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
10421	2025-10-06	TGEL-transformer: Fusing educational theories with deep learning for interpretable student performance prediction 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0327481 PMID:40587446	研究论文	提出融合教育理论与深度学习的TGEL-Transformer框架，用于可解释的学生表现预测	融合多元智能理论和社会认知理论，设计双通道特征处理模块、理论指导的四头注意力机制和可解释预测层	NA	解决传统教育数据挖掘方法难以整合异构特征数据，以及现有深度学习模型缺乏教育理论指导的问题	学生表现预测	教育数据挖掘	NA	深度学习	Transformer	教育数据	6,608名学生，外部验证480名跨文化数据	NA	TGEL-Transformer	RMSE, R2	NA
10422	2025-10-06	Enhanced E-commerce decision-making through sentiment analysis using machine learning-based approaches and IoT 2025, PloS one IF:2.9Q1 DOI:10.1371/journal.pone.0326744 PMID:40587469	研究论文	通过结合物联网和机器学习技术提升电子商务决策能力，重点关注情感分析和需求预测	将物联网设备数据收集与多种机器学习算法相结合，在电子商务决策中实现超越简单推荐的高级功能	未明确说明研究样本规模和具体数据来源	提升电子商务决策能力，改善客户购物体验	电子商务客户行为数据和偏好数据	自然语言处理	NA	情感分析，需求预测	逻辑回归,朴素贝叶斯,SVM,随机森林,AdaBoosting,GRU,LSTM	文本数据	NA	NA	GRU,LSTM	准确率,F1分数,精确率,召回率	NA
10423	2025-10-06	An explainable-by-design end-to-end AI framework based on prototypical part learning for lesion detection and classification in Digital Breast Tomosynthesis images 2025, Computational and structural biotechnology journal IF:4.4Q2 DOI:10.1016/j.csbj.2025.06.008 PMID:40599244	研究论文	提出基于原型部分学习的可解释端到端AI框架，用于数字乳腺断层合成图像中的病灶检测和分类	结合YOLO系列模型和ProtoPNet构建可解释的AI系统，通过原型部分学习提供预测解释	数据集限制和需要更准确的地面实况标注影响了最终指标	开发透明AI系统加速DBT扫描分析并确保可解释性	数字乳腺断层合成图像中的乳腺病灶	计算机视觉	乳腺癌	数字乳腺断层合成	CNN	医学图像	NA	PyTorch	YOLOv5,YOLOv8,ProtoPNet	召回率,准确率	NA
10424	2025-10-06	A Deep Convolutional Neural Network Model for Lung Disease Detection Using Chest X-Ray Imaging 2025, Pulmonary medicine IF:2.0Q3 DOI:10.1155/pm/6614016 PMID:40599379	研究论文	提出一种基于定制卷积神经网络和预训练模型的自动化系统，用于通过胸部X射线和CT扫描检测多种肺部疾病	结合定制CNN与预训练模型，采用图像增强方法处理胸部影像数据，在肺部疾病检测中实现高性能指标	仅使用单一来源数据集（Kaggle），样本量相对有限，未进行多中心验证	开发自动化肺部疾病检测系统，提高诊断效率和准确性	肺部疾病（肺炎和COVID-19）患者的胸部X射线和CT影像	计算机视觉	肺部疾病	医学影像分析	CNN	图像	6400张影像	NA	定制卷积神经网络,预训练模型	准确率,精确率,召回率,F1分数	NA
10425	2025-10-06	Application progress of artificial intelligence in managing thyroid disease 2025, Frontiers in endocrinology IF:3.9Q2 DOI:10.3389/fendo.2025.1578455 PMID:40600013	综述	系统回顾人工智能在甲状腺疾病管理中的应用进展，重点关注诊断创新、治疗个性化及临床实施挑战	首次系统梳理自1990年代以来AI在甲状腺疾病管理中的演进历程，涵盖多模态数据整合与临床转化障碍分析	存在数据隐私、模型可解释性及临床适用性等挑战，数据异质性和伦理问题尚未完全解决	评估人工智能在甲状腺疾病管理中的应用效果与发展前景	甲状腺疾病患者（特别是甲状腺切除术后患者）的诊疗数据	医学人工智能	甲状腺疾病	机器学习、深度学习	NA	超声图像、CT/MRI影像、组织病理学数据、电子健康记录、可穿戴传感器数据	NA	NA	NA	良恶性结节鉴别率、不必要细针穿刺减少频率	NA
10426	2025-10-06	GAN-enhanced deep learning for improved Alzheimer's disease classification and longitudinal brain change analysis 2025, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2025.1587026 PMID:40600033	研究论文	本文提出一种结合GAN增强的深度学习方法，用于阿尔茨海默病分类和纵向脑变化分析	集成ResNet101与LSTM网络，引入PDPO和DCK创新层增强特征提取，并利用GAN模型识别AD的进展性	未明确说明模型计算复杂度、过拟合风险等具体限制	提高阿尔茨海默病分类准确性并分析疾病进展模式	阿尔茨海默病患者、轻度认知障碍患者和认知正常人群	医学影像分析	阿尔茨海默病	脑影像分析	CNN, LSTM, GAN	医学影像数据	ADNI和OASIS数据集	NA	ResNet101, LSTM	准确率	NA
10427	2025-10-06	Comparative analysis of convolutional neural networks and transformer architectures for breast cancer histopathological image classification 2025, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2025.1606336 PMID:40600038	研究论文	比较卷积神经网络和Transformer架构在乳腺癌组织病理图像分类中的性能	首次系统比较14种深度学习模型（包括CNN和Transformer架构）在乳腺癌病理图像分类任务中的表现，特别关注基础模型在数字病理中的应用潜力	仅使用BreakHis v1数据集，未在其他数据集上验证模型泛化能力；未详细分析模型计算效率和部署可行性	评估不同深度学习架构在乳腺癌病理图像分类中的性能差异	乳腺癌组织病理图像	数字病理	乳腺癌	组织病理学检查	CNN, Transformer	图像	BreakHis v1数据集	NA	AlexNet, VGG16, InceptionV3, ResNet50, Densenet121, MobileNetV2, ResNeXt, RegNet, EfficientNet_B0, ConvNeXT, ViT, DINOV2, UNI, GigaPath	准确率, 特异性, 召回率, F1分数, Cohen's Kappa系数, ROC曲线, AUC	NA
10428	2025-10-06	AlzheimerViT: harnessing lightweight vision transformer architecture for proactive Alzheimer's screening 2025, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2025.1568312 PMID:40600046	研究论文	本研究提出了一种轻量级视觉变换器架构AlzheimerViT，用于基于MRI图像的阿尔茨海默病早期筛查	采用轻量级自注意力机制的视觉变换器架构，结合全面的数据预处理和增强技术，在阿尔茨海默病预测中实现了高性能	研究基于单一数据集(OASIS-3)，需要进一步验证在其他数据集上的泛化能力	开发可靠的阿尔茨海默病早期筛查模型	阿尔茨海默病患者的大脑MRI图像	计算机视觉	阿尔茨海默病	MRI脑成像	Vision Transformer (ViT)	图像	OASIS-3数据集中的MRI图像	NA	轻量级视觉变换器	准确率, 精确率, 召回率, 特异性, Kappa分数, AUC ROC分数	NA
10429	2025-10-06	Auxiliary Diagnosis of Pulmonary Nodules' Benignancy and Malignancy Based on Machine Learning: A Retrospective Study 2025, Journal of multidisciplinary healthcare IF:2.7Q2 DOI:10.2147/JMDH.S518166 PMID:40600198	研究论文	基于机器学习模型预测肺结节良恶性的回顾性研究	开发了注意力机制增强的前馈神经网络(Atten_FNN)，并首次结合SHAP可解释性分析识别关键临床预测因子	单中心回顾性研究，跨中心泛化能力有限	开发非侵入性早期诊断方法，准确区分肺结节良恶性	3355例肺结节患者（良性1156例，恶性2199例）	机器学习	肺癌	CT影像，病理检查	SVM, RF, XGBoost, FNN, Atten_FNN	电子医疗记录，CT影像特征，实验室生物标志物	3355例患者	NA	前馈神经网络(带注意力机制)	AUC, 准确率, 敏感度, F1分数, 特异性	NA
10430	2025-10-06	[Research Trends Using Artificial Intelligence in the MRI from 1989 to 2023: Analysis Using Text Mining] 2025, Nihon Hoshasen Gijutsu Gakkai zasshi DOI:10.6009/jjrt.25-1480 PMID:40603060	研究论文	通过文本挖掘分析1989-2023年间MRI领域人工智能研究的趋势	首次使用文本挖掘方法系统分析MRI领域人工智能研究的发展趋势和热点演变	仅基于PubMed数据库的论文标题进行分析，未涉及全文内容	可视化MRI领域人工智能相关研究领域并理解研究趋势	1989-2023年间PubMed数据库中MRI领域应用人工智能的论文标题	自然语言处理	NA	文本挖掘	NA	文本	2870篇论文标题	NA	NA	Jaccard系数	NA
10431	2025-10-06	Elucidating linear programs by neural encodings 2025, Frontiers in artificial intelligence IF:3.0Q2 DOI:10.3389/frai.2025.1549085 PMID:40607448	研究论文	本文提出通过神经编码方法增强线性规划模型的可解释性	首次将可解释人工智能方法应用于线性规划模型，通过神经编码方式实现LP的解释	在低扰动水平下，Saliency和LIME归因方法难以区分	提高线性规划模型的可解释性，揭示输入与输出之间的关系	线性规划模型及其解决方案	机器学习	NA	神经编码方法	神经网络	数值数据	包括高达10k维度的大规模线性规划问题	NA	NA	归因方法评估	NA
10432	2025-10-06	Construction of a Fritillaria alkaloids database to develop a multi-dimensional matching strategy for comprehensive annotation of known and unknown components 2025-Oct, Food research international (Ottawa, Ont.) DOI:10.1016/j.foodres.2025.116827 PMID:40597534	研究论文	本研究构建了贝母生物碱多维数据库FasMID，并开发了整合四维结构信息的多维匹配策略，用于已知和未知成分的全面注释	开发了将固相萃取与LC/IM-QTOF-MS结合的维度增强方法，建立了包含248种贝母生物碱的多维数据库，提出了整合多维特征匹配策略	预测精度有待通过扩大样本来源和优化深度学习算法进一步提升	开发贝母生物碱的精确表征方法，提高已知和未知成分的鉴定准确性	贝母中的生物碱成分	机器学习	NA	固相萃取,液相色谱/离子淌度-四极杆飞行时间质谱	机器学习,深度学习	质谱数据,碰撞截面数据	248种贝母生物碱	NA	NA	鉴定准确率	NA
10433	2025-10-06	Predicting oxidative stability of Camellia oil based on multimodal data fusion strategy integrating NIR and Raman spectroscopies with chemometrics 2025-Oct, Food research international (Ottawa, Ont.) DOI:10.1016/j.foodres.2025.116842 PMID:40597544	研究论文	本研究开发了一种基于近红外和拉曼光谱多模态数据融合策略的山茶油氧化稳定性快速无损预测方法	首次采用三级数据融合策略（低层、中层和高层）协同整合近红外和拉曼光谱特征，显著提升氧化稳定性预测精度	当前方法仍受限于特定基质，未来需开发超越基质特异性限制的通用监测范式	建立山茶油氧化稳定性的快速无损检测方法	山茶油样品	化学计量学	NA	近红外光谱, 拉曼光谱, 化学计量学	NA	光谱数据	NA	NA	NA	相关系数R, 均方根误差RMSEC	NA
10434	2025-10-06	A 3D point cloud and deep learning based automated process for quantifying multi-scale phenotypes in sliced bread 2025-Oct, Food research international (Ottawa, Ont.) DOI:10.1016/j.foodres.2025.116865 PMID:40597561	研究论文	开发基于3D点云和深度学习的面包切片多尺度表型自动量化方法	提出使用低成本3D激光扫描仪获取面包三维结构，开发3D-PoreSegNet分割模型和两个新表型参数（孔隙分布和孔隙层分布）	NA	实现面包切片三维表型的自动化精确量化	面包切片及其孔隙结构	计算机视觉	NA	3D激光扫描，点云处理	深度学习分割模型	3D点云数据	NA	NA	3D-PoreSegNet	高度(97.3%)，长度(95.2%)，宽度(95.6%)，表面积(86.6%)，体积(82.8%)，对称指数(91.5%)，均匀性指数(93.4%)，最大孔隙直径(84.7%)，最大孔隙面积(82.6%)，孔隙数量(87.1%)，最大孔隙深度(90.3%)，最大孔隙体积(83.7%)，孔隙伸长率(78.5%)	NA
10435	2025-10-06	Microscope-Assisted Hypertensive Retinopathy Diagnosis Using Deep Learning Models 2025-Aug, Microscopy research and technique IF:2.0Q3 DOI:10.1002/jemt.24847 PMID:40129051	研究论文	提出一种基于U-Net和Dense-Net的深度学习模型，通过视网膜图像自动检测和分级高血压视网膜病变	结合U-Net血管分割和Dense-Net动静脉分类，通过计算动静脉比值实现自动HR检测和分级	仅使用单一数据集(AVRDB)进行验证，未提及在其他数据集上的泛化能力	开发自动化的高血压视网膜病变诊断和分级系统	视网膜图像中的血管网络	计算机视觉	心血管疾病	视网膜图像分析	CNN	图像	AVRDB数据集	NA	U-Net, Dense-Net	准确率	NA
10436	2025-10-06	Advances in disease detection through retinal imaging: A systematic review 2025-Aug, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110412 PMID:40482560	系统性综述	本文系统综述了利用机器学习技术从视网膜图像中检测疾病的研究进展	综合分析单模态和多模态视网膜成像方法在疾病检测中的应用，并指出未来研究方向	识别出机器学习在视网膜疾病检测中面临的若干关键挑战	探讨机器学习在视网膜图像疾病自动检测和分级中的应用	视网膜图像	计算机视觉	眼科疾病	视网膜成像	深度学习, 经典机器学习	图像	NA	NA	NA	准确率, 敏感度, 特异度	NA
10437	2025-10-06	Advancing respiratory disease diagnosis: A deep learning and vision transformer-based approach with a novel X-ray dataset 2025-Aug, Computers in biology and medicine IF:7.0Q1 DOI:10.1016/j.compbiomed.2025.110501 PMID:40494170	研究论文	本文通过构建新型X射线数据集并应用深度学习和视觉变换器技术，推进呼吸系统疾病的诊断分类研究	引入包含7867张X射线图像的新型多样化数据集，涵盖49种不同肺部疾病，并系统评估DL和ViT模型在呼吸系统疾病分类中的性能	综述范围仅限于2017-2024年，可能遗漏2017年前的基础性工作；AI技术快速发展可能使早期方法相关性降低；存在数据集偏差和X射线图像质量变化问题	改进呼吸系统疾病（如肺炎和COVID-19）的诊断分类，解决医学影像数据稀缺问题	X射线图像和呼吸系统疾病分类	计算机视觉	肺部疾病	X射线成像	深度学习, 视觉变换器(ViT)	X射线图像	7867张X射线图像，来自5263名患者，涵盖49种不同肺部疾病	NA	视觉变换器(ViT)	准确率, 精确率, 召回率, F1分数	NA
10438	2025-10-06	IDEA: Image database for earthquake damage annotation 2025-Aug, Data in brief IF:1.0Q3 DOI:10.1016/j.dib.2025.111733 PMID:40599425	数据论文	本文介绍了IDEA地震损伤标注图像数据库，包含5400多张经过标注的真实结构损伤图像	提出了基于结构工程共识的全面损伤本体论，覆盖多种结构类型和损伤类别，弥补了现有数据集的不足	NA	开发用于结构损伤检测和分类的深度学习方法的标注数据集	地震后和常规现场检查中收集的结构损伤图像	计算机视觉	NA	现场检查图像采集	NA	图像	超过5400张标注图像	NA	NA	NA	NA
10439	2025-10-06	Multitask Deep Learning Based on Longitudinal CT Images Facilitates Prediction of Lymph Node Metastasis and Survival in Chemotherapy-Treated Gastric Cancer 2025-Jul-02, Cancer research IF:12.5Q1 DOI:10.1158/0008-5472.CAN-24-4190 PMID:40305075	研究论文	基于纵向CT图像开发多任务深度学习模型CTSMamba，用于同时预测化疗治疗胃癌患者的淋巴结转移和总生存期	提出新型多任务深度学习架构co-attention tri-oriented spatial Mamba (CTSMamba)，能够同时预测淋巴结转移和生存期，并在多中心验证中表现优于临床模型	研究仅针对局部晚期胃癌患者，模型在其他类型胃癌或癌症中的适用性需要进一步验证	提高胃癌患者淋巴结转移和生存期预测的准确性，为临床决策提供指导	局部晚期胃癌患者	计算机视觉	胃癌	CT成像	深度学习	纵向CT图像	1,021例局部晚期胃癌患者（训练验证398例，外部验证623例）	NA	co-attention tri-oriented spatial Mamba (CTSMamba)	NA	NA
10440	2025-10-06	Evaluating artificial intelligence models for rupture risk prediction in unruptured intracranial aneurysms: a focus on vessel geometry and hemodynamic insights 2025-Jul-02, Neurosurgical review IF:2.5Q1 DOI:10.1007/s10143-025-03689-6 PMID:40593222	综述	评估人工智能模型在未破裂颅内动脉瘤破裂风险预测中的应用，特别关注血管几何形态和血流动力学特征的整合	将几何参数与血流动力学变量（如壁面剪切应力和血流动力学）整合到AI预测模型中，提供比传统尺寸评估更全面的患者特异性风险评估	缺乏大规模高质量数据集，模型预测结果解释性仍存在挑战	改进未破裂颅内动脉瘤的破裂风险预测方法	未破裂颅内动脉瘤	医学人工智能	颅内动脉瘤	计算流体动力学，血流动力学分析	SVM, CNN	几何形态数据，血流动力学参数	NA	NA	卷积神经网络，支持向量机	预测准确率	NA