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
221	2025-10-30	A Comprehensive Framework for Eye Tracking: Methods, Tools, Applications, and Cross-Platform Evaluation 2025-Sep-23, Journal of eye movement research IF:1.3Q3 DOI:10.3390/jemr18050047 PMID:41149949	综述	本文系统探讨了眼动追踪的方法、工具、应用及跨平台评估，重点关注现代高效技术及其在各领域的应用	整合了基于视频眼动图(VOG)的系统、深度学习视线估计模型、可穿戴设备等现代方法，并提出解决特定眼动追踪方法局限性的策略	未明确说明具体研究样本量或实验规模，主要关注方法论的综述性分析	建立全面的眼动追踪框架，探索其在人机交互、教育、医疗等领域的应用潜力	眼动追踪技术、方法及应用系统	人机交互	NA	视频眼动图(VOG)、深度学习、虚拟/增强现实、辅助技术	深度学习模型	眼动数据、视频数据	NA	NA	NA	NA	NA
222	2025-10-30	A Review on the Detection of Plant Disease Using Machine Learning and Deep Learning Approaches 2025-Sep-23, Journal of imaging IF:2.7Q3 DOI:10.3390/jimaging11100326 PMID:41150002	综述	本文系统综述了使用机器学习和深度学习方法进行植物病害检测的研究进展	批判性评估模型在实验室和实时田间条件下的性能，强调鲁棒性、泛化能力和边缘部署适用性，并介绍了GreenViT、混合ViT-CNN模型和YOLO系列检测器等新架构	依赖手工特征、过拟合问题、对环境噪声敏感、数据集规模小且不平衡、现实世界性能不佳	实现植物病害的早期准确检测以确保粮食安全、提高作物产量和促进精准农业	植物病害检测	计算机视觉	植物病害	图像分类	CNN, Transformer, GAN, YOLO	图像	NA	NA	GreenViT, ViT-CNN混合模型, YOLO, DCGAN	准确率, 推理速度, 硬件效率	边缘部署
223	2025-10-30	Deep Ensemble Learning and Explainable AI for Multi-Class Classification of Earthstar Fungal Species 2025-Sep-23, Biology DOI:10.3390/biology14101313 PMID:41154716	研究论文	本研究利用深度学习和可解释人工智能技术对八种形态相似的地星真菌物种进行多类别图像分类	首次在文献中同时评估八种形态相似的地星真菌物种，并设计了两种混合集成模型（EfficientNet-B3 + DeiT 和 DenseNet121 + MaxViT-S）	数据集仅包含实验室环境样本，未来需要扩展到不同生态区域的样本并在野外条件下测试	开发高精度且可解释的真菌物种分类方法	八种形态相似的宏观地星真菌物种	计算机视觉	NA	深度学习，可解释人工智能	CNN, Transformer	图像	使用独立测试集（占数据10%）进行评估	NA	EfficientNetV2-M, DenseNet121, MaxViT-S, DeiT, RegNetY-8GF, MobileNetV3, EfficientNet-B3, MnasNet	准确率, 精确率, 召回率, F1分数, 特异性, 对数损失, MCC	NA
224	2025-10-30	Evaluation of UNeXt for Automatic Bone Surface Segmentation on Ultrasound Imaging in Image-Guided Pediatric Surgery 2025-Sep-23, Bioengineering (Basel, Switzerland) DOI:10.3390/bioengineering12101008 PMID:41155007	研究论文	本研究开发了一种用于儿科手术中超声图像自动骨表面分割的深度学习模型	针对10岁以下儿童骨骼特征不明显的特殊需求，开发了专门适用于儿科患者的骨表面分割模型	样本量相对较小（仅16名患者），需要在更大规模数据集中验证模型性能	开发适用于图像引导儿科手术的自动骨表面分割方法	儿科患者的四肢、骨盆和胸部骨骼	医学图像分析	儿科疾病	超声成像	深度学习	超声图像	16名儿科患者的4309张超声图像	NA	UNeXt	平均中心线Dice分数, 平均表面距离	NA
225	2025-10-30	An Automated Diagnosis of Myopia from an Optic Disc Image Using YOLOv11: A Feasible Approach for Non-Expert ECPs in Computer Vision 2025-Sep-23, Life (Basel, Switzerland) DOI:10.3390/life15101495 PMID:41157168	研究论文	提出一种基于YOLO架构的自动化方法，通过分析眼底图像中的视盘区域来检测近视	首次将YOLOv8和YOLOv11应用于近视自动诊断，设计可供非计算机专业眼科医生使用的轻量级AI筛查工具	使用单中心数据集，样本量相对有限（730张增强图像），需要更多外部验证	开发一种无需专业技术知识的自动化近视诊断方法	眼底图像中的视盘区域	计算机视觉	近视	眼底成像	YOLO	图像	730张增强训练图像，98张内部验证图像，50张独立测试图像	YOLO	YOLOv8, YOLOv11-nano	准确率, 敏感度, F1分数, AUC	NA
226	2025-10-30	MedImg: An Integrated Database for Public Medical Images 2025-Sep-22, Genomics, proteomics & bioinformatics DOI:10.1093/gpbjnl/qzaf068 PMID:40833036	研究论文	构建了一个集成公共医学图像的综合数据库MedImg，包含105个数据集和近200万张图像	整合了来自多个公共来源的多样化医学图像数据集，构建了系统化的在线数据库平台	仅包含公开可用的数据集，可能无法覆盖所有医学图像类型和临床应用场景	解决医学图像分析中大规模、特征化数据集缺乏的问题，促进深度学习算法的验证和推广	医学图像数据集	医学图像分析	多疾病类型	医学影像采集技术	NA	医学图像	105个数据集，共1,995,671张图像	NA	NA	NA	NA
227	2025-09-15	A novel deep learning framework for the diagnosis of erythematosquamous lesions using whole slide histopathologic images 2025-Sep-11, Journal of the American Academy of Dermatology IF:12.8Q1 DOI:10.1016/j.jaad.2025.09.010 PMID:40945744	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA	NA
228	2025-10-30	Artificial Intelligence in Fracture Diagnosis on Radiographs: Evidence, Pitfalls, and Pathways for Clinical Integration (2020-2025) 2025-Sep, Cureus DOI:10.7759/cureus.93124 PMID:41141172	综述	本文对2020-2025年间人工智能在X光片骨折诊断中的应用证据、局限性和临床整合路径进行叙事性综合评述	系统梳理了近五年AI骨折诊断的研究进展，重点关注临床部署实践和监管审批现状	存在数据集偏差、泛化能力有限、可解释性不足和患者中心结局不确定等挑战	评估AI在骨折诊断中的诊断性能、临床效用和整合路径	X光片和其他影像模态中的骨折检测	医学影像分析	骨折	深度学习	深度学习系统	X光影像	基于多项系统评价和荟萃分析的综合样本	NA	NA	灵敏度, 特异性	NA
229	2025-10-30	Fused RGB and IR image based deep learning detection of dried laver bugak for robotic automation systems 2025-Aug-28, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-16563-8 PMID:40877352	研究论文	开发基于融合RGB和红外图像的深度学习检测模型，用于干紫菜片的检测与分类，以实现机器人自动化分拣系统	提出使用VGG19网络融合RGB和红外图像的新方法，并首次将YOLOv11l和RT-DETR模型应用于干紫菜片检测	未提及模型在真实工业环境中的鲁棒性测试和计算效率分析	开发自动化检测系统以替代人工分拣，减轻工人工作量并提高生产效率	干紫菜片（dried laver bugak）的物理特性检测与分类	计算机视觉	NA	RGB与红外图像融合技术	YOLO, RT-DETR, CNN	融合RGB和红外图像	未明确说明	NA	VGG19, YOLOv11l, YOLOv8s, RT-DETR	F1分数, mAP@0.5	NA
230	2025-10-30	[Exploration and application of attention mechanism in survival analysis of competitive events in oral cancer] 2025-Aug, Shanghai kou qiang yi xue = Shanghai journal of stomatology PMID:41157971	研究论文	本研究基于注意力机制构建了OSAA模型用于口腔癌竞争事件生存分析，并探索其在口腔癌辅助诊疗中的应用价值	首次将注意力机制应用于口腔癌竞争事件的生存分析，开发了OSAA模型	NA	开发基于注意力机制的口腔癌竞争事件生存分析模型并评估其性能	来自SEER数据库的口腔癌患者数据	机器学习	口腔癌	生存分析	深度学习	临床数据	NA	NA	注意力机制	C-index, IBS, Kaplan-Meier生存曲线, 时间依赖性ROC曲线	NA
231	2025-10-30	[Preliminary study of alveolar socket measurement on CBCT based on SAM] 2025-Aug, Shanghai kou qiang yi xue = Shanghai journal of stomatology PMID:41157983	研究论文	本研究开发了一种基于SAM的深度学习自动测量工具，用于CBCT影像中牙槽窝尺寸的测量	首次将Segment Anything Model(SAM)应用于CBCT影像的牙槽窝自动测量，开发了交互式分割测量工具	样本量较小（29名患者），仅评估了特定牙位（5-5位置）的测量准确性	评估基于深度学习的CBCT自动测量工具的准确性，并与手动测量进行比较验证	成人患者的CBCT影像和牙槽窝横断面	计算机视觉	口腔疾病	CBCT成像	SAM	医学影像	29名成年患者（11男，18女），427个牙槽窝横断面	NA	Segment Anything Model	决定系数(R2), 测量误差, Pearson相关系数	NA
232	2025-10-30	mamp-ml: A deep learning approach to epitope immunogenicity in plants 2025-Jul-15, bioRxiv : the preprint server for biology DOI:10.1101/2025.07.11.664399 PMID:40791437	研究论文	开发了一种基于深度学习的机器学习框架mamp-ml，用于预测植物受体-配体相互作用和表位免疫原性	结合二十多年功能研究数据和大型蛋白质语言模型ESM-2，构建了能够预测免疫原性结果的管道和模型，即使缺乏实验结构数据也能实现预测	模型在测试集上的预测准确率为73%，仍有提升空间	开发计算框架预测植物受体-配体相互作用，为植物免疫系统工程提供支持	植物LRR受体和配体组合	机器学习	NA	蛋白质语言模型，机器学习	深度学习	蛋白质序列数据，功能数据	基于二十多年积累的功能研究数据	NA	ESM-2	准确率	NA
233	2025-10-30	Deep Learning-Derived Cardiac Chamber Volumes and Mass From PET/CT Attenuation Scans: Associations With Myocardial Flow Reserve and Heart Failure 2025-Jul, Circulation. Cardiovascular imaging DOI:10.1161/CIRCIMAGING.124.018188 PMID:40357553	研究论文	本研究利用深度学习从PET/CT衰减校正扫描中提取心脏腔室容积和质量，并分析其与心肌血流储备和心力衰竭住院的关联	首次从超低剂量CT衰减校正扫描中提取心脏解剖信息，并验证其与临床预后的关联	回顾性研究设计，未包含外部验证队列	评估深度学习从CT衰减校正扫描中提取的心脏参数与心力衰竭住院和心肌血流储备降低的关联	接受心脏PET/CT检查的18,079名患者	医学影像分析	心血管疾病	PET/CT心肌灌注成像，CT衰减校正扫描	深度学习	CT影像	18,079名来自6个中心的患者	NA	NA	风险比(HR)，比值比(OR)，置信区间(CI)	NA
234	2025-10-30	A ViTUNeT-based model using YOLOv8 for efficient LVNC diagnosis and automatic cleaning of dataset 2025-Jun-01, Journal of integrative bioinformatics IF:1.5Q3 DOI:10.1515/jib-2024-0048 PMID:40460443	研究论文	提出结合ViTUNeT和YOLOv8的模型，用于左心室致密化不全诊断和数据集自动清洗	提出ViTUNeT架构（结合U-Net和Vision Transformers），并集成YOLOv8模型进行感兴趣区域检测和数据集自动清洗	数据集质量限制了模型精度的进一步提升	改进左心室致密化不全的诊断准确性和心脏图像分析	左心室致密化不全患者、Titin心肌病患者和健康个体的心脏MRI图像	计算机视觉	心血管疾病	MRI	U-Net, Vision Transformer, YOLO	医学图像	包含新患者和健康个体的扩展数据集	NA	ViTUNeT, YOLOv8, U-Net	NA	NA
235	2025-10-30	Radiomics of PET Using Neural Networks for Prediction of Alzheimer's Disease Diagnosis 2025-Jun, Statistics in medicine IF:1.8Q1 DOI:10.1002/sim.70128 PMID:40468810	研究论文	本研究开发了基于图神经网络和Transformer编码器的深度学习模型，利用纵向PET图像和认知评分预测阿尔茨海默病的诊断和转化	首次将图神经网络和Transformer编码器应用于纵向PET图像序列分析，同时考虑了访间时间变异性	数据来源于单一研究ADNI，未在外部数据集验证	利用纵向PET图像和认知评分预测阿尔茨海默病的诊断和从认知正常或轻度认知障碍向AD的转化	阿尔茨海默病神经影像计划(ADNI)研究收集的数据	医学影像分析	阿尔茨海默病	正电子发射断层扫描(PET)	GNN, Transformer, RNN, FFN	医学图像(PET图像), 认知评分	ADNI研究数据集	NA	图神经网络, Transformer编码器, 循环神经网络, 前馈神经网络	准确率, AUC, Brier分数	NA
236	2025-10-30	Automated mitosis detection in stained histopathological images using Faster R-CNN and stain techniques 2025-Jun-01, Journal of integrative bioinformatics IF:1.5Q3 DOI:10.1515/jib-2024-0049 PMID:40491077	研究论文	本研究使用Faster R-CNN和染色技术实现染色组织病理图像中的自动有丝分裂检测	提出基于Faster R-CNN的两阶段目标检测模型，并应用染色增强和标准化技术解决组织病理图像分析中的域偏移挑战	未明确说明样本量的具体数值和计算资源细节	开发自动有丝分裂检测方法以辅助癌症诊断和治疗	染色组织病理图像中的有丝分裂细胞	数字病理	癌症	染色增强, 染色标准化	Faster R-CNN, RetinaNet	图像	MIDOG++数据集	PyTorch, fastai	Faster R-CNN, RetinaNet	F1分数	NA
237	2025-10-30	Integrating AI and genomics: predictive CNN models for schizophrenia phenotypes 2025-Jun-01, Journal of integrative bioinformatics IF:1.5Q3 DOI:10.1515/jib-2024-0057 PMID:40525405	研究论文	本研究利用深度学习分析遗传数据，预测与精神分裂症相关的表型特征	首次将卷积神经网络应用于大规模外显子组测序数据，识别精神分裂症的遗传模式	仅基于瑞典人群数据，遗传特征尚未完全解析	探索深度学习在揭示基因型-表型关系中的潜力，支持精神疾病的精准医疗	精神分裂症患者与对照组的遗传数据	机器学习	精神分裂症	外显子组测序	CNN	遗传数据	大规模病例对照样本（瑞典人群）	NA	卷积神经网络	准确率	NA
238	2025-10-30	Leveraging transformers for semi-supervised pathogenicity prediction with soft labels 2025-Jun-01, Journal of integrative bioinformatics IF:1.5Q3 DOI:10.1515/jib-2024-0047 PMID:40538169	研究论文	本文提出了一种基于Transformer的深度学习模型，用于预测遗传变异的致病性	采用半监督学习方法处理包含明确标记和模糊标记的遗传变异数据，并利用Feature Tokenizer Transformer架构处理数值和分类基因组信息	模型对明确标记变异的预测准确性较高，但对不确定性数据的预测效果仍需改进	开发遗传变异致病性预测模型以推进个性化医疗	来自NGS输出的遗传变异数据，包括明确标记和模糊标记的变异	机器学习	NA	NGS	Transformer	基因组数据	NA	NA	Feature Tokenizer Transformer	准确率	NA
239	2025-10-30	Colon cancer survival prediction from gland shapes within histology slides using deep learning 2025-Jun-01, Journal of integrative bioinformatics IF:1.5Q3 DOI:10.1515/jib-2024-0052 PMID:40650530	研究论文	本研究利用深度学习技术从结直肠癌组织病理图像中分割腺体，并基于腺体形态特征预测患者生存期	结合GlaS和CRAG数据集训练模型以增强泛化能力，并首次将腺体形态特征与生存预测相结合	模型在特定领域准确性和跨数据集鲁棒性之间存在权衡	通过腺体分割和形态特征分析预测结肠癌患者生存期	结直肠癌组织病理图像中的腺体结构	数字病理学	结肠癌	组织病理学成像	CNN	图像	GlaS和CRAG数据集及TCGA的全切片图像	NA	U-Net, DCAN	一致性指数, log-rank检验p值	NA
240	2025-10-30	Mortality risk assessment using deep learning-based frequency analysis of electroencephalography and electrooculography in sleep 2025-Feb-10, Sleep IF:5.3Q1 DOI:10.1093/sleep/zsae219 PMID:39301948	研究论文	本研究使用深度学习分析睡眠期间脑电图和眼电图的频率特征来预测全因死亡率	首次使用深度学习生存模型分析多中心睡眠研究数据，并通过SHAP方法识别与死亡率相关的特定频率带	C-index提升幅度较小(仅0.24%)，模型预测性能改善有限	评估睡眠期间EEG和EOG频率特征对全因死亡率的预测能力	8716名来自MrOS睡眠研究和睡眠心脏健康研究的参与者	机器学习	老年疾病	多导睡眠图，功率谱分析	深度学习生存模型	脑电图，眼电图	8716名参与者	NA	NA	C-index, 风险比	NA