测与分期	整合症状数据与MRI影像，并引入可解释人工智能（SHAP和Grad-CAM），提高了诊断准确率和临床可解释性	未明确说明样本量大小以及外部验证等局限性	提高阿尔茨海默病的早期诊断和分期准确性	阿尔茨海默病患者	机器学习和医学影像处理	阿尔茨海默病	MRI	CNN, EfficientNetB3, DenseNet-121, ResNet-50, MobileNetV2（深度学习模型）；KNN, SVM, 决策树, 随机森林（机器学习模型）	影像和临床数据	NA	NA	CNN, EfficientNetB3, DenseNet-121, ResNet-50, MobileNetV2	准确率（accuracy）	NA
1550	2026-06-07	Artificial Intelligence-Aided Microfluidic Cell Culture Systems 2025-Dec-24, Biosensors DOI:10.3390/bios16010016 PMID:41590268	综述	综述人工智能辅助微流控细胞培养系统和器官芯片平台的研究进展、技术挑战与未来机遇	系统总结了人工智能在微流控细胞培养中的多维应用，包括自动化表型分析、预测建模、实时控制，并强调了可解释性特征选择、轻量级推理模型和隐私保护方法等关键技术框架	未明确提及具体局限性，但作为综述，可能缺乏对具体方法效果的定量比较和实证验证	综合人工智能与微流控细胞培养平台的交叉研究现状，强调其在精准健康和下一代生物医学研究中的新兴作用	微流控细胞培养系统、器官芯片平台、人工智能技术（机器学习和深度学习）	机器学习	癌症	微流控技术	深度学习	图像、文本、视频、生化数据	NA	NA	NA	NA	NA
1551	2026-06-07	Deep learning reveals hidden diversity of Synechococcus in the coastal water of China: novel clades and their ecological insights 2025-Dec-17, Proceedings. Biological sciences DOI:10.1098/rspb.2025.1936 PMID:41538039	研究论文	开发基于深度学习的方法，对中国沿海水域聚球藻的隐藏多样性进行新分支发现和生态学分析	首次将深度学习框架应用于聚球藻ITS序列的识别、分类和新分支发现，建立综合数据库Syn_Tool，克服了传统分类方法缺乏标准化和分支边界模糊的局限	未提及具体局限性，可能包括对ITS区域以外的遗传变异覆盖不足或依赖单一测序技术	利用深度学习解决聚球藻ITS序列分类难题，揭示其遗传多样性和生态分布规律	中国沿海水域的聚球藻ITS序列	机器学学习	无	ITS区域测序	深度学习模型（具体类型未指定，如CNN或LSTM）	DNA序列	1,087,323条聚球藻ITS序列	NA	NA	NA	NA
1552	2026-06-07	ECG-SMART-NET: A Deep Learning Architecture for Precise ECG Diagnosis of Occlusion Myocardial Infarction 2025-12, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3573581 PMID:40418608	研究论文	开发并评估了一种名为ECG-SMART-NET的深度学习架构，用于精确识别闭塞性心肌梗死	提出了一种临床启发的ResNet-18架构改进，通过时间卷积层学习每个导联内的时序特征，再通过空间卷积层学习导联间的空间一致性或不一致性	未明确说明局限性，但模型基于12导联心电图数据，可能对非典型病例识别存在挑战	提高闭塞性心肌梗死的从心电图检测准确率	闭塞性心肌梗死（OMI）患者	机器学习	心血管疾病	心电图分析	CNN	文本	包含10,393份心电图，来自7,397名独特患者（OMI发生率7.2%）	NA	ResNet-18改进版，包含时间卷积层和空间卷积层	AUC	NA
1553	2026-06-07	High-Quality CEST Mapping With Lorentzian-Model Informed Neural Representation 2025-12, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3574238 PMID:40434851	研究论文	提出一种基于洛伦兹模型神经表示框架，用于高质量化学交换饱和转移磁共振成像映射	通过自监督神经架构嵌入洛伦兹方程，直接重建高灵敏度参数图，无需标注训练数据，且自监督训练策略保证收敛性	NA	克服CEST映射中模型方法灵敏度和鲁棒性不足以及深度学习方法泛化性差的问题	合成体模和活体实验数据（包括肿瘤和阿尔茨海默病模型）	计算机视觉	肿瘤、阿尔茨海默病	CEST MRI	神经表示	磁共振成像数据	合成体模和活体实验数据，具体数量未提及	NA	神经网络架构（自监督，嵌入洛伦兹方程）	NA	NA
1554	2026-06-07	Deep Separable Spatiotemporal Learning for Fast Dynamic Cardiac MRI 2025-12, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3574090 PMID:40434852	研究论文	提出一种基于深度可分时空学习的快速动态心脏MRI重建方法	采用降维的可分离学习方案，在训练数据极度有限的情况下仍能表现出色，并结合时间低秩性和空间稀疏性先验	未明确讨论方法在更复杂病变或更大规模多中心数据上的泛化能力	实现快速动态心脏MRI图像重建，降低对大量训练数据的依赖	心脏动态MRI图像重建及下游分割任务	计算机视觉	心血管疾病	动态磁共振成像	深度可分时空学习网络（DeepSSL）	图像（心脏电影MRI图像）	使用心脏电影数据集，未明确样本数目	NA	DeepSSL	视觉效果与定量指标（具体指标未在摘要中详述），下游分割准确性	NA
1555	2026-06-07	Phantom-Based Ultrasound-ECG Deep Learning Framework for Prospective Cardiac Computed Tomography 2025-12, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3575268 PMID:40445820	研究论文	提出首个结合超声和心电数据的多模态深度学习框架，用于预测心脏静止期以优化CT血管造影门控	首次将超声与心电数据通过多模态深度学习（3D CNN-ANN）融合，实现对心脏静止期的预测，相比单模态方法显著提升准确率（96.87% vs 85.56%），尤其在心律失常条件下	较短静止期（<100 ms）的预测准确率低于较长静止期（100-200 ms）；基于体模验证，尚未在临床患者数据上测试	提高心脏CT血管造影门控中静止期预测的准确性，特别是在心律失常等复杂心率条件下	动态心脏运动体模，模拟多种心脏条件（包括心律失常）	计算机视觉, 机器学习	心血管疾病	超声成像, 心电图	3D卷积神经网络, 人工神经网络	超声视频, 心电信号	基于动态心脏体模的验证，未提及具体样本数量	NA	3D CNN, ANN	准确率	NA
1556	2026-06-07	Integrating Motor Unit Activity With Deep Learning for Real-Time, Simultaneous and Proportional Wrist Angle and Grasp Force Estimation 2025-12, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3575252 PMID:40445821	研究论文	提出了一种结合运动单位活动与深度学习的方法，用于实时、同步且按比例地估计手腕角度和抓取力	首次将运动单位活动与基于长短期记忆的深度神经网络集成，实现了神经驱动与深度学习的结合，用于同时解码运动学和动力学信息	NA	实现实时、同步且按比例的手腕角度和抓取力估计，提高肌电假肢的性能	手腕角度和抓取力，涉及前臂旋前/旋后、屈曲/伸展、外展/内收等动作	机器学习	NA	高密度表面肌电图分解	长短期记忆神经网络	肌电信号	10名受试者	NA	模块化长短期记忆神经网络	标准化均方根误差, R²	NA
1557	2026-06-07	AI-based smart pretreatment of fresh fruits and vegetables before processing: Research progress and application prospects 2025-Dec, Food research international (Ottawa, Ont.) DOI:10.1016/j.foodres.2025.117175 PMID:41606923	综述	探讨人工智能在果蔬预处理中的研究进展与应用前景	系统综述了机器学习、深度学习、人工神经网络等AI技术在果蔬分选、清洗、去皮、切割等预处理环节的应用，并展望了未来多学科融合实现预处理集成自动控制的前景	传统预处理技术依赖人工经验和简单机械操作，效率低且精度难以保证；当前AI技术虽可实现自动分选和缺陷识别，但在预处理全流程自动控制方面仍需进一步研究	综述AI技术在果蔬预处理中的应用现状，为其智能化发展提供理论依据和实践参考	果蔬分选、分级、清洗、去皮、切割、护色、漂烫等预处理环节	计算机视觉、机器学习	无特定疾病	计算机视觉系统、电子鼻	机器学习、深度学习、人工神经网络	图像、传感器数据	不适用（综述类文章）	NA	NA	NA	NA
1558	2026-06-07	Deep Learning Model for Breast Shear Wave Elastography to Improve Breast Cancer Diagnosis (INSPiRED 006): An International, Multicenter Analysis 2025-11-10, Journal of clinical oncology : official journal of the American Society of Clinical Oncology IF:42.1Q1 DOI:10.1200/JCO-24-02681 PMID:40834300	研究论文	开发并验证基于剪切波弹性成像的深度学习模型，用于改善乳腺癌诊断	首次利用深度学习模型分析剪切波弹性成像图像，在国际多中心数据上验证其相比B超能显著降低假阳性率，同时保持与专家相当的灵敏度	未来需探索其与多模态乳腺癌诊断的整合	开发和验证基于SWE图像的深度学习模型（AI-SWE）用于BI-RADS 3和4类乳腺肿块，并与B超的专家诊断进行性能比较	BI-RADS 3或4类乳腺肿块患者	计算机视觉	乳腺癌	剪切波弹性成像 (SWE)	深度学习	超声图像	开发集924例患者（4026张图像）；外部验证集1包含194例患者（562张图像），外部验证集2包含176例患者（188张图像）	NA	EfficientNetB1	灵敏度, 特异度, 假阳性率降低, 受试者工作特征曲线下面积 (AUROC)	NA
1559	2026-06-07	Migration of Deep Learning Models Across Ultrasound Scanners 2025-11, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3564567 PMID:40279236	研究论文	提出一种黑盒无监督域适应方法，将深度学习模型的功能从一台超声机器迁移到另一台机器上，实现跨扫描仪的模型部署	首次将传递函数方法与迭代方案相结合，在无需模型内部信息的情况下实现深度学习模型功能在超声机器间的黑盒迁移	研究仅针对超声机器间的迁移，未验证在其他成像模态或更复杂任务中的适用性	验证深度学习模型功能在超声机器间迁移的可行性，并警示临床部署中的安全风险	SonixOne和Verasonics超声机器上的深度学习分类模型	机器学习	NA	NA	深度学习分类模型	超声图像	使用SonixOne和Verasonics两台机器，未明确样本数量	NA	NA	分类准确率	NA
1560	2026-06-07	Deep Learning for EEG-Based Visual Classification and Reconstruction: Panorama, Trends, Challenges and Opportunities 2025-11, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3568282 PMID:40343828	综述	本文首次对基于脑电图的视觉分类与重建的深度学习方法进行了全面综述，涵盖方法分类、基准数据集、神经科学见解及未来挑战与机遇	首次系统性地从特征编码与解码两个视角总结深度学习在脑电视觉分类与重建中的应用，并提出方法论本质与神经科学见解之间的动态闭环交互促进机制	未对方法进行定量对比实验，未来趋势部分缺乏具体技术实施路径	综述基于脑电图的视觉分类与重建的深度学习方法现状，展望未来研究方向	基于脑电图的视觉分类与重建任务及相应深度学习方法	自然语言处理,机器学习	NA	脑电图	深度学习模型	脑电图信号	未提及具体样本数量	NA	NA	未具体列出性能指标	NA