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
1061	2026-01-22	Computational characterization of lymphocyte topology on whole slide images of glomerular diseases 2025-Apr-14, medRxiv : the preprint server for health sciences DOI:10.1101/2025.04.12.25325548 PMID:40321276	研究论文	本研究利用深度学习与图模型，对肾小球疾病全玻片图像中的淋巴细胞拓扑结构进行量化表征，并评估其与疾病进展的临床关联	开发了一种新颖的基于图的生境聚类算法，以识别密集与稀疏的淋巴细胞生境，并提取高维病理组学特征来捕获传统视觉评估无法捕捉的炎症模式复杂性	研究样本仅包含FSGS和MCD两种肾小球疾病，且依赖于单张H&E染色全玻片图像	通过计算量化淋巴细胞炎症的拓扑结构，并测试其临床相关性，以增强对MCD/FSGS疾病进展的预测能力	肾小球疾病患者的肾组织全玻片图像	数字病理学	肾小球疾病	全玻片图像分析	深度学习模型	图像	333名NEPTUNE/CureGN参与者（155例FSGS，178例MCD），每人一张H&E染色全玻片图像	NA	NA	一致性指数	NA
1062	2026-01-22	SVMVGGNet-16: A Novel Machine and Deep Learning Based Approaches for Lung Cancer Detection Using Combined SVM and VGGNet-16 2025, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056348824241224100809 PMID:39773067	研究论文	本文提出了一种结合SVM和VGGNet-16的混合模型SVMVGGNet-16，用于肺癌检测，并在LIDC-IDRI数据集上验证了其性能	创新性地将VGGNet-16与SVM结合，形成混合模型SVMVGGNet-16，利用CNN进行特征提取和SVM进行分类，以提高肺癌检测的准确性和可靠性	未来工作包括模型优化、数据集扩展、临床试验以及系统集成到临床实践中，以确保实际可用性	通过集成机器学习和深度学习方法来增强肺癌检测，实现早期和准确诊断	肺癌类型，包括腺癌、大细胞癌、正常组织和鳞状细胞癌	计算机视觉	肺癌	图像预处理（中值滤波和直方图均衡化）、分割（阈值和边缘检测）、特征提取（几何特征）	CNN, SVM	图像	使用LIDC-IDRI数据集，具体样本数量未在摘要中明确说明	NA	VGGNet-16	准确率, AUC, 召回率, 精确率, F1分数	NA
1063	2026-01-22	Challenges and Advances in Classifying Brain Tumors: An Overview of Machine, Deep Learning, and Hybrid Approaches with Future Perspectives in Medical Imaging 2025, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056365191250602124819 PMID:40511649	综述	本文全面综述了利用机器学习和深度学习模型，特别是基于MRI医学影像数据，提升脑肿瘤分类准确性和效率的方法、挑战及未来展望	系统比较了从经典机器学习算法到先进深度学习模型及混合架构在脑肿瘤分类中的应用，并提出了融合多模态成像、可解释AI框架和隐私保护技术等未来方向	面临标注数据集稀缺、计算复杂度高、模型可解释性不足以及临床整合障碍等挑战	提升脑肿瘤分类的准确性和效率，以支持治疗决策和改善患者预后	脑肿瘤，包括胶质瘤、脑膜瘤和转移性脑病变	医学影像	脑肿瘤	磁共振成像	SVM, Decision Trees, CNN, RNN, 混合架构	图像	NA	NA	NA	准确率, 灵敏度, 特异性, AUC-ROC	NA
1064	2026-01-22	Evaluation of Deep Learning Methods for Pulmonary Disease Classification 2025, Current medical imaging IF:1.1Q3 DOI:10.2174/0115734056388107250710120917 PMID:40692157	研究论文	本研究评估了深度学习模型在肺病分类中的应用，通过结合多种音频特征和CNN-RNN-LSTM架构，提出了一种多特征深度学习模型，实现了92%的最高准确率	提出了一种结合MFCC、Chroma STFT和频谱图特征的多特征深度学习模型，并整合CNN、RNN和LSTM架构，显著提升了肺病分类的准确率	数据集中慢性阻塞性肺疾病样本过多，而上下呼吸道感染样本较少，导致模型在测试音频样本上的泛化能力受限	提高肺病检测的准确性，通过深度学习技术改进诊断方法	肺病分类，具体包括慢性阻塞性肺疾病、下呼吸道感染和上呼吸道感染	机器学习	肺病	听诊录音分析，包括频谱图、色度图和MFCC特征提取	CNN, RNN, LSTM	音频	未明确指定样本数量，但提及数据集有限且不平衡	未明确指定，可能为TensorFlow或PyTorch	CNN, RNN, LSTM	准确率	未明确指定
1065	2026-01-22	Oral-Anatomical Knowledge-Informed Semi-Supervised Learning for 3D Dental CBCT Segmentation and Lesion Detection 2025, IEEE transactions on automation science and engineering : a publication of the IEEE Robotics and Automation Society IF:5.9Q1 DOI:10.1109/tase.2025.3530936 PMID:40918035	研究论文	本文提出了一种新颖的口腔解剖知识引导的半监督学习模型（OAK-SSL），用于3D牙科CBCT图像分割和病变检测	OAK-SSL能够将定性的口腔解剖知识（如病变可能位置）整合到深度学习设计中，包括知识量化表示、知识引导的双任务学习架构和知识引导的半监督损失函数	NA	开发自动化3D牙科CBCT图像分割和病变检测方法，以提升牙科医疗质量和效率	包含小病变的3D牙科CBCT图像	计算机视觉	牙科疾病	锥形束计算机断层扫描（CBCT）	深度学习	3D图像	NA	NA	OAK-SSL	NA	NA
1066	2026-01-21	The Intelligent Evolution of Radar Signal Deinterleaving: A Systematic Review from Foundational Algorithms to Cognitive AI Frontiers 2025-Dec-31, Sensors (Basel, Switzerland) DOI:10.3390/s26010248 PMID:41516682	综述	本文系统回顾了雷达信号分选领域从基础算法到认知人工智能前沿的智能演进历程	提供了一个统一数学框架，全面连接了算法演进与现代电磁环境的挑战，并深入探讨了深度学习、自监督学习、元学习、多站融合及大语言模型集成等新兴前沿	NA	系统分析雷达信号分选技术的发展，并指导未来端到端智能自主分选系统的研究	雷达信号分选算法与技术	机器学习	NA	NA	RNN, Transformer, CNN, GNN	信号数据	NA	NA	RNN, Transformer, CNN, GNN	NA	NA
1067	2026-01-21	Functional architecture of cardiac TF regulatory landscapes in control of mammalian heart development 2025-Dec-22, bioRxiv : the preprint server for biology DOI:10.64898/2025.12.19.695499 PMID:41509364	研究论文	本研究通过功能基因组学方法，揭示了控制哺乳动物心脏发育的转录因子调控景观的功能架构	整合单核多组学分析、深度学习、位点特异性转基因和染色质构象建模，首次系统绘制了心脏增强子库和调控特征图谱，并发现了上游调控区间在转录控制中的关键作用	研究主要基于小鼠胚胎模型，人类心脏发育的调控景观可能存在物种特异性差异	解析先天性心脏病相关的基因调控网络，阐明心脏发育过程中转录因子剂量控制的增强子架构	小鼠胚胎心脏、心脏转录因子（如Mef2c、Tbx5）、心脏增强子模块	基因组学	先天性心脏病	单核多组学分析、基因组编辑、位点特异性转基因、染色质构象捕获	深度学习模型	基因组序列、单细胞多组学数据、染色质构象数据	小鼠胚胎心脏样本（具体数量未明确说明）	NA	NA	NA	NA
1068	2026-01-21	A Multi-phase CT Dataset for Automated Differential Diagnosis of Liver Tumors 2025-Dec-15, Scientific data IF:5.8Q1 DOI:10.1038/s41597-025-06343-4 PMID:41392114	研究论文	本文介绍了一个用于肝脏肿瘤自动鉴别诊断的多期相CT数据集MCT-LTDiag	提出了一个包含517个病例、涵盖五个肿瘤亚型的标准化多期相CT数据集，并展示了多期相整合能显著提升诊断性能	NA	开发一个用于肝脏肿瘤自动鉴别诊断的基准数据集	肝脏肿瘤患者的多期相CT扫描图像	数字病理学	肝癌	多期相对比增强CT扫描	机器学习,深度学习	图像	517个病例	NA	NA	NA	NA
1069	2026-01-21	Renji endoscopic submucosal dissection video data set for Esophagus 2025-Dec-10, Scientific data IF:5.8Q1 DOI:10.1038/s41597-025-06252-6 PMID:41372209	研究论文	本研究介绍了首个公开的食管内镜黏膜下剥离术视频数据集，包含25个手术视频和141,909个阶段标注	这是首个公开的、包含全面阶段标注的食管ESD视频数据集	数据集规模相对较小（仅25个手术视频），可能限制模型的泛化能力	为人工智能辅助内镜手术提供高质量的标注数据集，支持手术阶段识别研究	食管内镜黏膜下剥离术（ESD）视频	计算机视觉	食管疾病	内镜黏膜下剥离术（ESD）	深度学习	视频	25个手术视频，包含141,909个阶段标注	NA	NA	NA	NA
1070	2026-01-21	Mutualistic Multi-Network Noisy Label Learning (MMNNLL) Method and Its Application to Transdiagnostic Classification of Bipolar Disorder and Schizophrenia 2025-Dec, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2025.3585880 PMID:40614156	研究论文	本文提出了一种互惠多网络噪声标签学习方法，旨在通过神经影像数据提高双相情感障碍和精神分裂症的跨诊断分类准确性	提出了一种新的互惠多网络噪声标签学习方法，通过最大化深度神经网络在识别和利用干净与噪声标签样本时的一致性，有效处理临床诊断中可能存在的偏差或错误	未明确说明方法在更广泛精神疾病或不同神经影像数据上的泛化能力	提高精神疾病的诊断准确性，特别是针对双相情感障碍和精神分裂症的跨诊断分类	双相情感障碍和精神分裂症患者	机器学习	精神疾病	神经影像数据（功能连接性）	深度神经网络	图像数据（神经影像）	未明确指定患者样本数量，但使用了公共CIFAR-10和PathMNIST数据集进行验证	未明确指定	未明确指定	分类准确率	NA
1071	2026-01-21	Depthwise-Dilated Convolutional Adapters for Medical Object Tracking and Segmentation Using the Segment Anything Model 2 2025-Dec, Machine learning: science and technology DOI:10.1088/2632-2153/ae13d1 PMID:41551748	研究论文	提出了一种用于医学视频对象跟踪与分割的高效适配框架DD-SAM2，通过深度可分离扩张卷积适配器增强SAM2的多尺度特征提取能力	首次系统性地探索了基于适配器的微调策略，将Segment Anything Model 2应用于医学视频分割与跟踪，并充分利用其流式记忆机制	需要在有限训练数据的医学视频上进行微调，可能对数据稀缺场景的泛化能力存在限制	开发一种高效适配框架，提升SAM2在动态医学影像场景中的对象跟踪与分割性能	医学视频中的肿瘤分割和左心室跟踪	计算机视觉	肿瘤，心血管疾病	深度学习，视频分割	适配器微调框架	医学视频	TrackRad2025和EchoNet-Dynamic数据集	PyTorch	Segment Anything Model 2, Depthwise-Dilated Adapter	Dice系数	NA
1072	2026-01-21	Deep learning reconstruction for fast cardiovascular magnetic resonance imaging protocol: A comparative study with conventional cardiovascular magnetic resonance 2025-Nov-28, Journal of cardiovascular magnetic resonance : official journal of the Society for Cardiovascular Magnetic Resonance IF:4.2Q1 DOI:10.1016/j.jocmr.2025.102017 PMID:41318031	研究论文	本研究比较了压缩感知人工智能算法与传统灵敏度编码重建在加速心血管磁共振成像、提升图像质量和保持诊断准确性方面的表现	前瞻性验证了深度学习重建算法在多种临床序列（Cine、T2 STIR、LGE）中加速CMR采集、提升图像质量并保持诊断准确性的潜力	研究样本量相对有限（105名参与者），且未明确说明深度学习模型的具体架构细节	评估压缩感知人工智能算法在加速心血管磁共振成像采集、提升图像质量和保持诊断准确性方面的功能	105名计划进行临床心血管磁共振检查的参与者	医学影像分析	心血管疾病	心血管磁共振成像	深度学习	医学图像	105名参与者	NA	NA	信噪比, 对比噪声比, 边缘锐度, 心室功能参数, T2信号强度比, 晚期钆增强百分比, 主观图像质量评分（5点李克特量表）	NA
1073	2026-01-21	Deep Learning Architectures for Code-Modulated Visual Evoked Potentials Detection 2025-Nov-26, ArXiv PMID:41356065	研究论文	本研究提出并评估了多种深度学习架构，用于检测基于代码调制视觉诱发电位的非侵入性脑机接口，显著提升了单次试验解码的准确性和鲁棒性	引入了基于Siamese网络的相似性解码方法，并采用Earth Mover's Distance及其约束版本作为距离度量，相比传统欧氏和马氏距离，对EEG信号中的时间延迟变化表现出更强的鲁棒性	研究仅涉及13名健康成年人，样本量较小，且未在患者群体或更复杂环境中验证	开发高鲁棒性的解码方法，以解决基于代码调制视觉诱发电位的非侵入性脑机接口中EEG信号的时间变异性和会话依赖性噪声问题	健康成年人的脑电图信号	机器学习	NA	脑电图记录	CNN, Siamese网络	脑电图信号	13名健康成年人	NA	卷积神经网络, Siamese网络	准确率	NA
1074	2026-01-21	AI-aided segmentation of four types of drusen in volumetric OCT 2025-Nov-01, Biomedical optics express IF:2.9Q2 DOI:10.1364/BOE.566705 PMID:41293704	研究论文	本文提出了一种结合卷积神经网络进行自动玻璃膜疣分割和专用分类模块的深度学习框架，用于从OCT图像中准确分割和分类四种临床相关的玻璃膜疣类型	开发了一个深度学习框架，首次结合自动分割和分类模块，能够区分四种临床相关的玻璃膜疣类型，并在定量分析方面显示出显著改进	NA	实现年龄相关性黄斑变性（AMD）中玻璃膜疣的客观评估和监测	光学相干断层扫描（OCT）图像中的玻璃膜疣	计算机视觉	年龄相关性黄斑变性	光学相干断层扫描（OCT）	CNN	图像	NA	NA	NA	Dice系数, 临界成功指数	NA
1075	2026-01-21	DeepWheat: predicting the effects of genomic variants on gene expression and regulatory activities across tissues and varieties in wheat using deep learning 2025-Sep-29, Genome biology IF:10.1Q1 DOI:10.1186/s13059-025-03809-x PMID:41024142	研究论文	本文提出了一个名为DeepWheat的深度学习框架，用于预测小麦中基因组变异对基因表达和调控活性的影响	开发了DeepWheat框架，包含DeepEXP和DeepEPI两个模型，能够整合序列和表观基因组特征进行组织特异性基因表达预测，并支持跨品种的模型迁移	NA	预测小麦中基因组变异对组织特异性基因表达和调控活性的影响，以支持作物功能基因组学和育种	小麦	机器学习	NA	深度学习	深度学习模型	基因组序列, 表观基因组数据	五个小麦品种	NA	DeepEXP, DeepEPI	皮尔逊相关系数	NA
1076	2026-01-21	Automated grading and staging of ovarian cancer using deep learning on the transmission optical microscopy bright-field images of thin biopsy tissue samples 2025-May-15, ArXiv PMID:40463694	研究论文	本研究提出了一种基于深度学习的框架，用于自动化预测卵巢癌分期，利用常规组织病理学图像实现高精度分类	首次将迁移学习与ResNet-101结合，并采用遗传算法优化超参数，以自动化方式对卵巢癌组织切片进行分级和分期	未提及模型在外部验证集上的泛化能力，且数据来源和样本多样性可能有限	开发自动化方法以辅助卵巢癌的诊断和分期，减少人工评估的时间和主观差异	卵巢癌薄组织活检样本的透射光学显微镜明场图像	数字病理学	卵巢癌	组织病理学成像	CNN	图像	NA	PyTorch, TensorFlow	ResNet-101	准确率	NA
1077	2026-01-21	Weakly Supervised Deep Learning Can Analyze Focal Liver Lesions in Contrast-Enhanced Ultrasound 2025, Digestion IF:3.0Q2 DOI:10.1159/000545098 PMID:40049151	研究论文	本研究评估了一种弱监督深度学习模型在对比增强超声（CEUS）中区分恶性与良性局灶性肝病变（FLLs）的性能	采用弱监督注意力机制的多实例学习算法，无需手动标注，仅使用病例标签即可分类肝病变	回顾性研究，样本来自单一三级医院，可能限制泛化能力	评估弱监督深度学习在CEUS中自动分类肝病变恶性与否的可行性	局灶性肝病变（FLLs）患者	计算机视觉	肝病	对比增强超声（CEUS）	深度学习	图像	370名患者，共955,938张图像	NA	注意力机制的多实例学习算法	AUC, 准确率, 灵敏度, 特异度, F1分数	NA
1078	2026-01-21	Fluid and White Matter Suppression contrasts MRI improves Deep Learning detection of Multiple Sclerosis Cortical Lesions 2025, NeuroImage. Clinical DOI:10.1016/j.nicl.2025.103818 PMID:40695098	研究论文	本研究探讨了流体和白质抑制（FLAWS）MRI序列在提高深度学习模型检测和分割多发性硬化（MS）患者皮质病变方面的效果，并开发了能泛化到仅使用标准T1加权图像（MPRAGE）的临床环境的模型	首次将FLAWS MRI序列与深度学习结合，显著提升了皮质病变的检测和分割性能，并实现了从先进研究序列到常规临床序列的知识迁移和泛化	研究基于多中心数据，但样本量相对有限（204名患者），且外部验证仅在一个机构进行，可能影响模型的广泛适用性	提高多发性硬化患者皮质病变的自动检测和分割准确性，并促进深度学习模型在临床环境中的实际应用	多发性硬化（MS）患者的MRI图像，特别是皮质病变	数字病理学	多发性硬化	FLAWS MRI序列、MP2RAGE序列、MPRAGE序列	深度学习模型	MRI图像	204名多发性硬化患者	NA	NA	F1-score, DSC	NA
1079	2026-01-21	From CNNs to SAM: A Survey of Deep Learning Techniques for Liver Tumor Segmentation in CT Images 2025, IEEE access : practical innovations, open solutions IF:3.4Q2 DOI:10.1109/access.2025.3631322 PMID:41550585	综述	本文对基于深度学习的CT图像肝脏肿瘤分割技术进行了全面综述，分析了100多篇相关研究论文	从CNN到SAM等多个维度系统梳理了肝脏肿瘤分割领域的发展脉络与新兴趋势，并探讨了不同方法选择的影响	作为综述文章，主要总结现有研究，未提出新的模型或方法	综述深度学习技术在CT图像肝脏肿瘤分割领域的研究进展与应用	肝脏肿瘤的CT图像分割	计算机视觉	肝癌	CT成像	深度学习模型	CT图像	NA	NA	CNN, SAM	NA	NA
1080	2026-01-20	Large scale prospective evaluation of co-folding across 557 Mac1-ligand complexes and three virtual screens 2025-Dec-29, bioRxiv : the preprint server for biology DOI:10.64898/2025.12.25.696505 PMID:41509292	研究论文	本文对三种共折叠方法（AlphaFold3、Boltz-2、Chai-1）在557个Mac1-配体复合物结构预测及三个虚拟筛选中的性能进行了大规模前瞻性评估	使用训练截止日期后确定的557个SARS-CoV-2 NSP3宏结构域（Mac1）配体复合物作为独立测试集，系统评估共折叠方法的预测能力，并首次在多个受体系统中前瞻性测试共折叠评分对虚拟筛选结果的重新排序效果	共折叠预测未能重现常见的蛋白质构象重排（如肽段翻转和大环开口），且AF3的配体姿态置信度在区分真实配体与假阳性方面的效果不如对接评分或Boltz-2亲和力预测	评估深度学习共折叠方法在预测配体-蛋白质复合物结构及亲和力排序方面的准确性与实用性	SARS-CoV-2 NSP3宏结构域（Mac1）的557个配体复合物，以及AmpC β-内酰胺酶、多巴胺D4受体和σ受体的配体	计算生物学	COVID-19	共折叠方法、虚拟筛选、分子对接	深度学习模型	蛋白质-配体复合物结构数据	557个Mac1-配体复合物，以及三个受体系统（AmpC β-内酰胺酶、多巴胺D4受体、σ受体）的数百个分子	NA	AlphaFold3, Boltz-2, Chai-1	RMSD, 相关系数, 平均绝对误差	NA