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
2641	2025-12-17	Air quality prediction using multi-source remote sensing data integration with hybrid deep learning framework 2025-Dec-15, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32466-0 PMID:41398224	研究论文	本文提出了一种结合LSTM和CNN的混合深度学习框架，利用多源遥感数据预测空气质量	提出了一种新颖的多模态注意力时空网络（MAST-Net），整合卫星图像、气象变量和地面观测数据，并引入了动态特征选择策略和不确定性量化以提高可靠性	NA	空气质量预测，以支持城市环境管理和实时空气质量控制系统	PM2.5、PM10、NO₂和O₃的浓度	机器学习	NA	多源遥感数据集成	LSTM, CNN	卫星图像、气象变量、地面观测数据	NA	NA	MAST-Net	RMSE, 相关系数	NA
2642	2025-12-17	Deep learning based thyroid prediction with opposition learning based red panda optimization feature selection 2025-Dec-15, Scientific reports IF:3.8Q1 DOI:10.1038/s41598-025-32801-5 PMID:41398443	研究论文	本研究提出了一种基于深度学习的甲状腺预测新方法，结合了级联自编码器特征提取、改进的红熊猫优化特征选择和增强Transformer模型	提出了基于对立学习的红熊猫优化算法进行特征选择，并构建了级联自编码器-简单循环模型与增强Transformer模型结合的混合架构	未提及模型在不同人群或临床环境中的泛化能力验证，也未说明计算复杂度分析	开发高精度的甲状腺疾病预测模型	甲状腺疾病患者数据	机器学习	甲状腺疾病	深度学习	自编码器, Transformer	医疗数据	三个公开数据集（未说明具体样本量）	NA	级联自编码器, 简单循环模型, 增强Transformer	准确率, 特异性, 敏感性, F分数, 阳性预测值, 阴性预测值, 错误率	NA
2643	2025-12-17	"Enhancing early detection of oral cancer: a comparative study of artificial intelligence models and clinical specialist in lesion classification" 2025-Dec-15, BMC cancer IF:3.4Q2 DOI:10.1186/s12885-025-15334-y PMID:41398657	研究论文	本研究通过比较人工智能模型与临床专家在口腔病变分类中的表现，探索AI在口腔癌早期检测中的应用	首次系统比较了多种预训练深度学习模型在口腔癌病变分类中的性能，并证明AI模型可超越经验丰富的口腔专家诊断准确率	研究样本量相对有限（518张图像），且数据来源于单一医疗机构，可能影响模型的泛化能力	评估人工智能模型在口腔癌早期检测中的效能，并比较其与临床专家的诊断准确性	口腔内临床图像中的恶性与良性病变	计算机视觉	口腔癌	深度学习图像分析	CNN	图像	518张口腔内临床图像（104张恶性病变，414张良性或正常组织）	NA	DenseNet-121, EfficientNet-B0, ResNet-50	准确率, 灵敏度, 特异性, 阳性预测值, 阴性预测值, F1分数, AUC	NA
2644	2025-12-17	Enhancing breast cancer diagnosis: non-invasive prediction of MKI-67 (Ki67) expression using ultrasound images 2025-Dec-15, BMC cancer IF:3.4Q2 DOI:10.1186/s12885-025-15443-8 PMID:41398654	研究论文	本研究探索利用术前超声图像异质性非侵入性预测乳腺癌中MKI-67 (Ki67)表达状态	通过结合栖息地亚区、全局肿瘤、实验室和深度学习特征，综合多维度信息预测Ki67表达状态	复合模型在与某些组合模型比较时未显示出显著优势	非侵入性预测乳腺癌Ki67表达状态	乳腺癌患者	数字病理学	乳腺癌	超声成像	CNN, 机器学习	图像, 实验室数据	432名患者（训练集）和109名患者（测试集）	PyTorch, Scikit-learn	Swin-unet, ResNet-101	准确率, AUC, 敏感性, 特异性, 阳性预测值, 阴性预测值	NA
2645	2025-12-17	Biparametric MRI-Based Habitat Analysis Integrated With Deep Learning for Predicting Clinically Significant Prostate Cancer in PI-RADS Category 3 Lesions 2025-Dec-15, Journal of magnetic resonance imaging : JMRI IF:3.3Q1 DOI:10.1002/jmri.70205 PMID:41398999	研究论文	本研究开发并验证了一种基于双参数MRI的栖息地分析模型，结合深度学习特征，用于预测PI-RADS 3类别病变中的临床显著性前列腺癌	整合了双参数MRI的栖息地分析与深度学习特征，构建了栖息地全肿瘤模型和组合模型，提高了对PI-RADS 3病变中临床显著性前列腺癌的预测准确性	研究为回顾性设计，样本来自两个中心，可能存在选择偏倚，且模型性能需在前瞻性研究中进一步验证	预测PI-RADS 3类别前列腺病变中的临床显著性前列腺癌	551名经MRI识别为PI-RADS 3类别病变并经组织病理学确认的患者	数字病理学	前列腺癌	双参数MRI（T2加权成像和扩散加权成像序列）	深度学习	MRI图像	551名患者（中心1：439名，中心2：112名）	NA	NA	AUC（曲线下面积）	NA
2646	2025-12-17	The legacy and future of recurrent neural networks in personalized medicine: A reflection on the 2024 Nobel Physics Prize 2025-Dec-13, Biomedical journal IF:4.1Q2 DOI:10.1016/j.bj.2025.100933 PMID:41397676	综述	本文回顾了Hopfield和Hinton在神经网络领域的开创性贡献，探讨了循环神经网络从早期模型到深度学习架构的发展，及其在个性化医疗中的应用与未来挑战	结合2024年诺贝尔物理学奖的获奖工作，系统梳理了循环神经网络在个性化医疗中的历史影响与前沿应用，并提出了未来发展方向	文章未涉及具体实验验证，主要基于理论综述，对模型可解释性、泛化能力及伦理问题的讨论较为宏观	探讨循环神经网络在个性化医疗中的应用潜力与未来发展趋势	循环神经网络及其在医疗领域的应用	机器学习	NA	NA	RNN	图像, 文本	NA	NA	NA	诊断准确性	NA
2647	2025-12-17	AI learning for pediatric right ventricular assessment: development and validation across multiple centers 2025-Dec-09, NPJ digital medicine IF:12.4Q1 DOI:10.1038/s41746-025-02123-x PMID:41366000	研究论文	开发并验证了一个基于视频的深度学习框架，用于儿童右心室功能的自动评估	开发了一个跨多中心验证的视频深度学习框架，首次实现了对儿童右心室的自动分割、功能评估（FAC）、疾病分类及左心室射血分数的探索性预测	研究依赖于特定超声心动图视图（A4C, PSAX），模型在更广泛的形态变异或图像质量不佳情况下的泛化能力未完全验证	开发一个自动化、准确的工具来评估儿童右心室功能，以改善先天性或获得性心脏病患儿的诊断和管理	患有先天性心脏病、肺动脉高压、早产等相关疾病的儿童患者	数字病理学	心血管疾病	超声心动图	深度学习	视频	来自北美和亚洲四个三级医疗中心的3993名儿童的24,984份超声心动图	NA	U²-Net	Dice系数, AUC	NA
2648	2025-12-17	Deep learning reveals endogenous sterols as allosteric modulators of the GPCR-Gα interface 2025-Dec-08, eLife IF:6.4Q1 DOI:10.7554/eLife.106397 PMID:41359750	研究论文	本文开发了AI驱动的计算工具Gcoupler，用于预测GPCR-Gα界面的内源性变构调节剂，并通过实验验证发现甾醇等疏水代谢物作为直接细胞内调节剂	开发了首个整合从头配体设计、图神经网络和生物活性优先排序的通用计算工具Gcoupler，用于无偏地识别GPCR内源性变构调节剂，并首次发现甾醇作为GPCR-Gα界面的直接细胞内调节剂	研究主要基于酵母模型Ste2p-Gpa1p，在人类系统中的普适性需进一步验证；计算方法的泛化能力有待更多GPCR靶点测试	探索GPCR的内源性细胞内变构调节剂及其分子机制	GPCR-Gα界面（以酵母Ste2p-Gpa1p和人类/新生大鼠心脏肥大模型为例）	计算生物学	心血管疾病	计算模拟、遗传筛选、多组学分析、定点诱变、生化检测	图神经网络	分子结构数据、多组学数据、生化实验数据	未明确样本数量，但涉及酵母、人类和新生大鼠模型	未明确指定，但提及统计方法和图神经网络	未明确指定具体架构	未明确指定性能指标	未明确指定计算资源
2649	2025-12-17	MMETHANE: interpretable AI for predicting host status from microbial composition and metabolomics data 2025-Dec-08, Microbiome IF:13.8Q1 DOI:10.1186/s40168-025-02270-z PMID:41361854	研究论文	本文介绍了一种名为MMETHANE的可解释AI模型，用于从微生物组成和代谢组学数据预测宿主状态	MMETHANE整合了先验生物学知识（如系统发育和化学关系），并具有内在可解释性，能输出解释其决策的英文规则集	NA	开发一种计算工具，以链接微生物组组成和代谢物数据到宿主状态，用于理解宿主-微生物相互作用机制	微生物组成和代谢组学数据，以及宿主状态（如疾病状态）	机器学习	炎症性肠病	微生物测序，代谢组学测量	深度学习	微生物组成数据，代谢组学数据	六个数据集，包含配对的微生物组成和代谢组学测量	NA	MMETHANE	NA	NA
2650	2025-12-17	Deep learning-based detection of incisal translucency patterns 2025-Dec, The Journal of prosthetic dentistry IF:4.3Q1 DOI:10.1016/j.prosdent.2024.11.018 PMID:39837680	研究论文	本研究评估了深度学习模型在预测前牙切端半透明模式中的准确性	结合YOLOv5进行检测、Vision Transformers进行分类和U-Net进行分割，提供了一种全面的方法来分类切端半透明模式	研究样本量较小（约240张图像），且数据仅来自智能手机拍摄，可能影响模型的泛化能力	评估深度学习模型在预测前牙切端半透明模式中的准确性，以辅助牙科修复实践	前牙图像，特别是切端半透明模式	计算机视觉	NA	智能手机图像采集，图像增强技术	YOLOv5, Vision Transformers, U-Net	图像	约240张前牙JPEG图像，来自18岁以上参与者	NA	YOLOv5, Vision Transformer, U-Net	准确率, 精确率, 召回率, F1分数, 混淆矩阵, Dice系数	NA
2651	2025-12-17	Non-enhanced CT deep learning model for differentiating lung adenocarcinoma from tuberculoma: a multicenter diagnostic study 2025-Dec, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-11721-y PMID:40500528	研究论文	本研究开发并验证了一种基于三维特征的深度学习模型，用于区分肺腺癌和结核球	首次提出基于三维特征和视觉Transformer网络的深度学习模型，在非增强CT图像上区分肺腺癌与结核球，其性能优于二维特征模型、影像组学模型及六名放射科医生	研究样本主要来自三家医院，可能存在选择偏倚；未考虑其他肺部病变的鉴别诊断	开发并验证一种深度学习模型，用于在非增强CT图像上区分肺腺癌和结核球	肺腺癌和结核球患者	计算机视觉	肺癌	非增强CT成像	深度学习	CT图像	1160名患者（训练集840人，验证集210人，外部测试集110人）	NA	Vision Transformer	AUC	NA
2652	2025-12-17	CT-based deep learning model for improved disease-free survival prediction in clinical stage I lung cancer: a real-world multicenter study 2025-Dec, European radiology IF:4.7Q1 DOI:10.1007/s00330-025-11682-2 PMID:40506642	研究论文	本研究开发了一种基于CT图像的深度学习模型，用于预测临床I期肺癌患者的无病生存期，并在手术和立体定向体部放疗患者中进行了验证	首次利用三维卷积神经网络从CT图像中提取肿瘤特征，构建深度学习模型以改进临床I期肺癌患者的无病生存期预测，并在多中心真实世界数据中验证其有效性	研究为回顾性设计，可能存在选择偏倚；模型在SBRT队列中的样本量相对较小，需要进一步前瞻性验证	开发并验证基于CT图像的深度学习模型，以更准确地预测临床I期肺癌患者的无病生存期，辅助临床决策	临床I期非小细胞肺癌患者，包括接受手术切除和立体定向体部放疗的患者	数字病理学	肺癌	CT成像	CNN	图像	手术队列2489例患者，SBRT队列248例患者	NA	三维卷积神经网络	Harrell's concordance index (C-index)	NA
2653	2025-12-17	FPGA-Accelerated CNN Reconstruction for Low-Power Sparse-Array Ultrasound Imaging 2025-Dec, IEEE transactions on ultrasonics, ferroelectrics, and frequency control DOI:10.1109/TUFFC.2025.3630483 PMID:41201932	研究论文	本文提出了一种基于FPGA加速的轻量级U-Net卷积神经网络，用于稀疏阵列超声成像中的缺失通道重建，旨在降低功耗并保持图像质量	通过FPGA加速的深度学习重建缺失超声通道，有效将成像孔径加倍同时减半模拟前端需求，并采用混合量化感知训练优化网络部署	未明确说明在更广泛临床环境或不同器官中的泛化能力，且仅针对32通道配置进行了验证	开发低功耗、实时的稀疏阵列超声成像系统，用于预防性医疗和早期疾病诊断	针对深层组织（如膀胱）的超声成像数据	计算机视觉	泌尿系统疾病	超声成像, 深度学习	CNN	射频数据, 图像	未明确说明样本数量	未明确说明	轻量级U-Net (L-UNET)	均方误差 (MSE), 峰值信噪比 (PSNR), 结构相似性指数 (SSIM)	FPGA, 深度学习处理单元 (DPU)
2654	2025-12-17	[Artificial intelligence in fracture diagnostics : Potentials and challenges in the clinical practice] 2025-Dec, Unfallchirurgie (Heidelberg, Germany) DOI:10.1007/s00113-025-01653-z PMID:41222657	综述	本文探讨了人工智能在骨折诊断中的潜力与挑战，特别是在临床实践中的应用	作为“第二读者”，AI系统能提高诊断准确性、减少诊断时间并改善患者安全，尤其在细微骨折或医生经验有限的情况下	包括训练数据异质性、复杂骨折诊断性能有限以及监管要求	评估人工智能在骨折诊断中的支持作用及其在临床实践中的整合	骨折诊断系统，特别是基于深度学习的算法	计算机视觉	骨折	深度学习算法	卷积神经网络	图像	大型验证研究中的大量样本	NA	卷积神经网络	灵敏度, 特异性	NA
2655	2025-12-17	Forecasting visceral leishmaniasis in Sudan using hybrid wavelet based deep learning models on climate driven multivariate time series 2025-Dec, Acta tropica IF:2.1Q2 DOI:10.1016/j.actatropica.2025.107911 PMID:41265507	研究论文	本研究提出了一种基于小波变换和深度学习的新型混合模型，用于预测苏丹内脏利什曼病的月发病率	结合小波变换与深度学习模型（Wavelet-GPR、Wavelet-StemGNN、Wavelet-TCN-BiLSTM）分解多尺度模式并学习线性和非线性关系，以捕捉疾病传播的复杂动态	模型需要针对不同地区重新校准，且未来需要纳入更多环境和社会经济数据层以提高预测能力	预测苏丹Gedaref州内脏利什曼病的月发病率，以改进疾病监测和早期预警系统	苏丹Gedaref州的内脏利什曼病发病率数据	机器学习	内脏利什曼病	时间序列分析，小波变换	混合模型（小波变换结合深度学习）	多元时间序列数据（气候数据）	2000-2022年的月发病率数据（2000-2018年训练，2019-2022年测试）	Python	Wavelet-GPR, Wavelet-StemGNN, Wavelet-TCN-BiLSTM, VAR	RMSE, MAE, R, MAPE	NA
2656	2025-12-17	MultiverseAD: Enhancing spatial-temporal synchronous attention networks with causal knowledge for multivariate time series anomaly detection 2025-Dec, Neural networks : the official journal of the International Neural Network Society IF:6.0Q1 DOI:10.1016/j.neunet.2025.107903 PMID:40773781	研究论文	本文提出了一种名为MultiverseAD的时空同步注意力网络，结合因果知识以增强多元时间序列异常检测性能	通过动态时空同步注意力网络与静态时空因果图的结合，同步处理时空特征，并利用因果知识增强学习过程	NA	提高多元时间序列异常检测的准确性和鲁棒性	多元时间序列数据	机器学习	NA	NA	注意力网络	时间序列数据	八个公共数据集	NA	动态时空同步注意力网络, 静态时空因果图	NA	NA
2657	2025-12-17	Predicting the prognosis of symptomatic intracranial atherosclerotic stenosis (sICAS) patients using deep learning models: a multicenter study based on high-resolution magnetic resonance vessel wall imaging 2025-Dec, Clinical radiology IF:2.1Q2 DOI:10.1016/j.crad.2025.107092 PMID:41086706	研究论文	本研究基于高分辨率磁共振血管壁成像，开发深度学习模型以预测症状性颅内动脉粥样硬化性狭窄患者的卒中复发风险	首次将3D深度学习模型应用于高分辨率血管壁成像数据，以预测症状性颅内动脉粥样硬化性狭窄患者的卒中复发风险，并在多中心数据上验证了其优于2D模型和放射组学方法	研究为回顾性设计，样本量相对有限，且仅基于两个医疗中心的数据	开发并验证基于高分辨率血管壁成像的深度学习模型，以改善症状性颅内动脉粥样硬化性狭窄患者的卒中复发预测，识别高危患者并指导临床干预	症状性颅内动脉粥样硬化性狭窄患者	数字病理学	心血管疾病	高分辨率磁共振血管壁成像	CNN, Transformer	图像	363名患者（训练队列254名，外部验证队列109名）	NA	ResNet50, DenseNet169, Vision Transformer	AUC, 校准曲线, 决策曲线分析	NA
2658	2025-12-17	[Artificial intelligence for the diagnosis of acute coronary syndromes] 2025-Dec, Giornale italiano di cardiologia (2006) DOI:10.1714/4599.46056 PMID:41287609	综述	本文综述了人工智能在急性冠状动脉综合征诊断中的应用，特别是通过深度学习分析心电图以提升诊断准确性和效率	利用深度学习算法自动分析心电图，包括纸质心电图的照片处理，在ST段抬高型心肌梗死中达到比经验丰富的心脏科医生更高的敏感性和特异性，并扩展应用至预测完全血管闭塞和识别责任冠状动脉	在非ST段抬高型心肌梗死中，临床异质性降低了诊断精度，AI的准确性有限	探索人工智能在急性心肌梗死诊断和管理中的作用，旨在实现更早、更准确的诊断并改善患者预后	急性冠状动脉综合征患者，特别是ST段抬高型和非ST段抬高型心肌梗死病例	机器学习	心血管疾病	深度学习	深度学习算法	心电图数字追踪和纸质心电图照片	NA	NA	NA	敏感性, 特异性, 准确性	NA
2659	2025-12-17	Toward an Unbiased Deep Learning Classifier of Pediatric Middle Ear Disease 2025-Dec, Otolaryngology--head and neck surgery : official journal of American Academy of Otolaryngology-Head and Neck Surgery DOI:10.1002/ohn.70031 PMID:40955059	研究论文	本研究旨在开发一种基于深度学习的算法，利用廉价消费级耳镜捕获的儿童鼓膜图像，准确预测儿科患者中耳积液的存在和性质	首次使用廉价消费级数字耳镜捕获的多样化、年龄代表性图像训练深度学习模型，以高精度分类儿童中耳疾病，推动该技术在临床实践中的实际应用	研究样本量相对较小（219名儿童，737张图像），且图像采集于麻醉状态下的儿童，可能限制了模型在非麻醉或不同临床环境下的泛化能力	开发人工智能算法以准确预测儿科患者中耳积液的存在和性质，改善抗生素管理并支持远程医疗应用	6个月至10岁儿童的中耳鼓膜图像，采集自美国四家儿科医院接受鼓膜切开术和置管术的患者	数字病理学	中耳疾病	数字耳镜成像	深度学习分类器	图像	219名儿童（42.14%为黑人、西班牙裔、亚裔和其他种族），共737张图像	NA	NA	加权准确率	NA
2660	2025-12-17	CellSAM: a foundation model for cell segmentation 2025-Dec, Nature methods IF:36.1Q1 DOI:10.1038/s41592-025-02879-w PMID:41360960	研究论文	本文提出了一种名为CellSAM的通用细胞分割基础模型，该模型通过结合目标检测器和提示工程方法，能够在多种细胞成像数据上实现跨域泛化	基于Segment Anything Model（SAM）开发了针对细胞分割的提示工程方法，并训练了自动检测细胞的CellFinder检测器，实现了单一模型在多种成像模态和细胞类型上的通用分割能力	未明确说明模型在极端成像条件或高度重叠细胞场景下的性能限制，也未详细讨论计算效率方面的局限性	开发一个能够泛化到多种细胞成像数据的通用细胞分割模型	哺乳动物细胞、酵母和细菌的显微图像	数字病理学	NA	细胞成像	基础模型	图像	NA	NA	Segment Anything Model（SAM）	零样本性能、少样本学习性能	NA