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
3061	2025-12-11	The paradigm shift in neural stem cells basic research driven by artificial intelligence related technologies 2025, Frontiers in cellular neuroscience IF:4.2Q2 DOI:10.3389/fncel.2025.1696943 PMID:41356496	综述	本文综述了人工智能技术在神经干细胞基础研究中的应用现状与未来潜力	讨论了生成对抗网络、图神经网络和自监督学习等尚未在神经干细胞研究中应用的关键AI技术及其潜在应用	数据质量、模型鲁棒性和可解释性方面仍存在挑战	探讨人工智能技术如何推动神经干细胞基础研究的范式转变	神经干细胞	机器学习	NA	NA	GAN, GNN, 自监督学习	多模态数据	NA	NA	NA	NA	NA
3062	2025-12-11	XAI-BT-EdgeNet: explainable edge-aware deep learning with squeeze-and-excitation for brain tumor detection and prediction 2025, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2025.1676524 PMID:41356670	研究论文	本研究提出了一种名为XAI-BT-EdgeNet的可解释、边缘感知深度学习框架，结合挤压与激励模块，用于基于MRI扫描的脑肿瘤检测与预测	开发了双分支CNN架构，融合了InceptionV3的高级语义特征与边缘特征块的底层边缘表示，并集成SE模块自适应重新校准特征重要性，同时应用了四种XAI技术（LIME、Grad-CAM、Grad-CAM++、Vanilla Saliency）以提供可解释的视觉预测依据	NA	提高脑肿瘤检测的准确性和早期诊断能力，并增强临床对AI系统的信任	脑肿瘤MRI图像	计算机视觉	脑肿瘤	MRI扫描	CNN	图像	4,589张标记的MRI图像（脑肿瘤2,513张，健康2,076张）	NA	InceptionV3, 双分支CNN	准确率, 损失值	NA
3063	2025-12-11	tUbeNet: a generalizable deep learning tool for 3D vessel segmentation 2025, Biology methods & protocols IF:2.5Q3 DOI:10.1093/biomethods/bpaf087 PMID:41357142	研究论文	本文提出了一种名为tUbeNet的深度学习模型，结合人机协同训练方法，用于三维血管分割，该工具具有跨组织、模态、尺度和病理的泛化能力	开发了一个通用的深度学习工具，通过预训练的“基础”模型和微调策略，能够以极少量手动标注数据（如仅需新数据集0.3%的体积）适应新应用，实现了高精度三维血管分割	未明确提及模型在极端病理条件或罕见血管结构下的性能限制，以及计算资源需求的具体细节	开发一个可泛化的深度学习工具，用于三维血管分割，以支持血管成像的定量分析	三维血管网络，涵盖多种组织、成像模态、尺度和病理条件	计算机视觉	NA	光学成像、计算机断层扫描、光声成像	CNN	图像	NA	NA	3D卷积神经网络	Dice系数	NA
3064	2025-12-11	Artificial intelligence in musculoskeletal radiology: practical aspects and latest perspectives 2025-Jan, BJR open DOI:10.1093/bjro/tzaf029 PMID:41357265	综述	本文综述了人工智能在肌肉骨骼放射学中的实际应用、最新进展及未来挑战	系统总结了AI在MSK影像全工作流程的应用，并探讨了大型语言模型在报告简化与临床沟通中的新兴作用	未涉及具体临床验证数据，主要基于现有文献的整合分析	探讨人工智能在肌肉骨骼放射学领域的应用现状与发展方向	肌肉骨骼影像工作流程及相关人工智能技术	数字病理学	肌肉骨骼疾病	深度学习，大型语言模型	深度学习模型	医学影像	NA	NA	NA	诊断一致性，测量量化准确性	NA
3065	2025-12-11	Unifying proteomic technologies with ProteinProjector 2025, Bioinformatics advances IF:2.4Q2 DOI:10.1093/bioadv/vbaf266 PMID:41357305	研究论文	本文开发了一个名为ProteinProjector的自监督深度学习框架，用于整合多种蛋白质组学数据模态，以统一映射蛋白质的亚细胞定位	提出了一种灵活的自监督深度学习框架，能够整合任意数量的蛋白质组学数据模态，生成统一的蛋白质位置图谱，显著提高了图谱覆盖范围和准确性	NA	整合多种蛋白质组学技术，以更全面地理解蛋白质的亚细胞组织	HEK293人胚胎肾细胞中的蛋白质	机器学习	NA	蛋白质亲和纯化、邻近连接、尺寸排阻色谱质谱（AP-MS, PL-MS, SEC-MS）以及蛋白质荧光成像	自监督深度学习	质谱数据、图像数据	NA	NA	NA	已知复合物的恢复率、正交功能和物理关联的恢复率	NA
3066	2025-12-11	Classifying abnormalities in chest radiographs from Vietnam using deep learning for early detection of cardiopulmonary diseases 2025, Frontiers in radiology DOI:10.3389/fradi.2025.1703927 PMID:41357464	研究论文	本研究旨在开发一个基于越南胸部X光片数据的AI模型，用于早期检测心肺疾病的异常分类	首次使用越南胸部X光片数据进行AI模型开发，针对越南高负担的感染性和非传染性疾病进行早期检测	未提及模型在其他地区或人群中的泛化能力，以及数据集的潜在偏差	开发一个AI模型，用于分类越南胸部X光片中的正常和异常图像，以早期检测心肺疾病	越南两个机构的胸部X光片数据，包括正常和异常病例	计算机视觉	心肺疾病	胸部X光成像	Vision Transformer, EfficientNetV2, Light Gradient Boosting Machine	图像	17,471例（12,827例正常，4,644例异常）	未明确指定，可能涉及PyTorch或TensorFlow	Vision Transformer, EfficientNetV2	F1分数, 灵敏度, 特异性, 准确率, AUC	未提及
3067	2025-12-11	Integration of intratumoral/peritumoral radiomics and deep learning for predicting overall survival in non-small cell lung cancer patients: a multicenter study 2025, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2025.1669200 PMID:41357593	研究论文	本研究开发了一个结合瘤内/瘤周影像组学特征和3D深度学习特征的多中心模型，用于预测非小细胞肺癌患者的总生存期	提出了一种结合瘤内/瘤周影像组学特征和3D深度学习特征的集成模型，并引入了3D-SE-ResNet网络来提取深度学习特征，通过多维特征整合提高了生存预测的准确性	研究为回顾性设计，样本量相对有限（303例），且仅基于CT影像数据，未考虑其他临床或分子生物学因素	改善接受放疗的非小细胞肺癌患者的总生存期预测，为个性化放疗策略提供新工具	非小细胞肺癌患者	数字病理学	肺癌	CT扫描	深度学习	图像	303例来自三个中心的非小细胞肺癌患者	NA	3D-SE-ResNet	C-index, AUC	NA
3068	2025-12-11	Automated predictive framework using AI and deep learning approaches for early detection and classification of liver cancer 2025, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2025.1650800 PMID:41357578	研究论文	本研究提出了一种名为LiverCompactNet的深度学习框架，用于肝病的早期检测和分类	开发了LiverCompactNet这一先进的深度学习框架，实现了对肝脏图像的高精度分类，并在早期检测肝病方面表现出色	未直接对原始成像数据或CNN训练输入应用PCA，可能限制了特征提取的全面性	旨在通过AI和深度学习技术实现肝病的早期检测和分类，以提升医疗图像分析和临床决策	肝脏图像，包括良性、恶性和正常三类	计算机视觉	肝癌	深度学习，主成分分析（PCA）	CNN	图像	5000张肝脏图像（1500张良性，1500张恶性，2000张正常），分为训练集（3500）、验证集（750）和测试集（750）	NA	LiverCompactNet	准确率，敏感性，特异性，精确率，AUC-ROC分数	NA
3069	2025-12-11	Transfer Learning Strategies for Cardiovascular Disease Detection in ECG Imagery 2025, Biomedical engineering and computational biology IF:2.3Q3 DOI:10.1177/11795972251397812 PMID:41358268	研究论文	本研究提出了一种名为HeProbAtt BiGRU Net的新型AI驱动模型，用于从心电图图像中自动分类和预测冠状动脉钙化评分，旨在提高心血管疾病检测的准确性和效率	提出了一种结合注意力机制和概率权重的改进型BiGRU网络架构（HeProbAtt BiGRU Net），用于同时执行分类和回归任务，增强了学习效率和决策精度	研究基于单一中心的数据集，未来需要在更大规模、多中心数据集上进行验证，并缺乏临床可解释性特征的整合	开发一种深度学习模型，用于自动分类和预测冠状动脉钙化评分，以改进当前自动评分系统，减少误差和偏差，并辅助临床决策	来自大不里士医科大学的14,127个非对比计算机断层扫描切片数据集，用于心血管疾病检测	计算机视觉	心血管疾病	非对比计算机断层扫描	CNN, BiGRU	图像	14,127个NCCT切片	NA	DenseNet201, InceptionV3, HeProbAtt BiGRU Net	准确率, 精确率, 召回率, F1分数, ROC-AUC, 平均绝对误差, 均方根误差	NA
3070	2025-12-11	CottonNet-MHA: a multi-head attention-based deep learning framework for cotton disease detection 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1664242 PMID:41358337	研究论文	本文提出了一种基于多头注意力机制的深度学习框架CottonNet-MHA，用于棉花病害检测	开发了结合多头注意力机制的深度学习框架，以增强特征学习并突出病害区域，提高了检测准确性和可解释性	未明确说明模型在多样化环境条件下的泛化能力或数据集的规模限制	构建深度学习模型以自动检测棉花作物中的病害，确保健康作物生长和提高产量	棉花叶片中的病理症状	计算机视觉	棉花病害	NA	深度学习模型，多头注意力机制	图像	NA	TensorFlow, PyTorch, Keras	VGG16, VGG19, InceptionV3, Xception, MobileNet	准确率，效率	NA
3071	2025-12-11	Integrating meteorological and breeding data to predict maize yields using machine learning algorithms 2025, Frontiers in plant science IF:4.1Q1 DOI:10.3389/fpls.2025.1722068 PMID:41358345	研究论文	本研究开发了一种机器学习模型，通过整合气象数据和育种值来预测玉米杂交种产量	将气象数据与基于BLUP方法估计的育种值相结合，利用机器学习算法进行玉米产量预测，提供了一种成本效益高且高效的预测框架	模型性能仍有提升空间（R²为0.64），且可能受限于数据集规模和计算资源需求	预测玉米杂交种产量，以支持全球粮食安全和精准农业决策	玉米杂交种	机器学习	NA	BLUP（最佳线性无偏预测）方法	Random Forest, XGBoost, Support Vector Regression, Gaussian Process Regression	气象数据、育种数据	NA	Scikit-learn（推断，因使用常见ML算法）	Random Forest, XGBoost, SVR, GPR	R², RMSE, MAE, RRMSE, MAPE	NA
3072	2025-12-11	Correction: Diagnostic precision of a deep learning algorithm for the classification of non-contrast brain CT reports 2025, Frontiers in radiology DOI:10.3389/fradi.2025.1744006 PMID:41368236	correction	本文是对一篇关于深度学习算法在非对比脑部CT报告分类中诊断精度的文章的更正	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
3073	2025-12-10	60 kVp Coronary CT Angiography as a Screening Tool on Asymptomatic Patients: An Initial Experience 2025-Dec-10, Journal of thoracic imaging IF:2.0Q3 DOI:10.1097/RTI.0000000000000869 PMID:41363201	研究论文	本研究探讨了使用60 kVp冠状动脉CT血管造影结合深度学习重建技术作为无症状患者筛查工具的可行性	首次将超低剂量60 kVp CCTA与深度学习重建结合，用于无症状患者的冠状动脉疾病筛查，显著降低了辐射剂量和对比剂用量	60 kVp CCTA会导致斑块体积和狭窄程度的显著高估，且在血管和管腔描绘方面主观评分较低	评估超低剂量冠状动脉CT血管造影作为无症状患者筛查工具的可行性	156名无症状但至少有一个冠状动脉疾病风险因素的患者	数字病理学	心血管疾病	冠状动脉CT血管造影	深度学习	医学影像	156名患者	NA	NA	灵敏度, 特异性, 准确率, 阴性预测值	NA
3074	2025-12-10	Deep Learning Model for Fast Determination of Equilibrium Dissociation Constants Using Biolayer Interferometry Sensorgrams 2025-Dec-09, Analytical chemistry IF:6.7Q1 DOI:10.1021/acs.analchem.5c03188 PMID:41271228	研究论文	本文提出了一种基于深度学习的模型，用于快速预测生物层干涉测量（BLI）传感器图谱的平衡解离常数	创新性地将YOLOv5模型用于自动识别和提取PubMed文献中的BLI曲线，并结合干-半干-湿策略扩展数据集；在卷积神经网络中引入了SE和CBA模块并进行微调，以提升预测精度和泛化能力	模型在湿数据上的总预测准确率为60%，仍有提升空间；未来需要更多高质量BLI传感器图谱数据以进一步提高模型的准确性和鲁棒性	开发一种能够基于单浓度BLI传感器图谱快速准确预测平衡解离常数（K值）的深度学习方法	生物层干涉测量（BLI）传感器图谱	机器学习	NA	生物层干涉测量	CNN, GAN	传感器图谱（曲线数据）	5640条传感器图谱（包括3812条从PubMed提取的曲线、525条实验室湿数据、1303条生成对抗网络生成的干数据）	NA	YOLOv5, 卷积神经网络（含SE和CBA模块）	准确率	NA
3075	2025-12-10	Accelerating Many-Body Quantum Chemistry via Generative Transformer-Enhanced Configuration Interaction 2025-Dec-09, Journal of chemical theory and computation IF:5.7Q1 DOI:10.1021/acs.jctc.5c01429 PMID:41283762	研究论文	提出了一种基于Transformer的生成式机器学习方法GTNN-SCI，用于加速多体量子化学计算，通过生成式采样重要构型来高效处理强关联系统	利用Transformer的自注意力机制捕获长程电子关联，实现比现有神经网络方法高达10倍的加速，并能识别传统耦合方案遗漏的高阶激发，获得更低的变分能量	NA	加速多体量子化学计算，精确求解强关联分子系统的电子薛定谔方程	代表性分子（如N₂、H₂O、C₂）和强关联的[Fe₂S₂(SCH₃)₄]²⁻ ([2Fe-2S])团簇系统	机器学习	NA	量子化学计算，构型相互作用	Transformer	量子化学构型数据	NA	NA	Transformer	收敛速度，能量（关联能、结合能、基态能量），化学精度	NA
3076	2025-12-10	Model-based spatiotemporal synthetic data generation framework and deep-learning reconstruction for real-time MRI oxygen extraction fraction mapping 2025-Dec-09, Physics in medicine and biology IF:3.3Q1 DOI:10.1088/1361-6560/ae2380 PMID:41285110	研究论文	提出了一种用于实时动态磁共振成像的模型化时空合成数据生成框架及深度学习重建方法，以实现氧摄取分数的动态追踪	开发了针对实时动态场景的模型化时空合成数据生成框架，并结合超快速多重叠回波分离成像技术，实现了三维时空重建以追踪氧摄取分数的动态变化	未明确说明方法在更广泛临床场景或不同病理条件下的泛化能力	解决深度学习定量磁共振成像重建中训练数据稀缺问题，并提升实时动态成像的重建质量	数值模拟大脑、水模体及人脑实验数据	医学影像分析	NA	超快速多重叠回波分离成像技术	深度学习	三维时空磁共振成像数据	NA	NA	NA	准确性	NA
3077	2025-12-10	Adaptive Physics-Aware Raman Baseline Correction with Machine Learning Predicted Parameters 2025-Dec-09, Analytical chemistry IF:6.7Q1 DOI:10.1021/acs.analchem.5c05185 PMID:41294352	研究论文	提出了一种自适应物理感知的拉曼基线校正方法DIRAS及其增强版DIRAS+，通过机器学习预测参数实现自动化校正	开发了动态迭代重加权自回归光谱基线校正方法，结合深度学习优化正则化参数，实现无需手动干预的自适应校正	方法在通用性和用户控制方面可能仍有局限，未明确说明在其他类型光谱数据上的适用性	提高拉曼光谱基线校正的准确性和自动化水平，以支持可靠的光谱解释和下游化学计量工作流程	拉曼光谱数据，特别是表面增强拉曼散射数据集	机器学习	NA	拉曼光谱，表面增强拉曼散射	深度学习模型	光谱数据	两个SERS数据集	NA	NA	结构相似性指数，峰值保真度，类内变异性，基线失真，校准误差，分析灵敏度	NA
3078	2025-12-10	Deep-Learning Prediction of Protein Secondary Structure from Circular Dichroism Spectrum Using Three-Layer Image Recognition 2025-Dec-09, Analytical chemistry IF:6.7Q1 DOI:10.1021/acs.analchem.5c04550 PMID:41321189	研究论文	本研究开发了一种基于图像识别的深度学习方法，用于从圆二色谱中准确预测蛋白质二级结构参数	创新点在于将圆二色谱数值数据转换为三层（RGB）图像，并利用卷积神经网络进行图像识别，实现了高精度的二级结构参数预测	NA	开发一种深度学习方法，用于从圆二色谱中预测蛋白质二级结构参数	蛋白质的圆二色谱和对应的二级结构参数	机器学习	NA	圆二色谱	CNN	图像	243个圆二色谱RGB图像	NA	原始CNN	相关系数, RMSD	NA
3079	2025-12-10	Towards Modality- and Sampling-Universal Learning Strategies for Accelerating Cardiovascular Imaging: Summary of the CMRxRecon2024 Challenge 2025-Dec-08, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2025.3641610 PMID:41359736	研究论文	本文总结了CMRxRecon2024挑战赛，该挑战赛旨在解决心脏磁共振成像中深度学习模型跨模态和采样方案泛化能力不足的问题	引入了最大的公开多模态心脏磁共振原始数据集、开放基准测试平台和共享代码，并发现基于提示的适应和增强的物理驱动一致性是实现强跨场景性能的关键	未明确说明模型在临床环境中的具体验证结果或部署挑战	加速心血管成像，开发跨模态和采样方案通用的学习策略	心脏磁共振成像数据	数字病理学	心血管疾病	心脏磁共振成像	深度学习模型	图像	来自18个国家超过200个团队参与的大规模多模态数据集	NA	NA	跨场景性能评估	NA
3080	2025-12-10	Deep learning algorithm assisting diagnosis of prostate cancer extracapsular extension based on [18F]PSMA-1007 PET/CT and multiparametric MRI: A multicenter study 2025-Dec-08, Prostate cancer and prostatic diseases IF:5.1Q1 DOI:10.1038/s41391-025-01063-7 PMID:41361534	研究论文	本研究旨在开发和验证基于多参数MRI和[18F]PSMA-1007 PET/CT的深度学习模型，以预测前列腺癌的包膜外侵犯，并探索将深度学习与临床专业知识相结合的简化模型	开发了结合多参数MRI和PET/CT的深度学习模型（MPC-M），并引入了简化模型（E-MPC-M）以提高临床实用性，同时利用Grad-CAM进行模型可解释性可视化	模型应被视为初步研究，需要更大规模的前瞻性多中心研究来确认其稳健性和泛化性	预测前列腺癌的包膜外侵犯	接受根治性前列腺切除术的前列腺癌患者	数字病理学	前列腺癌	多参数MRI, [18F]PSMA-1007 PET/CT	深度学习模型	医学影像（MRI, PET/CT）	388名患者，来自三个中心	NA	NA	AUC, 灵敏度, 特异性	NA