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
2621	2026-01-13	Deep learning-based object detection of restorative dental instruments with potential implications for workflow automation and infection control in dental supply units 2025-Dec-04, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-30774-z PMID:41339466	研究论文	本研究提出了一种基于深度学习的概念验证方法，用于在标准化托盘上自动检测和分类修复性牙科器械，旨在支持牙科供应单元的工作流程自动化和感染控制	首次将YOLOv8模型应用于修复性牙科器械的自动检测与分类，并与YOLOv5、YOLOv6、YOLOv7等前代模型在相同实验设置下进行性能比较，证明了其在牙科供应单元自动化工作流程中的可行性	研究结果需要在更多样化的临床环境中进行进一步验证，以确保模型的泛化能力	开发一种自动化工具，以提高牙科供应单元的工作效率和感染控制水平	修复性牙科器械	计算机视觉	NA	深度学习	YOLOv8, YOLOv5, YOLOv6, YOLOv7	图像	1000张图像，包含14个类别的14000个标注实例	NA	YOLOv8	精确率, 召回率, mAP@0.5, mAP@[0.5:0.95]	NA
2622	2026-01-13	An efficient dimensionality reduction framework using metaheuristic optimization with deep learning models for amyotrophic lateral sclerosis disease progression prediction 2025-Dec-04, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-30913-6 PMID:41345272	研究论文	本文提出了一种结合元启发式优化与深度学习模型的降维框架，用于预测肌萎缩侧索硬化疾病的进展	创新点包括使用二元剑鱼移动优化算法进行特征选择，以及结合时间卷积网络、长短期记忆网络和注意力机制的混合模型进行分类，并利用海洋捕食者算法优化超参数	NA	为肌萎缩侧索硬化疾病进展预测提供一个有效的模型	肌萎缩侧索硬化疾病患者数据	机器学习	肌萎缩侧索硬化	深度学习, 机器学习, 元启发式优化	TCN, LSTM, 注意力机制	临床数据	NA	NA	时间卷积网络, 长短期记忆网络	准确率	NA
2623	2026-01-13	SATrans-Net: Sparse Attention Transformer for EEG-based motor imagery decoding 2025-Dec-04, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-30806-8 PMID:41345285	研究论文	提出了一种名为SATrans-Net的端到端框架，用于基于EEG的运动想象解码，通过稀疏注意力Transformer建模长序列依赖关系以提高性能	将Top-K稀疏注意力机制融入Transformer架构，在增强长程建模能力的同时降低了计算成本，并融合了局部与全局特征	未明确提及模型在跨被试或临床实时应用中的泛化能力限制	提升基于脑电图（EEG）的运动想象（MI）信号的解码精度，为运动障碍患者提供辅助解决方案	脑电图（EEG）信号，特别是与运动想象（MI）相关的信号	生物医学信号处理	运动障碍	脑电图（EEG）	Transformer, CNN	时间序列信号（EEG）	使用了三个公开数据集（BCI IV-2a, BCI IV-2b, High-Gamma），具体样本数量未在摘要中说明	未明确提及	SATrans-Net（基于Transformer并融合2D深度可分离卷积和Top-K稀疏注意力机制）	准确率	未明确提及
2624	2026-01-13	Evaluation of deep learning MRI reconstruction for dental implant crowns in a phantom study 2025-Dec-04, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-30934-1 PMID:41345497	研究论文	本研究通过体模实验评估了深度学习MRI重建技术对不同牙科种植冠材料成像质量和金属伪影的影响	首次系统评估深度学习MRI重建在牙科种植冠成像中对多种材料（氧化锆、PMMA、金、镍铬合金）金属伪影的改善效果	仅为体模研究，缺乏在体验证；样本类型有限；仅评估了特定MRI序列	评估深度学习MRI重建技术在减少牙科金属伪影和改善图像质量方面的效果	含钛种植体及四种牙冠材料（氧化锆、PMMA、金、镍铬合金）的丙烯酸体模	医学影像分析	NA	磁共振成像，深度学习图像重建	深度学习重建模型	MRI图像	含四种牙冠材料的体模（氧化锆、PMMA、金、镍铬合金各一）	NA	NA	图像噪声，信噪比，视觉评分，伪影比率	3.0-T MRI系统
2625	2026-01-13	MallaNet residual branch merge convolutional neural network with homogeneous filter capsules for Devanagari character recognition 2025-Dec-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-30871-z PMID:41339442	研究论文	本研究提出了一种名为MallaNet的鲁棒深度学习模型，用于高精度识别手写天城文字符	在BMCNNwHVCs基础上，集成了优化的残差块、改进的均匀滤波器胶囊层和合并层，以捕获多尺度特征并保留空间层次结构，同时显著减少了模型参数	NA	开发一个鲁棒的深度学习模型，以高精度识别手写天城文字符，支持文档数字化和文化保护	天城文手写字符	计算机视觉	NA	NA	CNN	图像	92,000张图像，涵盖46个类别	NA	MallaNet, BMCNNwHVCs	测试准确率, 宏平均F1分数	NA
2626	2026-01-13	Automated cardiac MRI analysis for robust profiling of heart failure models in mice 2025-Dec-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-30810-y PMID:41339487	研究论文	本文提出了一种用于小鼠心力衰竭模型的高通量、自动化心脏MRI分析流程，结合优化的非对比增强MRI协议和深度学习分割方法	开发了结合高通量非对比增强心脏MRI协议与3D CNN的自动化分析流程，实现了对小鼠心脏功能的高精度、可重复性量化，并首次在小鼠HFpEF模型中检测到心肌灌注的细微变化	研究仅在小鼠模型中进行验证，尚未在人类临床数据中测试；模型依赖于特定MRI协议，可能不适用于其他成像参数	加速和标准化临床前心血管研究中的心脏表型分析，特别是针对射血分数保留的心力衰竭（HFpEF）模型	两种多因素诱导的小鼠HFpEF模型：饮食诱导肥胖（DIO）模型和DIO联合高血压药物（DOCP）模型	数字病理学	心血管疾病	心脏磁共振成像（MRI），包括电影动脉自旋标记（ASL）和多巴酚丁胺负荷测试	CNN	图像	使用两种小鼠HFpEF模型（DIO和DIO+DOCP）及对照组，具体样本数量未在摘要中明确说明	NA	3D CNN	Dice相似系数，组内相关系数（ICC）	NA
2627	2026-01-13	A linear-attention based network for estimating continuous upper limb movement from surface electromyography 2025-Dec-03, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-30665-3 PMID:41339702	研究论文	本文提出了一种基于线性注意力的模型（LABD），用于从表面肌电信号（sEMG）连续估计上肢运动，包括肘部和肩部关节角度	采用线性注意力机制替代传统的点积注意力或深度学习模型，以提高上肢运动估计的准确性和鲁棒性	未明确提及样本量大小或数据集的多样性，可能影响模型的泛化能力	开发一种连续运动估计方法，用于人机交互系统，以提供比模式识别方法更自然直观的结果	上肢运动，特别是肘部和肩部关节的角度估计	机器学习	NA	表面肌电信号（sEMG）采集，Vicon运动捕捉系统	线性注意力模型（LABD），多层感知机（MLP），时序卷积网络（TCN），长短期记忆网络（LSTM），点积注意力模型（DABD）	sEMG信号，关节角度数据	NA	NA	线性注意力模型（LABD），点积注意力模型（DABD），多层感知机（MLP），时序卷积网络（TCN），长短期记忆网络（LSTM）	皮尔逊相关系数（PCC），Wilcoxon符号秩检验	NA
2628	2026-01-13	Deep Learning-Based Adrenal Gland Volumetry for the Prediction of Diabetes 2025-Dec, Endocrinology and metabolism (Seoul, Korea) DOI:10.3803/EnM.2025.2336 PMID:40528328	研究论文	本研究利用基于深度学习的肾上腺体积测量方法，探讨了肾上腺体积与2型糖尿病之间的关联	首次使用三维nnU-Net深度学习算法自动测量肾上腺体积，并建立了肾上腺体积与2型糖尿病发病风险的长期关联	研究为观察性设计，无法确定因果关系；仅使用单一外部数据集进行验证	确定基于深度学习的肾上腺体积测量与当前血糖状态及2型糖尿病发病之间的关联	接受腹部盆腔CT检查的成年人，排除肾上腺结节患者	数字病理学	2型糖尿病	腹部盆腔计算机断层扫描	深度学习	CT图像	模型开发使用500例CT扫描，临床队列包括9708名成年人	nnU-Net	三维nnU-Net	Dice系数, 平均体积差异	NA
2629	2026-01-13	Towards a cardiovascular magnetic resonance foundation model for multi-task cardiac image analysis 2025 Winter, Journal of cardiovascular magnetic resonance : official journal of the Society for Cardiovascular Magnetic Resonance IF:4.2Q1 DOI:10.1016/j.jocmr.2025.101967 PMID:41046013	研究论文	本研究开发了一个针对心血管磁共振（CMR）的视觉基础模型，并通过监督微调应用于九种不同的CMR图像分析任务	首次为CMR开发了专门的视觉基础模型，并通过自监督预训练在多种任务上实现了与现有方法相当或更优的性能，无需任务特定优化	在疾病检测任务上性能提升有限，且未进行任务特定的方法论优化	开发一个统一的基础模型框架，用于自动化CMR图像分析任务	心血管磁共振图像	计算机视觉	心血管疾病	心血管磁共振成像	Vision Transformer	图像	来自27,524名受试者的3600万张CMR图像，数据来源包括UK Biobank和两个临床中心	PyTorch	ViT-S/8	准确率, Dice系数	NA
2630	2026-01-13	EEG-SGENet: A lightweight convolutional network integrating SGE for motor imagery brain-computer interfaces 2025-Nov-28, Neuroscience IF:2.9Q2 DOI:10.1016/j.neuroscience.2025.09.040 PMID:41173359	研究论文	本文提出了一种轻量级卷积神经网络EEG-SGENet，通过集成SGE模块来提升运动想象脑机接口的分类性能	引入轻量级的SGE模块来调整语义子特征的空间注意力，增强有用特征并抑制噪声，实现了模型精度与计算成本的良好平衡	NA	在运动想象脑机接口中，平衡分类精度与计算资源消耗	基于脑电图（EEG）的运动想象脑机接口信号	机器学习	NA	脑电图（EEG）	CNN	脑电图信号	NA	NA	EEG-SGENet	准确率	NA
2631	2026-01-13	Artificial Intelligence for Risk Stratification in Diffuse Large B-Cell Lymphoma: A Systematic Review of Classification Models and Predictive Performances 2025-Nov-24, Medical sciences (Basel, Switzerland) DOI:10.3390/medsci13040280 PMID:41440512	系统综述	本文系统综述了人工智能（AI）和机器学习（ML）技术在弥漫性大B细胞淋巴瘤（DLBCL）预后预测和风险分层中的应用	系统性地梳理了AI/ML在DLBCL风险分层中的多种数据模态（如临床特征、PET/CT影像、组学数据等）和计算方法，并指出多组学模型和ctDNA预测因子具有临床转化潜力	需要外部验证和提高模型可解释性，以实现从研究到临床工作流程的实际整合	系统绘制当前关于AI/ML技术在DLBCL结局预测和风险分层中应用的文献图景，识别关键趋势、知识差距及临床转化机会	应用AI/ML预测DLBCL生存结局、分类风险组或识别预后亚型的原始研究论文	数字病理学	弥漫性大B细胞淋巴瘤	基因表达谱分析、突变特征分析、循环肿瘤DNA分析、microRNA分析、多组学整合	集成学习, CNN, LASSO-based Cox模型	临床数据, PET/CT影像, CT影像, 数字病理图像, 常规组织病理学数据, 转录组学数据, 基因组学数据, ctDNA数据, microRNA数据, 多组学数据	共筛选215条记录，其中91项研究符合纳入标准	NA	NA	AUC	NA
2632	2026-01-13	Application of Artificial Intelligence in Vulnerable Carotid Atherosclerotic Plaque Assessment-A Scoping Review 2025-Nov-22, Medicina (Kaunas, Lithuania) DOI:10.3390/medicina61122082 PMID:41470084	综述	本文是一篇范围综述，总结了人工智能（特别是深度学习和影像组学）在评估易损性颈动脉粥样硬化斑块中的应用证据	系统性地回顾了2021年至2025年间AI在颈动脉斑块易损性评估中的最新应用，涵盖了超声、CTA和MRI等多种成像模态，并比较了其诊断性能	纳入的研究多为单中心，仅两项研究进行了外部验证，缺乏校准和决策曲线分析，限制了结果的普适性	评估人工智能技术在检测和评估易损性颈动脉斑块中的应用潜力	颈动脉粥样硬化斑块	数字病理	心血管疾病	超声、计算机断层扫描血管成像、高分辨率磁共振成像	机器学习、深度学习、影像组学	医学影像	共纳入12项研究，样本量从106到205不等	NA	NA	ROC-AUC	NA
2633	2026-01-13	Label-efficient computational tumour infiltrating lymphocyte assessment in breast cancer (ECTIL): multicentre validation in 2340 patients with breast cancer 2025-Nov, The Lancet. Digital health DOI:10.1016/j.landig.2025.100921 PMID:41381302	研究论文	本研究提出并验证了一种基于深度学习的标签高效计算模型ECTIL，用于评估乳腺癌组织切片中的肿瘤浸润淋巴细胞密度，并在多中心队列中展示了其与病理学家评分的高度一致性	提出了一种无需复杂深度学习分割和检测流程的简化模型，仅需10分钟训练时间和100倍更少的病理学家标注即可实现高精度TIL评分	模型在特定分子亚型（如三阴性乳腺癌）上表现更优，可能在其他亚型泛化能力有限；未详细探讨模型在不同染色批次或扫描仪间的鲁棒性	开发一种高效、可重复的计算模型，辅助病理学家进行乳腺癌肿瘤浸润淋巴细胞评估	2340名乳腺癌患者的全切片图像，包括790名三阴性乳腺癌患者	数字病理学	乳腺癌	苏木精-伊红染色、福尔马林固定石蜡包埋全切片成像	深度学习回归模型	全切片图像	2340名患者，来自三个国家的多中心队列和三项随机临床试验	NA	基于病理学基础模型的特征提取器	Pearson相关系数, AUROC	NA
2634	2026-01-13	Lymph Node Metastasis Prediction From In Situ Lung Squamous Cell Carcinoma Histopathology Images Using Deep Learning 2025-01, Laboratory investigation; a journal of technical methods and pathology DOI:10.1016/j.labinv.2024.102187 PMID:39542104	研究论文	本研究利用深度学习模型，基于肺鳞状细胞癌（LUSC）的原发肿瘤组织病理学图像，预测淋巴结转移	采用创新的多实例学习方法，结合patch likelihood histogram和bag of words技术提取全切片图像特征，并使用ExtraTrees算法构建了名为LN_ISLUSCH的预测模型	研究队列规模有限且多样性不足，未来需要更大、更多样化的队列以及整合更多组学数据以提高预测准确性和临床实用性	预测肺鳞状细胞癌（LUSC）的淋巴结转移，以提供更准确和客观的诊断与预后方法	肺鳞状细胞癌（LUSC）患者的组织病理学全切片图像	数字病理学	肺癌	组织病理学成像	深度学习, 机器学习	图像	来自Outdo-LUSC和癌症基因组图谱队列的全切片图像	PyTorch, Scikit-learn	ResNet-18	AUC, 95%置信区间, P值	NA
2635	2026-01-13	Design of high specificity binders for peptide-MHC-I complexes 2024-Nov-28, bioRxiv : the preprint server for biology DOI:10.1101/2024.11.28.625793 PMID:39651227	研究论文	本文利用深度学习蛋白质设计工具，开发了针对肽-MHC-I复合物的高特异性结合蛋白	采用深度学习工具设计小蛋白，使其跨越pMHC复合物的肽结合槽并与肽广泛接触，实现了从实验或预测结构出发生成高特异性结合物	NA	设计高特异性结合物以靶向肽-MHC-I复合物，用于疾病治疗	肽-MHC-I复合物	机器学习	NA	深度学习蛋白质设计	NA	蛋白质结构数据	十个目标pMHC复合物	NA	NA	结合特异性（通过酵母展示和T细胞激活评估）	NA
2636	2026-01-13	A deep learning dataset for sample preparation artefacts detection in multispectral high-content microscopy 2024-02-23, Scientific data IF:5.8Q1 DOI:10.1038/s41597-024-03064-y PMID:38395957	研究论文	本文介绍了一个用于高内涵显微镜样本制备伪影检测的深度学习数据集	创建了一个专门用于高内涵显微镜样本制备伪影检测的开放数据集，并提出了基于规则的分类和像素级注释策略	数据集基于实验室灰尘滴定在固定细胞培养样本上，可能无法覆盖所有类型的样本制备伪影	解决高内涵图像筛选中样本制备伪影检测的数据集缺乏问题	高内涵显微镜图像中的样本制备伪影	计算机视觉	NA	高内涵显微镜，荧光滤波成像	CNN	图像	NA	NA	卷积神经网络	NA	NA
2637	2026-01-13	Fluorescent Neuronal Cells v2: multi-task, multi-format annotations for deep learning in microscopy 2024-02-10, Scientific data IF:5.8Q1 DOI:10.1038/s41597-024-03005-9 PMID:38341463	研究论文	本文介绍了荧光神经元细胞v2数据集，这是一个用于促进生命科学和深度学习领域创新研究的荧光显微镜图像及对应标注数据集	发布了包含多任务、多格式标注的高分辨率荧光显微镜图像数据集，支持语义分割、目标检测和计数等多种学习任务	NA	促进计算机视觉方法在显微镜图像分析中的方法学进展，并推动生命科学领域的突破性发现	啮齿动物神经元细胞核和细胞质的荧光显微镜图像	计算机视觉	NA	荧光显微镜成像	NA	图像	1874张高分辨率图像，包含750个对应标注	NA	NA	NA	NA
2638	2026-01-13	A clinical microscopy dataset to develop a deep learning diagnostic test for urinary tract infection 2024-02-01, Scientific data IF:5.8Q1 DOI:10.1038/s41597-024-02975-0 PMID:38302487	研究论文	本文介绍了一个用于开发深度学习诊断测试的临床显微镜数据集，旨在通过计算机视觉技术自动识别尿路感染患者的尿液细胞	提出了一个开放数据集，包含300张图像和3,562个手动注释的尿液细胞，分为七个临床重要细胞类型，并设计了一种新颖的Patch U-Net深度学习架构，结合随机补丁生成器来识别尿液细胞	数据集规模相对较小（300张图像），可能限制模型的泛化能力，且仅基于有症状尿路感染患者的未染色、未处理尿液样本	开发一个基于深度学习的诊断测试，用于自动识别尿路感染，以克服传统手动显微镜检查的技术困难、耗时和观察者间误差问题	尿路感染患者的尿液样本中的细胞	计算机视觉	尿路感染	临床显微镜成像	深度学习	图像	300张图像，包含3,562个手动注释的尿液细胞	未指定	Patch U-Net	未指定	未指定
2639	2026-01-13	Annotated dataset for training deep learning models to detect astrocytes in human brain tissue 2024-01-19, Scientific data IF:5.8Q1 DOI:10.1038/s41597-024-02908-x PMID:38242926	研究论文	本文介绍了一个用于训练深度学习模型检测人脑组织中星形胶质细胞的标注数据集	提供了首个基于ALDH1L1和GFAP染色的人脑组织全切片图像数据集，支持星形胶质细胞的自动检测和密度分析	数据集仅包含16张切片和8名患者，样本规模有限，可能影响模型的泛化能力	开发自动化工具以检测和量化人脑组织中的星形胶质细胞，促进神经病理学研究	人脑组织切片中的星形胶质细胞	数字病理学	神经系统疾病	ALDH1L1和GFAP免疫组织化学染色	深度学习模型	图像	16张切片，来自8名患者，共8730个图像块	NA	NA	NA	NA
2640	2026-01-13	Open and reusable deep learning for pathology with WSInfer and QuPath 2024-Jan-10, NPJ precision oncology IF:6.8Q1 DOI:10.1038/s41698-024-00499-9 PMID:38200147	研究论文	本文介绍了WSInfer和QuPath，一个开源软件生态系统，旨在促进数字病理学中深度学习模型的共享与重用	开发了WSInfer这一开源工具，专门解决数字病理学领域深度学习模型难以重用的问题，提升了模型的可访问性和复用性	NA	通过开源软件生态系统，推动数字病理学中深度学习模型的共享与重用，以增强其在诊断、预后和预测方面的研究能力	数字病理学中的深度学习模型	数字病理学	NA	深度学习	NA	病理图像	NA	NA	NA	NA	NA