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
41	2025-12-10	KSMoFinder - Knowledge graph embedding of proteins and motifs for predicting kinases of human phosphosites 2025-Oct-23, bioRxiv : the preprint server for biology DOI:10.1101/2025.10.21.683733 PMID:41279605	研究论文	本文介绍了KSMoFinder，一种通过整合蛋白质生物背景来预测激酶-底物-基序关系的深度学习模型	KSMoFinder不仅考虑磷酸化位点周围的氨基酸序列基序，还通过知识图谱嵌入整合了蛋白质的生物背景，从而超越了仅基于基序相似性的现有工具	未明确提及模型的具体局限性	预测人类磷酸化位点的激酶	蛋白质、激酶特异性基序和基序组成	机器学习	NA	知识图谱嵌入、深度学习分类	深度学习分类器	知识图谱数据、蛋白质序列数据	使用来自iPTMnet和PhosphositePlus的真实激酶-底物-基序数据集	未明确指定	未明确指定	ROC-AUC, PR-AUC	未明确指定
42	2025-12-10	CalDiff: calibrating uncertainty and accessing reliability of diffusion models for trustworthy lesion segmentation 2025-Oct-23, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3624331 PMID:41129433	研究论文	本文提出了一种名为CalDiff的新框架，用于校准扩散模型在病灶分割中的不确定性，以提高模型的可靠性和可信度	利用多专家标注引入的不确定性，设计了一种基于扩散模型序列特性的双步序感知校准机制，以生成与预测性能一致的不确定性估计	研究仅在两个多标注病灶分割数据集上进行验证，未涉及更广泛的医学图像类型或疾病类别	开发一个可靠的病灶分割模型，通过校准不确定性来减少过度自信但错误的预测风险	医学图像中的病灶分割任务，特别是涉及多专家标注的场景	数字病理学	NA	扩散模型	扩散模型	图像	NA	NA	扩散模型	NA	NA
43	2025-12-10	Deep Learning of Brain-Behavior Dimensions Identifies Transdiagnostic Biotypes in Youth with ADHD and Anxiety Disorders 2025-Oct-15, bioRxiv : the preprint server for biology DOI:10.1101/2025.10.13.682243 PMID:41279186	研究论文	本研究开发了一个基于深度学习的脑-行为建模框架，用于识别青少年ADHD和焦虑障碍中的跨诊断生物型	整合临床显著功能连接与认知行为测量，识别可解释的维度和生物学基础的亚型（生物型），并验证其在独立队列中的稳健性和泛化性	NA	阐明异质性精神表现，推进基于生物学的早期分类框架，促进青少年心理健康临床转化	青少年（9-11岁）ADHD和焦虑障碍患者	机器学习	ADHD, 焦虑障碍	功能连接分析	深度学习	功能连接数据, 认知行为测量数据	3,508名儿童（ABCD数据集）和224名年龄匹配参与者（HBN队列）	NA	NA	NA	NA
44	2025-12-10	SCREAM: Single-cell Clustering using Representation Autoencoder of Multiomics 2025-Oct-13, bioRxiv : the preprint server for biology DOI:10.1101/2025.10.03.680290 PMID:41279430	研究论文	本文提出了一种名为SCREAM的新型深度学习框架，用于单细胞多组学数据的稳健整合与聚类	SCREAM结合了堆叠自编码器（SAEs）和深度嵌入聚类（DEC），为多组学数据生成鲁棒的潜在表示并优化聚类分配	未在摘要中明确提及	开发一个深度学习框架以解决单细胞多组学数据整合与聚类的挑战	单细胞多组学数据，包括SNARE-seq和CITE-seq数据集	机器学习	NA	单细胞多组学技术（如SNARE-seq, CITE-seq）	自编码器（Autoencoder）	多组学数据	未在摘要中明确提及	未在摘要中明确提及	堆叠自编码器（SAEs）	调整兰德指数（ARI）, 归一化互信息（NMI）	未在摘要中明确提及
45	2025-12-10	AnatomyArray: A high-throughput platform for anatomical phenotyping in plants 2025-Oct-08, The Plant cell DOI:10.1093/plcell/koaf223 PMID:40977461	研究论文	本文介绍了AnatomyArray系统，一个用于植物高通量解剖表型分析的集成平台，包括组织切片、成像和深度学习分析工具	开发了AnatomyArray系统，结合高通量石蜡切片、多通道成像和深度学习工具AnatomyNet，实现了植物组织细胞排列和形态的自动化定量分析	未明确提及系统在非小麦物种或更广泛植物组织中的适用性限制	解决植物解剖表型大规模成像和准确定量的技术挑战，以研究植物组织结构和功能的遗传基础	植物组织，特别是小麦根部的解剖结构	数字病理学	NA	高通量石蜡切片、多通道载玻片成像	深度学习	图像	多样化小麦种群	NA	AnatomyNet	NA	NA
46	2025-12-10	Deep Learning-Based Control of Electrically Evoked Activity in Human Visual Cortex 2025-Oct-08, bioRxiv : the preprint server for biology DOI:10.1101/2025.09.24.678361 PMID:41279945	研究论文	本文介绍了一种基于深度学习的自动化数据驱动神经控制方法，用于视觉神经假体，通过生成最优多电极刺激模式来诱发目标神经响应	首次在人类植入物中应用深度学习框架进行神经控制，实现了自动化多电极刺激模式的优化，显著优于传统手动校准方法	研究仅基于一名盲人参与者的数据，样本规模有限，且未在更广泛临床应用中验证	开发一种自动化数据驱动的神经控制方法，以改善视觉神经假体的感知稳定性和效果	植入在盲人参与者枕叶皮层的96通道犹他电极阵列	机器学习	视力障碍	深度神经网络训练与预测	深度神经网络	神经响应数据	一名盲人参与者	深度学习框架	深度神经网络	神经活动控制效果、刺激电流降低、感知稳定性	NA
47	2025-12-10	Deep learning for automatic ICD coding: Review, opportunities and challenges 2025-Oct, Artificial intelligence in medicine IF:6.1Q1 DOI:10.1016/j.artmed.2025.103187 PMID:40664094	综述	本文全面综述了深度学习在自动ICD编码中的最新进展、机遇与挑战	从独特视角系统总结深度学习在ICD编码中的应用，分析模型设计动机、网络架构及辅助数据整合趋势	综述范围限于2017-2023年文献，未涵盖传统机器学习方法的详细对比分析	揭示自动ICD编码领域的关键挑战与发展趋势	基于深度学习的自动ICD编码方法相关文献	自然语言处理	NA	深度学习	CNN, RNN, Transformer, PLM	临床文本	53篇相关文献（2017-2023年）	NA	卷积神经网络, 循环神经网络, 注意力机制, Transformer, 预训练语言模型	NA	NA
48	2025-12-10	Medical radiology report generation: A systematic review of current deep learning methods, trends, and future directions 2025-Oct, Artificial intelligence in medicine IF:6.1Q1 DOI:10.1016/j.artmed.2025.103220 PMID:40700862	系统综述	本文对基于深度学习的医学影像报告生成领域进行了全面的系统性回顾，总结了当前方法、趋势和未来方向	这是迄今为止最全面的关于深度学习医学影像报告生成的系统性综述，涵盖了从传统架构到大型语言模型的最新进展，并首次系统性地整理了22个数据集、14个评估指标、约20个损失函数、超过25个视觉骨干网络和30多个文本骨干网络	作为一篇综述文章，其局限性在于主要基于现有文献进行分析，未提出新的原创模型或方法	系统回顾和总结深度学习在医学影像报告生成领域的研究现状、方法和发展趋势	医学影像报告生成相关的研究文献、数据集、模型架构和评估方法	自然语言处理, 医学影像	NA	深度学习	CNN, Transformer, 大型语言模型	医学影像, 文本报告	涉及78项研究，涵盖22个公开数据集	TensorFlow, PyTorch	ResNet, VGG, U-Net, DenseNet, EfficientNet, Transformer	准确率, 精确率, 召回率, F1分数, BLEU, ROUGE, METEOR, CIDEr	NA
49	2025-12-10	Radiomics, machine learning, and deep learning for hippocampal sclerosis identification: a systematic review and diagnostic meta-analysis 2025-Oct, Epilepsy & behavior : E&B IF:2.3Q2 DOI:10.1016/j.yebeh.2025.110624 PMID:40737956	系统综述与诊断性荟萃分析	本文通过系统综述和荟萃分析，评估了基于放射组学、机器学习和深度学习的人工智能模型在识别海马硬化方面的诊断性能	首次对人工智能（包括机器学习与深度学习）及放射组学在识别海马硬化方面的诊断性能进行了系统综述和荟萃分析，并比较了不同算法（如SVM、CNN）以及单独使用AI与AI结合放射组学的效果	纳入的研究数量较少（仅6项），且存在显著的异质性（I² > 69%），可能影响结果的普遍适用性	综合近期人工智能和放射组学研究，以提高颞叶癫痫中海马硬化的检测准确性	海马硬化，特别是与内侧颞叶癫痫相关的病例	医学影像分析，机器学习，深度学习	颞叶癫痫，海马硬化	放射组学，机器学习，深度学习	支持向量机，卷积神经网络，逻辑回归	医学影像数据（如MRI）	NA（综述文章，未报告总样本量，但基于6项纳入研究）	NA	NA	灵敏度，特异度，受试者工作特征曲线下面积	NA
50	2025-12-09	Development and validation of a predictive model for adherent perirenal fat based on CT radiomics and deep learning 2025-Oct-29, World journal of urology IF:2.8Q2 DOI:10.1007/s00345-025-06049-7 PMID:41160174	研究论文	本研究旨在开发和验证一种基于CT影像组学与深度学习的预测模型，用于术前预测肾脏肿瘤患者的粘连性肾周脂肪	结合CT影像组学与深度学习（特别是3D-UNet模型）来预测粘连性肾周脂肪，并在多中心数据集上进行内部和外部验证	外部测试集样本量相对较小（43例），可能影响模型的泛化能力评估	开发并验证一种术前预测粘连性肾周脂肪的预测模型，以辅助肾脏肿瘤手术规划	肾脏肿瘤患者	数字病理学	肾脏肿瘤	CT影像	深度学习, 逻辑回归	CT图像	460名患者（其中291例用于交叉验证，126例用于内部测试，43例用于外部测试）	NA	3D-UNet	曲线下面积, Dice相似系数	NA
51	2025-12-09	Investigating the capability of deep learning models to predict age and biological sex from anterior segment ophthalmic imaging: a multi-centre retrospective study 2025-Oct-29, BMJ open IF:2.4Q1 DOI:10.1136/bmjopen-2025-107196 PMID:41161843	研究论文	本研究评估了基于迁移学习的卷积神经网络利用前段光学相干断层扫描图像、Placido盘角膜地形图图像和外部照片预测年龄和生物性别的能力	首次在多中心回顾性研究中，利用深度学习模型从前段眼科图像中提取年龄和性别信息，并通过显著性图可视化模型的决策过程	研究为回顾性设计，数据来源于单一公共健康信托机构，可能限制了模型的泛化能力	评估深度学习模型从前段眼科图像中预测年龄和生物性别的能力	前段光学相干断层扫描图像、Placido盘角膜地形图图像和外部照片	计算机视觉	NA	光学相干断层扫描，角膜地形图成像	CNN	图像	来自20,542名患者的40,592只眼睛的557,468次扫描	NA	NA	准确率，精确率，召回率，F1分数，ROC-AUC，Pearson相关系数，决定系数，平均绝对误差	NA
52	2025-12-09	Comparing radiomics, deep learning, and fusion models for predicting occult pleural dissemination in patients with non-small cell lung cancer: a retrospective multicenter study 2025-Oct-29, BMC cancer IF:3.4Q2 DOI:10.1186/s12885-025-15121-9 PMID:41163134	研究论文	本研究开发并比较了基于放射组学的机器学习、深度学习和融合模型，用于术前预测非小细胞肺癌患者的隐匿性胸膜播散	首次在多个中心回顾性研究中，系统比较了放射组学机器学习、深度学习及融合模型（特别是后融合模型）在预测非小细胞肺癌隐匿性胸膜播散方面的性能	研究为回顾性设计，样本量相对有限（326例患者），且仅使用了CT图像的最大横截面切片，可能未充分利用三维空间信息	开发并比较不同模型以术前识别非小细胞肺癌患者的隐匿性胸膜播散，辅助临床决策	非小细胞肺癌患者	计算机视觉	肺癌	CT扫描	机器学习, 深度学习	图像	326例非小细胞肺癌患者（来自三个中国大型医疗中心，2016-2023年），分为训练集（216例）、内部测试集（54例）和外部测试集（56例）	NA	DenseNet121	AUC, 敏感性	NA
53	2025-12-09	PlasmoFP: leveraging deep learning to predict protein function of uncharacterized proteins across the malaria parasite genus 2025-Oct-19, bioRxiv : the preprint server for biology DOI:10.1101/2025.09.12.675843 PMID:41279499	研究论文	本文介绍了PlasmoFP，一种利用深度学习预测疟原虫属中未表征蛋白质功能的模型	PlasmoFP创新性地基于系统发育相关的SAR超群蛋白质的结构-功能关系进行训练，解决了疟原虫蛋白质因序列相似性低而难以注释的挑战	NA	预测疟原虫属中未表征蛋白质的功能，以推进疟疾基础研究	疟原虫属中的蛋白质，特别是未注释或功能未知的蛋白质	机器学习	疟疾	深度学习	深度学习模型	蛋白质序列和结构数据	涉及19种疟原虫物种的蛋白质	NA	NA	通过减少未注释蛋白质比例和增加完全注释蛋白质比例进行评估	NA
54	2025-12-09	Machine and deep learning applied to medical microwave imaging: a scoping review from reconstruction to classification 2025-Oct-15, Progress in biomedical engineering (Bristol, England) DOI:10.1088/2516-1091/ae0bd3 PMID:40997871	综述	本文对机器学习在医学微波成像中的应用进行了范围综述，重点关注图像重建和分类两个关键领域	系统性地梳理了机器学习在微波成像中从重建到分类的最新研究进展，并强调了其在临床转化中的潜力	作为范围综述，未进行定量荟萃分析，且可能未涵盖所有新兴方法	探讨机器学习在医学微波成像中的角色，特别是在图像重建和分类任务中的应用	医学微波成像技术及其在乳腺和脑部成像等医疗应用中的研究	机器学习	乳腺癌, 神经系统疾病	微波成像	卷积神经网络, 支持向量机	微波成像数据	NA	NA	NA	NA	NA
55	2025-12-09	VISTA Uncovers Missing Gene Expression and Spatial-induced Information for Spatial Transcriptomic Data Analysis 2025-Oct-07, Research square DOI:10.21203/rs.3.rs-7564369/v1 PMID:41282090	研究论文	本文提出了一种名为VISTA的新方法，用于预测空间转录组学数据中未观测基因的表达水平	VISTA首次结合变分推理和几何深度学习，联合建模单细胞RNA-seq数据和空间转录组学数据，并引入不确定性量化	NA	解决空间转录组学技术中基因表达谱覆盖范围有限的问题，提升空间诱导细胞状态和特征的分析能力	空间转录组学数据	数字病理学	NA	单细胞RNA-seq, 空间转录组学	几何深度学习	基因表达数据, 空间数据	四个空间转录组学数据集	NA	NA	NA	NA
56	2025-12-09	Multi-label diagnosis of dental conditions from panoramic x-rays using attention-enhanced deep learning 2025-Oct-07, Oral and maxillofacial surgery DOI:10.1007/s10006-025-01463-y PMID:41055759	研究论文	本研究开发并评估了用于全景X射线图像中多类别牙科疾病自动分类的深度学习模型，比较了自定义CNN架构、注意力机制、预训练模型和混合方法的有效性	结合注意力机制的自定义CNN架构、预训练模型与注意力机制的集成，以及CNN与机器学习（如随机森林）的混合方法，用于牙科疾病的多标签诊断	数据集缺乏正常/健康病例，且需在不同临床人群中进行前瞻性验证研究以确立真实世界的有效性和安全性	开发并评估用于全景X射线图像中牙科疾病多类别自动分类的深度学习模型	全景牙科X射线图像	计算机视觉	牙科疾病	数据增强、CLAHE增强、归一化	CNN, SVM, Random Forest, Decision Tree	图像	1,512张全景牙科X射线图像，预处理后生成4,764张类别平衡图像	TensorFlow, PyTorch, Scikit-learn	自定义CNN, VGG16, ResNet50, Xception	准确率, 精确率, 召回率, F1分数, ROC-AUC	NA
57	2025-12-09	Development and Validation of a Modality-Invariant 3D Swin U-Net Transformer for Liver and Spleen Segmentation on Multi-Site Clinical Bi-parametric MR Images 2025-Oct, Journal of imaging informatics in medicine DOI:10.1007/s10278-024-01362-w PMID:39707114	研究论文	本文开发并验证了一种模态不变的3D Swin U-Net Transformer深度学习模型，用于在来自多个机构的儿童和成人患者的腹部T1加权或T2加权MR图像上进行肝脏和脾脏分割	提出了一种模态不变的3D Swin UNETR模型，采用模态不变训练策略，将每位患者的T1w和T2w MR图像作为独立训练样本处理，从而实现对不同模态（T1w和T2w）图像的鲁棒分割	研究为回顾性设计，可能受限于数据集的多样性和规模；模型性能在不同模态间存在差异（如脾脏分割在T1w图像上DSC较低）	开发并验证一种能够处理多机构、多模态临床腹部MR图像的深度学习模型，用于肝脏和脾脏的自动分割	儿童和成人患者（已知或疑似慢性肝病）的腹部T1加权和T2加权MR图像	数字病理学	慢性肝病	MR成像（T1加权和T2加权）	Transformer, CNN	3D MR图像	304名患者（年龄31.8±20.3岁，43%女性），共241个T1w和339个T2w MR序列	NA	Swin UNETR, U-Net	Dice相似系数	NA
58	2025-12-09	Artificial Intelligence in Surgical Training and Applications to Otolaryngology: A Scoping Review 2025-Oct, The Laryngoscope DOI:10.1002/lary.32246 PMID:40371996	综述	本文对人工智能在手术技能评估中的应用进行了范围综述，特别关注其在耳鼻喉科教育中的潜力	系统性地综述了AI在手术技能评估中的最新进展，并特别聚焦于耳鼻喉科领域，强调了自动化反馈和客观评估的潜力	作为一篇范围综述，主要基于现有文献进行分析，未进行新的原始数据收集或模型验证	探讨人工智能在手术技能评估中的应用进展，并评估其提升耳鼻喉科教育水平的潜力	涉及手术技能评估的研究，包括基础手术任务（如打结、缝合）和特定外科手术（如乳突切除术、鼻中隔成形术）	计算机视觉	耳鼻喉科疾病	深度学习，机器学习，计算机视觉	NA	运动学数据，运动数据，力数据，视频	34项符合纳入标准的研究	NA	NA	分类准确率	NA
59	2025-12-09	Reproducible meningioma grading across multi-center MRI protocols via hybrid radiomic and deep learning features 2025-Oct, Neuroradiology IF:2.4Q2 DOI:10.1007/s00234-025-03725-8 PMID:40824403	研究论文	本研究提出了一种结合影像组学特征和基于3D自动编码器的深度学习特征的方法，用于脑膜瘤术前分级，旨在提高跨多中心MRI协议的准确性和可重复性	创新性地将手工影像组学特征与基于3D自动编码器（集成注意力机制）的深度学习特征相结合，并利用ComBat方法进行批次效应校正，以提升跨协议性能	未来需要在真实临床环境中进一步验证，并考虑整合临床参数以增强预后价值	开发一种可靠、非侵入性的脑膜瘤术前分级方法	经组织学确认的脑膜瘤患者	数字病理	脑膜瘤	MRI（T1增强和T2加权成像）	3D自动编码器, XGBoost, CatBoost, 堆叠集成	图像	3523名患者（1900例低级别，1623例高级别）	NA	3D自动编码器	准确率, 灵敏度, AUC	NA
60	2025-12-08	Intelligent Condition Monitoring of High-Formwork Support Systems: A Hybrid FEM-Deep Learning Approach with Large Language Model Integration 2025 Oct-Dec, Science progress IF:2.6Q2 DOI:10.1177/00368504251393791 PMID:41334721	研究论文	本研究提出了一种结合数值模拟、深度学习和检索增强生成系统的高支模支撑系统智能监测框架	采用遗传算法-粒子群优化混合算法优化有限元模型，并集成RNN-LSTM与基于GPT技术的RAG系统实现自动化监测报告生成	未明确说明实际工程验证的规模与长期稳定性数据	开发高支模支撑系统的智能健康监测与自动化报告生成方法	高支模支撑系统的结构响应数据与监测报告	机器学习	NA	有限元模拟、遗传算法-粒子群优化混合算法	RNN-LSTM, CNN	数值模拟生成的结构响应数据	基于有限元模型生成的三种工况数据集（正常操作、局部失稳、整体失稳）	NA	RNN-LSTM, CNN	多种评估指标（具体名称未说明）	NA