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
1861	2026-01-30	Deep learning-based automated detection of endometrioid endometrial carcinoma in histopathology 2025, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2025.1701427 PMID:41602398	研究论文	本研究开发了一种基于改进ResNet-18的深度学习系统，用于从H&E染色子宫内膜增生病变和正常组织中自动识别子宫内膜样子宫内膜癌	提出了一种基于改进ResNet-18的多任务深度学习系统，能够自动检测子宫内膜样子宫内膜癌并有效分类子宫内膜病理和生理状态，具有临床转化潜力	NA	开发自动化诊断工具以克服传统病理学中的复杂采样和医生资源有限等挑战	H&E染色的子宫内膜增生病变和正常组织	数字病理学	子宫内膜癌	H&E染色	CNN	图像	NA	NA	ResNet-18	阳性预测值, F1分数	NA
1862	2026-01-30	Deep learning in renal ultrasound: applications, challenges, and future outlook 2025, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2025.1730628 PMID:41602426	综述	本文系统总结了深度学习在肾脏超声中的应用、挑战及未来展望	系统综述了深度学习在肾脏超声关键任务（如分割、测量、功能预测和疾病诊断）中的应用，并评估了CNN和Transformer等模型的性能，同时指出了未来结合多模态数据、大模型技术、联邦学习和可解释人工智能的发展方向	数据质量、模型可解释性、泛化能力和临床整合方面仍存在挑战	增强肾脏超声工作流程的客观性和自动化，以改善肾脏疾病的诊断和分析	肾脏疾病，特别是慢性肾脏病（CKD）	数字病理学	肾脏疾病	NA	CNN, Transformer	图像	NA	NA	NA	NA	NA
1863	2026-01-30	A two-stage deep learning prediction system for colon cancer microsatellite instability status using CT images 2025, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2025.1699430 PMID:41602410	研究论文	本研究构建了一个两阶段深度学习系统，利用CT图像自动预测结肠癌微卫星不稳定性状态，无需手动分割	提出了一种无需手动分割的两阶段深度学习系统，结合分割模型MSI-SAM和诊断模型，自动从CT图像中预测结肠癌MSI状态	样本量较小（108例），且结肠不同部位病例分布不均，可能影响模型泛化能力	开发一种基于CT图像的深度学习系统，用于自动识别结肠癌的微卫星不稳定性状态	结肠癌患者的增强CT扫描图像	计算机视觉	结肠癌	CT扫描	深度学习模型	图像	108例增强CT扫描（68例升结肠，14例横结肠，18例降结肠，8例乙状结肠；56例MSI-H，52例MSS）	NA	MSI-SAM	DSC, IoU, AUC, ACC, 敏感性, 特异性	NA
1864	2026-01-30	Development and validation of an LDCT-based deep learning radiomics nomogram for predicting postoperative recurrence of stage Ia lung adenocarcinoma 2025, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2025.1706104 PMID:41602433	研究论文	本研究开发并验证了一种基于LDCT的深度学习影像组学列线图，用于预测Ia期肺腺癌患者术后复发风险	首次结合深度学习特征、影像组学特征和临床数据构建列线图模型，用于预测Ia期肺腺癌术后复发，并在多中心数据上进行了验证	研究为回顾性设计，样本量相对有限，且仅针对Ia期肺腺癌患者	开发一种术前预测工具，以辅助临床医生优化Ia期肺腺癌患者的辅助治疗方案，实现个体化预后管理	Ia期肺腺癌患者	数字病理	肺癌	低剂量计算机断层扫描	深度学习, 机器学习	医学影像	中心1: 233例患者（训练集163例，内部验证集70例）；中心2: 89例患者（外部验证集）	NA	ResNet50	AUC, 校准曲线, 决策曲线分析	NA
1865	2026-01-30	The digital orchard: advanced data-driven technologies in apple breeding and genetic modification 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1725617 PMID:41602532	系统文献综述	本文综述了先进数据驱动技术在加速苹果育种和基因修饰中的应用现状	提出了“数字育种”模型，整合高通量表型分析、机器学习/深度学习算法和基因组编辑三大技术支柱，并探讨了农业物联网、联邦学习和可解释AI等新兴前沿	存在标准化开放数据集缺乏和端到端系统验证不足等研究空白	加速苹果育种和基因修饰，应对气候变化、病原体演变和消费者需求	苹果（Malus × domestica）	机器学习	NA	高通量表型分析（HTP）、基因组编辑（CRISPR/Cas9）	机器学习（ML）、深度学习（DL）	图像（RGB-D、高光谱成像、LiDAR）、基因组数据	基于47项选定研究的分析	NA	NA	准确率（超过96%）、预测能力提升（高达18%）	NA
1866	2026-01-30	JAK-centric explainable few-shot gene-expression diagnosis framework for alopecia via MultiPLIER priors and relation-style set-to-set comparison 2025, Frontiers in molecular biosciences IF:3.9Q2 DOI:10.3389/fmolb.2025.1753206 PMID:41602548	研究论文	本研究提出了一种基于JAK-STAT信号通路、结合MultiPLIER先验知识和关系式集合比较的可解释少样本深度学习框架，用于区分斑秃和雄激素性脱发，并识别了关键的生物标志物	提出了一种结合生物学先验知识（MultiPLIER潜变量）和关系式集合比较的可解释少样本深度学习分类器，作为列线图的替代方案，能够在样本量有限的情况下实现稳健诊断并保持机制可解释性	研究主要基于转录组数据，临床验证样本量相对有限，且框架在更广泛疾病类型中的应用仍需进一步验证	开发一种可解释的少样本基因表达诊断框架，以区分斑秃和雄激素性脱发，并识别可靠的生物标志物	斑秃和雄激素性脱发患者的头皮样本	机器学习	脱发	bulk RNA-seq, 单细胞RNA-seq, RT-qPCR, Western blot	深度学习分类器	基因表达数据	未明确指定具体数量，但提及使用了独立样本进行验证	未明确指定	Relation-style set-to-set comparator, 浅层头部网络	未明确指定	NA
1867	2026-01-30	Improving early liver metastasis detection in colorectal cancer using a weighted ensemble of ResNet50 and swin transformer: a KHCC study 2025, Frontiers in big data IF:2.4Q2 DOI:10.3389/fdata.2025.1700292 PMID:41602601	研究论文	本研究开发了一种新颖的加权集成深度学习模型，用于结直肠癌患者早期肝转移的预测	提出了一种结合ResNet50和Swin Transformer的加权软投票集成学习方法，有效解决了在具有挑战性的数据集上单一模型性能接近随机的问题，通过架构多样性提升了医学图像分析的性能	研究未提及模型在不同患者亚群或不同医疗机构数据上的泛化能力验证，也未讨论模型对罕见或非典型转移模式的识别能力	开发AI驱动的监测框架，以改善结直肠癌患者早期肝转移的检测	结直肠癌患者的医学图像	计算机视觉	结直肠癌	医学影像分析	CNN, Transformer, 集成学习	图像	1628张来自结直肠癌患者的医学图像	NA	ResNet50, MobileNetV2, DenseNet121, CNN-LSTM, Swin Transformer	准确率, 灵敏度, 特异性, AUC	NA
1868	2026-01-30	Assessing the effectiveness of machine learning and deep learning in differentiating neuroimmunological diseases: a systematic review and meta-analysis 2025, Frontiers in neurology IF:2.7Q3 DOI:10.3389/fneur.2025.1579206 PMID:41602983	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机器学习和深度学习在区分神经免疫性疾病中的诊断性能	首次对AI在神经免疫性疾病鉴别诊断中的应用进行系统综述和荟萃分析，比较了ML与DL模型的性能差异	研究存在显著的异质性，且主要依赖MRI数据，缺乏临床和流行病学数据的整合	评估机器学习和深度学习技术在区分神经免疫性疾病中的诊断效果，并识别最有效的方法	神经免疫性疾病，特别是多发性硬化与视神经脊髓炎谱系疾病	机器学习	神经免疫性疾病	MRI	机器学习, 深度学习	图像	19篇符合纳入标准的研究，涉及4470篇初始检索文章	NA	NA	准确率, 灵敏度, 特异性	NA
1869	2026-01-30	Machine learning in developing a predictive model for chronic hydrocephalus following aneurysmal subarachnoid hemorrhage 2025, Frontiers in neurology IF:2.7Q3 DOI:10.3389/fneur.2025.1651694 PMID:41602996	研究论文	本研究利用机器学习算法结合深度学习和影像组学技术，开发了一个用于预测动脉瘤性蛛网膜下腔出血后慢性脑积水风险的列线图模型	整合了3D-Unet自动分割模型来精确量化血肿体积，并结合影像组学特征与临床数据，构建了一个临床-放射学列线图预测模型	研究为单中心回顾性研究，样本量相对有限（共180例患者纳入分析），可能存在选择偏倚	预测动脉瘤性蛛网膜下腔出血患者发生慢性脑积水的风险	动脉瘤性蛛网膜下腔出血患者	数字病理学	心血管疾病	影像组学，CT扫描	3D-Unet, LASSO回归, 逻辑回归	影像，临床数据	180例患者（从初始410例患者中筛选）	NA	3D-Unet	Dice相似系数, 交并比, 豪斯多夫距离, 平均对称表面距离, AUC, 校准曲线, 精确率-召回率曲线, 决策曲线分析, 临床影响曲线	NA
1870	2026-01-30	Deep learning for multitask prediction on thyroid nodule frozen sections 2025, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2025.1676360 PMID:41607540	研究论文	本研究开发了基于深度学习的模型，用于甲状腺结节冰冻切片的术中病理诊断，包括良恶性分类、BRAFV600E基因突变预测和淋巴结转移识别	整合了深度学习和传统影像组学，并探索了弱监督策略在甲状腺冰冻切片中的应用，以减轻对病理学家标注的依赖	淋巴结转移预测模型的性能（AUC 0.671）相对较低，可能受限于数据质量或模型架构	辅助甲状腺结节的术中病理诊断，提高诊断准确性	甲状腺结节冰冻切片的Whole-Slide Images	数字病理学	甲状腺癌	冰冻切片成像	CNN, Transformer	图像	436张Whole-Slide Images	TensorFlow, PyTorch	InceptionV3, ResNet50, ViT	AUC, 准确率	NA
1871	2026-01-30	Deep learning-based multimodal approach for non-invasive prediction and prognostic analysis of immune and angiogenic biomarkers in extrahepatic cholangiocarcinoma 2025, Frontiers in immunology IF:5.7Q1 DOI:10.3389/fimmu.2025.1658122 PMID:41607783	研究论文	本研究开发了一种基于深度学习的多模态框架，整合MRI、临床和实验室数据，用于预测肝外胆管癌患者的PD-L1和VEGF表达，并评估其预后价值	提出了一种结合深度学习特征、放射组学特征及临床实验室特征的多模态深度学习框架，通过重复注意力机制进行整合，用于非侵入性预测免疫和血管生成生物标志物	研究为回顾性队列研究，样本量相对较小（96例患者），且仅涉及两个机构，可能存在选择偏倚	开发非侵入性预测肝外胆管癌患者PD-L1和VEGF表达的方法，并评估其预后价值	肝外胆管癌患者	数字病理学	肝外胆管癌	磁共振成像	深度学习	图像, 临床数据, 实验室数据	96例患者，包含16050张原始MRI图像和1570张含肿瘤图像	NA	NA	AUC	NA
1872	2026-01-30	Deep transfer learning and explainable AI framework for autism spectrum disorder detection across multiple datasets 2025, Frontiers in neurology IF:2.7Q3 DOI:10.3389/fneur.2025.1617446 PMID:41607838	研究论文	本文提出了一种基于深度神经网络和可解释AI的迁移学习框架，用于跨多个数据集检测自闭症谱系障碍	利用迁移学习框架在三个不同数据集上进行ASD检测，并结合可解释AI技术揭示跨人群的关键分类特征	未明确说明模型在更广泛人群或不同年龄段中的泛化能力，以及数据预处理和特征选择的详细方法	开发一个能够跨数据集有效检测自闭症谱系障碍的深度学习框架	自闭症谱系障碍的筛查数据，涉及来自沙特阿拉伯的幼儿数据集及其他两个ASD数据集	机器学习	自闭症谱系障碍	合成少数类过采样技术	深度神经网络, LSTM, Attention LSTM	筛查数据	涉及三个数据集，具体样本数量未明确说明	未明确说明	深度神经网络	标准评估指标	NA
1873	2026-01-30	Correction: Deep learning neural networks-based traffic predictors for V2X communication networks 2025, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2025.1768205 PMID:41608033	correction	本文是对先前发表的一篇关于基于深度学习神经网络的V2X通信网络交通预测器的文章进行更正	NA	NA	NA	NA	machine learning	NA	NA	NA	NA	NA	NA	NA	NA	NA
1874	2026-01-30	Transformative Impact of Artificial Intelligence on Internal Medicine: Current Applications, Challenges, and Future Horizons for Urban Health 2025, Juntendo medical journal DOI:10.14789/ejmj.JMJ25-0019-R PMID:41608225	综述	本文全面概述了人工智能在内科医学中的扩展作用，重点关注其在城市健康背景下的应用、挑战与未来前景	批判性地审视了包括机器学习、深度学习和大型语言模型在内的关键技术，并探讨了基于电子健康记录的基础模型等新兴创新，特别强调了AI在城市医疗环境中应对资源有限和慢性病负担的变革潜力	许多技术仍处于研究或概念验证阶段，验证通常仅限于回顾性或对照试验环境	探讨人工智能在内科医学中的变革性影响，旨在改善患者预后和公共卫生	内科医学，特别是城市医疗环境中的诊断、治疗和患者管理	机器学习	慢性病	NA	机器学习, 深度学习, 大型语言模型	文本, 心电图, 胸部X光, 听诊数据	NA	NA	NA	NA	NA
1875	2026-01-30	Applications and prospects of artificial intelligence in the auxiliary diagnosis of pediatric pulmonary tuberculosis 2025, Frontiers in microbiology IF:4.0Q2 DOI:10.3389/fmicb.2025.1738926 PMID:41608688	综述	本文系统回顾了人工智能在儿童肺结核辅助诊断中的研究与应用现状，并探讨了未来的发展路径	聚焦于儿童肺结核这一研究不足的领域，提出构建跨机构多中心协作数据集和开展以临床疗效为中心的可解释性人工智能验证的未来方向	受限于儿童高质量数据稀缺、模型可解释性不足、缺乏外部验证以及临床转化路径不明确等瓶颈	探索人工智能在儿童肺结核“预防-诊断-治疗-管理”全链条管理中的应用发展路径	儿童肺结核	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1876	2026-01-30	Inferring Taxonomic Affinities and Genetic Distances Using Morphological Features Extracted from Specimen Images: A Case Study with a Bivalve Data Set 2024-11-29, Systematic biology IF:6.1Q1 DOI:10.1093/sysbio/syae042 PMID:39046773	研究论文	本研究探索使用深度学习从双壳类标本图像中推断分类学亲缘关系和遗传距离	结合监督分类和无监督相似性学习，利用图像数据推断生物关系，为缺乏分子数据的物种提供新方法	基于观察到的相关性进行细粒度重建（如姐妹类群关系）需要进一步工作	从标本图像中推断生物的分类学亲缘关系和遗传距离	双壳类（Bivalvia）标本图像，涵盖4144个物种、74个科	计算机视觉	NA	深度学习	CNN	图像	4144个物种的图像数据集	NA	NA	准确率	NA
1877	2026-01-30	Toward a Semi-Supervised Learning Approach to Phylogenetic Estimation 2024-10-30, Systematic biology IF:6.1Q1 DOI:10.1093/sysbio/syae029 PMID:38916476	研究论文	本文提出了一种结合随机模拟和深度学习的新方法，用于推断分子进化参数，无需已知系统发育树	开发了一种监督深度学习模型，直接分析多序列比对，估计位点特异性进化速率和分歧度，无需依赖已知系统发育树，并在复杂速率变异模式下超越了传统基于似然的方法	未明确说明模型在极端进化场景或非标准数据格式下的泛化能力，且依赖于模拟数据进行训练	改进系统发育推断，通过更灵活的速率变异模型提高参数估计和树重建的准确性	分子进化参数，包括位点特异性进化速率和序列分歧度	机器学习	NA	随机模拟，深度学习	深度学习模型	多序列比对数据	包含2600万核苷酸的小丑鱼支系数据集	NA	NA	准确性，分支长度估计精度	NA
1878	2026-01-30	Deep Deblurring in Teledermatology: Deep Learning Models Restore the Accuracy of Blurry Images' Classification 2024-09, Telemedicine journal and e-health : the official journal of the American Telemedicine Association DOI:10.1089/tmj.2023.0703 PMID:38934135	研究论文	本研究评估了深度学习去模糊模型在远程皮肤病学中恢复模糊图像诊断准确性的能力	首次系统评估了多种去模糊模型对皮肤病诊断模型性能的恢复效果，并比较了模型预测与皮肤科医生主观清晰度评分	研究使用的模糊图像数据集相对较小（54张公共数据集图像和53张医疗中心咨询照片），可能限制了结果的普适性	确定深度学习模型对模糊图像进行去模糊处理后，诊断准确性能够恢复的程度	皮肤病图像，包括23种皮肤病类别	计算机视觉	皮肤病	深度学习图像处理	深度学习模型	图像	19,191张皮肤图像（公共数据集）+ 54张模糊皮肤图像（公共数据集）+ 53张模糊皮肤病咨询照片（医疗中心）	NA	NA	灵敏度, 精确度, 清晰度评分（4点量表）	NA
1879	2026-01-30	Deep Learning and Likelihood Approaches for Viral Phylogeography Converge on the Same Answers Whether the Inference Model Is Right or Wrong 2024-05-27, Systematic biology IF:6.1Q1 DOI:10.1093/sysbio/syad074 PMID:38189575	研究论文	本文比较了基于深度学习的无似然推理方法与基于似然的贝叶斯推理方法在病毒系统地理学中的应用，发现两者在准确性和鲁棒性上表现相当，但深度学习方法在推理速度上快三个数量级	将深度学习无似然推理方法扩展到病毒系统地理学中，并与传统贝叶斯方法进行系统性比较，同时引入保形化分位数回归进行不确定性量化，展示了深度学习在模拟数据训练下能准确模拟生成模型的统计特性	研究基于模拟数据训练，可能受限于模拟模型的复杂性；在真实数据应用中仅测试了欧洲SARS-Cov-2案例，泛化能力需进一步验证；不确定性量化的精度较低（更保守）	比较深度学习无似然推理与基于似然的贝叶斯推理在病毒系统地理学中的性能，评估模型错误指定下的鲁棒性，并开发快速推理方法以支持疫情实时决策	病毒传播的系统发育树，特别是涉及5个地理位置的模拟疫情数据以及欧洲SARS-Cov-2疫情的真实数据	机器学习	NA	系统发育分析，模拟疫情数据生成	深度神经网络	系统发育树（树结构数据）	使用模拟疫情生成的系统发育树进行训练和测试，并应用了欧洲SARS-Cov-2疫情的真实数据	NA	深度神经网络（具体架构未指定）	准确性，鲁棒性，偏差，不确定性量化（与贝叶斯最高后验密度比较），推理速度	NA
1880	2026-01-30	Deep learning reveals disease-specific signatures of white matter pathology in tauopathies 2021-10-21, Acta neuropathologica communications IF:6.2Q1 DOI:10.1186/s40478-021-01271-x PMID:34674762	研究论文	本研究利用深度学习技术，从三种tau蛋白病（阿尔茨海默病、进行性核上性麻痹和皮质基底节变性）的脑组织切片中，识别出白质tau蛋白聚集体的疾病特异性形态学特征	首次采用数据驱动的机器学习方法，系统性地揭示了tau蛋白病中白质病理的疾病特异性形态学签名，挑战了传统神经病理学以皮质为中心的视角	样本量相对较小（49例），且仅分析了三种tau蛋白病，未来需要更大规模的研究来验证和扩展这些发现	识别tau蛋白病中白质tau蛋白聚集体的疾病特异性形态特征，以改进疾病分类和诊断	人类尸检脑组织（来自阿尔茨海默病、进行性核上性麻痹和皮质基底节变性患者）	数字病理学	tau蛋白病（包括阿尔茨海默病、进行性核上性麻痹、皮质基底节变性）	tau免疫染色、全切片成像	深度学习模型	图像（全切片病理图像）	49例人类尸检脑组织（16例阿尔茨海默病、13例皮质基底节变性、20例进行性核上性麻痹）	NA	NA	疾病分类准确性	NA