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
261	2025-12-11	XAI-BT-EdgeNet: explainable edge-aware deep learning with squeeze-and-excitation for brain tumor detection and prediction 2025, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2025.1676524 PMID:41356670	研究论文	本研究提出了一种名为XAI-BT-EdgeNet的可解释、边缘感知深度学习框架，结合挤压与激励模块，用于基于MRI扫描的脑肿瘤检测与预测	开发了双分支CNN架构，融合了InceptionV3的高级语义特征与边缘特征块的底层边缘表示，并集成SE模块自适应重新校准特征重要性，同时应用了四种XAI技术（LIME、Grad-CAM、Grad-CAM++、Vanilla Saliency）以提供可解释的视觉预测依据	NA	提高脑肿瘤检测的准确性和早期诊断能力，并增强临床对AI系统的信任	脑肿瘤MRI图像	计算机视觉	脑肿瘤	MRI扫描	CNN	图像	4,589张标记的MRI图像（脑肿瘤2,513张，健康2,076张）	NA	InceptionV3, 双分支CNN	准确率, 损失值	NA
262	2025-12-11	tUbeNet: a generalizable deep learning tool for 3D vessel segmentation 2025, Biology methods & protocols IF:2.5Q3 DOI:10.1093/biomethods/bpaf087 PMID:41357142	研究论文	本文提出了一种名为tUbeNet的深度学习模型，结合人机协同训练方法，用于三维血管分割，该工具具有跨组织、模态、尺度和病理的泛化能力	开发了一个通用的深度学习工具，通过预训练的“基础”模型和微调策略，能够以极少量手动标注数据（如仅需新数据集0.3%的体积）适应新应用，实现了高精度三维血管分割	未明确提及模型在极端病理条件或罕见血管结构下的性能限制，以及计算资源需求的具体细节	开发一个可泛化的深度学习工具，用于三维血管分割，以支持血管成像的定量分析	三维血管网络，涵盖多种组织、成像模态、尺度和病理条件	计算机视觉	NA	光学成像、计算机断层扫描、光声成像	CNN	图像	NA	NA	3D卷积神经网络	Dice系数	NA
263	2025-12-11	Artificial intelligence in musculoskeletal radiology: practical aspects and latest perspectives 2025-Jan, BJR open DOI:10.1093/bjro/tzaf029 PMID:41357265	综述	本文综述了人工智能在肌肉骨骼放射学中的实际应用、最新进展及未来挑战	系统总结了AI在MSK影像全工作流程的应用，并探讨了大型语言模型在报告简化与临床沟通中的新兴作用	未涉及具体临床验证数据，主要基于现有文献的整合分析	探讨人工智能在肌肉骨骼放射学领域的应用现状与发展方向	肌肉骨骼影像工作流程及相关人工智能技术	数字病理学	肌肉骨骼疾病	深度学习，大型语言模型	深度学习模型	医学影像	NA	NA	NA	诊断一致性，测量量化准确性	NA
264	2025-12-11	Unifying proteomic technologies with ProteinProjector 2025, Bioinformatics advances IF:2.4Q2 DOI:10.1093/bioadv/vbaf266 PMID:41357305	研究论文	本文开发了一个名为ProteinProjector的自监督深度学习框架，用于整合多种蛋白质组学数据模态，以统一映射蛋白质的亚细胞定位	提出了一种灵活的自监督深度学习框架，能够整合任意数量的蛋白质组学数据模态，生成统一的蛋白质位置图谱，显著提高了图谱覆盖范围和准确性	NA	整合多种蛋白质组学技术，以更全面地理解蛋白质的亚细胞组织	HEK293人胚胎肾细胞中的蛋白质	机器学习	NA	蛋白质亲和纯化、邻近连接、尺寸排阻色谱质谱（AP-MS, PL-MS, SEC-MS）以及蛋白质荧光成像	自监督深度学习	质谱数据、图像数据	NA	NA	NA	已知复合物的恢复率、正交功能和物理关联的恢复率	NA
265	2025-12-11	Classifying abnormalities in chest radiographs from Vietnam using deep learning for early detection of cardiopulmonary diseases 2025, Frontiers in radiology DOI:10.3389/fradi.2025.1703927 PMID:41357464	研究论文	本研究旨在开发一个基于越南胸部X光片数据的AI模型，用于早期检测心肺疾病的异常分类	首次使用越南胸部X光片数据进行AI模型开发，针对越南高负担的感染性和非传染性疾病进行早期检测	未提及模型在其他地区或人群中的泛化能力，以及数据集的潜在偏差	开发一个AI模型，用于分类越南胸部X光片中的正常和异常图像，以早期检测心肺疾病	越南两个机构的胸部X光片数据，包括正常和异常病例	计算机视觉	心肺疾病	胸部X光成像	Vision Transformer, EfficientNetV2, Light Gradient Boosting Machine	图像	17,471例（12,827例正常，4,644例异常）	未明确指定，可能涉及PyTorch或TensorFlow	Vision Transformer, EfficientNetV2	F1分数, 灵敏度, 特异性, 准确率, AUC	未提及
266	2025-12-11	Integration of intratumoral/peritumoral radiomics and deep learning for predicting overall survival in non-small cell lung cancer patients: a multicenter study 2025, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2025.1669200 PMID:41357593	研究论文	本研究开发了一个结合瘤内/瘤周影像组学特征和3D深度学习特征的多中心模型，用于预测非小细胞肺癌患者的总生存期	提出了一种结合瘤内/瘤周影像组学特征和3D深度学习特征的集成模型，并引入了3D-SE-ResNet网络来提取深度学习特征，通过多维特征整合提高了生存预测的准确性	研究为回顾性设计，样本量相对有限（303例），且仅基于CT影像数据，未考虑其他临床或分子生物学因素	改善接受放疗的非小细胞肺癌患者的总生存期预测，为个性化放疗策略提供新工具	非小细胞肺癌患者	数字病理学	肺癌	CT扫描	深度学习	图像	303例来自三个中心的非小细胞肺癌患者	NA	3D-SE-ResNet	C-index, AUC	NA
267	2025-12-11	Automated predictive framework using AI and deep learning approaches for early detection and classification of liver cancer 2025, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2025.1650800 PMID:41357578	研究论文	本研究提出了一种名为LiverCompactNet的深度学习框架，用于肝病的早期检测和分类	开发了LiverCompactNet这一先进的深度学习框架，实现了对肝脏图像的高精度分类，并在早期检测肝病方面表现出色	未直接对原始成像数据或CNN训练输入应用PCA，可能限制了特征提取的全面性	旨在通过AI和深度学习技术实现肝病的早期检测和分类，以提升医疗图像分析和临床决策	肝脏图像，包括良性、恶性和正常三类	计算机视觉	肝癌	深度学习，主成分分析（PCA）	CNN	图像	5000张肝脏图像（1500张良性，1500张恶性，2000张正常），分为训练集（3500）、验证集（750）和测试集（750）	NA	LiverCompactNet	准确率，敏感性，特异性，精确率，AUC-ROC分数	NA
268	2025-12-11	Transfer Learning Strategies for Cardiovascular Disease Detection in ECG Imagery 2025, Biomedical engineering and computational biology IF:2.3Q3 DOI:10.1177/11795972251397812 PMID:41358268	研究论文	本研究提出了一种名为HeProbAtt BiGRU Net的新型AI驱动模型，用于从心电图图像中自动分类和预测冠状动脉钙化评分，旨在提高心血管疾病检测的准确性和效率	提出了一种结合注意力机制和概率权重的改进型BiGRU网络架构（HeProbAtt BiGRU Net），用于同时执行分类和回归任务，增强了学习效率和决策精度	研究基于单一中心的数据集，未来需要在更大规模、多中心数据集上进行验证，并缺乏临床可解释性特征的整合	开发一种深度学习模型，用于自动分类和预测冠状动脉钙化评分，以改进当前自动评分系统，减少误差和偏差，并辅助临床决策	来自大不里士医科大学的14,127个非对比计算机断层扫描切片数据集，用于心血管疾病检测	计算机视觉	心血管疾病	非对比计算机断层扫描	CNN, BiGRU	图像	14,127个NCCT切片	NA	DenseNet201, InceptionV3, HeProbAtt BiGRU Net	准确率, 精确率, 召回率, F1分数, ROC-AUC, 平均绝对误差, 均方根误差	NA
269	2025-12-11	CottonNet-MHA: a multi-head attention-based deep learning framework for cotton disease detection 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1664242 PMID:41358337	研究论文	本文提出了一种基于多头注意力机制的深度学习框架CottonNet-MHA，用于棉花病害检测	开发了结合多头注意力机制的深度学习框架，以增强特征学习并突出病害区域，提高了检测准确性和可解释性	未明确说明模型在多样化环境条件下的泛化能力或数据集的规模限制	构建深度学习模型以自动检测棉花作物中的病害，确保健康作物生长和提高产量	棉花叶片中的病理症状	计算机视觉	棉花病害	NA	深度学习模型，多头注意力机制	图像	NA	TensorFlow, PyTorch, Keras	VGG16, VGG19, InceptionV3, Xception, MobileNet	准确率，效率	NA
270	2025-12-11	Integrating meteorological and breeding data to predict maize yields using machine learning algorithms 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1722068 PMID:41358345	研究论文	本研究开发了一种机器学习模型，通过整合气象数据和育种值来预测玉米杂交种产量	将气象数据与基于BLUP方法估计的育种值相结合，利用机器学习算法进行玉米产量预测，提供了一种成本效益高且高效的预测框架	模型性能仍有提升空间（R²为0.64），且可能受限于数据集规模和计算资源需求	预测玉米杂交种产量，以支持全球粮食安全和精准农业决策	玉米杂交种	机器学习	NA	BLUP（最佳线性无偏预测）方法	Random Forest, XGBoost, Support Vector Regression, Gaussian Process Regression	气象数据、育种数据	NA	Scikit-learn（推断，因使用常见ML算法）	Random Forest, XGBoost, SVR, GPR	R², RMSE, MAE, RRMSE, MAPE	NA
271	2025-12-11	Correction: Diagnostic precision of a deep learning algorithm for the classification of non-contrast brain CT reports 2025, Frontiers in radiology DOI:10.3389/fradi.2025.1744006 PMID:41368236	correction	本文是对一篇关于深度学习算法在非对比脑部CT报告分类中诊断精度的文章的更正	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
272	2025-12-10	Harmonic Wavelet Neural Network for Discovering Neuropathological Propagation Patterns in Alzheimer's Disease 2025-01, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3434394 PMID:39074003	研究论文	本文提出了一种谐波小波神经网络（HWNN），用于预测阿尔茨海默病的早期阶段并定位与疾病相关的显著小波，以表征神经病理事件在大脑网络中的传播路径	提出了一种新的谐波小波神经网络（HWNN）方法，解决了现有图深度学习方法的两个主要缺点：缺乏用于组间比较的无偏参考基础（共同大脑网络）以及缺乏识别传播模式的适当机制	NA	利用计算方法确定神经病理事件的传播模式，以理解阿尔茨海默病的病理生理机制	阿尔茨海默病相关的退行性生物标志物及其在大脑皮层中的分布	机器学习	阿尔茨海默病	NA	神经网络	图数据	NA	NA	谐波小波神经网络（HWNN）	分类准确率，识别传播模式的统计功效	NA
273	2025-12-10	FDDSeg: Unleashing the Power of Scribble Annotation for Cardiac MRI Images Through Feature Decomposition Distillation 2025-01, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3404884 PMID:38787661	研究论文	本文提出了一种名为FDDSeg的特征分解蒸馏深度学习方法，用于基于涂鸦标注的心脏MRI图像分割	提出了一种涂鸦标注重用策略以提供精确边界，并通过伪标签将中间特征分解为类别区域和无类别区域，以改进特征学习，然后通过特征分解捕获有效的蒸馏知识	NA	开发一种用于涂鸦监督心脏MRI图像分割的深度学习方法，以降低计算成本并提高分割精度	心脏MRI图像	计算机视觉	心血管疾病	MRI	深度学习	图像	NA	NA	NA	DSC, JC, HD95	NA
274	2025-12-10	Melanoma Breslow Thickness Classification Using Ensemble-Based Knowledge Distillation With Semi-Supervised Convolutional Neural Networks 2025-01, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3465929 PMID:39302772	研究论文	本研究利用集成知识蒸馏与半监督卷积神经网络，对黑色素瘤的Breslow厚度进行分类，旨在提高诊断准确性	采用多教师集成知识蒸馏的半监督学习方法，结合四个不同来源的数据集，在黑色素瘤原位与侵袭性分类及Breslow厚度预测任务中提升了模型性能	未明确说明模型在临床环境中的泛化能力及对罕见病例的处理效果	开发基于深度学习的自动诊断系统，以支持医疗专业人员对黑色素瘤的分类和厚度预测	皮肤镜图像中的原位与侵袭性黑色素瘤，以及Breslow厚度	医学图像分析	黑色素瘤	深度学习	CNN	图像	来自四个不同数据集的皮肤镜图像，具体数量未明确	未明确指定	卷积神经网络	AUC	未明确指定
275	2025-12-10	MFRC-Net: Multi-Scale Feature Residual Convolutional Neural Network for Motor Imagery Decoding 2025-01, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3467090 PMID:39316474	研究论文	提出一种用于运动想象解码的轻量级多尺度特征残差卷积神经网络MFRC-Net	提出结合时间多尺度残差卷积块和跨域双流空间卷积块的轻量级网络架构，在仅13K参数下实现高性能	未明确说明模型在更复杂或噪声更大EEG数据上的泛化能力	开发轻量高效的深度学习模型用于运动想象脑电信号解码	脑电图信号	机器学习	NA	脑电图	CNN	时序信号	BCI Competition IV 2a数据集和SHU数据集	NA	MFRC-Net	准确率	NA
276	2025-12-10	Spherical Harmonics-Based Deep Learning Achieves Generalized and Accurate Diffusion Tensor Imaging 2025-01, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3471769 PMID:39352828	研究论文	本研究提出了一种基于球谐函数和深度学习的扩散张量成像方法，旨在提高DTI的准确性和泛化能力	利用球谐函数系数图作为网络输入，实现了对不同采集方案、中心和扫描仪的泛化，解决了现有深度学习方法泛化性有限的问题	未在摘要中明确提及具体限制	开发一种泛化性强、准确且高效的基于深度学习的扩散张量成像方法	扩散张量成像数据，包括模拟和体内数据集	医学影像分析	NA	扩散加权成像，扩散张量成像，磁共振成像	深度学习网络	扩散磁共振图像，球谐函数系数图	未在摘要中明确提及具体样本数量	NA	NA	定量和定性分析	NA
277	2025-12-10	Multiscale Spatial-Temporal Feature Fusion Neural Network for Motor Imagery Brain-Computer Interfaces 2025-01, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3472097 PMID:39352826	研究论文	本文提出了一种基于多尺度时空特征融合的卷积神经网络（MSTFNet），用于运动想象脑机接口中的EEG信号分类	提出了一种新的端到端卷积神经网络架构，通过多尺度时空特征融合模块增强特征提取能力，并采用了一种简单而有效的数据增强策略	未明确提及模型的计算复杂度、泛化能力到其他数据集或实际应用场景中的限制	提高运动想象脑机接口中EEG信号的解码精度，实现高效稳定的交互	运动想象相关的EEG信号	脑机接口	NA	EEG信号处理	CNN	EEG信号	使用了两个公共数据集（BCI Competition IV 2a和2b）和一个实验室数据集，具体样本数量未明确说明	NA	MSTFNet（包含特征增强模块、多尺度时间特征提取模块、空间特征提取模块和特征融合模块）	分类准确率	NA
278	2025-12-10	Automated Quantification of HER2 Amplification Levels Using Deep Learning 2025-01, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3476554 PMID:39383086	研究论文	本文开发了一种基于深度学习的软采样级联模型和信号检测模型，用于自动量化细胞中的CEN17和HER2信号，以辅助评估HER2扩增状态，从而帮助乳腺癌和胃癌患者选择抗HER2靶向治疗	提出了一种软采样级联深度学习模型和信号检测模型，能够处理FISH和DISH图像中细胞边界模糊、形状和信号变化大、细胞重叠以及标注稀疏等问题，显著优于七种现有最先进的深度学习方法	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，以及计算资源的具体需求	开发自动化工具以辅助评估HER2扩增状态，用于乳腺癌和胃癌患者的抗HER2靶向治疗选择	乳腺癌和胃癌患者的FISH和DISH图像中的细胞	数字病理学	乳腺癌, 胃癌	荧光原位杂交 (FISH), 双原位杂交 (DISH)	深度学习模型	图像	两个临床数据集：一个FISH数据集和一个DISH数据集	NA	软采样级联深度学习模型, 信号检测模型	准确率, 召回率, F1分数, 精确率	NA
279	2025-12-10	MiRS-HF: A Novel Deep Learning Predictor for Cancer Classification and miRNA Expression Patterns 2025-01, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3476672 PMID:39383085	研究论文	提出了一种名为MiRS-HF的深度学习模型，用于癌症分类和miRNA生物标志物识别	结合早期融合和中间融合策略，利用Layer Attention GCN处理miRNA-疾病异质网络，并通过GCN加权表达数据进行分类	NA	癌症分类和miRNA生物标志物识别	六种癌症的miRNA关联和表达数据	机器学习	癌症	miRNA表达数据	GCN, LAGCN	图数据, 表达数据	NA	NA	Layer Attention Graph Convolutional Network, Graph Convolutional Network	NA	NA
280	2025-12-10	Continuous Prediction of Wrist Joint Kinematics Using Surface Electromyography From the Perspective of Muscle Anatomy and Muscle Synergy Feature Extraction 2025-01, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3484994 PMID:39437291	研究论文	本文提出了一种基于肌肉解剖学视角的3DCNN模型，用于从表面肌电信号中提取肌肉协同特征，并连续预测腕关节运动学	首次从肌肉解剖学角度预测运动意图，将一维sEMG信号根据目标肌肉解剖分布和电极位置重构为二维帧，并作为视频片段输入3DCNN进行特征提取	未明确说明模型在更广泛患者群体或不同运动任务中的泛化能力	利用sEMG信号预测卒中后患者运动意图，以提高康复机器人的辅助效果	卒中后上肢功能障碍患者	机器学习	卒中	表面肌电信号采集	3DCNN, CNN-LSTM, GAN	时序信号, 图像	自建腕部运动数据集和公开Ninapro DB2数据集	NA	3DCNN	nRMSE, R值	NA