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
561	2025-12-10	Transforming Gynecologic Cancer Care Through Artificial Intelligence: A Clinician's Guide to the Evolving Landscape 2025-Dec-09, Clinical obstetrics and gynecology IF:1.4Q3 DOI:10.1097/GRF.0000000000000985 PMID:41363042	综述	本文是一篇面向临床医生的综述，总结了人工智能在妇科肿瘤全程护理中的应用现状与前景	系统性地整合了AI在妇科肿瘤预防、筛查、诊断、预后及治疗指导等多个领域的最新证据，并提出了临床整合的实用路径和以公平为中心的部署方向	NA	为临床医生提供人工智能在妇科肿瘤护理中应用的综合指南，并展望其未来发展方向	妇科肿瘤的全程护理，包括预防、筛查、早期检测、诊断、预后预测和治疗指导	数字病理学	妇科癌症	NA	深度学习	多模态数据（临床、影像、组织学、基因组学）	NA	NA	NA	准确性, 速度, 可重复性	NA
562	2025-12-10	GPMassSimulator: A Graphormer-Based Method for Glycopeptide MS/MS Spectra Prediction 2025-Dec-09, Analytical chemistry IF:6.7Q1 DOI:10.1021/acs.analchem.5c02375 PMID:41364107	研究论文	本文介绍了一种名为GPMassSimulator的深度学习框架，用于准确预测完整N-糖肽的串联质谱（MS/MS）图谱和保留时间	提出了一种创新的基于Graphormer的深度学习方法，通过GpepFormer模块有效表征和整合肽序列与聚糖结构，捕捉其复杂依赖关系，显著提升了糖肽鉴别的准确性，特别是在区分相似糖肽和异构体结构方面	NA	开发一种能够准确预测糖肽MS/MS图谱和保留时间的深度学习方法，以解决糖肽结构复杂性和异质性带来的分析挑战	糖肽（特别是N-糖肽）	机器学习	NA	串联质谱（MS/MS）	Graphormer	质谱数据	NA	NA	Graphormer, GpepFormer	识别准确率, Top-1识别率, 灵敏度	NA
563	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
564	2025-12-10	SDMFFN: A Novel Specular Detection Median Filtering Fusion Network for Specular Reflection Removal in Endoscopic Images 2025-Dec-08, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ae291d PMID:41360013	研究论文	提出一种用于内窥镜图像中镜面反射检测与去除的新型网络SDMFFN	提出两阶段框架SDMFFN，在检测阶段采用增强的S-TransUnet模型集成ASPP、IB和CBAM模块优化多尺度特征提取，在去除阶段改进中值滤波并融合颜色信息实现自然修复	未明确说明方法在极端光照条件或不同内窥镜设备上的泛化能力限制	提升内窥镜图像质量以改善微创手术中的诊断准确性和手术效果	内窥镜图像中的镜面反射区域	计算机视觉	NA	深度学习	Transformer, CNN	图像	NA	PyTorch（根据GitHub链接推断）	U-Net, Transformer（S-TransUnet）	视觉清晰度，诊断精度（具体指标未明确说明）	NA
565	2025-12-10	Dual-Channel TRCA-net based on cross-subject positive transfer for SSVEP-BCI 2025-Dec-08, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ae291c PMID:41360014	研究论文	本文提出了一种基于跨被试正向迁移的双通道TRCA-net方法，旨在提升SSVEP-BCI系统的解码精度和信息传输率，并减少被试间变异性	引入了创新的基于迁移精度的被试选择策略和结合SSVEP领域自适应网络的深度学习网络，以增强SSVEP-BCI解码性能	NA	增强稳态视觉诱发电位脑机接口系统的解码准确性和信息传输率，减少被试间变异性，以扩展SSVEP-BCI的应用范围	稳态视觉诱发电位脑机接口系统	机器学习	NA	稳态视觉诱发电位	深度学习网络	脑电信号	在两个大规模公共基准数据集上进行验证	NA	双通道TRCA-net, SSVEP领域自适应网络	解码精度, 信息传输率	NA
566	2025-12-10	ZNGEA: ZINB-NMF Integrated Graph Embedding Autoencoder for Metabolite-Disease Association Identification 2025-Dec-08, Analytical chemistry IF:6.7Q1 DOI:10.1021/acs.analchem.5c05618 PMID:41360747	研究论文	提出一种名为ZNGEA的深度学习算法，用于高效识别代谢物与疾病之间的潜在关联	整合了零膨胀负二项分布和非负矩阵分解，通过非线性方法结合多种相似性网络，并利用图卷积自编码器提取特征	NA	开发计算方法来识别代谢物与疾病之间的关联	代谢物与疾病	机器学习	NA	深度学习	图卷积自编码器, 双线性解码器	相似性网络数据	NA	NA	ZNGEA	AUC, AUPR	NA
567	2025-12-10	CACLENS: A Multitask Deep Learning System for Enzyme Discovery 2025-Dec-08, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202518063 PMID:41360755	研究论文	本文介绍了一个名为CACLENS的多任务深度学习系统，用于高效发现工业酶	引入了结合定制门控控制、对比学习和交叉注意力机制的多任务深度学习框架，实现了反应类型分类、EC号预测和反应可行性评估三项关键功能的高性能集成	NA	开发一个高性能的多任务深度学习系统，以加速工业酶的发现过程	酶的结构、功能和性质，特别是用于生物合成和生物降解过程的酶	机器学习	NA	深度学习	深度学习框架	NA	NA	NA	结合定制门控控制、对比学习和交叉注意力机制的架构	NA	较少的计算资源
568	2025-12-10	Controllable diffusion framework for imbalanced Phi OTDR events classification 2025-Dec-08, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29691-y PMID:41360874	研究论文	本文提出了一种可控扩散框架（ConDiff），用于解决Φ-OTDR事件分类中的长尾不平衡问题	引入了由反馈引导的Φ-OTDR增强器、高质量样本选择模块和动态阈值调整模块组成的可控扩散框架，用于生成高质量的异常事件合成样本	未在摘要中明确说明	解决Φ-OTDR事件分类中因异常事件样本远少于正常事件（噪声）而导致的长尾分布问题	Φ-OTDR系统监测到的异常事件（如挖掘、浇水、摇晃）	机器学习	NA	Φ-OTDR（相位光时域反射计）	扩散模型	Φ-OTDR事件数据	BJTU-OTDR-LT数据集	NA	Controllable Diffusion (ConDiff) framework	分类准确率	NA
569	2025-12-10	Landscape design concept generation combining cultural mapping technology and multimodal modeling 2025-Dec-08, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31088-w PMID:41360932	研究论文	本文提出了一种结合草图生成与多模态学习的新型景观设计模型，用于生成高质量的景观设计图像	提出了一种结合草图生成（Pix2Pix GAN）与文本描述对齐（CLIP）的多模态学习模型，以同时满足结构要求和审美偏好，为自动化景观设计提供了更具创意、灵活和详细的解决方案	模型在处理复杂和抽象的设计需求方面仍有待进一步改进	开发一种更高效、更具创意且与上下文相关的自动化景观设计方法	景观设计图像	计算机视觉	NA	NA	GAN, 多模态学习模型	图像, 文本, 草图	NA	NA	Pix2Pix GAN, CLIP	定量分析, 定性分析	NA
570	2025-12-10	BugPrioritizeAI for multimodal test case prioritisation using bug reports, code changes, and test metadata 2025-Dec-08, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31851-z PMID:41360983	研究论文	本文提出了一种名为BugPrioritizeAI的可解释多模态测试用例优先级排序框架，该框架联合利用错误报告、源代码变更和测试元数据来对测试用例进行排序，以加速故障检测	BugPrioritizeAI是一种可解释的多模态TCP框架，它首次联合使用错误报告、源代码变更和测试元数据来对测试用例进行优先级排序，并通过SHAP提供解释性，克服了现有方法仅依赖单一信息源和语义关系建模不足的局限性	论文未明确提及具体局限性，但暗示当前基于深度学习的方法仍存在跨项目泛化能力和误解问题，这可能也是本框架需要进一步验证的方面	研究目标是开发一种AI增强的测试用例优先级排序方法，以减少回归测试的开销并加速故障检测	研究对象是软件测试中的测试用例，特别是针对错误报告、源代码变更和测试元数据等多模态软件制品	机器学习	NA	深度学习	神经网络	文本、代码变更、元数据	NA	NA	BugTestRankNet	NA	NA
571	2025-12-10	A resource-efficient machine learning framework for real-time non-intrusive load monitoring and performance optimization in solar-powered aviation systems 2025-Dec-08, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31379-2 PMID:41360980	研究论文	本文开发了一个资源高效的机器学习框架，用于太阳能航空系统中的实时非侵入式负载监测与性能优化	提出了一种在严格资源约束下系统评估多种ML/DL模型的方法，并通过硬件在环验证了其在动态飞行场景中的有效性	研究主要关注模型在实时部署中的计算效率与准确性权衡，可能未涵盖所有可能的负载类型或极端飞行条件	实现太阳能航空系统中实时、高效的负载监测与能源管理优化	太阳能航空系统的电力负载数据	机器学习	NA	非侵入式负载监测	KNN, RF, XGBoost, CNN-LSTM	高分辨率电力数据	NA	NA	CNN-LSTM	R², MSE, 执行时间	Opal-RT, Launchpad-F28379D DSP控制器
572	2025-12-10	An interpretable deep learning model for first-trimester fetal cardiac screening 2025-Dec-08, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-025-02217-6 PMID:41361059	研究论文	开发并验证了一种可解释的深度学习模型，用于基于舒张期血流模式进行胎儿先天性心脏病的早期筛查	首个经过验证的可解释深度学习系统，用于孕早期先天性心脏病筛查，通过模仿临床推理过程提供准确且可解释的诊断	NA	解决孕早期先天性心脏病筛查的临床需求，开发准确且可解释的诊断工具	孕早期胎儿心脏筛查图像	数字病理学	先天性心脏病	多普勒血流四腔心切面成像	深度学习模型	图像	108,521例孕早期心脏筛查，从中选取8,062张多普勒血流四腔心切面图像	NA	NA	准确率	NA
573	2025-12-10	Assessing deep learning model performance in osteoporosis screening with lumbar spine radiographs 2025-Dec-08, Journal of bone and mineral metabolism IF:2.4Q3 DOI:10.1007/s00774-025-01672-1 PMID:41361106	研究论文	本研究评估了深度学习模型在利用腰椎X光片进行骨质疏松筛查中的性能	提出使用深度学习模型从腰椎X光片中筛查骨质疏松，作为双能X射线吸收测定法（DXA）资源有限情况下的替代工具	模型性能（如AP图像的AUC为0.79）仍有提升空间，且研究未涉及外部验证或不同人群的泛化能力	开发并评估深度学习模型在骨质疏松筛查中的准确性，以弥补DXA资源不足	腰椎X光片（包括前后位和侧位图像）	计算机视觉	骨质疏松	X射线成像	CNN	图像	训练集：2244张前后位和2368张侧位腰椎X光片；测试集：963张前后位和1018张侧位图像	NA	ResNet-18, DarkNet-19	AUC, 敏感性, 特异性	NA
574	2025-12-10	Projection-based molecular feature maps for CNN-driven nephrotoxicity prediction 2025-Dec-08, Archives of toxicology IF:4.8Q1 DOI:10.1007/s00204-025-04234-6 PMID:41361121	研究论文	本研究提出了一种基于投影的分子特征映射方法，用于通过CNN预测肾毒性，通过将3D分子结构转换为2D映射来增强特征表示和模型性能	采用Mollweide和Equirectangular投影将3D分子几何结构转换为优化的2D表示，结合原子位置、静电和范德华投影，创建了新型分子特征映射，提高了肾毒性预测的准确性	未明确提及样本量大小或数据集的详细组成，可能限制模型泛化能力的评估	开发可靠的肾毒性预测模型，以支持药物开发中的安全性评估	化学结构（分子）	机器学习	肾毒性	3D空间转换、分子投影	CNN	图像（2D分子映射）	NA	NA	CNN	准确率, AUC	NA
575	2025-12-10	Diagnostic performance of real-time artificial intelligence using deep learning analysis of endoscopic ultrasound videos for gallbladder polypoid lesions 2025-Dec-08, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29179-9 PMID:41361233	研究论文	本研究评估了人工智能模型在分析内镜超声视频以诊断胆囊息肉样病变中的诊断性能	首次将人工智能应用于内镜超声视频（而非静态图像）进行胆囊息肉分析，利用视频提供的更丰富诊断数据	样本量相对较小，需要进一步的前瞻性验证	评估人工智能模型在内镜超声视频中诊断胆囊息肉样病变的性能	经组织学确认的胆囊息肉患者的内镜超声视频	计算机视觉	胆囊疾病	内镜超声	CNN, Transformer	视频	训练队列：96个视频（50名患者）；验证队列：36个视频（17名患者）	NA	Attention U-Net, Residual U-Net, DUCK Net, EfficientNet-B2, ResNet101, Vision Transformer	准确率, 召回率, F1分数, AUC	NA
576	2025-12-10	Deep learning for head and neck radiation dose prediction: a systematic review and meta-analysis 2025-Dec-08, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-28442-3 PMID:41361342	系统综述与荟萃分析	本文通过系统综述和荟萃分析评估了卷积神经网络（CNN）及相关架构在头颈部放疗剂量分布预测中的有效性	首次对头颈部放疗剂量预测的深度学习模型进行系统综述和荟萃分析，比较了经典CNN与先进CNN在不同靶区和危及器官上的预测性能，并识别了影响模型性能的关键因素（如放疗技术、网络设计和癌症类型）	研究存在显著的异质性（I² > 99%），限制了结果的可解释性；对其他危及器官（除脊髓外）的泛化能力有限；部分训练参数需从补充材料中获取，可能影响分析的完整性	评估深度学习模型（特别是CNN）在头颈部放疗剂量分布预测中的准确性和一致性，为临床任务特异性模型定制提供依据	头颈部放疗患者的剂量分布数据，重点关注计划靶区（PTV）的D95和脊髓（作为危及器官代表）的Dmax	数字病理学	头颈部癌症	放疗剂量预测	CNN	医学影像数据（剂量分布图）	NA	NA	经典CNN, 先进CNN（含密集块等设计）	平均绝对误差（MAE）, 95%置信区间（CI）	NA
577	2025-12-10	STD-Net: a spatio-temporal decoupling network for multiphasic liver lesion segmentation and characterization 2025-Dec-08, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-025-02181-1 PMID:41361359	研究论文	本文提出了一种时空解耦网络STD-Net，用于多期相肝脏病变分割与表征，通过分离空间特征提取与时间动态建模来提升性能	引入时空解耦设计，显式分离空间特征提取与时间动态建模，使用共享权重的3D编码器学习解剖表示，并采用基于Transformer的时间模块捕获对比增强序列模式	未明确提及具体局限性，但可能包括对数据集规模和多样性的依赖，以及计算资源需求	提升多期相CT和MRI中肝脏病变（特别是肝细胞癌）的准确分割与表征能力	肝细胞癌（HCC）病变	数字病理学	肝癌	多期相CT和MRI成像	CNN, Transformer	医学图像（多期相CT和MRI）	基于TCGA-LIHC、LiTS和MSD数据集，具体样本数量未明确说明	未明确提及，可能为PyTorch或TensorFlow	STD-Net（自定义时空解耦网络），包含共享权重的3D编码器和基于Transformer的时间模块	Dice系数, HD95, 分类准确率	未明确提及具体计算资源
578	2025-12-10	Assessment of a VoIP steganalysis method based on statistical analysis and deep neural network 2025-Dec-08, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31478-0 PMID:41361363	研究论文	本文提出了一种结合语音信号处理与人工智能的混合方法，用于VoIP隐写分析，以提高检测准确性和计算效率	结合语音信号处理与深度学习网络，针对G.729编码的音频信号提取帧内特征和帧间相关性，实现对QIM、PMS和HPS等隐写技术的高效实时检测	仅针对G.729编码的音频信号进行评估，未涉及其他编码格式或更广泛的隐写技术	开发一种高效的VoIP隐写分析方法，以应对通过隐写术进行的隐蔽通信安全威胁	使用G.729编码的VoIP音频信号，特别是包含QIM、PMS和HPS隐写技术的音频文件	机器学习	NA	语音信号处理，深度学习	深度学习网络	音频信号	1000 ms音频文件	NA	NA	准确率	NA
579	2025-12-10	CerviHFENet: hybrid feature extraction-based deep learning for multi-label classification of upper cervical spine abnormalities in X-ray imaging 2025-Dec-08, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-025-02070-9 PMID:41361372	研究论文	提出了一种基于混合特征提取的深度学习框架CerviHFENet，用于X射线图像中上颈椎多异常的多标签分类	提出了结合自适应ROI检测和混合特征提取（HFE）机制的CerviHFENet框架，能够同时提取上颈椎的解剖特征和不同颈部位置间的动态结构变化，并采用改进的焦点损失函数学习六种异常间的互斥或条件依赖关系	研究样本量相对有限（249名患者），且仅针对六种特定上颈椎异常	开发一个深度学习模型，辅助从上颈椎三视图X射线图像中准确诊断多种异常	上颈椎X射线图像（伸展位、中立位、屈曲位）	计算机视觉	颈椎疾病	X射线成像	深度学习	图像	249名患者，共747张X射线图像	NA	CerviHFENet	AUC, mAP	NA
580	2025-12-10	An integrated radiomics and deep learning model on multisequence MRI for preoperative prediction of lymphovascular space invasion in endometrial cancer 2025-Dec-08, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-025-02091-4 PMID:41361391	研究论文	本研究开发并验证了一种整合放射组学特征和深度学习特征的多模态模型，用于术前预测子宫内膜癌患者的淋巴血管间隙侵犯	首次整合了2D和3D放射组学特征与多种预训练深度学习架构（VGG11、ResNet101、DenseNet121）的特征，构建了多序列MRI的多模态预测模型	回顾性研究设计可能存在选择偏倚，手动勾画感兴趣区域可能引入主观误差	开发非侵入性预测子宫内膜癌淋巴血管间隙侵犯的术前评估工具	892名经术后病理确诊的子宫内膜癌患者	数字病理	子宫内膜癌	多序列磁共振成像（T2加权成像、对比增强T1加权成像、表观扩散系数图）	CNN	医学影像（MRI）	892名患者（训练队列378人，内部验证160人，外部验证354人）	PyRadiomics	VGG11, ResNet101, DenseNet121	AUC（受试者工作特征曲线下面积）	NA