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
1061	2025-12-27	Biomarkers 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70856_096669 PMID:41440996	研究论文	本研究开发了一种基于YOLOv8架构的自动化内侧颞叶萎缩分级工具，用于阿尔茨海默病的早期诊断和疾病进展评估	结合EfficientViT骨干网络和自定义自适应滑动损失函数，提升了内侧颞叶萎缩分级的准确性和泛化能力	研究主要基于ADNI数据库和本地记忆诊所数据，可能未涵盖所有临床场景或人群多样性	通过人工智能算法消除内侧颞叶萎缩分级中的评估者间变异性，实现自动化分级	阿尔茨海默病患者的内侧颞叶结构	计算机视觉	阿尔茨海默病	MRI成像	CNN	图像	1524例（来自ADNI数据库和本地记忆诊所）	PyTorch	YOLOv8, EfficientViT, Faster R-CNN, Mask R-CNN, U-Net	组内相关系数, 准确率	NA
1062	2025-12-27	AgentMol: Multi-Model AI System for Automatic Drug-Target Identification and Molecule Development 2025-Dec-01, Methods and protocols IF:2.3Q3 DOI:10.3390/mps8060143 PMID:41441186	研究论文	介绍了一个名为AgentMol的多模型AI系统，用于自动识别药物靶点并开发分子	整合了大型语言模型、化学语言建模和基于深度学习的亲和力预测，实现了从疾病查询到候选药物生成与评估的端到端自动化流程	未明确提及系统在真实世界药物发现中的验证或临床前测试结果	加速早期药物发现中的靶点识别和化合物开发过程	药物靶点（蛋白质）和小分子候选药物	机器学习	NA	NA	大型语言模型, GPT-2, 卷积神经网络	文本（疾病查询、蛋白质序列）, 化学结构（SMILES格式）	470,560个配体-蛋白质对（来自BindingDB数据库）	LangGraph	GPT-2, RCNN（回归卷积神经网络）	有效性, 独特性, 多样性, R值, 皮尔逊相关系数	NA
1063	2025-12-27	Biomarkers 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70856_099645 PMID:41442165	研究论文	本研究开发了一种基于深度学习的模型，用于在数据不平衡的情况下自动分割脑腔隙（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，处理高度不平衡的数据集	研究仅使用单一中心的427例T2-FLAIR MRI图像，缺乏多中心外部验证	开发自动分割脑腔隙的深度学习模型，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例T2-FLAIR MRI图像中的脑腔隙	数字病理学	脑血管疾病	T2-FLAIR MRI	深度学习	图像	427例T2-FLAIR MRI图像（训练、验证、测试集按3:1:1划分）	NA	Attention U-Net	AFROC分析，FOM，AUC，敏感性	NA
1064	2025-12-27	Biomarkers 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70856_097891 PMID:41442195	研究论文	本文开发了一种基于深度学习的扫描仪不变性脑年龄模型，用于衰老和痴呆研究，通过结合直方图匹配和扫描仪类型作为输入，减少扫描仪差异对脑年龄预测的影响	创新点包括将直方图匹配和扫描仪类型作为DenseNet模型的输入，以降低扫描仪间的预测差异，实现扫描仪不变的纵向脑年龄估计	研究样本主要来自单一机构（梅奥诊所），且测试集限于MCI参与者，可能限制模型的泛化能力	开发深度学习为基础的扫描仪不变性脑年龄模型，以支持衰老和痴呆研究中的纵向跟踪，克服扫描仪变化带来的障碍	研究对象包括认知未受损参与者、轻度认知障碍参与者和痴呆参与者，使用T1扫描图像进行脑年龄预测	数字病理学	老年疾病	T1扫描，PiB-PET	深度学习	图像	3374名认知未受损参与者，其中863名为CU-noVAβ子集，453名MCI参与者作为测试集，113名参与者用于跨厂商测试	NA	DenseNet	平均绝对误差，脑年龄差距	NA
1065	2025-12-27	Biomarkers 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70856_099932 PMID:41442228	研究论文	本研究通过计算机视觉和基于图的深度学习架构分析多模态神经影像数据，结合非线性广义加性模型，探索全球不同人群的加速脑老化及其与社会经济和环境因素的关联	首次结合DenseNet分类器、基于图的深度学习架构及非线性广义加性模型，在全球范围内分析脑老化差异，并揭示社会经济不平等、污染和健康差异对脑老化的显著影响	研究依赖于现有神经影像数据，可能未完全覆盖所有全球区域或人口亚群，且模型性能在不同数据质量下可能存在差异	探索地理、社会经济和人口因素如何影响全球人群的加速脑老化，特别是在服务不足地区	行为变异型额颞叶痴呆、阿尔茨海默病患者及健康对照者	计算机视觉, 深度学习	阿尔茨海默病, 额颞叶痴呆	结构MRI, fMRI, EEG	CNN, 图神经网络	图像, 时间序列	DenseNet分类器涉及3,000名参与者；基于图的深度学习涉及5,306名参与者，覆盖15个国家	NA	DenseNet, 图神经网络	统计显著性(p值)	NA
1066	2025-12-27	Biomarkers 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70856_097276 PMID:41442546	研究论文	本文提出了一种掩码多模态多任务深度学习框架，通过合成PET扫描来改进阿尔茨海默病淀粉样蛋白负荷的预测	提出了一种结合潜在扩散模型生成合成PET图像和掩码嵌入注意力机制处理缺失数据的深度学习框架，以降低对昂贵PET扫描的依赖	研究基于特定队列（ADNI-2和ADNI-3），未来需要在更大、更多样化的队列中测试，并评估其在实际临床管理中的影响	改进阿尔茨海默病淀粉样蛋白负荷的预测，以促进早期筛查在临床环境中的更广泛应用	阿尔茨海默病神经影像学倡议（ADNI-2和ADNI-3）的参与者	数字病理学	阿尔茨海默病	PET成像, MRI	深度学习, 潜在扩散模型	图像, 临床数据	968名参与者的2,043次纵向观察	NA	潜在扩散模型, 掩码嵌入注意力机制	平均绝对误差, 曲线下面积	NA
1067	2025-12-26	U-Net-based deep learning architecture for automated CBCT segmentation of the mandibular canal in dental implant treatment planning: A systematic review and meta-analysis 2025-Dec-23, The Journal of prosthetic dentistry IF:4.3Q1 DOI:10.1016/j.prosdent.2025.12.003 PMID:41444033	系统综述与荟萃分析	本文通过系统综述和荟萃分析，评估了基于U-Net的深度学习架构在CBCT影像中自动分割下颌管用于牙科种植治疗规划的准确性和临床相关性	首次对基于U-Net的深度学习模型在CBCT下颌管自动分割中的应用进行系统综述和定量荟萃分析，综合评估其分割精度和临床潜力	纳入研究数量有限（8项），存在高度异质性，且外部验证和模型可解释性分析报告不足，可能影响结果的普遍适用性	评估深度学习（主要是U-Net架构）在CBCT影像中自动分割下颌管用于牙科种植规划的准确性和临床价值	锥形束计算机断层扫描（CBCT）影像中的下颌管结构	数字病理	NA	锥形束计算机断层扫描（CBCT）	深度学习	医学影像（CBCT扫描）	NA	NA	U-Net, 注意力机制U-Net, 残差U-Net	Dice相似系数（DSC）, 95%豪斯多夫距离（HD）, 交并比（IoU）	NA
1068	2025-12-26	MRI-based habitat radiomics and deep learning for predicting vessels encapsulating tumor clusters and survival in hepatocellular carcinoma 2025-Dec-22, Insights into imaging IF:4.1Q1 DOI:10.1186/s13244-025-02167-3 PMID:41428280	研究论文	本研究开发并验证了一种基于MRI的深度学习放射组学列线图模型，用于术前预测肝细胞癌中的血管包绕肿瘤簇和无复发生存期	首次结合栖息地放射组学和深度学习特征构建了多模态预测模型，并利用SHAP方法增强了模型的可解释性	回顾性研究设计可能存在选择偏倚，且外部验证集规模相对有限	开发术前预测肝细胞癌血管包绕肿瘤簇状态和无复发生存期的预测模型	肝细胞癌患者	数字病理	肝细胞癌	Gd-EOB-DTPA增强MRI	深度学习,机器学习分类器	MRI图像	625例肝细胞癌患者（训练集296例，内部测试集126例，外部测试集203例）	NA	NA	AUC,F1-score,C-index	NA
1069	2025-12-26	Deep Learning Approaches for Classifying Children With and Without Autism Spectrum Disorder Using Inertial Measurement Unit Hand Tracking Data: Comparative Study 2025-Dec-22, JMIR medical informatics IF:3.1Q2 DOI:10.2196/73440 PMID:41428363	研究论文	本研究评估了多种深度学习模型，利用惯性测量单元手部追踪数据对自闭症谱系障碍儿童进行分类	结合卷积自编码器和长短期记忆层处理IMU手部追踪数据，在自闭症分类任务中实现了高准确率和F1分数，并验证了小规模模型在医疗数据分类中的有效性和泛化能力	样本量相对较小（41名学龄儿童），且仅基于单一任务（伸手清理任务）的IMU数据，可能限制了模型的广泛适用性	评估深度学习模型在利用惯性测量单元手部追踪数据对自闭症谱系障碍儿童进行分类中的效果	自闭症谱系障碍儿童和正常发育儿童的惯性测量单元手部追踪数据	机器学习	自闭症谱系障碍	惯性测量单元手部追踪	卷积自编码器, 长短期记忆	时间序列数据	41名学龄儿童（包括自闭症谱系障碍儿童和正常发育儿童）	NA	卷积自编码器+长短期记忆	准确率, F1分数	NA
1070	2025-12-24	Author Correction: Multimodal deep learning model for prognostic prediction in cervical cancer receiving definitive radiotherapy: a multi-center study 2025-Dec-22, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-025-02204-x PMID:41429919	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
1071	2025-12-26	A fault classification scheme based on protective agents for microgrid with parameters impact analysis 2025-Dec-22, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-28178-0 PMID:41430064	研究论文	本文提出了一种基于保护代理的微电网故障分类方法，结合智能电子设备和混合深度神经网络，并分析了多种参数对方案性能的影响	创新点在于结合保护代理和混合深度神经网络进行故障分类，并全面分析微电网参数对深度学习故障检测与定位方案的影响	未明确说明方法在更复杂或大规模微电网系统中的适用性，且参数分析可能受限于模拟环境	提高微电网故障分类的准确性，并评估不同参数对基于深度学习的故障检测与定位方案的影响	微电网的故障检测、类型识别、相位检测和定位	机器学习	NA	深度学习故障检测与定位	DNN	模拟数据	NA	TensorFlow, Keras	混合深度神经网络（包含单层和混合层类型）	准确率, 故障定位误差	使用DIgSILENT Power Factory、MATLAB和Python软件进行模拟
1072	2025-12-26	From monochromatic waves to realistic tides: deep learning for short-term forecasting of coastal ocean 2025-Dec-21, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-31670-2 PMID:41423688	研究论文	本研究提出了一种结合卷积神经网络和长短期记忆网络的混合架构，用于预测德国湾的海平面变化	开发了结合CNN空间重建与LSTM时间预测的混合深度学习框架，能够从有限数量的沿海观测站重建整个海域的海平面，并通过模拟数据同化显著提升预测精度	模型性能受空间信号复杂度和梯度陡度等因素影响，研究主要关注数据丰富区域的应用潜力	开发深度学习模型以补充传统数值模型，实现海岸海洋的短期预报	德国湾的海平面变化数据	机器学习	NA	深度学习	CNN, LSTM	海平面数据	从学术数据到实际数据的海平面数据序列	NA	卷积神经网络, 长短期记忆网络	预测误差	NA
1073	2025-12-26	Decoding aroma perception of grilled lamb skewers: an EEG-MambaFusionNet framework integrating TDS and GC-IMS 2025-Dec-21, Food chemistry IF:8.5Q1 DOI:10.1016/j.foodchem.2025.147676 PMID:41443075	研究论文	本研究通过整合感官、化学和神经数据，开发了一个深度学习框架来解码烤羊肉串从生到熟过程中香气感知的动态演变及其神经特征	首次将时间优势感官法、气相色谱-离子迁移谱和脑电图数据融合，并开发了EEG-MambaFusionNet深度学习框架来量化香气感知的动态过程	未在摘要中明确说明	研究烤羊肉串从生到熟过程中香气感知的动态演变及其对应的神经特征	烤羊肉串的香气感知过程	机器学习	NA	时间优势感官法，气相色谱-离子迁移谱，脑电图	深度学习框架	感官数据，化学数据，神经数据	未在摘要中明确说明	NA	EEG-MambaFusionNet	预测准确率	未在摘要中明确说明
1074	2025-12-26	Asymmetric Cross-Reactivity of Nuclear Receptors Reveals an Evolutionary Buffer Between Estrogen and Androgen Signaling 2025-Dec-21, bioRxiv : the preprint server for biology DOI:10.64898/2025.12.18.695200 PMID:41446225	研究论文	本研究通过深度学习框架预测蛋白质-配体相互作用，揭示了雌激素与雄激素信号之间不对称的交叉反应性及其进化缓冲机制	首次通过全对全受体配体亲和力筛选揭示类固醇激素受体结合的不对称性，提出雌二醇作为早期类固醇配体的进化模型	研究主要基于计算预测和结构建模，需要进一步的实验验证来确认预测的亲和力差异和生理功能	探究类固醇激素受体之间的交叉反应性及其进化意义	核受体（特别是类固醇激素受体）及其配体（如雌二醇、睾酮）	计算生物学	前列腺癌	深度学习蛋白质-配体相互作用预测、系统计算机亲和力预测、结构建模、祖先序列重建	深度学习框架	蛋白质序列与结构数据、配体化学数据	NA	Boltz-2	NA	NA	NA
1075	2025-12-26	Smart room occupancy detection using neural networks and the puma optimization algorithm 2025-Dec-20, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-29938-8 PMID:41422073	研究论文	本研究提出了一种结合神经网络与美洲狮优化正弦余弦优化器（POSC）的机器学习方法，用于基于环境传感器数据实现高精度的房间占用检测	首次将POSC元启发式优化技术与神经网络结合，用于房间占用检测，通过动态平衡探索与利用来增强模型训练，实现更快的收敛速度和更好的分类性能	研究仅基于公开数据集进行验证，未在实际动态环境中进行大规模部署测试，且传感器类型有限	开发一种高精度、可扩展的房间占用检测方法，以支持智能建筑的节能管理、安全增强和舒适度提升	房间占用状态（占用/未占用）	机器学习	NA	环境传感器数据采集（温度、湿度、光照强度、CO2浓度）	神经网络	数值传感器数据	公开数据集（具体数量未说明）	未明确说明	未指定具体架构	准确率、精确率、召回率、F1分数	NA
1076	2025-12-26	Deep Learning-Based Prediction of Enzyme Optimal pH and Design of Point Mutations to Improve Acid Resistance 2025-Dec-19, ACS synthetic biology IF:3.7Q1 DOI:10.1021/acssynbio.5c00679 PMID:41269167	研究论文	本文开发了一种名为CatOpt的深度学习模型，用于预测酶的最适pH值，并通过点突变设计提高酶的酸耐受性	CatOpt模型在酶最适pH预测上优于现有方法，具有更好的可解释性，并能指导点突变设计以改善酶在低pH下的活性	NA	开发一个准确的深度学习预测器来定量描述pH对酶催化活性的影响，并设计点突变以提高酶的酸耐受性	酶的最适pH值、酸性和碱性酶的分类、点突变引起的酶最适pH变化	机器学习	NA	深度学习	深度学习模型	序列数据	NA	NA	CatOpt	RMSE, 相关系数	NA
1077	2025-12-26	A Comparison of Two Deep Learning Approaches to Distinguish Functional Dissociative from Epileptic Seizures Using Event Videos 2025-Dec-19, medRxiv : the preprint server for health sciences DOI:10.64898/2025.12.18.25342568 PMID:41445663	研究论文	本研究比较了两种深度学习模型（姿态估计和3D CNN）在仅使用视频数据区分功能性分离性发作与癫痫性发作方面的性能	首次开发了不依赖视频脑电图或神经科医生人工审阅的机器学习工具，通过视频数据自动区分功能性分离性发作与癫痫性发作	研究为回顾性设计，样本量较小（仅10名患者），未来需要更大规模的研究验证	开发机器学习工具以区分功能性分离性发作与癫痫性发作，减少对视频脑电图和神经科医生人工审阅的依赖	功能性分离性发作和癫痫性发作患者的视频数据	计算机视觉	癫痫	视频分析	CNN	视频	10名患者的106个事件视频（61个癫痫性发作，45个功能性分离性发作）	NA	3D CNN	AUROC, AUPRC, 敏感性, 精确度, 准确度	NA
1078	2025-12-26	AnySleep: a channel-agnostic deep learning system for high-resolution sleep staging in multi-center cohorts 2025-Dec-16, ArXiv PMID:41445815	研究论文	提出一种名为AnySleep的通道无关深度学习系统，用于在多中心队列中进行高分辨率睡眠分期	开发了首个能够使用任意EEG或EOG数据、在可调时间分辨率下进行睡眠分期的深度学习模型，并在跨21个数据集的超过19,000条夜间记录上验证了其鲁棒性	未明确说明模型在极少数特殊电极配置或罕见睡眠障碍中的表现	解决多中心睡眠研究中由于电极数量、导联方式和受试者特征差异导致的标准化难题，并探索更短时间尺度上的新型生物标志物	多中心收集的睡眠多导图（PSG）记录，包括EEG和EOG数据	数字病理学	老年疾病	多导睡眠图（PSG）	深度神经网络	时间序列信号（EEG/EOG）	超过19,000条夜间记录，来自21个数据集，总计近200,000小时的EEG和EOG数据	未明确说明	未明确说明	未明确说明具体指标，但提及达到最先进性能并在30秒时段上超越或持平现有基线	未明确说明
1079	2025-12-26	Scaling deep learning for material imaging with a pseudo 3D model for domain transfer 2025-Dec-12, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-66449-6 PMID:41387957	研究论文	提出了一种名为P3T-Net的伪三维域迁移网络，用于将多样化的3D图像统一到同一域，以提高深度学习模型在材料成像中的泛化能力	引入伪三维域迁移网络P3T-Net，能够将不同成像条件下的3D图像迁移到统一域，从而允许重用已训练模型处理新图像，并显著降低跨域迁移的计算成本	未明确提及模型在极端成像条件下的表现或对特定材料类型的适用性限制	减少3D X射线成像中因成像条件变化导致的图像不一致性，实现单一深度学习模型处理多数据集	地质岩石、氢燃料电池、锂离子电池等材料的3D X射线图像	计算机视觉	NA	3D X射线成像	深度学习网络	3D图像	涉及多种材料（地质岩石、氢燃料电池、锂离子电池）的图像，具体样本数量未明确	NA	P3T-Net	NA	单GPU（支持万亿体素规模的3D迁移）
1080	2025-12-09	Artificial intelligence based quantification of T lymphocyte infiltrate predicts prognosis in high grade breast cancer using deep learning and statistical validation 2025-Dec-07, Discover oncology IF:2.8Q2 DOI:10.1007/s12672-025-04185-5 PMID:41353687	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA