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
881	2025-12-29	TEWS: Transformer-empowered weakly supervised prediction of immune score and genetic mutations in liver cancer from whole slide image 2025-Dec-17, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2025.108837 PMID:41455181	研究论文	本文提出了一种基于Transformer的弱监督深度学习模型，用于从全切片图像中预测肝癌的免疫评分和基因突变	首次将Swin Transformer与门控注意力池化机制结合，采用多示例学习直接从WSI预测免疫评分，并提升了伪标签分配的准确性	未明确提及模型在计算资源受限的医疗机构的实际部署挑战，且样本标注成本高的问题可能仍存在	开发一种弱监督深度学习模型，以从全切片图像中预测肝癌的免疫评分和基因突变，解决标注数据稀缺和计算需求高的挑战	肝癌的全切片图像	数字病理学	肝癌	全切片成像	Transformer	图像	NA	NA	Swin Transformer	AUC	NA
882	2025-12-29	KWC-YOLO: An efficient YOLO architecture for lumbar spinal stenosis grading through dynamic convolution and spatially-aware gating 2025-Dec-17, Computerized medical imaging and graphics : the official journal of the Computerized Medical Imaging Society IF:5.4Q1 DOI:10.1016/j.compmedimag.2025.102685 PMID:41455412	研究论文	提出一种名为KWC-YOLO的高效目标检测框架，用于根据Schizas分级标准自动检测和分类腰椎中央管狭窄的严重程度	在YOLOv11n架构基础上引入了三个核心创新：集成参数高效的动态卷积机制KernelWarehouse以提升检测头的特征适应性；在骨干网络中引入FasterGATE激活单元以增强非线性表示并加速收敛；实现轻量级的Slim-Neck结构以优化特征融合质量与计算成本之间的权衡	未明确提及，但可能受限于标注医疗数据的稀缺性	开发一个高效的目标检测框架，用于自动化腰椎中央管狭窄的严重程度分级	腰椎中央管狭窄	计算机视觉	腰椎管狭窄	磁共振成像	YOLO	图像	NA	NA	YOLOv11n, KWC-YOLO	平均精度, AP	NA
883	2025-12-29	Investigation of droplet dynamics in the hypermonotectic succinonitrile-water system in a temperature gradient and microgravity conditions supported by deep learning computer vision 2025-Dec-16, Journal of colloid and interface science IF:9.4Q1 DOI:10.1016/j.jcis.2025.139684 PMID:41455349	研究论文	本研究利用深度学习计算机视觉技术，在温度梯度和微重力条件下，探究了超单晶体系中的液滴动力学行为	结合微重力实验环境与基于mask R-CNN的深度学习计算机视觉模型，实现了对液滴动态的高精度检测与追踪	实验时间仅限于六分钟的微重力条件，且部分液滴在容器边界发生粘附与凝聚，可能影响观测结果	研究液-液相分离过程中液滴在温度梯度下的运动与演化规律	丁二腈-水体系的液滴相	计算机视觉	NA	原位观测，微重力实验	CNN	图像	NA	PyTorch, TensorFlow	mask R-CNN, SORT	NA	NA
884	2025-12-29	Decoupling time and space: An adaptive shared graph convolutional network for dynamic market price forecasting 2025-Dec-15, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2025.108489 PMID:41455244	研究论文	提出一种新颖的时空解耦自适应共享图卷积网络（STDAsh-GCN），用于产品价格预测	引入全局共享参数机制实现时空表示的深度解耦，并设计自适应特征聚合模块动态评估节点贡献，结合共享注意力机制平衡输入特征与邻接关系的影响	NA	提高产品价格预测的准确性，以帮助企业预测市场趋势并主动调整销售策略	产品价格数据，特别是具有复杂时空耦合特征的市场动态	机器学习	NA	NA	图卷积网络（GCN）	时空数据	三个真实工业数据集，包括一个硫酸钾生产企业的数据	NA	STDAsh-GCN（时空解耦自适应共享图卷积网络）	NA	NA
885	2025-12-29	Changes in the Neighborhood Built Environment and Chronic Health Conditions in Washington, DC, in 2014-2019: Longitudinal Analysis 2025-Dec-10, JMIR formative research IF:2.0Q4 DOI:10.2196/74195 PMID:41370817	研究论文	本研究利用Google街景图像和计算机视觉技术，分析了华盛顿特区2014年至2019年间邻里建成环境的变化、人口统计转移与健康结果之间的纵向关联	首次结合Google街景图像与卷积神经网络进行大规模纵向分析，以量化城市建成环境变化对慢性健康状况的影响	研究仅聚焦于华盛顿特区，可能无法推广到其他城市；依赖街景图像可能无法捕捉所有环境特征；未考虑个体层面的行为因素	探究城市建成环境变化与慢性健康状况之间的纵向关联	华盛顿特区的邻里建成环境特征、人口统计数据和健康结果	计算机视觉	慢性疾病	Google街景图像分析	CNN	图像	434,115张Google街景图像	NA	卷积神经网络	NA	NA
886	2025-12-29	Temporally Continuous Automated Sleep-Wake Classification Using Deep Learning 2025-Dec-04, medRxiv : the preprint server for health sciences DOI:10.64898/2025.12.03.25341129 PMID:41404297	研究论文	本研究开发了一种基于深度学习的、高时间分辨率的睡眠-觉醒分类器，利用时间连续的手动参考评分，旨在克服传统30秒固定时段评分的局限性	首次采用时间连续的手动评分作为参考，结合迁移学习技术，实现了无需固定时段边界的高时间分辨率睡眠-觉醒分类	研究样本量有限，特别是在时间连续评分的数据集上（n=39用于微调，n=40和n=20用于验证），可能影响模型的泛化能力	开发一种更符合生理动态的睡眠-觉醒评估方法，以替代传统的30秒固定时段评分	睡眠数据，包括睡眠-觉醒状态和觉醒事件	机器学习	NA	深度学习，迁移学习	CNN	时间序列数据（睡眠数据）	总样本量涉及三个独立数据集，包括2034个使用30秒时段评分的样本，以及59个时间连续评分的样本（39个用于微调，40个和20个用于验证）	NA	U-Net	整体一致性（百分比），Cohen's kappa系数（κ），相关系数（r）	NA
887	2025-12-29	Fully Automated Deep Learning-Based Pipeline for Evans Index Measurement from Raw 3D MRI 2025-Dec-02, medRxiv : the preprint server for health sciences DOI:10.64898/2025.11.30.25341302 PMID:41409679	研究论文	本文提出了一种基于深度学习的全自动流程，用于从原始3D MRI中测量Evans指数	开发了一个端到端的深度学习流程，无需手动干预即可直接从原始T1加权MPRAGE MRI扫描中计算Evans指数，提高了测量的可重复性和可扩展性	未明确说明模型在更广泛或不同扫描协议下的泛化能力，且依赖于特定注释数据集进行训练	实现Evans指数的自动化、标准化测量，以支持大规模和多中心神经影像研究	原始T1加权MPRAGE MRI扫描，用于评估脑室扩大	数字病理学	老年疾病	MRI	CNN	图像	内部验证使用巴尔的摩纵向衰老研究、BIOCARD和约翰霍普金斯队列数据；外部验证使用PENS试验数据，包括分流前后的NPH扫描	nnU-Net	BrainSignsNet, nnU-Net	Dice系数, 平均偏差, 平均绝对误差, 相关系数	NA
888	2025-12-29	Interpretable Thermodynamic Score-based Classification of Relaxation Excursions 2025-Dec-01, bioRxiv : the preprint server for biology DOI:10.1101/2025.11.26.690838 PMID:41377511	研究论文	本文提出了一种名为Keeping SCORE的物理启发式方法，将扩散模型转化为分类和回归的概率引擎，通过测量不同类别假设下噪声轨迹的耗散来计算精确的类别似然和预测置信度	将扩散模型应用于分类和回归任务，提供不确定性估计和特征归因解释，无需修改现有训练模型	NA	开发一种可解释且具有不确定性感知的分类和回归框架，应用于计算生物学和科学领域	图像识别任务（手写数字、自然照片）、单细胞基因组学（细胞身份区分、基因扰动效应映射）和分子生物物理学（突变对蛋白质折叠能量的影响预测）	机器学习	NA	扩散模型	扩散模型	图像、基因组数据、分子生物物理数据	NA	NA	NA	准确概率估计	NA
889	2025-12-29	Biomarkers 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70856_101601 PMID:41447673	研究论文	本研究提出并评估了一种结合年龄和性别信息的深度学习模型，用于区分认知正常与认知受损个体，基于OASIS-1数据集中的T1加权MRI数据	在卷积神经网络中显式整合年龄和性别作为输入特征，以提升阿尔茨海默病的分类性能	样本量相对较小（416名受试者），且敏感性较低（39%），可能影响模型在临床中的泛化能力	开发一个结合人口统计学因素的深度学习模型，以改善阿尔茨海默病的早期检测和分类	OASIS-1数据集中的416名受试者，包括认知正常（CDR=0.0）和认知受损（CDR>0.0）个体	数字病理学	阿尔茨海默病	T1加权MRI	CNN	图像	416名受试者（316名认知正常，100名认知受损）	PyTorch	六层全卷积神经网络	准确率, 特异性, 敏感性, ROC-AUC	NA
890	2025-12-29	Biomarkers 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70856_101680 PMID:41447674	研究论文	本文提出了一种名为'purple-mri'的完整半球离体到原位/在体分割与配准流程，用于处理多分辨率、跨模态的死后MRI数据	结合深度学习分割架构与经典基于表面的建模技术，开发了两阶段跨模态微分同胚图像配准方法，以解决离体与在体MRI之间的配准挑战	厚度测量因组织损伤或缺失区域的缺乏分割而存在噪声，导致整体相关性略有下降	开发一种流程以促进离体与在体MRI之间的准确配准，从而加强形态计量学与组织病理学检查之间的关联研究	21个对照样本的离体与原位MRI数据	数字病理学	阿尔茨海默病	MRI	深度学习	图像	21个对照样本（年龄57-88岁；女性9例/男性12例）	FreeSurfer	NA	Spearman相关系数	NA
891	2025-12-29	Biomarkers 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70856_101785 PMID:41447687	研究论文	本研究使用端到端深度学习模型，基于静息态功能磁共振成像预测主观认知下降人群在嗅觉任务中的大脑活动，以探索阿尔茨海默病早期嗅觉功能变化的神经机制	利用端到端深度学习模型从静息态fMRI预测嗅觉任务中的大脑活动，为大规模样本研究提供了新方法	研究仅针对主观认知下降人群，未涉及其他阿尔茨海默病阶段；且依赖特定的成像数据获取	探索阿尔茨海默病早期嗅觉功能变化的神经机制	主观认知下降人群	机器学习	阿尔茨海默病	功能磁共振成像	深度学习模型	图像	256名主观认知下降参与者	NA	端到端深度学习模型	皮尔逊相关系数	NA
892	2025-12-29	Biomarkers 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70856_101856 PMID:41447719	研究论文	本研究利用预训练的3D卷积神经网络Med3D，通过迁移学习从脑部MRI数据中检测帕金森病，显著提升了诊断性能	采用在多种医学影像任务上预训练的Med3D模型进行迁移学习，以解决帕金森病MRI数据标注不足的问题，并针对类别不平衡实施了采样技术	研究依赖于单一数据库（PPMI），样本量相对有限，且模型特异性较低（60%），可能影响在更广泛人群中的泛化能力	开发一种基于迁移学习的深度学习模型，用于从脑部MRI中准确检测帕金森病	帕金森病患者的脑部3D MRI扫描数据	数字病理学	帕金森病	磁共振成像	CNN	图像	662个3D MRI扫描（来自PPMI数据库）	PyTorch	Med3D	准确率, 灵敏度, 特异性, 精确率, F1分数, AUC-ROC	NA
893	2025-12-29	Biomarkers 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70856_101717 PMID:41448148	研究论文	本研究利用深度学习模型评估脑年龄，并探究阿尔茨海默病与路易体病理共存对脑老化、萎缩及认知功能的影响	首次结合α-突触核蛋白种子扩增检测与深度学习脑年龄模型，系统分析AD与LB病理共存对神经退行性变的协同放大效应	研究样本主要来自认知障碍队列，未涵盖更广泛的临床前阶段；横断面设计限制因果推断	探究AD与LB病理共存对脑老化加速、区域萎缩及认知衰退的影响机制	认知未受损个体（用于模型训练）及认知受损参与者（用于病理分组分析）	数字病理学	阿尔茨海默病	α-突触核蛋白种子扩增检测、脑脊液生物标志物检测、结构MRI	深度学习	结构MRI图像、脑脊液生物标志物数据、认知评估数据	训练集4355名认知未受损个体，验证集803名认知受损参与者	NA	3D-DenseNet	脑年龄差平均值、相关系数r、显著性p值	NA
894	2025-12-29	Biomarkers 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70856_101596 PMID:41448203	研究论文	本文提出了一种基于MRI的高泛化性深度学习方法，用于早期诊断轻度认知障碍向阿尔茨海默病的进展	采用多平面特征提取策略结合注意力机制，以应对MRI数据的异质性，从而提升分类性能和泛化能力	NA	早期诊断轻度认知障碍向阿尔茨海默病的进展	来自ADNI和GARD数据库的认知正常、轻度认知障碍、进展性轻度认知障碍和稳定性轻度认知障碍参与者	数字病理学	阿尔茨海默病	磁共振成像	深度学习	图像	来自ADNI和GARD数据库的参与者，具体数量未明确说明	NA	NA	准确率, AUC	NA
895	2025-12-29	Biomarkers 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70856_101952 PMID:41448577	研究论文	本文提出了一种无监督深度学习模型UDIP-FA，用于从FA图像中提取128维特征，以更无偏和可遗传地描述白质微结构，并探索其与脑部疾病的遗传关联	采用无监督深度学习从FA图像中提取特征，避免了传统图谱方法的偏差，并首次系统评估了这些特征在脑部疾病分类和遗传分析中的应用	研究基于UK Biobank数据，可能受人群特异性限制；无监督方法可能难以解释所有提取特征的生物学意义	开发一种无偏的白质微结构表征方法，并探索其与脑部疾病的遗传机制	来自UK Biobank的6000名参与者的FA图像，以及后续GWAS分析中的25875名参与者	医学影像分析	阿尔茨海默病	扩散张量成像，全基因组关联研究	无监督深度神经网络	MRI图像	初始训练6000人，GWAS分析25875人	NA	NA	AUC	NA
896	2025-12-29	Biomarkers 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70856_102219 PMID:41448607	研究论文	本研究评估了五种主流自动化海马分割工具在痴呆症研究中对疾病的敏感性和测试-重测可靠性	首次系统比较了五种主流自动化海马分割工具在疾病敏感性和测试-重测可靠性方面的表现，并提供了评估工具临床准备度的流程	研究主要基于公开数据集，可能未涵盖所有临床场景；未评估工具在其他脑区或疾病中的表现	评估自动化海马分割工具在痴呆症研究中的临床准备度，重点关注其对疾病的敏感性和测试-重测可靠性	阿尔茨海默病和轻度认知障碍患者的T1加权MRI扫描	数字病理学	阿尔茨海默病	T1加权MRI	深度学习模型	图像	敏感性研究使用ADNI的2299例和NACC的1852例扫描；可靠性研究使用8个独立数据集的1264例扫描	NA	FastSurfer, SynthSeg, Geodesic Information Flows (GIF), InnerEye, nnUNet	Cohen's d, 组内相关系数(ICC(2,1))	NA
897	2025-12-29	Biomarkers 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70856_103473 PMID:41449130	研究论文	本研究通过分析ADNI队列中的神经影像生物标志物，探讨了APOE4携带者与非携带者在阿尔茨海默病病因和表现上的差异	首次使用名为DeepContrast的深度学习方法来识别结构MRI扫描中的功能性大脑活动特征，并揭示了APOE4携带者与非携带者在疾病病理异质性上的显著差异	研究基于ADNI队列，样本可能不具有普遍代表性，且未详细说明DeepContrast方法的验证过程	探究APOE4携带者与非携带者在阿尔茨海默病病因和表现上的差异	ADNI队列中的APOE4携带者与非携带者	医学影像分析	阿尔茨海默病	神经影像学（Ab-PET、Tau-PET、FDG-PET、结构MRI、FLAIR MRI）	深度学习	MRI图像	ADNI队列参与者（具体数量未明确）	NA	DeepContrast	NA	NA
898	2025-12-29	Biomarkers 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70856_103249 PMID:41449679	研究论文	本研究探讨了量子增强的迁移学习如何通过结合经典深度学习模型与量子电路，提升基于MRI图像的阿尔茨海默病及相关痴呆症的早期检测性能	将量子计算与经典深度学习模型结合，通过量子迁移学习技术，在参数显著减少的情况下，实现了痴呆检测性能的显著提升	研究使用了模拟器进行实验，未在真实量子硬件上验证；样本量相对较小（136名受试者），可能影响模型的泛化能力	展示量子迁移学习在增强经典深度学习模型用于痴呆检测方面的潜力	阿尔茨海默病及相关痴呆症（ADRD）患者与健康个体的MRI矢状面图像	机器学习	阿尔茨海默病及相关痴呆症	量子迁移学习	CNN, DQN	图像	136名受试者（64名痴呆患者和72名非痴呆患者）	Pennylane, IonQ	未指定具体架构，但包含卷积层和密集层，结合了Dressed Quantum Circuit（DQN）	准确率, 敏感度	Pennylane的`default.qubit`模拟器和IonQ的Aria-1模拟器（噪声模拟）
899	2025-12-29	Biomarkers 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70856_103182 PMID:41449848	研究论文	本研究开发了一种基于神经病理学确认诊断的多标签深度学习网络，用于量化阿尔茨海默病、血管性痴呆和路易体痴呆的脑萎缩	首次利用神经病理学确认的诊断训练深度学习模型，并开发了新型DeepSPARE指数来可视化病理特异性模式	模型在路易体痴呆上的准确率相对较低（0.623），且样本主要来自特定数据集（NACC和ADNI）	开发一种能够准确识别三种常见痴呆类型脑萎缩模式的深度学习框架	423名痴呆参与者和361名对照者的生前3D T1加权MRI扫描	数字病理学	老年疾病	3D T1加权MRI扫描	深度学习网络	图像	784名参与者（423名痴呆患者，361名对照），外加734名外部验证样本	NA	多标签深度学习网络	平衡准确率	NA
900	2025-12-29	Clinical Manifestations 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70857_105825 PMID:41449899	研究论文	本研究通过融合视频骨骼关键点和可穿戴生理数据，利用深度学习模型提升痴呆患者躁动和攻击行为的早期检测能力	首次结合视频骨骼关键点与可穿戴生理数据，采用RNN-GRU与注意力机制的深度学习框架，实现多模态数据融合的早期AA预测	样本量较小（仅5名患者），数据收集时长存在差异，需进一步扩大研究规模以验证普适性	提升痴呆患者躁动和攻击行为的早期检测准确性，减少干预延迟和不适当精神药物使用	患有阿尔茨海默病或混合病理痴呆并伴有躁动和攻击行为的住院患者	机器学习	老年疾病	可穿戴生理监测、视频骨骼关键点提取	RNN, GRU	视频、生理信号	5名患者（3名女性，2名男性，年龄63-85岁），每人数据收集时长为36至95.5小时	NA	RNN with GRU and attention mechanisms	准确率	NA