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
1	2026-06-02	IoT based healthcare system using fractional dung beetle optimization enabled deep learning for breast cancer classification 2025-02, Computational biology and chemistry IF:2.6Q2 DOI:10.1016/j.compbiolchem.2024.108277 PMID:39586227	研究论文	提出一种基于物联网和分数阶粪甲虫优化深度学习方法的乳腺组织病理图像癌症分类系统	将分数阶粪甲虫优化算法（FDBO）结合SqueezeNet进行乳腺组织病理图像分类，并利用FDBO实现物联网路由优化	文中未明确讨论局限性	提高基于组织病理图像的乳腺癌症分类准确率，构建高效的物联网医疗系统	乳腺组织病理图像数据集	计算机视觉	乳腺癌	组织病理学成像	深度学习（SqueezeNet、LadderNet）	图像	NA	NA	SqueezeNet、LadderNet	准确率、敏感度、特异度、阴性预测值、阳性预测值	NA
2	2026-05-30	Synthetic Diffusion Tensor Imaging Maps Generated by 2D and 3D Probabilistic Diffusion Models: Evaluation and Applications 2025-Feb-25, bioRxiv : the preprint server for biology DOI:10.1101/2025.02.21.639511 PMID:40060678	研究论文	评估2D和3D概率扩散模型生成的合成扩散张量成像图的质量及其在数据增强和下游任务中的应用	首次系统比较2D切片级和3D体积级扩散模型在合成DTI平均扩散率图的质量、效率和下游任务性能，发现3D合成在下游任务中优于2D	NA	评估2D和3D扩散概率模型生成的合成DTI图像的质量、保真度及其在性别分类和痴呆分类等下游任务中的增值效用	合成的DTI平均扩散率图，以及用于性别分类和痴呆分类的2D和3D卷积神经网络	机器视觉, 数字病理	痴呆症	扩散张量成像	概率扩散模型, 卷积神经网络	图像	NA	NA	2D和3D卷积神经网络	图像质量、保真度、计算效率、下游任务性能	NA
3	2026-05-29	Bioimaging and the future of whole-organismal developmental physiology 2025-02, Comparative biochemistry and physiology. Part A, Molecular & integrative physiology DOI:10.1016/j.cbpa.2024.111783 PMID:39581226	评论文章	评估影像技术作为测量整体生物发育生理学手段的重要性，并探讨计算机视觉在发育生理学中的应用潜力与挑战	强调计算机视觉模型在不同物种、生命阶段和实验之间的可转移性，推动发育生理学中的表型组学应用	并未提及具体的技术验证或定量结果分析	探讨利用计算机视觉和深度学习方法推进发育动物生长与功能的理解	发育中的动物整体生物及其体表形态	计算机视觉	NA	影像技术	深度学习模型	图像	NA	NA	NA	NA	NA
4	2026-05-27	Artificial intelligence-driven ensemble deep learning models for smart monitoring of indoor activities in IoT environment for people with disabilities 2025-02-05, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-88450-1 PMID:39910242	研究论文	提出了一种基于元启发式优化的集成深度学习模型，用于在物联网环境中对残疾人的室内活动进行智能监测	首次将海洋捕食者算法用于特征选择，并采用图卷积网络、LSTM序列到序列和卷积自编码器的集成模型，利用改进的卷尾猴优化算法进行超参数调优	未提及模型在真实场景中的部署挑战、计算资源需求或对不同类型残疾人的适应性	开发一种智能监测室内活动的方法，以提高残疾人的生活质量并降低医疗成本	残疾人的室内活动监测	机器学习	NA	NA	集成模型（图卷积网络、LSTM序列到序列、卷积自编码器）	传感器信号、图像或视频帧	NA	NA	图卷积网络（GCN）、LSTM序列到序列（LSTM-seq2seq）、卷积自编码器（ConvAutoencoder）	准确率（Accuracy）	NA
5	2026-05-27	Automatic cervical lymph nodes detection and segmentation in heterogeneous computed tomography images using deep transfer learning 2025-02-04, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-84804-3 PMID:39905029	研究论文	利用深度迁移学习在异构CT图像中自动检测和分割颈部淋巴结	使用大规模头颈数据集预训练的nnUNet模型进行迁移学习，实现了在异质CT图像中自动检测和分割颈部淋巴结，并验证了在不同医院外部测试集中的泛化能力	检测灵敏度较低（54.6%），且外部测试集性能有所下降；未说明模型在更广泛临床场景中的表现	开发用于自动检测和分割颈部淋巴结的深度学习模型	626名头颈癌患者的11,013个标注淋巴结（短轴直径≥3mm）	计算机视觉	头颈癌	CT成像	深度学习模型（nnUNet）	CT图像	11,013个淋巴结（626名患者）	nnUNet	nnUNet	灵敏度、阳性预测值、假阳性率/例、Dice相似系数、Hausdorff距离	NA
6	2026-05-27	Investigating a Domain Adaptation Approach for Integrating Different Measurement Instruments in a Longitudinal Clinical Registry 2025-02, Biometrical journal. Biometrische Zeitschrift DOI:10.1002/bimj.70023 PMID:39698740	研究论文	探索将域自适应方法用于整合纵向临床注册中不同测量工具以获取联合潜在表示	将计算机科学中用于图像数据的域自适应概念应用于纵向队列设置，通过常微分方程对潜在表示中的轨迹建模并从基线特征推断个体参数，还加入惩罚项以改善对齐	在更复杂场景中对齐效果降低，且仅评估了时间点较少的情况	评估域自适应方法在整合不同测量工具以分析纵向注册数据中的潜力	脊髓性肌萎缩症患者注册数据中的不同运动功能测量工具	机器学习	脊髓性肌萎缩症	NA	深度学习模型（常微分方程）	数值型纵向数据（测量工具评估得分）	基于修改的SMA数据及真实SMA数据集，具体样本数未提供	NA	NA	拟合优度、复杂度	NA
7	2026-05-25	A joint three-plane physics-constrained deep learning based polynomial fitting approach for MR electrical properties tomography 2025-02-15, NeuroImage IF:4.7Q1 DOI:10.1016/j.neuroimage.2025.121054 PMID:39863005	研究论文	提出一种联合三平面物理约束深度学习多项式拟合法，用于磁共振电特性断层成像，以提升电导率重建精度并减少计算负担	将物理约束的加权多项式拟合与深度学习融合，通过联合优化三个正交平面内的神经网络权重，实现三维数据驱动的电特性重建，显著提升泛化能力且无需大量训练数据	未提及在更大规模或不同病理组织上的验证，也未评估计算资源的需求	改进磁共振电特性断层成像中电导率重建的精度和鲁棒性，同时减少计算开销	模拟异质脑模型和体内人脑组织	数字病理	脑部疾病	磁共振电特性断层成像	卷积神经网络	MRI图像	模拟异质脑模型（具体样本数未提及）及体内人脑数据	NA	三个独立神经网络（具体架构未明确）	电导率估计精度、解剖细节保留度、均匀性	未提及
8	2026-05-25	RetOCTNet: Deep Learning-Based Segmentation of OCT Images Following Retinal Ganglion Cell Injury 2025-Feb-03, Translational vision science & technology IF:2.6Q2 DOI:10.1167/tvst.14.2.4 PMID:39903165	研究论文	提出RetOCTNet深度学习工具，用于自动分割视网膜神经纤维层和全视网膜厚度，应用于大鼠视网膜神经节细胞损伤后的OCT图像	首次开发专门针对大鼠视网膜神经节细胞损伤后OCT图像的深度学习分割工具，能同时处理放射状和体积扫描，并在眼压升高和视神经夹伤两种模型上验证	NA	开发自动化分割工具，减少大鼠OCT图像分析时间并提高研究间一致性	大鼠视网膜神经纤维层和全视网膜厚度	计算机视觉	视网膜神经节细胞损伤	OCT	深度学习分割模型	图像	192张OCT扫描图像（80%训练，10%测试，10%验证）	NA	RetOCTNet	F1分数	NA
9	2026-05-23	Capsule neural network and adapted golden search optimizer based forest fire and smoke detection 2025-02-04, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-81742-y PMID:39905031	研究论文	提出一种结合改进胶囊神经网络与自适应黄金搜索优化器的森林火灾和烟雾检测方法	首次将胶囊神经网络与自适应黄金搜索优化器结合用于森林火灾和烟雾检测	未提及模型在真实场景中的部署及实时性评估	提高森林火灾和烟雾检测的准确性和可靠性	森林火灾和烟雾	计算机视觉	NA	深度学习	胶囊神经网络	图像	NA	NA	胶囊神经网络、自适应黄金搜索优化器	准确性、可靠性	NA
10	2026-05-23	Advances in colorectal cancer diagnosis using optimal deep feature fusion approach on biomedical images 2025-02-04, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-024-83466-5 PMID:39905104	研究论文	提出一种基于最优深度特征融合方法的结直肠癌诊断新方法，利用生物医学图像实现高精度分类	融合MobileNet、SqueezeNet和SE-ResNet三种深度学习模型进行特征提取，并使用Osprey优化算法进行超参数选择，最终采用深度信念网络进行分类，首次在Warwick-QU数据集上达到99.39%的准确率	仅在一个数据集上进行了验证，未提及模型的泛化能力和在真实临床环境中的表现	开发一种基于深度特征融合的计算机辅助诊断方法，提高结直肠癌病理图像诊断的准确性和一致性	结直肠癌患者的病理组织学图像	数字病理学	结直肠癌	NA	MobileNet, SqueezeNet, SE-ResNet, DBN	生物医学图像（病理组织学图像）	Warwick-QU数据集	NA	MobileNet, SqueezeNet, SE-ResNet, DBN	准确率	NA
11	2026-05-23	ThyroNet-X4 genesis: an advanced deep learning model for auxiliary diagnosis of thyroid nodules' malignancy 2025-02-04, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-86819-w PMID:39905156	研究论文	提出了一种名为ThyroNet-X4 Genesis的深度学习模型，用于甲状腺结节的良恶性辅助诊断	在ResNet架构基础上，通过引入分组卷积和更大的卷积核来增强特征提取能力，提升了超声图像分析性能	外部验证集准确率仅为67.02%，表明泛化能力可能有限，且未提及模型在真实临床环境中的鲁棒性评估	开发一种高精度的深度学习模型，用于自动分类甲状腺结节的良恶性，以减少误诊风险	甲状腺结节超声图像中的良性与恶性分类	计算机视觉	甲状腺结节	超声成像	卷积神经网络（CNN）	图像	使用了公开甲状腺超声图像数据集，以及来自汉中市中心医院的外部验证集，具体样本数量未提及	NA	ResNet（改进版，含分组卷积和大核卷积）	准确率	NA
12	2026-05-23	Semantic Segmentation of TB in Chest X-rays: a New Dataset and Generalization Evaluation 2025-Feb, Proceedings of SPIE--the International Society for Optical Engineering DOI:10.1117/12.3047222 PMID:40224922	研究论文	本文提出了一个新的胸部X光片结核病语义分割数据集TB-Portals SIFT，并评估了U-Net和YOLOv8-seg架构的语义分割模型在结核病变分割上的泛化能力	构建了首个可用于结核病变语义分割的大规模数据集TB-Portals SIFT，并系统比较了基于分割的分类方法与传统图像级分类方法的泛化性能	依赖伪标签进行训练，可能引入标注噪声；未在真实临床环境中验证模型效果	通过语义分割实现可解释的结核病分类，并评估分割方法的泛化能力	胸部X光片中的结核病变区域	计算机视觉	结核病	X光成像	CNN	图像	6,328张胸部X光片，包含10,435个伪标注病变实例	PyTorch	U-Net, YOLOv8-seg, DenseNet121	分割精度, 分类准确率, 目标检测性能, 泛化性能	NA
13	2026-05-20	Retinal vascular alterations in cognitive impairment: A multicenter study in China 2025-02, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz.14593 PMID:39988572	研究论文	本研究调查了中国三个地区认知障碍患者的视网膜血管变化，利用深度学习分割模型提取36个血管特征，发现与认知功能相关的血管结构改变	首次在多中心东亚人群中使用VC-Net深度学习模型量化视网膜动静脉网络特征，并发现静脉结构与认知功能水平的相关性	需要在更大样本队列中验证，并探索视网膜血管改变的潜在机制	探究视网膜血管变化作为认知障碍生物标志物的可行性	轻度认知障碍或阿尔茨海默病患者与健康对照者的视网膜图像	计算机视觉	阿尔茨海默病	视网膜成像	VC-Net（深度学习分割模型）	图像	176例认知障碍患者（MCI或AD）和264例对照者	NA	VC-Net	NA	NA
14	2026-05-19	Flexible Tail of Antimicrobial Peptide PGLa Facilitates Water Pore Formation in Membranes 2025-02-06, The journal of physical chemistry. B DOI:10.1021/acs.jpcb.4c06190 PMID:39847609	研究论文	通过全原子模拟和深度学习算法，研究了抗菌肽PGLa诱导细胞膜水孔形成的完整过程，揭示了C末端尾部柔性的关键作用	首次阐明PGLa多肽C末端尾部柔性在膜插入和寡聚化过程中的重要性，并利用基于深度学习的中间状态识别算法解析了水孔形成的分子机制	未提及具体局限性	揭示抗菌肽PGLa诱导细胞膜水孔形成的分子机制，特别是结构柔性的作用	抗菌肽PGLa与阴离子细胞膜（DMPC/DMPG组成）的相互作用	机器学习	NA	全原子模拟（all-atom simulations）	深度学习模型	模拟轨迹数据	NA	NA	NA	NA	NA
15	2026-05-18	Application of one-class classification using deep learning technique improves the classification of subvisible particles 2025-02, Journal of pharmaceutical sciences IF:3.7Q2 DOI:10.1016/j.xphs.2024.11.023 PMID:39615881	研究论文	利用深度学习技术的单类分类方法改善亚可见颗粒的分类效果	首次将深度学习技术与单类分类器结合应用于亚可见颗粒图像分类，解决了传统方法在区分异质性稳定分布对象方面的不足	免疫球蛋白G来源聚集物和清蛋白来源聚集物的分类效果存在差异，前者更为满意，后者仍有改进空间	探究深度学习技术是否能提高单类分类器在亚可见颗粒图像分类中的性能	亚可见颗粒，包括硅油和两种蛋白聚集物（免疫球蛋白G来源聚集物和清蛋白来源聚集物）	数字病理学	NA	NA	深度学习模型（具体类型未明确指定）	图像	包含硅油和两种蛋白聚集物的数据集，具体数量未提及	NA	NA	分类分数	NA
16	2026-05-16	Prediction of cognitive conversion within the Alzheimer's disease continuum using deep learning 2025-02-13, Alzheimer's research & therapy DOI:10.1186/s13195-025-01686-x PMID:39948600	研究论文	开发深度学习模型预测阿尔茨海默病连续谱中的认知转化	利用纵向多变量数据（人口统计学、病史、神经心理学结果、实验室和神经影像结果）构建深度学习模型，实现不同时间点的认知转化预测，并通过逐步简化变量集获得高AUC值的简约模型	模型基于ADNI队列数据，可能需外部验证；预设定阈值可能影响治疗升级决策的泛化性	开发深度学习模型以预测阿尔茨海默病患者的认知转化，指导临床治疗决策	阿尔茨海默病神经影像学倡议队列中的607名个体（基线）及纵向随访数据	机器学习	阿尔茨海默病	NGS	深度学习	表格数据（人口统计学、病史、神经心理学、实验室、神经影像结果）	607名基线个体，其中538人随访12个月，482人随访24个月，268人随访36个月，280人随访48个月	NA	深度学习（未指定具体架构）	AUC	NA
17	2026-05-16	Development of Nipple Trauma Evaluation System With Deep Learning 2025-02, Journal of human lactation : official journal of International Lactation Consultant Association IF:2.1Q2 DOI:10.1177/08903344241303867 PMID:39718190	研究论文	利用深度学习开发乳头创伤评估系统，通过图像分类自动检测和分级乳头创伤	首次将深度学习应用于母乳喂养支持领域，开发了基于七个乳头创伤体征的图像分类系统	数据集规模较小（753张图像），且四类分类器在无创伤和轻度类别上的召回率和精确率较低	开发一套基于深度学习的乳头创伤评估系统，以支持母乳喂养护理人员	乳头创伤图像（来自先前研究），包括裂缝、脱皮、紫癜、结痂等八类体征	计算机视觉	乳腺疾病	NA	目标检测与图像分类模型	图像	753张乳头创伤图像	NA	NA	精确率、召回率、总体准确率、AUC、每秒帧数	NA
18	2026-05-15	An explainable deep learning model for diabetic foot ulcer classification using swin transformer and efficient multi-scale attention-driven network 2025-02-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-87519-1 PMID:39900977	研究论文	提出一种基于Swin Transformer和高效多尺度注意力驱动网络的双轨融合模型，用于糖尿病足溃疡分类，并集成可解释人工智能	首次采用Swin Transformer与Efficient Multi-Scale Attention-Driven Network (EMADN) 双轨架构进行糖尿病足溃疡分类，结合轻量级多尺度可变形混洗和全局扩张注意力模块进行特征提取，并引入Grad-CAM可解释人工智能方法	NA	开发一种高效自动化的深度学习模型，用于糖尿病足溃疡的准确分类，辅助医疗专业人员诊断	糖尿病足溃疡分类任务，使用DFUC-2021数据集	计算机视觉	糖尿病	NA	混合模型（Swin Transformer与CNN组合）	图像	NA（使用DFUC-2021数据集）	NA	Swin Transformer, Efficient Multi-scale Attention-Driven Network (EMADN), Grad-CAM	准确率, 宏观F1分数	NA
19	2026-05-15	Enhancing depression recognition through a mixed expert model by integrating speaker-related and emotion-related features 2025-02-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-88313-9 PMID:39900968	研究论文	提出一种混合专家模型，通过整合说话人相关和情感相关特征来提升抑郁症识别性能	首次在抑郁症识别中分离并融合说话人相关特征和情感相关特征，采用混合专家模型和多领域自适应算法，在跨语言数据集中表现优异	仅使用语音信号，未结合其他模态信息；自建中文数据集规模可能有限；MAE值在AVEC2014数据集上仍有优化空间	通过融合说话人相关和情感相关的语音特征，提高抑郁症自动识别的准确性并解决跨语言文化差异问题	抑郁症患者的语音信号	机器学习	抑郁症	语音特征提取、迁移学习、多领域自适应	混合专家模型（MoE）	语音数据	自建中文抑郁症数据集（数量未明确）和AVEC2014数据集	PyTorch	时延神经网络（TDNN）	准确率、平均绝对误差（MAE）	NA
20	2026-05-15	Synchronization-based graph spatio-temporal attention network for seizure prediction 2025-02-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-88492-5 PMID:39901056	研究论文	提出了一种基于同步的图时空注意力网络用于癫痫发作预测	首次将图时空注意力网络与同步机制相结合，有效捕捉癫痫发作期间的时空相关性和个体间差异	未提及计算资源需求及模型泛化性验证	提高癫痫发作预测的准确性和可靠性，特别是针对难以分类的受试者	癫痫患者脑电图（EEG）记录中的发作前兆信号	机器学习	癫痫	EEG记录	图注意力网络	脑电图信号	CHB-MIT公共数据集	NA	图时空注意力网络（SGSTAN）	准确率, 特异度, 灵敏度	NA