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
1081	2026-01-20	COMPASS: Computational mapping of patient-therapist alliance strategies with language modeling 2025-May-15, Translational psychiatry IF:5.8Q1 DOI:10.1038/s41398-025-03379-3 PMID:40374613	研究论文	本文介绍了一个名为COMPASS的新框架，利用大型语言模型从心理治疗会话的自然语言中直接推断治疗工作联盟，并分析不同精神疾病条件下的主题特征	首次提出直接使用大型语言模型分析心理治疗会话转录本，以映射到工作联盟量表等心理测量工具，提供细粒度的患者-治疗师对齐轨迹映射和可解释的临床见解	数据收集时间跨度较长（1970-2012年），可能包含过时的治疗实践；样本量在某些疾病类别中较小（如自杀倾向仅12个会话）	开发一个计算框架，从心理治疗会话的语言中推断治疗工作联盟，以增强对治疗互动的理解并提供临床反馈	心理治疗会话转录本，涵盖焦虑、抑郁、精神分裂症和自杀倾向等多种精神疾病患者	自然语言处理	精神疾病	语言建模，主题建模	大型语言模型（LLM），深度学习模型	文本（会话转录本）	超过950个心理治疗会话，包括焦虑（498个）、抑郁（377个）、精神分裂症（71个）和自杀倾向（12个）	NA	NA	NA	NA
1082	2026-01-20	Bi-level graph learning unveils prognosis-relevant tumor microenvironment patterns in breast multiplexed digital pathology 2025-Mar-14, Patterns (New York, N.Y.) DOI:10.1016/j.patter.2025.101178 PMID:40182181	研究论文	本文提出了一种数据驱动且可解释的双层图学习方法，用于识别与患者预后相关的肿瘤微环境细胞模式	引入双层图模型（细胞图和群体图）来识别可泛化的生物标志物，克服了传统深度学习方法预测不可解释的局限性	NA	识别与乳腺癌患者预后相关的肿瘤微环境空间细胞模式	乳腺癌肿瘤微环境中的细胞模式	数字病理学	乳腺癌	多重数字病理学	图模型	图像	在两个独立队列中验证	NA	双层图模型（细胞图、群体图）	NA	NA
1083	2026-01-20	LDCT image biomarkers that matter most for the deep learning classification of indeterminate pulmonary nodules 2025-Jan, Cancer biomarkers : section A of Disease markers IF:2.2Q3 DOI:10.3233/CBM-230444 PMID:38848168	研究论文	本研究结合图像掩蔽和显著性激活图，系统探索了CT图像中肺实质和肿瘤区域对不确定肺结节分类的贡献	通过图像掩蔽和Grad-CAM方法，首次系统分析了深度神经网络在肺结节分类中依赖的放射学特征，特别是结节纹理和形态特征的重要性	研究仅基于NLST数据集的固体肺结节，可能不适用于其他类型结节或不同人群	探索深度神经网络在低剂量CT图像中分类不确定肺结节时依赖的放射学特征	来自国家肺癌筛查试验（NLST）的固体肺结节（直径4-20毫米）患者	计算机视觉	肺癌	低剂量CT扫描	深度神经网络	图像	来自NLST的固体肺结节患者	NA	NA	AUC	NA
1084	2026-01-20	Application of artificial intelligence in cervical cytology: a systematic review of deep learning models, datasets, and reported metrics 2025, Frontiers in big data IF:2.4Q2 DOI:10.3389/fdata.2025.1678863 PMID:41550300	综述	本文系统综述了2022年至2025年间应用于宫颈细胞学图像的深度学习模型，重点关注模型架构、数据集和性能指标	首次系统性地总结了深度学习在宫颈细胞学中的应用趋势，并识别了混合模型和Vision Transformer方法的兴起	数据集临床代表性有限，交叉验证不足，诊断标准不一致	评估人工智能在宫颈细胞学中的应用现状，以支持癌前病变的早期检测	宫颈细胞学图像	计算机视觉	宫颈癌	深度学习	CNN, ViT, 混合模型	图像	NA	NA	卷积神经网络, Vision Transformer, 混合架构	准确率, 精确率, 召回率, F1分数	NA
1085	2026-01-20	An in-depth exploration of machine learning methods for mental health state detection: a systematic review and analysis 2025, Frontiers in digital health IF:3.2Q2 DOI:10.3389/fdgth.2025.1724348 PMID:41550350	综述	本文对2015年至2024年间应用于心理健康状态检测的机器学习方法进行了系统回顾与分析	系统性地识别、分类并分析了用于心理健康检测的机器学习技术，特别指出了模型可解释性与预测准确性之间的核心权衡	纳入的研究数量有限（35篇），且部分研究数据收集方式为手动，可能影响结果的普适性	识别和分类应用于心理健康检测的机器学习技术，并分析该领域最常用的算法	心理健康状态检测相关的研究文献	机器学习	心理健康问题	NA	监督学习, 无监督学习, 深度学习	在线社交网络数据, 手动收集数据	基于35篇符合纳入标准的研究	NA	逻辑回归, 深度学习架构	NA	NA
1086	2026-01-20	Ensemble learning for predicting microsatellite instability in colorectal cancer using pretreatment colonoscopy images and clinical data 2025, Frontiers in oncology IF:3.5Q2 DOI:10.3389/fonc.2025.1734076 PMID:41551159	研究论文	本研究开发并评估了一种集成学习框架，结合预处理结肠镜图像和常规临床数据，用于结直肠癌中微卫星不稳定性的非侵入性预测	提出了一种集成学习框架，首次将预处理结肠镜图像与常规临床数据相结合，用于非侵入性预测结直肠癌的微卫星不稳定性，并通过多数投票集成方法提升了预测性能	研究为回顾性设计，可能受限于数据收集的偏差；未在外部验证集上进行测试，泛化能力有待进一步验证	开发一种非侵入性、自动化的方法，用于预测结直肠癌中的微卫星不稳定性，以替代传统侵入性检测	经病理确诊且通过免疫组化确定微卫星不稳定性状态的结直肠癌患者	数字病理学	结直肠癌	免疫组化，聚合酶链反应	CNN, Transformer, Logistic Regression, Random Forest, Support Vector Machine, Gradient Boosting	图像，临床数据	1844名患者	TensorFlow, PyTorch, Scikit-learn	ResNet-50, EfficientNet, DenseNet, VGG-16, Vision Transformer	准确率，精确率，召回率，AUROC	NA
1087	2026-01-20	A CT-based deep learning model to predict local recurrence-free survival in primary retroperitoneal sarcoma 2025, Frontiers in medicine IF:3.1Q1 DOI:10.3389/fmed.2025.1725377 PMID:41551503	研究论文	本研究构建了一个基于术前CT的深度学习模型，用于预测原发性腹膜后肉瘤患者的局部无复发生存期	首次将深度学习应用于预测原发性腹膜后肉瘤的局部复发风险，并证明其优于传统手工放射组学模型和临床模型	回顾性研究设计，样本量较小（115例患者），缺乏外部验证队列	预测原发性腹膜后肉瘤患者的局部无复发生存期，以辅助风险分层和个体化治疗决策	原发性腹膜后肉瘤患者	数字病理	腹膜后肉瘤	CT成像	深度学习模型	CT图像	115例原发性腹膜后肉瘤患者（训练集86例，验证集29例）	NA	端到端深度学习模型	C-index, 时间依赖性ROC, 校准曲线, 决策曲线分析, 生存分析	NA
1088	2026-01-19	Macretina: a dataset, to support deep learning assisted retinopathy of prematurity diagnosis 2025-Dec-24, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31624-8 PMID:41436820	研究论文	本研究介绍了一个名为Macretina的专家标注视网膜数据集，旨在支持基于AI的早产儿视网膜病变自动诊断	提出了首个从印度医院收集的、针对早产儿视网膜病变的综合性多任务视网膜图像数据集，包含三个病理相关特征的子集	数据来源于单一中心（Macretina医院），可能限制模型的泛化能力	开发可靠的AI辅助早产儿视网膜病变筛查系统	早产儿的视网膜图像	数字病理学	早产儿视网膜病变	宽视野视网膜成像系统（3nethra Neo）	深度卷积神经网络	图像	112名早产儿的1432张视网膜图像	NA	NA	NA	NA
1089	2026-01-19	A holistic framework for strengthening security of healthcare data through encryption utilizing blockchain technology 2025-Dec-18, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31698-4 PMID:41407846	研究论文	本研究提出了一种结合区块链技术与高级加密标准（AES）的框架，以增强医疗数据的安全性、隐私性和完整性	提出了一种创新的BCT-AES混合框架，首次将卷积神经网络（CNN）用于医疗数据特征提取，并结合决策树（DT）与逻辑回归（LR）进行分类，再通过AES加密与区块链技术实现去中心化、防篡改的存储方案	未明确说明框架在超大规模医疗数据集或跨机构数据共享场景下的可扩展性与性能表现	解决医疗数据因敏感性和网络攻击风险而面临的安全挑战，开发一种能同时保障数据隐私、完整性和支持实时分析的安全管理方案	患者记录与医学图像等医疗数据	机器学习	NA	区块链技术，高级加密标准（AES）	CNN, DT, LR	文本（患者记录），图像（医学图像）	NA	Python	NA	加密时间，分类准确率	NA
1090	2026-01-19	Ensemble deep learning with advanced feature engineering for embryo evaluation on in-vitro fertilisation procedures using biomedical images 2025-Dec-18, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31772-x PMID:41413417	研究论文	本文提出了一种基于集成深度学习和高级特征工程的胚胎评估系统，用于体外受精过程中的胚胎质量自动分级	结合改进的DenseNet进行特征提取，并集成TCN、ENN和CVAE等多种深度学习模型进行胚胎分类，实现了高精度的自动化评估	未提及模型在临床实际应用中的泛化能力验证或外部数据集测试结果	通过自动化胚胎分级方法提高体外受精中胚胎选择成功率，改善妊娠结局	体外受精过程中的胚胎生物医学图像	计算机视觉	不孕症	生物医学图像分析	CNN, TCN, ENN, CVAE	图像	未明确说明，仅提及使用显微图像数据集	未明确说明	DenseNet, TCN, ENN, CVAE	准确率	未明确说明
1091	2026-01-19	LBNet: an optimized lightweight CNN for mammographic breast cancer classification with XAI-based interpretability 2025-Dec-17, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31642-6 PMID:41402449	研究论文	本研究提出了一种名为LBNet的轻量级、可解释的卷积神经网络，用于从乳腺X光片中准确、高效地检测乳腺癌	提出了一种参数仅240万的轻量级CNN架构，在保持高精度的同时显著降低了计算复杂度，并集成了SHAP和Grad-CAM等XAI方法以增强模型的可解释性	未明确提及，但未来研究可探索其在多视角乳腺X光片和实时临床部署中的应用	开发一种适用于资源受限环境、兼具高精度、高效率和高可解释性的乳腺癌自动检测模型	乳腺X光片	计算机视觉	乳腺癌	乳腺X光摄影	CNN	图像	基于RSNA数据集训练，并在CBIS-DDSM和MIAS两个外部数据集上验证	未明确提及	LBNet（包含5个卷积层，使用ReLU激活、批量归一化和最大池化）	准确率, 精确率, 召回率	未明确提及
1092	2026-01-19	Deep learning and TOPSIS-based multi-criteria decision-making framework for urban road defect detection and sustainable maintenance planning 2025-Dec-17, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31682-y PMID:41408389	研究论文	本研究提出了一种结合改进YOLOv8模型和TOPSIS多准则决策的框架，用于城市道路缺陷检测与可持续维护规划	在YOLOv8模型中增加了一个用于严重性分类的辅助头部，并整合了TOPSIS多准则决策方法，实现了检测、严重性估计和数据驱动维护优先级排序的同步执行	未明确说明模型在极端天气或复杂光照条件下的鲁棒性，也未讨论框架在其他类型基础设施缺陷检测中的泛化能力	开发一个能够实时检测城市道路缺陷、评估严重性并支持可持续维护决策的智能框架	城市道路表面缺陷	计算机视觉	NA	深度学习	CNN	图像	NA	PyTorch	YOLOv8	NA	NA
1093	2026-01-19	Superior transplant recipient outcome prediction and pathology assessment using rapid deep learning applied to procurement kidney biopsies 2025-Dec-14, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31667-x PMID:41392051	研究论文	本研究利用深度学习模型快速分析供体肾脏活检图像，以预测移植后肾功能和移植物存活率	开发了定制化的深度学习模型，其肾小球硬化定量分析在预测移植物存活方面优于病理学家评估，且处理速度满足临床需求	研究样本量相对有限（691例活检），且随访时间平均约4.34年，可能不足以评估长期结局	提高供体肾脏移植适宜性评估的准确性和效率，优化移植决策	已故器官供体的肾脏活检样本	数字病理学	肾脏疾病	全切片图像分析	深度学习模型	图像	691例移植肾脏的采购活检样本	未明确指定	未明确指定	相关性分析，多变量Cox模型	未明确指定
1094	2026-01-19	Dynamic SG-SKRDX hybrid framework for precision weather forecasting and crop suitability in the Cauvery Delta 2025-Dec-13, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31717-4 PMID:41390771	研究论文	本文提出了一种动态SG-SKRDX混合框架，用于印度泰米尔纳德邦Cauvery三角洲地区的精确天气预报和作物适宜性推荐	提出了一种结合SVR-GRU（SG）模型进行天气预报和动态集成多种机器学习模型（SVM、KNN、RF、DT、XGBoost，称为SKRDX）进行作物推荐的混合框架，该框架能根据预测的天气变量变化智能选择最佳模型	NA	通过整合现代技术与传统实践，提升Cauvery三角洲地区农业的气候韧性和可持续作物生产，实现精准天气预报和作物推荐	印度泰米尔纳德邦Cauvery三角洲地区的天气数据和作物种植	机器学习	NA	统计模型、机器学习、深度学习	SVR, GRU, SVM, KNN, RF, DT, XGBoost	历史气象数据（温度、湿度、降水）	十年的历史气象数据	NA	SVR-GRU（SG）混合模型，动态SKRDX集成模型（包含SVM、KNN、RF、DT、XGBoost）	MSE, RMSE, MAE, R-Squared, 准确率, 精确率, 召回率, F1分数	NA
1095	2025-12-13	CLAP-HMM: a biologically constrained deep learning framework for resistance gene prediction in long DNA sequences 2025-Dec-12, BMC biotechnology IF:3.5Q2 DOI:10.1186/s12896-025-01086-x PMID:41382144	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1096	2026-01-19	Attention-guided hybrid learning for accurate defect classification in manufacturing environments 2025-Dec-11, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31654-2 PMID:41381637	研究论文	提出了一种用于工业缺陷分类的注意力引导混合深度学习框架	集成了YOLOv11和EfficientNet-B7，并引入了CBAM注意力模块和轻量级FPN进行多尺度细化，支持跨不同物体类别和缺陷类型的统一分类	未明确提及	解决工业缺陷分类中因视觉复杂性、稀有性和多样性带来的挑战	工业制造环境中的缺陷	计算机视觉	NA	深度学习	CNN	图像	两个数据集：MVTec-FS基准（包含14个工业类别中的46种缺陷类型）和专有Window数据集（包含3个真实世界缺陷类别）	NA	YOLOv11, EfficientNet-B7, Convolutional Block Attention Module (CBAM), Feature Pyramid Network (FPN)	准确率	NA
1097	2026-01-19	A computationally efficient hybrid framework combining deep feature extraction and gradient boosting for early diagnosis of Olive leaf diseases 2025-Dec-11, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31918-x PMID:41381664	研究论文	提出一种结合深度学习特征提取与梯度提升的混合框架，用于橄榄叶病害的早期诊断	提出一种混合框架，将深度学习模型的强大特征提取能力与机器学习分类器的计算效率相结合，以解决深度学习模型在分类和检测过程中对高计算处理的需求限制其普及性的问题	研究仅针对两种特定的橄榄叶病害（孔雀斑病和橄榄芽螨），模型在其他病害或作物上的泛化能力未经验证	开发一种计算效率高的方法，用于橄榄叶病害的早期诊断	橄榄树叶图像	计算机视觉	植物病害	图像分析	CNN, Boosting	图像	3400张属于三个类别（健康、橄榄孔雀斑病、橄榄芽螨）的橄榄叶图像	NA	MobileNetV2, DenseNet121, EfficientNetV2B0, ConvNext Tiny	准确率, 宏平均F1分数	NA
1098	2026-01-19	Dynamic context-aware multi-modal deep learning for longitudinal prediction of Parkinson's disease progression 2025-Dec-11, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31898-y PMID:41381668	研究论文	本文提出了一种新颖的动态上下文感知多模态深度学习框架，用于纵向预测早期至中期帕金森病的运动症状进展	提出了一种结合高级语音生物标志物、信号处理技术、临床进展特征、人口统计学元数据以及通过自然语言处理从临床叙述中提取的语义丰富患者摘要嵌入的动态上下文感知多模态深度学习框架，并利用双向LSTM与多头自注意力机制来捕获复杂的时间依赖性同时防止信息泄露	样本量有限（42名患者）	纵向预测早期至中期帕金森病运动症状的进展，以支持及时干预和个性化患者护理	帕金森病患者	自然语言处理, 机器学习	帕金森病	信号处理, 自然语言处理	LSTM	语音生物标志物, 临床特征, 人口统计学元数据, 临床叙述文本	42名患者	NA	双向LSTM, 多头自注意力	R², RMSE, MAE	NA
1099	2026-01-19	Automated forest fire detection in ecological monitoring using enhanced deep learning networks 2025-Dec-11, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31707-6 PMID:41381831	研究论文	本研究提出了一种名为DeepFire S3GA-Net的新型深度学习分割框架，用于从无人机航拍图像中自动检测和分割森林火灾区域	提出了一种新颖的深度学习分割框架DeepFire S3GA-Net，该框架在编码器中采用空洞空间金字塔池化以捕获多尺度上下文特征，在解码器中采用分组卷积模块以提高空间细化能力和特征多样性	未明确说明模型在极端天气条件或夜间环境下的性能表现	开发一种准确、可靠的森林火灾自动检测与分割方法，以支持实时生态监测和风险管理	无人机航拍图像中的森林火灾区域	计算机视觉	NA	无人机航拍成像	深度学习分割网络	图像	未明确说明	未明确说明	全卷积编码器-解码器网络	平均交并比, 准确率, 精确率, 召回率, Dice系数	未明确说明
1100	2026-01-19	Image-based explainable artificial intelligence accurately identifies myelodysplastic neoplasms beyond conventional signs of dysplasia 2025-Dec-11, NPJ precision oncology IF:6.8Q1 DOI:10.1038/s41698-025-01222-y PMID:41381839	研究论文	本文开发了一种基于图像的深度学习方法，用于准确识别骨髓增生异常肿瘤，超越了传统的形态学评估	利用端到端深度学习模型，通过遮挡敏感度映射揭示了核结构在诊断中的重要性，无需繁琐的细胞级标注	未提及模型在更广泛或多样化数据集上的泛化能力，以及潜在的临床实施挑战	提高骨髓增生异常肿瘤的诊断准确性和可解释性，减少人工评估的主观性	骨髓涂片图像	数字病理学	骨髓增生异常肿瘤	NA	深度学习模型	图像	未明确指定样本数量，但涉及内部测试和外部验证数据集	未指定	未指定具体架构	准确性	未指定