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
1041	2025-12-27	WaveletHSI: Direct HSI Classification from Compressed Wavelet Coefficients via Sub-Band Feature Extraction and Fusion 2025-Dec-10, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging11120441 PMID:41440581	研究论文	本文提出了一种直接从压缩的小波系数进行高光谱图像分类的新框架，通过子带特征提取与融合，避免了数据解压缩的开销	针对高光谱图像压缩中使用的离散小波变换，设计了多分支特征提取器与子带交叉注意力机制，实现了在压缩域内的有效特征融合	未明确说明方法在极端压缩比下的性能表现，也未讨论计算资源消耗的详细对比	解决高光谱图像分类中数据解压缩带来的计算瓶颈，实现压缩域内的直接分类	高光谱图像	计算机视觉	NA	离散小波变换	深度学习模型	图像	三个基准数据集	NA	多分支特征提取器，子带交叉注意力机制	分类准确率	NA
1042	2025-12-27	Hybrid Multi-Scale Neural Network with Attention-Based Fusion for Fruit Crop Disease Identification 2025-Dec-10, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging11120440 PMID:41440580	研究论文	提出一种用于水果作物病害识别的混合多尺度神经网络架构，结合了Vision Transformer和多尺度卷积分支，并通过注意力融合模块提升性能	提出HMCT-AF with GSAF架构，首次将Vision Transformer与多尺度卷积分支结合，并引入新颖的注意力融合模块，以同时捕获高级上下文模式和细粒度局部信息，增强模型可解释性和分类性能	未明确提及模型在更广泛作物种类或极端环境条件下的泛化能力，也未详细讨论在资源受限边缘设备上的实际部署能耗与延迟	开发一种精确且高效的水果作物病害自动识别方法，以克服现有深度学习模型在复杂视觉背景、不同病害尺度及计算资源限制方面的挑战	水果作物的病害叶片图像	计算机视觉	水果作物病害	深度学习	CNN, Transformer	图像	PlantVillage（受控环境）和CLD（真实田间条件）两个数据集，具体样本数量未明确给出	未明确提及	Vision Transformer, EfficientNet, 传统CNN, HMCT-AF with GSAF（混合多尺度神经网络）	准确率	提及兼容边缘设备的硬件，但未具体说明训练或推理使用的GPU类型或云平台
1043	2025-12-27	Clinically Focused Computer-Aided Diagnosis for Breast Cancer Using SE and CBAM with Multi-Head Attention 2025-Dec-10, Tomography (Ann Arbor, Mich.) DOI:10.3390/tomography11120138 PMID:41441390	研究论文	本研究开发了一种基于深度学习的模型，用于从乳腺超声图像中高精度分类良性、恶性和正常组织	结合Squeeze-and-Excitation（SE）块、Convolutional Block Attention Module（CBAM）注意力机制与多头注意力（MHA）结构，有效学习局部纹理特征和全局上下文关系	未明确说明模型在更大规模或更多样化数据集上的泛化能力，以及临床部署中的实际验证情况	开发高精度的计算机辅助诊断系统，以改善乳腺癌的早期诊断和分类	乳腺超声图像和乳腺组织病理学图像	计算机视觉	乳腺癌	超声成像，组织病理学成像	CNN, Vision Transformer (ViT)	图像	未明确指定具体样本数量，但使用了乳腺超声图像数据集和乳腺组织病理学图像数据集	未明确指定，但可能基于PyTorch或TensorFlow等深度学习框架	结合SE块、CBAM和多头注意力（MHA）的自定义架构	准确率	NA
1044	2025-12-27	Deep learning methods for 2D material electronic properties 2025-Dec-09, Digital discovery IF:6.2Q1 DOI:10.1039/d5dd00155b PMID:41439261	综述	本文综述了深度学习技术在理解和预测二维材料电子结构方面的应用与影响	系统总结了深度学习（包括物理感知模型、生成式AI和逆向设计）在解决二维材料独特计算挑战、预测关键电子特性方面的创新应用	NA	探讨深度学习技术对二维材料电子结构理解和预测的影响	二维材料的电子结构	机器学习	NA	NA	深度学习模型	NA	NA	NA	NA	NA	NA
1045	2025-12-27	Texture-Based Preprocessing Framework with nnU-Net Model for Accurate Intracranial Artery Segmentation 2025-Dec-09, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging11120438 PMID:41440578	研究论文	提出一种结合纹理增强预处理框架与nnU-Net模型的颅内动脉分割方法，用于数字减影血管造影图像分析	提出融合局部对比度、局部熵和亮度阈值的纹理特征掩模预处理框架，显著提升血管连通性和拓扑准确性	未明确说明模型在其他血管数据集上的泛化能力及计算效率分析	提升时间序列DSA图像中颅内动脉分割的准确性和鲁棒性	数字减影血管造影图像中的颅内动脉结构	数字病理学	心血管疾病	数字减影血管造影	深度学习	医学图像	使用DIAS数据集（具体数量未说明）	nnU-Net	nnU-Net	Dice相似系数, 交并比, 血管连通性	NA
1046	2025-12-27	The Evolution of Artificial Intelligence in Ocular Toxoplasmosis Detection: A Scoping Review on Diagnostic Models, Data Challenges, and Future Directions 2025-Dec-08, Infectious disease reports IF:3.4Q2 DOI:10.3390/idr17060148 PMID:41440600	综述	本文是一篇范围综述，系统性地梳理了人工智能（特别是深度学习）在眼弓形虫病诊断自动化中的应用现状、数据挑战及未来方向	首次对AI在眼弓形虫病诊断领域的应用进行全面范围综述，系统性地总结了当前证据、数据格局和临床转化准备度，并指出了该领域从二元分类任务向复杂鉴别诊断工具发展的关键未来方向	纳入的研究普遍存在数据集小、不平衡、单中心、缺乏外部验证和可解释AI不足等问题，导致技术前景与临床实用性之间存在显著差距	梳理和评估人工智能在眼弓形虫病诊断中的应用现状、挑战及未来发展方向	关于人工智能应用于眼弓形虫病诊断的22项研究	计算机视觉	眼弓形虫病	多模态成像	CNN	图像	NA	NA	NA	准确率	NA
1047	2025-12-27	The Role of Artificial Intelligence in Imaging-Based Diagnosis of Retinal Dystrophy and Evaluation of Gene Therapy Efficacy 2025-Dec-05, Journal of personalized medicine IF:3.0Q1 DOI:10.3390/jpm15120605 PMID:41440968	综述	本文通过系统文献综述，探讨了人工智能（特别是深度学习）在遗传性视网膜营养不良的影像学诊断和基因疗法疗效评估中的应用与潜力	系统性地综述了2015年至2025年间AI在遗传性视网膜营养不良诊断和基因治疗监测中的应用，指出了AI在该领域优化诊疗路径的潜力	研究中存在数据可用性低、需要临床验证以及模型可解释性不足等局限性	评估人工智能在遗传性视网膜营养不良的影像诊断和基因疗法疗效监测中的应用效果与潜力	遗传性视网膜营养不良（IRDs）的影像数据	计算机视觉	遗传性视网膜营养不良	影像学分析	CNN	图像	NA	NA	NA	NA	NA
1048	2025-12-27	DiagNeXt: A Two-Stage Attention-Guided ConvNeXt Framework for Kidney Pathology Segmentation and Classification 2025-Dec-04, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging11120433 PMID:41440573	研究论文	本文提出了一种名为DiagNeXt的两阶段深度学习框架，用于肾脏病理图像的精确分割与分类	提出了一种集成了注意力增强ConvNeXt架构的两阶段框架，引入了增强卷积块、边界感知复合损失函数、注意力引导跳跃连接、分层多尺度特征建模以及结合分割质量指标的置信度调制分类方法	NA	解决医学图像中肾脏病理的精确分割与分类挑战	肾脏病理图像	数字病理学	肾脏疾病	CT成像	CNN	3D医学图像	3847名患者的肾脏CT数据集	PyTorch	ConvNeXt, U-Net	准确率, AUC	NA
1049	2025-12-27	Deep Learning Analysis of CBCT Images for Periodontal Disease: Phenotype-Level Concordance with Independent Transcriptomic and Microbiome Datasets 2025-Dec-03, Dentistry journal IF:2.5Q2 DOI:10.3390/dj13120578 PMID:41440336	研究论文	本研究开发了一个基于3D ResNet-18的深度学习模型，用于从CBCT图像中自动分类牙周炎，并探索了其与独立转录组和微生物组数据集在表型水平上的生物学一致性	首次将3D深度学习模型应用于CBCT图像进行牙周炎分类，并通过独立的转录组学和微生物组学数据验证了影像定义疾病类别的生物学相关性，实现了跨模态的表型一致性分析	模型特异性中等，影像数据来源于单中心，组学队列使用推断标签而非金标准，研究结果具有探索性，需要多中心数据和前瞻性配对队列验证	开发并验证一个基于CBCT图像的深度学习模型，用于标准化评估牙周炎，并探索其与生物学标志物的关联	牙周炎患者与健康个体的CBCT影像、牙龈转录组数据和口腔微生物组数据	计算机视觉	牙周病	锥形束计算机断层扫描（CBCT）、RNA微阵列（转录组学）、16S rRNA扩增子测序（微生物组学）	CNN	3D医学影像（CBCT体积数据）、基因表达数据、微生物丰度数据	CBCT数据集：403名患者（403个体积）；转录组队列：约220个样本；微生物组队列：未明确具体样本数	PyTorch	3D ResNet-18	AUROC, AUPRC, 灵敏度, 特异性, 准确率, 校准指标	未明确指定
1050	2025-12-27	Decoding protein binding plasticity via integrated deep ribosome display and deep learning 2025-Dec-02, Communications biology IF:5.2Q1 DOI:10.1038/s42003-025-09160-y PMID:41331327	研究论文	本文介绍了一个结合深度实验筛选与深度学习的平台，用于解码蛋白质结合可塑性	开发了一个去除了所有已知核糖体终止和拯救功能的核糖体展示系统，并整合深度学习来系统探索蛋白质结合可塑性	NA	解码蛋白质结合可塑性，以理解生物网络和从头蛋白质设计	蛋白质相互作用，特别是链霉亲和素结合活性	机器学习	NA	核糖体展示	深度学习	序列数据	4780万个独特肽段	NA	NA	皮尔逊相关系数	NA
1051	2025-12-27	Deep Learning-Based Image Steganography with Latent Space Embedding and Smart Decoder Selection 2025-Dec-02, Entropy (Basel, Switzerland) DOI:10.3390/e27121223 PMID:41440426	研究论文	本文提出了一种基于深度学习的图像隐写术框架，通过潜在空间嵌入和智能解码器选择，实现了安全隐蔽的数据传输	提出了自适应多编码器-解码器对框架，能够动态适应不同的秘密数据类型，并采用优化的架构和专门组件，显著提升了隐写性能和抗检测能力	未明确提及具体的数据集规模限制或计算资源需求，也未讨论在极端噪声或压缩条件下的性能表现	开发一种更安全、鲁棒且适应性强的图像隐写方法，以提升隐蔽通信的可靠性和隐私保护能力	图像隐写术，秘密数据嵌入与提取，隐写图像质量与安全性	计算机视觉	NA	深度学习	GAN, 自编码器	图像	NA	NA	自适应多编码器-解码器对	秘密恢复准确率（SRA）, 结构相似性指数（SSIM）, 峰值信噪比（PSNR）, 曲线下面积（AUC）	NA
1052	2025-12-27	Imaging Diagnosis of Mild Cognitive Impairment: A Bibliometric Analysis (1999-2024) 2025-Dec, Brain and behavior IF:2.6Q3 DOI:10.1002/brb3.71144 PMID:41431290	文献计量分析	本文对轻度认知障碍影像诊断领域（1999-2024年）的研究进行了全面的文献计量分析，以揭示全球研究趋势、关键贡献者、主题集群和新兴主题	首次对长达25年的MCI影像诊断研究进行系统的文献计量分析，揭示了研究趋势从早期生物标志物和影像研究向当前人工智能和多模态成像的演变	分析仅基于Web of Science核心合集的英文出版物，可能遗漏其他语言或数据库的相关研究	阐明轻度认知障碍影像诊断领域的全球研究趋势、关键贡献者、主题集群和新兴主题	1999年至2024年间Web of Science核心合集中与MCI影像诊断相关的英文出版物	医学影像分析	阿尔茨海默病	文献计量分析	NA	文献元数据	7,568篇文章	VOSviewer, CiteSpace, R-bibliometrix	NA	NA	NA
1053	2025-12-27	Developing Topics 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70861_108226 PMID:41434480	研究论文	本研究利用深度学习结合注意力机制进行海马体分割，以检测阿尔茨海默病和轻度认知障碍中的加速萎缩模式	采用轻量级深度学习方法进行海马体分割，结合统计建模实现高灵敏度检测，为大规模分析提供自动化工具	研究目前仅展示初步结果，完整队列分析仍在进行中，需要大规模验证	开发用于早期检测阿尔茨海默病和轻度认知障碍中海马体萎缩的自动化工具	阿尔茨海默病和轻度认知障碍患者	数字病理学	阿尔茨海默病	纵向T1加权MRI扫描	深度学习模型	MRI图像	计划每组150名患者，共300名患者	NA	注意力机制模型	Dice相似性分数	NA
1054	2025-12-27	Public Health 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70860_100850 PMID:41434616	研究论文	本研究整合MRI成像数据和临床信息，开发了一种基于深度学习的阿尔茨海默病和轻度认知障碍分类模型	提出了一种基于DenseNet-196和交叉注意力机制的多模态分类模型，用于阿尔茨海默病和轻度认知障碍的识别	研究仅使用公开的ADNI数据集，可能缺乏外部验证和更广泛的样本多样性	开发深度学习模型以辅助阿尔茨海默病和轻度认知障碍的早期临床诊断	阿尔茨海默病患者和轻度认知障碍患者的MRI扫描图像及临床数据	数字病理学	阿尔茨海默病	MRI成像	深度学习, CNN	图像, 临床数据	使用公开的ADNI数据集，具体样本数量未明确说明	NA	DenseNet-196	准确率, 灵敏度, 特异性, F1分数, AUC	NA
1055	2025-12-27	Developing Topics 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70861_108879 PMID:41434742	研究论文	本研究探讨了原发性tau蛋白病中，特定tau蛋白形式及其聚集如何影响线粒体自噬（mitophagy）在不同易感脑区和细胞类型中的变化	首次将线粒体自噬标记pS65-Ub与多种原发性tau蛋白病（如PART、PiD、PSP、CBD）中的特定tau包涵体关联，揭示了不同细胞类型中线粒体自噬的异质性变化	研究主要基于尸检脑组织，无法动态观察线粒体自噬过程；样本量有限（92例），且手动计数pS65-Ub阳性细胞可能引入主观偏差	阐明不同tau蛋白物种及其聚集对线粒体自噬的影响，以理解tau蛋白病的病理机制	92例对照和tau蛋白病病例（包括PART、PiD、PSP、CBD）的脑组织样本	数字病理学	tau蛋白病	免疫组织化学、免疫荧光共染色、深度学习图像识别	深度学习图像识别模型	图像	92例脑组织样本（包括对照和tau蛋白病病例）	NA	NA	NA	NA
1056	2025-12-27	Public Health 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70860_099719 PMID:41435160	研究论文	本研究开发了一种基于Transformer架构的深度学习模型，用于预测阿尔茨海默病患者的医疗资源利用和疾病进展	首次将Transformer架构应用于阿尔茨海默病医疗资源利用和疾病进展的预测，通过将临床事件和资源使用编码为序列令牌来学习复杂的时间模式	模型在预测下一个事件令牌时的准确率约为40%，可能存在改进空间，且研究基于瑞典数据，泛化性需进一步验证	评估阿尔茨海默病新型疾病修饰疗法的成本效益和疾病进展影响，以支持决策制定和政策发展	阿尔茨海默病患者	机器学习	阿尔茨海默病	深度学习	Transformer	纵向数据，包括医疗资源使用、生物标志物和死亡率数据	基于瑞典痴呆症登记处（SveDem）的纵向数据，具体样本数量未明确说明	NA	Transformer	下一个事件令牌的预测准确率，MMSE分数的预测误差（±2分）	NA
1057	2025-12-27	Basic Science and Pathogenesis 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70855_101581 PMID:41436086	研究论文	本研究利用深度学习提取的脑老化模式，在阿尔茨海默病测序项目队列中分析了脑萎缩模式与全基因组遗传变异之间的关联	首次在大型队列中系统评估了五种新近建立的脑老化模式指数（R-indices）与诊断组及全基因组遗传因素的关联，为神经退行性变的异质性提供了新的遗传学见解	研究样本主要来自阿尔茨海默病测序项目，可能限制了结果在其他人群中的普适性；横断面设计难以推断因果关系	探索与脑老化相关的脑萎缩模式及其遗传基础，以理解神经退行性变的异质性	阿尔茨海默病测序项目中的2401名参与者（包括认知正常、轻度认知障碍和阿尔茨海默病患者）	数字病理学	阿尔茨海默病	全基因组测序，T1加权磁共振成像	深度学习（具体模型未在摘要中指定）	影像数据（区域脑体积），基因组数据	2401名受试者（年龄72.75±9.08岁，54.07%为女性）	NA	NA	Cohen's d（效应量），p值	NA
1058	2025-12-27	Basic Science and Pathogenesis 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70855_100741 PMID:41436073	研究论文	提出一种能够处理不完整多组学数据的阿尔茨海默病预测方法，通过特征重要性分析识别关键生物标志物	开发了一种新型模型，能够有效整合不完整的多组学数据，防止模态塌陷，并通过特征重要性分析验证生物标志物	未明确说明模型在外部验证集上的泛化能力或计算效率的具体限制	整合多组学数据以预测阿尔茨海默病并识别相关生物标志物	来自ROSMAP等大型联盟数据库的多组学数据样本	机器学习	阿尔茨海默病	多组学数据整合	深度学习模型	多组学数据	未明确指定具体样本数量，但提及使用完整和不完整多组学样本进行训练	未明确指定，可能为PyTorch或TensorFlow	包含编码器、聚合器和预测器的自定义架构	准确率	NA
1059	2025-12-27	Basic Science and Pathogenesis 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70855_102546 PMID:41436381	研究论文	本文介绍了韩国为推进阿尔茨海默病研究而建立的试验就绪注册表和K-Dementia平台，旨在通过标准化和整合痴呆相关数据集来识别潜在治疗靶点和生物标志物	开发了最小通用数据集和基于SNOMED-CT的标准化模型，并创建了集中式数据库系统与AWS集成的云平台，以支持安全的数据分析和全球协作	NA	通过标准化和整合痴呆相关数据集，识别阿尔茨海默病的潜在治疗靶点和生物标志物，以推进该领域的研究	阿尔茨海默病患者及痴呆相关临床数据与生物样本	数字病理学	阿尔茨海默病	临床评估、认知评估、磁共振成像、Florbetaben-PET、Flutemetamol-PET、血液检测	深度学习	临床数据、影像数据、血液样本数据	试验就绪注册表目标招募3000名参与者，截至2024年12月已招募超过2000名；K-Dementia平台回顾性收集了超过10000个数据集	NA	NA	NA	AWS云平台
1060	2025-12-27	Basic Science and Pathogenesis 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70855_102535 PMID:41436748	研究论文	本研究利用单核RNA测序和空间表观基因组学，结合深度神经网络框架，探索了环状RNA在阿尔茨海默病中的调控机制及其表观转录组修饰的作用	开发了定制化的深度神经网络模型CircEpiNet，首次整合单核RNA测序与空间表观基因组学数据，系统识别并验证了阿尔茨海默病中具有显著表观转录组修饰的环状RNA及其分子功能影响	研究主要基于已公开的脑组织数据集，样本量相对有限，且模型预测结果仍需在更大队列或实验模型中进一步验证	探究环状RNA及其表观转录组修饰在阿尔茨海默病发病机制中的作用，识别潜在的分子调控网络和治疗靶点	阿尔茨海默病患者脑组织样本中的环状RNA、表观转录组修饰（如m6A、m5C）以及相关的神经元与胶质细胞功能	机器学习	阿尔茨海默病	单核RNA测序（snRNA-seq）、空间表观基因组学	深度神经网络（DNN）	RNA测序数据、表观基因组数据	107个脑样本和377个组织切片，来源于皮质灰质、白质和海马区域	NA	CircEpiNet（定制化DNN模型）	AUROC	NA