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
381	2026-01-12	Prediction of 131I uptake in lung metastases of differentiated thyroid cancer using deep learning 2025, Frontiers in endocrinology IF:3.9Q2 DOI:10.3389/fendo.2025.1697233 PMID:41473240	研究论文	本研究开发了一个深度卷积神经网络模型，用于预测分化型甲状腺癌肺转移灶的131I摄取能力	首次利用深度卷积神经网络模型预测分化型甲状腺癌肺转移灶的131I摄取能力，为放射性碘治疗前的患者筛选提供了新方法	研究为回顾性、多中心队列研究，可能存在选择偏倚；样本量相对有限，需要更大规模的前瞻性研究验证	开发一个深度学习模型，用于预测分化型甲状腺癌肺转移灶的131I摄取能力，以指导放射性碘治疗	分化型甲状腺癌患者的肺转移灶	数字病理学	甲状腺癌	胸部CT成像	CNN	图像	主要数据集261例患者（131I摄取阳性140例，阴性121例），内部验证数据集59例，外部验证数据集1为43例，外部验证数据集2为41例	NA	ResNeSt50, Inception V3, ResNet50	AUC	NA
382	2026-01-12	On relational pedagogy in occupational therapy education: What it is and why it matters 2025-Jan, Scandinavian journal of occupational therapy IF:1.9Q2 DOI:10.1080/11038128.2026.2613622 PMID:41518199	研究论文	本文探讨了关系教育学在瑞典职业治疗教育中的相关性和应用	将关系教育学概念应用于职业治疗教育领域，强调人际、伦理和对话维度在竞争性高等教育环境中的重要性	研究基于单一瑞典大学的资深讲师访谈，可能缺乏广泛代表性；数字或混合学习环境可能削弱关系协调	描述和讨论关系教育学在职业治疗教育中的相关性和应用	瑞典职业治疗教育中的教学关系和实践	NA	NA	NA	NA	访谈数据、反思笔记、文献资料	瑞典某大学的资深讲师访谈（具体数量未明确说明）	NA	NA	NA	NA
383	2026-01-11	Low-Cost and Fast Epiretinal Membrane Detection and Quantification Based on SD-OCT 2025, IEEE access : practical innovations, open solutions IF:3.4Q2 DOI:10.1109/access.2025.3629332 PMID:41503050	研究论文	提出了一种基于SD-OCT B扫描的低成本、快速视网膜前膜检测与量化新方法	提出了一种新的en face投影技术（EPI），并利用YOLOv11x模型实现高精度检测，同时提出了一种将EPI投影与视网膜厚度图相关联的评分机制，揭示了视网膜前膜与视网膜增厚之间的空间关系	需要进一步的大规模验证以确认其临床可靠性	开发一种低成本、快速且准确的视网膜前膜检测与量化方法	视网膜前膜	计算机视觉	视网膜疾病	SD-OCT	CNN	图像	NA	NA	YOLOv11x	mAP@50, mAP@50:95, 相关性评分, ICC, AAS, AR	NA
384	2026-01-10	Deep learning-based lymph node metastasis status predicts prognosis from muscle-invasive bladder cancer histopathology 2025-Jan-10, World journal of urology IF:2.8Q2 DOI:10.1007/s00345-025-05440-8 PMID:39792275	研究论文	本研究开发了一种基于深度学习的模型，利用原发性肿瘤组织预测肌肉浸润性膀胱癌的淋巴结转移状态，并验证了预测的aiN评分在预后评估中的价值	首次使用基于UNI视觉编码器的深度学习模型直接从H&E染色组织学图像中提取特征，以预测肌肉浸润性膀胱癌的淋巴结转移状态，并证明aiN评分作为独立预后因子的有效性	研究为回顾性分析，需要前瞻性验证以确认模型在个性化管理中的应用潜力	开发并验证一个深度学习模型，用于预测肌肉浸润性膀胱癌的淋巴结转移状态及其预后价值	肌肉浸润性膀胱癌患者	数字病理学	膀胱癌	H&E染色组织学图像分析	深度学习	图像	训练和内部验证集：323名患者（来自TCGA）；外部验证集：139名患者（来自武汉大学人民医院）	NA	UNI	AUC, 风险比	NA
385	2026-01-10	Research Hotspots of Traditional Chinese Medicine for Liver Cancer in the Future Directions: A Bibliometric Analysis 2025, Journal of hepatocellular carcinoma IF:4.2Q2 DOI:10.2147/JHC.S555310 PMID:41496746	文献计量分析	本文通过对过去十年中医药治疗肝癌研究的文献进行系统性计量分析，描绘了该领域的知识图谱和发展趋势	首次系统性地对中医药治疗肝癌领域进行了跨数据库（CNKI、Wanfang、VIP、Web of Science）的文献计量分析，并揭示了中英文文献在研究主题上的显著差异及新兴前沿	国际与跨区域合作仍然有限，且分析依赖于所选数据库的覆盖范围和检索策略	填补中医药在肝癌管理研究领域的知识图谱空白，系统分析其研究热点与演变趋势	从中国知网、万方、维普和Web of Science等数据库中检索到的与中医药和肝癌相关的出版物	文献计量学	肝癌	文献计量分析，科学图谱工具（如CiteSpace, Origin 2024, R, VOSviewer）	NA	文献数据（出版物）	从2015年2月14日至2025年2月14日期间检索的相关出版物	CiteSpace, Origin 2024, R, VOSviewer	NA	NA	NA
386	2026-01-10	Identifying health conditions in older adults in textual health records using deep learning-based natural language processing 2025, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2025.09.009 PMID:41496888	研究论文	本研究利用深度学习自然语言处理模型从老年患者的电子健康记录自由文本中识别跌倒、失禁、孤独和行动受限等健康问题	首次在芬兰大规模电子健康记录中应用深度学习NER模型识别老年健康问题，相比诊断代码显著提高了识别数量和死亡率预测能力	研究仅针对芬兰特定年龄段患者，结果可能受数据质量和文本记录完整性影响	开发基于深度学习的自然语言处理模型以识别老年患者电子健康记录中的关键健康问题	102,525名50-80岁芬兰患者的电子健康记录自由文本	自然语言处理	老年疾病	命名实体识别	深度学习模型	文本	102,525名患者的1060万条自由文本记录	NA	NA	精确率, 召回率, F1分数	NA
387	2026-01-10	Comparing the performance of dynamic susceptibility contrast and arterial spin labeling for detecting residual and recurrent glioblastoma with deep learning and multishell diffusion MRI 2025 Jan-Dec, Neuro-oncology advances IF:3.7Q2 DOI:10.1093/noajnl/vdaf219 PMID:41497450	研究论文	本研究比较了动态磁敏感对比增强（DSC）和动脉自旋标记（ASL）两种MR灌注技术在结合深度学习和多模态MRI（包括多壳层扩散和灌注）下，用于检测胶质母细胞瘤残留和复发的性能	首次结合深度学习和多模态MRI（包括多壳层扩散和灌注）来比较DSC和ASL在胶质母细胞瘤复发检测中的性能，并发现ASL在特定区域（如手术腔附近）具有优势	研究为回顾性设计，样本量相对有限（137次MRI扫描，107名患者），且未详细讨论模型在其他肿瘤类型或更大数据集上的泛化能力	比较DSC和ASL两种MR灌注技术在区分胶质母细胞瘤复发和治疗后变化中的性能	胶质母细胞瘤患者的MRI图像，包括灌注和多壳层扩散数据	数字病理学	胶质母细胞瘤	动态磁敏感对比增强（DSC），动脉自旋标记（ASL），多壳层扩散MRI	深度学习	MRI图像	137次MRI扫描，来自107名胶质母细胞瘤患者	nnU-Net	nnU-Net	Dice分数，曲线下面积（AUC）	NA
388	2026-01-10	PET-TURTLE: Deep Unsupervised Support Vector Machines for Imbalanced Data Clusters 2025, IEEE signal processing letters IF:3.2Q2 DOI:10.1109/lsp.2025.3636453 PMID:41497826	研究论文	本文提出了一种名为PET-TURTLE的深度无监督支持向量机方法，用于处理不平衡数据聚类问题	通过引入幂律先验来泛化成本函数以处理不平衡数据分布，并在标记过程中引入稀疏logits以简化搜索空间，从而提升聚类准确性	NA	改进深度聚类算法以更好地处理不平衡数据分布	合成数据和真实数据中的不平衡聚类问题	机器学习	NA	NA	深度无监督支持向量机	NA	NA	NA	TURTLE, PET-TURTLE	准确性	NA
389	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
390	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
391	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
392	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
393	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
394	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
395	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
396	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
397	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
398	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
399	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
400	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