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	2026-01-05	Artificial intelligence in hepatopancreatobiliary surgery for clinical outcome prediction: current perspective and future direction 2025-Jul-31, Journal of robotic surgery IF:2.2Q2 DOI:10.1007/s11701-025-02617-6 PMID:40742577	综述	本文综述了人工智能在肝胆胰外科临床结局预测中的应用现状与未来方向	探讨了深度学习模型在预测术后并发症和手术复杂性方面相比传统方法更高的准确性，并展望了实时术中引导、联邦学习和可解释AI框架等新兴创新	面临数据质量、模型泛化性和伦理实施等挑战	评估人工智能在肝胆胰外科临床结局预测中的潜力与未来发展方向	肝胆胰外科手术	机器学习	肝胆胰疾病	深度学习模型	深度学习模型	NA	NA	NA	NA	准确性	NA
2	2026-01-05	Artificial intelligence-based action recognition and skill assessment in robotic cardiac surgery simulation: a feasibility study 2025-Jul-13, Journal of robotic surgery IF:2.2Q2 DOI:10.1007/s11701-025-02563-3 PMID:40652436	研究论文	本研究开发了一种基于深度神经网络的系统，用于识别机器人心脏手术模拟中的基本手术动作并评估外科医生技能	首次结合CNN和LSTM，仅使用视频数据实现机器人心脏手术的动作识别与技能评估，并通过Grad-CAM可视化算法关注区域	技能评估网络准确率较低（56%），需要更多数据提升性能；样本量有限（19名外科医生）	开发AI系统以自动化评估机器人心脏手术模拟中的手术表现	机器人心脏手术模拟视频数据，涵盖缝合和分离两种手术动作	计算机视觉	心血管疾病	视频分析	CNN, LSTM	视频	19名外科医生，435段录像	NA	CNN与LSTM结合架构	准确率, 召回率, 精确率, F1分数, 预测确定性	NA
3	2026-01-03	A Tunable Forced Alignment System Based on Deep Learning: Applications to Child Speech 2025-Jul-29, Journal of speech, language, and hearing research : JSLHR DOI:10.1044/2024_JSLHR-24-00347 PMID:40163771	研究论文	本文开发了一种基于深度学习的可调谐强制对齐系统Wav2TextGrid，专门用于儿童语音分析，通过训练直接适应临床级手动对齐标准	开发了首个可训练、说话者自适应的神经强制对齐器，支持直接基于手动对齐数据进行训练，显著提升了儿童语音中爆破音和塞擦音的对齐准确率	研究仅基于42名3至6岁神经典型儿童的数据集，未涵盖更广泛年龄范围或病理语音样本	开发一个适用于非标准语音（特别是儿童语音）的高精度自动语音对齐工具	儿童语音数据（3-6岁神经典型儿童）和TIMIT语料库	自然语言处理	NA	深度学习语音对齐	神经网络	语音音频	42名神经典型儿童（3-6岁）的语音语料库	NA	NA	对齐准确率	NA
4	2026-01-01	Automated identification of autism spectrum disorder from facial images using explainable deep learning models 2025-Jul-22, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-11847-5 PMID:40695996	研究论文	本研究提出了一种基于可解释深度学习模型的自动化自闭症谱系障碍面部图像识别框架	整合了多种预训练CNN模型、数据增强技术和可解释AI方法（如LIME），在提升准确率的同时增强了模型的可解释性	未明确说明模型在不同人群和临床环境中的泛化能力，以及数据集的多样性限制	开发自动化、高效且可解释的自闭症谱系障碍早期检测方法	自闭症谱系障碍患者的面部图像	计算机视觉	自闭症谱系障碍	面部图像分析	CNN	图像	NA	TensorFlow, Keras	VGG16, VGG19, InceptionV3, VGGFace, MobileNet	准确率	NA
5	2025-12-30	mamp-ml: A deep learning approach to epitope immunogenicity in plants 2025-Jul-15, bioRxiv : the preprint server for biology DOI:10.1101/2025.07.11.664399 PMID:40791437	研究论文	本文介绍了一种名为mamp-ml的机器学习框架，用于预测植物受体-配体相互作用，特别是针对免疫原性结果	结合了超过二十年的功能数据和大型蛋白质语言模型ESM-2，构建了一个能够预测免疫原性结果的管道和模型，即使缺乏实验结构也能实现73%的预测准确率	未明确提及具体局限性，但可能依赖于现有功能数据的质量和覆盖范围	开发一个计算框架，用于高通量筛选LRR受体-配体组合，并工程化植物免疫系统	植物受体和配体，特别是与病原体检测和免疫诱导相关的LRR受体	机器学习	NA	蛋白质语言模型ESM-2，机器学习	深度学习	蛋白质序列数据	基于超过二十年的功能数据，但未指定具体样本数量	未明确指定，但可能涉及TensorFlow, PyTorch等	ESM-2	准确率	NA
6	2025-12-25	Complete AI-Enabled Echocardiography Interpretation With Multitask Deep Learning 2025-07-22, JAMA DOI:10.1001/jama.2025.8731 PMID:40549400	研究论文	本研究开发并验证了一个名为PanEcho的多任务深度学习AI系统，用于自动解读经胸超声心动图，涵盖39个标签和测量指标	提出了首个能够全面自动化解读超声心动图（包括诊断分类和参数估计）的多任务深度学习AI系统，并在多个外部队列中验证了其跨地域和时间的稳健性	研究为回顾性设计，需要在各自临床工作流程中进行前瞻性评估以确认其实际应用效果	开发并评估一个AI系统，以自动化超声心动图的解读，提高心血管护理的效率和可及性	经胸超声心动图视频	数字病理	心血管疾病	超声心动图	深度学习	视频	来自24,405名患者的32,265项TTE研究，包含120万段超声心动图视频	NA	NA	AUC, 平均绝对误差, 归一化平均绝对误差	NA
7	2025-12-24	LPD-Net: A Lightweight and Efficient Deep Learning Model for Accurate Colorectal Polyp Segmentation 2025-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference DOI:10.1109/EMBC58623.2025.11254269 PMID:41337006	研究论文	本文提出了一种轻量高效的深度学习模型LPD-Net，用于精确的结直肠息肉分割，以辅助结直肠癌的早期检测	LPD-Net通过优化网络架构、减少残差块数量以及利用深度可分离卷积和逐点卷积，在保持高分割精度的同时显著降低了计算复杂度，是DUCK-Net的轻量高效替代方案	NA	开发一种轻量高效的深度学习模型，用于实时临床环境中的结直肠息肉分割，以克服现有模型计算量大、不适用于资源有限场景的问题	结直肠息肉	计算机视觉	结直肠癌	NA	CNN	图像	NA	NA	LPD-Net	NA	NA
8	2025-12-21	Multi-site, multi-vendor development and validation of a deep learning model for liver stiffness prediction using abdominal biparametric MRI 2025-Jul, European radiology IF:4.7Q1 DOI:10.1007/s00330-024-11312-3 PMID:39779515	研究论文	本研究开发并验证了一种基于深度学习的模型，利用腹部双参数MRI预测肝脏硬度，以评估慢性肝病患者的肝纤维化程度	开发了首个基于多中心、多厂商数据的深度学习模型DeepLiverNet2.0，利用常规临床非对比腹部T1加权和T2加权MRI数据预测MRE衍生的肝脏硬度，无需额外MRE检查	模型性能虽合理但仍有提升空间，未整合临床特征，未来需进一步优化以减少对MRE的依赖	开发并验证深度学习模型，利用常规临床双参数MRI数据预测肝脏硬度，作为肝纤维化的替代标志物	成人和儿童慢性肝病患者，来自四个机构的MRI检查数据	数字病理学	慢性肝病	MRI, MRE	深度学习模型	图像	4295名患者的4695次MRI检查，包括成人和儿童	NA	DeepLiverNet2.0	AUROC	NA
9	2025-12-20	An optimized multi-scale dilated attention layer for keratoconus disease classification 2025-Jul-30, International ophthalmology IF:1.4Q3 DOI:10.1007/s10792-025-03688-y PMID:40736610	研究论文	本文提出了一种优化的多尺度扩张注意力层模型（Optimized MSDALNet），用于基于角膜地形图图像的圆锥角膜疾病分类	引入了多尺度扩张注意力层（MSDAL）以捕获不同空间分辨率的局部和全局角膜特征，并采用北极海雀优化算法（APO）进行训练优化，结合了可解释AI（XAI）能力	数据集规模有限且缺乏多模态输入	自动化圆锥角膜（KCN）的检测与分类	圆锥角膜疾病	计算机视觉	圆锥角膜	角膜地形图成像	深度学习模型	图像	超过1,100张标记的角膜地形图图像，分为正常、疑似和KCN三类	NA	Optimized MSDALNet（包含多尺度扩张注意力层）	准确率, 精确率, 召回率, 特异性, FNR, MCC, AUC	NA
10	2025-12-20	Advances in machine learning for ABCA4-related retinopathy: segmentation and phenotyping 2025-Jul-23, International ophthalmology IF:1.4Q3 DOI:10.1007/s10792-025-03690-4 PMID:40699379	综述	本文探讨了机器学习在ABCA4相关视网膜病变（ABCA4R）中的应用，重点关注图像分割和表型分型	综述了机器学习在ABCA4R中分割和表型分型的最新进展，包括集成建模、自注意力机制、软标签方法和动态框架等先进技术	数据集较小且疾病表现多变，这构成了显著挑战	自动化ABCA4R评估中的关键步骤，以监测疾病进展和分类患者亚组	ABCA4相关视网膜病变（Stargardt病）患者	数字病理学	视网膜病变	眼底成像，视网膜电图（ERG），微视野检查	深度学习	图像，电生理数据	15篇选定文章（源自264篇），具体样本量未明确说明	NA	NA	DICE系数，准确率	NA
11	2025-12-19	Spatially resolved subcellular protein-protein interactomics in drug-perturbed lung-cancer cultures and tissues 2025-Jul, Nature biomedical engineering IF:26.8Q1 DOI:10.1038/s41551-024-01271-x PMID:39478233	研究论文	本文提出了一种结合多重邻近连接检测与图卷积网络的方法，用于可视化药物扰动下肺癌细胞和组织中蛋白质-蛋白质相互作用的亚细胞空间分布	开发了一种可同时分析多达47种蛋白质相互作用的多重邻近连接检测方法，并结合图卷积网络对空间解析的PPI数据进行深度学习预测	方法主要针对非小细胞肺癌中EGFR突变型，尚未验证在其他癌症类型或更广泛蛋白质网络中的适用性	研究药物扰动下肺癌细胞中蛋白质-蛋白质相互作用的亚细胞空间分布与信号网络调控机制	非小细胞肺癌细胞培养物和组织样本（EGFR突变型）	数字病理学	肺癌	多重邻近连接检测，免疫荧光	图卷积网络	空间蛋白质相互作用图像数据	NA	NA	图卷积网络	预测准确率	NA
12	2025-12-13	spRefine Denoises and Imputes Spatial Transcriptomics with a Reference-Free Framework Powered by Genomic Language Model 2025-Jul-07, bioRxiv : the preprint server for biology DOI:10.1101/2025.04.22.649977 PMID:40631230	研究论文	本文介绍了一种名为spRefine的深度学习框架，利用基因组语言模型对空间转录组数据进行去噪和插补	提出了一个无参考框架，结合基因组语言模型联合处理空间转录组数据的噪声和缺失问题，并作为模型预训练和新生物信号发现的强有力工具	NA	克服空间转录组数据中高噪声水平和基因测量缺失的挑战，提升数据质量和分析能力	空间转录组数据	机器学习	NA	空间转录组学	深度学习框架	空间转录组数据	NA	NA	基因组语言模型	NA	NA
13	2025-12-13	Integrative Analysis of Multi-Omics Data for Biomarker Discovery 2025-Jul, Annual International Conference of the IEEE Engineering in Medicine and Biology Society. IEEE Engineering in Medicine and Biology Society. Annual International Conference DOI:10.1109/EMBC58623.2025.11254134 PMID:41336317	研究论文	本文通过整合代谢组学、脂质组学、肽组学、蛋白质组学和糖蛋白组学数据，探索统计和深度学习方法，以发现区分肝细胞癌与肝硬化对照的多组学生物标志物	采用多组学整合分析方法，结合统计和深度学习技术，从血清样本中识别肝细胞癌与肝硬化的差异特征，并揭示相关生物通路如LXR/RXR激活和急性反应信号	样本量较小（仅20例肝细胞癌和20例肝硬化患者），可能影响结果的普遍性和统计效力	发现区分肝细胞癌与肝硬化的多组学生物标志物，以改善疾病预测和个性化治疗	肝细胞癌和肝硬化患者的血清样本	机器学习	肝细胞癌	LC-MS/MS分析	深度学习	多组学数据（代谢组学、脂质组学、肽组学、蛋白质组学、糖蛋白组学）	40个血清样本（20例肝细胞癌，20例肝硬化）	NA	NA	NA	NA
14	2025-12-13	Leveraging artificial intelligence for cardiovascular risk: a primary care perspective 2025 Jul-Sep, Romanian journal of morphology and embryology = Revue roumaine de morphologie et embryologie DOI:10.47162/RJME.66.3.13 PMID:41382952	研究论文	本研究探讨了基于人工智能的时间深度学习模型在初级保健中支持心血管风险分层的潜力	利用时间深度学习模型（LSTM和GRU）在临床现实的合成患者队列中进行心血管风险预测，并将预测结果转化为可操作的临床建议	研究基于合成患者队列，可能无法完全反映真实世界数据的复杂性	支持初级保健中的心血管风险分层，以增强早期干预策略	合成患者队列，包括人口统计学和临床变量	机器学习	心血管疾病	NA	LSTM, GRU	序列数据	NA	NA	LSTM, GRU	NA	NA
15	2025-12-12	Memory kernel minimization-based neural networks for discovering slow collective variables of biomolecular dynamics 2025-Jul, Nature computational science IF:12.0Q1 DOI:10.1038/s43588-025-00815-8 PMID:40495006	研究论文	本文提出了一种基于记忆核最小化的神经网络框架MEMnets，用于准确识别生物分子动力学中的慢集体变量	MEMnets基于积分广义主方程理论，通过编码非马尔可夫动力学到记忆核中，并通过并行编码器网络最小化时间积分记忆核的上界来识别最优集体变量	NA	识别生物分子动力学中捕捉最慢时间尺度的集体变量，以理解蛋白质构象变化等生物过程	FIP35 WW结构域的折叠过程和细菌RNA聚合酶的钳口开放构象变化	机器学习	NA	深度学习	神经网络	生物分子动力学数据	NA	NA	并行编码器网络	NA	NA
16	2025-12-12	Detection and segmentation of brain metastases on MRI using 3D-MedDCNet 2025-Jul, Medical physics IF:3.2Q1 DOI:10.1002/mp.18001 PMID:40665544	研究论文	本文提出了一种名为3D-MedDCNet的新型深度学习模型，用于MRI中脑转移瘤的检测与分割，旨在提高对小转移病灶的检测敏感性和分割准确性	在nnUNet框架中集成了3D可变形卷积（3D-DCN），以增强对小转移病灶的检测敏感性，同时不增加假阳性率	模型尚未在更多样化的数据集上进行验证，未来需要探索基础模型和改进实例分割策略	提高MRI中脑转移瘤的自动化检测与分割精度，以支持临床决策和治疗规划	脑转移瘤	数字病理学	脑转移瘤	MRI	CNN	图像	两个数据集：UCSF脑转移数据集（560个MRI扫描）和BraTS-METS 2023数据集（1,297个MRI扫描）	nnUNet	3D-MedDCNet（基于nnUNet集成3D-DCN）	敏感性, 精确度, 病灶级Dice系数, 患者级Dice系数, 假阳性率	NA
17	2025-12-10	3MT-Net: A Multi-Modal Multi-Task Model for Breast Cancer and Pathological Subtype Classification Based on a Multicenter Study 2025-Jul, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2024.3445952 PMID:39163184	研究论文	本研究提出了一种名为3MT-Net的多模态多任务深度学习模型，用于基于超声图像和临床数据对乳腺癌及其病理亚型进行分类	提出了一种新颖的多模态多任务网络架构，集成了临床数据、B超和多普勒超声图像，并采用AM-CapsNet提取图像特征、级联交叉注意力机制融合数据，以及集成学习与优化算法动态分配模态权重	研究为回顾性数据收集，可能存在选择偏倚；未提及模型在外部独立验证集上的泛化性能	开发一个用于乳腺癌良恶性分类及病理亚型分类的深度学习模型	乳腺病变的超声图像（B超和多普勒）及临床数据	数字病理学	乳腺癌	超声成像（B超，多普勒超声）	深度学习，集成学习	图像（超声图像），临床数据	来自九个医疗中心的多中心回顾性数据	NA	3MT-Net, AM-CapsNet	AUC	NA
18	2025-12-10	Respiratory Anomaly and Disease Detection Using Multi-Level Temporal Convolutional Networks 2025-Jul, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3545156 PMID:40031640	研究论文	本研究提出了一种新颖的深度学习框架，通过多级时间卷积网络（ML-TCN）结合空间特征提取和时间相关性分析，用于呼吸声音的异常和疾病检测	提出了一种同时捕获呼吸声音空间特征并利用时间卷积网络挖掘其时空相关性的深度学习框架，克服了现有方法孤立分析时空特征的局限性	研究基于公开数据集ICBHI 2017，数据量有限且存在类别不平衡问题，模型在更广泛临床环境中的泛化能力有待验证	开发一种自动化呼吸声音分析系统，用于早期肺部疾病的检测	呼吸声音音频数据	机器学习	肺部疾病	深度学习	CNN, TCN	音频	ICBHI 2017挑战数据集	未明确指定	多级时间卷积网络（ML-TCN）	Score指标, 平均灵敏度, 平均特异性, 分类准确率	NA
19	2025-12-10	Optimal Electroencephalogram and Electrooculogram Signal Combination for Deep Learning-Based Sleep Staging 2025-Jul, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3541453 PMID:40031834	研究论文	本研究通过深度学习模型评估不同脑电图和眼电图信号组合在自动睡眠分期中的性能，旨在确定最优信号组合以实现简化的测量设置	首次系统性地比较了多种脑电图和眼电图信号组合在深度学习自动睡眠分期中的性能，验证了简化测量设置的可行性	研究仅针对疑似阻塞性睡眠呼吸暂停患者，未涵盖其他睡眠障碍类型；信号组合数量有限，可能未覆盖所有潜在最优组合	识别用于深度学习自动睡眠分期的最优脑电图和眼电图信号组合，以简化传统多导睡眠图的测量设置	876名疑似阻塞性睡眠呼吸暂停患者的脑电图和眼电图信号	机器学习	阻塞性睡眠呼吸暂停	多导睡眠图	深度学习模型	脑电图信号, 眼电图信号	876名疑似阻塞性睡眠呼吸暂停患者	NA	NA	准确率, Cohen's kappa	NA
20	2025-12-10	Beyond the Ground Truth, XGBoost Model Applied to Sleep Spindle Event Detection 2025-Jul, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3544966 PMID:40031867	研究论文	本文提出了一种基于XGBoost的新型机器学习检测框架SpinCo，用于睡眠纺锤体事件检测，其性能接近最先进的深度学习技术，同时依赖于一组固定的易于解释的特征	提出了一种基于详尽滑动窗口特征提取和XGBoost算法的新型机器学习检测框架，开发了一种新的逐事件评估指标，增强了评估的可解释性，并提出了基于自动方法泛化能力估计的新型性能评估测试	未明确提及具体限制，但暗示深度学习方法的决策过程难以理解，而本研究旨在通过可解释特征解决此问题	开发一种性能接近深度学习技术但更易于解释的自动睡眠纺锤体检测方法	睡眠纺锤体事件	机器学习	NA	脑电图	XGBoost	脑电图信号	NA	XGBoost	NA	对称性指标,概率解释	NA