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
821	2025-12-29	Biomarkers 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70856_102219 PMID:41448607	研究论文	本研究评估了五种主流自动化海马分割工具在痴呆症研究中对疾病的敏感性和测试-重测可靠性	首次系统比较了五种主流自动化海马分割工具在疾病敏感性和测试-重测可靠性方面的表现，并提供了评估工具临床准备度的流程	研究主要基于公开数据集，可能未涵盖所有临床场景；未评估工具在其他脑区或疾病中的表现	评估自动化海马分割工具在痴呆症研究中的临床准备度，重点关注其对疾病的敏感性和测试-重测可靠性	阿尔茨海默病和轻度认知障碍患者的T1加权MRI扫描	数字病理学	阿尔茨海默病	T1加权MRI	深度学习模型	图像	敏感性研究使用ADNI的2299例和NACC的1852例扫描；可靠性研究使用8个独立数据集的1264例扫描	NA	FastSurfer, SynthSeg, Geodesic Information Flows (GIF), InnerEye, nnUNet	Cohen's d, 组内相关系数(ICC(2,1))	NA
822	2025-12-29	Biomarkers 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70856_103473 PMID:41449130	研究论文	本研究通过分析ADNI队列中的神经影像生物标志物，探讨了APOE4携带者与非携带者在阿尔茨海默病病因和表现上的差异	首次使用名为DeepContrast的深度学习方法来识别结构MRI扫描中的功能性大脑活动特征，并揭示了APOE4携带者与非携带者在疾病病理异质性上的显著差异	研究基于ADNI队列，样本可能不具有普遍代表性，且未详细说明DeepContrast方法的验证过程	探究APOE4携带者与非携带者在阿尔茨海默病病因和表现上的差异	ADNI队列中的APOE4携带者与非携带者	医学影像分析	阿尔茨海默病	神经影像学（Ab-PET、Tau-PET、FDG-PET、结构MRI、FLAIR MRI）	深度学习	MRI图像	ADNI队列参与者（具体数量未明确）	NA	DeepContrast	NA	NA
823	2025-12-29	Biomarkers 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70856_103249 PMID:41449679	研究论文	本研究探讨了量子增强的迁移学习如何通过结合经典深度学习模型与量子电路，提升基于MRI图像的阿尔茨海默病及相关痴呆症的早期检测性能	将量子计算与经典深度学习模型结合，通过量子迁移学习技术，在参数显著减少的情况下，实现了痴呆检测性能的显著提升	研究使用了模拟器进行实验，未在真实量子硬件上验证；样本量相对较小（136名受试者），可能影响模型的泛化能力	展示量子迁移学习在增强经典深度学习模型用于痴呆检测方面的潜力	阿尔茨海默病及相关痴呆症（ADRD）患者与健康个体的MRI矢状面图像	机器学习	阿尔茨海默病及相关痴呆症	量子迁移学习	CNN, DQN	图像	136名受试者（64名痴呆患者和72名非痴呆患者）	Pennylane, IonQ	未指定具体架构，但包含卷积层和密集层，结合了Dressed Quantum Circuit（DQN）	准确率, 敏感度	Pennylane的`default.qubit`模拟器和IonQ的Aria-1模拟器（噪声模拟）
824	2025-12-29	Biomarkers 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70856_103182 PMID:41449848	研究论文	本研究开发了一种基于神经病理学确认诊断的多标签深度学习网络，用于量化阿尔茨海默病、血管性痴呆和路易体痴呆的脑萎缩	首次利用神经病理学确认的诊断训练深度学习模型，并开发了新型DeepSPARE指数来可视化病理特异性模式	模型在路易体痴呆上的准确率相对较低（0.623），且样本主要来自特定数据集（NACC和ADNI）	开发一种能够准确识别三种常见痴呆类型脑萎缩模式的深度学习框架	423名痴呆参与者和361名对照者的生前3D T1加权MRI扫描	数字病理学	老年疾病	3D T1加权MRI扫描	深度学习网络	图像	784名参与者（423名痴呆患者，361名对照），外加734名外部验证样本	NA	多标签深度学习网络	平衡准确率	NA
825	2025-12-29	Clinical Manifestations 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70857_105825 PMID:41449899	研究论文	本研究通过融合视频骨骼关键点和可穿戴生理数据，利用深度学习模型提升痴呆患者躁动和攻击行为的早期检测能力	首次结合视频骨骼关键点与可穿戴生理数据，采用RNN-GRU与注意力机制的深度学习框架，实现多模态数据融合的早期AA预测	样本量较小（仅5名患者），数据收集时长存在差异，需进一步扩大研究规模以验证普适性	提升痴呆患者躁动和攻击行为的早期检测准确性，减少干预延迟和不适当精神药物使用	患有阿尔茨海默病或混合病理痴呆并伴有躁动和攻击行为的住院患者	机器学习	老年疾病	可穿戴生理监测、视频骨骼关键点提取	RNN, GRU	视频、生理信号	5名患者（3名女性，2名男性，年龄63-85岁），每人数据收集时长为36至95.5小时	NA	RNN with GRU and attention mechanisms	准确率	NA
826	2025-12-29	deepBlastoid: a deep learning model for automated and efficient evaluation of human blastoids 2025-Dec, Life medicine DOI:10.1093/lifemedi/lnaf026 PMID:41450875	研究论文	本文开发了一个名为deepBlastoid的深度学习模型，用于基于明场图像自动分类活体人类胚泡样结构	开发了首个用于自动评估人类胚泡样结构形态的深度学习模型，通过集成置信度指标将准确率提升至97%，并在通量上超越人类专家	模型性能依赖于图像质量和训练数据，可能无法覆盖所有胚泡样结构变异类型	开发自动化工具以高效评估人类胚泡样结构的形态，支持早期人类发育建模和高通量筛选	人类胚泡样结构	计算机视觉	NA	明场成像	深度学习模型	图像	超过10,000张图像	NA	NA	准确率, 置信度	NA
827	2025-12-29	Biomarkers 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70856_103753 PMID:41452061	研究论文	本研究利用死后MRI和组织学数据，探讨了阿尔茨海默病（AD）和LATE相关神经退行性变中MRI形态测量指标与神经元数量、大小和密度等直接神经退行性变指标之间的关系	结合深度学习StarDist方法、弱监督学习和高斯混合模型，自动化检测神经元并区分神经元与胶质细胞，用于分析AD和LATE的萎缩模式差异	研究样本量较小（仅24名脑捐赠者），且为初步可行性结果，需要更大数据集验证	旨在通过MRI形态测量和组织学分析，更好地区分AD和LATE引起的萎缩，以开发更特异的生物标志物	24名脑捐赠者的海马体CA1亚区、下托和内嗅皮层组织	数字病理学	阿尔茨海默病	死后MRI（9.4T）、组织学染色（硫堇染色）、立体学测量	深度学习	图像	24名脑捐赠者（5名AD-LATE-，14名AD+LATE-，5名AD+LATE+）	StarDist	NA	相关系数（r=0.72）	NA
828	2025-12-29	Biomarkers 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70856_103816 PMID:41452665	研究论文	本研究利用3D卷积神经网络预测轻度认知障碍老年患者在未来两年内临床痴呆评定量表总分的变化	首次在三个独立的公开队列中，使用3D DenseNet-121 CNN模型，仅基于T1加权脑部MRI来预测未来认知功能下降，并将影像学预测结果整合到线性混合效应模型中以提高预测准确性	研究仅使用了T1加权MRI数据，未来需要纳入更丰富的神经影像数据（如淀粉样蛋白和tau蛋白PET、弥散MRI）以及探索其他数据融合方法	预测轻度认知障碍患者向阿尔茨海默病或相关痴呆症的进展，以辅助治疗决策、识别保护因素并指导临床试验	来自ADNI、OASIS-3和NACC三个公开队列的老年轻度认知障碍患者	数字病理学	阿尔茨海默病	3D T1加权脑部MRI	CNN, 线性混合效应模型	图像, 表格数据	ADNI队列1136人，OASIS-3队列241人，NACC队列942人	NA	3D DenseNet-121	平均绝对误差, R²	NA
829	2025-12-28	Medical Microwave Imaging Using Physics-Guided Deep Learning Part 1: The Forward Solver 2025-Dec-26, IEEE transactions on medical imaging IF:8.9Q1 DOI:10.1109/TMI.2025.3648756 PMID:41452684	研究论文	本文提出了一种用于医学微波成像的快速、自监督深度学习前向求解器，通过物理引导的混合损失函数确保计算结果的物理正确性	提出了一种基于物理框架的深度学习前向求解器，将计算域分为内部散射体区域和外部背景介质区域，采用结合麦克斯韦旋度方程与积分方程的混合损失函数，在保证全局和局部精度的同时比传统求解器快97%	未明确说明训练数据的具体规模和多样性限制，也未讨论在更复杂生物组织模型中的泛化能力	开发用于医学微波成像的快速准确前向求解器，为深度学习逆问题求解器提供高效训练基础	电磁散射问题中的散射场和介质特性计算	机器学习	NA	微波成像	深度神经网络	电磁场数据	未明确具体样本数量，但提及在随机物体上训练并在真实模型上测试	NA	NA	均方根误差	NA
830	2025-12-28	STAR: Soil texture analysis recognizer integrating domain-adaptive transfer learning with NIR spectroscopy 2025-Dec-25, Journal of environmental management IF:8.0Q1 DOI:10.1016/j.jenvman.2025.128378 PMID:41453259	研究论文	本文提出了一种名为STAR的智能近红外光谱设备，用于精确的土壤质地分类，通过结合领域自适应迁移学习来解决模型泛化、标注数据依赖和跨域不一致性问题	提出了两种新颖的算法组件：面向迁移学习的光谱预处理方法TMSC以减少光谱分布偏移，以及SETAB框架来增强模型在跨区域和跨域不平衡条件下的适应性	研究主要基于四川省的局部土壤样本进行验证，未明确说明模型在其他地理区域或更广泛土壤类型上的泛化性能	开发一种用于精确土壤质地分类的智能近红外光谱设备，并解决光谱建模在实际部署中的泛化和跨域适应性问题	土壤样本	机器学习	NA	近红外光谱	深度学习	光谱数据	四川省的局部土壤样本（具体数量未明确说明）	NA	NA	准确率, Kappa系数	NA
831	2025-12-28	Enhanced classification prostate cancer based on generative adversarial networks and integrated deep learning with vision transformer models 2025-Dec-24, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31623-9 PMID:41444330	研究论文	本文提出了一种结合生成对抗网络、集成深度学习与视觉Transformer模型的增强型前列腺癌分类方法	提出了一种无需修改源图像的安全隐写术，并首次将ViT与GAN、SVM及多种深度学习模型（EfficientNet-B4、DenseNet121、ResNet-18）集成用于前列腺癌诊断	方法仅在DWI前列腺癌数据集上验证，未在其他模态或疾病数据集上测试泛化能力	开发一种安全且高精度的前列腺癌医学图像分类与诊断系统	扩散加权成像（DWI）前列腺癌数据集	计算机视觉	前列腺癌	扩散加权成像（DWI）	GAN, SVM, CNN, Transformer	医学图像	NA	NA	Vision Transformer (ViT), EfficientNet-B4, DenseNet121, ResNet-18	准确率, 敏感度, 精确率, F1分数, PSNR, SSIM	NA
832	2025-12-28	Detection of cystoid macular edema in patients with retinitis pigmentosa based on deep learning 2025-Dec-24, International journal of retina and vitreous IF:1.9Q2 DOI:10.1186/s40942-025-00762-6 PMID:41444668	研究论文	本研究首次应用深度学习算法基于光学相干断层扫描图像自动检测视网膜色素变性患者的黄斑囊样水肿	首次将深度学习算法应用于视网膜色素变性患者黄斑囊样水肿的诊断与管理	NA	利用深度学习模型基于光学相干断层扫描图像检测视网膜色素变性患者的黄斑囊样水肿	视网膜色素变性患者的黄斑囊样水肿	计算机视觉	视网膜色素变性	光谱域光学相干断层扫描	CNN	图像	1,318张光学相干断层扫描图像，来自296只眼睛	Scikit-learn	ResNet-34, ResNet-18	准确率, F1分数, ROC	NA
833	2025-12-28	Enhancing groundwater level prediction with a hybrid deep learning model in Jinan City, China 2025-Dec-24, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-28200-5 PMID:41444734	研究论文	本研究构建了一种新颖的混合深度学习模型STGPM，用于预测中国济南市的地下水水位，该模型结合了图神经网络和循环神经网络以捕捉时空模式	提出了一种新颖的混合深度学习模型STGPM，该模型独特地结合了图神经网络和循环神经网络，能够同时捕捉监测井之间的水文连通性和多尺度时间依赖性，克服了传统时间序列模型的关键局限性	NA	为可持续利用和科学管理地下水资源提供准确的地下水水位预测工具	中国济南市的地下水水位	机器学习	NA	NA	图神经网络, 循环神经网络	时间序列数据	NA	NA	Spatio-Temporal Graph Prediction Model (STGPM)	MAE, RMSE, R	NA
834	2025-12-28	Cardiac Function Assessment with Deep-Learning-Based Automatic Segmentation of Free-Running 4D Whole-Heart CMR 2025-Dec-24, Journal of cardiovascular magnetic resonance : official journal of the Society for Cardiovascular Magnetic Resonance IF:4.2Q1 DOI:10.1016/j.jocmr.2025.102677 PMID:41453741	研究论文	本研究开发并验证了一种基于深度学习的自动分割框架，用于自由运行4D全心心脏磁共振成像，以实现快速、准确且具有临床意义的解剖和功能分析	首次针对各向同性3D+心动周期的自由运行心脏MRI数据，开发了深度学习分割框架，能够利用其独特的时空丰富性，克服现有方法仅适用于2D电影或静态3D采集的局限性	右心室指标的临床一致性范围较宽，表明在右心室分割精度上仍有提升空间	开发并验证一种深度学习分割框架，以促进自由运行心脏MRI的临床整合，实现准确、快速的心脏解剖和功能分析	自由运行心脏MRI数据中的左心室血池、右心室血池和左心室心肌	医学影像分析	心血管疾病	自由运行心脏MRI，包括1.5T bSSFP和3T对比增强GRE采集	CNN	4D心脏MRI图像	NA	NA	3D nnU-Net	Dice相似系数, 相对体积差异, 组内相关系数, 偏差, 左心室-右心室每搏输出量一致性, 收缩期-舒张期左心室心肌体积不匹配	NA
835	2025-12-28	Deep learning-based 3D automatic segmentation of impacted canines in CBCT scans 2025-Dec-23, BMC oral health IF:2.6Q1 DOI:10.1186/s12903-025-07117-5 PMID:41437345	研究论文	本研究开发了一种基于nnU-Net v2的深度学习模型，用于自动分割CBCT扫描中的阻生尖牙	首次将nnU-Net v2架构应用于阻生尖牙的3D自动分割，实现了高精度的检测与分割性能	研究样本量有限（仅159例CBCT扫描），且为回顾性数据，可能存在选择偏倚	开发自动分割阻生尖牙的深度学习模型，以提升牙颌面放射学诊断效率	CBCT扫描中的阻生尖牙	计算机视觉	牙科疾病	CBCT成像	CNN	3D医学图像	159例CBCT扫描	nnU-Net v2	nnU-Net	召回率, 精确率, Dice相似系数, 95% Hausdorff距离, 交并比	NA
836	2025-12-28	Fuzzy logic and deep learning approach for automated white blood cell detection and classification via multi-CNN feature fusion 2025-Dec-22, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-28354-2 PMID:41430086	研究论文	本文提出了一种结合多CNN特征融合与模糊逻辑EDAS评估的新框架，用于自动检测和分类白细胞	整合了DenseNet121、MobileNetV2和ResNet101的多CNN特征融合，并采用模糊EDAS模型进行特征优先级排序，提高了分类的鲁棒性和可解释性	未在实时场景中验证，且需要更多样化的数据集以确保泛化能力	开发自动白细胞检测与分类方法以辅助血液疾病诊断	白细胞（中性粒细胞、嗜酸性粒细胞、单核细胞、淋巴细胞）	计算机视觉	白血病	NA	CNN	图像	8013张图像	NA	DenseNet121, MobileNetV2, ResNet101	准确率, 精确率, 灵敏度, F1分数	NA
837	2025-12-28	Advanced deep-learning model for temporal-dependent prediction of dynamic behavior of AC losses in superconducting propulsion motors for hydrogen-powered cryo-electric aircraft 2025-Dec-17, Communications engineering DOI:10.1038/s44172-025-00554-8 PMID:41407868	研究论文	本文提出了一种先进的深度学习模型，用于预测氢动力低温电动飞机中超导推进电机动态交流损耗的时变行为	开发了首个能够预测超导推进电机动态交流损耗（包括周期平均和瞬时波形形态）的AI模型，并推广至未见设计，相比传统方法（如有限元分析、解析模型或早期智能模型）在速度和准确性上具有显著优势	NA	优化氢动力低温电动飞机中超导推进电机的效率、最小化低温热负荷并最大化比功率密度，通过快速准确的动态交流损耗预测支持系统级建模设计	氢动力低温电动飞机中的超导推进电机	机器学习	NA	深度学习	深度学习模型	电机配置数据集	大型电机配置数据集	NA	NA	准确性（R），预测时间	NA
838	2025-12-28	Predicting and Synchronising Co-Speech Gestures for Enhancing Human-Robot Interactions Using Deep Learning Models 2025-Dec-13, Biomimetics (Basel, Switzerland) DOI:10.3390/biomimetics10120835 PMID:41439904	研究论文	本文提出了一种基于深度学习的系统，用于预测并同步机器人的伴随语音手势，以增强人机交互的生动性	结合深度学习模型预测手势类型，并通过规则模块实现手势与语音的精确同步，满足实时交互的时间约束	NA	提升机器人在人机交互中的表现力和自然度，使其能够通过多模态动作有效传达信息	机器人的语音和伴随手势	自然语言处理	NA	深度学习	RNN, 条件随机场, Transformer	语音文本	NA	NA	NA	NA	NA
839	2025-12-28	Comparative CFD Simulations of a Soft Robotic Fish for Undulatory Swimming Behaviors 2025-Dec-02, Biomimetics (Basel, Switzerland) DOI:10.3390/biomimetics10120805 PMID:41439874	研究论文	本文提出了一种用于分析波动游泳行为的机器鱼水动力性能预测策略，通过CFD模拟和深度学习模型进行性能评估	结合计算流体动力学模拟与基于LSTM、CNN和GRU的深度学习时间序列预测模型，对机器鱼的推力进行预测，并比较不同模型的性能	研究基于二维机器鱼模型进行模拟，可能未完全反映三维真实环境中的复杂流体动力学效应	分析机器鱼在波动游泳行为中的水动力性能，并预测其推力	软体机器鱼	机器人与流体动力学	NA	计算流体动力学模拟，深度学习时间序列预测	LSTM, CNN, GRU	模拟数据	NA	NA	CNN-GRU, LSTM, CNN, GRU	均方根误差	NA
840	2025-12-28	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应用中的最新进展，特别是在设计、制造和功能方面	将AI算法（如机器学习和深度学习）与微/纳米机器人结合，实现自主、自适应和高分辨率的生物分析，重塑生物传感领域	面临可扩展性、能源自主性、数据标准化和闭环控制等关键挑战	探讨AI集成微/纳米机器人在生物医学传感中的设计、制造和功能整合，以推动智能、响应式临床转化系统	微/纳米机器人系统及其在生物医学传感中的应用	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