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
161	2026-02-24	Deep learning-based optic nerve diameter sheath characterization and structure quantification on transorbital ultrasound images 2025, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2025.1705459 PMID:41601796	研究论文	本文提出了一种基于深度学习的神经网络，用于在经眼眶超声图像上进行视神经鞘直径表征和结构量化	结合共享和特定特征提取分支以及不确定性感知损失函数，以学习鲁棒的物体结构，并在多中心公开数据集上表现出优越性能	NA	实现视神经的精确分割和视神经鞘直径的量化，以作为颅内压升高等神经眼科疾病的非侵入性评估生物标志物	经眼眶超声图像中的视神经结构	计算机视觉	神经眼科疾病	超声成像	深度学习神经网络	图像	多中心公开数据集	NA	结合共享和特定特征提取分支的深度神经网络	Dice分数, AUROC	NA
162	2026-02-24	Non-genetic factors determine deep learning identified ECG differences between black and white healthy subjects 2025, NPJ cardiovascular health DOI:10.1038/s44325-025-00087-1 PMID:41080706	研究论文	本研究探讨了机器学习模型能否从健康黑人和白人个体的心电图中识别基于种族的差异，并探索了这些差异的起源	揭示了心电图中的种族相关模式主要由非遗传因素决定，并通过大规模多机构数据分析验证了这一点	研究主要关注黑人和白人群体，可能未涵盖其他种族或族裔群体，且社会经济状态的影响分析可能受数据限制	调查人工智能模型从心电图数据中检测种族差异的能力及其公平性影响	来自多个机构的约176万名健康受试者的约1000万条心电图轨迹	机器学习	心血管疾病	心电图分析	CNN	心电图信号	约176万名受试者，约1000万条心电图轨迹	NA	1层晚期融合CNN	AUC	NA
163	2026-02-24	Anthropometry and diagnostic aware deep learning for exercise assessment 2025, Frontiers in medical technology IF:2.7Q3 DOI:10.3389/fmedt.2025.1725661 PMID:41725682	研究论文	提出一种结合人体测量和诊断信息的深度学习框架，用于评估力量训练动作的质量和风险	首次将人体测量和诊断特征与IMU运动学数据融合，通过注意力加权进行特征融合，提升动作分类和风险预测的准确性	样本量较小（仅15名健康受试者），且未在临床患者或更大样本人群中验证	开发一个多模态深度学习框架，以分类运动质量并预测运动相关风险	健康受试者进行正确和不正确的深蹲和罗马尼亚硬拉动作	机器学习	NA	IMU（惯性测量单元）数据采集	CNN, LSTM	运动学序列数据，静态人体测量/诊断数据	15名健康受试者	NA	CNN-LSTM分支与全连接分支融合，注意力加权	序列级准确率，二元风险预测准确率	NA
164	2026-02-24	AI-based prediction of heart failure progression in persistent atrial fibrillation using wearable electrocardiography: a brief research report 2025, Frontiers in cardiovascular medicine IF:2.8Q2 DOI:10.3389/fcvm.2025.1748673 PMID:41727311	研究论文	本研究评估了利用可穿戴心电图和人工智能模型预测持续性房颤患者心力衰竭进展的可行性	首次结合可穿戴心电图特征与临床指标，采用上下文感知深度学习模型预测心力衰竭生物标志物变化趋势	样本量较小（仅50名患者），研究结果需要更大规模验证	评估基于可穿戴心电图和人工智能预测持续性房颤患者心力衰竭进展的可行性	持续性房颤患者	机器学习	心血管疾病	可穿戴心电图监测	LSTM, 注意力机制	心电图信号, 临床数据	50名持续性房颤患者	NA	上下文感知深度学习模型	RMSE, MAE, 准确率	NA
165	2026-02-20	Classification of Major Depressive Disorder Using Vertex-Wise Brain Sulcal Depth, Curvature, and Thickness with a Deep and a Shallow Learning Model 2025-Jan-24, ArXiv PMID:39975425	研究论文	本研究使用大脑皮层顶点水平的沟深、曲率和厚度特征，结合深度学习和浅层学习模型，对重度抑郁症患者与健康对照组进行分类	首次在大规模、多中心的ENIGMA-MDD数据集上，系统评估了顶点水平皮层形态特征的整合对MDD分类的效能，并比较了DenseNet与SVM两种非线性与线性模型的性能	仅使用结构MRI的皮层形态特征，分类性能接近随机水平，未能有效区分MDD与健康对照；结果可能受多中心数据异质性影响	探索基于大脑皮层形态特征的机器学习模型对重度抑郁症的诊断分类能力	重度抑郁症患者与健康对照者	神经影像分析	重度抑郁症	结构磁共振成像	DenseNet, SVM	神经影像特征数据	7,012名参与者（2,772名MDD患者，4,240名健康对照），来自30个研究中心	NA	DenseNet	平衡准确率	NA
166	2026-02-19	A Deep Neural Network Framework for the Detection of Bacterial Diseases from Chest X-Ray Scans 2025, Infectious disorders drug targets DOI:10.2174/0118715265358132250429115426 PMID:40454498	研究论文	本研究开发了一个基于深度神经网络的框架，用于从胸部X光扫描中检测包括COVID-19、肺炎和结核病在内的呼吸系统疾病	利用多种DNN学习算法分析X光扫描的颜色、曲线和边缘特征，并采用Adam优化器降低错误率，VGG19模型在准确率上相比其他模型有显著提升	NA	开发一个先进的深度学习框架，用于快速检测呼吸系统疾病	胸部X光扫描图像	计算机视觉	肺病	NA	DNN	图像	1800张胸部X光图像，包括COVID-19、肺炎、结核病和正常病例	NA	VGG19, AlexNet, GoogleNet, InceptionV3, VGG16	准确率, 灵敏度, 特异性, F1分数, 错误率	NA
167	2026-02-19	LeafSightX: an explainable attention-enhanced CNN fusion model for apple leaf disease identification 2025, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2025.1689865 PMID:41693760	研究论文	提出了一种名为LeafSightX的可解释注意力增强CNN融合模型，用于苹果叶片病害的快速精准识别	采用双主干架构（DenseNet201和InceptionV3）结合多头自注意力机制，增强特征表示能力和空间上下文推理，并集成可解释AI技术（Grad-CAM）提高模型透明度	模型架构较为复杂	开发适用于精准农业的苹果叶片病害识别系统	苹果叶片病害	计算机视觉	植物病害	深度学习	CNN, 注意力机制	图像	包含田间和实验室图像的五类苹果叶片病害数据集，并在一个额外的独立数据集上进行了验证	未明确提及	DenseNet201, InceptionV3	准确率, F1分数, AUC, PR-AUC, Cohen's Kappa	未明确提及，但模型具备实时推理能力，适合边缘设备部署
168	2026-02-19	Explaining factors influencing students' depression with a deep learning approach 2025, Frontiers in psychology IF:2.6Q2 DOI:10.3389/fpsyg.2025.1684274 PMID:41694756	研究论文	本研究提出了一种名为GLNet的人工智能算法，通过整合Mamba和卷积层从学生的社会人口学、学术和生活方式信息中提取特征，用于分析学生抑郁的影响因素	提出了一种新型的深度学习模型GLNet，该模型创新性地结合了Mamba和卷积层，用于从多维度学生数据中提取特征以分析抑郁相关因素	研究基于公开可用的学生抑郁数据集，可能无法完全代表所有学生群体，且模型性能可能受数据质量和样本量的限制	准确识别学生抑郁并分析其关键影响因素，以改善学生心理健康	学生群体，包括其社会人口学特征、学术表现和生活方式信息	机器学习	心理健康障碍	深度学习	CNN, Mamba	结构化数据（包括社会人口学、学术和生活方式信息）	公开可用的学生抑郁数据集中的样本	NA	GLNet（整合Mamba和卷积层的自定义架构）	准确率	NA
169	2026-02-19	PointNeXt-DBSCAN: a hybrid point cloud deep learning framework for multi-stage cotton leaf instance segmentation 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1705564 PMID:41695536	研究论文	本研究提出了一种结合PointNeXt与DBSCAN的混合点云深度学习框架，用于棉花多生长阶段的叶片实例分割	提出了一种两阶段混合框架，先使用PointNeXt网络进行语义分割，再利用密度自适应的DBSCAN聚类进行实例分割，有效缓解了新叶的过分割问题	未明确说明框架在极端遮挡或高度密集叶片场景下的性能，也未讨论计算效率或实时处理能力	实现棉花点云中器官级别的实例分割，以支持关键表型性状的自动提取	棉花植株点云数据，涵盖从幼苗到吐絮期的多个生长阶段	计算机视觉	NA	多视角图像重建	深度学习, 聚类	点云	1065株棉花植株	NA	PointNeXt, DBSCAN	mIoU, ARI, 过分割率, 误差率	NA
170	2026-02-19	Vision-language models for zero-shot weed detection and visual reasoning in UAV-based precision agriculture 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1735096 PMID:41695537	研究论文	本研究评估了六种商用视觉语言模型在无人机农业图像上进行零样本杂草检测和视觉推理的能力	首次在无人机农业图像上系统评估商用视觉语言模型的零样本杂草检测与推理能力，并提出了错误探测提示法以量化模型的可解释性和自校正能力	研究仅基于大豆田数据，模型在定位和特异性方面存在不足，且部分模型在压力测试中表现出脆弱的推理能力	探索视觉语言模型在精准农业中作为低标注杂草管理工具的潜力	无人机采集的大豆田图像及地面真实杂草标注框	计算机视觉	NA	无人机成像，视觉语言模型	视觉语言模型	图像	无人机图像数据集（具体数量未说明）	NA	ChatGPT-4.1, ChatGPT-4o, Gemini Flash 2.5, Gemini Flash Lite 2.5, LLaMA-4 Scout, LLaMA-4 Maverick	零样本性能，可解释性评分（基础性、特异性、合理性、非幻觉性、可操作性），文本到区域重叠度量	NA
171	2026-02-19	Transfer learning for improving generalizability in predicting soybean maturity date using UAV imagery 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1720819 PMID:41695541	研究论文	本研究评估了三种迁移学习技术在利用历史数据预测大豆成熟日期模型泛化能力方面的可行性	首次将预训练与微调、单源与多源域适应等迁移学习技术应用于基于无人机影像的大豆成熟日期预测，以提升模型在新环境中的泛化性能	研究仅基于两个地点的五年试验数据，样本量和环境多样性可能有限，且未考虑其他潜在影响因素如气候变异	提高利用无人机影像预测大豆育种品系成熟日期的模型泛化能力，以支持作物育种效率	大豆育种品系	计算机视觉	NA	无人机多光谱成像	深度学习模型	多光谱图像	2018年至2021年在两个地点进行的五个育种试验	NA	NA	决定系数R2, 均方根误差	NA
172	2026-02-19	Robust prostate cancer risk stratification from unregistered mpMRI via learned cross-modal correspondence 2025, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2025.1700447 PMID:41696070	研究论文	本文提出了一种名为CMOT-Fusion的深度学习框架，用于在不进行图像配准的情况下，融合未对齐的多参数MRI序列以进行前列腺癌风险分层	开发了CMOT-Fusion框架，通过学习未配准的T2WI和ADC图像之间诊断相关区域的对应关系，实现了无需显式图像配准步骤的鲁棒多模态融合	研究为单中心回顾性设计，独立测试队列规模较小，结果应被视为探索性的，需要多中心前瞻性验证	开发并验证一种深度学习框架，以克服多参数MRI数据空间未对齐的局限性，实现鲁棒的前列腺癌风险分层	300名经病理证实的前列腺癌患者，所有患者均接受了活检前的多参数前列腺MRI检查	数字病理学	前列腺癌	多参数MRI (mpMRI)，包括T2加权成像和表观扩散系数成像	深度学习	图像	300名患者，分为开发队列（n=250）用于5折交叉验证和时间测试队列（n=50）用于独立评估	NA	CMOT-Fusion (Cross-Modal Optimal Transport Fusion)	AUC	NA
173	2026-02-19	Digital health interventions from the humanistic perspective of sports: strategies to promote health for all 2025, Frontiers in public health IF:3.0Q2 DOI:10.3389/fpubh.2025.1620031 PMID:41696709	研究论文	本文提出了一种结合人本主义视角的深度学习框架，用于个性化数字健康干预，以促进全民健康	提出了一种融合特征嵌入、残差连接和多头注意力机制的人本主义深度学习架构，能动态优先处理生理重要特征，在个性化运动推荐中实现了预测准确性与公平性的新基准	NA	通过个性化数字健康干预策略促进可持续健康，弥补传统模型在个体人口统计学和生理变异性方面的不足	个性化运动推荐	机器学习	NA	深度学习	深度学习模型	结构化数据（年龄、BMI、性别、运动类型、心率、持续时间等）	NA	NA	具有特征嵌入、残差连接和多头注意力机制的深度学习架构	平均绝对误差（MAE）、准确率、F1分数	NA
174	2026-02-19	Assessing the impact of waterfront trail aesthetics on psychological restoration in urban environments: a deep learning and random forest approach 2025, Frontiers in public health IF:3.0Q2 DOI:10.3389/fpubh.2025.1757145 PMID:41696707	研究论文	本研究采用深度学习与随机森林方法，评估城市滨水步道美学对心理恢复的影响	结合深度学习量化景观变量，并采用随机森林与结构方程模型揭示不同护岸类型下景观属性通过美景度中介影响多维心理恢复的特定路径	变量重要性解释为预测贡献而非因果机制，研究结果可能受样本量（30个站点）和特定城市环境限制	探究城市滨水步道景观属性如何通过美景度影响多维心理恢复（情感、认知、生理、行为），并比较不同护岸类型的差异	30个城市滨水步道站点的15个景观变量（F1-F15）及其与美景度和四个恢复性维度的关联	机器学习	NA	深度学习，随机森林，Spearman相关分析，非参数组比较，结构方程模型	随机森林	景观变量数据，美景度评分，心理恢复多维评分	30个城市滨水步道站点	NA	NA	变量重要性（预测贡献），路径系数	NA
175	2026-02-19	Application of artificial intelligence in diagnosis and management of fetal growth disorders: a comprehensive review 2025, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2025.1737391 PMID:41625753	综述	本文全面回顾了人工智能在胎儿生长障碍（包括生长受限和巨大儿）诊断与管理中的应用	系统总结了AI在胎儿生长障碍领域的最新应用，包括自动化生物测量、基于生物标志物和多普勒指数的预测模型，以及直接应用于超声扫描的深度学习算法，并指出其在提高诊断精度和扩大高质量产前护理可及性方面的潜力	现有研究大多受限于回顾性设计、样本量小以及缺乏外部验证	探讨人工智能在推进胎儿生长障碍检测和管理中的作用	胎儿生长受限、小于胎龄儿、大于胎龄儿以及胎儿巨大儿	医学人工智能	胎儿生长障碍	超声	深度学习算法	图像（超声扫描）、临床数据（母体、胎儿、生物标志物、多普勒指数）	NA	NA	NA	准确性	NA
176	2026-02-19	Graph-enhanced multimodal fusion of vascular biomarkers and deep features for diabetic retinopathy detection 2025, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2025.1731633 PMID:41704302	研究论文	提出了一种结合深度特征与血管生物标志物的多模态框架，用于糖尿病视网膜病变检测	提出了一种基于Transformer的跨模态融合架构，将深度空间特征与血管图全局拓扑感知嵌入相结合，创新性地整合了卷积块注意力模块、图神经网络和血管描述符分析	未明确说明模型的计算复杂度、推理时间以及在临床环境中的实时应用可行性	开发一个用于糖尿病视网膜病变检测的可靠多模态框架	糖尿病视网膜病变患者的眼底图像	计算机视觉	糖尿病视网膜病变	CLAHE、Canny边缘检测、Top-hat变换、U-Net血管分割、分形维数分析、动静脉比率、灰度共生矩阵纹理分析	CNN, GNN, Transformer	图像	Messidor-2、Eyepacs和APTOS 2019数据集（具体样本数未提供）	NA	MobileNetV3, U-Net, 图神经网络, Transformer	准确率, 精确率, 召回率, AUC-ROC	NA
177	2026-02-19	Understanding Machine Learning Applications in Lung Transplantation: A Narrative Review 2025, Transplant international : official journal of the European Society for Organ Transplantation IF:2.7Q2 DOI:10.3389/ti.2025.15640 PMID:41704919	综述	本文综述了机器学习在肺移植领域的应用，包括器官分配、预后预测、风险分层和多组学数据分析	系统总结了机器学习在肺移植中的多种应用方法，并强调了其在数据稀缺环境下通过迁移学习等技术支持模型开发的潜力	存在数据集规模小、跨中心不一致、可解释性差以及外部验证有限等障碍，阻碍了临床采用	概述机器学习在肺移植领域的研究现状，解释相关方法学，并探讨其未来发展方向	肺移植相关的临床数据、多组学数据和影像数据	机器学习	肺移植	NA	支持向量机, 深度学习	复杂高维数据, 多组学数据, 影像数据	NA	NA	随机森林	NA	NA
178	2026-02-19	Deep learning and firearm wound classification: a pilot study 2025, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2025.1646656 PMID:41705162	研究论文	本研究探索了深度学习技术在枪弹伤分类中的应用，通过使用Lobe AI软件进行训练和测试，评估了其在法医病理学中的潜力	首次在法医病理学中应用深度学习进行枪弹伤模式识别，并引入了“完好皮肤”作为对照类别	研究数据有限，尤其是在算法训练阶段，且需要开发专门针对法医特征识别的预训练软件	进一步探索深度学习技术在枪弹伤分类中的应用，以评估其在法医实践中的适用性	枪弹伤图像，包括入口/出口伤口、基于射击距离的伤口以及基于武器弹药类型的伤口	计算机视觉	NA	深度学习	深度学习模型	图像	从法医图集和卡塔尼亚法医案例中提取的教育图像及照片，具体数量未明确	Lobe AI	NA	准确率, 精确率, 召回率, F1分数, 特异性	NA
179	2026-02-19	The role of artificial intelligence in diagnosing pediatric dental disorders-a narrative review 2025, Frontiers in dental medicine IF:1.5Q3 DOI:10.3389/fdmed.2025.1685359 PMID:41705231	综述	本文综述了人工智能在儿童牙科疾病诊断中的应用现状与潜力	系统性地探讨了AI在儿童牙科诊断中的多种技术应用，并对比了其与传统方法的性能	存在数据隐私、缺乏标准化数据集及伦理考量等限制	评估人工智能在儿童牙科疾病诊断中的角色与效果	儿童牙科疾病，包括龋齿、错颌畸形、发育异常和牙周病	数字病理	儿童牙科疾病	NA	CNN	图像	NA	NA	NA	NA	NA
180	2026-02-18	Multi-convolutional neural networks for cotton disease detection using synergistic deep learning paradigm 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0324293 PMID:40424461	研究论文	本文提出了一种基于多卷积神经网络和协同深度学习范式的棉花病害检测方法，旨在准确分类六种病害和健康类别	提出了一种结合MobileNet和VGG16特征提取的定制化StyleGAN进行合成数据生成，并采用基于StackNet的集成分类器，以解决类别不平衡和实时检测挑战	现有数据集大多在受控条件下获取，可能无法完全反映真实田间环境中的病害变异，且实时检测需求未在研究中充分验证	开发一种自动化方法，用于同时准确检测棉花作物中的多种病害，以提高产量并减少资源浪费	棉花作物及其六种病害（细菌性疫病、卷叶病毒、镰刀菌枯萎病、链格孢菌病、尾孢菌病、灰霉病）以及健康类别	计算机视觉	植物病害	深度学习	CNN, LSTM, SVM, Random Forest	图像	公开可用数据集，具体样本数量未明确说明	TensorFlow, PyTorch, Scikit-learn	MobileNet, VGG16, StyleGAN, StackNet	准确率	NA