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
1821	2026-06-29	Artificial intelligence in orthopedic trauma surgery: a scoping review of current applications and research gaps 2026-Mar-28, Archives of orthopaedic and trauma surgery IF:2.0Q2 DOI:10.1007/s00402-026-06276-6 PMID:41903010	综述	对骨科创伤手术中人工智能应用的范围综述，评估当前研究现状和研究空白	首次系统梳理AI在骨科创伤手术中的应用现状，识别出外部验证不足、前瞻性证据稀缺、可解释性差和工作流整合不充分等关键研究空白	文献筛选可能遗漏部分灰色文献和未发表研究；纳入研究异质性较大，难以进行定量meta分析	系统总结AI在骨科创伤手术中的应用类型、方法学特征、验证策略和转化成熟度，并指出未来研究方向	146项关于AI/机器学习在创伤骨科中应用的研究	机器学习	骨科创伤疾病	NA	深度学习，经典机器学习	医学影像，临床数据	146项研究（每项研究包含≥10名人类受试者）	NA	CNN，Grad-CAM	AUC	NA
1822	2026-06-29	Automated segmentation and quantification of peripapillary hyperreflective ovoid mass-like structures using swept-source optical coherence tomography 2026-Mar-28, BMC ophthalmology IF:1.7Q3 DOI:10.1186/s12886-026-04763-3 PMID:41904488	研究论文	开发一种基于双分支深度卷积神经网络的自动化方法，用于分割和量化扫频源OCT数据中的视盘周围高反射卵圆状团块结构体积	首次提出结合分割分支和分类分支的双分支深度卷积神经网络架构，以解决PHOMS边界模糊问题，实现人类级别的精确分割	NA	实现青少年PHOMS的快速、可靠、自动化三维定量分析，用于大规模临床筛查和纵向监测	70名青少年眼睛的扫频源OCT数据中的PHOMS结构	计算机视觉	NA	扫频源OCT	深度卷积神经网络	图像	70个青少年眼部样本	NA	双分支深度卷积神经网络	Dice系数, 组内相关系数, 相关性系数	NA
1823	2026-06-29	Automated OCT-tailored and same-visit biomarker-targeted microperimetry in geographic atrophy 2026-Mar-27, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-45253-2 PMID:41896280	研究论文	开发并验证了一种基于OCT的自动化、生物标志物引导的实时微视野计方法，用于地理萎缩的结构-功能个性化评估	首次实现了OCT引导的、针对生物标志物的实时微视野计测试，测试点密度根据病灶形态动态调整，优先聚焦于椭圆体带缺失区域而非均匀分布	样本量较小（44例患者64只眼），未提及外部验证或长期随访数据	实现地理萎缩中个性化、单次就诊的结构-功能精准映射	地理萎缩患者的视网膜功能和结构	计算机视觉, 机器学习	老年性疾病（地理萎缩）	OCT	深度学习分割模型（基于临床验证软件）	图像	44例患者64只眼，共测试2560个微视野计刺激点	深度学习分割软件（基于临床验证）	基于规则算法（非深度学习架构）	平均视网膜敏感度，中位偏差，正确定位率	未提及具体计算资源
1824	2026-06-29	DermaScanAI an explainable hybrid deep learning framework for automated skin lesion classification using dual attention and metadata fusion 2026-Mar-26, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-46011-0 PMID:41888268	研究论文	提出一个结合多尺度卷积特征提取与轻量级Transformer编码器、Squeeze-and-Excitation模块以及Grad-CAM可解释性的混合深度学习框架DermaScanAI，用于皮肤镜图像的自动皮肤病变分类	将多尺度卷积特征提取与轻量级Transformer编码器结合，同时融入Squeeze-and-Excitation块进行通道级注意力增强，并利用Grad-CAM提供后验可解释性	需要在多机构前瞻性验证后才能应用于临床决策支持系统	提升皮肤镜图像自动分类的可靠性、鲁棒性和可解释性	HAM10000数据集中的皮肤镜图像，涵盖七类皮肤病变	计算机视觉、数字病理学	皮肤癌	皮肤镜成像	CNN、Transformer	图像	HAM10000数据集（未明确具体样本数）	PyTorch	多尺度CNN、轻量级Transformer、Squeeze-and-Excitation块	准确率、宏平均F1分数、AUC	未明确
1825	2026-06-29	Multitask deep learning models for ultrasound image analysis: identification of high-grade serous ovarian cancer and segmentation of tumor regions and intratumoral solid components 2026-Mar-25, Journal of ovarian research IF:3.8Q1 DOI:10.1186/s13048-026-02070-5 PMID:41877233	研究论文	开发并验证了能够识别高级别浆液性卵巢癌并同时分割肿瘤区域和肿瘤内实性成分的多任务深度学习模型	首次实现基于超声图像对高级别浆液性卵巢癌的识别与肿瘤区域及实性成分分割的多任务同步处理，并整合临床与影像特征提升性能	单中心回顾性研究，样本量有限，未进行外部验证，且未探索其他深度学习架构	开发用于超声图像分析的多任务深度学习模型，实现高级别浆液性卵巢癌的识别及肿瘤区域分割	395名经病理确诊的原发性卵巢恶性肿瘤患者的1745张超声图像	计算机视觉, 数字病理	卵巢癌	超声成像（灰阶与彩色多普勒）	卷积神经网络	图像（超声图像）	395名患者（1745张超声图像），训练集237例、验证集79例、测试集79例	NA	ResNet-18, 多层感知器	AUC, 灵敏度, 特异性, Dice表面系数	NA
1826	2026-06-29	Deep learning-based quantitative CT assessment of interstitial lung abnormalities: prognostic risk thresholds in a health screening population 2026-Mar-24, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-45108-w PMID:41876612	研究论文	使用深度学习定量CT评估健康体检人群中肺间质异常（ILA）的预后风险阈值	首次在健康筛查人群中确定基于深度学习的定量ILA评估的预后阈值（总ILA 3%，纤维化ILA 0.3%），并证明其与长期死亡率独立相关	单中心回顾性设计、人群基线健康可能导致选择偏倚、未外部验证阈值	确定健康体检人群中肺间质异常的定量风险阈值及其与临床结局的关联	接受胸部CT检查的50岁及以上健康体检者	计算机视觉	间质性肺疾病	CT	深度学习	影像	3363名参与者（其中73例ILA，124例可疑ILA）	NA	NA	风险比（HR）	NA
1827	2026-06-29	Novel explainable deep learning based drug sensitivity prediction for early treatment of breast cancer 2026-Mar-24, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-44617-y PMID:41876710	研究论文	提出一种可解释的深度学习模型，用于预测乳腺癌早期治疗中的药物敏感性	提出可解释药物图注意力变换器（EDrGAT），创新地融合了特征级图注意力和工程化的时间药效学特征，并引入滞后、滚动均值和指数均值等预处理步骤增强数据敏感性	NA	开发基于深度学习的药物敏感性预测方法，以辅助抗癌治疗和药物开发，解决传统深度学习模型在缺失值处理和选择最优填补策略方面的不足	一组癌细胞系和数百种化学药物的药物敏感性数据	机器学习	乳腺癌	NA	图注意力变换器（EDrGAT）	基因组特征（细胞系、药物名称、药物浓度IC50）	NA	PyTorch	图注意力网络、变换器	RMSE, R2, 训练损失/准确率, 验证损失/准确率	NA
1828	2026-06-29	DcSE: an improved densenet with enhanced attention fusion for super-enhancer prediction 2026-Mar-24, BMC genomics IF:3.5Q2 DOI:10.1186/s12864-026-12768-x PMID:41877008	研究论文	提出一种基于改进DenseNet和动态注意力融合的深度学习框架DcSE，用于高效预测超级增强子	改进了卷积块注意力模块，采用可学习参数动态融合通道和空间注意力的机制，并结合集成学习框架增强鲁棒性	未明确提及，但可能受限于训练数据的物种特异性和对罕见转录因子的识别能力	开发准确、可解释的超级增强子预测工具，以理解基因组调控机制及疾病关联	超级增强子序列（人类和小鼠基因组）	机器学习	癌症	DNA序列分析	CNN	序列数据	人类数据集和小鼠数据集（具体样本数量未提及）	NA	DenseNet, 卷积块注意力模块	准确率, AUC	NA
1829	2026-06-29	Joint synthesis of longitudinal MRI and enhanced prediction of neoadjuvant chemotherapy response in breast cancer: a multicohort study 2026-Mar-24, BMC cancer IF:3.4Q2 DOI:10.1186/s12885-026-15889-4 PMID:41877069	研究论文	提出一种基于循环生成对抗网络的纵向图像合成与预测卷积网络模型，联合合成早期新辅助化疗MRI图像并预测乳腺癌治疗反应	首次联合合成早期新辅助化疗MRI图像与预测治疗反应，提出语义和感知损失函数用于多任务学习，并在生成器中引入高效通道注意力模块增强判别能力	NA	利用术前MRI同时合成早期新辅助化疗MRI图像并预测治疗反应，实现个体化诊疗决策	乳腺癌患者的新辅助化疗治疗过程	计算机视觉, 数字病理学	乳腺癌	MRI成像动态对比增强（DCE-MRI）	生成对抗网络（GAN）	MRI图像	多队列研究，内部验证和外部验证数据集	PyTorch	LISPCN，基于循环生成对抗网络，含高效通道注意力模块	结构相似性指数, 峰值信噪比, AUC	NA
1830	2026-06-29	Deep learning approach to super-resolution correction of brain MRI motion artifacts for accurate hippocampal volumetry 2026-Mar-22, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-44834-5 PMID:41866419	研究论文	应用增强型深度超分辨率网络（EDSR）减少脑MRI运动伪影并提高海马体积测量的准确性	首次将EDSR用于校正脑MRI运动伪影，并验证其在海马体积测量中的有效性	样本量较小（24名健康成人），且运动伪影为模拟生成，未涵盖真实临床场景中的复杂运动模式	评估EDSR在减少脑MRI运动伪影及改善海马体积测量中的潜力	24名健康成年受试者	计算机视觉	NA	MRI	增强型深度超分辨率网络（EDSR）	图像（脑MRI）	24名健康成人，每人采集3次图像（无运动、有运动、校正后）	PyTorch	EDSR	绝对百分误差（APE）、峰值信噪比（PSNR）、结构相似性指数（SSIM）、平均绝对误差（MAE）	NA
1831	2026-06-29	Automated kidney stone segmentation from flexible ureteroscopy videos using a U-net model: A preliminary feasibility study 2026-Mar-22, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-45143-7 PMID:41866407	研究论文	使用U-Net模型从柔性输尿管镜视频中自动分割肾结石的初步可行性研究	首次探索从真实柔性输尿管镜视频中直接分割肾结石，利用半自动标注管道和深度学习模型实现实时分割	数据集规模小、单中心数据、缺乏临床整合，分割性能在出血、密集碎屑和严重运动模糊等挑战性条件下下降	评估基于深度学习的肾结石分割从柔性输尿管镜视频中的可行性，为术中引导提供实时辅助	肾结石	计算机视觉	肾结石病	柔性输尿管镜视频	U-Net	视频帧	12名患者的12段柔性输尿管镜视频（约11小时视频）	PyTorch	U-Net, DenseNet-121	像素准确率, Dice系数	NVIDIA T4 GPU
1832	2026-06-29	Artificial intelligence-based prediction of fetal hypoxia: a multicenter model development and nationwide AI-human comparison 2026-03-21, BMC medicine IF:7.0Q1 DOI:10.1186/s12916-026-04794-z PMID:41864912	研究论文	基于人工智能的胎儿缺氧预测模型开发及全国性人机对比研究	提出多种深度学习架构（CAP）用于CTG解读，并在全国性人机对比中证明其优于人类专家，同时通过Grad-CAM增强模型可解释性	未明确提及，但可能包括模型在真实临床环境中的泛化性及外部验证数据集（CTU-UHB）的性能略低于内部测试	开发并验证人工智能模型用于预测分娩期胎儿缺氧，并与人类专家进行对比	来自三家三级医院的CTG追踪数据，共20,780条用于模型开发，467例用于人机对比	机器学习	胎儿缺氧	CTG（胎心监护）	CNN, Transformer, LSTM, CfC	时间序列数据（CTG追踪）	20,780条CTG追踪用于开发，467例用于人机对比，10,571份专家应答	NA	CNN, Transformer, LSTM, CfC	AUROC（受试者工作特征曲线下面积）	NA
1833	2026-06-29	Hybrid tuned deep learning model for breast cancer diagnosis using genetic data 2026-Mar-21, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-41643-8 PMID:41865006	研究论文	提出一种混合调优深度学习模型，利用遗传数据对乳腺癌进行诊断与预后预测	将随机森林排名与关联规则挖掘相结合的多阶段特征选择过程，以及卷积神经网络与双向长短期记忆网络融合的混合深度学习模型，并采用贝叶斯方法进行迭代优化	未明确提及，但数据增强（SMOTE和高斯噪声）表明对噪声和类别不平衡的处理可能存在局限	通过开发一种稳健的混合计算预测方法，提升乳腺癌早期诊断和预后能力	乳腺癌患者的多组学数据，包括基因组和临床特征	机器学习	乳腺癌	全基因组测序、临床特征分析	CNN、BiLSTM	遗传数据、临床数据	两个数据集：TCGA（17,814基因）和METABRIC（503临床/基因组特征）	NA	CNN、BiLSTM	准确率、AUC、召回率	NA
1834	2026-06-29	Hair and artifact removal in dermoscopic images using deep learning for enhanced skin cancer detection 2026-Mar-21, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-44545-x PMID:41865087	研究论文	提出基于U-Net架构的深度学习框架，有效去除皮肤镜图像中的毛发和伪影，提升皮肤癌检测性能	设计混合损失函数（Dice与二元交叉熵）及全面数据增强策略，在保留病灶精细特征的同时实现毛发伪影的高效移除，并在分类任务中验证预处理对诊断准确率的显著提升	NA	通过深度学习去除皮肤镜图像中的毛发和伪影，改善图像质量并提高自动化皮肤癌诊断的可靠性	皮肤镜图像中因毛发、反光及照明伪影导致的病灶特征模糊问题	计算机视觉, 数字病理学	皮肤癌	皮肤镜成像	U-Net	图像	HAM10000数据集（10,015张图像）和ISIC 2018数据集	NA	U-Net	峰值信噪比, 结构相似性指数, 交并比, 准确率, F1分数	NA
1835	2026-06-29	Classification of fallers and non-fallers in older adults using electrical IMU signal for gait analysis and explainable deep learning 2026-Mar-21, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-44368-w PMID:41862532	研究论文	利用惯性测量单元采集老年人步态信号，通过可解释深度学习方法分类跌倒者和非跌倒者，并揭示步态相位异常与跌倒风险的关系	首次将可解释人工智能LIME应用于基于IMU的步态深度学习分类模型，量化了站立相异常对跌倒史分类的贡献度	样本量有限（163人），缺乏独立纵向验证，且分类任务基于回顾性跌倒史而非前瞻性预测	开发基于IMU步态数据的深度学习模型，准确分类老年人跌倒史，并解释关键步态模式	70-98岁老年人的步态加速度和角速度信号	机器学习	老年性疾病	IMU	LSTM, CNN	时间序列	163名70-98岁老年人	NA	LSTM, CNN	准确率	NA
1836	2026-06-29	Advances in Imaging-Based Fracture Risk Assessment for Unlocking Latent Skeletal Fragility 2026-Mar-21, Current osteoporosis reports IF:4.2Q1 DOI:10.1007/s11914-026-00961-6 PMID:41862661	综述	综述利用常规临床图像进行基于成像的骨折风险评估的最新进展	总结利用深度学习技术从常规临床图像中捕获骨骼脆弱的额外因素，超越传统骨密度测量方法	需要进一步研究以增强稳健性并促进临床整合	综述基于成像的骨折风险评估方法的最新进展	常规临床图像（CT、X光片、DXA、MRI）	计算机视觉	骨折	NA	深度学习	图像	NA	NA	NA	NA	NA
1837	2026-06-29	Deep learning-based seed germination prediction using morphological traits and RGB images 2026-Mar-19, BMC plant biology IF:4.3Q1 DOI:10.1186/s12870-026-08599-3 PMID:41851627	研究论文	提出一种基于深度学习的方法，利用RGB图像和形态特征自动预测种子萌发能力	结合RGB图像自动提取的形态特征与深度学习模型，实现种子萌发能力的自动化预测，并针对三种不同种子类型和三种不同成像来源进行了验证	仅评估了三种种子类型（秋葵、茄子、番茄），未来需在更多种子类型上验证模型的泛化能力	实现种子萌发能力的自动化预测，以简化农业种子筛选过程	秋葵、茄子和番茄种子的RGB图像及其对应萌发状态	计算机视觉	NA	RGB成像	深度学习模型	图像	共3,645张图像，来自三种种子类型，每种种子405张图像，从三种成像源（数字显微镜、相机、扫描仪）获取	NA	所提模型及VGG19、ResNet50、EfficientNetB5	加权F1分数	NA
1838	2026-06-29	Mke-resnet: a lightweight and interpretable deep learning framework for efficient RNA m6A site identification 2026-Mar-19, BMC bioinformatics IF:2.9Q1 DOI:10.1186/s12859-026-06416-0 PMID:41857714	研究论文	提出MKE-ResNet，一种轻量级且可解释的深度学习框架，用于高效识别RNA m6A修饰位点	创新性地将深度残差网络与多核高效通道注意力模块结合，实现超轻量级端到端框架，在保持竞争性能的同时大幅降低计算复杂度	未提及明显的局限性	开发一种计算高效且具有生物学可解释性的RNA m6A位点识别方法	RNA N6-甲基腺苷（m6A）修饰位点	机器学习	NA	RNA-seq	残差网络	序列数据	22个数据集	PyTorch	ResNet, MKE-ECA	AUROC	NA
1839	2026-06-29	A secure and explainable multimodal biometric system using trust adaptive fusion for face and fingerprint 2026-Mar-19, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-43252-x PMID:41857140	研究论文	提出一种结合深度学习、信任自适应融合和加密域匹配的安全且可解释的多模态生物特征系统，用于人脸和指纹识别	创新性地将MobileNet特征提取、信任自适应融合（TAF）策略和CKKS同态加密相结合，并利用Grad-CAM增强模型的可解释性，在保护隐私的同时提高了系统的鲁棒性和安全性	仅在CASIA-FaceV5和CASIA-FingerprintV5特定数据集上评估，未见在更大规模或更复杂数据集上的验证，且系统计算复杂度可能较高	开发一种安全、可解释、保护隐私的多模态生物特征认证框架，以解决传统多模态系统的复杂性、特征融合不充分和黑箱模型缺乏透明度的问题	人脸和指纹生物特征认证系统	生物特征识别，深度学习	NA	MobileNet特征提取，CKKS同态加密，Grad-CAM可视化	CNN	图像	使用CASIA-FaceV5和CASIA-FingerprintV5数据集	NA	MobileNet	错误率	NA
1840	2026-06-29	Prediction of coronary artery disease using retinal optical coherence tomography angiography imaging and electronic health records: a multimodal machine learning approach 2026-Mar-19, BMC cardiovascular disorders IF:2.0Q3 DOI:10.1186/s12872-026-05660-9 PMID:41857509	研究论文	开发并验证了一种通过整合视网膜OCTA影像与电子健康记录数据来预测冠状动脉疾病的多模态机器学习方法	首次将基于Transformer的多尺度风格学习算法应用于OCTA图像，联合分割中心凹无血管区和视网膜血管，并量化98个视网膜血管成像生物标志物，结合电子健康记录数据构建多模态预测模型，显著提升了冠心病预测性能	未在摘要中明确提及，但可能包括回顾性研究设计、单中心数据、样本量相对有限（542例）及模型外部验证缺失	开发一种非侵入性、基于AI的冠心病预测模型，通过整合视网膜OCTA影像特征与电子健康记录数据，验证视网膜-冠状动脉轴在临床筛查中的可行性	542名同时接受OCTA和侵入性冠状动脉造影的患者，时间跨度为2022年7月至2023年10月	计算机视觉, 机器学习	冠状动脉疾病	光学相干断层扫描血管成像(OCTA)	Transformer, XGBoost	图像, 文本	542名患者（均为接受OCTA和冠状动脉造影的受试者）	PyTorch	Transformer, XGBoost, 基线深度学习网络模型（如CNN、LSTM等未具体点名）	AUC, 灵敏度, 特异度, 校准曲线, 决策曲线分析	NA