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
1381	2026-01-11	Biomarkers 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70856_107749 PMID:41513459	研究论文	本文开发了一种基于迁移学习的DenseNet121架构，用于阿尔茨海默病的分类诊断，特别针对非洲人群进行优化	采用迁移学习策略，结合西方人群数据集预训练和非洲本地数据集微调，以捕捉人群特异性特征，显著提升了在非洲人群中的诊断性能	研究样本量相对较小（仅140名受试者），且仅基于单一医疗中心的数据，可能限制模型的泛化能力	开发并验证一个针对非洲人群的阿尔茨海默病诊断模型，以解决现有研究在西方人群主导下的适用性限制	阿尔茨海默病患者与非痴呆对照受试者，特别关注非洲人群的神经影像数据	数字病理学	阿尔茨海默病	神经影像分析（包括颅骨剥离、空间归一化、灰质分割等预处理技术）	CNN	图像	140名受试者（63例痴呆，77例非痴呆），来自尼日利亚伊巴丹大学学院医院的本地数据集，并利用OASIS数据集进行预训练	NA	DenseNet121	准确率, AUC, 灵敏度, 特异度, 精确率, F1分数	NA
1382	2026-01-11	Biomarkers 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70856_106312 PMID:41517832	研究论文	本研究提出了一种基于高阶注意力机制的深度学习模型，用于通过MRI图像对四种痴呆症类型进行精确分类	引入了基于淀粉样蛋白/ tau病理预测模型学习的高阶注意力机制，以提取更具预测力的特征并捕捉特征间相互关系	样本量相对较小（99个MRI图像），且主要依赖于特定医院的数据，可能影响模型的泛化能力	开发一种基于MRI的深度学习模型，以提高痴呆症亚型的准确鉴别诊断	阿尔茨海默病（AD）、帕金森病（PD）、路易体痴呆（DLB）和皮质下血管性痴呆（SVaD）患者	数字病理学	老年疾病	磁共振成像（MRI）	深度学习模型, SVM	图像, 临床信息	99个T1加权MRI图像（24名AD患者，25名PD患者，25名DLB患者，25名SVaD患者），以及来自5个数据集的12091名患者数据用于低阶注意力分类器训练	NA	注意力机制, SVM	AUC	NA
1383	2026-01-11	Attention-Base deep learning for 3D craniofacial soft tissue landmark detection and diagnosis in orthodontics 2025-Nov-29, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-30383-w PMID:41318682	研究论文	本文提出了一种创新的两阶段注意力深度学习框架，用于三维颅面软组织标志点检测与正畸诊断分类	开发了结合测地线裁剪模块和动态标志点结构学习模块的两阶段注意力框架，首次将解剖学先验知识融入空间依赖建模，显著提升了定位精度与结构一致性	未明确说明模型在不同种族、年龄组或病理条件下的泛化能力，也未讨论计算效率是否满足实时临床需求	实现三维颅面软组织的自动化标志点检测与正畸治疗难度诊断分类	三维颅面软组织扫描数据	计算机视觉	错颌畸形	三维扫描成像	深度学习, Transformer	三维点云数据	未在摘要中明确说明具体样本数量	PyTorch	PointTransformerV3	平均径向误差, 成功检测率, 成功分类率, 诊断准确率	NA
1384	2026-01-11	Biological Age Prediction of the Cerebellar Vermis in the Human Lifespan 2025-Nov-19, Cerebellum (London, England) DOI:10.1007/s12311-025-01929-5 PMID:41258571	研究论文	本研究利用深度学习从结构MRI中提取的脑结构年龄生物标志物，探究了人类小脑蚓部随年龄增长的区域特异性老化模式	首次使用深度学习衍生的脑结构年龄生物标志物系统评估小脑蚓部各亚区的老化轨迹，揭示了前后梯度差异及性别特异性老化模式	研究为横断面设计，无法推断因果关系；样本仅来自单一数据库（伊朗脑成像数据库），可能限制结果的普适性	评估小脑蚓部区域特异性老化模式及其影响因素	245名健康参与者的小脑蚓部结构MRI数据	医学影像分析	NA	结构磁共振成像	深度学习	3D T1加权磁共振图像	245名健康参与者（青年组20-39岁、中年组40-59岁、老年组≥60岁）	NA	NA	调整后R方	3T MRI扫描仪（64通道线圈）
1385	2026-01-11	AI-Driven Real-Time Monitoring of Cardiovascular Conditions With Wearable Devices: Scoping Review 2025-Nov-11, JMIR mHealth and uHealth IF:5.4Q1 DOI:10.2196/73846 PMID:41218203	综述	本文是一篇范围综述，探讨了利用可穿戴设备和人工智能技术进行心血管疾病实时监测的主要挑战与潜在解决方案	系统性地识别了AI驱动平台在实时心血管监测中的关键挑战，并提出了跨学科研究需求，强调了从传统机器学习到轻量级深度学习算法的多种AI技术在可穿戴设备或云端处理中的应用	现有研究数量有限，缺乏全面的验证，多数依赖公开数据集而非社区环境下的真实世界验证，且实时部署的AI算法常未报告操作特性与挑战	识别AI驱动平台用于可穿戴设备实时心血管监测的主要挑战，并探索潜在解决方案，同时考察AI算法的开发与部署流程优化	使用可穿戴设备收集参与者数据并应用AI算法进行实时分析以检测或预测心血管事件与疾病的研究	机器学习	心血管疾病	NA	传统机器学习, 轻量级深度学习	心血管信号, 生命体征, 身体活动数据	从2385条记录中筛选，最终纳入19项研究	NA	NA	NA	NA
1386	2026-01-11	A deep learning-based approach for measuring patellar cartilage deformations from knee MR images 2025-Nov, Journal of biomechanics IF:2.4Q3 DOI:10.1016/j.jbiomech.2025.112930 PMID:40915052	研究论文	本研究开发了一种基于深度学习的自动分割方法，用于从膝关节磁共振图像中测量髌骨软骨的变形	首次将2D和3D U-Net应用于髌骨及髌骨软骨的自动分割，并成功检测到跳跃活动引起的软骨变形	研究仅基于109例膝关节磁共振扫描，样本量相对有限，且未与其他自动分割方法进行广泛比较	开发卷积神经网络以分割髌骨及髌骨软骨，并评估其测量运动诱导软骨变形的能力	膝关节磁共振图像中的髌骨及髌骨软骨	计算机视觉	骨关节炎	磁共振成像	CNN	图像	109例膝关节磁共振扫描	NA	U-Net	平均Dice相似系数, ICC, 平均差异	NA
1387	2026-01-11	The potential role of machine learning and deep learning in differential diagnosis of Alzheimer's disease and FTD using imaging biomarkers: A review 2025-Oct, The neuroradiology journal DOI:10.1177/19714009251313511 PMID:39787363	综述	本文综述了机器学习和深度学习在利用影像生物标志物区分阿尔茨海默病与额颞叶痴呆中的潜在作用	系统梳理并比较了2012年至2024年间31篇相关研究，特别指出了SVM在机器学习方法中以及ResNet在深度学习方法中的优越性能	强调仍需结合临床检查和患者症状评估以确保诊断的全面性和准确性，暗示现有AI方法尚不能完全替代传统诊断流程	探讨人工智能在辅助诊断额颞叶痴呆和阿尔茨海默病中的应用潜力	针对额颞叶痴呆和阿尔茨海默病的影像生物标志物	医学影像分析	阿尔茨海默病, 额颞叶痴呆	MRI, DTI, fMRI, PET, SPECT	SVM, CNN	影像数据	基于31篇文献的综合分析，未提供具体样本总数	NA	ResNet	NA	NA
1388	2026-01-11	3D auto-segmentation of pancreas cancer and surrounding anatomical structures for surgical planning 2025-Oct-01, International journal of surgery (London, England) DOI:10.1097/JS9.0000000000002835 PMID:40576127	研究论文	本研究开发了一种基于深度学习的自动分割模型，用于从CT图像中分割胰腺癌及周围解剖结构，以辅助手术规划	采用分层Swin Transformer V2模型进行胰腺癌及周围结构的三维自动分割，并在多中心数据集上验证了其稳健性能	模型在胰腺癌分割上的准确性相对较低（DSC约54.5-57.0%），且分割性能受肿瘤大小影响	开发用于胰腺癌手术规划的深度学习自动分割模型	胰腺癌患者及其周围解剖结构	数字病理学	胰腺癌	计算机断层扫描（CT）	Transformer	图像	275名患者（176名训练组，59名内部验证组，40名外部验证组）	NA	Swin Transformer V2	Dice相似系数（DSC），定性评估（完全分割、部分分割、缺失分割）	NA
1389	2026-01-11	Development and validation of a deep learning ultrasound radiomics model for predicting drug resistance in lymph node tuberculosis a multicenter study 2025-Oct-01, International journal of surgery (London, England) DOI:10.1097/JS9.0000000000002850 PMID:40607926	研究论文	开发并验证了一种基于深度学习超声影像组学模型，用于预测淋巴结结核的药物耐药性	首次将集成机器学习算法与AdaBoost结合应用于超声影像组学，以预测淋巴结结核的耐药性，并通过多中心数据进行了内部和外部验证	研究为回顾性设计，样本量相对有限（234例），且仅针对宫颈淋巴结结核，可能限制了模型的泛化能力	预测淋巴结结核的药物耐药性	淋巴结结核患者	数字病理学	结核病	超声影像	集成机器学习, AdaBoost	图像	234例宫颈淋巴结结核患者（来自一个中心），以及来自另外两个中心的外部测试集	NA	NA	AUC, 准确率, 精确率, 召回率, F1分数, 决策曲线分析	NA
1390	2026-01-11	Multichannel deep learning prediction of major pathological response after neoadjuvant immunochemotherapy in lung cancer: a multicenter diagnostic study 2025-Oct-01, International journal of surgery (London, England) DOI:10.1097/JS9.0000000000002821 PMID:40607969	研究论文	本研究开发了一种基于治疗前CT的多通道预测器，整合了Transformer模型编码的深度学习特征，用于术前诊断非小细胞肺癌患者在接受新辅助免疫化疗后的主要病理缓解	创新性地将多通道深度学习与Transformer编码器融合，用于预测肺癌新辅助免疫化疗后的主要病理缓解，相比传统影像组学模型显著提升了分类准确率	研究为回顾性设计，样本量相对有限（332例），且仅基于CT影像，未整合其他模态数据	开发一种术前诊断工具，预测非小细胞肺癌患者接受新辅助免疫化疗后的主要病理缓解，以改善手术规划和治疗结果	非小细胞肺癌患者	数字病理学	肺癌	CT影像分析	深度学习	图像	332例非小细胞肺癌患者（来自四个中心）	NA	GoogLeNet, Transformer	AUC, 敏感性, 特异性, F1分数, 混淆矩阵, 校准曲线, 决策曲线分析, 综合判别改善, 净重分类改善, DeLong检验	NA
1391	2025-07-12	Letter to Editor "Predicting NSCLC surgical outcomes using deep learning on histopathological images: development and multi-omics validation of Sr-PPS model" 2025-Oct-01, International journal of surgery (London, England) DOI:10.1097/JS9.0000000000002840 PMID:40643594	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1392	2026-01-11	Pixel-level transformer GAN for enhanced parametric mapping of DCE MRI analysis 2025-Sep, Medical physics IF:3.2Q1 DOI:10.1002/mp.18092 PMID:40891183	研究论文	本文提出了一种基于Vision Transformer和生成对抗网络的创新方法，用于将稀疏动态对比增强磁共振成像序列转换为高时间分辨率的参数图，以提升癌症诊断和监测的准确性	结合Vision Transformer和GAN的优势，首次提出VP-GAN模型，能够从稀疏DCE-MRI相位中生成密集时间分辨率的参数图，显著减少所需相位数量	研究未明确说明模型在不同癌症类型或更大数据集上的泛化能力，也未详细讨论计算资源需求或实时应用可行性	探索利用深度学习和稀疏DCE-MRI相位生成高时间分辨率DCE-MRI参数图的可行性	动态对比增强磁共振成像数据，特别是针对Ktrans和ve参数图	计算机视觉	癌症	动态对比增强磁共振成像	GAN, Transformer	图像	NA	NA	Vision Transformer Pix2Pix GAN	峰值信噪比, 结构相似性指数, Pearson相关分析, Bland-Altman分析	NA
1393	2026-01-11	A lightweight neural attention-based model for service chatbots 2025-Aug-13, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-14215-5 PMID:40804277	研究论文	本文提出了一种轻量级神经注意力机制，用于提升服务聊天机器人的上下文相关性和可扩展性	在现有注意力得分计算中引入标量函数，针对seq2seq架构优化对齐序列，从而改善上下文相关性并降低资源需求	未与基于Transformer的架构结合，未来可扩展至更广泛的序列预测任务	开发一种轻量级神经注意力机制，以增强服务聊天机器人的响应准确性和上下文相关性	服务聊天机器人	自然语言处理	NA	NA	seq2seq	文本	真实世界的Customer Support Twitter数据集	NA	seq2seq	BLEU-4, 训练时间, 验证损失	NA
1394	2026-01-11	The TDGL Module: A Fast Multi-Scale Vision Sensor Based on a Transformation Dilated Grouped Layer 2025-May-26, Sensors (Basel, Switzerland) DOI:10.3390/s25113339 PMID:41498160	研究论文	本文提出了一种基于深度学习的快速多尺度视觉传感器模块TDGL，旨在提升道路目标特征提取网络的效率和精度	提出TDGL模块，通过GLConv单元引入缩放和偏移参数、修改膨胀策略及采用分组卷积，动态调整卷积操作以有效区分不同尺度特征，同时优化空间信息处理并降低计算成本	NA	提升道路目标检测任务中多尺度特征提取的效率和准确性	道路障碍物目标	计算机视觉	NA	深度学习	CNN	图像	BDD100K数据集	NA	YOLO系列模型	mAP, FPS	NA
1395	2026-01-11	Low-Cost and Fast Epiretinal Membrane Detection and Quantification Based on SD-OCT 2025, IEEE access : practical innovations, open solutions IF:3.4Q2 DOI:10.1109/access.2025.3629332 PMID:41503050	研究论文	提出了一种基于SD-OCT B扫描的低成本、快速视网膜前膜检测与量化新方法	提出了一种新的en face投影技术（EPI），并利用YOLOv11x模型实现高精度检测，同时提出了一种将EPI投影与视网膜厚度图相关联的评分机制，揭示了视网膜前膜与视网膜增厚之间的空间关系	需要进一步的大规模验证以确认其临床可靠性	开发一种低成本、快速且准确的视网膜前膜检测与量化方法	视网膜前膜	计算机视觉	视网膜疾病	SD-OCT	CNN	图像	NA	NA	YOLOv11x	mAP@50, mAP@50:95, 相关性评分, ICC, AAS, AR	NA
1396	2026-01-10	A Multi-Modal, Multi-Temporal, Multi-Resolution Benchmark Dataset for Building Height Estimation 2025-Dec-31, Scientific data IF:5.8Q1 DOI:10.1038/s41597-025-06495-3 PMID:41476079	研究论文	本文介绍了一个名为M4Heights的多模态、多时相、多分辨率基准数据集，用于建筑物高度估计	提出了首个涵盖爱沙尼亚、荷兰和瑞士的多样化建筑风格、城市密度和地形复杂性的多模态、多时相、多分辨率数据集，并包含最大的多图像超分辨率数据集	未明确提及具体限制，但可能受限于数据集覆盖的地理区域和样本数量	促进建筑物高度估计领域的研究，支持可持续城市规划和监测	建筑物高度估计	计算机视觉	NA	深度学习	NA	图像	约100万张图像	NA	NA	NA	NA
1397	2026-01-10	Evaluation of visual patient predictive for enhancing level 3 situation awareness: protocol for a multicentre randomised computer-based simulation and diagnostic accuracy study (true positive rate, precision, average lead time) 2025-Dec-30, BMJ open IF:2.4Q1 DOI:10.1136/bmjopen-2025-109171 PMID:41469047	研究论文	本研究是一项多中心随机计算机模拟试验，旨在评估基于AI的视觉患者预测系统在提升临床医生预测关键生命体征变化能力方面的效果	首次将深度学习预测模型与视觉患者化身整合，以虚线可视化元素显示预测的生命体征偏差，旨在支持第三级情境感知（未来状态预测）	研究基于模拟场景进行，未使用真实患者数据，结果可能无法完全反映临床实际环境	评估视觉患者预测系统是否比传统数字和波形监测更能帮助临床医生预测关键生命体征变化，并考察其对决策、信心、工作负荷和用户接受度的影响	来自麻醉科的医疗专业人员	数字病理	NA	深度学习	深度学习模型	生命体征数据	在瑞士、德国和美国的五个学术中心进行，涉及多名医疗专业人员（具体数量未在摘要中说明）	NA	NA	召回率（真阳性率）、平均提前时间、精确度、预测信心、建议干预措施的数量和正确性	NA
1398	2026-01-10	Robust Fall Army Worm detection in maize using multimodal RGB and thermal image fusion 2025-Dec-25, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29784-8 PMID:41449234	研究论文	本研究提出了一种基于深度学习的多模态图像融合框架，用于自动检测玉米作物是否受草地贪夜蛾侵害	提出了一种新颖的混合DNN-ViT模型，通过特征级和图像级两种互补的融合策略，首次将RGB图像与热成像数据结合用于草地贪夜蛾检测	未在真实田间环境中进行大规模部署验证，环境鲁棒性有待进一步研究	通过多模态图像融合提高玉米作物中草地贪夜蛾的自动检测精度	受草地贪夜蛾侵害与健康的玉米作物	计算机视觉	NA	多模态图像融合（RGB与热成像）	CNN, DNN, Vision Transformer	图像（RGB图像、热成像）	NA	NA	混合DNN-ViT模型（包含CNN特征提取器、DNN分类器和改进的Vision Transformer）	准确率, 精确率, 召回率, F1分数, AUC-ROC	NA
1399	2026-01-10	Neuroimaging-derived brain endophenotypes link molecular mechanisms to Alzheimer's disease and aging 2025-Dec-23, medRxiv : the preprint server for health sciences DOI:10.1101/2025.11.25.25340884 PMID:41358312	研究论文	本文开发了一个DNE-xQTL框架，通过整合深度学习衍生的神经影像内表型和脑分子定量性状位点，解析阿尔茨海默病和衰老相关脑变异的遗传通路	提出了一种结合深度学习和多组学数据的框架，用于连接遗传变异、脑影像变化和分子机制，增强了对阿尔茨海默病风险位点的生物学解释并揭示了新的调控通路	未明确说明样本量或数据来源的具体细节，且框架的普适性有待在其他疾病或独立队列中验证	解析阿尔茨海默病和衰老相关脑变异的遗传分子机制，实现早期风险分层	阿尔茨海默病相关的遗传位点、神经影像内表型及脑分子定量性状	神经影像学与计算生物学	阿尔茨海默病	GWAS, 深度学习, xQTL分析	深度学习模型	神经影像数据, 基因组数据, 分子表型数据	NA	NA	NA	NA	NA
1400	2026-01-10	Deep learning-based high dynamic range 3D reconstruction 2025-Dec-19, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-30204-0 PMID:41419546	研究论文	本文提出了一种基于深度学习的高动态范围三维重建方法，通过修复条纹投影轮廓术中因过曝而饱和的条纹图像，以提高三维重建精度	首次将U-Net及其衍生网络（Res-U-Net、SE-U-Net）应用于高动态范围场景下的条纹图像修复，无需额外硬件或多组图像采集即可提升重建精度	研究仅对比了三种U-Net变体网络，未探索其他可能的网络架构；实验场景可能未覆盖所有极端反射率变化情况	解决高动态范围环境下条纹投影轮廓术因图像过曝导致的三维重建精度下降问题	工业制造中具有高反射率变化物体表面的三维形貌测量	计算机视觉	NA	条纹投影轮廓术	CNN	图像	NA	NA	U-Net, Res-U-Net, SE-U-Net	定量实验分析（具体指标未明确说明）	NA