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
401	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
402	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
403	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
404	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
405	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
406	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）
407	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
408	2026-01-06	Artificial intelligence in Glioblastoma Diagnostics: Integrating MRI, histopathology, and molecular profiling 2025, Cancer treatment and research communications DOI:10.1016/j.ctarc.2025.101040 PMID:41308410	综述	本文综述了人工智能在胶质母细胞瘤诊断中整合MRI、组织病理学和分子谱分析的应用与挑战	系统性地整合了AI在脑肿瘤诊断中的多模态数据（如MRI、fMRI、PET）应用，并强调了与放射组学、多模态融合、迁移学习及分子谱分析的结合	研究存在异质性，导致仅能进行叙述性综合；外部泛化性有限，且缺乏前瞻性、多中心验证	评估人工智能在提高脑肿瘤（特别是胶质瘤）诊断精度和效率方面的潜力	脑肿瘤诊断研究，重点关注胶质瘤	数字病理学	胶质母细胞瘤	MRI, fMRI, PET, 放射组学, 分子谱分析	CNN	图像	NA	NA	NA	NA	NA
409	2026-01-06	A deep learning AI model for determining the relationship between X-Ray detectors and patient positioning in chest radiography 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0333209 PMID:41082558	研究论文	本研究开发了一种基于深度学习的人工智能系统，用于自动检测胸部X光摄影中X射线探测器与患者之间的位置关系	提出了一种定制化的卷积神经网络模型，首次实现了在胸部X光摄影中自动检测探测器与患者位置关系的AI系统	研究仅基于22,299张图像，可能需要在更大规模数据集上进行验证；未提及模型在不同设备或临床环境中的泛化能力	开发能够自动确定X射线探测器与患者位置关系的AI系统，以减轻放射技师的工作负担并提高成像准确性	胸部X光摄影中X射线探测器与患者的位置关系图像	计算机视觉	NA	胸部X光摄影	CNN	图像	22,299张图像	PyTorch	定制化CNN	准确率, 损失函数值, 真阴性率, 阴性预测值, 精确率, 召回率, F1分数	NA
410	2026-01-05	Comprehensive AI framework for automated classification, detection, segmentation, and severity estimation of date palm diseases using vision-language models and generative AI 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1710188 PMID:41479527	研究论文	本文提出了一个综合AI框架，用于自动分类、检测、分割和估计枣椰树疾病的严重程度，结合了视觉语言模型和生成式AI技术	提出了一个集成的Reveal-Aware混合视觉语言和基于Transformer的AI框架，首次将GAN增强、CLIP多模态分类、PaliGemma2文本检测、Grounding DINO + SAM 2.1零样本分割以及Vision Transformer回归模型整合到一个端到端的可解释诊断流程中	NA	开发一个综合AI框架，用于自动化、准确且可扩展的枣椰树疾病管理	枣椰树疾病，包括红棕象甲、Bayoud病和黑焦病等	计算机视觉	植物疾病	GAN, CLIP, PaliGemma2, Grounding DINO, SAM 2.1, Vision Transformer	GAN, Transformer, CNN	图像, 文本	两个数据集：九个类别的感染枣椰树叶子和三个类别的枣椰树疾病	NA	CLIP, PaliGemma2, Grounding DINO, SAM 2.1, Vision Transformer	准确率, 精确率, 召回率, F1分数	NA
411	2026-01-05	Machine learning and near-infrared fusion-driven quantitative characterization and detection of protein content in maize kernels 2025, Frontiers in nutrition IF:4.0Q2 DOI:10.3389/fnut.2025.1719661 PMID:41479661	研究论文	本研究开发了一种基于近红外光谱和机器学习融合的玉米籽粒蛋白质含量快速无损检测方法	通过使用玉米粉末样品提高光谱信号的均匀性和稳定性，系统评估了多种光谱预处理方法，并比较了传统机器学习与深度学习模型的性能，最终提出了一种结合特征波长选择的高效预测模型	研究仅使用了90个玉米粉末样本，样本量相对较小；深度学习模型在本研究中未表现出优于传统方法的性能	开发一种快速、无损的玉米蛋白质含量检测方法	玉米粉末样品	机器学习	NA	近红外光谱	PLSR, SVM, CNN, Transformer	光谱数据	90个玉米粉末样本	NA	ResNet-18, Transformer	相关系数, RMSE, RPD	NA
412	2026-01-05	Deep learning-based dose prediction for prostate cancer with empty bladder protocol: a framework for efficient and personalized radiotherapy planning 2025, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2025.1690416 PMID:41479786	研究论文	本研究开发了一种基于深度学习的剂量预测模型，用于支持前列腺癌空膀胱放疗方案，旨在提高放疗计划的效率和个性化程度	首次针对前列腺癌空膀胱放疗方案开发了基于条件生成对抗网络的剂量预测模型，并通过特定数据微调显著提升了预测精度和临床相关性	模型训练样本量有限（90例满膀胱病例和20例空膀胱病例），且仅针对特定放疗技术（SBRT和IMRT）进行了验证	开发一个高效、个性化的放疗计划框架，以支持前列腺癌空膀胱放疗方案的临床应用	前列腺癌患者	数字病理学	前列腺癌	放射治疗（RT），包括立体定向体部放疗（SBRT）和调强放疗（IMRT）	条件生成对抗网络（cGAN）	医学影像数据（剂量分布、解剖结构）	110例病例（90例满膀胱病例用于训练，20例空膀胱病例用于微调和评估）	NA	改进的3D U-Net	平均绝对百分比误差（MAPE），剂量体积直方图（DVH）指标	NA
413	2026-01-05	The place of advanced machine learning techniques in building pancreatic adenocarcinoma survival and recurrence prognosis models 2025, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2025.1727806 PMID:41479788	综述	本文评估了机器学习在改善胰腺导管腺癌预后预测中的应用	系统综述了机器学习算法（如随机森林、XGBoost和深度学习）在预测PDAC生存、复发和转移方面相较于传统TNM分期的优越性能，并强调多模态数据整合（临床、影像组学和基因组特征）能实现最高预测准确度	当前模型受限于小规模数据集和回顾性研究设计，缺乏前瞻性验证	评估机器学习技术在胰腺导管腺癌预后预测模型构建中的应用价值	胰腺导管腺癌患者	机器学习	胰腺癌	机器学习算法（如随机森林、XGBoost、深度学习）	随机森林, XGBoost, 深度学习	多模态数据（临床、影像组学、基因组特征）	基于12项研究的系统综述，未明确总样本量	NA	NA	预测准确度	NA
414	2026-01-05	Neural networks and foundation models: two strategies for EEG-to-fMRI prediction 2025, Frontiers in systems biology DOI:10.3389/fsysb.2025.1715692 PMID:41479845	研究论文	本文探讨了从脑电图（EEG）预测功能磁共振成像（fMRI）活动的两种策略：使用传统机器学习和深度学习模型，以及利用预训练的大型语言模型（LLMs）和多模态模型	首次将EEG到fMRI的预测任务同时表述为分类和回归问题，并比较了传统深度学习模型与预训练基础模型两种策略，还探索了思维链方法让LLMs从EEG推断认知功能再预测fMRI	两种策略的自然结合（即在EEG-fMRI数据集上微调LLM）并不直接，需要进一步研究，且研究基于特定神经反馈任务和哈佛-牛津皮质图谱定义的脑区域	从EEG活动预测fMRI活动，以结合两种神经成像技术的优势，为神经科学研究和神经技术应用开辟新途径	执行神经反馈任务的受试者的EEG和fMRI数据	机器学习	NA	EEG, fMRI	MLP, CNN, RNN, transformer, LLMs, 大型多模态模型	时间序列数据（EEG）, 图像数据（fMRI）	NA	NA	MLP, CNN, RNN, Transformer	NA	NA
415	2026-01-05	A multidimensional data-driven approach to surgical plan optimization and postoperative residual tumor prediction in ovarian cancer 2025, Frontiers in immunology IF:5.7Q1 DOI:10.3389/fimmu.2025.1705428 PMID:41479903	研究论文	本研究开发了一种融合临床特征和腹水免疫微环境特征的多维数据驱动深度学习模型，用于预测卵巢癌术后残留肿瘤状态并辅助手术决策	首次将临床特征与腹水免疫微环境特征整合到深度学习模型中，用于预测卵巢癌术后残留肿瘤状态，并通过梯度特征数量验证优化了特征选择	模型在区分R0和R1状态方面存在局限性，需要进一步优化；样本量相对较小（118例），未来需要扩大数据集	预测卵巢癌术后残留肿瘤状态并优化手术决策	118例FIGO III/IV期高级别浆液性卵巢癌患者	数字病理学	卵巢癌	密度梯度离心，流式细胞术	深度学习模型	临床数据，免疫微环境数据	118例高级别浆液性卵巢癌患者	NA	NA	准确率，精确率，召回率，F1分数	NA
416	2026-01-05	Secure pulmonary diagnosis using transformer-based approach to X-ray classification with KL divergence optimization 2025, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2025.1716066 PMID:41480524	研究论文	本文提出了一种基于MedViT和Swin Transformer的深度学习新方法，用于X射线图像的肺部疾病分类，并通过KL散度优化提升性能	结合了MedViT和Swin Transformer两种先进模型，并利用Kullback-Leibler散度作为损失函数来有效处理类别不平衡问题	未提及模型在外部验证集上的泛化能力或计算效率的具体分析	开发一种可靠的自动化肺部疾病分类方法以支持临床决策	肺部X射线图像数据集，包含正常、肺部不透明和病毒性肺炎三类	计算机视觉	肺癌	X射线成像	Transformer, CNN	图像	10,425张X射线图像（正常3,750张，肺部不透明3,375张，病毒性肺炎3,300张）	NA	MedViT, Swin Transformer	准确率, 损失值	NA
417	2026-01-04	OTMorph: Unsupervised Multi-Domain Abdominal Medical Image Registration Using Neural Optimal Transport 2025-01, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2024.3437295 PMID:39093684	研究论文	本文提出了一种基于神经最优传输的无监督多域腹部医学图像配准框架OTMorph	提出了一种新颖的无监督多域图像配准框架，通过神经最优传输学习数据分布映射来缓解不同域图像间的特征差异	未明确说明模型在极端解剖变异或病理严重变形情况下的表现	解决多域腹部医学图像（如多模态、多参数图像）的变形配准问题	腹部医学图像，特别是用于诊断肝癌和淋巴瘤等疾病的多域图像	计算机视觉	肝癌，淋巴瘤	医学图像配准	深度学习模型	医学图像（体积数据）	NA	NA	OTMorph（包含传输模块和配准模块）	NA	NA
418	2026-01-03	Correction: Leveraging deep learning models to increase the representation of nomadic pastoralists in health campaigns and demographic surveillance 2025, PLOS global public health DOI:10.1371/journal.pgph.0005757 PMID:41474694	correction	本文是对先前发表文章（DOI: 10.1371/journal.pgph.0004018）的更正	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
419	2026-01-04	Deep learning for deep learning performance: How much data is needed for segmentation in biomedical imaging? 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0339064 PMID:41474709	研究论文	本文提出了一种深度学习专用的框架，用于估计医学图像分割任务中达到稳定性能所需的最小数据集规模	提出了一个针对深度学习特性的样本量估计框架，并引入基于LSTM的代理建模流程来预测性能曲线，为医学AI开发中的资源分配提供了实用的经验方法	研究仅验证了两种特定的临床任务（结直肠息肉分割和胶质瘤分割），框架在其他医学图像分割任务中的普适性仍需进一步验证	研究深度学习模型在医学图像分割任务中达到稳定性能所需的最小数据集规模，并开发相应的估计框架	结直肠息肉（来自2D内窥镜图像）和脑胶质瘤（来自3D脑部MRI）	数字病理	结直肠癌, 脑胶质瘤	医学图像分割	CNN, LSTM	2D图像, 3D MRI图像	Kvasir-SEG数据集（2D内窥镜图像）和BraTS 2020数据集（3D脑部MRI），训练配置分别达到200种和40种	NA	Residual U-Net, LSTM	Dice相似系数（DSC）, 平均绝对误差	NA
420	2026-01-04	Alveolar Bone Segmentation Methods in Assessing the Effectiveness of Periodontal Defect Regeneration Through Machine Learning of CBCT Data: A Systematic Review 2025, International journal of biomedical imaging IF:3.3Q2 DOI:10.1155/ijbi/9065572 PMID:41476447	系统综述	本文系统综述了用于评估牙周缺损再生效果的锥形束CT影像中牙槽骨分割方法，重点关注机器学习技术的应用	首次系统性地比较了不同牙槽骨分割方法在牙周缺损再生数字工作流程中的效果，并明确了深度学习（特别是U-Net）在该领域的主导地位	纳入研究数量有限（仅23项），时间范围限制在5年内，且不同研究的分割性能评估指标存在差异	评估锥形束CT影像中牙槽骨分割方法的有效性及其在牙周缺损再生数字工作流程中的潜在价值	牙周缺损患者的锥形束CT影像数据	数字病理学	牙周病	锥形束CT成像	深度学习	医学影像（DICOM格式）	NA	NA	U-Net	Dice相似系数	NA