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
1741	2026-01-08	A hybrid CNN-transformer model with adaptive activation function for potato leaf disease classification 2026-Jan-06, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-34406-4 PMID:41495315	研究论文	本文提出了一种结合CNN与Transformer的混合深度学习架构PLDNet，并引入自适应激活函数AFpM，用于马铃薯叶片病害的自动分类	提出了一种名为PLDNet的混合架构，融合了DenseNet CNN与Transformer注意力模块；并创新性地设计了自适应参数化激活函数AFpM，通过可学习参数实现自适应非线性，在动态梯度控制方面优于Mish、Swish和PFpM等现有激活函数	未明确说明模型在更复杂田间环境或更多病害类别下的泛化能力；未讨论计算复杂度与实时部署的可行性	开发一种高效、准确的自动化马铃薯叶片病害分类方法，以替代传统人工检测	马铃薯叶片病害图像	计算机视觉	植物病害	深度学习图像分类	CNN, Transformer	图像	PlantVillage和Mendeley两个公开数据集	未明确说明	DenseNet, Transformer	准确率	未明确说明
1742	2026-01-08	Hgtsynergy: a transfer learning method for predicting anticancer synergistic drug combinations based on a drug-drug interaction heterogeneous graph 2026-Jan-06, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-025-06360-5 PMID:41495639	研究论文	本文提出了一种名为HGTSynergy的深度学习方法，用于预测抗癌协同药物组合，该方法基于药物-药物相互作用异构图，并利用迁移学习框架提升预测性能	首次将药物-药物相互作用异构图与迁移学习框架结合，以全面建模多种药物相互作用类型并从中提取先验知识，从而改进协同药物组合的预测	未明确说明方法在更广泛药物类型或不同癌症类型中的泛化能力，以及计算成本或数据需求的具体限制	预测抗癌协同药物组合，以降低手动筛选成本并优化癌症治疗中的药物组合疗法	抗癌药物及其相互作用	机器学习	癌症	深度学习	异构图注意力网络	图数据（药物-药物相互作用异构图）	NA	NA	异构图注意力网络	均方误差, 均方根误差, 皮尔逊相关系数, AUC, AUPRC, 准确率, 精确率, Cohen's Kappa	NA
1743	2026-01-08	Prediction of pathological complete response to neoadjuvant therapy in breast cancer using deep learning with multi-modal radiological image and biopsy whole slide images: a two-center study 2026-Jan-06, Cancer imaging : the official publication of the International Cancer Imaging Society IF:3.5Q1 DOI:10.1186/s40644-025-00986-7 PMID:41495869	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1744	2026-01-08	Development and validation of deep learning for predicting the growth of ovarian cancer organoids 2026-Jan-05, Chinese medical journal IF:7.5Q1 DOI:10.1097/CM9.0000000000003575 PMID:40709801	研究论文	本研究开发并验证了一种基于深度学习的可解释模型，用于预测卵巢癌类器官的生长结果	首次应用深度学习模型预测卵巢癌类器官的生长结果，并采用梯度加权类激活映射（Grad-CAM）进行可解释性分析	研究样本量有限，且仅针对卵巢癌类器官，模型泛化能力有待进一步验证	开发可预测卵巢癌类器官培养结果的深度学习模型，以提高类器官培养的成功率和临床实用性	卵巢癌类器官的纵向显微镜图像	计算机视觉	卵巢癌	纵向显微镜成像	CNN, Transformer	图像	517个卵巢癌类器官液滴（训练集325，验证集88，测试集104），外加179个多中心样本用于前瞻性验证	PyTorch	ResNet18, VGG11, ConvNeXt v2, Swin Transformer v2	AUC, Brier分数, 校准曲线, 决策曲线净收益	NA
1745	2026-01-08	Deep Learning-Based Acceleration in MRI: Current Landscape and Clinical Applications in Neuroradiology 2026-Jan-05, AJNR. American journal of neuroradiology DOI:10.3174/ajnr.A8943 PMID:40721279	综述	本文综述了深度学习在加速磁共振成像（MRI）中的当前应用，特别是在神经放射学领域的临床实践	探讨了深度学习图像重建（DLBIR）技术如何从2D到3D采集的演进，结合自监督学习的进展，以在减少扫描时间的同时保持或提升图像质量	存在跨扫描器和成像条件的泛化性挑战、对伪影的敏感性、病理表征可能被改变，以及供应商特定闭源算法的训练数据、底层算法和临床验证信息有限	回顾深度学习加速MRI的技术现状、临床应用及未来趋势	神经放射学中的MRI图像	医学影像	NA	深度学习图像重建（DLBIR）	深度学习模型	图像	NA	NA	NA	图像质量、病变显著性、噪声抑制、诊断准确性	NA
1746	2026-01-08	Enhanced Spinal Cord Lesion Detection in MS Using White-Matter-Nulled 3D MPRAGE with Deep Learning Reconstruction 2026-Jan-05, AJNR. American journal of neuroradiology DOI:10.3174/ajnr.A8950 PMID:41381352	研究论文	本研究评估了结合深度学习去噪的3D白质抑制MPRAGE序列在多发性硬化症脊髓病变检测中的诊断性能，并与传统MRI序列进行比较	首次将深度学习去噪方法应用于3D白质抑制MPRAGE序列，显著提高了脊髓病变的检测灵敏度和图像质量	样本量较小（仅38名患者），且研究为单中心前瞻性设计，需要更大规模的多中心验证	评估新型成像技术（3D WMn MPRAGE结合深度学习）在多发性硬化症脊髓病变检测中的诊断效能	多发性硬化症或临床孤立综合征患者的脊髓MRI图像	医学影像分析	多发性硬化症	3T脊髓MRI，包括2D T2加权FSE、2D STIR、3D MPRAGE和3D白质抑制MPRAGE序列	深度学习去噪模型	3D MRI图像	38名患者	NA	NA	病变计数、检测置信度、图像质量评分、对比噪声比、组间一致性	NA
1747	2026-01-08	Enhanced Neurovascular Imaging Using Ultra-High-Resolution CT and Deep Learning-Based Image Reconstruction 2026-Jan-05, AJNR. American journal of neuroradiology DOI:10.3174/ajnr.A8964 PMID:41436283	研究论文	本研究评估了基于深度学习的图像重建在超高清CT神经血管成像中的诊断优势	首次将深度学习重建算法应用于超高清CT神经血管成像，并与标准混合迭代重建进行对比	单中心回顾性研究，样本量有限，仅使用特定供应商的深度学习算法	评估深度学习重建在神经血管成像中的诊断效益	100名因急性神经症状接受颅脑CT和CTA检查的患者	医学影像分析	脑血管疾病	CTA, 超高清CT, 深度学习图像重建	深度学习算法	CT图像	100名患者	Matlab	供应商特定的深度学习算法	SNR, CNR, 斜率评估, 图像质量评分	NA
1748	2026-01-05	YOLO-based deep learning framework for real-time multi-class plant health monitoring in precision agriculture 2026-Jan-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29132-w PMID:41484288	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1749	2026-01-08	Automated evaluation of pulmonary lesion changes on chest radiograph during follow-up using semantic segmentation 2026-01-02, Diagnostic and interventional radiology (Ankara, Turkey) DOI:10.4274/dir.2025.253567 PMID:41321291	研究论文	本研究开发并验证了一种基于深度学习的模型，利用病灶特异性分割技术，在配对胸部X光片中自动评估实变和胸腔积液的改变状态	首次提出一种病灶特异性深度学习模型，用于自动评估胸部X光片中实变和胸腔积液在随访期间的改变状态，实现了对病灶变化的量化分析	模型在ICU环境中对胸腔积液的评估准确性显著低于放射科医生，且研究数据仅来自单一机构，可能限制了模型的泛化能力	开发一种自动化工具，用于评估胸部X光片中肺部病灶在随访期间的变化状态	胸部X光片中的实变和胸腔积液病灶	数字病理学	肺部疾病	语义分割	深度学习模型	图像	5,178张胸部X光片用于模型训练，另从急诊科和重症监护室获取配对X光片用于阈值确定和时间验证	未明确指定	未明确指定	AUC, 准确率	NA
1750	2026-01-08	Beyond peak accuracy: a stability-centric framework for reliable multimodal student engagement assessment 2026-Jan-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31215-7 PMID:41484417	研究论文	本研究提出了一种多模态学生参与度评估框架，通过类别感知损失函数、时间数据增强和异质集成等策略，解决了类别不平衡、模型不稳定性和可解释性有限的问题	引入了一个以稳定性为中心的框架，结合类别感知损失函数、时间数据增强、异质集成和基于SHAP的可解释性分析，以提升评估的可靠性和鲁棒性	未明确提及具体的数据集限制或外部验证的不足	开发一个可靠且稳定的多模态学生参与度评估系统，用于技术增强学习	学生参与度	机器学习	NA	多模态数据融合	CNN, 集成学习	多模态数据（可能包括视频、音频等）	NA	NA	ResNet, Inception, MCNN, TimeCNN	准确率, 宏平均F1分数	NA
1751	2026-01-08	Informing atmospheric pollution hotspots and exposure risks under climate change using machine learning: Evidence from 2843 Chinese regions 2026-Jan-02, Journal of hazardous materials IF:12.2Q1 DOI:10.1016/j.jhazmat.2025.141002 PMID:41494348	研究论文	本研究应用时间序列和因果推断模型，量化了气候变化下中国2843个地区多种空气污染物浓度的变化及其对全因死亡的相对影响	提出了一种基于深度学习的RSSFF模型，用于预测气候变化背景下污染物浓度的变化及其与全因死亡的因果关系	研究存在不确定性增加的问题，特别是在共暴露和气候指标放大健康效应方面	评估气候变化对中国空气污染热点和暴露风险的影响	中国2843个地区的空气污染物浓度和全因死亡数据	机器学习	NA	时间序列分析，因果推断模型	深度学习模型	时间序列数据	2843个中国地区	NA	RSSFF	NA	NA
1752	2026-01-08	Area detection improves the person-based performance of a deep learning system for classifying the presence of carotid artery calcifications on panoramic radiographs 2026-Jan, Oral radiology IF:1.6Q3 DOI:10.1007/s11282-025-00843-0 PMID:40694246	研究论文	本研究开发并比较了两种结合区域检测功能的深度学习系统，用于在全景X光片上分类颈动脉钙化，并评估其基于个体的诊断性能	引入了区域检测功能（先验或同时）到深度学习系统中，以提升基于个体的颈动脉钙化分类性能，与直接使用整张全景图像的方法相比显示出显著改进	研究样本量相对有限（580张全景X光片），且未详细讨论模型在不同人群或设备间的泛化能力	开发并评估深度学习系统在全景X光片上诊断颈动脉钙化的性能，特别关注区域检测对基于个体分类的影响	来自290名患者（有颈动脉钙化）和290名对照者（无颈动脉钙化）的580张全景X光片	计算机视觉	心血管疾病	全景X光成像	CNN	图像	580张全景X光片（来自580名个体）	NA	GoogLeNet, YOLOv7	AUC	NA
1753	2026-01-08	Deep learning model for automated segmentation of sphenoid sinus and middle skull base structures in CBCT volumes using nnU-Net v2 2026-Jan, Oral radiology IF:1.6Q3 DOI:10.1007/s11282-025-00848-9 PMID:40748555	研究论文	本研究开发了一种基于nnU-Net v2的深度学习模型，用于在锥形束计算机断层扫描（CBCT）体积中自动分割蝶窦和中颅底解剖结构，并评估了模型的性能	首次应用nnU-Net v2深度学习模型于CBCT体积中蝶窦及中颅底结构的自动分割，实现了高精度的分割性能	模型在中颅底其他孔洞结构的分割上表现有限，需要进一步优化	开发并评估一个用于CBCT影像中蝶窦及中颅底解剖结构自动分割的深度学习模型	蝶窦及中颅底解剖结构，包括蝶窦、圆孔和翼管	计算机视觉	NA	锥形束计算机断层扫描（CBCT）	深度学习	图像	99个CBCT扫描	nnU-Net v2	nnU-Net	准确率, 精确率, 召回率, Dice系数, 95% Hausdorff距离, 交并比, AUC	NA
1754	2026-01-08	Evaluation of deep learning-based segmentation models for carotid artery calcification detection in panoramic radiographs 2026-Jan, Oral radiology IF:1.6Q3 DOI:10.1007/s11282-025-00858-7 PMID:40931257	研究论文	本研究评估了基于深度学习的YOLO分割模型在曲面断层片中检测颈动脉钙化的有效性，并比较了不同YOLO模型的性能	首次在颈动脉钙化检测中系统比较了YOLOv5x-seg、YOLOv8x-seg和YOLOv11x-seg三种分割模型的性能，并探讨了患者性别与钙化存在的关联	研究数据集规模有限（仅652张标注图像），需要更大、更多样化的数据集来验证模型的泛化能力和有效性	评估人工智能辅助分割方法在曲面断层片中检测颈动脉钙化的效果，并进行流行病学关联分析	曲面断层片中的颈动脉钙化区域	计算机视觉	心血管疾病	深度学习图像分割	YOLO	图像	30,883张曲面断层片扫描，其中652张有颈动脉钙化特征（共1,086个标注）	NA	YOLOv5x-seg, YOLOv8x-seg, YOLOv11x-seg	精确度, 准确度, F1分数, 灵敏度	NA
1755	2026-01-08	Robust Brain Extraction Tool for Nonenhanced CT and CT Angiography: CTA-BET 2026-Jan, Radiology. Artificial intelligence DOI:10.1148/ryai.240847 PMID:41147859	研究论文	开发并评估了一种基于深度学习的脑提取模型CTA-BET，用于CT血管造影和非增强CT图像的精确脑部分割	开发了首个专门针对CTA和NCCT图像的深度学习脑提取模型，并在多机构数据上验证了其优于现有非商业工具的鲁棒性和准确性	研究为回顾性研究，训练数据量相对有限（100例患者），且未在更广泛的外部数据集上进行前瞻性验证	开发一种适用于CT血管造影和非增强CT图像的自动化、高精度脑提取工具	CT血管造影图像和非增强CT图像中的脑组织	数字病理学	NA	CT血管造影，非增强CT	CNN	医学图像（3D CT）	训练集：100例患者（多机构CTA数据）；验证集：50例患者（外部CTA数据）和132例患者（公开CQ500 NCCT数据）	NA	NA	Dice分数，Hausdorff距离，分数归一化直方图	NA
1756	2026-01-08	Rethinking Privacy in Medical Imaging AI: From Metadata and Pixel-Level Identification Risks to Federated Learning and Synthetic Data Challenges 2026-Jan, Radiology. Artificial intelligence DOI:10.1148/ryai.250273 PMID:41295085	综述	本文探讨了医学影像AI中的隐私风险，包括元数据和像素级可识别信息，并回顾了联邦学习与合成数据生成等隐私保护方法的局限性	系统性地指出像素级图像信息（如强度值）同样可被深度学习模型利用以揭示敏感患者数据，并强调了现有隐私保护方法（如联邦学习和合成数据）在模型反转和推理攻击下的脆弱性	文章为综述性质，未提出具体的解决方案或进行实证研究，主要侧重于风险分析和现有方法的局限性讨论	分析医学影像人工智能应用中的隐私风险，并评估现有隐私保护技术的有效性及挑战	医学影像数据（包括元数据和像素信息）及其在AI应用中的隐私泄露风险	医学影像人工智能	NA	深度学习	NA	医学影像	NA	NA	NA	NA	NA
1757	2026-01-08	Spatial distribution prediction and scale effect analysis of urban daytime noise based on remote sensing images: a case study of Chengdu 2026-Jan-01, Journal of environmental management IF:8.0Q1 DOI:10.1016/j.jenvman.2025.128379 PMID:41422570	研究论文	本研究基于高分辨率遥感影像和深度学习模型，预测成都市白天噪声的空间分布并分析尺度效应	首次将高分辨率遥感影像与ResNet和ViT架构的端到端深度学习模型结合，用于预测城市白天噪声分布，并通过多尺度融合实验和傅里叶谱分析揭示了2米分辨率的最优性能及其物理机制	研究仅针对成都市，未考虑其他城市或不同气候条件；多尺度融合实验未带来显著性能提升，可能受限于数据冗余或冲突	探索基于遥感影像的城市道路交通噪声高效监测方法，分析不同空间分辨率对预测性能的影响	成都市整个城市区域的白天噪声分布	计算机视觉	NA	遥感影像分析	CNN, Transformer	图像	NA	NA	ResNet, ViT	预测精度	NA
1758	2026-01-08	The Evolving Landscape of Urology in the Era of Artificial Intelligence: An Update of Clinical Applications and Emerging Innovations 2026-Jan, Mymensingh medical journal : MMJ PMID:41474926	综述	本文更新了人工智能在泌尿外科领域的临床应用和新兴创新，涵盖诊断成像、良性疾病、泌尿肿瘤、手术和患者监测等方面	强调了人工智能在泌尿外科中的最新进展，包括通过尿液液体活检进行早期疾病检测、基于AI的计算活检直接从H&E染色切片预测基因组标记，以及未来如通用人工智能和联邦学习等创新方向	数据多样性不足和临床整合存在限制，同时面临算法偏见和数据隐私等伦理挑战	综述人工智能在泌尿外科领域的应用现状、临床价值及未来发展趋势	泌尿外科疾病，包括良性泌尿系统疾病（如输尿管结石、良性前列腺增生）和泌尿系统肿瘤（如前列腺癌、肾细胞癌、膀胱癌）	数字病理学	前列腺癌	机器学习, 深度学习	NA	图像, 液体活检, H&E染色切片	NA	NA	NA	准确率, AUC, 敏感性	NA
1759	2026-01-08	Validation of a Deep Learning U-Net Algorithm for Multistructure Segmentation of Infrarenal Abdominal Aortic Aneurysms including Lumen, Thrombus, and Calcifications 2026, EJVES vascular forum IF:1.4Q3 DOI:10.1016/j.ejvsvf.2025.11.001 PMID:41488250	研究论文	本研究验证了一种基于深度学习的U-Net算法，用于自动分割腹主动脉瘤的多个结构，包括管腔、血栓和钙化	开发了一种全自动深度学习算法，能够同时分割腹主动脉瘤的管腔、血栓和钙化，为数字孪生生成提供优化方案	外部验证仅基于48个CT血管造影扫描，样本量相对较小	验证一种新的全自动深度学习主动脉分割算法，用于优化数字孪生生成	腹主动脉和髂动脉的管腔、侧支动脉、腔内血栓和壁钙化	数字病理	心血管疾病	CT血管造影	CNN	图像	训练集1280个CT血管造影扫描（1000个预训练，280个微调），外部验证集48个扫描	NA	U-Net	Dice相似系数，平均表面距离	NA
1760	2026-01-08	Deep Learning Model for Predicting Operative Mortality After Total Gastrectomy: Analysis of the Japanese National Clinical Database (NCD) 2026-Jan, Annals of gastroenterological surgery IF:2.9Q2 DOI:10.1002/ags3.70067 PMID:41488848	研究论文	本研究利用日本国家临床数据库（NCD）的大数据，开发了一个深度学习模型，用于预测全胃切除术后的手术死亡率	首次利用NCD大数据构建深度学习模型来预测全胃切除术后的手术死亡率，并采用了四层、5217个变量的复杂模型结构	模型准确性有待提高，需要引入与术后并发症相关或传统方法无法分析的新变量	开发一个深度学习预测模型，用于术前基于患者预期手术风险进行分层，以降低全胃切除术后的死亡率	2018年1月至2019年12月期间在日本国家临床数据库中注册的、年龄18岁及以上、因胃癌接受全胃切除术的患者	机器学习	胃癌	NA	深度学习模型	结构化临床数据（包括年龄、性别、既往病史、术前血液检查结果、肿瘤特征等）	14,980例（其中11,980例用于训练，3,000例用于验证）	TensorFlow, Keras	四层神经网络	C统计量（AUC）	NA