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
21	2026-09-26	Artificial intelligence in pulmonary hypertension: a systematic review 2025-Dec-08, European journal of medical research IF:2.8Q2 DOI:10.1186/s40001-025-03557-5 PMID:41361272	系统综述	本文系统回顾了机器学习和深度学习在肺动脉高压和肺动脉动脉高压的无创诊断、分类和预后中的应用	首次使用PROBAST+AI工具评估该领域的偏倚风险，并采用SWiM框架合成研究异质性	模型在亚类区分、方法学透明度和外部验证方面存在不足，大多数研究为回顾性单中心设计，缺乏随机对照试验	评估机器学习和深度学习在肺动脉高压和肺动脉动脉高压的无创诊断、分类和预后中的应用，重点关注方法学质量和临床适用性	肺动脉高压和肺动脉动脉高压患者	机器学习	肺动脉高压	NA	CNN	临床数据、影像数据、生物标志物数据、组学数据、实验室参数	53项研究	NA	卷积神经网络	AUC	NA
22	2026-09-26	An investigation of race bias in deep learning-based segmentation of prostate MRI images 2025-12-06, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-26189-5 PMID:41353223	研究论文	该研究调查了深度学习在前列腺MRI分割中是否因种族（白人与黑人）不平衡的训练数据而产生性能偏差。	首次系统探究种族不平衡对前列腺MRI分割模型性能的偏差影响，并采用线性混合效应模型分析种族表征与性能差异的关系。	样本量有限（32名匹配受试者），仅涉及白人和黑人两个种族，未涵盖其他种族群体，且仅使用T2加权MRI。	探究深度学习前列腺MRI分割模型在不同种族训练数据不平衡情况下是否存在种族性能偏差	前列腺MRI图像以及白人和黑人受试者	数字病理学, 医学图像分割	前列腺癌	磁共振成像（MRI）	深度学习模型（具体架构未提及）	图像	五个临床T2加权MRI数据集（种族不平衡程度不同）、一个公共数据集（种族未知）、32名白人和黑人匹配的临床受试者	NA	NA	Dice相似系数（DSC）	NA
23	2026-09-26	Sensitive detection of structural dynamics using a statistical framework for comparative crystallography 2025-12-05, Science advances IF:11.7Q1 DOI:10.1126/sciadv.adj2921 PMID:41337576	研究论文	本文提出了一种基于统计框架的比较晶体学方法，通过变分深度学习框架Careless结合多变量结构化先验，灵敏检测蛋白质结构动力学	在Careless变分深度学习框架中引入了源自晶体学理论的多变量结构化先验，显著提高了对蛋白质动力学、元素特异性异常信号和候选药物结合的检测灵敏度	未明确说明	提高比较晶体学中检测蛋白质结构动力学、元素特异性异常信号和药物结合的灵敏度	蛋白质晶体学数据集	计算生物学	NA	X射线晶体学	变分深度学习	晶体学结构因子数据	NA	NA	NA	NA	NA
24	2026-09-26	Uncertainty quantification enables reliable deep learning for protein-ligand binding affinity prediction 2025-12-04, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-27167-7 PMID:41345415	研究论文	本文系统比较了五种不确定性量化方法在蛋白质-配体结合亲和力预测中的表现，发现Bayes by Backprop结合FFNN和ECIF特征能提供优越且可靠的预测。	首次在该领域应用Bayes by Backprop方法进行不确定性量化，并使用Leak-Proof PDBBind数据集进行严格评估。	未明确提及具体的局限性。	解决深度学习模型在蛋白质-配体结合亲和力预测中泛化能力差和缺乏置信度估计的问题。	蛋白质-配体结合亲和力预测模型。	机器学习	NA	深度学习	前馈神经网络	蛋白质-配体结合数据	使用Leak-Proof PDBBind数据集和多个外部测试集，具体样本量未提及	NA	前馈神经网络	校准度、多种评估指标	NA
25	2026-09-26	DiagNeXt: A Two-Stage Attention-Guided ConvNeXt Framework for Kidney Pathology Segmentation and Classification 2025-Dec-04, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging11120433 PMID:41440573	研究论文	本文提出了一种名为DiagNeXt的两阶段注意力引导ConvNeXt框架，用于肾脏病理图像的分割与分类	创新点包括：(1) 针对3D医学影像优化的大核深度可分离卷积增强ConvNeXt模块；(2) 结合Dice、交叉熵、Focal和距离变换项的边界感知复合损失函数；(3) 保留细粒度空间细节的注意力引导跳跃连接；(4) 层次化多尺度特征建模用于鲁棒病理识别；(5) 融合分割质量指标的置信度调制分类方法	NA	解决医学图像中肾脏病理分割与分类因形态复杂、病灶小和类别严重不平衡带来的挑战，提升计算机辅助诊断的准确性	肾脏CT医学图像，包括正常、肿瘤、囊肿和结石四类病理	数字病理学, 计算机视觉	肾脏疾病, 肾癌, 肾囊肿, 肾结石	CT影像分析	CNN	3D医学图像	3847名患者的肾脏CT数据集	NA	ConvNeXt, U-Net	准确率, AUC	NA
26	2026-09-26	Foundation model based prediction of lung cancer survival using temporal changes in dual time point CT scans 2025-12-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-26365-7 PMID:41339367	研究论文	本研究利用双时间点CT扫描和基础模型提取的特征来预测非小细胞肺癌患者的生存期。	利用基础模型特征在双时间点CT扫描中的时间变化（如欧氏距离和逐元素相减特征向量）来预测生存期，优于单时间点特征和临床数据。	样本量较小（102例），仅针对接受放疗的非小细胞肺癌患者，需要更大规模验证。	提高肺癌生存预测的准确性，利用时间变化特征。	非小细胞肺癌患者。	医学图像分析	肺癌	双时间点CT扫描, 基础模型特征提取	随机森林, 梯度提升生存模型	医学图像	102例非小细胞肺癌患者	NA	基础模型（未指定）, 随机森林, 梯度提升	NA	NA
27	2026-09-26	AI-based neoadjuvant immunotherapy response prediction across pan-cancer: a comprehensive review 2025-Dec-03, Cancer cell international IF:5.3Q1 DOI:10.1186/s12935-025-04063-8 PMID:41339875	综述	本文系统综述了基于人工智能的新辅助免疫治疗反应预测方法，将其分为间接和直接预测范式，并按数据模态（影像组学、病理组学、基因组学、多组学）分类，讨论了挑战与未来方向	系统性地将AI驱动的NIT反应预测方法分为间接和直接预测范式，并按数据模态进行分类，全面总结了跨癌种的预测模型及其挑战	现有预测模型面临基于生物标志物和基于AI的局限性，如肿瘤异质性、数据模态整合困难、模型泛化能力不足等	系统总结现有的AI驱动的NIT反应预测计算方法，为未来研究和AI在精准免疫治疗中的整合提供指导	跨癌种的新辅助免疫治疗反应预测研究	数字病理学	肺癌	影像组学, 病理组学, 基因组学, 多组学	机器学习, 深度学习	图像, 文本, 组学数据	NA	NA	NA	NA	NA
28	2026-09-26	Few-Shot and Zero-Shot Learning for MRI Brain Tumor Classification Using CLIP and Vision Transformers 2025-Dec-02, Sensors (Basel, Switzerland) DOI:10.3390/s25237341 PMID:41374716	研究论文	本文比较了少样本学习和零样本学习范式，使用原型网络和CLIP模型对MRI脑肿瘤进行分类	首次系统比较了基于度量学习的少样本学习与基于视觉语言模型的零样本学习在MRI脑肿瘤分类中的性能，并展示了少样本学习在数据稀缺条件下的显著优势	仅评估了5-way 4-shot设置，样本量有限，未探索更多类别和更多样本数的场景，且零样本学习性能较低	解决MRI脑肿瘤分类中标注数据有限的问题，评估数据高效学习范式的有效性	MRI脑肿瘤图像	计算机视觉	脑肿瘤	MRI	原型网络, CNN, ResNet, Vision Transformer, CLIP	图像	1000个随机采样的五样本四类别任务（每个任务包含5个支持样本和若干查询样本）	NA	ProtoNet with CNN, ResNet-18, ResNet-50, Vision Transformer, CLIP	准确率, F1分数	NA
29	2026-09-26	AI-Integrated Micro/Nanorobots for Biomedical Applications: Recent Advances in Design, Fabrication, and Functions 2025-Dec-02, Biosensors DOI:10.3390/bios15120793 PMID:41440274	综述	本文综述了人工智能与微/纳米机器人集成在生物医学传感中的设计、制造和功能集成的最新进展	系统性地整合了AI驱动的算法与微/纳米机器人的设计、制造和功能，强调了自主、自适应和高分辨率生物分析的能力	在可扩展性、能源自主性、数据标准化和闭环控制方面仍面临关键挑战	综述AI集成微/纳米机器人在生物医学应用中的最新进展，包括设计、制造和功能	AI集成的微/纳米机器人系统	机器学习	NA	光刻、软光刻、纳米压印、3D打印、自组装	机器学习, 深度学习	NA	NA	NA	NA	NA	NA
30	2026-09-26	APTES: a high-throughput deep learning-based Arabidopsis phenotypic trait estimation system for individual leaves and siliques 2025-Dec, aBIOTECH IF:4.6Q1 DOI:10.1007/s42994-025-00239-y PMID:41312108	研究论文	该文章开发了APTES，一个基于计算机视觉和深度学习的高通量系统，用于从照片中提取拟南芥单叶和角果的表型性状，并进行了全基因组关联分析。	开发了开放获取的高通量程序APTES，使用增强的Cascade Mask R-CNN和DetectoRS模型，能提取64个叶片性状和64个角果性状，并在多个数据集和物种中验证了其适用性。	未明确提及	开发一种快速、精确的高通量方法来估计拟南芥的生长动力学和器官大小性状。	拟南芥的单个叶片和角果，以及166个拟南芥种质。	计算机视觉	NA	计算机视觉，深度学习	CNN	图像	166个拟南芥种质	NA	Cascade Mask R-CNN, DetectoRS	精确率, 召回率, F1分数, 决定系数, 平均绝对百分比误差	NA
31	2026-09-26	Epigenetics is all you need: A transformer to decode chromatin structural compartments from the epigenome 2025-12, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1012326 PMID:41337156	研究论文	本文介绍了一种基于Transformer架构的深度学习模型TECSAS，用于从表观基因组数据直接预测染色质亚区室注释，并揭示长程表观基因组上下文对染色质组织的影响	首次将Transformer架构应用于从表观基因组数据预测染色质亚区室注释，超越了传统的A/B区室分类，能够预测更精细的亚区室结构，并揭示了长程表观基因组上下文对染色质三维组织的影响	摘要中未明确提及研究的具体局限性	利用深度学习模型解码表观基因组特征与三维基因组组织之间的复杂关系，从表观基因组数据预测染色质亚区室注释	染色质三维结构、染色质亚区室、核体（核纤层、核仁和核斑）	机器学习	NA	组蛋白修饰测序、转录因子结合谱分析、RNA-Seq	Transformer	表观基因组数据（组蛋白修饰、转录因子结合谱、RNA-Seq数据）	NA	NA	Transformer	准确率	NA
32	2026-09-26	BAGEL: Protein engineering via exploration of an energy landscape 2025-12, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1013774 PMID:41337470	研究论文	本文介绍了BAGEL，一个模块化、开源的蛋白质工程框架，通过模型无关且无梯度的能量景观探索实现可编程的蛋白质设计	提出了一种模块化的开源框架，将蛋白质设计形式化为能量函数的采样，支持非可微和多目标设计目标，采用无梯度的蒙特卡洛方法探索序列空间，并可无缝集成多种公开的深度学习蛋白质模型	未提及	加速新蛋白质的设计，通过提供模块化、易用的平台来定义自定义蛋白质设计目标和优化策略，使蛋白质设计民主化，让更广泛的科学界更容易使用	蛋白质序列空间	机器学习	NA	NA	NA	NA	NA	NA	NA	NA	NA
33	2026-09-26	Recent Advances in Spectroscopy and Imaging Techniques for Nondestructive Detection of Meat Quality and Safety 2025-Dec, Food science & nutrition IF:3.5Q2 DOI:10.1002/fsn3.71303 PMID:41356232	综述	本文综述了用于肉类质量与安全无损检测的光谱和成像技术的最新进展，讨论了其原理、应用、优缺点及未来前景	系统总结了近红外、拉曼、荧光、太赫兹光谱以及高光谱、多光谱、X射线、热成像等多种技术在肉类检测中的多场景应用，并指出多技术融合与深度学习算法结合是未来方向	光谱技术仅能感知局部样品信息，成像技术检测速度较慢；工业应用仍受高成本和复杂数据分析流程的阻碍	总结光谱和成像技术在肉类质量与安全检测方面的最新发展，分析其原理、应用、优缺点及未来前景	肉类	计算机视觉	NA	近红外光谱, 拉曼光谱, 荧光光谱, 太赫兹光谱, 高光谱成像, 多光谱成像, X射线成像, 热成像	深度学习算法	图像, 光谱数据	NA	NA	NA	NA	NA
34	2026-09-26	Brain-Pupil Coupling Revealed Through Deep Learning of Intracranial Recordings 2025-12-01, Human brain mapping IF:3.5Q1 DOI:10.1002/hbm.70438 PMID:41368939	研究论文	本研究通过颅内记录和瞳孔测量技术，在13名患有癫痫的儿童和青少年中探究了大脑-瞳孔耦合现象，并利用深度学习模型预测瞳孔大小变化	首次结合颅内记录和瞳孔测量，使用深度学习模型预测瞳孔动态，并通过显著性梯度映射识别与任务相关的皮层和皮层下区域网络	样本量较小（13名参与者），仅部分参与者（7名中的5名）的模型预测能泛化到不同日期的记录	揭示瞳孔响应与认知过程的神经基础，探索大脑-瞳孔耦合机制	13名患有癫痫的儿童和青少年（年龄9-18岁）	机器学习	癫痫	颅内记录，瞳孔测量	深度学习	神经活动数据，瞳孔大小数据	13名参与者	NA	NA	预测准确性（未指定具体指标）	NA
35	2026-09-26	DELTA-SoyStage: A Lightweight Detection Architecture for Full-Cycle Soybean Growth Stage Monitoring 2025-Dec-01, Sensors (Basel, Switzerland) DOI:10.3390/s25237303 PMID:41374678	研究论文	本文提出了一种轻量级目标检测架构 DELTA-SoyStage，用于大豆全周期生长阶段监测，在保持较高精度的同时显著降低了计算成本	提出了结合 EfficientNet 骨干网络、轻量级 ChannelMapper 颈部和新颖的 DELTA（去噪增强轻量级任务对齐）检测头的架构，并构建了覆盖九个生长阶段、包含 17,204 张标注 RGB 图像的大豆生长阶段数据集	未明确讨论模型在田间复杂自然环境下的泛化能力，数据集采集于受控温室条件	实现大豆全周期生长阶段的准确识别，以优化农业干预措施，避免因时机不当造成产量损失	大豆植株的 RGB 图像，涵盖从出苗期（VE）到完熟期（R8）的九个生长阶段	计算机视觉	NA	RGB 成像	目标检测	图像	17,204 张标注 RGB 图像	NA	EfficientNet, ChannelMapper, DELTA检测头	平均精度（AP）, GFLOPs, 参数量	NA
36	2026-09-26	EffResViT-SE FusionNet: A Hybrid Deep Learning Framework for Accurate Classification of Coffee Leaf Diseases 2025-Dec, Food science & nutrition IF:3.5Q2 DOI:10.1002/fsn3.71311 PMID:41383578	研究论文	本文提出了一种名为 EffResViT-SE FusionNet 的混合深度学习框架，通过融合 EfficientNetB3、ResNet50、SE 模块和 Vision Transformer，实现对咖啡叶部病害的高精度分类	首次将 EfficientNetB3 与 ResNet50 结合 SE 模块进行自适应局部特征重校准，并与 Vision Transformer 融合以同时建模局部特征和全局上下文依赖，形成统一的混合架构	未明确讨论模型在真实田间复杂环境下的泛化能力、计算资源需求以及在移动端或边缘设备上的部署可行性，也未与其他最新病害分类方法进行全面对比	解决传统咖啡叶部病害诊断方法耗时、成本高、依赖专家的问题，实现高效、准确、可扩展的咖啡叶部病害自动分类	咖啡叶片图像，涵盖健康、潜叶虫、叶锈病、尾孢菌病和茎点霉病五类	计算机视觉	植物病害	深度学习图像分类	CNN, Transformer	图像	58,555 张咖啡叶片图像，其中健康 18,984 张、潜叶虫 16,983 张、叶锈病 8,336 张、尾孢菌病 7,681 张、茎点霉病 6,571 张，按 70%、15%、15% 划分训练、验证和测试集	NA	EfficientNetB3, ResNet50, Squeeze-and-Excitation, Vision Transformer	准确率, 精确率, 召回率, F1分数	NA
37	2026-09-26	MAGNET: Multi-view graph autoencoder with cell-gene attention for cell interaction network reconstruction from spatial transcriptomics 2025-12, PLoS computational biology IF:3.8Q1 DOI:10.1371/journal.pcbi.1013810 PMID:41397026	研究论文	该文章提出了MAGNET框架，通过多视图图自编码器和细胞-基因注意力模块，从空间转录组数据中重建细胞间相互作用网络	开发了细胞-基因注意力模块，将细胞外部相互作用与内部基因调控统一表示，而非简单拼接或相加	未明确提及	从空间转录组数据中准确推断细胞间相互作用网络	空间转录组数据中的细胞及其基因表达	空间转录组学	乳腺癌	空间转录组学	图自编码器	空间转录组数据	seqFISH, MERFISH, STARMAP基准数据集及一个乳腺癌数据集	NA	多视图图自编码器，细胞-基因注意力网络	平均精度（AP）	NA
38	2026-09-26	RGB-Based Deep Learning for Freeze Damage Detection in Strawberry: Comparing Scratch and Transfer Learning Approaches on Custom Data 2025-Dec, Plant direct IF:2.3Q2 DOI:10.1002/pld3.70124 PMID:41393171	研究论文	本文提出一种基于深度学习和计算机视觉的方法，利用RGB图像自动分类草莓植株的冻害程度	比较了从零开始训练和迁移学习（使用ImageNet预训练权重）两种方法在四种CNN架构上的表现，并针对草莓冻害分类这一特定任务进行了评估，发现从零开始训练的模型性能更优	模型在区分轻度冻害与轻微或无冻害方面表现不佳，且研究仅基于自定义数据集，可能泛化能力有限	自动化草莓植株冻害分类，提供一种比传统人工检查更准确、快速且无损的替代方法	草莓植株的RGB图像	计算机视觉	NA	RGB成像，深度学习	CNN	图像	NA	NA	DenseNet-121, Inception V3, ResNet-50, Xception	准确率, 精确率, 召回率, F1分数, 推理时间	NA
39	2026-09-26	ClusterNet: Classifying Single-Molecule Localization Microscopy Datasets with Graph-Based Deep Learning of Supracluster Structure 2025-Dec, Small science IF:11.1Q1 DOI:10.1002/smsc.202500255 PMID:41395524	研究论文	本文提出了一种基于图的深度学习流程ClusterNet，用于对单分子定位显微镜（SMLM）点云数据集进行分类，利用超簇结构并整合单个簇的特征	结合单个簇的特征与多个簇位置形成的超簇结构，使用图深度学习方法对任意视野大小的SMLM数据进行分类，并在开放数据集上达到99%准确率	未明确提及，可能受限于数据集的多样性和泛化能力	开发一种能够分类SMLM点云数据的方法，以自动识别和分组不同疾病类型或样本类型，用于下游分析	SMLM点云数据，包括DNA-PAINT数据集和结直肠癌组织数据集	数字病理学	结直肠癌	单分子定位显微镜（SMLM），DNA-PAINT	图神经网络（GNN）	点云数据	NA	PyTorch	图神经网络（GNN）	准确率（accuracy）	NA
40	2026-09-26	Single-Cell and Spatial Multiomics: Applications for Diseases 2025-Dec, MedComm IF:10.7Q1 DOI:10.1002/mco2.70553 PMID:41403916	综述	本文综述了单细胞和空间多组学方法及其在疾病研究中的应用，并探讨了深度学习在数据分析中的作用	整合单细胞和空间多组学以更全面地研究疾病机制，并强调深度学习在该领域的应用	领域相对较新，尚未成熟	探讨单细胞和空间多组学在理解疾病机制、诊断和治疗中的应用	人类疾病，包括头颈部鳞状细胞癌、神经退行性疾病和衰老	机器学习	肺癌	单细胞和空间多组学	深度学习	多组学数据	NA	NA	NA	NA	NA