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
201	2026-03-06	Analysis of genetic polymorphisms in sudden sensorineural hearing loss and artificial intelligence-supported individualized precision therapy 2025, Frontiers in neurology IF:2.7Q3 DOI:10.3389/fneur.2025.1643435 PMID:41783579	研究论文	本研究通过分析突发性感官神经性听力损失患者的遗传多态性，并构建人工智能模型，探索了个体化精准治疗策略	结合遗传多态性分析与深度学习CNN模型，为SSNHL提供个体化治疗预测，并比较了不同治疗方法的疗效	样本量相对有限（总样本300例），且仅基于特定遗传位点进行分析，可能未涵盖所有影响因素	识别影响SSNHL治疗效果的关键因素，并开发个体化精准治疗预测模型	200例SSNHL患者（内部数据集）和100例独立外部验证病例	机器学习	突发性感官神经性听力损失	血液检测遗传多态性分析	CNN, 随机森林, 支持向量机, 多因素逻辑回归	临床数据、遗传数据	300例（200例内部数据集 + 100例外部验证集）	NA	卷积神经网络	敏感性, 特异性, 准确率	NA
202	2026-03-05	Enhancing nnUNetv2 Training with Autoencoder Architecture for Improved Medical Image Segmentation 2025, Head and Neck Tumor Segmentation for MR-Guided Applications : First MICCAI Challenge, HNTS-MRG 2024, held in conjunction with MICCAI 2024, Marrakesh, Morocco, October 17, 2024, proceedings DOI:10.1007/978-3-031-83274-1_17 PMID:40337098	研究论文	本研究提出了一种基于nnUNetv2框架并融合自编码器架构的新型深度学习模型，用于头颈癌MRI引导放疗图像中的肿瘤体积自动分割	在nnUNetv2框架中引入自编码器架构，将原始训练图像作为额外输入通道，并采用MSE损失函数以提升分割精度	研究仅基于头颈癌患者的特定数据集（150例训练，50例测试），模型在其他癌症类型或影像模态上的泛化能力未经验证	提升头颈癌MRI引导放疗图像中肿瘤体积自动分割的精度	头颈癌患者的MRI引导放疗图像	数字病理	头颈癌	MRI引导放疗	CNN	图像	150例头颈癌患者用于训练，50例用于测试	nnUNetv2	nnUNet, 自编码器	Dice相似系数	NA
203	2026-03-05	Assessing Self-supervised xLSTM-UNet Architectures for Head and Neck Tumor Segmentation in MR-Guided Applications 2025, Head and Neck Tumor Segmentation for MR-Guided Applications : First MICCAI Challenge, HNTS-MRG 2024, held in conjunction with MICCAI 2024, Marrakesh, Morocco, October 17, 2024, proceedings DOI:10.1007/978-3-031-83274-1_12 PMID:40400661	研究论文	本文提出了一种用于头颈部肿瘤分割的新型两阶段模型，结合自监督学习和xLSTM-UNet架构，以提升MRI引导自适应放疗中的分割精度	提出了一种创新的两阶段模型，第一阶段采用基于DINOv2架构的自监督3D师生学习框架从未标记数据中学习有效表示，第二阶段设计了一种结合xLSTM的UNet模型，能够同时捕获肿瘤进展的空间特征和时序依赖关系	未明确说明模型在更大规模或更多样化数据集上的泛化能力，也未详细讨论计算资源需求和处理时间	优化头颈部癌症的MRI引导自适应放疗，通过自动肿瘤分割提升治疗精度	头颈部肿瘤的MRI影像	数字病理学	头颈部癌症	MRI影像分析	自监督学习, 师生学习, xLSTM-UNet	3D MRI影像	未明确说明具体样本数量，仅提及在多样化的头颈部癌症病例上进行评估	PyTorch（基于DINOv2架构推断）	DINOv2, xLSTM-UNet	Dice系数	NA
204	2026-03-05	Application of 3D nnU-Net with Residual Encoder in the 2024 MICCAI Head and Neck Tumor Segmentation Challenge 2025, Head and Neck Tumor Segmentation for MR-Guided Applications : First MICCAI Challenge, HNTS-MRG 2024, held in conjunction with MICCAI 2024, Marrakesh, Morocco, October 17, 2024, proceedings DOI:10.1007/978-3-031-83274-1_20 PMID:40417457	研究论文	本文探讨了使用3D nnU-Net模型在MRI数据上自动分割头颈部原发肿瘤和转移淋巴结的潜力	在3D nnU-Net模型中引入残差编码器，并针对高背景比例数据进行了专门的再训练优化	模型在高背景比例数据上表现不佳，GTVp分割效果弱于GTVn，仍需进一步优化	提高头颈部肿瘤放疗计划中肿瘤自动分割的准确性和可靠性	头颈部原发肿瘤体积（GTVp）和转移淋巴结（GTVn）	医学图像分割	头颈部肿瘤	MRI成像	深度学习	3D MRI图像	2024 MICCAI头颈部肿瘤分割挑战赛提供的高质量数据集	PyTorch	3D nnU-Net with Residual Encoder	DSCagg	NA
205	2026-03-03	An explainable deep learning framework for biosensing data interpretation in biomedical engineering and real-time health diagnostics 2025, Frontiers in bioengineering and biotechnology IF:4.3Q2 DOI:10.3389/fbioe.2025.1688586 PMID:41767247	研究论文	提出一个可解释的深度学习框架，用于将复杂的生物信号动态转化为可解释的健康评估	结合了时间图推理与概率建模的PhysioGraph Inference Network (PGIN)，以及基于不确定性和信号熵自适应调整诊断粒度的Adaptive Health State Inference Mechanism (AHSIM)	NA	开发一个可解释的深度学习框架，用于生物医学工程和实时健康诊断中的生物传感数据解释	生物传感数据	生物医学工程	NA	NA	深度学习	生物信号	四个生物传感数据集	NA	PhysioGraph Inference Network (PGIN), Adaptive Health State Inference Mechanism (AHSIM)	诊断准确率, AUC	NA
206	2026-03-03	Lightweight deep learning for tomato disease detection: trends, challenges, and edge AI perspectives 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1737208 PMID:41768481	综述	本文综述了轻量级深度学习模型和边缘AI在番茄病害检测中的最新进展，并提出了一个结合AI诊断与微生物生物防治建议的独特框架	提出了一个结合AI驱动的诊断与微生物生物防治建议的独特框架，为以生态友好和区域特定方式管理病害提供解决方案	NA	评估轻量级深度学习模型和边缘AI在番茄病害检测中的应用潜力，以促进精准农业的实践部署	番茄作物及其叶面和虫媒病害	计算机视觉	番茄病害	深度学习	CNN, Transformer	图像	NA	NA	MobileNetV2, EfficientNetB0	准确率, 宏F1分数	NA
207	2026-03-03	Deep learning-based methods for phenotypic trait extraction in rice panicles 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1730366 PMID:41768482	研究论文	本研究开发了一种基于深度学习的自动化流水线，用于从水稻穗图像中提取关键表型性状，如穗长、粒数和粒尺寸	提出了一种集成了目标检测、分割和计数任务的深度学习流水线，专门针对水稻穗的遮挡挑战，并将先进模型与育种应用相结合	NA	开发高精度、高通量的自动化工具，以支持水稻育种中的表型性状测量	水稻穗	计算机视觉	NA	深度学习	YOLOv8	图像	5300张水稻穗图像（3290张训练，940张验证，470张测试）	NA	OPG-YOLOv8	R², RMSE, MAPE	NA
208	2026-03-02	Artificial intelligence in the diagnosis of uveal melanoma: advances and applications 2025, Experimental biology and medicine (Maywood, N.J.) DOI:10.3389/ebm.2025.10444 PMID:40046904	综述	本文综述了机器学习和深度学习在葡萄膜黑色素瘤诊断中的应用进展与挑战	探讨了深度学习模型（尤其是CNN）在自动分析医学图像、识别复杂模式方面的潜力，并强调了多模态成像整合可能提升诊断准确性	现有研究普遍存在数据集规模小、外部验证有限、依赖单一成像模态等问题，限制了模型在临床环境中的泛化能力	评估机器学习和深度学习在葡萄膜黑色素瘤诊断中的研究进展与应用潜力	葡萄膜黑色素瘤等黑色素细胞性脉络膜肿瘤	计算机视觉	葡萄膜黑色素瘤	眼底照相、光学相干断层扫描、超声	CNN	图像	NA	NA	NA	准确率、灵敏度、AUC	NA
209	2026-03-02	A survey of NLP methods for oncology in the past decade with a focus on cancer registry applications 2025, Artificial intelligence review IF:10.7Q1 DOI:10.1007/s10462-025-11316-5 PMID:40688631	综述	本文综述了过去十年（2014-2024年）自然语言处理（NLP）在癌症登记操作中的应用	系统性地回顾和分类了NLP在癌症登记领域的应用，并识别了当前研究空白，如对儿科癌症、黑色素瘤、淋巴瘤以及疾病进展、临床试验匹配等研究领域的关注不足	综述基于特定数据库（Scopus和PubMed）的156篇文章，可能未涵盖所有相关研究；同时指出了当前研究在特定癌症类型、多模态模型以及利用解码器模型（如GPT）方面存在不足	调查NLP在癌症登记操作中的应用现状、方法趋势及研究缺口，以提升数据提取的效率和准确性	来自病理学和放射学报告的临床文本	自然语言处理	癌症	自然语言处理	基于规则的模型, 机器学习模型, 传统深度学习模型, Transformer模型（如BERT, GPT）	文本	NA	NA	BERT, ClinicalBERT, RadBERT, GPT-3, GPT-4	NA	NA
210	2026-03-01	FedPneu: Federated Learning for Pneumonia Detection across Multiclient Cross-Silo Healthcare Datasets 2025, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056333970241212132150 PMID:39757652	研究论文	本文提出了一种基于联邦学习的肺炎检测模型FedPneu，利用多客户端跨机构医疗数据集进行早期肺炎检测	采用联邦学习框架构建隐私保护的肺炎检测模型，解决了传统深度学习模型在集中式系统中面临的数据隐私泄露风险	未明确说明模型在更大规模或更复杂数据集上的泛化能力，且仅基于X射线图像进行验证	开发一种隐私保护的肺炎检测模型，以提高医疗数据安全性并改善预测结果	肺炎的早期检测	计算机视觉	肺炎	X射线成像	深度学习模型	图像	未明确说明具体样本数量，但涉及多客户端跨机构数据集	未明确指定，但可能基于PyTorch或TensorFlow等框架	未明确指定具体架构，但为基于联邦学习的深度学习模型	准确率, 损失, 计算时间	未明确说明具体计算资源
211	2026-03-01	Attention-aware Deep Learning Models for Dermoscopic Image Classification for Skin Disease Diagnosis 2025, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056332443241129113146 PMID:40259872	研究论文	本研究提出了一种结合注意力机制的深度学习模型，用于皮肤镜图像的多分类，以辅助皮肤疾病的诊断	将通道注意力和空间注意力机制集成到预训练的CNN架构中，以增强模型对皮肤镜图像关键区域的关注，从而提高分类准确性	NA	利用深度学习技术分析皮肤镜图像，实现对皮肤疾病的准确预测和诊断辅助	皮肤镜图像中的皮肤病变	计算机视觉	皮肤疾病	NA	CNN	图像	NA	NA	RegNetX, EfficientNetB3, VGG19, ResNet-152	准确率	NA
212	2026-03-01	AI and emerging technologies for diagnosis 2025, Progress in brain research DOI:10.1016/bs.pbr.2025.08.004 PMID:41314747	综述	本章探讨人工智能在医学诊断中的变革作用，包括其应用、优势及临床整合挑战	综述了AI在医学诊断中的最新进展，强调其在提升效率、精度及早期疾病识别方面的创新潜力	未涉及具体实验数据或模型验证，主要基于理论分析和现有应用案例的总结	分析人工智能及新兴技术在医学诊断领域的应用、优势与挑战	医学诊断过程，包括疾病检测、分析与治疗	机器学习	癌症, 心血管疾病, 神经系统疾病	机器学习, 深度学习	NA	医学影像数据（如MRI、CT扫描、X射线）	NA	NA	NA	诊断准确性, 假阳性率, 假阴性率	NA
213	2026-03-01	Uncovering hidden factors of cognitive resilience in Alzheimer's disease using a conditional-Gaussian mixture variational autoencoder 2025, NPJ dementia DOI:10.1038/s44400-025-00042-y PMID:41756363	研究论文	本研究开发了一种条件高斯混合变分自编码器（C-GMVAE），用于从单细胞转录组数据中揭示阿尔茨海默病认知弹性的潜在分子机制	首次将条件高斯混合变分自编码器应用于整合单细胞转录组数据与行为表型，通过结构化潜在空间捕捉与认知弹性相关的协调转录组模式	研究基于携带5XFAD突变的BXD小鼠模型，结果向人类阿尔茨海默病的直接转化需要进一步验证	揭示阿尔茨海默病中认知弹性的分子机制和遗传调控程序	携带5XFAD突变的遗传多样性BXD小鼠群体的单细胞转录组数据和行为表型	机器学习	阿尔茨海默病	单细胞转录组测序	变分自编码器（VAE）	单细胞转录组数据，行为表型数据	遗传多样性BXD小鼠群体（具体数量未明确说明）	NA	条件高斯混合变分自编码器（C-GMVAE）	遗传性评估，潜在变量生物学意义分析	NA
214	2026-03-01	Connecting the dots: deep learning-based automated model building methods in cryo-EM 2025, Frontiers in molecular biosciences IF:3.9Q2 DOI:10.3389/fmolb.2025.1613399 PMID:41757224	综述	本文综述了基于深度学习的自动化模型构建方法在冷冻电镜密度图中的应用，旨在加速和简化结构解析过程	利用深度学习技术自动化冷冻电镜密度图的模型构建，根据生物大分子的层次结构（初级、二级、三级、四级）对方法进行分类，并区分了直接预测和混合预测两种策略	训练网络需要足够大且多样化的数据集来建模不同类型的生物分子，且构建能捕捉冷冻电镜图中常见构象异质性的训练集仍是一个开放挑战	探讨深度学习如何自动化冷冻电镜密度图中的模型构建，以加速结构生物学中的结构解析	冷冻电镜密度图中的生物大分子结构	机器学习	NA	冷冻电镜	深度学习	图像	NA	NA	NA	NA	NA
215	2024-08-07	Author Response: Deep learning-assisted detection and segmentation of intracranial hemorrhage in noncontrast computed tomography scans of acute stroke patients: a systematic review and meta-analysis 2025-Jan-01, International journal of surgery (London, England) DOI:10.1097/JS9.0000000000001963 PMID:39017750	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
216	2026-02-28	Embryo selection at the cleavage stage using Raman spectroscopy of day 3 culture medium and machine learning: a preliminary study 2025, Frontiers in endocrinology IF:3.9Q2 DOI:10.3389/fendo.2025.1608318 PMID:41030854	研究论文	本研究探讨了结合拉曼光谱与机器学习预测第3天胚胎培养液以评估胚胎发育潜力，为卵裂期胚胎选择提供非侵入性方法	首次将拉曼光谱与机器学习结合用于第3天胚胎培养液分析，以实现卵裂期胚胎的非侵入性选择，可能避免延长培养对子代健康的影响	初步研究，样本量较小（172个样本），需进一步验证和扩大样本以确认临床适用性	研究机器学习结合拉曼光谱能否预测第3天胚胎的延长培养结果，从而在卵裂期进行胚胎选择	第3天胚胎培养液样本	机器学习	生殖医学	拉曼光谱	深度学习, 传统机器学习	光谱数据	172个第3天培养液样本，来自78对夫妇	NA	多层感知机, 人工神经网络, 门控循环单元, 线性判别分析	准确率, 灵敏度, 特异性	NA
217	2026-02-28	Integrating Direct Observation of Procedural Skills as a workplace‑based assessment tool for residents working in an intensive care unit 2025, African journal of thoracic and critical care medicine DOI:10.7196/AJTCCM.2025.v31i4.3120 PMID:41685281	研究论文	本研究评估了将直接观察程序技能作为工作场所评估工具，用于重症监护室住院医师的超声引导中心静脉导管插入培训	将DOPS作为工作场所评估工具引入重症监护室住院医师的超声引导中心静脉导管插入培训，并结合Pendleton模型提供结构化反馈	样本量较小（25名住院医师），且研究设计为混合方法，可能受主观反馈影响	评估DOPS作为工作场所评估工具在重症监护室住院医师培训中的有效性和接受度	重症监护室的住院医师（注册医师）	医学教育	NA	直接观察程序技能评估	NA	问卷反馈、评分数据	25名住院医师	NA	NA	满意度指数、p值	NA
218	2026-02-28	Research on a method for early diagnosis and progression prediction of cervical cancer based on imaging omics and molecular omics 2025, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2025.1670852 PMID:41743184	研究论文	本研究提出了一种基于影像组学和分子组学整合的新型计算框架，用于宫颈癌的早期诊断和进展预测	提出了一种基于Transformer的诊断编码器CervixFormer，结合了分层注意力机制和跨模态特征融合，并引入了领域感知校准策略（DACS）进行不确定性建模和临床先验整合	未明确说明研究的具体局限性	开发一种用于宫颈癌早期诊断和进展预测的可靠且可解释的诊断工具	宫颈癌患者	计算机视觉, 自然语言处理, 机器学习	宫颈癌	影像组学, 分子组学	Transformer	图像, 组学数据	大规模多模态数据集	NA	CervixFormer	诊断准确性, 鲁棒性, 校准可靠性	NA
219	2026-02-27	Performance of Radiomics-based machine learning and deep learning-based methods in the prediction of tumor grade in meningioma: a systematic review and meta-analysis 2025-Jan-24, Neurosurgical review IF:2.5Q1 DOI:10.1007/s10143-025-03236-3 PMID:39849257	系统综述与荟萃分析	本文通过系统综述和荟萃分析评估了基于影像数据的机器学习（ML）和深度学习（DL）方法在预测脑膜瘤WHO分级中的性能	首次对ML/DL模型在预测脑膜瘤WHO分级中的性能进行了全面的系统综述和荟萃分析，并探讨了验证类型和研究队列对模型性能的影响	纳入研究存在异质性，且需要更多使用外部验证和大规模数据集来评估DL算法的性能	评估基于影像数据的机器学习和深度学习模型在预测脑膜瘤WHO分级中的诊断性能	脑膜瘤患者	医学影像分析	脑膜瘤	影像学研究（如MRI、CT等）	机器学习, 深度学习	影像数据	32项研究，共15,365名患者	NA	NA	AUROC, 特异性, 敏感性	NA
220	2026-02-26	Precision cotton disease detection via transformer models applied to leaf imagery 2025, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2025.1743264 PMID:41736992	研究论文	本文提出了一种基于Transformer架构的深度学习框架，用于自动分类棉花叶片病害	首次将多种Transformer模型（ViT、Swin Transformer、DeiT、T2T-ViT）应用于棉花叶片病害检测，并采用分层K折交叉验证确保模型评估的鲁棒性	仅针对四种棉花病害类别进行研究，未涵盖更广泛的病害类型或环境变异	开发高精度的棉花叶片病害自动检测系统，以提升农业监测效率	棉花叶片图像（包含卷叶病毒、细菌性疫病、枯萎病和健康叶片四种类别）	计算机视觉	植物病害	深度学习图像分类	Transformer	图像	未明确说明具体样本数量，但包含四种类别的棉花叶片图像数据集	未明确说明	Vanilla Vision Transformer (ViT), Swin Transformer, DeiT, T2T-ViT	准确率	未明确说明