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
541	2026-01-09	Optimizing chlorophyll content prediction in tea leaves via spectral transformations and deep learning 2025-Dec-01, BMC plant biology IF:4.3Q1 DOI:10.1186/s12870-025-07863-2 PMID:41326998	研究论文	本研究通过光谱变换和深度学习模型优化茶叶叶绿素含量的预测	结合四种预处理技术（原始反射率、连续统去除、去趋势、标准正态变量）与四种深度学习模型（1D-CNN、SSL、ViT、Conformer），系统评估了预处理与模型架构配对对叶绿素含量预测性能的影响	研究仅针对茶叶叶片，未扩展到其他植物或更广泛的环境条件	优化基于光谱反射率的叶绿素含量预测，以支持精准农业和植物生理状态监测	茶叶叶片（Camellia sinensis）	机器学习	NA	光谱反射率测量	1D-CNN, SSL, ViT, Conformer	光谱数据	NA	NA	1D-CNN, Vision Transformer, Conformer	R², RPD	NA
542	2026-01-09	S-ResNet-34: small sample-ResNet-34 for predicting cervical degeneration in x-ray image data 2025-Dec-01, BMC musculoskeletal disorders IF:2.2Q3 DOI:10.1186/s12891-025-09273-9 PMID:41327180	研究论文	本研究提出了一种改进的深度学习模型S-ResNet-34，用于X射线图像数据中颈椎退行性变的预测	在ResNet-34架构的残差块中引入了可学习权重矩阵与卷积操作相结合，增强了模型的非线性表示能力	研究基于240名患者的小样本数据，可能限制了模型的泛化能力	构建更准确且成本效益更高的深度学习模型，用于诊断颈椎生理曲度异常	颈椎X射线图像数据	计算机视觉	颈椎病	X射线成像	CNN	图像	240名患者的X射线图像	NA	ResNet-34, YOLO-V3	准确率, F1分数, 召回率	NA
543	2026-01-09	Design of an iterative physiologically guided hybrid deep learning framework for robust hand vein segmentation, blood flow analysis, and early vascular diagnosis 2025-Dec, MethodsX IF:1.6Q2 DOI:10.1016/j.mex.2025.103590 PMID:41492530	研究论文	本文提出了一种名为Bio-TransUNet的混合深度学习框架，用于手部静脉的稳健分割、血流分析和早期血管疾病诊断	结合了多尺度时空注意力机制、生物物理正则化学习、概率图建模以及基于Transformer的分类和领域自适应，以提升分割精度、解剖学一致性和疾病分类性能	未明确提及具体的数据集规模限制或计算资源需求	开发一个可靠的成像与解释方法，用于血管疾病的早期、无创诊断，特别是手部血流评估和静脉检测	人体手部静脉	计算机视觉	心血管疾病	近红外成像	深度学习, Transformer	图像	NA	NA	U-Net, Transformer	NA	NA
544	2026-01-09	Hybrid quantum-classical deep learning framework for balanced multiclass diabetic retinopathy classification 2025-Dec, MethodsX IF:1.6Q2 DOI:10.1016/j.mex.2025.103605 PMID:41492535	研究论文	本文提出了一种新颖的混合量子-经典深度学习框架，用于解决糖尿病视网膜病变五分类中的类别不平衡和高分辨率数据挑战	融合深度学习和量子计算技术，构建混合量子-经典框架，并采用分层采样和混合精度训练优化计算效率与类别平衡泛化能力	NA	开发一种可扩展的基于人工智能的诊断方法，用于糖尿病视网膜病变的早期准确分类	糖尿病视网膜病变患者	医学影像	糖尿病视网膜病变	深度学习，量子计算	混合量子-经典深度学习框架	图像	APTOS 2019数据集	NA	ResNet-50, 8-qubit VQC	平衡准确率	NA
545	2026-01-09	Computer Vision Applications in Spinal Orthopaedics: A Scoping Review of Imaging-Based Algorithms for Diagnosis, Measurement, and Surgical Planning 2025-Dec, Cureus DOI:10.7759/cureus.98486 PMID:41492595	综述	本文是一篇范围综述，系统性地梳理和描述了计算机视觉在脊柱骨科成像领域（包括诊断、测量和手术规划）的当前应用、临床任务、成像模态和计算方法	系统性地对1995年至2025年间发表的计算机视觉在脊柱骨科成像中的应用研究进行了范围综述，明确了当前的技术方法、性能水平以及临床转化中的关键差距	纳入的研究中仅20%包含外部验证，且没有研究进行前瞻性测试，这限制了对其临床适用性的评估	梳理和描述计算机视觉在脊柱骨科成像领域的应用现状，包括其临床任务、使用的成像模态和计算方法	应用于脊柱成像（如X光、CT、MRI）的自动化或半自动化计算机视觉算法	计算机视觉	NA	NA	深度学习	图像	NA	NA	U-Net, ResNet, YOLOv5	Dice系数, 准确率, AUC, 组内相关系数	NA
546	2026-01-08	Augmented intelligence for multimodal virtual biopsy in breast cancer using generative artificial intelligence 2025-Dec-26, Journal of biomedical informatics IF:4.0Q2 DOI:10.1016/j.jbi.2025.104971 PMID:41456845	研究论文	本研究提出了一种基于生成式人工智能的多模态、多视图深度学习框架，用于乳腺癌虚拟活检，通过整合全视野数字乳腺X线摄影和对比增强能谱乳腺X线摄影图像，实现乳腺病变的良恶性非侵入性分类	引入基于CycleGAN的生成模型合成缺失的CESM图像，以解决多模态数据不完整问题，并采用两阶段晚期融合策略加权整合视图和模态特异性恶性概率	随着合成CESM图像比例增加，分类性能有所下降，且研究依赖于特定数据集，可能限制泛化能力	开发一种非侵入性乳腺癌虚拟活检系统，通过多模态图像融合提升乳腺病变分类准确性	乳腺病变（恶性或良性）的全视野数字乳腺X线摄影和对比增强能谱乳腺X线摄影图像	计算机视觉	乳腺癌	全视野数字乳腺X线摄影，对比增强能谱乳腺X线摄影	CNN, GAN	图像	未明确指定样本数量，但使用了扩展的CESM@UCBM数据集	PyTorch（基于CycleGAN的常见实现框架）	ResNet18, ResNet50, VGG16, CycleGAN	AUC, G-mean, MCC, 峰值信噪比, 结构相似性指数	未明确指定，但通常涉及GPU计算资源
547	2026-01-08	Deep learning predicts haematopoietic stem cell ageing from 3D chromatin images 2025-Dec-15, bioRxiv : the preprint server for biology DOI:10.64898/2025.12.11.693143 PMID:41473290	研究论文	本研究提出了一种基于卷积神经网络的可解释深度学习模型ChromAgeNet，用于从3D染色质图像预测造血干细胞衰老	首次利用深度学习从3D染色质图像中量化预测造血干细胞衰老，并识别出染色质熵、外周异染色质和染色质凝聚体等预测标志物	模型性能（AUROC 0.77 ± 0.03）仍有提升空间，且目前仅在小鼠HSCs上验证	量化造血干细胞衰老过程，开发用于衰老预测和药物筛选的工具	小鼠造血干细胞（HSCs）	数字病理学	老年疾病	3D显微镜成像，DAPI染色	CNN	图像	未明确指定样本数量，但使用年轻和年老小鼠HSCs的3D图像数据集	未明确指定，但基于卷积神经网络	ChromAgeNet（自定义CNN架构）	AUROC	NA
548	2026-01-08	Prediction model for the risk of vitreous haemorrhage after vitrectomy combined with intraocular injection for the treatment of proliferative diabetic retinopathy 2025-Dec-09, Photodiagnosis and photodynamic therapy IF:3.1Q2 DOI:10.1016/j.pdpdt.2025.105313 PMID:41381021	研究论文	本研究开发了一种轻量级多模态深度学习模型，用于准确预测增殖性糖尿病视网膜病变患者玻璃体切除联合眼内药物治疗后玻璃体腔出血的风险	整合超广角荧光素血管造影图像和临床数据，构建轻量级多模态深度学习模型，在预测术后玻璃体腔出血风险方面表现出高准确性和良好的可解释性	回顾性研究设计，样本量有限（1318只眼），外部验证集规模较小（264只眼）	开发预测模型以评估增殖性糖尿病视网膜病变患者术后玻璃体腔出血风险	增殖性糖尿病视网膜病变患者	数字病理学	糖尿病视网膜病变	超广角荧光素血管造影	深度学习	图像, 临床数据	1318只眼（来自968名患者），外部测试集264只眼	NA	EfficientNet-V2, 多层感知机	AUROC, 精确率-召回率曲线下面积, 准确率, Brier分数, 校准斜率, 校准截距	NA
549	2026-01-08	Comment on association of peripheral immune markers with brain age and dementia risk estimated using deep learning methods 2025-Dec-04, International journal of surgery (London, England) DOI:10.1097/JS9.0000000000004275 PMID:41494186	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
550	2026-01-08	Emerging Artificial Intelligence Technologies for Risk Assessment and Management in Acute Myeloid Leukemia: A Review 2025-Dec-01, JAMA oncology IF:22.5Q1 DOI:10.1001/jamaoncol.2025.3601 PMID:41196612	综述	本文综述了人工智能技术在急性髓系白血病风险分层、诊断和治疗规划中的应用现状与潜力	整合了机器学习、深度学习、可解释AI和联邦学习等多种AI技术，在AML管理中实现比传统ELN指南更高的预后准确性，并解决了数据稀缺和隐私保护问题	未提及具体研究方法的局限性，但强调了临床转化需要统一数据标准、健全监管框架和公平技术获取	评估人工智能技术在急性髓系白血病风险分层和管理中的应用潜力	急性髓系白血病（AML）患者	数字病理学	白血病	机器学习、深度学习、可解释AI、联邦学习	NA	临床数据、细胞遗传学数据、分子数据、骨髓涂片图像、转录组数据	NA	NA	NA	AUROC, 准确率	NA
551	2026-01-08	Unveiling optimal molecular features for hERG insights with automatic machine learning 2025-Dec, Journal of pharmaceutical analysis IF:6.1Q1 DOI:10.1016/j.jpha.2025.101411 PMID:41487145	研究论文	本文介绍了一种名为MaxQsaring的新型通用框架，该框架整合了分子描述符、指纹和深度学习预训练表示，用于预测化合物性质，并以hERG阻断预测为例展示了其优越性能	开发了首个集成分子描述符、指纹和深度学习预训练表示的通用框架，通过自动优化特征组合实现了最先进的预测性能，并在TDC基准测试中19/22任务排名第一	深度学习预训练表示对提升模型泛化能力（特别是对新骨架化合物）的影响相对有限	开发通用化合物性质预测框架以提升早期药物发现成功率	化合物（特别是hERG阻断相关化合物）	机器学习	NA	自动机器学习	决策树,深度学习模型	分子描述符、指纹、预训练表示	NA	NA	NA	准确率,泛化能力	NA
552	2026-01-08	Artificial Intelligence in Medicine With Emphasis on Orthopedic Practice 2025-Dec, Cureus DOI:10.7759/cureus.98306 PMID:41487832	综述	本文全面回顾了人工智能在医疗保健领域的影响，特别聚焦于其在骨科医学中的应用	重点探讨了大型语言模型和机器学习算法在骨科诊断、医学教育及个性化护理中的整合应用，并指出了向多模态模型发展的未来方向	现实世界应用受限于数据质量、系统集成和伦理问题，且临床推理能力仍有不足	评估人工智能在医疗保健，特别是骨科实践中的应用潜力与挑战	人工智能技术（如大型语言模型和机器学习算法）及其在骨科诊断、医学教育和患者护理中的应用	机器学习	骨科疾病	深度学习技术	大型语言模型, 机器学习算法	医学影像, 文本数据	NA	NA	NA	诊断准确性	NA
553	2026-01-08	Corrigendum to Deep learning model based on primary tumor to predict lymph node status in clinical stage IA lung adenocarcinoma: a multicenter study [Journal of the National Cancer Center 4 (2024) 233-240] 2025-Dec, Journal of the National Cancer Center IF:7.6Q1 DOI:10.1016/j.jncc.2025.08.002 PMID:41497255	correction	本文是对一篇关于利用深度学习模型基于原发肿瘤预测临床IA期肺腺癌淋巴结状态的多中心研究的更正	NA	NA	NA	NA	NA	lung cancer	NA	NA	NA	NA	NA	NA	NA	NA
554	2026-01-08	Expression of concern: "GBERT: A hybrid deep learning model based on GPT-BERT for fake news detection" [Heliyon 10 (2024) e35865] 2025-Dec, Heliyon IF:3.4Q1 DOI:10.1016/j.heliyon.2025.e44214 PMID:41497874	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
555	2026-01-08	Biomarkers 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70856_104724 PMID:41498605	研究论文	本研究通过纵向分析老年驾驶者的自然驾驶行为，探讨了白质高信号对复杂认知表现的影响	首次使用深度学习算法量化白质高信号的总体积和区域特异性分布，并将其与纵向驾驶行为数据关联，揭示了后部白质高信号对驾驶复杂性的主导影响	样本仅限于认知完整的老年驾驶者，且随访时间平均为6.1年，可能无法完全捕捉长期变化	研究白质高信号如何影响老年驾驶者的真实世界认知功能，特别是驾驶行为	212名认知完整的老年驾驶者（年龄≥65岁，CDR=0）	数字病理学	阿尔茨海默病	3T MRI脑扫描	深度学习算法	图像, 驾驶行为数据	212名老年驾驶者，74,275周的驾驶数据	NA	NA	FDR校正的p值	NA
556	2026-01-07	Predicting pathological complete response to breast cancer neoadjuvant therapy using multi-combination machine learning models based on vision transformer features 2025-Dec-31, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-99496-6 PMID:41476106	研究论文	本研究利用基于Vision Transformer特征的多组合机器学习模型预测乳腺癌新辅助治疗后的病理完全缓解	首次将Vision Transformer特征与多组合机器学习模型结合用于乳腺癌新辅助治疗疗效预测，相比传统CNN特征（如ResNet50、VGG16）展现出更高的预测性能	回顾性研究设计，样本量较小（仅124例患者），缺乏外部验证队列	开发高精度的机器学习模型以预测乳腺癌新辅助治疗后的病理完全缓解	124例经活检病理确诊并在新辅助治疗后接受手术切除的乳腺癌患者	计算机视觉	乳腺癌	超声成像	Vision Transformer, CNN	图像	124例患者（训练队列87例，验证队列37例）	NA	Vision Transformer, ResNet50, VGG16	AUC	NA
557	2026-01-07	Interpretable deep learning for multicenter gastric cancer T staging from CT images 2025-Dec-20, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-025-02002-5 PMID:41422179	研究论文	开发了一个名为GTRNet的可解释深度学习框架，用于从CT图像中自动进行胃癌T分期	提出了一个无需手动分割或标注、可直接从常规CT图像进行T1-T4分期分类的端到端可解释深度学习框架，并结合临床特征构建了具有更高临床净获益的列线图	研究为回顾性设计，可能存在选择偏倚；模型在更广泛人群中的泛化能力仍需进一步验证	开发自动化、可解释的深度学习工具以标准化基于CT的胃癌术前T分期	胃癌患者的CT图像	计算机视觉	胃癌	CT成像	深度学习	图像	1792名患者（回顾性多中心研究）	未明确说明	GTRNet（具体架构未详细说明）	AUC, 准确率	未明确说明
558	2026-01-07	Intersection of Big Five Personality Traits and Substance Use on Social Media Discourse: AI-Powered Observational Study 2025-Dec-19, Journal of medical Internet research IF:5.8Q1 DOI:10.2196/79454 PMID:41418319	研究论文	本研究利用AI技术分析社交媒体话语，探讨大五人格特质与物质使用之间的关联及其在疫情期间的变化	首次通过大规模数字话语数据揭示神经质作为物质使用保护因子的反直觉发现，挑战了传统的自我治疗假说	研究基于公开社交媒体帖子，可能存在选择偏差，且无法完全控制混杂因素	评估大五人格特质与物质使用话语在2019-2021年间的关联变化，并分析这些特质如何预测物质使用及其与特定物质类型、情感表达和人口因素的关系	数亿条来自主要社交媒体平台的公开帖子（2019-2021年）	自然语言处理	物质使用障碍	自然语言处理，深度学习	深度学习模型	文本	数亿条社交媒体帖子	NA	NA	比值比，95%置信区间，Cohen's d	NA
559	2026-01-07	Vision and convolutional transformers for Alzheimer's disease diagnosis: a systematic review of architectures, multimodal fusion and critical gaps 2025-Dec-17, Brain informatics DOI:10.1186/s40708-025-00286-7 PMID:41405782	系统综述	本文系统综述了使用Vision Transformers和Convolutional Vision Transformers进行阿尔茨海默病诊断的研究，分析了架构、多模态融合及关键研究空白	引入了新颖的分类法，按模型架构、数据模态、融合策略和诊断目标对研究进行系统分类，并前瞻性地分析了大型视觉模型	研究主要关注2021-2025年的文献，可能未涵盖更早的研究；且指出算法可重复性存在广泛挑战	系统分析Vision Transformers和Convolutional Vision Transformers在阿尔茨海默病诊断中的应用，识别趋势与关键研究空白	从Scopus、Web of Science、ScienceDirect、IEEE Xplore和PubMed数据库中筛选的68项研究（源自564篇出版物）	计算机视觉	阿尔茨海默病	深度学习	Vision Transformer, Convolutional Vision Transformer	多模态数据	NA	NA	Vision Transformer, Convolutional Vision Transformer	NA	NA
560	2026-01-07	Cutting-edge bayesian deep learning and statistical strategies for bias mitigation in COVID-19 detection via chest x-ray imaging 2025-Dec-14, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-28723-x PMID:41392298	研究论文	本文提出了一种多阶段贝叶斯深度学习框架，用于通过胸部X光图像进行COVID-19检测和严重程度分级，并缓解偏差和噪声问题	结合肺部分割、分割引导分类、校准集成和不确定性估计的多阶段贝叶斯深度学习框架，用于COVID-19分类和严重程度分级	数据集规模有限，缺乏外部多站点验证	开发一个鲁棒的深度学习框架，用于COVID-19检测和严重程度分级，同时缓解偏差、标签噪声和域偏移问题	胸部X光图像	计算机视觉	COVID-19	胸部X光成像	贝叶斯深度学习	图像	1,531张胸部X光图像（来自70名患者的100张COVID-19图像和来自ChestX-ray14的1,431张非COVID图像）	NA	NA	准确率, 敏感性, AUC	NA