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	2025-12-08	Tracing the global origins of black tea using rapid XRF techniques coupled with advanced machine learning 2026-Jan, Food research international (Ottawa, Ont.) DOI:10.1016/j.foodres.2025.117855 PMID:41352794	研究论文	本研究利用X射线荧光光谱技术和机器学习方法，开发了一种快速、准确、环保且用户友好的方法来追溯全球黑茶的地理来源	结合快速XRF技术和先进机器学习模型（包括深度学习MLP），首次在全球范围内对十个主要产区的791个真实黑茶样本进行元素分析，显著提升了地理来源鉴别的准确率	研究仅涉及十个地理标志产区，可能未覆盖所有黑茶产地；样本量虽大但分布可能不均；方法依赖于元素含量，可能受环境因素影响	开发一种快速、准确、环保且用户友好的方法来区分黑茶的地理来源，以保护地理标志产品并防止茶叶欺诈	来自全球十个主要产区的791个真实黑茶样本	机器学习	NA	X射线荧光光谱	随机森林, 支持向量机, k近邻, 线性判别分析, 多层感知机	元素含量数据	791个真实黑茶样本	NA	多层感知机	F1分数	NA
782	2025-12-07	Deep learning-driven investigation of nanoplastic impacts on soil protist behavior in soil chips 2026-Jan-15, Environmental pollution (Barking, Essex : 1987) DOI:10.1016/j.envpol.2025.127414 PMID:41274594	研究论文	本研究开发了一种结合微流控土壤芯片、显微视频分析与深度学习的方法，实时监测纳米塑料暴露下土壤原生生物的行为变化	首次建立了能够直接在模拟土壤环境中实时、高通量观测微生物行为的实验系统，并采用深度学习检测模型与基于Transformer的轨迹重建算法定量分析原生生物运动	研究为概念验证性质，仅测试了三种原生生物类型和有限的纳米塑料浓度梯度，尚未在更复杂的真实土壤环境中验证	探究纳米塑料污染对土壤微生物行为的影响，开发新型微生物生态观测方法	土壤原生生物（鞭毛虫、纤毛虫、变形虫）	计算机视觉	NA	显微视频分析、微流控芯片技术	深度学习检测模型、Transformer	视频	三种形态/运动类型的原生生物群体（鞭毛虫、纤毛虫、变形虫），在0、2、10 mg/L三个纳米塑料浓度梯度下观测	NA	Transformer	运动速度变化百分比	NA
783	2025-12-07	An explainable three dimensional framework to uncover learning patterns: A unified look in variable sulci recognition 2026-Jan, Artificial intelligence in medicine IF:6.1Q1 DOI:10.1016/j.artmed.2025.103286 PMID:41151346	研究论文	本文提出了一种可解释的三维人工智能框架，用于在脑影像分析中提供准确且易于理解的全局解释，并应用于识别与精神病相关的变异脑沟	首次开发了一个结合统计特征（Shape）和多种XAI方法（GradCam和SHAP）的三维全局解释框架，通过降维减少方法间变异性，提高了解释的忠实度和可靠性，并能揭示特定皮层特征的更广泛发育背景	未明确说明框架在其他脑结构或疾病分类任务上的泛化能力，且样本量（596例）可能对某些亚组分析的统计效力构成限制	开发一个能够为三维深度学习模型提供准确、低复杂度全局解释的可解释人工智能框架，以促进对脑发育及精神疾病相关异常轨迹的理解	大脑结构MRI影像，重点关注变异脑结构——旁扣带沟	神经影像分析	精神病	结构磁共振成像	3D深度学习模型	三维图像	596例结构MRI	NA	NA	NA	NA
784	2025-12-07	Enhancing transformer-based architectures with geometric deep learning for colonoscopic polyp size classification using transfer learning 2026-Jan, Artificial intelligence in medicine IF:6.1Q1 DOI:10.1016/j.artmed.2025.103304 PMID:41252887	研究论文	本研究提出了一种结合RGB与深度信息的深度学习框架，用于结肠镜息肉尺寸的自动分类	通过改进的Af-SfM模块生成精细化校正的深度图，并将其与RGB信息融合，以提升息肉尺寸分类的准确性和客观性	未提及模型在临床实时应用中的处理速度或在不同医疗中心数据上的泛化能力	实现结肠镜息肉尺寸的自动化、客观化分类，以支持结直肠癌的风险评估和监测规划	结肠镜图像中的息肉	计算机视觉	结直肠癌	结肠镜成像	Transformer	图像（RGB图像与深度图）	超过10,000张由胃肠病学专家标注的结肠镜图像	NA	Transformer	精确率, 召回率	NA
785	2025-12-07	Deformable phrase level attention: A flexible approach for improving AI based medical coding 2026-Jan, Artificial intelligence in medicine IF:6.1Q1 DOI:10.1016/j.artmed.2025.103299 PMID:41260194	研究论文	提出一种新颖的可变形短语级注意力机制，用于增强从临床文本中提取医学概念的文本分类模型	开发了一种可变形、短语级的注意力机制，能够识别临床文本中的重要词汇级和上下文短语级信息，超越传统的词级注意力	未明确说明模型在更广泛临床文本类型或语言上的泛化能力，以及计算效率的具体评估	改进基于AI的自动化医学编码，以提升疾病发生信息的收集和人口健康水平	临床文本文档，包括电子病理报告和医院出院摘要	自然语言处理	癌症	注意力机制	Transformer, 深度学习模型	文本	629,908份电子病理报告和52,722份医院出院摘要	NA	Transformer	NA	NA
786	2025-12-07	Artificial intelligence in 4D flow MRI: Review of technological aspects and clinical applications 2026-Jan, Artificial intelligence in medicine IF:6.1Q1 DOI:10.1016/j.artmed.2025.103308 PMID:41273805	综述	本文全面回顾了人工智能在四维血流磁共振成像中的技术方面和临床应用	系统整合了AI与4D flow MRI的最新研究，强调了从数据采集到后处理的整个流程，并提出了基于AI的自动化方法以增强临床适用性	缺乏系统性的方法论，使得难以确定合适的研究方法	回顾人工智能在四维血流磁共振成像中的应用，以促进更有效的临床评估	四维血流磁共振成像数据及其在心血管疾病分析中的应用	医学影像分析	心血管疾病	四维血流磁共振成像	深度学习	MRI图像	NA	NA	NA	NA	NA
787	2025-12-07	A labeled ophthalmic ultrasound dataset with medical report generation based on cross-modal deep learning 2026-Jan, Artificial intelligence in medicine IF:6.1Q1 DOI:10.1016/j.artmed.2025.103317 PMID:41297151	研究论文	本文提出了一个带标签的多模态眼科超声数据集，并基于跨模态深度学习构建了医疗报告生成模型	首次构建了同时包含超声图像、血流信息和检查报告的三模态眼科数据集，并提出了知识融合跨模态网络用于报告生成	数据集仅来自单一医院（沈阳某眼科医院），时间跨度为2016-2020年，可能影响模型的泛化能力	开发自动化眼科超声图像分析和医疗报告生成系统	眼科疾病患者的超声图像、血流参数和临床报告	计算机视觉, 自然语言处理	眼科疾病	超声成像	深度学习	图像, 文本, 血流参数	10,361名患者，22,173张图像及对应的自由文本报告	NA	知识融合跨模态网络	NA	NA
788	2025-12-07	Artificial Intelligence in Ocular Oncology: Differentiating Choroidal Melanocytic Lesions 2026-Jan, Ophthalmology science IF:3.2Q1 DOI:10.1016/j.xops.2025.100948 PMID:41341795	综述	本文探讨了人工智能在眼科学肿瘤学中区分脉络膜黑色素细胞病变（特别是脉络膜痣和小黑色素瘤）的应用	利用深度学习技术自动分析高维医学图像，识别临床医生可能难以察觉的细微模式和特征，以提高诊断准确性	需要解决监管和实施方面的挑战，以充分发挥人工智能的潜力	提高脉络膜黑色素细胞病变的诊断准确性，以改善患者管理和预后	脉络膜黑色素细胞病变，特别是脉络膜痣和小黑色素瘤	计算机视觉	眼科学肿瘤	深度学习	人工神经网络	医学图像	NA	NA	NA	诊断准确性	NA
789	2025-12-07	Motion-Informed Deep Learning for Human Brain Magnetic Resonance Image Reconstruction Framework 2026-Jan, NMR in biomedicine IF:2.7Q1 DOI:10.1002/nbm.70209 PMID:41350123	研究论文	提出了一种结合运动模块的深度学习MRI重建框架，以同时加速成像并校正运动伪影	首次在深度学习图像重建模型中显式建模运动，通过集成运动模块实现运动检测与校正，使模型具有“运动感知”能力	未明确说明模型在极端运动情况下的性能或泛化能力到不同MRI扫描协议	开发一种能够同时处理欠采样伪影和运动伪影的磁共振图像重建方法	人类大脑磁共振图像	计算机视觉	NA	磁共振成像	深度学习	图像	NA	NA	NA	NA	NA
790	2025-12-06	Explainable Convolutional Neural Networks for the identification of the Ampullariidae genus 2026-Apr, Parasitology international IF:1.5Q3 DOI:10.1016/j.parint.2025.103200 PMID:41271157	研究论文	本研究提出了一种基于VGG16和Grad-CAM的可解释卷积神经网络架构，用于分类和解释Ampullariidae及相关属的形态特征	结合VGG16和Grad-CAM构建可解释的CNN模型，在分类的同时提供视觉解释，聚焦于属特异性壳特征（如螺旋高度、卷绕方向和孔口方向），增强了分类学的精确性和生态决策的实用性	模型主要基于尼日利亚北部采集的标本，可能在其他地理区域的泛化能力有限；数据集虽经增强，但样本量相对较小（350个Ampullariidae标本），可能影响模型的鲁棒性	开发可解释的深度学习模型，用于自动识别和分类Ampullariidae及相关属的淡水蜗牛，以支持生态监测和寄生虫控制项目	Ampullariidae家族及其相关属（如Biomphalaria、Bulinus、Lymnae、Melanoides）的淡水蜗牛标本	计算机视觉	NA	深度学习	CNN	图像	350个野外采集的Ampullariidae标本，并增强了Biomphalaria、Bulinus、Lymnae和Melanoides的标记图像	NA	VGG16	验证准确率	NA
791	2025-12-06	Deep learning enhanced quantitative debonding evaluation in tile panels using Lamb waves 2026-Feb, Ultrasonics IF:3.8Q1 DOI:10.1016/j.ultras.2025.107821 PMID:40945330	研究论文	本研究提出了一种利用Lamb波信号和数据驱动的深度学习方法定量评估外部陶瓷砖面板脱粘的新方法	结合Lamb波信号的时间-频率表示与二维卷积神经网络，通过混合数据集（模拟与实验数据）训练，生成全面的二维损伤指数图以识别脱粘缺陷的位置和大小	NA	开发一种可靠的定量评估陶瓷砖面板脱粘的非破坏性评估方法	外部陶瓷砖面板的脱粘缺陷	计算机视觉	NA	连续小波变换	CNN	图像	NA	NA	二维卷积神经网络	NA	NA
792	2025-12-06	Modified UNet-enhanced ultrasonic superb microvascular imaging feature extraction and grading of carpal tunnel syndrome 2026-Feb, Ultrasonics IF:3.8Q1 DOI:10.1016/j.ultras.2025.107834 PMID:41039691	研究论文	本研究结合超快超微血管成像与改进的UNet分割模型，通过定量图像分析客观提取微血管特征，用于腕管综合征的分级	采用分类引导的改进UNet分割模态，结合非线性二次回归模型，实现了对腕管综合征微血管特征的自动提取和分级，提高了分类准确性和AUC值	样本量相对较小（105名患者），且未提及模型在其他人群或设备上的泛化能力验证	开发一种基于超声超微血管成像和深度学习的非侵入性方法，用于腕管综合征的客观分级	腕管综合征患者（包括轻度、中度和重度）及健康对照者的腕部超微血管成像数据	计算机视觉	腕管综合征	超快超微血管成像	CNN	图像	105名患者（21名轻度、71名中度、13名重度）和21名健康对照者	NA	改进的UNet	分类准确率, AUC, Kappa系数	NA
793	2025-12-06	Firearm brand classification using deep learning on cartridge case images 2026-Feb, Forensic science international IF:2.2Q1 DOI:10.1016/j.forsciint.2025.112671 PMID:41061388	研究论文	本研究提出了一种基于深度学习的枪械品牌分类方法，利用弹壳图像的归一化高度图和形状指数变换，以提高法医弹道学中的枪械识别准确性和效率	首次将深度学习方法应用于弹壳图像的枪械品牌分类，通过归一化高度图和形状指数变换提取特征，并利用过采样技术处理类别不平衡问题	研究主要基于土耳其的枪械品牌数据，可能在其他地区的适用性有限；且未详细讨论模型在真实犯罪场景中的泛化能力	开发一种自动化枪械品牌分类系统，以优化法医弹道学中的弹壳比较流程，减少检查时间并提高调查效率	弹壳图像，涵盖土耳其犯罪案件中常见的21种最流行枪械品牌，包括手工枪械和改装空包手枪	计算机视觉	NA	归一化高度图，形状指数变换，图像处理	CNN, Transformer	图像	超过35万弹壳样本，通过旋转过采样扩展至超过100万样本	NA	ResNet, Vision Transformer	准确率	NA
794	2025-12-06	Deep learning enhanced label-free cervical screening via stimulated Raman cytology 2026-Feb-01, Talanta IF:5.6Q1 DOI:10.1016/j.talanta.2025.128982 PMID:41109050	研究论文	本文提出了一种基于刺激拉曼细胞学的无标记宫颈筛查平台，结合深度学习实现宫颈细胞的快速筛查和诊断	开发了VAD-SRC平台，通过刺激拉曼散射显微镜获取细胞内在生物分子对比，结合深度卷积神经网络实现高精度诊断和细胞类型自动分割	未提及研究的具体局限性	提高宫颈癌筛查的诊断通量和灵敏度	宫颈细胞样本	数字病理学	宫颈癌	刺激拉曼散射显微镜	CNN	图像	未提及具体样本数量	NA	深度卷积神经网络	准确率, 灵敏度	NA
795	2025-12-06	SE-PDS enhanced NIR spectral transfer learning: A machine learning approach for cross-instrument jet fuel property quantification 2026-Feb-01, Talanta IF:5.6Q1 DOI:10.1016/j.talanta.2025.129005 PMID:41124770	研究论文	本研究提出了一种改进的共享嵌入增强分段直接标准化算法，结合随机森林模型，实现了跨仪器对喷气燃料16种理化性质的定量预测	提出了改进的SE-PDS算法，整合了所有光谱段的光谱矩阵和窗口索引，使单个模型能够利用不同特征间的共享信息，并自动识别和消除光谱数据中的不规则波动和突变	研究仅使用了86个喷气燃料样本进行验证，样本量相对较小	实现跨仪器近红外光谱的迁移学习，用于喷气燃料性质的定量预测	喷气燃料的理化性质	机器学习	NA	近红外光谱	随机森林	光谱数据	86个喷气燃料样本	NA	随机森林	相关系数, 决定系数, 相对误差率	NA
796	2025-12-06	Characterization of Gastrodiae Rhizoma from different geographical origins by HS-GC-IMS and authenticity identification combined with deep learning 2026-Jan-04, Journal of chromatography. A DOI:10.1016/j.chroma.2025.466482 PMID:41172769	研究论文	本研究结合顶空气相色谱-离子迁移谱（HS-GC-IMS）与深度学习算法，对不同产地天麻的挥发性成分进行表征并建立产地真实性鉴别方法	首次将GC-IMS二维谱图与深度学习（CNN、ResNet）相结合用于天麻产地鉴别，准确率超过99.54%，显著优于传统机器学习方法（约90%）	样本数量有限（未明确具体样本数），仅分析了挥发性成分，未涵盖其他化学组分	建立天麻产地鉴别与掺假筛查策略，确保市场产品质量	不同地理来源的天麻（Gastrodiae Rhizoma）样本	计算机视觉	NA	顶空气相色谱-离子迁移谱（HS-GC-IMS）	CNN, ResNet	图像（2D GC-IMS色谱图）	未明确具体样本数量，涉及不同产地天麻样本	NA	卷积神经网络（CNN）, 残差网络（ResNet）	准确率	NA
797	2025-12-06	Evolution of chromatographic modeling: From mechanistic models to hybrid models with physics-based deep learning 2026-Jan-04, Journal of chromatography. A DOI:10.1016/j.chroma.2025.466565 PMID:41297511	综述	本文系统总结了基于物理的深度学习（PBDL）方法在色谱建模中的三代演进过程	提出了色谱建模从传统机理模型到融合机理理解与数据驱动的混合模型的演进框架，并阐述了PBDL如何实现物理与数据的相互反馈	未提及具体应用案例的性能局限或数据要求	综述色谱建模技术的发展历程，探讨物理驱动深度学习方法的演进与潜力	色谱建模方法	机器学习	NA	物理驱动的深度学习	神经网络	模拟数据与物理方程	NA	NA	物理信息神经网络	NA	NA
798	2025-12-05	Golay-Net: Deep learning-based Golay coded excitation for ultrasound imaging 2026-Mar, Ultrasonics IF:3.8Q1 DOI:10.1016/j.ultras.2025.107881 PMID:41176826	研究论文	本文提出了一种基于深度学习的Golay编码激励方法，用于提升超声成像的信噪比和成像深度，同时保持帧率不变	开发了Golay-Net，一种基于1-D U-Net的深度学习框架，能够从Code A的回波信号中合成Code B的回波信号，从而避免了传统Golay编码激励需要两次传输导致的帧率降低问题	未在摘要中明确提及具体限制，可能包括模型泛化能力、计算复杂度或对特定成像条件的依赖性	提高超声成像的信噪比和成像深度，同时不牺牲帧率	超声成像中的Golay编码激励技术	医学影像处理	NA	Golay编码激励	深度学习	超声回波信号	NA	NA	1-D U-Net	信噪比, 成像深度, 帧率	NA
799	2025-12-05	End-to-end design of multi-functional acoustic holograms via heterogeneous physics constraints 2026-Mar, Ultrasonics IF:3.8Q1 DOI:10.1016/j.ultras.2025.107879 PMID:41192313	研究论文	本文提出了一种端到端异质物理约束深度学习框架，用于设计多功能声学全息图，以解决传统相位设计方法在理论预测与物理实现间的性能差距	引入了首个端到端异质物理约束深度学习框架，直接设计物理全息图结构，同时考虑全息图内部复杂声学特性和波在复杂介质（如颅骨）中的传播，显著提高了声场模式的保真度	研究主要作为概念验证展示，在更具挑战性的生物医学应用中的大规模验证和临床转化仍需进一步探索	开发一种能够设计物理上可实现、多功能声学全息图的新方法，以用于非侵入性治疗和接触式操控等生物医学应用	声学全息图及其产生的声场	机器学习	NA	声学全息技术	深度学习	物理模拟数据	NA	NA	NA	峰值信噪比, 相关性保真度	NA
800	2025-12-05	High-precision wavefield simulation and deep learning-based sound speed reconstruction for transcranial ultrasound imaging 2026-Mar, Ultrasonics IF:3.8Q1 DOI:10.1016/j.ultras.2025.107860 PMID:41129992	研究论文	本研究提出了一种结合高精度波场模拟与深度学习反演的经颅声速局部重建框架，旨在提升经颅超声成像质量	开发了定制波场模拟算法生成训练数据集，并提出了集成波前注意力模块（WAM）和梯度正则化损失函数的WAM-Net网络，以精确重建颅骨声速	NA	通过准确重建颅骨声速，实现有效的相位校正，从而提升经颅超声成像质量	颅骨声速分布	医学影像处理	脑部疾病	超声成像	深度学习	模拟波场数据	数值模拟、仿体实验（AlO和PMMA仿体）及食蟹猴活体实验	NA	WAM-Net	平均绝对误差（MAE）	NA