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
321	2026-01-03	Deep learning optimization of teaching schedules in sports dance education 2025-Dec-24, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-28249-2 PMID:41444315	研究论文	本研究提出了一种基于深度学习的体育舞蹈教学排课优化框架，以解决传统排课方法在动态约束处理上的不足	首次将循环神经网络（RNN）与强化学习（RL）相结合，用于体育舞蹈教育的动态排课优化，实现了高冲突解决率与自适应决策	研究基于特定教育机构的五年数据，模型在其他机构或不同教育场景中的泛化能力有待验证	优化体育舞蹈教学中的课程安排，解决教师可用性冲突、课程分配效率低及个性化训练计划需求等问题	体育舞蹈教育机构的课程安排数据，包括教师可用性、学生表现指标和历史排课记录	机器学习	NA	深度学习	RNN, RL	序列数据（历史排课数据、教师可用性、学生表现指标）	五年真实体育舞蹈课程数据	NA	循环神经网络（RNN）	冲突解决率、教师工作量平衡效率、学生课程连续性、执行时间	NA
322	2026-01-03	Graph attention network with comorbidity connectivity embedding for post-traumatic epilepsy risk prediction using sparse time-series electronic health records 2025-Dec-23, International journal of medical informatics IF:3.7Q2 DOI:10.1016/j.ijmedinf.2025.106239 PMID:41478164	研究论文	本研究提出了一种基于图注意力网络的深度学习模型，利用稀疏时间序列电子健康记录预测创伤后癫痫风险	采用异构图注意力网络整合患者人口统计学数据和共病连通性，有效捕捉电子健康记录中的复杂依赖关系	模型性能依赖于电子健康记录数据的质量和完整性，可能受数据稀疏性影响	提高创伤后癫痫风险的预测准确性，以支持个性化风险评估	创伤性脑损伤患者，包括仅患创伤性脑损伤的患者和创伤后发生癫痫的患者	机器学习	癫痫	电子健康记录分析	图注意力网络	时间序列电子健康记录	1,598,998名仅患创伤性脑损伤的患者和102,687名创伤后发生癫痫的患者	PyTorch	异构图注意力网络	灵敏度, 特异性, 宏观F1分数, AUC-ROC	NA
323	2026-01-03	Clair3-RNA: a deep learning-based small variant caller for long-read RNA sequencing data 2025-Dec-22, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-67237-y PMID:41430046	研究论文	本文提出了一种基于深度学习的、专为长读长RNA测序数据设计的小变异检测工具Clair3-RNA	首个基于深度学习的、专门针对长读长RNA测序数据的变异检测工具，采用了不均匀覆盖度归一化、精炼训练数据、编辑位点发现和单倍型定相等优化技术	NA	开发一个高性能的、适用于长读长RNA测序数据的变异检测工具	长读长RNA测序数据中的小变异	机器学习	NA	长读长RNA测序，包括PacBio、ONT cDNA测序和ONT直接RNA测序	深度学习	RNA测序数据	NA	NA	NA	F1分数	NA
324	2026-01-03	A Scorpion Peptide Exerts Selective Anti-Leukemia Effects Through Disrupting Cell Membranes and Triggering Bax/Bcl-2-Related Apoptosis Pathway 2025-Dec-18, Biomolecules IF:4.8Q1 DOI:10.3390/biom15121751 PMID:41463404	研究论文	本研究利用深度学习模型筛选出一种蝎子肽Lpep3，该肽通过破坏细胞膜并激活Bax/Bcl-2相关凋亡通路，对白血病细胞产生选择性抗肿瘤作用	首次结合AI预测模型筛选出具有选择性抗白血病活性的蝎子肽Lpep3，并系统阐明了其通过双重机制（膜破坏与凋亡诱导）发挥作用的分子机理	研究主要聚焦于MV-4-11白血病细胞系和小鼠模型，尚未在更广泛的白血病亚型或临床样本中验证，作用机制细节需进一步探索	开发基于动物毒素肽的新型抗白血病药物先导化合物	白血病细胞（MV-4-11细胞系）和荷瘤小鼠模型	生物信息学与计算生物学	白血病	深度学习预测、电子显微镜、台盼蓝染色、Calcein-AM/PI双染、LDH/ATP检测、Western blot、RT-qPCR、体内实验	深度学习模型	肽序列数据、细胞实验数据、分子生物学数据	7种预测肽中的Lpep3进行验证，使用MV-4-11细胞系和小鼠模型	NA	NA	细胞生长抑制率、LDH释放量、ATP释放量、凋亡率、蛋白表达变化、肿瘤生长抑制	NA
325	2026-01-03	Integrating AI with PCR for Tuberculosis Diagnosis: Evaluating a Deep Learning Model for Chest X-Rays 2025-Dec-18, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering12121377 PMID:41463673	研究论文	本研究评估了一种基于深度学习模型（CheXzero视觉变换器）在胸部X光片上检测结核病的诊断性能，并与PCR结果进行比较	将AI驱动的胸部X光筛查与PCR分子检测相结合，在低负担地区评估深度学习模型性能，并分析不同亚组（如年龄、合并症）对模型准确性的影响	模型在PCR确诊病例上的性能有所下降，且在老年人及患有慢性肾病、慢性阻塞性肺疾病或心力衰竭的患者中准确性较低	评估深度学习模型在结核病诊断中的性能，并与PCR检测进行比较	结核病（TB）患者及疑似病例的胸部X光图像及对应PCR检测结果	计算机视觉	结核病	聚合酶链式反应（PCR），胸部X光摄影（CXR）	深度学习模型（DLM），视觉变换器	图像	来自两家医院的回顾性数据集，包含胸部X光图像及对应PCR结果	NA	CheXzero视觉变换器	接收者操作特征曲线（ROC），曲线下面积（AUC），敏感性，特异性，预测值	NA
326	2026-01-03	Deep Learning-Based Fatigue Monitoring in Natural Environments: Multi-Level Fatigue State Classification 2025-Dec-18, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering12121374 PMID:41463671	研究论文	本研究提出了一种基于深度学习的日常疲劳监测系统，通过可穿戴设备采集心电信号，对自然环境下个体的疲劳状态进行三级分类	将疲劳监测从受控实验环境扩展到自然日常环境，提出端到端深度学习模型C-BL，并开发了适用于日常监测的可穿戴设备	样本量较小（12名受试者），实验周期为14天，可能无法完全代表更广泛人群的长期疲劳模式	开发能够在自然环境下进行日常疲劳监测的系统，实现疲劳状态的自动分类	日常环境中的个体疲劳状态	机器学习	NA	心电信号采集	深度学习模型, 机器学习模型	心电信号	12名受试者参与14天监测实验	NA	C-BL	准确率	NA
327	2026-01-03	Transfer Learning Approach with Features Block Selection via Genetic Algorithm for High-Imbalance and Multi-Label Classification of HPA Confocal Microscopy Images 2025-Dec-18, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering12121379 PMID:41463675	研究论文	本文提出了一种基于特征块选择和遗传算法的两阶段迁移学习方法，用于处理高类别不平衡和多标签分类的HPA共聚焦显微镜图像	提出了一种结合特征块提取、遗传算法优化特征块组合以及细胞级分析（如核和核膜环特征提取）的方法，以提升罕见模式的检测性能	未明确说明方法在更大规模或更复杂数据集上的泛化能力，且可能依赖于特定预训练模型	解决HPA数据集中的高类别不平衡和多标签分类问题，以准确识别蛋白质定位模式	HPA共聚焦显微镜图像，包含28种不同模式和500多种独特标签组合	计算机视觉	NA	共聚焦显微镜成像	CNN, SVM	图像	未明确指定样本数量，但基于HPA数据集	未明确指定，但可能涉及TensorFlow, PyTorch等	基于12个ImageNet预训练的CNN模型	F1分数	NA
328	2026-01-03	A Pre-Trained Model Customization Framework for Accelerated PET/MR Segmentation of Abdominal Fat in Obstructive Sleep Apnea 2025-Dec-18, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics15243243 PMID:41464242	研究论文	本研究验证了一个基于预训练网络的定制化框架，用于开发自动化内脏和皮下脂肪分割模型，利用阻塞性睡眠呼吸暂停患者的混合PET/MRI数据	提出了一个可扩展的定制化框架，结合预训练的UNet-ResNet50模型，在闭环系统中迭代训练，实现了高效的腹部脂肪分割，支持多模态成像整合	轮廓/边界分割的Dice相似系数较低（0.43和0.54），表明在边界细化方面存在改进空间	开发自动化腹部脂肪分割模型，以加速PET/MR图像中内脏和皮下脂肪的量化分析	阻塞性睡眠呼吸暂停患者的混合PET/MRI数据	数字病理学	阻塞性睡眠呼吸暂停	混合正电子发射断层扫描/磁共振成像	CNN	图像	59、157和328个标注扫描用于迭代训练，10个独立测试案例	NA	UNet-ResNet50	Dice相似系数, 分割时间, 组内相关系数, Bland-Altman分析	Discovery Viewer平台
329	2026-01-03	Artificial Intelligence and Innovation in Oral Health Care Sciences: A Conceptual Review 2025-Dec-18, Healthcare (Basel, Switzerland) DOI:10.3390/healthcare13243327 PMID:41464395	综述	本文对2020年至2025年间人工智能在牙科护理领域的应用进行了全面的文献计量和概念性综述	通过文献计量网络可视化识别了研究主题集群，并强调了生成式与多模态AI模型、可解释性及临床部署公平性等新兴趋势	纳入分析的文献数量有限（50篇），且为概念性综述，缺乏对具体AI技术临床有效性的深入实证评估	综述人工智能在牙科护理领域的应用，分析研究趋势、主题集群，并为公平、负责任地整合AI技术指明未来方向	2020年1月至2025年10月期间在PubMed、Scopus和Embase数据库中收录的与牙科AI应用相关的文献	机器学习	口腔疾病	NA	NA	NA	50篇文献	VOSviewer	NA	NA	NA
330	2026-01-03	Automated Classification of Enamel Caries from Intraoral Images Using Deep Learning Models: A Diagnostic Study 2025-Dec-18, Journal of clinical medicine IF:3.0Q1 DOI:10.3390/jcm14248959 PMID:41464861	研究论文	本研究开发并评估了两种可解释的深度学习模型，用于从口内图像中自动分类牙釉质龋	提出了两种集成了Grad-CAM以提供视觉可解释性的深度学习模型，用于牙釉质龋的自动化分类	研究结果需要未来在多中心数据集上进行外部验证	开发并评估用于牙釉质龋自动分类的可解释深度学习模型	显示早期牙釉质龋、晚期牙釉质龋和无龋的口内图像	计算机视觉	龋齿	NA	CNN	图像	2000张口内图像	NA	ExplainableDentalNet, ResNet50-SE	准确率, 马修斯相关系数	NA
331	2026-01-03	Multi-sensor observer-based residual learning with Auto-Permutation Feature Importance for fault diagnosis of multistage centrifugal pumps under variable pressures 2025-Dec-17, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32726-z PMID:41402517	研究论文	本文提出了一种基于多传感器观测器残差学习和自动置换特征重要性的框架，用于变压力条件下多级离心泵的故障诊断	结合自回归观测器进行多传感器正常信号建模以提取故障残差，并引入自动置换特征重要性机制进行特征选择和降维，提高了诊断的鲁棒性和可解释性	未明确说明模型在更广泛压力范围或不同泵类型上的泛化能力，且可能依赖于特定传感器配置	开发一种数据高效且可解释的故障诊断方法，以应对有限或不平衡数据条件下的挑战	多级离心泵	机器学习	NA	自回归观测器、统计与频谱描述符计算（如RMS、频带功率）	高斯混合模型	多传感器信号数据	在3、3.5和4巴压力级别下采集的数据集	NA	自回归观测器、高斯混合模型	准确率、ROC曲线、混淆矩阵	NA
332	2026-01-03	LivSCP: Improving Liver Fibrosis Classification Through Supervised Contrastive Pretraining 2025-Dec-17, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics15243226 PMID:41464225	研究论文	本文提出了一种名为LivSCP的监督对比预训练方法，用于提高基于肝脏超声扫描的肝纤维化分类模型的准确性	提出了一种无需改变网络架构或优化器的训练方法，在有限标注数据和计算资源的场景下显著提升了肝纤维化分类性能，并达到了最先进水平	未明确说明方法在其他医学影像分类任务中的泛化能力，也未详细讨论模型的可解释性	开发一种改进肝纤维化分类模型性能的训练方法，特别是在数据有限和计算资源受限的情况下	肝脏超声扫描图像	计算机视觉	肝纤维化	超声扫描	Vision Transformer	图像	NA	NA	Vision Transformer	准确率, 精确率, 召回率, F1分数, AUROC	NA
333	2026-01-03	Integrating Multi-Source Directed Gene Networks and Multi-Omics Data to Identify Cancer Driver Genes Based on Graph Neural Networks 2025-Dec-17, International journal of molecular sciences IF:4.9Q2 DOI:10.3390/ijms262412132 PMID:41465557	研究论文	本文提出了一种名为MDIGNN的新型深度学习模型，通过整合有向基因网络和多组学数据来识别癌症驱动基因	首次提出基于磁拉普拉斯算子的图神经网络来编码有向图的边方向性，并引入通道注意力和空间注意力机制增强特征表示能力	未明确说明模型在特定癌症类型或数据集上的泛化能力限制	识别癌症驱动基因以理解癌症分子机制并为早期诊断提供关键靶点	基因（作为网络节点）	机器学习	癌症	多组学数据整合	图神经网络	图数据（有向基因网络）、多组学数据	NA	NA	基于磁拉普拉斯的图神经网络	NA	NA
334	2026-01-03	Applications of Artificial Intelligence in Chronic Total Occlusion Revascularization: From Present to Future-A Narrative Review 2025-Dec-17, Medicina (Kaunas, Lithuania) DOI:10.3390/medicina61122229 PMID:41470230	综述	本文是一篇关于人工智能在慢性完全闭塞血运重建中应用的叙述性综述，总结了当前应用现状并展望了未来发展方向	系统性地回顾了AI/ML在CTO-PCI领域的应用，并强调了其在诊断、手术规划和预后建模方面相较于传统评分系统的优越性能，同时探讨了未来集成方向如实时引导、机器人辅助和联邦学习	作为一篇叙述性综述，其结论基于对现有文献的定性综合，缺乏前瞻性多中心验证，且临床采纳仍需解决数据隐私、终点标准化、偏见缓解和监管监督等问题	综述人工智能和机器学习在慢性完全闭塞经皮冠状动脉介入治疗中的应用，涵盖诊断成像、手术规划和预后建模	关于AI/ML在CTO-PCI中应用的同行评议原创研究、综述或荟萃分析	机器学习	心血管疾病	深度学习，机器学习算法（XGBoost, LightGBM, CatBoost）	深度学习，神经网络，集成学习模型	多模态数据，包括影像数据（冠状动脉CT血管造影、IVUS/OCT）、临床数据和患者报告结果	纳入综述的33项研究，其中大型注册研究样本量约3200例	NA	NA	AUC, 可重复性	NA
335	2026-01-03	Multi-Class Concrete Defect Classification Using Guided Semantic-Spatial Fusion and Squeeze-Excitation Enhanced DenseNet Model 2025-Dec-17, Materials (Basel, Switzerland) DOI:10.3390/ma18245665 PMID:41470437	研究论文	本研究开发了一个基于深度学习框架的多类别混凝土缺陷检测系统，通过改进DenseNet201模型，结合引导语义-空间融合模块和挤压-激励架构，提高了缺陷分类和定位的准确性	提出了一种结合引导语义-空间融合模块和挤压-激励架构的改进DenseNet201模型，用于增强特征表示并引入注意力机制，以检测和跟踪缺陷区域，从而在多类别混凝土缺陷分类中实现更高的准确性	研究仅基于2029张图像的数据集进行，样本规模相对有限，可能影响模型的泛化能力；且未详细讨论模型在复杂环境或不同光照条件下的鲁棒性	开发一个多类别混凝土缺陷检测框架，以提高混凝土缺陷的分类准确性并实现可靠的缺陷定位	混凝土材料中的结构缺陷，包括五种不同类别的缺陷	计算机视觉	NA	图像采集	CNN	图像	2029张混凝土缺陷图像，分为五类	NA	DenseNet201	准确率	NA
336	2026-01-03	A Knowledge-Guide Data-Driven Model with Selective Wavelet Kernel Fusion Neural Network for Gearbox Intelligent Fault Diagnosis 2025-Dec-17, Sensors (Basel, Switzerland) DOI:10.3390/s25247656 PMID:41471650	研究论文	提出了一种知识引导的选择性小波核融合神经网络模型，用于齿轮箱智能故障诊断	通过将诊断领域知识融入数据驱动建模，结合选择性小波核融合策略，增强了智能故障诊断系统的可解释性和诊断性能	NA	提高齿轮箱智能故障诊断的准确性和可解释性	齿轮箱	机器学习	NA	振动信号监测	神经网络	振动信号	两个公共数据集	NA	现代时间卷积网络	诊断准确率	NA
337	2026-01-03	Functional, Structural, and AI-Based MRI Analysis: A Comprehensive Review of Recent Advances 2025-Dec-16, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics15243212 PMID:41464212	综述	本文对功能、结构和基于AI的MRI分析的最新进展进行了全面回顾	总结了2012年至2025年间MRI影像组学的研究，并比较和讨论了与基于影像组学的分割相关的不同神经网络架构	在标准化、验证和临床转化方面仍存在挑战	回顾MRI数据分析的最新进展，特别是功能MRI、结构MRI和基于AI的方法	MRI数据，包括功能MRI、结构MRI和影像组学数据	医学影像分析	NA	fMRI, qMRI（如T1和T2弛豫时间映射）、质子密度成像、扩散、灌注、Dixon方法	深度学习, 传统机器学习	图像	NA	NA	NA	NA	NA
338	2026-01-03	A Lightweight Hybrid Deep Learning Model for Tuberculosis Detection from Chest X-Rays 2025-Dec-16, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics15243216 PMID:41464216	研究论文	本文提出了一种基于混合深度学习的轻量级模型，用于从胸部X光图像中检测肺结核	结合了轻量级卷积神经网络GhostNet和基于Transformer的MobileViT，通过特征融合实现分类精度与计算效率的平衡	未提及模型在更广泛或多样化数据集上的泛化能力测试	开发一种高精度且计算高效的肺结核检测方法，适用于资源受限环境	胸部X光图像	计算机视觉	肺结核	胸部X光成像	CNN, Transformer	图像	两个公开可用的胸部X光数据集	未明确提及	GhostNet, MobileViT	准确率	低计算成本（7.73M参数，282.11M浮点运算）
339	2026-01-03	Deep Learning-Driven Inversion Framework for Shear Modulus Estimation in Magnetic Resonance Elastography (DIME) 2025-Dec-15, ArXiv PMID:41445812	研究论文	本研究提出了一种基于深度学习的磁共振弹性成像剪切模量估计框架（DIME），旨在提高反演过程的鲁棒性	利用深度学习直接从位移场估计剪切模量，避免了传统MMDI算法对均匀、无限介质假设的依赖以及对噪声的高度敏感性	模型主要在合成数据上进行训练和验证，初步临床验证样本量较小（15名受试者），需要更大规模的真实数据验证	提高磁共振弹性成像中组织剪切刚度估计的准确性和鲁棒性	肝脏组织（包括健康与纤维化受试者）的剪切模量	医学影像分析	肝纤维化	磁共振弹性成像（MRE），有限元建模（FEM）模拟	深度学习模型（具体架构未明确说明，但基于图像块训练）	位移场图像，刚度图	合成数据集（均匀、异质及解剖学模拟肝脏数据集）及15名人类受试者（8名健康，7名纤维化）的肝脏MRE数据	NA	NA	相关系数（r, R），像素间变异性，边界描绘准确性	NA
340	2026-01-03	Demodicosis Mite Detection in Eyes with Blepharitis and Meibomian Gland Dysfunction Based on Deep Learning Model 2025-Dec-15, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics15243204 PMID:41464204	研究论文	本研究开发了一种基于深度学习的系统，用于从眼睫毛显微图像中自动检测和量化蠕形螨	首次将YOLOv11和RT-DETR深度学习模型应用于眼睫毛显微图像中的蠕形螨自动检测与计数，并利用Grad-CAM可视化验证模型关注区域	研究仅基于665张标注图像，样本量相对有限；模型性能在重叠区域检测时依赖0.4-0.8的置信度阈值	开发自动化系统以辅助眼科医生高效、准确地诊断眼部蠕形螨病	临床疑似眼部蠕形螨病患者的眼睫毛显微图像	计算机视觉	眼部疾病（睑缘炎、睑板腺功能障碍）	显微成像	CNN, Transformer	图像	1610张显微图像（经筛选后使用665张标注图像）	NA	YOLOv11, RT-DETR	平均精度, 灵敏度, F1分数	NA