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
1741	2026-01-30	Artificial Intelligence in Rheumatology: From Algorithms to Clinical Impact in Osteoporosis and Chronic Inflammatory Rheumatic Diseases 2026-Jan-08, Journal of clinical medicine IF:3.0Q1 DOI:10.3390/jcm15020491 PMID:41598430	综述	本文总结了人工智能在骨质疏松症和慢性炎症性风湿病领域的研究现状、应用潜力及面临的挑战	系统性地回顾了2015年至2025年间AI在风湿病学领域的研究进展，并特别关注了方法学稳健性和临床适用性	大多数研究依赖于回顾性单中心数据集，外部验证有限，可解释性欠佳，且缺乏真实世界应用的证据	总结人工智能在骨质疏松症和慢性炎症性风湿病中的当前证据，评估其临床转化潜力	骨质疏松症和慢性炎症性风湿病（如骶髂关节炎）	数字病理学	风湿病	NA	机器学习, 深度学习	影像数据, 临床数据, 生物学数据	基于323篇纳入文章	NA	NA	NA	NA
1742	2026-01-30	Enhancing EEG Decoding with Selective Augmentation Integration 2026-Jan-08, Sensors (Basel, Switzerland) DOI:10.3390/s26020399 PMID:41600214	研究论文	本文提出了一种端到端的EEG增强框架，结合自适应机制和选择性增强策略，并引入了NeuroBrain神经架构，以提升EEG解码性能	提出了一种利用对比学习减轻增强引起的表示扭曲的端到端EEG增强框架，以及动态选择最优增强组合的选择性增强策略，并设计了专门用于听觉EEG解码的NeuroBrain神经架构	未明确提及研究的具体局限性	解决EEG数据稀缺、噪声多以及现有数据增强技术泛化性有限的问题，提升EEG解码性能	脑电图（EEG）信号	机器学习	NA	脑电图（EEG）分析	深度学习模型	EEG信号	基于SparrKULee和WithMe数据集进行评估，具体样本数量未明确	NA	NeuroBrain, EEGNet	准确率	NA
1743	2026-01-30	MRI-to-PET synthesis via deep learning for amyloid-β quantification in Alzheimer's disease 2026-Jan-07, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-12251-3 PMID:41495456	研究论文	本研究开发了一种基于深度学习的模型，用于从结构MRI生成3D合成Aβ PET图像，以评估阿尔茨海默病中的淀粉样蛋白-β病理	提出了一种基于共享参数生成对抗网络（ShareGAN）的3D合成模型，该模型在全体积上操作而非2D切片，能真实再现相邻图像平面间的细微差异，用于从MRI生成Aβ PET图像	未明确提及，但可能包括模型在更广泛或不同人群中的泛化能力、对图像质量变化的敏感性等	开发一种安全、经济有效的工具，用于阿尔茨海默病的淀粉样蛋白-β病理可视化与评估，以补充或指导实际的Aβ PET扫描	阿尔茨海默病患者	医学影像分析	阿尔茨海默病	MRI， PET	GAN	3D图像	1009个Aβ PET和配对的MRI图像，来自阿尔茨海默病神经影像学倡议数据库和中国三家三甲医院	NA	ShareGAN	结构相似性指数，峰值信噪比，平均绝对误差，标准化摄取值比，Pearson相关系数，Bland-Altman分析，诊断准确率	NA
1744	2026-01-30	Predicting enviromically adapted varieties with big data 2026-Jan-07, Genome biology IF:10.1Q1 DOI:10.1186/s13059-025-03914-x PMID:41495804	研究论文	本研究提出了一种结合基因组数据和环境信息的预测框架，用于选择适应特定环境的高产冬小麦基因型	通过整合大规模基因组和环境数据，利用卷积神经网络和机器学习方法预测基因型与环境互作，显著提升了环境特异性性能预测的准确性	研究主要基于中欧地区的冬小麦数据，可能在其他地理区域或作物类型中适用性有限	开发一种基于大数据的基因组预测框架，以选择适应特定环境的高产作物品种	冬小麦的基因型（包括6,766个品系和6,519个杂交种）及其在31个中欧试验点的产量表现	机器学习	NA	基因组预测，环境变量分析	CNN，机器学习模型	基因组数据，环境数据，产量数据	13,285个基因型（6,766个品系和6,519个杂交种）在31个试验点从2010年至2022年的数据	NA	卷积神经网络	预测准确性，性能提升百分比（23%）	NA
1745	2026-01-30	AI driven hybrid convolutional and transformer based deep learning architecture for precise lung nodule classification 2026-Jan-07, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-34569-0 PMID:41501139	研究论文	本研究提出了一种结合图像增强与分割的AI驱动混合深度学习架构，用于精确分类肺部结节	提出了一种结合自适应对比度拉伸、各向异性扩散、自适应阈值、三维连通性和形态学操作的混合图像增强与分割流程，并采用卷积与Transformer混合的深度学习架构进行结节分类	研究仅基于公开数据集LIDC IDRI进行验证，未在临床实时环境中测试，且未与其他最先进的深度学习分割方法进行广泛比较	设计和验证一个全面的图像增强与分割流程，以高空间精度检测肺部结节并保持低假阳性率	肺部CT图像中的肺结节	计算机视觉	肺癌	计算机断层扫描(CT)	CNN, Transformer	医学图像(CT扫描)	1000次扫描(来自LIDC IDRI公开数据集)	NA	混合卷积和Transformer架构	重叠分数, 灵敏度, 每扫描假阳性数	NA
1746	2026-01-30	Voxel Normalization in LDCT Imaging: Its Significance in Texture Feature Selection for Pulmonary Nodule Malignancy Classification: Insights from Two Centers 2026-Jan-07, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16020186 PMID:41594162	研究论文	本研究评估了体素归一化对肺结节分类的影响，并提出了一种基于快速傅里叶变换的轮廓融合方法作为更可解释的替代方案	引入基于快速傅里叶变换的轮廓融合方法，提供比生成对抗网络更具临床可解释性的专家标注整合方案	研究仅基于两个医疗中心的数据，未来需要在多中心环境中进一步验证	提高低剂量CT影像中肺结节恶性分类的准确性和可解释性	肺结节	数字病理学	肺癌	低剂量计算机断层扫描	机器学习模型,深度学习模型,Transformer	医学影像	来自两个医疗中心的415名患者的病理确诊LDCT数据	NA	Transformer	准确率	NA
1747	2026-01-30	A Gas Production Classification Method for Cable Insulation Materials Based on Deep Convolutional Neural Networks 2026-Jan-07, Polymers IF:4.7Q1 DOI:10.3390/polym18020155 PMID:41599454	研究论文	本文提出了一种基于深度卷积神经网络的多标签分类框架，用于准确识别五种典型电力电缆绝缘材料在故障条件下的气体生成特性	利用深度卷积神经网络实现多标签分类，能够同时预测多种降解状态或并发故障模式组合，解决了传统方法在处理混合气体数据时缺乏多标签识别能力的问题	NA	提高电力电缆设备绝缘状态评估的准确性	五种典型电力电缆绝缘材料：三元乙丙橡胶、乙烯-醋酸乙烯共聚物、硅橡胶、聚酰胺和交联聚乙烯	机器学习	NA	演化气体分析	CNN	气体浓度数据	NA	NA	深度卷积神经网络	NA	NA
1748	2026-01-30	Image-based rachis phenotyping facilitates genetic dissection of spikelet distribution in wheat 2026-Jan-06, Plant physiology IF:6.5Q1 DOI:10.1093/plphys/kiaf666 PMID:41419219	研究论文	本研究开发了一种基于深度学习的表型分析流程RachisSeg，用于自动测量小麦穗轴图像中的性状，以促进穗粒分布遗传分析	引入了基于穗轴节间长度的穗粒分布性状，提供了穗结构的定量见解，并开发了RachisSeg这一自动化表型分析工具	未明确说明样本多样性或环境条件对结果的影响，可能受限于图像扫描质量	通过图像表型分析促进小麦穗粒分布的遗传解析和育种应用	小麦（Triticum aestivum L）的穗轴图像	计算机视觉	NA	深度学习	CNN	图像	小麦种质资源（包括地方品种、美国品种和中国品种）及重组自交系群体	NA	NA	R2值	NA
1749	2026-01-30	Soft sonocapacitor with topologically integrated piezodielectric nanospheres enables wireless epidural closed-loop neuromodulation 2026-Jan-06, Nature communications IF:14.7Q1 DOI:10.1038/s41467-025-67723-3 PMID:41495062	研究论文	本文开发了一种拓扑纤维结构声电容（SonoCap），用于实现无线、高电容电荷密度注入的神经调控	提出了一种独特的压电-介电复合纳米球（UCapT）结构，具有压电核心-空腔-介电笼的拓扑结构，能高效耦合超声激发实现压电电子-电容转移，其高度组装的SonoCap实现了累积电荷存储、高离子可及表面积和宏观柔软性	NA	开发一种无线、高电容电荷密度注入的神经调控方案，用于癫痫等疾病的治疗	大鼠和猪的大脑神经回路	生物医学工程	癫痫	超声激发、电容耦合电刺激	NA	NA	NA	NA	NA	电容电荷密度输出（9.7 mC cm⁻²）、法拉第电荷（2 nC cm⁻²）	NA
1750	2026-01-30	On Construction of Tibial Plateau Fracture Detection in Different Radiographic Views Using YOLO Models 2026-Jan-06, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16020182 PMID:41594158	研究论文	本研究评估了四种YOLO深度学习模型在不同X射线视图下检测胫骨平台骨折的性能	首次系统比较了YOLOv4、YOLOv5、YOLOv8和YOLOv9在胫骨平台骨折检测中的表现，并发现AP视图训练的模型性能最优	研究仅使用了单一医疗中心的X射线图像，样本量相对有限，且未涉及其他影像模态如CT或MRI	评估不同YOLO模型在不同X射线视图下检测胫骨平台骨折的准确性和泛化能力	胫骨平台骨折的X射线图像	计算机视觉	骨折	X射线成像	YOLO	图像	1489张膝关节X射线图像（727张骨折图像，762张非骨折图像）	NA	YOLOv4, YOLOv5, YOLOv8, YOLOv9	准确率, 特异性, 精确率, F1分数, AUC, 灵敏度, 阴性预测值	NA
1751	2026-01-30	A Supervised Deep Learning Model Was Developed to Classify Nelore Cattle (Bos indicus) with Heat Stress in the Brazilian Amazon 2026-Jan-06, Animals : an open access journal from MDPI IF:2.7Q1 DOI:10.3390/ani16020161 PMID:41594351	研究论文	本研究开发了一种用于分类内洛尔牛热应激状态的监督深度学习模型	首次为巴西亚马逊地区的Bos indicus品种牛开发了基于深度学习的非侵入式热应激分类模型	模型特异性较低（42%），可能受类别不平衡和输入特征不足影响，在识别热舒适动物方面存在困难	开发深度学习模型以实时监测和分类牛的热应激状态，支持精准畜牧业决策	内洛尔牛（Nelore cattle, Bos indicus）	机器学习	NA	深度学习，生物与环境参数监测	神经网络	多模态数据（生物变量：直肠温度、呼吸频率；环境变量：气温、相对湿度）	30头牛（18-20月龄），共676个样本，覆盖每日4个时段（6:00, 12:00, 18:00, 24:00）	NA	NA	准确率, 召回率, 特异性	NA
1752	2026-01-30	Comment on Korkmaz et al. A Deep Learning and Explainable AI-Based Approach for the Classification of Discomycetes Species. Biology 2025, 14, 719 2026-Jan-06, Biology DOI:10.3390/biology15020106 PMID:41594841	评论	本文是对Korkmaz等人关于使用深度学习和可解释AI分类盘菌物种研究的评论	NA	NA	讨论和评价Korkmaz等人研究中深度学习和可解释AI在盘菌物种分类中的应用	盘菌物种	自然语言处理	NA	NA	NA	NA	NA	NA	NA	NA	NA
1753	2026-01-30	Reply to Pastore, E.P. Comment on "Korkmaz et al. A Deep Learning and Explainable AI-Based Approach for the Classification of Discomycetes Species. Biology 2025, 14, 719" 2026-Jan-06, Biology DOI:10.3390/biology15020107 PMID:41594842	回复	本文是对Pastore, E.P.评论的正式回复，针对原论文《A Deep Learning and Explainable AI-Based Approach for the Classification of Discomycetes Species》中提出的统计独立性、选择偏差和捷径学习等议题进行回应	NA	NA	回应评论中关于盘菌物种分类深度学习方法的统计独立性、预处理偏差和模型校准等议题	盘菌物种分类的深度学习与可解释AI方法	自然语言处理	NA	NA	NA	NA	NA	NA	NA	NA	NA
1754	2026-01-30	Deep Learning-Based Identification of Pathogenicity Genes in Phytophthora infestans Using Time-Series Transcriptomics 2026-Jan-06, Plants (Basel, Switzerland) DOI:10.3390/plants15020178 PMID:41599985	研究论文	本研究提出了一种LSTM-Transformer混合模型，用于从基因表达时间序列数据中识别致病性相关基因，以应对马铃薯晚疫病的挑战	提出了一种结合LSTM和Transformer的混合模型，并引入了具有生物学意义的时间注意力架构、基因时间序列特定的数据划分策略以及可解释的深度分析模块	研究仅基于32,917个基因的18个样本进行分析，样本量相对有限，且模型在更广泛病原体或作物中的泛化能力尚未验证	识别与致病性相关的基因，为培育抗晚疫病马铃薯品种和加强植物保护策略提供分子靶点	致病疫霉（Phytophthora infestans）的基因表达时间序列数据	自然语言处理	植物病害	时间序列转录组学	LSTM, Transformer	基因表达时间序列数据	18个样本（3个感染时间点 × 6个生物学重复）覆盖32,917个基因	NA	LSTM-Transformer混合模型	NA	NA
1755	2026-01-30	Non-Contact Measurement of Human Vital Signs in Dynamic Conditions Using Microwave Techniques: A Review 2026-Jan-06, Sensors (Basel, Switzerland) DOI:10.3390/s26020359 PMID:41600153	综述	本文综述了在动态条件下使用微波技术进行非接触式人体生命体征测量的最新进展	专注于受试者移动或进行日常活动时的测量解决方案，而非临床静止状态；涵盖了用于可穿戴设备的创新可生物降解和柔性天线设计，以及结合先进信号处理和深度学习算法以在存在身体运动的情况下稳健估计生命体征的技术	受试者间解剖结构差异、运动伪影、硬件小型化和能源效率等关键挑战仍然限制了其广泛部署	回顾微波和雷达技术在动态条件下非接触测量人体生命体征的进展，并探讨其在远程医疗、家庭监护等领域的应用	人体生命体征（呼吸、心率及其他心肺参数）	机器学习	NA	微波技术、雷达技术、超宽带雷达、多普勒传感器、微波反射测量法	深度学习算法	微波信号、雷达信号	NA	NA	NA	NA	NA
1756	2026-01-30	Direct UAV-Based Detection of Botrytis cinerea in Vineyards Using Chlorophyll-Absorption Indices and YOLO Deep Learning 2026-Jan-06, Sensors (Basel, Switzerland) DOI:10.3390/s26020374 PMID:41600171	研究论文	本研究提出了一种基于无人机、多光谱成像和YOLO深度学习的AI系统，用于葡萄园中灰霉病的早期检测	整合了经过校准的多光谱数据、植被指数（特别是叶绿素吸收比率指数CARI）与YOLOv8目标检测模型，实现了自动化的地理定位病害检测，相比RGB图像显著提升了检测性能	研究仅在真实葡萄园条件下进行，未提及在其他作物或环境中的泛化能力，也未讨论模型对不同生长阶段或品种的适应性	开发一种智能、自主的监测系统，用于精准农业（特别是葡萄栽培）中的早期作物健康评估，以支持农业5.0范式	葡萄园中的灰霉病（Botrytis cinerea）	计算机视觉	植物病害	多光谱成像	YOLO	图像	NA	NA	YOLOv8	精确率, 召回率, F1分数, 平均精度均值(mAP@50)	NA
1757	2026-01-30	Applicability study of AI attribution methods for ophthalmic image classification 2026-Jan-05, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-33120-5 PMID:41491079	研究论文	本研究评估了三种前沿归因方法在眼科图像分类中的适用性，以解释基于VGG16的深度学习模型在糖尿病视网膜病变和视网膜积液检测中的预测	首次系统地将自然图像领域的归因方法（DeepLIFT、AGI、AttEXplore）应用于眼科医学影像，评估其在病理和正常病例中的临床相关性，并指出即使定量性能高，归因结果仍需结合临床专业知识解读	归因方法的结果因基础假设和超参数敏感性而差异显著，高插入或低删除分数不一定对应临床有意义的视觉归因，且在正常病例中全局上下文证据的确认可能使归因信息量降低	探索归因方法在医学影像领域的适用性，以提高深度学习模型在眼科诊断中的可解释性和临床接受度	糖尿病视网膜病变和视网膜积液	计算机视觉	糖尿病视网膜病变	光学相干断层扫描（OCT）、宽视野OCT血管造影（OCTA）	CNN	图像	NA	NA	VGG16	准确率、插入分数、删除分数	NA
1758	2026-01-30	Predicting Physical Appearance from Low Template: State of the Art and Future Perspectives 2026-Jan-05, Genes IF:2.8Q2 DOI:10.3390/genes17010059 PMID:41595479	综述	本文综述了从低模板DNA预测外貌特征的现状与未来展望，重点评估了机器学习模型在提升预测精度和操作可行性方面的应用	系统评估了机器学习模型在低模板DNA表型预测中的应用，并比较了不同算法在关键数据集上的性能，同时探讨了多组学整合、可解释AI等未来方向	在混合人群和多基因复杂性状预测方面仍存在局限性，模型的可解释性和偏差缓解对于法庭可采性至关重要	评估和改进从低模板DNA进行法医DNA表型预测的准确性和可靠性	低模板DNA样本及其预测的外部可见特征（如眼睛、头发、皮肤颜色、祖先、年龄）	法医基因组学	NA	SNP-based trait modeling, genotype imputation, epigenetic age estimation, probabilistic inference	Random Forests, Support Vector Machines, Gradient Boosting, deep learning	基因组数据	1000 Genomes Project, UK Biobank, 法医案例样本	NA	NA	AUC	NA
1759	2026-01-30	Deep Learning-Based Segmentation of the Ulnar Nerve in Ultrasound Images 2026-Jan-05, Medicina (Kaunas, Lithuania) DOI:10.3390/medicina62010113 PMID:41597399	研究论文	本文评估了基于深度学习的超声图像中尺神经分割方法，并分析了多种数据增强技术对分割性能的影响	首次利用大规模尺神经超声数据集，系统比较了多种分割模型，并统计分析了五种常见数据增强技术对分割性能的显著性影响	未明确说明模型在临床实际应用中的泛化能力，且仅针对尺神经进行验证	优化超声图像中神经分割的深度学习方法	超声图像中的尺神经	计算机视觉	NA	超声成像	深度学习分割模型	图像	来自545名患者的4789张超声图像	NA	U-Net	Dice系数, IoU	NA
1760	2026-01-30	Contrast-Enhanced Mammography and Deep Learning-Derived Malignancy Scoring in Breast Cancer Molecular Subtype Assessment 2026-Jan-05, Medicina (Kaunas, Lithuania) DOI:10.3390/medicina62010115 PMID:41597401	研究论文	本研究探讨了对比增强乳腺摄影结合深度学习评分在评估乳腺癌分子亚型中的应用	首次将对比增强乳腺摄影的形态与功能信息与深度学习恶性肿瘤评分相结合，用于乳腺癌分子亚型评估，并比较了其与MRI在表型描述上的一致性	单中心回顾性研究，样本量有限（76个恶性病灶），且深度学习评分在不同分子亚型间的差异未达到统计学显著性	评估对比增强乳腺摄影及深度学习评分在乳腺癌分子亚型鉴别中的潜在价值	399名女性中经病理证实的76个恶性乳腺病灶（包括68例浸润性癌和8例导管原位癌）	数字病理学	乳腺癌	对比增强乳腺摄影，深度学习恶性肿瘤评分	深度学习模型	医学影像	76个恶性病灶（来自399名女性）	iCAD ProFound AI	NA	曲线下面积，中位数评分	NA