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
1	2026-10-16	Deep learning-derived arterial input function for dynamic brain PET 2025-12-15, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2025.121609 PMID:41314271	研究论文	本文提出了一种深度学习框架（DLIF），能够直接从动态PET图像序列中估计代谢校正的动脉输入函数（AIF），无需任何血液采样，并在患者数据上验证了其准确性和鲁棒性。	首次提出完全无创的深度学习-derived AIF估计方法，无需任何血液采样，通过结合深度学习捕捉复杂时间动态和基函数嵌入典型AIF形状的先验知识，实现了快速、准确且完全非侵入性的AIF测量替代方案。	摘要中未明确提及局限性，但可能包括：验证仅基于现有患者数据，样本量有限；模型泛化能力需进一步验证；对PET图像质量和扫描协议的依赖性未充分讨论。	开发一种无需动脉血采样的深度学习框架，直接从动态脑PET图像序列中估计代谢校正的动脉输入函数，以替代传统侵入性AIF测量方法。	动态脑PET图像序列及对应的患者数据（包括AIF金标准测量和参数图）	医学图像分析	阿尔茨海默病, 帕金森病	动态PET成像, 放射示踪剂动力学建模	深度学习	图像	现有动态PET患者数据（具体数量未提及）	NA	NA	AIF估计的准确性, 鲁棒性, 参数图与金标准的一致性	NA
2	2026-10-16	ODF based deep learning network for unsupervised deformable diffusion resonance image registration (ODDRnet) 2025-12-15, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2025.121628 PMID:41318043	研究论文	提出了一种基于方向分布函数（ODF）的无监督深度学习网络ODDRnet，用于扩散磁共振图像的非刚性配准，直接对齐高维fODF并预测密集变形场	直接对齐从原始dMRI信号导出的高维fODF，而非标量图像；预测密集变形场在空间扭曲fODF的同时适当重新定向方向信息，确保准确对齐；端到端无监督深度学习框架	摘要中未明确提及研究的局限性	解决扩散MRI配准中方向信息被忽略的问题，提高白质结构对齐的解剖精确性，改善后续分析如纤维束追踪	扩散MRI数据，包括来自多个公共和私有数据集的fODF	医学图像配准、计算机视觉	脑部疾病（白质相关）	扩散MRI（dMRI）、纤维方向分布函数（fODF）	深度学习网络（针对配准的CNN）	图像（高维fODF）	多个公共和私有数据集（未指定具体样本量）	NA	NA	纤维束Dice系数、纤维束距离	NA
3	2026-10-16	Multimodal deep learning for immunotherapy response prediction and biomarker discovery in non-small cell lung cancer 2025-11-01, Journal of the American Medical Informatics Association : JAMIA IF:4.7Q1 DOI:10.1093/jamia/ocaf142 PMID:40901703	研究论文	该研究开发了一种名为DeepAFM的多模态深度学习方法，整合组织病理学、基因组特征和临床信息，用于预测晚期非小细胞肺癌患者对抗PD-(L)1免疫治疗的响应	提出了DeepAFM多模态预测模型，结合自监督VQVAE2进行组织病理全切片图像表征学习，并整合基因组和临床数据进行免疫治疗响应预测；同时利用注意力热图和排列重要性评估实现模型可解释性和生物标志物发现	样本量较小（仅93例患者），需要更大规模的多中心队列验证模型的泛化能力和临床实用性	开发多模态深度学习方法，准确预测晚期非小细胞肺癌患者对抗PD-(L)1免疫治疗的响应，并发现潜在生物标志物	93例晚期非小细胞肺癌患者	数字病理学	肺癌	全切片图像分析，基因组改变分析，免疫治疗	多模态深度学习	图像，文本	93例晚期非小细胞肺癌患者	NA	VQVAE2	AUC	NA
4	2026-10-16	DiffPepDock: Efficient protein-peptide docking and binder screening via SE(3)-equivariant diffusion 2025-11, Protein science : a publication of the Protein Society IF:4.5Q1 DOI:10.1002/pro.70338 PMID:41088767	研究论文	该文章提出了基于SE(3)等变扩散模型的高效蛋白质-多肽对接工具DiffPepDock，并用于结合物筛选	采用SE(3)等变扩散模型，并在合成蛋白-片段复合物数据集上预训练后在高品质实验蛋白-多肽结构上微调，同时支持用户指定结合先验（如已知结合基序或参考配体）以辅助口袋选择并提升对接精度	未明确说明	实现准确、高效且具有泛化能力的蛋白质-多肽对接，并用于多肽结合物筛选	蛋白质-多肽复合物及多肽结合物	计算生物学	NA	SE(3)等变扩散	扩散模型	蛋白质结构数据	NA	PyTorch	SE(3)等变扩散模型	准确率，推理时间	NA
5	2026-10-16	Automated Detection and Severity Prediction of Wheat Rust Using Cost-Effective Xception Architecture 2025-06, Plant, cell & environment DOI:10.1111/pce.15413 PMID:39898421	研究论文	本文提出了一种基于计算机视觉的小麦锈病自动检测与严重程度预测流程，利用Xception深度学习分类器区分健康与感染叶片，并通过Grabcut分割和CIELAB颜色空间分析计算病害严重度比率。	提出了一种低成本、可及且自动化的小麦锈病严重程度预测方法，结合Xception分类器、Grabcut前景分割和CIELAB颜色空间分析，在田间条件下使用数字彩色图像进行病害筛查。	摘要中未明确提及研究局限性。	开发一种自动化、低成本的小麦锈病检测与严重程度预测流水线，以替代传统劳动密集型的人工检测方法，实现早期检测和有效作物表型分析。	小麦叶片（健康与锈病感染的叶片），病原体为Puccinia triticina。	计算机视觉	NA	深度学习图像分类、Grabcut分割、CIELAB颜色空间分析	CNN	图像	NA	NA	Xception	NA	NA
6	2026-10-16	A deep learning strategy to identify cell types across species from high-density extracellular recordings 2025-Apr-17, Cell IF:45.5Q1 DOI:10.1016/j.cell.2025.01.041 PMID:40023155	研究论文	本文开发了一种深度学习策略，用于从高密度细胞外电生理记录中识别清醒动物中的细胞类型，并在小脑中验证了该方法	结合光遗传学和药理学生成小脑细胞类型的电生理特性真实标签库，并训练半监督深度学习分类器，以高精度预测细胞类型，且在不同探针、实验室、区域和物种间具有泛化能力	未明确说明方法的局限性，如对其他脑区或物种的适用性可能需进一步验证	从细胞外记录中识别细胞类型，并揭示不同功能、分子和解剖特性的神经元的计算作用	小脑中的浦肯野细胞、分子层中间神经元、高尔基细胞和苔藓纤维	机器学习	NA	高密度细胞外电生理记录、光遗传学、药理学	半监督深度学习分类器	电生理数据（波形、放电统计、层信息）	未明确提供，涉及多种细胞类型的记录	NA	NA	准确率	NA
7	2026-10-16	Reinforcement Q-Learning-Based Adaptive Encryption Model for Cyberthreat Mitigation in Wireless Sensor Networks 2025-Mar-26, Sensors (Basel, Switzerland) DOI:10.3390/s25072056 PMID:40218569	研究论文	本文提出了一种基于强化学习的自适应加密框架，用于无线传感器网络中的网络威胁缓解，通过动态调整加密级别来平衡能效与安全性	提出混合策略推导算法，结合动态Q学习和双Q学习，根据威胁级别自适应切换学习模型，并引入动态超参数调优机制	实验评估仅在模拟的无线传感器网络环境中进行，未在真实网络环境中验证	解决无线传感器网络中资源约束下的自适应安全机制问题，实现能效与安全性的动态平衡	无线传感器网络中的网络威胁，包括DDoS、黑洞攻击和数据注入攻击	网络安全	NA	强化学习、深度学习异常检测、Q学习、双Q学习、马尔可夫决策过程	Q学习、双Q学习、深度学习异常检测模型	网络状态数据（模拟无线传感器网络环境中的实时网络条件数据）	NA	NA	NA	能耗降低率30.5%、数据包投递率92.5%、缓解效率94%、延迟降低37%	NA
8	2026-10-16	A skin disease classification model based on multi scale combined efficient channel attention module 2025-02-19, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-90418-0 PMID:39972014	研究论文	本文提出了一种基于多尺度通道注意力的皮肤疾病分类模型，并在ISIC2019和HAM10000数据集上进行了验证	改进了金字塔分割注意力模块以充分提取图像的多尺度特征，并使用反向残差结构替换骨干网络中的残差结构，将注意力模块集成到反向残差结构中	未明确讨论模型的计算复杂度或临床部署的可行性	提高皮肤疾病分类的准确性，辅助临床诊断和治疗	皮肤疾病图像	计算机视觉	皮肤疾病	深度学习	CNN	图像	ISIC2019和HAM10000皮肤疾病数据集，具体样本数量未提及	NA	多尺度通道注意力网络	准确率	NA
9	2026-10-16	Ensemble fuzzy deep learning for brain tumor detection 2025-02-19, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-90572-5 PMID:39972098	研究论文	本文提出一种集成模糊深度学习方法用于脑部MRI分析，通过融合多种深度学习架构、模糊池化、模型融合和注意力机制，提高脑组织与异常的分割精度	结合体积模糊池化、模型融合策略、注意力机制以及存储训练样本与最佳模型映射关系的知识库，实现推理时快速选择最优模型	未明确说明模型计算复杂度、泛化能力及在更多临床数据集上的验证情况	改进脑部MRI中脑组织与异常的分割效果	脑部MRI图像	计算机视觉	脑肿瘤	NA	集成深度学习、模糊深度学习	图像	完整的脑部MRI分割数据集	NA	NA	交并比	NA
10	2026-10-16	Enlightened prognosis: Hepatitis prediction with an explainable machine learning approach 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0319078 PMID:40173410	研究论文	该研究使用传统机器学习模型（如逻辑回归、SVM、决策树、随机森林、MLP等）预测肝炎感染，并通过超参数调优和集成建模提升性能，同时进行可解释性分析	结合了超参数调优、集成建模和可解释性分析，实现了高精度的肝炎预测，并识别出最有效的特征	未明确说明，但可能包括数据集的泛化能力、样本来源单一等	探索传统机器学习模型在肝炎预测中的应用，并提高预测性能	肝炎感染患者的数据	机器学习	肝炎	NA	逻辑回归, 支持向量机, 决策树, 随机森林, 多层感知机	表格数据	NA	Scikit-learn	逻辑回归, SVM, 决策树, 随机森林, MLP	准确率, AUC, 精确率, 召回率, F1分数	NA
11	2026-10-16	Ensemble deep learning for Alzheimer's disease diagnosis using MRI: Integrating features from VGG16, MobileNet, and InceptionResNetV2 models 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0318620 PMID:40193955	研究论文	本研究开发并评估了一种集成深度学习模型，通过整合VGG16、MobileNet和InceptionResNetV2三种预训练模型的特征，从MRI扫描中精确识别阿尔茨海默病标志物	提出了一种创新的集成深度学习模型，整合三种预训练模型（VGG16、MobileNet、InceptionResNetV2）的特征，克服了单一模型在处理不同图像形状和纹理时的局限性，从而提高了诊断准确性	摘要中未提及	开发精确的阿尔茨海默病诊断方法，支持初级放射科医生简化诊断流程，促进早期检测和及时治疗	阿尔茨海默病患者的MRI扫描图像	计算机视觉	阿尔茨海默病	MRI	CNN	图像	NA	NA	VGG16, MobileNet, InceptionResNetV2	准确率, 特异性, 灵敏度, 精确率, F1分数	NA
12	2026-10-16	CWMS-GAN: A small-sample bearing fault diagnosis method based on continuous wavelet transform and multi-size kernel attention mechanism 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0319202 PMID:40215467	研究论文	提出一种基于连续小波变换和多尺度核注意力机制的GAN方法，用于小样本轴承故障诊断	提出连续小波卷积策略取代传统卷积以捕获频域特征，设计多尺度核注意力机制自适应选择重要特征，并采用结构相似性指数量化评估生成信号质量	未明确说明方法在更复杂工况或更大规模数据集上的泛化能力，也未讨论计算复杂度	解决工业场景下轴承故障信号稀缺导致深度学习诊断模型性能下降的问题	轴承振动信号	机器学习	NA	连续小波变换、生成对抗网络	GAN	振动信号	CWRU和MFPT数据集	NA	GAN	结构相似性指数	NA
13	2026-10-16	Interactive Segmentation Model for Placenta Segmentation from 3D Ultrasound images 2025, Simplifying medical ultrasound. International Workshop on Advances in Simplifying Medical Ultrasound DOI:10.1007/978-3-031-73647-6_13 PMID:40463734	研究论文	本文评估了公开的最先进3D交互式分割模型，并与人在回路方法进行对比，用于3D超声图像中的胎盘分割任务	评估了公开的最先进3D交互式分割模型在3D超声胎盘分割任务中的表现，并与人在回路方法进行对比，同时评估了人在回路模型作为提示数量函数的效率	尚未明确提及	评估公开的最先进3D交互式分割模型，并与人在回路方法进行对比，用于3D超声图像中的胎盘分割任务	3D超声图像中的胎盘	医学图像分割	妊娠相关疾病	3D超声	交互式分割模型	3D超声图像	未明确提及	未明确提及	未明确提及	Dice分数, 归一化表面Dice, 平均对称表面距离, 95%豪斯多夫距离	未明确提及
14	2026-10-08	Deep Learning-Based Stride Segmentation With Wearable Sensors: Effects of Data Quantity, Sensor Location, and Task 2025-12, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3600227 PMID:41171649	研究论文	开发并评估基于时序卷积网络的步态分割模型，使用可穿戴传感器数据，分析数据量、传感器位置和任务复杂度对性能的影响	系统评估了深度学习步态分割在不同运动任务中的性能变化，揭示了传感器位置和运动复杂度对模型性能的显著影响	研究仅涉及121名老年参与者，测试集规模有限，可能影响结果的泛化性	评估深度学习步态分割模型在不同数据量、传感器位置和运动任务下的性能	121名患有和未患有帕金森病的老年人	数字病理学	帕金森病	可穿戴传感器	TCN	传感器数据	121名参与者	NA	Temporal Convolutional Network	F1分数	NA
15	2026-10-08	ViTU-net: A hybrid deep learning model with patch-based LSB approach for medical image watermarking and authentication using a hybrid metaheuristic algorithm 2025-Aug, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110393 PMID:40460563	研究论文	该论文提出ViTU-Net混合深度学习模型，结合基于patch的LSB方法和水印参数优化算法，用于医学图像水印和认证	整合了ViT编码器和U-Net解码器，采用自适应分层空间注意力模块（AHSA）增强空间处理；设计了基于patch的LSB嵌入机制，在非诊断区域（RONI）动态嵌入可逆脆弱水印；引入了TuniBee Fusion混合元启发式优化算法动态优化水印参数；结合SHA-512哈希和AES加密增强安全性	摘要中未明确提及研究的局限性	解决医学图像水印在不可感知性、抗攻击鲁棒性和部署效率方面的挑战，确保胸部X光图像的数据完整性、机密性和真实性，用于肺炎诊断	胸部X光医学图像	医学图像处理	肺炎	医学图像水印、LSB嵌入、SHA-512哈希、AES加密	Vision Transformer、U-Net、混合元启发式优化算法	图像	NA	NA	Vision Transformer, U-Net	PSNR, NCC, SSIM, 鲁棒性分析	NA
16	2026-10-08	C-UQ: Conflict-based uncertainty quantification-A case study in lung cancer classification 2025-04, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109825 PMID:39978099	研究论文	本研究提出了一种基于冲突的不确定性量化方法（C-UQ），将Dempster-Shafer理论与深度集成方法相结合，应用于肺癌分类案例研究	提出了一种新颖的基于冲突的不确定性量化方法，将softmax输出转换为基本信念分配并应用组合规则，利用冲突作为不确定性度量，高冲突值表示需要专家审查的预测	增加集成规模虽能提升性能，但计算需求可能对实时应用构成挑战；未来工作需要优化效率并探索替代的Dempster-Shafer理论组合规则和混合模型	量化深度学习模型预测的不确定性，确保医学诊断中可靠的临床决策	肺癌分类任务，LIDC-IDRI数据集及其他3D生物医学数据集	医学图像分析	肺癌	Dempster-Shafer理论，深度集成方法	深度集成神经网络	3D医学图像	LIDC-IDRI数据集及其他3D生物医学数据集	NA	NA	准确率，U值，AUC	NA
17	2026-10-08	Addressing imbalance in health data: Synthetic minority oversampling using deep learning 2025-04, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109830 PMID:39983361	研究论文	本文提出了一种基于深度学习的合成少数类过采样方法，使用辅助引导的条件变分自编码器（ACVAE）结合对比学习，并引入集成技术（ACVAE生成合成正样本，ECDNN减少多数类）来解决医疗数据中的类别不平衡问题	1. 提出了辅助引导的条件变分自编码器（ACVAE）并增强对比学习；2. 引入集成技术，结合ACVAE的过采样和ECDNN的选择性欠采样；3. 相比传统过采样方法，能够更好地捕捉复杂数据分布、处理异构数据类型并原生支持多类数据集	未明确说明	解决医疗数据中的类别不平衡问题，提高机器学习模型在所有类别上的性能，以改善医疗服务和患者安全	12个不同的医疗数据集	机器学习	NA	NA	条件变分自编码器, 对比学习	表格数据	12个医疗数据集	NA	辅助引导的条件变分自编码器（ACVAE）	NA	NA
18	2026-10-08	A multi-task self-supervised approach for mass detection in automated breast ultrasound using double attention recurrent residual U-Net 2025-04, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.109829 PMID:39983360	研究论文	本文提出了一种基于自监督学习的计算机辅助检测系统，用于自动乳腺超声中的肿块检测，该方法使用多任务自监督预训练和3D卷积神经网络	提出了一种新颖的自监督框架，利用未标注的ABUS数据集，并设计了名为DATTR2U-Net的创新3D卷积神经网络，采用多任务学习同时训练修复和去噪 pretext 任务	未明确提及	减少放射科医生的工作量，实现高检测灵敏度和低假阳性率	自动乳腺超声（ABUS）图像中的肿块	计算机视觉	乳腺癌	自动乳腺超声	CNN	图像	TDSCABUS公共数据集（具体样本量未提供）	NA	DATTR2U-Net, U-Net	召回率, 假阳性率	NA
19	2026-10-08	SleepECG-Net: Explainable Deep Learning Approach With ECG for Pediatric Sleep Apnea Diagnosis 2025-02, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3495975 PMID:39527413	研究论文	本研究提出了一种可解释的深度学习模型SleepECG-Net，利用过夜心电图信号直接评估儿童阻塞性睡眠呼吸暂停的严重程度，并通过Grad-CAM解释模型决策	结合CNN-RNN架构与Grad-CAM可解释性算法，首次实现基于心电信号的儿童OSA严重程度直接估计，并提取与儿科OSA相关的心电模式，同时揭示心血管风险因素	模型在不同数据集上的性能存在差异（Cohen's Kappa在CHAT为0.410，UofC为0.335，CFS为0.249），在CFS上表现相对较低，可能受样本量小和数据集异质性影响	简化儿童OSA诊断，提高深度学习模型的可解释性，并直接估计OSA严重程度	儿童阻塞性睡眠呼吸暂停患者	机器学习	睡眠呼吸暂停	心电图	CNN-RNN	心电图信号	CHAT数据集n=1610，CFS数据集n=64，UofC数据集n=981	NA	CNN-RNN	4类Cohen's Kappa	NA
20	2026-10-08	Enhancing machine learning performance in cardiac surgery ICU: Hyperparameter optimization with metaheuristic algorithm 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0311250 PMID:39928609	研究论文	该研究利用集成机器学习模型（LDA、CatBoost、ANN、XGBoost）并结合元启发式算法（模拟退火和遗传算法）进行超参数优化，以预测心脏外科ICU患者的呼吸机需求	将模拟退火和遗传算法用于集成机器学习模型的超参数优化，显著提升了模型性能	未提及具体局限性	提高心脏外科ICU中预测患者呼吸机需求的机器学习模型性能	心脏外科ICU患者	机器学习	心血管疾病	机器学习	集成模型	结构化数据	未提及	未提及	LDA, CatBoost, ANN, XGBoost	灵敏度	未提及