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
61	2026-09-21	Automated Food Weight and Content Estimation Using Computer Vision and AI Algorithms: Phase 2 2025-12-22, Sensors (Basel, Switzerland) DOI:10.3390/s26010076 PMID:41516511	研究论文	该文利用计算机视觉和人工智能技术，在自助餐厅场景中通过RGB和深度摄像头识别食物内容并估计食物重量	结合RGB和深度摄像头测量食物体积，并针对每种食物类型应用密度模型来估计重量，通过实验校准参数生成体积-重量转换表	仅在米饭和鸡肉上进行了验证，未涉及更多食物种类和更复杂的餐饮环境	量化餐饮服务中的关键组成部分，具体聚焦于餐厅环境下的食物内容识别和份量估计	自助餐厅中的食物托盘和食物项目	计算机视觉	NA	RGB和深度摄像头成像	YOLO	图像	NA	NA	YOLO	精确率-召回率曲线, 平均精度均值(mAP), 误差范围	NA
62	2026-09-21	MapReduce-based deep learning framework for potato leaf disease detection in sustainable precision agriculture 2025-Dec-20, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-30940-3 PMID:41419754	研究论文	该研究提出了一种基于MapReduce的深度学习框架，使用轻量级MobileNetV3分类器对马铃薯叶片病害进行检测，并在包含2152张图像的数据集上实现了高精度分类	将轻量级MobileNetV3分类器与MapReduce风格的数据流水线相结合，实现预处理和批量推理的并行化处理，使系统具备水平扩展能力以支持大规模部署和持续图像摄入	未明确讨论模型在真实田间环境中的泛化能力，数据集规模相对较小（2152张图像），且仅针对三类病害分类	实现马铃薯叶片病害的准确及时检测，以最小化产量损失，并探索MapReduce在大规模农业病害监测中的可扩展性	马铃薯叶片图像	计算机视觉	植物病害	深度学习图像分类	CNN	图像	2152张图像，分为三类	NA	MobileNetV3	准确率, 灵敏度, 特异性, F1分数, 误分类率, 混淆矩阵	GPU
63	2026-09-21	Generalizable and scalable protein stability prediction with rewired protein generative models 2025-Dec-20, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-67609-4 PMID:41422228	研究论文	本文提出了SPURS，一个深度学习框架，通过重新连接和整合两个互补的蛋白质生成模型（蛋白质语言模型和逆折叠模型），并利用超大规模热稳定性数据进行监督微调，实现蛋白质稳定性预测。	利用并改进了蛋白质生成模型的强无监督预测能力，通过重新连接和整合两个互补模型，并在超大规模热稳定性数据上进行监督微调，实现了可泛化、可扩展的蛋白质稳定性预测。	摘要中未提及该研究的局限性。	预测氨基酸替换引起的蛋白质热稳定性变化，以理解人类疾病和工程化蛋白质。	蛋白质及其氨基酸替换。	机器学习	人类疾病	蛋白质生成模型、监督微调	蛋白质语言模型、逆折叠模型	蛋白质序列和结构数据、热稳定性数据	摘要中未提及具体的样本数量。	NA	蛋白质语言模型、逆折叠模型	摘要中未提及具体的性能指标。	摘要中未提及计算资源。
64	2026-09-21	[Diagnosis and treatment of liver diseases in the era of artificial intelligence] 2025-Dec-20, Zhonghua gan zang bing za zhi = Zhonghua ganzangbing zazhi = Chinese journal of hepatology DOI:10.3760/cma.j.cn501113-20250910-00376 PMID:41461549	综述	本文分析了人工智能在肝病领域大数据分析、转化研究以及影像和病理判读等关键应用中的进展，并探讨了其临床落地面临的挑战与未来方向	系统梳理了人工智能在肝病诊疗中的多模态数据整合应用现状，并明确指出了当前AI工具难以独立可靠辅助复杂临床评估、无法有效减轻医生负担以及模型碎片化难以形成多中心通用模型三大核心痛点	本文为综述性分析，未开展原始实验验证；所讨论的AI工具成熟度不足，尚不能真正独立可靠地辅助复杂临床评估，且各医疗中心独立训练的模型相对孤立、个性化、碎片化，难以整合为广泛适用且可扩展的多中心通用模型，限制了其普适价值	分析人工智能在肝病诊疗关键领域的应用进展，探讨其在真实世界诊断与治疗流程中全面整合所面临的挑战，并提出未来发展方向	肝病诊疗中的人工智能应用，包括大数据分析、转化研究以及影像和病理判读	数字病理	肝病	NA	NA	多模态数据（病史、体征、实验室数据、影像和病理）	NA	NA	NA	NA	NA
65	2026-09-21	Development of a deep learning model to classify choroidal melanoma risk factors based on color fundus photographs 2025-Dec-11, AJO international DOI:10.1016/j.ajoint.2025.100167 PMID:41567739	研究论文	本研究开发并验证了一种深度学习模型，仅基于脉络膜痣的眼底图像来识别脉络膜黑色素瘤的风险因素	首次仅使用眼底图像，通过深度学习模型识别脉络膜黑色素瘤的所有五种关键风险因素	未明确提及具体的局限性，但可能包括样本量、外部验证等	开发并验证一种深度学习模型，基于眼底图像识别脉络膜痣转化为黑色素瘤的风险因素	脉络膜痣的眼底图像	数字病理学，医学图像分析	眼内肿瘤，脉络膜黑色素瘤	彩色眼底照相	深度学习模型（未指定具体类型）	图像	NA	NA	NA	预测性能（可接受至优秀）	NA
66	2026-09-21	Diagnostic performance of machine learning and deep learning algorithms for thyroid cancer metastasis: a systematic review and meta-analysis 2025-12-08, BMC medical informatics and decision making IF:3.3Q2 DOI:10.1186/s12911-025-03307-x PMID:41361881	系统综述与荟萃分析	该文章通过系统综述与荟萃分析评估了机器学习和深度学习算法在检测甲状腺癌转移中的诊断性能	首次系统性地汇总并定量分析了机器学习和深度学习算法在甲状腺癌转移诊断中的表现，涵盖多种转移类型和技术设置，并通过亚组和调节变量分析验证了模型的稳定性与适应性	仅纳入英文发表的研究，可能存在发表偏倚；纳入研究间存在异质性；未明确说明各原始研究的计算资源与具体模型架构细节	评估机器学习和深度学习算法在甲状腺癌转移检测中的诊断准确性，并探讨不同转移类型、癌症亚型和数据来源对模型性能的影响	成人甲状腺癌患者，尤其是乳头状甲状腺癌患者	数字病理学, 机器学习	甲状腺癌	NA	机器学习, 深度学习	NA	35项研究，共包含162个估计值	NA	NA	AUC-ROC, 灵敏度, 特异度, 诊断优势比	NA
67	2026-09-21	Deep multimodal fusion of patho-radiomic and clinical data for enhanced survival prediction for colorectal cancer patients 2025-Dec-05, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-025-02210-z PMID:41350716	研究论文	该研究提出了PRISM-CRC深度学习框架，通过整合组织病理学、放射学、内窥镜和临床数据来改善结直肠癌的诊断和预后	首次提出深度多模态融合框架PRISM-CRC，整合病理组学、放射组学和临床数据，在多模态协同作用下显著优于单一数据类型模型，并提供比传统TNM分期更精细的风险分层	存在域偏移导致的性能下降，以及在形态学模糊病例中的分类错误，需要未来前瞻性试验验证其临床实用性	通过整合多模态数据提高结直肠癌的诊断和预后预测能力	结直肠癌患者	数字病理学	结直肠癌	组织病理学、放射学、内窥镜和临床数据整合	深度学习	图像、文本	NA	NA	NA	一致性指数、AUC	NA
68	2026-09-21	Evaluation of the effectiveness of panoramic radiography in maxillary 3rd molars on an artificial intelligence model developed with findings obtained with cone beam computed tomography 2025-12-04, BMC oral health IF:2.6Q1 DOI:10.1186/s12903-025-07438-5 PMID:41340110	研究论文	本研究评估了全景X线片在上颌第三磨牙与上颌窦底关系分析中的有效性，通过锥形束CT数据训练深度学习模型，并比较了不同深度学习架构的分类性能	利用锥形束CT数据训练的深度学习模型来分析全景X线片中上颌第三磨牙与上颌窦底的位置关系，并采用多数投票融合策略综合多个模型的分类结果	多分类问题的准确率相对较低（约68-69%），研究样本量有限，仅基于单一机构数据	评估深度学习模型在全景X线片上分析上颌第三磨牙与上颌窦底位置关系的有效性，并比较不同深度学习架构的分类性能	上颌第三磨牙与上颌窦底的位置关系	计算机视觉, 数字病理学	口腔疾病	锥形束CT, 全景X线片	CNN	图像	1054张上颌第三磨牙全景X线图像	NA	VGG16, VGG19, ResNet50, ResNet101, GoogleNet	准确率, 混淆矩阵	NA
69	2026-09-21	Cross-Modality Learning for Predicting Immunohistochemistry Biomarkers from Hematoxylin and Eosin-Stained Whole Slide Images 2025-12, The American journal of pathology DOI:10.1016/j.ajpath.2025.08.014 PMID:40946794	研究论文	提出HistoStainAlign深度学习框架，通过对比训练策略从H&E全切片图像预测IHC染色模式	无需斑块级标注或组织配准，通过对比训练策略整合配对的H&E和IHC嵌入，捕获跨染色模态的互补特征	仅评估了胃肠道和肺部组织的三种IHC染色，样本类型有限	解决IHC染色成本高、耗时和资源密集的问题，开发计算预筛选工具	胃肠道和肺部组织的全切片图像	数字病理学	肺癌，胃肠道癌症	H&E染色， IHC染色	深度学习	图像	NA	NA	NA	加权F1分数	NA
70	2026-09-21	Detecting mangrove seedlings from UAV imagery using deep learning for restoration monitoring 2025-Dec-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-30387-6 PMID:41326629	研究论文	本文开发了一种基于深度学习的模型，用于从无人机超高分辨率影像中检测红树幼苗，以监测恢复效果	首次针对红树生态系统提出专门的幼苗检测方法，利用MaxViT-UNet架构预测密度图，并结合高斯差分方法进行精确定位	标注不准确、无人机影像随时间可能存在不一致性、深度学习方法固有的局限性	开发红树幼苗检测模型以支持恢复监测	红树幼苗	计算机视觉	NA	无人机遥感	深度学习	图像	22个播种点	NA	MaxViT-UNet, ResNet-DETR	F1分数, 精确率, 召回率	NA
71	2026-09-21	Artificial Intelligence Has Varied Diagnostic and Predictive Performance in Diagnosing Patellofemoral Osteoarthritis, Trochlear Dysplasia, and Patellofemoral Tracking Abnormalities: A Systematic Review 2025-Dec, Arthroscopy, sports medicine, and rehabilitation DOI:10.1016/j.asmr.2025.101269 PMID:41541530	系统综述	系统评估人工智能模型在诊断髌股关节骨关节炎、滑车发育不良及髌股轨迹异常中的诊断效能和预测能力	首次系统综述AI在髌股关节病理诊断中的应用，涵盖了骨关节炎、滑车发育不良和轨迹异常三种病理类型，并比较了AI与人类专家的性能	纳入研究存在样本量小、单中心数据集、泛化性有限、数据集不平衡导致的偏倚等局限性，且研究间异质性大，无法给出具体临床推荐	系统评估AI模型在检测髌股关节病理中的诊断效能和预测能力，并与人类临床专家进行比较	髌股关节骨关节炎、滑车发育不良、髌股轨迹异常/不稳定的患者影像数据	医学影像分析	骨关节炎	计算机断层扫描、磁共振成像、X射线摄影	深度学习、机器学习	图像	17项研究，具体样本量未在摘要中提供	NA	NA	AUC、准确率、精确率、召回率、灵敏度、特异度、阳性预测值、阴性预测值	NA
72	2026-09-21	Depthwise-Dilated Convolutional Adapters for Medical Object Tracking and Segmentation Using the Segment Anything Model 2 2025-Dec, Machine learning: science and technology DOI:10.1088/2632-2153/ae13d1 PMID:41551748	研究论文	本文提出了一种基于深度可分离空洞卷积适配器（DD-Adapter）的高效微调框架DD-SAM2，用于将SAM2模型适配到医学视频目标跟踪与分割任务中。	首次系统性地探索了基于适配器的SAM2微调策略用于医学视频分割与跟踪；提出了深度可分离空洞适配器（DD-Adapter），以极小的参数开销增强多尺度特征提取，并充分利用SAM2的流式记忆机制。	未明确讨论模型在更大规模或更多样化医学视频数据集上的泛化能力，也未详细分析计算资源的具体消耗。	解决SAM2在医学视频场景中适配时需大规模数据集重训练或迁移学习导致的高计算成本和灾难性遗忘问题，实现高效微调。	医学视频中的肿瘤和左心室等目标。	计算机视觉	肺癌, 心血管疾病	深度学习, 视频分割, 目标跟踪	SAM2, DD-Adapter	视频, 图像	TrackRad2025（肿瘤分割）和EchoNet-Dynamic（左心室跟踪）数据集，具体样本数量未提及	NA	SAM2, 深度可分离空洞卷积适配器 (DD-Adapter)	Dice系数	NA
73	2026-09-21	Fusion of transfer learning models for detection of alzheimer's disease using bidirectional long short-term memory with equilibrium optimization algorithm 2025-Dec-01, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-30456-w PMID:41326608	研究论文	该研究提出了一种融合深度学习模型（EfficientNet B7、MobileNet、ResNet-50）结合双向长短期记忆网络（BiLSTM）和平衡优化算法（EOA）的阿尔茨海默病检测与分类方法	将EfficientNet B7、MobileNet和ResNet-50三种深度学习模型进行融合用于特征提取，并采用双向长短期记忆网络进行分类，同时利用平衡优化算法进行超参数优化	MRI采集过程耗时较长，主要由于需要物理检查工作流程阻塞；未提及具体的数据集规模和泛化能力验证	构建一种融合深度学习模型与优化算法的阿尔茨海默病检测与分类方法，实现早期诊断	阿尔茨海默病患者的大脑MRI图像	计算机视觉	阿尔茨海默病	MRI	CNN、BiLSTM	图像	NA	NA	EfficientNet B7、MobileNet、ResNet-50、BiLSTM	NA	NA
74	2026-09-20	Path2Omics Enhances Transcriptomic and Methylation Prediction Accuracy from Tumor Histopathology 2025-12-15, Cancer research IF:12.5Q1 DOI:10.1158/0008-5472.CAN-25-4350 PMID:41166699	研究论文	开发了一个深度学习框架Path2Omics，从组织病理学图像中独立预测基因表达和甲基化，覆盖30种TCGA癌症类型	Path2Omics包含FFPE模型和FF模型，整合模型结合两者预测，比单独FFPE模型提升30%，稳健预测约4400个基因；推断的基因表达在预测患者生存和治疗反应方面与实际值密切匹配	研究未明确提及局限性，但可能包括依赖TCGA数据、外部验证数据集有限等	利用常规组织病理学切片推进精准肿瘤学	30种TCGA癌症类型的组织病理学图像和分子数据	数字病理学	泛癌症	组织病理学成像，转录组学和甲基化预测	深度学习	图像	NA	NA	NA	NA	NA
75	2026-09-20	HEIST: A Graph Foundation Model for Spatial Transcriptomics and Proteomics Data 2025-Dec-11, ArXiv PMID:41040798	研究论文	提出了一种用于空间转录组和蛋白质组数据的分层图Transformer基础模型HEIST	1. 采用分层图建模组织：高层为空间细胞图，低层为每个细胞的基因共表达网络图；2. 不使用固定基因词汇表，而是从共表达网络和细胞上下文计算基因嵌入；3. 通过层内和跨层消息传递利用层次结构，无需重新训练即可泛化到新的数据类型（如空间蛋白质组）；4. 使用空间感知的对比学习和掩码自编码目标进行预训练	摘要中未明确提及	解决现有模型忽略空间信息或细胞内复杂遗传和蛋白质程序、无法推断细胞内部调控如何适应微环境线索、以及固定基因词汇表限制泛化性的问题	空间转录组学和蛋白质组学数据，包括来自15个器官124个组织的2230万个细胞	空间组学，机器学习	NA	空间转录组学，空间蛋白质组学	图Transformer，基础模型	图数据，空间坐标，基因表达，蛋白质丰度	2230万个细胞，来自15个器官的124个组织	PyTorch	分层图Transformer	临床结果预测准确性，细胞类型注释准确性，基因插补准确性	NA
76	2026-09-20	Dual-feature selectivity enables bidirectional coding in visual cortical neurons 2025-Dec-07, bioRxiv : the preprint server for biology DOI:10.1101/2025.07.16.665209 PMID:40777393	研究论文	该研究揭示了猕猴视觉皮层V1和V4区域神经元对两种视觉特征的双重选择性编码策略，并结合功能数字孪生模型系统识别神经元的偏好和非偏好特征	首次发现视觉皮层神经元具有双重特征选择性，即对两种不同视觉特征分别产生增强和抑制反应，并利用深度学习功能数字孪生模型系统识别每个神经元的偏好和非偏好特征，证明了该编码策略在小鼠视觉皮层中保守存在	研究主要基于猕猴和小鼠的视觉皮层，尚未在更广泛的物种或脑区中验证该编码策略的普遍性；数字孪生模型的预测准确性可能受限于训练数据的质量和覆盖范围	探究视觉皮层神经元的特征编码策略，特别是双重特征选择性及其对刺激编码和群体表征的影响	猕猴视觉皮层V1和V4区域的神经元，以及小鼠初级和外侧视觉皮层的神经元	计算神经科学	NA	神经元记录，功能数字孪生模型（基于深度学习的预测模型）	深度学习	神经元记录数据，图像数据	NA	NA	NA	NA	NA
77	2026-09-20	Nanocarrier imaging at single-cell resolution across entire mouse bodies with deep learning 2025-Dec, Nature biotechnology IF:33.1Q1 DOI:10.1038/s41587-024-02528-1 PMID:39809933	研究论文	本文提出SCP-Nano，一种结合实验和深度学习的流程，能在单细胞分辨率下量化纳米载体在小鼠全身的靶向分布	开发了SCP-Nano流程，在单细胞分辨率下以极低剂量（低至0.0005 mg/kg）实现全身纳米载体成像，并揭示了不同纳米载体的新分布模式	摘要中未明确提及	开发高效准确的纳米载体分析方法，以促进靶向药物递送系统的开发	纳米载体（脂质纳米颗粒、脂质体、聚复合物、DNA折纸、腺相关病毒）及小鼠全身	计算机视觉	肺癌	深度学习成像分析	深度学习	图像	NA	NA	NA	NA	NA
78	2026-09-20	Mixed Outcomes in Recombination Rates After Domestication: Revisiting Theory and Data 2025-Dec, Molecular ecology IF:4.5Q1 DOI:10.1111/mec.17773 PMID:40271548	研究论文	本文通过综述理论、实验和比较数据，结合群体测序与深度学习方法，推断家养动物与野生祖先的全基因组重组率，发现混合结果	利用深度学习方法和群体测序数据，对鸡/红原鸡、绵羊/盘羊、山羊/野山羊进行新的全基因组重组率比较，并发现家养并非一致增加重组率	研究仅涉及三种动物比较，样本量有限；深度学习推断方法可能存在误差；综述部分受限于已有文献的覆盖面	重新审视驯化是否导致全基因组重组率增加的假说，并提供新的实证证据	鸡与红原鸡、绵羊与盘羊、山羊与野山羊	机器学习	NA	群体测序	深度学习	基因组序列	未明确说明具体样本数量	NA	NA	NA	NA
79	2026-09-20	A deep learning approach for enhancing pandemic prediction: A retrospective evaluation of transformer neural networks and multi-source data fusion for infectious disease forecasting 2025-12, Epidemics IF:3.0Q2 DOI:10.1016/j.epidem.2025.100865 PMID:41197498	研究论文	本文提出了一种基于Transformer神经网络和多源数据融合的深度学习模型，用于县级Covid-19预测，并进行了回顾性评估	利用Transformer神经网络融合历史病例数据、死亡数据和社交媒体情感数据，并开发了多级和多尺度注意力机制进行自适应时频分析	需要进行前瞻性验证以评估模型在实时演变数据条件下的实用性	提高大流行病预测的准确性，特别是县级Covid-19病例和死亡的预测	县级Covid-19病例和死亡数据	机器学习	Covid-19	多源数据融合	Transformer	时间序列数据、文本数据	三个Omicron变异波次的数据（2021年12月至2023年2月）	NA	Transformer	县级一致性准确率	NA
80	2025-11-14	Response to correspondence on 'Deep learning-based quantification of tumor-infiltrating lymphocytes as a prognostic indicator in nasopharyngeal carcinoma: multicohort findings' 2025-Dec, ESMO open IF:7.1Q1 DOI:10.1016/j.esmoop.2025.105881 PMID:41223632	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA