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
281	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
282	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
283	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
284	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
285	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
286	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
287	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
288	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
289	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
290	2026-01-07	Predicting pathological complete response to breast cancer neoadjuvant therapy using multi-combination machine learning models based on vision transformer features 2025-Dec-31, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-99496-6 PMID:41476106	研究论文	本研究利用基于Vision Transformer特征的多组合机器学习模型预测乳腺癌新辅助治疗后的病理完全缓解	首次将Vision Transformer特征与多组合机器学习模型结合用于乳腺癌新辅助治疗疗效预测，相比传统CNN特征（如ResNet50、VGG16）展现出更高的预测性能	回顾性研究设计，样本量较小（仅124例患者），缺乏外部验证队列	开发高精度的机器学习模型以预测乳腺癌新辅助治疗后的病理完全缓解	124例经活检病理确诊并在新辅助治疗后接受手术切除的乳腺癌患者	计算机视觉	乳腺癌	超声成像	Vision Transformer, CNN	图像	124例患者（训练队列87例，验证队列37例）	NA	Vision Transformer, ResNet50, VGG16	AUC	NA
291	2026-01-07	MetaChrome: an open-source, user-friendly tool for automated metaphase chromosome analysis 2025-Dec-29, Methods (San Diego, Calif.) DOI:10.1016/j.ymeth.2025.12.013 PMID:41475630	研究论文	本文介绍了一款名为MetaChrome的开源软件平台，用于自动化中期染色体分析	开发了结合图形用户界面的开源软件，利用微调的深度学习模型自动化染色体分割和FISH信号共定位分析，相比传统图像处理方法提高了分割准确性	未明确说明软件在处理复杂染色体异常或低质量图像时的具体限制	开发自动化工具以解决中期染色体分析和DNA FISH信号共定位的挑战	中期染色体图像和DNA FISH信号	数字病理学	NA	DNA荧光原位杂交（DNA FISH），高通量成像（HTI）	深度学习模型	图像	NA	NA	Cellpose	分割准确性	NA
292	2026-01-07	Deep learning based treatment remission prediction to transcranial direct current stimulation in bipolar depression using EEG power spectral density 2025-Dec-22, Psychiatry research. Neuroimaging DOI:10.1016/j.pscychresns.2025.112115 PMID:41478240	研究论文	本研究利用深度学习模型，基于治疗前脑电图信号预测双相情感障碍患者在接受经颅直流电刺激治疗后的临床缓解情况	首次将混合1DCNN和GRU模型应用于脑电图功率谱密度数据，以预测双相抑郁患者对经颅直流电刺激治疗的缓解反应	样本量较小（仅21名参与者），且仅使用了特定电极（AF7和TP10）的频带数据，可能限制了模型的泛化能力	预测双相情感障碍患者对经颅直流电刺激治疗的临床缓解情况	双相情感障碍患者	机器学习	双相情感障碍	脑电图	1DCNN, GRU	脑电图信号	21名双相情感障碍参与者	NA	混合1DCNN和GRU模型	准确率, 灵敏度, 特异度	NA
293	2026-01-07	Interpretable deep learning for multicenter gastric cancer T staging from CT images 2025-Dec-20, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-025-02002-5 PMID:41422179	研究论文	开发了一个名为GTRNet的可解释深度学习框架，用于从CT图像中自动进行胃癌T分期	提出了一个无需手动分割或标注、可直接从常规CT图像进行T1-T4分期分类的端到端可解释深度学习框架，并结合临床特征构建了具有更高临床净获益的列线图	研究为回顾性设计，可能存在选择偏倚；模型在更广泛人群中的泛化能力仍需进一步验证	开发自动化、可解释的深度学习工具以标准化基于CT的胃癌术前T分期	胃癌患者的CT图像	计算机视觉	胃癌	CT成像	深度学习	图像	1792名患者（回顾性多中心研究）	未明确说明	GTRNet（具体架构未详细说明）	AUC, 准确率	未明确说明
294	2026-01-07	Intersection of Big Five Personality Traits and Substance Use on Social Media Discourse: AI-Powered Observational Study 2025-Dec-19, Journal of medical Internet research IF:5.8Q1 DOI:10.2196/79454 PMID:41418319	研究论文	本研究利用AI技术分析社交媒体话语，探讨大五人格特质与物质使用之间的关联及其在疫情期间的变化	首次通过大规模数字话语数据揭示神经质作为物质使用保护因子的反直觉发现，挑战了传统的自我治疗假说	研究基于公开社交媒体帖子，可能存在选择偏差，且无法完全控制混杂因素	评估大五人格特质与物质使用话语在2019-2021年间的关联变化，并分析这些特质如何预测物质使用及其与特定物质类型、情感表达和人口因素的关系	数亿条来自主要社交媒体平台的公开帖子（2019-2021年）	自然语言处理	物质使用障碍	自然语言处理，深度学习	深度学习模型	文本	数亿条社交媒体帖子	NA	NA	比值比，95%置信区间，Cohen's d	NA
295	2026-01-07	Vision and convolutional transformers for Alzheimer's disease diagnosis: a systematic review of architectures, multimodal fusion and critical gaps 2025-Dec-17, Brain informatics DOI:10.1186/s40708-025-00286-7 PMID:41405782	系统综述	本文系统综述了使用Vision Transformers和Convolutional Vision Transformers进行阿尔茨海默病诊断的研究，分析了架构、多模态融合及关键研究空白	引入了新颖的分类法，按模型架构、数据模态、融合策略和诊断目标对研究进行系统分类，并前瞻性地分析了大型视觉模型	研究主要关注2021-2025年的文献，可能未涵盖更早的研究；且指出算法可重复性存在广泛挑战	系统分析Vision Transformers和Convolutional Vision Transformers在阿尔茨海默病诊断中的应用，识别趋势与关键研究空白	从Scopus、Web of Science、ScienceDirect、IEEE Xplore和PubMed数据库中筛选的68项研究（源自564篇出版物）	计算机视觉	阿尔茨海默病	深度学习	Vision Transformer, Convolutional Vision Transformer	多模态数据	NA	NA	Vision Transformer, Convolutional Vision Transformer	NA	NA
296	2026-01-07	Multimodal Motion Capture Toolbox for Enhanced Analysis of Intersegmental Coordination in Children with Cerebral Palsy and Typically Developing 2025-Dec-16, Journal of visualized experiments : JoVE DOI:10.3791/69604 PMID:41490048	研究论文	本文开发了一个多模态运动捕捉工具箱，用于增强对脑瘫儿童和典型发育儿童节段间协调性的分析	结合了多种运动捕捉技术（包括研究级运动学设备、运动学集群、惯性测量单元、三维无标记系统和基于MediaPipe的二维无标记系统），并提出了一个开源方法，以解决传统标记系统对神经残疾儿童（如脑瘫）的挑战	研究样本量较小（仅包括两名典型发育儿童和两名脑瘫儿童），可能限制结果的普遍性	探索成本效益高的替代方案，以传统光学系统分析运动模式，特别是针对脑瘫儿童的节段间协调性	儿童（包括典型发育儿童和脑瘫儿童）	计算机视觉	脑瘫	三维标记运动捕捉系统、二维无标记运动捕捉系统（使用MediaPipe）、深度学习人体姿态估计	NA	视频、运动学数据	四名儿童（两名典型发育，两名脑瘫）	MediaPipe	NA	NA	NA
297	2026-01-07	Cutting-edge bayesian deep learning and statistical strategies for bias mitigation in COVID-19 detection via chest x-ray imaging 2025-Dec-14, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-28723-x PMID:41392298	研究论文	本文提出了一种多阶段贝叶斯深度学习框架，用于通过胸部X光图像进行COVID-19检测和严重程度分级，并缓解偏差和噪声问题	结合肺部分割、分割引导分类、校准集成和不确定性估计的多阶段贝叶斯深度学习框架，用于COVID-19分类和严重程度分级	数据集规模有限，缺乏外部多站点验证	开发一个鲁棒的深度学习框架，用于COVID-19检测和严重程度分级，同时缓解偏差、标签噪声和域偏移问题	胸部X光图像	计算机视觉	COVID-19	胸部X光成像	贝叶斯深度学习	图像	1,531张胸部X光图像（来自70名患者的100张COVID-19图像和来自ChestX-ray14的1,431张非COVID图像）	NA	NA	准确率, 敏感性, AUC	NA
298	2026-01-07	Predicting critical crack propagation length in sustainable additive-enhanced concrete using explainable machine learning 2025-Dec-13, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31900-7 PMID:41390865	研究论文	本文提出了一种可解释的机器学习框架，用于预测可持续添加剂增强混凝土的临界裂纹扩展长度	首次将神经正切核高斯过程模型应用于断裂力学领域，并结合可解释性分析和不确定性量化	未提及	提高可持续添加剂增强混凝土临界裂纹扩展长度的预测准确性和计算效率	可持续添加剂增强混凝土样本	机器学习	NA	实验测试	集成学习, 核方法, 深度学习	结构化数据	800个SAEC样本	NA	神经正切核高斯过程	R, RMSE, MAPE, VAF	NA
299	2026-01-07	Biologically-informed integration of drug representations for breast cancer treatment using deep learning 2025-Dec-11, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-66384-6 PMID:41381442	研究论文	本研究开发了一个名为GDnet的可解释深度学习模型，通过整合药物表征和肿瘤转录组数据来预测乳腺癌患者对新辅助疗法的反应，并辅助选择最佳治疗策略	提出了一个整合药物生物学表征和肿瘤转录组数据的深度学习模型，能够显著提高治疗反应预测的准确性，并可作为数字药物测试替代品优化治疗决策	研究基于回顾性数据集，需要在更多前瞻性临床试验中进行验证；模型在多种癌症类型和治疗场景中的泛化能力有待进一步评估	开发一个深度学习模型来预测乳腺癌患者对新辅助疗法的反应，并优化个性化治疗策略选择	乳腺癌患者，特别是接受新辅助治疗的患者	数字病理学	乳腺癌	转录组测序	深度学习	转录组数据，药物表征数据	来自31个数据集的4371名符合条件的患者	NA	GDnet	病理完全缓解率，比值比	NA
300	2026-01-07	A personalized automated system of 3D facial soft tissue landmarks annotation based on deep learning and computer vision 2025-Dec-10, BMC oral health IF:2.6Q1 DOI:10.1186/s12903-025-07448-3 PMID:41372865	研究论文	本研究开发了一种基于深度学习和计算机视觉的个性化自动化系统，用于标注三维面部软组织标志点，并通过与手动标注对比评估其准确性和临床适用性	通过标准化面部模板构建、三维面部非线性配准和个性化关键点转移，实现了一次性个性化标注标准模板并自动批量映射到多个面部扫描模型，针对严重错颌畸形构建了畸形特异性个性化模板	样本量相对较小（55名患者），且主要针对中国正畸患者，可能限制了结果的普适性	开发并评估一个用于三维面部软组织标志点自动化标注的个性化系统，以提高面部形态学研究的效率和精度	55名中国正畸患者（包括40名正常面部形态和15名严重颅面畸形患者）	计算机视觉	错颌畸形	三维面部扫描	深度学习	三维图像	55名患者（24名男性，31名女性；平均年龄23.4±7.01岁）	NA	NA	平均欧几里得距离, 比例分析, 线性测量误差, 角度测量误差	NA