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
81	2026-09-19	MaskTerial: a foundation model for automated 2D material flake detection 2025-Dec-03, Digital discovery IF:6.2Q1 DOI:10.1039/d5dd00156k PMID:41220578	研究论文	本文提出一种用于自动检测二维材料薄片的深度学习基础模型MaskTerial，通过合成数据预训练和实例分割网络实现高精度检测	使用合成数据生成器进行广泛预训练，使模型仅需5-10张图像即可快速适应新材料，并引入不确定性估计模型基于光学对比度对预测进行分类	未明确说明模型在极端低对比度或非标准光学条件下的泛化能力，可能对训练数据分布外材料性能下降	实现从光学显微镜图像中自动检测和分类剥离的二维材料薄片，提高分类准确性和客观性以及样品制备效率	二维材料薄片，包括六方氮化硼等五种不同二维材料	计算机视觉	NA	光学显微镜成像	实例分割网络	图像	八个数据集，涵盖五种二维材料	NA	MaskTerial	NA	NA
82	2026-09-19	Machine Learning-Based Identification of Natural History Studies in Rare Diseases: A Step toward Understanding Disease Development and Outcome 2025-Dec, Journal of rare diseases (Berlin, Germany) DOI:10.1007/s44162-025-00115-9 PMID:41245678	研究论文	本文提出了一种基于机器学习的方法，从PubMed中系统识别罕见疾病的自然史研究（NHS），并比较了二元分类和多分类模型的性能。	首次系统性地利用机器学习和深度学习模型从PubMed文献中自动识别罕见疾病的自然史研究，并发现二元分类显著优于四分类。	研究仅基于PubMed文献，未涉及其他数据库；模型在四分类任务上性能较低；未进行外部验证。	开发机器学习模型从PubMed中自动识别自然史研究，为大规模罕见疾病自然史分析奠定基础	PubMed中与罕见疾病自然史研究相关的文献摘要	自然语言处理	罕见疾病	NA	预训练语言模型（PubMedBERT）	文本	人工整理的NHS语料库（具体数量未提供）	NA	PubMedBERT-base-uncased-abstract	精确率, 召回率, F1分数, AUCPR	NA
83	2026-09-18	Multimodal deep learning ensemble framework for skin cancer detection 2025-12-30, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-30534-z PMID:41469782	研究论文	本文提出了一种基于迁移学习和集成学习的多模态深度学习框架，用于皮肤癌的检测与分类，融合了图像和元数据，并在多个数据集上验证了其性能	提出了一种自适应加权集成方法，动态地为每个模型分配权重，并融合了预训练模型（ResNet50、Xception、EfficientNetB0）与元数据，同时使用SMOTE处理类别不平衡	未明确说明	评估迁移学习技术在增强CNN性能方面的效果，并开发一个高精度的皮肤癌检测与分类框架	皮肤癌（包括多种类型）	计算机视觉	皮肤癌	深度学习，迁移学习，集成学习	CNN	图像，元数据	ISIC 2018数据集、ISIC 2019数据集和Derm7pt数据集（具体样本数未提及）	NA	ResNet50, Xception, MobileNet, EfficientNetB0, DenseNet121	准确率，精确率，召回率，F1分数，AUC	NA
84	2026-09-18	Osprey optimization algorithm integrated with graph neural networks for intrusion detection in wireless sensor networks 2025-Dec-29, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-28359-x PMID:41461693	研究论文	该论文提出了一种结合鱼鹰优化算法（OOA）和图神经网络（GNN）的OOA-GNN框架，用于无线传感器网络中的入侵检测，并在WSN-DS数据集上取得了99.68%的准确率。	将鱼鹰优化算法与图神经网络相结合，利用OOA自动优化GNN的超参数，并通过图结构表示捕获WSN数据中的网络模式，从而提升入侵检测性能。	仅在WSN-DS数据集上验证，未在大规模或多种真实WSN环境中测试；未详细讨论计算开销和实时部署的可行性。	提高无线传感器网络中入侵检测的准确性并降低误报率，以增强网络安全。	无线传感器网络中的网络流量数据（WSN-DS数据集）。	机器学习	NA	SMOTE	GNN	网络流量数据	NA	NA	GNN	准确率, 假阳性率	NA
85	2026-09-18	Terahertz metamaterial liquid detector optimized by deep learning 2025-Dec-29, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-28757-1 PMID:41461749	研究论文	本研究提出了一种基于超材料太赫兹探测器吸收峰位移的无标记乙醇液体检测方法，并利用深度神经网络（DNN）优化了探测器的结构参数	采用深度神经网络（DNN）优化超材料液体探测器的结构参数，设计了一种五层结构的超材料探测器（包含叉指铜金属线、聚酰亚胺介质层、嵌套双字母形VO₂开环方环和铜金属板），实现了高吸收率和高位移值，并揭示了VO₂在不同温度下对吸收波调控的作用机制	摘要中未明确提及研究局限性	开发一种高效、精确的乙醇液体检测新方法，为食品安全、环境监测和生物医学等领域的未来应用提供参考	乙醇液体	机器学习	NA	太赫兹超材料检测，CST仿真	DNN	仿真数据（CST仿真）	NA	NA	深度神经网络（DNN）	灵敏度（3.33 THz/RIU），品质因数（FOM，66 RIU⁻¹），吸收率	NA
86	2026-09-18	Efficient blood cell classification from microscopic smear images using U-Net segmentation and a lightweight CNN 2025-12-27, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-26947-5 PMID:41453980	研究论文	本文提出了一种基于深度学习的方法，结合U-Net分割和轻量级CNN，用于从显微镜血涂片图像中自动分类和计数九种血细胞	提出了一种结合U-Net分割和自定义轻量级卷积神经网络（LWCNN）的BloodCell-Net方法，用于九种血细胞的分类，并采用分水岭算法分离重叠细胞	未明确讨论模型在临床环境中的泛化能力、数据集规模和多样性限制，以及计算资源需求	开发基于深度学习的自动化系统，用于从显微镜血涂片图像中分类和计数血细胞，以辅助血液相关疾病的诊断	显微镜血涂片图像中的九种血细胞，包括红细胞、成红细胞、中性粒细胞、嗜碱性粒细胞、嗜酸性粒细胞、淋巴细胞、单核细胞、未成熟粒细胞和血小板	数字病理学	血液疾病	深度学习，图像分割，图像分类	CNN	图像	NA	NA	U-Net, LWCNN	准确率, 精确率, 灵敏度, 交并比(IoU), Dice系数, 召回率, F1分数	NA
87	2026-09-18	Deep Learning-aided 1H-MR Spectroscopy for Differentiating between Patients with and without Hepatocellular Carcinoma 2025-Dec-25, Magnetic resonance in medical sciences : MRMS : an official journal of Japan Society of Magnetic Resonance in Medicine IF:2.5Q2 DOI:10.2463/mrms.mp.2025-0064 PMID:40790529	研究论文	本研究利用深度学习辅助的质子磁共振波谱（1H-MRS）技术，通过光谱模拟增强数据，区分乙肝病毒相关肝硬化患者是否患有肝细胞癌	结合深度学习与1H-MRS，并通过光谱模拟生成大规模数据集来训练卷积神经网络，以区分HBV-LC患者是否伴有HCC	样本量较小，且基于模拟数据集开发模型，可能影响泛化能力	探索肝脏1H-MRS结合深度学习在区分HBV-LC患者伴或不伴HCC方面的潜力	37名接受MRI监测的乙肝病毒相关肝硬化患者，其中20名无HCC，17名伴有HCC	数字病理学, 机器学习	肝癌	质子磁共振波谱（1H-MRS）	卷积神经网络（CNN）	光谱数据	37名患者（20名HBV-LC，17名HBV-LC-HCC），模型评估使用17名患者（10名HBV-LC，7名HBV-LC-HCC）	NA	卷积神经网络（CNN）	灵敏度, 特异度, 准确率	NA
88	2026-09-18	Systematic hyperparameter analysis of GRU and LSTM across demand pattern types: a demand-characteristic-driven meta-learning framework for rapid optimization 2025-Dec-25, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31508-x PMID:41449176	研究论文	本文系统研究了GRU和LSTM在不同需求模式下的超参数影响，并提出了一个需求特征驱动的元学习框架以实现快速优化	提出了需求复杂度指数（DCI）作为综合度量，并构建了一个集成框架，根据输入需求特征定制超参数选择，从而提高准确性并加速处理	仅分析了三种需求模式，可能未覆盖所有实际需求类型；研究基于特定数据集，泛化能力有待验证	探究需求特征和深度学习超参数对多期预测准确性的影响，并开发一个基于需求特征的元学习框架来快速优化超参数	需求预测中的时间序列数据，具体为平滑需求、无 spikes 的 erratic 需求和有 spikes 的 erratic 需求三种模式	机器学习	NA	NA	GRU, LSTM	时间序列数据	NA	NA	GRU, LSTM	WMAPE%	NA
89	2026-09-18	A hybrid ensemble deep learning framework with novel metaheuristic optimization for scalable malicious website detection 2025-Dec-24, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-33695-z PMID:41436869	研究论文	本文提出了一种混合集成深度学习框架，结合随机森林、XGBoost、LightGBM和深度神经网络，并利用新型元启发式优化算法，用于可扩展的恶意网站检测	结合三种集成学习模型与深度神经网络，并采用Weevil Damage Optimization Algorithm和Energy Valley Optimizer两种新型元启发式算法进行超参数调优，同时引入主成分分析降维和SHAP模型可解释性分析	未明确提及	提高恶意网站检测的准确性、可扩展性和可解释性，以应对快速演变的网络攻击	恶意网站与良性网站的URL及相关网络特征	机器学习	NA	NA	CNN, LSTM, GAN	文本	63,191个URL	Scikit-learn, TensorFlow, PyTorch	Random Forest, XGBoost, LightGBM, Deep Neural Network	准确率, 精确率, 召回率, F1分数, AUC	NA
90	2026-09-18	Exploiting fuzzy weights in CNN model-based taxonomic classification of 500-bp sequence bacterial dataset 2025-12-23, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-24836-5 PMID:41436515	研究论文	本文提出了一种改进的模糊加权卷积神经网络（F-CNN），用于细菌DNA序列（特别是500-bp片段）的分类学分类	将模糊逻辑与深度学习结合，引入模糊加权系统处理分类层中相似类别的不确定性，并采用特征选择阶段优化参数	在属水平上500-bp片段的分类准确率仅为84.03%，仍有提升空间；未与其他先进方法进行广泛比较	克服传统分类方法的局限，提高基于500-bp片段的细菌DNA序列分类准确率	细菌DNA序列，特别是500-bp片段	机器学习	NA	NA	CNN	文本	超过140万条细菌基因序列（来自RDP 11数据集）	NA	模糊加权卷积神经网络（F-CNN）	准确率	NA
91	2026-09-18	Fuzzy logic and deep learning approach for automated white blood cell detection and classification via multi-CNN feature fusion 2025-12-22, 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方法的框架，用于白细胞（WBC）的自动检测与分类，并在Kaggle血细胞图像数据集上取得了高精度结果	将DenseNet121、MobileNetV2和ResNet101三种CNN模型的特征进行融合，并引入基于模糊逻辑的EDAS方法对融合特征进行优先级排序，以提高临床决策的可解释性和鲁棒性	尚未实现实时应用，且未在多样化数据集上验证模型的泛化能力	实现白细胞的自动检测与分类，以辅助血液疾病（如白血病）的诊断	白细胞（中性粒细胞、嗜酸性粒细胞、单核细胞和淋巴细胞）	计算机视觉	血液疾病（白血病）	多CNN特征融合、模糊逻辑EDAS	CNN	图像	8013张血细胞图像	NA	DenseNet121, MobileNetV2, ResNet101	精确率, 灵敏度, F1分数	NA
92	2026-09-18	A novel deep learning framework with temporal attention convolutional networks for intrusion detection in IoT and IIoT networks 2025-Dec-13, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32697-1 PMID:41390854	研究论文	本文提出一种结合多尺度CNN、LSTM和时间注意力机制的TACNet深度学习框架，用于IoT和IIoT网络入侵检测	提出TACNet混合架构，融合多尺度CNN进行多粒度特征提取、LSTM捕获时序依赖和时间注意力机制聚焦关键时间步，有效同时处理网络流量中的空间和时间数据	未明确讨论模型的计算复杂度、实时部署可行性以及在对抗性攻击下的鲁棒性	开发一种鲁棒的深度学习模型，能够检测多种网络威胁并适应IoT和IIoT网络的动态特性	IoT和IIoT网络中的网络流量数据	机器学习	NA	深度学习入侵检测	CNN, LSTM, 注意力机制	网络流量数据	使用了CICIDS 2018、DNN-EdgeIIoT、CIC IoT-DIAD 2024、TabularIoTAttack-2024和N-BaIoT五个数据集，具体样本量未提及	NA	多尺度CNN, LSTM, 时间注意力机制	准确率	NA
93	2026-09-18	Integrating RNA sequencing with deep learning-based metabolic toxicity prediction: A new perspective on screening prioritized liquid crystal monomers 2025-12-05, Journal of hazardous materials IF:12.2Q1 DOI:10.1016/j.jhazmat.2025.140465 PMID:41237628	研究论文	本研究提出了一种基于RNA测序与深度学习相结合的快速高通量筛选方法，用于识别自然水体中的优先液晶单体（LCMs），并开发了LCMsT-MTP预测模型以同时识别21种代谢毒性。	首次将RNA测序与基于深度学习的代谢毒性预测模型（LCMsT-MTP）相结合，整合了LCMs结构表示与代谢毒性靶序列的综合表征，突破了传统方法仅限单一靶点和机制的局限，可同时识别21种代谢毒性，并提出了LCMs代谢毒性优先清单。	研究主要基于斑马鱼模型和计算预测，LCMsT-MTP模型的预测结果仍需更多实验验证；非氟化LCMs的应用受限于适用域测试；对水生生态系统的实际毒性效应尚需进一步评估。	建立一种快速、高通量的筛选方法，用于识别自然水体中的优先液晶单体（LCMs），填补LCMs毒性数据空白，特别是对水生生物的毒性数据。	液晶单体（LCMs），包括6种氟化LCMs和857种可能引起代谢紊乱的其他LCMs，以及非氟化LCMs；模式生物为斑马鱼。	机器学习	NA	RNA测序	深度学习	序列数据，文本	6种氟化LCMs用于RNA测序实验，857种LCMs用于预测分析，非氟化LCMs满足适用域测试	NA	LCMsT-MTP	NA	NA
94	2026-09-18	GoFlow: efficient transition state geometry prediction with flow matching and E(3)-equivariant neural networks 2025-Dec-03, Digital discovery IF:6.2Q1 DOI:10.1039/d5dd00283d PMID:41189760	研究论文	该论文提出GoFlow，一种基于最优传输流匹配和E(3)-等变神经网络的高效过渡态几何预测方法，用于从2D反应图生成过渡态几何	将过渡态生成建模为最优传输流问题，使用E(3)-等变流匹配与几何张量网络求解，相比最先进的扩散模型实现了超过百倍的推理加速并提高了几何精度	未明确提及	开发一种高效准确的深度学习方法来预测化学反应过渡态几何，以用于高通量计算化学工作流	化学反应的过渡态几何	机器学习	NA	流匹配，E(3)-等变神经网络，几何张量网络	流匹配模型	2D反应图	NA	NA	E(3)-等变流匹配网络	几何精度，推理速度	NA
95	2026-09-18	OpenLM: an open-source pixel super-resolution platform for lens-free microscopy with applications in bacterial growth monitoring and deep learning-based bacterial detection 2025-12-02, Lab on a chip IF:6.1Q2 DOI:10.1039/d5lc00719d PMID:41170835	研究论文	本文提出了一个开源的像素超分辨率无透镜显微镜平台OpenLM，用于细菌生长监测和基于深度学习的细菌检测。	1. 构建了一个由低成本商用组件（Raspberry Pi相机、光学滤光片、LED阵列、Raspberry Pi板）组成的开源无透镜显微镜平台；2. 集成了像素超分辨率算法，结合多角度LED照明显著提升分辨率；3. 提供了适用于Raspberry Pi OS和Windows的图形界面；4. 应用于细菌菌落长时间成像和基于YOLO的早期检测。	摘要中未明确提及。	开发一个经济、易用、可扩展的无透镜显微镜平台，以克服传统细菌监测成像系统体积大、成本高、操作复杂的问题，并验证其在细菌生长监测和检测中的应用。	细菌菌落（文中具体提及“() colony”，可能为大肠杆菌等）	计算机视觉, 数字病理学	NA	无透镜显微镜, 像素超分辨率, 多角度LED照明	YOLO	图像	NA	NA	YOLO	NA	Raspberry Pi 板, Raspberry Pi 相机
96	2026-09-18	Image-based cotton leaf disease diagnosis using YOLO and faster R-CNN techniques 2025-Dec-02, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-28549-7 PMID:41326482	研究论文	本文提出了一种结合YOLOv5和Faster R-CNN的CLD-Net框架，用于棉花叶片病害的实时检测与分类。	将YOLOv5的实时检测能力与Faster R-CNN的区域提议精度相结合，专门针对不同环境条件下的叶片病害检测。	未明确说明，可能包括数据集规模、环境多样性或实际部署的挑战。	解决棉花叶片病害早期检测中人工方法慢、自动化方法精度低和实时性差的问题。	棉花叶片病害。	计算机视觉	植物病害	深度学习目标检测	CNN	图像	未明确说明，使用了一个 curated 棉花叶片图像数据集。	NA	YOLOv5, Faster R-CNN	准确率	NA
97	2026-09-18	Deep learning NTCP model for late dysphagia after radiotherapy for head and neck cancer patients based on 3D dose, CT and segmentations 2025-12, Radiotherapy and oncology : journal of the European Society for Therapeutic Radiology and Oncology IF:4.9Q1 DOI:10.1016/j.radonc.2025.111169 PMID:41033356	研究论文	该研究基于3D剂量分布、CT影像和危及器官分割数据，构建深度学习NTCP模型，用于预测头颈癌患者放疗后晚期吞咽困难，并与传统NTCP模型进行比较	利用3D剂量分布、CT扫描和危及器官分割数据构建3D深度学习NTCP模型（残差网络），而非传统模型中使用离散剂量参数，并通过注意力图揭示与吞咽困难相关的关键解剖区域	摘要中未明确提及研究局限性	利用3D深度学习NTCP模型提升头颈癌患者放疗后晚期吞咽困难的预测性能，并与传统NTCP模型进行对比	头颈癌（HNC）患者	数字病理学	头颈癌	NA	CNN	图像	1484例头颈癌患者的多机构队列	NA	ResNet	AUC, 校准曲线	NA
98	2026-09-16	Auxiliary diagnosis of periprosthesis joint infection by leukocyte esterase strips test using a deep learning model 2025-Dec-19, International journal of surgery (London, England) DOI:10.1097/JS9.0000000000004576 PMID:41417979	研究论文	本研究构建了基于AlexNet深度卷积神经网络模型的自动检测系统，用于检测白细胞酯酶试纸条以诊断假体周围关节感染，并验证了该模型的有效性	首次将深度卷积神经网络模型应用于白细胞酯酶试纸条的自动检测，实现假体周围关节感染的辅助诊断，提高了试纸条检测的客观性，减少了外部因素对检测结果的影响	样本量较小（78例患者），为单中心研究，需要大规模多中心临床研究进一步验证和提升模型的诊断性能	验证深度卷积神经网络模型自动检测白细胞酯酶试纸条在假体周围关节感染诊断中的效能	接受关节穿刺的疑似假体周围关节感染患者，最终纳入78例患者进行分析	数字病理学	假体周围关节感染	白细胞酯酶试纸条检测	CNN	图像	78例患者的白细胞酯酶试纸条图像及白细胞计数数据（46例用于模型训练，78例用于前瞻性分析）	NA	AlexNet	AUC, 灵敏度, 特异度, PPV, NPV, Kappa值	NA
99	2026-09-16	Ablation versus sublobar resection for stage IA non-small cell lung cancer: a multicenter retrospective cohort study using a deep learning model in the ablation group 2025-Dec-18, International journal of surgery (London, England) DOI:10.1097/JS9.0000000000004580 PMID:41418024	研究论文	本研究通过多中心回顾性队列研究，比较了影像引导热消融与亚肺叶切除术治疗IA期非小细胞肺癌的长期疗效，并开发了基于深度学习模型的预测工具以识别适合消融的患者	开发了基于治疗前CT图像的Vision Transformer深度学习模型，用于预测热消融后的无病生存期，并识别最适合消融治疗的患者；同时构建了多模态XGBoost模型进一步提升预测性能	作为回顾性研究，可能存在选择偏倚；随访时间相对有限；消融组深度学习模型的外部验证队列规模可能有限	比较影像引导热消融与亚肺叶切除术治疗IA期非小细胞肺癌的长期疗效，并开发深度学习模型预测消融后的预后	2012年至2023年间接受影像引导热消融或亚肺叶切除术治疗的2145例IA期非小细胞肺癌患者	数字病理学，医学影像分析	肺癌	CT成像，深度学习，倾向性评分匹配	Vision Transformer, XGBoost	图像，临床数据	2145例患者	NA	Vision Transformer, XGBoost	AUC, 风险比, 置信区间, P值	NA
100	2026-09-16	Revolutionizing thyroid nodule diagnosis in Hashimoto's thyroiditis: AI-driven radiomics and deep learning model 2025-Dec-16, International journal of surgery (London, England) DOI:10.1097/JS9.0000000000004546 PMID:41405348	研究论文	本研究旨在利用超声图像的放射组学和深度学习特征构建AI模型，以区分桥本甲状腺炎背景下的良恶性甲状腺结节，并比较其与细针穿刺细胞学联合BRAFV600E基因突变检测的诊断效能	首次在桥本甲状腺炎背景下结合放射组学和多种预训练深度学习模型（包括ResNet152）构建DLR模型，并利用SHAP和Grad-CAM进行可视化解释，同时与FNA细胞学及基因检测进行定量比较，验证了模型辅助放射科医师提升诊断性能的临床价值	样本量有限（1585例），模型的外部测试AUC（0.827）低于验证集（0.917），可能存在过拟合或泛化能力不足；未提及多中心前瞻性验证以及模型对不同超声设备或操作者的鲁棒性	探讨基于超声图像放射组学和深度学习特征构建的AI模型在桥本甲状腺炎背景下诊断甲状腺结节的效能，并定量比较其与FNA细胞学联合BRAFV600E基因突变检测的诊断性能，以建立更优的诊断范式	2018年1月1日至2023年12月30日期间中国8家医院收治的1585例桥本甲状腺炎患者的临床数据和术前超声图像	医学图像分析	甲状腺癌	超声成像，放射组学，深度学习，细针穿刺细胞学，BRAFV600E基因突变检测	CNN	图像	1585例患者的超声图像	NA	ResNet152	AUC，准确率，灵敏度，特异度	NA