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
1641	2025-12-19	AFoCo: Ambiguous Focus and Correction for Semi-Supervised Medical Image Segmentation 2025-Dec-17, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2025.3642162 PMID:41406262	研究论文	本文提出了一种用于半监督医学图像分割的创新框架AFoCo，通过模糊聚焦和校正网络来有效识别和利用未标记数据中的模糊区域	提出了结合历史变化预测和瞬时信息熵的模糊聚焦网络，以及利用确定性信息通过加权相似性策略重新分配模糊区域像素标签的模糊校正网络，并引入了任务感知的非对称交叉监督约束	未明确说明框架在不同模态医学图像上的泛化能力，也未讨论计算复杂度和实时性能	提高半监督医学图像分割的准确性，特别是针对模糊区域的识别和利用	医学图像中的模糊区域	数字病理	NA	深度学习	CNN	图像	四个医学图像数据集（具体数量未说明）	NA	NA	分割准确率，模糊区域比例	NA
1642	2025-12-19	Advanced Deep Learning Framework for Cancer Cell Morphological Analysis and Tumor Mutational Burden Prediction From Histopathological Images 2025-Dec-17, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3645411 PMID:41406280	研究论文	本研究提出了一种名为CellMorphNet的深度学习框架，用于从常规组织病理学图像中分析癌细胞形态并预测肿瘤突变负荷	提出了创新的CellMorphNet架构，整合了癌细胞形态特征提取与高级注意力机制，并采用新颖的细胞反卷积结构分离组织染色成分，以及分层路由注意力机制以选择性关注形态相关细胞区域	未在摘要中明确说明	开发一种从组织病理学图像预测肿瘤突变负荷的深度学习方法，作为分子测序的成本效益替代方案	癌细胞形态特征、肿瘤突变负荷	数字病理学	癌症	组织病理学成像	深度学习	图像	基于TCGA数据集进行五次独立训练运行	未在摘要中明确说明	CellMorphNet（包含四阶段分层金字塔结构、形态池化层和专用CellMorph块）	AUC, F1-score, 精确度, 召回率, 准确率	未在摘要中明确说明
1643	2025-12-19	VWV-SSL: Carotid vessel-wall-volume segmentation via sequence structural similarity and augmentation consistency-based self-supervised learning 2025-Dec-17, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3637302 PMID:41406282	研究论文	本文提出了一种名为VWV-SSL的自监督学习算法，用于三维颈动脉超声图像分割以生成血管壁体积测量	VWV-SSL算法利用了颈动脉超声图像的序列结构相似性和强弱增强特征一致性进行自监督任务，使网络在自监督任务训练中更好地学习血管特征表示	NA	开发一种自监督学习算法以改善在少量标注图像上训练的三维颈动脉超声图像分割性能	颈动脉血管壁体积（VWV）的测量，涉及颈动脉的中膜-外膜边界（MAB）和管腔-内膜边界（LIB）的分割	医学图像分析	颈动脉粥样硬化	三维超声成像	深度学习	三维超声图像	来自250名受试者的1158个三维超声图像（包括579个颈总动脉和579个分叉处图像）	NA	3D U-Net	NA	NA
1644	2025-12-19	SG-DCNN: A Deep Learning Method Integrating Self-Attention Mechanism and Generative Adversarial Network for Predicting Ion-Ligand Binding Residues in Small Samples 2025-Dec-17, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3645246 PMID:41406298	研究论文	本文提出了一种名为SG-DCNN的集成算法，结合生成对抗网络和自注意力机制于深度卷积神经网络框架中，用于预测小样本离子配体结合残基	首次将生成对抗网络和自注意力机制整合到深度卷积神经网络中，以解决小样本和类别不平衡问题，提高预测精度	仅针对八种小样本离子配体进行实验验证，样本规模有限，可能影响模型的泛化能力	提高蛋白质与离子配体结合残基的预测准确性，特别是在小样本和类别不平衡条件下	蛋白质与离子配体的结合残基	机器学习	NA	NA	GAN, CNN	序列数据	八种小样本离子配体	NA	深度卷积神经网络, 自注意力机制, 生成对抗网络	准确率, Matthews相关系数	NA
1645	2025-12-19	Two Stage Fine-Tuned Multimodal Generative AI for Automated ECG Based Cardiovascular Report Generation 2025-Dec-17, Biomedical physics & engineering express IF:1.3Q3 DOI:10.1088/2057-1976/ae2e01 PMID:41406494	研究论文	提出一种轻量级多模态生成式AI框架，用于自动解读心电图图像并生成结构化临床报告	采用两阶段微调策略，基于SmolVLM-500M-Instruct模型，通过量化低秩适应实现高效部署，并构建了定制的多模态心电图数据集	未明确说明模型在特定亚组或罕见心电图模式上的泛化能力，以及数据集的具体规模细节	开发一种准确且可扩展的心血管疾病自动诊断解决方案	心电图图像及其对应的临床报告	计算机视觉, 自然语言处理	心血管疾病	量化低秩适应	生成式AI, 多模态模型	图像, 文本	NA	NA	SmolVLM-500M-Instruct	BLEU, ROUGE-L, BERTScore	标准硬件
1646	2025-12-19	Deep Learning Algorithms Enabled Visual Detection of Anthrax Biomarkers by Mn3O4 Nanozyme-Based Colorimetric Sensor Array 2025-Dec-17, Analytical chemistry IF:6.7Q1 DOI:10.1021/acs.analchem.5c03628 PMID:41406958	研究论文	本研究开发了一种结合苯丙氨酸修饰的MnO纳米酶比色传感器阵列与深度学习算法的新方法，用于检测炭疽生物标志物2,6-吡啶二羧酸及其结构类似物	创新性地将可调氧化酶活性的纳米酶比色传感器阵列与YOLOv8深度学习算法结合，实现了对炭疽生物标志物的自动视觉检测与分类	未明确说明传感器阵列在更复杂实际环境中的稳定性及长期性能	开发一种快速、准确且自动化的炭疽生物标志物检测方法	炭疽生物标志物2,6-吡啶二羧酸及其六种结构类似物	计算机视觉	炭疽病	比色传感器阵列，纳米酶催化	YOLOv8	图像	未明确说明具体样本数量，但涉及七种结构类似物的检测	PyTorch	YOLOv8	平均精度均值，平均置信度	NA
1647	2025-12-19	A Comprehensive Hyperspectral Image Dataset for Forest Fire Detection and Classification 2025-Dec-17, Scientific data IF:5.8Q1 DOI:10.1038/s41597-025-06404-8 PMID:41407751	研究论文	本文介绍了一个名为OHID-FF的大规模高光谱卫星图像数据集，专为森林火灾检测和分类任务设计	相比现有火灾数据集，OHID-FF提供了更丰富的数据量和更高的成像质量，为高光谱图像分类设定了新基准	NA	森林火灾检测和分类	高光谱卫星图像	计算机视觉	NA	高光谱成像	深度神经网络	高光谱图像	1,197幅高光谱图像，覆盖22个不同场景	NA	NA	NA	NA
1648	2025-12-19	MFU-Net: a multi-scale fusion U-Net for seismic phase picking 2025-Dec-17, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32145-0 PMID:41408109	研究论文	本文提出了一种多尺度融合U-Net架构（MFU-Net），用于提高地震波相位拾取的准确性	在U-Net的跳跃连接中设计了多尺度特征融合模块，并在瓶颈层引入了多头注意力机制，以增强关键特征区域的识别能力	NA	提高地震波相位拾取的准确性	地震波形数据中的P波和S波到达时间	机器学习	NA	NA	CNN	波形数据	NA	NA	U-Net	P波拾取准确率, S波拾取准确率	NA
1649	2025-12-19	Lightweight Vision Transformer with transfer learning for interpretable Alzheimer's disease severity assessment 2025-Dec-17, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-28243-8 PMID:41408128	研究论文	提出一种轻量级深度学习框架ViTTL，用于基于MRI数据评估阿尔茨海默病的严重程度	将Vision Transformer与预训练的卷积神经网络结合进行迁移学习，并引入LIME和GRAD-CAM方法确保模型可解释性，同时实现了模型大小的大幅压缩	未明确说明模型在更广泛临床环境中的验证情况，以及跨不同MRI扫描仪和协议的泛化能力	开发准确、可解释且资源高效的阿尔茨海默病诊断工具	阿尔茨海默病患者	计算机视觉	阿尔茨海默病	MRI	Vision Transformer, CNN, ANN	图像	OASIS数据集和Kaggle独立数据集	未明确说明	ViT-DenseNet201	准确率, Dice相似系数	未明确说明
1650	2025-12-19	Progressive curriculum learning with Scale-Enhanced U-Net for continuous airway segmentation 2025-Dec-17, BMC medical imaging IF:2.9Q2 DOI:10.1186/s12880-025-02066-5 PMID:41408195	研究论文	提出一种渐进式课程学习框架和尺度增强U-Net，用于提升胸部CT图像中气道的连续分割精度	提出渐进式课程学习三阶段框架（粗学习、通用联合损失、自适应拓扑响应损失），结合尺度增强U-Net和裁剪采样策略，直接解决大小气道类别不平衡问题	未明确说明计算资源需求，且内部数据集未公开	提升气道分割的连续性和准确性，以支持术前规划和实时支气管镜导航	胸部CT图像中的气道结构	数字病理	肺部疾病	CT成像	CNN	图像	ATM'22挑战数据集和内部数据集（具体数量未说明）	NA	U-Net, Scale-Enhanced U-Net (SE-UNet)	树长检测率(TD), 分支检测率(BD)	NA
1651	2025-12-19	A novel statistical feature selection framework for biomarker discovery and cancer classification via multiomics integration 2025-Dec-17, BMC medical research methodology IF:3.9Q1 DOI:10.1186/s12874-025-02713-z PMID:41408184	研究论文	本文提出了一种名为sDCFE的新型统计特征选择框架，用于通过多组学整合进行生物标志物发现和癌症分类	开发了sDCFE特征选择方法，通过扩展Fisher类方差分析，结合中位数绝对偏差正则化项和聚类分离组件，增强了鲁棒性和可解释性	NA	早期癌症诊断、生物标志物发现和跨癌症类型及分期的可靠分类	泛癌分类和肺鳞状细胞癌分期	机器学习	肺癌	RNA-seq, 甲基化测序	XGBoost, CNN	组学数据	NA	NA	NA	准确率, MCC, AUC	NA
1652	2025-12-19	Screening for lung fibrosis using serum surfactant protein-D, KL-6, and a deep learning algorithm on chest radiographs: a prospective observational study 2025-Dec-17, BMC pulmonary medicine IF:2.6Q2 DOI:10.1186/s12890-025-04062-5 PMID:41408239	研究论文	本研究通过前瞻性观察，评估了血清生物标志物SP-D、KL-6及深度学习算法BMAX在胸部X光片上筛查肺纤维化的能力	首次在健康体检环境中，结合血清生物标志物与深度学习算法，系统评估了肺纤维化的早期筛查策略	样本量较小，仅81人接受了CT扫描，且CT评估仅由两位专家进行，可能存在主观偏差	评估血清生物标志物SP-D、KL-6及深度学习算法BMAX在健康体检中筛查肺纤维化的有效性和可行性	接受常规健康检查的个体	数字病理学	肺纤维化	血清生物标志物检测（SP-D、KL-6）、胸部X光摄影、胸部CT扫描	深度学习算法	图像（胸部X光片）、血清生物标志物数据	2,751名参与者，其中228人被推荐进行CT扫描，81人实际接受扫描	NA	BMAX	灵敏度、特异性	NA
1653	2025-12-19	DeepPNCC: reconstructing pseudo-spatial cell-cell interaction landscapes from single-cell data to decipher breast cancer pathogenesis 2025-Dec-17, Journal of translational medicine IF:6.1Q1 DOI:10.1186/s12967-025-07578-w PMID:41408299	研究论文	本文提出了一种名为DeepPNCC的深度学习框架，用于从单细胞RNA测序数据中重建伪空间细胞-细胞相互作用网络，以解析乳腺癌的发病机制	DeepPNCC是一种新颖的深度学习框架，它利用未解离细胞聚集体中保留的潜在空间线索，通过变分图自编码器结合对抗正则化，无需依赖配体-受体对等先验知识，即可从scRNA-seq数据中推断全局、空间感知的相互作用景观	该方法依赖于未解离细胞聚集体中的潜在空间线索，可能不适用于完全解离的单细胞数据，且未明确讨论其在其他疾病或组织类型中的泛化能力	开发一种能够从scRNA-seq数据中提取空间相关细胞间相互作用信息的方法，以阐明疾病（如癌症）发生和发展的机制	单细胞RNA测序数据，特别是小鼠大脑和乳腺癌数据集中的细胞	机器学习	乳腺癌	单细胞RNA测序	变分图自编码器	单细胞RNA测序数据	涉及小鼠大脑和乳腺癌数据集，具体样本数量未明确说明	Python	变分图自编码器	与空间转录组学对齐的相互作用恢复性能，具体指标未明确说明	NA
1654	2025-12-19	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模型与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模型中增加了用于严重程度分类的辅助头，并结合TOPSIS进行多准则决策，实现了检测、严重程度评估和数据驱动维护优先级排序的同步执行	未明确说明模型在不同气候条件或道路类型下的泛化能力，也未讨论框架在实时部署中的计算效率限制	开发一个能够同时进行道路缺陷检测、严重程度评估和维护优先级排序的智能城市管理框架，以提升交通安全性、降低维护成本并促进城市可持续性	城市道路表面缺陷	计算机视觉	NA	深度学习，多准则决策	CNN	图像	NA	PyTorch	YOLOv8	NA	NA
1655	2025-12-19	Deep Learning-Assisted G4 Nanowire-Enhanced Carbon Dot Biosensor for Exosomal LncRNA Artificial Intelligence Diagnosis 2025-Dec-17, Analytical chemistry IF:6.7Q1 DOI:10.1021/acs.analchem.5c06416 PMID:41408423	研究论文	开发了一种基于G4纳米线增强的铜/铈共掺杂碳点的双模式光电化学/比率荧光生物传感器，结合深度学习，用于外泌体lncRNA检测和肺癌的智能诊断	提出了一种结合G4纳米线增强的碳点双模式生物传感器与深度学习进行外泌体lncRNA检测和癌症智能诊断的创新方法	未明确说明样本来源的多样性、生物传感器的临床验证范围以及深度学习模型的泛化能力	开发高灵敏度、准确的外泌体lncRNA检测方法，并实现肺癌的早期智能诊断	外泌体长链非编码RNA	生物传感器, 深度学习	肺癌	光电化学/比率荧光双模式生物传感, 深度学习	深度学习模型	生物传感器产生的光电化学和荧光数据	NA	NA	NA	诊断准确率	NA
1656	2025-12-19	Diffusion Tensor Magnetic Resonance Image Registration Based on Parallel Dual-Channel VoxelMorph 2025-Dec-16, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3644884 PMID:41406277	研究论文	本文提出了一种基于并行双通道VoxelMorph的扩散张量磁共振图像配准新方法，旨在解决传统DTI配准方法计算慢、精度低的问题	设计了并行双分支卷积神经网络架构，同时处理FA图像和主特征向量两种输入模式，并在解码层集成通道空间注意力机制以动态突出关键解剖特征和方向一致性	未明确说明方法在复杂病理脑结构或大规模多中心数据上的泛化能力，也未与其他最先进的深度学习方法进行系统比较	提高扩散张量磁共振图像的配准精度和计算速度，以促进其在临床应用中的可行性	扩散张量磁共振成像数据	医学图像处理	NA	扩散张量磁共振成像	卷积神经网络	4D张量数据（3D空间中的3×3张量）	NA	NA	并行双通道VoxelMorph	配准精度，计算速度	NA
1657	2025-12-19	ZhiFangDanTai: Fine-tuning Graph-based Retrieval-Augmented Generation Model for Traditional Chinese Medicine Formula 2025-Dec-16, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3607819 PMID:41406278	研究论文	提出一个结合图检索增强生成与大型语言模型微调的框架，用于生成更全面、可解释的中医方剂	提出ZhiFangDanTai框架，首次将图检索增强生成与LLM微调结合用于中医方剂任务，并提供了理论证明表明该方法能降低泛化误差和幻觉率	现有中医指令数据集缺乏足够细节（如君臣佐使、功效、禁忌、舌脉诊断等），限制了模型输出的深度	提升中医方剂生成模型的全面性和可解释性	中医方剂	自然语言处理	NA	图检索增强生成，大型语言模型微调	LLM	文本	NA	NA	NA	NA	NA
1658	2025-12-19	Deep learning models for image classification of lymphoma: a pilot study in canine 2025-Dec-16, The Journal of veterinary medical science IF:1.1Q3 DOI:10.1292/jvms.24-0518 PMID:41407379	研究论文	本研究旨在基于细针穿刺图像，利用深度学习模型区分犬淋巴瘤与其他疾病，特别是反应性淋巴样增生	首次在犬淋巴瘤图像分类中应用Vision Transformer和Inception-v3模型，并探索了两种集成学习策略	样本量有限（仅14例淋巴瘤和7例RLH病例），且ViT模型性能未达预期	开发深度学习模型以区分犬淋巴瘤和反应性淋巴样增生	犬淋巴瘤和反应性淋巴样增生的细针穿刺图像	计算机视觉	淋巴瘤	细针穿刺成像	CNN, Transformer	图像	2,290张犬淋巴瘤FNA图像和871张RLH FNA图像，来自14例淋巴瘤和7例RLH病例	NA	Vision Transformer, Inception-v3	准确率, 召回率, AUC, 精确率	NA
1659	2025-12-19	Deep learning analysis of urine-derived stem cell mitochondrial morphology as a non-invasive Alzheimer's disease biomarker 2025-Dec-16, Neurotherapeutics : the journal of the American Society for Experimental NeuroTherapeutics IF:5.6Q1 DOI:10.1016/j.neurot.2025.e00813 PMID:41407593	研究论文	本研究开发了一个基于深度学习的AI框架，利用活体尿液来源干细胞（USC）的线粒体荧光成像，分析认知障碍个体（AD和MCI）与认知正常（CN）受试者之间的差异，以探索阿尔茨海默病的非侵入性生物标志物	首次将尿液来源干细胞的线粒体形态分析与深度学习相结合，用于阿尔茨海默病的非侵入性生物标志物检测	需要更大规模的独立队列进行进一步验证	开发一种便捷、非侵入性的阿尔茨海默病生物标志物检测方法	认知障碍个体（阿尔茨海默病和轻度认知障碍）与认知正常受试者的尿液来源干细胞	计算机视觉	阿尔茨海默病	线粒体荧光成像	CNN	图像	NA	NA	ResNet-18	NA	NA
1660	2025-12-19	Hippocampal auto-segmentation based on deep learning for identifying magnetic resonance imaging biomarkers of early mild cognitive impairment 2025-Dec-15, Neuroscience IF:2.9Q2 DOI:10.1016/j.neuroscience.2025.11.014 PMID:41223925	研究论文	本研究开发了一种基于深度学习的海马体自动分割预测模型，结合影像组学特征提取，构建了多种机器学习诊断模型用于轻度认知障碍（MCI）的识别	提出了一种新的基于卷积神经网络（CNN）的深度学习网络用于3D T1WI图像中海马体的自动分割，并结合影像组学特征与XGBoost算法构建高效诊断模型	样本量相对较小（150名受试者），且未提及外部验证集，可能影响模型的泛化能力	开发自动海马体分割模型并识别早期轻度认知障碍的磁共振成像生物标志物	轻度认知障碍（MCI）患者与正常对照者	医学影像分析	轻度认知障碍	磁共振成像（3D T1WI）	CNN, 机器学习分类器（LR, SVM, RF, XGBoost）	3D医学影像	150名受试者（训练集与验证集按7:3随机划分）	未明确提及，但涉及深度学习与机器学习框架	基于CNN的新型深度学习网络（具体架构未指定）	AUC, 95%置信区间	NA