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
1941	2026-01-06	Diffusion-MRI-Based Estimation of Cortical Architecture via Machine Learning (DECAM) in Primate Brains 2026-Jan-04, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202512752 PMID:41486548	研究论文	本文提出了一种名为DECAM的基于扩散MRI和机器学习的框架，用于非侵入性地估计灵长类动物大脑的皮质细胞结构	DECAM框架通过创新的最佳响应约束优化深度学习模型，并开发了皮质标签向量以解决复杂形态下dMRI与组织学数据配准不准的问题，实现了高保真、可重复的全脑神经元胞体密度映射	当前研究主要基于非人类灵长类动物数据，尚未在人类大脑中全面验证；框架虽可扩展至其他神经病理学指标，但具体应用仍需进一步开发	开发一种非侵入性方法，利用扩散MRI和机器学习准确估计大脑皮质细胞结构，以促进转化应用	灵长类动物（非人类灵长类）的大脑	机器学习	NA	扩散MRI（dMRI），组织学	深度学习	图像（扩散MRI图像，组织学图像）	NA	NA	NA	NA	NA
1942	2026-01-06	Development of a Prediction Model for Progression Risk in High-Grade Gliomas Based on Habitat Radiomics and Pathomics 2026-Jan-04, Annals of clinical and translational neurology IF:4.4Q1 DOI:10.1002/acn3.70304 PMID:41486586	研究论文	本研究基于栖息地影像组学和病理组学构建了预测高级别胶质瘤进展风险的模型	首次将栖息地影像组学与病理组学特征相结合，构建了用于预测高级别胶质瘤进展风险的联合模型	研究为回顾性分析，样本量较小（72例），需要更大规模的前瞻性研究进行验证	开发预测高级别胶质瘤进展风险的预测模型	高级别胶质瘤患者	数字病理学	胶质瘤	磁共振成像，全切片成像	深度学习	图像	72例患者（训练集52例，测试集20例）	NA	多种网络架构	C-index，AUC	NA
1943	2026-01-06	High-Conductivity Electrolytes Screened Using Fragment- and Composition-Aware Deep Learning 2026-Jan-04, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202521575 PMID:41486708	研究论文	本文介绍了一种用于筛选高电导率电解质的深度学习框架，该框架通过整合分子间和分子内属性，实现了对锂离子电池电解质配方的准确且可解释的电导率预测	提出了一个集成了溶剂间分子归因和功能单元分子内归因的深度学习框架，构建了层次化表示，将配方分解为分子及其功能单元，同时整合比例、物理化学描述符和盐身份，以生成混合物不变的嵌入，用于准确且可解释的电导率预测	未明确提及具体的数据集规模限制或模型泛化能力的边界条件	开发一种数据驱动的、可解释的电解质设计方法，以加速高性能电池电解质的筛选	锂离子电池电解质配方，包括锂盐和有机溶剂的混合物	机器学习	NA	深度学习	深度学习框架	化学配方数据，包括分子结构、比例和物理化学描述符	NA	NA	NA	预测离子电导率的准确性	NA
1944	2026-01-06	Deep Learning Integration in Optical Microscopy: Advancements and Applications 2026-Jan-04, Microscopy research and technique IF:2.0Q3 DOI:10.1002/jemt.70112 PMID:41486782	综述	本文探讨了深度学习在光学显微镜中的集成应用，重点关注图像分类、分割和计算重建等关键领域	系统性地综述了深度学习如何解决光学显微镜的传统挑战，如光学像差、衍射极限分辨率和低信噪比，并强调了其在提高图像质量、减少人工干预和降低领域专业知识依赖方面的创新作用	需要大量标注数据集、动态样本变异性、模型可解释性不足以及潜在的数据偏差	探索深度学习在光学显微镜中的应用，以提升图像处理和分析能力	光学显微镜图像数据	计算机视觉	NA	光学显微镜	CNN, U-Net, ResNet, GAN	图像	NA	NA	卷积神经网络, U-Net, 残差网络, 生成对抗网络	NA	NA
1945	2026-01-06	Deep learning-based image reconstruction best contributes to image quality enhancement under close expert supervision 2026-Jan-03, Diagnostic and interventional imaging IF:4.9Q1 DOI:10.1016/j.diii.2025.12.006 PMID:41486036	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1946	2026-01-06	Voxel-based correction of CT attenuations for accurate quantification of coronary artery calcification in low tube voltage scans with deep learning reconstruction 2026-Jan-03, Journal of cardiovascular computed tomography IF:5.5Q1 DOI:10.1016/j.jcct.2025.12.008 PMID:41486057	研究论文	本研究提出了一种基于体素的CT衰减校正方法，用于在低管电压扫描结合深度学习重建下准确量化冠状动脉钙化	提出了一种基于体素的CT衰减校正方法，通过体模扫描建立线性回归模型，将低管电压扫描的CT衰减映射到标准协议，从而有效校正低管电压协议在冠状动脉钙化评估中引入的高估偏差	研究仅针对特定扫描协议（80 kVp与DLIR）和特定患者群体，未探讨其他低剂量协议或不同重建算法的影响，且校正公式依赖于体模数据，可能在不同设备或设置下需要重新校准	开发一种校正方法，以在低管电压扫描结合深度学习重建的临床实践中实现准确的冠状动脉钙化评估和风险分层	体模扫描（包含各种插入物）和转诊进行冠状动脉钙化评分的患者	医学影像分析	心血管疾病	CT扫描、深度学习图像重建	线性回归模型	CT图像	190名患者	NA	NA	CT衰减、标准差、信噪比、钙化体积、等效质量、Agatston评分、风险分层误分类率	NA
1947	2026-01-06	Sex estimation from human calvarial bone photographs with deep learning approach 2026-Jan-02, Journal of forensic and legal medicine IF:1.2Q3 DOI:10.1016/j.jflm.2026.103070 PMID:41485422	研究论文	本研究利用深度学习模型基于颅盖骨照片进行性别估计	首次直接使用颅盖骨照片（无需形态测量）通过深度学习模型进行性别估计，避免了传统方法的繁琐测量步骤	研究样本量有限（内表面210张、外表面310张照片），且仅针对18岁以上尸检案例，未来需扩大样本以提高模型性能	开发一种基于颅盖骨照片的自动化性别估计方法，应用于法医人类学领域	18岁以上尸检案例的颅盖骨内表面（endocranial）和外表面（ectocranial）照片	计算机视觉	NA	深度学习	CNN, SVM, K-NN	图像	内表面照片210张（105男/105女），外表面照片310张（155男/155女）	NA	ResNet50	准确率	NA
1948	2026-01-06	Automated Measurement of Cervical Sagittal and Local Parameters Using a Generalizable Deep Learning Model: A Multi-national Development and Validation Study 2026-Jan-02, The spine journal : official journal of the North American Spine Society DOI:10.1016/j.spinee.2025.12.015 PMID:41485491	研究论文	本研究开发并验证了一种基于深度学习的通用模型，用于在临床条件下（包括C7椎体被遮挡的情况）自动测量颈椎矢状位参数	该模型首次针对C7椎体被肩部解剖结构遮挡的常见临床挑战进行了优化，并利用多国数据进行训练和外部验证，提高了在真实世界中的泛化能力	当C7椎体完全被遮挡时，测量误差会略有增加，这是模型需要针对性改进的关键限制	开发并验证一个深度学习模型，以实现颈椎对齐参数的自动化测量，解决手动测量耗时且观察者间变异大的问题	颈椎侧位X光片	计算机视觉	颈椎疾病	X光成像	CNN	图像	来自中国和韩国机构的5,604张侧位颈椎X光片，其中外部验证集包含100名患者	PyTorch	Keypoint R-CNN with ResNet-50-FPN backbone	组内相关系数(ICC), 皮尔逊相关系数(r), Bland-Altman一致性分析	NA
1949	2026-01-06	Toward clinical translation of AI-Led drug discovery in endometrial cancer 2026-Jan, Expert review of anticancer therapy IF:2.9Q2 DOI:10.1080/14737140.2025.2557602 PMID:40908794	综述	本文综述了深度学习在子宫内膜癌药物发现各阶段的应用，并讨论了其临床转化面临的挑战与解决方案	聚焦于子宫内膜癌这一特定领域，系统性地探讨了深度学习在药物发现中的临床转化瓶颈，并提出了多学科整合的实践路径	作为一篇综述，未提出新的实验数据或模型，主要基于现有文献进行分析，可能受限于已发表研究的覆盖范围和质量	探讨深度学习在子宫内膜癌药物发现中的临床应用潜力与转化障碍	子宫内膜癌（EC）	机器学习	子宫内膜癌	深度学习（DL）	NA	NA	NA	NA	NA	NA	NA
1950	2026-01-06	RNFL Thickness in a Population-Based Cohort: The Canadian Longitudinal Study on Aging M2M (Machine-to-Machine) Study 2026-Jan, American journal of ophthalmology IF:4.1Q1 DOI:10.1016/j.ajo.2025.09.051 PMID:41052566	研究论文	本研究利用深度学习模型M2M从眼底照片中估计视网膜神经纤维层厚度，并在加拿大老龄化纵向研究的大规模人群队列中评估其与年龄、性别、种族及自我报告青光眼等因素的关联	首次在基于人群的大规模队列（CLSA）中应用M2M深度学习模型从眼底照片估计RNFL厚度，验证了该模型在流行病学研究中进行可扩展结构评估的实用性	研究为横断面设计，无法确定因果关系；RNFL厚度通过模型从眼底照片估计，而非直接OCT测量；依赖自我报告的青光眼诊断，可能存在误报或漏报	评估加拿大老龄化纵向研究队列中视网膜神经纤维层厚度与人口统计学因素及青光眼状态的关联	加拿大老龄化纵向研究基线综合队列中45至85岁的参与者	数字病理学	青光眼	眼底摄影，光学相干断层扫描	深度学习模型	图像	28,114名参与者	NA	M2M	Pearson相关系数，p值，β系数	NA
1951	2026-01-06	Comparative Evaluation of Advanced Deep Learning, Image-to-Text Models, and Radiomics for Predicting Tumor Budding and Tumor-Stroma Ratio from Breast Ultrasound in Invasive Ductal Carcinoma 2026-Jan, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2025.10.020 PMID:41176437	研究论文	本研究比较了基于深度学习、图像到文本模型和放射组学的机器学习方法，用于从乳腺癌超声图像中预测肿瘤出芽和肿瘤-间质比	首次在乳腺癌超声图像中系统比较了图像分类深度学习、图像到文本转换模型和放射组学机器学习方法，用于预测肿瘤微环境重要参数	样本量相对较小（153例患者），且仅针对浸润性导管癌，模型性能在测试集上有所下降	预测浸润性导管癌的肿瘤出芽和肿瘤-间质比，以非侵入性方式评估肿瘤微环境	153例经组织病理学确诊的浸润性导管癌患者的术前超声图像	计算机视觉	乳腺癌	超声成像	CNN, Transformer, 集成学习	图像	153例患者	PyTorch, Scikit-learn	YOLOv11x-cls, DINOv2, Vision Transformer, BLIP-2	AUC, 准确率	NA
1952	2026-01-06	Enhancing malware detection and classification in network traffic using deep learning techniques 2026-Jan, Journal of forensic sciences IF:1.5Q2 DOI:10.1111/1556-4029.70189 PMID:41199431	研究论文	本研究利用深度学习技术提升网络流量中的恶意软件检测与分类性能	引入了多种先进深度学习技术，包括基于熵的流量过滤、自监督异常检测、图神经网络分类以及上下文感知图注意力网络，以应对复杂网络环境中的恶意软件威胁	未提及模型在跨平台恶意软件检测方面的具体局限性，未来需进一步研究实时自适应学习模型和混合架构	提高网络流量中恶意软件检测的准确性，降低误报率，并实现动态网络环境中的实时检测	网络流量数据	机器学习	NA	深度学习	GNN, GAT	网络流量数据	NA	Python	GNN-MTC, CA-GAT	准确率, 精确率, 召回率	NA
1953	2026-01-06	Deep Learning Radiomic Signature Predicts the Overall Survival of Patients with Lung Adenocarcinoma by Reflecting the Tumor Heterogeneity and Microenvironment 2026-Jan, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2025.09.033 PMID:41073175	研究论文	本研究开发了一种基于深度学习的放射组学特征，用于预测肺腺癌患者的总体生存率，并探讨了该特征与肿瘤异质性和微环境的关系	利用ResNet50深度学习模型从CT图像中提取放射组学特征，结合多机构数据验证，首次将深度学习放射组学特征与肿瘤异质性和微环境进行关联分析	研究样本量相对有限（306例），且依赖于外部公共数据库进行验证，可能存在数据偏差	预测肺腺癌患者的总体生存率，并探索放射组学特征与肿瘤生物学特性之间的关联	肺腺癌患者	数字病理学	肺癌	CT成像，基因测序	CNN	医学影像（CT图像），基因表达数据	306例肺腺癌患者（来自三个机构），外加外部验证队列（来自The Cancer Imaging Archive）	PyTorch（推断自ResNet50的常用实现），pyradiomics	ResNet50	AUC（曲线下面积），时间依赖性ROC曲线，校准曲线，临床效用	NA
1954	2026-01-06	Predictions of Response in Non-small Cell Lung Cancer Patients Treated with Immune Checkpoint Inhibitors Using Clinical Data, Deep Learning, and Radiomics 2026-Jan, Academic radiology IF:3.8Q1 DOI:10.1016/j.acra.2025.09.037 PMID:41087235	研究论文	本研究开发了一种融合临床数据、深度学习和放射组学的多模态模型（CRDL），用于预测非小细胞肺癌患者对免疫检查点抑制剂的治疗反应	提出了一种整合临床数据、深度学习和放射组学的多模态模型（CRDL），在预测免疫治疗反应方面优于单模态及预融合模型	研究为回顾性设计，样本量相对较小（228例患者），且数据来源于单一中心，可能限制模型的泛化能力	开发并验证一个多模态模型，以预测非小细胞肺癌患者对免疫检查点抑制剂的治疗反应	228名非小细胞肺癌患者，具有不同的PD-L1表达水平	数字病理学	肺癌	放射组学特征提取，深度学习特征提取	随机森林，支持向量机	临床数据，胸部CT图像	228名患者（训练队列159例，验证队列69例）	PyRadiomics	深度卷积神经网络	AUC	NA
1955	2026-01-06	Patch-based latent fingerprint recognition: A novel approach for reliable identification of partial prints 2026-Jan, Journal of forensic sciences IF:1.5Q2 DOI:10.1111/1556-4029.70204 PMID:41139611	研究论文	提出了一种基于图像块的自动化潜在指纹识别系统，用于可靠识别部分指纹	提出了一种新的基于图像块的潜在指纹识别方法，使用无接触反射紫外成像系统（RUVIS）采集高分辨率数字样本，并开发了图像块估计算法以优化特征提取	未明确说明模型在更广泛数据集或实际犯罪现场条件下的泛化能力限制	开发可靠的基于部分指纹的潜在指纹识别系统	潜在指纹（特别是部分指纹）	计算机视觉	NA	反射紫外成像系统（RUVIS）	CNN	图像	RUVIS数据集和标准NISTSD27数据集	TensorFlow, PyTorch（推测，未明确指定）	VGG16, ResNet50	准确率	NA
1956	2026-01-06	The role of machine learning in high tibial osteotomy: A systematic review of predictive modeling, planning, and outcome analysis 2026-Jan, Journal of clinical orthopaedics and trauma DOI:10.1016/j.jcot.2025.103290 PMID:41488578	系统综述	本文系统综述了机器学习在高位胫骨截骨术（HTO）中应用于预测建模、手术规划和结果分析的准确性、效率及泛化性	首次系统性地评估了机器学习在HTO手术规划、对线测量和并发症预测中的表现，并指出了现有研究的局限性	证据受限于单中心数据、小样本队列、缺乏功能性验证以及仅有一项研究进行了多中心外部验证	评估机器学习模型在HTO手术规划、对线测量和结果预测中的准确性、效率和泛化性	应用于高位胫骨截骨术的机器学习模型	机器学习	骨关节炎	机器学习	卷积神经网络, 深度学习系统, 集成机器学习模型	放射影像	来自11项研究的异质性数据集，具体样本量未明确说明	NA	NA	平均绝对误差, 曲线下面积, 组内相关系数	NA
1957	2026-01-06	Secure facial biometric authentication in smart cities using multimodal methodology 2025-Dec-29, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29048-5 PMID:41461811	研究论文	本文提出了一种结合多模态深度学习和密码学框架的方法，用于智能城市环境中的安全面部生物特征认证	提出了一种融合CNN低级特征保留、ResNet-50高级特征提取和ElGamal加密的多模态系统，显著提升了传统模型在防欺骗和安全数据传输方面的性能	未明确提及模型在更广泛数据集或实际部署环境中的泛化能力及计算开销	开发一种安全的面部生物特征认证系统，以防止智能城市中未经授权的访问和欺骗攻击	面部生物特征数据	计算机视觉	NA	NA	CNN, ResNet-50	图像	使用CelebA Faces数据集，具体样本数量未明确	NA	CNN, ResNet-50	准确率, 平均损失分数	NA
1958	2026-01-06	Qualitative and quantitative analysis of Paris polyphylla var. yunnanensis from different origin using multi-dimensions FT-MIR and NIR spectroscopy, data fusion combined with machine learning 2025-Dec-29, Spectrochimica acta. Part A, Molecular and biomolecular spectroscopy DOI:10.1016/j.saa.2025.127414 PMID:41485381	研究论文	本研究利用多维FT-MIR和NIR光谱、数据融合结合机器学习，对云南重楼进行定性和定量分析，以评估其地理来源和质量控制	采用多维光谱（包括1D、2DCOS、3DCOS）与数据融合技术，结合传统机器学习和深度学习模型ResNet，实现了对云南重楼地理来源的快速、准确识别和总皂苷含量预测	未明确提及样本的具体数量或多样性限制，可能影响模型的泛化能力	开发一种快速、稳健的策略，用于传统中药云南重楼的地理溯源和质量控制	云南重楼（Paris polyphylla var. yunnanensis）	机器学习	NA	FT-MIR光谱、NIR光谱、数据融合	ResNet, PCA, t-SNE, PLS-DA, OPLS-DA, PLSR	光谱图像	NA	NA	ResNet	RX, RY, Q, RMSEE, RMSECV, RMSEP, 准确率, RPD, Rc, Rp	NA
1959	2026-01-06	WEAKLY SUPERVISED SEGMENTATION AND CLASSIFICATION OF ALPHA-SYNUCLEIN AGGREGATES IN BRIGHTFIELD MIDBRAIN IMAGES 2025-Dec-19, ArXiv PMID:41333166	研究论文	本研究开发了一种基于弱监督分割的自动化图像处理流程，用于在帕金森病和偶发性路易体病的中脑组织全玻片图像中分割和分类α-突触核蛋白聚集体	提出了一种对免疫组化标记变异性具有鲁棒性的弱监督分割方法，结合ResNet50分类器，能够自动区分路易体和神经突等主要聚集体形态	未明确说明样本量的具体细节，且方法在更广泛的组织类型或染色协议中的泛化能力有待验证	开发自动化工具以更好地理解α-突触核蛋白聚集体的空间组织和异质性	帕金森病和偶发性路易体病患者的中脑组织样本	数字病理学	帕金森病	免疫组化染色	CNN	图像	NA	NA	ResNet50	平衡准确率	NA
1960	2026-01-06	Trustworthy deep learning for malaria diagnosis using explainable artificial intelligence 2025-Dec-19, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-28387-7 PMID:41419508	研究论文	本研究利用深度学习模型和可解释人工智能技术，从血液涂片图像中自动诊断疟疾，旨在提高诊断准确性和临床可信度	结合了四种CNN模型进行实证评估，并采用两种先进的混合架构进行微调，同时应用三种XAI技术（Grad-CAM、LIME、SHAP）提供多层次的模型决策透明度，增强了临床信任	未明确提及模型在更广泛或更具挑战性的临床环境中的泛化能力测试，以及计算资源需求的具体分析	开发一个高精度、可解释且可扩展的AI诊断框架，用于疟疾的自动检测，以应对资源有限医疗环境中的诊断挑战	血液涂片图像，包括薄涂片和厚涂片，用于疟疾寄生虫的检测	计算机视觉	疟疾	显微镜成像	CNN	图像	27,090张图像来自Kaggle疟疾数据集，以及一个独立的哈佛Dataverse数据集包含厚涂片图像	NA	MobileNetV2, VGG19, InceptionV3, ResNet18, Xception, Inception-ResNetV2	F1-score, 准确率	NA