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
221	2026-02-26	Deep learning analysis of MRI to assess rectal cancer treatment 2025, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2025.1643852 PMID:41737732	研究论文	本研究开发了深度学习模型，用于直肠癌治疗前后MRI图像的自动肿瘤分割，并通过影像组学特征区分临床完全缓解与非完全缓解患者	采用半监督学习与伪标签数据显著提升了治疗前MRI肿瘤分割性能，并利用影像组学聚类揭示了与治疗反应状态一致的患者分组	样本量较小（37例），且治疗后分割因组织变化面临挑战，影像组学特征需在更大规模多中心研究中验证	开发客观定量的工具，以改善局部晚期直肠癌治疗反应的评估	局部晚期直肠癌患者的治疗前后MRI图像	数字病理	直肠癌	MRI, 影像组学分析	深度学习模型	MRI图像（T2加权图像, ADC图）	37例局部晚期直肠癌患者（来自II期TNT试验），额外81例用于伪标签生成	NA	NA	Dice相似系数, ICC, Spearman相关系数	NA
222	2026-02-25	Sparse-View CT Joint Reconstruction Strategy with Sparse Sampling Encoding Layer 2025, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056354972250221012822 PMID:40143696	研究论文	本文提出了一种基于稀疏采样编码层的稀疏视图CT联合重建策略，旨在自动搜索高效的稀疏采样方案并提高重建质量	开发了一个采样编码层用于自动搜索稀疏采样方案，并将其集成到基于投影数据的稀疏重建神经网络模型中，同时提出了基于Radon域和图像域绘制的联合重建策略	NA	开发一种端到端的稀疏角度CT重建方法，以在剂量约束下自动搜索高效的稀疏采样方案	稀疏角度CT重建	计算机视觉	NA	CT扫描	深度学习	图像	基于公共CT数据集	NA	NA	NA	NA
223	2026-02-25	RETRACTED: Advancing enterprise risk management with deep learning: A predictive approach using the XGBoost-CNN-BiLSTM model 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0319773 PMID:40179109	研究论文	本研究提出了一种基于深度学习的风险管理模型，采用XGBoost-CNN-BiLSTM框架来提升风险事件的预测与检测能力	结合XGBoost的结构化数据处理能力、CNN的特征提取能力和BiLSTM的时间序列处理能力，构建了一个综合性的风险预测模型	未在摘要中明确提及	提升企业风险管理的预测与检测能力，确保企业可持续稳定发展	企业风险事件	机器学习	NA	深度学习	XGBoost, CNN, BiLSTM	结构化数据、时间序列数据	多个数据集，包括S&P 500历史数据集	NA	XGBoost-CNN-BiLSTM	准确率, 召回率, F1分数, AUC	NA
224	2026-02-25	Transforming Medical Imaging: The Role of Artificial Intelligence Integration in PACS for Enhanced Diagnostic Accuracy and Workflow Efficiency 2025, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056370620250403030638 PMID:40265427	综述	本文综述了人工智能（AI）集成到医学影像存档与通信系统（PACS）中的现状，评估了其对诊断准确性、工作流程效率和患者结局的影响	系统性地回顾了AI集成到PACS中的技术演进、关键进展（如诊断准确性提升高达93.2%）、工作流程效率变革（如诊断时间减少高达90%），并识别了数据隐私、监管合规和互操作性等持续挑战	研究依赖于截至2024年10月的文献，可能未涵盖最新的技术发展；同时，数据隐私、监管合规和系统互操作性等挑战仍然存在，需要标准化框架和强大的安全协议来解决	探讨AI在PACS中的集成，并评估其对医学影像、诊断工作流程和患者结局的影响	AI在医学影像存档与通信系统（PACS）中的应用、技术创新及工作流程改进	医学影像	NA	人工智能、机器学习、深度学习	卷积神经网络（CNN）、自然语言处理（NLP）工具	医学影像数据、文本报告	基于183项符合纳入标准的研究（包括原始研究、系统综述和荟萃分析）	NA	NA	诊断准确性（高达93.2%）、图像分割准确性（高达94%）、报告时间减少（30-50%）	基于云的解决方案
225	2026-02-25	Accuracy and Reliability of Multimodal Imaging in Diagnosing Knee Sports Injuries 2025, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056360665250506115221 PMID:40377156	研究论文	本研究通过结合MRI、CT和超声进行集成学习，并利用深度学习模型自动分析，以提高膝关节运动损伤诊断的准确性和可靠性	采用多模态成像（MRI、CT、超声）进行集成学习，并结合深度学习算法实现膝关节损伤的自动识别与分类	未明确提及研究的具体局限性，如数据集的多样性、模型在外部验证集上的表现等	解决因医生主观经验和诊断标准不一致导致的单模态成像诊断准确性不足的问题，提高膝关节运动损伤的诊断精度和效率	膝关节运动损伤，如前交叉韧带撕裂、半月板损伤、软骨损伤和骨折	计算机视觉	运动损伤	磁共振成像（MRI）、计算机断层扫描（CT）、超声（US）	CNN	图像	NA	NA	NA	敏感性, 特异性, 诊断准确率, 总体错误率	NA
226	2026-02-25	Deep Learning for Automated Prediction of Sphenoid Sinus Pneumatization in Computed Tomography 2025, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056363158250429101521 PMID:40415313	研究论文	本研究开发了一种卷积神经网络模型，用于自动预测计算机断层扫描中蝶窦气化模式	首次应用深度学习自动识别蝶窦气化变异，通过数据增强提升模型在有限和不平衡数据集上的性能	数据集规模有限（仅249张CT图像），且存在类别不平衡问题	提高经蝶窦手术的安全性，通过自动识别蝶窦气化模式辅助临床决策	蝶窦气化模式	计算机视觉	NA	计算机断层扫描	CNN	图像	249张CT图像（训练集174张，测试集75张），增强后训练集增至378张	NA	NA	准确率, AUC, 敏感性, 特异性, F1分数	NA
227	2026-02-25	Reconstruction of Heart-related Imaging from Lung Electrical Impedance Tomography Using Semi-Siamese U-Net 2025, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056408077250610070821 PMID:40611416	研究论文	本研究提出了一种基于半孪生U-Net架构的深度学习模型，用于从肺部电阻抗断层扫描中重建心脏相关阻抗成像	采用新颖的半孪生U-Net架构，通过共享编码器和两个独立解码器分别分割肺部和心脏区域，并应用加权二元交叉熵损失以强化心脏相关学习	目前有希望的结果仅限于真实数据的定性评估和基于模拟的训练，缺乏临床验证	克服肺部阻抗变化的主导影响，从肺部电阻抗断层扫描中重建心脏相关信号成像	基于有限元法的电阻抗断层扫描模拟数据和真实人体电阻抗断层扫描数据	医学影像处理	心血管疾病	电阻抗断层扫描	深度学习	图像	NA	NA	半孪生U-Net	Dice系数, 平均绝对误差	NA
228	2026-02-25	The Clinical Significance of Femoral and Tibial Anatomy for Anterior Cruciate Ligament Injury and Reconstruction 2025, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056361050250605052447 PMID:40551697	综述	本文综述了股骨和胫骨解剖结构（如股骨髁间窝形态、胫骨后倾角）对前交叉韧带损伤风险及重建手术效果的影响	整合了年龄与性别特异性解剖差异对ACL损伤的影响，并强调了人工智能与先进影像技术在个性化手术规划中的应用前景	作为综述文章，未提供原始实验数据或新型模型的性能验证	探讨股骨与胫骨解剖结构对前交叉韧带生物力学、损伤风险及重建手术效果的影响机制	前交叉韧带损伤患者（涵盖青少年、成人及老年群体）的骨骼解剖特征	数字病理	骨科疾病	MRI、CT、3D重建、人工智能分割	深度学习模型	医学影像（MRI、CT）	NA	NA	NA	NA	NA
229	2026-02-25	Optimised Convolution Layers of DnCNN using Vedic Multiplier and Hyperparameter Tuning in Cancer Detection on Field Programmable Gate Array 2025, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056400656250616073019 PMID:40574390	研究论文	本研究提出了一种基于Vedic乘法器和POA优化的DnCNN算法，在FPGA上实现乳腺癌检测、分割和分类	在DnCNN卷积层中引入Vedic乘法器（CUTIN）替代传统算术单元，并结合POA进行超参数优化，以提高精度和效率	较大图像尺寸会增加处理器规模和门电路数量，可能限制处理能力	优化深度学习算法在硬件上的实现，以提高癌症细胞分割的准确性	乳腺癌的良性及恶性病变	计算机视觉	乳腺癌	深度学习算法，FPGA实现	DnCNN	图像	NA	NA	DnCNN	准确率, 精确率, 特异性, F分数, IoU, DSC	FPGA设备
230	2026-02-24	Deep learning-based optic nerve diameter sheath characterization and structure quantification on transorbital ultrasound images 2025, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2025.1705459 PMID:41601796	研究论文	本文提出了一种基于深度学习的神经网络，用于在经眼眶超声图像上进行视神经鞘直径表征和结构量化	结合共享和特定特征提取分支以及不确定性感知损失函数，以学习鲁棒的物体结构，并在多中心公开数据集上表现出优越性能	NA	实现视神经的精确分割和视神经鞘直径的量化，以作为颅内压升高等神经眼科疾病的非侵入性评估生物标志物	经眼眶超声图像中的视神经结构	计算机视觉	神经眼科疾病	超声成像	深度学习神经网络	图像	多中心公开数据集	NA	结合共享和特定特征提取分支的深度神经网络	Dice分数, AUROC	NA
231	2026-02-24	Non-genetic factors determine deep learning identified ECG differences between black and white healthy subjects 2025, NPJ cardiovascular health DOI:10.1038/s44325-025-00087-1 PMID:41080706	研究论文	本研究探讨了机器学习模型能否从健康黑人和白人个体的心电图中识别基于种族的差异，并探索了这些差异的起源	揭示了心电图中的种族相关模式主要由非遗传因素决定，并通过大规模多机构数据分析验证了这一点	研究主要关注黑人和白人群体，可能未涵盖其他种族或族裔群体，且社会经济状态的影响分析可能受数据限制	调查人工智能模型从心电图数据中检测种族差异的能力及其公平性影响	来自多个机构的约176万名健康受试者的约1000万条心电图轨迹	机器学习	心血管疾病	心电图分析	CNN	心电图信号	约176万名受试者，约1000万条心电图轨迹	NA	1层晚期融合CNN	AUC	NA
232	2026-02-24	Anthropometry and diagnostic aware deep learning for exercise assessment 2025, Frontiers in medical technology IF:2.7Q3 DOI:10.3389/fmedt.2025.1725661 PMID:41725682	研究论文	提出一种结合人体测量和诊断信息的深度学习框架，用于评估力量训练动作的质量和风险	首次将人体测量和诊断特征与IMU运动学数据融合，通过注意力加权进行特征融合，提升动作分类和风险预测的准确性	样本量较小（仅15名健康受试者），且未在临床患者或更大样本人群中验证	开发一个多模态深度学习框架，以分类运动质量并预测运动相关风险	健康受试者进行正确和不正确的深蹲和罗马尼亚硬拉动作	机器学习	NA	IMU（惯性测量单元）数据采集	CNN, LSTM	运动学序列数据，静态人体测量/诊断数据	15名健康受试者	NA	CNN-LSTM分支与全连接分支融合，注意力加权	序列级准确率，二元风险预测准确率	NA
233	2026-02-24	AI-based prediction of heart failure progression in persistent atrial fibrillation using wearable electrocardiography: a brief research report 2025, Frontiers in cardiovascular medicine IF:2.8Q2 DOI:10.3389/fcvm.2025.1748673 PMID:41727311	研究论文	本研究评估了利用可穿戴心电图和人工智能模型预测持续性房颤患者心力衰竭进展的可行性	首次结合可穿戴心电图特征与临床指标，采用上下文感知深度学习模型预测心力衰竭生物标志物变化趋势	样本量较小（仅50名患者），研究结果需要更大规模验证	评估基于可穿戴心电图和人工智能预测持续性房颤患者心力衰竭进展的可行性	持续性房颤患者	机器学习	心血管疾病	可穿戴心电图监测	LSTM, 注意力机制	心电图信号, 临床数据	50名持续性房颤患者	NA	上下文感知深度学习模型	RMSE, MAE, 准确率	NA
234	2026-02-20	Classification of Major Depressive Disorder Using Vertex-Wise Brain Sulcal Depth, Curvature, and Thickness with a Deep and a Shallow Learning Model 2025-Jan-24, ArXiv PMID:39975425	研究论文	本研究使用大脑皮层顶点水平的沟深、曲率和厚度特征，结合深度学习和浅层学习模型，对重度抑郁症患者与健康对照组进行分类	首次在大规模、多中心的ENIGMA-MDD数据集上，系统评估了顶点水平皮层形态特征的整合对MDD分类的效能，并比较了DenseNet与SVM两种非线性与线性模型的性能	仅使用结构MRI的皮层形态特征，分类性能接近随机水平，未能有效区分MDD与健康对照；结果可能受多中心数据异质性影响	探索基于大脑皮层形态特征的机器学习模型对重度抑郁症的诊断分类能力	重度抑郁症患者与健康对照者	神经影像分析	重度抑郁症	结构磁共振成像	DenseNet, SVM	神经影像特征数据	7,012名参与者（2,772名MDD患者，4,240名健康对照），来自30个研究中心	NA	DenseNet	平衡准确率	NA
235	2026-02-19	A Deep Neural Network Framework for the Detection of Bacterial Diseases from Chest X-Ray Scans 2025, Infectious disorders drug targets DOI:10.2174/0118715265358132250429115426 PMID:40454498	研究论文	本研究开发了一个基于深度神经网络的框架，用于从胸部X光扫描中检测包括COVID-19、肺炎和结核病在内的呼吸系统疾病	利用多种DNN学习算法分析X光扫描的颜色、曲线和边缘特征，并采用Adam优化器降低错误率，VGG19模型在准确率上相比其他模型有显著提升	NA	开发一个先进的深度学习框架，用于快速检测呼吸系统疾病	胸部X光扫描图像	计算机视觉	肺病	NA	DNN	图像	1800张胸部X光图像，包括COVID-19、肺炎、结核病和正常病例	NA	VGG19, AlexNet, GoogleNet, InceptionV3, VGG16	准确率, 灵敏度, 特异性, F1分数, 错误率	NA
236	2026-02-19	LeafSightX: an explainable attention-enhanced CNN fusion model for apple leaf disease identification 2025, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2025.1689865 PMID:41693760	研究论文	提出了一种名为LeafSightX的可解释注意力增强CNN融合模型，用于苹果叶片病害的快速精准识别	采用双主干架构（DenseNet201和InceptionV3）结合多头自注意力机制，增强特征表示能力和空间上下文推理，并集成可解释AI技术（Grad-CAM）提高模型透明度	模型架构较为复杂	开发适用于精准农业的苹果叶片病害识别系统	苹果叶片病害	计算机视觉	植物病害	深度学习	CNN, 注意力机制	图像	包含田间和实验室图像的五类苹果叶片病害数据集，并在一个额外的独立数据集上进行了验证	未明确提及	DenseNet201, InceptionV3	准确率, F1分数, AUC, PR-AUC, Cohen's Kappa	未明确提及，但模型具备实时推理能力，适合边缘设备部署
237	2026-02-19	Explaining factors influencing students' depression with a deep learning approach 2025, Frontiers in psychology IF:2.6Q2 DOI:10.3389/fpsyg.2025.1684274 PMID:41694756	研究论文	本研究提出了一种名为GLNet的人工智能算法，通过整合Mamba和卷积层从学生的社会人口学、学术和生活方式信息中提取特征，用于分析学生抑郁的影响因素	提出了一种新型的深度学习模型GLNet，该模型创新性地结合了Mamba和卷积层，用于从多维度学生数据中提取特征以分析抑郁相关因素	研究基于公开可用的学生抑郁数据集，可能无法完全代表所有学生群体，且模型性能可能受数据质量和样本量的限制	准确识别学生抑郁并分析其关键影响因素，以改善学生心理健康	学生群体，包括其社会人口学特征、学术表现和生活方式信息	机器学习	心理健康障碍	深度学习	CNN, Mamba	结构化数据（包括社会人口学、学术和生活方式信息）	公开可用的学生抑郁数据集中的样本	NA	GLNet（整合Mamba和卷积层的自定义架构）	准确率	NA
238	2026-02-19	PointNeXt-DBSCAN: a hybrid point cloud deep learning framework for multi-stage cotton leaf instance segmentation 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1705564 PMID:41695536	研究论文	本研究提出了一种结合PointNeXt与DBSCAN的混合点云深度学习框架，用于棉花多生长阶段的叶片实例分割	提出了一种两阶段混合框架，先使用PointNeXt网络进行语义分割，再利用密度自适应的DBSCAN聚类进行实例分割，有效缓解了新叶的过分割问题	未明确说明框架在极端遮挡或高度密集叶片场景下的性能，也未讨论计算效率或实时处理能力	实现棉花点云中器官级别的实例分割，以支持关键表型性状的自动提取	棉花植株点云数据，涵盖从幼苗到吐絮期的多个生长阶段	计算机视觉	NA	多视角图像重建	深度学习, 聚类	点云	1065株棉花植株	NA	PointNeXt, DBSCAN	mIoU, ARI, 过分割率, 误差率	NA
239	2026-02-19	Vision-language models for zero-shot weed detection and visual reasoning in UAV-based precision agriculture 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1735096 PMID:41695537	研究论文	本研究评估了六种商用视觉语言模型在无人机农业图像上进行零样本杂草检测和视觉推理的能力	首次在无人机农业图像上系统评估商用视觉语言模型的零样本杂草检测与推理能力，并提出了错误探测提示法以量化模型的可解释性和自校正能力	研究仅基于大豆田数据，模型在定位和特异性方面存在不足，且部分模型在压力测试中表现出脆弱的推理能力	探索视觉语言模型在精准农业中作为低标注杂草管理工具的潜力	无人机采集的大豆田图像及地面真实杂草标注框	计算机视觉	NA	无人机成像，视觉语言模型	视觉语言模型	图像	无人机图像数据集（具体数量未说明）	NA	ChatGPT-4.1, ChatGPT-4o, Gemini Flash 2.5, Gemini Flash Lite 2.5, LLaMA-4 Scout, LLaMA-4 Maverick	零样本性能，可解释性评分（基础性、特异性、合理性、非幻觉性、可操作性），文本到区域重叠度量	NA
240	2026-02-19	Transfer learning for improving generalizability in predicting soybean maturity date using UAV imagery 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1720819 PMID:41695541	研究论文	本研究评估了三种迁移学习技术在利用历史数据预测大豆成熟日期模型泛化能力方面的可行性	首次将预训练与微调、单源与多源域适应等迁移学习技术应用于基于无人机影像的大豆成熟日期预测，以提升模型在新环境中的泛化性能	研究仅基于两个地点的五年试验数据，样本量和环境多样性可能有限，且未考虑其他潜在影响因素如气候变异	提高利用无人机影像预测大豆育种品系成熟日期的模型泛化能力，以支持作物育种效率	大豆育种品系	计算机视觉	NA	无人机多光谱成像	深度学习模型	多光谱图像	2018年至2021年在两个地点进行的五个育种试验	NA	NA	决定系数R2, 均方根误差	NA