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
2521	2026-01-14	Early Detection of Cystoid Macular Edema in Retinitis Pigmentosa Using Longitudinal Deep Learning Analysis of OCT Scans 2025-Dec-23, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16010046 PMID:41515541	研究论文	本研究提出了一种基于深度学习的框架，利用纵向光学相干断层扫描（OCT）成像，用于早期检测视网膜色素变性（RP）患者的黄斑囊样水肿（CME）	首次利用纵向OCT数据进行AI驱动的CME预测，能够捕捉细微的疾病进展	现有研究大多缺乏能够捕捉疾病进展的纵向数据	早期检测视网膜色素变性（RP）患者的黄斑囊样水肿（CME）	视网膜色素变性（RP）患者	计算机视觉	视网膜色素变性	光学相干断层扫描（OCT）成像	CNN	图像	2280张纵向OCT图像	NA	ResNet-34	准确率, 特异性, F1分数	NA
2522	2026-01-14	Specific Dynamic Parameters: A Novel Multi-View Stereo Vision Measurement System for Vector Nozzle 2025-Dec-23, Sensors (Basel, Switzerland) DOI:10.3390/s26010093 PMID:41516528	研究论文	本文设计了一种用于测量矢量喷管运动参数的多视角视觉测量系统，并提出了一种基于深度学习三维重建、点云分割和拟合测量的技术方案	提出了一种结合深度学习多视角立体视觉、点变换器点云分割和RANSAC空间圆拟合的“三维重建-点云分割-拟合测量”集成技术方案，用于矢量喷管运动参数的高精度测量	研究基于模拟的双轴承旋转喷管进行，未在真实航空发动机矢量喷管上进行验证；系统性能评估主要依赖实验室环境	开发一种高精度、高稳定性的矢量喷管运动参数视觉测量系统，以支持推力矢量控制和飞行性能提升	航空发动机矢量喷管（通过双轴承旋转喷管模拟其运动）	计算机视觉	NA	多视角立体视觉，点云处理	深度学习，点变换器	图像，三维点云	NA	NA	点变换器	GRR%，NDC	NA
2523	2026-01-14	Timepoint-Specific Benchmarking of Deep Learning Models for Glioblastoma Follow-Up MRI 2025-Dec-22, Cancers IF:4.5Q1 DOI:10.3390/cancers18010036 PMID:41514549	研究论文	本文首次针对胶质母细胞瘤随访MRI，进行了时间点特异性的深度学习模型基准测试，以区分真实肿瘤进展与治疗相关假性进展	首次在胶质母细胞瘤随访MRI中引入时间点特异性、横断面的深度学习模型基准测试，并分析了不同放疗后扫描时间点对模型性能的影响	整体绝对区分能力仍较有限，反映了TP与PsP区分的固有难度，以及数据集规模和类别不平衡问题	区分胶质母细胞瘤的真实肿瘤进展与治疗相关假性进展	胶质母细胞瘤患者的随访MRI图像	数字病理学	胶质母细胞瘤	随访MRI	CNN, LSTM, Transformer, 选择性状态空间模型	图像	Burdenko GBM Progression队列，n = 180	NA	Mamba+CNN混合模型, Transformer变体, 轻量级CNN	准确率, F1分数, AUC	NA
2524	2026-01-14	AI-Driven Enzyme Engineering: Emerging Models and Next-Generation Biotechnological Applications 2025-Dec-22, Molecules (Basel, Switzerland) DOI:10.3390/molecules31010045 PMID:41515342	综述	本文综述了人工智能驱动的酶工程领域的新兴模型及其在下一代生物技术中的应用	提出了一个关于新兴AI方法的统一综合框架，这些方法共同定义了下一代酶工程，实现了可持续、高效且功能多样化的生物催化剂的创建	NA	综述人工智能在酶工程领域的应用，并展望下一代生物技术	酶工程	机器学习	NA	NA	机器学习, 深度学习, 生成模型, 强化学习	序列数据, 结构数据	NA	NA	AlphaFold2, RoseTTAFold, ProGen, ESM-2, ProteinGAN, 变分自编码器	NA	NA
2525	2026-01-14	Automated Food Weight and Content Estimation Using Computer Vision and AI Algorithms: Phase 2 2025-Dec-22, Sensors (Basel, Switzerland) DOI:10.3390/s26010076 PMID:41516511	研究论文	本研究利用计算机视觉和人工智能算法，在自助餐厅环境中自动估计食物的重量和成分	结合YOLO架构进行内容识别，并融合RGB与深度相机进行体积测量，再通过特定食物密度模型估计重量，实现了高精度的自动化食物量化	研究仅针对米饭和鸡肉进行了验证，可能未涵盖所有食物类型；在复杂餐饮场景中的泛化能力有待进一步测试	开发一种自动化系统，用于量化餐饮服务中的食物成分和份量大小	自助餐厅托盘中的食物，如米饭和鸡肉	计算机视觉	NA	计算机视觉，深度学习	YOLO	图像	NA	NA	YOLO	平均精度均值(mAP), 精确率-召回率曲线	NA
2526	2026-01-14	Artificial Intelligence-Driven Food Safety: Decoding Gut Microbiota-Mediated Health Effects of Non-Microbial Contaminants 2025-Dec-22, Foods (Basel, Switzerland) DOI:10.3390/foods15010022 PMID:41517088	综述	本文综述了人工智能在解码非微生物污染物通过肠道微生物群介导的健康效应中的应用	整合多组学和暴露数据，利用AI技术（如机器学习和深度学习）解析“污染物-微生物群-宿主”轴中的复杂非线性关系，推动食品安全风险评估和精准营养策略	数据异质性、小样本偏差、模型可解释性不足以及缺乏标准化数据集和人体相关实验验证	利用人工智能解析非微生物污染物通过肠道微生物群对宿主健康的影响，以改进食品安全风险评估	非微生物污染物（如重金属、农药残留、抗生素、微纳米塑料、持久性有机污染物）与肠道微生物群及宿主健康的相互作用	机器学习	NA	多组学数据整合、暴露数据	机器学习, 深度学习	多组学数据、暴露数据	NA	NA	NA	NA	NA
2527	2026-01-14	Development and Validation of a CT Radiomics-Deep Learning Model for Predicting Surgical Difficulty in Pancreatic and Periampullary Tumors 2025-Dec-21, Cancers IF:4.5Q1 DOI:10.3390/cancers18010029 PMID:41514543	研究论文	本研究开发并验证了一种结合手工特征和深度学习特征的CT影像组学模型，用于预测胰腺及壶腹周围肿瘤腹腔镜胰十二指肠切除术的手术难度	首次提出将手工提取的影像组学特征与深度学习衍生的影像组学特征相结合，构建混合预测模型，用于评估胰腺手术难度	研究为单中心回顾性研究，样本量相对较小（150例），需要多中心前瞻性研究进一步验证	预测腹腔镜胰十二指肠切除术的手术难度，为术前评估提供决策支持	胰腺及壶腹周围肿瘤患者	数字病理学	胰腺癌	CT影像（门静脉期）	支持向量机	医学影像	150例患者（训练集105例，测试集45例）	NA	混合模型（手工影像组学特征+深度学习影像组学特征）	AUC, 校准曲线, 决策曲线分析	NA
2528	2026-01-14	Using Artificial Intelligence as a Risk Prediction Model in Patients with Equivocal Multiparametric Prostate MRI Findings 2025-Dec-21, Cancers IF:4.5Q1 DOI:10.3390/cancers18010028 PMID:41514540	综述	本文综述了人工智能在PI-RADS 3前列腺MRI不确定病灶风险分层中的应用现状与证据	总结了包括PI-CAI全球基准研究在内的多中心证据，表明先进AI系统在跨扫描仪和人群的csPCa检测中可匹配或超越专家放射科医生	前瞻性验证仍然有限，临床转化需多中心前瞻性验证、标准化成像协议及工作流整合	评估人工智能作为风险预测模型在前列腺多参数MRI不确定（PI-RADS 3）病灶患者中的应用潜力	PI-RADS 3前列腺MRI病灶患者	数字病理学	前列腺癌	多参数MRI（T2加权和扩散加权成像）	机器学习, 深度学习	医学影像	包括PI-CAI研究（>10,000例MRI检查）在内的多项单中心及多中心研究	NA	卷积神经网络, 大规模表征学习框架	ROC曲线下面积	NA
2529	2026-01-14	Scaphoid Fracture Detection and Localization Using Denoising Diffusion Models 2025-Dec-21, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16010026 PMID:41515521	研究论文	本研究提出了一种基于去噪扩散模型的舟骨骨折检测与定位框架，通过自监督学习策略增强训练数据，并利用扩散模型进行高质量图像重建以识别骨折区域	采用扩散模型进行舟骨骨折检测与定位，通过嵌入伪骨折区域实现数据增强，避免了复杂耗时的医学图像手动标注，形成自监督学习策略	未明确提及模型在临床环境中的泛化能力测试或对不同类型舟骨骨折（如隐匿性骨折）的具体表现分析	开发一个可靠的基于深度学习的辅助诊断系统，用于舟骨骨折的检测与定位	舟骨X射线图像	计算机视觉	舟骨骨折	X射线成像	扩散模型, U-Net	图像	未明确提及具体样本数量，但使用了真实舟骨图像进行评估	未明确提及	U-Net	AUROC, 准确率, 召回率, 精确率, 像素AUROC, 像素区域重叠率	未明确提及
2530	2026-01-14	Novelty Detection in Underwater Acoustic Environments for Maritime Surveillance Using an Out-of-Distribution Detector for Neural Networks 2025-Dec-20, Sensors (Basel, Switzerland) DOI:10.3390/s26010037 PMID:41516470	研究论文	本研究提出了一种用于水下声学环境的新颖性检测框架，通过集成ODIN与MC Dropout来增强模型对未知信号的检测能力和预测不确定性估计	将ODIN与MC Dropout相结合，利用软最大值概率校准和随机前向传播来缓解模型过度自信问题，并通过高斯混合模型和KL散度量化测试样本与已知类行为的偏差	实验仅在DeepShip数据集上进行验证，未在其他水下声学数据集或真实海洋环境中测试	提高水下声学传感系统在海洋监视和自主导航中对未知信号的检测鲁棒性和可靠性	水下声学环境中的已知和未知信号	机器学习	NA	NA	神经网络	声学信号	DeepShip数据集	NA	NA	ROC曲线下面积, 假阳性率, 真阳性率	NA
2531	2026-01-14	Highway Reconstruction Through Fine-Grained Semantic Segmentation of Mobile Laser Scanning Data 2025-Dec-20, Sensors (Basel, Switzerland) DOI:10.3390/s26010040 PMID:41516475	研究论文	本文提出了一种基于移动激光扫描数据的细粒度语义分割方法，用于高速公路环境的自动理解与三维重建	提出了多尺度、基于对象的数据增强与下采样方法以解决训练样本不平衡问题，并首次将KPConv卷积网络应用于高速公路环境的细粒度语义分割	方法仅在32公里高速公路路段上验证，未说明在不同气候、光照条件下的泛化能力	实现高速公路环境的自动理解与三维重建，以支持先进的交通管理和智能交通系统	高速公路环境及其27类环境特征	计算机视觉	NA	移动激光扫描	CNN	3D点云数据	32公里高速公路路段	NA	KPConv	平均交并比(mIoU)	NA
2532	2026-01-14	AI-Powered Histology for Molecular Profiling in Brain Tumors: Toward Smart Diagnostics from Tissue 2025-Dec-19, Cancers IF:4.5Q1 DOI:10.3390/cancers18010009 PMID:41514522	综述	本文综述了人工智能在脑肿瘤组织学中预测分子特征的研究进展，旨在推动快速、准确且全球可及的智能诊断发展	利用深度学习从全切片图像中直接预测脑肿瘤的分子改变（如IDH突变、1p/19q共缺失），并扩展到术中冰冻切片实现实时分级和分子预测，以及探索了在脊髓室管膜瘤和原发性中枢神经系统淋巴瘤等其他脑肿瘤中的应用	分子检测的不平等获取限制了整合诊断的普遍应用，且当前方法主要集中于胶质瘤，对其他脑肿瘤类型的覆盖仍需扩展	通过人工智能模型从组织学数据中预测脑肿瘤的分子特征，以支持精准医疗并改善诊断可及性	中枢神经系统肿瘤，特别是胶质瘤，以及脊髓室管膜瘤和原发性中枢神经系统淋巴瘤等其他脑肿瘤	数字病理学	脑肿瘤	全切片图像分析、刺激拉曼组织学、领域自适应图像翻译	深度学习	图像	NA	NA	NA	准确率	NA
2533	2026-01-14	Pattern Learning and Knowledge Distillation for Single-Cell Data Annotation 2025-Dec-19, Biology DOI:10.3390/biology15010002 PMID:41514844	研究论文	本研究提出了一种基于模式学习和知识蒸馏的单细胞数据注释方法PLKD，用于解决参考数据集到查询数据集的细胞类型注释转移问题	PLKD方法通过教师模型（Transformer）将基因分组为模式（代表特定生物学功能），使学生模型（MLP）能够关注生物学功能交互而非易受批次差异影响的基因水平表达，并结合知识蒸馏提升轻量级学生模型的抗噪性和鲁棒性	NA	解决单细胞数据中因测量技术导致的批次或数据集间域差距问题，实现准确且鲁棒的细胞类型注释	单细胞数据中的细胞类型注释	机器学习	NA	单细胞测量技术	Transformer, MLP	单细胞数据	NA	NA	Transformer, MLP	NA	NA
2534	2026-01-14	A Novel Framework for Cardiovascular Disease Detection Using a Hybrid CWT-SIFT Image Representation and a Lightweight Residual Attention Network 2025-Dec-19, Diagnostics (Basel, Switzerland) DOI:10.3390/diagnostics16010005 PMID:41515501	研究论文	提出一种结合连续小波变换-尺度不变特征变换图像表示与轻量级残差注意力网络的新型框架，用于心血管疾病的自动检测	结合多分辨率小波特征与SIFT关键点密度图生成三通道图像表示，并设计轻量级残差注意力网络，在数据有限情况下实现高精度分类	未明确提及模型在外部验证集或临床环境中的泛化能力测试	开发一种在训练样本有限情况下仍能高精度自动识别心血管疾病的计算机辅助筛查工具	心血管疾病患者的心电图信号	数字病理学	心血管疾病	连续小波变换，尺度不变特征变换	CNN	图像	未在摘要中明确说明	未在摘要中明确说明	ResAttNet	准确率，精确率，召回率，F1分数	未在摘要中明确说明
2535	2026-01-14	SD-GASNet: Efficient Dual-Domain Multi-Scale Fusion Network with Self-Distillation for Surface Defect Detection 2025-Dec-19, Sensors (Basel, Switzerland) DOI:10.3390/s26010023 PMID:41516457	研究论文	本文提出了一种基于自蒸馏模型压缩策略的高效双域多尺度融合网络SD-GASNet，用于解决工业表面缺陷检测中尺度变化大、背景相似难以区分以及部署环境计算资源有限下的高精度实时检测挑战	设计了结合频率域信息收集与分配机制和通道同步模块的AES-FPN融合网络，并采用增强KL散度损失函数的自蒸馏策略来提升轻量模型性能	未明确说明模型在更复杂工业场景或更多样化传感器数据上的泛化能力限制	开发一种在有限计算资源下实现高精度、实时工业表面缺陷检测的鲁棒且可泛化的解决方案	工业表面缺陷	计算机视觉	NA	NA	CNN	图像	三个公共数据集（NEU-DET, PCB, TILDA）	NA	SD-GASNet, AES-FPN	准确率, 推理速度	NA
2536	2026-01-14	Critical review of the model description in 'Kurdish handwritten character recognition using deep learning techniques' 2025-Dec, Gene expression patterns : GEP IF:1.0Q4 DOI:10.1016/j.gep.2025.119399 PMID:40617480	评论	本文对一篇关于使用深度学习技术进行库尔德手写字符识别的文章进行了批判性审查，指出了其在模型架构描述、类别标签和模型总结方面的不一致性	NA	NA	审查并指出已发表文章中模型描述的不一致性问题，以促进透明度和可重复性	库尔德手写字符识别领域的深度学习模型描述	自然语言处理	NA	深度学习	NA	手写字符图像	NA	NA	NA	NA	NA
2537	2026-01-14	Ultrasound-Based Deep Learning Radiomics to Predict Cervical Lymph Node Metastasis in Major Salivary Gland Carcinomas 2025-Dec, International dental journal IF:3.2Q1 DOI:10.1016/j.identj.2025.103895 PMID:40945314	研究论文	本研究开发并验证了一种基于超声的深度学习放射组学模型，用于无创预测大唾液腺癌的颈淋巴结转移	整合了临床、超声、放射组学和深度学习特征，构建复合模型以无创预测颈淋巴结转移，支持个性化手术决策	研究样本量有限（214例患者），且来自多个医疗中心，可能存在数据异质性	开发并验证一种基于超声的深度学习放射组学模型，用于无创预测大唾液腺癌患者的颈淋巴结转移	大唾液腺癌患者	数字病理学	唾液腺癌	超声成像	深度学习, 机器学习	图像	214例患者（训练集144例，验证集70例）	NA	NA	AUC, 准确率, 精确率, 召回率, F1分数	NA
2538	2026-01-14	Exploring the Terra incognita of AI-based domain classifications 2025-Dec, Protein science : a publication of the Protein Society IF:4.5Q1 DOI:10.1002/pro.70392 PMID:41288334	研究论文	本研究通过分析664个候选新折叠结构域，探索了AI驱动的蛋白质结构分类中的未知领域，并创建了190个新的Pfam家族	整合结构、进化和上下文信息来解析具有挑战性的折叠分类，为扩展蛋白质分类框架进入未知结构领域提供了路线图	许多候选新折叠结构域可能源于结构域边界预测错误（如截短序列或紧密堆积的结构域重复），且大多数缺乏与已知折叠的明确序列或结构相似性	解决结构生物信息学中新型蛋白质折叠分类的核心挑战，特别是在AlphaFold2等深度学习模型极大扩展预测蛋白质结构宇宙的背景下	来自TED数据库的664个候选新折叠（CNF）结构域，这些结构域在TED和DPAM方法中均被分类为低置信度	结构生物信息学	NA	深度学习模型（如AlphaFold2）、结构域分类方法（TED、DPAM）	NA	蛋白质结构数据、序列数据	664个候选新折叠（CNF）结构域	NA	NA	NA	NA
2539	2026-01-14	Biomarkers 2025-Dec, Alzheimer's & dementia : the journal of the Alzheimer's Association DOI:10.1002/alz70856_107027 PMID:41527868	研究论文	比较FreeSurfer不同分割算法在脑部MRI图像处理中对体积和皮质厚度估计的影响，并评估其对萎缩分类的差异	首次系统比较FreeSurfer v7.2 recon-all与v7.4 recon-all-clinical（包括SynthSeg）在临床队列中对脑部结构测量和萎缩分类的影响，特别关注深度学习算法对扫描质量的鲁棒性	样本主要来自单一临床队列（Wake Forest ADRC），可能限制结果的普适性；未详细展示扫描质量对SynthSeg鲁棒性的具体数据	评估不同FreeSurfer分割算法在脑部MRI图像处理中产生的测量差异，及其对年龄和疾病相关萎缩量化的影响	624名参与者（包括认知正常、轻度认知障碍、痴呆患者），使用结构性T1-MRI和tau-PET图像	数字病理学	老年疾病	结构性T1-MRI扫描、tau-PET成像、FreeSurfer图像处理	深度学习分割算法	图像	624名参与者（330名认知正常，214名轻度认知障碍，75名痴呆，5名未分类）	FreeSurfer	SynthSeg	R2（共享方差）、萎缩分类一致性	NA
2540	2026-01-14	An Explainable Deep Model for Risk Scoring and Accurate Radionecrosis Identification Following Brain Metastasis Stereotactic Radiosurgery 2025-Nov-27, International journal of radiation oncology, biology, physics DOI:10.1016/j.ijrobp.2025.11.038 PMID:41317799	研究论文	本研究开发了一种可解释的深度学习模型，用于无创区分非小细胞肺癌脑转移患者立体定向放射外科治疗后的放射性坏死与局部复发	提出了一种结合二阶重球神经常微分方程框架的深度学习模型，能够动态追踪输入特征在深度网络中的演化，并在图像-基因组-临床空间中可视化样本轨迹，同时利用层相关性传播量化非影像特征的贡献	研究样本量相对较小（142个病灶），且仅针对非小细胞肺癌患者，可能限制模型的泛化能力	开发一种可解释的深度学习模型，以无创方式准确区分脑转移立体定向放射外科治疗后的放射性坏死与局部复发	非小细胞肺癌脑转移患者的病灶	数字病理学	肺癌	磁共振成像, 基因组生物标志物分析	深度学习	图像, 临床数据, 基因组数据	103名非小细胞肺癌患者的142个脑转移病灶	自定义深度学习框架	二阶重球神经常微分方程	准确性, 精确度, 召回率, F1分数, AUC	NA