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
1001	2025-12-26	Alzheimer's Imaging Consortium 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70862_109817 PMID:41434097	研究论文	本研究使用深度学习从低分辨率（3T）MRI图像合成高分辨率（7T）T1加权MRI图像，以改善阿尔茨海默病相关结构的成像质量	首次利用深度学习从3T MRI图像合成7T分辨率图像，并比较了U-Net和U-Net-GAN模型的性能，在图像质量和分割任务上显示出优势	分类任务性能一般（准确率约60%），且模型泛化性和临床实用性仍需进一步改进	提高阿尔茨海默病相关脑结构的成像分辨率，以改善图像质量和分割精度	阿尔茨海默病患者及临床未受损个体的MRI图像	数字病理学	阿尔茨海默病	MRI成像	CNN, GAN	图像	178名参与者（134名临床未受损，48名受损）的配对7T和3T T1加权MRI图像	NA	U-Net, U-Net-GAN, V-Net, WATNet	图像质量指标，主观质量评估，分割相似度，分类准确率	NA
1002	2025-12-26	Developing Topics 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70861_108740 PMID:41434125	研究论文	本研究使用皮质网络模型模拟SST中间神经元退化，探讨其在阿尔茨海默病认知衰退中的关键作用	首次结合深度学习模型与神经科学数据，揭示SST中间神经元通过调控反馈信号在认知功能中的关键作用	模型基于简化假设，未完全模拟人脑复杂性；仅使用MNIST任务评估认知表现	探究SST中间神经元在阿尔茨海默病认知衰退中的机制	皮质网络模型中的SST样抑制连接与锥体样兴奋连接	计算神经科学	阿尔茨海默病	单核RNA测序	深度学习模型	模拟数据，RNA测序数据	NA	NA	BurstCCN	测试准确率	NA
1003	2025-12-26	Alzheimer's Imaging Consortium 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70862_109729 PMID:41434145	研究论文	本文介绍了一个名为purple-mri的新型软件包，用于对死后MRI进行组织分割、解剖分区和空间标准化，并提供了一个框架在共同坐标系中连接形态测量学和组织病理学	开发了一个结合深度学习和经典技术的联合体素与表面分析流程，用于死后大脑半球的精确分区，并实现了死后与生前MRI之间的可变形图像配准	研究样本量相对较小（N=49匹配案例，N=75完整队列），且部分分析未包含对应的生前MRI扫描	开发一个用于死后MRI图像分析的软件包，以研究阿尔茨海默病及相关痴呆症（ADRD）中大脑结构与病理变化之间的关联	死后大脑半球MRI图像，以及对应的生前MRI图像和组织病理学数据	数字病理学	阿尔茨海默病	MRI（7T和3T）、组织病理学检查	深度学习	图像	49个匹配的死后与生前MRI样本，外加26个仅死后MRI样本，总计75个死后MRI样本	NA	NA	NA	NA
1004	2025-12-26	Alzheimer's Imaging Consortium 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70862_109968 PMID:41434389	研究论文	本研究开发了一种基于深度学习的模型，用于从高度不平衡的数据集中自动分割腔隙（推测为血管源性），并有效区分其与类似腔隙的特征	采用基于监督对比学习的预训练编码器的Attention U-Net架构，用于处理高度不平衡的数据集，并实现腔隙的实例级检测	研究仅基于单一医疗中心的427个MRI图像，缺乏多中心外部验证，且模型对少量腔隙（1-2个）的检测灵敏度有限（58.1%）	开发一个深度学习模型，用于自动分割MRI图像中的腔隙，以评估其与认知衰退和淀粉样蛋白相关成像异常（ARIA）风险的关系	来自Asan Medical Center的427个T2-FLAIR MRI图像，包含腔隙阳性患者和阴性患者	医学影像分析	阿尔茨海默病	T2-FLAIR MRI成像	深度学习	MRI图像	427个T2-FLAIR MRI图像（来自Asan Medical Center），测试集包括55名阳性患者（共166个腔隙）和31名阴性患者	NA	Attention U-Net	替代自由响应接收器操作特性（AFROC）分析、曲线下面积（AUC）、灵敏度、置信区间	NA
1005	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
1006	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
1007	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
1008	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
1009	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
1010	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
1011	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
1012	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
1013	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
1014	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
1015	2025-12-25	Re-Visible Dual-Domain Self-Supervised Deep Unfolding Network for MRI Reconstruction 2025-Dec-23, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3647429 PMID:41433179	研究论文	提出一种新颖的再可见双域自监督深度展开网络，用于仅使用欠采样数据集进行MRI重建	通过引入再可见双域损失，利用所有欠采样k空间数据进行训练，减轻输入分布偏移；并设计基于Chambolle和Pock近端点算法的深度展开网络，结合空间-频率特征提取块，有效整合成像物理与图像先验	未明确说明计算资源需求或模型在极端欠采样条件下的性能限制	加速磁共振成像采集，提高重建性能	单线圈和多线圈磁共振成像数据集	医学影像重建	NA	磁共振成像	深度展开网络	k空间数据	NA	NA	DUN-CP-PPA, Spatial-Frequency Feature Extraction block	重建性能，泛化能力	NA
1016	2025-12-25	DePerio: Innovative Deep Learning-based Framework for Periodontal Disease Diagnosis and Severity Evaluation Using Saliva Samples 2025-Dec-23, IEEE journal of biomedical and health informatics IF:6.7Q1 DOI:10.1109/JBHI.2025.3647413 PMID:41433182	研究论文	提出了一种名为DePerio的深度学习框架，用于利用唾液样本进行牙周病的诊断和严重程度评估	开发了一个集成了新型口腔多形核中性粒细胞（oPMNs）分离方案与深度神经网络架构的人工智能诊断流程，并针对oPMNs的独特形态创建了新的图像数据集和模型	未在摘要中明确提及	为牙周病的早期诊断和纵向监测提供一个可扩展且实用的解决方案	人类唾液样本中的口腔多形核中性粒细胞（oPMNs）	数字病理学	牙周病	唾液样本分析，oPMNs分离协议	DNN	图像	111份人类唾液样本，涵盖从健康到重度牙周炎的不同个体	NA	NA	检测错误率，口腔炎症负荷（OIL）分类	NA
1017	2025-12-25	Colorimetric Sensors for Halal Food Authentication: Detecting Non-Halal Meat and Alcohol 2025-Dec-23, Critical reviews in analytical chemistry IF:4.2Q1 DOI:10.1080/10408347.2025.2603480 PMID:41436850	研究论文	本文综述了比色传感器在清真食品认证中的应用，特别是用于检测非清真肉类和酒精	介绍了结合抗体或DNA格式、纸基设备、智能手机集成以及AI驱动的平台，实现快速、低成本、现场检测的创新方法	存在选择性、可重复性和数据标准化方面的挑战	开发用于清真食品认证的快速、低成本、现场检测技术	非清真肉类掺杂物（如猪源性成分）和乙醇	NA	NA	比色传感器、PCR、HPLC、GC‑MS	深度学习	颜色模式	NA	NA	NA	检测限（ppb-ppm范围）、检测时间（小于一小时）	NA
1018	2025-12-25	Deep Learning Improves the MAGGIC Risk Score in Predicting Contrast-Induced Nephropathy in ST Elevation Myocardial Infraction Patients 2025-Dec-23, Angiology IF:2.6Q2 DOI:10.1177/00033197251399866 PMID:41437710	研究论文	本研究探讨了结合MAGGIC风险评分与深度学习模型（包括KAN、多层感知机、TabNet和TabTransformer）来预测ST段抬高型心肌梗死患者对比剂肾病的发生，显著提升了预测性能	首次将MAGGIC风险评分与深度学习模型（特别是Kolmogorov-Arnold Networks）结合用于预测对比剂肾病，并开发了基于网络的临床决策辅助工具	研究为回顾性设计，样本量有限（1403例），可能存在选择偏倚，且模型在外部验证中的泛化能力未评估	提高ST段抬高型心肌梗死患者对比剂肾病的早期预测准确性，以改善临床结局和降低死亡率	接受直接经皮冠状动脉介入治疗的ST段抬高型心肌梗死患者	机器学习	心血管疾病	NA	深度学习, 机器学习	临床参数	1403例ST段抬高型心肌梗死患者	NA	多层感知机, TabNet, TabTransformer, Kolmogorov-Arnold Networks (KAN), 逻辑回归	AUC	NA
1019	2025-12-25	Ratio Quantification of Geranium and Rose Essential Oil Mixtures via Deep Learning Analysis of Complex Raman Spectra 2025-Dec-17, ACS measurement science au IF:4.6Q1 DOI:10.1021/acsmeasuresciau.5c00088 PMID:41425308	研究论文	本研究开发了一种基于深度学习的通道注意力残差特征提取网络（CARFENet），用于通过拉曼光谱分析天竺葵和玫瑰精油混合物的比例定量	提出了CARFENet模型，该模型采用光谱捕获和光谱分离模块，能够将混合精油光谱解构为其纯组分，实现了对混合拉曼光谱中纯精油成分的有效定量分析	研究仅针对天竺葵和玫瑰精油两种特定精油混合物，未验证模型在其他精油种类或更复杂混合物中的泛化能力	开发一种基于深度学习的方法，用于精油混合物的比例定量和质量控制，以应对精油掺假问题	天竺葵精油、玫瑰精油及其混合物	机器学习	NA	拉曼光谱	CNN, 通道注意力残差特征提取网络	光谱数据	2700个拉曼光谱（包括900个玫瑰精油、900个天竺葵精油和900个混合物）	NA	CARFENet	相似性指数	NA
1020	2025-12-25	Supervised versus unsupervised GAN for pseudo-CT synthesis in brain MR-guided radiotherapy 2025-Dec, Physical and engineering sciences in medicine IF:2.4Q2 DOI:10.1007/s13246-025-01606-1 PMID:40694229	研究论文	本研究比较了监督式（Pix2Pix）与无监督式（CycleGAN）深度学习模型在从T1和T2加权MR序列生成伪CT图像方面的性能	首次系统比较监督式Pix2Pix与无监督式CycleGAN在脑部MR引导放疗中伪CT合成的效果，并进行了剂量学评估验证临床可行性	研究仅基于3270个配对图像，未涉及更大规模或多中心数据验证；未探讨其他先进生成模型如扩散模型的表现	评估不同深度学习模型在MR-to-CT图像合成中的性能，为MR-only放疗计划提供技术支持	脑肿瘤患者的T1和T2加权MRI图像及对应CT图像	医学影像分析	脑肿瘤	MRI, CT	GAN	图像	3270个配对的T1和T2加权MRI与CT图像	TensorFlow, PyTorch	Pix2Pix, CycleGAN	SSIM, PSNR, MAE	NA