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	2026-02-12	Multimodal Deep Learning Approaches for Early Detection of Alzheimer's Disease: A Comprehensive Systematic Review of Image Processing Techniques 2025, Current Alzheimer research IF:1.8Q4 DOI:10.2174/0115672050401817250721190509 PMID:40785178	综述	本文全面系统地回顾了用于阿尔茨海默病早期检测的多模态深度学习及图像处理技术	聚焦于多模态深度学习在阿尔茨海默病早期诊断中的应用，并整合了可解释人工智能（XAI）的最新进展	数据集不足或准备不充分、计算成本高、与临床实践缺乏整合	调查多模态深度学习在阿尔茨海默病早期诊断中的最新技术现状	阿尔茨海默病	计算机视觉	阿尔茨海默病	结构MRI、功能MRI、淀粉样蛋白PET	CNN, 迁移学习方法, 组合模型	图像	NA	NA	NA	NA	NA
202	2026-02-09	T2W-CogLoadNet: a framework for cognitive load assessment of dance movements based on deep learning-powered human pose estimation 2025, Frontiers in psychology IF:2.6Q2 DOI:10.3389/fpsyg.2025.1707539 PMID:41646903	研究论文	本文提出了一种基于深度学习的人体姿态估计框架T2W-CogLoadNet，用于评估舞蹈动作的认知负荷	结合了Temporal Convolutional Network (TCN)-Transformer进行时间特征提取，并利用Whale Optimization (WOA)进行超参数优化，实现了3D舞蹈姿态估计和认知负荷建模	未整合多模态输入，对不同舞蹈风格的适应性有待提升，实时监测工具尚未开发	优化舞蹈训练效果并促进康复应用，通过评估舞蹈动作的认知负荷	舞蹈姿态和认知负荷	计算机视觉	NA	深度学习，人体姿态估计	TCN, Transformer	视频	AIST++专业舞蹈数据集和Kinetics 400广义运动数据集	NA	T2W-CogLoadNet, TCN, Transformer	MAE, RMSE, MPJPE	NA
203	2026-02-09	Design and experiment of tea winnowing parameter control system based on YOLO-AE 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1721083 PMID:41647632	研究论文	本文提出了一种基于改进YOLO-AE模型的白茶风选参数控制系统，通过深度学习实时识别茶叶等级比例并优化风选参数	改进了YOLOv11模型，引入ACmix和EUCB模块，使识别精度提升2.1%，检测时间缩短40%	仅针对白茶进行实验，未验证在其他茶类或更广泛场景下的适用性	设计基于深度学习的茶叶风选参数控制系统，提高风选质量和效率	白茶茶叶	计算机视觉	NA	深度学习	CNN	图像	未明确说明样本数量，但涉及不同比例的茶叶材料测试	未明确指定，可能基于PyTorch或TensorFlow（从YOLO系列推断）	YOLOv11改进版（YOLO-AE），结合ACmix和EUCB模块	识别精度，MAP (0.5:0.95)，检测时间	未明确说明
204	2026-02-09	Deep learning software and revised 2D model to segment bone in micro-CT scans 2025, Frontiers in bioinformatics IF:2.8Q2 DOI:10.3389/fbinf.2025.1677527 PMID:41648861	研究论文	本文提出了一种修订的2D骨孔分割模型BP-2D-03及配套深度学习软件，用于在微CT扫描中自动分割骨骼	开发了BONe DL软件接口，包含训练、预测和评估模块，解决了切片级数据泄漏、高内存使用和有限多GPU支持等问题	模型对于非典型扫描的预测性能可能下降，性能在不同扫描组成上存在差异	提高微CT数据集中骨骼分割的自动化程度和跨平台可重复性	微CT扫描数据集，涵盖五种哺乳动物物种	计算机视觉	NA	微CT扫描	深度学习	图像	20个微CT扫描，包含142,960个图像块	NA	U-Net, UNet++, ResNet-18	IoU	多GPU支持
205	2026-02-08	Transforming cervical cancer pathological diagnosis through artificial intelligence: progress, performance, and barriers to clinical implementation 2025, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2025.1716018 PMID:41640440	综述	本系统综述评估了人工智能技术在宫颈癌病理诊断中的应用现状、发展水平及关键挑战	系统性地总结了AI在宫颈癌病理诊断中的进展，特别指出深度学习模型可将诊断时间从8-15分钟缩短至1-3分钟，并达到92-98%的准确率	存在标准化问题、临床验证有限以及基础设施成本高昂等实施挑战	评估人工智能技术在宫颈癌病理诊断中的应用与挑战	涉及宫颈癌病理诊断的人工智能应用研究，包括组织病理学、免疫组织化学和分子病理学诊断	数字病理学	宫颈癌	NA	CNN	组织病理学图像	基于56项纳入研究，具体样本量未在摘要中明确	NA	卷积神经网络	诊断准确率	NA
206	2026-02-08	Multimodal MRI radiomics-clinical fusion model predicts intravenous glucocorticoid response in thyroid eye disease 2025, Frontiers in endocrinology IF:3.9Q2 DOI:10.3389/fendo.2025.1726947 PMID:41641033	研究论文	本研究开发了一种多模态MRI影像组学-临床融合模型，用于预测甲状腺眼病患者对静脉糖皮质激素治疗的反应	首次将多模态MRI影像组学特征与深度迁移学习特征融合，并结合临床预测因子构建综合模型，以预测甲状腺眼病的治疗反应	研究为回顾性、多中心设计，样本量相对较小（108名患者），且仅使用了两种MRI序列（T1WI和T2WI-FS）	预测甲状腺眼病患者对静脉糖皮质激素治疗的反应，以实现个性化治疗规划	甲状腺眼病患者	数字病理学	甲状腺眼病	MRI（T1加权成像和脂肪抑制T2加权成像）	融合模型（影像组学与深度学习）	医学影像（MRI）	108名甲状腺眼病患者（78名应答者，30名无应答者）	NA	NA	AUC, 校准曲线, 决策曲线分析	NA
207	2026-02-08	CervSpineNet: a hybrid deep learning-based approach for the segmentation of cervical spinous processes 2025, Frontiers in bioengineering and biotechnology IF:4.3Q2 DOI:10.3389/fbioe.2025.1733689 PMID:41635798	研究论文	本文提出了一种名为CervSpineNet的混合深度学习框架，用于自动分割颈椎棘突，并基于专家标注的500张颈椎X光片数据集进行验证	结合基于Transformer的编码器捕获全局解剖上下文与轻量级卷积解码器细化局部边界，并采用复合损失函数联合优化区域重叠、类别平衡、结构保真度和边界准确性	未提及模型在外部数据集或不同设备采集图像上的泛化性能	开发自动化工具以可靠分割颈椎棘突，支持解剖标志定位、手术规划和脊柱畸形纵向评估	颈椎棘突	计算机视觉	脊柱畸形	X射线成像	混合深度学习框架	图像	500张颈椎脊柱X光片	未明确提及	Transformer编码器与卷积解码器混合架构	Dice系数, IoU, SSIM, HD95距离, MAE	标准临床硬件
208	2026-02-07	Ultrasound elastic modulus reconstruction using a deep learning model trained with simulated data 2025-Jan, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.12.1.017001 PMID:39916991	研究论文	本文开发并验证了一种基于深度学习的超声弹性成像逆问题求解方法，用于从超声测量的位移场中重建弹性模量的空间分布	提出了一种基于U-Net的深度学习神经网络，通过数据驱动模型解决超声弹性成像中的逆问题，利用模拟数据进行训练，避免了传统方法对大量真实测量数据的依赖	模拟数据的多样性和代表性对模型泛化能力至关重要，可能在实际应用中受到模拟与真实数据差异的限制	解决超声弹性成像中传统逆问题技术计算量大、对噪声敏感或依赖完整位移场数据的局限性	超声弹性成像中的位移场数据及对应的弹性模量分布	医学影像分析	NA	超声弹性成像	深度学习	模拟位移场数据、体模实验数据、临床数据	未明确具体样本数量，但包括模拟数据、体模实验和临床数据	未明确指定，但基于U-Net架构	U-Net	均方误差, 平均绝对百分比误差, 模量比, 对比噪声比	NA
209	2026-02-07	Vision transformer distillation for enhanced gastrointestinal abnormality recognition in wireless capsule endoscopy images 2025-Jan, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.12.1.014505 PMID:39916992	研究论文	本文提出了一种基于知识蒸馏的深度学习框架，利用CNN教师模型指导ViT学生模型，以增强无线胶囊内窥镜图像中胃肠道异常的识别能力	首次将知识蒸馏技术应用于CNN与ViT的结合，用于WCE图像分析，通过注意力机制和深度可分离卷积提升特征提取效率	研究仅基于公开数据集（Kvasir和KID），未在更大规模或更多样化的临床数据上进行验证	开发计算机视觉辅助系统，以自动化识别WCE图像中的胃肠道异常，减轻医生手动检查负担	无线胶囊内窥镜图像中的正常与异常区域，以及出血与非出血病例	计算机视觉	胃肠道疾病	无线胶囊内窥镜成像	CNN, ViT	图像	基于Kvasir和KID两个公共数据集的图像（具体数量未明确说明）	未明确指定，可能为PyTorch或TensorFlow	Vision Transformer, 结合注意力机制和深度可分离卷积的CNN	准确率	未明确说明
210	2026-02-06	RETRACTED: Enhanced E-commerce decision-making through sentiment analysis using machine learning-based approaches and IoT 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0326744 PMID:40587469	研究论文	本研究通过结合物联网（IoT）和机器学习技术，利用情感分析提升电子商务决策能力，旨在优化客户购物体验并改进企业运营策略	创新性地将IoT数据收集与多种机器学习算法（包括深度学习模型如GRU和LSTM）结合，用于电子商务决策支持，并发现AdaBoosting在多项性能指标上超越其他方法	未详细说明数据的具体来源、规模或隐私处理措施，且未讨论模型在不同电子商务场景中的泛化能力	提升电子商务决策水平，通过情感分析改善客户购物体验和企业销售策略	电子商务中的客户行为数据、偏好数据及产品需求数据	自然语言处理	NA	情感分析、机器学习算法	logistic regression, Naïve Bayes, SVM, Random Forest, AdaBoosting, GRU, LSTM	文本数据（来自IoT设备收集的客户行为和偏好数据）	NA	NA	GRU, LSTM	F1分数, 准确率, 精确率, 召回率	NA
211	2026-02-06	Can machine learning help accelerate article screening for systematic reviews? Yes, when article separability in embedding space is high 2025-Jan, Research synthesis methods IF:5.0Q1 DOI:10.1017/rsm.2024.16 PMID:41626902	研究论文	本文全面测试了机器学习模型在加速教育领域系统综述文献筛选中的应用，并提出了基于嵌入空间聚类可分性的启发式方法来预测模型性能	发现嵌入空间中相关与不相关文献聚类的可分性（整体R²=0.81）能强预测机器学习筛选效果，提出了一种通用启发式方法	研究仅基于教育领域的系统综述数据集，未验证其他学科领域的普适性	评估机器学习模型加速系统综述文献筛选的可行性并探索性能预测指标	教育领域系统综述的文献数据集	自然语言处理	NA	机器学习模型测试、大语言模型提示工程	经典机器学习模型、深度学习模型、GPT-3.5、GPT-4	文本	多个实际系统综述数据集（具体数量未说明）	NA	NA	召回率、工作量节省百分比	NA
212	2026-02-05	Estimating Uncertainty of Geographic Atrophy Segmentations with Bayesian Deep Learning 2025 Jan-Feb, Ophthalmology science IF:3.2Q1 DOI:10.1016/j.xops.2024.100587 PMID:39380882	研究论文	本研究应用贝叶斯深度学习方法量化地理萎缩（GA）分割的不确定性，并与传统深度学习模型进行比较	首次将蒙特卡洛dropout和集成两种近似贝叶斯深度学习技术应用于GA分割的不确定性量化，同时提高了模型性能	研究为回顾性分析，样本量相对有限（126只眼），且仅基于单一队列（SWAGGER）的SS-OCT图像	通过量化GA分割的不确定性，提高模型的可信度并辅助临床决策	年龄相关性黄斑变性（AMD）患者的地理萎缩（GA）病变	数字病理学	年龄相关性黄斑变性	扫频源光学相干断层扫描（SS-OCT）	深度学习分割模型	医学图像（OCT图像）	126只眼（来自87名参与者）	NA	NA	Dice系数	NA
213	2026-02-05	Deep learning CT image restoration using system blur and noise models 2025-Jan, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.12.1.014003 PMID:39906485	研究论文	本文提出了一种结合系统模糊和噪声模型的深度学习CT图像恢复方法	通过整合系统模糊和噪声的辅助输入，将建模与深度学习结合，而非仅依赖图像输入进行盲恢复	未明确说明模型在极端噪声或模糊条件下的泛化能力，且可能依赖于准确的系统参数估计	提高CT图像恢复的质量，通过利用系统模糊和噪声特性来增强深度学习模型性能	受模糊和噪声影响的CT图像	计算机视觉	NA	CT成像	CNN	图像	NA	NA	卷积神经网络	平均峰值信噪比, 结构相似性指数	NA
214	2026-02-02	Automatic detection of main pancreatic duct dilation and pancreatic parenchymal atrophy based on a shape feature in abdominal contrast-enhanced CT images 2025-Jan, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.12.1.014504 PMID:39895855	研究论文	本研究开发了一种基于腹部增强CT图像的形状特征算法，用于自动检测主胰管扩张和胰腺实质萎缩	提出了一种结合深度学习分割与中心线估计的自动化形状特征（90th DP ratio）计算方法，用于同时检测MPDD和PPA	仅使用56例公开数据进行验证，样本量有限；未在外部数据集上进行测试	开发自动检测胰腺形态异常（主胰管扩张和胰腺实质萎缩）的算法	腹部增强CT图像中的胰腺区域	计算机视觉	胰腺疾病	腹部对比增强CT成像	CNN	医学影像（CT图像）	56例腹部增强CT图像（48例有MPDD，8例无MPDD；31例有PPA，25例无PPA）	未明确说明	未明确说明具体架构（仅提及深度学习CNN）	统计显著性检验（p值），90th DP ratio的均值比较	NA
215	2026-02-02	Epilepsy detection based on spatiotemporal feature interaction fusion of EEG signals 2025, Frontiers in neurology IF:2.7Q3 DOI:10.3389/fneur.2025.1478718 PMID:41613177	研究论文	本文提出了一种结合图注意力网络和Transformer网络的自动癫痫检测方法，用于从多通道EEG信号中提取时空特征	结合GAT和Transformer网络，首次在癫痫检测中同时关注EEG通道间的空间拓扑结构和时间序列关系，弥补了现有方法对通道间关系关注不足的缺陷	未提及模型在实时检测或临床环境中的泛化能力，也未讨论计算复杂度或资源需求	开发一种自动癫痫检测方法，以更充分地提取多通道EEG信号的时空信息	癫痫患者的EEG信号	机器学习	癫痫	EEG信号分析	GAT, Transformer	EEG信号	CHB-MIT和TUH数据集，采用十倍交叉验证	NA	图注意力网络, Transformer网络	准确率	NA
216	2026-02-02	Neurologists-level interpretable CT-based deep neural network for prediction of hemorrhagic transformation after ischemic stroke 2025, Frontiers in neuroscience IF:3.2Q2 DOI:10.3389/fnins.2025.1753071 PMID:41613258	研究论文	本研究开发了一种基于CT扫描的深度学习模型，用于预测缺血性卒中后的出血转化	结合平扫CT与深度学习方法，开发出具有临床可解释性的模型，在测试中显示出优于临床医生和现有类似模型的性能	研究为回顾性分析，样本量相对有限（474例病例），且数据来自单一中心，可能影响模型的泛化能力	预测急性缺血性卒中后的出血转化，以改善临床预后	急性缺血性卒中患者	计算机视觉	心血管疾病	CT扫描	CNN	图像	474例急性缺血性卒中病例（231例HT，243例非HT），共613张CT扫描	NA	ResNet	F1分数, AUC, 灵敏度, 准确度	NA
217	2026-02-02	Enhancing online adaptive radiotherapy with uncertainty based segmentation error and out-of-distribution detection 2025, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2025.1637198 PMID:41613551	研究论文	本研究探讨了深度学习分割模型的不确定性估计与分割正确性之间的关系，并测试了其检测分布外数据的能力	利用蒙特卡洛dropout方法估计分割不确定性，并首次将预测熵和互信息应用于在线自适应放疗中，以区分正确与错误预测及分布内外数据	研究样本量较小（训练集151次扫描，测试集65次扫描），且仅针对前列腺癌的MR图像，未验证其他癌症类型或成像模态	研究深度学习分割模型的不确定性估计与分割正确性的关联，并探索其在检测分布外数据方面的能力	磁共振引导放疗的前列腺癌图像，包括临床靶区、膀胱和直肠的分割	医学图像分析	前列腺癌	磁共振成像（MRI），平衡稳态自由进动MRI	深度学习模型	医学图像（T2 MR扫描）	训练/验证集：26名患者的151次扫描；测试集：10名患者的65次扫描；分布外数据：10名健康志愿者的MRI扫描	NA	NA	Dice系数	NA
218	2026-02-02	Effective deep convolutional neural network with attention mechanism for Alzheimer disease classification 2025, Frontiers in radiology DOI:10.3389/fradi.2025.1698760 PMID:41613767	研究论文	本文提出了一种结合注意力机制的深度卷积神经网络，用于阿尔茨海默病的多阶段分类	通过引入注意力机制增强模型对诊断相关区域的关注，提高了分类准确性和可解释性	模型仅在OASIS数据集上进行训练和评估，缺乏外部验证和临床实际应用的广泛测试	开发一种高效的深度学习模型，用于阿尔茨海默病的早期检测和多阶段分类	阿尔茨海默病患者的大脑MRI图像	计算机视觉	阿尔茨海默病	MRI成像	CNN	图像	OASIS数据集中的受试者级别数据	NA	深度卷积神经网络（Deep-CNN）	准确率	NA
219	2026-02-02	Deep learning-enabled hybrid systems for accurate recognition of text in seal images 2025, Frontiers in big data IF:2.4Q2 DOI:10.3389/fdata.2025.1753871 PMID:41613994	研究论文	本文提出了一种混合模型，用于解决中文印章文本识别中的挑战，包括背景文字、高噪声和图像特征简化等问题	整合了针对真实印章的预处理技术、基于深度学习的位置校正模型、圆形文本展开模型和OCR文本识别，并引入了创新的图像去噪算法和合成数据集	未明确提及模型在极端噪声或复杂背景下的泛化能力限制	提高中文印章文本识别的准确性	中文印章图像	计算机视觉	NA	OCR, 图像去噪, 极坐标变换	深度学习	图像	NA	NA	NA	准确性	NA
220	2026-01-30	SpaCE: a spatial counterfactual explainable deep learning model for predicting out-of-hospital cardiac arrest survival outcome 2025-Jan-28, International journal of geographical information science : IJGIS IF:4.3Q1 DOI:10.1080/13658816.2024.2443757 PMID:40881155	研究论文	本文提出了一种名为SpaCE的空间反事实可解释深度学习模型，用于预测院外心脏骤停患者的生存结局	开发了首个结合空间显式健康结果预测器和原型引导反事实解释的统一模型，能够生成最小改变但结果相反的假设案例，以评估不同空间背景下各变量的影响	模型仅在心脏骤停案例中进行评估，其在不同疾病场景中的普适性需要进一步验证	开发能够整合健康变量和空间信息以预测健康结果的可解释深度学习模型	院外心脏骤停患者的生存结局	机器学习	心血管疾病	深度学习	深度学习模型	空间数据, 健康变量数据	NA	NA	SpaCE (Spatial Counterfactual Explainable Deep Learning model)	AUCROC	NA