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
1	2026-01-06	A systematic review of automated prediction of sudden cardiac death using ECG signals 2025-Jan-23, Physiological measurement IF:2.3Q3 DOI:10.1088/1361-6579/ad9ce5 PMID:39657316	综述	本文对2011年至2023年间利用ECG信号自动预测心源性猝死的研究进行了系统性综述	系统梳理了机器学习和深度学习在心源性猝死自动预测中的应用，并强调了当前方法的局限性和未来研究方向	现有模型大多依赖小规模数据库，且主要使用ECG和HRV信号，忽略了其他生理信号的潜在贡献，限制了其在真实世界场景中的适用性	综述并分析用于心源性猝死自动预测的机器学习和深度学习模型	心源性猝死预测研究及相关算法模型	机器学习	心血管疾病	ECG信号分析，HRV信号分析	K近邻，支持向量机，决策树，随机森林，朴素贝叶斯，卷积神经网络	生理信号（ECG，HRV）	NA	NA	NA	准确率	NA
2	2026-01-06	Artificial intelligence in Glioblastoma Diagnostics: Integrating MRI, histopathology, and molecular profiling 2025, Cancer treatment and research communications DOI:10.1016/j.ctarc.2025.101040 PMID:41308410	综述	本文综述了人工智能在胶质母细胞瘤诊断中整合MRI、组织病理学和分子谱分析的应用与挑战	系统性地整合了AI在脑肿瘤诊断中的多模态数据（如MRI、fMRI、PET）应用，并强调了与放射组学、多模态融合、迁移学习及分子谱分析的结合	研究存在异质性，导致仅能进行叙述性综合；外部泛化性有限，且缺乏前瞻性、多中心验证	评估人工智能在提高脑肿瘤（特别是胶质瘤）诊断精度和效率方面的潜力	脑肿瘤诊断研究，重点关注胶质瘤	数字病理学	胶质母细胞瘤	MRI, fMRI, PET, 放射组学, 分子谱分析	CNN	图像	NA	NA	NA	NA	NA
3	2026-01-06	A deep learning AI model for determining the relationship between X-Ray detectors and patient positioning in chest radiography 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0333209 PMID:41082558	研究论文	本研究开发了一种基于深度学习的人工智能系统，用于自动检测胸部X光摄影中X射线探测器与患者之间的位置关系	提出了一种定制化的卷积神经网络模型，首次实现了在胸部X光摄影中自动检测探测器与患者位置关系的AI系统	研究仅基于22,299张图像，可能需要在更大规模数据集上进行验证；未提及模型在不同设备或临床环境中的泛化能力	开发能够自动确定X射线探测器与患者位置关系的AI系统，以减轻放射技师的工作负担并提高成像准确性	胸部X光摄影中X射线探测器与患者的位置关系图像	计算机视觉	NA	胸部X光摄影	CNN	图像	22,299张图像	PyTorch	定制化CNN	准确率, 损失函数值, 真阴性率, 阴性预测值, 精确率, 召回率, F1分数	NA
4	2026-01-06	Structure-aware completion of plant 3D LiDAR point clouds via a multi-resolution GAN-inversion network 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1698843 PMID:41487337	研究论文	本研究提出了一种无监督深度学习框架MRC-Net，用于在环境干扰和传感器限制下，通过多分辨率GAN反转网络完成植物3D LiDAR点云的结构感知补全	结合生成对抗网络反转策略与多分辨率原则，引入多分辨率退化机制和多尺度判别器，实现无监督下的全局结构一致性与局部细节平衡	未明确提及具体局限性，可能包括对特定数据集或场景的泛化能力限制	解决实际条件下不完整或噪声点云的鲁棒、高保真补全问题	植物3D LiDAR点云数据	计算机视觉	NA	LiDAR点云采集	GAN	3D点云	多个数据集，包括虚拟数据集（如CRN）和针对农业场景的自定义数据集	未明确指定，可能基于常见深度学习框架如PyTorch或TensorFlow	ShapeInversion, MRC-Net	Chamfer Distance, F1分数	NA
5	2026-01-06	Technology-driven approaches to intelligent mechanical weed control: a systematic review for sustainable weed management 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1734507 PMID:41487342	综述	本文对2000年至2024年间发表的智能机械除草系统相关技术文献进行了系统性回顾，重点分析了整合机器视觉与机器人执行机构的AI驱动系统	首次针对整合视觉与机器人执行机构的AI驱动机械除草系统进行系统性、结构化的综合评述，提出了面向传感器融合、自适应工具、平台模块化和用户中心界面的设计与操作指南	存在杂草-作物区分、模型泛化、实时执行和经济可行性方面的持续挑战	探索精准农业中智能机械除草系统的设计与性能，为可持续杂草管理提供技术路线图	智能机械除草系统	机器视觉, 机器人学	NA	RGB, LiDAR, 高光谱传感器	深度学习模型	图像, 点云, 光谱数据	分析了176篇技术论文，并深入研究了其中33篇关键文献	NA	NA	NA	NA
6	2026-01-06	Human intention recognition by deep LSTM and transformer networks for real-time human-robot collaboration 2025, Frontiers in robotics and AI IF:2.9Q2 DOI:10.3389/frobt.2025.1708987 PMID:41487443	研究论文	本文提出了一种集成的人机协作系统，利用先进意图识别实现实时任务共享和交互	结合LSTM和Transformer神经网络与卷积池化层分类人手轨迹，并集成动态运动基元实现平滑机器人运动转换	仅在真实工业装配任务中验证，未涉及其他复杂场景或长期稳定性测试	优化工业环境中复杂任务性能，减少工人负担并提升安全性	人机协作系统中的工人意图识别与机器人交互	机器视觉	NA	深度学习模型	LSTM, Transformer	人体姿态估计数据	NA	NA	LSTM, Transformer	准确率	NA
7	2026-01-06	Slip detection for compliant robotic hands using inertial signals and deep learning 2025, Frontiers in robotics and AI IF:2.9Q2 DOI:10.3389/frobt.2025.1698591 PMID:41487444	研究论文	本文研究利用惯性测量单元（IMU）信号结合深度学习检测被动顺应性机械手在抓取物体时的滑动事件	提出结合指尖方向变化和滑动引起的振动作为滑动指示器，并首次使用卷积神经网络（CNN）从IMU数据中自动检测滑动事件，且在不同夹具和新任务上验证了泛化能力	NA	开发一种基于惯性信号和深度学习的滑动检测方法，以提高机器人抓取的稳定性和可靠性	被动顺应性机械手（肌腱驱动手）及其抓取操作中的滑动事件	机器学习	NA	惯性测量单元（IMU）传感，运动追踪数据自动标注	CNN	惯性信号（IMU数据）	195次操作试验（包括滑动和非滑动条件）	NA	卷积神经网络（CNN）	NA	NA
8	2026-01-06	Performance comparison of artificial intelligence models in predicting 72-h emergency department unscheduled return visits 2025, Frontiers in public health IF:3.0Q2 DOI:10.3389/fpubh.2025.1609206 PMID:41487618	研究论文	本研究比较了多种人工智能模型在预测72小时内急诊科非计划返诊方面的性能，旨在优化风险分层策略	首次在统一队列中全面比较了包括传统机器学习算法和深度学习架构（TabNet）在内的多种AI模型，并采用贝叶斯优化进行超参数调优	研究为单中心回顾性研究，可能受限于数据质量和泛化能力	评估多种AI模型预测72小时内急诊科非计划返诊的性能，以识别最优风险分层策略	三级医院急诊科成人内科就诊患者	机器学习	NA	NA	逻辑回归, 支持向量机, 随机森林, 极端梯度提升, TabNet	结构化临床数据	143,192次就诊（训练集100,235次，测试集42,957次），其中24,117次（16.8%）为非计划返诊	NA	TabNet	AUROC, 敏感性, 决策曲线分析, 混淆矩阵	NA
9	2026-01-06	Deep recurrent models for forecasting infectious diseases 2025, Frontiers in public health IF:3.0Q2 DOI:10.3389/fpubh.2025.1726819 PMID:41487657	研究论文	本研究提出并开发了一个基于LSTM、BiLSTM和GRU神经网络模型的时间序列预测框架，用于预测沙特阿拉伯的COVID-19病例数并检测异常增加	利用Google Trends搜索词时间序列数据（如“发烧”、“COVID”、“咳嗽”）作为输入，结合深度学习模型检测病例激增的时间模式，实现早期异常检测	BiLSTM模型计算成本较高，而LSTM和GRU虽然执行效率高，但在某些搜索词上的F1分数相对较低	预测传染病病例数并早期检测异常增加，以支持高效的资源分配和响应规划	沙特阿拉伯的COVID-19病例数据及相关的Google Trends搜索词时间序列	自然语言处理	COVID-19	时间序列分析，Google Trends数据挖掘	LSTM, BiLSTM, GRU	时间序列数据，文本数据	NA	NA	LSTM, BiLSTM, GRU	均方误差（MSE），F1分数	NA
10	2026-01-06	ESA-YOLOv5m: a lightweight spatial and improved attention-driven detection for brain tumor MRI analysis 2025, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2025.1733180 PMID:41488085	研究论文	本研究提出了一种集成增强空间注意力（ESA）的YOLOv5m轻量级框架，用于脑肿瘤MRI图像的检测，旨在提高小肿瘤或低对比度肿瘤的定位准确性	在YOLOv5m架构中引入轻量级增强空间注意力（ESA）模块，置于SPPF层后，以增强特征判别能力并抑制背景噪声，从而在不增加计算复杂度的前提下提升检测性能	研究仅基于Figshare脑肿瘤MRI数据集进行，未在更大规模或更多样化的临床数据上验证，且未详细讨论模型在不同MRI设备或采集参数下的泛化能力	开发一种轻量级且高效的深度学习框架，用于脑肿瘤的早期和准确检测，以支持临床决策和实时部署	脑肿瘤MRI图像，包括三类肿瘤：胶质瘤、脑膜瘤和垂体瘤	计算机视觉	脑肿瘤	MRI扫描	CNN, YOLO	图像	Figshare脑肿瘤MRI数据集，包含三类肿瘤样本，具体数量未在摘要中明确说明	PyTorch	YOLOv5m, 集成增强空间注意力（ESA）模块	精确度, 召回率, 平均精度均值（mAP）@0.5	未在摘要中明确说明，但提到模型具有轻量级设计，平均延迟低于10毫秒每图像，参数增加小于4.3%
11	2026-01-06	Automated brain atrophy quantification from clinical MRI predicts early neurological deterioration in anterior choroidal artery territory infarction 2025, Frontiers in neuroscience IF:3.2Q2 DOI:10.3389/fnins.2025.1714159 PMID:41488328	研究论文	本研究利用深度学习算法自动量化临床MRI中的脑萎缩，以预测前脉络膜动脉区域梗死患者的早期神经功能恶化风险	首次将SynthSR深度学习算法与AssemblyNet自动分割结合，从常规临床MRI中自动量化脑萎缩，并评估其作为前脉络膜动脉梗死患者早期神经功能恶化预测生物标志物的价值	研究为双中心回顾性队列设计，可能存在选择偏倚，且样本量相对有限（206例患者）	评估脑萎缩量化指标对前脉络膜动脉区域梗死患者早期神经功能恶化的预测价值	前脉络膜动脉区域急性梗死患者	数字病理学	心血管疾病	临床T1加权MRI成像，SynthSR深度学习图像重建	深度学习	MRI图像	206例来自两个中国卒中中心的患者	NA	SynthSR, AssemblyNet	逻辑回归的比值比，P值，剂量反应关系分析	NA
12	2026-01-06	Privacy protection method for ADS-B air traffic control data based on convolutional neural network and symmetric encryption 2025, Frontiers in big data IF:2.4Q2 DOI:10.3389/fdata.2025.1683027 PMID:41488394	研究论文	提出一种结合卷积神经网络和对称加密的ADS-B空中交通管制数据隐私保护方法	将深度学习与对称加密技术相结合，用于ADS-B数据的隐私保护，并开发了基于CNN的分类模型来准确识别敏感信息	未提及方法在更大规模数据或更复杂攻击场景下的性能，未来可探索与更先进的加密技术和深度学习算法集成	保护ADS-B空中交通管制数据中的隐私信息，防止敏感数据被拦截和滥用	ADS-B广播的实时飞机信息，如位置、速度和高度	机器学习	NA	对称加密，深度学习	CNN	ADS-B广播数据	NA	NA	CNN	加密时间	NA
13	2026-01-06	Time series forecasting for bug resolution using machine learning and deep learning models 2025, Frontiers in big data IF:2.4Q2 DOI:10.3389/fdata.2025.1745751 PMID:41488392	研究论文	本研究评估了机器学习和深度学习模型在预测开源项目bug修复时间方面的有效性，比较了局部和全局方法	通过结合经典模型和深度学习模型，采用全局视角进行时间序列预测，并利用可解释AI技术分析预测驱动因素	未明确提及具体局限性	预测bug修复时间以改进软件维护和规划	多个开源软件项目的bug修复时间序列数据	机器学习	NA	时间序列预测	Naive, Linear Regression, Random Forest, MLP, LSTM, GRU	时间序列数据	来自多个存储库的真实世界数据	NA	MLP, LSTM, GRU	平均误差, 准确率, F1分数	NA
14	2026-01-06	Development and validation of a multi-modality system combining radiomics and deep learning for predicting mid-pregnancy complications and enabling timely pregnancy care 2025, Frontiers in pediatrics IF:2.1Q2 DOI:10.3389/fped.2025.1716073 PMID:41488903	研究论文	本研究开发并验证了一个结合影像组学和深度学习特征的多模态AI模型，用于早期预测妊娠期高血压疾病和妊娠期糖尿病	首次将影像组学特征与深度学习特征从孕早期超声扫描中整合，构建多模态融合模型，显著提升了预测性能	需要进一步在多样化人群中进行验证以确认模型的普适性	提高妊娠期高血压疾病和妊娠期糖尿病的早期预测准确性，以支持及时的孕期护理	213名在孕8周接受超声检查的孕妇	数字病理学	妊娠期并发症	超声扫描	深度学习模型, 影像组学模型, 融合模型	图像, 临床数据	213名孕妇	NA	NA	AUC, 灵敏度, 特异性, 校准, 决策曲线分析	NA
15	2026-01-05	Comprehensive AI framework for automated classification, detection, segmentation, and severity estimation of date palm diseases using vision-language models and generative AI 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1710188 PMID:41479527	研究论文	本文提出了一个综合AI框架，用于自动分类、检测、分割和估计枣椰树疾病的严重程度，结合了视觉语言模型和生成式AI技术	提出了一个集成的Reveal-Aware混合视觉语言和基于Transformer的AI框架，首次将GAN增强、CLIP多模态分类、PaliGemma2文本检测、Grounding DINO + SAM 2.1零样本分割以及Vision Transformer回归模型整合到一个端到端的可解释诊断流程中	NA	开发一个综合AI框架，用于自动化、准确且可扩展的枣椰树疾病管理	枣椰树疾病，包括红棕象甲、Bayoud病和黑焦病等	计算机视觉	植物疾病	GAN, CLIP, PaliGemma2, Grounding DINO, SAM 2.1, Vision Transformer	GAN, Transformer, CNN	图像, 文本	两个数据集：九个类别的感染枣椰树叶子和三个类别的枣椰树疾病	NA	CLIP, PaliGemma2, Grounding DINO, SAM 2.1, Vision Transformer	准确率, 精确率, 召回率, F1分数	NA
16	2026-01-05	Machine learning and near-infrared fusion-driven quantitative characterization and detection of protein content in maize kernels 2025, Frontiers in nutrition IF:4.0Q2 DOI:10.3389/fnut.2025.1719661 PMID:41479661	研究论文	本研究开发了一种基于近红外光谱和机器学习融合的玉米籽粒蛋白质含量快速无损检测方法	通过使用玉米粉末样品提高光谱信号的均匀性和稳定性，系统评估了多种光谱预处理方法，并比较了传统机器学习与深度学习模型的性能，最终提出了一种结合特征波长选择的高效预测模型	研究仅使用了90个玉米粉末样本，样本量相对较小；深度学习模型在本研究中未表现出优于传统方法的性能	开发一种快速、无损的玉米蛋白质含量检测方法	玉米粉末样品	机器学习	NA	近红外光谱	PLSR, SVM, CNN, Transformer	光谱数据	90个玉米粉末样本	NA	ResNet-18, Transformer	相关系数, RMSE, RPD	NA
17	2026-01-05	Deep learning-based dose prediction for prostate cancer with empty bladder protocol: a framework for efficient and personalized radiotherapy planning 2025, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2025.1690416 PMID:41479786	研究论文	本研究开发了一种基于深度学习的剂量预测模型，用于支持前列腺癌空膀胱放疗方案，旨在提高放疗计划的效率和个性化程度	首次针对前列腺癌空膀胱放疗方案开发了基于条件生成对抗网络的剂量预测模型，并通过特定数据微调显著提升了预测精度和临床相关性	模型训练样本量有限（90例满膀胱病例和20例空膀胱病例），且仅针对特定放疗技术（SBRT和IMRT）进行了验证	开发一个高效、个性化的放疗计划框架，以支持前列腺癌空膀胱放疗方案的临床应用	前列腺癌患者	数字病理学	前列腺癌	放射治疗（RT），包括立体定向体部放疗（SBRT）和调强放疗（IMRT）	条件生成对抗网络（cGAN）	医学影像数据（剂量分布、解剖结构）	110例病例（90例满膀胱病例用于训练，20例空膀胱病例用于微调和评估）	NA	改进的3D U-Net	平均绝对百分比误差（MAPE），剂量体积直方图（DVH）指标	NA
18	2026-01-05	The place of advanced machine learning techniques in building pancreatic adenocarcinoma survival and recurrence prognosis models 2025, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2025.1727806 PMID:41479788	综述	本文评估了机器学习在改善胰腺导管腺癌预后预测中的应用	系统综述了机器学习算法（如随机森林、XGBoost和深度学习）在预测PDAC生存、复发和转移方面相较于传统TNM分期的优越性能，并强调多模态数据整合（临床、影像组学和基因组特征）能实现最高预测准确度	当前模型受限于小规模数据集和回顾性研究设计，缺乏前瞻性验证	评估机器学习技术在胰腺导管腺癌预后预测模型构建中的应用价值	胰腺导管腺癌患者	机器学习	胰腺癌	机器学习算法（如随机森林、XGBoost、深度学习）	随机森林, XGBoost, 深度学习	多模态数据（临床、影像组学、基因组特征）	基于12项研究的系统综述，未明确总样本量	NA	NA	预测准确度	NA
19	2026-01-05	Neural networks and foundation models: two strategies for EEG-to-fMRI prediction 2025, Frontiers in systems biology DOI:10.3389/fsysb.2025.1715692 PMID:41479845	研究论文	本文探讨了从脑电图（EEG）预测功能磁共振成像（fMRI）活动的两种策略：使用传统机器学习和深度学习模型，以及利用预训练的大型语言模型（LLMs）和多模态模型	首次将EEG到fMRI的预测任务同时表述为分类和回归问题，并比较了传统深度学习模型与预训练基础模型两种策略，还探索了思维链方法让LLMs从EEG推断认知功能再预测fMRI	两种策略的自然结合（即在EEG-fMRI数据集上微调LLM）并不直接，需要进一步研究，且研究基于特定神经反馈任务和哈佛-牛津皮质图谱定义的脑区域	从EEG活动预测fMRI活动，以结合两种神经成像技术的优势，为神经科学研究和神经技术应用开辟新途径	执行神经反馈任务的受试者的EEG和fMRI数据	机器学习	NA	EEG, fMRI	MLP, CNN, RNN, transformer, LLMs, 大型多模态模型	时间序列数据（EEG）, 图像数据（fMRI）	NA	NA	MLP, CNN, RNN, Transformer	NA	NA
20	2026-01-05	A multidimensional data-driven approach to surgical plan optimization and postoperative residual tumor prediction in ovarian cancer 2025, Frontiers in immunology IF:5.7Q1 DOI:10.3389/fimmu.2025.1705428 PMID:41479903	研究论文	本研究开发了一种融合临床特征和腹水免疫微环境特征的多维数据驱动深度学习模型，用于预测卵巢癌术后残留肿瘤状态并辅助手术决策	首次将临床特征与腹水免疫微环境特征整合到深度学习模型中，用于预测卵巢癌术后残留肿瘤状态，并通过梯度特征数量验证优化了特征选择	模型在区分R0和R1状态方面存在局限性，需要进一步优化；样本量相对较小（118例），未来需要扩大数据集	预测卵巢癌术后残留肿瘤状态并优化手术决策	118例FIGO III/IV期高级别浆液性卵巢癌患者	数字病理学	卵巢癌	密度梯度离心，流式细胞术	深度学习模型	临床数据，免疫微环境数据	118例高级别浆液性卵巢癌患者	NA	NA	准确率，精确率，召回率，F1分数	NA