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
721	2026-01-10	STD-Net: a spatio-temporal decoupling network for multiphasic liver lesion segmentation and characterization 2025-Dec-08, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-025-02181-1 PMID:41361359	研究论文	本文提出了一种时空解耦网络（STD-Net），用于多期相肝脏病变的分割和表征，通过分离空间特征提取与时间动态建模来提升性能	引入时空解耦网络设计，将空间特征提取与时间动态建模明确分离，使用共享权重的3D编码器学习稳健的解剖表示，并采用基于Transformer的时间模块捕获序列对比模式（如动脉期高强化和静脉期洗脱），模拟临床推理并减少空间外观、时间变化和运动伪影的纠缠	未明确提及具体局限性，但可能包括对数据质量和标注的依赖，以及在小样本或异质数据集上的泛化能力需进一步验证	提升多期相肝脏病变（如肝细胞癌）在CT和MRI图像中的分割和表征准确性，以辅助临床诊断和治疗指导	肝细胞癌（HCC）病变，使用多期相CT和MRI图像	数字病理学	肝癌	多期相CT和MRI成像	CNN, Transformer	图像	基于TCGA-LIHC、LiTS和MSD数据集，具体样本数量未明确提及	未明确提及，但可能基于PyTorch或TensorFlow等深度学习框架	STD-Net（时空解耦网络），包含共享权重的3D编码器和基于Transformer的时间模块	Dice系数, HD95, 分类准确率	未明确提及
722	2026-01-10	Cross-modal deep learning framework for 3D reconstruction and information integration of Zhejiang wood carving heritage 2025-Dec-05, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-30042-0 PMID:41350556	研究论文	本文提出了一种用于浙江木雕遗产三维重建与信息融合的自适应跨模态深度学习框架	引入了表面复杂度感知的门控网络，可根据局部信息丰富度动态加权几何与视觉模态，克服了传统固定权重融合策略忽略文物局部表面特性的问题	未明确说明框架在不同类型文化遗产（如石雕、金属文物）上的泛化能力，也未讨论计算效率与实时性表现	开发高精度三维重建与语义信息融合框架，用于文化遗产数字化保护与传承	浙江木雕遗产文物	计算机视觉	NA	混合激光扫描与八相机RGB-D阵列采集	深度学习框架	三维点云、RGB-D图像	300件带标注的木雕文物	未明确说明（可能为PyTorch或TensorFlow）	表面复杂度感知门控网络	倒角距离、F分数、平均交并比	NA
723	2026-01-10	Artificial intelligence-assisted prediction of Demodex mite density in facial erythema 2025-Dec-04, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29791-9 PMID:41345235	研究论文	本研究开发并评估了用于预测面部红斑中蠕形螨密度的深度学习模型DemodexNet，并评估了其对皮肤科医生诊断性能的影响	开发了首个基于深度学习的非侵入性、自动化预测面部红斑中蠕形螨密度的模型，并证明了AI辅助能显著提升皮肤科医生的诊断准确性	概念验证研究仅限于韩国患者（Fitzpatrick皮肤类型III-IV），需要在多样化人群中进行验证	预测面部红斑中的蠕形螨密度并提升皮肤科医生的诊断准确性	面部红斑患者	数字病理学	皮肤疾病	深度学习	CNN	图像	1,124名患者	NA	DemodexNet	AUC	NA
724	2026-01-10	HyperGraph-based capsule temporal memory network for efficient and explainable diabetic retinopathy detection in retinal imaging 2025-Dec-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-30128-9 PMID:41339440	研究论文	提出了一种基于超图胶囊时序记忆网络（HGCTN）的深度学习框架，用于高效且可解释的糖尿病视网膜病变检测	结合超图神经网络建模视网膜病变的高阶空间关系、胶囊网络实现特征层次结构，以及时序胶囊记忆单元（TCMU）处理长短期时序依赖，通过元学习和噪声注入提升模型适应性和鲁棒性	未明确提及模型在更大规模或多样化临床数据集上的泛化能力验证，以及计算资源消耗的具体比较	开发一种准确、可扩展且可解释的糖尿病视网膜病变检测方法，以解决现有深度学习模型计算成本高、鲁棒性差和可解释性不足的问题	视网膜图像中的糖尿病视网膜病变病变，如微动脉瘤、出血和渗出物	计算机视觉	糖尿病视网膜病变	视网膜成像	超图神经网络, 胶囊网络, 时序记忆网络	图像	使用DRIVE和Diabetic Retinopathy数据集进行验证，具体样本数量未明确提及	未明确提及具体框架，推断可能基于PyTorch或TensorFlow	HyperGraph Capsule Temporal Network (HGCTN)	准确率, 召回率, 特异性	未明确提及具体计算资源
725	2026-01-10	A transformer-based prognostic signature integrating tumor and body composition CT images predicts postoperative recurrence in gastric cancer 2025-Dec-03, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-025-02183-z PMID:41339473	研究论文	本研究开发了一种基于Vision Transformer的深度学习模型，整合肿瘤和身体成分CT图像，以预测胃癌患者的术后复发风险	首次将骨骼肌、脂肪组织等身体成分CT图像与原发性肿瘤CT图像进行多模态整合，用于胃癌预后预测，并构建了SMAT-TC综合评分	研究为回顾性设计，外部验证队列的样本代表性可能有限，模型在更广泛人群中的泛化能力需进一步验证	提高胃癌患者术前预后分层的准确性，以指导个体化治疗策略	胃癌患者	计算机视觉	胃癌	CT成像	Transformer	CT图像	1862名患者（整个队列）	NA	Vision Transformer	C-index, 净重分类改善, 综合判别改善, 3年及5年无复发生存率	NA
726	2025-12-04	A deep learning model for multiclass lung cancer classification using multimodal data fusion 2025-Dec-02, Discover oncology IF:2.8Q2 DOI:10.1007/s12672-025-04168-6 PMID:41331169	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
727	2026-01-10	DeepRNA-DTI: a deep learning approach for RNA-compound interaction prediction with binding site interpretability 2025-Dec-02, Journal of cheminformatics IF:7.1Q1 DOI:10.1186/s13321-025-01132-y PMID:41331479	研究论文	本文提出了一种基于深度学习的RNA-化合物相互作用预测方法DeepRNA-DTI，该方法具有结合位点可解释性	采用迁移学习结合预训练嵌入（RNA-FM和Mole-BERT），并利用多任务学习框架同时预测相互作用存在和核苷酸级结合位点，提供RNA-化合物识别模式的机制性见解	未明确说明实验数据的具体限制或模型可能存在的泛化边界	开发一种计算预测RNA-化合物相互作用的方法，以支持RNA靶向治疗和药物发现	RNA序列和化合物	自然语言处理	NA	深度学习	深度学习模型	序列数据	整合了蛋白质数据库和文献来源的综合数据集，并应用于超过4800万种化合物的高通量虚拟筛选	未明确指定	未明确指定	未明确指定	未明确指定
728	2026-01-10	Non-invasive prediction of Ki-67 and p53 biomarkers in spinal ependymoma via deep learning: using multimodal magnetic resonance imaging and clinical data 2025-Dec-02, Biomarker research IF:9.5Q1 DOI:10.1186/s40364-025-00879-8 PMID:41331485	研究论文	本研究开发了一种深度学习框架，利用术前多模态磁共振成像和临床数据，非侵入性地预测脊髓室管膜瘤的Ki-67和p53生物标志物表达水平	首次将深度学习应用于脊髓室管膜瘤的生物标志物预测，解决了该罕见肿瘤因数据集不足和技术挑战而研究不足的问题；提出了集成神经网络模型LGBMNet，并验证了多模态信息融合（MRI与临床数据）的附加价值	研究基于相对较小的样本量（352例患者），且脊髓室管膜瘤本身罕见，可能影响模型的普适性；依赖自动分割的质量，分割误差可能影响特征提取	开发一种非侵入性方法，在术前预测脊髓室管膜瘤的Ki-67和p53生物标志物表达，以辅助精准神经外科治疗决策	脊髓室管膜瘤患者	数字病理学	脊髓室管膜瘤	磁共振成像（MRI），免疫组织化学（IHC）	集成神经网络	图像（MRI），临床数据	352例经组织学确诊的脊髓室管膜瘤患者，具备术前MRI和IHC评估的Ki-67及p53状态	未明确指定，但提及了SegFormer和LGBMNet模型	SegFormer, LGBMNet（结合多层感知机和Light Gradient Boosting Machine）	AUC（受试者工作特征曲线下面积）	NA
729	2026-01-10	Mitigating distributed denial of service attacks using attribute subset selection with temporal convolutional networks 2025-Dec-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-30137-8 PMID:41331500	研究论文	本文提出了一种基于樽海鞘群特征选择和深度学习架构的新型智能攻击检测框架，用于实时检测分布式拒绝服务攻击	结合樽海鞘群算法进行特征选择和时序卷积网络进行攻击分类，构建了一个新型的智能攻击检测框架	NA	开发一个实时DDoS攻击检测系统，利用先进的优化算法提高检测性能	分布式拒绝服务攻击	机器学习	NA	NA	TCN	网络流量数据	使用CIC-IDS-2017和Edge-IIoT两个数据集	NA	时序卷积网络	准确率	NA
730	2026-01-10	An immersive mirror: a descriptive study of peer observer and active participant experiences in simulation 2025-Dec-02, Advances in simulation (London, England) DOI:10.1186/s41077-025-00395-7 PMID:41331705	研究论文	本研究通过定性描述设计，探索了护理模拟中同伴观察者和积极参与者的体验，以理解共享学习经历如何改善护理实践	首次深入探讨护理模拟中同伴观察者的情感与认知反应，强调观察者角色在促进移情和深层学习中的作用	研究样本仅限于预注册二年级护理学生，可能无法推广到其他教育阶段或专业背景	探索护理模拟中同伴观察者和积极参与者的思维与反应，以提升治疗关系和整体护理	预注册二年级护理学生	护理教育	NA	定性描述设计、反思性主题分析	NA	自我报告体验的定性数据	175名同伴观察者账户和234名积极参与者账户	NA	NA	NA	NA
731	2026-01-10	Automated cervix biometry, volumetry and normative models for 3D motion-corrected T2-weighted 0.55-3T fetal MRI during 2nd and 3rd trimesters 2025-Dec-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29744-2 PMID:41326549	研究论文	本文介绍了一种用于胎儿MRI中宫颈自动多层分割和生物测量的深度学习流程	首次提出用于妊娠期宫颈3D T2加权重建图像的自动化多层分割和生物测量深度学习流程	仅评估了20个数据集，样本量相对有限	开发自动化方法以改进胎儿MRI中宫颈的测量和分析	妊娠期宫颈的3D T2加权MRI图像	数字病理学	NA	3D T2加权MRI	深度学习	3D MRI图像	20个数据集用于评估，270个正常足月病例用于处理	NA	NA	与手动测量相比表现出良好性能	NA
732	2026-01-10	AI-driven diffusion weighted imaging-based non-contrast protocol for breast cancer diagnosis: a multicentre, multidimensional validation study 2025-Dec, EClinicalMedicine IF:9.6Q1 DOI:10.1016/j.eclinm.2025.103694 PMID:41497515	研究论文	本研究开发了一种仅基于非对比扩散加权成像的深度学习模型，用于乳腺癌诊断，并在多中心、多维验证中证明了其有效性	首次提出并验证了仅使用非对比DWI的深度学习模型进行乳腺癌诊断，其性能与基于增强的模型相当，并显著优于仅解读DWI的放射科专家，同时将解读时间减少了55.5%	该模型的诊断性能仍低于解读标准乳腺MRI的专家放射科医生	开发并验证一种基于非对比扩散加权成像的深度学习模型，以实现准确、快速的乳腺癌诊断	经病理证实的乳腺病变患者	数字病理学	乳腺癌	扩散加权成像	深度学习模型	医学影像	2493名患者（内部开发集1286人，外部测试集661人，前瞻性队列546人）	NA	NA	AUC	NA
733	2026-01-10	Cost-effectiveness of opportunistic osteoporosis screening using artificial-intelligence assisted chest radiographs in Japan 2025-Dec, Osteoporosis and sarcopenia IF:2.5Q1 DOI:10.1016/j.afos.2025.10.003 PMID:41498102	研究论文	本研究评估了在日本50岁及以上女性中，利用人工智能辅助的胸部X光片进行机会性骨质疏松筛查的成本效益	首次将人工智能辅助的胸部X光片用于机会性骨质疏松筛查，并评估其在日本特定人群中的成本效益，尤其是在高骨折发生率地区	研究基于模型估计，可能未完全反映所有现实世界变量；结果依赖于AI系统的诊断性能假设	评估人工智能辅助的胸部X光片在机会性骨质疏松筛查中的成本效益	日本50岁及以上的女性，包括全国范围、特定城市（吴市）及低发生率场景	医疗人工智能	骨质疏松症	深度学习	深度学习模型	胸部X光图像	NA	NA	NA	成本效益比（每质量调整生命年成本）	NA
734	2026-01-09	SR-LLM: An incremental symbolic regression framework driven by LLM-based retrieval-augmented generation 2025-Dec-30, Proceedings of the National Academy of Sciences of the United States of America IF:9.4Q1 DOI:10.1073/pnas.2516995122 PMID:41428869	研究论文	提出了一种基于大语言模型检索增强生成机制的增量式符号回归框架SR-LLM，用于从观测数据中发现复杂且可解释的解析表达式	将大语言模型的检索增强生成机制与深度强化学习相结合，实现增量学习，能够利用外部知识库中的先验知识和历史探索结果	未明确说明框架的计算效率、对特定领域知识的依赖程度以及在大规模复杂问题中的可扩展性	改进符号回归方法，使其能够有效利用先验知识发现复杂且可解释的解析模型	观测数据中的符号回归问题，特别是人类跟车行为的解析建模	机器学习	NA	符号回归, 检索增强生成, 深度强化学习	大语言模型, 深度强化学习模型	观测数据, 车辆轨迹数据	NA	NA	NA	拟合效果, 可解释性	NA
735	2026-01-09	Flexible protein-ligand docking with diffusion-based side-chain packing 2025-Dec-30, Proceedings of the National Academy of Sciences of the United States of America IF:9.4Q1 DOI:10.1073/pnas.2511925122 PMID:41439702	研究论文	本文介绍了一种名为PackDock的框架，它结合深度学习和基于物理的建模来模拟蛋白质-配体相互作用，以解决蛋白质灵活性问题	提出PackDock框架，其核心组件PackPocket利用扩散模型采样多样化的结合口袋构象并预测配体诱导的变化，从而有效处理蛋白质灵活性	未明确提及具体局限性	旨在通过整合深度学习和物理建模，更好地理解和预测蛋白质-配体相互作用，以支持基础生物学研究和药物发现	蛋白质结构和动力学，特别是蛋白质-配体相互作用	机器学习	NA	扩散模型	扩散模型	蛋白质结构数据	NA	NA	PackPocket	NA	NA
736	2026-01-09	Graph Neural Networks with Transformer Fusion of Brain Connectivity Dynamics and Tabular Data for Forecasting Future Tobacco Use 2025-Dec-29, ArXiv PMID:41503105	研究论文	提出一种结合图神经网络与Transformer融合的时间感知模型，用于整合大脑动态连接数据与表格数据，以预测未来烟草使用情况	提出GNN-TF模型，首次在纵向功能磁共振成像研究中，通过时间感知的Transformer融合结构，将非欧几里得的大脑动态连接数据与欧几里得的表格数据（临床与人口统计学信息）在统一框架内进行灵活整合	研究基于特定青少年酒精与神经发育联盟的纵向静息态fMRI数据集，模型在其他人群或疾病领域的泛化能力有待验证	开发一种能够有效整合多模态纵向数据的方法，以提升对未来临床结果（如烟草使用）的预测准确性	青少年群体的大脑功能连接动态与临床/人口统计学表格数据	医学影像分析	成瘾行为（烟草使用）	静息态功能磁共振成像	图神经网络, Transformer	图像（大脑连接动态）, 表格数据（临床与人口统计学信息）	来自国家青少年酒精与神经发育联盟的纵向数据集	NA	GNN-TF（图神经网络-Transformer融合模型）	预测准确性	NA
737	2026-01-09	A Museum artifact classification model based on cross-modal attention fusion and generative data augmentation 2025-Dec-18, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29671-2 PMID:41413412	研究论文	本文提出了一种基于跨模态注意力融合和生成式数据增强的博物馆文物分类模型（VBG模型），以解决多模态信息协作不足和高质量标注数据稀缺的挑战	通过任务导向重构ViT、BERT和GAN构建集成多模态框架，并利用双向交互注意力融合层实现精确特征对齐，以及通过GAN生成多样样本形成“生成-反馈-优化”闭环以缓解数据稀缺问题	模型在训练时间和生成图像质量方面仍有改进空间	提升博物馆文物分类任务的效率和准确性，为数字文物管理和文化遗产保护提供技术支持	博物馆文物	计算机视觉	NA	生成对抗网络	Transformer, GAN	图像, 文本	MET和MS COCO数据集	NA	Vision Transformer, BERT, GAN	分类准确率, mAP, F1分数	NA
738	2026-01-09	A pooled Cell Painting CRISPR screening platform enables de novo inference of gene function by self-supervised deep learning 2025-Dec-16, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-66778-6 PMID:41402283	研究论文	本文介绍了一种基于Cell Painting的CRISPR筛选平台，通过自监督深度学习实现基因功能的从头推断	开发了一种与光学池化筛选兼容的Cell Painting平台，结合丰富的形态学数据与深度学习，无需特定生物标志物即可揭示基因网络，实现无偏见的基因功能发现	NA	实现无假设的逆向遗传筛选，通过多路形态学分析探索基因功能	基因功能、基因网络	机器学习	NA	CRISPR筛选、Cell Painting、光学池化筛选	自监督深度学习	图像	NA	NA	NA	NA	NA
739	2026-01-09	Controllable diffusion framework for imbalanced Phi OTDR events classification 2025-Dec-08, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29691-y PMID:41360874	研究论文	本文提出了一种可控扩散框架（ConDiff），用于解决Φ-OTDR事件分类中的长尾不平衡问题	首次将可控扩散模型应用于Φ-OTDR事件分类的长尾不平衡问题，通过反馈引导的增强器、高质量样本选择模块和动态阈值调整模块协同工作	未提及模型在更广泛数据集上的泛化能力，也未讨论计算效率方面的限制	解决Φ-OTDR事件分类中因异常事件样本稀缺导致的长尾不平衡问题	Φ-OTDR系统监测到的异常事件（如挖掘、浇水、摇晃）和正常事件（噪声）	机器学习	NA	Φ-OTDR（相位光时域反射计）	扩散模型	时间序列数据	BJTU-OTDR-LT数据集（具体数量未说明）	未明确说明	ConDiff（可控扩散框架），包含反馈引导Φ-OTDR增强器、高质量样本选择模块、动态阈值调整模块	分类准确率	NA
740	2026-01-09	Improving prediction region accuracy in marine animal movement with temporal fusion transformer 2025-Dec-04, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29520-2 PMID:41339653	研究论文	本研究利用Temporal Fusion Transformer神经网络模型，基于434头南象海豹的卫星追踪数据，预测其未来位置并填补数据缺失，以提高海洋动物运动预测的准确性	首次将Temporal Fusion Transformer模型应用于海洋动物运动预测，相比传统状态空间模型将定位误差降低了15%，并显著缩小了预测区域范围	模型在训练数据未覆盖的新地理区域表现下降约30%，表明将学习到的模式迁移到陌生环境存在挑战	提高海洋动物运动预测的准确性，以支持保护工作和生态系统管理	南象海豹的卫星追踪数据	机器学习	NA	卫星追踪	Temporal Fusion Transformer	时间序列数据	434头南象海豹的追踪数据	NA	Temporal Fusion Transformer	定位误差, 预测区域效率	NA