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
15761	2025-10-07	Generalizable Reconstruction for Accelerating MR Imaging via Federated Learning With Neural Architecture Search 2025-Jan, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2024.3432388 PMID:39037877	研究论文	提出一种基于联邦学习和神经架构搜索的可泛化磁共振成像重建框架GAutoMRI	首次将神经架构搜索与联邦学习结合用于MR图像重建，并设计了公平性调整方法处理异构数据分布	未明确说明模型在极端数据异构情况下的表现，且实验仅限于特定MR成像场景	开发能够处理多中心异构数据的通用磁共振图像重建方法	多中心采集的磁共振图像数据	医学影像分析	NA	磁共振成像	神经网络	医学图像	NA	联邦学习, 神经架构搜索	自动搜索的神经网络架构	重建性能, 泛化能力, 模型轻量化程度	NA
15762	2025-10-07	Integrating Prior Knowledge Using Transformer for Gene Regulatory Network Inference 2025-Jan, Advanced science (Weinheim, Baden-Wurttemberg, Germany) DOI:10.1002/advs.202409990 PMID:39605181	研究论文	提出一种基于Transformer的基因调控网络推断框架GRNPT，整合大语言模型嵌入和时序卷积网络自编码器从单细胞RNA测序轨迹中捕获调控模式	首次将大语言模型嵌入与深度学习相结合用于基因调控网络推断，能够整合先验生物知识并展现出色的跨细胞类型泛化能力	未明确说明模型在极大规模数据集上的计算效率和处理能力	开发能够准确推断基因调控网络并具有良好泛化能力的新方法	基因调控网络和单细胞RNA测序数据	生物信息学	NA	单细胞RNA测序	Transformer, TCN, 自编码器	基因表达数据，文本嵌入	NA	NA	Transformer, 时序卷积网络自编码器	NA	NA
15763	2025-10-07	Toward automated small bowel capsule endoscopy reporting using a summarizing machine learning algorithm: The SUM UP study 2025-Jan, Clinics and research in hepatology and gastroenterology IF:2.6Q2 DOI:10.1016/j.clinre.2024.102509 PMID:39622290	研究论文	开发用于小肠胶囊内镜报告的机器学习摘要算法，通过深度学习检测和随机森林分类器优化血管病变图像选择	结合深度学习检测和机器学习分类器，实现小肠胶囊内镜血管病变的自动分类和图像精选，显著减少报告图像数量	研究样本量相对有限（训练集75个视频，测试集73个视频），需要进一步验证算法的泛化能力	提高小肠胶囊内镜报告的自动化水平，优化血管病变检测和图像选择流程	小肠胶囊内镜视频中的血管病变图像	计算机视觉	消化道疾病	胶囊内镜	深度学习, 随机森林	视频, 图像	训练集75个SB CE视频包含401个序列1525张图像，测试集73个完整SB CE视频记录	NA	NA	特异性, AUC, 准确率, 图像减少比例, 一致性	NA
15764	2025-10-07	ECMHA-PP: A Breast Cancer Prognosis Prediction Model Based on Energy-Constrained Multi-Head Self-Attention 2025-Jan, Proteomics. Clinical applications DOI:10.1002/prca.202400035 PMID:39623567	研究论文	提出基于能量约束多头自注意力的乳腺癌预后预测模型ECMHA-PP	引入能量约束多头自注意力机制提升特征提取能力，结合交叉位置混合和通道混合多层感知机	NA	开发高精度乳腺癌预后预测模型以辅助临床决策	乳腺癌患者	机器学习	乳腺癌	深度学习	多头自注意力机制,多层感知机	临床数据	METABRIC数据集和BRCA独立数据集	NA	ECMHA-PP	准确率,AUC	NA
15765	2025-10-07	Classifying cognitive impairment based on FDG-PET and combined T1-MRI and rs-fMRI: An ADNI study 2025-Jan, Journal of Alzheimer's disease : JAD DOI:10.1177/13872877241302493 PMID:39623970	研究论文	基于FDG-PET和MRI影像数据，使用深度学习模型对轻度认知障碍进行分类预测	首次联合使用FDG-PET和多种MRI模态（T1加权和静息态功能MRI）进行MCI分类比较，并预测MCI向AD的转化	MRI模型性能未超越FDG-PET模型，MCI转化预测准确率相对较低（63.23%）	开发基于神经影像的认知障碍分类方法，比较不同影像模态的诊断价值	阿尔茨海默病神经影像倡议（ADNI）数据库中的认知正常成年人和轻度认知障碍患者	医学影像分析	阿尔茨海默病	FDG-PET, T1-MRI, rs-fMRI	CNN	医学影像	四个队列共805名参与者（最大队列），其中MCI患者455人，认知正常者350人	NA	3D DenseNet	准确率, 敏感度, 特异度	NA
15766	2025-10-07	Prediction of Brain Cancer Occurrence and Risk Assessment of Brain Hemorrhage Using Hybrid Deep Learning Technique 2025-Jan, Cancer investigation IF:1.8Q3 DOI:10.1080/07357907.2024.2431829 PMID:39629783	研究论文	使用混合深度学习技术预测脑癌发生并评估脑出血风险	提出结合多头自注意力扩张卷积神经网络与图基深度神经网络的新型混合深度学习框架，并采用鱼鹰优化算法进行参数优化	未提及数据集具体规模和验证方法	脑癌发生预测和脑出血风险评估	脑部MRI和CT扫描图像	医学影像分析	脑癌	脑部MRI, CT扫描	MH-SA-DCNN, G-DNN, Cox回归模型	医学图像	NA	NA	多头自注意力扩张卷积神经网络, EfficientNet, 图基深度神经网络	NA	NA
15767	2025-10-07	Evaluating CNN Architectures for the Automated Detection and Grading of Modic Changes in MRI: A Comparative Study 2025-Jan, Orthopaedic surgery IF:1.8Q2 DOI:10.1111/os.14280 PMID:39638639	研究论文	本研究开发并比较了基于CNN的自动检测和分级Modic改变的模型性能	首次系统比较YOLOv8和YOLOv5在Modic改变自动检测和分级中的性能，并验证AI辅助对初级医生诊断一致性的提升效果	样本量相对有限（139例患者），且数据来自特定时间段和扫描设备	开发自动检测和分级MRI中Modic改变的深度学习工具	139例患有Modic改变的患者的MRI图像	计算机视觉	脊柱疾病	磁共振成像	CNN	医学图像	139例患者（数据集1：109例，数据集2：30例）	PyTorch	YOLOv8, YOLOv5	准确率, 召回率, F1分数, mAP50, Cohen's kappa	NA
15768	2025-10-07	Comparing statistical and deep learning approaches for simultaneous prediction of stand-level above- and belowground biomass in tropical forests 2025-Jan-01, The Science of the total environment DOI:10.1016/j.scitotenv.2024.177869 PMID:39642621	研究论文	本研究开发了深度学习加性模型，用于同时预测热带森林林分水平的地上生物量、地下生物量和总生物量	创新性地开发了深度学习加性模型，实现了林分水平地上和地下生物量的同时预测并保持可加性	研究仅基于越南五个生态区域的121个样地数据，样本规模有限	开发准确且成本效益高的热带森林生物量预测方法	热带森林林分水平生物量	机器学习	NA	深度学习，统计建模	深度学习加性模型，多输入多输出深度神经网络	森林调查数据，环境因子数据	121个样地，覆盖越南五个生态区域的两种热带森林类型	NA	深度学习加性模型	平均绝对百分比误差	NA
15769	2025-10-07	Denoising low-field MR images with a deep learning algorithm based on simulated data from easily accessible open-source software 2025-Jan, Journal of magnetic resonance (San Diego, Calif. : 1997) DOI:10.1016/j.jmr.2024.107812 PMID:39647413	研究论文	提出一种基于深度学习算法的低场强磁共振图像去噪方法，通过模拟数据提升对比度	使用开源软件生成模拟低场强MRI数据的合成脑影像数据集，解决真实训练数据不足的问题	依赖模拟数据训练，与实际临床数据可能存在差异	提升低场强磁共振图像的对比度	低场强磁共振图像	计算机视觉	NA	磁共振成像	CNN	医学图像	模拟脑影像数据集和体内数据	NA	3D深度卷积残差网络	相对对比度比率, 空间高频成分保持度	NA
15770	2025-10-07	End-to-end deep learning patient level classification of affected territory of ischemic stroke patients in DW-MRI 2025-Jan, Neuroradiology IF:2.4Q2 DOI:10.1007/s00234-024-03520-x PMID:39656236	研究论文	开发用于缺血性卒中患者DWI-MRI中受影响区域自动分类的端到端深度学习模型	采用并行流编码策略整合临床领域知识，实现端到端的卒中区域分类	回顾性多中心研究，样本量相对有限（624例）	自动化分类缺血性卒中患者在DWI中的受影响区域	缺血性卒中患者的脑部DWI-MRI图像	医学影像分析	缺血性卒中	DWI-MRI	CNN, LSTM	3D医学影像	624例DWI MRI（来自3个中心，训练集439例，验证集103例，测试集82例）	NA	3D CNN, LSTM-CNN, 注意力门控	平衡准确率, 宏平均F1分数, AUC, Cohen's kappa	NA
15771	2025-10-07	Automated quantification of Enchytraeus crypticus juveniles in different soil types using RootPainter 2025-Jan-01, Ecotoxicology and environmental safety IF:6.2Q1 DOI:10.1016/j.ecoenv.2024.117482 PMID:39662459	研究论文	本研究使用RootPainter工具自动量化不同土壤类型中的Enchytraeus crypticus幼体数量	首次将RootPainter深度学习工具应用于线蚓毒性测试中的幼体自动计数	仅测试了四种土壤类型和五种农药，未涵盖更广泛的土壤和污染物类型	开发自动化方法替代人工计数线蚓幼体	Enchytraeus crypticus幼体	计算机视觉	NA	深度学习，卷积神经网络	CNN	图像	四种土壤类型（三种OECD人工土壤和一种天然LUFA 2.2土壤），五种农药（两种杀菌剂和三种杀虫剂）	RootPainter	NA	皮尔逊相关系数，组内可比性系数	NA
15772	2025-04-27	Improving Deep Learning Models for Pediatric Low-Grade Glioma Tumours Molecular Subtype Identification Using MRI-based 3D Probability Distributions of Tumour Location 2025-May, Canadian Association of Radiologists journal = Journal l'Association canadienne des radiologistes DOI:10.1177/08465371241296834 PMID:39544176	research paper	该研究通过结合MRI肿瘤位置概率图与CNN模型，提高了儿童低级别胶质瘤分子亚型识别的准确性	创新点在于将肿瘤位置概率图整合到CNN模型中，显著提升了分子亚型识别的性能	研究为回顾性研究，样本量相对较小（214例），且仅基于单一机构的MRI数据	提高儿童低级别胶质瘤（pLGG）分子亚型识别的准确性	儿童低级别胶质瘤（pLGG）患者	digital pathology	pediatric low-grade glioma	MRI FLAIR序列	CNN	3D MRI图像	214例患者（110例男性，平均年龄8.54岁，143例BRAF融合和71例BRAF V600E突变）	NA	NA	NA	NA
15773	2025-04-27	Deep learning-driven semi-rational design in phenylalanine ammonia-lyase for enhanced catalytic efficiency 2025-May, International journal of biological macromolecules IF:7.7Q1 DOI:10.1016/j.ijbiomac.2025.141024 PMID:39984092	研究论文	本研究利用深度学习指导的半理性设计方法，提高了苯丙氨酸氨裂解酶（PAL）的催化效率	采用深度学习指导的策略结合高通量筛选和酶活性测定，成功提高了PAL的催化效率和活性	研究仅针对Anabaena variabilis来源的PAL（AvPAL），可能不适用于其他来源的PAL	提高苯丙氨酸氨裂解酶（PAL）的催化效率，以增强其在农业、工业和疾病治疗中的应用潜力	Anabaena variabilis来源的苯丙氨酸氨裂解酶（AvPAL）及其突变体	机器学习	苯丙酮尿症（PKU）	深度学习、高通量筛选、酶活性测定、分子动力学模拟	深度学习模型	酶活性数据、分子动力学模拟数据	33个突变体中的26个被验证具有增强的活性	NA	NA	NA	NA
15774	2025-04-27	U-shaped deep learning networks for algal bloom detection using Sentinel-2 imagery: Exploring model performance and transferability 2025-May, Journal of environmental management IF:8.0Q1 DOI:10.1016/j.jenvman.2025.125152 PMID:40179468	研究论文	本研究评估了U形深度学习网络在利用Sentinel-2卫星图像检测藻华方面的性能及可迁移性	探索了多种U形深度学习模型（如U-Net、RU-Net、Attention U-Net、ARU-Net和SegNet）在藻华检测中的应用，并强调了多样化数据集在提升模型性能方面的重要性	未提及具体局限性，但暗示了先前模型在检测低密度藻华和跨时空泛化方面的不足	评估U形深度学习网络在藻华检测中的性能及可迁移性，以支持环境监测与管理	内陆水体（湖泊）中的藻华	计算机视觉	NA	深度学习	U-Net, RU-Net, Attention U-Net, ARU-Net, SegNet	卫星图像	多时相Sentinel-2图像，覆盖不同日期和地理位置（如Lake Burdur、Lake Chaohu和Lake Turawskie）	NA	NA	NA	NA
15775	2025-04-27	A novel deep learning-based floating garbage detection approach and its effectiveness evaluation in environmentally sustainable development 2025-May, Journal of environmental management IF:8.0Q1 DOI:10.1016/j.jenvman.2025.125154 PMID:40186972	research paper	提出了一种基于YOLOv8的高效经济深度学习解决方案，用于水面漂浮垃圾的检测与收集	通过改进YOLOv8的主干网络、引入Wise-Powerful IoU损失函数和添加AuxHead检测头，有效压缩了复杂环境因素的负面影响，提高了检测精度	NA	提高水面聚集漂浮垃圾的检测效率和收集率，促进水生态系统的保护与恢复	水面聚集的漂浮垃圾	computer vision	NA	deep learning	YOLOv8	image	NA	NA	NA	NA	NA
15776	2025-04-27	AI for rapid identification of major butyrate-producing bacteria in rhesus macaques (Macaca mulatta) 2025-Apr-24, Animal microbiome IF:4.9Q1 DOI:10.1186/s42523-025-00410-2 PMID:40275402	research paper	该研究利用AI技术从恒河猴粪便涂片的数字图像中快速预测产丁酸盐细菌，并采用可解释性分析提高模型透明度	首次将深度学习与机器学习算法应用于粪便图像数据，实现快速、非侵入性的微生物组分析，并通过可解释性分析增强模型透明度	研究仅针对恒河猴，未在人类或其他动物中进行验证	开发一种快速、非侵入性且经济高效的微生物组分析方法	恒河猴(Macaca mulatta)的粪便样本	digital pathology	NA	metagenomic sequencing, deep learning, machine learning	DL and ML algorithms	digital images of fecal smears	NA	NA	NA	NA	NA
15777	2025-04-27	Using deep learning models to decode emotional states in horses 2025-Apr-23, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-95853-7 PMID:40269006	研究论文	本研究探索了使用深度学习模型预测马匹情绪状态的方法	创建了两个新的数据集（裁剪身体和裁剪头部数据集），并在裁剪头部数据集上取得了最佳预测效果，准确率达到87%	裁剪头部数据集缺少尾部等重要区域，这些区域通常被专家用于标注	预测骑乘马匹的情绪状态	马匹	计算机视觉	NA	监督学习、迁移学习、微调	CNN、Yolo、Faster R-CNN	图像	NA	NA	NA	NA	NA
15778	2025-04-27	PoulTrans: a transformer-based model for accurate poultry condition assessment 2025-Apr-23, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-98078-w PMID:40269017	研究论文	提出了一种基于Transformer的模型PoulTrans，用于准确评估家禽状况	结合CNN与CSA_Encoder-Transformer架构，引入Channel Spatial Memory-Guided Transformer (CSMT)和新型PS-Loss函数，优化多级注意力并提升状态描述的语义精度	未提及模型在实时应用中的性能或计算资源需求	开发直观的决策支持工具，提升家禽状况评估的准确性	家禽图像	计算机视觉	NA	深度学习	CNN, Transformer	图像	PSC-Captions数据集	NA	NA	NA	NA
15779	2025-04-27	Ambiguity-aware semi-supervised learning for leaf disease classification 2025-Apr-23, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-95849-3 PMID:40269031	research paper	提出一种模糊感知的半监督学习方法，用于叶片病害分类，通过消除模糊结果提高伪标签精度	引入基于病害的模糊拒绝算法，提升伪标签精度，从而在半监督学习中减少对全标注数据的依赖	方法仅在咖啡和香蕉叶片病害数据集上验证，未涉及其他作物或病害类型	开发一种半监督学习方法，减少叶片病害分类中对全标注数据的依赖	咖啡和香蕉叶片的病害图像	computer vision	plant disease	semi-supervised learning	CNN	image	两个公共叶片病害数据集（咖啡和香蕉），标注数据比例从50%到100%不等	NA	NA	NA	NA
15780	2025-04-27	Metaparameter optimized hybrid deep learning model for next generation cybersecurity in software defined networking environment 2025-Apr-23, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-96153-w PMID:40269039	研究论文	本文提出了一种基于混合深度学习模型和二进制独角鲸优化器的软件定义网络安全新方法，用于防御DDoS攻击	结合了混合深度学习模型（CNN-BiGRU-AM）和二进制独角鲸优化器（BNO），并利用海鸥优化算法（SOA）进行超参数调优，提高了检测系统的效率和鲁棒性	未提及该方法在其他类型网络攻击或不同网络环境中的适用性	开发一种可扩展且有效的解决方案，以保护SDN环境免受DDoS攻击	软件定义网络（SDN）中的DDoS攻击	机器学习	NA	深度学习、特征选择、超参数优化	CNN-BiGRU-AM、BNO、SOA	网络数据	未明确提及样本数量，使用DDoS SDN数据集	NA	NA	NA	NA