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	2026-01-07	Deep learning algorithms for timely diagnosis of retinopathy of prematurity requiring treatment 2026-Jan, Eye (London, England) DOI:10.1038/s41433-025-04096-3 PMID:41184508	研究论文	本研究评估了深度学习算法在利用远程医疗咨询系统提交的眼底图像诊断需要治疗的早产儿视网膜病变病例中的有效性	结合多种预处理技术（CLAHE、AMSR、ML）并比较多种CNN模型（MobileNet、ResNet-18、ResNet-50、DenseNet-121）在ROP诊断中的性能，发现MobileNet与CLAHE预处理组合在准确性和敏感性方面表现最佳	研究为回顾性横断面研究，样本量相对有限（141名早产儿的1700张图像），且需在更多样化的临床环境中进一步验证其实际适用性	评估深度学习算法在诊断需要治疗的早产儿视网膜病变病例中的有效性，以支持远程医疗环境下的实时筛查	141名接受ROP筛查的早产儿的1700张RetCam眼底图像	计算机视觉	早产儿视网膜病变	眼底成像	CNN	图像	141名早产儿的1700张RetCam眼底图像	NA	MobileNet, ResNet-18, ResNet-50, DenseNet-121	准确率, 敏感性, 特异性, F1分数	NA
1862	2026-01-07	Identification of potent high-affinity secondary nucleation inhibitors of Aβ42 aggregation from an ultra-large chemical library using deep docking 2026-Jan, Molecular systems biology IF:8.5Q1 DOI:10.1038/s44320-025-00159-5 PMID:41193694	研究论文	本研究开发了一种基于深度学习的计算管道，用于从超大型化学库中筛选Aβ42聚集的二级成核抑制剂	通过开源Deep Docking协议版本，将可筛选化合物数量提高了4个数量级，并成功识别出低纳摩尔级高亲和力结合剂	研究依赖计算筛选，需体外实验验证，且仅针对Aβ聚集的二级成核过程	开发计算策略以加速针对阿尔茨海默病Aβ聚集抑制剂的药物发现	Aβ肽的聚集过程及潜在抑制剂	机器学习	阿尔茨海默病	深度学习对接	深度学习模型	化学结构数据	超过5.39亿化合物库中筛选出35个候选化合物进行体外测试	NA	Deep Docking协议	命中率（54%），平衡解离常数	NA
1863	2025-11-24	Advancing personalised therapy in neovascular AMD through deep learning-based OCT biomarker quantification 2026-Jan, Eye (London, England) DOI:10.1038/s41433-025-04133-1 PMID:41274985	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1864	2026-01-07	Automated diagnosis of early-stage retinopathy of prematurity 2026-Jan, Eye (London, England) DOI:10.1038/s41433-025-04122-4 PMID:41286176	研究论文	本文开发了一种基于深度学习的自动化早产儿视网膜病变检测与分类流程，旨在通过视网膜图像实现早期诊断	结合U-Net进行血管和脊特征分割，并将分割结果叠加在sigmoid增强的视网膜图像上，使用ResNet50分类器进行ROP检测和分期，有效识别关键疾病特征	未明确提及数据集的多样性或外部验证结果，可能影响模型的泛化能力	开发自动化ROP检测和分类流程，以支持早期诊断和临床决策	早产儿的视网膜眼底图像	计算机视觉	早产儿视网膜病变	深度学习图像分析	CNN	图像	400 GB的视网膜眼底图像数据集	NA	U-Net, ResNet50	准确率	NA
1865	2026-01-07	Performance of Artificial Intelligence in Skin Cancer Detection: An Umbrella Review of Systematic Reviews and Meta-Analyses 2026-Jan, International journal of dermatology IF:3.5Q1 DOI:10.1111/ijd.17981 PMID:40745683	综述	本文通过伞状综述综合评估了人工智能模型在皮肤癌检测中的诊断性能	首次通过伞状综述整合多项系统评价和荟萃分析，全面比较了不同AI模型（如CNN、SVM）在多种皮肤癌类型和临床场景下的诊断准确性，并特别关注了AI在初级医疗环境中的应用潜力	纳入的荟萃分析存在异质性（如研究设计、数据来源、评估标准不同），且原始研究可能存在发表偏倚；AI模型在不同肤色人群和罕见皮肤癌类型中的泛化能力未充分评估	评估人工智能模型在皮肤癌检测中的诊断准确性，为其整合到常规临床实践提供证据支持	皮肤癌（包括黑色素瘤、鳞状细胞癌等）的检测与诊断	计算机视觉	皮肤癌	高光谱成像、智能手机图像采集	CNN, SVM, 机器学习模型	图像	基于11项荟萃分析，涵盖551项研究	NA	卷积神经网络, 支持向量机	灵敏度, 特异性, 准确度	NA
1866	2026-01-07	Prognostic value of red blood cell distribution width in traumatic brain injury: A mediation and deep learning analysis 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0339879 PMID:41481601	研究论文	本研究探讨了年龄、红细胞分布宽度与创伤性脑损伤患者短期死亡率之间的关联，并分析了RDW在年龄对死亡率影响中的中介作用	首次将红细胞分布宽度作为年龄与创伤性脑损伤死亡率关系的中介变量进行深入分析，并应用深度学习生存模型进行预测	研究为回顾性队列分析，可能存在选择偏倚；数据来源于单一数据库（MIMIC-IV），外部验证不足	评估年龄和红细胞分布宽度对创伤性脑损伤患者短期死亡率的预测价值及其相互作用机制	1203名ICU收治的创伤性脑损伤患者	机器学习	创伤性脑损伤	临床数据分析	深度学习生存模型	临床数据	1203名患者	NA	Deepsurv	C-index, IBS, AUC	NA
1867	2026-01-07	EFEN-YOLOv8: Surface defect detection network based on spatial feature capture and multi-level weighted attention 2026, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0339617 PMID:41481612	研究论文	本文提出了一种基于空间特征捕获和多级加权注意力的表面缺陷检测网络EFEN-YOLOv8，用于工业环境中的缺陷检测	引入了[公式：见文本]-FEIoU损失函数以同时处理缺陷-背景区分和正负样本不平衡问题，结合了浅层注意力卷积模块、大分离核注意力模块和加权空洞空间金字塔池化特征融合模块	未在摘要中明确说明	提高工业表面缺陷检测的准确性和效率	工业环境中的表面缺陷	计算机视觉	NA	深度学习	YOLOv8	图像	基于NEU-DET和GC10-DET数据集	NA	YOLOv8	mAP	NA
1868	2026-01-07	Multiscale Pancancer Analysis Uncovers Intrinsic Imaging and Molecular Characteristics Prominent in Breast Cancer and Glioblastoma 2026-Jan, British journal of cancer IF:6.4Q1 DOI:10.1038/s41416-025-03235-7 PMID:41094188	研究论文	本研究通过多参数MRI影像组学和深度学习模型，识别并验证了乳腺癌和胶质母细胞瘤中跨癌症类型的共同特征，这些特征在生存预测中优于癌症特异性特征	首次在泛癌分析中结合影像特征与分子特征，识别出跨癌症类型的共同影像表型，并验证其在生存预测中的优越性及生物学相关性	研究为回顾性设计，样本量相对有限，且仅聚焦于乳腺癌和胶质母细胞瘤两种癌症类型	探索跨癌症类型的影像和分子特征，以提升癌症预后预测及生物学理解	乳腺癌和胶质母细胞瘤患者	数字病理学	乳腺癌, 胶质母细胞瘤	多参数MRI, 影像组学, 深度学习, 通路分析	深度学习模型	MRI影像	793名患者（I-SPY1乳腺癌队列145例，Duke-UPenn胶质母细胞瘤队列452例，外部验证队列196例）	NA	NA	AUC	NA
1869	2026-01-07	Predicting pathological complete response to breast cancer neoadjuvant therapy using multi-combination machine learning models based on vision transformer features 2025-Dec-31, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-99496-6 PMID:41476106	研究论文	本研究利用基于Vision Transformer特征的多组合机器学习模型预测乳腺癌新辅助治疗后的病理完全缓解	首次将Vision Transformer特征与多组合机器学习模型结合用于乳腺癌新辅助治疗疗效预测，相比传统CNN特征（如ResNet50、VGG16）展现出更高的预测性能	回顾性研究设计，样本量较小（仅124例患者），缺乏外部验证队列	开发高精度的机器学习模型以预测乳腺癌新辅助治疗后的病理完全缓解	124例经活检病理确诊并在新辅助治疗后接受手术切除的乳腺癌患者	计算机视觉	乳腺癌	超声成像	Vision Transformer, CNN	图像	124例患者（训练队列87例，验证队列37例）	NA	Vision Transformer, ResNet50, VGG16	AUC	NA
1870	2026-01-07	MetaChrome: an open-source, user-friendly tool for automated metaphase chromosome analysis 2025-Dec-29, Methods (San Diego, Calif.) DOI:10.1016/j.ymeth.2025.12.013 PMID:41475630	研究论文	本文介绍了一款名为MetaChrome的开源软件平台，用于自动化中期染色体分析	开发了结合图形用户界面的开源软件，利用微调的深度学习模型自动化染色体分割和FISH信号共定位分析，相比传统图像处理方法提高了分割准确性	未明确说明软件在处理复杂染色体异常或低质量图像时的具体限制	开发自动化工具以解决中期染色体分析和DNA FISH信号共定位的挑战	中期染色体图像和DNA FISH信号	数字病理学	NA	DNA荧光原位杂交（DNA FISH），高通量成像（HTI）	深度学习模型	图像	NA	NA	Cellpose	分割准确性	NA
1871	2026-01-07	Deep learning based treatment remission prediction to transcranial direct current stimulation in bipolar depression using EEG power spectral density 2025-Dec-22, Psychiatry research. Neuroimaging DOI:10.1016/j.pscychresns.2025.112115 PMID:41478240	研究论文	本研究利用深度学习模型，基于治疗前脑电图信号预测双相情感障碍患者在接受经颅直流电刺激治疗后的临床缓解情况	首次将混合1DCNN和GRU模型应用于脑电图功率谱密度数据，以预测双相抑郁患者对经颅直流电刺激治疗的缓解反应	样本量较小（仅21名参与者），且仅使用了特定电极（AF7和TP10）的频带数据，可能限制了模型的泛化能力	预测双相情感障碍患者对经颅直流电刺激治疗的临床缓解情况	双相情感障碍患者	机器学习	双相情感障碍	脑电图	1DCNN, GRU	脑电图信号	21名双相情感障碍参与者	NA	混合1DCNN和GRU模型	准确率, 灵敏度, 特异度	NA
1872	2026-01-07	Interpretable deep learning for multicenter gastric cancer T staging from CT images 2025-Dec-20, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-025-02002-5 PMID:41422179	研究论文	开发了一个名为GTRNet的可解释深度学习框架，用于从CT图像中自动进行胃癌T分期	提出了一个无需手动分割或标注、可直接从常规CT图像进行T1-T4分期分类的端到端可解释深度学习框架，并结合临床特征构建了具有更高临床净获益的列线图	研究为回顾性设计，可能存在选择偏倚；模型在更广泛人群中的泛化能力仍需进一步验证	开发自动化、可解释的深度学习工具以标准化基于CT的胃癌术前T分期	胃癌患者的CT图像	计算机视觉	胃癌	CT成像	深度学习	图像	1792名患者（回顾性多中心研究）	未明确说明	GTRNet（具体架构未详细说明）	AUC, 准确率	未明确说明
1873	2026-01-07	Intersection of Big Five Personality Traits and Substance Use on Social Media Discourse: AI-Powered Observational Study 2025-Dec-19, Journal of medical Internet research IF:5.8Q1 DOI:10.2196/79454 PMID:41418319	研究论文	本研究利用AI技术分析社交媒体话语，探讨大五人格特质与物质使用之间的关联及其在疫情期间的变化	首次通过大规模数字话语数据揭示神经质作为物质使用保护因子的反直觉发现，挑战了传统的自我治疗假说	研究基于公开社交媒体帖子，可能存在选择偏差，且无法完全控制混杂因素	评估大五人格特质与物质使用话语在2019-2021年间的关联变化，并分析这些特质如何预测物质使用及其与特定物质类型、情感表达和人口因素的关系	数亿条来自主要社交媒体平台的公开帖子（2019-2021年）	自然语言处理	物质使用障碍	自然语言处理，深度学习	深度学习模型	文本	数亿条社交媒体帖子	NA	NA	比值比，95%置信区间，Cohen's d	NA
1874	2026-01-07	Vision and convolutional transformers for Alzheimer's disease diagnosis: a systematic review of architectures, multimodal fusion and critical gaps 2025-Dec-17, Brain informatics DOI:10.1186/s40708-025-00286-7 PMID:41405782	系统综述	本文系统综述了使用Vision Transformers和Convolutional Vision Transformers进行阿尔茨海默病诊断的研究，分析了架构、多模态融合及关键研究空白	引入了新颖的分类法，按模型架构、数据模态、融合策略和诊断目标对研究进行系统分类，并前瞻性地分析了大型视觉模型	研究主要关注2021-2025年的文献，可能未涵盖更早的研究；且指出算法可重复性存在广泛挑战	系统分析Vision Transformers和Convolutional Vision Transformers在阿尔茨海默病诊断中的应用，识别趋势与关键研究空白	从Scopus、Web of Science、ScienceDirect、IEEE Xplore和PubMed数据库中筛选的68项研究（源自564篇出版物）	计算机视觉	阿尔茨海默病	深度学习	Vision Transformer, Convolutional Vision Transformer	多模态数据	NA	NA	Vision Transformer, Convolutional Vision Transformer	NA	NA
1875	2026-01-07	Multimodal Motion Capture Toolbox for Enhanced Analysis of Intersegmental Coordination in Children with Cerebral Palsy and Typically Developing 2025-Dec-16, Journal of visualized experiments : JoVE DOI:10.3791/69604 PMID:41490048	研究论文	本文开发了一个多模态运动捕捉工具箱，用于增强对脑瘫儿童和典型发育儿童节段间协调性的分析	结合了多种运动捕捉技术（包括研究级运动学设备、运动学集群、惯性测量单元、三维无标记系统和基于MediaPipe的二维无标记系统），并提出了一个开源方法，以解决传统标记系统对神经残疾儿童（如脑瘫）的挑战	研究样本量较小（仅包括两名典型发育儿童和两名脑瘫儿童），可能限制结果的普遍性	探索成本效益高的替代方案，以传统光学系统分析运动模式，特别是针对脑瘫儿童的节段间协调性	儿童（包括典型发育儿童和脑瘫儿童）	计算机视觉	脑瘫	三维标记运动捕捉系统、二维无标记运动捕捉系统（使用MediaPipe）、深度学习人体姿态估计	NA	视频、运动学数据	四名儿童（两名典型发育，两名脑瘫）	MediaPipe	NA	NA	NA
1876	2026-01-07	Cutting-edge bayesian deep learning and statistical strategies for bias mitigation in COVID-19 detection via chest x-ray imaging 2025-Dec-14, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-28723-x PMID:41392298	研究论文	本文提出了一种多阶段贝叶斯深度学习框架，用于通过胸部X光图像进行COVID-19检测和严重程度分级，并缓解偏差和噪声问题	结合肺部分割、分割引导分类、校准集成和不确定性估计的多阶段贝叶斯深度学习框架，用于COVID-19分类和严重程度分级	数据集规模有限，缺乏外部多站点验证	开发一个鲁棒的深度学习框架，用于COVID-19检测和严重程度分级，同时缓解偏差、标签噪声和域偏移问题	胸部X光图像	计算机视觉	COVID-19	胸部X光成像	贝叶斯深度学习	图像	1,531张胸部X光图像（来自70名患者的100张COVID-19图像和来自ChestX-ray14的1,431张非COVID图像）	NA	NA	准确率, 敏感性, AUC	NA
1877	2026-01-07	Predicting critical crack propagation length in sustainable additive-enhanced concrete using explainable machine learning 2025-Dec-13, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31900-7 PMID:41390865	研究论文	本文提出了一种可解释的机器学习框架，用于预测可持续添加剂增强混凝土的临界裂纹扩展长度	首次将神经正切核高斯过程模型应用于断裂力学领域，并结合可解释性分析和不确定性量化	未提及	提高可持续添加剂增强混凝土临界裂纹扩展长度的预测准确性和计算效率	可持续添加剂增强混凝土样本	机器学习	NA	实验测试	集成学习, 核方法, 深度学习	结构化数据	800个SAEC样本	NA	神经正切核高斯过程	R, RMSE, MAPE, VAF	NA
1878	2026-01-07	Biologically-informed integration of drug representations for breast cancer treatment using deep learning 2025-Dec-11, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-66384-6 PMID:41381442	研究论文	本研究开发了一个名为GDnet的可解释深度学习模型，通过整合药物表征和肿瘤转录组数据来预测乳腺癌患者对新辅助疗法的反应，并辅助选择最佳治疗策略	提出了一个整合药物生物学表征和肿瘤转录组数据的深度学习模型，能够显著提高治疗反应预测的准确性，并可作为数字药物测试替代品优化治疗决策	研究基于回顾性数据集，需要在更多前瞻性临床试验中进行验证；模型在多种癌症类型和治疗场景中的泛化能力有待进一步评估	开发一个深度学习模型来预测乳腺癌患者对新辅助疗法的反应，并优化个性化治疗策略选择	乳腺癌患者，特别是接受新辅助治疗的患者	数字病理学	乳腺癌	转录组测序	深度学习	转录组数据，药物表征数据	来自31个数据集的4371名符合条件的患者	NA	GDnet	病理完全缓解率，比值比	NA
1879	2026-01-07	A personalized automated system of 3D facial soft tissue landmarks annotation based on deep learning and computer vision 2025-Dec-10, BMC oral health IF:2.6Q1 DOI:10.1186/s12903-025-07448-3 PMID:41372865	研究论文	本研究开发了一种基于深度学习和计算机视觉的个性化自动化系统，用于标注三维面部软组织标志点，并通过与手动标注对比评估其准确性和临床适用性	通过标准化面部模板构建、三维面部非线性配准和个性化关键点转移，实现了一次性个性化标注标准模板并自动批量映射到多个面部扫描模型，针对严重错颌畸形构建了畸形特异性个性化模板	样本量相对较小（55名患者），且主要针对中国正畸患者，可能限制了结果的普适性	开发并评估一个用于三维面部软组织标志点自动化标注的个性化系统，以提高面部形态学研究的效率和精度	55名中国正畸患者（包括40名正常面部形态和15名严重颅面畸形患者）	计算机视觉	错颌畸形	三维面部扫描	深度学习	三维图像	55名患者（24名男性，31名女性；平均年龄23.4±7.01岁）	NA	NA	平均欧几里得距离, 比例分析, 线性测量误差, 角度测量误差	NA
1880	2026-01-07	Time-Lapse Deep Learning for Single-Cell Subcellular Structural Phenotypic Antimicrobial Susceptibility Testing 2025-Dec-09, Analytical chemistry IF:6.7Q1 DOI:10.1021/acs.analchem.5c04676 PMID:41283773	研究论文	本研究开发了一种结合结构光照明显微镜成像与深度学习的快速表型抗菌药物敏感性测试平台，用于评估抗生素处理后细菌的亚细胞表型	首次将结构光照明显微镜成像与深度学习相结合，在亚细胞水平进行快速表型AST，无需培养要求，并能在抗生素浓度接近最低抑菌浓度时进行单细胞分析，揭示传统方法掩盖的异质性	NA	开发一种快速、准确的表型抗菌药物敏感性测试方法，以减少培养时间并提高检测分辨率	细菌（包括大肠杆菌、肺炎克雷伯菌和BCG）	计算机视觉	NA	结构光照明显微镜成像	深度学习	图像	NA	NA	C3D, DenseNet-121, MobileNet-V2, MobileNet-V3 Large, ResNet-50, ResNet-101, MobileNet-V3 Small	准确率	NA