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
321	2026-01-10	Linking RayStation AI auto-contouring with Eclipse TPS: a scripted workflow for clinical integration 2025, Reports of practical oncology and radiotherapy : journal of Greatpoland Cancer Center in Poznan and Polish Society of Radiation Oncology IF:1.2Q3 DOI:10.5603/rpor.109182 PMID:41498081	研究论文	本研究提出了一种自动化脚本工作流，将RayStation的AI自动勾画功能集成到Eclipse治疗计划系统中，以提升放疗计划效率	开发了跨平台自动化集成脚本，实现了RayStation与Eclipse系统间的无缝数据交换，无需用户干预即可完成深度学习分割	仅验证了35个临床案例，样本规模有限；依赖特定软件版本（RayStation 2024B）	解决不同放疗计划系统间AI工具集成的技术挑战，提升临床工作流效率	放疗计划中的靶区与危及器官轮廓勾画	数字病理	NA	深度学习分割	深度学习模型	CT图像	35个临床案例	Python, C#	内置深度学习模型	处理时间	NA
322	2026-01-09	Deep Learning Enabled Scoring of Pancreatic Neuroendocrine Tumors Based on Cancer Infiltration Patterns 2025-Jan-23, Endocrine pathology IF:11.3Q1 DOI:10.1007/s12022-025-09846-3 PMID:39847242	研究论文	本研究提出了一种基于深度学习的计算流程，首次自动分类胰腺神经内分泌肿瘤，通过细胞实体图构建和图神经网络整合病理学领域知识	首次将病理学领域知识整合到图神经网络的构建和训练中，以更深入地利用肿瘤微环境及其结构变化进行肿瘤分类	研究仅基于105张HE染色全切片图像，样本量相对有限，且未提及外部验证或泛化能力评估	开发自动化系统以减少观察者变异性，实现胰腺神经内分泌肿瘤的客观分类	胰腺神经内分泌肿瘤的组织样本	数字病理学	胰腺神经内分泌肿瘤	HE染色	图神经网络	图像	105张HE染色全切片图像	NA	图神经网络	F1分数	NA
323	2026-01-09	AI-Based Detection of Coronary Artery Occlusion Using Acoustic Biomarkers Before and After Stent Placement 2025, IEEE open journal of engineering in medicine and biology IF:2.7Q3 DOI:10.1109/OJEMB.2025.3615394 PMID:41221436	研究论文	本研究利用人工智能（特别是DeepSets架构）学习患者特异性声学生物标志物，以区分12名患者经皮冠状动脉介入治疗前后的心音，用于检测冠状动脉阻塞	首次采用DeepSets架构结合Matching Pursuit分解，从心音中提取个体化声学生物标志物，实现非侵入性冠状动脉疾病监测	样本量较小（仅12名患者），研究为初步探索，需更多时间点数据验证长期监测效果	开发基于人工智能的非侵入性方法，用于冠状动脉疾病的早期检测和治疗监测	12名接受经皮冠状动脉介入治疗的人类患者的心音数据	机器学习	心血管疾病	心音记录，Matching Pursuit信号分解	DeepSets	音频	12名患者	NA	DeepSets	准确率	NA
324	2026-01-09	ESA-YOLOv5m: a lightweight spatial and improved attention-driven detection for brain tumor MRI analysis 2025, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2025.1733180 PMID:41488085	研究论文	本研究提出了一种集成增强空间注意力（ESA）的YOLOv5m轻量级框架，用于MRI扫描中的脑肿瘤检测	在YOLOv5m架构中引入轻量级ESA模块，置于SPPF层后，以增强特征判别能力并抑制背景噪声，提高定位精度而不增加计算复杂度	未明确提及，但可能包括数据集规模有限或仅针对特定MRI数据类型的泛化能力	开发一种轻量级且高效的脑肿瘤检测模型，以支持实时临床部署和边缘医疗应用	脑肿瘤MRI图像，包括胶质瘤、脑膜瘤和垂体瘤三类	计算机视觉	脑肿瘤	MRI	CNN	图像	Figshare脑肿瘤MRI数据集，具体样本数未明确，包含三类肿瘤	PyTorch	YOLOv5m, ESA	精确率, 召回率, mAP@0.5	未明确指定GPU类型，但提及实时推理和边缘应用，暗示可能使用常见GPU或嵌入式设备
325	2026-01-09	The apple detection method based on multimodal features 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0334911 PMID:41129553	研究论文	本文提出了一种基于多模态特征融合的苹果检测方法，旨在提升复杂环境下的检测性能	通过融合RGB图像、颜色与边缘特征图、深度特征图和点云四种互补模态，而非激进的结构修改，来增强特征表示和模型鲁棒性	NA	提高复杂环境下苹果和其他水果的检测准确性	苹果和其他水果	计算机视觉	NA	双目主动红外立体相机	YOLOv5	图像, 点云	NA	NA	YOLOv5	精确率, 召回率, F1分数	NA
326	2026-01-08	The Future of Medicine: AI and ML Driven Drug Discovery Advancements 2025, Current topics in medicinal chemistry IF:2.9Q3 DOI:10.2174/0115680266346722250401191232 PMID:40207759	综述	本文综述了人工智能和机器学习在药物发现领域的应用进展，包括计算机辅助药物设计、深度学习等技术如何提升药物研发的效率和准确性	整合了AI/ML技术于药物发现过程，特别是通过大数据和深度学习处理复杂非线性数据，以增强药物-靶点相互作用预测和个性化治疗响应	未具体说明当前AI/ML方法在药物发现中的实际应用案例或数据验证细节，缺乏对技术局限性的深入讨论	探讨AI和ML如何推动药物发现领域的进步，提高药物设计的效率、安全性和成本效益	药物发现过程，包括靶点发现、先导化合物优化、临床试验等阶段	机器学习	NA	计算机辅助药物设计（CADD）、结构基于药物设计（SBDD）、配体基于药物设计（LBDD）、药效团建模、PBPK建模、高级纳米-QSAR	深度学习	大数据	NA	NA	NA	NA	NA
327	2026-01-08	Advances in Diagnostic Approaches for Alzheimer's Disease: From Biomarkers to Deep Learning Technology 2025, CNS & neurological disorders drug targets DOI:10.2174/0118715273374284250519053646 PMID:40444626	综述	本文综述了阿尔茨海默病的诊断方法进展，从生物标志物到深度学习技术	整合了传统生物标志物（如淀粉样蛋白β）与先进深度学习技术（特别是CNN）在阿尔茨海默病诊断中的应用，并强调了这些技术作为临床辅助而非替代的角色	未提及具体研究样本量或实验验证细节，且未讨论深度学习模型在实际临床部署中的具体挑战	探讨阿尔茨海默病的诊断方法进展，包括生物标志物和深度学习技术的应用	阿尔茨海默病的诊断技术与方法	数字病理学	老年性疾病	脑脊液采样、MRI、PET、X射线、CT、超声、乳腺X线摄影	CNN	图像	NA	NA	NA	准确率	NA
328	2026-01-08	Structure-aware completion of plant 3D LiDAR point clouds via a multi-resolution GAN-inversion network 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1698843 PMID:41487337	研究论文	本文提出了一种名为MRC-Net的无监督深度学习框架，用于在环境干扰和传感器限制下完成植物3D LiDAR点云的鲁棒、高保真补全	通过集成GAN反转策略与多分辨率原则，提出了一种无监督的多分辨率补全网络，利用多分辨率退化机制和多尺度判别器，在无监督条件下实现全局结构一致性与局部细节的平衡	NA	解决在环境干扰和传感器限制下，3D点云补全的鲁棒性和高保真性问题，以提升下游任务性能	植物3D LiDAR点云	计算机视觉	NA	LiDAR	GAN	3D点云	多个数据集，包括虚拟数据集（如CRN）和针对农业场景的自定义数据集	NA	Multi-Resolution Completion Net (MRC-Net), ShapeInversion	Chamfer Distance (CD), F1分数	NA
329	2026-01-08	Technology-driven approaches to intelligent mechanical weed control: a systematic review for sustainable weed management 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1734507 PMID:41487342	综述	本文对2000年至2024年间发表的智能机械除草系统进行了系统性综述，重点关注集成人工智能、机器视觉和机器人技术的设计、性能及在精准农业中的应用	首次提供了针对集成视觉与机器人驱动的AI机械除草系统的全面、系统性综述，并提出了包含传感器融合、自适应工具、平台模块化和用户中心界面的设计与操作指南	在杂草-作物区分、模型泛化、实时执行和经济可行性方面仍存在挑战	探索智能机械除草系统的设计与性能，以推动精准农业中可持续、非化学的杂草管理	智能机械除草系统，特别是集成人工智能、机器视觉和机器人技术的系统	计算机视觉	NA	机器视觉、人工智能、机器人技术	深度学习模型	图像（RGB、LiDAR、高光谱传感器数据）	176篇技术论文，其中33篇关键工作进行了深入分析	NA	NA	NA	NA
330	2026-01-08	Human intention recognition by deep LSTM and transformer networks for real-time human-robot collaboration 2025, Frontiers in robotics and AI IF:2.9Q2 DOI:10.3389/frobt.2025.1708987 PMID:41487443	研究论文	本文提出了一种集成的人机协作系统，利用先进意图识别实现实时任务共享与交互	结合LSTM和Transformer网络进行人体意图识别，并集成动态运动基元实现平滑机器人运动过渡	仅在真实工业装配任务中验证，未涉及其他复杂场景或长期稳定性测试	优化工业环境中复杂任务性能，减少工人负担并提高安全性	人机协作系统中的工人意图识别与机器人运动控制	机器人与人工智能	NA	深度学习模型，动态运动基元	LSTM, Transformer	人体姿态估计数据，手部轨迹数据	NA	NA	LSTM, Transformer	准确率	NA
331	2026-01-08	Slip detection for compliant robotic hands using inertial signals and deep learning 2025, Frontiers in robotics and AI IF:2.9Q2 DOI:10.3389/frobt.2025.1698591 PMID:41487444	研究论文	本文研究利用惯性测量单元（IMU）数据，结合深度学习技术检测机器人手在抓取物体时的滑动事件	首次提出结合指尖方向变化和滑动引起的振动，通过IMU数据作为滑动指示器，并利用卷积神经网络（CNN）进行检测，且方法在不同夹具和未见物体上具有泛化能力	NA	开发一种基于IMU数据和深度学习的滑动检测方法，以提高机器人手在抓取操作中的感知能力	被动顺应性机器人手在抓取物体时的滑动事件	机器学习	NA	惯性测量单元（IMU）传感	CNN	惯性信号（IMU数据）	195次操作试验，涉及滑动和非滑动条件	NA	卷积神经网络	NA	NA
332	2026-01-08	Performance comparison of artificial intelligence models in predicting 72-h emergency department unscheduled return visits 2025, Frontiers in public health IF:3.0Q2 DOI:10.3389/fpubh.2025.1609206 PMID:41487618	研究论文	本研究比较了多种人工智能模型在预测急诊科72小时内非计划返诊方面的性能，旨在优化风险分层策略	首次在统一队列中全面比较了传统机器学习算法与深度学习架构TabNet在急诊非计划返诊预测中的性能，并进行了特征重要性分析和亚组公平性评估	研究为单中心回顾性设计，可能限制了结果的普适性；未考虑外部验证	评估多种AI模型预测急诊科72小时内非计划返诊的性能，以识别最优风险分层策略	某三级医院成人内科急诊就诊患者	机器学习	急诊医学相关疾病（消化系统和呼吸系统疾病等）	NA	逻辑回归, 支持向量机, 随机森林, 极端梯度提升, TabNet	表格数据	143,192次就诊（训练集100,235次，测试集42,957次），其中24,117次（16.8%）为非计划返诊	NA	TabNet	AUROC, 敏感性, 校准曲线, 临床决策曲线分析, 混淆矩阵	NA
333	2026-01-08	Deep recurrent models for forecasting infectious diseases 2025, Frontiers in public health IF:3.0Q2 DOI:10.3389/fpubh.2025.1726819 PMID:41487657	研究论文	本研究提出并开发了一个基于LSTM、BiLSTM和GRU神经网络模型的时间序列预测框架，用于预测沙特阿拉伯的COVID-19病例数并检测异常增长	利用Google Trends搜索词时间序列数据（如“发烧”、“COVID”、“咳嗽”）作为输入，结合深度学习模型检测病例激增的时间模式，实现早期异常检测	BiLSTM模型计算成本较高，而LSTM和GRU虽执行效率高但性能相对较低	预测传染病（COVID-19）病例数并早期检测异常增长，以支持医疗资源分配和响应规划	沙特阿拉伯的COVID-19病例数据及相关的Google搜索趋势数据	机器学习	COVID-19	时间序列分析，Google Trends数据挖掘	LSTM, BiLSTM, GRU	时间序列数据，文本搜索数据	NA	NA	LSTM, BiLSTM, GRU	均方误差（MSE），F1分数	NA
334	2026-01-08	Automated brain atrophy quantification from clinical MRI predicts early neurological deterioration in anterior choroidal artery territory infarction 2025, Frontiers in neuroscience IF:3.2Q2 DOI:10.3389/fnins.2025.1714159 PMID:41488328	研究论文	本研究通过深度学习算法自动量化临床MRI中的脑萎缩，预测前脉络膜动脉梗死患者的早期神经功能恶化风险	首次将自动化的脑萎缩量化应用于前脉络膜动脉梗死患者，以预测早期神经功能恶化，并验证了其作为影像学生物标志物的可行性	研究为双中心回顾性队列设计，可能存在选择偏倚，且样本量相对有限	评估脑萎缩量化指标对前脉络膜动脉梗死患者早期神经功能恶化的预测价值	前脉络膜动脉梗死患者	数字病理学	心血管疾病	临床T1加权MRI成像	深度学习算法	图像	206名患者	NA	SynthSR, AssemblyNet	P值, 风险比	NA
335	2026-01-08	Privacy protection method for ADS-B air traffic control data based on convolutional neural network and symmetric encryption 2025, Frontiers in big data IF:2.4Q2 DOI:10.3389/fdata.2025.1683027 PMID:41488394	研究论文	本文提出了一种基于卷积神经网络和对称加密的ADS-B空中交通管制数据隐私保护方法	结合深度学习与对称加密技术，通过CNN分类模型精确识别敏感信息，有效扰乱原始隐私数据	未提及方法在更复杂攻击场景下的鲁棒性，且未来工作需探索更先进的加密与深度学习算法集成	保护ADS-B空中交通管制数据中的隐私信息，防止数据被拦截和滥用	ADS-B广播的实时飞机信息，如位置、速度和高度	机器学习	NA	对称加密	CNN	文本数据（空中交通信息）	数据量为10GB、20GB、30GB和40GB的ADS-B数据集	NA	NA	加密时间	NA
336	2026-01-08	Time series forecasting for bug resolution using machine learning and deep learning models 2025, Frontiers in big data IF:2.4Q2 DOI:10.3389/fdata.2025.1745751 PMID:41488392	研究论文	本研究评估了机器学习和深度学习模型在开源项目bug修复时间序列预测中的有效性，比较了局部和全局方法	结合经典模型与深度学习模型，采用全局视角进行时间序列预测，并利用可解释AI技术分析预测驱动因素	未明确提及具体数据集的局限性或模型泛化能力的潜在约束	预测bug修复时间以改进软件维护和支持开源项目规划	多个开源软件仓库的bug修复时间序列数据	机器学习	NA	时间序列预测	Naive, Linear Regression, Random Forest, MLP, LSTM, GRU	时间序列数据	来自多个开源软件仓库的真实世界数据	NA	MLP, LSTM, GRU	平均误差, 准确率, F1分数	NA
337	2026-01-08	Development and validation of a multi-modality system combining radiomics and deep learning for predicting mid-pregnancy complications and enabling timely pregnancy care 2025, Frontiers in pediatrics IF:2.1Q2 DOI:10.3389/fped.2025.1716073 PMID:41488903	研究论文	本研究开发并验证了一个结合影像组学和深度学习特征的多模态AI模型，用于早期预测妊娠期高血压疾病和妊娠期糖尿病	首次将影像组学与深度学习特征从孕早期超声扫描中整合，构建了多模态融合模型，显著提升了预测性能	需要进一步在不同人群中进行验证，样本量相对有限	提高妊娠期高血压疾病和妊娠期糖尿病的早期预测准确性，以支持及时的孕期护理	213名在孕8周接受超声检查的孕妇	医学影像分析	妊娠期并发症	超声扫描	深度学习模型, 影像组学模型, 临床模型, 融合模型	图像, 临床数据	213名孕妇	NA	NA	AUC, 灵敏度, 特异性, 校准曲线, 决策曲线分析	NA
338	2026-01-08	Predicting the risk of type 2 diabetes mellitus (T2DM) emergence in 5 years using mammography images: a comparison study between radiomics and deep learning algorithm 2025-Jan, Journal of medical imaging (Bellingham, Wash.) DOI:10.1117/1.JMI.12.1.014501 PMID:39776665	研究论文	本研究旨在利用乳腺X线摄影图像预测5年内2型糖尿病的发生风险，并比较了影像组学和深度学习算法的性能	首次将乳腺X线摄影图像用于预测2型糖尿病风险，并对比了基于影像组学的机器学习方法与基于深度学习的卷积神经网络方法	样本量相对较小（312例），CNN模型的AUROC较低（0.58），可能由于深度学习模型在有限数据下难以学习到有效特征	预测5年内2型糖尿病的发生风险	乳腺X线摄影图像	计算机视觉	2型糖尿病	乳腺X线摄影	机器学习, CNN	图像	312例样本（110例阳性，202例阴性）	Scikit-learn, PyTorch	ResNet	准确率, 灵敏度, 特异性, AUROC	NA
339	2026-01-07	FastKAN-DDD: A novel fast Kolmogorov-Arnold network-based approach for driver drowsiness detection optimized for TinyML deployment 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0332577 PMID:41191636	研究论文	本文提出了一种基于快速Kolmogorov-Arnold网络的新型驾驶员疲劳检测模型FastKAN-DDD，并针对TinyML部署进行了优化	首次将FastKAN架构应用于驾驶员疲劳检测领域，结合可学习的径向基函数非线性激活函数，并通过后训练量化技术实现了极低的计算开销和内存占用	研究仅使用了UTA-RLDD单一数据集进行验证，未在更广泛的实际驾驶场景中进行测试	开发适用于资源受限嵌入式系统的轻量级、可解释、高性能驾驶员疲劳检测模型	驾驶员疲劳状态检测	机器学习	NA	后训练量化（动态范围、float-16、仅权重量化）	FastKAN（快速Kolmogorov-Arnold网络）	图像数据（来自UTA-RLDD数据集）	UTA-RLDD数据集（具体样本数量未在摘要中说明）	NA	FastKAN（基于径向基函数的可学习激活函数）	准确率, 推理延迟, 内存占用	微控制器系统（TinyML部署环境）
340	2026-01-06	A systematic review of automated prediction of sudden cardiac death using ECG signals 2025-Jan-23, Physiological measurement IF:2.3Q3 DOI:10.1088/1361-6579/ad9ce5 PMID:39657316	综述	本文对2011年至2023年间利用ECG信号自动预测心源性猝死的研究进行了系统性综述	系统梳理了机器学习和深度学习在心源性猝死自动预测中的应用，并强调了当前方法的局限性和未来研究方向	现有模型大多依赖小规模数据库，且主要使用ECG和HRV信号，忽略了其他生理信号的潜在贡献，限制了其在真实世界场景中的适用性	综述并分析用于心源性猝死自动预测的机器学习和深度学习模型	心源性猝死预测研究及相关算法模型	机器学习	心血管疾病	ECG信号分析，HRV信号分析	K近邻，支持向量机，决策树，随机森林，朴素贝叶斯，卷积神经网络	生理信号（ECG，HRV）	NA	NA	NA	准确率	NA