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
781	2025-12-26	Alzheimer's Imaging Consortium 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70862_110222 PMID:41434400	研究论文	本文提出了一种名为'purple-mri'的完整半球离体到原位/活体分割与配准流程，用于处理多分辨率、跨模态的阿尔茨海默病相关MRI数据	结合深度学习分割架构与经典基于表面的建模技术，开发了两阶段跨模态微分同胚图像配准方法，以解决离体与原位MRI之间的配准挑战	厚度测量因组织损伤/缺失区域的缺乏分割而存在噪声，导致整体相关性略有下降	开发一种能够准确分割高分辨率离体MRI并实现多模态死后MRI一对一对应的流程，以加强形态计量学与组织病理学检查之间的关联研究	21个对照样本的离体与原位MRI数据	数字病理学	阿尔茨海默病	MRI成像	深度学习	图像	21个对照样本（年龄57-88岁；女性9例/男性12例）	FreeSurfer	NA	Spearman相关系数	NA
782	2025-12-26	Basic Science and Pathogenesis 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70855_097917 PMID:41434440	研究论文	本研究利用深度学习分析单细胞RNA-seq数据，探索阿尔茨海默病多样临床表型的细胞和分子机制	首次在人群水平上应用深度学习分析大规模单核RNA-seq数据，识别表型关联细胞，并开发个性化单细胞功能基因组学方法，包括基因调控QTLs分析	研究主要基于前额叶皮层数据，可能未完全反映其他脑区变化；样本虽大但仍可能存在人群偏倚	揭示阿尔茨海默病多样临床表型的细胞和分子基础	1,494个个体大脑前额叶皮层的单核RNA-seq数据	生物信息学	阿尔茨海默病	单核RNA-seq	深度学习	基因表达数据	超过600万个细胞核，来自1,494个个体大脑	NA	NA	表型分类改进	NA
783	2025-12-26	Basic Science and Pathogenesis 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70855_099459 PMID:41435353	研究论文	本研究开发了一种基于Transformer架构的深度学习模型，仅使用全基因组测序数据来预测阿尔茨海默病痴呆	提出了一种结合窗口注意力、注释增强和图卷积网络的多步骤深度学习模型，用于从WGS数据中整合局部和远距离关系以改进AD预测	模型预测准确率仍有提升空间（AUC=0.68），且仅分析了染色体19上APOE基因周围的特定基因组区域	开发深度学习模型以早期预测阿尔茨海默病痴呆	阿尔茨海默病患者和认知正常个体的全基因组测序数据	机器学习	阿尔茨海默病	全基因组测序	Transformer, GCN	基因组序列数据	1050个样本（443名认知正常，607名AD痴呆）	NA	Transformer, GCN	AUC	NA
784	2025-12-26	Deep Learning-Based Segmentation of Coronary Arteries and Stenosis Detection in X-Ray Coronary Angiography 2025-Dec, JACC. Advances DOI:10.1016/j.jacadv.2025.102360 PMID:41447280	研究论文	本文旨在训练深度学习模型用于分割冠状动脉并检测X射线冠状动脉造影中的显著狭窄，进行外部验证并与专家变异性进行比较	开发了基于深度学习的模型，能够自动分割冠状动脉并检测显著狭窄，其性能与专家水平相当，并进行了多中心数据训练和外部验证	模型性能可能受限于训练数据的多样性和数量，且仅针对主要冠状动脉及其≥50%的狭窄进行检测	训练深度学习模型以自动分割冠状动脉并检测X射线冠状动脉造影中的显著狭窄，并进行外部验证	来自阿姆斯特丹大学医学中心和埃默里大学医院的X射线冠状动脉造影图像	计算机视觉	心血管疾病	X射线冠状动脉造影	深度学习模型	图像	训练集包含10,573张图像（中心1: 9,065张，中心2: 1,508张），验证集包含309张图像（中心1: 186张，中心2: 123张）	NA	NA	Dice系数, 检测率	NA
785	2025-12-25	Deep Learning Exploration Expands the Natural Diversity of Metallothioneins in the Archaea Domain 2025-Dec-24, Journal of agricultural and food chemistry IF:5.7Q1 DOI:10.1021/acs.jafc.5c05880 PMID:41370558	研究论文	本研究利用深度学习探索并扩展了古菌域中金属硫蛋白的自然多样性	首次全面识别古菌金属硫蛋白，揭示其进化谱系和结构多样性，并通过AlphaFold3建模和功能实验验证其金属抗性	研究仅基于406个基因组，可能未覆盖所有古菌多样性；功能实验仅测试了少数金属硫蛋白	探索古菌域中金属硫蛋白的多样性、进化、结构和功能	古菌基因组中的金属硫蛋白	机器学习	NA	基因组分析、AlphaFold3建模、功能实验	深度学习	基因组序列、蛋白质结构	从406个古菌基因组中识别出180个金属硫蛋白	AlphaFold3	AlphaFold3	NA	NA
786	2025-12-25	Macretina: a dataset, to support deep learning assisted retinopathy of prematurity diagnosis 2025-Dec-24, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31624-8 PMID:41436820	研究论文	本研究介绍了一个名为Macretina的专家标注数据集，旨在支持基于深度学习的早产儿视网膜病变（ROP）自动诊断	提供了一个从印度医院收集的、包含多种病理特征标注的综合性ROP数据集，专门设计用于支持AI模型的开发与评估	数据集来源于单一中心（Macretina医院），可能限制了模型的泛化能力	开发一个用于支持AI辅助早产儿视网膜病变（ROP）诊断的综合性数据集	早产儿的视网膜眼底图像	数字病理学	早产儿视网膜病变	宽视野视网膜成像系统（3nethra Neo）	深度卷积神经网络（DCNN）	图像	来自112名早产儿的1432张视网膜眼底图像	NA	NA	NA	NA
787	2025-12-25	Deep learning-based disease detection in potato and mango leaves: a comparative study of CNN, AlexNet, ResNet, and EfficientNet 2025-Dec-24, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32607-5 PMID:41436834	研究论文	本研究利用深度学习模型对马铃薯和芒果叶片病害进行自动检测，并比较了CNN、AlexNet、ResNet和EfficientNet四种架构的性能	在植物病害检测领域，首次对CNN、AlexNet、ResNet和EfficientNet四种深度学习架构在马铃薯和芒果叶片数据集上进行了系统性比较研究，并验证了EfficientNet在植物病害分类中的优越性	研究仅使用了两个公开数据集（共6152张图像），样本多样性可能有限；模型在真实田间复杂环境下的泛化能力有待进一步验证	开发自动植物病害识别系统，以支持精准农业和早期病害防治	马铃薯叶片和芒果叶片	计算机视觉	植物病害	图像处理、数据增强	CNN, AlexNet, ResNet, EfficientNet	图像	6152张叶片图像（马铃薯2152张，芒果4000张）	未明确提及	CNN, AlexNet, ResNet, EfficientNet	准确率、精确率、召回率、损失值	未明确提及
788	2025-12-25	Deep Learning-Based Risk Factor Analysis for Accurate Prediction of Lung Cancer in High-Risk Populations 2025-Dec-24, American journal of clinical oncology DOI:10.1097/COC.0000000000001284 PMID:41437170	研究论文	本研究提出了一种结合深度学习和优化算法的新型框架，用于高风险人群中肺癌的准确预测	整合了LIDC-IDRI、WOA-APSO、CNN和KNG-CNN等先进技术，优化特征选择，实现了99.25%的高预测准确率	未明确说明研究样本的具体规模或数据集的局限性	提高肺癌早期检测和风险预测的准确性，以改善患者生存率和降低治疗成本	高风险人群中的肺癌预测	计算机视觉	肺癌	深度学习，优化算法	CNN, KNG-CNN	图像	NA	PYTHON	卷积神经网络，基于核的非高斯卷积神经网络	准确率	NA
789	2025-12-25	Novel noninvasive assessment of upper urinary tract urine flow dynamics: a deep learning-driven reconstruction model combined with CFD simulation 2025-Dec-24, European journal of medical research IF:2.8Q2 DOI:10.1186/s40001-025-03730-w PMID:41437298	研究论文	本研究提出了一种结合深度学习模型重建与计算流体动力学模拟的非侵入性方法，用于评估儿童肾积水患者的上尿路尿液流动动力学参数，并比较了三种机器人辅助肾盂成形术的临床效果	首次将深度学习驱动的网格重建技术应用于儿童肾积水病变的三维模型重建，并结合计算流体动力学模拟来非侵入性地测量尿液流动动力学参数	样本量较小（仅36例患者），且研究为单中心设计，可能限制结果的普遍适用性	评估三种不同机器人辅助肾盂成形术手术策略对儿童肾积水患者上尿路尿液流动动力学的影响，并确定最优手术方法	接受机器人辅助肾盂成形术的儿童肾积水患者	数字病理学	肾积水	磁共振尿路造影, 计算流体动力学模拟	深度学习网络	磁共振图像	36例患者	NA	NA	NA	NA
790	2025-12-25	Multi-DNBiTM: preterm labor prediction from electrohysterography signals using multi-head attention-enabled deep learning framework 2025-Dec-24, Computer methods in biomechanics and biomedical engineering IF:1.7Q3 DOI:10.1080/10255842.2025.2602829 PMID:41439533	研究论文	本文提出了一种基于多注意力头的分布式神经网络与双向长短期记忆结合的框架（multi-DNBiTM），用于从子宫电信号中预测早产，以提高预测准确性	引入了多注意力头机制和根均能量熵深度特征（RMEn2D），以增强对子宫电信号中细微变化的捕捉和表示能力	未明确提及模型在外部数据集上的泛化能力或计算资源需求的具体限制	通过深度学习框架提高早产预测的准确性和敏感性	子宫电信号数据	机器学习	产科疾病	子宫电信号分析	LSTM, 注意力机制	信号数据	NA	NA	双向长短期记忆网络, 多注意力头机制	准确率, 敏感性, 特异性	NA
791	2025-12-25	Deep Learning-Based Brainstem Segmentation and Multi-Class Classification for Parkinsonian Syndrome 2025-Dec-24, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.70215 PMID:41439587	研究论文	本研究开发并验证了一种结合深度学习脑干分割与机器学习分类的两步算法，用于自动分割脑干亚结构并基于体积测量对帕金森综合征进行多类别分类	提出了一种结合深度学习脑干分割与机器学习分类的两步算法，实现了对帕金森综合征的自动鉴别，并在内部和外部数据集上进行了验证	研究为回顾性设计，且外部验证数据集规模相对较小（82例）	开发并验证一种自动分割脑干亚结构并分类帕金森综合征的算法	帕金森综合征患者（包括进行性核上性麻痹、多系统萎缩-小脑变异型、帕金森病）及正常认知受试者	数字病理学	帕金森综合征	3D梯度回波T1加权序列	深度学习, 机器学习	MRI图像	内部数据集：300例正常认知受试者（分割用），513例受试者（分类用，含207例正常、52例PSP、65例MSA-C、189例PD）；外部数据集：82例受试者（24例PSP、28例MSA-C、30例PD）	NA	NA	Dice相似系数, 受试者工作特征曲线下面积	NA
792	2025-12-25	Advanced lung segmentation on chest HRCT: comprehensive pipeline for quantification of airways, vessels, and injury patterns 2025-Dec-24, La Radiologia medica DOI:10.1007/s11547-025-02166-w PMID:41441964	研究论文	本文提出了一种结合U-Net AI分割与定制图像处理的混合管道，用于同时分割肺部、气道、肺血管和实质损伤模式，并在COVID-19和特发性肺纤维化患者的HRCT扫描中验证了其性能	与现有工具通常针对单一解剖结构并主要依赖深度学习或基于规则的方法不同，该混合管道将U-Net AI分割与定制图像处理相结合，实现了肺部、气道、血管和实质损伤模式的可靠同时分割	研究样本量有限，仅使用了47例CT扫描（包括公共数据集和回顾性数据），可能影响结果的普遍性	开发一个可靠的混合管道，用于在胸部高分辨率CT上同时量化气道、血管和损伤模式，以诊断和监测肺部疾病	COVID-19和特发性肺纤维化患者的胸部HRCT扫描	数字病理学	肺癌	胸部高分辨率CT扫描	U-Net	图像	47例CT扫描（19例来自COVID-19公共数据集用于深度学习，8例来自EXACT'09挑战用于验证气道分割，20例回顾性HRCT扫描用于管道验证）	NA	U-Net	Dice系数	NA
793	2025-12-25	Correction: Addressing fractures that are hard to diagnose on imaging: Radiomics or deep learning? 2025-Dec-24, La Radiologia medica DOI:10.1007/s11547-025-02151-3 PMID:41441965	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
794	2025-12-25	Effect of deep learning reconstruction on arm-induced artifacts compared with hybrid iterative reconstruction and filtered-backprojection in abdominal CT 2025-Dec-24, Radiological physics and technology IF:1.7Q3 DOI:10.1007/s12194-025-00998-9 PMID:41442007	研究论文	本研究评估了深度学习图像重建在腹部CT中减少手臂伪影和提升图像质量的效果，并与迭代重建和滤波反投影方法进行比较	首次系统比较深度学习重建、自适应统计迭代重建和滤波反投影在手臂下垂腹部CT中的伪影减少和图像质量提升效果	研究样本量较小，仅包括10例患者数据；未评估不同扫描参数或设备的影响	评估深度学习重建在腹部CT中减少手臂伪影和改善图像质量的效能	肝脏结节体模（含手臂模拟）和10例手臂下垂腹部CT患者	医学影像处理	NA	CT扫描	深度学习重建	CT图像	1个体模（模拟三种手臂位置）和10例患者	NA	NA	伪影强度（Gumbel分布位置参数、标准差）、信噪比、对比噪声比、主观评价（噪声、伪影、锐度、整体质量）	NA
795	2025-12-25	TFS-FENet: A time-frequency spatial deep learning framework for EEG-based ADHD subtype classification 2025-Dec-24, Applied neuropsychology. Child DOI:10.1080/21622965.2025.2606108 PMID:41442154	研究论文	本文提出了一种名为TFS-FENet的深度学习框架，用于基于EEG的ADHD亚型分类，通过整合CNN和注意力机制来建模EEG的时-频-空三维特征	首次同时捕获EEG的联合三维时-频和空间特征，而现有方法多专注于二维特征建模	NA	开发一个客观的基于EEG的ADHD诊断辅助工具，以弥补临床诊断主要依赖行为表现和缺乏生物标记物的不足	注意力缺陷多动障碍（ADHD）患者，具体包括ADHD-注意缺陷型、ADHD-混合型以及典型发育儿童	机器学习	注意力缺陷多动障碍	脑电图（EEG）	CNN	脑电图信号	NA	NA	TFS-FENet	准确率	NA
796	2025-12-25	DeepR2OM: Accurate Recognition for RNA 2'-O-Methylation Sites in Human Genome Using Deep Learning 2025-Dec-23, IEEE transactions on computational biology and bioinformatics DOI:10.1109/TCBBIO.2025.3647488 PMID:41433162	研究论文	本文提出了一种名为DeepR2OM的新方法，通过整合特征选择和深度学习技术，准确预测人类基因组中的RNA 2'-O-甲基化位点	DeepR2OM结合了八种RNA描述符进行序列编码，采用特征选择算法降维，并利用深度学习网络进行训练，首次整合了卷积神经网络、多头自注意力机制和深度神经网络作为预测模型	未明确说明模型在其他物种或更大数据集上的泛化能力，以及特征选择可能丢失部分生物信息	开发一种快速、成本效益高的方法，以准确预测RNA 2'-O-甲基化位点，从而理解RNA的生物学功能及相关病理	人类基因组中的RNA 2'-O-甲基化位点	生物信息学	NA	RNA描述符编码、特征选择算法、深度学习	CNN, Multi-Head Self-Attention, DNN	RNA序列数据	NA	NA	卷积神经网络、多头自注意力机制、深度神经网络	准确率、召回率、精确率、马修斯相关系数	NA
797	2025-12-25	Real-time Instantaneous Phase Estimation Using a Deep Dual-Branch Complex Neural Network 2025-Dec-23, IEEE transactions on bio-medical engineering DOI:10.1109/TBME.2025.3647598 PMID:41433160	研究论文	本文提出了一种基于深度学习双分支复杂神经网络的实时瞬时相位估计算法，用于神经振荡信号处理	采用类似复杂小波变换的双分支结构生成伪复数值信号进行瞬时相位估计，并引入离散余弦变换层提取信号实部和虚部的潜在空间表示	NA	开发适用于脑机接口和神经调节系统的实时瞬时相位估计算法	神经振荡信号的瞬时相位	机器学习	NA	深度学习	复杂神经网络	信号数据	NA	NA	双分支复杂神经网络	相位估计准确度	现场可编程门阵列
798	2025-12-25	Multi-Task Learning for OSA Detection and Sleep Staging via Multi-Scale Modeling 2025-Dec-23, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3647317 PMID:41433180	研究论文	本文提出了一种统一的多模态多任务网络MT-TASPPNet，用于同时进行阻塞性睡眠呼吸暂停（OSA）事件检测和睡眠分期	首次提出一个统一的多模态多任务网络同时处理OSA检测和睡眠分期，并引入了EOG引导的先验机制来增强对细微睡眠阶段的区分能力	未明确提及模型在更广泛或不同人群数据集上的泛化能力，也未讨论模型的计算复杂度	开发一个高效、可扩展的多任务睡眠分析系统，用于睡眠障碍的诊断和管理	睡眠障碍患者的多模态生理信号（EEG、ECG、气流信号、EOG）	机器学习	睡眠障碍	多模态信号处理，多任务学习	深度学习，多任务学习网络	生理信号时间序列（EEG、ECG、气流、EOG）	三个大规模数据集：SHHS1、SHHS2和悉尼睡眠生物库	NA	MT-TASPPNet（多任务三重空洞空间金字塔池化网络），包含空洞空间金字塔池化模块	准确度，宏平均F1分数，Kappa系数	NA
799	2025-12-25	Self-Supervised Koopman Operator Learning for Distributed Final Synchronization Prediction of Networked Nonlinear Dynamics 2025-Dec-23, IEEE transactions on neural networks and learning systems IF:10.2Q1 DOI:10.1109/TNNLS.2025.3644299 PMID:41433175	研究论文	本文开发了一种混合Koopman深度学习算法，用于仅使用相邻状态信息预测不同拓扑结构网络化非线性动力系统的最终同步状态	提出了一种自监督Koopman算子学习方法，能够从个体和/或相邻状态序列中提取并融合多种不同拓扑的线性特征，从而预测非线性网络动力系统的最终同步状态，而现有方法通常仅适用于线性网络	未明确说明算法在极端非线性或大规模网络中的适用性限制，且未提供实际应用场景的验证	研究网络化非线性动力系统的最终同步预测问题	具有不同拓扑结构的网络化非线性动力系统	机器学习	NA	Koopman算子理论，深度学习	自监督学习，混合模型	状态序列数据	NA	NA	非线性编码器，非线性解码器	通过数值模拟验证有效性，但未指定具体评估指标	NA
800	2025-12-25	Label Noise in Pathological Segmentation Is Overlooked, Leading to Potential Overestimation of Artificial Intelligence 2025-Dec-23, Cancer science IF:4.5Q1 DOI:10.1111/cas.70288 PMID:41433191	研究论文	本研究通过调查公共数据集和合成人工标签噪声，评估了标签噪声对病理分割模型的影响	首次系统评估了病理分割中标签噪声的类型及其对AI模型性能的潜在高估风险，特别是边界相关噪声的影响	研究主要基于合成噪声和公开数据集，可能未完全覆盖真实临床环境中所有噪声类型	评估标签噪声在病理分割AI模型训练中的影响，并探讨其对性能评估的潜在偏差	病理分割AI模型，特别是用于乳腺癌语义分割的深度学习模型	数字病理	乳腺癌	语义分割	深度学习模型	图像	使用公开数据集和乳腺癌语义分割数据集，具体样本数量未明确说明	NA	NA	表现评分（包括真实性能评分和表观性能评分）	NA