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
1961	2026-03-14	EASDnet: Empowering human-centered evidence-based medicine through an evidence and attention-based spatial disparity network for discriminative colorectal cancer histopathological screening and attribution 2026-May, Pathology, research and practice DOI:10.1016/j.prp.2026.156418 PMID:41764810	研究论文	本研究提出并验证了一种基于循证医学的深度学习模型EASDnet，用于结直肠癌的判别性病理筛查和归因	引入了一种结合证据和注意力机制的深度学习架构，能够学习癌变病灶与其周围微环境之间的细微形态差异，有效捕捉类间和类内的判别性特征	NA	开发一种客观、基于循证医学的定量分析工具，以辅助临床医生进行结直肠癌的准确术前分期	结直肠癌病灶及其周围微环境	数字病理学	结直肠癌	深度学习	CNN	图像	公开可用的图像数据集NCT-100K和LC25000	NA	EASDnet	准确率	NA
1962	2026-03-14	H-DCA Net: Hierarchical dual-branch coordinate attention framework for multi-scale gastric histopathology diagnosis 2026-May, Pathology, research and practice DOI:10.1016/j.prp.2026.156403 PMID:41722294	研究论文	本研究提出了一种名为H-DCA Net的新型深度学习框架，用于胃癌组织病理学图像的多尺度诊断	提出了一个分层双分支坐标注意力网络，通过异构分支分别捕获宏观组织结构和微观细胞细节，并利用分层注意力机制进行特征融合，以解决现有CAD系统的“尺度不匹配”问题	模型仅在公开数据集GasHisSDB上进行了训练和验证，其泛化能力有待在更多样化的临床数据上进一步验证	开发一个能够模拟病理学家多尺度诊断工作流程的深度学习框架，以提高胃癌分类的准确性和可靠性	胃癌组织病理学图像	数字病理学	胃癌	组织病理学图像分析	CNN	图像	使用公开数据集GasHisSDB，并在三个不同图像块尺寸（80×80, 120×120, 160×160像素）上进行训练和验证	NA	EfficientNetV2-S, MobileNetV3-L	准确率, 精确率, 灵敏度, 特异性	NA
1963	2026-03-14	Novel Psychoactive Substances: Slaying the Dragon With Artificial Intelligence 2026-Apr-01, Therapeutic drug monitoring IF:2.8Q2 DOI:10.1097/FTD.0000000000001429 PMID:41413933	综述	本文综述了人工智能和机器学习在新型精神活性物质识别与表征中的应用，探讨了其如何应对传统分析技术面临的挑战	重点介绍了基于人工智能的方法，如深度学习模型、化学语言模型和光谱预测工具，特别是DarkNPS框架和CFM-ID等工具，用于生成大量潜在NPS结构和预测质谱谱图	NA	探索人工智能在解决新型精神活性物质识别和表征日益增长挑战中的作用	新型精神活性物质	机器学习	NA	质谱分析	LSTM, 变换器, 图神经网络	化学结构数据, 质谱数据	NA	NA	NA	余弦相似度得分, 命中率	NA
1964	2026-03-14	Development and Validation of an Artificial Intelligence Surgical Video Analysis Model for Predicting Visceral Pleural Invasion in Lung Cancer Surgery: A Multicenter Study 2026-Apr, Annals of surgical oncology IF:3.4Q1 DOI:10.1245/s10434-025-18863-9 PMID:41428020	研究论文	本研究开发并验证了一种基于深度学习的胸腔镜视频分析模型（VPI-Net），用于术中预测肺癌手术中的脏层胸膜侵犯。	首次开发并验证了一种专门用于胸腔镜视频分析以预测脏层胸膜侵犯的深度学习模型（VPI-Net），并引入了VPI风险评分（VPIscore）作为量化指标，该模型在多个中心验证中显著优于外科医生和放射科医生的判断。	研究样本量相对有限（总患者数399名），且外部验证集仅来自另外两家医院，模型的泛化能力需要在更广泛的多中心数据中进行进一步验证。	提高视频辅助胸腔镜手术中脏层胸膜侵犯的术中诊断准确性，以指导手术决策。	接受视频辅助胸腔镜手术的肺癌患者。	数字病理	肺癌	视频辅助胸腔镜手术	CNN	视频，图像	总共399名患者（内部数据集346名患者，3367张图像；外部数据集53名患者，1274张图像）	NA	基于空间Dropout的残差卷积神经网络（VPI-Net）	AUC，准确率，敏感性，特异性，阳性预测值，阴性预测值	NA
1965	2026-03-14	A Deep Learning-Based Multimodal Clinico-Histology-Genomic Prognostic Model in Prostate Cancer 2026-Apr, Annals of surgical oncology IF:3.4Q1 DOI:10.1245/s10434-025-18929-8 PMID:41456225	研究论文	本研究开发了一种基于深度学习的多模态预后模型，整合了基因组特征、全切片成像的组织形态学特征和临床参数，以改善前列腺癌的风险分层和治疗决策	通过从组织病理学图像中计算推断基因组特征，消除了对基因组检测的依赖，并显著提高了预后精度，同时细化了现有的NCCN分类	研究依赖于两个独立队列（TCGA和PLCO）进行训练和验证，可能受限于这些队列的样本代表性和数据质量	开发一个多模态预后模型，以改善前列腺癌的风险分层和治疗决策	前列腺癌患者	数字病理学	前列腺癌	全切片成像（WSI）、苏木精-伊红（H&E）染色	深度学习	图像、基因组数据、临床参数	两个独立队列：TCGA（训练）和PLCO试验（外部验证）	NA	NA	C-index、Kaplan-Meier分析、Harrell's concordance index、多变量Cox回归	NA
1966	2026-01-20	ASO Author Reflections: Multimodal Deep Learning Redefining Precision Prognosis in Prostate Cancer 2026-Apr, Annals of surgical oncology IF:3.4Q1 DOI:10.1245/s10434-026-19105-2 PMID:41549219	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1967	2026-03-14	Hierarchical image pyramid transformer framework for automated breast cancer molecular subtyping using tissue microarrays 2026-Apr, The Journal of pathology IF:5.6Q1 DOI:10.1002/path.70028 PMID:41588712	研究论文	本文提出了一种名为PBC-HIPT的新型深度学习框架，用于从标准H&E染色图像中自动进行乳腺癌分子分型	开发了一种基于多层次Transformer的架构，能够从细胞到组织尺度分层聚合组织病理学特征，以捕获高分辨率图像中的多尺度形态特征和长程依赖关系	模型在组织微阵列（TMA）上表现出稳健的模态内泛化能力，但在全切片图像（WSI）的跨模态验证中性能有所下降	解决乳腺癌在分子和组织学水平的异质性带来的精确诊断和治疗挑战，实现自动化的分子分型和生物标志物评估	乳腺癌组织样本	数字病理学	乳腺癌	H&E染色	Transformer	图像	252例TMA病例和46张独立的WSI	NA	PBC-HIPT（Pathomics Breast Cancer Hierarchical Image Pyramid Transformer）	准确率, AUC	NA
1968	2026-02-17	Corrigendum to "Deep learning in fetal, infant, and toddler neuroimaging research"[Dev. Cognit. Neurosci. (2026), 101680] 2026-Apr, Developmental cognitive neuroscience IF:4.6Q1 DOI:10.1016/j.dcn.2026.101694 PMID:41692673	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1969	2026-03-14	Artificial intelligence revolution in toxicology: Clinical precision, global equity, and the 2030 roadmap 2026-Apr, Toxicology letters IF:2.9Q2 DOI:10.1016/j.toxlet.2026.111871 PMID:41762830	综述	本文综述了人工智能在毒理学领域的革命性应用，并提出了2030年发展路线图	提出了“ToxAI Pact”路线图，强调协调验证标准、稳健的特征重要性验证协议、生成式输出水印以及针对低资源环境的基础设施投资	算法偏见、模型可解释性有限、特征重要性准确性验证挑战、全球数字不平等、预测准确性不等于机制可靠性、AI生成错误信息的风险	指导人工智能在毒理学领域的负责任整合，实现更安全、更包容的全球毒理学发展	临床毒理学、预测建模、药物警戒、教育培训	机器学习	NA	深度学习、强化学习、生成式人工智能	深度学习模型、强化学习模型、生成式AI模型	临床数据、毒理学数据	NA	NA	NA	预测准确性、特征重要性准确性	NA
1970	2026-03-14	ASO Visual Abstract: Deep Learning-Based Multimodal Clinico-Histology-Genomic Prognostic Model in Prostate Cancer 2026-Apr, Annals of surgical oncology IF:3.4Q1 DOI:10.1245/s10434-026-19136-9 PMID:41644916	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1971	2026-03-14	DeepDegradome: A structure-aware deep learning framework for PROTAC and ligand generation against protein targets 2026-Mar-17, Proceedings of the National Academy of Sciences of the United States of America IF:9.4Q1 DOI:10.1073/pnas.2518248123 PMID:41818153	研究论文	本文介绍了一种名为DeepDegradome的AI驱动方法，用于自动化设计小分子配体和PROTAC，以解决靶向蛋白质降解中的设计挑战	DeepDegradome结合了结构感知的深度学习框架，能够从大型片段库中自动组装配体和PROTAC，无需依赖预定义的弹头或E3配体，从而提高了分子设计的多样性和创新性	方法依赖于公共数据库构建的片段库和内部对接方法，可能受限于数据质量和覆盖范围，且目前仅在WDR5和CDK9两个蛋白质目标上进行了验证	开发一种AI驱动的框架，用于自动化设计针对蛋白质靶点的小分子配体和PROTAC，以促进药物发现	蛋白质靶点（如WDR5和CDK9）及其对应的配体和PROTAC分子	机器学习	NA	深度学习，对接方法（iFitDock），X射线晶体学	深度学习框架	分子结构数据，蛋白质口袋的形状和理化特征	使用公共数据库构建的大型片段库，并在两个蛋白质靶点（WDR5和CDK9）上进行了设计和验证	NA	NA	预测结合亲和力，分子有效性，药物相似性	NA
1972	2026-03-14	Transformer-encoded nnU-Net with local region perceptron and contrastive learning (TLC-nnUNet) for multiple brain metastasis detection and delineation 2026-Mar-13, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ae4ced PMID:41775070	研究论文	本文提出了一种名为TLC-nnUNet的新型深度学习框架，用于磁共振图像中多发性脑转移瘤的精确检测与分割	在transformer增强的nnU-Net架构中集成了局部区域感知器（LRP）和对比学习预训练（CLP）两个创新模块，LRP通过重新加权未充分表示的体素来优先检测小病灶，CLP通过监督式预训练策略增强病灶与非病灶区域在潜在空间中的差异性	未明确说明模型在不同磁共振扫描协议或设备间的泛化能力，也未提及对极低对比度病灶的处理效果	提高多发性脑转移瘤（特别是小病灶）在磁共振图像中的检测敏感度、精确度和分割准确性	脑转移瘤病灶	数字病理学	脑转移瘤	磁共振成像	Transformer, CNN	医学图像	多机构数据集（具体数量未明确说明）	PyTorch（基于nnU-Net框架推断）	nnU-Net, Transformer-enhanced nnU-Net	敏感度, 精确度, Dice系数	NA
1973	2026-03-14	A new method for quantitation of cyanuric acid in water based on image analysis of drying patterns using computer vision 2026-Mar-12, Analytical methods : advancing methods and applications IF:2.7Q1 DOI:10.1039/d5ay02122g PMID:41729199	研究论文	本文提出了一种基于图像分析的简单、无试剂方法，用于通过分析氰尿酸溶液液滴的干燥模式来量化自来水中的氰尿酸	首次展示了基于液滴干燥模式图像分析对复杂混合物中分析物进行定量的方法	需要等待液滴干燥（环境条件下约2小时），且要求可重复的取样体积（约50 µL）和保持与校准集一致的照明条件	开发一种低成本、无试剂的氰尿酸定量方法	自来水中的氰尿酸	计算机视觉	NA	图像分析	深度学习模型	图像	NA	NA	NA	NA	NA
1974	2026-03-14	A multimodal approach integrating spectroscopy, deep learning guided molecular docking, and molecular dynamics simulation for predictive assessment of pioglitazone to albumin binding for formulation development 2026-Mar-12, Analytical methods : advancing methods and applications IF:2.7Q1 DOI:10.1039/d5ay01534k PMID:41738395	研究论文	本研究采用多模态方法评估吡格列酮与人血清白蛋白的结合亲和力，以指导制剂开发	结合光谱学、深度学习引导的分子对接和分子动力学模拟，提供了一种正交的多模态分析框架	未明确提及样本量或实验重复次数，可能影响结果的普遍性	分析吡格列酮与人血清白蛋白的结合亲和力，为制剂开发提供依据	人血清白蛋白与吡格列酮的复合物	计算化学与药物发现	NA	紫外吸收光谱、荧光光谱、分子对接、分子动力学模拟	深度学习模型	光谱数据、分子结构数据、模拟轨迹数据	NA	DynamicBind	NA	结合常数、cLDDT分数、结合亲和力值、均方根偏差、回转半径、均方根波动	NA
1975	2026-03-14	Artificial intelligence for diagnosis and triage in oral cancer: a clinician‑centered narrative review 2026-Mar-12, International journal of clinical oncology IF:2.4Q3 DOI:10.1007/s10147-026-03002-5 PMID:41817640	综述	本文是一篇以临床医生为中心的叙述性综述，探讨了人工智能在口腔癌诊断和分诊中的应用	聚焦于临床医生相关的任务，并优先考虑了前瞻性设计、外部验证和临床可解释模型，同时讨论了数据集偏移、偏见和报告标准等实施问题	综述指出，现有研究多为单中心，在真实世界图像和分布外图像上性能仍会下降，且严格的前瞻性验证仍然稀缺	评估人工智能在口腔鳞状细胞癌（OSCC）早期诊断和临床决策支持中的应用潜力	口腔鳞状细胞癌（OSCC）和口腔潜在恶性病变（OPMD）	数字病理学	口腔癌	临床摄影、CT、MRI、PET、光学成像（如高光谱空间频域成像、OCT）、数字病理学	深度学习	图像	NA	NA	NA	诊断准确率	NA
1976	2026-03-14	Initial experience of deep learning reconstruction algorithm in lung kernel: clinical usefulness for lung nodules at ultra-low-dose protocol 2026-Mar-12, European radiology IF:4.7Q1 DOI:10.1007/s00330-026-12404-y PMID:41817709	研究论文	本研究首次评估了在超低剂量CT扫描中，使用肺核的深度学习图像重建算法TrueFidelity对图像质量和结节锐度的影响	首次将TrueFidelity深度学习图像重建算法应用于肺核，并评估其在超低剂量CT中对图像质量和结节锐度的改善效果	样本量较小（68例患者），且仅以对比增强CT的肺核重建作为参考标准，可能未涵盖所有临床场景	评估深度学习图像重建算法在肺核中的应用，以提升超低剂量CT的图像质量和结节评估能力	接受胸部非对比超低剂量CT和对比增强CT扫描的患者	医学影像分析	肺癌	CT扫描，深度学习图像重建	深度学习重建算法	CT图像	68例患者	NA	TrueFidelity	图像噪声，信噪比，对比噪声比，半高全宽值	NA
1977	2026-03-14	Prediction of the standardized compound drought and heat index in regional scale based on multiple deep learning approaches 2026-Mar-12, Environmental science and pollution research international DOI:10.1007/s11356-026-37631-0 PMID:41817810	研究论文	本研究利用多种深度学习模型预测区域尺度的标准化复合干旱热指数时空演变	首次将集成注意力机制的深度学习模型（如SA-ConvLSTM和SwinLSTM）应用于复合干旱热事件的时空预测，显著提升了模型捕捉复杂非线性相互作用和时空依赖性的能力	研究主要基于ERA5再分析数据，可能受数据分辨率和不确定性的影响，且模型在更广泛区域或不同气候条件下的泛化能力有待进一步验证	开发一个有效且可推广的短期时空预测框架，以支持复合干旱热事件的早期预警和区域气候韧性建设	中国长江三角洲地区2004年至2023年的标准化复合干旱热指数	机器学习	NA	ERA5再分析数据	CNN-LSTM, ConvLSTM, SA-ConvLSTM, SwinLSTM	气象变量数据	2004年至2023年长江三角洲地区的气象数据	NA	CNN-LSTM, ConvLSTM, SA-ConvLSTM, SwinLSTM	决定系数, RMSE, MAE	NA
1978	2026-03-14	NRSeg: Noise-Resilient Learning for BEV Semantic Segmentation via Driving World Models 2026-Mar-12, IEEE transactions on image processing : a publication of the IEEE Signal Processing Society IF:10.8Q1 DOI:10.1109/TIP.2026.3671686 PMID:41817979	研究论文	本文提出了一种名为NRSeg的噪声鲁棒学习框架，用于提升鸟瞰图语义分割在自动驾驶中的性能，通过利用驾驶世界模型生成的合成数据增强数据多样性	提出了视角-几何一致性度量来评估生成数据的指导能力，设计了双分布并行预测机制以增强模型鲁棒性，并引入了分层局部语义排除模块来处理BEV分割任务中的非互斥性问题	未明确说明合成数据生成的具体噪声类型及其对模型影响的详细分析，也未讨论框架在极端天气或复杂交通场景下的泛化能力	提升自动驾驶系统中鸟瞰图语义分割的鲁棒性和性能，特别是在无监督和半监督学习场景下	自动驾驶场景中的鸟瞰图语义分割任务	计算机视觉	NA	驾驶世界模型生成合成数据	深度学习模型	图像数据（BEV语义分割数据）	使用公开nuScenes数据集进行测试，具体样本数量未明确说明	PyTorch（根据代码仓库链接推断）	未明确指定具体基础架构，但包含PGCM、BiDPP、HLSE等自定义模块	mIoU（平均交并比）	未明确说明具体GPU类型或云平台
1979	2026-03-14	Evaluation of Deep Learning-Based Event Detection for Parameter Estimation During Complex Walking in Parkinson's Disease 2026-Mar-12, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2026.3673610 PMID:41818008	研究论文	本研究评估了一种基于惯性传感器和深度学习的事件检测方法，用于在帕金森病患者的复杂行走任务中量化步态参数	提出了一种结合时间卷积网络（TCN）进行步态事件检测和Gaitmap函数进行轨迹重建与参数提取的集成处理流程，用于量化复杂行走任务（如转弯、起步和终止步态）的时空参数	研究未明确说明样本量是否足够代表不同疾病阶段的帕金森病患者，且方法在复杂行走任务中的误差略高于稳态步态	开发并评估一种可靠的方法，以量化帕金森病患者在复杂行走任务中的步态参数，超越传统的稳态步态分析	帕金森病患者的行走数据，包括稳态步态、转弯、起步和终止步态	机器学习	帕金森病	惯性传感器（IMU）数据采集与处理	TCN	时间序列数据（来自惯性传感器）	NA	NA	时间卷积网络（TCN）	平均误差（时间误差≤1-7 ms，空间误差≤2.3-2.9 cm），相关系数（r≥0.95）	NA
1980	2026-03-14	A Deep Learning Approach for Dynamic Modeling of Stimulated Raman Scattering in Chalcogenide Microstructured Optical Fibers 2026-Mar-12, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2026.3670396 PMID:41818024	研究论文	本文提出了一种基于混合神经网络的深度学习框架，用于快速精确预测硫系微结构光纤中受激拉曼散射的动态行为	首次利用混合神经网络捕捉非线性脉冲传播中的复杂时空依赖性，显著加速了受激拉曼散射的建模过程，并首次在2微米直接泵浦悬浮芯AsS微结构光纤中成功生成了中红外受激拉曼散射	模型验证仅基于硫系微结构光纤的特定实验数据集，可能未涵盖所有光纤类型或非线性光学现象	开发一种高效的深度学习方法来替代传统计算密集型方法，以建模受激拉曼散射在微结构光纤中的动态行为	硫系微结构光纤中的受激拉曼散射现象	机器学习	NA	受激拉曼散射，中红外光谱分析	混合神经网络	光学模拟数据，实验数据	基于特定硫系微结构光纤实验的数据集	NA	混合神经网络	速度加速比（与SSFM相比），准确性，泛化能力	GPU，CPU