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
1701	2026-05-16	Memory efficient model based deep learning reconstructions for high spatial resolution 3D non-cartesian acquisitions 2023-03-23, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/acc003 PMID:36854193	研究论文	开发了一种名为块式学习的记忆高效方法，结合梯度检查点和块训练，实现基于模型深度学习的高空间分辨率三维非笛卡尔MRI重建	提出块式学习方法，将输入体积分解为小补丁进行梯度检查点和迭代正则化，显著降低GPU内存需求，克服了三维非笛卡尔MBDL重建的内存瓶颈	NA	提高高空间分辨率三维非笛卡尔MRI重建的内存效率和图像质量	高度欠采样的磁共振血管造影体积	机器学习	肺部疾病	MRI	深度学习模型	图像	矩阵尺寸为300-450×200-300×300-450的体积	PyTorch	块式学习网络	图像质量, 重建时间	单个GPU
1702	2026-05-16	Ten quick tips for deep learning in biology 2022-03, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1009803 PMID:35324884	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1703	2026-05-16	Integrative multiomics-histopathology analysis for breast cancer classification 2021-Nov-29, NPJ breast cancer IF:6.5Q1 DOI:10.1038/s41523-021-00357-y PMID:34845230	研究论文	开发弱监督深度学习模型，分析乳腺癌H&E染色切片与多组学状态（基因表达、突变）之间的关系	首次系统探索乳腺癌组织学形态与多组学状态之间的关联，并利用深度学习从视觉信号中预测受体状态和基因突变	未在摘要中明确提及限制	研究乳腺癌组织学形态与临床亚型、基因表达和突变状态的关系	乳腺癌患者的H&E染色活检切片及其多组学数据	数字病理学	乳腺癌	H&E染色组织切片分析	弱监督深度学习模型	图像	独立验证队列（具体数量未提供）	NA	NA	AUC（受试者工作特征曲线下面积）	NA
1704	2026-05-16	Derivatization Design of Synthetically Accessible Space for Optimization: In Silico Synthesis vs Deep Generative Design 2021-Feb-11, ACS medicinal chemistry letters IF:3.5Q2 DOI:10.1021/acsmedchemlett.0c00540 PMID:33603964	研究论文	提出了一种基于人工智能辅助正向合成的衍生化设计技术，用于先导化合物优化中的分子生成	将人工智能辅助正向合成与分子设计相结合，自动生成具有合成可行性、试剂可用性和成本数据的近邻类似物及骨架变体	文中未明确提及局限性	开发一种新的衍生化设计技术，以加速先导化合物优化过程并降低研发成本	DDR1抑制剂类似物	机器学习	NA	AI辅助正向合成	NA	分子结构数据	未明确说明	NA	NA	NA	NA
1705	2026-05-16	Wide and deep learning for automatic cell type identification 2021, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2021.01.027 PMID:33613870	研究论文	提出宽深度学习（WDL）方法用于单细胞数据中自动细胞类型识别	通过结合宽组件和深度神经网络，并引入正则化（dropout和L1/L2正则化），在跨平台不同癌症类型数据上显著提升细胞分类准确率	未明确讨论计算资源消耗、模型训练时间及对大规模异构数据的泛化能力	开发一种能处理高维数据并保留生物意义的细胞分类预测模型	肿瘤微环境中的免疫细胞及其亚型（如CD4+和CD8+ T细胞）	机器学习	癌症	单细胞测序	宽深度神经网络	单细胞转录组数据	黑素瘤数据（10X平台）和基底细胞癌数据（SMART-seq平台）	NA	WDL	准确率	NA
1706	2026-05-16	Blood Biochemistry Analysis to Detect Smoking Status and Quantify Accelerated Aging in Smokers 2019-01-15, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-018-35704-w PMID:30644411	研究论文	利用血常规和生化检测结果结合深度学习技术预测吸烟状态并量化吸烟导致的生物衰老加速	首次证明可通过血生化指标和人工智能检测吸烟状态，并定量评估吸烟对生物衰老速率的影响	NA	评估吸烟对生物衰老速率的影响，并开发基于血常规检测的吸烟状态预测方法	吸烟者和非吸烟者的血液样本	机器学习	心血管疾病、癌症	血生化分析	深度学习模型	表格数据	NA	NA	NA	NA	NA
1707	2026-05-15	Deep learning based on CD3 histological slides for prediction of colon cancer outcome: analysis of three international stage III colon cancer cohorts 2026-Dec-31, Oncoimmunology IF:6.5Q1 DOI:10.1080/2162402X.2026.2668797 PMID:42100890	研究论文	基于CD3组织学切片的深度学习模型用于预测III期结肠癌患者预后，对三个国际队列进行了分析	首次通过深度学习自动分析CD3染色切片中的肿瘤核心和侵袭边缘区域，实现稳健且可重复的预后分层，且不受染色和扫描变异影响	在TC分析的外部验证中p值=0.12，未达到显著差异；模型性能优于传统临床变量和CD3计数，但后者在不同队列间存在变异性	开发深度学习模型自动分析CD3染色组织切片以改善III期结肠癌的预后预测	来自三个国际队列（PETACC08、PRODIGE-13和HARMONY）的1737名III期结肠癌患者	数字病理学	结肠癌	CD3免疫组化染色	卷积神经网络	组织学切片图像	1737名患者（来自三个国际队列）	PyTorch	VGG19, UNI	无病生存期	NA
1708	2026-05-15	Individualized Treatment Effect Inference of Head and Neck Cancer with Multimodal Data 2026-Dec-14, APSIPA Transactions on Signal and Information Processing DOI:10.1108/atsip-06-2025-0051 PMID:42125301	研究论文	开发一个端到端深度学习框架，利用多模态患者数据和多种治疗方法，在头颈癌回顾性研究中准确推断个体化治疗效果	提出双阶段自适应实例归一化（Bi-AdaIN）实现灵活高效的治疗条件信息融合，并通过互信息正则化从多治疗变量中解耦患者状态特征，增强了因果效应的稳健估计	基于回顾性观察数据，可能仍存在未观测到的混杂因素；对复杂多模态数据和多种治疗方案的对抗训练方法存在不稳定性	实现基于多模态数据的头颈癌个体化治疗效果准确推断，为临床决策支持提供反事实推理方法	头颈癌患者的多模态数据，包括CT扫描图像和多种临床变量	机器学习, 数字病理学	头颈癌	CT扫描	深度学习	图像, 表格数据	3346例头颈癌病例	PyTorch	Bi-AdaIN	偏倚调整治疗效果	NA
1709	2026-05-15	Interpretable three-dimensional deep learning identifies and reveals the spatial Microstructure of multi-enzyme degradation of lignocellulose 2026-Aug, Bioresource technology IF:9.7Q1 DOI:10.1016/j.biortech.2026.134730 PMID:42049101	研究论文	建立可解释的三维深度学习框架，结合微流控平台，表征多酶处理下木质纤维素的微结构演化	首次将可解释三维深度学习与微流控平台结合，实现多酶降解木质纤维素空间微结构的无损定量分析	仅使用均质木材作为模型底物，多样性底物的适用性未验证	理解和阐明多酶降解木质纤维素的微观结构机制	木质纤维素在多种酶处理（纤维素酶、木质素过氧化物酶、漆酶）下的微结构演化	计算机视觉	NA	共聚焦显微镜成像、扫描电子显微镜	三维卷积神经网络	三维图像	标准化微流控三维空间数据集	PyTorch	DenseNet121-CBAM	预测性能、泛化能力	NA
1710	2026-05-15	Multimodal large language models for food safety detection within deep learning frameworks: a review 2026-Jun-30, Food chemistry IF:8.5Q1 DOI:10.1016/j.foodchem.2026.149208 PMID:41974072	综述	综述了基于深度学习的多模态大语言模型在食品安全检测中的应用，涵盖技术进展、应用案例及未来挑战	系统总结了从深度学习到跨模态智能的演进，以及多模态融合机制在食品安全检测中的创新应用	数据资源有限、可靠智能生成、能效与安全性等挑战尚待解决	探讨多模态大语言模型在食品安全检测中的潜力与发展方向	食品安全检测中的多模态数据（如图像、文本、光谱等）及供应链监测场景	自然语言处理, 计算机视觉	NA	多模态感知、自监督预训练、知识增强	多模态大语言模型（MLLM）	多模态数据（图像、文本、光谱等）	NA	深度学习框架（未明确指定具体框架）	跨模态智能架构（未明确具体网络）	NA	NA
1711	2026-05-15	Chemometrics, VIS-NIR-SWIR spectroscopy, and deep learning algorithms to classify and predict qualitative attributes of rice in grain processing and storage units 2026-Jun-30, Food chemistry IF:8.5Q1 DOI:10.1016/j.foodchem.2026.149275 PMID:42008893	研究论文	利用高光谱光谱（350-2500 nm）结合传统和深度学习模型，对大米进行分类和预测理化属性	将VIS-NIR-SWIR光谱技术与深度学习算法结合，用于大米品质无损检测，并筛选出相关波段以优化传感器	NA	探究基于米粒缺陷的物理品质分类与精米理化属性之间的关系，并开发无损技术结合机器学习的大米品质判定方法	白米、黑米、红米和蒸谷米样品	machine learning	NA	高光谱光谱	线性回归、支持向量机、随机森林、梯度提升、卷积神经网络、循环神经网络	光谱数据	NA	NA	卷积神经网络、循环神经网络	NA	NA
1712	2026-05-15	Deep learning insights into β-lactamase dynamics and resistance evolution 2026-Jun-03, The Biochemical journal DOI:10.1042/BCJ20260196 PMID:42101477	综述	综述了利用深度学习研究β-内酰胺酶构象动力学及其对抗生素耐药性演化的影响	首次系统综述了深度学习，特别是卷积变分自编码器、DiffNets、BindSiteS-CNN和几何深度学习方法，在解析β-内酰胺酶构象多样性、隐秘口袋和长程别构耦合中的应用，提供了一个统一且可预测的框架	未提及具体限制，可能依赖于分子动力学模拟的准确性和深度学习模型的可解释性	探讨深度学习如何揭示β-内酰胺酶的构象动力学并理解耐药性演化	β-内酰胺酶（A-D类）的构象动力学、底物特异性、抑制剂敏感性及突变适应度	机器学习	抗菌药物耐药性	分子动力学模拟	卷积变形自编码器、DiffNets、BindSiteS-CNN、几何深度学习、图神经网络	分子动力学模拟轨迹数据	涵盖A-D类β-内酰胺酶，具体样本数量未提及	TensorFlow, PyTorch	卷积变形自编码器、DiffNets、BindSiteS-CNN、图神经网络	突变适应度预测准确率	NA
1713	2026-05-15	Deep learning for automatic detection of hepatocellular carcinoma in dynamic contrast-enhanced MRI 2026-06, Abdominal radiology (New York) DOI:10.1007/s00261-025-05249-4 PMID:41217478	研究论文	开发了一种基于深度学习的自动检测肝细胞癌模型，使用动态对比增强MRI图像，并在患者和病灶水平评估其性能	利用大型公开数据集预训练注意力U-Net模型，显著优于现有nnU-Netv2方法，并实现了患者水平和病灶水平的双重评估	研究为回顾性设计，且样本量相对有限，可能限制模型的泛化能力	开发并评估深度学习模型在动态对比增强MRI中自动检测肝细胞癌的性能	肝细胞癌患者和阴性对照患者的肝脏病灶，来自两个队列共363例患者	计算机视觉	肝细胞癌	DCE-MRI	注意力U-Net	图像	363名患者，包括51名HCC阳性患者（113个病灶）和245名HCC阴性患者，以及67名预消融患者	PyTorch	注意力U-Net, nnU-Netv2	灵敏度, 特异度, 平均假阳性数, PPV, NPV, FROC AUC, ROC AUC	未指定，但可能使用GPU进行训练
1714	2026-05-15	Feasibility of deep learning-accelerated HASTE-FS for pancreatic cystic lesion surveillance: comparison with conventional HASTE and MRCP 2026-06, Abdominal radiology (New York) DOI:10.1007/s00261-025-05265-4 PMID:41251737	研究论文	评估深度学习加速HASTE-FS序列在胰腺囊性病变监测中的可行性，与传统HASTE和MRCP进行比较	首次证明深度学习重建的HASTE-FS在胰腺囊性病变检测和表征上优于传统HASTE，并可替代3D MRCP，有望减少检查时间和成本	未提及具体局限性，但回顾性研究和样本量（91例患者）可能限制泛化性	比较深度学习重建HASTE-FS与传统HASTE及MRCP在胰腺囊性病变检测、表征和监测中的性能	91例连续患者的胰腺囊性病变，包括70个预先选择的索引PCL	计算机视觉	胰腺囊性病变	MRI	深度学习重建模型	图像	91例患者，70个索引PCL	NA	NA	Likert量表评分，胰腺管边界锐利度，囊性病变显著性，诊断信心，适用于替代MRCP的比例	NA
1715	2026-05-15	Abdominal multi-organ segmentation on 3D negative-contrast CT cholangiopancreatography: a comparative study of deep learning methods 2026-06, Abdominal radiology (New York) DOI:10.1007/s00261-025-05273-4 PMID:41251738	研究论文	本研究比较了四种深度学习模型在3D负性对比CT胆胰管成像上对腹部多器官分割的性能	首次在3D负性对比CT胆胰管成像上系统比较了2D和3D深度学习分割模型，并证明了3D体积模型的优越性	样本量较小（111名患者），且仅针对恶性低位胆道梗阻患者，可能限制泛化性	实现3D负性对比CT胆胰管成像上胆胰系统的自动化分割，以改善术前规划和诊断	腹部多器官（肝脏、十二指肠、胰腺和胆道系统）	计算机视觉, 数字病理学	恶性低位胆道梗阻	深度学习方法	CNN, Transformer	图像	111名患者（25700张图片，91名训练/验证，20名测试）	PyTorch	TransUNet, nnU-Net, Swin-UNETR	Dice相似系数, 平均对称表面距离	NA
1716	2026-05-15	Deep learning for non-invasive detection of steatosis and fibrosis in MASLD: a multicenter study with a new fibroscan-labelled ultrasound dataset 2026-06, Abdominal radiology (New York) DOI:10.1007/s00261-025-05309-9 PMID:41284028	研究论文	利用深度学习模型，基于B超图像无创检测MASLD患者的肝脂肪变性和纤维化	首次使用Fibroscan标记的超声数据集，结合多中心数据源和多种深度学习架构（EfficientNet-B4和Vision Transformer），并证明模型在外部测试集上优于放射科专家	样本量相对较小（总患者数247人），外部测试集（DS3）仅18名患者，可能影响模型泛化能力的评估	开发验证用于MASLD患者肝脂肪变性和纤维化无创评估的深度学习模型	MASLD患者的B超图像数据集	计算机视觉	代谢相关脂肪性肝病（MASLD）	B超成像	深度学习模型（卷积神经网络和Transformer）	图像	247名患者，共2799张图像（DS1: 111人1131张, DS2: 95人1328张, DS3: 18人185张, DS4: 23人155张）	NA	EfficientNet-B4, Vision Transformer	AUROC	NA
1717	2026-05-15	Noninvasive Staging of Hepatic Fibrosis in Patients with Autoimmune Liver Disease Using Deep Learning 2026-Jun, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2026.01.029 PMID:41680010	研究论文	利用深度学习模型基于常规二维B型超声无创分期自身免疫性肝病患者的肝纤维化	首次将深度学习应用于常规二维B超图像进行自身免疫性肝病肝纤维化分期，并采用类激活映射增强模型可解释性	回顾性研究设计且样本量相对较小	开发和验证基于深度学习模型的无创肝纤维化分期方法	自身免疫性肝病患者的肝纤维化	计算机视觉，数字病理	自身免疫性肝病，肝纤维化	NA	CNN	图像	245例患者（内部）和61例患者（外部）	PyTorch	ResNet34	宏观AUC，微观AUC，校准曲线，决策曲线	NA
1718	2026-05-15	Efficient self-supervised Barlow Twins from limited tissue slide cohorts for colonic pathology diagnostics 2026-Jun, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2026.104004 PMID:41793844	研究论文	提出一种优化的Barlow Twins自监督学习框架，用于结直肠息肉病理诊断	首次优化Barlow Twins框架以适应病理数据特异性，调整超参数、增强策略和编码器，并探索最佳视野，同时提出新的基准数据集	当前研究缺乏有效应用自监督学习框架分析病理数据的方法	开发高效的计算模型辅助结直肠息肉活检筛查，改善病理学家工作流程	结直肠息肉组织切片，包括四种类型息肉和正常组织	数字病理学	结直肠癌	全切片图像分析	CNN, Swin Transformer	图像	未明确提及样本数量，但涉及MHIST和NCT-CRC-7K数据集	PyTorch	Barlow Twins, Swin Transformer	准确性, 精确率, 召回率, F1分数	NA
1719	2026-05-15	Ultrasound Video-Based Deep Learning Model for Predicting Axillary Lymph Node Status and Nodal Burden in Breast Cancer 2026-Jun, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2026.02.014 PMID:41794631	研究论文	基于超声视频的深度学习模型预测乳腺癌腋窝淋巴结状态及淋巴结负荷	首次利用术前乳腺超声视频构建两阶段深度学习框架，分别预测腋窝淋巴结状态（阴性或阳性）及阳性患者的淋巴结负荷（1-2个或≥3个）	研究为回顾性设计，模型在外部测试集上的淋巴结负荷预测性能中等，提示泛化能力有限	开发和验证基于术前乳腺超声视频的深度学习模型，用于预测腋窝淋巴结状态和负荷	864名经病理确诊的乳腺癌患者（2019年7月至2024年12月）	计算机视觉	乳腺癌	超声视频	TSM视频模型	视频	864名患者（训练集495例，内部测试集213例，两个外部测试集120例和36例）	PyTorch	TSM-ResNet50, TSM-ResNet18	AUC, 灵敏度, 特异度	NA
1720	2026-05-15	PHIVE: A physics-informed variational encoder enables rapid spectral fitting of brain metabolite mapping at 7T 2026-Jun, Medical image analysis IF:10.7Q1 DOI:10.1016/j.media.2026.104014 PMID:41797202	研究论文	提出物理信息变分编码器（PHIVE），用于7T脑代谢物图谱的快速光谱拟合	将基于物理的先验知识整合到变分自编码器架构中，实现对代谢物浓度和不确定性度量的同时估计，并在计算速度上实现六个数量级的提升	研究仅在7T采集的健康对照和多发性硬化患者数据上验证，未来需在不同数据集及纵向多中心研究中扩展验证	开发一种快速、可靠且可解释的深度学习方法，用于高分辨率代谢物定量，促进磁共振波谱成像在临床和研究中的实时应用	7T脑磁共振波谱成像数据，包括健康对照和多发性硬化患者	机器学习	多发性硬化	磁共振波谱成像（MRSI）	变分自编码器（VAE）	光谱数据	全脑MRSI数据集	PyTorch	物理信息变分编码器（PHIVE）	准确性（与LCModel可比）、计算时间（6 ms每数据集）、不确定性度量（包括CRLB、aleatoric不确定性和epistemic不确定性）	NA