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
281	2026-01-24	Anatomical study and early diagnosis of dome galls in Cordia Dichotoma using DeepSVM model 2025, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2025.1558358 PMID:41561188	研究论文	本研究提出了一种基于DeepSVM混合架构的深度学习方法，用于早期检测Cordia dichotoma植物的圆顶瘿病害	通过将ResNet-50的最终sigmoid激活层替换为支持向量机（SVM）并应用L2正则化，提出了一种新型的DeepSVM混合架构，有效解决了传统CNN在真实环境数据上的过拟合和训练不稳定问题	研究仅针对Cordia dichotoma植物的圆顶瘿病害进行二元分类，模型在其他植物病害或更复杂分类任务上的泛化能力尚未验证	开发一种稳定且泛化能力强的深度学习模型，用于植物病害的早期自动检测，以支持精准农业	Cordia dichotoma植物的叶片（健康叶片与患病叶片）	计算机视觉	植物病害	图像采集与预处理	CNN, SVM	图像	总共4,300张叶片图像（3,900张用于训练，400张用于测试）	NA	ResNet-50, VGG-16, InceptionResNetv2, MobileNet-V2	准确率, F1分数	NA
282	2026-01-24	A Transformers-based framework for refinement of genetic variants 2025, Frontiers in bioinformatics IF:2.8Q2 DOI:10.3389/fbinf.2025.1694924 PMID:41561439	研究论文	本文提出了一种基于Transformer的框架，用于高通量测序数据中遗传变异的精准精炼与过滤	首次将Transformer的自注意力机制应用于遗传变异精炼任务，可直接处理VCF文件并与标准流程（如BCFTools、GATK4）无缝集成	模型仅在GIAB的HG003样本上进行训练，泛化能力有待在不同种群和测序平台数据上进一步验证	开发自动化遗传变异精炼框架以区分真实变异与技术假象	高通量测序数据中的遗传变异	机器学习	NA	高通量测序	Transformer	VCF文件（变异调用格式）	200万变异（来自GIAB v4.2.1样本HG003）	NA	Transformer	准确率, ROC AUC	NA
283	2026-01-24	Neonatal supraventricular tachycardia: current diagnostic approaches and emerging technologies 2025, Frontiers in pediatrics IF:2.1Q2 DOI:10.3389/fped.2025.1694215 PMID:41561499	综述	本文综述了新生儿室上性心动过速（SVT）的当前诊断方法，并探讨了新兴技术（如深度学习算法、生物相容性可穿戴传感器和非接触式传感）在提升诊断能力方面的潜力	探讨了将深度学习算法、生物相容性可穿戴传感器和非接触式传感等新兴技术整合到新生儿SVT诊断中的潜力，以克服传统方法在信号质量和间歇性捕捉方面的限制	尽管AI模型在更广泛的儿科队列中报告了超过90%的诊断准确率，但针对新生儿群体的特异性验证仍是一个关键需求，且存在技术、监管和伦理方面的持续障碍	综述新生儿室上性心动过速（SVT）的诊断方法，并评估新兴技术如何改进诊断流程	新生儿室上性心动过速（SVT）	NA	心血管疾病	12导联心电图（ECG）、动态监测、深度学习算法、生物相容性可穿戴传感器、非接触式传感	深度学习算法	心电图信号、传感器数据	NA	NA	NA	诊断准确率	NA
284	2026-01-24	Enhancing learning outcomes through post-discussion homework: the role of collaboration and task type 2025, Frontiers in psychology IF:2.6Q2 DOI:10.3389/fpsyg.2025.1666213 PMID:41561610	研究论文	本研究探讨了如何设计课后讨论作业以维持研讨会教学的包容性、协作性动态	通过2×2准实验设计，结合社会架构（协作vs个人作业）和任务类型（概念导向vs案例导向），系统分析了协作作业对学习成果的影响，并提出了基于证据的课后作业设计框架	样本量较小（36名研究生），且为特定教育环境下的研究，可能限制结果的普适性	研究课后讨论作业的设计如何促进持续、协作的学习循环	36名研究生	教育技术	NA	准实验设计	NA	作业表现评分、感知学习评分、开放式访谈文本	36名研究生	NA	NA	基于量表的作业表现评分、学生感知学习评分	NA
285	2026-01-22	SVMVGGNet-16: A Novel Machine and Deep Learning Based Approaches for Lung Cancer Detection Using Combined SVM and VGGNet-16 2025, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056348824241224100809 PMID:39773067	研究论文	本文提出了一种结合SVM和VGGNet-16的混合模型SVMVGGNet-16，用于肺癌检测，并在LIDC-IDRI数据集上验证了其性能	创新性地将VGGNet-16与SVM结合，形成混合模型SVMVGGNet-16，利用CNN进行特征提取和SVM进行分类，以提高肺癌检测的准确性和可靠性	未来工作包括模型优化、数据集扩展、临床试验以及系统集成到临床实践中，以确保实际可用性	通过集成机器学习和深度学习方法来增强肺癌检测，实现早期和准确诊断	肺癌类型，包括腺癌、大细胞癌、正常组织和鳞状细胞癌	计算机视觉	肺癌	图像预处理（中值滤波和直方图均衡化）、分割（阈值和边缘检测）、特征提取（几何特征）	CNN, SVM	图像	使用LIDC-IDRI数据集，具体样本数量未在摘要中明确说明	NA	VGGNet-16	准确率, AUC, 召回率, 精确率, F1分数	NA
286	2026-01-22	Challenges and Advances in Classifying Brain Tumors: An Overview of Machine, Deep Learning, and Hybrid Approaches with Future Perspectives in Medical Imaging 2025, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056365191250602124819 PMID:40511649	综述	本文全面综述了利用机器学习和深度学习模型，特别是基于MRI医学影像数据，提升脑肿瘤分类准确性和效率的方法、挑战及未来展望	系统比较了从经典机器学习算法到先进深度学习模型及混合架构在脑肿瘤分类中的应用，并提出了融合多模态成像、可解释AI框架和隐私保护技术等未来方向	面临标注数据集稀缺、计算复杂度高、模型可解释性不足以及临床整合障碍等挑战	提升脑肿瘤分类的准确性和效率，以支持治疗决策和改善患者预后	脑肿瘤，包括胶质瘤、脑膜瘤和转移性脑病变	医学影像	脑肿瘤	磁共振成像	SVM, Decision Trees, CNN, RNN, 混合架构	图像	NA	NA	NA	准确率, 灵敏度, 特异性, AUC-ROC	NA
287	2026-01-22	Evaluation of Deep Learning Methods for Pulmonary Disease Classification 2025, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056388107250710120917 PMID:40692157	研究论文	本研究评估了深度学习模型在肺病分类中的应用，通过结合多种音频特征和CNN-RNN-LSTM架构，提出了一种多特征深度学习模型，实现了92%的最高准确率	提出了一种结合MFCC、Chroma STFT和频谱图特征的多特征深度学习模型，并整合CNN、RNN和LSTM架构，显著提升了肺病分类的准确率	数据集中慢性阻塞性肺疾病样本过多，而上下呼吸道感染样本较少，导致模型在测试音频样本上的泛化能力受限	提高肺病检测的准确性，通过深度学习技术改进诊断方法	肺病分类，具体包括慢性阻塞性肺疾病、下呼吸道感染和上呼吸道感染	机器学习	肺病	听诊录音分析，包括频谱图、色度图和MFCC特征提取	CNN, RNN, LSTM	音频	未明确指定样本数量，但提及数据集有限且不平衡	未明确指定，可能为TensorFlow或PyTorch	CNN, RNN, LSTM	准确率	未明确指定
288	2026-01-22	Oral-Anatomical Knowledge-Informed Semi-Supervised Learning for 3D Dental CBCT Segmentation and Lesion Detection 2025, IEEE transactions on automation science and engineering : a publication of the IEEE Robotics and Automation Society IF:5.9Q1 DOI:10.1109/tase.2025.3530936 PMID:40918035	研究论文	本文提出了一种新颖的口腔解剖知识引导的半监督学习模型（OAK-SSL），用于3D牙科CBCT图像分割和病变检测	OAK-SSL能够将定性的口腔解剖知识（如病变可能位置）整合到深度学习设计中，包括知识量化表示、知识引导的双任务学习架构和知识引导的半监督损失函数	NA	开发自动化3D牙科CBCT图像分割和病变检测方法，以提升牙科医疗质量和效率	包含小病变的3D牙科CBCT图像	计算机视觉	牙科疾病	锥形束计算机断层扫描（CBCT）	深度学习	3D图像	NA	NA	OAK-SSL	NA	NA
289	2026-01-21	Weakly Supervised Deep Learning Can Analyze Focal Liver Lesions in Contrast-Enhanced Ultrasound 2025, Digestion IF:3.0Q2 DOI:10.1159/000545098 PMID:40049151	研究论文	本研究评估了一种弱监督深度学习模型在对比增强超声（CEUS）中区分恶性与良性局灶性肝病变（FLLs）的性能	采用弱监督注意力机制的多实例学习算法，无需手动标注，仅使用病例标签即可分类肝病变	回顾性研究，样本来自单一三级医院，可能限制泛化能力	评估弱监督深度学习在CEUS中自动分类肝病变恶性与否的可行性	局灶性肝病变（FLLs）患者	计算机视觉	肝病	对比增强超声（CEUS）	深度学习	图像	370名患者，共955,938张图像	NA	注意力机制的多实例学习算法	AUC, 准确率, 灵敏度, 特异度, F1分数	NA
290	2026-01-21	Fluid and White Matter Suppression contrasts MRI improves Deep Learning detection of Multiple Sclerosis Cortical Lesions 2025, NeuroImage. Clinical DOI:10.1016/j.nicl.2025.103818 PMID:40695098	研究论文	本研究探讨了流体和白质抑制（FLAWS）MRI序列在提高深度学习模型检测和分割多发性硬化（MS）患者皮质病变方面的效果，并开发了能泛化到仅使用标准T1加权图像（MPRAGE）的临床环境的模型	首次将FLAWS MRI序列与深度学习结合，显著提升了皮质病变的检测和分割性能，并实现了从先进研究序列到常规临床序列的知识迁移和泛化	研究基于多中心数据，但样本量相对有限（204名患者），且外部验证仅在一个机构进行，可能影响模型的广泛适用性	提高多发性硬化患者皮质病变的自动检测和分割准确性，并促进深度学习模型在临床环境中的实际应用	多发性硬化（MS）患者的MRI图像，特别是皮质病变	数字病理学	多发性硬化	FLAWS MRI序列、MP2RAGE序列、MPRAGE序列	深度学习模型	MRI图像	204名多发性硬化患者	NA	NA	F1-score, DSC	NA
291	2026-01-21	From CNNs to SAM: A Survey of Deep Learning Techniques for Liver Tumor Segmentation in CT Images 2025, IEEE access : practical innovations, open solutions IF:3.4Q2 DOI:10.1109/access.2025.3631322 PMID:41550585	综述	本文对基于深度学习的CT图像肝脏肿瘤分割技术进行了全面综述，分析了100多篇相关研究论文	从CNN到SAM等多个维度系统梳理了肝脏肿瘤分割领域的发展脉络与新兴趋势，并探讨了不同方法选择的影响	作为综述文章，主要总结现有研究，未提出新的模型或方法	综述深度学习技术在CT图像肝脏肿瘤分割领域的研究进展与应用	肝脏肿瘤的CT图像分割	计算机视觉	肝癌	CT成像	深度学习模型	CT图像	NA	NA	CNN, SAM	NA	NA
292	2026-01-20	LDCT image biomarkers that matter most for the deep learning classification of indeterminate pulmonary nodules 2025-Jan, Cancer biomarkers : section A of Disease markers IF:2.2Q3 DOI:10.3233/CBM-230444 PMID:38848168	研究论文	本研究结合图像掩蔽和显著性激活图，系统探索了CT图像中肺实质和肿瘤区域对不确定肺结节分类的贡献	通过图像掩蔽和Grad-CAM方法，首次系统分析了深度神经网络在肺结节分类中依赖的放射学特征，特别是结节纹理和形态特征的重要性	研究仅基于NLST数据集的固体肺结节，可能不适用于其他类型结节或不同人群	探索深度神经网络在低剂量CT图像中分类不确定肺结节时依赖的放射学特征	来自国家肺癌筛查试验（NLST）的固体肺结节（直径4-20毫米）患者	计算机视觉	肺癌	低剂量CT扫描	深度神经网络	图像	来自NLST的固体肺结节患者	NA	NA	AUC	NA
293	2026-01-20	Application of artificial intelligence in cervical cytology: a systematic review of deep learning models, datasets, and reported metrics 2025, Frontiers in big data IF:2.4Q2 DOI:10.3389/fdata.2025.1678863 PMID:41550300	综述	本文系统综述了2022年至2025年间应用于宫颈细胞学图像的深度学习模型，重点关注模型架构、数据集和性能指标	首次系统性地总结了深度学习在宫颈细胞学中的应用趋势，并识别了混合模型和Vision Transformer方法的兴起	数据集临床代表性有限，交叉验证不足，诊断标准不一致	评估人工智能在宫颈细胞学中的应用现状，以支持癌前病变的早期检测	宫颈细胞学图像	计算机视觉	宫颈癌	深度学习	CNN, ViT, 混合模型	图像	NA	NA	卷积神经网络, Vision Transformer, 混合架构	准确率, 精确率, 召回率, F1分数	NA
294	2026-01-20	An in-depth exploration of machine learning methods for mental health state detection: a systematic review and analysis 2025, Frontiers in digital health IF:3.2Q2 DOI:10.3389/fdgth.2025.1724348 PMID:41550350	综述	本文对2015年至2024年间应用于心理健康状态检测的机器学习方法进行了系统回顾与分析	系统性地识别、分类并分析了用于心理健康检测的机器学习技术，特别指出了模型可解释性与预测准确性之间的核心权衡	纳入的研究数量有限（35篇），且部分研究数据收集方式为手动，可能影响结果的普适性	识别和分类应用于心理健康检测的机器学习技术，并分析该领域最常用的算法	心理健康状态检测相关的研究文献	机器学习	心理健康问题	NA	监督学习, 无监督学习, 深度学习	在线社交网络数据, 手动收集数据	基于35篇符合纳入标准的研究	NA	逻辑回归, 深度学习架构	NA	NA
295	2026-01-20	Ensemble learning for predicting microsatellite instability in colorectal cancer using pretreatment colonoscopy images and clinical data 2025, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2025.1734076 PMID:41551159	研究论文	本研究开发并评估了一种集成学习框架，结合预处理结肠镜图像和常规临床数据，用于结直肠癌中微卫星不稳定性的非侵入性预测	提出了一种集成学习框架，首次将预处理结肠镜图像与常规临床数据相结合，用于非侵入性预测结直肠癌的微卫星不稳定性，并通过多数投票集成方法提升了预测性能	研究为回顾性设计，可能受限于数据收集的偏差；未在外部验证集上进行测试，泛化能力有待进一步验证	开发一种非侵入性、自动化的方法，用于预测结直肠癌中的微卫星不稳定性，以替代传统侵入性检测	经病理确诊且通过免疫组化确定微卫星不稳定性状态的结直肠癌患者	数字病理学	结直肠癌	免疫组化，聚合酶链反应	CNN, Transformer, Logistic Regression, Random Forest, Support Vector Machine, Gradient Boosting	图像，临床数据	1844名患者	TensorFlow, PyTorch, Scikit-learn	ResNet-50, EfficientNet, DenseNet, VGG-16, Vision Transformer	准确率，精确率，召回率，AUROC	NA
296	2026-01-20	A CT-based deep learning model to predict local recurrence-free survival in primary retroperitoneal sarcoma 2025, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2025.1725377 PMID:41551503	研究论文	本研究构建了一个基于术前CT的深度学习模型，用于预测原发性腹膜后肉瘤患者的局部无复发生存期	首次将深度学习应用于预测原发性腹膜后肉瘤的局部复发风险，并证明其优于传统手工放射组学模型和临床模型	回顾性研究设计，样本量较小（115例患者），缺乏外部验证队列	预测原发性腹膜后肉瘤患者的局部无复发生存期，以辅助风险分层和个体化治疗决策	原发性腹膜后肉瘤患者	数字病理	腹膜后肉瘤	CT成像	深度学习模型	CT图像	115例原发性腹膜后肉瘤患者（训练集86例，验证集29例）	NA	端到端深度学习模型	C-index, 时间依赖性ROC, 校准曲线, 决策曲线分析, 生存分析	NA
297	2026-01-19	Breast cancer classification in point-of-care ultrasound imaging-the impact of training data 2025-Jan, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.12.1.014502 PMID:39830074	研究论文	本研究旨在通过比较不同训练数据增强技术，提升用于分类点式护理超声（POCUS）图像的深度学习网络性能，以改善低收入和中等收入国家乳腺癌的早期检测	比较了多种数据增强技术（包括直方图匹配、直方图均衡化和CycleGAN）在POCUS图像分类中的应用，并展示了CycleGAN生成图像能显著提升分类性能	未详细讨论模型在临床环境中的泛化能力或不同数据增强技术对计算资源的具体需求	通过增加训练数据量来改进用于乳腺癌分类的POCUS图像深度学习网络	乳腺癌组织图像，包括点式护理超声（POCUS）和标准超声（US）图像	计算机视觉	乳腺癌	点式护理超声（POCUS），标准超声（US）	CNN, GAN	图像	两个数据集（POCUS和标准US图像），具体样本数量未明确说明	NA	CycleGAN	AUC（曲线下面积），95%置信区间	NA
298	2026-01-19	Training a high accuracy model to visualize blood clots during mechanical thrombectomy for the treatment of Acute Ischemic Stroke 2025, Frontiers in stroke DOI:10.3389/fstro.2025.1610399 PMID:41541866	研究论文	本研究提出了一种利用Medtronic Solitaire™支架上的不透射线标记空间排列的血栓可视化方法，并开发了基于U-Net架构的深度学习模型Clot[U]-Net进行血栓边界预测	首次利用支架上的不透射线标记空间排列实现机械取栓过程中的血栓可视化，无需改变现有临床工作流程	需要进一步的临床前和临床验证，目前仅在体外图像上进行训练和测试	提高急性缺血性卒中机械取栓手术中血栓的可视化能力，以提升首次取栓成功率	急性缺血性卒中患者的血栓	数字病理学	急性缺血性卒中	荧光透视成像	CNN	图像	800张体外前后位和侧位图像	NA	U-Net	交并比, AUROC	NA
299	2026-01-19	Leveraging molecular graphs for natural product classification 2025, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2025.08.031 PMID:41542071	研究论文	本研究探索了使用图神经网络直接从分子图结构学习神经指纹，用于天然产物的自动分类	首次系统地评估了多种图神经网络架构在天然产物分类任务上的性能，并强调了基于图表示的数据驱动方法优于传统指纹方法	模型性能高度依赖于架构选择和特征表示，需要针对特定任务进行定制化设计	开发一种能够更好地捕捉天然产物结构和生物合成复杂性的自动分类方法	天然产物分子	机器学习	NA	图神经网络	GNN	分子图	NA	NA	多种图神经网络架构	准确率, 鲁棒性	NA
300	2026-01-19	AOP-DRL: A deep representation learning framework for the computational prediction of antioxidant peptides 2025, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2025.08.014 PMID:41542079	研究论文	本文提出了一种名为AOP-DRL的深度学习框架，用于高通量预测抗氧化肽，结合了蛋白质语言模型和分层卷积网络	开发了结合蛋白质语言模型与分层卷积网络的深度学习框架AOP-DRL，有效处理可变肽长度并捕获非线性残基相互作用，相比现有模型在多个数据集上显著提升了预测准确率	未明确提及具体局限性，但可能依赖于公开数据集的覆盖范围和验证质量	开发一个计算框架以高效预测抗氧化肽，替代传统湿实验室方法	抗氧化肽序列	机器学习	NA	深度学习，蛋白质语言模型，卷积网络	深度学习框架	肽序列数据	来自公开研究的实验验证抗氧化序列和负对照序列，具体数量未明确	NA	分层卷积网络	准确率	NA