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
1881	2026-06-29	A multi-task deep learning and radiomics framework for fetal anatomical structure detection and classification in ultrasound imaging 2026-Mar-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-41635-8 PMID:41772028	研究论文	提出基于多任务深度学习和影像组学的框架，用于检测和分类早孕期超声图像中的胎儿解剖结构	融合YOLOv11和Swin Transformer进行目标检测，结合影像组学和深度学习特征，使用TabTransformer分类器，实现高精度、高稳定性的胎儿结构自动分析	未明确提及局限性，但可能受限于回顾性数据、特定胎龄范围（11-14周）和仅针对脑部及颅面结构	开发综合的多任务深度学习与影像组学流程，提高胎儿超声图像中关键解剖结构的检测和分类准确性与可重复性	9个医疗中心收集的4532例早孕期（11-14周）胎儿超声扫描图像	计算机视觉, 数字病理学	胎儿结构异常（早期筛查）	超声成像	Swin Transformer, YOLOv11, TabTransformer	图像	4532例胎儿超声扫描（9个医疗中心）	PyTorch	Swin Transformer, YOLOv11, TabTransformer	准确率, AUC, 敏感度, IoU, F1分数	NA
1882	2026-06-29	Brain Health from Sleep EEG: A Multicohort, Deep Learning Biomarker for Cognition, Disease, and Mortality 2026-Mar, NEJM AI DOI:10.1056/aioa2500487 PMID:41953210	研究论文	基于睡眠脑电图的多队列深度学习生物标志物，用于评估认知、疾病和死亡率	首次利用端到端的多任务深度学习框架从睡眠脑电图学习脑健康潜在表征，并将其浓缩为单一分数，同时预测认知、疾病和死亡率	未在独立外部队列中验证，且未考虑其他模态数据（如影像）的整合	开发一种基于睡眠脑电图的可解释深度学习生物标志物，用于评估脑健康	来自六个队列的27,000名受试者的36,000次多导睡眠图记录	机器学习	老年疾病	NA	多任务深度神经网络	脑电图信号（一维时间序列或二维时频谱图）	27,000名受试者，36,000次多导睡眠图记录	PyTorch	多任务深度神经网络	相关系数, AUC, 风险比	NA
1883	2026-06-29	Image-based epigenetic profiling with deep learning and high-speed super-resolution microscopy 2026-Feb-28, Epigenetics & chromatin IF:4.2Q1 DOI:10.1186/s13072-026-00662-5 PMID:41764479	研究论文	结合高速超分辨率显微镜与深度学习进行基于成像的表观遗传学分析	首次将高速超分辨率显微镜与深度学习结合，实现单细胞核内表观遗传状态的空间分辨成像分析	未提及	开发一种基于成像的表观遗传学分析框架，用于识别染色质改变	HEK293T细胞中组蛋白去乙酰化酶抑制模型及携带MECP2突变的Rett综合征iPS细胞	数字病理学	Rett综合征	高速超分辨率显微镜、深度学习	深度学习模型	图像	未提及具体样本量	NA	NA	准确率	NA
1884	2026-06-29	Development and evaluation of a multistage transfer learning framework for robust medical image analysis 2026-Feb-28, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-42157-z PMID:41764249	研究论文	开发并评估一种多阶段迁移学习框架，旨在提高医学图像分析的域适应性和诊断性能	引入基于细胞系显微图像的中间预训练阶段，填补ImageNet预训练与下游医学成像任务之间的领域鸿沟	NA	改善医学图像分析中深度学习模型的域适应性和泛化能力	乳腺X线图像、超声图像和X光图像	计算机视觉	NA	NA	卷积神经网络、视觉Transformer	图像	NA	NA	ViTB-16	准确率、皮尔逊相关系数	NA
1885	2026-06-29	Clinically interpretable deep learning for pediatric dental age estimation with explainable AI 2026-Feb-26, BMC oral health IF:2.6Q1 DOI:10.1186/s12903-026-07961-z PMID:41742153	研究论文	利用可解释人工智能（XAI）的深度学习模型，从儿科口腔全景X光片中实现年龄估计，并验证其临床可解释性	首次将中位数集成深度学习策略和可解释AI热力图应用于儿科牙龄估计，提升预测精度并揭示模型关注的年龄相关解剖区域	研究仅覆盖5-15岁儿童，未评估其他年龄组或口腔病理状态下的泛化能力	开发一种快速、客观且可解释的儿科牙龄估计方法，用于法医学和临床牙科	5-15岁儿科患者的数字口腔全景X光片（OPG）	计算机视觉	无特定疾病	数字X线摄影（OPG）	CNN（卷积神经网络）	医学图像（X光片）	未明确说明样本数量，仅提及年龄范围5-15岁	NA	ConvNeXt-Tiny, ResNet-50, EfficientNet-B0, DenseNet-121, Xception	MAE, RMSE, R²	NA
1886	2026-06-29	Automated detection of fetal vascular malperfusion via data augmentation and algorithm improvement 2026-Feb-25, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-39942-1 PMID:41741566	研究论文	提出一种基于数据扩增和深度学习模型改进的联合分析策略，用于自动检测胎儿血管灌注不良	结合MONAI数据扩增和嵌入LocalWindow注意力机制改进YOLOv11模型，实现FVM组织病理图像的自动检测，性能显著提升	未提及	解决FVM人工诊断主观性强、效率低的问题，开发智能诊断工具	胎儿血管灌注不良（FVM）组织病理图像	数字病理学	胎儿血管灌注不良	组织病理图像分析	YOLOv11	图像	NA	MONAI	YOLOv11, LocalWindow注意力机制	F1分数, mAP50, mAP50-95	NA
1887	2026-06-29	A dual-center study: multimodal fusion-based deep learning approach for pathological subtype prediction of type I and type II ovarian cancer 2026-02-24, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-026-02231-4 PMID:41731442	研究论文	开发一种多模态融合深度学习框架，整合增强CT、非增强CT、经阴道超声和临床数据，预测上皮性卵巢癌的I型和II型病理亚型	首次提出多模态影像融合深度学习模型USECNC，整合增强CT、非增强CT和超声三种影像模态，并通过交叉注意力机制实现特征融合，同时结合临床数据进行决策层融合，实现病理亚型预测	样本量较小（240例），且为回顾性研究，可能存在选择偏倚	开发多模态深度学习模型以准确预测上皮性卵巢癌的WHO I型和II型病理分类，辅助制定个性化治疗策略	上皮性卵巢癌患者	计算机视觉, 数字病理学	卵巢癌	CT成像, 超声成像	深度学习融合模型, ResNet-50	图像, 临床数据	240例回顾性患者（内部验证），17例外部验证患者	PyTorch	ResNet-50, 交叉注意力机制	AUC, ACC	NA
1888	2026-06-29	Deep learning-based image segmentation for predicting hot carcass weight in tropical beef cattle 2026-Feb-24, Tropical animal health and production IF:1.7Q2 DOI:10.1007/s11250-026-04920-2 PMID:41735708	研究论文	开发并验证一种基于深度学习的管道，用于热带肉牛半胴体的自动分割和热胴体重量预测	将YOLOv11分割与LASSO回归相结合，实现从图像中自动预测胴体重，为肉牛胴体评估提供了一种实用且可扩展的解决方案	数据集规模有限，仅包含598张图像；模型可能受屠宰场条件差异影响；未验证模型在不同牛种或环境中的泛化能力	开发自动化的胴体分割和热胴体重量预测方法，提升肉牛加工行业的效率	热带肉牛的半胴体RGB图像	计算机视觉	NA	RGB图像采集	YOLOv11	图像	598张肉牛半胴体RGB图像	PyTorch	YOLOv11	IoU, Precision, R², MAPE	NA
1889	2026-06-29	Leveraging learned representations and multitask learning for lysine methylation site discovery 2026-Feb-23, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-39136-9 PMID:41730965	研究论文	利用深度学习和多任务学习技术预测赖氨酸甲基化位点，并验证新位点	首次采用基于Transformer的模型进行赖氨酸甲基化位点预测，并利用多任务学习整合其他赖氨酸翻译后修饰信息，实现准确性显著提升	模型预测的甲基化位点仍基于计算，需实验验证；对非组蛋白底物的甲基化功能理解有限	识别赖氨酸甲基化位点，完善赖氨酸甲基化图谱以促进药物靶点发现	赖氨酸甲基化位点（包括组蛋白和非组蛋白）	机器学习	癌症	NGS（平行反应监测质谱）	Transformer	序列数据	约155,000个赖氨酸甲基化位点预测，其中68个通过实验验证	PyTorch	Transformer	敏感性	NA
1890	2026-06-29	A multimodal feature fusion with deep representation learning approach for polycystic ovary syndrome diagnosis using ultrasound images 2026-Feb-20, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-40718-w PMID:41721030	研究论文	提出一种多模态特征融合与深度表示学习方法，用于基于超声图像的多囊卵巢综合征诊断	融合多种预训练深度学习模型（InceptionResNetv2、EfficientNetV2B3、VGG16、ResNet-50、Inception-V3）进行特征提取，并采用正则化堆叠自编码器进行分类，实现高准确率诊断	未讨论模型在更大规模、多中心数据集上的泛化能力，以及计算资源的消耗情况	开发一种精确的基于超声图像的PCOS诊断模型，实现早期自动诊断	超声图像中的卵巢特征（卵泡计数、体积等）	计算机视觉	多囊卵巢综合征	超声成像	深度集成模型（CNN + 正则化堆叠自编码器）	图像	PCOS数据集（具体数量未提及）	NA	InceptionResNetv2, EfficientNetV2B3, VGG16, ResNet-50, Inception-V3, 正则化堆叠自编码器	准确率	NA
1891	2026-06-29	TrustNet: a lightweight network with integrated uncertainty quantification and quantitative explainable AI for ischemic stroke detection in CT images 2026-Feb-19, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-37169-8 PMID:41714698	研究论文	提出一种轻量级网络TrustNet，集成不确定性量化和可解释人工智能方法用于CT图像中缺血性卒中检测	首次在轻量级CNN中结合蒙特卡洛dropout和定量Grad-CAM，同时实现不确定性量化和可解释性，显著提升临床可接受性	未提及	开发兼具高性能、不确定性量化和可解释性的轻量级深度学习模型，用于CT图像缺血性卒中诊断	脑CT扫描图像中的缺血性卒中病变	计算机视觉	缺血性卒中	CT成像	卷积神经网络	图像	2023例脑CT扫描样本	未提及	轻量级CNN	准确率, 特异度, 敏感度, 精确率	未提及
1892	2026-06-29	A hybrid deep learning framework using convolutional and transformer models for robust plant disease classification 2026-Feb-18, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-38209-z PMID:41708692	research paper	提出一种混合深度学习框架，结合卷积模型和Transformer模型，用于稳健的植物病害分类	针对CNN和Transformer的各自局限，提出融合EfficientNet-B7和Vision Transformer（ViT-B16）的混合框架，有效结合局部特征提取和全局上下文建模	NA（摘要未明确提及研究局限性）	实现高精度的多类植物病害自动分类，辅助精准农业中的智能决策支持系统	植物叶片图像中的病害与健康样本	computer vision	植物病害（包括多类）	NA	CNN, Vision Transformer, YOLO, SVM, Random Forest	image	21,534 张图像，涵盖38个类别（植物病害与健康样本）	NA	EfficientNet-B7, Vision Transformer (ViT-B16)	accuracy, precision, recall, F1-score	NA
1893	2026-06-29	From Tissue Architecture To Genetic Signature: Artificial intelligence-based Analysis of Reticulin Framework and Clinical Variables Predicts Molecular Cluster in Paragangliomas 2026-Feb-18, Endocrine pathology IF:11.3Q1 DOI:10.1007/s12022-026-09904-4 PMID:41706251	研究论文	利用人工智能分析副神经节瘤中网状蛋白框架与临床变量，预测分子分型	首次系统评估网状蛋白框架作为分子背景的形态结构替代标志物，并引入深度学习模型进行空间定量分析和基因型预测	样本量相对较小（104例），且为回顾性研究，需要外部验证	评估网状蛋白框架作为副神经节瘤分子分型的形态学结构替代标志物，并开发深度学习模型进行基因型预测	104例肾上腺和肾上腺外副神经节瘤的临床、病理和遗传数据	数字病理学	副神经节瘤	网状蛋白染色	卷积神经网络	全切片图像	104例副神经节瘤病例	NA	卷积神经网络	AUC	NA
1894	2026-06-29	WaveNet's Precision in iEEG Classification 2026-Feb-16, Neuroinformatics IF:2.7Q3 DOI:10.1007/s12021-026-09771-8 PMID:41697466	研究论文	本研究引入了一种基于WaveNet的深度学习模型，用于自动化分类颅内脑电图信号，包括生理活动、病理/癫痫活动、电源噪声及其他非大脑伪影类别	首次将原本用于原始音频合成的WaveNet架构应用于颅内脑电图信号分类，利用扩张因果卷积和残差连接捕获信号中精细和长时程的时间依赖关系，在分类精度上超越传统非专业CNN和LSTM方法	模型在分布内表现强劲，但跨数据集和临床场景的泛化能力尚未得到验证	开发自动化颅内脑电图信号分类的深度学习方法，以应对传统专家视觉评审在处理日益复杂和大量记录时的不实用性	颅内脑电图信号，分类为生理活动、病理/癫痫活动、电源噪声及其他非大脑伪影	机器学习	癫痫	颅内脑电图记录	WaveNet	时间序列信号	209,231个样本	NA	WaveNet	准确率、精确率、召回率、F1分数	NA
1895	2026-06-29	Determining risk factors predicting miscarriage among couples undergoing assisted reproductive treatment: a systematic review 2026-Feb-16, BMC pregnancy and childbirth IF:2.8Q1 DOI:10.1186/s12884-026-08819-6 PMID:41699523	系统综述	系统综述了辅助生殖技术中流产的风险因素，并将其分类为基础特征、临床特征和治疗特征	首次系统性地将辅助生殖技术中流产风险因素分为三大类，并强调了未来利用人工智能预测流产的潜力	仅纳入17项研究，且未进行定量荟萃分析，结果以描述性分析为主	识别和分类辅助生殖技术中与流产相关的风险因素	接受辅助生殖治疗的夫妇	机器学习	流产	NA	NA	NA	17项研究	NA	NA	NA	NA
1896	2026-06-29	Lightweight scalable deep learning framework for real time detection of potato leaf diseases 2026-Feb-13, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-33423-7 PMID:41688475	研究论文	开发了一种增强型单发多框检测器（EF-SSD），用于实时检测马铃薯叶片病害	结合多尺度特征融合和压缩激励（SE）注意力机制，在高分辨率图像上以十种放大级别检测微小的感染迹象	未提及局限性	实现叶片病害的实时精准检测，支持智慧农业和早期作物病害管理	马铃薯叶片图像，包括健康植株以及早疫病和晚疫病样本	计算机视觉	马铃薯叶片病害	NA	卷积神经网络（基于SSD的变体）	图像	2,500张标注马铃薯叶片图像	NA	SSD, 多尺度特征融合, 压缩激励模块	平均精度（mAP）, F1分数, 交并比（IoU）, 帧率（FPS）	NA
1897	2026-06-29	AI-driven nanomedicine for cancer theranostics 2026-Feb-13, Molecular cancer IF:27.7Q1 DOI:10.1186/s12943-025-02563-9 PMID:41680778	综述	综述人工智能驱动纳米医学在癌症诊疗一体化中的应用现状与未来发展	聚焦于直接改善诊疗决策的AI方法，并通过任务-数据-方法-指标框架提供可重复的证据，而非泛泛概述纳米医学	面临纳米毒性、AI可解释性、数据限制和监管问题等主要困难，同时涉及伦理困境	探讨AI在癌症诊疗一体化纳米颗粒中的应用现状与未来发展方向	用于癌症诊疗一体化的纳米材料（脂质体、金纳米颗粒、氧化铁纳米颗粒、量子点）及AI方法（机器学习、深度学习、强化学习、生成模型）	机器学习	癌症	NA	机器学习、深度学习、强化学习、生成模型	NA	NA	NA	NA	NA	NA
1898	2026-06-29	Discerning clinical target volume of endometrial cancer via a lightweight multi-phase delineation framework 2026-Feb-12, Radiation oncology (London, England) DOI:10.1186/s13014-026-02800-5 PMID:41680891	研究论文	提出了一种轻量级多期相勾画框架，用于子宫内膜癌临床靶体积的精确分割	创新点包括提出了NCLNet轻量级网络结构，融合非增强CT和增强CT特征，并引入边界感知多期相学习策略以及新的轮廓Dice相似系数（CDSC）评估指标	未提及具体局限性	建立一种使用多期相CT进行子宫内膜癌临床靶体积自动勾画的新方法	175例接受术后盆腔放疗的子宫内膜癌患者的多期相CT图像，包括增强CT和非增强CT	数字病理学	子宫内膜癌	CT成像	深度学习模型（NCLNet）	图像（CT图像）	175例患者的盆腔放疗后多期相CT图像	NA	NCLNet	Dice相似系数（DSC）、平均对称表面距离（ASSD）、轮廓Dice相似系数（CDSC）、修改时间和修改体积百分比	NA
1899	2026-06-29	UniChrom: a universal deep learning architecture for cross-scale chromatin interaction prediction 2026-Feb-10, BMC genomics IF:3.5Q2 DOI:10.1186/s12864-026-12625-x PMID:41663926	研究论文	开发了一个名为UniChrom的通用深度学习框架，通过基于注意力机制的神经网络整合DNA序列和表观基因组特征，预测染色质相互作用	提出跨尺度染色质相互作用预测的通用框架，结合注意力机制整合多源特征，实现跨细胞系及跨谱系的泛化能力，并通过可解释性分析识别关键调控因子	NA	开发能够跨细胞类型预测染色质相互作用的通用计算方法，以理解基因调控和基因组组织	人类淋巴母细胞、白血病细胞、成纤维细胞及内皮细胞等细胞系中的染色质相互作用	机器学习	NA	NA	深度神经网络（基于注意力机制）	DNA序列和表观基因组特征	人类淋巴母细胞、白血病细胞、成纤维细胞和内皮细胞等多种细胞系	NA	NA	AUC	NA
1900	2026-06-29	Benchmarking imputation strategies for missing time-series data in critical care using real-world-inspired scenarios 2026-Feb-10, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-026-39035-z PMID:41667568	研究论文	本研究在重症监护时间序列分析中，基于真实世界缺失模式对多种插补策略进行基准测试	设计了反映ICU数据库中缺失模式的掩码场景，逼近真实条件，揭示了插补方法和缺失场景对结论的依赖性	需要进一步分析在临床现实场景下的下游影响，并根据变量类型采用定制化插补策略	评估和比较多种时间序列插补策略在重症监护缺失数据场景下的性能	重症监护（ICU）时间序列数据，特别是MIMIC-IV数据库中的监测数据	机器学习	NA	NA	Transformer, RNN, GAN, VAE	时间序列数据	MIMIC-IV数据库中的监测数据，具体样本量未提及	NA	Transformer, RNN, GAN, VAE, MICE, MissForest	插补误差估计（如平均绝对误差、均方根误差等，具体指标未提及）	NA